基于灰色系統的大學生就業率預測

亓紅強 張福堃 高大鯤 王惠強

摘 ?要： 大學生就業受到經濟、政策等多種因素的影響，使得當前大學生就業率預測誤差大，為了解決該難題，設計基于灰色系統的大學生就業率預測方法。首先，對當前大學生就業率預測研究現狀進行分析，找到引起誤差的原因;然后，收集大學生就業率的歷史數據，通過灰色系統對大學生就業率變化特點進行擬合，建立大學生就業率預測模型;最后，采用大學生就業率數據實現仿真測試。結果表明，灰色系統可以反映大學生就業率變化特點，獲得了高精度的大學生就業率預測結果，預測誤差遠遠小于當前其他大學生就業率預測方法，預測結果可以為大學就業管理部門提供一定的參考信息。

關鍵詞： 大學生就業率; 預測模型; 灰色系統; 擬合結果; 殘差修正; 預測精度

中圖分類號： TN911.1?34; TP391 ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）11?0174?04

Abstract： The employment of college students is influenced by many factors such as economy and policy， which makes the prediction error of the current college students′ employment rate big. Therefore， a college students′ employment rate prediction method based on grey system was designed. The present research situation of the employment rate of college students is analyzed to find the reason causing the prediction error， and then the historical data of the employment rate of college students is collected. The change characteristics of the employment rate of college students are fitted by means of grey system to establish the employment rate prediction model of college students. The data of the employment rate of college students is adopted for simulation test. The simulation results show that the grey system can reflect the change characteristics of the college students′ employment rate， and obtain the high?precision prediction results of the college students′ employment rate. The prediction error is far less than that of the current other employment rate prediction methods of college students′. The prediction results can provide some reference information for the college students′ employment management department.

Keywords： employment rate of college students; prediction model; grey system; fitting result; residual error correction; prediction accuracy

0 ?引 ?言

大學生就業對國家和社會的穩定起著重要的作用，而大學生就業率預測可以幫助大學以及教育管理部門了解大學生就業的變化趨勢，制定相應大學生就業率措施，因此大學生就業率預測成為大學生管理研究中的熱點問題[1?3]。

針對大學生就業率預測問題，許多學者進行了深入的分析和調研，提出了一些大學生就業率預測方法。最初大學生就業率預測采用專家系統，通過領域內一些專家對大學生就業率變化特點進行分析，建立大學生就業率預測的知識專家庫，對未來某時刻的大學生就業率進行估計和預測，但該方法工作過程復雜，大學生就業率預測效果與專家庫的知識豐富度密切相關，并且大學生就業率預測結果具有一定的盲目性[4?5]。隨后出現了基于統計學理論的大學生就業率預測方法，通過統計學中的方法對大學生就業率的變化特點進行建模和預測[6?7]。如多元回歸分析，根據大學生就業率的歷史數據對多元回歸分析模型的參數進行估計，但由于多元回歸分析假設大學生就業率是一種線性變化特點，而實際大學生就業率受到一個地區的經濟、國家和城市的就業政策、大學生自身心理因素等影響，具有較強的非線性變化特點，因此多元回歸分析的大學生就業率預測精度低，大學生就業率預測誤差大[8]。隨著現代統計學以及非線性理論的發展，出現基于神經網絡的大學生就業率預測方法。神經網絡具有比較好的非線性擬合能力，可以對大學生就業率變化趨勢進行預測，得到了比多元回歸分析更優的大學生就業率預測結果。但由于神經網絡通常結構復雜，而且要求大學生就業率歷史數據相當多，易出現“過擬合”預測結果，增加了大學生就業率預測的實際成本[9?10]。

針對當前大學生就業率預測誤差大的難題，本文提出基于灰色系統的大學生就業率預測方法。首先收集大學生就業率的歷史數據，然后通過灰色系統對大學生就業率變化特點進行擬合，建立大學生就業率預測模型，最后采用大學生就業率數據實現了仿真測試，并分析了該方法的有效性和優越性。

1 ?灰色系統

1.1 ?模型GM（1，1）

有學者根據灰色理論提出了灰色系統，假設研究對象有一定灰色，根據對象已知的當前信息進行分析，建立相應的數學模型，然后根據模型對對象的各個因素之間的關聯進行分析和量化，得到可以描述對象變化特點的模型[11]。灰色系統最常用的模型為GM（1，1），因此本文選擇GM（1，1）對大學生就業率進行建模與預測，GM（1，1）的工作步驟如下：

