【高等农业教育】
[摘 要]当前我国正处于全面建成小康社会的历史性阶段，加快社会主义新农村建设需要补齐“短板”，需要大批农科人才积极献身农业现代化建设，需要激发各类人才到农业农村创新创业的热情，这就对农科人才培养提出了新的更高要求。以2013—2017年农科毕业生有效供给数作为原始序列，建立农科人才需求量的时间序列GM(1,1)模型，预测2020—2025年我国农科人才需求总量及其结构层次需求量。结果显示：未来六年我国农科人才的总需求量呈稳步上升趋势，2020—2025年我国农科人才需求预测数分别为：143231人、145206人、147207人、149237人、151294人、153380人；农科专科生在农科总人才中所占比重缓慢下降；本科和硕士生所占的比重在不断增加；对于农科博士而言，未来六年所占比重基本保持不变；未来我国农科人才需求将以高层次、复合型人才为主。
[关键词]灰色系统理论；农科人才；需求预测
引言
新世纪以来的中央第15个一号文件强调指出，当前农业发展仍是现代化建设的短板，农村建设仍是全面建成小康社会的短板。加快农业与农村发展，需要大批农业科技专业人才投身农业现代化建设，需要激发各类人才到农业农村创新创业的热情，也对农科人才提出了更高要求。那么未来我国农科人才的需求情况到底如何？据此，本文以2013—2017年农科毕业生有效供给数作为原始序列，拟通过灰色预测模型对2020—2025年我国农科人才的需求总量及结构层次情况进行分析。
在灰色预测方面，国内学者已有不少探索。罗党等(2003)指出灰色模型GM(1,1)应用广泛，可以根据模型的发展系数，调整模型的预测范围。通过构建不同的GM(1,1)模型背景值，输出模型时间响应函数和模型精确度检验表，对比了相互之间的特点，得出灰色模型的高精确度和强适用性，完善了模型的应用价值[1]。刘志民等(2010)对我国农科人才需求预测影响因素进行分析，采用灰色系统模型对我国农科人才需求总量及不同区域增长情况进行预测分析，研究结论为优化我国农科人才发展指明了方向[2]；江瑜和周志英(2009)首先论证了经济时代金融行业人才的紧缺和重要性，基于金融行业人才需求所呈现出的特征，选用灰色预测模型对未来几年的人才需求总量进行预测，并使用残差检验和后验差检验论证了模型的有效性，为有关部门实施人才管理提供科学的参考依据[3]。模型建立方面：张立(2011)构建企业人力资源模型以及灰色GM(1,1)预测模型，借助数学软件Matlab进行编程计算，将拟合值与实际值进行比较，发现灰色模型符合二级精度检验，说明灰色预测模型具备良好的预测实用性[4]；李少鹏等(2008)针对高校毕业生的供需情况构建了灰色GM(1,1)预测模型，运用定量与定性相结合的方法分析了毕业生的供需特点，为制定解决大学生就业矛盾的相关政策措施提供了参考依据[5]。徐荣，曹安照(2006)强调了社会进步与科技人才密不可分的关系，在研究科技人才的供给特征上，论证了灰色模型的适用性，因此构建灰色GM(1,1)模型，并做相关性检验，预测结果验证了模型的可靠性[6]。卞永峰，李恩平(2013)对山西省经济发展转型期所面临的人才短缺情况进行了分析，依据以往10年的科技人才数量构建了灰色系统模型，结合趋势外推法预测了未来年份人才需求量，研究结果为建设创新人才培养队伍指明了方向[7]。陶永坤等(2019)通过对科技人力资源增长趋势的判断，依据灰色系统理论预测模型对湖南长沙县科技人才增量进行分析，并将结果与实际值进行测评比对，结果证明了该模型的高精准度和可靠性[8]。冯长敏(2018)运用GM(1,1)模型对近几年北京春运铁路客运量数据进行预测分析，预测结果证明了灰色模型的良好精度，对现实中处理春运分流提供了很大帮助[9]。宋晨晓等(2018)在以往12年的数据基础上，将灰色预测模型与Matlab编程相结合，预测中医医院卫生人力资源需求情况，预测结果显示灰色预测精确度高，拟合效果良好[10]。王韦霞(2018)以安徽省某高校人员职称结构为案例，利用马尔科夫链和灰色预测模型对该校2019年教师总人数进行预测，通过预测结果总结该校师资队伍发展规律，为实现师资队伍的合理配置提供了参考价值[11]。以上研究既为本研究留存了探索的空间，又为本研究的开展提供了有益线索。
