基于RBF神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測模型研究

徐靜++王勃

摘 要：自人類進(jìn)入21世紀(jì)，世界經(jīng)濟(jì)快速發(fā)展，人力資源需求預(yù)測在企業(yè)人力資源管理中顯得日益重要，建立卓有成效的人力資源需求預(yù)測模型，能夠?yàn)槠髽I(yè)在快速發(fā)展中的用人需求提供有力的保障。因此，以人力資源需求預(yù)測的內(nèi)涵為主要研究內(nèi)容，以RBF神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，建立起人力資源需求預(yù)測模型，并對(duì)大量的無序數(shù)據(jù)進(jìn)行訓(xùn)練、學(xué)習(xí)和測試，最終得到企業(yè)用人需求的規(guī)則，為企業(yè)提出正確的策略提供了較為翔實(shí)的依據(jù)，具有較大的實(shí)用價(jià)值。

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；人力資源管理；需求；預(yù)測模型

中圖分類號(hào)：TP183；F272.92 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-291X（2017）02-0014-03

引言

隨著世界經(jīng)濟(jì)的快速發(fā)展，企業(yè)人力資源已經(jīng)成為一個(gè)企業(yè)良性發(fā)展的重要核心內(nèi)容，并具有極其重要的戰(zhàn)略意義，因此也被越來越多的企業(yè)所重視。企業(yè)人力資源管理中的科學(xué)需求預(yù)測是其發(fā)展過程中的重要規(guī)劃之一，它能夠?yàn)槠髽I(yè)人力資源管理中的各種用人需求提供強(qiáng)有力的支持保障，并以此為基礎(chǔ)，構(gòu)建企業(yè)可持續(xù)發(fā)展的動(dòng)力，以保證企業(yè)在市場經(jīng)濟(jì)競爭中快速高效發(fā)展[1]。以企業(yè)當(dāng)前人力資源需求預(yù)測的內(nèi)涵為主要研究內(nèi)容，以RBF神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，建立起人力資源需求預(yù)測模型，以較為準(zhǔn)確地預(yù)測企業(yè)各種人力資源的不同要求，最終得到企業(yè)用人需求的整體規(guī)則，為企業(yè)提出正確策略提供較為翔實(shí)的依據(jù)，具有較為重要的參考與指導(dǎo)的現(xiàn)實(shí)意義。

一、基于RBF神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測模型的理論基礎(chǔ)

（一）人力資源需求預(yù)測的含義

人力資源需求是伴隨著人力資源管理的概念而產(chǎn)生的，其核心體系包括人力資源數(shù)量、人力資源構(gòu)成、人力資源質(zhì)量等三個(gè)重要方面。它是企業(yè)在生產(chǎn)運(yùn)行階段，以企業(yè)發(fā)展目標(biāo)為依據(jù)，通過企業(yè)保留過去和目前使用的人力資源相關(guān)數(shù)據(jù)，進(jìn)行準(zhǔn)確的評(píng)估。對(duì)于相關(guān)企業(yè)而言，不僅要清楚將來階段使用人力資源的預(yù)測，還要了解目前階段本企業(yè)人力資源的使用情況、崗位配置、招聘等相關(guān)需求信息。

其需求預(yù)測可以分成現(xiàn)階段人力資源需求預(yù)測、將來人力資源需求預(yù)測、消失人力資源需求預(yù)測等三大部分[2]。根據(jù)需求預(yù)測的相關(guān)分析結(jié)果，企業(yè)可以確定各級(jí)崗位類型及相關(guān)的人員配置數(shù)量。這對(duì)于企業(yè)有著重要的意義，它能夠保證企業(yè)在發(fā)展過程中及時(shí)采取有效措施調(diào)整人員使用中的問題，從而調(diào)動(dòng)企業(yè)各類員工工作的積極性與熱情[3]。

