移动互联网下的一种胜任力模型构建方法研究

李澎林，方莉倩，李 伟

(浙江工业大学 计算机科学与技术学院， 浙江 杭州 310023)



移动互联网下的一种胜任力模型构建方法研究

李澎林，方莉倩，李 伟

(浙江工业大学 计算机科学与技术学院， 浙江 杭州 310023)

现有胜任力模型构建方法大多具有较强主观性，以及缺乏工作过程数据分析，导致构建模型缺乏定量化的结果，对此结合当下移动互联网的发展背景，在对传统胜任力模型的研究基础上，提出并设计了一种新的胜任力模型构建方法，重点讨论了胜任力模型隐式特征的挖掘过程，给出了过程数据归一化、权重量化以及差异性检验等相关数据处理方法，从而实现了胜任力特征的提炼以及各指标结果的量化，使之可进行实际的运用，最终结合实例对研究方法进行了验证，实现对传统胜任力模型的有益补充.

移动互联网；胜任力模型；隐式特征；数据归一化

胜任力模型(Competence model)是为了完成某项具体工作或达到某一业绩目标所需要具备的一系列不同胜任力特征的组合.自1973年McClelland提出胜任力(Competence)概念以来[1]，人力资源管理过程中对员工知识、技能、动机和特质等要素与工作绩效之间联系的研究日益深入[2-3]，并被广泛应用于招聘、培训和考核等人事管理环节中.随着移动互联网技术[4-5]的迅速发展，移动办公系统应运而生，被应用于企事业单位的考勤、审批和任务等各个工作环节中，系统记录了大量的个人日常工作行为数据，这些数据也应参与到胜任力模型的构建过程中.目前，国内外学术界对胜任力模型构建方法的研究主要集中在管理领域.McClelland等采用开放式的行为回顾式调查技术提出行为事件访谈法[6]；Mansfield & Mathew利用职能分析法[7]开发了包括技术期望、管理权变、管理不同的工作活动以及管理工作环境的接口等方面的工作能力模型；王重鸣、陈民科基于胜任力特征的分析，设计了管理综合素质评价量表[8]；Patricia Mclagan公司通过分析绩效的方式确定胜任力.虽然研究成果已经在实践中得以应用，但仍然存在一些不足，主要体现在以下两个方面：1) 胜任力模型构建方法主要依赖于研究人员的外部观察或者经验判断，缺乏定量化指标，主观性较强，这也导致了构建的胜任力模型结果缺乏可靠性；2) 胜任力模型构建过程注重“结果导向”，忽略过程考核数据的参与，其分析结果必然存在偏差.移动办公APP发展迅速，如钉钉、有道云协作等APP都已较广泛应用于企业日常办公，一些企业也开始研发符合自身需求的移动办公系统.随着移动办公APP应用的日趋广泛，如何将移动办公APP采集的工作过程数据参与到胜任力模型构建过程，也成为一个新的研究课题.从而能有效弥补现有胜任力模型存在的缺点与不足，在大数据时代通过移动互联网技术将移动办公APP中的海量行为数据转化为支持企业决策的胜任力模型，实现“企业大数据”的价值化，使企业的决策从“业务驱动”转化为“数据驱动”.

基于上述分析，笔者在现有胜任力模型研究基础上，结合移动办公APP的功能与特点，重新设计了胜任力模型构建流程，提出了胜任力特征量化的计算方法，并重点对采集数据的归一化、权重量化以及差异性检验等计算处理方法进行了讨论，最终结合实例对方法进行验证，使之可进行实际的运用.

1 传统胜任力模型

胜任力模型是指担任某一特定职位或任务角色所需要具备的胜任力特征的总和，可表示为

CM={CIi，i=1,2，…，n}

(1)

式中：CM为胜任力模型；CI为胜任力特征；CIi为第i个胜任特征；n为胜任力特征的数目[9].胜任力模型主要以冰山模型(Iceberg competency model)为理论基础.图1即为冰山模型.

图1 冰山模型Fig.1 Iceberg competency model

根据上述模型，各种胜任力特征CI可被描述为两部分：

1) 显式特征，即冰山以上部分特征，如行为、知识和技能等，属于容易培养发展的部分，识别起来也比较容易见成效.此部分特征较容易通过考察资质证书、考试和简历等客观数据来测量.

