范瑋衛(wèi),范麗萍,馬銘陽

(1.河南工學(xué)院 車輛與交通工程學(xué)院,河南 新鄉(xiāng) 453003;2.河南工學(xué)院 理學(xué)部,河南 新鄉(xiāng) 453003)

1 綜述

近年來隨著AIGC[1]逐步進(jìn)入各個(gè)領(lǐng)域,人工智能對于經(jīng)濟(jì)社會(huì)的影響已經(jīng)迫使各行業(yè)必須考慮利用類似方案推進(jìn)效率提升。由于在數(shù)據(jù)統(tǒng)計(jì)和模型運(yùn)算等方面的優(yōu)勢,人工智能能夠快速契合各種具備大樣本量的社會(huì)領(lǐng)域[2],這使得在人才管理領(lǐng)域運(yùn)用人工智能進(jìn)行建模分析也成為最新的研究焦點(diǎn)。

特別是在人才評價(jià)指標(biāo)體系的構(gòu)建和運(yùn)行方面,建模分析具備一些天然優(yōu)勢。隨著模型運(yùn)算技術(shù)的發(fā)展,人才管理與數(shù)理統(tǒng)計(jì)方法的結(jié)合越發(fā)緊密,相應(yīng)的各種指標(biāo)評價(jià)體系也被學(xué)者廣泛研究[3]。在當(dāng)今人工智能開始逐步取代傳統(tǒng)衡量機(jī)制的時(shí)代,如何確定更具分析價(jià)值的指標(biāo)數(shù)據(jù)成為衡量人才價(jià)值的關(guān)鍵。此類指標(biāo)不能是簡單羅列,需要區(qū)分優(yōu)先級,并能夠自洽地處理既定目標(biāo)和各類問題。從管理層面看,評價(jià)指標(biāo)體系應(yīng)具備相當(dāng)?shù)慕y(tǒng)計(jì)屬性,能夠體現(xiàn)復(fù)雜狀況下相對精準(zhǔn)的數(shù)值變化和總體趨勢。因此需要在研究中將各類復(fù)雜指標(biāo)相互耦合,整理形成具備實(shí)用性和復(fù)合性的指標(biāo)體系。

本研究根據(jù)層次分析法[4]提煉和歸納的核心指標(biāo)要素對同屬性指標(biāo)進(jìn)行歸類。并依據(jù)各指標(biāo)要素類型,逐一研究適配的擬合函數(shù)和程序,以及復(fù)合函數(shù)的耦合算法,最終通過得到的復(fù)合指數(shù)模型[5],研究不同指標(biāo)權(quán)重變化及所反饋的人才評價(jià)信息。

2 判斷層優(yōu)化

本研究針對前期由層次分析法將傳統(tǒng)人才評價(jià)體系無法體現(xiàn)的定性指標(biāo)與傳統(tǒng)定量數(shù)據(jù)有機(jī)結(jié)合,所獲分級指標(biāo)進(jìn)一步提煉核心要素,將相同要素與對應(yīng)的運(yùn)算方法,依照判斷標(biāo)準(zhǔn)(判斷層)和適配算法(執(zhí)行層)進(jìn)行建模運(yùn)算。由于執(zhí)行層中函數(shù)方案可以匹配具備相同要素的評價(jià)指標(biāo),因此只需將合適的指標(biāo)子項(xiàng)歸納于總指標(biāo)類型,即可采用總指標(biāo)對應(yīng)的執(zhí)行方案運(yùn)算,能夠省略指標(biāo)子項(xiàng)多層分級,極大地簡化各類指標(biāo)篩選擬合函數(shù)并求解的運(yùn)算過程。

