基于BP神经网络的我国高校毕业生就业情况预测

许红

（湖南工商大学 湖南省长沙市 430100）

1 问题的提出

法国1997年实施《青年就业法案》，解决失业青年就业艰难的问题[1]。国内外有关高校毕业生就业的法律保障制度体系相对完整，学者对高校毕业生就业问题的探究也比较完善。IñakiIriondo（2020）评估了欧盟推行的伊拉斯研究计划对西班牙研究生就业和薪资的影响[2]。谷家川（2020）从心理学角度考量：毕业生心理压力是就业困难的根本原因之一[3]；孙涛、王龙淼、徐学彬（2020）分析了影响毕业生就业选择的因素和就业的心理特点[4]。从国家发生自然灾害和全球性疫情等方面分析：吴华华（2020）提出鼓励学生利用在家时间补缺补漏、加强心理疏导等建议[5]。

毕业生就业工作中，关于就业预测研究的文献较少。张稳（2008）利用多项式曲线拟合等五种数学模型，从不同角度对就业数据进行统计分析[6]。邹治（2012）构建高校毕业生失业预警系统，通过平均误差和时点误差的比较发现神经网络更为适用于当前高校毕业生失业率的预测[7]。

2 高校毕业生就业率影响因素分析

从经济、社会和高校三个方面研究相关因素对就业率的影响。从经济总量看，影响因素有国内生产总值和第三产业总值；从经济结构来看，影响因素有第三产业总值、居民消费水平和城镇化率，将经济影响因素归类制成图1。

我国作为世界上人口最多的国家，人口基数大且增长快，对就业市场的供需平衡有极大的影响，社会因素主要通过人口总量和就业人口数量对高校毕业生就业率产生影响，如图2。

高校毕业学生人数每年都以60-70 万人的速度增加，教育部发展规划司显示，2013年高等教育毛入学率达到34.5%[8]。由此可知，影响高校毕业生就业的主要因素是高校招生数和高校经济投入。

3 主成分分析

影响高校毕业生就业率的因素有12 个，收集我国2005年-2019年的相关数据作为样本数据（数据来源于国家统计局年度数据、中国教育经费统计年鉴），选取2005-2014年的数据作为训练样本集，2015-2019年的数据作为测试样本集，利用SPSS 和MATLAB 进行主成分分析。画出影响因素累计贡献率折线图见图3，从图中看出在12 个影响因素中，有两个因素的累计贡献率较大，可作为主成分。

表1为提取主成分的总方差汇总表。提取特征值大于1 的前两个变量作为主成分，可解释99.476%的总方差，方差贡献率较高，说明主成分的提取可靠性较强，可选取前两个因子作为主成分。

分别求出两个主成分的成分荷载矩阵，通过成分得分系数矩阵计算每个因素在主成分上的得分。由成分得分系数矩阵写出各主成分的表达式：

f1=0.091Z1+0.090Z2+0.089Z3+0.090Z4+0.090Z5+0.090Z6-0.051Z7+0.086Z8+0.090Z9+0.090Z10+0.088Z11+0.090Z12

f2=0.004Z1+0.010Z2+0.174Z3+0.024Z4+0.076Z5+0.085Z6+1.060Z7+0.240Z8+0.116Z9+0.103Z10-0.194Z11-0.025Z12

第一主成分可解释为经济因素影响较大的成分；第二主成分为社会因素影响较大的成分。高校因素对高校毕业生就业率的影响相对较小。

4 BP神经网络实现

图1：影响高校毕业生就业率的经济因素树状图

图2：影响高校毕业生就业率的社会因素树状图

图3：各个特征累计贡献率统计图

BP 神经网络是一种按误差逆传播算法训练的多层前向型的人工神经网络，由于调整权值时采用反向传播(BackPropagation)学习算法，故称为BP 网络。BP 网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

对高校毕业生就业率相关数据进行神经网络训练，此时高校毕业生就业率预测模型结构如图4所示。训练完成后，输出2005～2019年高校毕业生就业率预测数据，得到12 个影响因素主成分分析后的BP 神经网络训练就业率预测值与真实值仿真结果如图5，从图中看出网络输出就业率与实际就业率结果相差不大，说明训练拟合效果较好。

计算得到传统BP 神经网络平均相对误差为0.874%，而通过主成分分析后的数据进行BP 神经网络仿真的平均误差为0.121%，可见本文所用模型的精度更高。

图6中左图为传统BP 神经网络在训练过程需要的次数，需要运行625 次才能达到期望的精度，而右图代表的改进BP 神经网络只需运行98 次就能达到相同的精度，因此，本文所用方法在程序运行效率上有很大的提高，具有推广意义。

表1：主成分提取总方差汇总表

图4：高校毕业生就业率预测模型结构图

图5：主成分分析后BP 训练仿真图

利用2018年和2019年的数据代入模型，预测2020年和2021年的高校毕业生就业率数据分别为91.586%和91.556%。

5 结论与建议

利用BP 神经网络进行预测。从预测结果中看出我国高校毕业生就业率呈现稳定趋势，增长和下降的趋势都很小，由于我国人口基数大增长快的特点，未来几年内，总人口和高校毕业生数量都将呈现增长趋势。

高校毕业生层面，高校毕业生需要提高自身综合素质，提高就业竞争力，树立正确的就业择业观念，结合自身专业情况、职业喜好和个人能力，规划一条适合自己的就业道路。高校层面，高等教育是培养人才的关键阶段，高校应该加强教学改革，不断优化专业设置和教学培养方案，教学内容与就业市场相结合，培养实践型人才。相关政府应该完善就业制度，营造公平、公正、公开的就业氛围，给毕业生提供良好的就业环境；同时，政府要加强毕业生就业的引导工作，为毕业生的就业和自主创业提供良好的制度保障和政策支持。

图6：两种BP 神经网络模型训练所需次数