摘要：人才资源是第一资源，人才是生产力中最重要也最活跃的因素，对社会和经济的发展具有基础性、决定性和战略性的作用；人才是城市创新的原动力，因为他们能够在短时间内学习到更好的技能，做出更好的产品，掌握更好的管理方法。近几年，随着经济全球化的发展，全球产业也在加速转型和优化，由此同时，经济社会也对人才提出了越来阅读的要求以使用经济的发展和变化，除本地人才市场之外，人才还通过互联网、校园招聘会和公开招聘活动来招聘。因此，合理有效的预测人才市场的需求已经成了求职者、企业、地区乃至全球的迫切需求。
关键词：时间序列；人才需求；就业形势；预测分析
1.引言
2013年王立敏发表《人才市场需求预测模型的研究与应用》，文中通过对网路招聘数据市场的需求，擦哈桑农户研究冬季，研究分析用于数据描述的、基于概率统计的数据预测和基于数据挖掘的预测，将人才需求的信息及时反馈到求职者中去，使求职者得到准确的需求预测信息，看清未来就业形势。[1]1999年王英发表《加强人才需求预测，完善人才市场体系》，文中通过对市场经济下人才对职位的需求对市场人才检测进行完善，并提出完善人才市场体系的建议。[2]
2008年，Cattell A.发表《Talent on Demand - Managing Talent in an Age of Uncertainty》，在文中阐述了人才需求在不确定性时代的人才管理问题，并给出相关市场调研结果以及相关建议和意见。[3]
2.当前就业形势分析
2.1就业需求
选取2017年的数据进行分析，在市场经济的条件下，在2016年和2017年同期增幅下降，全年来说下降6个百分点，受2008年全球金融危机的影响，经济类的就业需求远远大于其他类，但随着市场以及政府的调控，在目前市场经济条件下人才已经趋于饱和并且供求仍然是处于失衡的。
2.2期望职业
对于期望职业，采用职业受欢迎度进行量化，采用单一变量方法，分别在不同职业中观察哪种职业受欢迎程度高，通过分析我们知道：受欢迎程度最高的是economics，其次是business administration，受欢迎程度最低的是medicine。因此我们可以说目前来看经济仍然是最受欢迎的职业，也就是期望职业最理想的是经济类。为了更加清晰的看出各个职业所占比例，选取2017年6月份的进行观察，可以看到economics比例为47%，business administration比例为14%，economics比例为1%。
2.3期望教育背景
对于期望教育背景，采用用人单位对学历的要求进行量化，采用单一变量方法，分别在不同职业中观察哪种学历所占比例高，通过分析我们知道：用人单位对职业的普遍要求为junior college，其次Bachelor's degree，Senior middle school和Technical secondary school 相差不大。
通过对2017年六个职业类型的学历水平要求进行作图分析，我们可以看到经济类的是对学历水平要求最高，次之为工商管理类，对学历要求最低的为服务类，显然这是符合实际情况的，经过上述分析，该城市对经济类的人才需求要求比较大因此可以说明该地区经济发展状况较大因此可以判断其为商业地区，相应的对于工业要求比较高的则能说明其为工业地区，对高新技术人才学历要求较高，例如硅谷，则可以说明为高新技术产业区。
3.时间序列预测模型
通过对近三年Total demand的分析可知其呈现为周期为12的周期性分布。其主要是基于随机过程理论与梳理的积雪思想，是依照时间顺序定义的数据序列的组合，时间序列挖掘已成为大数据流挖掘的重要方向之一。时间序列可以理解为大数据的一种变形，大数据背景下时间序列算法的局限性越来越大，通过对非平稳的ARIMA模型进行识别，得到本文中所研究的对象是非平稳的，首先要进行差分，得到相应的平稳序列。
①自相关系数
自相关系数度量的是同一事件在两个不同时期之间的相关程度，形象的讲就是度量自己过去的行为对自己现在的影响。
其计算公式为：
其中，
为使用的总体的均值。
②偏自相关系数
对于平稳序列，所谓滞后
偏自相关系数就是指在给定中间个随便变量
的条件下，也就是说在提出了中间
个随机变量的干扰之后，
对
影响的相关度量。即：
其中，
.
利用时间序列分析法中通过
进行对未来几年的变化趋势进行预测。将序列式作为样本，可以求出数据原始及数据一阶差分后自相关函数和偏相关函数。
4.对未来三年的预测分析
考虑到变量的周期性，我们考虑用时间序列对指标进行预测从较长时间看我们构造的指标具有一定的周期性，从短期来看，由于受到宏观政策、市场即期需求变化等不确定因素的影响，预测会有一定的困难。AR自回归模型在预测中既考虑了被预测变量在时间序列上的依存性，又考虑了随机波动的干扰性，因此我们可以利用该模型对指标的值进行预测。
运用MATLAB编程求解，得到未来36个月的预测值。分析可知，预测出的数据仍具有良好的周期性，且周期为12个月，符合实际情况，但随着时间的推移，每个周期的峰值逐渐上升，这与前三年的实际经验是相违背的。因此通过对实际情况的考虑，认为忽略毕业季对人才招聘的影响，引入毕业生就业状况这一指标对原模型进行修正。由此，我们可以得到未来三年的月数据，将其带入回归方程，便可预测出经济类在未来三年的人才需求。为了更直观的表现未来三年的预测值的情况将通过
进行作图，如下所示：
通过分析可知，结合历史值可以看出，预测值仍是周期性波动的，且波动周期相同。这是符合市场经济实际状况的。指标波动的幅度在慢慢减小，推断原因是市场人才逐渐趋于饱和温度，市场逐步趋于稳定。历史数据每一年的人才需求峰值都在二月份左右达到，预测的峰值也在二月份佐佑达到，说明预测数据的数据与历史数据具有一致性。
参考文献：
[1]王立敏.人才市场需求预测模型的研究与应用[D].河北师范大学，2013.
[2]王英.加强人才需求预测完善人才市场体系[J].技术与创新管理，1999（5）：40-41.
[3]Cattell A.Talent on Demand-Managing Talent in an Age of Uncertainty[J].Industrial & Commercial Training，2008，40（7）.
论文作者:公慧,王雪聪,纪瑞
论文发表刊物:《基层建设》2019年第6期
论文发表时间:2019/4/18
标签：序列论文; 数据论文; 的是论文; 时间论文; 职业论文; 人才需求论文; 人才市场论文; 《基层建设》2019年第6期论文;