知識型員工心理契約預測方法研究
——基于回歸樹和RBF神經網絡的學習算法

李 楊，余嘉元

（1.中國民航飛行學院，四川 廣漢 618307； 2.南京師范大學，江蘇 南京 210000）

知識型員工心理契約預測方法研究
——基于回歸樹和RBF神經網絡的學習算法

李 楊1，余嘉元2

（1.中國民航飛行學院，四川 廣漢 618307； 2.南京師范大學，江蘇 南京 210000）

以知識型員工心理契約為研究對象，結合在國內三家知識型員工企業調研的實測數據，建立基于RBF神經網絡的心理契約預測模型，同時為實現對RBF神經網絡預測效率的優化，選擇回歸樹與RBF神經網絡相結合的方式，力求實現兩者的優勢互補，建立一個高效便捷的回歸樹與RBF神經網絡相結合的知識型員工心理契約預測模型。結果表明：通過回歸樹、RBF神經網絡預測數據結果與在三家知識型員工企業實際施測數據結果比較后發現，回歸樹與RBF結合的神經網絡預測數據結果具有較高的準確性。因此，我們可以認為基于回歸樹的RBF神經網絡的學習算法和以該算法為核心的知識型員工心理契約水平預測模型是有效的，該模型對知識型員工心理契約水平的預測具有較高的準確性。該模型能夠替代以往對知識型員工心理契約主觀預測的方法，使心理契約的預測過程更為高效，預測結果更加科學。

心理契約；神經網絡；員工管理；企業管理

一、引言

隨著人類社會進入知識經濟時代，知識作為重要的生產要素正發揮著關鍵的作用。德魯克曾在其著作中指出：“進入知識經濟時代，企業開始出現一種新的工作者群體，他們就是知識工作者，知識工作者與傳統的勞動者不同，他們自身掌握著部分生產工具——知識，而不像傳統的勞動者除了出賣自己的勞動一無所有”。德魯克[1]認為隨著知識經濟的到來，知識型員工的地位也將隨之改變。因為他們可以利用自身的生產工具（知識）來幫助企業組織贏得行業內的競爭、優化企業組織中各種生產要素的配置、增加企業產品的技術含量、縮短企業產品的生產周期等，也正是因為知識型員工的重要性，使其成為知識經濟時代企業人力資源管理的核心對象。而且根據知識型員工的特點，心理契約的管理對知識型員工來說遠比經濟契約的管理更加高效，因此我們要厘清知識型員工和組織情感上的契合關系，要增加員工對組織的忠誠度就需要建立良好的心理契約關系。研究表明，心理契約的水平與員工的績效、組織承諾、工作滿意度等方面的表現均有顯著的相關性，要解決知識型員工在工作中的相關問題，就必須對組織與員工間的心理契約進行研究，同時對知識型員工的管理，對知識型員工雇傭關系的維護和改善都需要我們對心理契約的內容以及心理契約對雇傭關系的影響作進一步的研究。

知識型員工心理契約的水平是由各種影響因素共同決定的。心理契約的這些因素之間存在非線性、時變性和不確定的關系，雖然可以采用統計學的方法對心理契約各個因素之間的相互關系進行預測，但統計學的預測方法只考慮了其中部分影響，我們知道影響員工心理契約水平的各種因素之間往往存在著錯綜復雜的非線性變化，這個時候人工神經網絡技術為這一問題的解決提供了一個有效途徑，神經網絡模仿了人腦神經系統對信息的處理功能，因此知識型員工心理契約的水平預測問題可以看成是多個輸入（影響員工心理契約水平的各個因素）到一個輸出（員工心理契約的水平）的非線性映射問題，從而選擇用人工神經網絡來實現知識型員工心理契約水平的預測。

二、理論背景

1.心理契約的概念

心理契約是與經濟契約相對應的，一種隱含的、非正式的、未公開說明的組織與員工間的相互期望和理解，它是非正式、未明文規定的無形契約，但卻深層次的影響著人們的行為[2]。在組織結構進行調整和組織中雇傭關系發生改變的過程中，心理契約是最敏感、最能集中反映這種變化的核心因素[3]。因此，及時預測組織與員工心理契約的變化，并根據變化制定相應的干預和管理措施，具有一定的理論價值與實踐意義[4]。

