胡洪安,孫要偉

(周口師范學(xué)院數(shù)學(xué)與信息科學(xué)系,河南周口466001)

進(jìn)入21世紀(jì),人才的管理模式發(fā)生了深刻的變革,從傳統(tǒng)的人事管理轉(zhuǎn)變?yōu)楦鼮榭茖W(xué)、有效的人力資源管理。教育的人力資源價(jià)值的評(píng)估是客觀衡量人才的關(guān)鍵因素,合理評(píng)價(jià)人才價(jià)值直接關(guān)系到腦力勞動(dòng)者的工作積極性、創(chuàng)造性。近年來,隨著人才觀念的強(qiáng)化,高校教師的人力資源價(jià)值逐漸被認(rèn)識(shí)并被廣泛接受。而高校教師普遍受教育程度較高,從事的工作復(fù)雜性強(qiáng),自身的主觀能動(dòng)意識(shí)重,在市場(chǎng)競(jìng)爭(zhēng)中,具有較強(qiáng)的競(jìng)爭(zhēng)能力,其流動(dòng)性更強(qiáng)。因此,研究高校人力資源的管理具有重要意義。

本文提出用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)高校人力資源進(jìn)行定量分析。全文安排如下:第一部分分析高校人力資源的內(nèi)涵;第二部分總結(jié)常用的人力資源評(píng)價(jià)模型;第三部分介紹BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法及批處理梯度算法;第四部分是樣本的選擇和數(shù)據(jù)實(shí)驗(yàn)。

1 高校人力資源的價(jià)值內(nèi)涵

教師是高校人力資源的主體,本文以高校教師為研究對(duì)象。高校教師具有腦力工作者的典型特征,簡(jiǎn)單的工作績(jī)效評(píng)定模式不能完全反映其人力資源價(jià)值。工作績(jī)效是一個(gè)短期的工作投入表現(xiàn),由于績(jī)效受到成果顯現(xiàn)周期長(zhǎng)短的影響,不能完全反映教師的真正的業(yè)務(wù)水平、創(chuàng)新能力和未來可能的資源價(jià)值。同時(shí),人力資源形成過程中的物質(zhì)成本和精神成本也不能完全反映其人力資源價(jià)值水平。因此,高校人力資源價(jià)值是其教育背景成本、工作實(shí)踐和未來發(fā)展三方面的綜合。教育背景成本是指先前高校教師人力資本形成過程中的教育投入和培訓(xùn)成本,可以參照的主要指標(biāo)比如高校教師的學(xué)歷和培訓(xùn)履歷等等;工作實(shí)踐包含教師的身體素質(zhì)、交際適應(yīng)(與周圍同事的相處關(guān)系)、教學(xué)能力(包括教學(xué)工作量和教學(xué)質(zhì)量)和科研能力(包括發(fā)表的科研論文的數(shù)量和質(zhì)量及參與、申請(qǐng)、承擔(dān)和已結(jié)項(xiàng)的研究課題項(xiàng)目數(shù)量和級(jí)別以及科研成果的推廣效果等等);未來發(fā)展主要是根據(jù)具體個(gè)體的學(xué)歷背景、培訓(xùn)背景、工作能力、創(chuàng)新能力、工作熱情和單位及個(gè)人的發(fā)展規(guī)劃對(duì)高校教師的未來發(fā)展可能的一個(gè)評(píng)估。因此,高校教師人力資源價(jià)值評(píng)定要素的制定主要圍繞以上幾個(gè)方面。

2 人力資源的價(jià)值模型

人力資源價(jià)值的評(píng)定模型主要有兩種:一種是直接通過專家打分的方法進(jìn)行評(píng)定。具體操作流程是在相關(guān)領(lǐng)域內(nèi)遴選出比較有權(quán)威和公正力的專家打分團(tuán),對(duì)每個(gè)教師個(gè)體的各個(gè)指標(biāo)進(jìn)行打分,然后根據(jù)事先制定的方法綜合打分,比如說求算術(shù)平均數(shù)或者加權(quán)平均等等。專家團(tuán)打分的優(yōu)點(diǎn)是具有一定的權(quán)威性,但操作麻煩,每次評(píng)定都組織相關(guān)專家進(jìn)行打分,耗時(shí)耗力,并且專家打分的方法往往帶有濃重的個(gè)人主觀傾向,容易引起不公。另一種是人力資源價(jià)值的模糊計(jì)量方法。模糊計(jì)量方法在專家打分的基礎(chǔ)上引入了較為客觀的綜合評(píng)定方法,缺點(diǎn)是在進(jìn)行權(quán)值認(rèn)定時(shí),人為隨機(jī)影響太大?；诖它c(diǎn),我們引入BP神經(jīng)網(wǎng)絡(luò)模型的評(píng)定方法。高校教師人力價(jià)值定量的評(píng)定實(shí)際是一個(gè)分類問題,BP神經(jīng)網(wǎng)絡(luò)有比較好的分類能力和魯棒性。同時(shí),通過BP神經(jīng)網(wǎng)絡(luò)的運(yùn)用可以有效地降低在權(quán)值確定過程中的人為因素,由此大大降低高校人力資源評(píng)估過程中人為影響,使得評(píng)估的結(jié)果更有公信力。

