杭州市人才需求分析与预测

2020-07-31 09:31任静季民陈兆宁
现代信息科技 2020年4期
关键词:ARIMA模型人才需求

任静 季民 陈兆宁

摘  要:基于杭州市现有人才需求数据与各领域岗位设置数据,构建多维数据模型分析人才市场招聘求职的基本特征,从就业需求、期望职业和期望教育背景三方面分析2015~2018年杭州市人才需求的基本现状。结合中国学生实际就业状况,运用GM(1,1)模型预测未来三年的人才需求总量,预测结果表明人才需求总量呈缓慢下降趋势。运用ARIMA模型预测未来三年不同领域人才需求量,发现各领域需求量按季度呈明显周期性,且不同行业所需人数及波动频率均不相同。

关键词:人才需求;多维数据模型;灰色预测模型;ARIMA模型

中图分类号:TP391.7;C961.9     文献标识码:A 文章编号:2096-4706(2020)04-0009-06

Abstract:Based on the existing talent demand data of Hangzhou and the data of positions in various fields,a multidimensional data model was constructed to analyze the basic characteristics of the recruitment and job-hunting in the talent market,and the basic status of talent demand in hangzhou from 2015 to 2018 was analyzed from three aspects: employment demand,expected occupation and expected educational background. Combined with the actual employment situation of Chinese students,the GM (1,1) model is used to predict the total demand for talents in the next three years. The ARIMA model is used to predict the demand for talents in different fields in the next three years. It is found that the demand for talents in each field is obviously periodic on a quarterly basis,and the demand for talents in different industries and the frequency of fluctuations are not the same.

Keywords:talent demand;multidimensional data model;grey prediction model;ARIMA model

0  引  言

在过去的几年,吸引人才是许多城市的亮点之一。人才是城市创新发展的动力,是城市创新扩散的主要驱动力。对人才需求状况进行研究,可以优化人才资源配置,使求职者可以更加清晰地看清未来的就业形势,对于城市发展和人才引进具有重要战略意义。

由于人才需求数据庞大,传统方法不宜处理,而数据挖掘技术可以有效分析大量数据并从中提取有用信息。Tony Bain[1]为了满足用户多层次多角度地对数据进行分析,建立了多维数据模型,并给出了多维数据模型设计的一般步骤。孙元军[2]通过使用SQL Server 2000组件、Analysis Manager软件,对地籍信息进行数据挖掘操作,实验结果证明了该方法的实用性。目前常用的数学预测模型主要有灰色预测模型、回归预测模型和时间序列预测模型等,众多学者利用预测模型在人才需求方面进行了研究。许馨苓[3]使用GM(1,1)模型对我国未来40年的人才数量进行预测,并通过灰数递补动态预测模型,使模型的预测结果符合实际。李丹[4]使用灰色预测模型GM(1,1)对海洋从业人员数进行预测。罗建梅[5]根据长株潭城市群“两型社会”建设的现状与趋势,运用基于灰色系统理论的组合预测方法,即GM(1,1)模型和回归模型,从人力资本需求总量和结构两个方面进行预测。胡锐玲、沈陆明[6]对已有的人才需求量时间序列建模,用ARIMA模型进行拟合并预测,得到市场未来三年内的潜在人才需求量。刘恬玥等[7]对某市各月份职位需求总量的数据进行序列图分析和序列平稳性分析,随后通过差分序列图建立ARIMA的人才需求预测模型,得到未来三年工作岗位每月平均需求量,最后根据预测结果对人才市场的行业需求进行分析。

本文针对庞大的就业数据,采用多维数据模型进行人才需求的现状分析;其次分别采用灰色预测模型和时间序列预测模型对人才需求总量和人才需求结构进行短期的预测,根据预测结果为求职者提供相应的建议,并据此为城市的人才引进提供相应的实质性建议。

