基于改进多属性群决策的人力资源管理绩效评估模型

郑筱莹， 于殿江

(1.台州职业技术学院, 经贸学院， 浙江， 台州 318000；2.山东大学， 经济学院， 山东， 济南 250100)

0 引言

在当前经济形势下，市场环境展现出投资主体多元化、供求市场多元化、管理现代化等特征，这对人力资源管理工作提出更高的要求。绩效是一种管理学概念，指成绩与成效的综合，是管理活动中最常见的概念之一。绩效评估就是采集、分析、判断有关某个人或组织在其工作岗位上的工作表现与工作结果的过程。绩效评估是人力资源管理中的关键环节，其最终目标就是经过对绩效评估结果的综合利用，以期激发员工工作积极性，为企业创造更多效益。现阶段，人力资源管理已经受到了广泛重视，怎样评估人力资源管理绩效已经变成学术界与企业共同关心的热门话题。国外对于人力资源管理绩效评估主要集中在个人能力与表现方面，而国内的研究主要集中在人力资源管理所创造的价值等方面，因此急需对研究成果进行整合处理，以期提升人力资源管理绩效评估精准度。

针对绩效评估问题，沈延安等[1]提出基于云模型和改进证据理论的装备管理绩效评价方法。建立装备管理绩效评价指标体系，使用组合赋权法确定指标权重；利用云模型对评估信息进行建模，构造概率分配函数，引入Jousselme距离，推算证据可信度和可靠度得到证据的复合权重，以此作为权重系数对证据源进行修正；运用改进的证据融合规则进行各指标基本概率分配融合，获取综合评价结果。陈为公等[2]通过建立绩效评价指标体系，使用熵权和三角模糊数复合赋权方法完成指标赋权。在评估体系的指标多属性和目标多样性基础上，采用经典模糊理论对TOPSIS评价方法进行改进，全方面考虑指标表现特征的多重不确定性，实现绩效优劣等级评估。但这两种方法仅能考核员工总体情况，对具体工作行为的考核精度有待增强。

为了综合考核员工总体情况，提升人力资源管理绩效评估准确性，本文引入改进多属性群决策，设计了一种新的人力资源管理绩效评估模型。

1 基于改进多属性群决策的人力资源管理绩效指标排序

从功能性角度出发，融合人力资源管理同素异构、能位搭配、动态优势[3]等基础定理，创建人力资源管理绩效评估指标体系，具体如图1所示。

图1 人力资源管理绩效评估指标体系示意图

根据上述六个指标来全面客观地评估人力资源管理绩效，对各个指标进行排序，明确人力资源管理绩效评估关键点，进一步增强评估效率及准确性。本文使用改进多属性群决策方法来完成指标排序任务，多属性群决策即为集合决策，群体内各个成员按照属性对方案的评价，获得对全部方案的评估排序，从中挑选最优的评估方案。在求解过程中以绩效指标权重为基础，把群体当作多个独立成员，在共有的多重属性下对各个成员进行评估，且所有成员都参加属性权重决策过程。运用交互式迭代方法，从无差别的均等权重入手，在设置的权重参数下，计算各个成员最佳权重，并对权重均值计算，将均值计算结果当作新的权重参数引入权重估计模型中替代前一次迭代时的相对参数[4]，了解绩效评估指标权重。

如果一个群体G由n个独立成员构成，在相同的m种属性下对各个成员评估绩效表现进行评估，将第j个成员在第i种属性下的表现分数或属性描述成xij。若全部属性的关键性没有差别，则原始权重w0i与总权重均值相等，即w0i=1m，成员j的原始加权综合属性计算式为

s0j=1m∑mi=1xij

(1)

从式(1)明显看出，以上原始综合属性值无法让群体内多数成员获得满意结果，因为此类均等权重和成员的理想权重分配方式相差较多。把ximax当作成员k在全部属性下的最高得分，从理论上看，成员k本身的最优权重选择应该是最高分值属性权重1，其他属性权重都是0。但每个群成员具有相同理想权重的概率极低，因此设计一种交互式迭代算法来推导多属性权重值，以此获得准确的绩效评估指标参数权重。

设定属性i的参数权重是wi，针对成员k来说，可在以下条件中挑选优化权重和最大化自身加权综合分值：处于优化权重时，成员k和其余每个成员在加权综合属性值的最高绝对差值要小于参数权重的最高绝对差值。即成员k不能挑选扩大自身和其余成员距离的权重，wik是成员k的优化权重变量。

对以上过程进行建模，模型表达形式为

max ∑mi=1wikxiks.t.maxj=1,…,n∑mi=1wikxik-∑mi=1wikxij≤

maxj=1,…,n∑mi=1wixik-∑mi=1wixij

(2)