3 BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法和批處理梯度算法

BP網(wǎng)絡(luò)是應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)。它采用光滑活化函數(shù),具有一個(gè)或多個(gè)隱層,相鄰兩層之間通過權(quán)值全連接。帶一個(gè)隱層的BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)見圖1。

選定一個(gè)非線性光滑活化函數(shù)g:R1→R1,并按稍后給出的規(guī)則確定權(quán)矩陣W={Wmp}MXP和w={wpn}PXN之后,對(duì)任一輸入信息向量x=(x1,…,xN)T∈RN,網(wǎng)絡(luò)的實(shí)際輸出為

圖1 BP(N-P-1)網(wǎng)絡(luò)結(jié)構(gòu)

m=1,…,M。其中隱層輸出為

p=1,…,P。

權(quán)值矩陣W和w的確定(即學(xué)習(xí)過程)應(yīng)使誤差函數(shù)E(W,w)達(dá)到極小,算法是梯度下降法,則加動(dòng)量項(xiàng)批處理梯度算法的權(quán)值迭代公式為

η>0為學(xué)習(xí)率,動(dòng)量項(xiàng)因子按下式選取

其中,常數(shù)τ≥0。

現(xiàn)在,已經(jīng)驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)可以任意精度逼近一個(gè)非線性函數(shù),BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算實(shí)現(xiàn)可采用Matlab語言。

4 數(shù)值試驗(yàn)

提取某高校15名教師的人力資源價(jià)值評(píng)價(jià)數(shù)據(jù),評(píng)價(jià)指標(biāo)分為三部分:教育背景、工作實(shí)踐和未來發(fā)展。綜合評(píng)定滿分10分,4分以下為不及格,4～6分為合格,6～8分為良好,9～10分優(yōu)秀,原始數(shù)據(jù)與評(píng)價(jià)結(jié)果見表1。

這里采用3-6-4型神經(jīng)網(wǎng)絡(luò)模型,將前11個(gè)對(duì)象作為訓(xùn)練樣本,后4個(gè)作為預(yù)測(cè)樣本。首先對(duì)樣本數(shù)據(jù)歸一化處理,初始權(quán)值在0～1之間隨機(jī)產(chǎn)生,步長(zhǎng)取0.001。將目標(biāo)量化為向量的表示形式,即:“不及格”為(1 0 0 0), “及格”為(0 1 0 0),“良好”為(0 0 1 0),“優(yōu)秀”為(0 0 0 1)。經(jīng)過多次試驗(yàn),網(wǎng)絡(luò)在訓(xùn)練到350次左右收斂,此時(shí)的預(yù)測(cè)正確率在75%左右。試驗(yàn)說明,BP神經(jīng)網(wǎng)絡(luò)在高校人力資源價(jià)值定量分析方面具有一定的參考價(jià)值,克服了過度的人為主觀因素,具有一定的推廣前途。

表1 原始數(shù)據(jù)與評(píng)價(jià)結(jié)果表

[1]吳微.神經(jīng)網(wǎng)絡(luò)計(jì)算[M].北京:高等教育出版社, 2004.

[2]焦李成.神經(jīng)網(wǎng)絡(luò)理論[M].西安:西安電子科技大學(xué)出版社,1996.

[3]馬強(qiáng),陳文濤.基于BP神經(jīng)網(wǎng)絡(luò)的人力資源價(jià)值定量分析[J].現(xiàn)代商貿(mào)工業(yè),2011(1):218-231.

[4]王波,徐光華.人力資源價(jià)值的模糊計(jì)量方法[J].重慶商學(xué)院學(xué)報(bào),2001,3(2):34-38.

[5]楊震,張金龍.高校教師的人力資源價(jià)值評(píng)估模型研究[J].價(jià)值工程,2006(12):46-50.

[6]邢金衛(wèi),李芳.高校人力資源價(jià)值模糊評(píng)價(jià)方法的應(yīng)用[J].滁州學(xué)院學(xué)報(bào),2008(5):52-56.

[7]Wu W,Xu Y S.Deterministic convergence of an online gradient method for neural networks[J].Journal of Computational and Applied Mathematics,2002,144(1/ 2):335-347.