基于GM（1，1）模型的智能制造人才需求预测

一、引言

周济（2015）在文章中提到，“中国制造2025”，以创新驱动发展为主题，以信息化与工业化深度融合为主线，以推进智能制造为主攻方向。 “智能制造”的英文表述为“smart manufacturing”或“intelligent manufacturing”。大约从2013年开始，学者们对智能制造开始给予更多关注。“人工智能：智能制造的工具”是第一本将专家系统人工智能与智能制造联系起来的出版物。美国国家标准与技术研究院（NIST）和智能制造领导联盟（SMLC）对当今智能制造的核心概念给出了定义。智能制造主要涵盖了三大领域：首先是智能装备，包括了基础零部件和装置、通用智能制造装备、专用智能制造装备等；其次是工业软件，包括研发设计类软件、生产制造类软件、经营管理类软件、控制执行类软件和新型工业软件；最后是智能制造系统解决方案，这主要包括汽车、电力设备、制药、石油化工、建材行、纺织等智能制造系统解决方案。胡峰和陆丽娜等（2018）通过使用一种改进的灰色预测模型GM(1,1)对江苏省的高技术产业人才需求进行了预测。颜艳（2021）使用GM(1,1)对高职软件和信息技术服务人才的需求进行了预测。从以上文献中可以看出，我国学者采用多样化的方法对制造业或技术服务人才需求进行预测。灰色预测模型GM（1，1）是单一预测方法中常用的模型，预测精度较好，广泛应用于多种领域的需求预测研究当中。

二、计量模型与数据来源

（一）研究数据

本研究中，参与智能制造能力成熟度自诊断企业数量和成熟度分布相关数据来自中国智能制造评估评价公共服务平台2019~2022年的年度报告。智能制造人才招聘职位同比增速数据来自智联招聘发布的智能制造人才发展报告。

（二）分析方法

灰色理论是一种动态模糊预测模型。与曲线拟合相比，灰色模型预测具有不需要大量原始数据、对数据分布没有要求等优点。在实际应用中，可以通过从已知信息中提取有价值的内容来对系统进行监控。本文采用的预测模型为 GM（1，1）。本文参考了Chan Sun和 Yixia Lu（2022）的模型利用2019年-2022年参与智能制造成熟度自诊断企业数量及智能制造能力成熟度等级分布，构建灰色预测模型GM（1，1）并对此后两年的数据进行预测，根据智联招聘2019-2022年智能制造人才招聘职位同比增速，对其后两年的增速进行预测。

（三）灰色预测模型的构建

由于 GM（1，1）模型在建模过程中要求监测数据的时间间隔相等，而智能制造人才需求数据的时间间隔并不相等。因此，利用三次插值法将非等时智能制造人才需求数据等时化，形成智能制造人才需求数据序列。

（四）对模型进行精度检验

误差C越小，预测精度越高。本文采用SPSS au 和Excel 进行模型构建和精度检验，若模型平均相对误差小于0.1，后验差比值小于等于0.35，则模型准确性和实用性较好可以用作预测模型。

三、分析结果

（一）智能制造自诊断企业数量预测

由表1可知，参与智能制造自诊断的企业数量总体呈逐年上涨的趋势，其中，2020年的预测值低于实际值，预测结果偏低，2021年预测结果高于实际结果，2022年预测结果与实际结果较为接近。截至2022年末，全国约6万家制造业企业开展了CMMM诊断，覆盖31省市自治区。随着智能制造的不断发展，初步估计到2024年，开展智能制造能力成熟度自诊断企业的累计数量大约是2020年的10倍。

表 1：基于GM（1，1）的参与智能制造自诊断企业数量预测

 （二）智能制造成熟度等级分布预测结果

从等级分布情况来看，从2019年到2022年，我们看到越来越多的制造业企业开始注重智能制造能力的提升。这一趋势使得一级及以下成熟度的企业数量逐渐减少，同时四级及以上的高成熟度制造业企业占比逐渐增加，且每年参与CMMM诊断的企业不断增加。本文对一级及以下、二级、三级、四级及以上的比例逐个进行建模和预测，生成如下汇总表。表2中对2023和2024年的智能制造能力成熟度等级分布比例估计显示，未来两年，二级、一级及以下的制造业企业可能仍然占到七成以上。

表 2：模型预测值表格

在模型构建之前，我们首先进行了级比值检验，由于我们获取的数据为年度数据，不具备季节周期性，因此我们在时间序列分析中未考虑季节性因素。我们对原始数据进行平移转换，即在原始值基础上加上了平移转换值1.00。经过平移转换后，数据的级比检验值均落在了标准范围区间[0.670, 1.492]内，这表明本数据适用于GM(1,1)模型的构建。

表 3：模型构建结果

从上表可知，模型构建后得到发展系数a，灰色作用量b，以及后验比C值和小误差概率p值。模型精度等级较好，另外，小误差概率p值为1.000=1.0，意味着模型精度很好。

表 4：模型预测值表格

由表4可知，2019到2022年智能制造人才招聘职位同比增速一直处于较高的水平，预计2023年和2024年智能制造相关职位的同比增速仍然在50%左右。2020年和2021年智能制造招聘职位同比增速较大。制造业企业加快了数字化转型的步伐，利用数字化技术发展企业的供应链，推动了工业互联网、物联网平台和自动化生产等平台和设备的建设。此外，构建以国内大循环为主、国内国际双循环相互促进的新发展格局不仅对国内的制造业转型升级有长期的导向作用，在短期内能也能促进其发展。

四、结论

GM(1，1)灰色预测模型在智能制造业人才需求预测所需的样本数据较少，预测精度较高。但对于复杂的数据预测效果并不理想，本文只对其后两年的数据进行预测。随着智能制造的发展，预计到2024年，开展智能制造能力成熟度自诊断企业的累计数量大约是2020年的10倍。未来两年，二级、一级及以下的制造业企业可能仍然占到七成以上。2019到2022年智能制造人才招聘职位同比增速一直处于较高的水平，预计2023年和2024年智能制造相关职位的同比增速仍然在50%左右。

根据参与CMMM企业的数量，未来两年智能制造企业数量仍有增长空间，成熟度中等偏下的企业仍占大多数，对智能制造中低端人才的需要短期内不会减少。智能制造评估服务团队和相关咨询服务机构也需要专业人才。

对企业而言，可以通过吸引和招聘所需的新人才，还可以通过培训计划对现有员工进行技能再培训，必要时还需要重新设计工作流程，以消除岗位与员工之间的技能不匹配。与当地大学和职业教育与培训机构建立联系，以培养员工所需的新技能。