基于SVM算法的企業(yè)員工離職預(yù)警研究

　　摘要：人力資源是企業(yè)發(fā)展的重要資源，做好員工離職預(yù)警工作有助于企業(yè)長(zhǎng)遠(yuǎn)發(fā)展。本文采用國(guó)網(wǎng)青海省電力公司2010—2018年的員工離職數(shù)據(jù)，分析得出人才流失的主要影響因素，使用支持向量機(jī)(SVM)算法進(jìn)行員工離職預(yù)測(cè)分析。該預(yù)警模型使用部分員工數(shù)據(jù)作為訓(xùn)練集，其余作為測(cè)試集，使用精確度為92.7%的中值高斯核函數(shù)型支持向量機(jī)(MediumGaussianSVM)進(jìn)行預(yù)測(cè)，模型預(yù)測(cè)精度符合預(yù)期，為電網(wǎng)企業(yè)人才流失預(yù)警提供了有效的方法。

　　關(guān)鍵詞：人才流失SVM離職預(yù)警模型

　　經(jīng)濟(jì)論文投稿刊物：商業(yè)經(jīng)濟(jì)是黑龍江省商務(wù)廳主管，黑龍江省商業(yè)經(jīng)濟(jì)學(xué)會(huì)和黑龍江省商業(yè)經(jīng)濟(jì)研究所主辦，商業(yè)經(jīng)濟(jì)編輯部編輯出版的經(jīng)濟(jì)類綜合期刊。本刊注重期刊的標(biāo)準(zhǔn)化、國(guó)際化和現(xiàn)代化建設(shè)。為豐富本刊刊發(fā)內(nèi)容，進(jìn)一步提高期刊質(zhì)量及可讀性，擴(kuò)大本刊影響力，現(xiàn)正在面向社會(huì)各界誠(chéng)征優(yōu)秀稿件。

　　人才流失是電力企業(yè)亟需解決的一個(gè)重要問題，因而員工離職預(yù)警研究受到了國(guó)內(nèi)外企業(yè)界與學(xué)術(shù)界重點(diǎn)關(guān)注。要想降低員工離職帶來(lái)的人才流失風(fēng)險(xiǎn)，建立有效的員工離職預(yù)警機(jī)制已成為現(xiàn)代企業(yè)管理者必須面對(duì)的重大問題。目前，學(xué)者們較多采用模糊綜合評(píng)價(jià)方法、專家評(píng)價(jià)方法等手段進(jìn)行員工離職預(yù)警研究。盡管這些方法具有計(jì)算簡(jiǎn)便、易于理解和操作的特點(diǎn)，但由于這些方法涉及大量的具有較強(qiáng)非線性和模糊性特征的定性指標(biāo)，且無(wú)法有效地預(yù)警大數(shù)據(jù)時(shí)代員工離職情況，而將支持向量機(jī)優(yōu)良特性應(yīng)用于員工離職預(yù)警，可以有效解決這一問題。

　　1員工離職影響因素分析

　　本文采集了國(guó)網(wǎng)青海省電力公司2010—2018年共2665名入職員工工作單位類型、籍貫區(qū)域類型、年齡、學(xué)歷、崗位等數(shù)據(jù)進(jìn)行分析。從性別離職員工分析，每年的離職人員中男性比例均大于女性比例，可以看出性別是離職的影響因素。從離職人員年齡分析，離職人員呈鐘形左偏態(tài)分布，年齡主要分布在20～34歲，且在25歲達(dá)到峰值，23～26歲離職人員占全部人員的58.69%。員工離職呈現(xiàn)年輕化。從婚姻狀況分析，離職人員中未婚人群是主要的群體，其中97.37%的女性為未婚，93.14%的男性為未婚。從工作年限進(jìn)行分析，工作2年離職的人數(shù)占23%，1年的人數(shù)占18%，人員穩(wěn)定性較差。從離職員工生源地分析，離職人員的生源地主要分布在西部城市，占比55.40%，因此生源地是重要影響因素。從離職人員學(xué)校類別分析，211離職人員最多為88人，占211院校8年入職人數(shù)的8.57%，985離職人數(shù)26人，但是占985入職人員的10.57%，而�？圃盒Ｊ请x職人數(shù)占相應(yīng)入職人數(shù)最少的院校，為4.84%。

