基于马尔可夫链的省份人才占比预测

基于马尔可夫链的省份人才占比预测

模型假设

1.不考虑人才总数增长对人才流动的影响
2.不考虑未来各省份政策改变造成的影响
3.每个省份有一定百分比的固定人才

马尔科夫链

马尔可夫链（Markov chain），又称离散时间马尔可夫链（discrete-time Markov chain），因俄国数学家安德烈·马尔可夫（俄语：Андрей Андреевич Марков）得名，为状态空间中经过从一个状态到另一个状态的转换的随机过程。该过程要求具备“无记忆”的性质：下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关。这种特定类型的“无记忆性”称作马尔可夫性质。

转载自链接: link.

马尔科夫链转移矩阵构造

由马尔可夫预测原理，只要我们知道每个省份人才之间的迁移概率，即可预测未来人才流动趋势。
为了得到迁移概率，可以通过TOPSIS法(优劣解距离法)，通过各项指标综合评价得到各省份的人才吸引力，即可转化成流动人才的迁移概率，随后能构造转移矩阵。

TOPSIS的指标及权重确定

1.指标的确定

综合能找到的数据，确定了各省GDP总量，人才效能(人才数/GDP)，经济增长率，科研技术工作平均工资，失业率 ，城镇人均每年消费支出，卫生技术人员比例，省份间距离，八项作为评价指标。其中人才效能(人才数/GDP)，失业率，省份间距离为极小型指标，需正向化处理。

2.基于遗传算法的最优化方法确定权重

由于已有资料包括2017年的各项指标数据和2018年毕业生各省份流动人口趋势，权重的确定即可利用最优化模型来确定。（注：省间距离指标是评价两两省份之间迁移概率所需，此处暂不考虑）

采用遗传算法的方法最终得到除“省份间距离”这项评价指标外的其他指标最优权重。
最终各项指标权重如下：

指标	权重
各省GDP总量	0.1350
人才效能(人才数/GDP)	0.1896
经济增长率	0.2153
科研技术工作平均工资	0.0885
失业率	0.0207
城镇人均每年消费支出	0.0981
卫生技术人员比例	0.2528

基于TOPSIS转移概率的确定

1.带入省间距离数据：以每个省到其他各省的距离作为“省间距离”指标数据（省间距离指标权重设为0.1，后加权平均），通过TOPSIS评价得到各省到其他省的迁移概率。

2.构造转移矩阵：约定各省有%90的固定人才，%10的流动人才按迁移概率分配。得到转移矩阵。（比例通过优化模型确定）

$$p_{ij}=w_{ij}\times 0.1i\ne j$$
$$p_{ij}=0.9+w_{ij}\times 0.1i=j$$

马尔可夫预测

$$w^{(n)}=w^{(n-1)}P$$
其中$w^{(n)}$为第n年以后的各省人才占比.于是
$$w^{(n)}=w^{(0)}{P}^n$$
即可预测出第n年后的各省人才占比