跨省际区域人力资源开发协同度预测

刘泽双，张平平，熊国强

（西安理工大学 经济与管理学院，西安 710054）

跨省际区域人力资源开发协同度预测

刘泽双，张平平，熊国强

（西安理工大学 经济与管理学院，西安 710054）

针对人力资源开发的非线性变化规律的问题，文章提出一种利用变步长自适应的布谷鸟算法优化灰色神经网络（VSACS-GNN）参数的预测模型。同时为解决跨省际区域人力资源协同开发度评估问题，基于协同理论，构建了跨省际区域人力资源开发有序度与协同度模型。研究发现，VSACS-GNN模型对跨省际区域人力资源开发协同度的预测精度高于其他预测方法。利用VSACS-GNN模型对跨区域人力资源开发协同度的预测，有助于区域内相关统筹机构准确评估复合系统的协同度，为跨区域人力资源开发提供科学的理论指导。

人力资源开发；协同度；VSACS算法；GNN算法

0　引言

伴随着经济一体化的进程，大城市、大都市增长极的快速出现，跨省际区域复杂系统内人力资源分布结构决定了整个区域内的经济一体化进程，区域内资源的竞争，逐渐演变为对人才的竞争，提高人力资源开发度及优化配置是区域经济健康发展的必然选择[1]。通过对跨省际区域间人力资源开发协同度的预测，一方面，可以有效把握区域整个系统的人力资源开发协同度水平，促使区域政府及其他管理机构对区域人力资源开发采取合理性措施，积极留住、吸引优秀人才，增强整个区域人力资源竞争力。另一方面，可以及时发现省际各区域子系统人力资源开发存在的问题，针对短板子系统制定有效措施方案，区域子系统之间通过相互借鉴，制定科学的人力资源流动体制，促进人力资源在整个区域内部的良性互动，最终实现跨省际复合系统的人力资源开发可持续性和经济的快速发展[2]。

人力资源目前存在的定量预测方法有回归预测、马尔可夫预测、神经网络预测、灰色系统预测方法等。回归预测一般要求数据具有规律性，而区域内人力资源开发的数据一般呈现非规律性。马尔可夫的预测效果取决于模型的概率转移矩阵估计，只有当区域内部人力资源的转移概率存在一定规律时，才能达到预测效果。神经网络具有一定的容错能力，但需要设计多个系数，越复杂的设计，其内在的误差就会越大。灰色系统预测针对杂乱的小数据具有一定的整合作用，但是缺乏自组织性和自适应性。灰色神经网络组合模型在一定程度上可以相互弥补缺陷，提高预测精度，但是灰色神经网络是随机化初始权值与阈值，会导致每次的预测结果不一样。布谷鸟算法（CS）将孵育寄生行为与莱维分布相结合来进行智能优化，CS算法包含的参数较少，有较好的通用性和鲁棒性[3]。为了提高CS算法的自适应性，本文提出用步长更新方式改进CS算法，并将改进后的CS算法与灰色神经网络结合，利用改进CS算法来优化灰色神经网络的权值与阈值，提高灰色神经网络的拟合能力。

1　模型构建

1.1GNN模型

1982年邓聚龙教授基于数学相关理论，提出了灰色系统理论[4]。设原始数据序列为表示为x(t)，一次累加后的序列为表示为y(t)，预测结果表示为z(t)。包含n个参数的灰色微分方程为：

式(1)中y2，···，yn表示系统的输入参数；y1为系统输出参数；a，b1，b2，···，bn-1为微分方程系数。式（1）的时间响应式为：

式（2）的微分方程反映了灰色系统有将离散数据拟合的功能和对小数据建模的优势。将式（2）两边同时乘以神经网络的传递函数才能够映射到BP神经网络上。同时令则式（2）可以转化为式（3）：

将变换后的式(3)映射后得到的灰色神经网络结果如图1所示。其中，t表示输入参数的序号，y2(t)，···，yn(t)为输入参数；w21，w22，···,w2n，w31，···，w3n表示权值；y1为预测值，图中网络的权重(i=2，3，···n)，w3i=1+e-at(i=1，2，···，n)，θ为输出的阈值，θ=(1+e-at)(d-y1(0))。则灰色神经网络的输出表示为：1.2基于改进CS算法的灰色伸进网络预测模型

图1　灰色神经网络的拓扑结构

2010年，YANGX和DEB两位学者提出了一个新型科学计算机布谷鸟搜索算法（CS）[5]。CS在寻优过程中，每个鸟巢代表一个候选解，首先在初始化种群的基础上，计算对应的适应度值。然后采用levy游走方式随机搜索，获得新的鸟巢位置，并计算对应的新解，与搜索前的适应度值进行对比，保留最好的鸟巢。其次,在鸟巢数量是固定的情况下存在发现外来鸟蛋的概率pa=[0，1]，寄生巢主人根据概率可以选择丢弃鸟蛋和鸟巢，重新在新的位置生成新的鸟巢。设第i个寄生巢在第t代的位置为L(λ)为布谷鸟随机游走搜索方式，布谷鸟搜寻鸟巢的路径和位置更替为:，其中δ为布谷鸟游走步长控制量参数，⊕为点对点对乘。