　　從最高學(xué)歷分析可得，大學(xué)本科畢業(yè)174人占離職總?cè)藬?shù)的81.69%，且占相應(yīng)入職人員的8.5%，碩士研究生12人占相應(yīng)入職人員的7.4%，大學(xué)專科畢業(yè)24人占相應(yīng)入職人數(shù)的5.28%。如此可見，學(xué)歷相對(duì)較低的人員其工作較為穩(wěn)定，本質(zhì)原因?yàn)槠淇蛇x擇的機(jī)會(huì)較少;而部分離職人員入職時(shí)間較短，且學(xué)歷為大學(xué)本科及以上。說(shuō)明其對(duì)工作環(huán)境、工作待遇、工作前景較為不滿，對(duì)于此類員工，公司要更加重視其需求，爭(zhēng)取降低該類員工的離職率。從離職人員單位名稱分析，檢修公司離職人員最多44人，再是海西供電公司22人，離職人員數(shù)量占入職該單位人員數(shù)量超過10%。從工作地點(diǎn)艱苦程度來(lái)看，四類離職人數(shù)最多98人，占入職相應(yīng)人員的12.53%，條件艱苦地區(qū)離職率較高�；�于以上分析，本文選取了工作單位類型、籍貫區(qū)域類型、崗位、學(xué)校類型、生源地、性別、婚姻狀況、專業(yè)、工作地區(qū)艱苦級(jí)別9個(gè)指標(biāo)構(gòu)建員工離職預(yù)警模型。

　　2模型選取及應(yīng)用

　　2.1SVM的概念

　　支持向量機(jī)(SupportVectorMachine，SVM)是一種從線性可分?jǐn)?shù)據(jù)的“最優(yōu)分類面”求解方法發(fā)展而來(lái)、基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理(StructureRiskMinimization，SRM)的機(jī)器學(xué)習(xí)方法。由于其出色的學(xué)習(xí)性能和巨大的應(yīng)用潛能，支持向量機(jī)成為機(jī)器學(xué)習(xí)界備受青睞的方法，在人事管理、項(xiàng)目評(píng)估、風(fēng)險(xiǎn)預(yù)測(cè)等多種領(lǐng)域大放異彩。

　　2.2SVM預(yù)測(cè)原理

　　2.2.1線性可分?jǐn)?shù)據(jù)的最優(yōu)分類面

　　在原始數(shù)據(jù)空間中，若存在一個(gè)能夠無(wú)錯(cuò)誤地把數(shù)據(jù)集分成兩類的線性函數(shù)，則稱該數(shù)據(jù)線性可分，對(duì)于二維數(shù)據(jù)，定義兩條過距離分類最近的數(shù)據(jù)點(diǎn)且平行于數(shù)據(jù)線的直線之間的距離為分類間隔。線性可分的最優(yōu)分類面問題要求取得的線性函數(shù)不僅要能正確地將兩類點(diǎn)分開，而且能使分類間隔最大，推廣到高維空間，最優(yōu)分類面就成為最優(yōu)超平面。

　　2.3計(jì)算過程及結(jié)果

　　2.3.1數(shù)據(jù)預(yù)處理

　　因指標(biāo)均為離散變量且選項(xiàng)固定，不存在主觀影響，故只需遵從相同的賦值規(guī)律進(jìn)行選項(xiàng)數(shù)字化和數(shù)據(jù)標(biāo)準(zhǔn)化，支持向量機(jī)就可以在訓(xùn)練中正確衡量各個(gè)參數(shù)對(duì)員工離職現(xiàn)象的影響力，部分?jǐn)?shù)據(jù)賦值結(jié)果。本文隨機(jī)抽取2000組數(shù)據(jù)，作為我們的支持向量機(jī)器訓(xùn)練集，余下665組數(shù)據(jù)作為測(cè)試集。

