基于RNN 神經網絡的人力資源管理風險預警模型?

徐 靜 王 勃 孫雪瑩

（1.陜西國防工業職業技術學院經濟管理學院 西安 710300）（2.陜西國防工業職業技術學計算機與軟件學院 西安710300）（3.西安電子科技大學物理與光電工程學院 西安 710071）

1 引言

隨著經濟高速發展，現代企業的人力資源成為市場競爭的核心資源，成為企業發展的動力支持。但是，與企業其他資源不同的是，人力資源在管理過程中將會面臨多重風險，如招聘管理、考核管理等過程中存在的風險，企業如果忽視人力資源管理中的風險，將會給企業在運行過程中帶來諸多的問題，最終造成不必要的損失。科學管理預警人力資源管理中的風險，對企業管理運行有重要的意義。建立基于GRU 神經網絡的人力資源管理風險預警模型，該模型能夠發揮它的容錯、學習、自適應等優勢，較為準確、完善、及時預警人力資源管理中的風險，提供給企業所需的人力資源整體需求框架，該模型具有較強的可行性。

2 基于GRU 神經網絡的人力資源管理風險預警模型的理論基礎

2.1 人力資源管理風險預警的內涵

人力資源管理風險是企業發展過程中不可避免的，越來越多的企業已經認識到人力資源管理在企業發展中的重要作用，其主要面臨的風險表現在人力資源流失風險，薪酬管理風險，績效考核管理等風險。企業應當在運行過程中，建立預警機制模型，精細化相關風險指標，及時確定人力資源管理中不利因素，快速預警其風險，獲取系統、全面的有效數據，及時使用有效改進、調整措施，提升員工的工作積極性，進而有效保障企業快速發展。

2.2 RNN神經網絡的基本原理

RNN（Recurrent Neural Network）神經網絡，它是一種循環神經網絡，除具有普通神經網絡的優勢，該網絡還具有能夠將前后有效信息單元進行記憶，有機連接成環狀的特點，具有較強的動態性、時序性、計算性等特有優勢。同時，該神經網絡利用輸入輸出相關信息數據進行訓練，及時、準確分析數據規則，對分析后的數據進行自主學習，形成較為平穩的環狀結構。

RNN 神經網絡是由輸入層、隱藏層和輸出層共三層組成，其結構如圖1所示。

圖1 RNN結構圖

該結構圖中M 表示輸入層獲取的原始輸入信息數據點，P 表示隱藏層處理輸入層傳輸過來的M，N 表示輸出層輸出處理后的信息數據點。其使用式（1）和（2）表示如下。

在式（1）和（2）中，i 是當前使用的時間。 Ni表示在時間i 輸出的信息數據點值，Pi表示在時間i處信息數據點的學習記憶。K，l 分別表示激活函數，k與TANH函數相對應，l與SOFAMAX函數相對應。X 是輸入層信息數據點傳遞到隱藏層的權重值，Y 是隱藏層信息數據點傳遞到輸出層的權重值，Q 是隱藏層在上一次數據信息點值作為本次輸入的權重。

RNN 神經網絡簡潔、高效，在訓練的過程中，使用時間i 接收到原始數據信息點傳輸到輸入層，將輸入層數據信息點Mi傳遞給隱藏層得到處理數據點Pi，最后通過輸出層輸出完整數據信息點Ni。

3 基于RNN 神經網絡的人力資源管理風險預警模型的構建

3.1 建立人力資源管理風險預警體系

人力資源管理風險預警是由多個較為廣泛、科學、敏感的風險指標環節構成。這些指標環節既具有獨立性，又相互關聯影響。

3.1.1 人力資源流失風險

人力資源流失風險是指人員在企業中由于多種不確定的因素，造成的流失風險。人力資源流失會給企業帶來許多不必要的損失，這種損失直接的影響就是由于人員流失，會造成已流失人員崗位的成本增加，帶來薪酬上升的風險。甚至由于崗位人員長時間缺失，造成工作生產效率低下，直接會影響企業的生產進度等。

