新失业群体及其对高校生源影响模型的研究

1、新失业群体及其对高校生源影响模型的研究    摘 要：通过主成分分析，建立新失业群体关于各影响因素的模型，从而对影响新失业群体产生的因素进行排序。阐明了新失业群体如何影响高校的招生规模，运用BP 神经网络模型，以招生规模作为输出层，预测高效招生规模的变化趋势，检验表明得到了满意的预测结果。关键词：失业群体；主成分分析；BP 神经网络模型；预测中图分类号：G642.00 引言近年来，“大学生就业难”已经不再是一个新鲜话题，新的失业群体大学毕业生失业群体正在形成并不断壮大，已日益成为我国扩大社会就业、促进社会和谐稳定必须高度重视并妥善解决的独特社会问题。国家

2、有关部门日前下发通知，严格限制高校扩招规模。业界一些专家认为，除了“适当地控制招生数量，而将重心放在抓高等教育质量”的原因外，还有一个原因就是“迫于目前严峻的就业形势”。有关数据表明，2009 年大学生毕业的人数将突破600 万，加上往年没有就业的毕业的估计将达900 万左右，再考虑当前国际金融危机的影响，大学生毕业生就业形势非常严峻。目前，不少学者对大学生就业难问题进行了研究，但绝大多数均停留在定性的层面进行分析，这使得相关因素的准确性无法得到保证。此外，高校招生规模受新失业群体的冲击，如何合理的调整高校招生规模不可仅仅凭经验判断，须有定量的数据作为依据。为此，本文拟从建立数学模型的角度，给

3、出定量的分析结果，以期解决上述存在的问题。1 问题的分析1.1 新失业群体产生原因分析诚然经济危机等不利因素加剧大学生就业情况的恶化，但终究其不是问题出现的根本，因此为缓解当前就业紧张的情况，需要从以下两方面着手，第一、改善社会不利因素的影响，从宏观上促进紧张局势的缓解，提高大学生就业率；第二、加强大学生自身能力的提高，通过对教学质量和培养方式的改善，提高大学生适应社会的能力。本文对各种可能的外部和内部影响因素归结为7 种：累计待就业人、专业对口率、可提供岗位数、生均投入经费、工资水平、人均GDP、毕业生人数。然后通过主成分分析，建立了新失业群体关于此7 种因素的数学模型，并根据所得主成分得分

4、对各因素进行排序，见图1。-2-图1 新失业群体各与影响因素的关系1.2 高校招生规模分析随着事业人数的增长，加之金融危机的影响，高校毕业生就业压力十分巨大，本文将主要阐明新失业群体如何影响高校的招生规模。由于政府宏观调控的介入，高校扩招势必会被限制，因此，高校招生规模会有下降趋势。加之就业岗位的稀缺，倘若过量的人才涌入劳资市场，必然出现人才过剩，这种现象必然会促使高校减少招生人数。由于宏观调控以及市场经济制度的滞后性，高校招生规模不可能骤然下降，必将呈现出先增后降的趋势。本文运用BP 神经网络模型，以招生规模作为输出层，预测出了高效招生规模的变化趋势。2 新失业群体产生原因模型2.1 主成分

5、分析模型及求解高校毕业生就业问题的评价是多方面的，选用的指标也是不同的，本文采用了常用的7个指标，这7个指标是从不同方面对高校毕业生就业问题的评价，而且彼此之间还有内在联系。所选择的评价指标有累计待就业人、专业对口率、可提供岗位数、生均投入经费、工资水平、人均GDP、毕业生人数。本文主要利用SPSSl70软件中的主成分分析方法，对以上指标体系中的指标进行主成分分析，进而求得各主成分的得分，通过对主成分得分的排序即可进行各个因素的综合评价3。表2即为所选指标及数值。表1 20032008 年各指标数值2003 2004 2005 2006 2007 2008累计待就业人数（万人） 241 343

6、.7 413.6 565.6 619 673专业对口率（%） 92 90 89 88 91 88可提供岗位数（万个） 148.3 204.4 245.4 289 351 409生均投入经费（万元） 13455.52 13473.55 13821.25 14580.27 15620.33 16872.65工资水平（元） 14550 16345 18256 20536 24168 29229人均GDP（元） 1100 1100 1703 2039 2461 2460毕业生人数（万人） 212 280 338 473 495 559运用SPSSl7.0 软件对该指标体系进行关联性分析、提取主成分(有

