打开文本图片集

摘要：本文提出了一种将灰色理论和粒子群算法相结合的数字人才需求预测模型，该系统利用灰色预测模型预测了数字人才需求的基本变化趋势，然后利用粒子群算法对灰色模型的预测结果进行修正，提高数字人才需求的预测精度。应用结果表明，该组合预测模型提高了数字人才需求的预测精度，可以更好地描述数字人才需求的变化规律。本文的研究为数字人才需求预测提供了一种新的方法。

关键词：灰色理论；粒子群算法；数字人才需求；预测模型；

0.引言

人才需求预测工作的研究是为了充分挖掘组织人才的创造力和潜在价值，随着科技的发展，为保证人才工作的质量和效率，有必要全面利用数字技术提高人才工作者的战略思维、商业能力、信息素养和数据技能[1]。信息素养和数据技能是数字人才的基本能力条件，数字人才的培养和储备是组织数字化转型至关重要的要素。关于数字人才的研究，我国目前主要集中在数字人才的档案管理平台及系统建设上，而数字人才的技能标准、选拔、培育及储备尚处于讨论层面，同时，我国数字人才研究还面临着一些具体问题，如战略规划、标准规范和集成解决方案的缺乏。解决这些问题都是需要做好数字人才需求预测，预测精准度越高，数字人才战略、制度、文化等资源的建设投入就越有效，数字人才基础建设就越扎实。因此，针对数字人才需求预测理论和实践成果的缺乏，本文提出基于灰色理论和粒子群算法建立数字人才需求预测模型。

1.二元粒子群的优化

1.1基本粒子算法的介绍

粒子群优化（PSO）算法是由J.肯尼迪和R.C.埃伯哈特在1995年提出的一种优化全局优化进化算法。其基本思想来自对鸟群简化社会模型的研究和行为模拟。通过跟踪粒子本身的最优解和全局最优解，不断更新粒子的位置。粒子i在第j（j=1，2，3，...，n）维子空间中的飞行速度和位置基于公式（1）（2）更新：

在式中，为惯性权重；为迭代次数，分别为个体学习因子和社会学习因子，均为具有整数值的常数。 ，是在[0，1]范围内均匀分布的随机数；是粒子本身的最优解；是整个粒子群找到的最优解；是粒子的当前位置。粒子位置更新执行如下：

1.2二元粒子群的优化

二进制粒子群算法（BPSO）提出的肯尼迪博士和埃伯哈特博士0-1整数规划问题，每个维度组件的位置仅限于只有两种情况下的0和1，和开关的状态只有两种情况：0或1，理解每个维度的速度概率[2]。即，该位置的每个维度分量取值为0或1的概率。和的值为0或1。粒子的更新速度公式为：

2.数字人才需求的预测方法

通过对企业数字人才的目标指数提出需求组合预测模型，其中，数字人才需求模型应匹配企业战略、自身发展等资源[3]，建立神经网络模型，并利用该模型注意力机制不断学习企业数字人才管理的要素，形成一套有效的数字人才需求预测模型，如图1所示。

3.组合模型在数字人才需求预测中的应用

3.1数据源

为了验证本研究提出的组合数字人才需求预测模型的性能，我们利用2000—2021年某地区的数字人才人员需求数据对实验数据进行了模拟，如图2所示。将数据分为两部分。以2000-2016为训练样本，建立数字人才需求预测模型，以2017—2021为测试样本，检验预测模型的有效性。

3.2预测模型评价指标

预测模型的性能通常通过误差来评价。使用单一的误差指标来评价模型的性能是不科学、不可靠、没有说服力的[4]。为了使组合模型的预测结果更有说服力，采用均方根误差（RMSE）和平均绝对值。相对误差（MAPE）评价模型的性能，其定义如下：