　　2.3.2核函數(shù)的選擇

　　使用Matlab2018a軟件進(jìn)行支持向量機(jī)建模，由支持向量機(jī)的原理可知，核函數(shù)的選擇直接決定了輸入空間數(shù)據(jù)能否轉(zhuǎn)化為屬性空間內(nèi)的線性可分?jǐn)?shù)據(jù)，針對(duì)本文數(shù)據(jù)，我們計(jì)劃通過對(duì)比分析，選取更合適的核函數(shù)。我們選取的核函數(shù)及各個(gè)核函數(shù)下的支持向量機(jī)模型在十次交叉驗(yàn)證情況下。由此可知，使用SVM模型進(jìn)行訓(xùn)練的精確度均較高(90%以上)，其中以MediumGaussianSVM為最高，故我們選取MediumGaussian核函數(shù)進(jìn)行預(yù)測(cè)集的檢驗(yàn)。

　　2.3.3訓(xùn)練和測(cè)試結(jié)果

　　使用余下665組數(shù)據(jù)作為預(yù)測(cè)集，預(yù)測(cè)結(jié)果與實(shí)際結(jié)果對(duì)比如表4所示�？梢钥闯�，該模型對(duì)未離職員工數(shù)量預(yù)測(cè)較為準(zhǔn)確，預(yù)測(cè)準(zhǔn)確度達(dá)94.04%。雖然對(duì)離職員工預(yù)測(cè)數(shù)字偏少，但由于整體數(shù)據(jù)中離職員工所占比例并不大，對(duì)未離職員工人數(shù)判斷的微小偏差即會(huì)明顯地影響離職人數(shù)預(yù)測(cè)準(zhǔn)確率，故該預(yù)測(cè)結(jié)果合理。即以MediumGaussian為核函數(shù)的支持向量機(jī)模型可以較好地根據(jù)員工的年齡、性別、學(xué)歷、崗位、工作區(qū)域等參數(shù)評(píng)估員工離職的概率。

　　3結(jié)語(yǔ)

　　人才流失是電力企業(yè)亟需解決的一個(gè)重要問題，因而對(duì)員工離職預(yù)警研究是國(guó)內(nèi)外企業(yè)界與學(xué)術(shù)界重點(diǎn)關(guān)注的話題。然而，傳統(tǒng)的模糊綜合評(píng)價(jià)法、專家評(píng)價(jià)法等方法無(wú)法解決大數(shù)據(jù)時(shí)代的員工離職問題。針對(duì)此問題，本文選取了SVM方法進(jìn)行企業(yè)員工離職預(yù)警研究，采用國(guó)網(wǎng)青海省電力公司2010—2018年員工離職的共2665條數(shù)據(jù)進(jìn)行實(shí)證分析。實(shí)驗(yàn)結(jié)果表明，支持向量機(jī)模型可以較好地根據(jù)員工的年齡、性別、學(xué)歷、崗位、工作區(qū)域等參數(shù)評(píng)估員工離職的概率，為大數(shù)據(jù)背景下電力企業(yè)員工離職預(yù)警提供了新的思路和方法。由于條件的限制，本文僅選取國(guó)網(wǎng)青海電力公司一家的數(shù)據(jù)，在今后的研究中，將采取多個(gè)地區(qū)和企業(yè)的實(shí)踐數(shù)據(jù)進(jìn)行研究，以擴(kuò)展本文研究方法的適用性。

　　參考文獻(xiàn)

　　[1]李強(qiáng),翟亮.基于Stacking算法的員工離職預(yù)測(cè)分析與研究[J].重慶工商大學(xué)學(xué)報(bào)(自然科學(xué)版),2019(01).

　　[2]祖鵬.餐飲業(yè)員工人格特質(zhì)與離職意向的關(guān)系研究[J].商業(yè)經(jīng)濟(jì),2018(10).

　　[3]蔣明華,帥建華.知識(shí)型員工離職意愿消減行為研究——基于多變量視角下的模型構(gòu)建與實(shí)證研究[J].技術(shù)經(jīng)濟(jì)與管理研究,2018(01).

　　[4]趙慧軍,席燕平.情緒勞動(dòng)與員工離職意愿——情緒耗竭與組織支持感的作用[J].經(jīng)濟(jì)與管理研究,2017(02).

轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/22117.html