在搜索的过程中，步长越大，算法搜索的全局性就会越好，较大的步长会导致搜索的精度较低，步长越小，精度会变得越高，但是会导致速度变慢。为了协调标准CS算法搜索全局与搜索精度的问题，通过改进步长更新公式对CS算法进行优化，优化后算法称为变步长自适应布谷鸟算法(VSACS）[6]。

式中 stepmin是步长的最小值，本文中取 stepmin= 0.0001；a是随的变化曲线，p取值范围为[1,30],t为目前的迭代次数，Tmax为算法设定的最大迭代次数。由式（4）可以看出随着时间的递进，布谷鸟的步长是逐渐降低的，在游走初期，较大步长的全局搜索能力能够较快收敛到较优的鸟巢附近，迭代次数的增加，步长变小，转变为局部搜索，增强了搜索的精度。变步长自适应布谷鸟算法优化灰色神经网络(VSACS-GNN)的具体流程如图2所示。

图2　基于VSACS算法的灰色伸进网络预测流程

2　实证分析

2.1构建人力资源开发指标体系

通过查阅相关文献，发现有关人力资源开发指标出现频率最多的有教育投入与培训投入、教育制度、社会保证制度、就业人数、人才的流动、成人教育、医疗保健投入、科研投入等[7]。在这些指标中，发现有些指标被包含在其他指标中，例如，成人教育和职业教育包含在教育和培训中。本文中，尽量应用量化的指标去替代定性的指标，舍弃一些微观的、模糊的、评价困难的指标，例如人力资源道德素质和社会保障制度。依据指标选取的关键原则、可测量性原则和目标导向性原则，经过了指标的初选、筛选，本文确定区域人力资源开发程度的一级指标为教育水平[8]、科技研发[9]、医疗保障[10]、就业状况[11]、社会保障[12]。二级指标为：人均教育经费(元/人)、普通高等学校在校生人数(万)、中等职业学校在校生人数(万)、教育费用占GDP比重（%）；R&D经费支出占GDP比重（%）、人均科技支出（元/人）、专利申请量(项);每万人拥有床位数(张)、每万人拥有卫生技术人数(人)、人均消费医疗卫生经费(元)；从业人员占总人口比重（%）、新增农村劳动力转移就业人数(万)、城镇新增就业人数（万）；社会保障与就业经费占GDP的比重（%）[13]。

2.2跨省际区域人力资源开发协同度模型

本文基于协同学中的序参量原理以及役使原理，构筑跨省际区域间的人力资源开发协同度评价模型。设跨省际区域为复合系统表示复合区域内的不同区域子系统的个数。设ej为第 j个系统的序参量，ej=(ej1，ej2，…ejn)，其中n≥1，βji≤eji≤αji，i=[1，n]，假设 ej1，ej2，…，ejl1的取值大小与系统的有序度之间是正相关关系。因此给出系统有序度的定义：

αji的取值一般为第 j个子系统第i个指标上限值的110%，同时βji取值为第 j个子系统第i个指标下限值的110%。由总体看,子系统的有序度为：

假设在初始时刻t0各子系统的有序度为，而当整个复合系统发展演变到时刻t1,各子系统的有序度为定义整个系统的协同度为SD,则复合系统的协同度SD为：

式中满足以下条件：

2.3样本数据的来源

2015年6月5号，国务院批复了《大别山革命老区振兴发展规划》，该规划将大别山革命老区的主要范围划定为：河南省信阳市、驻马店市全境；安徽省六安市、安庆市全境；湖北省黄冈市、随州市全境。本文选取大别山区占有主要面积的6个市：信阳、驻马店、六安、安庆、黄冈和随州作为研究对象。查阅各省市的统计局、教育局、科技局、财政局等部门发布的统计年鉴、年度公报、政府工作汇报等文件来获取相关数据。依据上文构建的指标体系，共统计了6个市的2004年至2014年数据。在计算人力资源开发协同度之前，利用主成分分析对各市的指标数据进行降维，把主成分看成序参量,然后利用协同度评价模型，计算出6个市的人力资源开发的有序度与协同度,具体如表1所示。

本文选取6个市的人力资源开发有序度作为VSACS优化GNN预测模型的输入数据，相对应的协同度作为预测模型的输出数据。将2005—2012年的数据作为预测模型的训练样本，2013—2014年数据作为测试仿真样本。

2.4仿真预测

本文应用的预测仿真系统为MATLAB R2011b，输入为6个参数，输出为1个参数。设布谷鸟的群体规模为10，网络训练迭代次数设为100。鸟巢主人发现外来鸟蛋的概率取值为 pa=0.25，搜索空间范围 lb=-5，ub=5，游走最大步长 stepmax=0.01,最小步长为stepmin=0.0001。为验证算法的有效性，分别建立了神经网络预测模型、灰色神经预测模型、遗传算法改进的GNN预测模型、VSACS-GNN预测模型，以相对误差来比较算法的性能，具体训练仿真过程与结果如图3与图4所示。