1  数据来源与预测模型

本文基于2018年亚太地区大学生数学建模竞赛项目,利用B题所提供的数据(2015年9月~2018年8月杭州市某就业市场的就業需求数据)对杭州市人才需求进行分析与预测。由于数据是从9月开始,将每年的9月到次年8月称为一届,本文中的数据即为2015、2016、2017三届。本文主要运用了定量模型构建法对城市人才需求进行分析,利用多维数据模型分析人才数量和人才结构,建立人才数量与人才结构的定量模型。综合分析各预测模型的优缺点及适用条件,为提高预测精度,本文选用GM(1,1)模型与ARIMA预测模型的组合模型对人才需求进行预测。通过GM(1,1)预测模型对人才需求总量做出短期预测,构建ARIMA预测模型对人才需求结构进行预测,并根据预测结果为求职者提供就业建议。

1.1  灰色预测模型

灰色预测[8]通过鉴别系统因素之间发展趋势的相异程度,进行关联分析,并对原始数据进行生成处理,来寻找系统变动的规律,生成有较强规律的数据序列,然后建立相应的微分方程模型,从而预测事物未来的发展趋势状况。其建模过程如下[9]:

2  杭州市人才需求分析

本文运用SQL Server 2008软件数据库,利用SQL Server 2008分析服务构建多维数据分析模型。根据数据属性,将其分为三个维度,其中时间为一维,教育背景为二维,部门和总需求为三维。

为了对就业市场人才需求有更深入的了解,本文根据现有的行业分类标准对专业领域进行分类。行业分类,是指从事国民经济中同性质的生产或其他经济社会的经营单位或者个体的组织结构体系的详细划分[11]。具体分类结果如表1所示。

对行业进行分类后,根据所给数据进行数据处理,将每月的各行业人才需求人数相加得到每年各个行业的人才需求总数。根据处理得到的各行业每年人才需求总数,作出统计数据图1。由每届各行业的比例分布图可以看出,每届的行业占比前三位均为金融贸易类、综合服务类和技术工程类。在这三届数据中金融贸易类呈缓慢下降趋势,技术工程类呈缓慢上升趋势,电子计算机类和综合服务类呈先增长后下降趋势,科教类和文化传媒类相对较为平稳,无明显变化趋势。所有行业中所占比例的前三位反映了杭州市2015~2018年的期望行業。

图2为根据每届各个岗位招聘所有教育背景所做的比例图,由图可以明显看出,博士学位、硕士学位、学士学位岗位数量逐年增加,而无限制学历、初中、高中、中专、大专岗位数量逐年减少,这说明随着科技文化水平的提高,招聘岗位对于学历的要求越来越高,越来越需要高学历和高素质的人才。

同时由图2可以看出,每一届在所有的招聘岗位中,教育背景占比重最大的是大专学历,其次是不限制学历,排名第三的是高中学历。这说明2015~2018年杭州市的期望教育背景主要是大专学历、无限制学历和高中学历。此情况反映了在当前社会中,高学历高层次人才仍较为稀缺,各企业和招聘单位只能选择招聘拥有相对较高学历的人才。

3  杭州市人才需求预测

3.1  人才需求总量预测

对数据进行预处理,将不同领域数据按照时间轴的顺序进行排列重组,创建新的数据表格。为了提高预测结果的精度,本文选用灰色预测模型对未来三年人才需求总量进行预测,采用ARIMA模型对杭州市各行业未来三年总需求量进行预测。

由于-a=0.360 400<0.500 000,所以该模型适用于短期预测;且C<0.350 000(一般要求C≤0.450 000),后验差精度非常好,所以最终得到杭州市未来三年的人才需求总量为:2018届219 642人,2019届194 724人,2020届172 632人。呈现出缓慢下降的趋势,因为数据较少,结果可能存在误差,因此需要进一步的详细分析。

3.2  人才需求结构预测

运用SPSS软件对杭州市就业数据进行处理分析,选取时间序列模型生成序列图。对序列图进行季节性差分以及一阶差分,得到差分后的序列图如图4所示。

图4显示,差分后的序列在均值附近比较稳定地波动。经过差分处理后,根据自相关函数(ACF)和偏相关函数(PACF)选择ARIMA(1,1,0)模型进行拟合。通过ARIMA(1,1,0)模型的拟合与预测,得到未来三年各行业人才需求量如下。