1） 設研究對象的歷史數據序列為[X（0）=x（0）1，x（0）2，…，x（0）n-1，x（0）n]，對[X（0）]進行一次累加操作，得到新的數據序列為[X（1）=x（1）1，x（1）2，…，x（1）n-1，x（1）n]，其中：

2） 對新的數據[X（1）]進行建模，得到灰色系統的預測方程為：

3） 設參數[u]的估計值為[u=a，bT]，根據最小二乘法（LS）可以得到[u=BTB-1BTY]，其中：

4） 得到參數[a，u]的值后，對式（2）進行求解，從而得到：

1.2 ?預測結果的殘差修正

通常情況下，GM（1，1）的預測精度難以達到實際應用的要求，需要對預測結果的殘差進行修正[12]。設實際值和預測值之間的殘差為

2 ?基于灰色系統的大學生就業率預測

基于灰色系統的大學生就業率預測步驟如下：

1） 收集某所高校近幾年的大學生就業率歷史數據，并通過專家對一些錯誤的數據進行剔除，保證數據的有效性。

2） 采用式（12）對原始大學生就業率數據進行處理，獲得更優的大學生就業率預測結果。

3） 采用灰色系統中的GM（1，1）對大學生就業率數據建模，得到大學生就業率預測結果。

4） 對大學生就業率預測結果的殘差進行修正，以提高大學生就業率預測精度。

5） 采用式（13）對大學生就業率預測結果進行處理，得到實際的大學生就業率預測結果。

綜上可知，基于灰色系統的大學生就業率預測流程如圖1所示。

圖1 ?基于灰色系統的大學生就業率預測流程

3 ?大學生就業率預測性能的測試

3.1 ?大學生就業率的歷史數據

選擇某大學連續20年的畢業生就業數據作為研究對象，如圖2所示。

圖2 ?某大學20年的畢業生就業數據

3.2 ?大學生就業率的單步預測結果

采用灰色系統對圖2中的大學生就業率數據進行建模和預測，得到的大學生就業率一步預測結果如圖3所示。從圖3可以發現，灰色系統能夠對大學生就業率的變化趨勢進行描述，大學生就業率的期望值和灰色系統的預測值之間的偏差很少，可獲得誤差小、精度高的大學生就業率預測結果。

3.3 ?大學生就業率的多步預測結果

由于大學生一步預測結果只能反映下一年的大學生就業變化趨勢，不利于高校制定長期的大學生就業管理措施，因此需要進行大學生就業率的多步預測，采用滾動方式實現大學生就業率的4步預測，得到的大學生就業率4步預測結果如圖4所示。

圖3 ?大學生就業率一步預測結果

圖4 ?大學生就業率多步預測結果

從圖4可知，灰色系統的大學生多步預測效果明顯要差于一步預測結果，大學生就業率的預測誤差變大，但是灰色系統仍然可以對大學生就業率的變化趨勢進行準確刻畫，預測精度可以滿足大學生就業率實際應用要求。

3.4 ?與其他方法的大學生就業率預測結果對比

為了測試灰色系統的先進性，選擇BP神經網絡、多元回歸分析進行大學生就業率預測的對比實驗，統計它們一步和多步的預測精度，得到的統計結果如表1所示。分析表1的統計結果可以發現：

1） 多元回歸分析的大學生就業率預測精度最低，這表明其大學生就業率的預測誤差最大，這主要是由于多元回歸分析是一種線性分析方法，無法描述大學生就業率的非線性變化特點，導致大學生就業率的預測效果差。

2） 相對于多元回歸分析，BP神經網絡的大學生就業率的預測精度有了一定的改善，有效地減少了大學生就業率的預測誤差，這主要是由于BP神經網絡是一種非線性分析方法，可以建立整體預測性能更優的大學生就業率預測模型。

3） 相對于多元回歸分析、BP神經網絡，灰色系統的大學生就業率預測結果更優，無論是一步預測或者是多步大學生就業率的預測結果精度更高，這主要是因為灰色系統不僅克服多元回歸分析非線性建模能力的缺陷，同時解決了BP神經網絡易“過擬合”的不足，使得大學生就業率預測誤差得到大幅度下降，具有十分顯著的優勢。

