中国指挥与控制学会会刊 
人力资源编制和现有人员(简称为人员编现)匹配作为人力资源管理中的关键问题,直接体现和影响单位组织的运行效率和任务完成能力。合理的人员编现匹配可以实现人力资源的优化配置,最大限度发挥员工的能力和潜力。
当前关于人员编现匹配评估的研究已经取得了一定的进展,一些研究学者采用不同方法构建编现匹配评估模型。最早针对人员编现匹配问题构建评估模型的是Caldwell教授等,他们通过轮廓比较过程,提出一种基于Q排序的评估方法,主要从工作要求和个人能力的视角评估编现匹配程度[1]。2014年,Chen等人研究了工作能力、工作投入和人岗匹配的关系,通过实际的企业数据构建了人岗匹配评价模型,并通过干预手段优化了人岗匹配程度[2]。随着人工智能和机器学习技术的发展,一些学者开始借用智能化手段评价人岗匹配程度。Zhu等人提出一种基于卷积神经网络的评估模型PJFNN(Person-Job Fit Neural Network),将人才资格与工作岗位进行匹配,不仅能够通过历史数据衡量匹配程度,还能够预测未来一段时间人岗匹配的变化[3]。在国内,张同全等提出了人岗匹配过程中的员工导向力和岗位倾向力因素,并以此构建了人岗匹配的力量权衡矩阵模型[4]。中国海洋大学荣杰提出人岗匹配测算方法,从员工素质和岗位要求的匹配、员工职业期望与工作满意度的匹配两个方面进行测算,从宏观、微观、动态和静态角度构建了四种评估模型[5]。另外,还有从岗位特性和人才需求角度分析和构建人岗匹配的评估方法[6-7]。
现有方法模型还存在一些问题。首先,大多数模型往往只考虑了单一因素,例如岗位匹配、等级匹配或专业匹配,并未综合考虑多因素限制下的匹配问题。其次,评估模型在人员类型权重计算时通常采用固定的计算方法,忽视了不同性质单位人员结构差异带来的影响。此外,现有的研究多是基于详细的编现数据,然而实际情况获取的编现数据详细程度可能并不一致,当数据较为粗糙和模糊时,模型方法存在不适用的情况。为解决上述问题,本文构建面向人员编现匹配的多粒度变权评估模型。
1 粗粒度变权评估模型
针对模糊的编现数据,即仅能获取岗位、等级和专业层次下的编现情况,构建粗粒度编现匹配评估模型,综合考虑岗位、专业和等级的因素,通过不同单位的特性赋予变化的权重来提高评估合理性。
1.1 问题描述
本文针对编现数据不够详细的情况构建了粗粒度变权评估模型。在进行编现匹配评估时,需要考虑编制中不同岗位、等级、专业情况和实际现有人员数量的分布情况。通常从岗位编配、专业对口、等级符合、数量满编4个指标来描述单位的编现匹配程度。岗位编配指标是指编制中某类岗位实际人数与该岗位编制数量之比,专业对口指标是指某专业实际人数与该专业编制人数之比,等级符合指标是指某个等级实际人数与该等级编制人数之比,数量满编指标是指实际人数与编制人数之比。不同性质单位的编现匹配程度对上述指标权重要求不同。例如技术密集型专业化水平更高,岗位不可替代性强,人员编现匹配评估更注重专业对口,而劳动密集型单位岗位之间差异小,更加注重数量匹配情况。为解决不同单位评估的差异性问题,构建变权评估模型,根据不同单位性质,如数量规模型、专业型和混合型,对各个指标权重进行合理变换。
当编现数据较模糊时,例如无法获取编制表中的每一条编现数据,也不能看到编余和超编数据,如表1 所示。该数据表格不能获取详细到每一条的编现数据,即编制表中的某岗位、某等级、某专业的编制人数以及实际人数,也不能看到编余和超编的情况,针对这种粗糙的数据信息,首先提出基础假设。
表1 粗粒度编现数据Tab.1 Coarse-grained person-job fit data |
| 专业1 | 专业2 | 等级1 | 等级2 | 岗位1 | 岗位2 | |
|---|---|---|---|---|---|---|
