基于改進多屬性群決策的人力資源管理績效評估模型

鄭筱瑩， 于殿江

(1.臺州職業技術學院, 經貿學院， 浙江， 臺州 318000；2.山東大學， 經濟學院， 山東， 濟南 250100)

0 引言

在當前經濟形勢下，市場環境展現出投資主體多元化、供求市場多元化、管理現代化等特征，這對人力資源管理工作提出更高的要求。績效是一種管理學概念，指成績與成效的綜合，是管理活動中最常見的概念之一。績效評估就是采集、分析、判斷有關某個人或組織在其工作崗位上的工作表現與工作結果的過程。績效評估是人力資源管理中的關鍵環節，其最終目標就是經過對績效評估結果的綜合利用，以期激發員工工作積極性，為企業創造更多效益。現階段，人力資源管理已經受到了廣泛重視，怎樣評估人力資源管理績效已經變成學術界與企業共同關心的熱門話題。國外對于人力資源管理績效評估主要集中在個人能力與表現方面，而國內的研究主要集中在人力資源管理所創造的價值等方面，因此急需對研究成果進行整合處理，以期提升人力資源管理績效評估精準度。

針對績效評估問題，沈延安等[1]提出基于云模型和改進證據理論的裝備管理績效評價方法。建立裝備管理績效評價指標體系，使用組合賦權法確定指標權重；利用云模型對評估信息進行建模，構造概率分配函數，引入Jousselme距離，推算證據可信度和可靠度得到證據的復合權重，以此作為權重系數對證據源進行修正；運用改進的證據融合規則進行各指標基本概率分配融合，獲取綜合評價結果。陳為公等[2]通過建立績效評價指標體系，使用熵權和三角模糊數復合賦權方法完成指標賦權。在評估體系的指標多屬性和目標多樣性基礎上，采用經典模糊理論對TOPSIS評價方法進行改進，全方面考慮指標表現特征的多重不確定性，實現績效優劣等級評估。但這兩種方法僅能考核員工總體情況，對具體工作行為的考核精度有待增強。

為了綜合考核員工總體情況，提升人力資源管理績效評估準確性，本文引入改進多屬性群決策，設計了一種新的人力資源管理績效評估模型。

1 基于改進多屬性群決策的人力資源管理績效指標排序

從功能性角度出發，融合人力資源管理同素異構、能位搭配、動態優勢[3]等基礎定理，創建人力資源管理績效評估指標體系，具體如圖1所示。

圖1 人力資源管理績效評估指標體系示意圖

根據上述六個指標來全面客觀地評估人力資源管理績效，對各個指標進行排序，明確人力資源管理績效評估關鍵點，進一步增強評估效率及準確性。本文使用改進多屬性群決策方法來完成指標排序任務，多屬性群決策即為集合決策，群體內各個成員按照屬性對方案的評價，獲得對全部方案的評估排序，從中挑選最優的評估方案。在求解過程中以績效指標權重為基礎，把群體當作多個獨立成員，在共有的多重屬性下對各個成員進行評估，且所有成員都參加屬性權重決策過程。運用交互式迭代方法，從無差別的均等權重入手，在設置的權重參數下，計算各個成員最佳權重，并對權重均值計算，將均值計算結果當作新的權重參數引入權重估計模型中替代前一次迭代時的相對參數[4]，了解績效評估指標權重。

如果一個群體G由n個獨立成員構成，在相同的m種屬性下對各個成員評估績效表現進行評估，將第j個成員在第i種屬性下的表現分數或屬性描述成xij。若全部屬性的關鍵性沒有差別，則原始權重w0i與總權重均值相等，即w0i=1m，成員j的原始加權綜合屬性計算式為

s0j=1m∑mi=1xij

(1)

從式(1)明顯看出，以上原始綜合屬性值無法讓群體內多數成員獲得滿意結果，因為此類均等權重和成員的理想權重分配方式相差較多。把ximax當作成員k在全部屬性下的最高得分，從理論上看，成員k本身的最優權重選擇應該是最高分值屬性權重1，其他屬性權重都是0。但每個群成員具有相同理想權重的概率極低，因此設計一種交互式迭代算法來推導多屬性權重值，以此獲得準確的績效評估指標參數權重。

設定屬性i的參數權重是wi，針對成員k來說，可在以下條件中挑選優化權重和最大化自身加權綜合分值：處于優化權重時，成員k和其余每個成員在加權綜合屬性值的最高絕對差值要小于參數權重的最高絕對差值。即成員k不能挑選擴大自身和其余成員距離的權重，wik是成員k的優化權重變量。

