一線員工主動離職行為定性模擬研究

丁祥海，喻 瑤，王曉光

（杭州電子科技大學 管理學院，浙江 杭州 310018）

一、引言

同智能化工廠相比，勞動密集型工廠在生產過程中需要投入更多的人員支持，其利潤和資本積累主要來源于一線員工的廉價勞動[1]。與之前相比，如今的一線員工具有受教育程度普遍較高，性格鮮明，自我意識強，喜歡未知和探索，追求個性化的發展和獨立的生活等特點，同時勞動密集型工廠具有工作強度大，工作內容單調等特點。一線員工的特點以及工廠內外部環境的變化，促使一線員工產生了高頻流動的現象，主要表現為員工的離職行為。離職行為的發生既會增加企業的勞動成本支出，又會使企業難以保持正常的運轉。因此，探討勞動密集型工廠一線員工離職因素及其主動離職模型的構建在一定程度上對企業以及員工自身都有重要的意義。

目前，有許多學者在不斷的探索與員工離職有關的模型。其中具有代表性的是普賴斯（Price）等提出的普賴斯 -穆勒（Price-Mueller）模型[2]，模型中涉及的變量比較多，但增加了研究問題的難度；張勇等通過灰色預測模型對非正常離職進行預測[3]；楊海霞通過研究構建出神經網絡（RBF）模型,這一模型主要解決非線性預測問題，例如：員工離職對業績影響程度等，具有較好的預測性和應用性[4]；夏功成等通過研究構建了員工主動動態離職模型來預測員工的動態離職過程，所考慮的離職因素比較一般化，沒有對具體的行業以及具體的職位進行再次細分[5]；趙旭等針對離職行為這一復雜行為，以實證研究和突變理論作為模型構建依據，最終構建出員工主動離職的突變概念模型[6]。國內對于員工離職文獻的研究中，以勞動密集型工廠一線員工作為研究對象的文獻較少。王笑天通過構建基于壓力交互理論與工作要求-資源模型，將制造業一線員工作為其研究對象，實證分析了制造業一線員工的工作要求對離職意愿的影響，并分析了員工沖動性人格與社會支持這兩者因素對工作要求與離職意愿關系的鏈式調節機制[7]。

綜合文獻來看，國內對于勞動密集型工廠一線員工的離職因素和行為模擬方面的研究較少且有進一步完善的空間。鑒于一線員工在勞動密集型工廠中呈現流動性大、群體性等特征，本文以勞動密集型工廠為研究背景，建立了一線員工主動離職行為模型，運用MATLAB軟件與QSIM算法結合來模擬員工的離職過程，并將定性模擬以定量的形式表現出來，從而達到可視化的效果。

二、勞動密集型工廠一線員工主動離職模型構建

符益群等通過對國內外文獻的研究歸納及實地的考查分析，將影響員工離職的因素歸納為以下幾點：個體因素主要表現為員工自身的教育水平、個人績效等，工作自身因素主要是工作角色、工作任務多樣性等，組織因素主要為企業獎懲制度、組織構架等，外部環境因素主要為勞動力市場供需情況、就業形勢等，員工自身態度和心理的行為主要表現為組織承諾、工作滿意度、晉升機遇等[8]。張旭濤等通過對制造業一線生產派遣員工離職行為的研究，得出組織承諾影響作用大于工作滿意度的影響，但兩者都與員工離職行為呈現正相關關系；薪酬福利、職業晉升途徑、工作班制、企業外部機遇、員工培訓與關懷等因素對員工的離職行為都有顯著影響，而傳統的離職因素例如：企業價值觀、員工工作氛圍等對派遣員工的離職行為影響不顯著[9]。韓翼等通過構建員工自愿離職綜合模型以及對1 066份調查問卷的分析，結論表明工作滿意度和組織承諾這兩個因素與員工離職傾向具有正相關關系，組織認同感，組織承諾對員工離職傾向也有明顯的影響[10]。

