方俊 秦樂

摘要：在簡(jiǎn)要分析傳統(tǒng)人才評(píng)價(jià)方法不足的基礎(chǔ)上，本文結(jié)合電力行業(yè)技能人才的特點(diǎn)與大數(shù)據(jù)技術(shù)，介紹了一種基于數(shù)據(jù)模型的技能人才評(píng)價(jià)方法。該方法首先對(duì)大量原始數(shù)據(jù)進(jìn)行模糊化與變量轉(zhuǎn)換，然后用因子分析法構(gòu)建人才評(píng)價(jià)指標(biāo)體系，最后用L-M算法優(yōu)化后的三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練。本研究首次將BP神經(jīng)網(wǎng)絡(luò)模型引入電力企業(yè)的技能人才評(píng)價(jià)，相較于其他方法，該評(píng)價(jià)方法更加客觀有效并減少了人才測(cè)評(píng)成本，是人才評(píng)價(jià)技術(shù)的一種創(chuàng)新。通過對(duì)模型進(jìn)行實(shí)例驗(yàn)證，結(jié)果表明本研究提出的模型具有較強(qiáng)的預(yù)測(cè)性，有望為電力企業(yè)技能人才的選拔評(píng)價(jià)提供有效地技術(shù)支撐。

關(guān)鍵詞：因子分析 神經(jīng)網(wǎng)絡(luò) 人才評(píng)價(jià) 電力企業(yè)

一、引言

技能人才是電力企業(yè)人才的重要組成部分，科學(xué)評(píng)價(jià)人才是促進(jìn)人才成長(zhǎng)、提升企業(yè)人力資源管理水平的關(guān)鍵。長(zhǎng)久以來(lái)，技術(shù)技能人才的評(píng)價(jià)更多地局限于職稱評(píng)定、職業(yè)技能鑒定和競(jìng)賽比武等，隨著對(duì)評(píng)價(jià)技術(shù)認(rèn)識(shí)的不斷深入，傳統(tǒng)評(píng)價(jià)手段暴露出信效度不高、程序復(fù)雜、成本高昂等不足。這些一定程度上影響了人才評(píng)價(jià)的基礎(chǔ)性、導(dǎo)向性作用，也制約了人才評(píng)價(jià)在更大范圍、更深層次上的發(fā)展和應(yīng)用。大數(shù)據(jù)技術(shù)的出現(xiàn)為解決上述問題提供了一種可能性。隨著互聯(lián)網(wǎng)、云計(jì)算、移動(dòng)應(yīng)用等科技的發(fā)展，基于大數(shù)據(jù)的特定領(lǐng)域技術(shù)將成為現(xiàn)代大型企業(yè)的關(guān)注焦點(diǎn)。通過建立有效的數(shù)學(xué)分析方法，對(duì)龐大的、歷史的、全面的數(shù)據(jù)進(jìn)行有效分析，有望促使人才評(píng)價(jià)技術(shù)不斷優(yōu)化和改善。

總體來(lái)看，我國(guó)在基于大數(shù)據(jù)人才評(píng)價(jià)方面的研究還處于起步階段。李紅光等以層次分析法為基礎(chǔ)建立數(shù)學(xué)模型對(duì)人才進(jìn)行評(píng)價(jià)（李紅光，楊晨，2009）；石珊提出以基本素質(zhì)和工作業(yè)績(jī)相結(jié)合，現(xiàn)場(chǎng)能力和理論知識(shí)相結(jié)合的技能人才評(píng)價(jià)方法（石珊，2013）；呂鳳軍針對(duì)技能人才的特點(diǎn)構(gòu)建指標(biāo)體系，利用AHP層次分析法對(duì)各指標(biāo)進(jìn)行了權(quán)重的確定進(jìn)而計(jì)算評(píng)價(jià)等級(jí)（呂鳳軍，2012）；邢潔等將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)建評(píng)價(jià)模型取得了一定效果（邢潔，劉芳，2012）；張洪燕用熵值法對(duì)指標(biāo)進(jìn)行篩選然后用結(jié)構(gòu)方程模型的方法對(duì)評(píng)價(jià)指標(biāo)體系進(jìn)行實(shí)證分析（張洪燕，2012）；陳蘇超等運(yùn)用模糊層次分析法對(duì)三級(jí)評(píng)價(jià)指標(biāo)進(jìn)行篩選，利用模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)人才進(jìn)行評(píng)價(jià)（陳蘇超，薛華，2014）?？梢?，目前在建立人才評(píng)價(jià)指標(biāo)體系是對(duì)相關(guān)數(shù)據(jù)的利用和挖掘比較有限，聘請(qǐng)相關(guān)專家對(duì)人才評(píng)價(jià)指標(biāo)進(jìn)行評(píng)定增加了成本；在建立評(píng)價(jià)模型時(shí)，多數(shù)研究者通過確定各指標(biāo)權(quán)重得出人才評(píng)價(jià)結(jié)果，這種線性模型要求對(duì)各指標(biāo)精確評(píng)分，往往只有行業(yè)內(nèi)經(jīng)驗(yàn)豐富的人力資源專家才能做到（王媛，馬小燕，2006）。基于神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)模型也往往由于原始數(shù)據(jù)處理不充分或參數(shù)不合理導(dǎo)致結(jié)果不理想。