（二）RBF神經(jīng)網(wǎng)絡(luò)的基本原理

RBF（Radical Basis Function）神經(jīng)網(wǎng)絡(luò)也稱為徑向基神經(jīng)網(wǎng)絡(luò)，是一種有效的特殊前饋型神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)具有最強(qiáng)的逼近性能、結(jié)構(gòu)簡單性能以及訓(xùn)練、學(xué)習(xí)速度較快的性能，因此能夠逼近較為復(fù)雜的隨機(jī)非線性函數(shù)，及時(shí)分析、處理大量的無規(guī)則的數(shù)據(jù)信息，得到較為理想的學(xué)習(xí)結(jié)果[4]。

RBF神經(jīng)網(wǎng)絡(luò)是一種特殊的三層前饋網(wǎng)絡(luò)，首層為輸入層，是由大量的神經(jīng)元組合而成，其輸入訓(xùn)練樣本可用公式（1）表示。

其中，P是q組輸入訓(xùn)練樣本。

第二層為隱形層，它是一種非線性的的轉(zhuǎn)化函數(shù)，可用公式（2）表示[5]。

其中，P是訓(xùn)練樣本；ni是第i個(gè)樣本的中心，同P有相同的輸入組數(shù)；σi是第i個(gè)感應(yīng)樣本變量，由它可得出樣本同中心位置的距離。f是隱形的神經(jīng)元個(gè)數(shù)。||p-ni||是其距離的取值范圍，也就是p與n之間的長度距離[6]。Mi（p）是第i個(gè)神經(jīng)元長度距離最大值。

第三層為輸出層，其輸出結(jié)果是經(jīng)過隱形層非線性轉(zhuǎn)換后的線性變化的結(jié)果，可用公式（3）表示。

f是隱形的神經(jīng)元個(gè)數(shù)，q為輸入層訓(xùn)練組數(shù)，Gi為隱形層第i個(gè)樣本神經(jīng)元權(quán)重值，Mi（p）是第i個(gè)樣本神經(jīng)元距離長度的最大值。Le為給定輸入樣本數(shù)據(jù)后，相對(duì)應(yīng)的輸出結(jié)果值[7]。其RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)較為簡潔，相對(duì)性、編輯性較強(qiáng)，因此，在訓(xùn)練的過程中，將會(huì)編輯最少的神經(jīng)元權(quán)重，并對(duì)神經(jīng)網(wǎng)絡(luò)中數(shù)據(jù)列進(jìn)行累計(jì)加的方法逐步生成，形成累加列，同時(shí)，會(huì)用階梯漸進(jìn)的方式，逐步接近中心位置，使用離散響應(yīng)函數(shù)映射到相關(guān)的預(yù)測模型中，并以此為基礎(chǔ)進(jìn)行較快速的訓(xùn)練、學(xué)習(xí)，使這個(gè)過程速度最高，使用時(shí)間達(dá)到最短[8]。所以，選擇RBF神經(jīng)網(wǎng)絡(luò)作為人力資源需求預(yù)測模型研究的基礎(chǔ)。

二、基于RBF神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測模型的構(gòu)建

（一）建立符合企業(yè)實(shí)際的預(yù)測目標(biāo)

企業(yè)要建立人力資源需求預(yù)測模型，首先應(yīng)當(dāng)根據(jù)企業(yè)的中長期發(fā)展戰(zhàn)略目標(biāo)及實(shí)現(xiàn)此目標(biāo)的相關(guān)方式，確定本企業(yè)目前人力資源的現(xiàn)狀，并制訂相關(guān)崗位職能計(jì)劃，以便建立起符合企業(yè)實(shí)際的預(yù)測目標(biāo)。在確定目標(biāo)時(shí)，要求對(duì)企業(yè)近五年的經(jīng)濟(jì)活動(dòng)數(shù)據(jù)進(jìn)行收集、分析、統(tǒng)計(jì)等工作。這些經(jīng)濟(jì)數(shù)據(jù)應(yīng)當(dāng)包括各階段的經(jīng)濟(jì)目標(biāo)、實(shí)現(xiàn)時(shí)間等相關(guān)數(shù)據(jù)，以此為基本依據(jù)來確定各方面的預(yù)測對(duì)象及建立符合企業(yè)實(shí)際的預(yù)測目標(biāo)[9]。

