畢業(yè)論文---對影響大學(xué)畢業(yè)生就業(yè)因素的研究

1、<p>　　對影響大學(xué)畢業(yè)生就業(yè)因素的研究</p><p><b>　　摘 要</b></p><p>　　本文針對大學(xué)畢業(yè)生就業(yè)問題，從歷年畢業(yè)生人數(shù)、國家生產(chǎn)總值以及物價(jià)指數(shù)等方面來研究它們對大學(xué)畢業(yè)生月起薪的影響，并預(yù)測了2011年大學(xué)畢業(yè)生的月起薪，建立了一套綜合評價(jià)模型以及定量分析了研究生參與就業(yè)指導(dǎo)課的必要與否。</p><p

2、>　　對于問題一，首先根據(jù)各影響因素與起薪的散點(diǎn)圖初步建立多元非線性回歸模型。運(yùn)用D-W檢驗(yàn)和通徑分析分別進(jìn)行隨機(jī)誤差的自相關(guān)性診斷和各因素之間以及與起薪的相關(guān)性分析，發(fā)現(xiàn)GDP和物價(jià)指數(shù)對起薪表現(xiàn)為正效應(yīng)，但GDP貢獻(xiàn)較大，而畢業(yè)生總?cè)藬?shù)對起薪表現(xiàn)為負(fù)效應(yīng)，但貢獻(xiàn)不大。各因素可以通過彼此而影響起薪，故其內(nèi)部存在一定的直接關(guān)系?；诖?，對模型進(jìn)行優(yōu)化，引進(jìn)各因素交互項(xiàng)，剔除異常點(diǎn)，從而得到更加合理的模型。再一次進(jìn)行D-W檢驗(yàn)得到，

3、說明隨機(jī)誤差無自相關(guān)性。最后根據(jù)新模型對2011年大學(xué)畢業(yè)生的平均起薪進(jìn)行預(yù)測，得到預(yù)測值為2313.7元。</p><p>　　對于問題二，提出就業(yè)質(zhì)量指標(biāo)來衡量各因素對高校畢業(yè)生就業(yè)產(chǎn)生的影響。首先根據(jù)影響就業(yè)質(zhì)量的因素建立層次分析結(jié)構(gòu)，通過判斷矩陣的運(yùn)算得到畢業(yè)生就業(yè)質(zhì)量影響因素權(quán)重總排序，據(jù)此對高校畢業(yè)生提高就業(yè)質(zhì)量提出合理化建議。對該模型繼續(xù)改進(jìn)，定義期望月薪波動范圍的比例系數(shù)，利用期望月薪的合理化方程

4、給出90名畢業(yè)生建議的期望月薪部分如下表：</p><p>　　對于問題三，建立灰色相關(guān)體系分析參加就業(yè)指導(dǎo)與否對就業(yè)質(zhì)量的影響，以及畢業(yè)生起薪、期望月薪、求職失敗次數(shù)和是否參加就業(yè)指導(dǎo)的內(nèi)在聯(lián)系。對各種因素進(jìn)行無量綱化后，運(yùn)用相關(guān)度的計(jì)算，得到是否參加就業(yè)指導(dǎo)引起各因素的差異，如下表：</p><p>　　上述數(shù)據(jù)表明，參加就業(yè)指導(dǎo)可以減輕求職失敗次數(shù)對就業(yè)質(zhì)量和期望月薪的影響，說明經(jīng)過

5、就業(yè)指導(dǎo)后學(xué)生制定目標(biāo)更切實(shí)際。綜上，有必要在研究生中開設(shè)就業(yè)指導(dǎo)課程。</p><p>　　關(guān)鍵詞：多元非線性回歸 通徑分析 D-W檢驗(yàn) 層次分析 灰色相關(guān)體系分析</p><p><b>　　問題重述與分析</b></p><p>　　當(dāng)前，我國大學(xué)畢業(yè)生就業(yè)形勢日趨嚴(yán)峻，因此，開設(shè)就業(yè)指導(dǎo)課程，引導(dǎo)學(xué)生轉(zhuǎn)變就業(yè)觀念，提升職場競爭力和主動適

6、應(yīng)社會的能力，是非常必要和及時的?，F(xiàn)就影響大學(xué)畢業(yè)生就業(yè)后的起薪進(jìn)行研究，已給出07-10年全國大學(xué)畢業(yè)生的平均起薪表和針對某高校是否開設(shè)就業(yè)指導(dǎo)課的學(xué)生就業(yè)調(diào)查數(shù)據(jù)表。</p><p>　　對于問題一，要求進(jìn)一步收集資料，并結(jié)合當(dāng)年畢業(yè)生總數(shù)、國家生產(chǎn)總值等影響大學(xué)生起薪點(diǎn)的有關(guān)因素，建立一個預(yù)測模型來預(yù)測2011年大學(xué)生平均起薪。首先要收集前幾年大學(xué)畢業(yè)生的平均起薪數(shù)據(jù)、當(dāng)年的國家生產(chǎn)總值、物價(jià)指數(shù)及畢業(yè)生總

