基于因子分析與BP神經(jīng)網(wǎng)絡(luò)的電力企業(yè)技能人才評價

方俊 秦樂

摘要：在簡要分析傳統(tǒng)人才評價方法不足的基礎(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)模型的技能人才評價方法。該方法首先對大量原始數(shù)據(jù)進行模糊化與變量轉(zhuǎn)換，然后用因子分析法構(gòu)建人才評價指標體系，最后用L-M算法優(yōu)化后的三層BP神經(jīng)網(wǎng)絡(luò)進行模型訓練。本研究首次將BP神經(jīng)網(wǎng)絡(luò)模型引入電力企業(yè)的技能人才評價，相較于其他方法，該評價方法更加客觀有效并減少了人才測評成本，是人才評價技術(shù)的一種創(chuàng)新。通過對模型進行實例驗證，結(jié)果表明本研究提出的模型具有較強的預測性，有望為電力企業(yè)技能人才的選拔評價提供有效地技術(shù)支撐。

關(guān)鍵詞：因子分析 神經(jīng)網(wǎng)絡(luò) 人才評價 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，科學評價人才是促進人才成長、提升企業(yè)人力資源管理水平的關(guān)鍵。長久以來，技術(shù)技能人才的評價更多地局限于職稱評定、職業(yè)技能鑒定和競賽比武等，隨著對評價技術(shù)認識的不斷深入，傳統(tǒng)評價手段暴露出信效度不高、程序復雜、成本高昂等不足。這些一定程度上影響了人才評價的基礎(chǔ)性、導向性作用，也制約了人才評價在更大范圍、更深層次上的發(fā)展和應用。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)、云計算、移動應用等科技的發(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。通過建立有效的數(shù)學分析方法，對龐大的、歷史的、全面的數(shù)據(jù)進行有效分析，有望促使人才評價技術(shù)不斷優(yōu)化和改善。

總體來看，我國在基于大數(shù)據(jù)人才評價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)學模型對人才進行評價（李紅光，楊晨，2009）；石珊提出以基本素質(zhì)和工作業(yè)績相結(jié)合，現(xiàn)場能力和理論知識相結(jié)合的技能人才評價方法（石珊，2013）；呂鳳軍針對技能人才的特點構(gòu)建指標體系，利用AHP層次分析法對各指標進行了權(quán)重的確定進而計算評價等級（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)建評價模型取得了一定效果（邢潔，劉芳，2012）；張洪燕用熵值法對指標進行篩選然后用結(jié)構(gòu)方程模型的方法對評價指標體系進行實證分析（張洪燕，2012）；陳蘇超等運用模糊層次分析法對三級評價指標進行篩選，利用模糊神經(jīng)網(wǎng)絡(luò)模型對人才進行評價（陳蘇超，薛華，2014）。可見，目前在建立人才評價指標體系是對相關(guān)數(shù)據(jù)的利用和挖掘比較有限，聘請相關(guān)專家對人才評價指標進行評定增加了成本；在建立評價模型時，多數(shù)研究者通過確定各指標權(quán)重得出人才評價結(jié)果，這種線性模型要求對各指標精確評分，往往只有行業(yè)內(nèi)經(jīng)驗豐富的人力資源專家才能做到（王媛，馬小燕，2006）?；谏窠?jīng)網(wǎng)絡(luò)的評價模型也往往由于原始數(shù)據(jù)處理不充分或參數(shù)不合理導致結(jié)果不理想。

本研究充分考慮與技能人才評價相關(guān)的數(shù)據(jù)指標，采用因子分析法進行指標變量構(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，使指標的選擇更加客觀。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行神經(jīng)網(wǎng)絡(luò)的訓練，最終得出技能人才的評價結(jié)果。

二、評價指標選擇

1.數(shù)據(jù)采集

作為高風險、高投入的技術(shù)密集型企業(yè)，電力企業(yè)對技術(shù)技能人才有著較高的要求。要想客觀高效地構(gòu)建技能人才評價指標體系，體現(xiàn)大數(shù)據(jù)技術(shù)在該領(lǐng)域應用的優(yōu)勢，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)方法找出對人才評價有潛在影響的指標。為了避免遺漏并保證數(shù)據(jù)采集的系統(tǒng)性，本文將技能人才評價所有相關(guān)的數(shù)據(jù)進行了分類，簡要示例見表1。采集的初始數(shù)據(jù)基本涵蓋了對評價結(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)預處理

