文摘

人力资源规划是人力资源管理的前提,人力资源规划的基本工作是预测人力资源的需求。科学合理的人力资源需求预测结果可以为企业人力资源规划提供重要的数据支持和战略决策,人力资源管理可以发挥更好的作用,实现企业的目标。因为人力资源需求受到许多因素的影响,存在高度的非线性和不确定性之间的每个因素和人员需求,以及企业人力资源的不完备和不精确的数据。在本文中,自组织特征映射(SOM)神经网络预测模型作为预测模型,选择和样本数据的输入和输出过程转化为非线性函数的最优解的过程。在模型的应用,人力资源需求预测指标体系作为SOM神经网络的输入,员工在企业的总数作为输出,这样人力资源之间的非线性拟合问题demand-influencing因素和人力资源需求可以解决。最后,通过企业的实证分析,模型预测过程解释人力资源需求预测是实现。

1。介绍

随着世界经济的快速发展,各国对人才的需求越来越迫切,和人才储备已成为综合国力的重要指标,世界上所有的国家(1]。我们都知道,与发达国家相比,我国仍处于明显劣势在国际人才竞争。如何吸引人才,留住人才,培养人才,制定人力资源战略,符合当前已成为企业发展和成长的必修课(2]。企业人力资源规划是一种战略规划。它是一个企业的行为预测所需的供给和需求人员事先制定一个完整的人力资源战略以实现其预定的目标和满足不同人员的需求在开发过程中(3]。科学的企业人力资源规划可以提供重要的数据支持,引入相关人力资源政策和企业战略目标的实现。

企业人力资源预测包括两个部分:一个是人力资源需求的预测,另一个是人力资源供给的预测。其中,人力资源需求的预测是人力资源供给的预测的先决条件。只有澄清的基础上未来发展所需人才的需要根据自己的实际情况公司可以预测人力资源供应计划,进行合理的人力资源规划的基础上,供给和需求的平衡。太多的人员需求预测将给企业带来负担,而太少的人员需求预测将导致企业人才短缺,阻碍企业的进一步发展。可以看出,人力资源需求预测的基础是人力资源规划过程中相应的操作计划。自组织映射(SOM) [4)算法,作为聚类的无监督学习算法和高维可视化,是一个开发的人工神经网络模拟人脑信号处理的特点。这个模型提出了1981年由Teuvo Kohonen,芬兰赫尔辛基大学的教授,现在已经成为最广泛使用的自组织神经网络方法。赢家通吃(WTA)竞争机制反映了自组织学习的最基本的特征(5]。

因为人力资源需求受到许多因素的影响,存在高度的非线性和不确定性之间的每个因素和人员需求,以及企业人力资源的不完备和不精确的数据。本文选择SOM神经网络。剩下的纸是组织如下:部分2包含了文献综述。部分3包含的人力资源需求预测指标体系作为SOM神经网络的输入。部分4包含结果产生的员工在企业总数影响因素之间的非线性拟合问题的人力资源需求和人力资源需求可以解决。部分5是企业的实证分析;模型预测过程是解释,旨在为企业提供一个更普遍适用的、灵活、准确的人力资源需求预测的方法。

2。相关的工作

有定性和定量的方法对人力资源需求预测。目前,我国大多数的预测方法在定性预测研究。刘等人。6)使用自适应神经网络优化配置模型,实现企业人力资源的优化配置管理。江et al。7)详细描述了德尔菲法的应用在企业人员预测,并指出该方法具有较高的预测精度。儿子和金(8]研究了大量的企业人员供给和需求预测的方法,重点分析经理更换模型,实证预测方法,生产函数方法和马尔可夫模型。一些学者也使用定量研究方法来预测人力资源的需求。李等人。9)使用线性回归方法预测企业的人力资源状况,但该方法适应性差。一旦受到紧急预报系统,预测精度将大大降低。Padhy et al。10]分析了四个定量预测模型,即马尔可夫模型,非线性回归模型、灰色模型和神经网络模型。他们指出,灰色预测模型和SOM神经网络短期预测精度高。成倍增加的数据序列具有一定的限制完成人员需求预测。Ahmad et al。11)利用马尔可夫模型预测几家公司的人力资源。该方法方便、高效,但它有低精度的跃迁概率的问题,需要进一步改进。刘等人。12)使用非线性动态系统理论来预测企业的人力资源,取得了良好的效果,但计算过程繁琐。李等人。13)应用支持向量机的预测人力资源结构和人力资源预测提供了一种新的预测方法。这种方法目前研究较少,需要进一步研究。