2) 隐式特征，即冰山水下部分特征，如价值观、态度、社会角色和自我形象等，是比较难于评价和改进的，却是决定人们行为及表现的关键性因素，是值得深入研究和挖掘的部分.此部分特征往往难以用客观数据直接度量，但可以通过分析过程数据间接获取.

目前，胜任力模型构建的主要方法有行为事件访谈法、问卷调查法、职能分析法和情景法等，但这些构建方法主要依赖于研究人员或被测人员的主观意识，是对胜任力特征定性化识别和确认的过程.因此，构建的胜任力模型往往用定性的方式进行表达，而缺乏量化的指标，一定程度上不能满足企业日益变化的人事管理需求，需要引入移动互联网相关技术以弥补不足.

2 改进的胜任力模型构建流程

如前所述，隐式特征蕴藏于过程数据中，需要通过分析挖掘过程才能获取，为此，在现有胜任力模型构建方法研究基础上，提出了基于工作过程数据分析计算的胜任力模型构建流程，具体描述如图2所示.

图2 改进的胜任力模型构建流程图Fig.2 Improved competency model construction flow chart

2.1 样本准备

样本准备包括确定绩效标准和选取校标样本.确定绩效标准指采用专家小组讨论法或工作分析法确定能够评估工作绩效优秀人员的指标或者标准.选取校标样本指按照确定的绩效标准，分别从绩效优秀组和绩效普通组的员工中分层、分类抽取一定数量的员工作为胜任力提炼的样本数据.

2.2 数据准备

数据准备包括确定能力特征集和数据采集：

1) 能力特征集(Ability feature set)指进行胜任力特征提炼需要采集的数据类型集合，包括人员信息、时间信息、地点信息、类型信息和评分信息等等可用移动办公APP采集且与工作绩效相关的工作数据类型集合，即

AFs={AFi，i=1,2，…，n}

(2)

式中：AFs为能力特征集；AFi为第i个能力特征项(Ability feature).

2) 数据采集指根据确定的能力特征集，利用移动办公APP数据录入、编辑和传输等功能对AFi进行采集的过程.

2.3 数据归一化

由于不同评价指标往往具有不同的量纲和量纲单位，为消除指标之间的量纲影响，必须对采集的数据集AFs的原始数据进行数据归一化处理[10](Normalization)，得到每个原始数据项的评估值.归一化处理后数据项值Naf(AFi)为

(3)

归一化处理后的数据项值Naf(AFi)的取值为原始值通过Min-Max标准化映射在区间[0,1]中的值.

2.4 数据权重量化

2.5 数据差异性对比

为了实现胜任力特征的最终提炼，需要利用普遍应用于差异性检验的两独立样本t检验方法[12]识别绩效优秀组与绩效一般组各数据项值Naf(AFi)是否存在差异，并用差异系数(Coefficient of variation)CV(Naf(AFi))表示.差异系数取值范围为0或1，其中0表示不存在差异，1表示存在差异.

假设从绩效优秀组和绩效一般组分别抽取样本Sex和Sno，样本容量分别为N和M，数据项值Naf(AFi)的样本均值分别为AVexi和AVnoi，样本总体方差分别为PVexi和PVnoi，假设H0为两数据项均值之间不存在显著差异，利用f检验判断两总体的方差是否相同，如相等则采用t统计量计算式为

(4)

(5)

如果不同情况，则采用t统计量计算为

(6)

其中自由度采用修正的自由度，即

(7)

通过对各数据项值Naf(AFi)进行差异性检验，可得到各数据项对应的差异系数sw(AFi,CI).

