基于回归分析一线机务人员需求预测分析.docVIP

基于回归分析一线机务人员需求预测分析 　　摘要：为制定航空公司维修部门一线机务人员需求的规划, 进行优化配置, 对一线机务人员总数进行预测。采用多元回归分析的方法利用变量的观察数据去拟合所关注的变量和影响它的变量之间的线性关系式，并利用拟合的数学模型来对机务人员的需求量进行预测。结果表明一线机务人员需求人数预测值与实际需求的偏差在5%左右，该模型在一线机务人员需求预测中的应用是可行的。 　　关键词：影响因子 多元回归分析 预测 一线机务人员总数 　　 　　1. 影响一线机务人员需求的因素分析 　　做一线机务人员需求总量预测，首先最重要的问题是理清影响一线机务人员需求总量的各种因素，根据这些确定的影响因素收集数据后才能运用数学和统计方法对这些数据进行整理分析，从而完成最初制定的需求预测目的。 　　要使所确定的影响因子具有可行性，以下两个基本条件必须满足: 　　第一，所确定的影响因素应反映本企业和行业的基本特点。例如在技术条件不变的条件下，工业企业的重要因素是产量和品种数量,出口企业的重要因素可能是市场份额，而航空公司的重要因素就是航班数量和飞机数量等等。 　　第二，所确定的影响因素应和所需员工数量成比例。根据查阅文献以及同行以往的实际经验，本文总结得到通常传统的影响一线机务人员需求预测的主要因素有: 　　（1）航班执行数量（生产量）。 　　（2）公司机队规模。 　　（3）突发事件和飞机故障-非例行工作。 　　 　　2. 一线机务人员需求预测影响因子的回归分析 　　回归预测法是人力资源管理中采用的一种以统计学为基础的最常用需求预测统计方法。多元线性回归是分析研究一个随机变量与多个变量之间线性关系的。它利用变量的观察数据去拟合所关注的变量和影响它的变量之间的线性关系式，检验影响变量的显著程度和比较它们作用的大小，进而用两个或多个变量的变化去解释和预测另一个变量的变化。它不是单纯的依靠拟合方程、延长趋势线来进行预测，更重视变量之间的因果关系。 　　为了做回归分析，必须考查各个影响因素与机务人员的数量这个因变量之间的关系。根据2005年收集的某航空公司维修基地的生产数据分别作每日航班总量与机务人员的数量；非例行工作工时与机务人员数量；每日投入航班的各种飞机的总架数与机务人员数量；总的维修工时与机务人员数量这4对变量的散点图，通过对比图形曲线变化发现机务人员总数与每日航班总数和投入航班的飞机总架数呈现出不规则的曲线变化，这主要是由于航线维修本身的不确定性特点所导致，航班总数和飞机总数的增长并不会带来维修工作量的同步增加，这使得这两个指标的有效性大大降低。而发现非例行工时、维修总工时变化趋势与人员需求总量大体呈同步增长趋势，相对比较有规律，这说明维修工作量则是导致机务人员需求数量变化的根本原因。所以，为了使得预测结果可靠，将每日航班总数和投入航班的飞机总架数对机务人员的影响不考虑在预测之内。只有非例行工时和总维修工时与机务人员数量呈一定的线性关系，因此，选择每日非例行工时和每日维修总工时作为自变量，以每日一线机务人员数量为因变量，进一步对这两个变量对机务人员数量的对应变化关系进行分析，得出相应的回归方程。 　　在进行计算机函数拟合分析前，还需先分析生产总量影响的总体趋势，即做一个定性判断:根据民航维修规范和相关的民航规章，每个航班保障的人员数量不可能比规定的要少；人员的数量应该与生产量的增加而增加；企业要保证生产符合适航规定，还必须具备相当数目的人数，因此，做函数拟合的曲线应与生产量作同步变化，不应与生产量趋势有分离。 　　根据2005年6月至12月抽样统计数据输入到EXCEL，做回归分析；依据回归结果可以建立维修总工时、非例行工时与机务人员数量的关系的二元原始估计回归方程为: 　　Y=13.5303+0.1136X1+0.04X2（式1） 　　 　　由表1可见回归方程显著性――F检验中Sig值很小，趋于0，说明方程的效果是显著的。 　　回归系数显著性――t检验中，t1=9.78,t2=1.42,t1＞t2 ；根据回归系数检验基本概念，其作用是检验每一个自变量x1对因变量y的线性影响；其值越大两变量间线性关系越显著。因此可以判定 与 的线性关系要远大于x1与y的线性关系。 　　维修总工时的t统计值大于4，P＜0.01,可以得出两者有明显关系存在的结论。 　　非例行工时的t统计值比较小,P＜0.01,可以得出二者没有明显的关系的结论。 　　但观察调整后的R Square的结果为0.73,清除了自变量个数和样本数量多少的影响，对R进行了修正；处于中游水平，说明选取的两个因子与机务人员数量的变化呈较好的相关关系，但并非最佳值。“R2判定系数是判定一个线性回归直线拟合优度的重要判定指标，等于回归平方