王克勤，王 婷，刘 伟，蔡志强*

（1.西北工业大学 教务处，西安 710072；2.西北工业大学 管理学院，西安 710072；3.西北工业大学 机电学院，西安 710072；4.西北工业大学 党委学生工作部，西安 710072）

教育部在2017 年12 月发布的《关于推动高校形成就业与招生计划人才培养联动机制的指导意见》文件中指出，招生、培养及就业是高等教育最重要的三个环节，三者相互影响，密不可分。以培养促就业，以就业促招生，这已成为诸多教育工作者的共识。

构建招生、培养与就业的联动改革体系被较早提出，即以学校的优质建设、毕业生的高素质、教学质量促招生[1]。此后相关研究一直向前推进，王雅蓉[2]从人才培养、就业状况反馈等角度强调其不仅是提高专业建设质量的必然要求，也是提升就业竞争力的必要手段。覃伟丽[3]进一步指出三个环节相互衔接，一个环节失误都可对整个培养过程产生影响。以“招生、培养、就业”为关键词在CNKI 数据库检索，论文数量自2018 年以来明显上升，排名前三的主题依次是联动机制、高校招生、招生就业，这一结果也符合高等教育进入高质量发展的现实。

但是，高校的人才培养与社会需求之间存在结构矛盾、层次错位，王英等[4]指出大学毕业生并非总量过剩，而是结构失衡。专业结构设置不合理及高校人才培养方面的弊端使得学生缺乏就业竞争力，对此，张云霞等[5]分析深层原因是未能构建良性的招生-培养-就业联动机制，科学确定扩招、培育、维持、警示和淘汰专业，真正实现各专业优胜劣汰。近年来，各高校深入研究，苏永佳等[6]构建招生计划分配联动机制，切实提高了自身建设工作有效性。

尽管招生-培养-就业联动已得到广泛关注，但研究尚不深入。我国90%院校的联动机制构建还正在成形期，不到10%的高校提出以招生计划为杠杆，报考率、报到率、就业率为主要检验指标，构建招生专业红黄蓝预警来定性分析[7]，而凤毛麟角者用数据库建立数学模型，将招生、培养与就业情况的指标量化并提取，结合学校实际赋予权重，而此方法也仅用于专业预警评估。

随着改革进程的推进，学者对联动机制的认识也在不断更新，从既有文献可看出，绝大多数研究工作主要谈思路和框架，定性阐述三者之间的关系，尚未建立定量化的关系模型。因此，以提升深造率为目标构建一套系统的分析模型及招生计划配置优化方法势在必行。

一 招生-培养-就业联动指标的探索

（一）确立指标的基本原则

自主制订招生计划有利于各高校办学，同时也是一项挑战。对于构建原则，张云霞等[5]提出关联性、科学性、指向性、导向性和信息流通性五项原则；董业军[8]提出可量化、客观、数据易采集，从另一个角度划分了指标的系统性、代表性、可比性和可操作性原则。在分析各关节开展的工作时，要有预测性及前瞻性，从中提取充分适当的详细指标，不能短视及忽视。

（二）生源质量相关指标分析

招生是高校人才培养的起点，生源质量是影响计划制订的内在因素，许多学者都提出了分省、分专业策略，于是将招生计划完成情况、各省生源质量和各专业志愿情况划分为3 个二级指标。高校招生计划的制订受多重因素影响，录取率、报到率、院校一志愿率是首要关注的指标。

（三）培养质量相关指标分析

培养是高校人才培养工作中的关键环节，我们将办学条件、学科建设情况、培养计划完成情况和培养质量纳入二级指标体系中。学校优势学科及大类专业的设置同样重要。李姣姣等[9]建议大类分流培养前引导，郑庆华等[10]发现重视本科人才培养的专业满额接收学生。董业军[8]强调，合格的办学条件是高校人才培养和科学研究的物质前提和基本保障，学科发展亦是学校发展的重中之重。阎光才[11]验证了优秀教师是创新型人才成长的重要影响因素，何朝阳等[12]分析了美国迈阿密大学等高等学府翻转课堂教学的过程，王磊等[13]基于对拔尖计划培养模式的调查，验证了参与科研项目、出国交流等是培养创新能力的重要途径。此外，朱昱潼等[14]指出关联度高的社会经验，即实习率是决定录用应聘者的重要因素。

（四）就业质量相关指标分析

对于毕业去向落实而言，就业率与深造率是两个同等重要的部分，应将深造情况、就业情况及就业质量看作3 个二级指标。近年来，随着招生规模的不断扩大，就业率已成为社会对高校人才培养工作反馈的重要指标，此外，更应重视就业质量[9]。周璟等[15]提出，为防止毕业生初次就业后跳槽或失业，但数据更新不及时导致的就业率虚高的问题，应考虑年终就业率。高校需从自身实际出发，经济发达地区高校可重点评价毕业生薪酬水平、创业率[16]；经济发展相对落后地区经济实体少，就业岗位集中在政府部门和事业单位[17]。