7、人數(shù)數(shù)據(jù)整理在附錄一中，對各因素與起薪的關(guān)系進(jìn)行初步分析，然后建立多元回歸模型對2011年大學(xué)生平均起薪進(jìn)行預(yù)測?？紤]到我們的數(shù)據(jù)是一個時間序列，因此需要進(jìn)行殘差診斷。此外，還需要對各因素對起薪的影響程度及相互之間的相關(guān)性進(jìn)行分析，對起薪影響不大的因素可以不考慮，從而對模型進(jìn)行修正。</p><p>　　對于問題二，要求建立綜合評價(jià)模型，定量分析就業(yè)指導(dǎo)課程、期望月薪及求職次數(shù)等對于大學(xué)生就業(yè)產(chǎn)生的影響。大學(xué)生就

8、業(yè)質(zhì)量可以衡量各種因素對大學(xué)生就業(yè)的影響。影響大學(xué)生就業(yè)質(zhì)量的主要因素是就業(yè)環(huán)境、就業(yè)期望、個體狀況、可以運(yùn)用AHP法，對影響大學(xué)生就業(yè)質(zhì)量的影響因素進(jìn)行定量分析，得到就業(yè)質(zhì)量影響因素的相對重要性排序，通過改進(jìn)和提高這些影響因素可以為提高大學(xué)生就質(zhì)量、人才培養(yǎng)質(zhì)量和明確大學(xué)生在校期間的努力方向提供參考。對于一個初入職場的大學(xué)生而言，制定一個合理的期望月薪是走進(jìn)求職道路的至關(guān)重要的一步?？紤]到合理的期望月薪與求職次數(shù)，是否參加就業(yè)指導(dǎo)，個

9、人能力有關(guān)，運(yùn)用層次分析，我們可以得到期望月薪的合理值。</p><p>　　對于問題三，需要通過本科與研究生畢業(yè)生起薪、期望月薪及是否參加就業(yè)指導(dǎo)表格數(shù)據(jù)分析，建立模型分析就業(yè)指導(dǎo)對研究生畢業(yè)生是否有意義。由于研究生與本科生就業(yè)能力存在差異，將研究生的起薪與期望月薪通過均值轉(zhuǎn)換成與本科生相當(dāng)?shù)乃健⒀芯可碌臄?shù)據(jù)與本科生組成一個灰色體系，進(jìn)行研究。就業(yè)前參加指導(dǎo)可以讓畢業(yè)生更好地了解自己的職業(yè)屬性，從而減少求

10、職次數(shù)，也可以在一定程度上提高起薪。構(gòu)建綜合評價(jià)模型，根據(jù)灰色關(guān)聯(lián)分析法，求得關(guān)聯(lián)度，通過參加與不參加的數(shù)據(jù)對比，得出結(jié)論。</p><p><b>　　模型假設(shè)</b></p><p>　　假設(shè)對時間相互獨(dú)立，且服從均值為零的正態(tài)分布;</p><p>　　假設(shè)對2011年預(yù)測時，2011年無巨大的金融事件發(fā)生（如金融危機(jī)等）;</p&

11、gt;<p>　　假設(shè)論文中所收集數(shù)據(jù)均可靠， 可以用來回歸分析;</p><p>　　假設(shè)層次分析法中出現(xiàn)的重要尺度的衡量相對準(zhǔn)確.</p><p><b>　　符號說明</b></p><p><b>　　問題一</b></p><p><b>　　多元非線性回歸模型&l

12、t;/b></p><p>　　記第年全國大學(xué)畢業(yè)生的平均起薪為，畢業(yè)生總?cè)藬?shù)為萬人，國家生產(chǎn)總值GDP億元，物價(jià)指數(shù)，根據(jù)附錄一中的1991-2010年大學(xué)畢業(yè)生起薪及其影響因素?cái)?shù)據(jù)表繪制平均起薪對各因素的散點(diǎn)圖如下：</p><p>　　從圖中可以看出，隨著畢業(yè)生人數(shù)的增加，畢業(yè)生起薪增加，而且兩者有較強(qiáng)的二次關(guān)系，物價(jià)指數(shù)和起薪的關(guān)系也類似，而GDP與起薪有很強(qiáng)的線性關(guān)系。因此

13、建立多元非線性回歸模型：</p><p><b>　　(4.1.1)</b></p><p>　　模型中，隨機(jī)誤差表示除了畢業(yè)生人數(shù)，GDP和物價(jià)指數(shù)這三個因素對起薪的影響，還包括了其他因素的作用。首先假設(shè)對時間相互獨(dú)立，且服從均值為零的正態(tài)分布。</p><p>　　根據(jù)附表一中的數(shù)據(jù)，利用統(tǒng)計(jì)工具箱求解得到的回歸系數(shù)估計(jì)值及其置信區(qū)間（置信