對以上過程進行建模，模型表達形式為

max ∑mi=1wikxiks.t.maxj=1,…,n∑mi=1wikxik-∑mi=1wikxij≤

maxj=1,…,n∑mi=1wixik-∑mi=1wixij

(2)

∑mi=1wik=1,wik≥0

式中，wik是通過群成員k判定屬性i的未知權重變量。在式(2)與后面的迭代計算中，wi被看作已知參數代入計算，參數的原始值被給予均等權重。

關于隨機群成員d，首先將其引入式(1)進行求解，得到參數值w*id(wi)，對成員d采取最優權重計算，就能獲得全部群成員的公共權重[5-6]，運用此組公共權重替代原始權重變成全新的參數值wi，將過程記作：

wi=1n∑nd=1w*id(wi)

(3)

在得到全新參數權重情況下，群成員k的加權綜合屬性值是：

sk=∑mi=1wixik

(4)

明確各成員屬性值后，接下來針對每個屬性，把群成員決策個體方案評價集轉變成群體方案評估[7]，同時增強績效指標排序合理性。關于每個方案在屬性sk中的得分，決策個體u的評估結果是：

aj(t)=(wtjat1j,wtjat2j,…,wtjatmj),t=1,…,l

(5)

式中，wtjat1j,wtjat2j,…,wtjatmj代表不同的評估結果。

全部決策個體的評估矢量矩陣為

A=w1ja11jw2ja21j…wljal1j

w1ja12jw2ja22j…wljal2j

??…?

w1ja1mjw2ja2mj…wljalmj

(6)

代入決策個體權重，將式(6)轉換成：

A=ρ1w1ja11jρ2w2ja21j…ρlwljal1j

ρ1w1ja12jρ2w2ja22j…ρlwljal2j

??…?

ρ1w1ja1mjρ2w2ja2mj…ρlwljalmj

(7)

其中，

atj=maxlρtwtjattj

(8)

btj=minlρtwtjatij

(9)

式中，矢量a*j代表對屬性sk的個體理想策略，矢量b*j是對屬性sk的個體負理想策略，ρt表示個體權重系數，wtj代表群體方案最優評估結果，atij代表決策群體權重。

由此得到：

dij=S-ij(S-ij+S+ij)

(10)

式中，

S-ij=∑lt=1(ρtwtjatij-btj)2

(11)

S+ij=∑lt=1(ρtwtjatij-atj)2

(12)

式(10)中，dij表示群體U對績效指標xi屬性評估結果，將評估結果記作矩陣模式，得到：

D=d11d12…d1n

d21d22…d2n

??…?

dm1dm2…dmn

(13)

因此可以將多屬性群決策問題變換成單人多屬性決策問題。按照前面交互式迭代算法獲得的屬性權重和決策群體對每個績效指標進行評估，使用理想點法完成指標排序，過程為

p*j=maxiλjdij

(14)

q*j=miniλjdij

(15)

其中，p*j是包含績效指標屬性的群體理想方案，q*j是包含績效指標屬性的負群體理想方案。將多屬性綜合評估結果記為Vi：

Vi=v-i(v-i+v+i)

(16)

v-i=∑nj=1(λjdij-q*j)2

(17)

v+i=∑nj=1(λjdij-p*j)2

(18)

式(16)中，Vi即為群體U對績效指標的多屬性綜合評估結果，按照Vi取值大小就能完成績效指標的排序與擇優。

2 人力資源管理績效評估模型實現

以構建的績效評估指標體系為基礎，通過前文可以獲得指標屬性重要性，為后續模型建立奠定扎實基礎。由于各個元素對人力資源管理績效評估影響各不相同，帶有相對的模糊性，使用模糊評價法[8]完成績效評估模型構建。

無量綱化能夠讓每個指標均能在相同平臺完成計算，方便評估人力資源管理績效評估。為防止發生主觀評判錯誤，定性指標的精度利用語義差別隸屬度賦值手段將指標劃分為如下檔次：極好、較好、一般、略差、很差。同時對各個檔次所表現出的指標水平提出了更為詳細的要求，創建每個檔次和隸屬度之間的相對關聯[9]，按照相對關聯把指標評估價值界定為1～5五個等級。

無量綱處理運用模糊數學內的隸屬賦值方法，利用計算式把員工樣本數據變換成指標評估值[10]。極大化指標模糊量化解析式為

rij=52+52sinπxij-12(xijmax+xijmin)(xijmax-xijmin)

(19)

適度化指標模糊量化解析式為

rij=52+52sinπxij-12(xijmax+xijave)(xijmax-xijave)

xijave

rij=52+52sinπxij-12(xijmax+xijave)(xijave-xijmin)

xijmin

(20)

