基于组合赋权和改进TOPSIS法的新生代知识型员工离职预警模型研究*

熊正德，李 婷

（湖南大学 工商管理学院，湖南 长沙 410082）

基于组合赋权和改进TOPSIS法的新生代知识型员工离职预警模型研究*

熊正德，李 婷

（湖南大学 工商管理学院，湖南 长沙 410082）

基于新生代知识型员工离职率居高不下的现状，从个体因素、组织因素、工作因素、宏观环境因素四个方面选取了新生代知识型员工离职预警指标，采用FAHP与信息熵相结合的方式确定了各预警指标的权重，并将改进的TOPSIS法与3σ理论相结合，构建了新生代知识型员工离职预警模型，最后结合223份调查问卷对模型进行了验证，准确率达到82.5%，表明该模型具有较好的预警效果。

新生代知识型员工；离职预警；TOPSIS法；组合赋权

一 引 言

新生代知识型员工是指出生于20世纪80年代或90年代，具有较高知识技术水平和专业素养，能运用自身专业知识从事相关脑力劳动，为社会创造价值的员工[1]。他们大都接受过良好的教育，具有一定的创造力，在各个领域都起着不可忽视的作用。但由于成长环境的特殊性，新生代知识型员工在思维方式、价值观念等方面与传统员工存在着很大的差异，他们的频繁跳槽、不安于现状、高离职率给企业的人才管理工作带来了很大的挑战。为此，本文试图构建一套新生代知识型员工离职预警模型，根据员工所处的就业环境，分析员工近期的行为和心理，判断员工的离职倾向，进而对其进行有效地预防及控制，以改善新生代知识型员工离职率居高不下的现状。

员工离职一直是学者们研究的热点。Roderick就发现亲属责任、工作自主性、工作满意度以及组织承诺对员工离职有重要的影响[2]；Sun等研究了人口社会学因素以及工作相关因素对社区服务人员离职倾向的影响，研究结果表明他们对薪资水平、晋升机会以及工作条件的不满意是造成其离职的主要原因[3]。Chen；Zheng；Mahrane等人对知识型员工的离职也做了研究，他们发现相对于普通员工，知识型员工更加看重工资的平等性、职业发展空间、工作认同感以及薪资结构[4-6]。

近年来，80后、90后员工逐渐成为职场的主力军，虽然为企业的发展做出了重大的贡献，但其强调自我、崇尚自由、不安于现状、跳槽频繁的独特个性给企业的管理者带来了新的难题。王晓莉对80后员工进行研究，发现80后的离职间隔为1.94年，远低于70后的5.02年和60后的10.82年，并指出物质待遇、工作环境、工作与个性匹配、职业发展空间是影响80后离职的主要因素[7]；Robert对新生代知识型员工与老一代知识型员工的激励问题进行了比较研究，他认为新生代知识型员工更加注重自身的发展、工作的稳定性以及与上司的关系，而老一代知识型员工则更加看重工作的独立性[8]。Xia等从中国社会等级结构出发，基于认知失调理论研究了新生代员工的激励问题，认为企业的管理者在面对新生代员工时首先要让其有归属感，并让他们相信自己是企业的核心员工，充分尊重他们，在面对复杂情境时，企业的管理者还要有权变的管理思想[9]；Jaroslava等研究了文化差异对新生代知识型员工工作积极性的影响，并通过对4个国家的200位员工进行实证研究，证明了新生代知识型员工的工作积极性不仅仅与新生代所具有的特点有关，文化背景差异在中间也发挥着不可忽视的作用[10]。Abdelbaset等研究发现薪资水平和额外福利是决定新生代员工是否离职的重要原因，并且员工感知到的有用性对离职的作用也十分显著[11]。

纵观众多学者对员工离职的研究，发现大多停留在员工离职的影响因素及原因探讨层面，关于新生代知识型员工的研究，也多是对其个性特点及其激励问题的研究，虽然对企业管理有一定的指导作用，但毕竟是一种事后分析模式，无法挽回离职造成的已有损失。而离职预警，即通过分析员工近期行为表现，推测员工心理动态变化，来判断员工的离职可能性，并对其进行有效地预防及控制，这种事前分析模式在一定程度上则更有价值。近年来，一些学者在这方面也展开了一些有益的探索。夏功成等采用定性模拟技术模拟员工的离职行为，进而预测员工离职的可能性[12]。Jiang和Liao基于信息熵构建了一种能够反映系统不确定性以及软件开发者对系统影响均匀性的模型，用定量的方式测量了软件项目开发者的离职风险[13]。曹安照等结合知识员工的特点，将粗糙集和神经网络相结合构建了知识员工离职预警模型[14]。Xin和Li利用调整的质量工程部署方法，结合其他分析工具和相关方法，提出了一种多层次员工离职风险识别模型，并用案例说明该方法能够有效地预防和阻止员工的主动离职[15]。

