一种企业招聘周期的动态预测方法及装置与流程

本发明涉及一种数据分析统计技术领域，特别是涉及一种企业招聘周期的动态预测方法及装置。

背景技术

随着经济全球化和信息化的发展，对现代企业管理者更是提出了更高的管理要求，要想在竞争中胜任工作，不仅要有气魄、胆识、丰富的管理经验，还需要管理者具有敏锐的洞察力，即需要管理者有预测未来和改善未来的能力。而这里所说的预测能力就需要依靠大量的数据分析，通过数据分析和预测，协助管理者做出合理决策。如何有效的进行数据分析，使得企业在面对激烈的人才市场竞争过程中取胜，如何快速高效的吸引和保留核心技术人才，就显得尤为关键，尤其在对招聘周期的预测和改善上，现实环境对企业管理者提出了更高挑战，人才竞争分秒必争，刻不容缓。

首先，在招聘周期的动态预测方法上，目前未见国内有相关资料如专利或论文发表；在现实的企业环境中，也鲜有国内企业掌握预测规律和模型，目前多数企业仅是基于数据库信息做定量的数据统计和趋势判断。

其次，即使在有数据库做支撑的基础上，可利用历史数据建立线性回归模型，但仍只能将其划分为静态的预测方法；并没有充分考虑历史数据的随机分布特点，更不能实时的进行仿真和分析，缺少动态的预测方法，即没有充分的利用数据库信息进行预测和改善。

再次，人力资源管理的投入上，国内大型企业的管理理念和成熟度较高，受国际先进公司的影响，有能力、有意愿在人力资源的智能管理上进行投入；但对于处于创业或爬坡期的中小企业来说，尤其是在购买人力资源管理系统预算有限的条件下，如何能低成本投入，但仍能提高人力资源管理的成熟度水平，就需要另辟蹊径，寻求简单高效的方法。

基于以上原因，在企业的人才招聘过程中，如何有效的、实时的、低投入高回报的预测企业的人才招聘周期，成为企业亟需解决的关键问题。

技术实现要素：

有鉴于此，本发明提供一种企业招聘周期的动态预测方法及装置，主要目的在于解决现有在企业的人才招聘过程中，如何有效的、实时的、低投入高回报的预测企业的人才招聘周期的问题。

依据本发明一个方面，提供了一种企业招聘周期的动态预测方法，包括：

获取企业招聘周期的管理需求信息，所述管理需求信息包括简历筛选过程信息、甄选过程信息、发放offer过程信息、入职过程信息；

通过预先建立的静态线性回归模型计算所述管理需求信息的招聘周期，所述静态线性回归模型为根据企业历史数据通过统计软件建立的统计公式；

解析所述招聘周期的子周期的分布参数信息，利用水晶球crystalball软件设置分布类型，并运行所述水晶球crystalball软件得到企业招聘周期的预测值。

进一步地，所述方法还包括：

提取招聘数据库信息中不同类型、不同岗位、不同候选人、不同各录取人条件的变量数据；

根据所述变量数据的字段信息，在统计软件中建立静态线性回归模型，所述静态线性回归模型：招聘周期＝-12.7+1.46×(简历筛选过程平均天数+甄选过程平均天数+发放offer过程平均天数)。

进一步地，所述方法还包括：

为所述管理需求信息划分里程碑时间点，并分别计算所述里程碑时间点的目标达成率；

将所述目标达成率与初始目标达成率、所述预测值进行比较，并结合敏感度分析，确定所述里程碑时间点对应的改善策略。

进一步地，所述将所述目标达成率与初始目标达成率、所述预测值进行比较，并结合敏感度分析，确定所述里程碑时间点对应的改善策略包括：

将所述目标达成率与初始目标达成率、所述预测值进行比较；

若根据企业招聘需求判断所述比较结果符合风险条件，则进行敏感度分析，根据敏感度分析的结果对不同里程牌时间点选取不同的改善策略；或，

若判断出所述目标达成率小于所述初始目标达成率的40％，则进行敏感度分析，根据敏感度分析的结果对不同里程牌时间点选取不同的改善策略。

依据本发明一个方面，提供了一种企业招聘周期的动态预测装置，包括：

获取单元，用于获取企业招聘周期的管理需求信息，所述管理需求信息包括简历筛选过程信息、甄选过程信息、发放offer过程信息、入职过程信息；

计算单元，用于通过预先建立的静态线性回归模型计算所述管理需求信息的招聘周期，所述静态线性回归模型为根据企业历史数据通过统计软件建立的统计公式；

运行单元，用于解析所述招聘周期的子周期的分布参数信息，利用水晶球crystalball软件设置分布类型，并运行所述水晶球crystalball软件得到企业招聘周期的预测值。

