基于Logistic与决策树模型的大学生毕业去向研究

吴薇薇^1*，游珊²，兰新华²

（1.青海师范大学教育学院，青海 西宁 810008；2.江西理工大学，江西 南昌 330013）

摘要:目的探讨大学生毕业去向的影响路径和相关因素，为大学生毕业去向提供参考依据。方法以江西某高校2021届405名学生为研究对象，采用logistic回归分析和决策树模型对大学生的毕业去向现状及其影响因素进行研究。结果学习成绩、综合素质学分和性别是大学生毕业去向的重要影响因素。结论大学生毕业去向主要受学习成绩和综合素质学分和性别因素影响，其中学习成绩影响最大。

关键词: 大学生毕业去向；Logistic回归分析；决策树

1问题提出

近年来，学者们对于大学生毕业去向的影响因素进行了较多探索，概括起来，这些因素可以分为三类：其一，人口统计学特征对于大学生毕业去向的影响^[1]；其二，社会资本对于高校大学生毕业去向的影响^[2]；其三，大学生心理特征对于毕业去向的影响^[3]。大学生毕业去向分布中，就业仍是众多大学生毕业后的第一选择^[4]。高校毕业生“慢就业”问题凸显，就业期望与劳动力市场现实间差距促使毕业生暂缓就业，“慢就业”逐渐常态化和普遍化，成为高校就业工作关注的重点^[5]。

如何运用大学生在校期间的多项数据预测大学生毕业去向进而筛选出有效数据，帮助大学生个人发展与职业生涯规划仍有待解决。其一，当前关于教育数据分析的研究主要关注于大学生的学习、就业质量变动等方面，对于如何用多源数据实现就业的个性化定制关注的比较少。其二，对于大学生就业行为的影响因素主要关注于部分人口统计学变量和就业态度、自我效能感、主观规范等心理因素的影响，忽视了对于大学生在校期间其他数据（如参与社会实践活动、参加创新创业比赛等）的全方位的关注，因此毕业去向方程的解释度有待提高。其三，现有研究所构建的大学生毕业去向预测模型多以事后的主观评价为主，由于主观评价易受到个人心态的影响，因此预测的精度会受到干扰。采用学生在校表现的多项数据进行分析，数据不仅包含人口学变量，同时还包含了与个体主观能动性等心理特征相关和社会资本相关的变量，且这些变量更直观更易获得。

因此，研究拟借助学生在校各项表现数据进行深入分析，提取几种相关因素对学生毕业去向进行初步预测并提出如下假设。

假设1：大学生在校各项表现数据中存在能够显著影响学生毕业去向的数据

假设2：大学生的人口学变量中存在能够影响学生毕业去向的变量

2研究方法

2.1研究对象

研究选取江西省某高校2021届软件工程学院8个专业全体426名学生作为研究对象，其中数据缺失11份，有效数据405，有效率95.07%。毕业去向分为就业、升学、待就业三种。其中，男性340人，女性65人，见表1。

2.2统计分析方法

2.2.1变量设置

研究收集数据项目涉及就业数据表、成绩信息表、学分表。其中在校成绩定义为学生在校期间所有考试和考察成绩的平均加权绩点，创新创业学分定义为学生在校期间参加的创新创业类活动加分，综合素质学分定义为学生在校期间参加的文体类、综合素质类加分；政治面貌分为群众、团员或党员。去向根据学信网分类，将学生毕业去向大体分为就业、升学、待就业。研究将学习成绩、创新创业学分、综合素质学分、年龄、性别、民族、政治面貌等纳入自变量，其中包括年龄等人口学变量和与学生主观能动性相关的绩效变量（学习成绩等），将学生毕业去向作为因变量进行分析。

2.2.2统计分析

采用SPSS 26.0软件进行数据的录入和统计学分析。对于单因素分析有意义的变量，采用多因素logistic回归方法进行毕业去向影响因素分析，p<0.05为差异具有统计学意义。

