基于粗集—遺傳支持向量機的旅游企業(yè)員工績效評價

黃紹平

摘要：利用相關績效評價理論建立影響旅游企業(yè)員工績效評價的指標體系，通過粗集理論對這些指標進行約簡，獲得核心指標。然后，利用支持向量機對核心指標進行建模，得到旅游企業(yè)員工績效評價模型，并將其運用到實際評價當中。實證結果表明，該模型評價識別率很高，有較強的分類能力。從旅游企業(yè)員工績效評價結果來看，粗集及遺傳算法的引入不僅能夠提高評價效率，而且能夠提高評價精度，與實際旅游企業(yè)員工績效情況基本一致，從而為后續(xù)的優(yōu)異評價結果提供良好的理論基礎。

關鍵詞：績效評價；旅游企業(yè)；粗集；遺傳算法；支持向量機

中圖分類號：TP18；F224 文獻標識碼：A 文章編號：0439-8114（2015）17-4370-06

DOI：10.14088/j.cnki.issn0439-8114.2015.17.067

旅游業(yè)是最具有發(fā)展?jié)摿Φ男屡d產業(yè)之一。許多國家和地區(qū)都把旅游業(yè)作為重要產業(yè)列入國民經濟發(fā)展計劃。同時，隨著小黃金周的出現和大量新景區(qū)、景點的開發(fā)，人們的旅游方式和旅游觀念發(fā)生了改變，國內旅游業(yè)面臨著新的競爭和挑戰(zhàn)[1-2]。

作為人力資源管理中的核心模塊之一的員工績效管理，業(yè)已成為一切管理者所必須具備的基本管理技能[3]。管理者如果可以有效地管理員工的績效，將直接影響員工的積極性和工作效率，也關系到員工發(fā)展?jié)撃艿拈_發(fā)和企業(yè)能否留住人才。所以，必須通過提高企業(yè)整體績效來實現員工效率的提升，進而實現企業(yè)生產力的提高。提高企業(yè)整體績效可以通過組織機構調整、組織扁平化或分散化的方式，也可以通過精簡冗員的方式來達到目的[4-6]。所以，企業(yè)必須通過科學有效的薪酬激勵，來提高員工績效水平，這是企業(yè)挖掘自身潛能過程中舉足輕重的環(huán)節(jié)。激勵的依據來源于企業(yè)對員工的績效評價，只有對員工做出了公平公正的績效評價，才會有公平合理的激勵機制。因此，做好員工激勵的前提是企業(yè)擁有一套合理完善的員工績效評價指標體系。

在員工績效評價指標體系中，對于如何賦予指標相應的權重，比較常用的有兩種方法：一種是德爾菲法，另一種是層次分析法。對于建立員工績效評價體系的方法，研究較多的除了平衡計分卡外，還有目標管理法、關鍵績效指標法、360績效反饋法、關鍵事件法、模糊綜合評價分析法、不良事故考核法等。眾多專家、學者、企業(yè)界人士更多地是在討論平衡計分卡的推廣與運用問題，許多企業(yè)在績效考核方面借鑒了平衡積分卡的思想，但是由于平衡計分卡理論本身處于不斷完善與豐富階段，且人們對平衡計分卡的本質與內涵認識不夠深入，存在認識上的偏差，實際應用的效果不佳[2-9]。目前在績效評價指標的選擇上，已經能從財務指標和非財務指標兩方面綜合考慮，這說明我國績效評價體系已有所改善，但如何增強評價結果的準確性，以及如何科學有效地構建員工績效評價指標體系，還有待研究[10-13]。

Vapnik[14]于1995年提出了基于統計學理論的支持向量機（support vector machine，SVM）方法，為解決評價結果準確性提供了可供探索的技術途徑。支持向量機具有高度的泛化能力，能夠在極小樣本數情況下通過訓練獲得良好的分類能力。當前，利用傳統的評價方法對企業(yè)員工績效進行研究已經取得了一定研究成果，而且已經趨于成熟，研究空間及可挖掘的潛力有限，然而利用具有人工智能特性的支持向量機方法尚仍處于探索階段，需要進一步深入研究，尤其是對模型各參數的確定仍需進一步研究。同時，由于影響員工績效的因素很多，如人員素質、工資和工作條件等，因此，指標較多、數據較多，增加了模型計算的復雜度和計算時間，從而降低了績效評價的效率和準確度。為了解決這一問題，可借鑒粗集理論[15]，對影響企業(yè)員工績效評價的相關指標進行約簡，從而約簡掉冗余指標和信息。因此，本文提出一種基于粗集理論和遺傳支持向量相結合的理論運用到旅游企業(yè)員工績效評價的新方法。該方法的主要內容和步驟可以大體概括如下：首先通過粗集理論對影響企業(yè)員工績效的所有指標進行約簡后，得到影響企業(yè)員工績效評價的關鍵因素和核心指標，再通過遺傳支持向量機對這些影響因素進行企業(yè)員工績效分類。由于遺傳支持向量機具有高度泛化能力，其建立模型的分類精度完全能滿足數據本身特征的要求。

