高等教育招生-培養-就業聯動機制研究綜述

王克勤，王 婷，劉 偉，蔡志強*

（1.西北工業大學 教務處，西安 710072；2.西北工業大學 管理學院，西安 710072；3.西北工業大學 機電學院，西安 710072；4.西北工業大學 黨委學生工作部，西安 710072）

教育部在2017 年12 月發布的《關于推動高校形成就業與招生計劃人才培養聯動機制的指導意見》文件中指出，招生、培養及就業是高等教育最重要的三個環節，三者相互影響，密不可分。以培養促就業，以就業促招生，這已成為諸多教育工作者的共識。

構建招生、培養與就業的聯動改革體系被較早提出，即以學校的優質建設、畢業生的高素質、教學質量促招生[1]。此后相關研究一直向前推進，王雅蓉[2]從人才培養、就業狀況反饋等角度強調其不僅是提高專業建設質量的必然要求，也是提升就業競爭力的必要手段。覃偉麗[3]進一步指出三個環節相互銜接，一個環節失誤都可對整個培養過程產生影響。以“招生、培養、就業”為關鍵詞在CNKI 數據庫檢索，論文數量自2018 年以來明顯上升，排名前三的主題依次是聯動機制、高校招生、招生就業，這一結果也符合高等教育進入高質量發展的現實。

但是，高校的人才培養與社會需求之間存在結構矛盾、層次錯位，王英等[4]指出大學畢業生并非總量過剩，而是結構失衡。專業結構設置不合理及高校人才培養方面的弊端使得學生缺乏就業競爭力，對此，張云霞等[5]分析深層原因是未能構建良性的招生-培養-就業聯動機制，科學確定擴招、培育、維持、警示和淘汰專業，真正實現各專業優勝劣汰。近年來，各高校深入研究，蘇永佳等[6]構建招生計劃分配聯動機制，切實提高了自身建設工作有效性。

盡管招生-培養-就業聯動已得到廣泛關注，但研究尚不深入。我國90%院校的聯動機制構建還正在成形期，不到10%的高校提出以招生計劃為杠桿，報考率、報到率、就業率為主要檢驗指標，構建招生專業紅黃藍預警來定性分析[7]，而鳳毛麟角者用數據庫建立數學模型，將招生、培養與就業情況的指標量化并提取，結合學校實際賦予權重，而此方法也僅用于專業預警評估。

隨著改革進程的推進，學者對聯動機制的認識也在不斷更新，從既有文獻可看出，絕大多數研究工作主要談思路和框架，定性闡述三者之間的關系，尚未建立定量化的關系模型。因此，以提升深造率為目標構建一套系統的分析模型及招生計劃配置優化方法勢在必行。

一 招生-培養-就業聯動指標的探索

（一）確立指標的基本原則

自主制訂招生計劃有利于各高校辦學，同時也是一項挑戰。對于構建原則，張云霞等[5]提出關聯性、科學性、指向性、導向性和信息流通性五項原則；董業軍[8]提出可量化、客觀、數據易采集，從另一個角度劃分了指標的系統性、代表性、可比性和可操作性原則。在分析各關節開展的工作時，要有預測性及前瞻性，從中提取充分適當的詳細指標，不能短視及忽視。

（二）生源質量相關指標分析

招生是高校人才培養的起點，生源質量是影響計劃制訂的內在因素，許多學者都提出了分省、分專業策略，于是將招生計劃完成情況、各省生源質量和各專業志愿情況劃分為3 個二級指標。高校招生計劃的制訂受多重因素影響，錄取率、報到率、院校一志愿率是首要關注的指標。

（三）培養質量相關指標分析

培養是高校人才培養工作中的關鍵環節，我們將辦學條件、學科建設情況、培養計劃完成情況和培養質量納入二級指標體系中。學校優勢學科及大類專業的設置同樣重要。李姣姣等[9]建議大類分流培養前引導，鄭慶華等[10]發現重視本科人才培養的專業滿額接收學生。董業軍[8]強調，合格的辦學條件是高校人才培養和科學研究的物質前提和基本保障，學科發展亦是學校發展的重中之重。閻光才[11]驗證了優秀教師是創新型人才成長的重要影響因素，何朝陽等[12]分析了美國邁阿密大學等高等學府翻轉課堂教學的過程，王磊等[13]基于對拔尖計劃培養模式的調查，驗證了參與科研項目、出國交流等是培養創新能力的重要途徑。此外，朱昱潼等[14]指出關聯度高的社會經驗，即實習率是決定錄用應聘者的重要因素。

（四）就業質量相關指標分析

對于畢業去向落實而言，就業率與深造率是兩個同等重要的部分，應將深造情況、就業情況及就業質量看作3 個二級指標。近年來，隨著招生規模的不斷擴大，就業率已成為社會對高校人才培養工作反饋的重要指標，此外，更應重視就業質量[9]。周璟等[15]提出，為防止畢業生初次就業后跳槽或失業，但數據更新不及時導致的就業率虛高的問題，應考慮年終就業率。高校需從自身實際出發，經濟發達地區高校可重點評價畢業生薪酬水平、創業率[16]；經濟發展相對落后地區經濟實體少，就業崗位集中在政府部門和事業單位[17]。

