企业人才竞争力的BP神经网络分析

[摘要] 本文从企业HR竞争力指标中用主成分分析析取出4个因子，构成企业HR的竞争力模型，通过BP神经网络对30家企业的HR竞争力进行了仿真预测，便于HR管理者即时对企业人才竞争力定位，有利于管理者对企业HR的战略部署。

[关键词] HR竞争力 主成分分析 bp神经网络 马克威分析系统

一、引言

随着信息技术在企业的人力资源部门的广泛推广应用，组织中有大量可用数据，数据中有大量的宝藏等待被发掘，可以撬动潜在竞争优势的领域。人力资源部门如果可以利用现有的数据积累进行挖掘，得到对企业战略实现至关重要的结论，将可以帮助组织建立竞争优势，取得竞争优势。

人工神经网络(Artificial Neural Network，简称ANN)是由大量的、简单的处理单元(称为神经元)广泛的互相连接而形成的复杂网络系统，模拟了人脑神经元基本功能和网络的基本特性，它可以避开复杂的参数估计过程，同时又可以灵活地对多成因的复杂未知系统进行高精度建模。

BP网络模型包含了神经网络理论中最为精华的部分，其结构简单、可塑性强，应用领域广泛。

二、实证分析

数据来源：A－T5(见表1)等30家企业人力资源部门的公司总流动率、职位流动率等30个指标。

1.用主成分分析法提取30家企业的人才竞争的特征值

企业人力资源部门的指标数据较多，信息重叠多，不易于直接用BP网络进行预测。本文通过对A企业建立人才竞争力形成的指标体系，采用主成分分析法对指标数据进行特征提取，获得4个主要综合指标。

运用SPSS13软件，对影响企业人才竞争力的数据提取主成分。

第1主成分的特征值为7.229，方差在总方差中的比重为54.635%,它是人力资本形成的主要方面。前4项主成分的方差在总方差中的比重达到94.828%,按照主成分的选取标准,说明这4项主成分可以代替原来的30项指标,从而可以更简单地利用它作用网络的输入节点数。由旋转过后的分载荷矩阵可对4个因子命名为“成本因素、流动率因素、劳动力规划、雇员开发”,根据各指标值在0.5以上的因素列出组成内容分别为:

指标1（成本因素）：

工资、津贴、激励、职位升迁机会、新雇员的培训费用、每个业务单元的事件/事故损失、激励分布于业务单元绩效匹配率。

指标2（流动率因素）：

企业内的流动率是否与劳动力市场现有水平有可比性。关键流动率统计量包括公司总流动率、职位流动率、特定职能单位的流动率、地理位置的流动率、年龄段的流动率、种族流动率、性别流动率、平均服务时间流动率、特定物理区域人员流动率、季节更动流动率。外在因素有国际流动率和其它企业的职工流动率。

指标3（劳动力规划）：

员工流利掌握某特定语言能力人数比率、属于特定的工作分类内员工比率、特定的技能集合员工人数比率、最高的业绩表现员工比率、征募来源的成功率、特定的开发活动完成率。

指标4（雇员开发）：

参加需要的培训事件人数比率、参加了特定的培训班级人数比率、完成了特定开发行动的员工保持时间、业绩指标和特定开发行动参与的相关比率、业务单元绩效和开发项目实现的相关比率。

2.A～T5企业的BP神经网络的输入变量值

用这4个因子的特征值对应的特征向量，即经过变换后的综合指标，标准化后得分作为BP人力资本竞争力的输入样本间。见表1的前4列指标。

3.人才竞争力指标计量

人才竞争力指标是根据专家打分，采用灰色系统评价得出的结果。人才竞争力指标可分为5档，具体标准如下：

4分－5分：强大，企业人才竞争力十分强大，处于吸引人才的优势阶段；

3分～4分：较强，企业人才竞争力经常超出劳动力市场平均水平；

2分～3分：一般，企业人才竞争力能和劳动力市场平均水平持衡；

1分～2分：偏弱，企业人才竞争力落后于劳动力市场平均水平，将出现人才危机；

0分～1分：差，企业人才竞争力不能同任何企业相比，人员流失出于危急关头。

4.BP网络的结构及学习算法基本数学公式

BP网络是采用Widrow2Hoff学习算法和非线性可微转移函数的多层网络(图1)神经网络模型通常由输入层、输出层和若干隐含层组成,每层包含有多个神经元,各层之间以权值相连,每个神经元的初值定义为阈值。

在图1中,假定输入层、隐含层和输出层的神经元分别是I层，H层，O层。X1,X2,…,Xm是网络的输入层；H1,H2,…,Hn是网络的隐层,Y1,Y2,…,Yp是神经网络输出层的实际输出值。

5.30个企业HR竞争力的神经网络训练与预测实验设计

BP神经网络结构的设计包括确定网络的输入层节点数、隐含层节点数及输出层节点数。网络输入层的节点数为输入样本的指标个数,输出层的节点数为目标向量的个数,因此,根据本文原始数据资料可知,BP网络输入层和输出层的节点数分别为30个和30个。隐含层节点数的选择是一个十分复杂的问题,往往根据设计者的经验和多次试验来确定,没有一个固定的标准,根据本文的输入层输出层节点数,用马克威分析系统(MarkWay)经过多次试验结果显示,实验方法为训练和预测，前25个企业为训练集，后面5个企业为预测集，学习精度为0.001,最大训练次数为3000，学习率为0.6，隐含层的节点数选用8个,网络的性能比较好，实际系统精度为0.0018。训练结果见表2：

训练测试样本的拟合图见图2：

25家企业作为样本集，经过训练和结果比较，BP神经网络的预测准确度达到了95%以上，可以认定训练结果准确率是可接受的，那么就可以保存已经训练好的网络结构，以供预测真实的未知数据使用，来评定企业的HR竞争力。

三、结束语

企业HR管理者的职责已逐渐从作业性、行政性事务中解放出来，更多地从事战略性人力资源管理工作，想要让企业获得持久的竞争优势，必须要依靠构筑人力资源竞争力。

BP神经网络对HR竞争力可以对一个企业在市场竞争中所处的地位，与其他企业竞争力量的强弱作出准确的预测，为HR管理者提供了科学的判断工具，让HR管理者在整个动态人事管理体系之中，择机采用不同的操作策略，不断地激活人力资源，从而提升了企业的人才竞争力，快速构筑人才竞争力，方可提高和持续保持企业竞争力。

参考文献:

[1]文魁吴冬梅:科技创新人才环境研究报告[J]．北京:经济与管理研究,2006.1

[2]董长虹:神经网络与应用[M]．北京:国防工业出版社,2005:239～254

[3]雷蒙德(Ray Mond,A.N.):人力资源管理(获取竞争优势第3版影印版)[M].清华大学出版社，2005

[4]李中斌:企业人力资源竞争研究[M]．中国言实出版社, 2007

[5]黄晖:马克威软件与当代数据分析[M]．北京:中国统计出版社,2006.319～358