1 粗集理論

粗集理論是Z.Pawlak于20世紀80年代提出的一種處理模糊、不確定的數學分析方法。利用該理論能夠有效地分析和處理各類不完整、不確定信息，并從中發(fā)現隱含的信息及知識，進而揭示隱藏在數據當中的規(guī)則及規(guī)律[16]。

3 基于粗集理論與遺傳支持向量的企業(yè)員工績效評價分類模型

粗集理論主要是針對抽象的、一般的知識對象去提取核心信息，支持向量機則傾向于抽象思維，將低維非線性問題轉化為高維線性問題來進行處理，而且其具有高度的泛化能力，對于小樣本進行訓練能夠得到較好的效果。本研究將粗集理論與支持向量機算法相結合，可以高度融合抽象思維和高維非線性理論，利用規(guī)范化的定量定性數據信息及智能分析方法，對相關知識系統進行深入分析處理。

前期數據處理及方法的選擇是知識處理過程中最為關鍵的兩個過程。將粗集理論與支持向量機算法結合起來建立分類模型，也正是基于它們各自的特點及優(yōu)勢。粗集理論能夠在保留關鍵數據信息的基礎上，對原始數據進行約簡并得到知識約簡，從而能夠評估數據間的依賴關系，進而導出相關概念的分類規(guī)則。而在利用粗集理論對相關信息進行處理的過程中，一般只需要提供原始數據本身，而無需提供原始數據之外的其他任何信息，因此更具有客觀性。支持向量機由于具有強大的非線性問題處理能力，可以很好地對數據分類辨識，進而提高訓練精度及學習處理能力，而且具有良好的泛化能力，可以較好地克服傳統統計學的局限性。

利用這兩種理論各自的優(yōu)點，首先利用粗集對原始數據進行預處理，再采用支持向量機對處理過的數據進行黑盒處理，這樣便可以回避這兩種方法本身所具有的不完善之處，并最大程度地發(fā)揮各自的優(yōu)勢。通過粗集理論可以很好地在不依賴任何先驗知識或信息的基礎上就可提取數據本身所具有的相應特性，約簡掉冗余信息，獲得核心指標體系，進而充分發(fā)揮粗集理論的信息處理優(yōu)勢，為后續(xù)支持向量機處理提供更加客觀、可靠、準確的數據來源。后期精確學習訓練及預測過程中，支持向量機的原始數據輸入復雜度及訓練模型效率會得到大大降低，故分類精度及科學性將會隨之大幅提高?；谝陨详U述，本文將粗集與支持向量機算法高度結合起來，構建企業(yè)員工績效評價模型，具體流程如圖1所示。endprint

構建基于粗集理論與遺傳支持向量的旅游企業(yè)員工績效評價模型的基本步驟如下：

1）根據指標體系構建原則建立一個全面、系統、完善的影響旅游企業(yè)員工績效的指標體系并建立決策表。

2）利用粗集理論對步驟1）所得指標進行約簡，得到約簡后的核心指標集。

3）根據步驟2）指標集提取相關數據，通過支持向量機模型對這些數據進行訓練，建立分類模型。

4）對于步驟3）建立支持向量機分類模型過程中的參數（如松弛變量、懲罰系數等）通過遺傳算法進行尋優(yōu)，具體流程如下[16]：①確定遺傳算法編碼方式；②生成初始種群；③計算所有染色體的適應度值，為種群中第i個染色體；④將所有染色體的適應度值進行累加，同時記錄每一個染色體的中間累加值，其中S為總數目；⑤產生一個隨機數N；⑥選擇相應的中間累加值的第一個染色體進入交換集；⑦重復步驟⑤及⑥操作，直到擁有足夠多的染色體為止；⑧對于步驟⑦產生的染色體中任意選擇兩個染色體，染色體進行單點雜交和兩點雜交獲得一個或多個基因，得到新的染色體；⑨利用各種偶然因素引起的基因突變進行變異運算，進而得到改變遺傳基因的值。⑩通過步驟①～⑨獲得支持向量機算法松弛變量、算法懲罰系數等，遺傳算法尋優(yōu)結束。