14、水平），檢驗(yàn)統(tǒng)計(jì)量的結(jié)果如下表：</p><p>　　表4.1 多元非線性回歸結(jié)果表</p><p>　　則得到第年全國大學(xué)畢業(yè)生的平均起薪估計(jì)值為</p><p><b>　　(4.1.2)</b></p><p>　　4.2 自相關(guān)性的D-W檢驗(yàn)</p><p>　　從上述模型的計(jì)算結(jié)果發(fā)現(xiàn)擬

15、合度很高（），應(yīng)該很令人滿意了，但是并沒有考慮到所用的數(shù)據(jù)是一個時間序列。實(shí)際上，在對時間序列數(shù)據(jù)做回歸分析時，模型的隨機(jī)誤差項(xiàng)有可能存在相關(guān)性，違背模型關(guān)于對時間相互獨(dú)立的基本假設(shè)。若在上述模型中，GDP、畢業(yè)生總?cè)藬?shù)和物價(jià)指數(shù)之外的因素（比如政策等因素）對畢業(yè)生起薪的影響包含在隨機(jī)誤差中，并且它的影響成為的主要部分，則由于政策等因素的連續(xù)性，它們對起薪的影響也有時間上的延續(xù)，即隨機(jī)誤差會出現(xiàn)自相關(guān)性。</p><

16、p>　　D-W檢驗(yàn)[11]是一種常用的定量診斷自相關(guān)現(xiàn)象的統(tǒng)計(jì)方法。定義殘差，作為隨機(jī)誤差的估計(jì)值，則殘差計(jì)算DW統(tǒng)計(jì)量為</p><p><b>　　(4.2.1)</b></p><p><b>　　當(dāng)較大時，</b></p><p><b>　　(4.2.2)</b></p>

17、<p><b>　　定義，于是有</b></p><p><b>　　(4.2.3)</b></p><p>　　由于，所以，并且若在0附近，則DW在2附近，的自相關(guān)性很弱（或不存在自相關(guān)）；若在±1附近，則DW接近0或4，的自相關(guān)性很強(qiáng)。</p><p>　　要根據(jù)DW的具體數(shù)值確定是否存在自相關(guān)，

18、應(yīng)該在給定的檢驗(yàn)水平下，依照樣本容量和回歸變量數(shù)目，差D-W分布表，得到檢驗(yàn)的臨界值和，然后由下圖中DW所在的區(qū)間來決定。</p><p>　　對上述模型求殘差得到結(jié)果如下表</p><p>　　表4.2 大學(xué)畢業(yè)生起薪的殘差</p><p>　　根據(jù)式（4.2.1）計(jì)算出，對于顯著性水平（回歸變量包括常數(shù)項(xiàng)的數(shù)目），查D-W分布表，得到檢驗(yàn)的臨界值，而，不能確定。

19、但DW在2附近，的自相關(guān)性很弱，故可以忽略。因此無需將自相關(guān)系數(shù)的估計(jì)值代入做變換，仍可用原模型。</p><p>　　4.3 各因素相關(guān)性分析——通徑分析</p><p>　　4.3.1 理論依據(jù)[7]</p><p>　　通徑分析不僅能測定各變數(shù)（自變數(shù)和依變數(shù)）間的相互作用，并可將這種作用分為直接作用和間接作用。依通徑系數(shù)定義：直接通徑系數(shù)記為（意義為），間接

20、通徑系數(shù)為（意義為），通徑系數(shù)的標(biāo)準(zhǔn)化正規(guī)方程組為：</p><p><b>　　(4.3.1)</b></p><p>　　對題目附錄中所給的各個因素逐步回歸確定在該系統(tǒng)內(nèi)的相關(guān)因子：</p><p><b>　　(4.3.2)</b></p><p>　　將起薪和影響它的因素的相關(guān)數(shù)據(jù)代入上述方

21、程組，并可解得各因素對起薪的通徑系數(shù)。由通徑系數(shù)來分析各因素對起薪的影響程度以及各影響因子之間的相關(guān)性。</p><p>　　4.3.2 實(shí)際應(yīng)用</p><p>　　對月起薪和GDP、畢業(yè)生人數(shù)及物價(jià)指數(shù)做通徑分析，得到因變量和自變量的相關(guān)性如表4.3所示：</p><p>　　表4.3 月起薪與各影響因子之間的相關(guān)性分析表</p><p>

22、;　　根據(jù)上表得到通徑系數(shù)的標(biāo)準(zhǔn)化正規(guī)方程組為</p><p><b>　　(4.3.3)</b></p><p>　　應(yīng)用MATLAB求解上述方程組得</p><p><b>　　(4.3.4)</b></p><p>　　再根據(jù)間接通徑系數(shù)可以計(jì)算出各影響因素對起薪的間接通徑系數(shù)如下表：<