虽然关于离职风险预警的研究已经逐步兴起，但已有研究关注的对象过泛，针对新生代知识型员工这一特定群体的离职预警研究极少，并且缺乏有效的离职预警模型。鉴于此，本文以新生代知识型员工为研究对象，将体现新生代个性的指标纳入离职预警指标体系，采用FAHP与信息熵主客观相结合的方式计算预警指标的权重，并将改进的TOPSIS法与3σ理论相结合，构建新生代知识型员工离职预警模型。最后，本文结合问卷调查数据对223位新生代知识型员工进行了离职预警评价，并通过跟踪调查验证了模型的有效性和准确性。

二 新生代知识型员工离职预警模型构建

（一）离职预警指标体系建立

本文基于员工离职影响因素的分析，结合新生代知识型员工的特点，遵循全面性、相对独立性、可测量性、可比较性以及可预见性原则，从个体因素、组织因素、工作因素、宏观环境因素四个方面选取新生代知识型员工离职预警指标，并借鉴相关离职量表，编制“新生代知识型员工职业生活质量调查问卷”，为方便后续的追踪调查，给每份问卷设定编号。在正式调查前，通过对70份预调查问卷进行分析，删除了X2，X5，X6，X9；X13，X24，X27；X36，X45，X49；X59，X60等题项，大幅度提高了问卷的信度，进而形成正式调查问卷并进行正式调查，对正式调查回收的223份有效问卷进行信度分析，Cronbach’s α值为0.932，问卷的信度甚佳。在此基础上进行因子分析，提取出各维度的指标，从而得到了新生代知识型员工离职预警指标体系，具体如图1所示。

图1 新生代知识型员工离职预警指标体系

由图1可知，新生代知识型员工离职预警指标体系主要由个体因素、组织因素、工作因素以及宏观环境因素构成。个体因素，是指与新生代知识型员工自身相关、影响其工作和离职可能性的因素，包括人职匹配、个人专业、知识和技能水平以及性格倾向。组织因素，是指与组织设计、人员配备、组织形式相关的因素，具体包括职业成长机会、组织归属感、薪资福利水平、上司支持度、组织文化以及企业发展前景。工作因素，是指与新生代知识型员工所从事的具体工作有关的因素，是衡量新生代知识型员工离职可能性的重要组成部分。包括工作自主性、工作认同感、工作压力、工作参与度、工作条件以及同事关系。宏观环境因素，是指员工所处的社会环境，所面临的宏观经济形势等，主要包括工作寻找行为、工作转换成本以及外部工作机会。

（二）赋权方式选择

本文采用FAHP模糊层次分析法确定预警指标的主观权重，利用信息熵权法确定预警指标的客观权重，通过主客观权重的有效结合确定最终权重。

1.FAHP确定主观权重

模糊层次分析法（FAHP）将模糊数学和层次分析法结合起来，综合考虑目标对象的各个影响因素，然后根据各指标因素的隶属关系构建递阶层次结构，采用9级比较标准构造模糊判断矩阵，并将此调整为模糊一致矩阵，最终得到各指标的权重[16]。具体算法如下：

（1）

其中a=（n-1）/2，aij为调整的模糊一致矩阵中对应的元素。

2.熵权法确定客观权重

熵权法是根据各评价指标数值变异程度来计算权重的一种方法，指标评价数值变异程度的大小表示指标包含信息量的大小，直接决定了指标在综合评价中所起的作用，即权重的大小[17]。具体步骤如下：

