熊正德，李 婷

（湖南大學 工商管理學院，湖南 長沙 410082）

基于組合賦權和改進TOPSIS法的新生代知識型員工離職預警模型研究*

熊正德，李 婷

（湖南大學 工商管理學院，湖南 長沙 410082）

基于新生代知識型員工離職率居高不下的現(xiàn)狀，從個體因素、組織因素、工作因素、宏觀環(huán)境因素四個方面選取了新生代知識型員工離職預警指標，采用FAHP與信息熵相結合的方式確定了各預警指標的權重，并將改進的TOPSIS法與3σ理論相結合，構建了新生代知識型員工離職預警模型，最后結合223份調查問卷對模型進行了驗證，準確率達到82.5%，表明該模型具有較好的預警效果。

新生代知識型員工；離職預警；TOPSIS法；組合賦權

一 引 言

新生代知識型員工是指出生于20世紀80年代或90年代，具有較高知識技術水平和專業(yè)素養(yǎng)，能運用自身專業(yè)知識從事相關腦力勞動，為社會創(chuàng)造價值的員工[1]。他們大都接受過良好的教育，具有一定的創(chuàng)造力，在各個領域都起著不可忽視的作用。但由于成長環(huán)境的特殊性，新生代知識型員工在思維方式、價值觀念等方面與傳統(tǒng)員工存在著很大的差異，他們的頻繁跳槽、不安于現(xiàn)狀、高離職率給企業(yè)的人才管理工作帶來了很大的挑戰(zhàn)。為此，本文試圖構建一套新生代知識型員工離職預警模型，根據(jù)員工所處的就業(yè)環(huán)境，分析員工近期的行為和心理，判斷員工的離職傾向，進而對其進行有效地預防及控制，以改善新生代知識型員工離職率居高不下的現(xiàn)狀。

員工離職一直是學者們研究的熱點。Roderick就發(fā)現(xiàn)親屬責任、工作自主性、工作滿意度以及組織承諾對員工離職有重要的影響[2]；Sun等研究了人口社會學因素以及工作相關因素對社區(qū)服務人員離職傾向的影響，研究結果表明他們對薪資水平、晉升機會以及工作條件的不滿意是造成其離職的主要原因[3]。Chen；Zheng；Mahrane等人對知識型員工的離職也做了研究，他們發(fā)現(xiàn)相對于普通員工，知識型員工更加看重工資的平等性、職業(yè)發(fā)展空間、工作認同感以及薪資結構[4-6]。

近年來，80后、90后員工逐漸成為職場的主力軍，雖然為企業(yè)的發(fā)展做出了重大的貢獻，但其強調自我、崇尚自由、不安于現(xiàn)狀、跳槽頻繁的獨特個性給企業(yè)的管理者帶來了新的難題。王曉莉對80后員工進行研究，發(fā)現(xiàn)80后的離職間隔為1.94年，遠低于70后的5.02年和60后的10.82年，并指出物質待遇、工作環(huán)境、工作與個性匹配、職業(yè)發(fā)展空間是影響80后離職的主要因素[7]；Robert對新生代知識型員工與老一代知識型員工的激勵問題進行了比較研究，他認為新生代知識型員工更加注重自身的發(fā)展、工作的穩(wěn)定性以及與上司的關系，而老一代知識型員工則更加看重工作的獨立性[8]。Xia等從中國社會等級結構出發(fā)，基于認知失調理論研究了新生代員工的激勵問題，認為企業(yè)的管理者在面對新生代員工時首先要讓其有歸屬感，并讓他們相信自己是企業(yè)的核心員工，充分尊重他們，在面對復雜情境時，企業(yè)的管理者還要有權變的管理思想[9]；Jaroslava等研究了文化差異對新生代知識型員工工作積極性的影響，并通過對4個國家的200位員工進行實證研究，證明了新生代知識型員工的工作積極性不僅僅與新生代所具有的特點有關，文化背景差異在中間也發(fā)揮著不可忽視的作用[10]。Abdelbaset等研究發(fā)現(xiàn)薪資水平和額外福利是決定新生代員工是否離職的重要原因，并且員工感知到的有用性對離職的作用也十分顯著[11]。

