辽宁省大学生就业偏好与预测分析

刘 洋

（辽宁工程技术大学 工商管理学院，辽宁 阜新123000）

随着高校大学生数量的增多，就业压力也随之加大。如何帮助高校大学生清晰地了解就业形势并作出适合自己的最佳就业选择，是解决大学生就业问题的重要前提。大学生的就业偏好是选择第一份岗位的根本依据。做好高校大学生就业偏好的分析与预测，让其能够选择合适自己定位的首份工作，提高其对工作的满意度，提升高校大学生就业的成功率，才能保持其工作稳定性，才能降低高校大学生在首份工作期间盲目择业风险，防止因不适应而频繁跳槽的现象发生[1]。高校大学生的就业偏好的主要影响因素为性别、家庭所在地、父母受教育水平、个人个性及家庭经济状况五个方面，就业偏好的选择存在个体差异。因此，为分析大学生群体就业偏好，有必要建立WOALSSVM预测回归模型并进行个体特定倾向性分析，与BP神经网络（BP-NN）、传统LSSVM算法比较，具有很强的优越性，对高校大学生的就业指导、择业建议具有理论意义和现实价值。

一、大学生就业基本信息简述

（一）样本

样本在充分考虑影响高校大学生就业偏好因素如性别、家庭等情况下，采取层次抽样调查的方法，抽取辽宁工程技术大学、东北大学、沈阳师范大学、辽宁大学、大连医科大学、沈阳航空航天大学、沈阳工业大学、东北财经大学的部分高校大学毕业生以网络调查问卷的便捷形式收集样本，得到高校大学生就业基本信息。样本通过网络调查共回收4287份问卷，其中有效问卷为3856份。依据影响就业偏好因素分类，按性别回收信息为男生1877人、女生1979人；按家庭所在地回收信息为一线城市523人、二线及其他城市1 755人、乡镇478人、农村1 100人；按父母受教育水平回收信息为初中及以下1 887人、高中或中专1 403人、大学及以上566人；按个性差异回收信息为很内向165人、内向678人、中性1332人、外向1 455人、很外向226人；按家庭经济状况回收信息为特别贫困315人、贫困807人、一般2 384人、较好305人、很好45人。

（二）本科毕业生就业基本情况

1.专业差异。本科高校大学生的就业状况与所学专业的相关较大。一般来说，所学专业为工科，如工程力学类、航空航天专业类等专业大类在全国范围内都比较容易就业，并且就业选择多且质量高。相对而言，就业较差的专业有生物医学类、艺术类等专业，这些专业因本身社会需求较少，并且需要拔尖人才，所以专业就业形势比较严峻。

2.就业形式多样化。高校大学生的就业方式已经不局限于某一种方式，通过学校校招签订三方合同的数量在逐渐减少，自主寻找签订劳动合同的方式却在逐渐增加，高校大学生出国留学、升学深造的也不在少数。

3.就业灵活率高。伴随着高校大学生思想意识的逐渐开放及生活压力的相对减轻，高校大学生的就业灵活率在不断提高。就业灵活率的增加虽然能够提高社会就业的活跃度，但是高校大学生的工作稳定性在下降，跳槽、辞职的现象逐渐增多，不利于《劳动法》《劳动合同法》的实施与开展，劳动者的权益保护难以得到保障。

4.地域偏好。高校大学生的就业选择与地域偏好存在重要联系。调查样本中，省内各大学的高校大学生对沈阳、大连两个经济发达城市的偏好较高，全省约60%的高校大学生选择在以上两个城市就业，因此，沈阳、大连的就业压力连年增加。另外，部分高校大学生会通过评估自身的生活成本及家庭所在地位置，选择一些较好的城市就业发展。

5.性别差异。统计数据表明，高校大学生中女生的就业灵活率高于男生，这说明高校大学生中女生的工作稳定率要低于男生，其主要原因是女生在就业过程中要考虑家庭、生活、身体等因素，从而影响工作的稳定性。因此，高校大学生中的女生群体就业问题应该得到社会更多的关注[2][3]。

