论文部分内容阅读
大学毕业生就业率是人力资源市场平衡的决定性因素,为此本文以统计回归理论为基础,分析影响大学毕业生就业率的因素,把握不同因素对大学毕业生就业率的影响程度,为建立准确的大学毕业生就业率预测系统提供依据;再建立人工神经网络预测模型,预测大学毕业生就业率,并对其结果进行误差评价分析。最终,本文结合统计回归理论和人工神经网络模型给出一种新的大学毕业生就业率预测模型,为该问题提供了新的思路,也为高校的人才教育结构改革和毕业生去向选择提供参考。文章用统计回归理论确定各影响因素的重要程度,其核心是计算各影响因素和就业率之间的回归系数。借助多元线性回归理论,通过分析影响大学毕业生就业率的因素,使众多复杂因素可以量化比较与就业率的关联程度,从而按照关联程度排序,确定对就业率影响显著的因素。根据中国国家统计局年鉴和地方大学的数据,本文最终确定了四类因素包括总体经济形势,行业经济形势,人才培养计划以及主观努力程度作为预测模型的主要影响因素。文章建立了统计回归和人工神经网络两种预测模型对大学毕业生就业率进行预测。统计回归模型中,就业率模型输出值与实际值的平均差异为5.9%,预测误差方差为0.0013;人工神经网络模型中,就业率模型输出值与实际值平均差异为2.7%,预测误差方差为0.00074。两种模型的误差检验等级均为优。另外,在数值试验中,由于统计回归预测模型需要求解大矩阵的逆,计算复杂度为o(n3),本文采用LMS (Least Mean Square)算法通过迭代运算将计算复杂度降低为o(n2),对于文章中的实际问题,计算时间大约节省一半。由于人工神经网络模型的平均误差和方差精度高于统计回归理论,本文最终选择结合以上两种理论优点的预测模型。即使用统计回归理论判断主要影响因素,进而使用人工神经网络模型进行预测,该模型为预测问题提供了一种新的研究方法和工具。文章的模型参数来源明确,模型建立科学合理,模型求解过程简单,计算结果易懂。在统计数据健全的地区,都可以顺利地使用本模型,对大学毕业生就业率进行预测研究和影响因素相关性分析。这为我国人力资源市场的宏观调控和研究提供了有力的支持和量化分析工具。