基于前期工作已分級的評價(jià)指標(biāo)數(shù)據(jù),本節(jié)將各指標(biāo)根據(jù)影響人才評價(jià)(目標(biāo)層)的不同維度,通過一致性檢驗(yàn)判斷要素歸類,從而獲得高度歸納的五個(gè)總指標(biāo)項(xiàng)(見表1)。而前期分析的一級指標(biāo)多數(shù)作為核心子項(xiàng)保留。例如,歸屬個(gè)人能力的隱性屬性,在后續(xù)研究中又以潛力值、發(fā)揮度等二級細(xì)分指標(biāo)體現(xiàn)。同時(shí),由于管理導(dǎo)向傾斜,部分具備高加權(quán)賦值[6]的二級指標(biāo),例如橫縱向項(xiàng)目,因其影響人才評價(jià)強(qiáng)度值超出設(shè)定閾值,也作為核心子項(xiàng)歸于總指標(biāo)項(xiàng)目資源類。判斷層通過指向性分析,完成各核心指標(biāo)在判斷層的要素歸類,而后在執(zhí)行層中尋求與之匹配的執(zhí)行方案。而執(zhí)行層在獲得各指標(biāo)擬合函數(shù)后,又進(jìn)一步完成函數(shù)間復(fù)合運(yùn)算,求解具備復(fù)合屬性指標(biāo)數(shù)值,并根據(jù)測算數(shù)據(jù)反饋人才評價(jià)信息。執(zhí)行層的算法實(shí)現(xiàn)為本文重點(diǎn)研究內(nèi)容。

表1 人才評價(jià)分層架構(gòu)

3 模型算法

3.1 復(fù)合模型算法基礎(chǔ)

在常規(guī)意義下,可以將部分具備一定規(guī)律的評價(jià)指標(biāo)轉(zhuǎn)化為某一變量的函數(shù)1。而該函數(shù)解u可作為另外一個(gè)函數(shù)2的變量。那么兩者可以耦合為新的函數(shù)3。由于函數(shù)3是由函數(shù)1和2復(fù)合構(gòu)成的,那么函數(shù)3就具備了特殊映射能力。從人才管理角度,新的復(fù)合函數(shù)同時(shí)具備了原有函數(shù)的特性,并進(jìn)行了耦合。比如,原有論文成果僅能表現(xiàn)個(gè)體在該成果中體現(xiàn)的能力,將其量化為初等函數(shù)即為傳統(tǒng)管理體系中表現(xiàn)出的簡單量化積分,不論是否線性,該函數(shù)僅體現(xiàn)該文章在該專業(yè)領(lǐng)域?qū)W術(shù)信息分享層面的受關(guān)注度,很難進(jìn)行橫向比較。如果將作者自身特定屬性,如年齡、學(xué)科等信息進(jìn)行統(tǒng)計(jì),形成新的初等函數(shù),而將論文成果作為新的變量輸入后,能夠?qū)⒑唵蔚恼撐男畔⒏郊釉趥€(gè)人社會(huì)屬性之上,形成了能夠提供更精確指導(dǎo)的復(fù)合指數(shù)模型。

針對部分傳統(tǒng)可量化指標(biāo)的耦合,能夠體現(xiàn)出新的管理思維,特別是多元化和平衡性。比如,原定項(xiàng)目業(yè)績函數(shù)分為縱向項(xiàng)目函數(shù)和橫向項(xiàng)目函數(shù),兩者體現(xiàn)的核心不同,前者以項(xiàng)目層級為變量進(jìn)行計(jì)算,后者以合同經(jīng)費(fèi)作為變量進(jìn)行計(jì)算。但是從管理層面來看,需要同時(shí)保有高級別項(xiàng)目和高額進(jìn)賬以反饋單位科創(chuàng)業(yè)績。因此將兩者耦合,采用項(xiàng)目級別和合同經(jīng)費(fèi)的復(fù)合指數(shù)作為新指標(biāo)項(xiàng)目資源的數(shù)據(jù)體現(xiàn),就能夠在評價(jià)人才時(shí)充分平衡橫縱向項(xiàng)目的科創(chuàng)業(yè)績。同時(shí),如果作為變量的函數(shù)本身與新函數(shù)存在相同因素,則可以放大該因素效果,從而實(shí)現(xiàn)管理層面隱性影響的顯性化。

(4)