7、一个主成分1 F ，其特征值大于l，为5.952。且1 F 对高校毕业生就业问题状况的解释能力已经超过80，达到了99.20)。如图2 所示。-3-图2 碎石图利用主成分的相关系数和相对应的特征值的平方根计算(即用1 F 的相关系数去除以Total值1 的平方根)；得到该主成分1 F 中每个指标所对应的系数，如下所示：F1 = 0.4099x1 + 0.4099x2+0.4087x3+0.4087x4+0.4062x5+0.4056x6对表2中的数据进行标准化，利用SPSS17.0，可得到标准化的数据如表3：表2 标准化的数据2003 2004 2005 2006 2007 2008累计待就业

8、人数 -0.60174 -0.58935 -0.5947 -0.58641 -0.58328 -0.56937专业对口率 -0.62407 -0.62492 -0.63696 -0.64305 -0.63789 -0.62052可提供岗位数 -0.61563 -0.60888 -0.6166 -0.61922 -0.611 -0.59246生均投入经费 1.37829 1.25113 1.15108 1.0757 0.96843 0.84717工资水平 1.54228 1.65364 1.72852 1.78204 1.85259 1.92764人均GDP -0.47303 -0.48334

9、-0.42681 -0.41167 -0.39275 -0.41311毕业生人数 -0.60609 -0.59828 -0.60454 -0.59739 -0.59611 -0.57934将标准化后的数据代人1 F 可以得出根据主成分综合模型计算出的综合主成分值，并对其按综合主成分值进行排序，以此对影响高校毕业生就业问题状况的7个主要因素进行综合评价比较，如表4所示：表3 各主要影响因素的综合主成分得分因素 得分 排名毕业生人数 50190.47 1生均投入经费 35834.45 2可提供岗位数 4428.57 3累计待就业人数 1164.27 4工资水平 960.93 5人均GDP 671.

10、45 6专业对口率 219.6 72.2 模型可行性检验（1）KMO 检验：KMO 是做主成分分析的效度检验指标之一,结果显示KMO 为0.79，在0.7-0.8 之间，适合做主成分分析；-4-（2）Bartlett 检验：卡方值为163.068，自由度df 为15，p 值为0，小于0.05，为拒绝。同样表明其可以进行主成分分析。如表5 所示。表4 KMO 和 Bartlett 的检验取样足够度的Kaiser-Meyer-Olkin 度量。.790近似卡方 163.068df 15Bartlett 的球形度检验Sig. .000综上所述，由KMO检验和Bartlett检验可知，该数据可以进行主

11、成分分析，模型能较准确反映数据之间的关系，可用性较好。2.3 主成分分析模型的结论由以上建立的模型结果我们得到如下结论：（1）年毕业生人数是新失业群体产生的最主要原因，如图3所示。因此，为了有效地控制新失业群体的规模，当务之急是限制高校扩招规模，减少毕业生人数。各主要影响因素综合排名50190.4735834.454428.571164.27 960.93 671.45 219.60100002000030000400005000060000毕业生人数生均投入经费可提供岗位数累计待就业人数工资水平人均GDP专业对口率图3 各主要影响因素的综合主成分得分（2）生均投入经费为影响新失业群体的第二大

12、因素。由此可知，在过去的几年里，我国高等教育生均投入经费问题已经严重制约了毕业生的就业率，而投入经费直接影响的是高等教育质量，所以就当前情况而言，还要增加生均投入经费，提高高等教育的质量。（3）社会提供岗位数为影响新失业群体的第三大因素。从主成分得分上看，其影响远不及年毕业生人数和生均投入经费，但也占有很大的比重。即迫于目前严峻的就业形势，国家应采取有效措施，提供更多的工作岗位，以缓解当前就业紧张的局势，减小新失业群体的规模。3 新失业群体对高校生源规模影响模型3.1 向量自回归模型计量经济学的经典模型是把回归方程中的变量建立在平稳序列的基础上,而对非平稳序列可能出现虚假回归现象,传统的经典模

13、型不能对此进行客观准确的分析。因此,协整分析把-5-非平稳变量的长期均衡和短期动态的变化有机地结合起来,是一种有效的分析方法。表5 失业率年份 1993 1994 1995 1996 1997 1998 1999失业率/% 2.6 2.8 2.9 3 3.1 3.1 3.1年份 2000 2001 2002 2003 2004 2005 2006失业率/% 3.1 3.6 4 4.3 4.2 4.2 4.1数据来源：中国劳动统计年鉴20074表6 普通本专科在校人数年份 1993 1994 1995 1996 1997 1998 1999/万人 253.55 279.86 290.64 302

