本文摘要: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)長遠(yuǎn)發(fā)展。本文采用國網(wǎng)青海省電力公司20102018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)測分析。該預(yù)警模型使用部分員工數(shù)據(jù)作為訓(xùn)練
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)長遠(yuǎn)發(fā)展。本文采用國網(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,模型預(yù)測精度符合預(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)正在面向社會各界誠征優(yōu)秀稿件。
人才流失是電力企業(yè)亟需解決的一個重要問題,因而員工離職預(yù)警研究受到了國內(nèi)外企業(yè)界與學(xué)術(shù)界重點關(guān)注。要想降低員工離職帶來的人才流失風(fēng)險,建立有效的員工離職預(yù)警機(jī)制已成為現(xiàn)代企業(yè)管理者必須面對的重大問題。目前,學(xué)者們較多采用模糊綜合評價方法、專家評價方法等手段進(jìn)行員工離職預(yù)警研究。盡管這些方法具有計算簡便、易于理解和操作的特點,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),且無法有效地預(yù)警大數(shù)據(jù)時代員工離職情況,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)歷相對較低的人員其工作較為穩(wěn)定,本質(zhì)原因為其可選擇的機(jī)會較少;而部分離職人員入職時間較短,且學(xué)歷為大學(xué)本科及以上。說明其對工作環(huán)境、工作待遇、工作前景較為不滿,對于此類員工,公司要更加重視其需求,爭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%。從工作地點艱苦程度來看,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;谝陨戏治,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)艱苦級別9個指標(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、基于結(jié)構(gòu)風(fēng)險最小化原理(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、項目評估、風(fēng)險預(yù)測等多種領(lǐng)域大放異彩。
2.2SVM預(yù)測原理
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,若存在一個能夠無錯誤地把數(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,對于二維數(shù)據(jù),定義兩條過距離分類最近的數(shù)據(jù)點且平行于數(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)練中正確衡量各個參數(shù)對員工離職現(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),針對本文數(shù)據(jù),我們計劃通過對比分析,選取更合適的核函數(shù)。我們選取的核函數(shù)及各個核函數(shù)下的支持向量機(jī)模型在十次交叉驗證情況下。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)測集的檢驗。
2.3.3訓(xùn)練和測試結(jié)果
使用余下665組數(shù)據(jù)作為預(yù)測集,預(yù)測結(jié)果與實際結(jié)果對比如表4所示。可以看出,該模型對未離職員工數(shù)量預(yù)測較為準(zhǔn)確,預(yù)測準(zhǔn)確度達(dá)94.04%。雖然對離職員工預(yù)測數(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,對未離職員工人數(shù)判斷的微小偏差即會明顯地影響離職人數(shù)預(yù)測準(zhǔn)確率,故該預(yù)測結(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)評估員工離職的概率。
3結(jié)語
人才流失是電力企業(yè)亟需解決的一個重要問題,因而對員工離職預(yù)警研究是國內(nèi)外企業(yè)界與學(xué)術(shù)界重點關(guān)注的話題。然而,傳統(tǒng)的模糊綜合評價法、專家評價法等方法無法解決大數(shù)據(jù)時代的員工離職問題。針對此問題,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)行實證分析。實驗結(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,將采取多個地區(qū)和企業(yè)的實踐數(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)測分析與研究[J].重慶工商大學(xué)學(xué)報(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)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng):http:///jjlw/22117.html