（五）綜合指標體系的提出

總結文獻、綜合分析，得到表1 中3 個一級指標、10個二級指標、42 個三級指標的指標體系。

表1 招生-培養-就業聯動指標體系

二 招生計劃動態調整模型

（一）構建招生-培養-就業深造結構化數據庫的意義

當前，大多數高校均建立了畢業生就業信息管理系統，結合數據挖掘技術和招生工作經驗，郭寶軍[18]指出目前大多高校的招生、培養、就業看似有條不紊，實則缺乏聯動。對此，毛維華等[19]建議相關教學管理部門效法機構KCEWS，規范數據采集，使各層級院校一體化，防止數據孤島出現。大數據分析技術有助于深化教育改革，動態匹配學生和企業之間的供需，趙瑩等[20]用HQL做聚類分析提升大學生創業選擇的成功率。孫憲麗等[21]基于Hadoop 分布式集群框架編寫爬蟲程序，精準對接社會需求，提高就業質量。因此，將大數據分析作為工具，是提高人才培養和社會需求契合度、促進三者良性循環的有效助推。

（二）指標權重系數確定方法

1 主、客觀賦權法

主觀賦權法根據決策者對各項指標主觀重視程度來賦權，常用三角模糊法、循環打分法等。許多文獻的模型參數以調查問卷形式確定，王江曼[22]采用層次分析法，邀請專家打分構造判斷矩陣，張勇強等[23]依據學校招生領導小組討論來確定權重系數，指出今后應通過定量分析不斷減少主觀因素的影響。為了解決該問題，孫德忠等[24]通過專家意見本身的相關性賦予權重，相關系數在一定程度上能代表專家的權威程度，因此既能夠兼顧多位專家的偏好，又自主提取專家典型性信息，大大提高主觀權重的可靠性[25]，能夠用于實際決策問題。

客觀賦權法是根據原始數據之間的關系通過數學方法來賦權，常用熵權法、變異系數法、獨立性權系數法和主成分分析法等。例如，獨立性權系數法從多元回歸分析角度計算出復相關系數而確定權重，一定程度上確保模型結果的精確度[26]。徐峰等[27]基于92 個本科專業的相關數據，使用3 種客觀賦權法計算指標參數，后使用期望方差-眾數理論對各模型計算偏差、各專業評分及排名，基于客觀賦權法，為高校專業評價提供了切實可行的方向。

2 組合賦權法

一些研究者認為，只選擇某種單項評價方法具有很大局限性。主觀賦權法易過分依賴專家經驗，與客觀實際偏離；客觀賦權法機械依賴數據，對實際問題的應用價值不大。然而，組合評價方法雖一定程度上克服單項弊端，但仍存在不足：一是各單一方法對同一對象的評價排名易出現不同狀況，二是組合評價中往往不能差別對待各單項方法。

針對上述問題，李戰江等[28]在對主觀賦權的三角模糊法及客觀賦權的熵值法、標準離差貢獻率法、變異系數法這4 種評價方法集對分析的基礎上，建立組合賦權評價模型，選取樣本實證分析。此外，郭瑋娜[29]通過專家論證對影響變量定性分析，用交叉影響變量法和矩陣分析篩選就業率關鍵影響變量，以期在環境異動時最大程度降低點值和人為因素帶來的決策風險。

（三）建立專業預警機制

目前，高校普遍存在招生、培養及就業部門工作分離，眾多學者根據招生-培養-就業聯動指標體系，建立預警機制調整招生計劃。文獻分析的基本思路：基于招生-培養-就業聯動建立招生計劃編制輔助決策系統，將指標量化并提取，結合學校實際賦予權重，計算招生專業的綜合量化分，在此基礎上定性評價，繼而對專業預警，最終助力高校招生、培養、就業聯動機制建設。

三 就業率的分析預測模型

（一）線性模型的預測算法

最初的研究方法是基于專家預測的定性分析法。通過領域內專家對畢業生就業率變化特點的分析，但由于預測效果與專家庫的知識豐富度密切相關，具有一定主觀性[27]。隨后出現了基于統計學理論如ARIMA 模型、灰色系統模型等線性建模技術。然而，這些方法具有一定局限性，正如張穩等[30]用多元回歸和曲線擬合的方法建立預測模型，實際受地區經濟、國家政策影響，就業率具有較強的非線性變化特點，預測誤差較大。

針對預測誤差大的難題，沈敏蘭等[31]利用灰色系統，以較高的精準度預測冷門專業短中期的就業率情形。同樣基于灰色系統中的GM（1，1）模型，亓紅強等[32]通過與多元回歸分析和BP 神經網絡進行對比，灰色系統不僅克服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，驗證了該方法的優越性。