共纳入20个研究（1篇文献因异质性高而未纳入），包括527例患者。研究间异质性低（I2=14.3%），固定效应模型荟萃分析结果显示：Masquelet技术治疗骨缺损总体治愈率为87.8%，CI 95%为84.9%～90.4%（图2、表2）。
一、概念与模型选择
(一)农科人才
农科人才是指具有大专及以上学历，专门从事农业科研、技术、推广工作，具有较高创造力、能够为经济发展做出贡献的人。本文将农科人才在结构上分为四个层次：农科博士、农科硕士、农科本科及农科专科。在研究生教育层次，包含作物学、园艺学、农业资源利用、植物保护、畜牧学、兽医学、林学、水产八个一级学科[12]；在本科及专科教育层次，主要指农业院校设立的“目录内专业”，包含植物生产类、草业科学类、森林资源类、环境生态类、动物生产类、轻工纺织食品类、农业工程类、林业工程类、农林经济管理类[13]。
(二)人才需求预测
人才需求预测，就是指对未来一定时期内各种专门人才需求量的预测。应用预测技术可以预测出人才的需求量，同时可对未来人才的学历层次、数量等分别进行预测，在此基础上，结合各种外界因素，促进人力资源的合理利用和开发。本研究将对农科人才未来年份的人才数量规模及学历层次(农科博士、农科硕士、农科本科、农科专科)分别进行预测。本文对农科人才需求的界定为：人才需求=毕业生规模×就业率。
B=
(三)预测模型选择
平均滚动精度：
(四)灰色预测模型建模与检验
1.灰色预测模型的建模方法及步骤如下[15]：
第一步：给定观测数据序列;第二步：对观测序列进行累加;第三步：构造数据矩阵B和Yn;第四步：计算参数向量第五步：建立GM(1,1)白化形式的微分方程模型；第六步：将参数向量代入时间相应函数；第七步：对求倒数，得还原模型：
2.GM(1,1)的精度检验与预测[16]:
有别于其他表音体系的文字，所以学习者首先需要构建符号表示形义关系的概念。因此，在汉语学习的初始阶段，就要学习书写汉字，开展汉字教学。对于汉语来说，语和文是不分家的。一般情况下，留学生学习汉语都是首先从汉语拼音开始，常常会忽略汉字教学，因此需要强化汉字教学。
(1)事前检验
事前检验是对原始数据序列作GM(1,1)建模的可行性检验。当级比值落在可容纳区(e-2,e2)内，即σ(k)∈(0.1353,7.389)，则表明x(0)是光滑序列，可作灰预测。当灰发展系数-a≤0.3时，GM(1,1)模型可用于中长期预测。
(2)事中检验
事中检验是对GM(1,1)模型的精度检验。一般采用残差检验、后验差检验、级比偏差值检验。残差检验中，绝对残差相对残差；ε(k)=平均残差平均精度P0=(1-ε(avg))×100%;一般要求ε(k)<20%，最好是ε(k)<10%；一般要求P0>80%，最好是P0>90%。后验差检验中，计算观察数据离差S1：
计算残差ε(0)(t)的离差S2：
后验比(均方差比)C为：小误差概率P为：
一般要求0.80<P<0.95，0.35<C<0.50，最好是P>0.95和C<0.35。级比偏差值检验中，级比偏差为：
其中一般要求P(k)<20%，最好是P(k)<10%。
对于农科人才总量的需求预测，首先对原始数据X(0)做一次累加生成，得到新的数据序列X(1)，给定原始时间2013—2017年资料序列见表3：
一般的，我们认为我国农科在校生数能够大体衡量农科人才的培养规模，但不能基于此来预测未来年份农科人才需求量。在对文献进行研读后，本文选择农科毕业生的有效供给数作为农科人才需求量的原始数列进行灰色GM(1,1)模型预测，即农科人才需求量等于农科毕业生数乘以当年平均就业率。2013—2017年农科毕业生有效供给数见表2：
事后检验一般采用滚动检验。令X(0)为原始序列，Xi(0)为建模序列的4维新陈代谢子列。如：Xi(0)={X(0)(1),X(0)(2),X(0)(3),X(0)(4),}；X5(0)={X(0)(2),X(0)(3),X(0)(4),X(0)(5)}…对Xi(0)作GM(1，1)建模。滚动残差：
;平均滚动残差：
