基于回归分析对城市人才需求的预测

马晓旭, 段寒冰, 胡毅然

基于回归分析对城市人才需求的预测

马晓旭1, 段寒冰2, 胡毅然2

(1. 安徽财经大学 统计与应用数学学院, 安徽 蚌埠, 233030; 2. 安徽财经大学 金融学院, 安徽 蚌埠, 233030)

为了实现对城市人才需求多角度量化预测, 利用回归分析、因子分析等相关理论, 构建了基于回归分析的人才需求累加、因子分析等模型, 并灵活运用了MATLAB及SPSS等软件编程求解。结果表明: 人才需求方面高学历易就业且待遇高, 雇主对高、低学历需求更大; 结合所收集的数据建立了人才总需求模型, 并预测出未来3年人才需求量。对选定城市相关数据给出城市定位, 从人才发展战略角度提出了几点建议。

人才需求; 回归分析; 因子分析; 城市定位

我国近年来推出众多措施来推动人才战略, 帮助各行各业人才就业。许多城市采取了宽松落户、鼓励创业、住房优惠等政策来吸引人才。许多二线城市纷纷制定发展战略, 大多以金融业、科技产业、信息技术、游戏娱乐业等为主, 这些产业技术含量高, 专业性强。人才是城市创新扩散的主力军, 人才资源可以在更短的时间内学习更好的技术, 掌握更好的管理方法。新观点、新技术、新产品, 根源于有知识、有能力、积极进行创新和变革的人才。

目前, 国内已有很多关于人才需求问题的研究。罗天硕等[1]研究了“中心城市人才需求取向与策略选择—以珠海经济特区为例”, 不足之处在于偏重文字分析, 缺少一定的数据支撑。张航[2]就城市创意人才竞争力评价进行了研究, 他首先对城市人才竞争力研究现状进行综述, 然后结合人才竞争力理论和创意经济理论构建了创意人才竞争力理论模型。邵维嘉[3]就提升青岛市人才竞争力的对策进行了研究, 从人才竞争力理论、城市人才竞争力理论的基础上确定了城市人才竞争力指标体系和城市人才竞争力评价模型。杨晓杰等[4]构建了基于层次分析的人才吸引力评价模型。综合以上研究, 本文就某一给定城市a, 分别就不同角度下人才需求的意向、未来人才的需求量、从发展战略角度提出建议。

1 不同视角下对人才需求的分析

1.1 数据的来源与假设

本文数据来源于2018亚太地区数学建模竞赛B题, 同时参考了部分城市统计局的相关数据。

为了便于建模及研究问题, 提出以下几条假设: (1) 假设人才市场完全竞争; (2) 假设同等条件毕业生的就业机会相等; (3) 假设大学生就业选择方向不受其他方面的影响; (4) 假设a市最近8年没有遭遇经济危机, 自然灾害, 人才市场前景乐观。

1.2 研究思路

基于所收集数据, 从工作需求、求职者渴望的职业、和雇主需要的学历背景3个方面对就业需求进行建模和分析。首先, 将工作需求和求职者渴望的职业2个因素合并为1个, 从学历背景和部门职业2方面来对就业需求进行分析, 然后分析这几年的数据, 最后结合实际给出人才需求分析。

1.3 研究方法

1.3.1 双向选择角度分析人才需求

基于人才需求堆积柱形图, 进行纵向分析, 可以发现销售、营销、市场、金融、经济的人才需求量特别大, 由此可见求职者的期望职业大多数是这几个部门, 而从日常生活经验中也得以发现这些部门确实是热门就业部门。

1.3.2 部门雇主角度分析人才需求

横向分析, 从部门雇主的角度看, 他们想要的学历越高越好。然而有些部门却招收大量的低学历人才, 可以得出这些部门有些工作技术含量低, 薪酬可能不太高, 高学历人才往往不愿意来在这种岗位就业。长此以往, 这些部门会降低要求, 学历较低的人才便会被招揽。

1.4 结果分析

综上分析可知: 从人才就业需求上看, 无论学历高低, 都想要待遇好的岗位。这样就造成了人们对这些部门的需求量巨大, 出现“扎堆”现象; 从雇主期望教育背景上看, 想要的多是高、低学历, 出现这种情况与我国人才需求现状有很大关系。