进一步地，所述装置还包括：

提取单元，用于提取招聘数据库信息中不同类型、不同岗位、不同候选人、不同各录取人条件的变量数据；

建立单元，用于根据所述变量数据的字段信息，在统计软件中建立静态线性回归模型，所述静态线性回归模型：招聘周期＝-12.7+1.46×(简历筛选过程平均天数+甄选过程平均天数+发放offer过程平均天数)。

进一步地，所述装置还包括：

划分单元，用于为所述管理需求信息划分里程碑时间点，并分别计算所述里程碑时间点的目标达成率；

确定单元，用于将所述目标达成率与初始目标达成率、所述预测值进行比较，并结合敏感度分析，确定所述里程碑时间点对应的改善策略。

进一步地，所述确定单元，具体用于将所述目标达成率与初始目标达成率、所述预测值进行比较；若根据企业招聘需求判断所述比较结果符合风险条件，则进行敏感度分析，根据敏感度分析的结果对不同里程牌时间点选取不同的改善策略；或，若判断出所述目标达成率小于所述初始目标达成率的40％，则进行敏感度分析，根据敏感度分析的结果对不同里程牌时间点选取不同的改善策略。

根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述企业招聘周期的动态预测方法对应的操作。

根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述企业招聘周期的动态预测方法对应的操作。

借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：

本发明提供了一种企业招聘周期的动态预测方法及装置，首先基于统计软件中插入静态的线性回归模型的方式，基于对各招聘周期分布参数的拟合估计，通过crystalball软件建立动态预测模型，可实时预测期望招聘周期的预测值，实现企业可集中资源和精力缩短整体招聘周期，提高期望招聘周期的达成概率，有助于提高企业对招聘周期达成概率的准确预测和判断。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种企业招聘周期的动态预测方法流程图；

图2示出了本发明实施例提供的一种预测初始阶段招聘周期动态仿真达成概率示意图；

图3示出了本发明实施例提供的一种预测初始阶段招聘周期敏感度分析示意图；

图4示出了本发明实施例提供的一种招聘各周期需求目标达成概率变化趋势变化图示意图；

图5示出了本发明实施例提供的一种预测里程碑时点1的招聘周期动态仿真达成概率示意图；

图6示出了本发明实施例提供的一种预测里程碑时点1的招聘周期敏感度分析示意图；

图7示出了本发明实施例提供的一种预测里程碑时点2的招聘周期动态仿真达成概率示意图；

图8示出了本发明实施例提供的一种预测里程碑时点2的招聘周期敏感度分析示意图；

图9示出了本发明实施例提供的一种预测里程碑时点3的招聘周期动态仿真达成概率示意图；

图10示出了本发明实施例提供的一种预测里程碑时点3的招聘周期敏感度分析示意图；

图11示出了本发明实施例提供的一种预测里程碑时点4的招聘周期动态仿真达成概率示意图；

图12示出了本发明实施例提供的一种企业招聘周期的动态预测装置框图；

图13示出了本发明实施例提供的一种终端的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供了一种企业招聘周期的动态预测方法，如图1所示，所述方法包括：

101、获取企业招聘周期的管理需求信息。

其中，所述管理需求信息包括简历筛选过程信息、甄选过程信息、发放offer过程信息、入职过程信息，所述简历筛选过程信息为企业在简历筛选过程的时间，所述甄选过程信息为企业在根据不同甄选条件筛选符合条件人才的时间，所述发放offer过程信息为企业在选定符合条件的人才后向这些候选人发放offer的时间，所述入职过程为候选人确认入职到办理入职的时间。

需要说明的是，为了更为具体的定义影响招聘周期的相关变量，可以选取如表1中所示的相关变量。

表1模型中相关变量的具体定义

可以根据表1中的相关变量确定出招聘周期的管理需求信息主要分为简历筛选过程信息、甄选过程信息、发放offer过程信息、入职过程信息的四个阶段，然后选择对各个阶段子周期的历史数据进行分布参数拟合。

102、通过预先建立的静态线性回归模型计算所述管理需求信息的招聘周期。

其中，所述静态线性回归模型为根据企业历史数据通过统计软件建立的统计公式，所述统计软件可以为excel、minitab/spss、sas等统计软件，本发明实施例不做具体限定。所述预先建立的静态线性回归模型为利用所述简历筛选过程信息、甄选过程信息、发放offer过程信息、入职过程信息建立的线性方程，以便计算出招聘周期。