本研究充分考慮與技能人才評(píng)價(jià)相關(guān)的數(shù)據(jù)指標(biāo)，采用因子分析法進(jìn)行指標(biāo)變量構(gòu)建，充分利用全量數(shù)據(jù)的特性，挖掘潛在的相關(guān)指標(biāo)，使指標(biāo)的選擇更加客觀。然后經(jīng)過模糊化處理與變量轉(zhuǎn)換，并以L-M優(yōu)化算法代替梯度下降法進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最終得出技能人才的評(píng)價(jià)結(jié)果。

二、評(píng)價(jià)指標(biāo)選擇

1.數(shù)據(jù)采集

作為高風(fēng)險(xiǎn)、高投入的技術(shù)密集型企業(yè)，電力企業(yè)對(duì)技術(shù)技能人才有著較高的要求。要想客觀高效地構(gòu)建技能人才評(píng)價(jià)指標(biāo)體系，體現(xiàn)大數(shù)據(jù)技術(shù)在該領(lǐng)域應(yīng)用的優(yōu)勢(shì)，就必須盡可能多地采集相關(guān)數(shù)據(jù)，并通過一定的技術(shù)方法找出對(duì)人才評(píng)價(jià)有潛在影響的指標(biāo)。為了避免遺漏并保證數(shù)據(jù)采集的系統(tǒng)性，本文將技能人才評(píng)價(jià)所有相關(guān)的數(shù)據(jù)進(jìn)行了分類，簡(jiǎn)要示例見表1。采集的初始數(shù)據(jù)基本涵蓋了對(duì)評(píng)價(jià)結(jié)果有影響的因素，從而構(gòu)建全量數(shù)據(jù)集。

2.數(shù)據(jù)預(yù)處理

為了便于計(jì)算，并符合神經(jīng)網(wǎng)絡(luò)的輸入要求，這里將字符型變量變換為數(shù)值型變量，然后用S（Sigmoid）函數(shù)將變量取值映射到[0，1]區(qū)間。通過引入模糊語(yǔ)言變量將屬性指標(biāo)進(jìn)行量化。若為實(shí)數(shù)域上的模糊集，其三角隸屬度函數(shù)如下：

缺失值用該變量取值的中位數(shù)代替。根據(jù)現(xiàn)有的歷史數(shù)據(jù)，每個(gè)樣本數(shù)據(jù)均對(duì)應(yīng)于一個(gè)評(píng)價(jià)等級(jí)。樣本集基本涵蓋了以往技能人才評(píng)價(jià)的全部信息，據(jù)此訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)模型可最大限度擬合人才評(píng)價(jià)的非線性過程，從而得到接近最優(yōu)的評(píng)價(jià)結(jié)果。

3.評(píng)價(jià)指標(biāo)的確定

對(duì)于技能人才的評(píng)價(jià)是一項(xiàng)復(fù)雜的系統(tǒng)工程，應(yīng)從多方位、多角度、多層次對(duì)其進(jìn)行考核與評(píng)估（李淼淼，2011）。傳統(tǒng)的評(píng)價(jià)體系構(gòu)建往往是根據(jù)層次分析法（AHP）確定各個(gè)參與評(píng)價(jià)的指標(biāo)。本研究初步建立的評(píng)價(jià)指標(biāo)體系主要根據(jù)電力行業(yè)技能人才定義的內(nèi)涵及外延采集全量范圍的數(shù)據(jù)，提取變量后用因子分析法確定參與人才評(píng)價(jià)建模的指標(biāo)或指標(biāo)組合。因子分析法把初始變量表示成各個(gè)因子的線性組合，可將現(xiàn)有的變量變成少數(shù)幾個(gè)新的變量進(jìn)入后續(xù)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，同時(shí)保證新變量幾乎帶有原來(lái)所有變量的信息，從而在有效降維的同時(shí)提高了評(píng)價(jià)模型的客觀性與準(zhǔn)確度。最終確定的參與模型評(píng)價(jià)的指標(biāo)將由數(shù)據(jù)集決定。