針對勞動密集型工廠的特點，一線員工的工作強度在不同時期會有不同的變化；每天工作時間和是否經常加班可以側面體現出員工的緊張感、疲勞感、工作強度的強弱等[11]。高工作強度雖然可以提高員工的獎酬和企業的績效，但對于員工自身來說，長時間繁重的任務量會降低員工工作滿意度及組織承諾度。崗位單調性被認為是個體所從事的崗位的工作內容被重復程度，崗位單調性越高，員工對工作內容可選擇的范圍越小，導致員工的柔性越低。柔性管理被證實既可以提高員工的工作的滿意度，又能提升產線的效率與產能[12]；與崗位單調性相對應的另外一個因素是班次自主性，它可以平衡工作與生活之間關系，員工對班次的選擇權利越大相對應的工作時間柔性就會越大，員工的工作熱情和工作滿意度也越高，進而提升企業的生產效益[13]。另一方面，工作環境與員工的離職傾向具有密切的相關關系[14]。勞動密集型工廠的生產加工運作會對車間的溫度、濕度、噪音、照明等環境條件產生一定的作用，而這些環境條件又會直接影響一線員工的生產行為，例如適宜的溫度會增加員工對生產的投入，從而提升工作效率。

通過對上述文獻的歸納總結，在Price-Mueller模型的基礎上，保留其小部分變量，重點考慮崗位單調性、柔性管理、班次自主性、工作強度等因素對員工主動離職行為的影響，從而建立如圖1所示的勞動密集型工廠下的員工主動離職模型。圖中菱形中的變量是會波動的，它們取決于企業的內外環境，“+”表示箭尾因素增強會導致箭頭的增強，“-”表示箭尾因素增強會導致箭頭的減弱。

圖1 勞動密集型工廠一線員工主動離職過程模型

崗位的單調性會弱化柔性管理的效果，班次自主性會促使柔性管理得到更好的實施，這兩個因素的變化會對后續的其他因素產生影響，柔性管理的實施會提高員工的工作滿意度，增強員工的歸屬感，降低員工的離職意愿，員工離職行為的頻率也就隨之降低；企業領導的支持以及員工自身的努力程度在一定程度上都會改善工作環境，它同工作滿意度一樣都會強化員工的組織承諾，進而促進員工績效的增加，增加其組織認同感，從而降低員工離職意愿，減少員工離職行為；工作強度的增加會使一線員工的薪酬和績效同向增加，增強員工的組織認同感，減少員工的離職意愿，減少員工離職行為；薪酬的增加也會增加員工的努力程度，進而增加員工的工作滿意度，之后影響員工的離職行為發生過程如上文所述；企業外部就業機會的增加會促使員工產生更多的選擇從而導致離職行為的增加。

定性模擬中的變量都是非數字化的變量，為了便于后文的統計與討論，將變量名轉變為字母表示，具體如表1所示。

表1 勞動密集型工廠一線員工離職過程模型變量名及符號

三、QSIM算法與步驟

定性仿真的本質是一種定性推理的過程，定性仿真過程就是由當前狀態產生后繼狀態的一個不斷推進過程。本文將運用QSIM算法對勞動密集型工廠員工離職行為進行模擬。美國學者Kuipers提出了QSIM算法，為定性建模和定性仿真奠定了很好的研究和應用基礎。QSIM用定性微分方程來描述模擬對象，定性微分方程由變量和約束組成，變量代表系統參數，約束描述變量之間的關系[15]。它可以從一個定性約束集和一個初始狀態出發，預測系統未來所有可能的行為[16-17]。根據QSIM算法，存在推理函數f，每個可推理的函數 f在 t0＜t1＜…＜ti＜ti+1＜…＜tn顯著的時刻點處的值為路標值。顯著時刻點表示定性變量在該時間點上發生了顯著的變化，在顯著時刻點之間，定性變量只發生平緩的變化，不會產生突變。定性變量當前所處的時刻，要么在一個可區分時刻點ti上，其狀態可以表示為 QS（f，ti）；要么在兩個可區分時刻點之間（ti，ti+1），狀態表示為 QS（f，ti，ti+1）。在任意時刻t的定性狀態QS是由參數在其定量空間中的取值和參數的變化方向所構成的二元組（qval，qdir）表示。具體取值如下：

其中，li代表單個路標值，（li，li+1）代表區間值。例如 QS=（X1，（ti，ti+1））=＜（-1，0），+＞ 表示變量 X1在區間（ti，ti+1）的取值為（-1，0），方向為“+”，有增加的可能性。