（二）基于RBF神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測模型的構(gòu)建

基于RBF神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測模型的構(gòu)建步驟如下：

第一步：建立合適的編碼規(guī)則，建立初始化權(quán)重值

使用RBF神經(jīng)網(wǎng)絡(luò)建立起的相關(guān)模型，首先需要對(duì)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練權(quán)重值進(jìn)行二進(jìn)制編碼組合，使之能夠達(dá)到模型處理運(yùn)行數(shù)據(jù)的速度達(dá)到最快[10]。以二進(jìn)制編碼為依據(jù)建立的訓(xùn)練樣本權(quán)重值，用公式（4）表示。

其中，a為訓(xùn)練樣本權(quán)重組數(shù)，b為隱形層神經(jīng)元個(gè)數(shù)。

第二步：設(shè)置相關(guān)輸入?yún)?shù)

訓(xùn)練樣本經(jīng)過初始化權(quán)重后，設(shè)置相關(guān)輸入數(shù)據(jù)參數(shù)，用公式（5）表示。

其中，G為輸入最終參數(shù)值，m為輸入信息點(diǎn)數(shù)，Qn為權(quán)重值，Xn為實(shí)際輸入值。當(dāng)0

第三步：數(shù)據(jù)在隱形層的轉(zhuǎn)換

當(dāng)前使用公式（2）非線性的轉(zhuǎn)換函數(shù)，首先定義使用存放輸入數(shù)據(jù)的類Rp，p為訓(xùn)練樣本值，對(duì)第一個(gè)數(shù)據(jù)a1，令其到該樣本中心n1的距離長度為|a21-n1|。如果|a21-n1|≤Mi，則a1為到中心ni的最短距離，Mi是公式（2）中的神經(jīng)元長度距離值。如果|a21-n1|>Mi，則RBF在其神經(jīng)系統(tǒng)中為a1新建一個(gè)樣本中心，同時(shí)配置一個(gè)新的隱形數(shù)據(jù)[12]。

第四步：輸出層的最終輸出

依據(jù)上述過程，根據(jù)公式（6），建立輸出值。

為輸出值，n為樣本中心的距離長度，Qin為權(quán)重值，ai為數(shù)據(jù)樣本值[13]。

通過RBF神經(jīng)網(wǎng)絡(luò)建立的企業(yè)人力資源需求預(yù)測模型將相關(guān)預(yù)測過程有機(jī)連接，從而最大限度的消除了誤差問題，提高了預(yù)測精度，并由于結(jié)構(gòu)簡潔，提高了連接效率，使模型的運(yùn)算速度更快[14]。

（三）算法介紹

人力資源需求預(yù)測模型和RBF神經(jīng)網(wǎng)絡(luò)之間關(guān)聯(lián)的相關(guān)數(shù)據(jù)可以通過數(shù)值型函數(shù)轉(zhuǎn)化為估算器，利用RBF神經(jīng)網(wǎng)絡(luò)中的newrb的相關(guān)算法計(jì)算，通過newrb算法可以快速建立起一組徑向基神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)可以較快接近相關(guān)調(diào)用函數(shù)，它在該預(yù)測模型里可以使用最快的四參網(wǎng)絡(luò)系統(tǒng)，在模型中隱形層添加多個(gè)神經(jīng)元，可以使建立模型的誤差達(dá)到最低。算法表示可以用公式（7）表示[15]。

其中，以P為起點(diǎn)神經(jīng)元，終點(diǎn)為Q的神經(jīng)元輸入向量值組，組成P×Q的維矩陣。

以T為起點(diǎn)神經(jīng)元，終點(diǎn)為Q的神經(jīng)元預(yù)測輸出向量值組，組成T×Q的維矩陣。

GOAL為平均要求誤差，認(rèn)定默認(rèn)值為0。

SPREAD為徑向基的擴(kuò)展度參數(shù)，認(rèn)定默認(rèn)值為1。SPREAD的值越大，表示預(yù)測模型的擴(kuò)展速度等相關(guān)參數(shù)越平整。但是需要注意的是，如果SPREAD取值過于大，會(huì)導(dǎo)致在速度變化過程中RBF神經(jīng)網(wǎng)絡(luò)形成較多神經(jīng)元，造成過度誤差，出現(xiàn)不必要的損失，如果SPREAD取值過于小，就需要在RBF神經(jīng)網(wǎng)絡(luò)中增加大量的神經(jīng)元來適應(yīng)newrb算法的緩慢變換，最終造成網(wǎng)絡(luò)堵塞，影響模型計(jì)算的速度。