二、基于基本信息的大学生就业偏好分析模型

（一）就业偏好分析模型方法

大学生职业偏好的多样性与性别、家庭所在地、父母受教育水平、个人个性及家庭经济状况有着必然的联系。因此，分析高校大学生的基本信息与职业取向之间的关系，对研究高校大学生的就业偏好和职业取向具有一定的理论价值和实践意义[4-6]。

基于高校大学生基本信息的就业偏好分析模型主要有两方面组成：一是通过对男女差异与基本就业信息和偏好之间的关系分析，研究性别、家庭所在地等方面的差异；二是通过对高校大学生就业序关系和对选择性倾向的加权分析，研究不同状况下的大学生就业选择的特点和方向[7-10]。分析模型构建的具体流程如下。

1.根据问卷的设计和背景调查，对高校大学生的就业偏好数据进行分析和概括，在此基础上，对就业偏好数据进行均值计算。

2.利用SPSS19分析模块，对高校大学生就业偏好数据进行统计分析和均值分析，同时进行方差分析和测试，利用分析结果对大学生基本信息和就业偏好之间的关系进行研究。

3.以就业偏好指数的均值数据为基础，采用基于序关系的属性权重法确定各就业偏好指数及就业偏好序列的权重，在此基础上，根据基本情况和就业偏好序列，分析特定背景下高校大学生就业偏好的特点和趋势。

（二）序列关系赋权分析方法

常用的属性赋权法有层次分析法、ROC加权法、序列关系分析法等，其中，序关系分析法有着频次数量少、赋值质量高等优点，得到了更为广泛的应用。因此，选择序列关系分析法对高校大学生就业的原则进行排序。

序列关系分析法是基于属性指标的序列值进行分析的，与大学生就业偏好度指标平均值数值有一定的结构差异。因此，需要采用数据转换算法对就业偏好度的数值进行序矩阵构造。

假设调查问卷所采集到的有效问卷数目为n，就业偏好指标数目为M，按问卷的就业偏好“设计区划”对应的就业偏好指标数目为m（即均值指标数目），决策者即有效问卷者的数目为D1，D2，…Dn。

高校大学生就业偏好矩阵分配规则是：当所有分配样本的平均值不相等时，就业偏好指数最高的值分配给m，第二大的就业偏好指数相应分配给m-1，直到最低就业分配偏好指数为1。当分配样本的平均值相等时，分配的顺序值仍从最大值到最小值，但相同的顺序值v是分配给相同的平均值，和最近的较小的平均价值v-vn（nv代表相应数量的平均值相等的数目）。举例说明：假设就业偏好均值矩阵A为

根据上述排序规则，将高校大学生的就业偏好指数均值矩阵转化为就业偏好指数排序矩阵AOnxRm。通过分析排序矩阵，可以得到不同就业偏好指标在各偏好指标集中的权重及高校大学生就业的偏好顺序，该序关系求解算法具体操作步骤如下：

2.比较就业偏好指标的序值关系，确定比较矩阵。设第d个受访者对第i个和第j个偏好指标的序值分别为，则记为1；若0.5；若记为0，所有n个受访者Hij的值累加和即为比较矩阵分量M（ij其中Mij+Mij=n）。

3.比较矩阵M与就业偏好指标加权的一致性检验，比较矩阵的每一列都是标准的。

4.目前，计算就业偏好指标权值方法最为常用的是求和乘积法。在此基础上，根据H和矩阵M对指标权值进行划分分层。

（三）大学生就业偏好的方差分析

方差分析（ANOVA）是一种比较分析方法，主要原则是通过研究和划分误差源来确定变量之间的关系。根据影响因素的不同，方差分析可分为单向方差分析、双向方差分析和多因素方差分析三种。因为就业过程中的偏好因子变化得分是因变量，所以本研究选用单向方差分析方法对不同大学生的性别、家庭所在地、父母受教育水平、个性和家庭经济水平等因素进行分析。利用SPSS19软件相关性分析模块计算各因素对就业偏好指数的单因素方差，从而得到各因素对就业偏好的影响。