灰色预测模型称为GM模型，GM(1,1)表示一阶、单变量的线性动态灰(grey)模型(model)，用于时间序列预测的是其离散形式的微分方程型预测模型。GM(1,1)预测模型的实质是对原始数据序列作一次累加生成，使生成序列成一定规律，并用典型曲线拟合，建立其数学模型。灰色预测方法可以避免由于个人经验、知识、偏好等造成的人为主观臆断[14]。灰色预测模型能够对社会经济的行为特征和发展趋势进行整理和描述，总结系统发展内在规律，为系统预测研究提供参考意义。人才系统中既包含已知信息也包含未知信息，它与政治经济、社会发展之间的关系错综复杂，我们认为它是一个半明半暗的灰色系统，所以文章将采用灰色GM模型对农科人才需求量及各层次需求人数进行预测。灰色系统理论在研究数据序列较短、统计数据年份较少时能够呈现明显的变化趋势，预测建模时不需要了解原始数据的先验分布具体情况，也能反映出研究问题的真实趋势，具有较高的预测精度。灰色预测模型的这些优势，为其在人才预测方面打下广泛的基础。
一般要求最好是
预测精度等级对照表，见表1：
三组重度患者治疗前MMRC评分、6MWD、FEV1预计值比较差异无统计学意义（P＞0.05），治疗后，策略1组和策略2组较治疗前明显改善，两组改善程度优于对照组，策略2组的MMRC评分、6MWD改善程度更明显（P＜0.05），见表2。
表1 精度检验等级参照表
指标临界值精度等级 相对误差α关联度ε0均方差比值C0小误差概率P0一级0.010.900.350.95二级0.050.800.500.80三级0.700.700.650.70四级0.600.600.800.60
二、基于灰色GM(1,1)模型2020—2025年农科人才需求总量预测
(一)灰色GM(1,1)模型建立
(3)事后检验
表2 2013—2017年农科毕业生有效供给数(单位：人)
年份毕业生有效供给总数普通专科有效供给数普通本科有效供给数硕士有效供给数博士有效供给数2013124150527435504514140228120141265455214756142160192236201512986353190575151675124072016133889509916142019030244820171374364923964913207662518
资料来源：由本课题组中国工程院子课题组统计数据整理计算得出。
3.4 纤毛虫病。1985年前后，生产种苗的牙鲆稚鱼中发生了一种纤毛虫寄生虫病，该病引起了养殖鱼类的大量死亡。
表3 2013—2017年建模数据序列 (单位：人)
t1234 5X(0)124150126545129863133889137436X(1)130377131933133729135663137436Yn-126545129863133889137436
构造矩阵B和向量Yn：
“人性化设计”是现代工业设计发展的新模式，也是人们追求自我的表现，它以公众的需求为基础，产品通过设计手段赋予人类思想和精神，人性化的设计是设计师向人们展示他们的理解和尊重。设计的最大特点就是创新，必须始终以人为本，坚持以市场调研结果为基础，以满足用户的需求为最终目的，可以借鉴他人的作品，但绝对不是侵犯他人版权。
（2）桥台面纵向位置设置坡度较大时，应该结合桥梁的具体方式来进行挖方施工，确保桥台稳定性达标，需要结合具体的施工情况，确定使用桩式台或者是一字台的方式[5]。
=
利用最小二乘法求解系数向量
代入GM(1,1)微分方程，得：
其时间响应函数为：X(k+1)=9570139.205064e0.013692x-9439762.205064
(二)灰色GM(1,1)模型检验
表4GM(1,1)模型误差检验表
年份实际数据(k)模拟数据(k)残差ɛ(k) =(k)-(k)相对模拟误差Δk=2014131933131934.639-1.6390.001%2015133729133753.500-24.5000.018%2016135663135597.43565.5650.048%2017137436137466.791-30.7910.022%
应同时考虑发生滑坡灾害时的间接经济损失，国土资源部[18]统计得出的滑坡灾害间接经济损失为直接经济损失的1.1倍。由此可以确定滑坡灾害损失值为直接经济损失与间接经济损失总和。