（一）QSIM算法規則

QSIM是一種定性推理方法，是顯著時刻點到此點與下一個顯著時刻點之間再到下一個顯著時刻點的循環往前的定性狀態推理。推理過程必須遵守一定的規則，Kuipers提供了一個通用函數狀態轉換表來輔助說明QSIM的規則，具體如表2所示。

表2 通用函數狀態轉換表[14]

在模擬過程中，并不是所有的轉換都能符合要求，還需要滿足約束一致性過濾、配對一致性過濾、全局解釋和全局過濾。（1）約束一致性過濾。當變量受到多個推理函數的約束時，對各個函數進行獨立轉化后，檢驗定性值和變化方向的一致性。（2）配對一致性過濾。如果兩個約束中出現相同的推理函數，則該推理函數在不同的約束中需有一致的狀態轉化。（3）全局解釋。經過約束和配對一致性過濾后，剩下的所有規則的組合為全局解釋。（4）全局過濾。若前后直接相鄰狀態一致和前后狀態循環則過濾掉新狀態。根據通用函數狀態轉化表和上述過濾與解釋，可得到變量之間的相互作用表和通用規則轉化表，具體見參考文獻[5]。

（二）變量取值及含義

為了研究及MATLAB模擬的方便，用{1，2，3，4，5}表示 qval，用{-2，-1，0，1，2}表示變量的變化趨勢，即 qdir，其中 X1和 X2取{0，1，2}。一元變量包 括：X1、X2、Y1、Y2、Y3、Y4、Y5、Y6，它 們 表示 qval中的一個數，M表示qdir中的一個，二元變量包括：Z1、Z2、Z3、Z4、Z5表示為 ＜qval，qdir＞。部分變量的取值及含義如下所示：

某個二元組變量受到作用時，可能有多個后續狀態，在模擬的過程中，每種可能的狀態出現的概率相等。由于工作強度對績效具有積累效應，員工要以最近三個月的平均工作強度來對績效起作用，不足三個月時，即當月份為1月，平均工作強度就是本月工作強度的值，當為2月時，其平均工作強度為1月和2月工作強度的平均值，此種處理方法同樣適用于領導支持度、離職意愿和就業機會等，這里不再贅述。離職意愿可由離職概率函數表達，采用文獻[6]的離職概率函數如式（1）。

其中，z是離職率，x是平均離職意愿，y是平均就業機會。

（三）模擬算法步驟

步驟 1：設定變量初始值，變量包括 Z1、Z2、Z3、Z4、Z5，平均工作強度 Y1，平均領導支持 Y2，平均就業機會Y3。置當前模擬次數為1，模擬分為12個階段，一月份為第一個階段，每個階段的模擬次數為1 000次。

步驟2：MATLAB調用隨機數產生崗位單調性X1的值和班次自主性X2的值，根據表2和過濾與解釋確定柔性管理Z1，組織承諾Z4，績效 Y6，薪酬Y4，組織認同Y5，努力程度M的后續狀態。

步驟3：MATLAB調用隨機數產生平均工作強度Y1的值，根據其對績效Y6作用的值。

步驟4：確定績效Y6的后續狀態。

步驟 5：依次確定薪酬 Y4，組織認同 Y5，努力程度M的后續狀態。

步驟6：MATLAB調用隨機數與產生領導支持Y2的值，先確定其對工作環境Z3的作用，后確定組織承諾Z3的后續狀態。

步驟7：依次確定工作滿意度Z2，離職意愿Z5的后續狀態。

步驟8：確定平均離職意愿x，然后把平均離職意愿x和平均就業機會y代入式（1），來判斷員工是否離職，如果符合條件，則記為1，否則為0，然后依次進入下一階段，一直到第12個階段，這樣往返循環下去，直到結束，最終導出結果。

四、主動離職行為定性模擬

運用matlab2010b來對不同情境進行模擬，分析勞動密集型工廠中崗位單調性、班次自主性、工作強度、就業機會等主要因素對離職行為的影響。

（一）不同的崗位單調性和班次自主性對員工離職的影響

情景 1：x1=2，X2=1，Z1=（3，0），Z2=（3，-1），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作強度 Y1=5，平均領導支持Y2=3；平均就業機會Y3=4。初始條件一般，工作強度高，領導支持一般，就業機會較高，崗位單調性高，班次自主性一般。從模擬結果可以得出，1到12月份的離職意愿都在7%以上，總體平均離職率為88.19%，呈現較高狀態。