表1 ?與其他方法的大學生就業率預測精度對比

4 ?結 ?語

為了克服當前大學生就業率預測誤差大的難題，提出基于灰色系統的大學生就業率預測方法。根據大學生就業率的非線性變化特點，對原始數據進行歸一化處理，并通過灰色系統中的GM（1，1）模型對大學生就業率歷史數據進行挖掘，找到大學生就業率的變化態勢，獲得高精度的大學生就業率預測結果。無論是單步預測或者多步預測結果，本文的大學生就業率預測誤差均小于當前其他大學生就業率預測方法，大學生就業率預測效果得到了明顯的改善，預測結果可以為相關部門提供有價值的參考意見。

參考文獻

[1] MENZIES T V， PARADI J C. Entrepreneurship education and engineering students career path and business performance [J]. International journal of entrepreneurship &innovation， 2003， 7（2）： 121?133.

[2] FERNANDEZ R， CASTILLA E， MOORE P. Social capital at work： networks and employment at a phone center [J]. American journal of sociology， 2000， 105（9）： 1288?1356.

[3] 葉苗.大數據分析大學生就業率估計模型仿真[J].計算機仿真，2016，33（11）：183?184.

YE Miao. Big data analysis of college students′ employment rate estimation model simulation [J]. Computer simulation， 2016， 33（11）： 183?184.

[4] 黃敬寶.社會資本對大學生就業的影響：假設與檢驗[J].企業經濟，2012（9）：110?113.

HUANG Jingbao. Influence of social capital on college students′ employment [J]. Enterprise economy， 2012（9）： 110?113.

[5] 劉奎穎，郄麗娜，黃春萍.大學生就業能力構成及其與就業滿意度關系研究[J].河北工業大學學報，2010，39（6）：48?52.

LIU Kuiying， QIE Lina， HUANG Chunping. Study on the composition of employment ability of college students and its relationship with employment satisfaction degree [J]. Journal of Hebei University of Technology， 2010， 39（6）： 48?52.

[6] 楊旭華.“90后”大學生就業能力結構模型研究[J].人口與經濟，2012（2）：41?48.

YANG Xuhua. Analysis on the structure of post?90s college graduates′ employability [J]. Population & economics， 2012（2）： 41?48.

[7] 楊光軍.灰色理論和神經網絡在大學生就業信心指數預測中的應用[J].數學的實踐與認識，2013，43（13）：62?67.

YANG Guangjun. Application of gray theory and BP neural network in the college students′ employment confidence index prediction [J]. Mathematics in practice and theory， 2013， 43（13）： 62?67.

[8] 劉海濱，楊穎秀，陳雷.基于AHP的大學生就業創業教育評價指標體系構建[J].東北師大學報（哲學社會科學版），2012（6）：227?232.

LIU Haibin， YANG Yingxiu， CHEN Lei. AHP?based employment of university students entrepreneurship education evaluation index system [J]. Journal of Northeast Normal University （Philosophy and Social Sciences）， 2012（6）： 227?232.

[9] 肖繼軍.基于USEM模型的大學生就業能力實證研究[J].系統工程，2012，30（6）：122?126.

XIAO Jijun. Empirical study on university employment capacity empirical based on the USEM model [J]. Systems engineering， 2012， 30（6）： 122?126.

[10] 劉斕，徐健鋒.基于二進制關聯規則提取算法的大學生就業競爭力分析[J].計算機科學，2009，36（3）：295?297.

LIU Lan， XU Jianfeng. College students′ employment competition power analysis based on mining algorithm of binary association rules [J]. Computer science， 2009， 36（3）： 295?297.

[11] 于小兵，姚天祥，駱翔，等.集成神經網絡和灰色系統的我國農業受災面積預測[J].干旱區資源與環境，2016，30（9）：64?70.

YU Xiaobing， YAO Tianxiang， LUO Xiang， et al. Integrate NARX neural network and grey system to forecast China agricultural areas affected by natural disasters [J]. Journal of arid land resources and environment， 2016， 30（9）： 64?70.

[12] 丁明，劉志，畢銳，等.基于灰色系統校正?小波神經網絡的光伏功率預測[J].電網技術，2015，39（9）：2438?2443.

DING Ming， LIU Zhi， BI Rui， et al. Photovoltaic output prediction based on grey system correction?wavelet neural network [J]. Power system technology， 2015， 39（9）： 2438?2443.