首先，对标准化后的指标进行规范化处理，计算第j项指标下第i个员工对应的指标比重Pij

（2）

其中，yij第i个员工的第j个评估指标值。

然后，计算第j项指标的熵值ej

（3）

最后，定义权重

（4）

3.组合权重的确定

（5）

（三）离职预警评价方法设计

新生代知识型员工离职预警评价是一个涉及多因素、多层次的综合评价问题，评价过程具有模糊性、主观判断等特点。本文运用TOPSIS法对其进行评价。TOPSIS法是多目标系统优选、评价、排序以及决策的有效途径，它假设每个目标决策问题都有“理想解”和“负理想解”，并据此排序，对于评价对象规模的大小和指标的多寡均无严格限制[19]。但传统的TOPSIS法也有其不足，它需要每个评价者对每个属性都赋予一个确定的数值，而由于客观事物的复杂性和主观评价者的随意性，评价者给出的结果往往有失客观性。陈岩等[20]对传统的TOPSIS法进行改进，利用语言信息来获取评价者对各指标的评价意见，并对语言信息进行处理，得到决策矩阵所需的指标属性值，然后按照传统的TOPSIS法来测算相对贴近度，通过此种方式来实现模糊问题的精确化度量。本文亦采用此种方式度量新生代知识型员工的离职倾向，得到新生代知识型员工的离职预警值。因此，改进的TOPSIS法实际上分为两个阶段，即语言信息的有效转换和离职预警值的计算。具体过程如下：

1.将语言决策矩阵转换为导出决策矩阵

基于语言信息转换为导出决策矩阵的相关定义[20]，将各语言评价信息集成语言决策矩阵A=（aij）m×n，其中m代表参与离职预警评价的新生代知识型员工的个数，n代表预警指标的个数。将语言决策矩阵转换成导出决策矩阵B=（bij）m×n，其计算公式如下：

bij=exp（I（aij）-g） ,i=1,2,…,m;j=1,2,…,n

（6）

2.构造标准化的决策矩阵

对bij进行标准化处理，得到标准化决策矩阵C=（cij）m×n

（7）

3.构造标准化的加权决策矩阵

引入各指标的组合权重，将标准化决策矩阵进行加权处理，得到标准化的加权决策矩阵

R=（rij）m×n=（Wjcij）m×n=

（8）

4.确定理想点与负理想点

理想点的计算公式为：

（9）

负理想点的计算公式为：

（10）

5.计算每个员工到理想点与负理想点的距离

员工到理想点的距离计算公式为：

（11）

员工到负理想点的距离计算公式为：

（12）

6.计算每个解对理想点的相对贴近度

（13）

7.排序

（四）离职预警界限划分依据

本文引入3σ方法划分新生代知识型员工离职预警区间。由于新生代知识型员工离职率相对较高，本文选择较为严格的1倍标准差作为异常标准，由此划定预警界限，并给出相应的预警信号：

三 新生代知识型员工离职预警评价

（一）指标权重计算

根据式（1）-（5），计算新生代知识型员工离职预警指标的主观权重、客观权重以及组合权重，结果如表1所示。

（二）离职预警值测算

1.总体离职预警值测算

针对问卷获得的语言信息，利用TOPSIS法算出各调查对象的离职预警值。首先根据式（6）将已有的语言信息转换成导出决策矩阵，整理而成的数据如表2所示。

表1 新生代知识型员工离职预警指标的组合权重

根据式（7）-（13）将表2的数据进行标准化和加权处理，算出各员工到正负理想解的距离，以及相对贴近度，即离职预警值，如表3所示。

利用计算得到的223位新生代知识型员工的离职预警值，得到总体预警中心值为0.3333，标准差为0.0279。根据3σ的基本原理，得到新生代知识型员工总体离职预警界限，如表4所示。

表2 导出决策矩阵数据表*由于数据太多，受篇幅限制，表中导出决策数据只列了5条作为代表，详细数据不一一列示，下同。

表和的计算结果表

基于已确定的预警界限，将各员工的离职预警值与之对照，得到预警状态，并输出与之对应的预警信号。具体结果如表5所示。

表4 新生代知识型员工离职预警界限表* 表中对不在0.2775-0.3890范围内的数据作了适当处理。对大于预警边界上限0.3890的值修正为0.3890，小于预警边界下限0.2775的值修正为0.2775。

表5 新生代知识型员工离职预警状态输出表

由表5可知，员工J8预警级别为一级，预警信号“★”，为良性状态，忠诚度高，稳定性强，对目前的工作很满意，离职可能性小；员工J9预警级别为二级，预警信号“★★”，为准良性状态，其离职的可能性也比较低；而员工C1、S1预警级别为三级，预警信号“★★★”，为准劣性状态，这两位员工对企业、工作等方面的因素处在一般到不满意之间，其去留倾向处于一个不稳定的状态，其离职可能性较大；员工S3预警级别为四级，预警信号“★★★★”，为劣性状态，该员工对目前工作的满意度极低，离职可能性极大。