依照式(19)與式(20)，獲得定量指標評估值均處于0～5分之間，處理后的定性與定量指標均變成同度量指標。

利用極差變換法[11]剔除績效評估指標有可能形成的評估誤差，并對極大化定量指標與適度定量指標進行不同處理，具體過程如下：設定樣本數據是Hij，以第i項指標為例，計算指標樣本數據內的最高值與最低值，標準化后的數據為Zij。則將極大化定量指標處理結果描述為

Zij=hij-hminhmax-hmin

(21)

對適度定量指標的處理過程為

Zij=hmax-hijhmin-hmax

(22)

式中，

hmax=max(h1i,h2i,…,hmax)

hmin=min(h1i,h2i,…,hmin)

(23)

指標處理流程如圖2所示。

圖2 績效指標處理過程

按照以上過程，最終獲得人力資源管理績效評估模型為

HCV=∑Wlij·rlij

(24)

3 實驗分析

以某企業員工個人績效考核為例，以檢驗本文模型可靠性。本文將某一大型企業作為研究對象，對其下屬企業的十幾個人力資源管理部門進行評估數據的收集，指標數據來源如表1所示。

表1 指標數據來源

利用交互式迭代方法將均等屬性權重當作起點，采取多次迭代方式得到最優權重參數，結果如表2所示。

利用改進多屬性群決策方法搭建多位專家意見評估指標體系，運用理想點法整合專家意見獲得最優評估指標排序，采用語義差別隸屬度賦值法劃分績效評估等級，績效等級及具體分值如表3所示。

表2 指標權重計算結果

使用模糊評價法將員工樣本數據轉換成評估值，建立人力資源管理績效評估模型，并通過極差變換法清除績效評估誤差，得到最終的評估結果，表示為

HCV=(0.076,0.281,0.356,0.105,0.089,0.093)·

100

89

79

59

39=75

(25)

分析上述結果可知，該企業的人力資源管理績效處于一般水平，因此后續應該加強對企業人力資源管理的重視程度，引入先進的人力資源管理理念以及成功案例，促進企業人力資源管理績效水平的進一步提升，保證企業又好又快發展。

依照正態分布原則選擇不同績效等級層次中的5名員工為研究目標，依次將他們進行編碼，記作A、B、C、D、E。5名員工在2019年7月份的歷史績效等級狀況如表4所示。

選擇文獻[1]方法、文獻[2]方法以及本文方法進行實驗對比，選擇不同方法對5名員工2019年7月分布的個人工作績效實施評估，追溯每個員工各項工作指標的具體表現情況，算出各員工績效等級和績效綜合得分情況，對比如圖3所示。

表4 企業員工歷史績效等級分布狀況

圖3 員工績效評估結果對比

從圖3可知，文獻[1]方法與文獻[2]方法的績效評估結果與歷史績效評估結果具有較大差距，說明這兩種評估方法的精度較低。而與這兩種方法相比，本文方法的績效評估結果與歷史績效結果大致相同，只有員工C與員工D的兩種績效結果相差較多。通過追溯樣本信息，發現員工C在7月的平均任務完成度只有45%，遠遠小于其他員工的完成水準，因此對評估結果形成不良影響。員工D的月出勤率只有35%，小于全部員工的出勤率均值，出勤率是權衡員工個人績效的關鍵指標，對其當月績效評估結果具有重要影響。因此可以看出，本文方法更加直觀地呈現員工個人績效的真實情況。

為了更好地驗證本文方法的有效性，追蹤記載一段時期某個員工的績效評估情況，并與其歷史績效評估結果實施對比。挑選員工B為追蹤對象，將其8月至12月的績效評估結果進行對比，如圖4所示。

圖4 B員工的績效評估結果對比

從圖4可以看出，采用文獻[1]方法與文獻[2]方法評估B員工績效后，所得評估結果與歷史績效評估結果具有較大差距，說明這兩種評估方法對于B員工績效的評估精度較低。與這兩種方法相比，本文方法的績效評估結果和歷史績效評估結果基本相同，但本文方法的員工績效評估結果分級狀況在逐月上升或下降的情況較為連貫，而歷史績效評估結果分級狀況連貫性很低，也就是本文方法比歷史績效評估在計算時更具穩定性，更貼合真實考核過程中的一般規律，員工績效評估結果更具客觀性，實用性更強。

4 總結

為了進一步提高人力資源管理績效評估精度，準確分析員工實際工作情況，建立基于改進多屬性群決策的人力資源管理績效評估模型。在構建績效評估指標體系基礎上，運用改進多屬性群決策方法對指標體系進行排序，使用模糊評價法創建績效評估模型，以提升評估結果可靠性。實驗結果證實，所建模型績效評估結果正確率高，魯棒性強，為人力資源績效評估工作的有效運行提供了幫助。