數據包絡分析在招聘中的應用

摘要：從大量的應聘者中，選拔合格人才往往費時費力，面對紛繁復雜的各類崗位考核標準和人為因素，若缺乏科學統一的考評體系，就容易造成人才流失，給招聘企業帶來損失。文章嘗試性地將DEA方法引入招聘流程中，以輔助企業進行人才選拔，并以高校招聘教師為例說明了此方法的應用價值。

關鍵詞：DEA；招聘；簡歷評估

一、 前言

目前，國內各行各業的招聘流程，主要采用人工篩選簡歷的方法，而在數以百計的應聘者中，為公開招聘的職 位挑選最佳候選人是一項耗時耗力的過程。其復雜性是多方面的：（1）應聘者數量巨大；（2）缺乏針對應聘者素質的考評指標；（3）考評指標之間的權重關系難以確定；（4）招聘方個體偏好對招聘過程的影響。因此，這種復雜性使“最佳”候選人流失的可能性增加。

為有效解決上述問題，本文將數據包絡分析（Data Envelopment Analysis，簡稱DEA）引入招聘流程中。DEA方法以其特有的優勢，如避免了確定各種考評指標在優先意義下的權重，無需對輸入輸出指標進行無量綱化處理，可以對輸入輸出指標進行有效投影以及評價結果比較客觀等等，在世界范圍內得到了極其廣泛的研究和應用，已成為分析、評價多輸入多輸出復雜系統的有力工具。近幾年，隨著網絡和計算機技術的發展，一些單位或公司開始嘗試用計算機輔助系統或人工智能來找到符合基本條件的簡歷，即使這樣，仍然需要招聘人員評估大量的材料。DEA方法做為一個成熟的統計分析工具，在事先設置好考評指標的情況下，可以實現自動篩選簡歷。該方法不必確定各考評指標之間可能存在的某種顯式關系，這就排除了許多主觀因素，不僅增強了評價結果的客觀性，而且還會使問題得到簡化。從而為招聘方減少工作量，提高準確度和公平性，減少因個體偏好對招聘工作產生的影響。

二、 DEA輔助篩選應聘者流程

本文以高校招聘教師崗位為例，建立如圖1所示的DEA輔助招聘流程。首先，收到簡歷后，應聘者信息被輸入數據庫中，隨著計算機技術的發展，特別是在線投遞簡歷的情況下，此過程變得更加自動化。然后，用簡單的計算機程序剔除出不符合基本條件的簡歷，例如，某崗位要求學歷是碩士及碩士以上，那么不滿足此項條件的簡歷不能進入下一個流程。此外，某些崗位還有年齡、專業背景、性別等限制，都可以列入這一步驟。下面一步是根據不同單位、不同崗位，由招聘方擬定各考評指標。本文以招聘教師為例，設定了三種考評指標：（1）科研工作指標；（2）教學工作指標；（3）學術職能指標。考評指標設定好后，將各應聘者的相應數據輸入DEA模型進行運算，優選出應聘者。此時，簡歷數量已大大減少，招聘人員再對選出的應聘者進行近一步的考核如面試、實習等，就可以選出此崗位的最佳人選了。

三、 指標體系的建立

本文根據參考文獻“2”、“3”，并結合某校的具體情況，確定了能反映應聘者綜合產出水平的如下指標。

1． 科研工作的指標。

（1）在各自專業學術期刊上發表論文的數量。根據我國《中文核心期刊要目總覽》為基準，應用某校學術論文量化考核方法，對學術期刊進行分級，即：權威核心學術期刊、核心學術期刊、一般學術期刊三個等級。由于沒有具體的統計數據可供參考，為了操作上的方便，更為了引導教師在高等級學術期刊上發表學術論文，本文將權威核心學術期刊與核心學術期刊之間的權重比定為3∶1，核心學術期刊與一般學術期刊之間的權重比定為2∶1。所以三個等級學術期刊的權重比如下表所示：

（2）出版或編輯國際國內公認的相關學術著作的數量。由于新聞出版署、國家科委等有關部門并沒有對出版單位進行等級劃分，而各高校的做法也不盡相同，因此本文不再做劃分。

（3）科研成果獲獎的數量。獎勵等級：國家級，分為一、二、三等；省部級，分為一、二、三等。作為算例，本文將最低一級獎勵的三等獎的權重定為1，不同等級的獎勵之間的權重比定為2∶1，以此類推。但不重復積分。具體權重比如下表所示：