14、.11 317.44 340.88 413.42年份 2000 2001 2002 2003 2004 2005 2006/万人 556.09 791.07 903.36 1108.564 1333.497 1561.777 1738.844数据来源：中国教育年鉴519932006年,LNGRA 、LNUNEM(对变量取自然对数能消除其异方差, GRA、UNEM分别为高校在校学生规模和城镇登记失业率)表现出明显的非平衡性特征,并且二者具有相同的变化趋势,而两个变量的差分序列DLNGRA、DLNUNEM表现出平稳的特征。因此对以上两个时间序列进行协整分析之前,首先要检验其单整性。对LNGRA的A

15、DF检验中,由于ADF= 0.893558 ,而= 0.05 ,T = 27的条件下临界值为-2.975 ,可知LNGRA是非平稳的,应进一步检验LNGRA的差分序列DLNGRA的平稳性,以确定LNGRA的单整阶数。同样的方法可知LNGRA的一阶差分序列也是不稳定的,再进行二阶差序列D2LN GRA 的稳定性检验。因为DF =-4.475544 ,ADF = -3.788537 ,小于临界值-3.59和-2.98 ,两种检验的结论都是D2LNGRAI(0) ,可知LNGRAI(2)。同理,LNUNEM也是二阶单整变量,即LNUNEMI(2)。失业率与高校规模的VAR 模型可以表示为：1, 1

16、11.1 1, 1 12.1 2, 1 12, 2 21.1 1, 1 22.1 2, 1 2t t t tt t t ty c y y uy c y y u = + + += + + +其矩阵形式可表示为：1, 1 11.1 12.1 1, 1 12, 2 21.1 22.1 2, 1 2t t tt t ty c y uy c y u = + + 在上述模型中如果1t u 发生变化, 不仅使当期的1,t y 发生改变,而且还会通过当期的1,t y影响到1,t y 和2,t y 的未来取值n。3.2 模型的分析利用Johansen方法对失业率与高校规模之间的关系进行协整检验,通过Eviews

17、5.1软件对二变量之间协整关系的唯一性进行分析,如表8所示。表7 LNUNEM、LNTGRA 的协整检验结果零假设 特征值 迹统计量 5%水平临界值 1%水平临界值Rk（ ）=0 0.438413 18.980070 15.41 20.04Rk（ ）=1 0.141883 3.978381 3.76 6.65-6-在表8中,因为LR =18.98>15.41 ,所以拒绝零假设Rk() = 0 ,即认为两个变量之间存在协整关系。接下来应继续检验二者之间是否存在一个协整关系。因为LR =3.98>3.76 ,所以在5%水平上拒绝零假设Rk()=1 ,即两变量之间不只存在一个协整关系。下

18、面要选择的是VAR模型的滞后期,根据模型的AIC和SC最小值原则来判断滞后期,当AIC 和SC最小值的滞后期不同时进行取舍。依据LR统计量、赤池准则和信息准则检验的原则,通过Eviews5.1软件可以得到模型的滞后期为2 ,即建立滞后2期的VAR模型则完全可以消除随机误差中存在的自相关。于是可得出失业率与高校规模的长期关系：LNGRA(-1)=-0.394302+4.004032 LNUNEN(-1)即失业率每下降1 个单位，高校规模应下降四个单位的增量变化。由此可看出，失业率对招生生源有着显著影响，失业率的提高，表明高校规模在不断扩大，生源数量急剧增加，国民毛入学率大幅增长，然而，生源质量却

19、在下降，师资及教育经费等跟不上生源剧增的步伐，由此导致毕业生质量的下降。这又反作用与就业率，致使就业率进一步的下降，陷入恶性循环。4 未来高校招生规模预测模型4.1 BP 神经网络模型的建立以毕业生人数、生均投入经费和社会可提供岗位数分别来衡量招生的数量、教育教学的质量以及当前的就业形势，在此条件的约束下，把招生规模作为输出层，建立BP 神经网络模型。神经网络的拓扑结构是指神经元之间的互联结构。图4 是一个三层神经网络结构。BP网络由输入层、输出层以及一个或多个隐层节点互联而成的一种多层网，这种结构使多层前馈网络可以在输入与输出间建立合适的线性或非线性关系，又不致使网络输出限制在-1 和1之间

20、。图4 一个三层BP 神经网络结构网络中各神经元输出为0101020( ) 1,2,., 1( ) 1, 2,., 2( ) 1, 2,.,np pj ij iinp pk kj jjnp pl lk kjg f wx j nh f wg k ny f wh l m-7-4.2 BP 神经网络模型的求解4.2.1 用Levenberg - Marquardt 优化算法训练网络神经网络中的Levenberg - Marquardt 优化方法，运算速度快，本文先采用此方法训练网络来达到预测的目的。Levenberg - Marquardt 优化算法的结果如下。模型采用了1993 至2002年的数据