經(jīng)過因子分析，將能發(fā)現(xiàn)原始數(shù)據(jù)中的共性因子，挖掘潛在的對(duì)人才評(píng)價(jià)有較大影響的指標(biāo)，并實(shí)現(xiàn)有效降維，從而降低了后面神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜度，一定程度上提高了模型效率與精度。

三、評(píng)價(jià)模型的建立

1.確定神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)模型是一種數(shù)學(xué)方法，其本質(zhì)是模擬人類實(shí)際的神經(jīng)網(wǎng)絡(luò)，由大量的神經(jīng)元按照某種規(guī)律連接而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)（孟倩倩，2015）。技能人才評(píng)價(jià)是一種典型的非線性過程，神經(jīng)網(wǎng)絡(luò)則能有效地?cái)M合這種過程，完成輸入到輸出的非線性映射。由因子分析法確定的評(píng)價(jià)指標(biāo)幾乎代表了與技能人才評(píng)價(jià)相關(guān)的全量數(shù)據(jù)，用S函數(shù)處理之后可作為BP神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)的任務(wù)是經(jīng)過訓(xùn)練后，實(shí)現(xiàn)對(duì)技能人才的評(píng)價(jià)。其總體結(jié)構(gòu)圖如圖1所示。為了簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，防止訓(xùn)練時(shí)間過長(zhǎng)或陷入局部最優(yōu)并出現(xiàn)過擬合現(xiàn)象，采用多個(gè)神經(jīng)網(wǎng)絡(luò)分別訓(xùn)練不同類別樣本的策略，并采用L-M優(yōu)化算法代替梯度下降法。

四、實(shí)證分析

總體來(lái)看，某電力企業(yè)人才總量相對(duì)充足，但人才結(jié)構(gòu)不夠合理，高端技術(shù)技能人才相對(duì)匱乏。技能人才的結(jié)構(gòu)性失衡一方面說明培養(yǎng)機(jī)制有待改善，另一方面，說明評(píng)價(jià)選拔方法也有待優(yōu)化。近年來(lái)，某電力企業(yè)積極探索新模式，嘗試新技術(shù)的應(yīng)用，在技能人才評(píng)價(jià)方面開展了大量工作。根據(jù)目前技能人才評(píng)價(jià)現(xiàn)狀，以崗位勝任力為基礎(chǔ)，參考表1的思路采集與技能人才評(píng)價(jià)相關(guān)的全量數(shù)據(jù)。

1.數(shù)據(jù)預(yù)處理

根據(jù)第二部分提出的評(píng)價(jià)指標(biāo)選擇方法，首先將原始數(shù)據(jù)進(jìn)行初始指標(biāo)提取后用模糊化方法進(jìn)行量化，然后根據(jù)公式對(duì)指標(biāo)取值進(jìn)行計(jì)算得到相關(guān)矩陣。本文選取了300條數(shù)據(jù)進(jìn)行試驗(yàn)，因子分析簡(jiǎn)要結(jié)果如下：

共提取了5個(gè)公因子（主成分），其成分矩陣如表2所示。

為了更利于解釋所得因子的邏輯意義，增加了因子旋轉(zhuǎn)分析，并生成了旋轉(zhuǎn)空間的成分圖，如圖2（前三個(gè)成分）：由此可看出各個(gè)初始變量在不同成分變量上的權(quán)重。這也從側(cè)面反映了不同變量之間的邏輯關(guān)系，如：專業(yè)知識(shí)得分、素質(zhì)測(cè)評(píng)平均和平均作業(yè)效率三個(gè)變量聯(lián)系緊密，組成了成分2的主要權(quán)重。這種方法一方面篩選了主要變量，另一方面降低了數(shù)據(jù)維度。在本例中原始數(shù)據(jù)共27個(gè)變量，涵蓋了表1中基本數(shù)據(jù)、考評(píng)數(shù)據(jù)、行為數(shù)據(jù)等三大部分。因子分析后生成5個(gè)主要變量并在每個(gè)原始變量上取不同權(quán)重值。