由表4可知，我们建立的灰色GM(1,1)模型，计算后的平均模拟相对误差为：0.023%，Δk<0.05，精度为二级。平均预测精度为：99.977%。灰色模型发展系数为-0.013692，a<0.1，表明模型可以进行中长期预测。从表5可以看出，预测模型通过高精度模型检验，说明建立的灰色预测模型非常成功，能达到较高的预测精度。
规范的华法林抗凝治疗对心源性脑栓塞患者心理状态及生活质量的影响 …………………………………………………………… 冷俊岭，刘姜冰，张新江，等 401
表5 模型精度检1验
参数值事前检验事中检验事后检验级比﹡⊕灰发展系数平均残差平均精度均方差比小误差概率级比偏差平均滚动残差平均滚动精度σa(k)-αε(avg)P0CPP(k)εrun(avg)P0run(a1)AA(1.012,1.013)0.0136920.023%99.977%0.0151<10%0.076%99.924%BB(0.135,7.389)(0.3,0.5]ε(avg)<109>80%0.35<C<0.500.80<P<0.95P(k)<2εrun(avg)P0run>CC(0.717,1.396)-α≤0.3ε(avg)<5%P0>90%C<0.35P>0.95P(k)<1εrun(avg)P0run>
注：A为每年农科人才规模模型检验值；B为较高精度检验参照值；C为高精度检验参照值。级比﹡用于检验建模序列是否是光滑序列，若序列光滑，则表明可以建立灰色模型。⨁灰发展系数-α用于检验模型预测范围的可行性。当-α≤0.3时，GM(1,1)模型可用于中长期预测；当0.3<α≤0.5时，模型可用于短期预测，中长期预测慎用；当0.8<α≤1时，应采用残差修正模型；当-α>1时，不宜采用GM模型。
(三)灰色GM(1,1)模型预测
2020—2025年每年农科人才需求总量预测结果见表6和图1。
表6 2020—2025年农科人才需求GM(1,1)模型预测值 (单位：人)
^X(6)^X(7)^X(8)^X(9)^X(10)^X(11)年份202020212022202320242025预测值143231145206147207149237151294153380
图1 2020—2025年农科人才需求预测结果(单位：人)
三、基于灰色GM(1,1)模型2020—2025年农科各层次人才需求预测
(一)灰色GM(1,1)模型建立
对各层次农科人才需求的预测，本文将重点分析各层次人才数量及在农科人才总量中所占比重的变化情况，具体分为农科专科、农科本科、农科硕士以及农科博士四个层次。以下建模数据是在各层次农科毕业生有效供给数基础上进行一阶弱化后所建立的灰色GM(1,1)预测模型，一阶弱化算子作用较为保守，用来消除数据不规则变动对预测结果的影响。原始数据为各层次农科毕业生的有效供给数，可以较为直观地反映不同层次结构人才需求量及所占比重的变化。灰色GM(1,1)模型的建模数列见表7：
表7 2013—2017年各层次建模数据序列 (单位：人)
t12345专科X(0)5274352147531905099149239X(1)5166251392511405011549239本科X(0)5504556142575156142064913X(1)5900759998612836316764913硕士X(0)1414016019167511903020766X(1)1734118142188491989820766博士X(0)22812236240724482518X(1)23782402245824832518
对原始数列X(0)进行一次累加，得到新数列X(1),作为建模数列。灰色GM(1,1)模型的参数估计值、白化方程及时间响应函数见表8：
表8GM(1,1)模型估计值及参数
