2021-09-30-兰德-开发空军保留预警系统（英）_62页_4mb

空军人员留存早期预警系统的研发与初步原型

背景：
RAND 项目空军（RAND Project AIR FORCE）被委以开发一种新型能力，以帮助规划人员预警政策制定者：当某一群体的空军人员面临未来短缺风险时。研究项目的目标是构建一个预测模型和原型决策支持应用，使决策者能在短缺发生前获得预警，从而有足够时间调整录用和留任政策。

方法
设计思路借鉴了数据科学问题解决的通用范式，包括：

1. 理解业务问题：研究人员通过广泛定义留存相关的因素，构建了一个包含四个维度的概念框架。
2. 数据收集：利用美国空军现有的历史数据，并识别了多个数据来源，但受限于数据完整性与及时性，决策支持系统（DSS）模型开发尚未涵盖群体态度。
3. 模型训练与测试：训练了多种机器学习算法（如 XGBoost、随机森林），并在单年人别层面实现了高精度预测，性能优于传统的三年平均方法（3Y Ave）。
4. 原型功能设计：应用程序通过决策流程支持用户生成基于留存行为的预警，以及基于库存变化的预警，并提供政策响应模拟功能。

发现

• 留存影响因素涵盖人力资源体系、集体态度、人员特征与环境特征。
• 机器学习算法显著提升预测准确性，较为简单的模型仍能表现优异，这一现象突显了空军数据的独特性（如精准的分离日期数据）。
• 空军当前收集的变量来自 MilPDS 等系统，但人员态度相关数据尚未成体系采集。未来的改进应当优先考虑增加问卷频率并采用分层抽样以提升反馈质量。

图表提取
模型性能对比：
随机森林（RF）与极端梯度提升（XGBoost）算法在单年预测上占据优势，展示出领先的召回率、精确率与 AUC 值 vs. 传统的三年平均方法（3Y Ave）。

预警系统流程图：
系统应支持用户逐级筛选人员群体，识别其背后的人口特征，分解政策响应效果。预警页面包含图形化模型效果对比，辅助决策过程。

建议

• 人员培训与态度调查改进：通过高频问卷与合理抽样提升态度数据采集频率。
• 国家经济信息整合：补充国家劳动力数据，反映外部环境对军士保留的影响。
• 挑战应对：需解决模型解释性、数据隐私及人机协同等问题。

挑战
系统总体尚属在发展过程中，仍面临着数据完整性、数据隐私问题以及AI模型“黑箱”的问题。

结论
该系统展示了数据科学在领域内应用的巨大潜力，但仍有赖于未来的数据采集扩展、模型精化及人机协作机制的完善，方能使该系统全面实现其应用目标。