23、/p><p>　　表4.4 月起薪與各影響因子之間的間接通徑系數(shù)表</p><p>　　從表4.3看出，畢業(yè)生總?cè)藬?shù)、GDP和物價(jià)指數(shù)與月起薪都有很強(qiáng)的相關(guān)性，并且從表4.4中看出，畢業(yè)生總?cè)藬?shù)每增加一個標(biāo)準(zhǔn)單位可以使月起薪減低0.9124（）單位長度，而通過GDP和物價(jià)指數(shù)卻使起薪都增加，分別增加了1.5703（）和0.1575（）個單位長度，但GDP貢獻(xiàn)較大。GDP每增長一個標(biāo)準(zhǔn)單位，月起

24、薪增加1.6004（）個標(biāo)準(zhǔn)單位，通過畢業(yè)生總?cè)藬?shù)卻使起薪減少了0.8952個單位長度（），通過物價(jià)指數(shù)增加了0.1766（）個單位長度。物價(jià)指數(shù)每增加一個單位長度，月起薪增加0.2223（）個單位長度，通過畢業(yè)生總?cè)藬?shù)減少了0.6463（）個單位長度，通過GDP卻增加了1.2715（）個單位長度。</p><p>　　綜上所述，畢業(yè)生總?cè)藬?shù)的增加對月底薪呈負(fù)效應(yīng)，但作用很小，而通過GDP和物價(jià)指數(shù)則是正效應(yīng)，但

25、GDP的貢獻(xiàn)較大，每增長一個單位都能使起薪增加一倍以上。</p><p>　　4.4 對模型的進(jìn)一步優(yōu)化</p><p>　　通過上述分析可知，各個影響因子可以互相通過彼此而影響起薪，因此它們內(nèi)部存在一定的直接聯(lián)系，因而將4.1中的模型優(yōu)化如下：</p><p><b>　　(4.4.1)</b></p><p>　　由

26、于在原模型中發(fā)現(xiàn)2002年時殘差特別大，與其他數(shù)據(jù)不是一個數(shù)群，為一個異常點(diǎn)，故舍去。同樣用MATLAB求解得到的回歸系數(shù)估計(jì)值及其置信區(qū)間（置信水平），檢驗(yàn)統(tǒng)計(jì)量的結(jié)果如下表：</p><p>　　表4.5 模型優(yōu)化后回歸結(jié)果表</p><p>　　因此得到改進(jìn)后的平均起薪參數(shù)估計(jì)為</p><p><b>　　(4.4.2)</b><

27、/p><p>　　用D-W檢驗(yàn)得到，對于顯著性水平（回歸變量包括常數(shù)項(xiàng)的數(shù)目），查D-W分布表，得到檢驗(yàn)的臨界值。由于DW非常接近2，根據(jù)圖4.4并可得知無自相關(guān)性。</p><p>　　4.5 預(yù)測2011年大學(xué)畢業(yè)生的平均起薪</p><p>　　根據(jù)題目中已有2011年大學(xué)畢業(yè)生總數(shù)660萬人以及今年的預(yù)測GDP增長率為9.8%[9]，即435791.39億元，物

28、價(jià)指數(shù)預(yù)測平均增長率為4.2%[10]，即2.496337，代入式（4.4.2）得到最后2011年的大學(xué)畢業(yè)生平均起薪的預(yù)測值為2313.7元。</p><p>　　在國內(nèi)，GDP增長相對穩(wěn)定，即使該因素對畢業(yè)生起薪的影響較顯著，但是畢業(yè)生增長過快，對就業(yè)造成了較大的壓力。經(jīng)過對回歸函數(shù)分析后，當(dāng)增長率穩(wěn)定后，由于畢業(yè)生不斷上升，有小幅下降的趨勢。</p><p><b>　　4

29、.6 靈敏度分析</b></p><p>　　由于GDP值和物價(jià)指數(shù)均為預(yù)測值，問了分析結(jié)果的可靠性，需要對平均起薪進(jìn)行靈敏度分析。先分析平均起薪對GDP的靈敏度，假定物價(jià)指數(shù)值為預(yù)測值2.496337，繪制平均起薪隨GDP的波動圖如圖4.5所示：</p><p>　　對于在中國這樣一個大環(huán)境下，GDP的增長率波動不會太大，最近幾年的GDP增長率保持在9%-10%，根據(jù)波動圖可