3.1.2 薪酬管理風險

企業根據員工不同的價值及工作情況，結合企業自身發展實際，制定出科學、合理符合企業及員工之間勞動關系的薪酬制度，這是激勵員工工作熱情最有效，也是最為敏感的方式之一。由于受經濟發展等多方面的因素影響，企業面臨著內部不同崗位間薪酬公平一致性等，或者外部同類企業等多方面的競爭，使自身的薪酬管理制度面臨著諸多的挑戰。因此，企業薪酬管理制度是否具有競爭力、公平力也是企業能否獲得企業員工認可，吸引員工，有效提高員工工作積極性的有效方法之一。

3.1.3 績效考核管理風險

績效考核管理是人力資源管理中的核心，企業績效考核中可量化的指標應當具有客觀性、公平性、公正性等。使指標在設定時符合企業不同崗位的實際工作需求，同時明確了企業員工崗位的具體要求。由于受量化指標中標準過高的風險或者公平性的影響，會使企業員工缺乏工作目標性，影響員工的工作積極性。

3.2 基于RNN 神經網絡的人力資源管理風險預警模型的構建

該模型的構架使用以下步驟完成。

第一步：建立輸入層風險指標體系

根據RNN 神經網絡三層組成，建立模型的輸入層應當為人力資源風險指標信息數據，在建立模型使用最主要的三重風險指標數據，其中各指標數據的值域取值范圍結合實際進行設置，其中恒定指標取值范圍［1，5］，對于彼岸花指標數據其值域取值范圍設置在［0，100%］之間。具體風險指標體系如表1所示。

表1 人力資源風險指標體系

使用表1 中的相關風險指標數據作為輸入層的輸入信息數據點，使用函數TANH 進行激活，有效增加其訓練效率，為使數據保持在有效取值范圍［0，1］之間，使用式（3）所示的歸化算法統一處理。

其中，Gab為輸入層風險指標信息數據，Gb=MAX(Gab)，Ga=MIN(Gab)，Gab∈(0,1)為歸化后的量化指標顯信息數據。

第二步：建立隱藏層的風險指標信息數據

風險指標信息數據經過輸入層的歸化處理，并經過TANH 函數激活后，需要在隱藏層建立相關映射聯系，數據經過充分訓練和學習工作后，可以不斷提高學習的精度和效率。其隱藏層的風險指標信息數據精度可用式（4）表示。

其中，Pi是單位時間i為隱藏層輸出的風險指標信息數據，K 表示激活函數TANH，d 為單位時間i 輸入的風險指標信息量的最大值。 Hid為隱藏層到輸出層的最大輸出信息的通訊權重值。Gi為歸化后的量化指標信息數據，Ri為單位時間i輸出的信息量的臨界值。

第三步：建立輸出層的風險指標信息數據

風險指標信息數據經過前兩層的有效處理之后，需要通過輸出層輸出最終結果，作為預警參考數據，輸出結果可用式（5）表示。

其中，Si為單位時間i 在輸出層輸出的風險指標信息數據，L 為激活函數SOFAMAX，Fie為輸出通訊權重值，e 為最大輸出值，Ei為輸出臨界值。其最終輸出結果可以界定為A（安全）、B（基本安全）、C（危險警告）、D（最危險）。

4 風險預警模型的訓練及結果

模型建立后，實用比較穩定的Matlab工具對風險指標信息數據進行訓練。訓練選取20 組樣本，使用TRAINGDA 函數進行訓練，其訓練誤差如圖2所示。

圖2 訓練誤差圖

由圖2可知，RNN 神經網絡下該模型對于訓練樣本具有收斂速度最快，減少計算量等特點。通過臨界值的調節，有效縮短訓練時間，提高了訓練的效率。通過對20 組樣本測試，得出的測試結果誤差小于3%，符合建立模型的要求。該模型克服了傳統方式下人為干擾因素，節約了大量人力物力成本，并能夠對人力資源風險進行科學、有效的評估。

5 結語

企業在高速發展過程中，人力資源管理風險已經成為企業管理中關鍵環節，也是急需解決重要的問題之一。企業在傳統人力資源管理中受人為等很多外界因素的影響，結果誤差較大，企業難以拿出較為理想的應對方案。針對企業管理中的實際問題，采用RNN 神經網絡，結合人力資源管理三大風險建立預警模型，及時為企業提供高質量的人力資源風險數據，使企業能夠及時制定出合理的應對預案，將風險降到初始化狀態，最終為企業可持續發展提供動力。