基于支持向量機的人力資源管理風(fēng)險預(yù)警研究

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(fēng)險因素。

因此針對多種管理風(fēng)險因素共同作用下的人力資源管理風(fēng)險及人才流失預(yù)警，學(xué)者們運用各種方法進(jìn)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(fēng)險的預(yù)警當(dāng)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(fēng)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(fēng)險管理中，得到了較好的驗證。徐靜等[3]將無導(dǎo)師學(xué)習(xí)的自組織SOM神經(jīng)網(wǎng)絡(luò)引入人力資源管理風(fēng)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(fēng)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(fēng)險預(yù)警。

2 人力資源管理風(fēng)險預(yù)警指標(biāo)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(fēng)險因素較多，例如包括人員招聘、人員培訓(xùn)、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(xiàn)[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(fēng)險要素，將其細(xì)化為20個二級風(fēng)險要素，以此構(gòu)造了人力資源管理風(fēng)險預(yù)警指標(biāo)體系如表1所示。

表1 人力資源管理風(fēng)險預(yù)警指標(biāo)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(xué)習(xí)理論，在1995時提出的一種基于小樣本的機器學(xué)習(xí)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(xué)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(fēng)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(xùn)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(biāo)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(dá)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(zhǔn)確度，取決于輸入模型的樣本數(shù)據(jù)，因此在進(jìn)行非線性預(yù)測前我們需要對數(shù)據(jù)進(jìn)行處理。表1中的指標(biāo)除了指標(biāo)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(biāo)的評分區(qū)間為[1,100]。人力資源管理風(fēng)險預(yù)警屬于多指標(biāo)復(fù)雜系統(tǒng)的評價問題，指標(biāo)權(quán)重的合理性影響最終結(jié)果。考慮預(yù)警指標(biāo)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(biāo)進(jìn)行歸一化處理，將指標(biāo)化到區(qū)間[0,1]，稱為無量綱指標(biāo)。

對于越大越優(yōu)型指標(biāo)標(biāo)準(zhǔn)化處理如式（1）：

對于越小越優(yōu)型指標(biāo)標(biāo)準(zhǔn)化處理如式（2）：

其中vij表示經(jīng)標(biāo)準(zhǔn)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(biāo)評分的最大值與最小值。對樣本數(shù)據(jù)進(jìn)行歸一化。

專家評估的結(jié)果需要結(jié)合相應(yīng)的風(fēng)險等級對照表確定風(fēng)險等級，本文風(fēng)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(fēng)險等級對照表

表3 n2～n9為訓(xùn)練集的訓(xùn)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(xué)習(xí)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(xué)習(xí)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(xué)習(xí)誤差或者過擬合。此處需要進(jìn)行9次學(xué)習(xí)與驗證，此處我們以n9作為測試集，n1～n8為訓(xùn)練集為例訓(xùn)練結(jié)果如表4所示。從表4可以看出經(jīng)支持向量機訓(xùn)練后訓(xùn)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(biāo)輸入已經(jīng)訓(xùn)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(jìn)行學(xué)習(xí)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(fēng)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(biāo)，一級指標(biāo)又細(xì)化為20個二級指標(biāo)。指標(biāo)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(xué)習(xí)功能的支持向量機模型作為人力資源管理的風(fēng)險預(yù)警模型，能夠處理人力資源管理風(fēng)險預(yù)警的高維指標(biāo)問題，且具有良好的準(zhǔn)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。