2.6 构建模型

利用各数据项AFi对于胜任力特征CI的支持权重sw(AFi,CI)和差异系数CV(Naf(AFi))，可确定每个胜任力特征的量化指标T(CIt)为

(8)

指标值T(CIt)越大表示该公司或职务对胜任力特征CIt的需求程度越高.最终得到量化胜任力特征的胜任力模型为

CM={(CIi,T(CIi)),T(CIi)>0且i=1,2，…，n}

(9)

3 模型设计与应用

基于前述，能力特征集(AFs)是模型计算的数据基础，其中能力特征项(AFi)分布于个体日常工作行为数据中，由于日常工作行为类型多样，无法一一表述，所以将自觉性、主动性、合作精神、责任感及执行力作为胜任力特征提炼目标，考勤早到时间、考勤晚退时间、任务早执行时间、任务早完成时间和任务评分等几项作为能力特征项，结合移动办公系统中的考勤模块和任务模块来讨论胜任力模型的设计过程.

3.1 存储模型设计

能力特征集AFs={考勤早到时间，考勤晚退时间，任务早执行时间，任务早完成时间，任务评分}，相关数据通过考勤模块和任务模块间接获取.

1) 考勤模块主要获取考勤早到时间(early_in_time)，考勤晚退时间(late_out_time)数据.涉及表为人员表(t_staff)、考勤排班表(t_workshift)和考勤记录表(t_attendance)等实体表组成.人员表存储人员基本信息；考勤排班表存储组织各类人员考勤应到时间(should_in_time)和应退时间(should_out_time)信息；考勤记录表记录人员考勤实到时间(real_in_time)和实退时间(real_out_time)信息.

2) 任务模块主要获取任务早执行时间(early_start_time)，任务早完成时间(early_end_time)，任务评分(scores)数据.涉及表为人员表(t_staff)、任务分配表(t_schedule)和任务进度表(t_task)等实体表组成.其中任务分配表存储组织各类人员各项任务内容和任务应开始时间(should_start_time)、应完成时间(should_end_time)信息；任务进度表记录人员任务评分(scores)和任务实际开始时间(real_start_time)、实际完成时间(real_end_time)信息.

根据模块中实体关系以及各数据库表构建出存储模型，具体设计如图3所示.

图3 存储模型设计图Fig.3 Storage model design

其中，人员排班表(t_staff_workshift)、人员记录表(t_staff_attend)、人员分配表(t_staff_task)和人员进度表(t_staff_schedule)为实体关系表，通过表间关系计算将采集的能力特征集AFs={early_in_time,late_out_time,early_start_time,early_end_time,scores}分别储存于t_result_attend和t_result_task中.

3.2 模型应用

将采集的能力特征项(AFi)数据进行归一化处理，使值映射于区间[0,1]，并根据岗位的实际需求确定各能力特征项对各胜任力特征的支持权重.以自觉性、主动性两项胜任力特征的数据处理过程为例，通过专家讨论法确定各能力特征项对自觉性、主动性的支持权重如表1所示.

表1 数据项权重量化描述列表

Table 1 Description list of weight of data items

数据名称对应胜任力特征支持权重考勤早到时间(early＿in＿time)自觉性0．3主动性0．1考勤晚退时间(late＿out＿time)自觉性0．3主动性0．2任务早执行时间(early＿start＿time)自觉性0．2主动性0．3任务早完成时间(early＿end＿time)自觉性0．1主动性0．3任务评分(scores)自觉性0．1主动性0．1

将校标样本归一化处理后的能力特征项(AFi)数据进行差异性对比，确定各数据项的差异系数，结合各数据项对各胜任力特征的支持权重，计算确定各胜任力特征以及量化指标，如表2所示.

表2 胜任力特征量化描述列表

Table 2 A list of quantitative description of competency

数据类型自觉性主动性差异系数考勤早到时间0．30．11考勤晚退时间0．30．21任务早执行时间0．20．30任务早完成时间0．10．31任务评分0．10．11指标值0．80．7

以此类推，可计算合作精神、责任感和执行力等胜任力特征的指标值，最终得到的胜任力模型将是由各胜任力特征以及其量化指标共同构成的模型，即CM={(自觉性，0.8)，(主动性，0.7)，(合作精神，0.6)，(责任感，0.6)，(执行力，0.7)}，如图4所示.