表1性别、家庭所在地等因素对就业偏好指标的单因素方差分析

如表1所示，通过对性别、家庭所在地、父母受教育水平、个人个性及家庭经济状况五个因素对高校大学生就业偏好的方差分析，得出男女性别差异在城市地域因素的选择显著性伴随概率为0.334，在5%的置信程度上显著。性别的差异在单位性质偏好方面的显著性伴随概率为0.126，在5%的置信程度上显著，这说明性别的差异对单位性质的选择也存在着较为明显的差异。而性别的差异对于工作薪酬、企业规模和工作岗位的显著性伴随概率为0.003、0.106和0.007，这几项方差显著性数值也说明了性别的差异在这三项偏好的选择中依然存在差异性。这也为研究高校大学生的就业偏好增加了难度。

在家庭所在地单因素方差分析中，对于城市地域因素、企业规模因素及单位性质因素的显著性相伴概率分别为4.22E-19、1.99E-6和0.264，这说明高校大学生家庭所在地的不同对地域、企业规模及单位性质的偏好在5%的置信水平上显著，大学生处于不同的家庭所在地会在这三方面的选择上存在显著的差异性。家庭所在地因素对于工作薪酬和工作岗位偏好的显著性相伴概率分别为0.725和0.727，均大于5%，这说明在这两方面因素上不存在显著差异。在高校大学生的择业选择中，可将家庭所在地不同的大学生在工作薪酬和工作岗位上归纳为一类考虑，应着重考虑地域、企业规模及单位性质因素，因为其差异性较大，所以应该区分考虑。

父母的受教育水平在单因素方差分析中，对于企业规模和地域偏好的显著性相伴概率达到1.62E-19和9.08E-8，差异性较为明显，而在薪酬方面达到0.177，小于5%，在5%的置信水平上存在较大差异，不可统一化归类。父母教育水平有所差别的毕业生在单位性质的选择及工作职位的选择上并没有较大差异，其显著性相伴概率分别为0.804和0.946，均超过了5%，可归为一类进行分析研究，应着重考虑企业规模和地域偏好因素，因为其差异性较大，所以应该区分考虑。

个人个性在单因素方差分析中，几项因素的显著性相伴概率分别为4.60E-12、0.001、0.011、0.005和2.46E-6，在5%的置信水平上存在较大差异。因此，大学生的个性差异在城市地域偏好、企业工资标准偏好和单位的性质工作偏好之间差异性较大。

家庭经济状况在单因素方差分析中，几项因素的显著性相伴概率分别为6.31E-24、3.97E-14、0.004和0.026，均小于5%，在5%的置信水平上存在较大差异，这说明大学生的经济状况对就业偏好的选择存在差异性，大学生的经济状况在进行就业选择中是一个重要变量，在就业偏好的研究中应该细化研究。

（四）大学生就业偏好的均值分析

方差分析能够分辨单因素对大学生就业偏好影响因素的偏好程度，而均值分析可以对各因素之间的偏好关系进行分析。均值分析是在方差分析方法的计算结果上，通过采用LSD方法进一步计算均值获得的。通过大学生就业偏好的均值分析，可以实现各项因素之间的差异性。

1.性别因素的均值分析

男女性别差异对企业偏好选择影响，通过图1的均值统计量柱状图可以看出，男生在就业选择中在地域、工资两方面要高于女生，男生在就业选择中更注重选择城市和工作薪酬，而女生则更多的考虑企业规模大小、单位性质及工作岗位。

图1性别对就业偏好均值统计量

2.家庭所在地因素的均值分析

家庭所在地单因素可按照大学生居住地分为一线城市、二线城市、乡镇及农村。通过图2的均值统计量可以看出，居住在一线城市的高校大学生在城市地域、工作薪酬、企业规模和工作岗位的均值上均高于其他三个地区居住的高校学生，这说明家庭所在地影响着高校大学生对于就业偏好的选择。而居住在乡镇的高校大学生则在单位性质的选择中高于其他家庭所在地，居住在乡镇的高校大学生在就业选择中更加偏好于选择适合的单位性质。

