摘要: 利用多层前馈神经网络的反传算法 ( B P 算法) , 在建立陕西人才环境评价指标体系的基础上, 采用M A TL A B 软件建立了人才环境与经济发展关系的神经网络模型, 映射出各年人才环境指标与人均 G D P 指标之间的函数关系, 此B P 神经网络可以成功地根据陕西人才环境指标对经济发展进行预测 。
关键词: 人才环境; 经济发展; 评价指标; 神经网络; 预测
A bst r a c t : B ack p r op aga t i o n a l go r ith m o f a m u l t i p l aye r feed f o r w a rd n eu ra l n e t w o rk , B P a l go 2r ith m , w a s u sed . T h e eva l u a t i o n i n dex e s sy s te m f o r ta l en t en v ir o n m en t i n Sh an x i P r o v i n ce is de2s i gn ed . T h e n eu ra l n e t w o rk m o de l f o r show i n g th e re l a t i o n b e t w een ta l en t en v ir o n m en t an d ec o nom i cdeve l opm en t is c o n s t ru c ted b y M A T L A B. T h e re l a t i o n sh i p b e t w een th e ta l en t en v ir o n m en t i n dex e san d p e r G D P is m app ed . It is seen th a t th is n eu ra l n e t w o rk can b e u sed t o f o reca s t th e s itu a t i o n o f ec o 2nom i c deve l opm en t acc o rd i n g t o ta l en t en v ir o n m en t i n dex e s i n Sh aan x i P r o v i n ce .
Key word s : h u m an re s o u rce en v ir o n m en t; ec o nom i c deve l opm en t; eva l u a t i o n i n dex e s ; n eu ra ln e t w o rk; f o reca s t
　　进入 21 世纪, 人类社会正在经历深刻的变革 。 这场变革的一个显著特点, 就是经济和社会赖以发展的战略资源发生了根本性的转变, 人力资源已经成为一个国家经济和社会发展最重要的战略资源 。由于创造和应用知识 、 信息的能力与效率,成为决定一个国家综合国力的主要因素, 因此,如何以优越的人才环境吸引优秀人才, 是各个国家 、 地区谋求发展时优先考虑的战略问题 。 良好的人才环境有利于人才的引进与成长, 而丰富的人才资源又有利于本地区经济的发展, 人才环境建设既是人才战略的重要组成部分, 同时也是实施人才强省战略的前提和保证 。基于以上分析, 对一个地区人才环境及其与经济发展的关系展开研究具有十分重要的现实意义 。
　　1　人才环境指标体系的构建
　　为了建立一套科学的指标体系, 首先要对人才环境概念进行界定 。 在本研究中, 人才是指具有一定的知识或技能, 能够进行创造性劳动,为推进社会发展做出贡献的人 。 人才环境是指人才赖以生存 、 得以发展的社会环境和人文环境, 包括影响人才成长的各种外部要素, 既包括硬环境, 也包括软环境; 既包括物质环境, 也包括精神环境; 既包括宏观环境, 也包括微观环境 。
