周雨璋

（江苏省天一中学，江苏无锡 214000）

0 引言

人力资源是企业不可缺少的动力资源，对它进行预测分析具有重要的意义。人力资源的预测是指在现有的硬件设施和各项评定结果的基础上，对之后一段时间内企业的人力资源需求总量进行假设。本文通过线性回归分析的统计方法预测人力资源需求。影响人力资源的自变量不止一个，因此通过多元线性回归模型判断人力资源需求，能更准确地对企业需求进行预测[1]。

2011 年，王婷运用回归模型构建的方法对中国资产管理公司的人力资源做了预测；2006 年，张谦明运用回归分析法对人才需求建立了预测模型，并提出改进措施；Reid A. Bates 依据相关诊断方法的预测模型对人力资源需求量实现准确预测。

定量分析人力资源需求方法包括趋势预测法、线性回归法等，这些方法依靠已有数据做出预测，因此预测准确度会更高[2]。本文根据科技公司人力资源需求的特点，选取各公司历年来人力资源总量的数据，数据来源均为同类型公司，建立多元线性回归的预测模型，对科技公司未来人力资源需求量进行预测[3]。

1 预测理论及模型分析

在进行人力资源需求预测时，通常需要提前找到与之相关度很高的变量[4]。回归分析预测方法的重点取决于是否能找出对企业人力资源需求影响最大的因素，而这个因素必须满足于两个条件：一是影响因素能够反映该企业的结构、类型等基本特征；二是影响因素与人力资源需求之间必须存在线性相关关系。基于以上两点，应从营业总收入、市场价值、净利润率、资产负债率等方面选取影响人力资源开发的因素[5-6]。

1.1 自变量的筛选——Lasso 回归

在统计和机器学习中，Lasso（最小绝对收缩和选择算子，也称为Lasso）是一种回归分析方法，它同时执行变量选择和正则化，以提高所得统计模型的准确性和可解释性。Lasso 最初是为线性回归模型制定的，模型中包括Lasso 与岭回归和最佳子集选择的关系，以及套索系数估计和所谓的软阈值之间的联系，Lasso 还表明（与标准线性回归一样）如果协变量是共线的，则系数估计值不需要是唯一的。

1.2 多元线性回归模型

多元线性回归是指一种统计技术根据两个或多个变量的值来预测变量的结果。它有时简称为多元回归，是线性回归的扩展。将需要预测的变量称为因变量，而用来预测因变量值的变量称为自变量或解释变量[7]。

2 构建科技型企业人力资源预测模型

2.1 数据来源

数据来源于理杏仁网站（https://www.lixinger.com/profile/center/latest-updates/latest），见表1。

2.2 企业概况

本文选取的分析对象均为高科技上市公司近10 年（2012-2022）的各项数据。

2.2.1 科大讯飞

科大讯飞主要业务是智能语音开发与相关芯片的研发，在与智能机器人的沟通过程中实现流畅交流。不仅如此，语音技术还拥有广阔的应用空间，包括但不限于音色评估、口语评分、降低或增强噪音、语音编辑等技术。

2.2.2 中兴通讯

中兴通讯股份有限公司是一家致力于建立综合通信方案的科技企业。

2.2.3 用友网络

用友网络科技在帮助其他企业管理人力资源、分析财政状况、维护客户关系等方面都有着极大的作用，为企业提供了极大的便利，从而获得了大量的利润。该企业也是中国云服务、信息化管理、人才管理和咨询管理的领先企业。

2.2.4 海康威视

海康威视是一家科技型企业。该企业拥有很多不同类型的智能产品，致力于让世界变得更加智能，并坚持创新，持之以恒地发展智能物联应用，维护有序、安全、高效、便捷的社会，以实现“助力人人享有美好未来”为企业目标。

2.3 自变量的筛选

运用Python 建立Lasso 回归模型，筛选出相关性的自变量。Lasso 回归是用于高维线性数据筛选变量的方法。LassoCV 和LassoLarsCV 是Scikit-learn 通过交叉验证来公开设置Lassoα 参数的对象。图1 是筛选出的变量。

图1 Python运行Lasso回归模型所得结果

因此，用图1 中的结果除以系数接近于0 的变量，最终得出结论为[0，1]，则为x1、x2自变量为相关性较强的自变量。

图2 为Python 中设定对各自变量的名称，以方便计算。

图2 Python中给予各自变量的名称

通过图2 对自变量名称的设定和图1 所得结论，x1营业总收入和x2资产负债率为影响公司人力资源数量相关性最大的自变量。

2.4 建立线性回归模型stata

筛选自变量营业总收入和资产负债率对应的数据建立线性回归模型，如表1 所示。

由于自变量为两个，因此设二元线性回归方程为y=b0+b1x1+b2x2。

图3 为stata 对所得结论作线性回归模型的结果。

图3 stata 线性回归模型

各数据所对应组成的线性回归的点图，如图4 所示。

图4 stata 线性回归点图

由此得出线性回归方程为y=5.65E-07x1+43399.34x2-10351.81（y为因变量人力资源总数，x1为营业总收入，x2为资产负债率）。

2.5 模型检验

运用另一组相同类型科技公司的数据集来测试所得方程组是否正确。

表1 描述了海康威视科技公司自2012 年至2022 年营业总收入、资产负债率、市值、员工人数和净利润率的各项数据。

运用海康威视科技公司的数据集对所得方程组进行测试，实验结果表明，该方程组是正确的。

3 结语

本文通过运用Lasso 回归分析的方法，对自变量作筛选分析，从而得出与因变量人力资源总数相关性最强的自变量。在此基础上建立多元线性回归模型，得出人力资源总数与该公司营业总收入和资产负债率有关，线性回归方程组为y=5.65E-07x1+43399.34x2-10351.81。对同类型科技企业来说，可参照此方程来预测需要的人力资源总数，从而减少开支，实现利益最大化。对政府而言，人力资源的分配会更加均衡，不会出现人力资源在某一行业中严重缺失或过多的情况。