MN表示newrb算法中能夠形成最大的神經(jīng)元數(shù)目。

DF表示輸入與輸出后，newrb中添加的所有神經(jīng)元個(gè)數(shù)，認(rèn)定默認(rèn)值為25。

NET表示newrb算法最終向該徑向網(wǎng)絡(luò)返回的值[16]。

三、基于RBF神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測模型訓(xùn)練及結(jié)果

通過上述步驟建立好模型后，為了建立精準(zhǔn)型的模型，將RBF神經(jīng)網(wǎng)絡(luò)相關(guān)訓(xùn)練樣本的初始值輸入，其相關(guān)訓(xùn)練參數(shù)設(shè)置如表1 所示。

由圖2可知，該RBF神經(jīng)網(wǎng)絡(luò)具有較好的向權(quán)重值靠近的特點(diǎn)，準(zhǔn)確使用企業(yè)的建立時(shí)間、年產(chǎn)值、利潤等相關(guān)屬性，使該模型具有較為平穩(wěn)發(fā)展的特性，這些屬性與企業(yè)各種人力資源需求之間的關(guān)系是具有較為理想的整合度，解決了輸入神經(jīng)元與輸出神經(jīng)元之間的非線性、不符合相關(guān)統(tǒng)計(jì)數(shù)據(jù)規(guī)律的問題。

從圖2數(shù)據(jù)可以看出，該模型預(yù)測初始序列較多，而初始序列列數(shù)越多，證明其獲取的原始數(shù)據(jù)年度越長，部門、崗位越多，預(yù)策出來的誤差數(shù)據(jù)也就越小，因此也就具有較為理想的自學(xué)、容錯(cuò)的能力，形成了較為理想的整合實(shí)際數(shù)據(jù)，提高了人力資源需求預(yù)測的準(zhǔn)確度與精確度。該種預(yù)測模型對(duì)于中、大型企業(yè)具有較為理想的作用，并表現(xiàn)出相關(guān)技術(shù)對(duì)于企業(yè)人力資源需求較為重要的影響，因此，在采集相關(guān)企業(yè)數(shù)據(jù)樣本的時(shí)候，要多考慮每個(gè)企業(yè)的特點(diǎn)、數(shù)據(jù)獲取的渠道等，這樣，就可以使該模型達(dá)到較為準(zhǔn)確的預(yù)測。

基于RBF神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測模型的實(shí)際應(yīng)用，對(duì)企業(yè)人力資源需求預(yù)測是一種頗有成效且方便快捷的方法，該模型較精確地預(yù)測了人力資源的需求，為企業(yè)的發(fā)展提供了必要的依據(jù)[17]。

四、結(jié)論

本文的研究和相關(guān)實(shí)踐證明，企業(yè)人力資源需求預(yù)測是每一個(gè)企業(yè)制訂人力資源計(jì)劃時(shí)需要重點(diǎn)研究的一個(gè)內(nèi)容，而基于RBF神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測模型對(duì)于企業(yè)在實(shí)際運(yùn)行過程中完全是可行的，企業(yè)要在日益激烈市場競爭中取得優(yōu)勢，正確的人力資源需求規(guī)劃是重要條件，是滿足企業(yè)長久發(fā)展的需要。而由于社會(huì)環(huán)境等與企業(yè)發(fā)展相關(guān)的條件在發(fā)生著較快的變換，就需要使用RBF神經(jīng)網(wǎng)絡(luò)提供的企業(yè)人力資源需求預(yù)測模型對(duì)企業(yè)未來的人力資源需求提供更加準(zhǔn)確、精準(zhǔn)的動(dòng)態(tài)數(shù)據(jù)，為企業(yè)的核心發(fā)展力提供強(qiáng)有力的決策保障和數(shù)據(jù)參考依據(jù)。

參考文獻(xiàn)：

[1] ANNADUBIEL，HOLGER ERNST.InduStr-Ial Centers in Emerging Markets：Moti-vations，Barriers，and Success Facto-rs[M].The

Off shoring Challenge，2013：191-209.