图2家庭所在地对就业偏好均值统计量

3.父母受教育水平因素的均值分析

父母受教育水平可分为初中及以下、高中或中专、大学及以上三种类型。通过图3的均值统计量可以看出，父母受教育水平在大学及以上的高校大学生在地域、工资、企业上都处于领先，说明父母受教育水平在大学以上的高校大学生更加看重以上三个因素。而父母受教育在高中水平的父母受教育环境下的高校大学生在工作岗位的偏好上处于领先，说明他们更偏好于选择合适自己的工作岗位。父母受教育在初中教育水平的高校大学生则更注重找一个单位性质适合自己工作。

图3父母受教育水平对就业偏好均值统计量

4.个人个性因素的均值分析

图4个人个性对就业偏好均值统计量

个人个性的差异可分为很内向、内向、中性、外向、很外向五个标准进行均值分析。从图4的均值统计量可以看出，很外向的高校大学生在五项偏好因素中均值均处于最高程度，从城市地域和工作岗位的偏好选择中可以看出，其顺序是按照个性从很内向到很外向逐渐提升的。从个性的差异在高校大学生就业过程中对薪酬偏好的均值差异比较可以看出，高校大学生在就业过程中偏好薪酬因素的均值从大到小顺序为很外向、外向、中性、很内向、内向。

5.家庭经济状况因素的均值分析

高校大学生所在家庭的经济状况可以分为特别贫困、贫困、一般、较好、很好五种类型，从图5的均值比较可以看出，家庭经济状况很好的高校大学生对地域、企业、职位及单位性质的偏好较高，而家庭经济状况较好的高校大学生对薪酬因素更加注重，并高于其他家庭经济状况的高校大学生。

图5家庭经济状况对就业偏好均值统计量

（五）大学生就业偏好的序分析

通过基于序数信息的属性赋权法对就业偏好指标进行赋权和排序，可以得到在不同影响因素下的序关系图。

1.性别序关系分析

男女性别的差异在偏好因素的排序关系中存在较大差异。从图6中就可以看出，男性高校大学生在就业选择上，首先考虑的是工作岗位是否适合自身要求，其次看重的是地域偏好，再次注重的是企业规模、工作薪酬，最后考虑的是单位性质是否符合自身期待。而女性高校大学生与男性高校大学生在就业偏好的指标权重上差别很大，女性高校大学生的城市地域偏好权重达到0.3以上，而其他偏好权重均在0.2之下，说明女性高校大学生在选择工作时，首先看重的是城市是否符合自己的要求，而对于企业规模的偏好最小，相对来说，女性高校大学生最不看重公司规模大小。纵向分析男性高校大学生和女性高校大学生的性别序曲线，发现女性高校大学生的权重跨度较大，而男性高校大学生的指标权重较为集中，这也说明女性高校大学生就业的选择较为单一，而男性高校大学生就业的选择呈现多样化。因此，在高校大学生就业指导中可以根据此序关系向男性高校大学生建议挑选适合自己的工作岗位，而向女性高校大学生建议挑选适合自己的城市。

图6性别序关系

2.家庭所在地序关系分析

从图7可以看出，家庭所在地不同的高校大学生所呈现出来的就业偏好关系基本相同，基本呈现工作岗位优先、城市地域其次，企业规模再次，最后为工资和单位性质。这说明，家庭所在地不同的高校大学生普遍希望找到适合自己的工作岗位，这种现象也符合社会现实要求。生活在乡村、城镇的高校大学生的个人压力更大，希望找到适合并且较为稳定的工作岗位，而生活在城市的高校大学生则更需要一个能够长期发展、专业对口的工作。不同家庭所在地的高校大学生对于城市地域偏好也更加突出，其主要原因是高校大学生都希望能够到大城市去生活，在大城市中寻求突破自己的机会。