2.局部离职预警值测算

按上述同样的方法可得到局部指标的预警状态，局部指标的预警状态在一定程度上是该指标对总体离职贡献程度的表征。通过对局部指标预警状态的分析，可甄别出员工产生离职倾向的诱因，从而采取有针对性的改进和挽留措施。此处以S3为例，对该员工局部指标预警状态进行分析。

表6 员工局部指标预警状态表

从表6可以看出，员工S3在个体因素和工作因素两个维度的预警状态为“★★★★”，说明这两个维度对总体离职的贡献极大。并且可以看出，入职不匹配是造成个体因素处于高预警状态的主要原因；工作自主性不高，工作认同感不强，对工作条件的不满意是造成员工S3工作因素维度处于高预警状态的原因；同样，组织因素处于三级预警状态主要是由于该员工对公司提供的职业成长机会不满意，上司对下属工作不够支持等原因造成；值得注意的是宏观环境因素，其预警状态为“★”，对总体离职的贡献最小，说明该员工所面临的宏观就业环境并不乐观，主要表现为工作转换成本较大，外部工作机会不多，但即便如此，该员工的工作寻找行为仍然十分明显，这进一步说明了该员工对个体因素、组织因素以及工作因素三个维度的不满意度极高，最终极有可能导致其离职。

（三）离职预警结果验证

为了验证预警结果的准确性，本研究在问卷填写三个月后对参与调查的每位新生代知识型员工的离职情况进行了跟踪调查。本文界定在三个月内处于一二预警等级的新生代知识型员工离职属于“漏警”，处于四级预警级别的新生代知识型员工未离职属于“虚警”，其他情况视为“准确”状态。据此，对各样本员工的跟踪结果如表7所示。

表7 样本离职情况跟踪调查结果

根据跟踪调查结果，统计分析各预警等级的新生代知识型员工的离职率情况如表8所示。参与调查的新生代知识型员工在问卷填写三个月后总共有33人离职，13人职位发生变动，总体离职率为20.6%。其中处于各级预警状态的新生代知识型员工的离职率分别为13.5%、15.5%、24.3%和34.4%，由此可以看出，随着预警级别的上升，离职率也相应上升，这在一定程度上证明了该离职预警模型的有效性。另外，由表中数据可知，处于一二级预警状态，即良性和准良性预警状态的新生代知识型员工有18人离职，预警模型漏警率为8.07%；处于四级预警状态，即劣性预警状态但未离职新生代知识型员工为21人，预警模型虚警率为9.42%；由此可以算出，预警模型准确率为82.5%，说明该模型取得了较好的预警效果。

表8 各预警等级离职情况分析表 （单位：人）

四 结 语

新生代知识型员工在职场中扮演着越来越重要的角色，其离职不仅会给企业带来人力资本的损失，而且将削弱企业的核心竞争力，因此，构建一套离职预警模型，有效预防和控制新生代知识型员工离职行为的产生，对企业的健康长远发展有着至关重要的作用。本文将改进的TOPSIS法与3σ理论相结合，构建了一套全新的新生代知识型员工离职预警模型，并通过对223名新生代知识型员工进行离职预警评价，得到了各样本员工的离职预警等级，输出了相应的离职预警信号，并且得到了各员工的局部指标预警状态。最后通过跟踪调查验证了该模型的有效性，跟踪结果显示模型准确率为82.5%，表明本文构建的模型具有较好的预警效果，能有效识别新生代知识型员工的离职风险，具有较大的推广应用价值。

[1] Joyce A, Alex B. Values as Knowledge:A New Frame of Reference for A New Generation of Knowledge Workers[J].On the Horizon, 2010,18（3）:255-265.

[2] Roderick D I.An Event History Analysis of Employee Turnover: the Case of Hospital Employees in Australia[J]. Human Resource Management Review, 1999,9（4）:397-418.

[3] Sun Y,Luo Z N,Fang P Q. Factors Influencing the Turnover Intention of Chinese Community Health Service Workers Based on the Investigation Results of Five Provinces[J]. Journal of Community Health, 2013,38（16）:1058-1066.