2.知識型員工的概念

隨著人類社會進入知識經濟時代，知識作為重要的生產要素正發揮著關鍵的作用。德魯克曾在其著作中指出：“進入知識經濟時代，企業開始出現一種新的工作者群體，他們就是知識工作者，知識工作者與傳統的勞動者不同，他們自身掌握著部分生產工具——知識，而不像傳統的勞動者除了出賣自己的勞動一無所有”。知識型員工與一般員工不同，知識型員工具有較強的獨立自主意識，而且他們在工作的過程中期望能通過工作體現其自我價值，知識型員工這些特點，使得組織與知識型員工之間的關系不能僅依靠單純的勞動契約來維系，而是需要組織與知識型員工以勞動契約和心理契約相結合的新的關系模式來替代。

知識經濟時代組織與員工的關系更像是一種合作的關系，而非雇傭與被雇傭的關系，那么組織與員工間心理契約的相互關系就顯得尤為重要，心理契約作為組織與知識型員工間最敏感的核心因素正承載著這一訴求[5]，對知識型員工的管理和激勵，對知識型員工雇傭關系的維護和改善都需要我們及時對心理契約的變化作出預測[6]。

三、知識型員工心理契約預測模型選擇——RBF神經網絡

RBF神經網絡是Powell于1985年提出的多變量差值的徑向基函數（Radial Basis Function，簡稱RBF）。Broomhead and Lowe于1988年將徑向基函數方法與人工神經網絡的原理相結合，設計構造了RBF神經網絡。

RBF神經網絡屬于前饋型神經網絡，RBF神經網絡具有很多優點，RBF網絡學習速度快、網絡訓練規模小、逼近精度高，也正是因為RBF網絡的這些優點使其廣泛應用于預測、系統識別、信號處理等方面。

1.RBF網絡的結構

RBF網絡屬于前向型神經網絡，前向型神經網絡的主要特點是：神經元只在前后兩層之間相互連接，神經元在接收前一層多個輸入的同時只提供一個輸出給下一層的各個神經元[7]。

2.RBF網絡算法

雖然RBF網絡屬于典型的有導師學習的網絡，但是在RBF網絡的建立過程中，依然采用了無導師聚類的訓練方法，對于網絡的輸入層與隱含層之間的權值進行確定。在輸入層與隱含層之間的權值確定之后，采用有導師的訓練方法對隱含層與輸出層之間的權值進行訓練。還有一種方法可以推導出隱含層與輸出層之間的權值，就是在輸入層與隱含層之間的權值確定后，將理想的輸出和樣本代入網絡。

RBF網絡的學習過程包括兩個步驟：

①確定每一個RBF網絡單元的中心cj和半徑σj；中心cj的確定，采用k-means聚類分析技術確定cj，找出具有代表性的數據點，利用k-means算法獲得各個聚類中心后，即可將之賦給各RBF單元作為RBF的中心。

②調節權矩陣W，半徑σj的確定；半徑σj決定了RBF單元接受域的大小，半徑的選擇前提是保證RBF單元的接受域總和能夠實現對整個訓練樣本空間的覆蓋。

比較常用的方法是k-means聚類法，對每個聚類中心cj，可以通過屬于該類σj的訓練樣本之間的平均距離得出相應的半徑，即：

除此之外，還有一種選擇σj的方法是根據每一個中心cj，每一個中心cj與其最鄰近的N個近鄰單元中心距離的平均值，并以此作為σj的取值。

調節權值W，這個W指的是網絡輸出層和網絡隱含層之間的權值，可以采用梯度法和線性最小二乘法來調節權矩陣W；線性最小二乘法，令網絡輸出為：

梯度法，迭代公式[8]如下：

W(t+1)=W(t)+η(T-Y)ΦT

3.RBF神經網絡工作原理

J.Moody and C.Darken于1989年提出了RBF神經網絡，RBF神經網絡由輸入層、隱含層、輸出層三部分組成，RBF網絡的隱含層神經元的激活函數為徑向基函數，也正是因為這樣RBF神經網絡也被稱之為徑向基函數網絡，RBF神經網絡選擇用徑向基函數對隱含層神經元進行激活，這不僅是由徑向基函數本身的特點所決定的，這一靈感還來自于人腦的工作原理，人腦在對外界事物進行反應的過程中，在大腦皮層會出現交疊和局部調節的感受域，J.Moody and C. Darken根據這一原理提出了RBF神經網絡。