参数估计值GM(1,1)模型白化方程时间响应函数专科σ=0.014791dX(1)dt+0.014791X(1)=5274249235X(k+1)=-3514227.870257+3565889.870257σ=52742492359本科σ=-0.026710dX(1)dt-0.026710X(1)=57489.45982X(k+1)=2211356.562391-2152349.562391σ=57489.459820硕士σ=-0.046008dX(1)dt-0.046008X(1)=16880.8735X(k+1)=384255.483914-366914.493914σ=16880.873535博士σ=-0.015104dX(1)dt-0.015104X(1)=2355.567020X(k+1)=158335.042895-155957.042895σ=2355.567020
(二)灰色GM(1,1)模型检验
表9 GM(1,1)灰色模型检验精度检验
参数值事前检验事中检验事后检验级比﹡⊕灰发展系数平均残差平均精度均方差比小误差概率级比偏差平均滚动残差平均滚动精度σa(k)-αε(avg)P0CPP(k)εrun(avg)P0run(a1)A(0.995,0.983)-0.0147910.318%99.682%0.0211<10%1.431%98.569%B(1.017,1.028)0.0267100.168%99.832%0.0581<10%0.554%99.446%C(1.046,1.044)0.0460080.277%99.723%0.0501<10%1.053%98.947%D(1.010,1.014)0.0151040.237%99.763%0.1401<10%0.972%99.028%△(0.135,7.389)(0.3,0.5]s(avg)<10%>80%0.35<C<0.500.80<P<0.95P(k)<20%εrun(avg)<20%P0run>80%▲(0.717,1.396)-α≤0.3ε(avg)<5%P0>90%C<0.35P>0.95P(k)<10%Srun(avg)<10%P1run>90%
注：A为每年农科专科人才规模模型检验值；B为每年农科本科人才规模模型检验值；C为每年农科硕士人才规模模型检验值；D为每年农科博士人才规模模型检验值；△为较高精度检验参照值；▲为高精度检验参照值。级比﹡用于检验建模序列是否是光滑序列，若序列光滑，则表明可以建立灰色模型。⨁灰发展系数-α用于检验模型预测范围的可行性。当-α≤0.3时，GM(1,1)模型可用于中长期预测；当0.3<α≤0.5时，模型可用于短期预测，中长期预测慎用；当0.8<α≤1时，应采用残差修正模型；当-α>1时，不宜采用GM模型。
表9是灰色预测模型精度检验表，从检验的结果可以看出，无论是事前检验、事中检验还是事后检验，各指标均通过了高精度参数检验，各层次灰色预测模型的灰发展系数均小于0.3，表明GM(1,1)模型可用于中长期农科人才预测。模型的平均精度为99.75%，从上述的指标中可以看出，建立的灰色预测模型非常成功。
(三)灰色GM(1,1)模型预测
2020—2025年每年各层次农科人才需求预测结果见表10和图2。由此可知，2020—2025年博士需求量年均增长率为1.5%，到2025年我国农科博士需求量约为2845人；2020—2025年之间我国农科硕士需求量年均增长率为4.71%，到2025年，我国农科硕士需求量预测为30010人；对于本科层次的农科人才而言，2020—2025年之间我国本科需求量年均增长率为2.71%，到2025年，农科本科需求量预测为80306人，较2020年增加约一万人次；2020—2025年之间我国农科专科需求量年均增长率为-1.47%，农科专科生需求量呈逐年缓慢下降趋势。从侧面反映了在新常态背景下，对于农科人才的需求，更加注重培养结构的优化，聚焦于高层次、复合型人才。从各层次农科人才年均增长率来看，由快到慢的增长的分别是农科硕士、农科本科、农科博士以及农科专科人才。图2为各层次农科人才需求量情况，由图可知，除农科专科生外，农科本科、硕士、博士的人数是在逐年稳步增加的，说明社会对于高层次农科人才的需求不断增多。随着经济进入新常态，农业技术的转型升级，会对低层次农科人才产生一定的替代作用，对复合型农科人才的需求更加迫切。
选取2016年4~10月山东省青岛市39个社区的97名社区护士为调查对象。标准:①已获得护士执照;②社区工作护士1年及以上;③自愿参与者。