[4] Chen S Y,Chen S Q.The Factor Analysis and Empirical Analysis Affect on Knowledge New Employees’ turnover in the Area of Architecture in China[R]. International Conference on Construction and Real Estate Management, 2009.

[5] Zheng Q G,Ding W H.Study on Influential Factors of Knowledge Worker Turnover Intention Based on the Factor Analysis[R]. E-Business and E-Government（ICEE）, International Conference on, 2011.

[6] Mahrane H,Nita C. The Relationship Between Satisfaction and Turnover Intentions for Knowledge Workers[J]. Engineering Management Journal, 2014,26（2）:3-9.

[7] 王晓莉.80后员工跳槽情况的调查研究[J]. 中外企业家, 2010,（2）:61-62.

[8] Robert L L.Age-related Differences in the Motivation of Knowledge Workers[J]. Engineering Management Journal,2006,18（3）:20-26.

[9] Xia Q, Li H Y. The Incentive Problems Study of the Employees of the New Generation under the Structure of Grade in China[J]. American Journal of Industrial and Business Management, 2013,3（8）:715-718.

[10] Jaroslava K, Adela K. Cultural Differences in the Motivation of Generation Y Knowledge Workers[J]. Human Affairs, 2014,（24）:511-523.

[11] Abdelbaset Q,Wan F W, Nizar D. Explaining Generation-Y Employees’ turnover in Malaysian Context[J]. Canadian Center of Science and Education. 2015,11（10）:126-138.

[12] 夏功成,胡斌,张金隆.基于定性模拟的员工离职行为预测[J]. 管理科学学报, 2006, （4）:81-94.

[13] Jiang R,Liao H Z,Yu J K,et al. A Model Based on Information Entropy to Measure Developer Turnover Risk on Software Project[R]. Computer Science and Information Technology, International Conference on, 2009,419-422.

[14] 曹安照,高来鑫,徐荣.基于RS-ANN知识员工离职模型及预警研究[J]. 贵州师范大学学报（自然科学版）, 2012,（5）:94-97.

[15] Xin W,Li W, Ping J，et al. Identifying Employee Turnover Risks Using Modified Quality Function Deployment[J]. Systems Research and Behavioral Science, 2014,31（3）：398-404.

[16] 龚艳萍,赵志刚.用模糊层次分析法确定QFD中消费者要求权重[J]. 价值工程, 2006,（7）:81-83.

[17] 汪卫斌.基于主成分的熵权双基点高技术企业核心竞争力评价[J]. 湖南大学学报（社会科学版）, 2008,（3）:68-72.

[18] 许远明,陶书金,曾令德.基于熵权—TOPSIS方法的施工评标模型应用研究[J]. 工程管理学报, 2012,（5）:62-65.

[19] 彭怡,李友元,寇纲等.外商直接投资区位选择与风险分析[J]. 管理评论, 2012,（2）:31-36.

[20] 陈岩,樊治平.群决策中基于语言评价信息的TOPSIS方法[J]. 南京工业大学学报（自然科学版）, 2004,（3）:27-30.

A Study on the Turnover Early-warning Model of the New Generation Knowledge Workers Based on Combination Empowerment and Improved TOPSIS Method

XIONG Zheng-de,LI Ting

（School of Business Administration, Hunan University,Changsha 410082,China）

Considering the high turnover rate of the new generation knowledge workers, this paper attempts to construct an early-warning model for the evaluation of the turnover intention of them. We selected the evaluation criteria according to the factors that influence employee turnover, which can be classified into four categories（individual, job-related, organizational and environmental）, and determined the criteria weights by combining Fuzzy Analytic Hierarchy Process （FAHP） and Entropy method. We also adopted TOPSIS method and the Pauta criterion to identify the grade of turnover risk of each employee. The proposed early-warning model was tested on a sample of 223 new generation knowledge employees, and the results of which showed a satisfactory effect with an accuracy of 82.5 percent.

new generation knowledge workers; turnover early-warning; TOPSIS method;combination empowerment

2015-11-16

国家社科基金一般项目（11BJY007）；教育部“长江学者和创新团队发展计划”项目（IRT0916）

熊正德（1967—），男，湖南湘潭人，湖南大学工商管理学院教授，博士生导师.研究方向：金融企业管理、人力资源管理.

D669

A

1008—1763（2017）01—0075—07