基于神经网络的人力资源管理和预测模型研究

黄珈颉

(河北北方学院附属第二医院， 河北，张家口 075100)

0 引言

世界多元化竞争过程中，人才的储备能力是目前各国正在分析和研究的热点问题，同时也是中国在世界舞台上展示自己实力的重要标志[1-3]。目前，与美国、日本等国家相比，我国在人才储备、人才选拔和人力资源管理等方面均存在不小的差距，如何吸引和合理利用优秀人才，因地制宜的制定合理的企业和国家发展战略，是国内企业走向国外的重要一步。企业人力资源管理是一个不断进化和更新的研究课题，其目的是通过对各方面人才的需求进行分析和合理分配，从而达到企业既定的发展战略目标。同时，在这一过程中，不断完善人力资源激励机制，做出科学的人力资源调整决策。

目前关于人力资源管理和预测方面的文献研究已经取得了一定成果[4-9]，主要集中于方面：第一是对企业人力资源需求的预测，第二类是对企业人力资源供给的分析。现有研究成果大多利用实践分析和调查，建立企业人力资源模型，并以此进行分析与决策，较为常见的人力资源定量化分析预测方法有Delhpi法、层次分析法、模糊综合评价法、趋势推断法专家评分法等。这些较为成熟的预测方法对于企业的人力资源管理起到了至关重要的推动作用。但是，现有的分析方法大多基于完善的人力资源档案和数据资料，我国现有企业大部分成立时间较短，底蕴不够深厚，不够重视数据整理和归纳，导致人力资源需求预测等领域利用现有的分析方法不够适用。

针对这一问题，本文提出基于人工神经网络算法，建立人力资源需求和指标之间的模糊分线性关系，并以此为基础开发出了针对性的人力资源管理和预测模型。

1 人力资源需求预测方法

通过分析国内现有人力资源分析预测方法，本文认为人力资源的需求预测指标分为对象指标和依据指标2类[10]。其中，对象指标是根据企业总的需求量建立企业的员工数量、高管数量、专业技术数量等；依据指标是通过企业人力资源管理中的各项变量因素，分析出可能导致企业外部环境变化的需求指标，起到主导和决定人才需求的作用。人力资源需求预测分析应该建立一种半定量的方法，本文依据对预测模型的结构和要素进行分析，依据企业人力资源管理的重点，提出了如图1所示的企业人力资源需求预测模型思路。其中，人力资源需求模型应与企业战略、自身发展和其他资源相匹配，在这一基础上，通过分析人员区间非线性问题、数据序列波动、数据序列灰度和人员素质等级等多方面因素，建立神经网络模型，利用该模型不断学习企业人力资源管理中的要素和重点，从而形成一套行之有效的人资管理预测手段。

图1 人力资源需求预测流程框架

2 基于人工神经网络算法预测

2.1 人工神经网络算法

人工神经网络算法是近年来较为流行的一类数据挖掘算法，该算法的提出首先来自于数据和生物学家的研究成果，该成果目的是想利用计算模拟来实现人大脑的神经运作过程[11-12]。这一算法的实现基于大容量的样本数据和不断重复学习过程，进而获取一种非线性的模糊计算准则。通过该准则判别，当再次输入新的数据时，该算法便能够依据之前的训练结果做出合理的判断。通过大量的实践研究表明，神经网络算法对于复杂的非线性问题，尤其是业务庞杂，关系较为杂乱的数据具有非常好的适应性，但是需要合理地对训练样本进行归类。

通过对神经网络算法的深入分析发现，神经网络算法较好地解决了非线性计算过程中的学习、自组织和自适应3个特性。

图2为神经网络算法的3个结构层次，第一层为输入层，通过输入变量x来建立合理的样本数据;第二层为隐含层，每个隐含层中包含不同的模糊运算方式；第三层为输出层，该层主要展现神经网络算法的输出成果。

从输入层到隐含层的过渡过程中，涉及到样本训练问题，本文假定矩阵v为该模糊运算法则的关联矩阵，通过式(1)获取模糊运算法则的关联参数权重值：

(1)

式中,x1，…，xn表示输入层的训练样本,y1，…，yn表示隐含层的模糊运算样本,m、n分别表示两层的矩阵阶层,S表示权重值，i与j分别表示矩阵的维度大小。

图2 神经网络算法结构

2.2 神经网络预测算法

通过研究企业人力资源管理预测模式，设计的神经网络预测算法主要分以下3个步骤。

(1) 数据的预处理

通过收集企业人力资源需求数据，进行数据的初步处理。这一步的目的是将数据进行一定程度的归类，提高数据的规律，降低数据随机分散程度，从而保证神经网络学习速度和精度。本文研究过程中采用原始数据归一化处理，将某类数据限定在某一个区间内，然后将数据参数变成对应值关系，归一化计算采用线性函数转化法，其表达式如下：