3研究结果及分析

3.1 大学生毕业去向总体情况

在405名毕业生中的年龄范围在21至24岁之间，主要集中在22和23岁（80.99%）。男性（84%）多于女性（16%），民族分布主要以汉族（95.8%）为主，政治面貌主要集中于团员或党员。学习成绩得分来看，升学去向的学生具有最高的平均分（80.414），就业去向的学生具有最高的稳定性（4.18），待就业去向的学生得分最低同时也最不稳定（75.391±4.97）。创新创业学分得分来看，升学去向的学生得分最高（2.908）且最不稳定（1.80），待就业去向的学生具有最高的稳定性（0.70），就业去向的学生得分最低（2.571）。从综合素质学分来看，升学去向的学生得分最高（5.397）且最不稳定（2.17），待就业去向的同学稳定性最高（1.33）且得分最低（3.519）。

在高校教育领域，学习成绩和综合素质学分对学生毕业去向的影响不容忽视。根据最新研究数据，不同学习成绩和综合素质学分对学生毕业去向具有显著影响，这一结论在统计学上达到了显著性水平（p<0.05）。具体而言，学习成绩在80.414分左右或综合素质学分在5.396分左右的学生，选择升学深造的可能性显著增加。这一发现表明，学习成绩和综合素质是影响学生未来发展方向的关键因素。学习成绩反映了学生的学术能力和知识水平，而综合素质学分则涵盖了学生的道德品质、社会实践、创新能力等多方面素质。因此，高校在人才培养过程中，应更加重视学生的全面发展，通过优化课程设置、加强实践教学等方式，提高学生的综合素质，从而为学生的升学和就业提供更有力的支持。同时，对于学习成绩和综合素质学分较低的学生，高校也应关注其个性化需求，提供针对性的辅导和帮助，以促进其全面发展，实现更好的毕业去向。创新创业学分、年龄、民族、政治面貌和性别对学生毕业去向的影响均不显著（ps>0.05），见表1。

表1 大学生毕业去向影响因素的单因素分析

变量	就业	升学	待就业	总计	F/χ²	p
学习成绩	75.83±4.18	80.414±4.40	75.391±4.97	76.842±4.70	41.444	<.0001
创新创业学分	2.571±0.92	2.908±1.80	2.741±0.70	2.659±1.18	2.935	0.054
综合素质学分	3.965±1.62	5.397±2.17	3.519±1.33	4.260±1.787	28.184	<.0001
年龄	22.470±0.79	22.330±0.77	22.630±0.884	22.450±0.79	1.934	0.146
民族					3.012	0.222
汉族	270(94.7%)	91(98.9%)	25(96.2%)	386(95.8%)
少数民族	15(5.3%)	1(1.1%)	1(3.8%)	17(4.2%)
政治面貌					0.583	0.747
群众	33(11.5%)	8(8.7%)	3(11.1%)	44(10.9%)
团员或党员	253(88.5%)	84(91.3%)	24(88.9%)	361(89.1%)
性别					0.527	0.768
男	242(84.6%)	75(81.5%)	23(85.2%)	340(84%)
女	44(15.4%)	17(18.5%)	4(14.8%)	65(16%)

3.2大学生毕业去向影响因素的Logistic回归分析

以大学生毕业去向为因变量，学习成绩、创新创业学分、综合素质学分、年龄、民族、政治面貌、性别为自变量等单因素分析中具有显著差异（p<0.05）的因素为变量时，AUC仅为0.600，加入性别因素后AUC值得到提升，建立多元Logistic回归模型，结果表明，学习成绩、综合素质学分和性别均具有统计学意义（p<0.05）。学习成绩（OR=1.265）、综合素质学分（OR=1.660）和性别（OR=4.240）与毕业去向均成正相关，见表2。

表2 大学生毕业去向影响因素的Logistic多因素回归分析

影响因素	β	SE	Wald χ２值	p	OR（95%CI）
学习成绩	0.254	0.059	18.379	<0.0001	1.289（1.148~1.447）
综合素质学分	0.613	0.194	9.942	0.02	1.845（1.261~2.701）
性别	1.444	0.707	4.176	0.041	4.240（1.061~16.943）