　　1 . 1　人才环境评价指标体系的构成框架人才环境的内容非常广泛, 涉及政治 、 经济 、 文化 、 人文 、 科技 、 教育 、 地理等各个方面, 是一个庞大的复杂系统[ 1 ]。 我们从综合反映人才的生理需求 、 心理需求 、 发展需求以及社会价值· 3 3 7 ·　 　第 5 卷第 5 期2008 年 9 月　　　　　　　　　　　管　理　学　报Ch i ne se Jo u rna l o f M anage m en t　　　　　　　　　　V o l . 5 N o . 5Sep. 2008　 　实现需求的角度, 经过细致分析与反复推敲, 并综合考虑指标体系的完备性 、 独立性 、 关联性以及数据的可获性等因素, 归纳提炼了区位环境 、人才市场环境 、 人文环境 、 社会环境 、 生活环境 、经济环境和科技创新环境 7 个子项目, 在子项目下设立 24 个评价指标, 其体系框架见表 1 。表 1　人才环境指标体系一级指标 二级指标 指标作用 变量名旅客周转量 衡量本地区交通便利程度 X 1区位环境 年平均降水量 反映本地区气候状况 X 2城市供水量 反映本地区供水能力 X 3人才市场环境 职业介绍机构数 反映本地区人才求职机会 X 4每万人中大学生数量 反映本地区人口素质 X 5人文环境 从事科技活动人数 反映本地区科研人口素质 X 6图书出版册 反映本地区全民教育水平 X 7社会环境社保覆盖率 反映社会保障体系健全度 X 8每万人刑事发案率 反映社会治安稳定程度 X 9城镇居民人均可支配收入 衡量本地区收入水平 X 10恩格尔系数 反映本地区生活压力 X 11城镇居民人均住房面积 反映本地区居住条件 X 12生活环境 每万人拥有公交车辆数 反映交通便利程度 X 13每万人拥有绿地面积 反映城市环境条件 X 14科教文卫支出额 衡量本地区文化医疗条件 X 15污染治理投资额 衡量对改善环境重视程度 X 16每万人口医生数 反映本地区医疗卫生水平 X 17人均生产总值 反映经济总水平 X 18经济环境进出口总额 衡量本地区产品竞争力 X 19外商直接投资额 反映本地区开放程度 X 20高新区总产值 衡量本地区高新技术水平 X 21研发经费支出占 G D P 比重 反映科研投入相对水平 X 22科技创新环境 科研经费数量 反映科研投入绝对水平 X 23专利申请受理量 衡量科技创新水平 X 24　　通过查找 1982 ～ 2004 年 《陕西统计年鉴》 ,取得了上述 24 个指标的数据 ( 由于指标太多,数据量很大, 需占用较大篇幅, 文中未列出这些原始数据 。如若需要, 可向笔者索取 。 )
　　1 . 2　各个评价指标作用原理分析( 1) 区位环境　区位环境是人才环境建设不可或缺的部分 。 本研究以旅客周转量 、 年平均降水量 、 城市供水量 3 个指标来评价区位环境 。这 3 个指标可以衡量地区交通便利程度, 气候状况以及供水能力 。( 2) 人才市场环境　人才市场环境反映人才资源配置的市场化程度 。 人才市场的发展为人才成长提供了良好的机遇和环境, 促进尊重劳动 、 尊重知识 、 尊重人才 、 尊重创造的社会风尚形成 。 有学者以人才流动指数 、 政府招聘公开指数 、 人才中介从业人员指数等指标来评价人才市场环境 。 鉴于定量化原则, 本研究选取职业介绍机构数指标评价人才市场环境, 反映地区人才求职机会及人才市场中介发展与人才服务水平 。( 3) 人文环境　人文环境是城市发展的精神源泉, 是影响人才集聚的重要因素 。 人才资源的生成 、 开发 、 利用过程都具有鲜明的社会性,每个人主观能动性的发挥都依赖于社会人文环境的质量 。( 4) 社会环境　社会环境是人才发展的重要支撑, 反映一个城市社会现代化水平, 为人才发展和创业提供社会保障, 是稳定人才 、 吸引人才的重要因素 。( 5) 生活环境　生活环境反映城市生活便利程度 。 向往便利 、 舒适的生活是人们的普遍心理, 生活环境好有利于吸引人才 。“ 城镇居民人均可支配收入” 指标反映本地区人们的收入水平, 是城市生活质量其他指标能否实现的基础 。 恩格尔系数度量生活压力 ( 确切地说应是生存压力) 。 “ 城镇居民人均住房面积” 反映本地区城镇居民住房条件, 是体现本地区城镇居民生活质量的重要指标 。 北京中关村地 区 房 价 持 续 升 温, 阻 碍 了 人 才 引 进 工 作,58 . 5% 的人才对住房状况表示不满意[ 2 ]。 一项· 4 3 7 ·管理学报第 5 卷第 5 期 2008 年 9 月研究表明, 选择留在美国的中国留学生中, 因生活水平和住房因素的占 11%。