為了便于計算，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。通過引入模糊語言變量將屬性指標進行量化。若為實數(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)，每個樣本數(shù)據(jù)均對應于一個評價等級。樣本集基本涵蓋了以往技能人才評價的全部信息，據(jù)此訓練出的神經(jīng)網(wǎng)絡(luò)模型可最大限度擬合人才評價的非線性過程，從而得到接近最優(yōu)的評價結(jié)果。

3.評價指標的確定

對于技能人才的評價是一項復雜的系統(tǒng)工程，應從多方位、多角度、多層次對其進行考核與評估（李淼淼，2011）。傳統(tǒng)的評價體系構(gòu)建往往是根據(jù)層次分析法（AHP）確定各個參與評價的指標。本研究初步建立的評價指標體系主要根據(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價建模的指標或指標組合。因子分析法把初始變量表示成各個因子的線性組合，可將現(xiàn)有的變量變成少數(shù)幾個新的變量進入后續(xù)的神經(jīng)網(wǎng)絡(luò)學習，同時保證新變量幾乎帶有原來所有變量的信息，從而在有效降維的同時提高了評價模型的客觀性與準確度。最終確定的參與模型評價的指標將由數(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，挖掘潛在的對人才評價有較大影響的指標，并實現(xiàn)有效降維，從而降低了后面神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復雜度，一定程度上提高了模型效率與精度。

三、評價模型的建立

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)學方法，其本質(zhì)是模擬人類實際的神經(jīng)網(wǎng)絡(luò)，由大量的神經(jīng)元按照某種規(guī)律連接而成的復雜網(wǎng)絡(luò)系統(tǒng)（孟倩倩，2015）。技能人才評價是一種典型的非線性過程，神經(jīng)網(wǎng)絡(luò)則能有效地擬合這種過程，完成輸入到輸出的非線性映射。由因子分析法確定的評價指標幾乎代表了與技能人才評價相關(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)的任務是經(jīng)過訓練后，實現(xiàn)對技能人才的評價。其總體結(jié)構(gòu)圖如圖1所示。為了簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，防止訓練時間過長或陷入局部最優(yōu)并出現(xiàn)過擬合現(xiàn)象，采用多個神經(jīng)網(wǎng)絡(luò)分別訓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、實證分析

總體來看，某電力企業(yè)人才總量相對充足，但人才結(jié)構(gòu)不夠合理，高端技術(shù)技能人才相對匱乏。技能人才的結(jié)構(gòu)性失衡一方面說明培養(yǎng)機制有待改善，另一方面，說明評價選拔方法也有待優(yōu)化。近年來，某電力企業(yè)積極探索新模式，嘗試新技術(shù)的應用，在技能人才評價方面開展了大量工作。根據(jù)目前技能人才評價現(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價相關(guān)的全量數(shù)據(jù)。

1.數(shù)據(jù)預處理

根據(jù)第二部分提出的評價指標選擇方法，首先將原始數(shù)據(jù)進行初始指標提取后用模糊化方法進行量化，然后根據(jù)公式對指標取值進行計算得到相關(guān)矩陣。本文選取了300條數(shù)據(jù)進行試驗，因子分析簡要結(jié)果如下：

共提取了5個公因子（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（前三個成分）：由此可看出各個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)知識得分、素質(zhì)測評平均和平均作業(yè)效率三個變量聯(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個變量，涵蓋了表1中基本數(shù)據(jù)、考評數(shù)據(jù)、行為數(shù)據(jù)等三大部分。因子分析后生成5個主要變量并在每個原始變量上取不同權(quán)重值。

2.神經(jīng)網(wǎng)絡(luò)訓練

因子分析在保留初始指標信息量的同時找出變量間共線性，簡化輸入指標數(shù)量，減小了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復雜性。經(jīng)過上述步驟的處理，神經(jīng)網(wǎng)絡(luò)輸入變量為五個，其中每個變量值為各個原始變量的加權(quán)，模型實際輸出變量為對應的評價等級，由第三部分2中所述方法計算得到，模型的期望輸出值對應于數(shù)據(jù)樣本集中每條數(shù)據(jù)的評價等級。確定輸入輸出及期望值后，按上述訓練過程進行迭代計算。

