基于支持向量机的人力资源管理风险预警研究

2021-09-10王梦

化工管理 2021年24期

王梦

(中国石油工程建设有限公司，北京 100120)

1 引言

人力、物力、财力及技术是企业赖以生存的重要资源，即便是人工智能会逐步降低人力资源的消耗，但是仍旧不能完全取代人力劳动，生产过程始终要有人的参与。人力资源管理工作实际上也属于一项系统工程，需要考虑企业实际与员工自身，人力资源管理工作是企业管理一个重要的方面，在人力资源管理中影响管理工好坏的因素众多，这些因素我们称之为管理风险因素。

因此针对多种管理风险因素共同作用下的人力资源管理风险及人才流失预警，学者们运用各种方法进行了研究。张兰霞等[1]基于BP神经网络的非线性预测功能，将BP神经网络引入人力资源管理风险的预警当中，通过企业的实际数据验证了该模型的适用性。钟雅璇等[2]基于人力资源管理中的风险模糊性，提出模糊层次分析法的预警模型，并将该模型运用到某施工企业的人力资源风险管理中，得到了较好的验证。徐静等[3]将无导师学习的自组织SOM神经网络引入人力资源管理风险预警中，利用SOM神经网络的自适应与非线性映射实现管理过程中的风险预警问题。李静等[4]考虑管理过程中的随机因素，从随机性出发引入基于概率统计的贝叶斯网络，利用贝叶斯网络推理的功能实现了对人力资源管理的风险预警。

2 人力资源管理风险预警指标体系

由于人力资源管属于一项系统工程，所涉及到的管理要素即管理风险因素较多，例如包括人员招聘、人员培训、岗位配置、绩效考核、薪酬管理、企业文化激励与职业发展规划等。

参考文献[1-5]中的原则，基于可操作性、系统敏感性、泛化性、相对独立性，从企业实际出发选取了7个一级风险要素，将其细化为20个二级风险要素，以此构造了人力资源管理风险预警指标体系如表1所示。

表1 人力资源管理风险预警指标体系

3 支持向量机（SVM）预测理论

SVM是Vapnik与Corinna Cortes在二人提出VC维理论之后基于统计学习理论，在1995时提出的一种基于小样本的机器学习理论，SVM克服了BP神经网络的过拟合与局部最优问题，同时利用小样本由低维空间向高维空间映射，保证取得收敛速度的同时，获得最优分类平面。近年来有许多学者引入SVM解决相关行业的问题[6-10]。

常见的支持向量机主要是二分类支持向量机，基于风险最小化原则求解二分类的最优分类面，其主要原理为对于包括m个样本的训练集 (xi,yi) ∈Rm×{± 1 } ，∃ (ω,b)使得：

二分类最优超平面基本思想如图1所示。

图1 二分类最优超平面示意图

对于指标较多的样本，则需要将样本利用核函数映射到高维空间，实现低维不可分到高维可分，以提高分类预警精度。引入核函数的判别函数f(x)如式(3)所示：

考虑核函数的应用广泛性，本文选用径向基核函数做为K，径向基函数表达式如式(4)所示：

4 实际应用

非线性预测预测模型的准确度，取决于输入模型的样本数据，因此在进行非线性预测前我们需要对数据进行处理。表1中的指标除了指标岗位定位清晰度u11、职位匹配度u12、考核客观度u43、回报满意度u52、员工满意度u71的评分区间为[1,5]，其他指标的评分区间为[1,100]。人力资源管理风险预警属于多指标复杂系统的评价问题，指标权重的合理性影响最终结果。考虑预警指标参数之间关联度较大，参数间可以相互影响，本文为了排除人为干扰，遵照客观实际，对指标进行归一化处理，将指标化到区间[0,1]，称为无量纲指标。

对于越大越优型指标标准化处理如式（1）：

对于越小越优型指标标准化处理如式（2）：

其中vij表示经标准化处理后的样本值，xij表示样本值；max（xj）与min（xj）分别表示第j个指标评分的最大值与最小值。对样本数据进行归一化。

专家评估的结果需要结合相应的风险等级对照表确定风险等级，本文风险分为I～V，分别对应较安全到较危险，具体划分如表3所示。

表2 风险等级对照表

表3 n2～n9为训练集的训练结果

用支持向量机预测数据之前，我们需要选取学习样本和测试样本，为了提高预测精度，根据“二八”原则，本文9组数据，提取8组作为学习样本，剩下1组作为测试样本。8个测试样本在输入支持向量机之前需要做随机排序处理，降低因为数据排序导致的机器学习误差或者过拟合。此处需要进行9次学习与验证，此处我们以n9作为测试集，n1～n8为训练集为例训练结果如表4所示。从表4可以看出经支持向量机训练后训练数据方差非常小，对预测拟合程度较好，同时将n9各项指标输入已经训练好的拟合预测模型，得到的结果为0.238。同理对n1～n8进行学习预测得到的情况如图2所示可以预测精度较高。