其中,S為最終可用于人才管理評價(jià)的復(fù)合指數(shù);T為經(jīng)過多指標(biāo)函數(shù)耦合得到的初級復(fù)合函數(shù);α為各指標(biāo)的權(quán)重;i代表第i項(xiàng)。

通過函數(shù)的復(fù)合,本研究將得到的新指數(shù)作為評價(jià)人才屬性的核心管理信息,并通過調(diào)整加權(quán)賦值(公式4)[7],進(jìn)一步優(yōu)化管理策略。同時(shí),調(diào)整過加權(quán)值的指數(shù),還可以進(jìn)一步耦合組成更具復(fù)合屬性的進(jìn)階指數(shù),最終形成不斷完善的指數(shù)模型。

3.2 分指標(biāo)函數(shù)擬合

本研究模型構(gòu)建的關(guān)鍵在于如何對各項(xiàng)初始指標(biāo)進(jìn)行擬合,然后利用合理耦合算法將多指標(biāo)擬合函數(shù)耦合成為合適的復(fù)合函數(shù),其得到的結(jié)果就是本研究需要的復(fù)合指數(shù),可用于人才管理中的價(jià)值評價(jià)、導(dǎo)向引導(dǎo)等。

3.2.1 量化指標(biāo)擬合

通常傳統(tǒng)人才評價(jià)指標(biāo)均為量化指標(biāo),比如項(xiàng)目數(shù)量、論文數(shù)量、經(jīng)費(fèi)數(shù)量等。此類指標(biāo)無需復(fù)雜計(jì)算即可獲得較為理想的線性函數(shù)。又或者類似獎(jiǎng)項(xiàng)級別、平臺(tái)級別、采納層級等,雖然此類指標(biāo)不能直接進(jìn)行量化,但是在傳統(tǒng)量化指標(biāo)中也已應(yīng)用多年,具備一套自洽的量化體系,所以本研究基本沿用原有體系即可獲得理想的擬合函數(shù)。

對于上述量化指標(biāo),本研究采用基本擬合函數(shù)的最小二乘法(公式5)進(jìn)行比較來確定最佳函數(shù)。

(5)

其中,f(xi)為第i個(gè)指標(biāo)點(diǎn)對應(yīng)的擬合函數(shù)值;yi為第i個(gè)指標(biāo)點(diǎn)對應(yīng)的實(shí)際值;M表示第i個(gè)點(diǎn)的擬合函數(shù)模擬誤差。

通常此類函數(shù)以采樣法進(jìn)行擬合:首先假設(shè)所得數(shù)據(jù)均為有效樣本數(shù)據(jù);其次選擇主要變量列表或制圖;然后根據(jù)數(shù)據(jù)分布選取適當(dāng)算法函數(shù)進(jìn)行擬合;最后對比確定最佳擬合函數(shù)。以相對復(fù)雜的人才榮譽(yù)級別為例,雖屬于傳統(tǒng)指標(biāo)體系核心,但由于榮譽(yù)系統(tǒng)相對復(fù)雜,層級龐雜,評價(jià)制度也很難界定。因此本研究假設(shè)該數(shù)據(jù)與人才能力之間的關(guān)系屬于非唯一解函數(shù),最終以最小二乘解為最佳解。同時(shí)由于此類指標(biāo)能夠進(jìn)行大量采樣,根據(jù)算法列式,可得如下矩陣。

(6)

其中,n>m。

由矩陣6形成的方程組可以保證方程大于解。由于此類指標(biāo)具備傳統(tǒng)量化屬性,通?？梢约僭O(shè)為線性關(guān)系。例如假設(shè)人才經(jīng)費(fèi)多少直接與個(gè)人能力相關(guān),根據(jù)上述算法,可以認(rèn)為兩者關(guān)系成線性(公式7)。

u=ax+b

(7)