四、基于RBF神經網絡知識型員工心理契約預測模型建立

在建立模型之前首先需要確定影響知識型員工心理契約的主要相關因素，然后再依次進行以下步驟：

1.樣本數據的歸一化處理

我們在對知識型員工心理契約進行研究時獲得的數據，是未經過處理的原始數據，由于問卷當中各部分問卷的規模尺度不同，根據RBF網絡隱單元的分配規則不能將原始數據直接用于RBF網絡的訓練中，所以在這之前要對知識型員工心理契約數據集進行歸一化處理，歸一化處理的目的就是使樣本的各個分量具有相同的尺度，歸一化的公式為：

式中x'為歸一化后的結果，xmin為每一個樣本模式下輸入值的最小值，xmax為每一個樣本模式下輸入值的最大值。

2.樣本分析

在建立RBF預測網絡之前應該先對網絡降維或對網絡的離群點進行判斷，實現這一過程一般采用的是主成分分析和聚類分析的方法。對離群點進行判斷的主要目的是為了保證網絡的泛化性能，從數據的均勻性要求出發，排除心理契約指數中偶然性的離群點，爭取訓練成熟的網絡能夠預測出較為準確的知識型員工心理契約水平。

在建立RBF預測模型時，可以采用主成分分析的方法，去除數據中線性相關較高的數據，探討輸入矢量降維的可行性。

3.建立模型（此處僅呈現部分程序）

模型創建代碼為：net=newrbe(p，t，SPREAD)；

%對數據進行歸一化處理

4.數值檢驗

數值檢驗必須協調模型精度與模型的預測準確度之間的矛盾，網絡精度要根據兩個指標進行考察，一個是網絡的一致性，另一個是網絡的泛化能力[10]，一致性是考察網絡對訓練樣本集的逼近能力，泛化能力是考察網絡在整個輸入輸出空間上的逼近能力，簡單的說，神經網絡的泛化能力決定了網絡正確反應的能力[11]。

五、基于回歸樹的RBF神經網絡學習算法

回歸樹是數據挖掘的一種方法，數據挖掘就是從海量的不完全的數據中，提取隱含在其中對人們有用的信息過程。

數據挖掘解決了我們在進行實證研究時的難題。在我們的研究過程中往往會面對海量的數據而束手無策，因為我們不知道在這些數據中，哪些數據對我們是有用的，哪些數據是與我們想要研究的問題無關的，然而傳統的數理統計的方法已經滿足不了我們的需要，此外要想從海量的數據中提取和發現我們想要的信息更是難上加難了，人們希望通過計算機實現這一點，于是就產生了數據挖掘技術。

我認為不僅在商業研究中存在上述問題，在我們對心理學的研究過程中同樣如此。隨著心理統計與測量的不斷發展，積累了越來越多的心理統計數據，而在這些豐富的歷史數據背后，隱藏著許多有用的知識和信息，目前卻沒有合適的工具將這些重要的信息從海量的數據中挖掘出來，數據挖掘技術的誕生解決了這一難題。

我們在數據挖掘的眾多方法中，根據實際數據的特點選擇了回歸樹的方法與知識型員工心理契約的預測相結合。

1.RBF神經網絡和回歸樹結合的可能性

人工神經網絡和回歸樹的方法在對信息處理上具有各自獨特的優勢，人工神經網絡屬于聯結主義的思想，通過模擬大腦對信息處理的興奮、抑制方式解決問題，利用并行處理和非線性思想的方法對關聯知識進行編碼；回歸樹屬于符號主義的思想，回歸樹在概率統計思想和歸納學習方法基礎上，對分類規則的模型用樹形結構來表達[12]。盡管如此兩者都不能說是完美的信息分析的工具，它們各自存在著弊端，回歸樹可以實現自適應學習卻無法區別數據信息中的冗余信息和有用信息，而神經網絡雖然可以對不同屬性的重要性進行描述卻無法給出分類的規則。由此可見人工神經網絡的超并行、自適應、容錯性的特點和網絡本身的強大的學習能力正是回歸樹所缺少的優勢；而回歸樹較強的分析推理的特性以及回歸樹對邏輯思維特性的模擬，正好彌補了神經網絡在這一方面的缺陷。兩者結合后神經網絡可以通過網絡的學習和調整去除網絡中冗余的信息，簡化屬性的維數，之后根據信息構造合適的回歸樹，以簡單的分類規則表達。由此看來神經網絡與回歸樹兩者的結合是很有意義的。