縱觀眾多學者對員工離職的研究，發(fā)現(xiàn)大多停留在員工離職的影響因素及原因探討層面，關于新生代知識型員工的研究，也多是對其個性特點及其激勵問題的研究，雖然對企業(yè)管理有一定的指導作用，但畢竟是一種事后分析模式，無法挽回離職造成的已有損失。而離職預警，即通過分析員工近期行為表現(xiàn)，推測員工心理動態(tài)變化，來判斷員工的離職可能性，并對其進行有效地預防及控制，這種事前分析模式在一定程度上則更有價值。近年來，一些學者在這方面也展開了一些有益的探索。夏功成等采用定性模擬技術模擬員工的離職行為，進而預測員工離職的可能性[12]。Jiang和Liao基于信息熵構建了一種能夠反映系統(tǒng)不確定性以及軟件開發(fā)者對系統(tǒng)影響均勻性的模型，用定量的方式測量了軟件項目開發(fā)者的離職風險[13]。曹安照等結合知識員工的特點，將粗糙集和神經(jīng)網(wǎng)絡相結合構建了知識員工離職預警模型[14]。Xin和Li利用調整的質量工程部署方法，結合其他分析工具和相關方法，提出了一種多層次員工離職風險識別模型，并用案例說明該方法能夠有效地預防和阻止員工的主動離職[15]。

雖然關于離職風險預警的研究已經(jīng)逐步興起，但已有研究關注的對象過泛，針對新生代知識型員工這一特定群體的離職預警研究極少，并且缺乏有效的離職預警模型。鑒于此，本文以新生代知識型員工為研究對象，將體現(xiàn)新生代個性的指標納入離職預警指標體系，采用FAHP與信息熵主客觀相結合的方式計算預警指標的權重，并將改進的TOPSIS法與3σ理論相結合，構建新生代知識型員工離職預警模型。最后，本文結合問卷調查數(shù)據(jù)對223位新生代知識型員工進行了離職預警評價，并通過跟蹤調查驗證了模型的有效性和準確性。

二 新生代知識型員工離職預警模型構建

（一）離職預警指標體系建立

本文基于員工離職影響因素的分析，結合新生代知識型員工的特點，遵循全面性、相對獨立性、可測量性、可比較性以及可預見性原則，從個體因素、組織因素、工作因素、宏觀環(huán)境因素四個方面選取新生代知識型員工離職預警指標，并借鑒相關離職量表，編制“新生代知識型員工職業(yè)生活質量調查問卷”，為方便后續(xù)的追蹤調查，給每份問卷設定編號。在正式調查前，通過對70份預調查問卷進行分析，刪除了X2，X5，X6，X9；X13，X24，X27；X36，X45，X49；X59，X60等題項，大幅度提高了問卷的信度，進而形成正式調查問卷并進行正式調查，對正式調查回收的223份有效問卷進行信度分析，Cronbach’s α值為0.932，問卷的信度甚佳。在此基礎上進行因子分析，提取出各維度的指標，從而得到了新生代知識型員工離職預警指標體系，具體如圖1所示。

圖1 新生代知識型員工離職預警指標體系

由圖1可知，新生代知識型員工離職預警指標體系主要由個體因素、組織因素、工作因素以及宏觀環(huán)境因素構成。個體因素，是指與新生代知識型員工自身相關、影響其工作和離職可能性的因素，包括人職匹配、個人專業(yè)、知識和技能水平以及性格傾向。組織因素，是指與組織設計、人員配備、組織形式相關的因素，具體包括職業(yè)成長機會、組織歸屬感、薪資福利水平、上司支持度、組織文化以及企業(yè)發(fā)展前景。工作因素，是指與新生代知識型員工所從事的具體工作有關的因素，是衡量新生代知識型員工離職可能性的重要組成部分。包括工作自主性、工作認同感、工作壓力、工作參與度、工作條件以及同事關系。宏觀環(huán)境因素，是指員工所處的社會環(huán)境，所面臨的宏觀經(jīng)濟形勢等，主要包括工作尋找行為、工作轉換成本以及外部工作機會。