其中,u代表個(gè)人能力;x代表經(jīng)費(fèi)數(shù)量;a和b為擬合函數(shù)參數(shù)。

因此本研究基于項(xiàng)目經(jīng)費(fèi)的初等函數(shù)可以轉(zhuǎn)化為矩陣8,然后利用矩陣轉(zhuǎn)置運(yùn)算求解a,即可得到對應(yīng)經(jīng)費(fèi)與能力之間的線性函數(shù)。利用同樣算法可以求解二階擬合以及更高階曲線擬合。不過考慮此類指標(biāo)經(jīng)過傳統(tǒng)評價(jià)體系長期運(yùn)行,基本符合線性關(guān)系,為降低整體運(yùn)算量,本研究對其采用一階線性擬合。

(8)

(9)

3.2.2 時(shí)間指標(biāo)擬合

通常而言,如果在人才評價(jià)體系中加入時(shí)間元素,往往最便捷的方法就是進(jìn)行簡單的時(shí)間平均,即假設(shè)某一變量在一段時(shí)間內(nèi)的變化Ti+1,等于上一個(gè)階段變化量與時(shí)間增量之和。但是單純的增量擬合受時(shí)間段n的限制,n越大計(jì)算越準(zhǔn)確但也越慢;n越小數(shù)據(jù)間波動(dòng)越明顯。因此,這樣的擬合受限制較多。

=Ti+(Ti+1-Ti+1-n)/n

(10)

其中,某一變量在一段時(shí)間內(nèi)的變化為Ti+1;上一個(gè)階段該變量變化量為Ti;n代表一段時(shí)間內(nèi)均分?jǐn)?shù)值;i為第i個(gè)時(shí)間節(jié)點(diǎn)。

通常在處理此類因素時(shí)多采用簡單的指數(shù)函數(shù)進(jìn)行處理。處理方法是首先假設(shè)一個(gè)在(0,1)區(qū)間的常數(shù)作為變量參數(shù)K,那么在統(tǒng)計(jì)Ti+1時(shí)只需要滿足公式11的算法,就可以根據(jù)Ti+1和Ti兩個(gè)參數(shù)就可以完成擬合。而擬合精度又與變量參數(shù)K的選取有關(guān),同樣可以用公式5進(jìn)行對比篩選。

Ti+1=KTi+Ti+1(1-K)

(11)

其中,K為擬合時(shí)間變量平滑參數(shù)。

同時(shí),用公式11逐層遞推,最終可以獲得一個(gè)與時(shí)間變量呈指數(shù)關(guān)系的函數(shù),因此也可以稱為指數(shù)擬合。但是這種簡單指數(shù)函數(shù)處理,往往在長時(shí)間人才評價(jià)數(shù)據(jù)分析時(shí)有所滯后。因此研究中還可以通過增加屬于時(shí)間趨勢的參數(shù)變量Li,進(jìn)行兩次指數(shù)函數(shù)擬合可得公式12,可以更方便地預(yù)測與時(shí)間有關(guān)的變量變化趨勢。只需要將時(shí)間趨勢變量與時(shí)間增量耦合就可以得到相應(yīng)的時(shí)間變量在一段時(shí)間以后的變量。當(dāng)然,如果時(shí)間、算力足夠還可以進(jìn)一步疊加指數(shù)函數(shù)。但綜合考慮研究時(shí)間和計(jì)算資源,本研究僅嘗試二次指數(shù)函數(shù)處理為止。

Ti+1=K(Ti+Li)+Ti+1(1-K)

(12)