103、解析所述招聘周期的子周期的分布参数信息，利用水晶球crystalball软件设置分布类型，并运行所述水晶球crystalball软件得到企业招聘周期的预测值。

其中，所述招聘周期的子周期即为简历筛选过程信息、甄选过程信息、发放offer过程信息、入职过程信息的四个阶段的周期，所述分布类型可以为正态分布、二项分布、指数分布、对数正态分布、三角分布、t分布、泊松分布、超几何分布等分布类型，为了在水晶球crystalball软件中采用蒙特卡罗montecarlo模拟方法进行动态预测，需要解析出招聘周期的子周期的分布参数信息，如表2所示。

表2招聘子周期的分布类型及参数拟合结果

进一步地，本发明实施例中，招聘周期中各个子周期通过人数比的分布参数信息，还可以如表3所示进行拟合。

表3招聘子周期人数比的分布类型及参数拟合结果

在进行如表3中的分布类型及分布参数的确定后，使用crystalball将各个子周期的过程性能设置为不同的分布类型，如正态分布(normal)、对数正态分布(lognormal)、三角分布(triangular)等，而不是一个单值。

本发明实施例中，为了将建立好的静态线性回归模型嵌入至统计软件中，并运行crystalball，定义预测单元格，即为所预期的输出变量，将预期计算的招聘周期和子过程平均天数设置为预测值，通过运行crystalball得到企业招聘周期的预测值。例如，设置的预测单元格的形式可以如表4所示。

表4招聘周期动态仿真及预测结果示例

需要说明的是，预测值的单元格背景设定了条件格式，可以根据设定的目标值自动变换颜色，表格中正常黑色的数字表示该单元格数值<＝目标值，表格中斜体加下划线的数字表示该单元格数值>目标值，借助单元格自动显示的现实，可以辅助使用者识别每个活动达成目标的概率。

进一步地，为了准确的建立静态线性回归模型，本发明实施例还包括：提取招聘数据库信息中不同类型、不同岗位、不同候选人、不同各录取人条件的变量数据；根据所述变量数据的字段信息，在统计软件中建立静态线性回归模型，所述静态线性回归模型：招聘周期＝-12.7+1.46×(简历筛选过程平均天数+甄选过程平均天数+发放offer过程平均天数)。

对于本发明实施例中，在建立静态线性回归模型时，需要获取的招聘数据是从招聘数据库中获取的，针对不同类型、不同岗位、不同候选人、不同各录取人条件的变量数据，具体包括招聘渠道、应聘岗位意向、简历投递时间、推荐需求审批时间、招聘专员推荐时间、部门hr筛选简历时间、专业面试官处理简历时间、预约完成时间、笔试、测评时间等具体招聘子环节的过程和结果信息。例如，表5中所示的招聘数据库中的具体字段信息。

表5招聘数据库具体字段信息

基于企业历年的样本数据，通过excel软件建模，得到如下静态的线性回归模型：招聘周期＝-12.7+1.46×(简历筛选过程平均天数+甄选过程平均天数+发offer过程平均天数)。

对于本发明实施例，为了针对不同时间点的招聘需求进行分析，步骤103之后，还可以包括：为所述管理需求信息划分里程碑时间点，并分别计算所述里程碑时间点的目标达成率；将所述目标达成率与初始目标达成率、所述预测值进行比较，并结合敏感度分析，确定所述里程碑时间点对应的改善策略。

其中，所述里程碑时间点的划分可以根据不同的不同企业的招聘需求进行划分，如，按照企业对招聘过程中可以关注的时间进行划分。且，每个里程碑时间点都可以计算出目标达成率，并根据不同的目标达成率进行敏感度分析，以便对不同的分析结果确定可以改成招聘需求的策略。

本发明实施例中，为了实现上述步骤的进一步细化与具体实现，所述将所述目标达成率与初始目标达成率、所述预测值进行比较，并结合敏感度分析，确定所述里程碑时间点对应的改善策略包括：将所述目标达成率与初始目标达成率、所述预测值进行比较；若根据企业招聘需求判断所述比较结果符合风险条件，则进行敏感度分析，根据敏感度分析的结果对不同里程牌时间点选取不同的改善策略；或，若判断出所述目标达成率小于所述初始目标达成率的40％，则进行敏感度分析，根据敏感度分析的结果对不同里程牌时间点选取不同的改善策略。