3.2.1  金融贸易类

据图5可知,实测结果与拟合结果基本重合。分析预测结果可得,金融贸易类未来三年的潜在人才需求量在10 000附近波动,且需求量呈下降趋势。同时,在每年3月左右人才需求量都有一个波峰,但在接下来的月份里人才需求量下降并趋于均值。这可能与每年毕业季春招,大量学生涌入人才市场有关。由此可得,在金融贸易类型人才市场中:从长期来看,人才需求量相对稳定,但在短期内受其他不确定因素的影响波动较大,因此在选择该类行业时需要理性择业。

3.2.2  科教类

由图6可以看出,实测序列与拟合序列的差异相对较小。由预测结果可得,科教类未来三年的潜在人才需求在500附近波动,均值远低于其他行业,且波动频率相对较大。这与现实情况比较契合,在科教类领域,对学历要求远远高于其他行业,人才在于质量,不在于数量,因而人才需求量相对较少。除此之外,在每年的3月和6月附近人才需求量出现一个波峰,分析原因:一是因为3月份的校园春招,二是因为6月份为毕业季,大量学生涌入人才市场。想要在科教类行业求职的人员需要有较高的学历,努力提升才能获得较好的结果。

3.2.3  综合服务类

由图7可以看出,综合服务类在未来三年的人才需求量均值在5 000附近波动,人才需求量较大。这是因为综合服务类行业主要包括医疗服务、餐饮娱乐服务等服务型人才,对于学历的要求相对较低,且与城市生活关系密切,因而市场需求量较大。同时由图可以看出,综合服务类的人才需求量起伏波动较大。由于该类行业所需门槛较低,因此在选择该类行业时,要学会分析社会现实,理性就业,避免盲目就业进而导致供大于求的情况。

3.2.4  文化传媒类

由图8可以看出,由拟合序列得到的文化传媒类在未来三年的潜在人才需求量在300附近波动,相对于其他行业需求量非常少,而且波动频率相对较大。该行业对于人才的需求大都精而少,并且在这一行业立足也非常困难。相对于其他行业来说,此类行业表面光鲜亮丽且具有较高的薪资报酬,但需要付出相对较高的代价,且具有较高的风险和极大的不稳定性。想要选择该行业的人员应慎重,可以结合市场需求及自身能力综合考虑。

3.2.5  技术工程类

由图9可以看出,技术工程类在未来三年的人才需求量在均值2 500附近波动,且呈周期性较大频率波动,这表明技术工程类人员在短期内的人才需求波动较大。分析其原因:一是外界人员招聘时期的选择波动较大;二是因为技术类人员注重技术,而经验的累积可以提高工资待遇,因此跳槽现象较为明显,这导致明面上的技术工程类人才需求波动较大。

3.2.6  电子计算机类

由图10可以看出电子计算机类在未来三年的人才需求量在1 000附近波动,且波动频率较大,表明电子计算机类在短期内的需求量变化较大。中国的电子计算机行业正处于快速发展时期,对于该方面的专业人才需求非常旺盛,但并不能很好地满足市场的需求。同时,在目前的就业形势和企业竞争条件下,用人单位在招聘员工时,大多数都会看重应聘者有没有实践经验或就业经验。为了增加工作经历和项目经验,很多人员会选择跳槽,导致此行业人才需求波动频率较大。因此在选择此类行业就职时,应注重分析目前的就业形势及市场需求,努力学习提高自身本领,满足市场需要。

针对以上分析结果,为杭州市城市发展和人才引进提出以下建议:

(1)考虑自身的实际需要,对引进人才进行适当定位和规划,在制定人才引进的政策时,考慮自身实际,不要盲目复制大城市的政策;

(2)人才引进手段要多样化,不能只注重大中专毕业生和高层次人才的引进;