3.2.3 社會(huì)屬性擬合

前面兩類指標(biāo)一個(gè)是最簡單的數(shù)字指標(biāo),具備良好的線性特性;另一個(gè)則至少能夠轉(zhuǎn)化為以觀測點(diǎn)為數(shù)值的量化指標(biāo),從而體現(xiàn)其本身規(guī)律。但本節(jié)所涉及的社會(huì)屬性則相對復(fù)雜。在人才評價(jià)體系里,通常將此類屬性孤立出來進(jìn)行評判,并且很少能獲得對應(yīng)的數(shù)據(jù)支撐。比如在傳統(tǒng)意義上海歸博士往往具備更佳的資源匹配,應(yīng)該有更好的業(yè)績產(chǎn)出。這一點(diǎn)在本研究的調(diào)研數(shù)據(jù)中無法獲得良好的支撐,說明此類人才來源并不能很好地與個(gè)人能力形成規(guī)律性、可量化的指標(biāo)。此類目標(biāo)很難簡單歸納為某種數(shù)值,往往需要依靠大量冗余的相關(guān)數(shù)值,通過大數(shù)據(jù)分析才能探索出個(gè)別關(guān)鍵信息。但本研究前期基于大數(shù)據(jù)建模分析工作,難以獲得此類復(fù)雜信息的精確擬合函數(shù)。同時(shí),因其沒有特別準(zhǔn)確的量化參數(shù),此類指標(biāo)的函數(shù)擬合需要一個(gè)不需要先驗(yàn)性的假定,這也導(dǎo)致建模時(shí)不能過分依賴可測度的數(shù)值。針對這種無法參標(biāo)化,或者說不能取得參標(biāo)共識的情況,本研究借用經(jīng)濟(jì)學(xué)常用的Malmquist指數(shù)模型(公式13)處理此類指標(biāo)的初始擬合。經(jīng)原毅軍等人[8]證實(shí)此類模型可以相對準(zhǔn)確地處理非參數(shù)化的數(shù)據(jù)體系分析。但是研究表明,對于此類特殊指標(biāo),僅采用Malmquist指數(shù)處理數(shù)據(jù)可能會(huì)遇到無解的情況。因此,本研究通過變換參法測試合理的模型求解方法,最終采用全局效應(yīng)算法耦合Malmquist指數(shù)函數(shù)(公式14),稱為Global-Malmquist(GM)指數(shù)模型,以保證Malmquist指數(shù)函數(shù)不存在無解情況,且大幅簡化整體運(yùn)算消耗。

(13)

(14)

本研究不關(guān)注GM指數(shù)的Fare分解[9]和RD分解[10]的區(qū)分,所用GM指數(shù)模型是在前期經(jīng)過層次分析法處理過的不同參數(shù)基礎(chǔ)上,根據(jù)適配原則對不同參考指標(biāo)采用上述兩種解法之一求解,因此對GM指數(shù)的兩種主要分解方法都可能用到,具體由涉及參數(shù)的性質(zhì)決定。

3.2.4 其它指標(biāo)擬合

此處計(jì)算以研究中遇到的難以歸類的特殊指標(biāo)為擬合目標(biāo)。對此類指標(biāo)比較難以界定輸入和輸出參數(shù),甚至不好定義其對人才能力估算或業(yè)績評價(jià)是否有正向意義。因此,在研究中采用的處理方式是嘗試篩選對比不同適配的參標(biāo)范疇,利用特定軟件具備的簡單擬合函數(shù)測試階段擬合精度,進(jìn)行擬合匹配。通常采用指數(shù)函數(shù)的不同算法進(jìn)行簡單嘗試,主要判斷該參標(biāo)是否具備保留意義,對精度不做過多要求。

4 模型程序?qū)崿F(xiàn)

4.1 量化指標(biāo)程序?qū)崿F(xiàn)

通常此類指標(biāo)以線性擬合函數(shù)求解,因此本研究利用regress函數(shù)或ployfit函數(shù)進(jìn)行簡單擬合求解。

regress函數(shù)程序:

x=[x1x2… xn];

y=[y1y2… yn];

a=[ones(i,j),x’];

b=y’;

r=regress(a,b,h)

ployfit函數(shù)程序:

x=[x1x2… xn];

y=[y1y2… yn];

a=[ones(i,j),x’];

b=y’;

p=ployfit (a,b,h)

利用上述程序計(jì)算出函數(shù)參數(shù)a和b即可得到擬合函數(shù)用于后續(xù)耦合計(jì)算。

4.2 時(shí)間指標(biāo)程序?qū)崿F(xiàn)

根據(jù)前述研究分析,此類指標(biāo)僅采用簡單指數(shù)擬合函數(shù)進(jìn)行計(jì)算。

一次指數(shù)程序

from statsmodels.tsa.api import Simp1e ExpSmoothing

y-hat-avg=test.copy()

fit=SimpleExpSmoothing np.asarray(train['Count'])).fit(smoothing-leve1=0.6, optimized=False)

y-hat-avg['SES']=fit.forecast(len(test))