（五）综合指标体系的提出

总结文献、综合分析，得到表1 中3 个一级指标、10个二级指标、42 个三级指标的指标体系。

表1 招生-培养-就业联动指标体系

二 招生计划动态调整模型

（一）构建招生-培养-就业深造结构化数据库的意义

当前，大多数高校均建立了毕业生就业信息管理系统，结合数据挖掘技术和招生工作经验，郭宝军[18]指出目前大多高校的招生、培养、就业看似有条不紊，实则缺乏联动。对此，毛维华等[19]建议相关教学管理部门效法机构KCEWS，规范数据采集，使各层级院校一体化，防止数据孤岛出现。大数据分析技术有助于深化教育改革，动态匹配学生和企业之间的供需，赵莹等[20]用HQL做聚类分析提升大学生创业选择的成功率。孙宪丽等[21]基于Hadoop 分布式集群框架编写爬虫程序，精准对接社会需求，提高就业质量。因此，将大数据分析作为工具，是提高人才培养和社会需求契合度、促进三者良性循环的有效助推。

（二）指标权重系数确定方法

1 主、客观赋权法

主观赋权法根据决策者对各项指标主观重视程度来赋权，常用三角模糊法、循环打分法等。许多文献的模型参数以调查问卷形式确定，王江曼[22]采用层次分析法，邀请专家打分构造判断矩阵，张勇强等[23]依据学校招生领导小组讨论来确定权重系数，指出今后应通过定量分析不断减少主观因素的影响。为了解决该问题，孙德忠等[24]通过专家意见本身的相关性赋予权重，相关系数在一定程度上能代表专家的权威程度，因此既能够兼顾多位专家的偏好，又自主提取专家典型性信息，大大提高主观权重的可靠性[25]，能够用于实际决策问题。

客观赋权法是根据原始数据之间的关系通过数学方法来赋权，常用熵权法、变异系数法、独立性权系数法和主成分分析法等。例如，独立性权系数法从多元回归分析角度计算出复相关系数而确定权重，一定程度上确保模型结果的精确度[26]。徐峰等[27]基于92 个本科专业的相关数据，使用3 种客观赋权法计算指标参数，后使用期望方差-众数理论对各模型计算偏差、各专业评分及排名，基于客观赋权法，为高校专业评价提供了切实可行的方向。

2 组合赋权法

一些研究者认为，只选择某种单项评价方法具有很大局限性。主观赋权法易过分依赖专家经验，与客观实际偏离；客观赋权法机械依赖数据，对实际问题的应用价值不大。然而，组合评价方法虽一定程度上克服单项弊端，但仍存在不足：一是各单一方法对同一对象的评价排名易出现不同状况，二是组合评价中往往不能差别对待各单项方法。

针对上述问题，李战江等[28]在对主观赋权的三角模糊法及客观赋权的熵值法、标准离差贡献率法、变异系数法这4 种评价方法集对分析的基础上，建立组合赋权评价模型，选取样本实证分析。此外，郭玮娜[29]通过专家论证对影响变量定性分析，用交叉影响变量法和矩阵分析筛选就业率关键影响变量，以期在环境异动时最大程度降低点值和人为因素带来的决策风险。

（三）建立专业预警机制

目前，高校普遍存在招生、培养及就业部门工作分离，众多学者根据招生-培养-就业联动指标体系，建立预警机制调整招生计划。文献分析的基本思路：基于招生-培养-就业联动建立招生计划编制辅助决策系统，将指标量化并提取，结合学校实际赋予权重，计算招生专业的综合量化分，在此基础上定性评价，继而对专业预警，最终助力高校招生、培养、就业联动机制建设。

三 就业率的分析预测模型

（一）线性模型的预测算法

最初的研究方法是基于专家预测的定性分析法。通过领域内专家对毕业生就业率变化特点的分析，但由于预测效果与专家库的知识丰富度密切相关，具有一定主观性[27]。随后出现了基于统计学理论如ARIMA 模型、灰色系统模型等线性建模技术。然而，这些方法具有一定局限性，正如张稳等[30]用多元回归和曲线拟合的方法建立预测模型，实际受地区经济、国家政策影响，就业率具有较强的非线性变化特点，预测误差较大。

针对预测误差大的难题，沈敏兰等[31]利用灰色系统，以较高的精准度预测冷门专业短中期的就业率情形。同样基于灰色系统中的GM（1，1）模型，亓红强等[32]通过与多元回归分析和BP 神经网络进行对比，灰色系统不仅克服非线性建模能力的缺陷，同时解决了BP 神经网络易“过拟合”的不足，验证了该方法的优越性。