（4）參與或負責科研項目的數量。項目的等級：國家級，分為重點項目、一般項目；省部級，分為重點項目、一般項目。同樣做為算例，將不同等級項目之間的權重比為2∶1，如下表所示：

2． 學術職能指標。在校內、校外擔任不同級別學術團體委員職位的數量：國際級、國家級、省部級，不同級別學術團體之間的權重比為2∶1。

另外，本文不將教學工作指標不列入簡歷篩選步驟，高校可在面試考評中進行考察。

四、 模型選擇

假設定義應聘者作為決策單元，由于考評指標都屬輸出型，本文應用“僅有產出的多目標DEA模型”對決策單元進行評價。

設有n個決策單元DMUj（j=1，2，…，n），其產出為

Yj=（Y1j，Y2j，L，Yrj，L，Ysj），

j=1，2，L，n；r=1，2，L，s

其中，Yrj表示第j個決策單元DMUj的第r種產出，則基于如下生產可能集

建立的僅有產出的多目標DEA模型為

若規劃（2）最優解為?啄*，?啄*r，?姿j*，則有

1． 僅有產出的多目標DEA相對效率為Vm=1/?啄*。

2． 若規劃（2）的最優解滿足?啄*r=1，顯然?啄*=1，則決策單元DMU0為僅有產出的多目標DEA相對有效。

3． 若?啄*＞1，則改該決策單元沒有達到相對有效，產出水平還可進一步提高。

由于在實際情況中，初篩人數可能會大于面試要求的人數，所以本文在DEA模型中引入理想DMUn+1對決策單元進行排序。

設理想決策單元DMUn+1的產出為

yr（n+1）=maxr，j{yrj}，

r=1，2，L，s；j=1，2，L，n

將DMUn+1引入規劃（2）得到

由于規劃（3）中的理想決策單元DMUn+1必定有效，它的效率評價指數Vm必定為1。其余決策單元的相對效率指數可以通過求解規劃（3）得到，并根據相對效率的大小對決策單元進行排序。

五、 實證分析

現以某校某學院教師崗位招聘為例，在符合基本應聘條件的申請材料中，用上述模型及方法來篩選出相對最優的應聘者。應聘者各考評指標數據見表1。

表1應聘者各考評指標數據表

利用表1的數據，對（2）式的線性規劃運用LINDO軟件進行求解，結果見表2。

從表2可以看出用模型（3）評價的綜合產出指數排序結果是：DMU：11＞4＞2＞3＞6＞7＞1＞5＞8＞10＞9，其中，“＞”表示“相對優于”。從表2還可以看出：DMU3為（下轉第36頁）非相對DEA有效應聘者，其第2、3個輸出指標，特別是第3個輸出指標（科研成果）相對較低，應聘者可從這兩方面入手來提高自身的綜合競爭力。

六、 結束語

本文運用僅有產出的多目標DEA方法對應聘簡歷進行初次篩選，并以高校招聘教師為例說明了具體的操作步驟、指標選擇和評價結果。傳統的招聘流程效率很低，本文提出的DEA輔助篩選應聘者流程可以大大降低時間成本，使招聘方可以將精力集中在少數更符合招聘條件的應聘者上。但是，此流程中的第一步是確定考評指標體系，這需要招聘方根據以往的統計數據制定符合本職位的公正、合理考評指標。當然，此方法和流程也可用于其他招聘項目。

本文中描述的方法基于定量數據，模型還可引入定性指標（如：學生對教師教學的滿意度，科研工作潛力等）作為考評指標。此外，由于招聘方通常還含有個人偏好，對此還可以通過有偏好的DEA模型來完成考評。

參考文獻：

1．魏權齡．評價相對有效性的DEA方法．北京：中國民大學出版社，1998．

2．侯英彩．文獻計量學理論在高校教師職稱量化評審中的應用．科技情報開發與經濟，2005，15（15）．

3．趙肖為，錢昌吉，王春英．普通高校學術論文量化考核的思考與實踐．科技管理，2001，（8）．

4．李光金，黃韜，岳琳．僅有產出的多目標DEA 及其應用．四川大學學報（工程科學版），2001，33（1）：113 -114．

5．何靜．只有輸出（入）的數據包絡分析及其應用．系統工程學報，1995 ，10（2）：48-55．

6．李果，沈曉勇，王應明．對決策單元進行排序的一種方法．預測，2000，（4）．

基金項目：國家自然科學基金資助項目（70371044）。

作者簡介：李光金，博士，四川大學工商管理學院教授、博士生導師；宋陽，四川大學工商管理學院研究生。

收稿日期：2006-09-04。

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”