赵东旭（2015）［4］基于趋势外推法对吉林省2001—2013年的接待入境旅游人数以时间t为自变量，时序数值y为因变量进行二次曲线的模型拟合，然后基于该模型对未来8年（2014—2021年）的入境旅游人数进行预测，平均误差较小，方程拟合较好，有较高的预测精度。这种方法是对特定时间序列建立的静态模型，只可根据时间序列的长度进行未来短中期（4～5年或近10年）的预测，由于预测时刻越远，受到的干扰影响因素就越大，预测的精度就会下降，因而难以建立长期预测模型。
王小平、陈敏等（2014）［5］选取涉及宏观经济因素、社会环境因素、对外经济因素、技术因素四类23种指标构建基于上海市金融业从业人员数量和这23种指标因素间的回归预测模型。文中利用主成分分析方法解决共线性问题，提取2个公因子，并利用公因子构建线性回归预测模型。通过预测模型估测的上海市金融业从业人员数量与实际就业人员数量相比，回归模型具有较好的预测结果。这类模型预测的方法能够清晰直观地解释所要分析问题的影响因素，容易理解问题背后深层次的内在联结与相互影响。但其缺点也非常明显，选择影响因素无可避免具有极强的主观性，可能造成遗漏了重要的相关因素或挑选了次要因素，因而影响了预测因素的精确性。另外，这类模型目标变量的预测是基于解释变量的预测值可以获得的前提下的，具有一定的局限性，对历史数据的获取量比较多。
胡雪花（2009）［6］首先从经济、社会、科学技术、涉外经济四个方面进行分析，建立了人才需求预测系统的指标体系，选取了32个指标，结合了相关性分析和灰度关联分析，建立了三种灰色预测模型，并在实际数据的检验下选择了等维动态GOM模型作为指标预测的最优模型。在对指标分析建模的基础上，建立了基于灰色理论的BP神经网络人才需求预测模型，并与此前的等维GOM模型进行模型优劣比较，在此基础上，提出了基于灰色理论的Elman神经网络的改进模型。最后实证结果表明，Elman神经网络预测模型能够结合灰色理论和神经网络两者对人才需求历史数据不足达到双重降维的优点以及充分利用各指标信息，反映人才系统动态性和指标影响的动态化，具有强线性拟合特性和较强的适用性。
通过以上研究可知，各种预测方法皆存在自身的优劣势和适用的数据条件，而至今没有学者运用科学的人才需求预测方法对医疗卫生行业乃至整个大健康产业的人才需求情况进行合理的预测工作。因此，本文以海南省为例，尝试对海南省的大健康产业的人才需求预测进行分析，为现实研究提供可借鉴之处。
2 海南省大健康产业人才需求预测指标选择
多元线性回归分析方法是常用的统计学方法，它可以利用收集到的历史数据或者观察数据去尝试拟合模型，以研究学者关心的目标变量与解释变量之间的线性关系，检验解释变量的显著性特征和对模型的影响作用大小，进而可以通过两个或两个以上的变量去解释和预测另一个变量的关系。
根据劳动经济学的理论，劳动需求是一种“派生需求”，雇主之所以要雇用劳动力，是为了生产、销售产品或者提供服务以获得收益。根据传统经济学的厂商理论，从宏观角度上看，生产函数Q=(L,K)，从中可以看出，产量的增长不仅依靠资本投入的增长，也凭借着劳动力的增加或者劳动生产率的提高。这取决于全社会的资本投资规模和科学技术革新突破带来的生产率低增长。从微观层度来看，各个企业的劳动力需求的变化，受限于产量的变化以及工资率的变化。而劳动力的需求变化还受到了劳动力供给的制约，除了工资因素外，还取决于所在国家或地区的人口规模、人口结构、人口流动、所处的经济周期以及其他相关制度和政策冲击的影响。
因此，依据现有的文献指标选择方法，结合各方面收集到的资料和访谈专家的意见，在考虑指标数据的易得性、适用性，以及不同行业研究对象上的差异性，本文选取了三类共20个指标进行预测分析，具体见表1。
3 海南省大健康产业人才需求预测模型的构建
3．1相关性及共线性分析
本文初步以海南省卫生人员总量作为因变量（记为y1）,以上述20个指标作为自变量（即X1，…，X20），运用2009—2015年的历史数据资料，建立回归预测模型。
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说论文指导海南省大健康产业人才需求多元回归预测模型的构建———基于主成(2)在线全文阅读。
相关推荐：