3.3 大学生毕业去向影响因素的决策树模型

大学生毕业去向影响因素的决策树分析研究中决策树生长为3层,共4个终末节点，筛选出的影响因素为：学习成绩和综合素质学分。其中根节点是学习成绩，表明学习成绩与大学生毕业去向相关性最高。学习成绩小于等于74.3509的学生就业的概率为85.1%，学习成绩在74.3509与79.1183之间的学生就业概率为76.7%，而学习成绩在79.1183以上的学生毕业选择就业的概率为47.9%，学生就业概率随学习成绩的增加而逐渐减小。学习成绩小于等于74.3509的学生升学的概率为5.8%，学习成绩在74.3509与79.1183之间的学生升学概率为17.2%，而学习成绩在79.1183以上的学生毕业选择升学的概率为47.1%，升学概率随着学习成绩的增加而逐渐增加，见图1。

图1 大学生毕业去向影响因素的决策树模型

3.4 两种模型对比分析

结果比较两种模型的分析结果均显示，学习成绩和综合素质学分是大学生毕业去向的影响因素，接受假设1。其中Logistic模型将性别纳入分析中，接受假设2，分别绘制两种模型的ROC曲线，见图２。Logistic回归模型的AUC为0.620（95%CI:0.557～0.682），灵敏度为74.5%，特异度为47.1%。分类决策树模型的AUC为0.696（95%CI:0.639～0.753），灵敏度为79.7%，特异度为52.9%。两种模型均p＜0.05，表明两种模型的分类效果具有实际意义。总体来说，分类决策树模型的灵敏度与特异度均高于Logistic回归模型，见表3，但对于性别因素，两种模型给出了不同的结果，因此仍然需要将两种模型结合进行研究。

图2 Logistic回归模型和决策树模型的ROC曲线

表3 Logistic回归模型和决策树模型预测性能比较

模型	AUC	SE	95%CI	灵敏度（%）	特异度（%）	约登指数（%）
Logistic模型	0.620	0.032	0.557～0.682	74.5	47.1	21.6
决策树模型	0.696	0.029	0.639～0.753	79.7	52.9	32.6

4讨论

4.1全文总结

在本次研究中，我们初步探索了大学生在校期间的多项数据与他们的毕业去向之间的关系。通过对大量数据的收集和分析，我们发现，大学生在校期间的学习成绩与所得的综合素质学分，对他们的毕业去向具有显著的影响。这一发现支持了我们的第一个假设，即大学生在校学习成绩与综合素质学分是影响其毕业去向的重要因素。为了更深入地分析这些影响因素，我们采用了Logistic回归模型和决策树模型两种统计方法。在这两种模型中，学习成绩和综合素质学分都被纳入了分析变量。这进一步验证了学习成绩和综合素质学分对毕业去向的重要影响。

然而，在Logistic回归模型的分析中，我们还发现性别这一变量也是影响大学生毕业去向的主要因素之一。这一发现支持了我们的第二个假设，即性别在大学生毕业去向的选择中扮演着重要角色。

基于这一发现，我们得出结论，在分析大学生毕业去向的影响因素时，除了学习成绩和综合素质学分之外，性别也是一个不可忽视的因素。性别差异可能导致大学生在职业选择、就业领域等方面存在差异，因此，在高校思想政治教育工作中，我们需要充分考虑这一因素。

具体而言，高校在开展思想政治教育时，应针对不同性别的学生制定差异化的教育策略。例如，对于学习成绩和综合素质学分较高的学生，应鼓励他们根据自己的兴趣和特长选择合适的职业道路；而对于学习成绩和综合素质学分相对较低的学生，则应加强对他们的职业规划和就业指导，帮助他们找到适合自己的工作。

此外，高校还应关注性别平等教育，提高学生的性别意识，消除性别歧视，为学生提供公平的竞争环境。通过这些措施，我们可以更好地引导大学生树立正确的职业观，为他们的未来发展奠定坚实的基础。总之，本研究通过数据分析揭示了大学生在校期间多项数据与毕业去向之间的关系，为高校思想政治教育工作提供了有益的参考。在今后的研究中，我们还将继续深入探讨其他可能影响大学生毕业去向的因素，以期更全面地把握大学生就业市场的动态，为高校教育改革提供理论支持。