2.神經(jīng)網(wǎng)絡(luò)訓(xùn)練

因子分析在保留初始指標(biāo)信息量的同時(shí)找出變量間共線性，簡(jiǎn)化輸入指標(biāo)數(shù)量，減小了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜性。經(jīng)過上述步驟的處理，神經(jīng)網(wǎng)絡(luò)輸入變量為五個(gè)，其中每個(gè)變量值為各個(gè)原始變量的加權(quán)，模型實(shí)際輸出變量為對(duì)應(yīng)的評(píng)價(jià)等級(jí)，由第三部分2中所述方法計(jì)算得到，模型的期望輸出值對(duì)應(yīng)于數(shù)據(jù)樣本集中每條數(shù)據(jù)的評(píng)價(jià)等級(jí)。確定輸入輸出及期望值后，按上述訓(xùn)練過程進(jìn)行迭代計(jì)算。

3.模型評(píng)估

為了直觀反映模型效果，采用clementine進(jìn)行仿真計(jì)算。經(jīng)過反復(fù)嘗試，將該神經(jīng)網(wǎng)絡(luò)最優(yōu)迭代次數(shù)設(shè)置為950，經(jīng)過950次的迭代后結(jié)束訓(xùn)練。數(shù)據(jù)評(píng)價(jià)預(yù)測(cè)準(zhǔn)確率為89.3%，如下圖，其中正確預(yù)測(cè)267例，預(yù)測(cè)錯(cuò)誤32例，且錯(cuò)例中評(píng)價(jià)等級(jí)為中的被錯(cuò)判成差與良各6例；評(píng)價(jià)等級(jí)為良的有9例被錯(cuò)判為中，評(píng)價(jià)等級(jí)為優(yōu)的全部預(yù)測(cè)正確。由此說明該模型對(duì)正向等級(jí)預(yù)測(cè)效果較為穩(wěn)定。

下列圖示是對(duì)模型的性能評(píng)估（以評(píng)價(jià)結(jié)果 “中”為例）。F1為信息增益百分比（Gain）圖，指的是信息不確定性的減少量。F2為功效點(diǎn)（Lift）圖。它是將每個(gè)分位點(diǎn)中成功數(shù)占記錄數(shù)的百分比與在訓(xùn)練樣本中成功數(shù)所占百分比做比較。對(duì)于一個(gè)好的模型來(lái)說：Gains 圖將陡峭地升高到100%然后漸漸變得平緩并一直保持下去，而一個(gè)較差的模型將從較低的左端以接近斜對(duì)角線上升到右端；Lift圖描述的是與不利用模型相比，模型的預(yù)測(cè)能力提升的程度。一個(gè)性能較好的模型，其曲線應(yīng)該從左端高于1.0處開始，能夠短暫保持在一個(gè)高度穩(wěn)定的水平上，到圖像右端時(shí)突然急劇地減小到1.0。性能較差的模型，整個(gè)圖像中曲線將一直圍繞在1.0附近。

具體到本研究中，如果以評(píng)價(jià)等級(jí)“中”為例來(lái)對(duì)模型的性能進(jìn)行評(píng)估，其中下面兩圖橫坐標(biāo)均為百分位點(diǎn)，如20百分位，它表示在所有測(cè)量數(shù)據(jù)中，測(cè)量值的累計(jì)頻次達(dá)20%。F1縱坐標(biāo)為信息增益百分比（Gain）。Gain分布的20百分位表示有20%的評(píng)價(jià)樣本數(shù)據(jù)小于約70%的信息增益，從曲線的整體走勢(shì)來(lái)看，說明信息增益提升非?？?，模型區(qū)分?jǐn)?shù)據(jù)的能力比較強(qiáng)，分類效果明顯。F2縱坐標(biāo)為功效點(diǎn)（Lift）。Lift的走勢(shì)從左端的4.0處開始，短暫的穩(wěn)定在3.5左右后急劇減小到1.0。說明與不利用模型相比，本研究的模型預(yù)測(cè)能力有較大的提升。