∑mi=1wik=1,wik≥0

式中，wik是通过群成员k判定属性i的未知权重变量。在式(2)与后面的迭代计算中，wi被看作已知参数代入计算，参数的原始值被给予均等权重。

关于随机群成员d，首先将其引入式(1)进行求解，得到参数值w*id(wi)，对成员d采取最优权重计算，就能获得全部群成员的公共权重[5-6]，运用此组公共权重替代原始权重变成全新的参数值wi，将过程记作：

wi=1n∑nd=1w*id(wi)

(3)

在得到全新参数权重情况下，群成员k的加权综合属性值是：

sk=∑mi=1wixik

(4)

明确各成员属性值后，接下来针对每个属性，把群成员决策个体方案评价集转变成群体方案评估[7]，同时增强绩效指标排序合理性。关于每个方案在属性sk中的得分，决策个体u的评估结果是：

aj(t)=(wtjat1j,wtjat2j,…,wtjatmj),t=1,…,l

(5)

式中，wtjat1j,wtjat2j,…,wtjatmj代表不同的评估结果。

全部决策个体的评估矢量矩阵为

A=w1ja11jw2ja21j…wljal1j

w1ja12jw2ja22j…wljal2j

⋮⋮…⋮

w1ja1mjw2ja2mj…wljalmj

(6)

代入决策个体权重，将式(6)转换成：

A=ρ1w1ja11jρ2w2ja21j…ρlwljal1j

ρ1w1ja12jρ2w2ja22j…ρlwljal2j

⋮⋮…⋮

ρ1w1ja1mjρ2w2ja2mj…ρlwljalmj

(7)

其中，

atj=maxlρtwtjattj

(8)

btj=minlρtwtjatij

(9)

式中，矢量a*j代表对属性sk的个体理想策略，矢量b*j是对属性sk的个体负理想策略，ρt表示个体权重系数，wtj代表群体方案最优评估结果，atij代表决策群体权重。

由此得到：

dij=S-ij(S-ij+S+ij)

(10)

式中，

S-ij=∑lt=1(ρtwtjatij-btj)2

(11)

S+ij=∑lt=1(ρtwtjatij-atj)2

(12)

式(10)中，dij表示群体U对绩效指标xi属性评估结果，将评估结果记作矩阵模式，得到：

D=d11d12…d1n

d21d22…d2n

⋮⋮…⋮

dm1dm2…dmn

(13)

因此可以将多属性群决策问题变换成单人多属性决策问题。按照前面交互式迭代算法获得的属性权重和决策群体对每个绩效指标进行评估，使用理想点法完成指标排序，过程为

p*j=maxiλjdij

(14)

q*j=miniλjdij

(15)

其中，p*j是包含绩效指标属性的群体理想方案，q*j是包含绩效指标属性的负群体理想方案。将多属性综合评估结果记为Vi：

Vi=v-i(v-i+v+i)

(16)

v-i=∑nj=1(λjdij-q*j)2

(17)

v+i=∑nj=1(λjdij-p*j)2

(18)

式(16)中，Vi即为群体U对绩效指标的多属性综合评估结果，按照Vi取值大小就能完成绩效指标的排序与择优。

2 人力资源管理绩效评估模型实现

以构建的绩效评估指标体系为基础，通过前文可以获得指标属性重要性，为后续模型建立奠定扎实基础。由于各个元素对人力资源管理绩效评估影响各不相同，带有相对的模糊性，使用模糊评价法[8]完成绩效评估模型构建。

无量纲化能够让每个指标均能在相同平台完成计算，方便评估人力资源管理绩效评估。为防止发生主观评判错误，定性指标的精度利用语义差别隶属度赋值手段将指标划分为如下档次：极好、较好、一般、略差、很差。同时对各个档次所表现出的指标水平提出了更为详细的要求，创建每个档次和隶属度之间的相对关联[9]，按照相对关联把指标评估价值界定为1～5五个等级。

无量纲处理运用模糊数学内的隶属赋值方法，利用计算式把员工样本数据变换成指标评估值[10]。极大化指标模糊量化解析式为

rij=52+52sinπxij-12(xijmax+xijmin)(xijmax-xijmin)

(19)

适度化指标模糊量化解析式为

rij=52+52sinπxij-12(xijmax+xijave)(xijmax-xijave)

xijave

rij=52+52sinπxij-12(xijmax+xijave)(xijave-xijmin)

xijmin

(20)