| 编制数量 | a | b | c | d | e | f |
| 实有人数 | A | B | C | D | E | F |
假设1:编制设置是合理的,且不同岗位重要程度相同。
假设2:单位现有人员情况完全满足编制需求的,但存在人数超编、人员编余(即人员真实岗位不在编制表中)等情况,仍然认为该单位的人员编现匹配程度为100%。
假设3:单位人员的编现匹配程度与岗位、专业、等级、数量因素相关,忽略其他非关键因素影响。
1.2 模型的建立
当编现数据不够详细时,构建粗粒度的变权评估模型。
变量1:人员编现匹配指数M,根据假设2,其域值为[0,1],表示单位的现有人员与编制数据的匹配程度。
根据假设3,本文提取了岗位、等级、专业、数量4个影响因素,分别用J、L、P、N表示,则n(J)、n(L)、n(P)、n(N)分别表示待评单位编制的总岗位数、总等级数、总专业数和总人数。设JD、LD、PD、ND分别表示单位D在岗位、等级、专业、人数4个维度上的现有人员对照编制的符合总数量,表示待评单位D在编制要求中第j个岗位上的现有人员对照编制的符合数量,j为正整数,且j≤n(J),则
JD=
表示待评单位D在编制要求中第l个等级上的现有人员对照编制的符合数量,l为正整数,且l≤n(L),则
LD=
表示待评单位D在编制要求中第p个专业上的现有人员对照编制的符合数量,p为正整数,且p≤n(P),则
PD=
ND表示D单位现有人员数量。J0D、L0D、P0D、N0D表示单位D在岗位、等级、专业、人数指标上对应的编制人数数量,均与编制总人数相等。
比如,D单位编制在j岗位上的人数要求为10人,即=10;若D单位工作在该岗位上的有7人,则=7;若D单位现有13人工作在该岗位,多于编制需求,则==10。
依据假设1,认定编制设置是科学合理的。此时,可以把编制作为各项指标的评价标准值,据此设计了4个评价指标,如表2 所示。
表2 D单位各匹配要素量化表Tab.2 Unit D element quantization table |
| 现有实力 | 编制要求 | |||
|---|---|---|---|---|
| JD(岗位) | LD(等级) | PD(专业) | ND(数量) | |
| JD(岗位) | x1D | |||
| LD(等级) | x2D | |||
| PD(专业) | x3D | |||
| ND(数量) | x4D | |||
由此设计变量如下。
变量2:单位岗位编配率x1,根据假设2,其域值为[0,1],表示单位现有人员在岗位上与编制的匹配程度。
x1= ×100%
变量3:单位等级适配率x2,根据假设2,域值为[0,1],表示单位现有人员在等级上与编制的匹配程度。
x2= ×100%
变量4:单位专业对口率x3,根据假设2,域值为[0,1],表示单位现有人员在专业上与编制的匹配程度。
x3= ×100%
变量5:单位人员满编率x4,根据假设2,域值为[0,1],表示单位现有人员在数量上与编制的匹配程度。
x4= ×100%
设评价指标向量X=[x1,x2,x3,x4],则人员编现匹配指数
M=W·XT·100%
其中,W=[ω1,ω2,ω3,ω4]为权重向量,设ωi为第i个因素对编现匹配指数的影响权重,则有:
ωi=1,0≤ωi≤1
式(8)即为人员编现匹配指数M的基本评价模型。
1.3 变权计算
不同类型单位对评价指标向量X的权重向量W显著不同。为提高权重向量的赋值合理性,需要对单位类别进行划分,由此,本文提出了单位专业化程度评价指标。
变量6:单位专业化程度指标ρ,取值范围为(0,1],表示某单位的专业化水平。
对单位D,设ρD=P0D/N0D,当ρD的取值越接近于1,则表明D单位的各个岗位的专业化程度越高,当的取值越接近于0,则表明D单位的专业化程度越低,据此,划分单位类别。