2 基于回归分析法研究人才需求模型的构建及未来人才需求的预测

2.1 研究思路

需要依据“某市就业市场”的人才需求, 我国学生的就业状况数据和其他必要的数据, 尝试从多个角度构建某市的实际人才需求模型并预测和分析未来3年某城市的人才需求[5]。所以首先应该解决的就是求出人才需求模型, 它可以从学历角度来分析, 考察企业单位对不同学历背景的求职者的需求大小。然后要从总体分析, 构建总体就业的人才需求回归模型, 预测未来3年的人才需求。

2.2 研究方法

2.2.1 模型的准备

通过附表对a市近几年的人才需求状况有一个详细了解, 根据不同的学历背景采用了回归分析。由于数据繁多, 只选取了其中有代表性的3组数据进行了分析。从初中、高中、本科及以上3个学历背景着手, 对其进行拟合。按照月份为节点, 数据冗长繁琐没有规律性, 拟合方程的可决系数值接近于0。因此, 把每年度各月份的人才需求量相加, 以此减少数据的复杂性, 增添数据的联系性, 这样就建立了人才需求的回归模型。

2.2.2 模型的建立

为了使长短期对应变量相等, 将数据表中的年份进行编号, 下面分析都将用到如表1所示变量。

表1 年份对应的X值

将年份和各学历人才需求量视为一组相关数据{(x, y),1, 2, 3, 4, 5, 6}, 基于最小二乘法原理, 求得变量和之间的函数关系(), 最佳地逼近或拟合已知数据。(,)就是建立的拟合模型,= (1,2,3,…,a)是一些待定参数。通过选择参数使得拟合模型与实际观测值在各点的残差e=y-(x,)的加权平方和最小。

(1) 从学历角度分析人才需求。首先分离出初中、高中、本科及以上3种学历每个月的人才需求数, 求出年度人才需求数, 并进行了拟合, 得出了3种学历的人才需求函数分别为:1= 11.1673-75.52+ 155.25-5.9167,2= 35.3952-199.07+ 480.18,3= 30.12+ 280+ 61.25。与之对应的可决系数分别如表2所示。由表2可知, 可决系数值接近于1, 说明拟合较为合理。

表2 可决系数

(2) 从人才需求总数分析。为了预测未来3年a城市的人才需求, 需要从总体角度建立人才需求回归模型。如果依据数据表分析每个月该市人才市场的岗位数, 会发现这些数据比较分散, 没有明显规律。因此需要对数据进行一定的处理, 即对每个月的岗位数进行累加处理。然后对处理后的数据进行拟合。可以建立拟合方程:=-30.9392+ 5240.6-2399, 其中为累加就业人数。

由可决系数为0.992 1 > 0.95, 可知拟合程度较好, 用此方程可连续预测未来多个月的人才需求数。

2.3 模型的求解与分析

通过计算处理可得未来36～48, 48～60, 60～72个月的人才需求数目, 即对未来3年人才需求数目的预测值如表3所示。

表3 a市未来3年人才需求量

对a市的人才需求从2方面进行了分析, 首先对人才需求量进行了以学历背景为划分依据的结构性分析。由于数据繁多, 只选取了其中有代表性的3组数据进行了分析, 并进行了拟合, 得出了12,33个回归函数。通过对比发现不同时期该市的人才需求结构也在不断地变化中, 可以发现初中、高中学历背景的人才需求量平稳有升, 本科及以上学历背景的人才需求量平稳有降。接着从总量上进行了分析预测建立了总人才需求模型, 并预测了以后3年的人才需求量。以后3年总需求量为85 135, 每年人才需求量分别为27 954, 22 791, 34 390。宏观上从总量进行分析可知该市人才需求量稳中有升, 呈平稳态势。

2.4 模型的检验

图1 人才需求的原始数据与拟合数据对比图

均方残差消除了原始数据个数和曲线中参数个数的影响, 且均方残差越小越好。均方残差的计算可用MATLAB编程求解。计算可知该拟合可决系数为0.992 1 > 0.95, 可信度较高。均方残差值为0.092 1 < 0.1可信度高, 与可决系数一致。因此通过检验结果发现模型的精确度较高, 可以对未来人才需求量进行预测。

3 基于因子分析法对城市进行精准定位

3.1 城市定位评价指标体系的构建

评价指标的选取直接关系到评价结果的准确性, 本文结合宏观审慎评估体系的要求[7], 并遵循指标选取的全面性、可靠性和可操作性原则[8]。综合考虑因子分析、供需竞争指数、职业需求占比3个方面, 选取了社会服务水平、高新技术水平因子等6个指标(见图2)。