（二）賦權方式選擇

本文采用FAHP模糊層次分析法確定預警指標的主觀權重，利用信息熵權法確定預警指標的客觀權重，通過主客觀權重的有效結合確定最終權重。

1.FAHP確定主觀權重

模糊層次分析法（FAHP）將模糊數(shù)學和層次分析法結合起來，綜合考慮目標對象的各個影響因素，然后根據(jù)各指標因素的隸屬關系構建遞階層次結構，采用9級比較標準構造模糊判斷矩陣，并將此調整為模糊一致矩陣，最終得到各指標的權重[16]。具體算法如下：

（1）

其中a=（n-1）/2，aij為調整的模糊一致矩陣中對應的元素。

2.熵權法確定客觀權重

熵權法是根據(jù)各評價指標數(shù)值變異程度來計算權重的一種方法，指標評價數(shù)值變異程度的大小表示指標包含信息量的大小，直接決定了指標在綜合評價中所起的作用，即權重的大小[17]。具體步驟如下：

首先，對標準化后的指標進行規(guī)范化處理，計算第j項指標下第i個員工對應的指標比重Pij

（2）

其中，yij第i個員工的第j個評估指標值。

然后，計算第j項指標的熵值ej

（3）

最后，定義權重

（4）

3.組合權重的確定

（5）

（三）離職預警評價方法設計

新生代知識型員工離職預警評價是一個涉及多因素、多層次的綜合評價問題，評價過程具有模糊性、主觀判斷等特點。本文運用TOPSIS法對其進行評價。TOPSIS法是多目標系統(tǒng)優(yōu)選、評價、排序以及決策的有效途徑，它假設每個目標決策問題都有“理想解”和“負理想解”，并據(jù)此排序，對于評價對象規(guī)模的大小和指標的多寡均無嚴格限制[19]。但傳統(tǒng)的TOPSIS法也有其不足，它需要每個評價者對每個屬性都賦予一個確定的數(shù)值，而由于客觀事物的復雜性和主觀評價者的隨意性，評價者給出的結果往往有失客觀性。陳巖等[20]對傳統(tǒng)的TOPSIS法進行改進，利用語言信息來獲取評價者對各指標的評價意見，并對語言信息進行處理，得到?jīng)Q策矩陣所需的指標屬性值，然后按照傳統(tǒng)的TOPSIS法來測算相對貼近度，通過此種方式來實現(xiàn)模糊問題的精確化度量。本文亦采用此種方式度量新生代知識型員工的離職傾向，得到新生代知識型員工的離職預警值。因此，改進的TOPSIS法實際上分為兩個階段，即語言信息的有效轉換和離職預警值的計算。具體過程如下：

1.將語言決策矩陣轉換為導出決策矩陣

基于語言信息轉換為導出決策矩陣的相關定義[20]，將各語言評價信息集成語言決策矩陣A=（aij）m×n，其中m代表參與離職預警評價的新生代知識型員工的個數(shù)，n代表預警指標的個數(shù)。將語言決策矩陣轉換成導出決策矩陣B=（bij）m×n，其計算公式如下：

bij=exp（I（aij）-g） ,i=1,2,…,m;j=1,2,…,n

（6）

2.構造標準化的決策矩陣

對bij進行標準化處理，得到標準化決策矩陣C=（cij）m×n

（7）

3.構造標準化的加權決策矩陣

引入各指標的組合權重，將標準化決策矩陣進行加權處理，得到標準化的加權決策矩陣

R=（rij）m×n=（Wjcij）m×n=

（8）

4.確定理想點與負理想點

理想點的計算公式為：

（9）

負理想點的計算公式為：

（10）

5.計算每個員工到理想點與負理想點的距離

員工到理想點的距離計算公式為：

（11）

員工到負理想點的距離計算公式為：

（12）

6.計算每個解對理想點的相對貼近度

（13）

7.排序

（四）離職預警界限劃分依據(jù)