在分省、分專業招生計劃分配方案方面，張雯鑫等[33]在分析招生影響因子、挖掘招生數據的基礎上，采用灰色預測模型對各省招生計劃進行預測，繼而運用聚類分析對各省份各招生專業進行科學調整，從而建立一個兩層多維的計劃分配方案，使投放到各省的專業計劃都達到最優資源配置。次年分省調劑率、分專業調劑率的減少都驗證了考生志愿和招生計劃的高度契合。

（二）非線性模型的預測算法

隨著現代統計學及非線性理論的發展，出現了基于機器學習的就業率預測模型，非線性建模預測模型能夠從就業率的歷史數據中挖掘出就業率變化特點，效率優于線性建模技術[34]。

BP 神經網絡的預測途徑有3 種。第一種是利用時間序列數據，利用遞進式的分析方式；第二種是借助其他模型如主成分分析法等，將截面數據或時間序列數據分類分析；第三種是結合其他如遺傳算法、蟻群算法等對神經網絡模型進行優化，得出最優權重和閾值[34]。許紅[35]采取了第二種方法，將主成分分析后的數據進行神經網絡建模，根據平均相對誤差驗證模型精度比傳統神經網絡更高。韓曉瑞[36]以教職工數量等為輸入指標，構建神經網絡預測模型。為了提升BP 神經網絡的收斂速度與泛化能力，李燕燕[37]結合LM 與貝葉斯正則化算法，對比驗證了此模型優于灰色預測模型與基于B 型關聯度及GIOWA 算子的組合預測模型。在此基礎上，黃敏菁等[38]將區域經濟情況等作為三項輸入指標，建立主成分-馬爾可夫鏈預測模型，實驗結果表明，對殘差結果修正后的主成分回歸模型預測精度更高。

此外，支持向量機也是被廣泛應用的畢業率預測算法。支持向量機的模型精度由參數決定，難點在于尋找全局最優參數，對此，劉小杰[39]利用蟻群算法代替經驗法與遺傳算法，尋找支持向量機最優超參數，驗證了模型精度顯著提高。由于就業率影響因素多，數據具有較強隨機性和混沌變化特點，翟曉鶴[40]將收集的一維樣本集合空間重構，采用最小二乘支持向量機建模，并與ARIMA、GM 灰色系統、BPNN 和LSSVM 做仿真對比，驗證了模型優越度。

（三）組合模型的預測算法

高校畢業生就業率變化十分復雜，與許多因素密切相關又互相聯系，使得單一算法誤差較大，難以完整描述就業率的變化特點。徐永慧[41]指出BP 神經網絡和灰色系統的組合模型可充分結合優點。張志輝等[42]也提出基于大數據集成技術，集成神經網絡和支持向量機兩者優點，更全面描述就業率變化特點，模型優于單一算法所建立的模型，具有較高的應用價值。

機器學習各個算法各有優劣，近年來，BP 神經網絡與支持向量機亦逐漸代替傳統ARIMA 與多元回歸分析成為主流。除了以上組合，決策樹也與貝葉斯分類相結合，如王亞如[43]基于經典的決策樹C4.5 算法，構建兩個決策樹預測模型。針對決策樹的不足之處，黃春華等[44]結合貝葉斯分類的先驗信息和決策樹分類的信息增益優點，獲得了更高的預測精度。

四 結論與建議

招生-培養-就業聯動機制的研究一直是教育教學改革領域廣泛關注的問題，也是高校對招生計劃做出動態調整的重要依據。通過梳理文獻可以發現，盡管許多學者已經認識到建立聯動機制的必要性，提取并量化了相關指標，但認識上依然存在局限，集中表現在以下3 點。

1）盡管研究者都提出了契合各自高校的招生-培養-就業聯動指標體系，但指標排布過于零散，無法為后續研究提供全面穩定的支持。因此，我們總結一套面向全國高校的綜合指標體系，指標詳盡充足，排布合理，可供后來者篩選。

2）在建立招生計劃動態調整模型時，大多研究者用問卷調查或專家打分的方法確定各指標權重系數，然而，較為主觀的參數不能準確體現各項指標的重要程度。因此，我們總結了3 種賦權方法，并比較其優劣，以期為后續研究帶來參考。

3）盡管研究者大都認識到了招生-培養-就業大數據的挖掘價值，并將線性及非線性預測算法應用在畢業生就業率預測中，然而，各個算法應用尚不全面，雖然模型一定程度上可獲取預測結果，但隨著外界影響因素的變化易產生較大誤差，選取何種算法還需進一步研究。

綜合分析，在招生計劃配置優化方面，理論研究居多，實證研究較少。學校的招生工作是整個人才培養體系的起點，是學校提高人才培養質量的堅實基礎，也是提升就業率的重要保障。因此，招生計劃配置必須以提高學校本科人才培養和就業深造質量為導向，立足學校辦學特色和專業布局，充分利用招生-培養-就業深造大數據，向生源質量高、培養條件優、就業深造好的學科專業傾斜，從而實現扎根西部、獻身國防、為黨育人和為國育才的目標。