当0<ρD≤S1时,D单位为数量规模型单位;
当S1<ρD≤S2时,D单位为混合型单位;
当S2<ρD≤1时,D单位为专业效益型单位。
S1、S2的具体数值要根据实际数据情况进行确定,具体评估流程如图1 所示。
以混合型单位为例,计算过程如下。
Step1:根据不同单位类别,计算主观赋权法的各指标权重排序。
根据AHP法一般步骤,依据构建的指标体系,选用1~9标度法作为评价指标比较评语集,请10名不同层级和岗位的相关专家和领导对指标进行评价,先对数据进行技术处理,后分步计算,求出各层次指标权重,最后进行一致性检验,保证结论的有效性。
Step1.1:根据评估指标体系结构确定判断矩阵。
在编配程度影响因素中,目标层受到四个因素的影响。判断矩阵元素的确定,使用1~9及其倒数作为标度,具体意义如表3 所示。
表3 判断矩阵标度的含义Tab.3 The meaning of Judge matrix scaling |
| 标度 | i与j对比重要性 |
|---|---|
| 1 | i与j同样重要 |
| 3 | i比j稍微重要 |
| 5 | i比j比较重要 |
| 7 | i比j非常重要 |
| 9 | i比j绝对重要 |
| 2,4,6,8 | 重要程度介于1~3,2~5,…之间 |
| 倒数 | 介于相邻标度的中间 |
应用1~9的比较标度法对指标体系各指标进行两两比较,即可构造指标的比较判断矩阵。
Step1.2:计算重要性。
针对所构造的判断矩阵,求出最大特征根所对应的特征向量,所求特征向量经过归一化处理,即为评价指标的重要性排序,也就是权重分配。本文采用合积法求判断矩阵的最大特征根和特征向量。
Step1.3:判断矩阵一致性检验。
进行一致性检验以判断以上得到的权重分配是否合理。检验公式如下:
CR=
式(10)中,CR为判断矩阵的随机一致性指标;CI为判断矩阵的一般性指标;RI为判断矩阵的平均一致性指标。
Step1.4:依次计算分析出基于任务完成能力的数量规模型、专业效益型、混合型单位的指标重要性排序,如表4 。
表4 不同专业化程度单位指标重要性排序表Tab.4 Ranking the importance of unit indicators of different degrees of specialization |
| 单位类别 | 指标重要性排序表 |
|---|---|
| 数量规模型 | 数量≥等级≥岗位≥专业 |
| 混合型单位 | 岗位≥数量≥专业≥等级 |
| 专业效益型 | 专业≥岗位≥等级≥数量 |
Step2:计算变异系数
设Ck为第k个评价指标的变异系数值,则变异系数Ck的计算过程如下:
σk= ,(k=1,2,…,m)
Ck=
其中,σk为第k个评价指标的标准差,Χki为第i个评价对象中第k个评价指标的平均值。
Step3:采用评价指标的变异系数值确定相邻指标和Χk重要性程度的比值rk,计算公式如下:
rk=
Step4:根据公式(13)计算得到的rk值,可得第m个指标基于变异系数-G1法的混合交叉权重Wm为
Wm=
Step5:将公式(14)计算得到的权重Wm代入下面的公式:
Wk-1=rk*Wk,k=m,m-1,…,2
即可得到第m-1,m-2,…,1个评价指标的权重,由此计算出该类型的权重向量W。
2 细粒度变权评估模型
在粗粒度变权模型的基础上,如果能够获取更详细的编现数据,即能获取每一条编制的编现情况,则可构建细粒度编现匹配评估模型,考虑不同岗位、专业和等级对评估的影响,计算变化的权重,实现更加精细的评估。
2.1 适用场景
若每一个编制都对应特定的岗位、专业和等级,且详细的编现数据均能获取时,粗粒度模型评估的准确性就难以保证。例如:某单位编现数据如表5 所示。
表5 某单位编现数据Tab.5 Person-job fit data of a certain unit |