3.模型評估

為了直觀反映模型效果，采用clementine進行仿真計算。經(jīng)過反復嘗試，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)束訓練。數(shù)據(jù)評價預測準確率為89.3%，如下圖，其中正確預測267例，預測錯誤32例，且錯例中評價等級為中的被錯判成差與良各6例；評價等級為良的有9例被錯判為中，評價等級為優(yōu)的全部預測正確。由此說明該模型對正向等級預測效果較為穩(wěn)定。

下列圖示是對模型的性能評估（以評價結(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（Lift）圖。它是將每個分位點中成功數(shù)占記錄數(shù)的百分比與在訓練樣本中成功數(shù)所占百分比做比較。對于一個好的模型來說：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，而一個較差的模型將從較低的左端以接近斜對角線上升到右端；Lift圖描述的是與不利用模型相比，模型的預測能力提升的程度。一個性能較好的模型，其曲線應該從左端高于1.0處開始，能夠短暫保持在一個高度穩(wěn)定的水平上，到圖像右端時突然急劇地減小到1.0。性能較差的模型，整個圖像中曲線將一直圍繞在1.0附近。

具體到本研究中，如果以評價等級“中”為例來對模型的性能進行評估，其中下面兩圖橫坐標均為百分位點，如20百分位，它表示在所有測量數(shù)據(jù)中，測量值的累計頻次達20%。F1縱坐標為信息增益百分比（Gain）。Gain分布的20百分位表示有20%的評價樣本數(shù)據(jù)小于約70%的信息增益，從曲線的整體走勢來看，說明信息增益提升非常快，模型區(qū)分數(shù)據(jù)的能力比較強，分類效果明顯。F2縱坐標為功效點（Lift）。Lift的走勢從左端的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，本研究的模型預測能力有較大的提升。

整體來說，該機器學習模型較為可靠。相比于傳統(tǒng)方法，該評價模型采用因子分析法構(gòu)建指標體系，模型性能較高，評價結(jié)果較準確。

五、結(jié)語

本研究在簡要分析傳統(tǒng)人才評價方法不足的基礎(chǔ)上，結(jié)合電力行業(yè)技能人才的特點與大數(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)的技能人才評價，介紹了一種基于數(shù)據(jù)模型的技能人才評價方法。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價有關(guān)的數(shù)據(jù)并提取指標變量，用因子分析法構(gòu)建評價指標體系，在最大限度保留全量數(shù)據(jù)信息的基礎(chǔ)上有效精簡了建模指標。然后采用L-M優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)學習樣本數(shù)據(jù)進而得到技能人才評價模型。解決了經(jīng)典神經(jīng)網(wǎng)絡(luò)評價模型由于原始數(shù)據(jù)處理不充分或參數(shù)不合理導致結(jié)果不理想的問題，同時，也解決了傳統(tǒng)人才評價方法對相關(guān)數(shù)據(jù)的利用和挖掘比較有限的不足，使人才評價的結(jié)果更客觀，降低操作成本。當需要對技能人才進行評價的時候，評價指標數(shù)據(jù)經(jīng)過處理后輸入訓練好的模型中即可得到評價結(jié)果。相較于傳統(tǒng)方法，該評價模型更加準確客觀，提升了人才評價工作的效率。有望為今后企業(yè)高技能人才的評價、評級提供科學有效的分析手段，具有較強的應用價值與廣泛的應用前景

參考文獻

[1]李光紅，楊晨.高層次人才評價指標體系研究[J].科技進步與對策，2009（4）：186-189

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

[3]李光紅，楊晨.高層次人才評價指標體系研究[J].科技進步與對策，2009（4）：186-189

[4]呂風軍.基于多層面分析的高技能人才評價指標體系構(gòu)建[J].企業(yè)經(jīng)濟，2012（6）：56-58

[5]邢潔，劉芳.基于遺傳神經(jīng)網(wǎng)絡(luò)的天津濱海新區(qū)人才競爭力評價[J].科學管理研究，2012，30（4）：97-99

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

[7]陳蘇超，薛華.基于模糊神經(jīng)網(wǎng)絡(luò)的高層次創(chuàng)新型科技人才的評價[J].太原理工大學學報，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)的人才評價方法[J].佳木斯大學學報（自然科學版），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)核心競爭力評價研究[J].河北工程大學，2011