基于模糊化理论III的农业转移人口就业能力评估指标体系研究.docx

基于模糊化理论III的农业转移人口就业能力评估指标体系研究 摘 要：农业转移人口的就业能力评估体系的建立可以作为衡量农业转移劳动力资源效率与效益的手段，也是农业转移劳动力资源管理不可或缺的管理工具。模糊数量化理论III，能够将多个定性变量与定量变量结合在一起建立综合评价模型.并且该模型不受历史数据的影响，能够对任一时段内劳动力资源绩效进行独立评估，这为建立农业转移人口绩效评估模型提供了一个很好的方法。 下载 关键词：模糊化理论III 农业转移人口 就业能力 评估 中图分类号：F323.6 文献标识码：A 文章编号：1004-4914（2015）07-076-03 随着山西省“一核一圈三群”规划已初具规模，全省新式城镇化构架基本敲定，山西省城镇化进程已经进入快速发展阶段。研究农业转移人口就业能力，对于建立一体化的劳动力市场、市场机制与公共投入相结合的职业技能培训制度、完善城乡统一平等的就业体制，促进农业转移人口就业提供有效政策建议具有十分重要的现实意义。农业转移人口的就业能力评估体系的建立可以作为衡量农业转移劳动力资源效率与效益的手段，也是农业转移劳动力资源管理不可或缺的管理工具。 农业转移人口的能力考核也是劳动力资源绩效评估的组成部分，一般情况下，衡量劳动力资源个体绩效均需从定量与定性两个方面考虑：既要考虑劳动力资源所带来的效益（定量）指标，同时必须考虑劳动力资源的能力、工作态度（定性）等指标。1基于这种思路，建立一个能够将定性与定量指标综合在一起的农业转移人口绩效评估模型，将会为组织对劳动力资源的管理决策提供有力支持。 模糊数量化理论III，能够将多个定性变量与定量变量结合在一起建立综合评价模型，并且该模型不受历史数据的影响，能够对任一时段内劳动力资源绩效进行独立评估。2这为建立农业转移人口绩效评估模型提供了一个很好的方法。 一、针对转移人口个体就业能力评估的模糊数量化III模型 在数量化理论中，特定性变量称为“项目”，每个定性变量的不同取值称为“类目”。假设共有n个样本，自变量中有s个定量变量，m个定性变量，记： X=1（1） 1（m） U11 U1s2（1） 2（m） U11 U2s. . . . . . . . . .n（1） n（m） Un1 为样本反应矩阵。其中n（m）是第m个定性变量在第n个样本上的模糊取值，Uns是第s个定量变量在第n个样本上的取值经过标准化之后的数据。 模糊数量化理论III的目的是对m+s个变量赋以得分： B=（b1，b2，.bm，a1，a2，as）t 对每个样本按照 Yi=（Y1，Y2，Yn）t=Xb（1） 进行赋值得到各个样本的得分yi，从而对样本进行分类。因此，数量化理论III的主要问题是求解向量b和yi。 样本得分总的平均值为： =（bji（j）+1Ui1） 记gj=i（j），g=（g1，g2，gm，0，0） 则样本总平均表示为：Y=g，b 样本总方差为： 2=（bji（j）-）2+（1Ui1-）2 记G=diag（i（1）2，i（m）2，nn） 样本总方差可表示为：2=b，G-gg，b 令L=G-gg，则总体方差为：G2=b，Lb 组间方差为： 2b=（Yi-）2=Y2i-2=Y，Y-b，gg，b=（b，X，Xb-b，gg，b） 令H=X，X-gg，则组间方差为：2b=b，Hb 系数b可以根据组间方差与总体方差之比最大原则求出： 2=? 利用lagrange乘数法，并增加两个约束：b，Lb=1，b，g=0，得特征方程为： Hb=（m+s）Lb（2） 因此，该问题转化为求解（2）式的最大特征根所对应的特征向量的问题。从几何意义上来讲，特征向量相当于一个因子轴，样本得分可以看作是样本向量在这个轴上的投影，对应的特征根最大表示这个轴为使投影具有最大的分散程度（相关比的方向。 如果觉得一维的表示不够理想，可以进一步考虑多维表示的问题。 在应用过程中，通常求出前k个最大特征根12k所对应的特征向量b1，b2，bk，求得b1，对变量进行分类，然后根据公式（1）对样本进行分类。 此外，对于转移人口个体的绩效评估有时仅通过定性指标或定量指标来进行。模糊数量化III模型使用的数据形式除了以上介绍的定性与定量变量兼有的情况，还可以仅包含定性或定量数据。当仅包含定性数据时，将反应矩阵X中的定量部分去掉，并令、为U即可；对于仅包含定量数据的情形，可以根据Rb=sb求解，其中R表示s个定量变量的相关矩阵。3 二、农业转移人口就业能力评估指标体系 农业转移人口的就业能力与经济发展和技术革新紧密相连，是一个受多种要素共同作用的综合体，涉及个体、企业以及政府多个主体，不单指以就业必需的技能为代表的人力资本，还与个人特质相关，且受劳动力市场供求关系的影响。