表10 2020—2025年农科人才(层次)需求GM(1,1)模型预测值(单位：人)
年份202020212022202320242025专科472144652145838451654450243849本科702667216974122761297818980306硕士238432496626141273722866130010博士263826782719276128032845
图2 2020—2025年各层次农科人才需求预测结果(单位：人)
图3是各层次农科人才占农科总人才比例情况，我们可以看到，农科专科人才所占总人才的比例是下降的，由2020年的32.96%下降至2025年的28.59%；农科本科人才所占的比例将逐年上升，由2020年的46.06%上升至2025年的52.38%，约占农科总人才的一半；农科硕士所占总人才的比例也呈逐年上升趋势，由2020年的16.65%上升至约19.57%；农科博士占总人才的比例变化不大，各年份基本保持在1.85%左右，但总体呈缓慢上升趋势，也较为直观地反映出我国博士生的培养除规模和数量外，注重品质的提高，博士生的培养注重内涵式发展。全面建设小康社会，促进农业现代化发展，要牢牢把握“十三五”发展契机，加快新时代农业经济的发展，农科人才是关键。从以上预测的结果可以看出，在未来六年内，我国农业发展对农科人才的需求呈现平稳的增长趋势，从2020年的143231人到2025年的153380人，平均每年需要补充1692人。可以从以下两方面进行解释：一方面是基于新常态的时代背景，全国不同产业都进入转型发展新时期，农业产业也由原来的粗放式发展逐步转向集约式发展，农业经济增长更加平稳。对农科人才的需求不再盲目，而是更加注重层次结构的划分和人才的创新能力，以复合型农科人才需求为主。另一方面，在未来几年的人才培养过程中，除了保障农科人才总量的适量培养，农业经济的发展还要求适度增加农科博士生、硕士生、本科生的培养，减少农科专科生的培养，并且以培养高层次综合型农科人才为发展目标，不断满足农业经济发展的需求。
图3 2020—2025年各层次农科人才所占比例
四、结论
本文列出了经典GM(1,1)模型用于数列预测的步骤，对未来农科人才需求进行了总量和不同层次的预测，主要结论如下：第一，利用GM(1,1)预测模型对原始数据进行一阶弱化后建模，结果显示，模型的平均精度为99%以上，以一阶弱化后的结果为预测值具有较高的可信度；第二，从农科人才结构预测结果来看，未来六年我国农科人才的总需求量呈稳步上升趋势，2020—2025年我国农科人才需求预测数分别为：143231人、145206人、147207人、149237人、151294人、153380人。其中对专科生的需求量呈逐年下降趋势；对本科和硕士生的需求呈稳步上升趋势，且所占的比重在不断增加；对于农科博士而言，未来六年所占农科总人才的比重基本保持不变；第三，从各层次农科人才所占比例上看，高层次人才所占的比重在加大，也说明未来对复合型人才的需求将不断增多。
对进行鉴定的80份判决书进行筛选发现：在“知情同意”方面主要是鉴定“知情同意书”上患者签名字迹的真伪。而对于医院的告知义务，部分文书只是在鉴定结论中进行简单表述，没有进行更加详细的说明。由于大部分案件存在对表4中所涉及事项的多项鉴定事项进行鉴定的情况，如“李监荣、李灿华等与容县中医院医疗损害责任纠纷一案”[1]进行的鉴定的事项为两项：一是医院是否存在过错，二是医院的过错与患者死亡之间是否存在因果关系。因此，表4中数据的总和并不等于案件数量，不进行数据总和与比例的统计。
[参考文献]
[1]罗党,刘思峰,党耀国.灰色模型GM (1,1)优化[J].中国工程科学,2003(8):50-53.
[2]刘志民,高耀,张振华.中国农科人才结构与区域预测及需求因素分析[J].教育发展战略规划,2010(12):21-24.
[3]江瑜,周志英.基于灰色系统理论的金融业人才需求预测[J].企业经济,2009(1):56-57.
[4]张立.基于灰色预测模型GM(1,1)的人力资源需求预测研究[J].人力资源管理,2011(4):234-235.
