王夢

(中國石油工程建設(shè)有限公司，北京 100120)

1 引言

人力、物力、財力及技術(shù)是企業(yè)賴以生存的重要資源，即便是人工智能會逐步降低人力資源的消耗，但是仍舊不能完全取代人力勞動，生產(chǎn)過程始終要有人的參與。人力資源管理工作實際上也屬于一項系統(tǒng)工程，需要考慮企業(yè)實際與員工自身，人力資源管理工作是企業(yè)管理一個重要的方面，在人力資源管理中影響管理工好壞的因素眾多，這些因素我們稱之為管理風險因素。

因此針對多種管理風險因素共同作用下的人力資源管理風險及人才流失預(yù)警，學者們運用各種方法進行了研究。張?zhí)m霞等[1]基于BP神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測功能，將BP神經(jīng)網(wǎng)絡(luò)引入人力資源管理風險的預(yù)警當中，通過企業(yè)的實際數(shù)據(jù)驗證了該模型的適用性。鐘雅璇等[2]基于人力資源管理中的風險模糊性，提出模糊層次分析法的預(yù)警模型，并將該模型運用到某施工企業(yè)的人力資源風險管理中，得到了較好的驗證。徐靜等[3]將無導師學習的自組織SOM神經(jīng)網(wǎng)絡(luò)引入人力資源管理風險預(yù)警中，利用SOM神經(jīng)網(wǎng)絡(luò)的自適應(yīng)與非線性映射實現(xiàn)管理過程中的風險預(yù)警問題。李靜等[4]考慮管理過程中的隨機因素，從隨機性出發(fā)引入基于概率統(tǒng)計的貝葉斯網(wǎng)絡(luò)，利用貝葉斯網(wǎng)絡(luò)推理的功能實現(xiàn)了對人力資源管理的風險預(yù)警。

2 人力資源管理風險預(yù)警指標體系

由于人力資源管屬于一項系統(tǒng)工程，所涉及到的管理要素即管理風險因素較多，例如包括人員招聘、人員培訓、崗位配置、績效考核、薪酬管理、企業(yè)文化激勵與職業(yè)發(fā)展規(guī)劃等。

參考文獻[1-5]中的原則，基于可操作性、系統(tǒng)敏感性、泛化性、相對獨立性，從企業(yè)實際出發(fā)選取了7個一級風險要素，將其細化為20個二級風險要素，以此構(gòu)造了人力資源管理風險預(yù)警指標體系如表1所示。

表1 人力資源管理風險預(yù)警指標體系

3 支持向量機（SVM）預(yù)測理論

SVM是Vapnik與Corinna Cortes在二人提出VC維理論之后基于統(tǒng)計學習理論，在1995時提出的一種基于小樣本的機器學習理論，SVM克服了BP神經(jīng)網(wǎng)絡(luò)的過擬合與局部最優(yōu)問題，同時利用小樣本由低維空間向高維空間映射，保證取得收斂速度的同時，獲得最優(yōu)分類平面。近年來有許多學者引入SVM解決相關(guān)行業(yè)的問題[6-10]。

常見的支持向量機主要是二分類支持向量機，基于風險最小化原則求解二分類的最優(yōu)分類面，其主要原理為對于包括m個樣本的訓練集 (xi,yi) ∈Rm×{± 1 } ，? (ω,b)使得：

二分類最優(yōu)超平面基本思想如圖1所示。

圖1 二分類最優(yōu)超平面示意圖

對于指標較多的樣本，則需要將樣本利用核函數(shù)映射到高維空間，實現(xiàn)低維不可分到高維可分，以提高分類預(yù)警精度。引入核函數(shù)的判別函數(shù)f(x)如式(3)所示：

考慮核函數(shù)的應(yīng)用廣泛性，本文選用徑向基核函數(shù)做為K，徑向基函數(shù)表達式如式(4)所示：

4 實際應(yīng)用

非線性預(yù)測預(yù)測模型的準確度，取決于輸入模型的樣本數(shù)據(jù)，因此在進行非線性預(yù)測前我們需要對數(shù)據(jù)進行處理。表1中的指標除了指標崗位定位清晰度u11、職位匹配度u12、考核客觀度u43、回報滿意度u52、員工滿意度u71的評分區(qū)間為[1,5]，其他指標的評分區(qū)間為[1,100]。人力資源管理風險預(yù)警屬于多指標復雜系統(tǒng)的評價問題，指標權(quán)重的合理性影響最終結(jié)果?？紤]預(yù)警指標參數(shù)之間關(guān)聯(lián)度較大，參數(shù)間可以相互影響，本文為了排除人為干擾，遵照客觀實際，對指標進行歸一化處理，將指標化到區(qū)間[0,1]，稱為無量綱指標。

對于越大越優(yōu)型指標標準化處理如式（1）：

對于越小越優(yōu)型指標標準化處理如式（2）：

其中vij表示經(jīng)標準化處理后的樣本值，xij表示樣本值；max（xj）與min（xj）分別表示第j個指標評分的最大值與最小值。對樣本數(shù)據(jù)進行歸一化。

專家評估的結(jié)果需要結(jié)合相應(yīng)的風險等級對照表確定風險等級，本文風險分為I～V，分別對應(yīng)較安全到較危險，具體劃分如表3所示。

表2 風險等級對照表

表3 n2～n9為訓練集的訓練結(jié)果

用支持向量機預(yù)測數(shù)據(jù)之前，我們需要選取學習樣本和測試樣本，為了提高預(yù)測精度，根據(jù)“二八”原則，本文9組數(shù)據(jù)，提取8組作為學習樣本，剩下1組作為測試樣本。8個測試樣本在輸入支持向量機之前需要做隨機排序處理，降低因為數(shù)據(jù)排序?qū)е碌臋C器學習誤差或者過擬合。此處需要進行9次學習與驗證，此處我們以n9作為測試集，n1～n8為訓練集為例訓練結(jié)果如表4所示。從表4可以看出經(jīng)支持向量機訓練后訓練數(shù)據(jù)方差非常小，對預(yù)測擬合程度較好，同時將n9各項指標輸入已經(jīng)訓練好的擬合預(yù)測模型，得到的結(jié)果為0.238。同理對n1～n8進行學習預(yù)測得到的情況如圖2所示可以預(yù)測精度較高。

5 結(jié)語

1）人力資源管理風險預(yù)警影響因素眾多，按照系統(tǒng)工程的方法選取了7個一級預(yù)警指標，一級指標又細化為20個二級指標。指標覆蓋企業(yè)人力資源管理的各方面，就有較強的覆蓋性。

2）引入就有小樣本機器學習功能的支持向量機模型作為人力資源管理的風險預(yù)警模型，能夠處理人力資源管理風險預(yù)警的高維指標問題，且具有良好的準確性與適用性，收斂性較好，適用于新成立的企業(yè)在樣本數(shù)量不多的情況下使用。