二次指數(shù)程序

from statsmodels.tsa.api import Holt

y-hat-avg=test.copy()

fit=Holt(np.asarray(train['Count'])).fit(smoothing-leve1=0.3, smoothing-slope=0.1)

y-hat-avg['Holt-linear']=fit.forecast(len(test))

程序校驗(yàn)

plt.figure(figsize=(X, Y))

plt.plot(train['Count'], labe1='Train')

plt.plot(test['Count'], labe1='Test')

plt.p1ot(y-hat-avg['SES'], 1abel='SES')

plt.legend(loc='best')

plt.show()

4.3 社會(huì)屬性程序?qū)崿F(xiàn)

由于本特性需要采用GM指數(shù)模型,同時(shí)還需要結(jié)合不同DEA模型進(jìn)行運(yùn)算,因此本節(jié)實(shí)用代碼通常采用常規(guī)DEA程序結(jié)合GM指數(shù)程序進(jìn)行運(yùn)算,前者不再累述,后者根據(jù)軟件自帶功能進(jìn)行調(diào)用實(shí)現(xiàn)。主要根據(jù)Malmquist指數(shù)面板設(shè)置xtset,然后選擇不同的分解方案即可。

GM指數(shù)程序執(zhí)行:

xtset dmu W

pancl variable: dmu (strongly balanced)

time variable: W, x to y

delta: n unit

malmq2 1 k=g, dmu(cit) sav(malm)

Malmquist Productivity Index Results:

(Row: Row # in the original data; Pdwise: periodwise)

其中,W代表測算參標(biāo);x和y分別為該參標(biāo)上下限;代碼第5行如執(zhí)行malmq2 1 k=g, dmu(cit) sav(malm) rd則為RD分解,如執(zhí)行malmq2 1 k=g, dmu(cit) sav(malm, replace) global則為GM分解。

4.4 其他指標(biāo)程序?qū)崿F(xiàn)

本節(jié)研究采用常規(guī)集中算法進(jìn)行測試擬合,下述僅列舉個(gè)別簡單算法。

指數(shù)函數(shù)程序:

function zhishunihe

%y-nh=a*e＾(b*x)

% lny=lna+bx

clear

clc

x=[x1x2… xn];

y=[y1y2… yn];

% plot(x,y,'*');

m=length(x);

% n=l1;

s-x=l2;

s-xx=l3;

s-y=l4;

s-xy=l5;

pc=l6;

for i=1:m

s-x=s-x+x(i);

s-xx=s-xx+x(i).*x(i);

s-y=s-y+log(y(i));

s-xy=s-xy+x(i).*log(y(i));

end

X=[m,s-x,;s-x,s-xx];

Y=[s-y,s-xy]';

A=pinv(X)*Y;

a=exp(A(1,1));

b=A(2,1);

for i=1:m

pc=pc+(a.*exp(b.*x(i))-y(i)).＾2;

end

最小二乘法擬合指數(shù)函數(shù)程序:

本研究采用Python中NumPy庫中的polyfit函數(shù)來進(jìn)行最小二乘擬合。下例代碼用于擬合指數(shù)函數(shù)y=ae＾(bx)。

首先,將指數(shù)函數(shù)轉(zhuǎn)化為線性函數(shù),以便進(jìn)行線性最小二乘擬合,從而通過兩邊取對數(shù)來實(shí)現(xiàn)這一點(diǎn),即ln(y)=ln(a)+bx。

注意:以下程序假定數(shù)據(jù)在列表x-data和y-data中,并且已經(jīng)導(dǎo)入了numpy庫。

import numpy as np

x-data=np.array([x1 x2 … xn])

y-data=np.array([y1 y2 … yn])

lnx-data=np.log(x-data)

lny-data=np.log(y-data)

coefficients=np.polyfit(lnx-data, lny-data, 1)

a=np.exp(coefficients[0])

b=coefficients[1]

print(f'擬合的指數(shù)為: a={a}, b=')