在分省、分专业招生计划分配方案方面，张雯鑫等[33]在分析招生影响因子、挖掘招生数据的基础上，采用灰色预测模型对各省招生计划进行预测，继而运用聚类分析对各省份各招生专业进行科学调整，从而建立一个两层多维的计划分配方案，使投放到各省的专业计划都达到最优资源配置。次年分省调剂率、分专业调剂率的减少都验证了考生志愿和招生计划的高度契合。

（二）非线性模型的预测算法

随着现代统计学及非线性理论的发展，出现了基于机器学习的就业率预测模型，非线性建模预测模型能够从就业率的历史数据中挖掘出就业率变化特点，效率优于线性建模技术[34]。

BP 神经网络的预测途径有3 种。第一种是利用时间序列数据，利用递进式的分析方式；第二种是借助其他模型如主成分分析法等，将截面数据或时间序列数据分类分析；第三种是结合其他如遗传算法、蚁群算法等对神经网络模型进行优化，得出最优权重和阈值[34]。许红[35]采取了第二种方法，将主成分分析后的数据进行神经网络建模，根据平均相对误差验证模型精度比传统神经网络更高。韩晓瑞[36]以教职工数量等为输入指标，构建神经网络预测模型。为了提升BP 神经网络的收敛速度与泛化能力，李燕燕[37]结合LM 与贝叶斯正则化算法，对比验证了此模型优于灰色预测模型与基于B 型关联度及GIOWA 算子的组合预测模型。在此基础上，黄敏菁等[38]将区域经济情况等作为三项输入指标，建立主成分-马尔可夫链预测模型，实验结果表明，对残差结果修正后的主成分回归模型预测精度更高。

此外，支持向量机也是被广泛应用的毕业率预测算法。支持向量机的模型精度由参数决定，难点在于寻找全局最优参数，对此，刘小杰[39]利用蚁群算法代替经验法与遗传算法，寻找支持向量机最优超参数，验证了模型精度显著提高。由于就业率影响因素多，数据具有较强随机性和混沌变化特点，翟晓鹤[40]将收集的一维样本集合空间重构，采用最小二乘支持向量机建模，并与ARIMA、GM 灰色系统、BPNN 和LSSVM 做仿真对比，验证了模型优越度。

（三）组合模型的预测算法

高校毕业生就业率变化十分复杂，与许多因素密切相关又互相联系，使得单一算法误差较大，难以完整描述就业率的变化特点。徐永慧[41]指出BP 神经网络和灰色系统的组合模型可充分结合优点。张志辉等[42]也提出基于大数据集成技术，集成神经网络和支持向量机两者优点，更全面描述就业率变化特点，模型优于单一算法所建立的模型，具有较高的应用价值。

机器学习各个算法各有优劣，近年来，BP 神经网络与支持向量机亦逐渐代替传统ARIMA 与多元回归分析成为主流。除了以上组合，决策树也与贝叶斯分类相结合，如王亚如[43]基于经典的决策树C4.5 算法，构建两个决策树预测模型。针对决策树的不足之处，黄春华等[44]结合贝叶斯分类的先验信息和决策树分类的信息增益优点，获得了更高的预测精度。

四 结论与建议

招生-培养-就业联动机制的研究一直是教育教学改革领域广泛关注的问题，也是高校对招生计划做出动态调整的重要依据。通过梳理文献可以发现，尽管许多学者已经认识到建立联动机制的必要性，提取并量化了相关指标，但认识上依然存在局限，集中表现在以下3 点。

1）尽管研究者都提出了契合各自高校的招生-培养-就业联动指标体系，但指标排布过于零散，无法为后续研究提供全面稳定的支持。因此，我们总结一套面向全国高校的综合指标体系，指标详尽充足，排布合理，可供后来者筛选。

2）在建立招生计划动态调整模型时，大多研究者用问卷调查或专家打分的方法确定各指标权重系数，然而，较为主观的参数不能准确体现各项指标的重要程度。因此，我们总结了3 种赋权方法，并比较其优劣，以期为后续研究带来参考。

3）尽管研究者大都认识到了招生-培养-就业大数据的挖掘价值，并将线性及非线性预测算法应用在毕业生就业率预测中，然而，各个算法应用尚不全面，虽然模型一定程度上可获取预测结果，但随着外界影响因素的变化易产生较大误差，选取何种算法还需进一步研究。

综合分析，在招生计划配置优化方面，理论研究居多，实证研究较少。学校的招生工作是整个人才培养体系的起点，是学校提高人才培养质量的坚实基础，也是提升就业率的重要保障。因此，招生计划配置必须以提高学校本科人才培养和就业深造质量为导向，立足学校办学特色和专业布局，充分利用招生-培养-就业深造大数据，向生源质量高、培养条件优、就业深造好的学科专业倾斜，从而实现扎根西部、献身国防、为党育人和为国育才的目标。