[5]李少鹏,吴嘉晟.灰色系统模型及其经济问题应用[J].数学的实践与认识,2008(1):66-70.
[6]徐荣,曹安照.基于灰色系统理论的科技人才需求预测[J].安徽工程科技学院学报(自然科学版),2006(9):72-73.
[7]卞永峰,李恩平.基于组合预测模型的山西省转型期紧缺科技人才需求预测研究[J].科技管理研究,2013(21):14-16.
[8]陶永坤,姚蓉.基于灰色模型的湖南省县域科技人才预测模型研究[J].现代营销,2019(2):186-188.
[9]冯长敏.基于GM(1,1)模型的公共交通运量预测[J].北京信息科技大学学报,2018(12):83-86.
[10]宋晨晓,徐爱军,王丹丹.基于灰色GM(1,1)模型的中医医院人力资源需求预测研究[J].中国研究型医院,2018(12):3-5.
[11]王韦霞,利用马尔科夫和灰色模型预测高校师资队伍[J].安庆师范大学学报(自然科学版),2018(12):17-18.
[12]教育部.授予博士、硕士学位和培养研究生的学科、专业目录(1997年颁布)[EB/OL].http://old.moe.gov.cn//publicfiles/business/htmlfiles/moe/moe_834/201005/xxgk_88437.html.
[13]教育部.普通高等学校本科专业目录(1998年颁布).[EB/OL]http://old.moe.gov.cn/publicfiles/business/htmlfiles/moe/s3882/201010/xxgk_109699.html.
[14]王维，李仕明，李钰.2005-2010年四川省人才需求预测[J].电子科技大学学报(社科版)，2005(2):44-47.
[15]刘思峰,谢乃明.灰色系统理论及其应用(第五版)[M].北京:科学出版社,2010.
[16]邓聚龙.灰预测与灰决策[M].武汉:华中科技大学出版社,2002.
ForecastingChina’sAgro-TalentDemandfrom2020to2025：BasedontheAnalysisofGreyGM(1,1)Model
LIU Zhimin,ZHAO Xingna
(Nanjing Agricultural University,Nanjing 210095,China)
[Abstract]At present,China is in the historic stage of building a well-off society in an all-round way.To speed up the construction of new socialist countryside,we need to fill the “short plate”.We need a large number of agro-talents to actively devote themselves to the modernization of agriculture,and we need to activate all kinds of talents to innovate and start businesses in agricultural and rural areas,which involves new and higher requirements for the cultivation of agro-talents.Based on the effective supply of agro-graduates in 2013-2017,this paper established a time series GM(1,1)model for the demand of agro-talents and predicted both the total and structural level demand of agro-talents in China from 2020 to 2025.The results showed that the total demand for agro-talents in China will increase steadily in the next six years.The forecasting result of agro-talent demand in China from 2020 to 2025 is 143,231,145,206,147,207,149,237,151,294 and 153,380,respectively;The proportion of agro-specialists in the total agro-talents is slowly decreasing,while that of undergraduate and postgraduate talents is increasing;for the agro-doctorate personnels,the proportion in the next six years will remain basically unchanged;In the future,the demand for agro-talents in China will be dominated by high-level and more skill talents.
[Keywords]Grey System Theory;Agro-talents;Demand Forecast
[中图分类号]G64
[文献标识码]A
[文章编号]1009-1173(2019)5-0042-10
[收稿日期]2019-03-15
[基金项目]中国工程院重点咨询项目“新常态下中国高等农业教育发展战略研究”(2017—XZ-17)的阶段性成果
[作者简介]刘志民，男，南京农业大学公共管理学院教授，博士生导师；研究方向：教育经济与战略研究。赵杏娜，女，南京农业大学公共管理学院硕士生；研究方向：教育经济。
(责任编辑：周献)
标签：农科论文; 模型论文; 人才论文; 灰色论文; 需求预测论文; 社会科学总论论文; 人才学论文; 世界各国人才调查及其研究论文; 《中国农业教育》2019年第5期论文; 中国工程院重点咨询项目“新常态下中国高等农业教育发展战略研究”(2017—XZ-17)的阶段性成果论文; 南京农业大学论文;