30、得，GDP增長率變化1%，畢業(yè)生起薪變化在50元左右，這個值是可以接受的，也即GDP增長率的變化對該模型預(yù)測結(jié)果影響較小。</p><p>　　假定GDP的預(yù)測值即為實(shí)際值435791.39億元，繪制平均起薪隨物價(jià)指數(shù)的波動圖如圖4.6所示：</p><p>　　CPI指數(shù)直接影響國民的消費(fèi)，從而反映到薪水上，這相對于GDP因素，可變性較大。但是在經(jīng)濟(jì)穩(wěn)定運(yùn)行時，不會出現(xiàn)太大的跳動，1%的

31、波動引起起薪點(diǎn)變化值在100左右，雖然較GDP不穩(wěn)定，但是也在接受范圍內(nèi)。在沒有重大經(jīng)濟(jì)波折時，也能較準(zhǔn)確的進(jìn)行預(yù)測。</p><p><b>　　問題二</b></p><p>　　5.1 綜合評價(jià)模型的建立</p><p>　　影響大學(xué)生就業(yè)質(zhì)量的主要因素[8]有就業(yè)環(huán)境、就業(yè)期望、個體狀況，而就業(yè)環(huán)境包括就業(yè)政策、經(jīng)濟(jì)環(huán)境和行業(yè)等，就業(yè)期

32、望包括職業(yè)發(fā)展、期望月薪和社會保障等，以及個體狀況又包括就業(yè)指導(dǎo)、求職能力和實(shí)踐能力等。層次分析法適用于把定性問題定量化，因此在本模型中建立層次分析模型具有一定的合理性，也有利于分析解決問題。</p><p>　　首先，根據(jù)對各個影響因素的分析，建立層次分析結(jié)構(gòu)如下圖：</p><p>　　其次，根據(jù)層次分析法權(quán)重含義表，對任意兩個影響因素建立兩兩判斷矩陣如表5.1，5.2，5.3，5.4

33、所示：</p><p>　　表 5.1 判斷矩陣 O-C</p><p>　　表5.2 判斷矩陣C1-A 表5.3 判斷矩陣C2-A </p><p>　　表5.4 判斷矩陣C3-A</p><p>　　因此最終排序向量計(jì)算式：</p><p><b>　　(5

34、.1.1)</b></p><p><b>　　(5.1.2)</b></p><p><b>　　(5.1.3)</b></p><p>　　由上表和計(jì)算式可以得到下列畢業(yè)生就業(yè)質(zhì)量總排序表：</p><p>　　表5.5 畢業(yè)生就業(yè)質(zhì)量總排序</p><p>

35、　　從準(zhǔn)則層的排序向量可以觀測到個人狀況在就業(yè)質(zhì)量中占有主導(dǎo)地位，即使在良好的就業(yè)環(huán)境下，有一個良好的就業(yè)期望，個人狀況還是決定因素。這個結(jié)論提醒畢業(yè)生，提高自己的素質(zhì)，才能在職場中立于不敗之地。個人素質(zhì)是提高就業(yè)質(zhì)量的本質(zhì)因素，但也不可忽略就業(yè)環(huán)境的影響，就這特征向量而言，該因素也占有了25%的比例。職場高手競爭中，個人素質(zhì)失去了決定作用，這個因子體現(xiàn)出了它的作用。相對而言，就業(yè)期望影響較小，可以理解，它作為一種心理因素，也在無形中有

36、一定的影響。</p><p>　　5.2 制定期望月薪</p><p>　　制定合理的期望月薪可以幫助畢業(yè)生找到合適自己的工作，既能發(fā)揮自己的特長，又不至于浪費(fèi)自己的能力，因此，期望月薪的合理取值具有重要的意義。根據(jù)綜合評價(jià)模型，不難得出，期望月薪、就業(yè)指導(dǎo)及求職次數(shù)對就業(yè)質(zhì)量相對重要度，但是這個模糊的量化不能給出列表中90名畢業(yè)生的建議期望月薪。</p><p>

37、　　因此，定義期望月薪合理值波動系數(shù)期望月薪波動范圍的比例系數(shù)，即期望月薪波動范圍的比例系數(shù)。由此提出期望月薪的合理化方程：</p><p><b>　　(5.2.1)</b></p><p>　　結(jié)合題目所給的信息，提出影響期望月薪合理值波動系數(shù)的三個因素，求職次數(shù)、就業(yè)指導(dǎo)、個人能力，運(yùn)用層次分析法可以得到這三個因素對的影響權(quán)重。</p><p

38、>　　首先，建立層次分析結(jié)構(gòu)：</p><p>　　其次，根據(jù)層次分析法權(quán)重含義表，對任意兩個影響因素建立兩兩判斷矩陣如表5.6所示：</p><p>　　表 5.6 -B判斷矩陣</p><p>　　需要進(jìn)一步得到的量化值，定義：</p><p>　　實(shí)際所得薪水和個人的努力緊密相關(guān)，也是對個人能力的最好反映，因此在這個環(huán)境下給出合