本文引入3σ方法劃分新生代知識型員工離職預警區(qū)間。由于新生代知識型員工離職率相對較高，本文選擇較為嚴格的1倍標準差作為異常標準，由此劃定預警界限，并給出相應的預警信號：

三 新生代知識型員工離職預警評價

（一）指標權重計算

根據(jù)式（1）-（5），計算新生代知識型員工離職預警指標的主觀權重、客觀權重以及組合權重，結果如表1所示。

（二）離職預警值測算

1.總體離職預警值測算

針對問卷獲得的語言信息，利用TOPSIS法算出各調查對象的離職預警值。首先根據(jù)式（6）將已有的語言信息轉換成導出決策矩陣，整理而成的數(shù)據(jù)如表2所示。

表1 新生代知識型員工離職預警指標的組合權重

根據(jù)式（7）-（13）將表2的數(shù)據(jù)進行標準化和加權處理，算出各員工到正負理想解的距離，以及相對貼近度，即離職預警值，如表3所示。

利用計算得到的223位新生代知識型員工的離職預警值，得到總體預警中心值為0.3333，標準差為0.0279。根據(jù)3σ的基本原理，得到新生代知識型員工總體離職預警界限，如表4所示。

表2 導出決策矩陣數(shù)據(jù)表*由于數(shù)據(jù)太多，受篇幅限制，表中導出決策數(shù)據(jù)只列了5條作為代表，詳細數(shù)據(jù)不一一列示，下同。

表和的計算結果表

基于已確定的預警界限，將各員工的離職預警值與之對照，得到預警狀態(tài)，并輸出與之對應的預警信號。具體結果如表5所示。

表4 新生代知識型員工離職預警界限表* 表中對不在0.2775-0.3890范圍內的數(shù)據(jù)作了適當處理。對大于預警邊界上限0.3890的值修正為0.3890，小于預警邊界下限0.2775的值修正為0.2775。

表5 新生代知識型員工離職預警狀態(tài)輸出表

由表5可知，員工J8預警級別為一級，預警信號“★”，為良性狀態(tài)，忠誠度高，穩(wěn)定性強，對目前的工作很滿意，離職可能性??；員工J9預警級別為二級，預警信號“★★”，為準良性狀態(tài)，其離職的可能性也比較低；而員工C1、S1預警級別為三級，預警信號“★★★”，為準劣性狀態(tài)，這兩位員工對企業(yè)、工作等方面的因素處在一般到不滿意之間，其去留傾向處于一個不穩(wěn)定的狀態(tài)，其離職可能性較大；員工S3預警級別為四級，預警信號“★★★★”，為劣性狀態(tài)，該員工對目前工作的滿意度極低，離職可能性極大。

2.局部離職預警值測算

按上述同樣的方法可得到局部指標的預警狀態(tài)，局部指標的預警狀態(tài)在一定程度上是該指標對總體離職貢獻程度的表征。通過對局部指標預警狀態(tài)的分析，可甄別出員工產(chǎn)生離職傾向的誘因，從而采取有針對性的改進和挽留措施。此處以S3為例，對該員工局部指標預警狀態(tài)進行分析。

表6 員工局部指標預警狀態(tài)表

從表6可以看出，員工S3在個體因素和工作因素兩個維度的預警狀態(tài)為“★★★★”，說明這兩個維度對總體離職的貢獻極大。并且可以看出，入職不匹配是造成個體因素處于高預警狀態(tài)的主要原因；工作自主性不高，工作認同感不強，對工作條件的不滿意是造成員工S3工作因素維度處于高預警狀態(tài)的原因；同樣，組織因素處于三級預警狀態(tài)主要是由于該員工對公司提供的職業(yè)成長機會不滿意，上司對下屬工作不夠支持等原因造成；值得注意的是宏觀環(huán)境因素，其預警狀態(tài)為“★”，對總體離職的貢獻最小，說明該員工所面臨的宏觀就業(yè)環(huán)境并不樂觀，主要表現(xiàn)為工作轉換成本較大，外部工作機會不多，但即便如此，該員工的工作尋找行為仍然十分明顯，這進一步說明了該員工對個體因素、組織因素以及工作因素三個維度的不滿意度極高，最終極有可能導致其離職。