5）得到最終遺傳支持向量機分類模型，并利用此模型對旅游企業(yè)員工績效進行相應評價。

4 中國旅游企業(yè)員工績效評價實證分析

4.1 樣本選擇及指標體系的建立

4.1.1 樣本數據的選擇 旅游企業(yè)員工績效管理運行狀況評估主要數據來源于內部資料及相關公開數據。根據在這些數據中篩選的指標數據進行后續(xù)處理，使研究更具現實意義，也更具有準確性和權威性。本文所有數據均來源于此企業(yè)，所有數據均利用SPSS、ROSETTA、Matlab等軟件進行處理。

4.1.2 指標體系的建立 通過利用相關員工績效評價方法及相關學者的研究成果，并綜合考慮影響員工績效考核實際運行的諸多因素如工作業(yè)績、個人能力、工作態(tài)度和其他項目完成情況等，選取了25個指標作為初選指標體系進行分析（表1），力求通過初選指標體系涵蓋充足的信息量，以便為后續(xù)員工績效分類模型的建立提供科學合理的指標體系。

4.2 實證分析

4.2.1 數據預處理 利用離差標準化對指標數據進行預處理，處理后的數據均在[0，1]之間。在對各評價指標數據進行標準化處理的過程中，由于各指標自身含義不同，相應的行業(yè)平均水平、極值水平均有所區(qū)別，因此本文根據相關研究經驗及分析，分別確定各指標的極大、極小值，并進行標準化處理。

4.2.2 層次聚類分析 利用SPSS軟件對通過上述處理后建立的指標體系按公司上市代碼進行聚類分析（表2）。

通過分析可知，將所選取的樣本分為五大類較為合理，進而可以為后續(xù)分類模型的建立提供精準分類。分析以上五類聚類結果，各指標具體情況如表3所示。

根據表3分布情況進行排序，可將樣本企業(yè)的員工績效考核狀況分為一級到四級，依次為優(yōu)秀、良好、一般、較差，分別用4、3、2及1表示。

本文采用樣本企業(yè)所有106個員工的2012年相關報表及數據對聚類分析結果進行初步檢驗，2012年績效考核為優(yōu)秀的有27個，績效考核為良好的有38個，績效考核為一般的有28個，績效考核為較差的有7個。此聚類結果較為合理，可為后續(xù)的支持向量機分類模型的建立提供一個良好的目標依據。

4.2.3 粗集屬性約簡 各指標數據經過標準化處理后均分布在0-1之間。據此，利用ROSETTA軟件對各指標數據進行離散化處理，并加入聚類形成的員工績效考核狀況決策屬性，形成決策表（表4），其中，公司由代號表示，20個指標數據構成條件屬性集，員工績效考核狀況為決策屬性。

根據屬性重要度公式及軟件運行結果計算新指標體系各屬性重要度（表5）。

在新的指標體系中，20個指標仍然涵蓋了工作業(yè)績、個人能力、工作態(tài)度和其它項目完成情況等方面。精簡后的原始數據能以較少的數量提供較多的信息量，因此可以作為支持向量機輸入的數據來源，以確保構建支持向量機所需的信息量充足、準確、精簡，避免因輸入數據維度過多而造成網絡效率下降，同時也避免了盲目選擇指標數據造成的信息失真或信息不充分，進而影響網絡分類效果。

4.2.4 支持向量機模型訓練 基于以上數據預處理及分析，構建支持向量機模型。輸入數據為接受外部數據的緩沖存儲器，支持向量機相關參數通過遺傳算法尋優(yōu)得到，在本文中即為前述粗集約簡后形成的指標個數20。輸入數據中每行由100個員工數據組成，每列由20個指標標準化后數值構成，分類值的每一列中1所在的行數代表該列員工所屬的聚類分類數，如：第一行代表第一類。