对高校大学生在就业建议时，可以将不同所在地的高校大学生归为一类，都是偏向于工作岗位和城市地域因素。

3.父母受教育水平序关系分析

从图8可以看出，父母受教育水平可以分别为初中、高中和大学及以上的高校大学生，对于地域、工资、企业规模、单位性质及工作岗位的偏好序关系基本一致，并且与家庭所在地序关系基本相同。无论父母受教育水平处于那个程度，首要考虑的都是工作岗位是否能够满足自身发展的需要。父母受教育水平为大学的高校大学生对于城市选择的权重高于父母受教育水平为初中及高中的高校大学生，父母受教育水平为大学的高校大学生在工资薪酬的权重正好相反，低于父母受教育水平为初中及高中的高校大学生，这说明父母受教育水平与城市地域偏好呈现正相关，而对于工作薪酬偏好呈现负相关。

对高校大学生的就业建议，优先建议其选择适合的工作岗位，并且在城市地域和工作薪酬方面要注意与父母受教育水平的相关关系。

图7家庭所在地序关系

图8父母受教育水平序关系

4.个人个性序关系分析

从图9可能看出，在个性序关系分析比较中，性格内向、中性、外向和非常外向的高校大学生就业偏好基本相同。与其他4种个性类型的高校大学生相比，很内向的高校大学生在地域和企业规模偏好上更关注大型企业，而其他4种个性类型的高校大学生更关注大城市。

对高校大学生的就业建议，内向、中性、外向和非常外向的高校大学生，优先建议其选择适合的工作岗位，对于个性很内向的高校大学生，在地域与企业规模选择之间，首先建议其选择大规模企业。

图9个人个性序关系

5.家庭经济状况序关系分析

家庭经济状况的差异对于高校大学生的权重指标分析在序关系上存在一定差别，这说明家庭经济状况的差异促使高校大学生在地域、工资、企业规模、单位和岗位5方面的影响程度存在差异。

从图10可以看出，家庭经济状况为特困、贫困、一般、较好的高校大学生在工作岗位的偏好程度上基本保持一致，都是排在首位，只有家庭经济状况很好的高校大学生对工作岗位偏好排在第2位。除工作岗位以外，其他4项偏好上存在着较大差异，呈现就业选择的多样化。

家庭经济状况特困的高校大学生，除工作岗位排在第一外，其他排列顺序依次为企业规模、地域、工资、单位性质；而家庭经济状况贫困的高校大学生排列顺序则是地域、工资、企业规模和单位性质；相较于家庭经济状况特困的高校大学生，会优先考虑地域而对于企业规模则没有很大的要求，这可能是由于家庭经济状况特别贫困的高校大学生更注重稳定的生活；而家庭经济状况较好一点的高校大学生则想去大城市发展。

家庭经济状况一般的高校大学生与家庭经济较好的高校大学生权重指标序关系上基本一致，排名依次为工作岗位、地域、企业规模、工资和单位性质。与家庭经济状况贫困的高校大学生相比较，在工资的排序上有所差别，家庭经济状况贫困的高校大学生由于家庭条件原因，更想找到一份工资相对合适的工作，而家庭经济状况一般和家庭经济状况较好的高校大学生则优先考虑一个企业的状态，再考虑工资的高低。

家庭经济状况很好的高校大学生，首要注重的是工作地域，由于家庭条件的优势使得他们对生活压力的考虑较少，只需要选择自己喜欢的城市就业，就可以满足自己的经济要求，所以，更为看重工作地域。其他家庭经济状况的高校大学生，就要考虑到大城市的生活压力、购房压力。因此，在就业的选择中，优先考虑合适的岗位，然后再考虑城市地域的要求。

家庭经济状况很好的高校大学生，就业过程中各项指标权重的序关系的排列顺序依次为城市地域、工作岗位、企业规模、薪酬和单位性质。

图10家庭经济状况序关系

对高校大学生的就业建议，以家庭经济状况的序关系为基础，向家庭条件很好的高校大学生推荐工作地域的选择，再从合适城市中选择合适的职位。而对于其他家庭经济状况的高校大学生，则应该优先考虑专业对口，适合自身发展的工作岗位，然后再考虑其他的偏好要求。