2.該算法的研究現狀

多數研究者選擇將這兩者結合都是希望得到結合了兩種模式優勢的結果，概括起來將神經網絡與回歸樹相結合的方法主要有三種：

①通過回歸樹來確定神經網絡的規模，提升神經網絡的效率、改善神經網絡的學習效果[13]。

②利用神經網絡提升回歸樹的泛化能力，精化回歸樹的分裂節點。

③通過回歸樹增強神經網絡的可理解性，利用回歸樹對訓練好的神經網絡的功能進行近似。

一些研究成果也表明，神經網絡與回歸樹的結合不僅可以減小回歸樹的誤分率，同時還可以有效提高神經網絡的訓練效率。

例如，一種構造性混合了神經網絡的回歸樹學習方法CHTD(Constructive Hybrd Regression Tree)，該方法完美的將回歸樹和神經網絡的優點結合，用回歸樹學習來進行定性分析，用神經網絡學習進行定量分析，實驗結果表明：通過這種方法實現的神經網絡雖然在學習精度上與標準的BP神經網絡的學習精度水平差不多，但是該網絡的訓練速度比標準的BP神經網絡至少快10倍甚至更多，同時與其他的回歸樹方法相比，CHDT所實現的樹的結構相對來講較為簡單，且CHDT方法比其他回歸樹方法的所實現的泛化能力更高。

3.基于回歸樹的RBF神經網絡學習算法

本文將應用回歸樹分類算法對RBF神經網絡的隱層節點進行選擇，用回歸樹方法確定RBF神經網絡隱層基函數中心的思想首先由Kubat提出，回歸樹的主要思想是通過遞歸劃分將輸入空間劃分為左右兩部分，最終形成二叉樹。

所有輸入訓練樣本{xi}Pi=1所構成的最小的超矩形作為二叉樹的根結點，在K維空間超矩形的寬度Sk和中心Ck分別為：

其中S={l，2，…，P}表示訓練集的索引，根結點將訓練樣本分為左右兩個分支SL、SR，在K維空間中，每一個分支的邊界為b，可表示為：

SL={i∶xik≤b}

SR={i∶xik≥b}

然后求出劃分后每一個分支的平均輸出：

PL、PR分別為左右分支中的訓練樣本總個數，網絡輸出與實際輸出的二次差可表示為：

對于K和b所有可能的取值，使得二次方差E(K，b)最小的劃分作為父結點，并利用它來創建子結點，按同樣的方法遞歸產生下一個父結點，直到該結點不能再創建子結點為止，使得它所包含的樣本比給定的最小值還少；為了避免過擬合現象的出現，需要對生成的回歸樹進行剪枝。回歸樹中運用的剪枝算法采用代價復雜度最小原則(MCC)，其測度可以用公式表示為：

任意Tmax中的節點Node，當節點Node的代價復雜度小于以Node為根的樹中所有葉節點的復雜度之和時，則剪掉以Node為根的樹，否則在Tmax中保留以Node為根的樹，即不進行修剪。a一定時，由Tmax刪減產生的兩個具有相同R(T)值的樹，葉節點越多，樹的復雜度越高，Ra(T)的值越大其可取性也就越小。

在對最優回歸樹進行確定之后，需要將回歸樹的葉節點轉化為RBF神經網絡的隱層元節點。根據葉子節點包含的樣本的數目，可分為兩種情況：

第一種：葉子節點包含的樣本數目為1。在這種情況下，以往算法往往是將這種節點作為噪聲點來處理，如果這樣處理的話會大大降低神經網絡的精度和泛化能力。因此我們還是將葉子節點包含的樣本數為1的轉化為隱層神經元節點，那么這時該葉子結點包含的樣本就是神經元基函數的中心，隨機產生基函數的寬度。

第二種：回歸樹葉子節點所包含的樣本的數目大于1。在該種情況下，將該葉結點看作一個超矩形，并對超矩形的中心和寬度進行計算。然后將基函數的中心定在計算出的超矩形的中心，將基函數的寬度與超矩形的寬度等同，生成與基函數的寬度相符的隱層神經元。