39、理的建議，運(yùn)用畢業(yè)生起薪衡量個人的能力在一定程度上是有意義的。為了消除單位對運(yùn)算造成的影響，可以運(yùn)用一下標(biāo)準(zhǔn)化方程，對個人起薪進(jìn)行標(biāo)準(zhǔn)化：</p><p><b>　　(5.2.2)</b></p><p>　　畢業(yè)生起薪標(biāo)準(zhǔn)化后，得到 。用相同的方法可以對求職失敗次數(shù)N進(jìn)行標(biāo)準(zhǔn)化。</p><p>　　運(yùn)用權(quán)重分配公式計(jì)算：</p>

40、;<p><b>　　(5.2.3)</b></p><p>　　結(jié)合公式（5.2.2），得到各變量標(biāo)準(zhǔn)化及-值表：</p><p>　　表5.7 影響因子標(biāo)準(zhǔn)化及-值一覽表（部分）</p><p>　　為了比較和分析合理化前后期望月薪的變化，我們用MATLAB做對比圖如下：</p><p>　　通過觀測合

41、理化期望月薪與畢業(yè)生起薪點(diǎn)的對比圖，對于同一序號點(diǎn)，兩點(diǎn)波動不大，即期望值在實(shí)際值附近，這說明期望值達(dá)到了比較精確的程度。在誤差不大的同時，大多數(shù)點(diǎn)出現(xiàn)期望值略高的現(xiàn)象，在一定程度上也可提高就業(yè)質(zhì)量。</p><p><b>　　問題三</b></p><p>　　考慮到畢業(yè)生起薪、期望月薪、求職次數(shù)以及是否參加過就業(yè)指導(dǎo)各個因素都有可能影響畢業(yè)生的就業(yè)質(zhì)量，但是其關(guān)

42、系并不明確，因而引入灰色關(guān)聯(lián)度[12]，對各因素進(jìn)行研究。</p><p>　　假設(shè)為母序列，為子序列（比較序列），則定義與在第點(diǎn)的關(guān)聯(lián)系數(shù)為：</p><p><b>　　(6.1.1)</b></p><p><b>　　其中： </b></p><p>　　為分辨系數(shù)，通常取0.5.</

43、p><p><b>　　與的關(guān)聯(lián)度為：</b></p><p>　　從上述的模型觀測出影響畢業(yè)生就業(yè)質(zhì)量的最重要的因素是合理化期望起薪，所以將其作為母序列，求職失敗次數(shù)，是否參加就業(yè)指導(dǎo)，期望月薪以及起薪作為子系列。</p><p>　　由于各個指標(biāo)的量綱不同，指標(biāo)的數(shù)量級相差很大，為了用這些數(shù)據(jù)進(jìn)行綜合評價(jià)，對原數(shù)據(jù)進(jìn)行如下處理：</p&g

44、t;<p><b>　　(6.1.2)</b></p><p>　　關(guān)聯(lián)度可以表示兩個指標(biāo)在同一點(diǎn)的關(guān)聯(lián)值，而目標(biāo)需要的是各個指標(biāo)的權(quán)重，綜合各個關(guān)聯(lián)度，計(jì)算得到各指標(biāo)的權(quán)重，并對其歸一化。計(jì)算式如下：</p><p><b>　　(6.1.3)</b></p><p><b>　　(6.1.4)&

45、lt;/b></p><p>　　首先，根據(jù)是否參加就業(yè)指導(dǎo)，將本科生分成兩類。一類未參加就業(yè)指導(dǎo)，另一類參加就業(yè)指導(dǎo)?？紤]到碩士畢業(yè)生比本科畢業(yè)生普遍就業(yè)能力強(qiáng)，我們在通過本科生的數(shù)據(jù)來分析碩士畢業(yè)生是否需要參加就業(yè)指導(dǎo)時，引入一個變換：</p><p>　　假設(shè) 是描述碩士畢業(yè)生屬性的一組向量，對應(yīng)本科畢業(yè)生屬性向量，變換后的屬性向量為</p><p>&

46、lt;b>　　(6.1.5)</b></p><p>　　將所有的數(shù)據(jù)分成三類：本科生參加就業(yè)指導(dǎo)數(shù)據(jù)、本科生不參加就業(yè)指導(dǎo)數(shù)據(jù)、研究生變換后的單獨(dú)數(shù)據(jù)。帶入處理后的數(shù)據(jù)，得到各個因素對就業(yè)質(zhì)量影響權(quán)重表：</p><p>　　表6.1 參加就業(yè)指導(dǎo)的本科畢業(yè)生：</p><p>　　表6.2 不參加就業(yè)指導(dǎo)的本科畢業(yè)生：</p>&