情景 2：X1=2，X2=1，Z1=（3，0），Z2=（3，-1），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作強度 Y1=3，平均領導支持Y2=3，平均就業機會Y3=4。初始條件一般，工作強度一般，領導支持一般，就業機會較高，崗位單調性高，班次自主性一般。從模擬結果可以得出，每個月的員工離職意愿也都在7%以上，總體平均離職率為87.84%，也呈現較高狀態。

情景 3：X1=1，X2=1，Z1=（3，0），Z2=（3，-1），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作強度 Y1=3，平均領導支持Y2=3，平均就業機會Y3=4。初始條件一般，工作強度一般，領導支持一般，就業機會較高，崗位單調性一般，班次自主性一般。從模擬結果可以得出，員工離職意愿剛開始呈下降趨勢，然后又呈上升趨勢，總體平均離職率為22.43%，呈現較低狀態。

情景 4：X1=1，X2=2，Z1=（3，0），Z2=（3，-1），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作強度 Y1=3，平均領導支持Y2=3，平均就業機會Y3=4。初始條件一般，工作強度一般，領導支持一般，就業機會較高，崗位單調性一般，班次自主性高。從模擬結果可以得出，在這樣的情況下，員工的離職可能性近似為0。四種情景的模擬結果如表3所示。

表3 情景1～情景4下員工的離職率總計

從以上4個情景的模擬結果可以得出，由情景1和情景2可以看出，當平均工作強度由5變為3時，總體平均離職率降了1個百分點，基本上沒有什么變化；由情景2和情景3可以看出，當崗位單調性由2變為1時，員工平均離職率由87.84%下降到22.34%，呈明顯下降趨勢；由情景3和情景4可以看出，班次自主性由1變為2時，員工的離職可能性近似為0，從概率上看，可能無員工離職。

由于勞動密集型工廠的特點，一線員工是否會選擇離職，與崗位單調性和班次自主性有很大關系。當崗位單調性很高，一線員工重復進行某項工作時，即便員工的工作強度不高，員工離職的可能性也很大。在這種狀態下，員工工作比較枯燥，對工作的專注力下降，導致員工的離職可能性較高。同樣班次自主性對于員工也是非常重要，尊重員工的選擇與愛好，賦予員工一定的權力自主選擇班次，平衡工作與生活的關系，這樣不僅對生產效率及企業的業績有很大的促進作用，也能夠吸引員工為企業創造更大的價值。另一方面，崗位單調性和班次自主性直接反映了該工廠的柔性管理程度。總體來說，工廠柔性管理程度越高，員工對工廠的忠誠度越高，離職傾向較低。另外離職率也受到工作強度的影響，適度的工作強度會產生良好工作績效，使員工得到滿意的薪酬，進而增加員工的工作熱情，提升企業的生產效益。因此在一定程度上來說，工作強度適中，企業的業績會越好，盈利也就會越多。

（二）在工作單調性和崗位匹配度都隨機變化下的三種情景

情景 5：變量的初始值：Z1=（3，0），Z2=（3，0），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作強度Y1=1，平均領導支持Y2=3，平均就業機會Y3=4。初始條件一般，工作強度低，領導支持一般，就業機會較高。從模擬結果可以得出，六七月份離職率是所有月份中最高的，總體平均離職率為19.87%，屬于比較低的狀態。

情景 6：變量的初始值：Z1=（3，0），Z2=（3，0），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作強度Y1=5，平均領導支持Y2=3，平均就業機會Y3=4。初始條件一般，工作強度高，領導支持一般，就業機會較高，從模擬結果可以得出，5月份的離職率為最高，總體平均離職率為25.37%，較情景5有升高的趨勢。

情景 7：變量的初始值：Z1=（3，0），Z2=（3，0），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作強度 Y1=1，平均領導支持Y2=3，平均就業機會Y3=5。初始條件一般，工作強度低，領導支持一般，就業機會高。從模擬結果可以得出，3—6月份的離職率變化幅度較多，10月份離職率呈現最高狀態，之后有下降趨勢，總體平均離職率為28.26%。三種情景模擬結果如表4所示。