这从一个侧面反映了住房环境对稳定和吸引人才的重要性 。 每万人拥有公交车辆数反映交通便利程度 。 恩格尔系数 、 城镇居民人均住房面积 、 每万人拥有公交车辆数分别从与居民生活密切相关的食 、 住 、行3 个方面考察居民生活的质量 。 “ 每万人拥有的绿地面积” 反映了城市的环境条件, “ 科教文卫支出额” 衡量本地区文化医疗条件, “ 污染治理投资额” 衡量政府对改善环境的重视程度,“ 每万人口医生数” 反映地区医疗卫生水平和居民卫生资源占有情况, 是反映居民生活质量和健康水平的指标 。( 6) 经济环境　经济环境是反映人才环境的核心要素, 是衡量一个城市的根本性标志, 也是决定社会人才总体成长的最根本的因素 。( 7) 科技创新环境　由于人才资源是人力资源中的精华部分, 人才在一个地方工作, 除了要考虑该地方的经济发展水平与收入水平, 更重要的是要看在这个地方能否有较大的发展机会 。 一个地区的科技创新环境越好, 人才得以发展的机会就越多, 从而就会吸引人才留在本地工作, 这对提升本地区人力资源水平有重要影响 。
　　2　经济发展的界定及指标选取理论上讲, 经济发展与经济增长不是同一内容, 而是2 个相关但含义不同的概念 。 在实际工作中, 很难将经济发展与经济增长 2 个概念进行明确和严格的区分 。 经济发展是指随着产出的增长而出现的经济结构以及一般社会经济条件的变化过程, 是经济运行的综合目标体现[ 3 ]; 而经济增长则是经济运行中比较单一的经济目标, 是指生产能力和实际国民生产总值的增加, 一般用实际国民经济生产总值增长率或人均实际国民经济生产总值来表示, 考虑到数 据的可获性, 本研究选取G D P 作为衡量陕西经济发展的指标 。目前, 有不少学者提出衡量经济发展的一些新指标, 如经济净福利 、 绿色G D P、 积蓄财富 、幸福指数和可持续发展综合指数等[ 4 ], 但这些新指标到目前为止有关的测度方法并未得到很好的解决, 在实际操作上有很大困难, 还有待于进一步研究和实践, 目前还难以转化为规范的操作 。
　　3 　人才环境与经济发展关系的神经网络模型　　人工神经网络是为模仿人脑的工作方式而设计的一种算法, 是一种具有分布式存储 、 平行处理和自适应学习的信息处理系统[ 5 ]。按照网络结构的不同, 人工神经网络可分为2 种: 前馈型网络和反馈型网络 。其中前馈型网络主要是函数映射, 用于模式识别和函数逼近 。已经证明多层前馈网络可以逼近任何一个连续函数, 也就是说采用多层前馈网络来建立数学模型可以拟合人才环境与经济发展之间的任何一种函数关系, 真实反映出它们的内在特征 。多层前馈网络的结构见图1 。 对于每个神经图 1　多层前馈网络元, 其输入与输出的关系为:I ik = ∑j = 1Xi, j O j , k- 1 - H i, k ,O i, k = f ( I i, k ) ,式中, I i, k 为第 k 层神经元 i 的输入; Xi, j 为第 k -1 层神经元 j 与第 k 层神经元 i 的连接权值;O j , k- 1 为第 k - 1 层神经元 j 的输出; H i, k 为第 k 层神经元 i 的阈值; O i, k 为第 k 层神经元 i 的输出;f ( õ ) 为 传 递 函 数, 一 般 采 用 线 性 函 数 或S i g m o i d 函数 。当前馈神经网络的结构确定以后, 便需进行神经网络的学习, 在前馈神经网络的学习算法中, 最基本也是最重要的学习算法为误差反向传播算法 ( e r r o r back p r op aga t i o n 2 B P )[ 6 ], 即B P 算法, 它的提出标志着人工神经网络理论研究的突破 。
　　3 . 1　神经网络结构的确定从前述的 24 个人才环境指标中选取 13 个指标作为神经网络的输入神经元数; 输出神经元数为 1, 代表经济发展指标中的人均G D P , 该指标直接决定一个地区的生活水平和生活质量 。 神经网络的隐层数取1 层, 为了使隐含节点· 5 3 7 ·人才环境及基于神经网络的陕西经济发展预测模型研究— —李朋林的数目更加合适, 可以选取不同的隐含层神经元数目分别进行测试运算, 然后分别记录下每种情形下网络的实际输出与期望输出的均方误差大小及训练步数, 综合考虑误差较小而且训练步数较少, 从而确定更为合适的隐含层神经元个数 。 经测算, 本模型的隐层神经元数目选为7 个较为合适 。 隐含层神经元的传递函数采用S i g m o i d 函数, 输出层神经元的传递函数采用线性函数 。这样, 就构成了一个132 72 1 的B P 神经网络模型 。