根據以上分析，基于回歸樹的RBF神經網絡學習算法如下：

①將整個樣本空間作為一個劃分V，初始化參數t。

②如果某個劃分包含的樣本數目T〉t，則執行③，否則結束分支劃分。

③尋找使E(k，b)最小的樣本點將該劃分進一步劃分成左右兩個劃分。

④對新生成的兩個劃分分別執行步驟②。

⑤如果不存在某個劃分其包含的樣本的數目大于t，則執行下一步。

⑥對生成的回歸樹進行剪枝，以生成最優樹。

⑦將二叉樹的葉子節點轉化為RBF神經網絡的隱層節點，其中，如果某個葉子節點只包含一個樣本，則將以該樣本點作為基函數中心，其寬度設定為隨機產生的正小數；如果其包含的樣本的個數大于兩個或等于兩個，則計算Ck、Sk；Ck作為基函數的中心，Sk作為基函數的寬度。

⑧對神經網絡進行有導師學習，采用LMS算法確定輸出層的權值。

⑨進行神經網絡預測。

六、基于RBF神經網絡的知識型員工心理契約預測

本章將根據對國內三家企業關于員工心理契約的調研數據，依照前面所介紹的RBF神經網絡的模型和規則，建立基于知識型員工的心理契約水平的預測模型，以期達到對知識型員工心理契約水平進行預測的目的。

1.數據的采集與預處理

在數據的收集方面我們選取了在F科技有限公司、J有限公司和H集團三家企業知識型員工心理契約綜合問卷作為實驗數據，其中三家企業的100份問卷數據為初始學習數據，三家企業知識型員工心理契約的100份問卷作為檢驗數據。（以下僅為部分數據）

表1 知識型員工心理契約預測用原始數據（部分）

2.網絡預測結果

由圖1可見，實線代表的是實測的樣本數據，虛線代表的是網絡的預測數據，在大部分情況下可以說兩條曲線的走勢基本一致，但是也不排除在個別的預測點上實際施測數據與預測數據間出現差距較大的情況。

3.誤差分析

將網絡的預測結果與實際施測獲取的數據進行比對，預測結果和實際施測結果間的相對誤差在可以接受的范圍之內。因此預測結果是能夠滿足施測要求的，但也說明該預測模型還可以進一步改進，以提高網絡預測結果的精度和準確性。

4.預測結果的驗證分析

通過以上對預測數據與實際施測數據之間的對比分析和預測數據的誤差分析，我們可以認為基于回歸樹的RBF神經網絡的學習算法和以該算法為核心的知識型員工心理契約水平預測模型是有效的。該預測模型能夠為企業管理者對知識型員工心理契約水平的了解提供一定參考價值的。

圖1 RBF神經網絡預測結果圖（部分數據）

圖2 預測數據與實際數據對應誤差圖（部分數據）

七、結論

筆者用回歸樹和RBF神經網絡結合的方法實現對知識型員工心理契約的預測，并利用回歸樹對RBF神經網絡進行了優化，希望能夠實現回歸樹與RBF神經網絡的優勢互補，利用回歸樹與RBF相結合的神經網絡對知識型員工心理契約的進行預測，并對網絡的結果進行了驗證分析，網絡的實際誤差在可接受的范圍之內。通過改進的RBF算法對知識型員工心理契約水平進行預測，可以替代以往對知識型員工心理契約主觀性的研究，為組織管理人員提供一個更為科學、高效的心理契約測量工具。用神經網絡對知識型員工心理契約進行預測，僅僅是初步的嘗試。人工神經網絡在對知識型員工心理契約的預測上的應用上還有待于進一步的完善，同時還需要加強該方法在心理契約的預測應用上的邏輯嚴密性。

其主要體現在如下兩個方面：

（1）樣本的選擇方面

如何選擇具有代表性的知識型員工樣本訓練集直接影響著網絡訓練的成敗。由于時間有限，筆者只對三家企業知識型員工的數據進行了采集，在范圍的選取上代表性不夠，樣本的數量也有所欠缺，而且由于心理契約本身源于主觀感知的特殊性，在知識型員工心理契約預測的實踐中，要獲得客觀準確的知識型員工心理契約數據需要有更大的樣本量。

