企業人才競爭力的ＢＰ神經網絡分析

[摘要] 本文從企業HR競爭力指標中用主成分分析析取出4個因子，構成企業HR的競爭力模型，通過BP神經網絡對30家企業的HR競爭力進行了仿真預測，便于HR管理者即時對企業人才競爭力定位，有利于管理者對企業HR的戰略部署。

[關鍵詞] HR競爭力 主成分分析 BP神經網絡 馬克威分析系統

一、引言

隨著信息技術在企業的人力資源部門的廣泛推廣應用，組織中有大量可用數據，數據中有大量的寶藏等待被發掘，可以撬動潛在競爭優勢的領域。人力資源部門如果可以利用現有的數據積累進行挖掘，得到對企業戰略實現至關重要的結論，將可以幫助組織建立競爭優勢，取得競爭優勢。

人工神經網絡(Artificial Neural Network，簡稱ANN)是由大量的、簡單的處理單元(稱為神經元)廣泛的互相連接而形成的復雜網絡系統，模擬了人腦神經元基本功能和網絡的基本特性，它可以避開復雜的參數估計過程，同時又可以靈活地對多成因的復雜未知系統進行高精度建模。

BP網絡模型包含了神經網絡理論中最為精華的部分，其結構簡單、可塑性強，應用領域廣泛。

二、實證分析

數據來源：A－T5(見表1)等30家企業人力資源部門的公司總流動率、職位流動率等30個指標。

1.用主成分分析法提取30家企業的人才競爭的特征值

企業人力資源部門的指標數據較多，信息重疊多，不易于直接用BP網絡進行預測。本文通過對A企業建立人才競爭力形成的指標體系，采用主成分分析法對指標數據進行特征提取，獲得4個主要綜合指標。

運用SPSS13軟件，對影響企業人才競爭力的數據提取主成分。

第1主成分的特征值為7.229，方差在總方差中的比重為54.635%，它是人力資本形成的主要方面。前4項主成分的方差在總方差中的比重達到94.828%，按照主成分的選取標準，說明這4項主成分可以代替原來的30項指標，從而可以更簡單地利用它作用網絡的輸入節點數。由旋轉過后的分載荷矩陣可對4個因子命名為“成本因素、流動率因素、勞動力規劃、雇員開發”，根據各指標值在0.5以上的因素列出組成內容分別為:

指標1（成本因素）：

工資、津貼、激勵、職位升遷機會、新雇員的培訓費用、每個業務單元的事件/事故損失、激勵分布于業務單元績效匹配率。

指標2（流動率因素）：

企業內的流動率是否與勞動力市場現有水平有可比性。關鍵流動率統計量包括公司總流動率、職位流動率、特定職能單位的流動率、地理位置的流動率、年齡段的流動率、種族流動率、性別流動率、平均服務時間流動率、特定物理區域人員流動率、季節更動流動率。外在因素有國際流動率和其它企業的職工流動率。

指標3（勞動力規劃）：

員工流利掌握某特定語言能力人數比率、屬于特定的工作分類內員工比率、特定的技能集合員工人數比率、最高的業績表現員工比率、征募來源的成功率、特定的開發活動完成率。

指標4（雇員開發）：

參加需要的培訓事件人數比率、參加了特定的培訓班級人數比率、完成了特定開發行動的員工保持時間、業績指標和特定開發行動參與的相關比率、業務單元績效和開發項目實現的相關比率。

2.A～T5企業的BP神經網絡的輸入變量值

用這4個因子的特征值對應的特征向量，即經過變換后的綜合指標，標準化后得分作為BP人力資本競爭力的輸入樣本間。見表1的前4列指標。

3.人才競爭力指標計量

人才競爭力指標是根據專家打分，采用灰色系統評價得出的結果。人才競爭力指標可分為5檔，具體標準如下：

4分－5分：強大，企業人才競爭力十分強大，處于吸引人才的優勢階段；

3分～4分：較強，企業人才競爭力經常超出勞動力市場平均水平；

2分～3分：一般，企業人才競爭力能和勞動力市場平均水平持衡；

1分～2分：偏弱，企業人才競爭力落后于勞動力市場平均水平，將出現人才危機；

0分～1分：差，企業人才競爭力不能同任何企業相比，人員流失出于危急關頭。

4.BP網絡的結構及學習算法基本數學公式

BP網絡是采用Widrow2Hoff學習算法和非線性可微轉移函數的多層網絡(圖1)神經網絡模型通常由輸入層、輸出層和若干隱含層組成，每層包含有多個神經元，各層之間以權值相連，每個神經元的初值定義為閾值。

在圖1中，假定輸入層、隱含層和輸出層的神經元分別是I層，H層，O層。X1，X2，…，Xm是網絡的輸入層；H1，H2，…，Hn是網絡的隱層，Y1，Y2，…，Yp是神經網絡輸出層的實際輸出值。

5.30個企業HR競爭力的神經網絡訓練與預測實驗設計

BP神經網絡結構的設計包括確定網絡的輸入層節點數、隱含層節點數及輸出層節點數。網絡輸入層的節點數為輸入樣本的指標個數，輸出層的節點數為目標向量的個數，因此，根據本文原始數據資料可知，BP網絡輸入層和輸出層的節點數分別為30個和30個。隱含層節點數的選擇是一個十分復雜的問題，往往根據設計者的經驗和多次試驗來確定，沒有一個固定的標準，根據本文的輸入層輸出層節點數，用馬克威分析系統(MarkWay)經過多次試驗結果顯示，實驗方法為訓練和預測，前25個企業為訓練集，后面5個企業為預測集，學習精度為0.001，最大訓練次數為3000，學習率為0.6，隱含層的節點數選用8個，網絡的性能比較好，實際系統精度為0.0018。訓練結果見表2：

訓練測試樣本的擬合圖見圖2：

25家企業作為樣本集，經過訓練和結果比較，BP神經網絡的預測準確度達到了95%以上，可以認定訓練結果準確率是可接受的，那么就可以保存已經訓練好的網絡結構，以供預測真實的未知數據使用，來評定企業的HR競爭力。

三、結束語

企業HR管理者的職責已逐漸從作業性、行政性事務中解放出來，更多地從事戰略性人力資源管理工作，想要讓企業獲得持久的競爭優勢，必須要依靠構筑人力資源競爭力。

BP神經網絡對HR競爭力可以對一個企業在市場競爭中所處的地位，與其他企業競爭力量的強弱作出準確的預測，為HR管理者提供了科學的判斷工具，讓HR管理者在整個動態人事管理體系之中，擇機采用不同的操作策略，不斷地激活人力資源，從而提升了企業的人才競爭力，快速構筑人才競爭力，方可提高和持續保持企業競爭力。

參考文獻:

[1]文魁吳冬梅:科技創新人才環境研究報告[J]．北京:經濟與管理研究，2006.1

[2]董長虹:神經網絡與應用[M]．北京:國防工業出版社，2005:239～254

[3]雷蒙德(Ray Mond，A.N.):人力資源管理(獲取競爭優勢第3版影印版)[M].清華大學出版社，2005

[4]李中斌:企業人力資源競爭研究[M]．中國言實出版社， 2007

[5]黃暉:馬克威軟件與當代數據分析[M]．北京:中國統計出版社，2006.319～358