21、，结果如下。图5 Levenberg - Marquardt 优化算法的误差分析图上图可以看出L-M 算法的精确度不高，没有达到本文的要求。下面用1993 至2002 年的数据得出的网络来预测2003 至2006 年的数据，并与实际值作比较，以此检验模型的正确性。图6 1993 至2006 年的预测值与实际值 图7 1993 至2020 年的预测值与实际值的误差很大从图7 可以看出利用Levenberg - Marquardt 优化算法的结果并不理想，与实际有一定偏差，倘若用此网络来预测未来几年的招生规模，必会产生更大的误差。而事实的确如此，下图正说明了用这种方法训练出的网络并不适宜预测此类问

22、题。4.2.2 用Bayesian 正则化法训练网络Bayesian 正则化法（Bayesian Regularization）是避免神经网络过拟合现象的常用方法。过拟合(overfitting)是指网络训练精度很高,但推广检验样本精度较差,也称为网络的泛化能力差。如果神经网络的规模远远小于训练样本集的大小，则发生过拟合的机会就很小。正则化方法就是通过修正网络的训练性能参数来减小网络的规模从而提高其推广能力，得到较强能力的泛化网络。-8-模型先采用1993 至2002 年的数据，结果如下。图8 Bayesian 正则化法的误差分析图上图可以看出Bayesian 正则化法的精确度很高，可以用它来

23、预测未来的高校招生规模。下面用1993 至2002 年的数据得出的网络来预测2003 至2006 年的数据，并与实际值作比较，以此检验模型的正确性。图9 2003 至2020 年的实际值和预测值从图9 可以看出利用Bayesian 正则化法的结果与实际值相当吻合，用此网络来预测未来几年的招生规模，应当与实际值相差不大。下表列出了1993 至2020 年对招生规模的预测数据。表8 招生规模的预测数据年份 1993 1994 1995 1996 1997 1998 1999人数 78.1414 82.0149 88.1975 97.8736 112.6755 134.6479 165.9384年份

24、 2000 2001 2002 2003 2004 2005 2006人数 208.032 260.572 320.3794 381.7364 438.3235 485.6025 521.9372年份 2007 2008 2009 2010 2011 2012 2013人数 548.0897 566.0178 577.8788 585.5187 590.3305 593.2921 595.0617年份 2014 2015 2016 2017 2018 2019 2020人数 596.0701 596.595 596.8138 596.8387 596.7406 596.5642 596.337

25、74.3 BP 神经网络模型的结论-9-在本模型中。主要得到了如下结果：(1) 建立了以高校招生规模为输出层的神经网络模型；(2) 给出了不同训练方法下的预测效果，并得出了较理想的网络结构。(3) 据图11 的预测结果显示，到2010 年后期，高校的招生规模将有所下降。究其原因，乃政府宏观调控所致。(4) 这些结论可以给当局提供一定的决策参考。5 结论根据本文建立的模型，得出以下结论并提出相应的应对策略，供政府有关职能部门参考。1）合理控制招生规模，适度发展高等教育。对盲目扩招学生和扩大学校规模的高校要进行控制, 规范其办学行为，推行“宽专业, 厚基础”的高等教育模式, 并尽量杜绝泡沫教育现象

26、。2）消除劳动力流动的体制性障碍。加快有关劳动人事制度、医疗保险制度、户籍制度、就业制度的改革, 打破进人指标和户口指标的限制, 减轻不合理的制度约束及其造成的劳动力市场分割, 降低劳动力的流动成本, 实现毕业生的合理流动。3）以劳动力市场和社会发展对高层次人才的需要为出发点, 强化学生的特殊职业技能, 改革教学内容, 调整学科专业结构和人才培养模式, 进一步提高教育质量。参考文献1潘玮,我国大学生就业难问题的原因分析及解决对策A.成人高刊,2008,(2).2毛丽娟, 唐朝晖, 桂卫华, 赵洪涛. 基于SPSS 与BP 网络的锌产量预测模型J. 计算机测量与控制,2008,(08)；3陈涛. 中部六省经济发展状况分析基于SPSS 主成分分析方法J. 湖南工业职业技术学院学报,2008,(04)）；4方正阿帕比年鉴,中国劳动统计年鉴2007atalog/catalogsearch_text.aspx?3d&cult=CN&Token=F1EFAAD050B22321FC6456F007DB4EBE，2009 年8 月16 日；5方正阿帕比年鉴