本文遺傳支持向量機的訓練和分析采用Matlab7.6軟件實現，將訓練樣本數據依次輸入遺傳支持向量機模型，對支持向量機進行訓練，經過多次訓練后參數得到最優(yōu)狀態(tài)，在訓練輸出數據中，每一列上1所在的位置對應樣本績效評價分類，輸出值中各元素值的分類情況良好，相關參數通過遺傳算法尋優(yōu)得到后，遺傳支持向量機分類模型也即建立。

通過已經建立的分類模型對檢驗樣本分析，本文選取樣本中第101～120家企業(yè)數據作為檢驗樣本。將學習訓練獲得的相關參數運用到對檢驗樣本的仿真，然后再對模型的預測精度和判別率進行檢驗。將以上檢驗樣本輸入到已經構建好的遺傳支持向量機分類模型中，經過matlab軟件分析可以得到輸出值。本分類模型實際預測分類正確率如表6所示。

如表6所示，通過對采用遺傳算法構建的支持向量機模型進行仿真訓練，其綜合判斷正確率高達100%，總體分類情況良好。應用此分類模型，可以對旅游企業(yè)內的員工進行績效效果評價，將待評價企業(yè)員工的各項數據作為輸入數據，即可根據此評價模型得到相應判斷結果。endprint

5 結論

在企業(yè)發(fā)展過程中，由于客觀環(huán)境的不確定性和管理的局限性，不可避免地會產生員工績效評價問題。通過設置一些評價規(guī)則，并對員工績效評價的影響因素進行跟蹤監(jiān)測，能夠在企業(yè)人力資源問題發(fā)生前發(fā)出有效的警報。本文通過運用粗集理論對影響企業(yè)員工績效評價的指標體系進行屬性約簡，獲得影響企業(yè)員工績效評價的核心影響因素，從而保證源數據的有效性和精練性，為后期建立遺傳支持向量機員工績效評價模型提供較為合理的數據，并運用合理的支持向量機優(yōu)化參數進行支持向量機分析，最終建立遺傳支持向量機員工績效評價模型。主要結論如下：

1）利用粗集方法約簡后指標體系從工作業(yè)績、個人能力、工作態(tài)度和其他項目等諸多方面均反映了對企業(yè)員工績效評價的作用。

2）利用遺傳算法能夠較好地對支持向量機模型在訓練過程中尋找得到更優(yōu)的模型參數，從而使得訓練模型更加準確和有效。

3）遺傳-支持向量機較好地學習了樣本數據，并形成了規(guī)范的分類評價體系。通過檢驗樣本的運行對網絡學習結果進一步作出規(guī)范和驗證，并最終形成基于粗集和遺傳支持向量機的評價體系。

參考文獻：

[1] OTLEYA D.Performance management：A framework for management control systems research[J]. Management Accounting Research，1999，10（4）：363-382.

[2] JENSEN M C，MURPHY K J. Performance pay and top-management incentives[J]. Journal of Political Economy，1990，98（2）： 273-287.

[3] CAMPBELL J P，MCCLOY R A，OPPLER S H，et al.A theory of Performance[M].In：Schmitt N.& W.C. Borman Personnel Selection in Organizations.San Francisico，1993.35-70.

[4] 羅伯特·巴考爾.績效管理24準則[M].北京：中信出版社，2005.

[5] 林新奇.績效管理手冊[M].北京：中國勞動社會保障出版社，2006.

[6] 孟建民.中國企業(yè)績效評價[M].北京：中國財經出版社，2002.

[7] BRISCOE D R. International Human Resource Management[M].Prentice-hall Inc，1999.

[8] 王繼承.績效考核操作實務[M].廣州：廣東經濟出版社，2003.

[9] 余凱成.現代人力資源管理[M].沈陽：東北出版社，1997.

[10] 彼 得·德魯克.公司績效測評[M].北京：中國人民大學出版社，1999.

[11] LANDY F，FARR J. The Measurement of Work Performance： Methods Theory and Application[M]. New York：Academic Press，1983.

[12] 付亞和，許玉林.績效管理[M].上海：復旦大學出版社，2007.

[13] PAMENTER. Moving from appraisal to employee enhancement[J].Canadian manager，2002（15）：34-37.

[14] VAPNIK V N.The Nature of Statistical Learning Theory[M]. New York：Springer-Verlag，1995.

[15] 張文修，吳偉志，梁吉業(yè)，等.粗糙集理論與方法[M].北京：科學出版社，2003.

[16] 溫文波，杜 維.蟻群算法概述[J].控制系統，2002（1）：19-22.endprint