　　3 . 2　神经网络的学习以 13 项人才环境指标与人均G D P 对应的11 组历史数据作为神经网络的训练样本 。为了消除不同因素之间由于量纲和数值大小的差异而造成的误差, 以及由于输入数值过大造成学习溢出, 首先需要采取p re s t d 函数将数据进行规范化处理 ( 变换成均值为 0, 方差为 1 的一组数据) 。部分训练样本的数据见表 2 。表 2　神经网络的训练样本年份输入样本旅客周转量城市供水量职业介绍机构数每万人中大学生数量…每万人拥有公交车辆数专利申请受理量输出样本人均GD P1994 - 1 . 075 0 - 1 . 052 1 - 1 . 659 6 - 0 . 837 0 … - 1 . 492 9 - 0 . 339 0 - 1 . 331 41995 - 1 . 049 1 - 0 . 155 1 - 0 . 782 7 - 0 . 825 2 … - 1 . 156 1 - 0 . 798 3 - 1 . 024 31996 - 0 . 919 1 0 . 553 1 - 0 . 228 3 - 0 . 785 3 … - 0 . 861 3 - 0 . 685 5 - 0 . 734 51997 - 0 . 619 3 - 1 . 139 8 0 . 249 6 - 0 . 757 4 … - 0 . 254 9 - 0 . 651 2 - 0 . 537 51998 - 0 . 657 8 1 . 089 8 - 0 . 257 0 - 0 . 701 4 … 0 . 713 5 - 0 . 795 1 - 0 . 414 41999 - 0 . 277 2 1 . 778 2 - 0 . 211 6 - 0 . 512 1 … 0 . 612 5 - 0 . 857 2 - 0 . 250 12000 - 0 . 260 8 - 1 . 009 6 - 0 . 780 3 - 0 . 147 0 … 1 . 202 0 - 0 . 211 5 0 . 025 62001 0 . 632 0 - 0 . 978 2 - 0 . 025 2 0 . 317 6 … - 0 . 962 4 0 . 190 7 0 . 318 02002 0 . 929 4 - 0 . 320 0 0 . 354 7 0 . 893 0 … 0 . 073 5 0 . 519 2 0 . 734 62003 0 . 745 9 0 . 423 4 1 . 453 9 1 . 425 3 … 0 . 831 4 1 . 980 7 1 . 214 12004 2 . 029 4 0 . 810 3 1 . 886 4 1 . 929 4 … 1 . 294 6 1 . 647 2 2 . 000 0　　采用B P 学习算法对训练样本进行学习, 从而获得最优的神经网络权值 。 运用M a t l ab 6 . 5软件中的神经网络开发工具, 方便和简单地实现了B P 神经网络的学习 。B P 算法的学习过程曲线见图 2 。学习之后的神经网络模型, 即神经网络的连接权值见表3, 它映射出陕西省人才环境指标与反映经济发展的人均 G D P 指标之间的函数关系 。图 2　 B P 算法的学习过程曲线表 3　神经网络的连接权值隐含层神经元输入层神经元1 2 3 4 … 12 13输出层神经元11 0 . 329 4 - 0 . 005 0 - 0 . 071 8 0 . 509 4 … 0 . 363 3 0 . 330 7 0 . 993 62 - 0 . 281 5 - 0 . 222 4 - 0 . 185 2 0 . 452 6 … - 0 . 215 0 - 0 . 664 3 - 0 . 155 13 0 . 118 6 - 0 . 201 0 - 0 . 381 5 0 . 385 8 … - 0 . 119 9 - 0 . 