(3)发展电子信息产业,扩大信息来源渠道,保证对新的信息、新鲜事物获取的渠道广泛、及时、有效;

(4)要发展经济,扩大企业规模,引进关键技术,增强经济实力,提供足够多人才发挥作用的就业岗位和发展空间。同时,提高工资收入,进而形成对人才的“强磁场”。

4  结  论

本文首先通过构建多维数据模型,将就业市场需求数据分为时间、教育背景、岗位和总需求量三个维度,分析就业需求、期望职业和期望教育背景,此模型可以多维度分析数据,有利于数据的观察和分析。其次结合中国学生的实际就业数据,提出了综合运用灰色预测模型预测人才需求总量并运用ARIMA模型预测人才需求结构的方法,从宏观和微观方向对城市人才需求进行预测。研究结果表明:此方法可以较为准确地反映当前的就业现状,并预测城市人才需求总量及各行业人才需求量。克服了单一预测模型对于不同情况难以通用的缺点,为城市人才需求预测提供了一种新的方法。由于数据的限制,本文构建的模型只能对具有平稳性时间序列的数据进行预测,因此,进一步优化模型使其具有更高的可靠性和通用性将是下一步的研究重点。

参考文献:

[1] BAIN T,等.SQL Server 2000数据仓库与Analysis Services [M].邵勇,译.北京:中国电力出版社,2003:91-119.

[2] 孙元军,郑新奇.基于SQL Server的城市地籍空间数据挖掘探讨 [J].计算机工程与应用,2007(13):200-202.

[3] 许馨苓.灰色动态模型及其在我国专业技术人才预测上的应用 [J].科技管理研究,2010,30(11):192-194.

[4] 赵昕,李丹.基于灰色预测模型GM(1,1)的海洋人才预测研究 [J].海洋开发与管理,2010,27(1):36-38.

[5] 罗梅健.“两型社会”建设的人力资本需求预测及其适配性

——以长株潭城市群为例 [J].系统工程,2011,29(11):123-126.

[6] 胡锐玲,沈陆明.ARIMA模型在城市人才需求量预测中的应用 [J].全国流通经济,2019(10):78-80.

[7] 刘恬玥,高冰,张晓建.基于ARIMA预测模型的人才市场需求分析 [J].商讯,2019(11):189-190.

[8] 何晓群.多元统计分析:第4版 [M].北京:中国人民大学出版社,2015.

[9] 王立敏.人才市场需求预测模型的研究与应用 [D].石家庄:河北师范大学,2013.

[10] 樊敏,顾兆林.时间序列分析在大气环境中的应用 [J].资源环境与发展,2010,11(1):19-22.

[11] 百度百科.行业分类 [EB/OL].[2019-11-02].https://baike.baidu.com/item/%E8%A1%8C%E4%B8%9A%E5%88%86%E7%B1%BB/2847868?fr=Aladdin.

[12] 邵良杉,周文斌.基于灰色系统理论的辽宁省国内生产总值发展预测 [C]//第九届中国科技政策与管理学术年会.第九届中国科技政策与管理学术年会论文集,2013:367-374.

[13] 刘思峰,邓聚龙.GM(1,1)模型的适用范围 [J].系统工程理论与实践,2000(5):121-124.

作者简介:任静(1995-),女,汉族,山东青州人,研究生,主要研究方向:地理信息分析及应用;通讯作者:季民(1970-),男,汉族,山东齐河人,教授,博士,主要研究方向:地理信息系统设计与开发。

猜你喜欢
ARIMA模型人才需求
基于小麦全产业链发展的人才需求分析
数读
AI需求集中于一线城市,七成从业者月薪过万
基于时间序列模型的中国出口总额分析及预测
基于R软件的金融时间序列的预测分析
基于Eviews上证综合指数预测
文秘专业人才需求调查分析报告
基于新能源汽车产业发展对汽车专业人才培养的思考
基于ARIMA模型的沪铜期货价格预测研究
组合预测法在我国粮食产量预测中的应用