三、基于WOA-LSSVM的就业偏好回归模型

（一）WOA-LSSVM就业偏好回归模型方法

对学生偏好的分析，具有很多影响因素，可以被视为是一个与SVM处理较小样本、非线性相关的回归问题。LSSVM算法是对SVM的优化，其核心是在简化的基础上增加计算效率。因此，大学生就业偏好预测选择以LSSVM算法为基本模型。同时，由于LSSVM算法存在一定的不足，主要表现是在参数的选择和算法占有同等地位，所以采用以WOA算法进行参数选择的方式，能够建立较为精确地就业偏好预测模型。

在高校大学生的基本信息数据基础上，应用WOA-LSSVM模型计算可以获得高校大学生的就业偏好Modek模型，即可获得高校大学生就业的影响因素与就业偏好间的回归关系。利用调查问卷获得的高校大学生就业影响因素，通过其填写的相关信息在Model中可确定对地域、工资、单位、企业及岗位的预测回归值，然后从微观到个人的角度，预测每个高校大学生的就业偏好，从而为指导高校大学生就业工作提出有针对性的建议。

（二）WOA-LSSVM算法偏好预测的对比研究

为验证WOA-LSSVM算法与其他预测方法对比的优越性，利用上文得到的高校大学生基本信息进行整理汇总。为证明WOA-LSSVM算法的较好预测性能，以BP神经网络（BPNeural Network，BP-NN）、传统LSSVM作为对比算法。对比算法的参数设置情况如下：BP-NN中网络隐层节点数目设为5、训练数目设为10 000、学习率设为0.1、训练误差设为0.0001。LSSVM中惩罚参数C和核参数g分别设为50和4。基于4种算法所得的MAPE对比结果见表2。

表2各种算法的MAPE对比实验结果

WOA-LSSVM算法将与其他算法相比较，其在百分比误差上更小，这说明WOA-LSSVM算法在高校大学生的就业偏好预测中拥有更准确的精度，能够更加贴合实际的指导高校大学生就业需要，能够帮助高校大学生在进入社会第一步时得到更有价值的择业建议，也间接的对社会发展起到积极促进作用，改善高校大学生工作不稳定、反复跳槽的就业现象。

四、总结与建议

（一）总结

从群体宏观层面出发，通过整理高校大学生的性别、家庭所在地、父母的受教育水平、个人个性及家庭经济状况等信息，组成高校大学生5个基本信息的维度，采用统计理论的方差分析等方法，分析和研究了高校大学生5个基本信息的维度与就业偏好间的显著关系，其中就业偏好包括就业的城市、工作薪酬、企业规模、单位性质和工作岗位等5个就业偏好维度，在此基础上，通过决策理论中属性赋权法计算出基本信息维度和就业偏好之间的序关系。同时，在面对不同高校大学生择业问题时，给出对应的指导与建议。从个人角度对影响大学生就业的指标数据进行分析和研究，将LSSVM算法与WOA算法相耦合应用于大学生就业偏好回归预测的WOA-LSSVM模型，通过样本调查辽宁省各大学毕业生基本信息统计数据的具体分析和研究，验证WOA-LSSVM算法在BP神经网络、传统LSSVM算法中的优越合理性。

（二）建议

高校大学生的就业偏好主要从想要就业的城市、工资薪酬、企业规模、单位性质、工作岗位等5个方面进行选择。每个高校大学生由于性别、性格、家庭条件等不同，对就业的偏好也存在差异。根据论文的研究结果，对高校大学生的就业偏好建立了一个立体的就业模型，可以根据不同的就业需求群体进行分类，有针对性为不同类型的高校大学生群体提供就业信息，节约资源、高效服务，精准实施就业引导教育，有效提高高校大学生就业教育的针对性、科学性和可操作性，有助于提高高校大学生的高质量就业和创业。