這個(gè)程序?qū)⑤敵鰯M合的指數(shù)函數(shù)的參數(shù)a和b。上例僅示意線性擬合,因此結(jié)果可能并不完全準(zhǔn)確,后續(xù)研究取決于數(shù)據(jù)符合何種指數(shù)函數(shù)形式,可據(jù)此進(jìn)行適當(dāng)調(diào)整。

5 實(shí)證分析

5.1 加權(quán)分析

通過上述耦合計(jì)算和分析建模后,本研究大致整合出滿足調(diào)研單位人才管理重點(diǎn)導(dǎo)向的一級指標(biāo),如表1中項(xiàng)目資源等。而后根據(jù)人才管理階段不同,本研究又利用復(fù)合指數(shù)模型計(jì)算獲得以科創(chuàng)潛力、發(fā)揮度等指數(shù)為主的十余類具備隱藏屬性的次級指標(biāo)。此類指標(biāo)將根據(jù)研究和單位導(dǎo)向需要不斷完善,且在特定階段具備優(yōu)于首要指標(biāo)的加權(quán)賦值。最后,考慮傳統(tǒng)指標(biāo),包括論文、專利、著作和獎(jiǎng)勵(lì),體現(xiàn)人才成果業(yè)績等,結(jié)合新增復(fù)合指標(biāo),本研究構(gòu)建了涵蓋專業(yè)屬性、個(gè)人榮譽(yù)、人才培養(yǎng)、社會(huì)認(rèn)可和職能屬性等能夠反應(yīng)人才社會(huì)認(rèn)可度和影響力的14個(gè)核心指標(biāo),并依據(jù)層次分析法進(jìn)行權(quán)重賦值,結(jié)果匯總?cè)绫?。

表2 重要指標(biāo)權(quán)重賦值

表2反饋了本研究調(diào)研單位在不同時(shí)期對人才管理導(dǎo)向的變化對各類指標(biāo)加權(quán)賦值的影響。表中指標(biāo)為已經(jīng)經(jīng)過模型驗(yàn)算后的復(fù)合指標(biāo),不過部分具備相當(dāng)重要性的單一指標(biāo)依然保留。在單位開始引進(jìn)人才階段,以潛力指標(biāo)和畢業(yè)院校為執(zhí)行核心,部分指標(biāo)無法體現(xiàn)。在引入人員后,單位首要引導(dǎo)人才熟悉教學(xué)和科研,同時(shí)要求在項(xiàng)目層次上取得突破,所以有所側(cè)重。而后當(dāng)具備足夠的項(xiàng)目積累和教學(xué)經(jīng)驗(yàn)后,人才管理策略開始向經(jīng)費(fèi)激勵(lì)導(dǎo)向。當(dāng)人才積累滿足單位相當(dāng)時(shí)期的穩(wěn)定運(yùn)行后,大規(guī)模招新已經(jīng)不再進(jìn)行,那么相應(yīng)地如何開發(fā)現(xiàn)有人才的潛力和發(fā)揮度成為管理重點(diǎn),同時(shí)還必須考慮人才年齡和入職時(shí)限指標(biāo)反饋出的種種問題。

5.2 數(shù)據(jù)分布

圖1顯示了本研究調(diào)研對象年齡和入職年限的數(shù)據(jù)分布規(guī)律。從圖中可以看出本次調(diào)研對象對于入職年限而言基本符合正態(tài)分布,對于調(diào)研數(shù)據(jù)分析具有積極影響。而調(diào)研對象的年齡則相對偏高,這與調(diào)研對象的學(xué)歷和工作性質(zhì)有關(guān),屬于客觀情況。

圖1 數(shù)據(jù)分布圖(左:年齡分布;右:年限分布)