在式中，表示数字人才需求的观测值，并表示模型的预测值。

3.3模型的实现

3.3.1灰色模型的预测结果

将数字人才需求数据输入DPS软件，采用灰色模型进行建模和预测[5]。所获得的2017—2021年数字人才需求预测结果如图3所示。

从图3中的预测结果可以看出，灰色模型可以描述数字人才需求数据的总体变化趋势，但预测精度相对较低，不能全面、准确地描述数字人才需求数据的变化特征。

3.3.2粒子群的预测结果

由于只考虑一维数字人才需求数据，将数据输入粒子群进行学习之前，首先确定粒子群的输入维数[6]。采用逐步确定顺序的方法，最优变量数为3个，即利用前三年的数字人才需求数据来预测当年的数字人才需求数据。所获得的2017—2021年数字人才需求预测结果如图4所示。从图4可以看出，粒子群的预测结果与对数字人才的实际需求存在一定的差距。

3.3.3通过组合模型预测数字人才需求的价值

利用粒子群建立残差预测模型，对灰色模型预测结果的残差值进行修正，最终对2007—2021年数字人才需求的最终预测结果如图5所示。从图5可见，综合数字人才需求预测结果与实际数字人才需求值非常接近，说明本研究提出的数字人才需求预测模型是一种有效的数字人才需求预测方法。

3.3.4结果分析

三种模型的预测结果的误差如表1所示。从表1中可看出，组合模型的预测性能优于单个灰色模型和粒子群模型。对比结果表明，该组合模型可以首先利用灰色模型预测数字人才需求变化过程中的基本函数关系，并能够有效地拟合数字人才需求的基本变化规律；然后利用具有较强非线性预测能力的粒子群进一步描述灰色模型[7]。通过对残差时间序列的复杂非线性变化关系与数字人才需求的变化规律，可以实现对灰色模型残差的有效预测。最后，利用残差对灰度模型的数字人才需求的预测结果进行叠加和校正，有效地提高了非线性和复杂数字人才需求的预测精度。

4.结论

企业对数字人才的需求受到多种因素的影响，传统模型难以全面、准确地描述其复杂的变化规律。因此，本文提出了一种数字人才需求预测方法的灰度和粒子群组合模型。结果表明，该组合模型提高了数字人才需求的预测精度。这是一个可靠的、高精度的数字人才需求预测工具，数字化人才需求变化受到多种因素影响，包括行业趋势、技术进步、政策法规等，不能完全代替实际的市场调研和专家判断。因此，在使用预测模型时，企业需综合考虑各种因素，以制定更加符合企业数字人才需求的个性化数字人才需求模型。

参考文献：

[1]曲群镇、王家集、唐梦雪等。基于组合模型的“十四五”期中国科技人才需求预测。《科技管理研究》，第41卷，第3页。78—81年，2021年21日。

[2]何芳、高志军。基于马尔可夫转移概率的住宅居民居住需求预测。上海管理研究所杂志，第4卷，第4页。2020年1月14—21日。

[3]曾西环、廖彦珠。以深圳为例，分析海外高层人才的政策工具选择与功能实施。《天津管理研究所学报》，第22卷，第2页。2020年1月107—114日。

[4]张宇、陆琦、曾金燕等。老年医疗保健与管理领域的人才需求与培训现状调查。《护理研究》，第34卷，第3页。2020年3月49—54日。

[5]王子宏、苏民岩、郑慧玲等。基于钻石模型的中医药文化产业发展现状及改进路径研究。《中医先驱报》，第26卷，第2页。49-51，15，2020年。

[6]陈明红、张倩、韩静。招聘需要对信息管理和信息系统专业人员的分析和培训启示。《图书馆科学研究》，第11卷，第1页。2021年2月，124—127日。

[7]朱婷婷、徐廷克、赵千如等。病历信息管理人才生产与教育一体化的高等教育模式的探索。《中国医院管理杂志》，第37卷，第3页。2021年7月44—51日。

（作者单位：广州软件学院，（SEIG））