因为预测过程受到很多因素的影响,单一预测模型不适用。因此,许多学者进行了深入的研究模型的组合。曾庆红et al。(14)指出,结合模型比单一模型更准确的人力资源预测。康等。15)获得一个新的组合模型的加权平均两种预测模型。然而,之间的关系模型和不同的使用场所对其预测效果有一定的影响。宋et al。16]阐述了组合预测技术的发展历史和存在的问题,研究各种各样的组合预测方法。与此同时,有一个高的各影响因素之间的非线性映射关系和人员需求,特别是当外部环境变化很大。然后,关键指标的选择已经成为人力资源预测的一个重要问题。Kumar et al。17)总结了灰色关联度分析方法的优越性在非线性指标的选择。

目前,有许多定性和定量预测方法用于企业人才需求的预测,如德尔菲法、回归分析法、趋势外推法,和其他方法相对成熟的国外应用程序。然而,这些方法在我国尚未普及。需求预测主要停留在定性分析上。此外,企业不注意企业历史数据的收集和结果之间的非线性关系指数预测人力资源需求的开发过程。现有的方法不能合理预测企业的人力资源需求,因此本文构造一个适合企业人力资源需求预测方法。

3所示。SOM神经网络

有许多文本聚类算法。其中,SOM聚类算法基于自组织映射是一个特别适合大规模文档聚类的方法。SOM聚类算法是芬恩Kohonen于1982年首次提出。这是一个无监督训练神经网络。白色的组织实际上是无监督学习的过程。它使用白色的身体训练,和白色运动集群输入模式。

3.1。SOM的基本原则

SOM的网络结构如图1。它由一个输入层和竞争层(输出层)。输入层神经元的个数n和竞争层由一维或二维的平面阵列米神经元。网络是完全连接,每个输入节点连接到输出节点。

SOM网络可以映射任何维输入模式为一维或二维图形在输出层,并保持其拓扑结构不变;通过重复学习的输入模式,网络可以让权向量空间和输入模式收敛的概率分布(18),也就是说,概率保留。竞争层中的每个神经元网络的争夺机会输入的响应模式,和相关的权重调整获胜神经元的方向更有利于其竞争。即获胜神经元是圆的中心,邻近神经元兴奋一边反馈;而表现出抑制神经元反馈在遥远的邻居,邻居们相互刺激,和遥远的邻居互相抑制。一般来说,最近的邻居指的是神经元的半径大约是50μ∼500μ从发送信号的神经元;遥远的邻居指的是神经元的半径约为200μm∼2毫米。神经元远比遥远的邻居有弱激发,如图2。因为这种交互的曲线类似于墨西哥人所穿的帽子,它也被称为“墨西哥帽。”

3.2。SOM算法的过程

SOM算法的具体过程如下:(1)小的随机初始值分配给的重量 ;设置一个较大的初始社区 ,并设置网络周期数 。(2)给定一个新的输入模式 : ,输入到网络。(3)计算距离之间的模式和所有的输出神经元,并选择神经元c用最小的距离 ,也就是说, 然后,j获胜神经元。(4)更新连接的节点j和它的域节点: 在哪里 是获得函数随时间逐渐减少。(5)选择另一个学习模式提供给网络的输入层,并返回步骤(3),直到所有输入模式提供给网络。(6)让 并返回到步骤(2),直到 。

学习的自组织映射模型, 通常是采取。在学习数量的增加逐渐降低。增益函数 也是学习速率。由于学习速率逐渐趋近于零的随着时间的增加,这是保证学习过程必须收敛。一般要求是

其中, 。在实际的权重系数自组织过程中,一般来说,连续系统, 。

对于离散系统,然后把 。

3.3。SOM算法的局限性

无监督学习的发展还不成熟,和SOM算法仍有一些局限性19- - - - - -22)如下:(1)网络结构是固定的,无法动态改变(2)在网络训练,一些神经元不能赢,成为“死神经元”(3)SOM网络不能添加新的类别之前完成再学习(4)当输入数据很小,培训结果通常取决于样本(5)网络连接的初始状态和参数选择算法的收敛性能影响更大的网络

出于这个原因,一些学者提出了不同的改进算法来克服这些缺点从不同方面不同程度。SOM算法的具体流程如图3。

4所示。企业人力资源需求预测系统的理论框架

人力资源需求预测系统解决的问题时,需要分析预测人力资源需求预测的内容,和使用预测模型;,它提供了所需的技术准备工作前预测和预测所使用的技术手段。通过分析预测模型的组成元素建设子系统和人力资源需求预测的特点,为施工提供了合理的组成元素的模型。预报系统提供了一个系统化的人力资源需求预测的理论指导框架。该框架图如图4。

