基于灰色模型的就業需求分析與預測研究

陳 藝

（山東科技大學，山東 青島 266590）

就業可以說是每個學生都需要面對的問題。做好就業工作，是踐行“三個代表”重要思想、科學發展觀，增強黨的執政能力的具體途徑，也是公共服務方向的重點內容。目前，就業市場的供需關系不穩定，為了促進就業人員與就業需求相匹配，需要充分了解就業需求情況，為人才就業提供更好的建議。

1 就業難度模型的建立

根據Thomas[1]，Jolliffe[2]的研究和國家質檢總局的規定可知，就業難度由兩部分組成：第一部分，本專業就業期望人群DP與就業需求NP的比值；第二部分，本專業對學歷要求的難度。為衡量各專業的就業難度，本文根據各學歷層次劃定了權重WP，學歷越高，權重越大，在數值上體現的難度越大。權重如表1所示。

表1 各數值權重

為統一量綱，建立了衡量各專業的就業難度DiffP：

式中，n為學歷層次的數目。就業期望和學歷需求被整合在一起。針對專業類別過于分散的問題，本文對2017年的數據進行了集中分析，整合同類行業進行相關分析，并對各大類別的人才進行需求分析。經過分析得出各類數據的分析結果，即人才需求總量W。

對職稱數據進行分析發現，每年的職位和候選人都集中在年初，并在年底逐漸減少[3]。因此，對2017年的典型數據進行分析，如圖1所示。

圖1 2017年人才需求與就業意愿

對同年某專業類別的數據，對離散數據進行回歸分析。線性回歸方程利用數理統計中的回歸分析來確定兩個或多個變量之間的相互依賴關系。線性回歸是第一種回歸分析方法，在實際中得到了廣泛的應用。

根據自變量的個數，可分為一維線性回歸分析方程和多元線性回歸分析方程，給出了不同專業類別的人才需求與不同專業的就業期望數和學歷要求之間的關系。整合不同類型的數據，可以得到總的人才需求量W。上述步驟綜合了就業意向數和學歷要求數，因此，只需要統計日歷要求和專業意愿數，即可估算總的人才需求量：

2 就業難度模型求解

根據上述分析，計算出相應結果，以求解就業難度模型，如表2所示。

表2 離散數據回歸分析計算結果

續表2

圖2 2017年職業需求量和難度

根據統計結果可知，金融證券類、電子科技類、醫療護理類的就業難度大于其他行業。

3 就業需求預測模型的建立

對就業需求預測過程中，根據B市往年數據發現，每年的就業情況并沒有非常明顯的規律可循，即無法用一般的線性和非線性來表示。每個城市對于人才的需求量有相當的不確定性，比如宏觀調控、世界經濟形勢的變化、應屆畢業生數量等，在數學上叫作一定的模糊性，所以，可以用模糊數學的原理來對此問題進行預測，運用灰色預測模型來解決此類問題。

灰色預測是對具有不確定性的系統進行預測的一種方法?；疑碚撌腔叶戎翟谝欢〞r間和范圍內隨機變化的灰度過程，灰色預測就是利用灰色理論，對過去和現在的未知信息進行定量分析計算，預測出未來某時間段內的情況。GM（1,1）[4]是灰色理論預測系統中應用最普遍的單變量數列預測模型，運用GM（1,1）的原始數列進行運算，形成有規律的預測數列，建立微分方程，得到模型計算式。模型精度的確定通過與實測值的比較算出殘差，對模型進行不斷修正，以提高精確度。本預測不止一個變量，因此，建立灰色微分方程模型，記為GM (n,N)，其中，n為微分方程的階數，N為變量數。本文運用的是GM（1，N）模型[5-6]。由于描述數據為離散數據，因此，用灰色模型建立模型，設：

上式是m個因素的n個狀態值。為了增強因素的規律性，對于進行一次累加：

其灰色模型群為：

定義：

代入上式得到預測值為Xi(1)(n+1)…之后，進行外推預測。殘差分析是一種分析模型假設的方法。利用殘差的信息分析數據的干擾，從而進行殘差檢驗和修正。殘差就是實際值和預測值的差。δ表示回歸方程。殘差δ遵循正態分布N(μ,σ2)，σ為殘差的均值。δ*是標準化殘差，即殘差和殘差均值之差除以殘差的標準差。δ*服從標準正態分布N(0，1)。顯然，有多少對數據，就有多少個殘差?；疑Ｐ皖A測出的結果中誤差比較大而且不能滿足實際需要時，可通過殘差系列來修正模型來減小所產生的誤差。記0階殘差為：

原始數據的均值、方差為：

計算后檢驗誤差檢驗比值c和小誤差概率P分別為：

依據綜上兩項指標，可從表3中查找預測精度檢驗等級。

表3 預測精度檢驗等級

4 就業需求預測模型的求解

利用Matlab將就業數據導入到程序中，得到相關結果：

可以看出，2015年9月2018年8月3個周期的就業需求分別為435 207，314 797和299 832。可見，B城市的人才正在流失，必須通過預測就業需求來預測人才需求。

首先，根據灰色模型，采用GM(1,1)模型，初始化原始序列，初始化序列：435 207，314 797，299 832；原始序列1-AGO序列：435 207，75 004，1 049 836；1-AGO生成的直接序列：592 606，899 920；展開系數和灰色作用量的計算a=0=343 655；模擬值的計算：435 207，314 736，299 777；計算出的殘差=6 702。2018年9月—2021年8月就業人數分別為285 529人、271 958人和259 032人。

其次，利用GM（1,2）模型，根據人才需求和就業狀況進行數據替換，原序列的初始序列：62450，46713，44337；原序列1-AGO序列：62450，109163，153500；1-AGO立即序列生成序列：85807，131332；展開系數和灰色作用量計算a=0，b=51191；模擬值計算：62450，46703，44328；殘差=192。

5 模型評價綜述

利用灰色模型預測的方法簡單，但不能很好地控制離散變量的預測精度，一般只用于小樣本數據。當數據量較大且離散度較大時，其灰度值較大，預測精度較差。

在當前的就業形勢下，無論是就業困難與否，大學生都應具有良好的心態。具體如下：

（1）分析就業形勢，把握就業機會。當代大學生應當認真分析思考市場結構，理性分析就業熱度，全面考量自身情況與市場的契合度，把握就業機會。

（2）提高個人素質，增強就業競爭優勢。當代社會市場更加看中個人的綜合素質，在日常生活學習中，要善于思考聯系，把所學的知識與實際情況相結合。不但要注重專業知識的學習、基礎技能的學習，也要關注時事政治，對其他學科知識有適當的了解。

（3）找準自己的定位。不要妄自菲薄，也不要驕傲自大，要有自信，但也要清楚與他人的差距。善于運用自己的優勢，在激烈的市場競爭中堅定地向目標前進。