按照兼顾定性与定量指标的原则，经过分析与比较将农业转移人口就业能力的因素分为四方面，即人力资本、个人特质、社会资本、外部环境，最终确定了定量指标2类5个指标，定性指标2类3个指标，构成了农业转移人口就业能力评估指标体系如表1。 （一）定量指标的赋值标准 对于定量指标中的人力资本，将受教育程度从最低的小学至最高的大学及以上逐次赋值为（0.25，0.5，0.75，1）；职业技能方面为了简化评估难度不考虑证书类别或者级别，只分为有证书和无证书两个层级，有为1，无为0。 对于个人特质方面，年龄以10为步长，将就业年龄从20及以下至60及以上逐次给出分数，经过调研和评估建议以正态分布逐年给出分数，以40岁为峰值，给出评估标准为（=60）对应分数为（0.5，0.75，1，0.75，0.5）；性别方面，经调研发现男性的就业竞争力明显优于女性，建议赋值分数男性为1，女性为0.75；身体状况方面以医学体检报告为准，符合工作需求为1，不符合为0。 （二）定性指标的赋值标准 对于定性指标中的各项子指标取值，建议采用01之间的模糊取值：0表示非常差，0.25表示比较差，0.5表示一般水平，0.75表示比较好，1表示非常好。利用这种设置，可以构成符合模糊数量模型III的数据形式。 对于社会关系强度的测量主要偏重于考虑其所就业目标城市中的相关社会关系构成，亲属朋友是否能够帮助其尽快进入就业市场；经济地位测量主要考虑其在是否有一定的经济能力（如存款等）支持其渡过就业的初级阶段。 对于外部环境中的行业发展强度和劳动力市场供求测度应考虑测量期内整体社会发展趋势给出为期1年的预估判断。 三、指标体系模型的实证检验 经过对山西省农业转移人口的抽样调查，得到了一些基本的数据，现就其中的一部分数据做分析，以10名农民工就业数据做小范围分析验证，表2显示了相关数据关系，定量数据已进行了标准化处理。 根据前公式（2）计算，取前两个最大的特征根对应的特征向量可以得出以下结果： B1=（-0.051，-0.067，-0.041，-0.081，-0.107，-0.115，-0.087，0.312 ，0.178，0.203）t B2=（0.027，0.022，-0.066，0.051，-0.112，0.025，0.068，0.002，0.024，-0.307）t 根据模糊模型III的分类要求依据特征向量的结果对变量进行分类，分类后可以看出此处的B1和B2的差别，B1主要反应定量指标，B2主要反应定性指标。再结合前公式（1），将向量B1和B2代入公式可以得出这10名农民工样本的绩效评估结果，见表3。 根据表3中的数据构建散点图，横轴用B1来表示，纵轴用B2来表示，图中各点为10名被访者的二维平面上的投影。 从图1可以看出，虽然在一般意义上农民工的就业能力差异看起来不大，但是从城市化进程的适应力综合考量，尤其是将定性与定量数据做综合评价就体现出了差异。 如图中的2、5、8号样本，明显体现出了比较强的竞争力，经过分析可以发现，这3位都是具有一定职业技能的，年富力强同时也具备了一定的社会关系等软性条件，所以就业能力比较突出。对于这类群体，可以鼓励他们在城市扎根创业，同时优先向用人单位推荐录用。 与之相反的1、6、10号样本，不但因为缺乏可靠的职业技能，而且年龄和身体状况也体现出了弱势，同时由于社会关系等软性条件的缺乏，在城市化过程中单独就业或者创业会有比较大的阻力。从调研中发现，这类群体还体现出了一些特点，比如大多属于以家庭为单位进入城市中的迁移群体中的次要劳动力，比如主妇或者老年就业者，所以对于这类群体，建议给予适量关注，在尊重和保障其基本就业权利的同时，推荐与其能力相适应的就业岗位，这也是保证农业转移人口群体稳定和谐的重要一环。 对于其他的样本来说，劳动技能的缺乏是比较明显的弱势，建议对其进行适当的培训，同时可以有针对性的进行职业引导，引导其从事更适合其能力的职业。 通过上述对统计数据的分类分析，可以将复杂的农业转移人口人力资源分析体系进行简化类比，通过分类管理的方法实现合理的人力资源管理。 四、农业转移人口就业能力评估体系模型的应用价值 在国际经济和劳动力市场竞争日趋激烈的背景下，研究农业转移人口就业能力，对于建立一体化的劳动力市场、市场机制与公共投入相结合的职业技能培训制度、完善城乡统一平等的就业体制，促进转移人口再就业提供有效政策建议具有十分重要的现实意义。4 研究农业转移人口就业的关键问题便是如何提高他们的就业能力，使得农村剩余劳动力可以更好地满足山西省经济发展的需求，促进其就业。对农业转移人口就业能力评估体系模型的研究，能够为解决山西省农业转移人口市民化进程中的再就业问题提供有价值的参考，也可以为欠发达地区在解决农业转移人口市民化进程中的同类问题提供借鉴。 项目编号：2014041041-2山西农业转移人口市民化进程中的劳动就业问题研究山西省科技厅软科学研究课题 注释： 1刘传江，徐建玲.中国农民工市民化进程研究M.北京：人民出版社，2008.183 2侯家麟，唐慧娟，于九如.模糊数量化理论的应用与探索J.