4.1。建设初步选择的指标体系对人力资源需求预测基于SOM神经网络

有许多常用的主要选择指数的方法开采,如德尔菲法和目标层次结构方法(23- - - - - -25]。为了有一个直观的理解各种方法的原理和优缺点,选择一个方便方法适合施工的主要选择指标体系对人力资源的需求。企业的内部和外部环境的变化带来的改变人员的需求。随着时间的变化,demand-influencing因素也会相应地改变。为了选择影响人力资源需求的指标更加全面和灵活,本文使用现有的人力资源demand-influencing因素为基础,进一步添加和删除现有的指标体系。

第一级指标摘要由资源匹配的角度来看,这意味着人力资源需求与企业财务资源、物质资源、市场资源、企业人力资源和企业战略。一个企业的发展水平影响需求人员和资源投入的数量决定了企业的发展水平。因此,资源的投资企业的决定性因素是企业人员的需求。只有确保各种资源的协调和匹配的企业在开发过程中可以更好的促进企业战略目标的实现,实现企业的高效和优化发展。

以下4.4.1。人力资源水平匹配的视角

从这个角度看,主要探讨了匹配的人力资源和财务资源,物质资源和市场资源。企业财务资源的主要目的是实现企业的正常生产经营和企业的战略规划,分配企业的财务资源,也就是说,企业投资和融资。投资通常围绕着两个方向:一个是科学技术活动,另一个是生产经营活动。一个企业的投资行为会导致企业的生产活动的变化,这就要求参与匹配的人力资源。因此,资本投资在生产研发被选中作为一个二级指标匹配的人力资源需求与企业财务资源。这个指标下的三级指标可以企业研发投资的比例和企业固定资产的增值。企业物质资源指的是工厂、设备、土地、生产资料和其他物质资源用于支持企业的正常生产经营。增加企业的物质资源或技术设备条件的变化也会影响对企业人员的需求(26- - - - - -28]。因此,企业发展的支持条件选择的二级索引匹配的企业人力资源和物质资源,和第三级指标的选择需要根据实际确定物质支持企业的情况。企业市场资源的一个重要因素衡量一个企业的发展空间。为了方便的可测性指标,市场需求被选中作为另一个二级指标。如果市场需求很大,公司相应的未来对人才的需求将会增加。市场需求调查的三级指标主要是衡量因素,如客户的总数。

4.1.2。垂直的角度相匹配的人力资源

垂直的角度匹配的人力资源主要考察了匹配的人力资源需求和人力资源的条件。劳动成本的趋势,企业的劳动生产率和人员流动都会影响员工的需求。在这里,这三个项目是选为二级指标。其中,劳动力成本的趋势主要是反映在公司的工资水平,人才流动是衡量指标如促销、辞职、退休。

4.1.3。人力资源与企业战略匹配的角度

一个企业的战略目标可以分为两个部分:经济指标和经济增长指标。经济指标是财务指标。尽管他们不能完全反映企业战略的实施效果,他们很容易量化,便于统计分析。许多非经济指标最终将反映间接通过经济指标。因此,本文选择企业战略的经济衡量指标。生产需求和企业规模是两个重要的测量指标,反映企业战略的实现:生产需求主要是衡量企业的总产值和销售指标。销售指标是销售,销售量和销售利润。为了避免指标之间的交叉,企业资产的数量是选为三级指标的企业规模。前从公司的所有权,后者从所有权、负债包括在该公司的价值。

基于上述分析,构造一个二级指标体系对人力资源需求预测如表所示1。

需要解释的是,影响人力资源需求预测的指标在不同行业甚至在同一企业不同的发展阶段会改变。企业应适当消除并添加新的基于二级指标体系根据当前实际情况,适应当前需求预测指标体系。

4.2。SOM神经网络模型的设计基于人力资源需求预测

SOM神经网络具有非线性映射能力的特点,容错,自学能力,等等。因此,SOM神经网络具有强大的人力资源需求预测的适用性。以下将分析SOM神经网络具有这些特征的原因,解释其建模过程。人工神经网络的信息处理系统,建立了关于生物神经系统的反应过程。模仿生物神经系统的结构和信息处理过程,建立一个人工神经网络需要三个关键要素:神经元的数学模型,神经网络的拓扑结构,训练和神经网络的学习算法。