47、lt;p>　　表6.3 不參加就業(yè)指導(dǎo)的研究生：</p><p>　　表6.1和表6.2對比，參加就業(yè)指導(dǎo)的畢業(yè)生求職失敗次數(shù)有所下降，且就業(yè)指導(dǎo)對就業(yè)質(zhì)量的影響加大，表中數(shù)據(jù)期望月薪對就業(yè)質(zhì)量的影響減小，說明參加就業(yè)指導(dǎo)使得本科生定期望月薪更合理。起薪對就業(yè)質(zhì)量的影響也有所下降，間接說明個人能力在職場競爭中影響減小，在就業(yè)壓力大的中國來言，具有十分重要的現(xiàn)實(shí)意義。因此，就業(yè)指導(dǎo)對其就業(yè)質(zhì)量的提高是有益處的

48、。我們在處理數(shù)據(jù)時，已經(jīng)將描述研究生屬性的向量通過本科生數(shù)據(jù)進(jìn)行變換，描述研究生的數(shù)據(jù)一定程度上有了本科生的屬性，定性可以判斷參加就業(yè)指導(dǎo)對研究生有益處。</p><p>　　表6.1與表6.3對比，首先，研究生的數(shù)據(jù)進(jìn)行變換后和本科生進(jìn)行對比是合理的。表6.1與表6.2對比參數(shù)變化規(guī)律與上述一致，因此就業(yè)指導(dǎo)對研究生來說也有意義。</p><p>　　綜上所述，通過定量影響權(quán)重的變化比較

49、，得出結(jié)論，有必要在研究生中開展就業(yè)指導(dǎo)課程。</p><p><b>　　模型評價(jià)</b></p><p><b>　　7.1 模型的優(yōu)點(diǎn)</b></p><p>　　對于模型一，我們進(jìn)行自相關(guān)檢驗(yàn)以及進(jìn)行了通徑分析，對模型進(jìn)行了改進(jìn)，優(yōu)化后的模型引入了交互相關(guān)因子，增加了模型了可靠性，鑒于對其靈敏度分析，模型也較穩(wěn)定，

50、對2011的預(yù)測增加了說服力。</p><p>　　對于模型二，運(yùn)用層次分析法，對影響因素模糊處理，將很難衡量的因子量化，得到量化的指標(biāo)，可以對畢業(yè)生的就業(yè)給出較準(zhǔn)確的建議。</p><p>　　對于模型三，運(yùn)用灰色關(guān)聯(lián)體系，對影響因素進(jìn)行模糊化，最后得到兩組對比值，相互比較分析得出準(zhǔn)確的決策。</p><p><b>　　7.2 模型的缺點(diǎn)</b&

51、gt;</p><p>　　對于模型一，影響畢業(yè)生起薪的因素作散點(diǎn)圖觀測，并不很是很好的線性關(guān)系，或者是二次關(guān)系，在模型的建立過程中運(yùn)用線性和二次進(jìn)行組合擬合，會帶來一定的誤差，對結(jié)果的預(yù)報(bào)產(chǎn)生影響。</p><p>　　對于模型二，建立判斷矩陣時，描述相互重要度比值時，是根據(jù)經(jīng)驗(yàn)取得，而不是專家或者來自較權(quán)威的機(jī)構(gòu)，這會對結(jié)果造成不可測量的誤差。</p><p>

52、　　對于模型三，雖然對因素影響模糊化后可以得到量化的指標(biāo)來衡量各個因素對就業(yè)質(zhì)量的影響，但是對于灰色體系，因素內(nèi)在的聯(lián)系本來就是未知的，這也會對結(jié)果預(yù)測造成不可測量的誤差。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　路萬忠，我國大學(xué)畢業(yè)生一次性就業(yè)與起薪研究，青年就業(yè)，2008，90-93。</p><p>　　孫立成，

53、李群，大學(xué)生就業(yè)對經(jīng)濟(jì)增長的影響及統(tǒng)計(jì)預(yù)測分析，科技人才，2011，24（1）：90-93。</p><p>　　中國歷年CPI(居民消費(fèi)價(jià)格指數(shù)增長率)數(shù)據(jù)[2011年元月20日更新] </p><p>　　1929年-2010年中國歷年GDP和美國歷年GDP、日本歷年GDP比較， </p><p>　　孫運(yùn)達(dá)，孫從法，王信遠(yuǎn)，《中華稻蝗為害影響水稻產(chǎn)量構(gòu)成因素的

54、通徑分析》，植物保護(hù) 1994，3：29-30。</p><p>　　黃煒 ，方玖勝，《基于層次分析法大學(xué)生就業(yè)質(zhì)量影響因素評價(jià)研究》，湖南文理學(xué)院學(xué)報(bào) ，2010，22 (2)</p><p>　　姜啟源，謝金星，葉俊，數(shù)學(xué)模型，北京：高等教育出版社，2003.8，294-325。</p><p>　　鄔學(xué)軍，周凱，宋軍全，數(shù)學(xué)建模競賽輔導(dǎo)教程，杭州：浙江大學(xué)出版