例如，通过运行水晶球软件，我们可以得到企业社会招聘周期为30天的的初始预测概率为64.09％，如图2所示。进行敏感度分析，可发现影响整体社会招聘周期的关键特性为简历筛选人数比，如图3所示。在设定的不同里程碑时间点下，对招聘子周期和整体周期的达成率进行预测，得到如表6所示的变化趋势。

表6招聘各周期需求目标达成概率变化趋势变化记录表

即分别在5个不同的里程碑时间点上，进行运行仿真，分别如图2和图3的达成率和敏感度分析，得到如上的结果，用图像的形式则可表示如图4。本实施例中，在设定初始目标后，可结合后续5个里程碑时间点(即从a到f共计6个阶段)的动态仿真结果，开展分析和改善。

再如，初始阶段目标设定如表7所示，

表7初始目标设定

在企业实际招聘活动中，通常以周为单位设立里程碑进行跟踪，即可按如下填写具体里程碑工作日，并参考企业制定的服务规范sla进行工作量的具体分配，如表8所示。

表8里程碑初始设定

另外，在针对敏感度分析时，不同的分析结果会采取不同的改善策略，例如，由于1月和2月分别有元旦和春节，故招聘周期以及计划周期都较sla有所延长；由于年底，人才市场流动率较低，估计年前计划实施会有一定风险；根据目前的里程碑设定情况，达成目标的概率为64.09％，如图2；通过敏感度分析，简历筛选过程为关键子过程，如图3，需多加关注，加大简历筛选通过人数比例，同时实施改善以缩短简历筛选周期。

再如，对于里程碑时间点1的敏感度分析，通过上面的表6和图4的趋势分析，在里程碑时点1的招聘周期预测目标达成概率仅为8.93％，如图5，存在风险，主要是由于简历发布日期较延期2天，造成甄选过程简历数少，因此需改善；同时结合该里程碑时点1的敏感度分析结果，如图6，我们可以确认里程碑时点1的甄选子过程为重点的改善环节。改善的方法为企业需加强与业务部门沟通，推动专业面试进程，以增加甄选人数，同时，还可以通过扩大招聘渠道数量的方式，增加对该需求的候选人分配数量，以此来提高招聘周期按期达成的概率。

对于里程碑时间点2的敏感度分析，通过上面的表6和图4的趋势分析，在里程碑时点2的招聘周期预测目标达成概率为9.67％，如图7，较里程碑1情况有所好转，但仍存在风险，需改善；同时结合该里程碑时点2的敏感度分析结果，我们可以确认里程碑时点2的简历筛选过程再次变为最敏感的子过程，如图8。改善的方法为根据春节前人才市场情况，预计可获得候选人数量无法满足该需求，考虑通过外部协力公司/临时人才市场等方式来提供人才；目前发offer环节敏感性也大幅提升，与专业面试官沟通外部市场环境，探讨可否调整人才甄选目标，以满足业务需要。

对于里程碑时间点3的敏感度分析，通过上面的表6和图4的趋势分析，在里程碑时点3的招聘周期预测目标达成概率为13.71％，如图9，较里程碑时点2有所好转，仍存在风险，需改善；同时结合该里程碑时点3的敏感度分析结果，我们可以确认里程碑时点3的发offer过程目前敏感性最强，如图10，这些说明了在里程碑时点2识别出风险，并制定和执行改善措施后，使得甄选过程的改善较明显，当前主要问题集中在发offer过程；专业面试后，处于待考虑状态的人员较多。改善的方法为发offer过程目前敏感性最强，需重点加快部门录用审批速度；继续考虑通过外部协力公司/临时人才市场等方式来提供人才，以满足业务需要。

对于里程碑时间点4的敏感度分析，通过上面的表6和图4的趋势分析，我们可发现，在里程碑时点4的招聘周期预测目标达成概率为100％，如图11，较比里程碑时点3有重大突破，无需改善；本阶段，从外部协力公式甄选大量候选人，并且发offer人数激增，使得目标基本达成，下一阶段只需关注候选人按期到岗即可。

对于里程碑时间点4的敏感度分析，通过预测模型的仿真预测，分析和改善，招聘活动已满足期望需求，能够满足业务的人才需要。

如上，按照5个里程碑完整的展示的企业招聘周期的动态预测方法，并结合里程碑时点点分别展开分析，并执行对应的改善，逐步提高整体招聘周期的达成概率；直至第5个里程碑，达成率可达100％，完成招聘任务。

