基于贝叶斯网络的人力资源管理风险预警模型--

《基于贝叶斯网络的人力资源管理风险预警模型--》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于贝叶斯网络的人力资源管理风险预警模型??　　中图分类号：F243.2文献标识码：A：1672-1101（2016）01-0028-05　　随着知识经济和全球化竞争时代的到来，人力资源已成为企业的核心资源，人力资源管理在企业管理中处于战略地位。然而，因为人力资源具有自己的独特属性，企业在进行人力资源管理的过程中不可避免地会遇到各种各样的风险。迄今为止，已有不少国内外学者对其进行过研究[1-2]，并取得一定的成果，这些成果为企业防控人力资源管理风险提供了重要借鉴。但是，总的来说，这些研究成果多数停留在人力资源管理风

2、险的内涵、分类、危害及防控措施等定性方面，只有少数采用了定量的方法，如层次分析法、模糊综合评判法、风险矩阵法等工具来评估企业人力资源管理风险水平[3-4]。虽然这些数学方法计算简便、容易操作，但是由于这些方法涉及的指标大都具有非线性和模糊性，其准确性和客观性难以保证。基于此，本文将贝叶斯网络（BayesianATLAB软件上利用数据训练BN模型，并与Logistic模型进行对比，体现了贝叶斯网络模型用于风险评价的优越性。王爱文等[11]提出了基于因果贝叶斯网络的风险建模与分析方法，该方法被应用于某公司国际采购风险评

3、估中，效果显著。周田[12]以IT企业研发人员为研究对象，在构建贝叶斯网络时加入时间因素，设计了帮助企业进行人力资源绩效考核的小型软件，具有很强的实用性。陆静和王捷[13]将贝叶斯网络拓扑结构用于商业银行全面风险预警，利用Netica软件进行网络推理，完成了各种风险指标对全面风险影响程度的计算，结合预警系统灯号模型，对银行风险水平做出判断，有利于管理者有针对性地进行风险管理。　　二、人力资源管理风险预警指标体系的构建　　（一）人力资源管理风险的内涵及其分类　　何谓人力资源管理风险，虽然学者们的观点不一致，但是比较普

4、遍接受的观点是，人力资源管理风险是指在组织人力资源管理的活动中，因为没有妥善地处理好人力资源管理中各种因素之间的关系，而给组织的经营管理带来意想不到的损失的可能性。人力资源管理中存在着各种风险，十分庞杂，本文在文献研究的基础上[14]，结合企业人力资源管理实例，将人力资源管理风险分为五大类：（1）招聘配置风险：是指组织在对人力资源进行招聘、配置和使用的过程中，因为人为因素或是企业内外部因素不确定性的影响所产生的风险。众所周知，有效的人力资源配置会给企业带来巨大的效益，但是在人力资源招聘与配置过程中，可能会存在人职不

5、匹配、人员配置低效率等问题，导致人力资源的浪费。（2）培训开发风险：培训是企业人力资源管理工作的一项重要职能，企业的培训相当于人力、物力、财力的投资，任何投资都是有风险的，人力资源管理培训也不例外，比如培训收益风险、培训后人员流失风险等。（3）绩效考核风险：绩效考核是人力资源管理的核心环节，有效的绩效考核会对员工起到激励作用，反之，若绩效考核不公正、不全面、员工满意度低，则会挫伤员工的工作积极性，带来用人风险。（4）薪酬福利风险：是指由于薪酬设置不合理、福利待遇差等原因给企业带来的人力资源管理风险。（5）员工管理风

6、险：人力资源管理的核心是人，由于人力资本具有复杂性、流动性、动态性，这就导致企业在进行人力资源管理时不可避免地会遇到员工违纪、人员冲突、劳资纠纷等风险。　　（二）指标体系的构建　　建立具有科学性、真实性、可行性、全面性的人力资源管理风险预警指标体系，是构建贝叶斯网络进行风险评估的基础。根据人力资源管理风险的分类，结合文献查阅的结果，建立如表1所示的人力资源管理风险预警指标体系。　　　　三、基于贝叶斯网络的人力资源管理风险模型　　（一）贝叶斯网络的构建　　贝叶斯网络的构建有两种方法：一种是分析节点关系并咨询专家意见来

7、构建，另一种是利用较完整的数据，通过网络学习功能来完成构建。鉴于人力资源管理各种风险的定量数据很难收集，本文采用第一种方法，利用因果关系结合专家经验构建贝叶斯网络。根据原因在前，结果在后的变量顺序，本文将人力资源管理风险作为终端节点，一级风险指标作为次层节点，二级风险指标作为初始端节点，构建了基于贝叶斯网络的人力资源管理风险预警系统的拓朴结构，如图1所示。　　（二）网络节点的设置　　在确定了贝叶斯网络结构后，需要对节点进行设置并赋值，即获得节点参数，包括先验概率和条件概率分布（CPD）。考虑到企业人力资源管理风险的

8、定量数据很难查阅到，因此通过向人事主管、人力资源管理专家、企业风险管理专家组成的专家组征求意见，获得一个比较主观的结果。本模型实际运用中，企业可以根据自身的实际数据对该模型中的先验概率进行修正。　　本文中的人力资源管理风险指标体系由5个一级指标和17个二级指标组成，若将这22个指标通过MATLAB软件，利用Full-BNT工具箱进行参数学习，学习过程复杂且长