决策树模型中未将性别因素纳入的原因很可能是由于样本专业均为工科背景，存在着一定的性别比例失调现象^[6]，进而导致女性样本较少而难以进一步分类^[7]。因此，学生在校阶段学习成绩、综合素质学分和性别都对学生毕业去向存在显著影响，与前人研究一致^[8]。

4.2研究建议

学生应合理安排自己的学习时间、课余活动时间，根据自己的目标毕业去向选择适当的学业安排，可参考往届就业去向数据分布为参考^[9]。由于多数学生经历高中阶段的高强度管理后，刚进入大学校园后存在迷茫阶段，高校可提早安排大学生职业生涯规划等课程，帮助学生尽早明确职业规划发展路径。可使用数据驱动技术，对学生毕业去向进行画像建构分析，加入高校数据库中，帮助学生去向发展^[10]。同时，高校应在大学生就业指导工作中，掌握学生学习成绩和综合素质学分与毕业去向的关系，注重学生全面发展，提供多样的社会实践活动，同时给学生提供更多的发展路径，增强学生就业的核心竞争力。

4.3后续工作展望

研究运用Logistic回归分析和决策树模型，对大学生进行了多方面的研究，也对其他可能影响大学生毕业去向的因素进行分析。但仍然存在一些方面有待完善。首先，对于后续研究应更注重对学生日常数据的提取，如学生的消费观念、生活水平或给学生设计一些关于该研究的调查问卷，学生在校的动态数据能够大大提升该研究的精确度。其次，在后续研究中应将学生的去向进行精确分类，如学术去向和非学术去向、热门去向和非热门去向等，对毕业去向的分类越精确，越有助于研究计算的精准性，也对该研究的现实意义可操作性产生非常大的帮助。最后，该研究需要更多样本，收集到更多高校大学生毕业去向数据才能提高样本代表性，进而提升研究的生态效度。

参考文献：

1. 祝军,岳昌君,王颖.高职院校毕业生就业状况、质量及其影响因素研究[J].中国青年社会科学,2023,42(04):101-114.DOI:10.16034/j.cnki.10-1318/c.2023.04.015.
2. 崔晓娟,朱绘杰.人力资本、社会资本对大学生基层就业意愿的影响研究——基于西部57所高校的调查分析[J].高教探索,2025,(02):119-128.
3. 宋李翔,齐蕊,王文涛.高职学生自我认知、专业认同与就业压力的关系研究——基于深圳某高职院校2318名毕业生的问卷调查[J].职业技术教育,2024,45(35):44-49.
4. 冯君莲,李小艳,刘琼.疫情影响下国内顶尖高校毕业生就业状况变化——基于8所高校2017～2021年毕业生就业质量报告的调查[J].大学教育科学,2022,(06):87-97.
5. 刘华.扩招20年中国高校毕业生就业测量与就业变化[J].高教探索,2021,(02):121-128.
6. 魏巍.专业选择与毕业去向的性别差异分析[J].教育学术月刊,2020,(04):61-67.DOI:10.16477/j.cnki.issn1674-2311.2020.04.009.
7. 祝军,岳昌君,王颖.高职院校毕业生就业状况、质量及其影响因素研究[J].中国青年社会科学,2023,42(04):101-114.DOI:10.16034/j.cnki.10-1318/c.2023.04.015.
8. 孙怡帆,潘昆峰,孙正阳,等.大学生毕业去向预测的思路与方法——基于机器学习算法的尝试[J].教育学术月刊,2019,(01):25-35.DOI:10.16477/j.cnki.issn1674-2311.2019.01.003.
9. 孙小然,陈谊,斗海峰.高校本科生毕业去向与课程成绩的关联可视分析[J].中国科技论文,2023,18(03):330-339+350.
10. 马雅婷,潘旭华.基于数据驱动的高校学生毕业去向画像构建与分析[J].办公自动化,2024,29(09):8-12+7

...