| 编制 | 岗位 | 等级 | 专业 | 数量 |
|---|---|---|---|---|
| 岗位1 | 等级1 | 专业1 | 1 | |
| 岗位2 | 等级2 | 专业2 | 1 | |
| 实有 | 岗位 | 等级 | 专业 | 数量 |
| 岗位1 | 等级2 | 专业2 | 1 | |
| 岗位2 | 等级1 | 专业1 | 1 |
表格中的数据,如果按照粗粒度模型进行计算,在岗位、等级和专业三个层面的匹配度均为100%,但实际情况是人员没有对应合适的岗位,这是一种典型的人岗不匹配问题。另外,详细的编现数据还能体现超编和编余人员的信息。超编(缺编)是指人员岗位、等级、专业符合编制表要求,但实有人数超过(少于)编制表规定的人数,而编余是指人员实际在单位工作,但其岗位或等级或专业不符合编制要求。
因此,实现细粒度的评估,不仅需要对应岗位、等级和专业进行综合匹配,考虑不同岗位、专业、级别的差异性。还要考虑超缺编和编余对编现匹配的影响。先提出基本假设和定义:
假设1:一个单位的编现匹配程度只与该单位的编制、实有数以及不同岗位、等级、专业的人员分布情况相关,且由岗位、等级、专业和数量4个属性组成;
假设2:单位中某类岗位(或专业、等级)存在重要程度的差异。
2.2 岗位、等级、专业重要性建模
岗位(或专业)的重要程度往往与该单位主责主业相关,例如,某一通信领域的科研单位中,通信专业和科研岗位在该单位更重要,在此岗位和专业下的人岗匹配将对单位产生更大的影响。假设没有除了数量以外更丰富的数据支持,仅能通过数量来衡量岗位的重要性,通常在单位中某一岗位(或专业)编制数量越多,意味着该岗位越可能是重要岗位(专业),因此,本文采取使用专业占比来描述其重要度,即某类岗位(或专业)人数da(dc)与damax(dcmax)之比来描述该岗位(或专业)的重要度ai(ci)。
ai=da/damax
(注:若岗位各项指标数据丰富,可继续丰富完善岗位或专业重要度ai表达式)
不同等级的人员编现匹配情况对该单位的影响也不同,例如,院校中,教授级别人员的缺编和讲师人员的缺编造成的影响将会大不相同。但由于等级的编制数量往往是金字塔模型,采用简单的数量比例衡量等级的重要性并不合理。
以院校为例,为更加清晰明确各等级重要度权重系数,结合实际,划定11个等级,分为初职、中职和高职三大类。按照所划分类别,将1-6级划分为初职、7-9级划分为中职、10-11级划分为高职。通常情况下初职等级的人员人数较多,级别增长速度相对较快。高职人员人数较少,级别增长速度相对较慢。
为确定等级重要程度,构造分段函数g(x),表示等级x和等级重要度之间的关系。由于初、中、高职之间差距较为显著,则分段函数按初、中、高职分为三段处理。在函数构造过程中,结合人员数量、级别增长速度确定对单位的重要程度,本文将初职阶段各等级重要程度拟合成线性增长,中职各等级重要程度拟合成幂函数形式增长,高职各等级重要程度拟合成指数型增长,则该函数的表达式应为
g(x)=
其中,k1、k2、k3、k4、k5、k6皆为常数,具体数值可根据实际数据情况计算拟合获得。
本文在构造该函数过程遵循了以下原则:
1)虽然本文只有11个等级,为离散函数,但为了体现趋势和普适性,对函数做连续化处理,自变量取值范围为[0,+∞),且须满足各分段点处的函数平滑;
2)特征函数值处理过程,认为无等级情况下重要程度为0,即g(0)=0;
按照人员等级由低到高排序,设置等级集合:
S=
为便于权重的计算,采取线性函数映射并归一化处理的方法,得出各等级的权重系数:
sk=g(S)k/ g(S)m
由于每条编制数据中的等级全部囊括在等级集合之中,等级重要度参数是指不同职称等级对于单元正常运行和功能发挥的重要程度,所以将等级重要度参数bi与权重系数之间进行映射关联:
$b_{i} \stackrel{\text { 一一对应 }}{\longleftrightarrow} s=\left\{s_{01}, s_{02}, \cdots, s_{11}\right\}$
2.3 匹配偏移模型
为便于计算,构建匹配偏移模型,当偏移量较少时,认为匹配程度较高,反之认为匹配程度较低。首先,不考虑岗位、等级和专业对权重的影响,只考虑人数超编、编余或缺编对匹配偏移的影响。
设xi∈[0,1]为编现数据匹配后的第i条编制记录的满编率,为第i条编制记录实有人数与编制人数之比。
如果不考虑岗位、等级、专业对编现匹配的影响,分析几种极端情况:
当xi=1时,编现完全匹配,偏移量f=0;
当xi→0时,严重缺编,偏移量f为较大的数值;
当xi→xmax时(统计获取的编现数据,得出单位中的满编率不会超过xmax),严重超编,偏移量为f(xmax)。
本文认为,当超编程度过高时,对偏移量的影响将会稀释,因此,当1<xi≤xmax时,随着满编率xi不断增加,编现匹配偏移量增加越来越慢,则f为凸函数,即f'>0,f″<0;同样,缺编越严重时,对偏移量的影响越大,因此,当0<xi<1时,随着满编率xi不断减小,编现匹配偏移量增加越来越快,则f为凹函数,即f'<0,f″>0。因此,将偏移量表达式拟合为分段函数:
f =
其中,∂、l和s均为常数,当满编率xi=1,由f=0可得l=1;考虑实际情况,如果一个单位超编,对该单位正常运行和工作带来的影响会小于缺编带来的影响,因此,缺编最严重时的编现匹配偏移量必须大于超编最严重时的编现匹配偏移量,即参数s需满足f≪f,结合计算便利度和取整原则,取s=10,∂=3。
因此,第i条编现数据记录的编现匹配偏移量解析式为
f =
2.4 偏移修正量模型
为了反映编余人员数据对编现匹配程度的影响,实际情况中还需要考虑编余人员对匹配程度的影响,因此,需要对基础模型进行修正,构建编现匹配综合偏移量解析式。
分析编余人员对编现匹配偏移量影响时,考虑编余人员总数对单位编现匹配程度带来的影响,即=(为Dj单位的编余人数,为Dj单位的编制总人数)。
岗位重要度ai、等级重要度bi、专业重要度ci之间相互独立、互不隶属,因此,在解析式中是乘积关系;使用修正编现匹配偏移量f,由于f为每条编现数据记录的编现匹配偏移量,为消除某单位编现数据记录条数对编现偏移量的累加影响,对累加结果除以单位编现数据记录总数m。可得单位Dj的编现匹配综合偏移量解析式。
= =
模型首先计算编现匹配偏移量和编余人员造成的编现匹配偏移修正量2个重要参数,再综合考虑岗位、等级、专业及人员分布情况带来的影响,通过计算得到单位编现匹配综合偏移量。
考虑一种最极端情况,该单位编制中所有人员的岗位、等级和专业都一样,即岗位重要度ai=1、等级重要度bi=1、专业重要度ci=1,f取极大值3,0≤O≤1(编余人数不超过编制数的100%),则Pmax=4。
对编现匹配综合偏移量进行归一化处理,选择编现匹配综合偏移量最大理想值Pmax作为基准,分别计算其他D级单位偏移量与Pmax之比,得出各个D级单位的编现匹配偏移度。
=
至此,完成对单位编现匹配程度的评价工作。偏移度越大,匹配程度越低,偏移度越小,匹配程度越高,偏移度为0时,编现完全匹配。
3 示例仿真
3.1 示例背景
本文以某单位人员编现数据为例,用所构建模型对数据进行分析并评估不同粒度数据下两者的编现匹配情况。
3.2 粗粒度模型计算结果
根据粗粒度编现数据,首先计算所有单位的专业化程度指标。根据测试数据实际计算结果,设定S1=0.273,S2=0.545。即,当0< ρD≤0.273时,为数量规模型单位;当0.273< ρD≤0.545时,为混合型单位;当0.545< ρD≤1时,为专业效益型单位,如图3 所示。