整體來(lái)說，該機(jī)器學(xué)習(xí)模型較為可靠。相比于傳統(tǒng)方法，該評(píng)價(jià)模型采用因子分析法構(gòu)建指標(biāo)體系，模型性能較高，評(píng)價(jià)結(jié)果較準(zhǔn)確。

五、結(jié)語(yǔ)

本研究在簡(jiǎn)要分析傳統(tǒng)人才評(píng)價(jià)方法不足的基礎(chǔ)上，結(jié)合電力行業(yè)技能人才的特點(diǎn)與大數(shù)據(jù)技術(shù)，首次將BP神經(jīng)網(wǎng)絡(luò)模型引入電力企業(yè)的技能人才評(píng)價(jià)，介紹了一種基于數(shù)據(jù)模型的技能人才評(píng)價(jià)方法。該方法以某電力企業(yè)為背景，根據(jù)技能人才的內(nèi)涵及特征廣泛采集與評(píng)價(jià)有關(guān)的數(shù)據(jù)并提取指標(biāo)變量，用因子分析法構(gòu)建評(píng)價(jià)指標(biāo)體系，在最大限度保留全量數(shù)據(jù)信息的基礎(chǔ)上有效精簡(jiǎn)了建模指標(biāo)。然后采用L-M優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本數(shù)據(jù)進(jìn)而得到技能人才評(píng)價(jià)模型。解決了經(jīng)典神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型由于原始數(shù)據(jù)處理不充分或參數(shù)不合理導(dǎo)致結(jié)果不理想的問題，同時(shí)，也解決了傳統(tǒng)人才評(píng)價(jià)方法對(duì)相關(guān)數(shù)據(jù)的利用和挖掘比較有限的不足，使人才評(píng)價(jià)的結(jié)果更客觀，降低操作成本。當(dāng)需要對(duì)技能人才進(jìn)行評(píng)價(jià)的時(shí)候，評(píng)價(jià)指標(biāo)數(shù)據(jù)經(jīng)過處理后輸入訓(xùn)練好的模型中即可得到評(píng)價(jià)結(jié)果。相較于傳統(tǒng)方法，該評(píng)價(jià)模型更加準(zhǔn)確客觀，提升了人才評(píng)價(jià)工作的效率。有望為今后企業(yè)高技能人才的評(píng)價(jià)、評(píng)級(jí)提供科學(xué)有效的分析手段，具有較強(qiáng)的應(yīng)用價(jià)值與廣泛的應(yīng)用前景

參考文獻(xiàn)

[1]李光紅，楊晨.高層次人才評(píng)價(jià)指標(biāo)體系研究[J].科技進(jìn)步與對(duì)策，2009（4）：186-189

[2]石珊.基于AHP法的重慶市高技能人才評(píng)價(jià)體系研究[J].現(xiàn)代經(jīng)濟(jì)信息，2013（2）：376-377

[3]李光紅，楊晨.高層次人才評(píng)價(jià)指標(biāo)體系研究[J].科技進(jìn)步與對(duì)策，2009（4）：186-189

[4]呂風(fēng)軍.基于多層面分析的高技能人才評(píng)價(jià)指標(biāo)體系構(gòu)建[J].企業(yè)經(jīng)濟(jì)，2012（6）：56-58

[5]邢潔，劉芳.基于遺傳神經(jīng)網(wǎng)絡(luò)的天津?yàn)I海新區(qū)人才競(jìng)爭(zhēng)力評(píng)價(jià)[J].科學(xué)管理研究，2012，30（4）：97-99

[6]張洪燕.基于熵值法和SEM 的高層次外貿(mào)人才評(píng)價(jià)指標(biāo)體系研究[J].江蘇科技大學(xué)，2012

[7]陳蘇超，薛華.基于模糊神經(jīng)網(wǎng)絡(luò)的高層次創(chuàng)新型科技人才的評(píng)價(jià)[J].太原理工大學(xué)學(xué)報(bào)，2014，45（4）：420-424

[8]王媛，馬小燕.基于模糊理論與神經(jīng)網(wǎng)絡(luò)的人才評(píng)價(jià)方法[J].佳木斯大學(xué)學(xué)報(bào)（自然科學(xué)版），2006（7）：439-410

[9]李淼淼.基于模糊神經(jīng)網(wǎng)絡(luò)的電力企業(yè)核心競(jìng)爭(zhēng)力評(píng)價(jià)研究[J].河北工程大學(xué)，2011