5.3 對比分析

圖2以年齡對比年均產(chǎn)出和年限對比項(xiàng)目資源的數(shù)據(jù)對比分析結(jié)果為例,主要說明不同數(shù)據(jù)之間的相互影響關(guān)系。從圖2中可以看出,受年齡影響,個(gè)人年均科研業(yè)績數(shù)據(jù)向30-40年齡段區(qū)間集中,同時(shí)分值分布偏低。而受入職年限影響,個(gè)人項(xiàng)目資源從1.0-2.5年的密集區(qū)向兩邊逐步下降。這都說明科研工作能力受年齡和入職年限影響具備區(qū)間集中特性,需要準(zhǔn)確把握高產(chǎn)區(qū)間加以良好引導(dǎo)。

圖2 數(shù)據(jù)對比圖(左:年齡對比年均產(chǎn)出;右:年限對比項(xiàng)目資源)

5.4 綜合分析

依據(jù)最終個(gè)人發(fā)揮度表現(xiàn),圖3將入職年限、年齡與包括項(xiàng)目資源、學(xué)術(shù)成就、科研成果、社會(huì)資源、潛力值、年均產(chǎn)出和發(fā)揮度在內(nèi)的幾個(gè)核心復(fù)合指標(biāo)的分布規(guī)律進(jìn)行了分布對比。從圖3可以看出,入職年限分布均勻,且隨著年限增加與發(fā)揮度保持良好的正比關(guān)系;年齡偏高,且發(fā)揮度受年齡影響不明顯,核心值域分布于中年齡段也總體發(fā)揮度適度;而學(xué)術(shù)成就和社會(huì)資源兩項(xiàng)基本墊底,與調(diào)研對象總體工作年限偏低有關(guān);科研成果與發(fā)揮度基本成正比,但個(gè)別具備優(yōu)良科研成果的人員發(fā)揮度卻不高的特例,需要引起管理層面的注意;潛力值由于主要反映入職前的能力,并不能與研究期間實(shí)際發(fā)揮度直接掛鉤,一部分對象無法適應(yīng)目前工作,發(fā)揮度低于自身原有潛力值,而另一部分原有潛力值偏低,但是在就職單位能夠較快找準(zhǔn)定位,就能夠獲得較好的發(fā)揮度;就年均產(chǎn)出而言,基本能夠反映個(gè)人在職期間的發(fā)揮屬性,但受發(fā)揮度指標(biāo)的復(fù)合算法影響,存在一定偏差,此與潛力值對比發(fā)揮度關(guān)系類似;最后總體項(xiàng)目資源雖能夠促進(jìn)個(gè)人科研業(yè)績提升,并扶持個(gè)人發(fā)展,但受研究期限和項(xiàng)目周期復(fù)合影響,目前還未完全體現(xiàn)在當(dāng)前發(fā)揮度數(shù)據(jù)上。

圖3 核心指標(biāo)演化趨勢圖

6 結(jié)論

本研究就如何將人才管理中可能影響評價(jià)結(jié)果的種種因素進(jìn)行了數(shù)據(jù)化處理,并利用分層思維簡化和實(shí)現(xiàn)了非參數(shù)指標(biāo)的體系融合。本研究利用不同指數(shù)函數(shù),將傳統(tǒng)人才管理的定量評價(jià)指標(biāo)與具備相當(dāng)影響力的定性信息進(jìn)行復(fù)合運(yùn)算,得到了復(fù)合指數(shù)模型及相應(yīng)具備復(fù)合因素的各類指標(biāo)。通過采用上述復(fù)合函數(shù)進(jìn)行數(shù)據(jù)整合,實(shí)現(xiàn)了參數(shù)的復(fù)合屬性和非數(shù)值屬性的標(biāo)準(zhǔn)化。然后利用指標(biāo)之間的數(shù)據(jù)變化趨勢分析,得到了有利于管理評價(jià)的信息。并提取部分核心指標(biāo)數(shù)據(jù)進(jìn)行了分析說明,闡述了該模型針對人才管理如何進(jìn)行分析和指導(dǎo)的方法。后續(xù)工作將就各個(gè)指標(biāo)具體反饋信息進(jìn)行逐一探討分析,進(jìn)而利用計(jì)算模型幫助人才管理層進(jìn)行衡量評估,使資源配置更加精確,提升管理效率。