确定神经网络的结构主要包括三个部分:确定数量的隐藏层节点的数目;的确定输入层神经元的个数;的决心在输出层神经元的数目。(1)确定数量的隐藏层节点的数目:隐藏层的数量和节点的数目影响SOM神经网络的预测精度。1989年,罗伯特·Hecht-Nielson证明任何三层神经网络只包含一个隐藏层可以完整的非线性映射h维度k维度。只有一个隐层的神经网络模型预测精度较低。为了提高预测的准确性,可以采取措施增加隐藏层或增加的数量在每个隐层节点的数目,但与此同时,这也会使神经网络的变化。更复杂的训练时间,提高网络连接权重系数。一般来说,有必要调整隐藏层的数目和节点的数量在网络训练过程中根据实际情况,直到全球误差最小化。基于模型的预测精度高的建筑和简单的模型建设,确定,人力资源需求预测,隐藏层的数量确定1 - 2,和节点的数量需要根据具体的例子。(2)确定输入层的神经元数:一般来说,在输入层的神经元数当SOM神经网络应用而闻名。预测人力资源需求时,在输入层神经元的数量指标对人力资源需求预测的数量。根据指标体系构建本文之前,输入神经元的数量为一个特定的公司有几个关键指标。(3)测定输出层神经元的数量:在这篇文章中,SOM神经网络的输出是企业的人力资源总需求,因此在输出层神经元的个数是1。

5。SOM神经网络模型的应用

为了解释适用的条件下,预测过程,和每个模型的预测精度预测系统由SOM神经网络相结合,本文选择一个公司展示模型的预测过程,及其人力资源总需求从2018年到2020年是预测。

5.1。建立和确定企业的指标体系

首先,一个三级指标体系构建基于二级指标体系的框架,结合企业的实际情况。其次,使用灰色关联方法筛选三级指标和确定关键指标影响供电企业的人力资源需求。指标体系的建设需要全面考虑生产和研发方面的投资,企业发展支持的条件下,市场需求、劳动生产率和企业规模影响人力资源的需求匹配的角度来看之前提到的。然而,根据具体问题具体分析的原则,不同公司的影响因素是相同的。本文指上级公司公司的检验指标,结合公司自身的经营状况建立一个人力资源需求预测指标体系,满足公司的需求,如表所示2。

5.2。关键指标筛选

构造指标体系后,需要屏蔽的关键指标,对人力资源的需求有更大的影响,如图5。通过上一篇文章的介绍,本文选择的方法计算综合关联度的灰色关联方法筛选的关键指标。

然后,那种程度的相关性;程度的相关性越大,影响越大的人员需求。排名显示,客户的数量,输电线路的长度,电力销售的数量,和变电站的数量对人员要求有更大的影响。因此,选择这四个指标作为影响企业的人员需求的关键指标来预测未来人员的总数。

5.3。SOM神经网络预测的实现

SOM神经网络的预测过程分为两个步骤:一是使用优化模型来预测2020年关键指标数据,另一个是使用历史数据训练SOM神经网络模拟关键指标的预测价值作为SOM神经网络训练完成后输入预测总需求为企业人员从2018年到2020年。使用关键指标的历史数据使用优化模型来预测从2018年到2020年的指标数据。预测的值显示在图6。

5.4。网络训练和仿真

灰色预测指标数据后,开始训练SOM神经网络。在培训之前,数据需要规范化,确保所有的数据都处于同一大小提高培训的效率。正常化后,网络参数应该被定义。在这里,培养目标设置为0.00001,最大训练次数是50000,和学习速率设置为0.01。然后,用从2010年到2017年的数据对网络训练,并为仿真数据从2018年。

线性回归方法是用来比较的实际输出值与期望输出值。结果表明,实际的输出值有很好的跟踪期望输出值的影响,计算R= 0.9999,训练效果更好。线性回归的SOM神经网络的实际输出和期望输出和标准误差数据所示7和8。

接下来,2020年的使用历史数据模拟模型。实际的输出值在2020年是6270,计算相对误差为1.1820%,小于3%,具有良好的模拟效果。网络模拟训练完成后,2018 - 2020年的指数数据可以作为模型输入预测公司的员工总需求为2018 - 2020。预测结果如图9。

6。结论

基于相关文献的研究,本文进行了深入分析的适用性,优势,劣势现有人力资源需求预测的方法和指出,每种方法都有其特定的限制人力资源需求预测的特点。在此基础上,SOM神经网络模型的适用性分析了人力资源需求预测、人力资源需求预测的指标体系是构建。和分析的基础上选择的维度的预测方法,建立人力资源需求预测系统。最后,使用一个公司来验证预测过程和SOM神经网络模型的精度。通过模拟预测,结果表明,该模型具有较强的适用性,预测精度高。与此同时,该公司的总对未来三年人员需求预测。分析结果表明,该模型具有较强的适用性,当一个企业的员工数量迅速增加或减少。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国人民大学支持。