466 2 - 0 . 954 24 - 0 . 567 1 0 . 242 3 0 . 038 1 0 . 285 5 … - 0 . 180 2 - 0 . 389 0 - 0 . 731 85 0 . 221 6 0 . 038 8 - 0 . 097 4 - 0 . 355 9 … - 0 . 064 8 - 0 . 434 5 0 . 486 36 - 0 . 238 4 - 0 . 184 7 - 0 . 201 4 - 0 . 231 9 … - 0 . 243 5 0 . 366 2 - 0 . 541 07 0 . 390 3 0 . 099 3 - 0 . 258 2 - 0 . 091 3 … 0 . 132 3 0 . 449 6 - 0 . 660 6 l o ba l T e l ec omm un i ca t i o n s I n2du s t ry [ J ] . T e l ec omm un i ca t i o n s Po li cy, 2002, 26( 5
　　3 . 3　网络仿真结果按照构建的网络结构和选择的网络参数训练网络, 设样本误差为 0 . 000 1, 经过仿真得到11 个仿真结果 ( 见表 4) 。表 4　实际值与训练输出值对比年份 实际值神经网络模型训练输出值 误差占比ö %1994 2 344 2 343 . 8 - 0 . 21995 2 843 2 842 . 7 - 0 . 31996 3 314 3 313 . 7 - 0 . 31997 3 634 3 633 . 7 - 0 . 31998 3 834 3 833 . 9 - 0 . 11999 4 101 4 100 . 9 - 0 . 12000 4 549 4 548 . 9 - 0 . 12001 5 024 5 024 . 1 0 . 12002 5 701 5 701 . 0 0 . 02003 6 479 6 479 . 3 - 0 . 72004 7 757 7 757 . 1 0 . 1　　利用此神经网络模型, 对陕西省 2005 、 2006年度的人均G D P 进行预测, 结果见表 5 。表 5　人均 G D P 预测结果对比年份 实际值神经网络模型预测值 误差占比ö %2005 9 839 9 838 . 8 - 0 . 22006 9 918 9 918 . 3 0 . 3　　由此预测结果可以看出, 该神经网络模型得出的训练数据输出值与样本实际值之间的相对误差很小, 表明预测精度很高 。 可见该网络的自学习能力非常强, 网络性能好, 能够较好地拟合预测复杂情况下的非线性预测问题, 此种预测方法是有效的 。我们能够根据陕西人才环境指 标准确地预测人均G D P 情况, 映射出人才环境指标与人均G D P 指标之间的函数关系 。
　　4　结语
　　本文将人工神经网络应用于陕西省的经济发展预测研究, 建立了人才环境与经济发展关系的神经网络模型, 映射出各年人才环境指标与人均 G D P 指标之间的函数关系, 此B P 神经网络可以成功地根据陕西人才环境指标对经济发展进行预测, 是经济发展预测研究的一种新颖的 、 有效的方法 。
　　参 考 文 献[ 1 ] 朱达明 . 人才环境初探[ J ] . 中国人力资源管理, 2001,3 ( 7) : 4 ～ 8 .[ 2 ] 朱达明 . 人才生态环境建设策略[ J ] . 中国人才, 2004,8 ( 6) : 24 ～ 27 .[ 3 ] 叶傅生 . 人才战争 [ M ] . 北京: 中国文联出版社,2001: 53 ～ 55 .[ 4 ] 曾五一, 卢二坡 . 关于经济发展指标的选择[ J ] . 生产力研究, 2004, 7 ( 3) : 22 ～ 23 .[ 5 ] HA YK I N S . N eu ra l N e t w o rk , A Com p reh en s i veFo unda t i o n [ M ] . S tu t tga r t: M ac m ill an Co ll ege P ub2lish Com p any, 1994 .[ 6 ] 刘思峰 . 灰色系统理论及其应用[ M ] . 北京: 科学出版社, 1999: 40 ～ 60 .