图2 城市定位评价体系

3.2 研究思路

采用因子分析法对a市的主要行业就业情况进行分析, 进而推断a市的行政范畴, 大致把a市的行业分为计算机和软件业、交通运输业、金融业、零售业、教育与医疗业和娱乐业。计算因子得分, 结合各行业的因子得分来分析a市的行政范围、可能的地理区域、经济地位和高新技术的发展情况。又引入了供需竞争指数[9]和职业需求占比率[10]2个衡量指标, 进一步对a市进行定位。通过上述分析衡量, 最终给出a市的精准定位。

3.3 研究方法及结论

3.3.1 因子分析

首先选取6个指标X= (= 1, 2, 3, 4, 5, 6),1–计算机和软件业、2–交通运输业、3–金融业、4–零售业、5–教育与医疗业、6–娱乐业。将原始数据输入到SPSS统计分析软件中, 计算出原有变量标准化后的相关系数矩阵[11]。观察相关系数矩阵, 如果矩阵中的大部分相关系数值小于0.3, 则各个变量之间多为弱相关, 这就不适合做因子分析。如表4所示, 原始数据大部分变量的相关系数都大于0.3, 而且通过了KMO和球形检验。因此所搜集的原始数据适合采用因子分析的方法。

表4 6项指标的相关矩阵

然后计算主要成分的特征值和累计贡献率, 由表5可知, 选取的2个主要成分1、2的方差占全部方差的比例为81.012%, 选取的主要成分能够解释选取的6个变量的大部分, 是对原来信息的保留, 这样就把原指标的6个维度降到了2个。

表5 载荷矩阵

然后对载荷矩阵进行旋转得到一个容易解释的主要成分载荷矩阵如表6所示。

表6 旋转载荷矩阵

从因子分析的结果看, 旋转后的因子载荷矩阵公因子1在2,3,4,5,6上的载荷值很大, 所以1是这5个行业指标的综合反映, 可以解释为社会服务水平因子; 公因子2在1上的载荷值高于其他指标, 所以2反映的是计算机和软件业的情况, 可以解释为高新技术水平因子[12]。经过因子分析, 从原来的指标中挖掘出了2大综合指标, 接着以各因子的方差贡献率占2个因子总方差贡献率的比重作为权重进行加权汇总。结合查到的数据资料, 得到了如下结论: 根据计算机和软件业的行业指标1得分情况可知, a城市的得分很低, 而且几年来持续走低。所以推测a城市的计算机和软件业比较落后, 而计算机软件技术发展又与高新技术产业发展密切相关, 故推断a城市的高新技术产业不太发达。

3.3.2 供需竞争指数

供需竞争指数的定义是简历投递量与职位发布量之比, 它描述了市场上职位的竞争程度, 供需竞争指数越大说明职位的竞争越激烈。大学毕业生更加偏向于到经济发展水平较高的城市就业, 这就导致了一线城市激烈的职位竞争。而经济发展水平较低的三线城市对毕业生的吸引力就相对较小, 三线城市的供需竞争指数就相对较小。

对a市近年的简历投递量和职位发布量进行处理, 取平均值得= 28 493.53,= 4 164.472。计算a市的供需竞争指数为6.84。去一些城市统计局查出的对应城市供需竞争指数, 如表7所示。

由表7可知, 依据供需竞争指数可将北京和深圳归为一类城市, 重庆、苏州、南京、郑州4座城市归为二类城市, 佛山、宁波归为三类城市。a城市的供需竞争指数6.84, 更接近于三类城市的S值。所以推断a城市属于三类城市, 经济发展水平一般。

表7 各城市的供需竞争指数

3.3.3 职业需求占比率

现行的就业结构大多是以第一、二、三产业为划分依据, 但是a市中所属部门大约有50个, 对它们按照一二三产业进行划分, 无疑是十分复杂而且不够准确。因此引入职业需求占比率(P)这个概念对a市的就业结构进行量化分析(职业需求占比率为某地区在某一时间段该职业的人才需求量同人才总需求量的比值)。该指标可以衡量地区的经济发展状况、就业结构经济结构从而对地区的高新技术的发展经济地位、区位优势进行量化分析, 结合其他城市指标进行对比判断, 可以给出城市的基本定位。P=Q/Q, 其中Q为a市某部门在某段时间的人才需求量,Q为对应部门在某段时间的人才需求总量。

由上述公式, 对数据进行筛选处理, 由于篇幅有限, 选取有代表性的部分部门在2015—2018年的职业需求占比率的值,见表8。选取的部门属于高新技术产业范畴, 可以观察出这几个部门人才需求占比率比较低, 与如今的高新技术产业发展快速, 就业需求量大的格局不相符合。在相关城市统计局官网了解相关数据后, 对数据进行了对比, 发现a市的高新技术产业并不发达。