[2] HOU，MAOZHANG，CHEN，WENJUN，YANG，ZHIQING.Current Situation and Count-Ermeasures of Strategic Emerging Indus-tries

in China[J].WIT Transactions on Information and Communication Tech-nologies，2014，（52）：461-466.

[3] Kun Wang，Xingli Fan，Xiaowen Fu，Yiran Zhou.Benchmarking the performance of Chinese airlines：An investigation of productivity，

yield and cost competitiveness[J].Journal of Air Transport Management，2014：3-14.

[4] Nawaf Hamadneh，Saratha Sathasivam.Learning Logic Programming in Radial Basis Function Network via Genetic Algorithm[J].

Journal of Applied Sciences，2012，9（12）：110-121.

[5] I-Cheng Yeh，Chung-Chih Chen，Xin-ying Zhang，Chong Wu，Kuan-Chieh Huang，Adaptive radial basis function net-Works

with kernel shape parameter-s[J].Neural Comput & Applic，2012，（21）：469-480.

[6] 任佩瑜，王苗，任競斐.從自然系統(tǒng)到管理系統(tǒng)——熵理論發(fā)展的階段和管理熵規(guī)律[J].管理世界，2013，12（3）：182-183.

[7] 李海峰，李純果.深度學(xué)習(xí)結(jié)構(gòu)和算法計(jì)較分析[J].河北大學(xué)學(xué)報(bào)，2012，32（5）：230-237.

[8] 卞永峰，李恩平.基于組合預(yù)測模型的山西省轉(zhuǎn)型期緊缺科技人才需求預(yù)測研究[J].科技管理研究，2013，10（21）：41-45.

[9] 徐國浪，魏延.基于多核函數(shù)的模糊支持向量機(jī)學(xué)習(xí)算法[J].重慶師范大學(xué)學(xué)報(bào)，2012，11（6）：50-53.

[10] 張超，李擎，陳鵬，等.一種基于粒子群參數(shù)優(yōu)化的改進(jìn)蟻群算法及其應(yīng)用[J].北京科技大學(xué)學(xué)報(bào)，2013，35（7）：873-878.

[11] 丁碩，常曉恒，巫慶輝.RBF與BP網(wǎng)絡(luò)在模式分類領(lǐng)域內(nèi)的對(duì)比研究[J].電子測試，2014：41-43.

[12] 張立.基于灰色預(yù)測模型GM（1，1）的人力資源需求預(yù)測研究[J].人力資源管理，2011，9（4）：234-235.

[13] 蔣榮華，曹琦.基于灰色 BP 神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測[J].中國人力資源開發(fā)，2011，1（2）：42-45.

[14] 甘敏，彭曉燕，彭輝.RBF神經(jīng)網(wǎng)絡(luò)參數(shù)估計(jì)的兩種混合優(yōu)化算法[J].控制與決策，2009，24（8）：72-76.

[15] 孫涵，楊普容，成金華.基于Matlab支持向量回歸機(jī)的能源需求預(yù)測模型[J].系統(tǒng)工程理論與實(shí)踐，2011，31（10）：21-27.

[16] 劉道華，張禮濤，曾召霞，等.基于正交最小二乘法的徑向基神經(jīng)網(wǎng)絡(luò)模型[J].信陽師范學(xué)院學(xué)報(bào)，2013，26（3）：428-431.

[17] 韓紅桂，喬俊飛，薄迎春.基于信息強(qiáng)度的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)研究[J].自動(dòng)化學(xué)報(bào)，2012，38（7）：1083-1090.

[責(zé)任編輯 柯 黎]