（三）離職預警結果驗證

為了驗證預警結果的準確性，本研究在問卷填寫三個月后對參與調查的每位新生代知識型員工的離職情況進行了跟蹤調查。本文界定在三個月內處于一二預警等級的新生代知識型員工離職屬于“漏警”，處于四級預警級別的新生代知識型員工未離職屬于“虛警”，其他情況視為“準確”狀態(tài)。據(jù)此，對各樣本員工的跟蹤結果如表7所示。

表7 樣本離職情況跟蹤調查結果

根據(jù)跟蹤調查結果，統(tǒng)計分析各預警等級的新生代知識型員工的離職率情況如表8所示。參與調查的新生代知識型員工在問卷填寫三個月后總共有33人離職，13人職位發(fā)生變動，總體離職率為20.6%。其中處于各級預警狀態(tài)的新生代知識型員工的離職率分別為13.5%、15.5%、24.3%和34.4%，由此可以看出，隨著預警級別的上升，離職率也相應上升，這在一定程度上證明了該離職預警模型的有效性。另外，由表中數(shù)據(jù)可知，處于一二級預警狀態(tài)，即良性和準良性預警狀態(tài)的新生代知識型員工有18人離職，預警模型漏警率為8.07%；處于四級預警狀態(tài)，即劣性預警狀態(tài)但未離職新生代知識型員工為21人，預警模型虛警率為9.42%；由此可以算出，預警模型準確率為82.5%，說明該模型取得了較好的預警效果。

表8 各預警等級離職情況分析表 （單位：人）

四 結 語

新生代知識型員工在職場中扮演著越來越重要的角色，其離職不僅會給企業(yè)帶來人力資本的損失，而且將削弱企業(yè)的核心競爭力，因此，構建一套離職預警模型，有效預防和控制新生代知識型員工離職行為的產(chǎn)生，對企業(yè)的健康長遠發(fā)展有著至關重要的作用。本文將改進的TOPSIS法與3σ理論相結合，構建了一套全新的新生代知識型員工離職預警模型，并通過對223名新生代知識型員工進行離職預警評價，得到了各樣本員工的離職預警等級，輸出了相應的離職預警信號，并且得到了各員工的局部指標預警狀態(tài)。最后通過跟蹤調查驗證了該模型的有效性，跟蹤結果顯示模型準確率為82.5%，表明本文構建的模型具有較好的預警效果，能有效識別新生代知識型員工的離職風險，具有較大的推廣應用價值。

[1] Joyce A, Alex B. Values as Knowledge:A New Frame of Reference for A New Generation of Knowledge Workers[J].On the Horizon, 2010,18（3）:255-265.

[2] Roderick D I.An Event History Analysis of Employee Turnover: the Case of Hospital Employees in Australia[J]. Human Resource Management Review, 1999,9（4）:397-418.

[3] Sun Y,Luo Z N,Fang P Q. Factors Influencing the Turnover Intention of Chinese Community Health Service Workers Based on the Investigation Results of Five Provinces[J]. Journal of Community Health, 2013,38（16）:1058-1066.

[4] Chen S Y,Chen S Q.The Factor Analysis and Empirical Analysis Affect on Knowledge New Employees’ turnover in the Area of Architecture in China[R]. International Conference on Construction and Real Estate Management, 2009.

[5] Zheng Q G,Ding W H.Study on Influential Factors of Knowledge Worker Turnover Intention Based on the Factor Analysis[R]. E-Business and E-Government（ICEE）, International Conference on, 2011.