图3　 VSACS-GNN迭代过程

图4　各预测模型预测结果比较

表1　各子系统人力资源开发的有序度与协同度

由图3可知，在较短的时间内，预测模型的迭代实现了预测值与实际值之间的误差几乎为0。说明网络得到了很好的训练，可以进行预测仿真。此时得到的灰色神经网络的模型：z(t)=0.3219e-0.3056t+(1.4715x1+1.5393x2+0.8024x3+1.2873x4+1.8730x5+1.8730x6)(1-e-0.3056t)，预测模型的具体预测结果如表2所示。

表2　各模型的预测结果

预测显示，2005—2016年大别山区6个市区域间人力资源开发的协同度是逐渐提高，但是发展水平较为缓慢且并不稳定。2016年6个市的人力资源开发的协同度仅为0.4297，处于一个较低协同阶段。VSACS-GNN模型在预测协同度的之前,需要构建一阶方程、一个变量的灰色模型G(1,1)来预测出各输入参数，本文中各子系统开发的有序度被看作是预测模型的输入参数。因此，根据G(1,1)预测结果，能够对区域子系统的有序度做出纵向的分析和横向比较，找出对协同开发产生影响的短板子系统。由训练得到的协同预测模型可知，x5与x6的系数较大，说明了目前对大别山区跨省际区域人力资源协同开发影响最大的是黄冈与随州的人力资源开发有序度。而x3的系数最小，说明了六安市的人力资源开发有序度对整个系统的协同度影响最小。

3　结论

本文基于VSACS-GNN模型，对我国典型的跨省际的大别山区人力资源开发协同度进行预测。其结果表明：VSACS-GNN模型用于预测人力资源开发协同度是可行的，且其预测精度高于其他预测算法。证实了VSACS-GNN在处理数据样本少、在时间序列上呈现出较大的不稳定性的问题具有独特的处理优势。VSACS-GNN在跨省际区域人力资源开发协同度的有效预测，促进区域间共同协商制定人力资源开发战略，将跨省市区域之间的竞争博弈转变为整体实力的提升，有效发挥人力资源的聚集能力，促进区域内各子系统人力资源的可持续开发和复合系统内经济的均衡发展。

[1]Kenneth E P,Benjamin Y,Theresita V A.Human Resource Develop⁃ment in Transitioning Societies in the Developing World:The Philip⁃pines[J].Advances in Developing Human Resources,2006,31(1).

[2]Darlene F R.Human Resource Development,Evaluation,and Sustain⁃ability:What Are the Relationships[J].Human Resource Development International,2014,17(5).

[3]李煜,马良.新型元启发式布谷鸟搜索算法[J].系统工程,2012,30 (8).

[4]Alvisi S,FTanchini M.Grey Neural Networks for River Stage Fore⁃casting With Uncertainty[J].Physics and Chemistry of the Earth,2012, 6(4).

[5]Yang X S,Deb S,Suash D.Engineering Optimisation by Cuckoo Search[J].International Journal of Mathematical Modeling and Numer⁃ical Optimisation,2010,1(14).

[6]王联国,洪毅,赵付青等.一种简化的人工鱼群算法[J].小型微型计算机系统,2009,8(30).

[7]Marquardt M,Berger N O.The Future:Globalization and New Roles for HRD[J].Advances in Developing Human Resources,2003,5(3).

[8]Monica L.National Human Resource Development in the United Kingdom[J].Advances in Developing Human Resource,2004,4(3).

[9]Xing J,Wu J.Study on the Rural Human Resource Development In⁃fluence Factors and the Policies Response:Evidence From Chongqing city[J].International Business and Management,2013,7(1).

[10]Jithendran J K,Tom B.Human Resources Development for Tourism in Rural Communities:A Case Study of Kerala[J].Asia Pacific Jour⁃nal of Tourism Research,2002,7(2).

[11]Reid B.Improving Human Resources for Health Planning in Devel⁃oping Economies[J].Human Resource Development International, 2014,17(1).

[12]Maksims K.Analysis of Factors Influencing the Choice of Solutions for Human Resource Development[J].Procedia-Social and Behavior⁃al Sciences,2014,2(156).

[13]Wes H.Employment Creation and Localization:The Crucial Human Resource Issue for the GCC[J].The International Journal of Human Resource Management,2007,18(1).

（责任编辑/浩天）

F241

A

1002-6487（2016）22-0076-04

国家自然科学基金资助项目（71173171）；信阳市哲学社会科学规划项目（2014ZZZD011）

刘泽双（1966—），男，河南信阳人，博士，教授，研究方向：人力资源开发与管理、系统工程管理、战略管理。（通讯作者）张平平（1989—），女，河南周口人，硕士研究生，研究方向：人力资源开发与管理。熊国强（1961—），男，河南信阳人，博士，教授，研究方向：应急管理、投资管理。