55、社，2009.8,58-61。</p><p><b>　　附 錄</b></p><p>　　附錄一：1991-2010年大學(xué)畢業(yè)生起薪及其影響因素?cái)?shù)據(jù)表</p><p>　　附表一 1991-2010年大學(xué)畢業(yè)生起薪及其影響因素?cái)?shù)據(jù)表</p><p>　　附錄二：影響因子標(biāo)準(zhǔn)化及-值一覽表</p>&l

56、t;p>　　附表二 影響因子標(biāo)準(zhǔn)化及-值一覽表</p><p>　　附錄三：MATLAB計(jì)算代碼</p><p>　　%未改進(jìn)模型,計(jì)算回歸參數(shù)及其相關(guān)參數(shù)</p><p>　　x1 = [61.4 60.4 57.1 63.7 80.5 83.9 82.9 82.98 84.76 94.98 103.63 133.73 187.75 239.21 306.8

57、 413.74 495.25 559.61 611.24 631]'; %畢業(yè)生總?cè)藬?shù)</p><p>　　x2 = x1.^2;</p><p>　　x3 = [21618 26638 34634 46759 58478 67885 74463 84402.28 89677.05 99214.55 109655.17 120332.69 135822.76 159878.34 1

58、84937.4 216314.4 265810.3 314045.4 340506.9 397983]'; %國家生產(chǎn)總值</p><p>　　x4 = [1.0 1.064000 1.220408 1.514526 1.773510 1.920712 1.974492 1.958696 1.931274 1.938999 1.952572 1.936951 1.960195 2.036642 2.073

59、302 2.104402 2.205413 2.335532 2.319183 2.395717]'; %物價(jià)指數(shù)</p><p>　　x5 = x4.^2;</p><p>　　Y = [373 412 475 515 628 805 927 988 1132 1445 1793 2046 1551 1680 1588 1982 2156 1955 2257 2528]'

60、; %平均起薪</p><p>　　X = [ones(20, 1) x1 x2 x3 x4 x5];</p><p>　　[b, bint, r, rint, stats] = regress(Y, X)</p><p>　　%畫未改進(jìn)模型各自變量散點(diǎn)圖</p><p>　　plot(x1, Y, '*')</p>

61、;<p>　　plot(x3, Y, '*')</p><p>　　plot(x4, Y, '*')</p><p>　　%畫未改進(jìn)模型殘差圖</p><p>　　figure(1);</p><p>　　rcoplot(r, rint); %畫殘差圖</p><p>　　

62、%改進(jìn)模型，計(jì)算回歸參數(shù)及其相關(guān)參數(shù)</p><p>　　x1 = [61.4 60.4 57.1 63.7 80.5 83.9 82.9 82.98 84.76 94.98 103.63 187.75 239.21 306.8 413.74 495.25 559.61 611.24 631]'; %畢業(yè)生總?cè)藬?shù)</p><p>　　x2 = x1.^2;</p>&

63、lt;p>　　x3 = [21618 26638 34634 46759 58478 67885 74463 84402.28 89677.05 99214.55 109655.17 135822.76 159878.34 184937.4 216314.4 265810.3 314045.4 340506.9 397983]'; %國家生產(chǎn)總值</p><p>　　x4 = [1.0 1.0640

64、00 1.220408 1.514526 1.773510 1.920712 1.974492 1.958696 1.931274 1.938999 1.952572 1.960195 2.036642 2.073302 2.104402 2.205413 2.335532 2.319183 2.395717]'; %物價(jià)指數(shù)</p><p>　　x5 = x4.^2;</p><p&

65、gt;　　x6 = x1.*x3;</p><p>　　x7 = x1.*x4;</p><p>　　x8 = x3.*x4;</p><p>　　X = [ones(19, 1) x1 x2 x3 x4 x5, x6, x7, x8];</p><p>　　Y = [373 412 475 515 628 805 927 988 1132

66、1445 1793 1551 1680 1588 1982 2156 1955 2257 2528]'; %平均起薪</p><p>　　[b, bint, r, rint, stats] = regress(Y, X)</p><p>　　%計(jì)算各個判斷矩陣的參數(shù)</p><p>　　A = [1 1/5 1/3; 5 1 1/3; 3 3 1];<

67、/p><p>　　[V, D] = max(eig(A))</p><p>　　[V, D] = eig(A)</p><p>　　A = [1 5 3; 1/5 1 1; 1/3 1 1];</p><p>　　[V, D] = max(eig(A))</p><p>　　[V, D] = eig(A)</p>

68、;<p>　　A = [1 1/5 1/3; 5 1 3; 3 1/3 1];</p><p>　　[V, D] = max(eig(A))</p><p>　　[V, D] = eig(A)</p><p>　　A = [1 2/3 3/2; 3/2 1 7/3; 2/3 3/7 1];</p><p>　　[V, D] =