图4 胜任力特征及其定量指标量化图Fig.4 Competency characteristics and quantitative index description

同时，采用最为快捷、便利的数据收集方法即问卷调查法对上述结果进行验证，通过调查统计上述胜任力特征重要程度的结果，笔者认为上述方法具有一定的科学合理性.由于笔者提出的胜任力模型构建依赖于移动办公APP中的工作过程数据，因此其将更适用于内部竞聘过程中.胜任力模型在内部竞聘中的应用是指基于笔者提出的方法对绩效优秀组和目标人员的工作过程数据进行分析，得到目标人员的各胜任力特征指标，从而识别目标人员的个体特征.并由图4可知：若人员各胜任力特征值在胜任力模型基准线的外围，则该人员可被视为具有胜任力，且离基准线越远，胜任力特征越明显.由此，企业依据移动办公系统采集的数据，基于笔者提出的

方法，对每个内部应聘者或绩效考核者等进行胜任力量化计算，最后通过形成胜任力量化图，客观地表现对人员能力的评价.

4 结 论

就如何构建基于移动互联网背景下的胜任力模型的相关问题进行了研究，提出了一种移动互联网环境下的胜任力模型构建方法，并对数据采集、归一化处理及权重量化等数据处理方法进行了说明，通过数据差异性比较，最终提炼出胜任力特征以及其量化的指标，从而构建出定量化的胜任力模型.需要指出的是，由于日常工作行为数据类型多样，考虑到篇幅限制，只对考勤、任务等直接工作数据进行了处理说明，而并未对其他潜在的工作数据进行分析处理，后续工作可基于本论文所提方法，对其他类型工作数据进行讨论、分析及完善，使得胜任力模型构建流程更具适用性.

[1]MCCLELLANDDC.Testingforcompetenceratherthanforintelligence[J].Americanpsychologist，1973，28(1)：1-14.

[2] 江卫东.基于AHP和BP神经网络的企业R&D人员胜任力评价[J].系统工程理论与实践，2007，27(6)：56-63.

[3] 陈波，唐相艳，于泠，等.基于胜任力模型的社交网络意见领袖识别方法[J].通信学报，2014，35(11)：102-108.

[4] 张平，崔琪楣，侯延昭，等.移动大数据时代：无线网络的挑战与机遇[J].科学通报，2015，60(5)：433-438.

[5] 周晓，边裕挺，李杰.基于Android智能终端的WSN监控系统[J].浙江工业大学学报，2013，41(5)：558-561.

[6]MCCLELLANDDC，BOYATZISRE.Leadershipmotivepatternandlong-termsuccessinmanagement[J].Humanresourcemanagement，1982，67(6)：737-743.

[7]MANSFIELDRS.Buildingcompetencymodels：approachesforHRprofessionals[J].Humanresourcemanagement，1996，35(1)：7-18.

[8] 王重鸣，陈民科.管理胜任力特征分析：结构方程模型检验[J].心理科学,2002，25(5)：513-516.

[9] 张庆.基于胜任力的人力资源招聘选拔[J].工业技术经济，2009，28(9)：107-112.

[10] 陈鲤江，景程，吴姚鑫，等.数学表达式的归一化方法研究[J].浙江工业大学学报，2012，40(2)：229-232.

[11] 洪飞，吴剑国.可靠性分析的改进加权响应面法[J].浙江工业大学学报，2012，40(1)：106-110.

[12] 袁鹏程，隽志才.区域交通网络行程时间估计的半Markov链模型[J].系统管理学报，2014，23(5)：690-697.

(责任编辑：陈石平)

Research on the construction method of competency model in mobile Internet

LI Penglin, FANG Liqian, LI Wei

(College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, China)

Most existing building methods of competency model are of strong subjectivity, and lack of data analysis in the working process. It leads to the model with lack of quantitative results. Based on the research of traditional competency model and the development of the current mobile Internet, a new model construction process is designed in this paper and the mining process of implicit feature of competency model is discussed. The related data process methods, such as process data normalization, weight quantification and difference test, are discussed. Then the competency features are extracted and the indicator results are quantified. Finally, the research method is verified by an example, and the traditional competency model can be complemented usefully.

mobile internet; competency model; implicit feature; data normalization

2016-02-25

李澎林(1968—)，男，浙江上虞人，教授，硕士，研究方向为管理信息系统、移动互联网技术，E-mail：lpl@zjut.edu.cn.

TP311

A

1006-4303(2016)06-0614-05