(2)

式中，y表示归一处理后的数据，x表示原始数据，Max表示样本最大值，Min表示样本最小值。

(2) 建立BP神经网络结构

本文将BP神经网络结构设置为三层，这种网络结构模式最为合理，在神经节点权重值选取方面较为恰当，能够最大程度的逼近函数解。其中，隐含层的节点依据实际运行结果，设定以样本误差最小值作为确定节点数的标准。

(3) 学习训练及预测

首先将归一化处理后的样本数据导入模型输入层，建立神经网络初步模型，然后进行模糊计算和神经网络模拟，并限定当模拟误差精度在限定值范围内时完成训练。以医院企业人力资源管理数据为实例样本，对人员数量进行预测后的结果如表1和图3所示。从表1和图3可以看出，经过多元化回归分析后的模型预测误差范围在0.5%～1.27%范围内，才能与训练的样本包括医院收入、工资水平、研发投入、人员数量共计4个变量。

表1 BP神经网络计算和预测结果对比

图3 实际值与预测人数对比柱状图

3 人力资源预测系统设计

3.1 架构设计

基于人工神经网络的人力资源管理预测模型架构分为3个层次。首先是交互层，该层级直接面对客户，通过业务模块和展示模块实现人对系统的管理和人资数据的模拟预测，该层级属于客户端范畴；其次为业务应用层，主要目的是通过构建系统功能模块实现复杂的数据处理和应用，同时能够为交互层提供调配使用;最后是数据层，该层主要实现人力资源管理系统中的海量数据储存、归纳、整理和数据挖掘。数据结构采用MySQL，能够使用目前大部分软件的开发扩展接入(见图4)。

图4 系统架构设计方案

3.2 系统功能设计

(1) 基本功能设计

系统基本功能包括普通人员登录模块、管理员登录模块。其中人员登录模块主要面向系统使用人员，能够使用该系统进行基本的增删改查以及神经网络数据模拟；管理员登录模块能够对数据库内的员工数据进行录入和编辑，同时还可以修改底层数据和设置不同的安全等级。

(2) 需求预测管理

需求预测管理部分主要实现对人力资源数据的需求进行预测分析，并且以图形界面的形式向客户进行展示。另外，该模块还能够实现对企业人力资源的数量进行预测，让人力资源管理者能够对企业的目前人员配置是否合理。在人力资源需求预测界面中首先能够实现用户登录功能，在登录后选择对人力资源管理进行操作或者需求预测管理进行操作，包括进行查询、修改、删减和数据预测，其基本的流程如图5所示。

4 实例展示与分析

系统编程以Java为开发环境，进入系统后便能够展示企业的人力资源信息录入界面(见图6)，该界面中可以对企业人员的ID编号、姓名、性别、部门、身份信息以及学历进行录入，录入成功后面向有权限的用户进行展示。

图5 系统基本功能设计流程图

图6 员工信息录入界面

为实现对企业人力资源数量的预测分析，本文通过人工神经网络的数据挖掘功能，通过分析不同年份员工的人数和员工需求人数进行回测和分析，从而对企业目前的人力资源数量进行总需求预测，通过不同的曲线类型展示目前企业的人员数量和未来几年企业可能需要的人员数量，直观展示目前人力资源数量是否与目前的企业发展战略相匹配。这一分析过程基于神经网络模糊预算，考虑的样本因素包括现有人员数量、不同专业人员需求、企业现有业务类型、未来企业战略规划进行统筹分析，如图7所示。

图7 企业人力资源数量预测界面和曲线

为了解不同部门的人员需求，依据各个不同部门的业务类型和需求，能够进行精确分析和预测(见图8)。以销售部门为例，通过分析目前企业的销售业务类型、现有销售业务量、销售人员绩效成果进行综合评价后，建立企业销售部人员的供给情况，同样以不同的曲线展示目前销售部门的人员数量和预测人员数量。这一过程中，对于人力资源管理者提供正确的决策建议。

图8 销售部门人力资源需求预测曲线

5 总结

人力资源的合理性是企业在进行战略转型和保持市场经济地位的重要考量因素，企业发展壮大过程中如何挖掘这些高价值人力资源数据显得尤为重要。针对这一问题，提出了基于人工神经网络学习算法的企业人力资源管理和预测分析模型，用于挖掘企业内部人员构成、企业业务类型和未来发展战略直接的内部关系，揭示了企业人力资源数据的规律趋势，帮助企业人力资源管理者进行决策和分析，其目的是实现人力资源的最合理配置方案设计。研究过程中，本文选取多元回归分析，介绍了基于人工神经网络的人力资源需求方法，建立计算模型，以X医院经营数据作为研究对象，开展了企业人力资源数量预测和各部门人员类型需求预测分析，并进行了可视化展示，取得了一定的研究成果。