本发明提供的企业招聘周期的动态预测方法，首先基于excel中插入静态的线性回归模型的方式，继而基于对各招聘子周期分布参数的拟合估计，通过crystalball软件建立动态预测模型，可实时预测期望招聘周期的达成概率，并可结合敏感度分析，在识别出影响整体招聘周期的关键子周期后，企业可集中资源和精力，重点改善并缩短此子过程的周期，以期缩短整体招聘周期，提高期望招聘周期的达成概率。不仅仅基于静态的回归模型，还能基于蒙特卡罗montecarlo原理，建立能实时预测的动态仿真模型，有助于提高企业对招聘周期达成概率的准确预测和判断。

进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种企业招聘周期的动态预测装置，如图12所示，该装置包括：获取单元21、计算单元22、运行单元23。

获取单元21，用于获取企业招聘周期的管理需求信息，所述管理需求信息包括简历筛选过程信息、甄选过程信息、发放offer过程信息、入职过程信息；所述获取单元21为企业招聘周期的动态预测装置执行获取企业招聘周期的管理需求信息的程序模块。

计算单元22，用于通过预先建立的静态线性回归模型计算所述管理需求信息的招聘周期，所述静态线性回归模型为根据企业历史数据通过统计软件建立的统计公式；所述计算单元22为企业招聘周期的动态预测装置执行通过预先建立的静态线性回归模型计算所述管理需求信息的招聘周期的程序模块。

运行单元23，用于解析所述招聘周期的子周期的分布参数信息，利用水晶球crystalball软件设置分布类型，并运行所述水晶球crystalball软件得到企业招聘周期的预测值。所述运行单元23为企业招聘周期的动态预测装置执行解析所述招聘周期的子周期的分布参数信息，利用水晶球crystalball软件设置分布类型，并运行所述水晶球crystalball软件得到企业招聘周期的预测值的程序模块。

进一步地，所述装置还包括：

提取单元，用于提取招聘数据库信息中不同类型、不同岗位、不同候选人、不同各录取人条件的变量数据；

建立单元，用于根据所述变量数据的字段信息，在统计软件中建立静态线性回归模型，所述静态线性回归模型：招聘周期＝-12.7+1.46×(简历筛选过程平均天数+甄选过程平均天数+发放offer过程平均天数)。

进一步地，所述装置还包括：

划分单元，用于为所述管理需求信息划分里程碑时间点，并分别计算所述里程碑时间点的目标达成率；

确定单元，用于将所述目标达成率与初始目标达成率、所述预测值进行比较，并结合敏感度分析，确定所述里程碑时间点对应的改善策略。

具体地，所述确定单元，具体用于将所述目标达成率与初始目标达成率、所述预测值进行比较；若根据企业招聘需求判断所述比较结果符合风险条件，则进行敏感度分析，根据敏感度分析的结果对不同里程牌时间点选取不同的改善策略；或，若判断出所述目标达成率小于所述初始目标达成率的40％，则进行敏感度分析，根据敏感度分析的结果对不同里程牌时间点选取不同的改善策略。

本发明提供的企业招聘周期的动态预测装置，首先基于excel中插入静态的线性回归模型的方式，继而基于对各招聘子周期分布参数的拟合估计，通过crystalball软件建立动态预测模型，可实时预测期望招聘周期的达成概率，并可结合敏感度分析，在识别出影响整体招聘周期的关键子周期后，企业可集中资源和精力，重点改善并缩短此子过程的周期，以期缩短整体招聘周期，提高期望招聘周期的达成概率。不仅仅基于静态的回归模型，还能基于蒙特卡罗montecarlo原理，建立能实时预测的动态仿真模型，有助于提高企业对招聘周期达成概率的准确预测和判断。

根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的企业招聘周期的动态预测方法。

图13示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。

如图13所示，该终端可以包括：处理器(processor)502、通信接口(communicationsinterface)504、存储器(memory)506、以及通信总线508。

其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。

通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器502，用于执行程序510，具体可以执行上述企业招聘周期的动态预测方法实施例中的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

存储器506，用于存放程序510。存储器506可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行以下操作：

获取企业招聘周期的管理需求信息，所述管理需求信息包括简历筛选过程信息、甄选过程信息、发放offer过程信息、入职过程信息；

通过预先建立的静态线性回归模型计算所述管理需求信息的招聘周期，所述静态线性回归模型为根据企业历史数据通过统计软件建立的统计公式；

解析所述招聘周期的子周期的分布参数信息，利用水晶球crystalball软件设置分布类型，并运行所述水晶球crystalball软件得到企业招聘周期的预测值。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。