表4 情景5～情景7下員工的離職率總計

從以上三種情景可以看出，當平均工作強度從1變為5時，總體平均離職率從19.87%上升到25.37%，上升了大概6個百分點，當平均就業機會從4變為5時，總體平均離職率從19.87%上升到28.26%，上升了大概9個百分點，因此工作強度和就業機會對員工的離職率都有所影響。

與其他行業類似，一線員工是否離職還受外界環境中就業機會的直接影響。外界就業機會越多，員工自身離職意愿越大，則離職的可能性也越大。當員工在企業的自我發展受限時，會更渴望尋求外部的工作機會來實現自己的職業規劃。外部就業機會的增多會導致員工的不穩定，因此企業要想保持員工的忠誠度，必須從企業內部著手以此來降低員工的離職意愿。

五、應用研究

通過對員工主動離職行為的定性模擬研究，可以得到當員工出現離職行為時通過何種方式可以有效的減少該行為的發生，從而保持一線員工的投入度和活力。本節將以某勞動密集型工廠作為參照對象，以算例的形式解釋該工廠如何通過行為定性模擬來有效的降低員工的離職率。已知該工廠主要生產電子產品，地處經濟技術開發區，生產部門定期實行輪崗制，部門領導偶爾關心員工的工作及生活現狀，車間環境適宜，員工在有限的范圍內可選擇班次的類型，但目前工廠處于生產旺季，員工超負荷工作，員工對工廠整體呈現一般滿意狀態。綜上所述，結合前文變量的取值及含義，將該工廠的初始值設置為：X1=1，X2=1，Z1=（3，0），Z2=（3，0），Z3=（3，0），Z4=（3，0），Z5=（3，0），平均工作強度Y1=5，平均領導支持Y2=3，平均就業機會Y3=4。其模擬結果實例1如表5所示。

表5 初始條件下員工的離職率總計

當崗位單調性和班次自主性都比較適宜的情況下，員工的離職率為24.84%，員工內部存在一定程度的不穩定性。此時，管理人員需要采取相應的措施，例如通過減少員工的工時，提高他們的工作效率。當平均工作強度由5變為3時，員工工作滿意度也會相應的增加，即Z2=（3，0）變為Z2=（4，2），此時模擬結果實例2如表6所示，總體離職率呈下降趨勢，從而能夠減少企業的人力成本。

由于該勞動密集型工廠的柔性管理處于一般狀態，要想進一步的降低離職率，可以針對柔性管理采取相應的措施，給予員工自主選擇和安排工作的權力。采取這樣的措施之后，員工自主性Z1=（3，0）變為 Z1=（4，2），從表 7 模擬結果實例 3 可看出，員工的總體離職率再一次降低，企業的運營成本也隨之降低。

表6 工作強度變化后員工的離職率總計

表7 柔性管理變化后員工的離職率總計

六、結論與展望

基于QSIM算法，建立了勞動密集型工廠一線員工主動離職行為模型，分析了相關因素是如何影響員工離職。在模擬的過程中，采用了QSIM算法的思想，以多次模擬克服了一次模擬的局限，使模擬結果更符合實際情況。理論上可以觀察企業一年內員工離職行為的整體動態，能夠為勞動密集型工廠提供一定的參考價值，從而及時的降低人力成本的損失，為企業創造更大的效益。

從模擬中可以得出勞動密集型企業影響員工離職行為較大的因素是企業的內部因素，即崗位單調性、班次自主性、工作強度等因素，而就業機會等外部環境對員工影響程度也與企業內部因素有關，這也是比較符合實際情況的。作為企業的管理者，應該從企業內部做起，實時觀察內部動態，針對相應的因素采取合適的措施，降低員工的整體離職率。

不足之處在于，由于不同的員工選擇離職的因素是不同的，所以影響員工離職是由很多因素造成的，本文只考慮了勞動密集型工廠的主要因素對員工的影響，并且在模擬過程中只考慮了一個或兩個因素對某一變量的影響，如果能找出3個及以上的變量對某個變量作用規則的情況下，則會更符合實際情況。