（2）心理契約動態性的特點

在對心理契約數據進行統計時，由于時間和空間的限制筆者是在固定時間點對三家企業知識型員工心理契約數據進行統計的，沒有考慮到心理契約動態性的特點，要獲得客觀準確的知識型員工心理契約數據，需要根據心理契約動態性的特點，在不同的時間點對知識型員工心理契約進行施測，實現對企業知識型員工心理契約的縱向研究。

由于時間緊促和作者水平所限，在本研究中運用的知識型員工心理契約預測的人工神經網絡模型還比較淺薄，許多神經網絡的相關理論還有待進一步深化，期望能得到來自各方面的專家和管理實踐者的建議。

[1]彼得德魯克著，楊開峰譯.知識管理 [M].北京：中國人民大學出版社，1999：32-38.

[2]Rousseau，D.Psychological and implied contracts in organization[J].Employee Right and Responsibilities Journal，1989，121-138.

[3]Guest，D.Is the Psychological Contract Worth Talking Seriously?[J].Journal of Organizational Behavior，1998，19：649-664.

[4]蘇中興.知識型員工心理契約的內容、結構與違背研究 [J].管理評論，2007(11)：35-41.

[5]陳加洲，凌文輇，方俐洛.組織中的心理契約 [J].管理科學學報，2001，4(2)：74-78.

[6]Podsakoff，P.M.，Ahearne，M.&MacKenzie,S.B.Organizational citizenship and the quantity and quality of work group performance[J].Journal of Applied Psychology，1997，82：262-270.

[7]李士勇.模糊控制、神經控制和智能控制論 [M].哈爾濱：哈爾濱工業大學出版社，1996.

[8]王振興.BP-RBF組合神經網絡在股票預測中的應用研究 [D].蘭州商學院，2010.

[9]Greenacre，M.J.Correspondence Analysis in Practice[M].New York：Academic Press，Harcourt，Brace&Company，1993.

[10]李杰，韓正之.一種估計人工神經網絡泛化誤差的新方法[J].控制理論與應用，2001(18)：257-259.

[11]池可.服裝銷售預測方法及RBF神經網絡模型研究 [D].蘇州大學，2009.

[12]Kubat，M.Decision trees can initialize radial-basis function networks [J].Transactions on Neural Networks，1998，9(5)：813-821.

[13]Kubat，M.&Ivnaova，I.Initialize of RBF networks with deeision trees.In Prof.of the Belgian-Dutch Conf[C].Belgian，Dutch：Machine Learning，1995.

（責任編輯：FZF）

Research of Prediction Knowledge Employees'Psychological Contract——Based on Regression Tree and RBF Neural Network

LI Yang1，YU Jia-yuan2
（1.Civil Aviation Flight University of China，Guanghan Sichuan 618307，China; 2.Nanjing Normal University，Nanjing Jiangsu 210000，China）

With the psychological contract for the knowledgeable employees as the object，and the measured data from the research in three knowledgeable staff domestic enterprises，the predictive model of psychological contract based on RBF neural network is built.At the same time，an efficient and convenient regression tree combined with RBF neural network predictive model with the knowledgeable employees'psychological contract is established， in order to realize the optimization of RBF neural network prediction efficiency，select regression tree combined with RBF neural network，strive to achieve the complementary advantages of both.The results shows that through regression tree with RBF neural network prediction results compared with the actual measured data in three knowledge staff enterprises，the regression tree combined with RBF neural network prediction results has higher accuracy.Therefore，the learning algorithm of the regression tree-based RBF neural network and the prediction model for the algorithm-cored employees'psychological contract level prediction model are efficient.This model substitutes the previous subjective measuring methods of psychological contract，meanwhile the establishment of the model provides managers with a scientific and efficient method for the forecast of the psychological contract for knowledgeable employee.The model to predict the level of the psychological contract for knowledgeable employee has higher accuracy.

Psychological contract；Neural network；Staff management；Enterprise management

F272

A

1004-292X（2014）02-0045-06

2013-08-02

國家自然科學基金項目（71071065）。

李 楊（1984-），女，河北石家莊人，博士研究生，研究方向：基礎心理學，管理心理學；余嘉元（1949-），男，江蘇無錫人，教授，博士生導師，主要從事基礎心理學研究。