依照式(19)与式(20)，获得定量指标评估值均处于0～5分之间，处理后的定性与定量指标均变成同度量指标。

利用极差变换法[11]剔除绩效评估指标有可能形成的评估误差，并对极大化定量指标与适度定量指标进行不同处理，具体过程如下：设定样本数据是Hij，以第i项指标为例，计算指标样本数据内的最高值与最低值，标准化后的数据为Zij。则将极大化定量指标处理结果描述为

Zij=hij-hminhmax-hmin

(21)

对适度定量指标的处理过程为

Zij=hmax-hijhmin-hmax

(22)

式中，

hmax=max(h1i,h2i,…,hmax)

hmin=min(h1i,h2i,…,hmin)

(23)

指标处理流程如图2所示。

图2 绩效指标处理过程

按照以上过程，最终获得人力资源管理绩效评估模型为

HCV=∑Wlij·rlij

(24)

3 实验分析

以某企业员工个人绩效考核为例，以检验本文模型可靠性。本文将某一大型企业作为研究对象，对其下属企业的十几个人力资源管理部门进行评估数据的收集，指标数据来源如表1所示。

表1 指标数据来源

利用交互式迭代方法将均等属性权重当作起点，采取多次迭代方式得到最优权重参数，结果如表2所示。

利用改进多属性群决策方法搭建多位专家意见评估指标体系，运用理想点法整合专家意见获得最优评估指标排序，采用语义差别隶属度赋值法划分绩效评估等级，绩效等级及具体分值如表3所示。

表2 指标权重计算结果

使用模糊评价法将员工样本数据转换成评估值，建立人力资源管理绩效评估模型，并通过极差变换法清除绩效评估误差，得到最终的评估结果，表示为

HCV=(0.076,0.281,0.356,0.105,0.089,0.093)·

100

89

79

59

39=75

(25)

分析上述结果可知，该企业的人力资源管理绩效处于一般水平，因此后续应该加强对企业人力资源管理的重视程度，引入先进的人力资源管理理念以及成功案例，促进企业人力资源管理绩效水平的进一步提升，保证企业又好又快发展。

依照正态分布原则选择不同绩效等级层次中的5名员工为研究目标，依次将他们进行编码，记作A、B、C、D、E。5名员工在2019年7月份的历史绩效等级状况如表4所示。

选择文献[1]方法、文献[2]方法以及本文方法进行实验对比，选择不同方法对5名员工2019年7月分布的个人工作绩效实施评估，追溯每个员工各项工作指标的具体表现情况，算出各员工绩效等级和绩效综合得分情况，对比如图3所示。

表4 企业员工历史绩效等级分布状况

图3 员工绩效评估结果对比

从图3可知，文献[1]方法与文献[2]方法的绩效评估结果与历史绩效评估结果具有较大差距，说明这两种评估方法的精度较低。而与这两种方法相比，本文方法的绩效评估结果与历史绩效结果大致相同，只有员工C与员工D的两种绩效结果相差较多。通过追溯样本信息，发现员工C在7月的平均任务完成度只有45%，远远小于其他员工的完成水准，因此对评估结果形成不良影响。员工D的月出勤率只有35%，小于全部员工的出勤率均值，出勤率是权衡员工个人绩效的关键指标，对其当月绩效评估结果具有重要影响。因此可以看出，本文方法更加直观地呈现员工个人绩效的真实情况。

为了更好地验证本文方法的有效性，追踪记载一段时期某个员工的绩效评估情况，并与其历史绩效评估结果实施对比。挑选员工B为追踪对象，将其8月至12月的绩效评估结果进行对比，如图4所示。

图4 B员工的绩效评估结果对比

从图4可以看出，采用文献[1]方法与文献[2]方法评估B员工绩效后，所得评估结果与历史绩效评估结果具有较大差距，说明这两种评估方法对于B员工绩效的评估精度较低。与这两种方法相比，本文方法的绩效评估结果和历史绩效评估结果基本相同，但本文方法的员工绩效评估结果分级状况在逐月上升或下降的情况较为连贯，而历史绩效评估结果分级状况连贯性很低，也就是本文方法比历史绩效评估在计算时更具稳定性，更贴合真实考核过程中的一般规律，员工绩效评估结果更具客观性，实用性更强。

4 总结

为了进一步提高人力资源管理绩效评估精度，准确分析员工实际工作情况，建立基于改进多属性群决策的人力资源管理绩效评估模型。在构建绩效评估指标体系基础上，运用改进多属性群决策方法对指标体系进行排序，使用模糊评价法创建绩效评估模型，以提升评估结果可靠性。实验结果证实，所建模型绩效评估结果正确率高，鲁棒性强，为人力资源绩效评估工作的有效运行提供了帮助。