表8 部分部门职业需求占比率

3.4 结果分析

通过因子分析, 对a市有了一个大致的定位, 但是还不够精确, 又引入了供需竞争指数、职业需求占比率2个指标, 通过对a市的人才需求数据的处理分析, 结合其他数据, 对a市进行定位。经过对比, 3个角度对a市的定位基本一致, 再经过整合, 就对a市有了精准定位。综合3个角度推断出a城市是一个介于三、四线城市之间的城市, 地理位置不优越, 经济欠发达, 并且高新技术产业不发达。

4 结论

为了解决城市人才需求预测以及城市定位难题, 本文以选定城市a市为例对城市人才需求问题运用回归分析, 并结合人才分类多角度衡量, 建立了总的人才需求预测模型, 对a市未来3年人才需求量进行了预测。而后采用因子分析法对a市的主要行业就业情况进行分析, 又创新性引入了供需竞争指数和职业需求占比率2个衡量指标, 进一步对a市进行定位, 最终给出a市的精准定位。

[1] 罗天硕, 林平凡, 陈夏. 中心城市人才需求取向与策略选择——以珠海经济特区为例[J]. 科技进步与对策, 2013, 30(4): 148–152.

[2] 张航. 城市创意人才竞争力评价研究[D]. 泉州: 华侨大学, 2014.

[3] 邵维嘉. 提升青岛市人才竞争力的对策研究[D]. 青岛: 中国石油大学(华东), 2015.

[4] 杨晓杰, 石鹏扬. 基于层次分析的人才吸引力评价模型[J]. 经贸实践, 2018(17): 209.

[5] 刘国璧, 袁宏俊. 人工蜂群算法优化LS-SVM的预测模型[J]. 湖南文理学院学报(自然科学版), 2018, 30(2): 27–29, 94.

[6] 刘怡, 高巍, 朱家明. 基于熵值法对水资源现状的评价和灰色预测[J]. 齐齐哈尔大学学报(自然科学版), 2019, 35(3): 88–94.

[7] 王育军, 李爽, 李强, 等. 云南陆良县烟区土壤肥力评价及其影响因素[J]. 湖南文理学院学报(自然科学版), 2018, 30(3): 89–94.

[8] 周尚珺, 陈功正, 朱家明. 基于因子分析的美的集团财务绩效评价研究[J]. 商业会计, 2018(17): 44–46.

[9] 竞争指数逐步升温, 平均110人竞争财务助理岗位——智联招聘周度才情供需报告(第二周)[J]. 走向世界, 2012(9): 77.

[10] 韩福丽. DACUM职业需求分析法在旅游管理专业应用型人才培养中的应用研究[J]. 佳木斯大学社会科学学报, 2018, 36(6): 167–170.

[11] 朱家明, 邢康. 基于因子分析对我国上市医药公司经营绩效的研究[J]. 青海师范大学学报(自然科学版), 2018, 34(3): 69–74.

[12] 何梦兰, 殷德香, 王秋艳, 等. 基于因子分析法的城市宜居水平实证研究[J]. 九江学院学报(自然科学版), 2017, 32(3): 61–64.

Prediction of urban talent demand based on regression analysis

Ma Xiaoxu1, Duan Hanbing2, Hu Yiran2

(1. School of Statistics and Applied Mathematics, Anhui University of Finance and Economics, Bengbu 233030, China; 2. School of Finance, Anhui University of Finance and Economics, Bengbu 233030, China)

In order to realize the urban talent demand from multiple angles, the model of talent demand is constructed accumulation and factor analysis based on regression analysis and factor analysis, and flexibly uses MATLAB and SPSS software to solve the problem.The results show that: in terms of talent demand, high education is easy to obtain employment and high salary, and employers' demand for high and low education is greater than that of intermediate education; combined with the collected data, the total demand model of talents is established, and the demand for talents in the next three years is predicted.City positioning is given for the relevant data of selected cities. From the perspective of talent development strategy, this paper puts forward some suggestions.

Talent demand; regression analysis; factor analysis; city positioning

O 212.1

A

1672–6146(2020)04–0001–06

10.3969/j.issn.1672–6146.2020.04.001

马晓旭, 931932683@qq.com。

2020–06–08

国家自然科学基金重点项目(71934001); 安徽省省级教研项目(2018jyxm1305)。

(责任编校: 张红)