[6] Mahrane H,Nita C. The Relationship Between Satisfaction and Turnover Intentions for Knowledge Workers[J]. Engineering Management Journal, 2014,26（2）:3-9.

[7] 王曉莉.80后員工跳槽情況的調查研究[J]. 中外企業(yè)家, 2010,（2）:61-62.

[8] Robert L L.Age-related Differences in the Motivation of Knowledge Workers[J]. Engineering Management Journal,2006,18（3）:20-26.

[9] Xia Q, Li H Y. The Incentive Problems Study of the Employees of the New Generation under the Structure of Grade in China[J]. American Journal of Industrial and Business Management, 2013,3（8）:715-718.

[10] Jaroslava K, Adela K. Cultural Differences in the Motivation of Generation Y Knowledge Workers[J]. Human Affairs, 2014,（24）:511-523.

[11] Abdelbaset Q,Wan F W, Nizar D. Explaining Generation-Y Employees’ turnover in Malaysian Context[J]. Canadian Center of Science and Education. 2015,11（10）:126-138.

[12] 夏功成,胡斌,張金隆.基于定性模擬的員工離職行為預測[J]. 管理科學學報, 2006, （4）:81-94.

[13] Jiang R,Liao H Z,Yu J K,et al. A Model Based on Information Entropy to Measure Developer Turnover Risk on Software Project[R]. Computer Science and Information Technology, International Conference on, 2009,419-422.

[14] 曹安照,高來鑫,徐榮.基于RS-ANN知識員工離職模型及預警研究[J]. 貴州師范大學學報（自然科學版）, 2012,（5）:94-97.

[15] Xin W,Li W, Ping J，et al. Identifying Employee Turnover Risks Using Modified Quality Function Deployment[J]. Systems Research and Behavioral Science, 2014,31（3）：398-404.

[16] 龔艷萍,趙志剛.用模糊層次分析法確定QFD中消費者要求權重[J]. 價值工程, 2006,（7）:81-83.

[17] 汪衛(wèi)斌.基于主成分的熵權雙基點高技術企業(yè)核心競爭力評價[J]. 湖南大學學報（社會科學版）, 2008,（3）:68-72.

[18] 許遠明,陶書金,曾令德.基于熵權—TOPSIS方法的施工評標模型應用研究[J]. 工程管理學報, 2012,（5）:62-65.

[19] 彭怡,李友元,寇綱等.外商直接投資區(qū)位選擇與風險分析[J]. 管理評論, 2012,（2）:31-36.

[20] 陳巖,樊治平.群決策中基于語言評價信息的TOPSIS方法[J]. 南京工業(yè)大學學報（自然科學版）, 2004,（3）:27-30.

A Study on the Turnover Early-warning Model of the New Generation Knowledge Workers Based on Combination Empowerment and Improved TOPSIS Method

XIONG Zheng-de,LI Ting

（School of Business Administration, Hunan University,Changsha 410082,China）

Considering the high turnover rate of the new generation knowledge workers, this paper attempts to construct an early-warning model for the evaluation of the turnover intention of them. We selected the evaluation criteria according to the factors that influence employee turnover, which can be classified into four categories（individual, job-related, organizational and environmental）, and determined the criteria weights by combining Fuzzy Analytic Hierarchy Process （FAHP） and Entropy method. We also adopted TOPSIS method and the Pauta criterion to identify the grade of turnover risk of each employee. The proposed early-warning model was tested on a sample of 223 new generation knowledge employees, and the results of which showed a satisfactory effect with an accuracy of 82.5 percent.

new generation knowledge workers; turnover early-warning; TOPSIS method;combination empowerment

2015-11-16

國家社科基金一般項目（11BJY007）；教育部“長江學者和創(chuàng)新團隊發(fā)展計劃”項目（IRT0916）

熊正德（1967—），男，湖南湘潭人，湖南大學工商管理學院教授，博士生導師.研究方向：金融企業(yè)管理、人力資源管理.

D669

A

1008—1763（2017）01—0075—07