由图3 可见,前117个单位属于数量规模型单位,117~123号单位属于混合型单位,124~132号单位属于专业效益性单位,根据计算公式(15),首先得到不同类型单位权重向量结果如表6 所示。
表6 不同专业化程度单位各因素权重Tab.6 Weight of each factor in different degree of specialization unit |
| 岗位编配率 | 等级适配率 | 专业对口率 | 数量满编率 | |
|---|---|---|---|---|
| 数量规模型 | 0.254 | 0.256 | 0.203 | 0.287 |
| 混合型单位 | 0.427 | 0.157 | 0.200 | 0.216 |
| 专业效益型 | 0.236 | 0.235 | 0.296 | 0.233 |
根据不同类别单位的权重向量W,利用公式(8)计算出所有D级单位的人员编现匹配程度,截取10个单位编现匹配指数结果如表7 所示。
表7 粗粒度评估结果Tab.7 Coarse-grained evaluation results |
| 单位 | 1D | 2D | 3D | 4D | 5D | 6D | 7D | 8D | 9D | 10D |
|---|---|---|---|---|---|---|---|---|---|---|
| 编现匹配指数 | 62.3% | 34.6% | 48.7% | 48.1% | 33.4% | 93.6% | 89% | 90.4% | 90.8% | 80.3% |
3.3 细粒度模型计算结果
根据某单位的详细编现数据,运用细粒度评估模型和公式(24),求取结果如表8 所示。
表8 细粒度评估结果Tab.8 Fine-grained evaluation results |
| 单位 | 1D | 2D | 3D | 4D | 5D | 6D | 7D | 8D | 9D | 10D |
|---|---|---|---|---|---|---|---|---|---|---|
| 编现匹配指数 | 0.141 | 0.153 | 0.069 | 0.183 | 0.071 | 0.069 | 0.107 | 0.074 | 0.061 | 0.063 |
3.4 结果比较及分析
运用两种模型,计算结果比较如表9 所示。
表9 结果对比情况Tab.9 Comparison of results |
| 单位 | 1D | 2D | 3D | 4D | 5D | 6D | 7D | 8D | 9D | 10D |
|---|---|---|---|---|---|---|---|---|---|---|
| 匹配度 | 62.3% | 34.6% | 48.7% | 48.1% | 33.4% | 93.6% | 89% | 90.4% | 90.8% | 80.3% |
| 偏移度 | 0.141 | 0.153 | 0.089 | 0.183 | 0.091 | 0.069 | 0.107 | 0.074 | 0.061 | 0.063 |
匹配程度最高的三个单位用绿色表示,匹配程度最低的红色表示,总体结果基本一致,两种模型计算6D和9D都是编现匹配较优的单位,而2D和4D是编现匹配较差的单位。
两种模型结果差距较大的单位是1D和5D。其中5D的匹配度最低,但是其偏移度却不高,5D的编现数据如表10 所示。
表10 单位5D的编现数据Tab.10 The person-job data of unit 5D |
| 岗位代码 | 等级 | 专业编号 | 编制数量 | 实有数量 | 岗位代码 | 等级 | 专业编号 | 编制数量 | 实有数量 |
|---|---|---|---|---|---|---|---|---|---|
| 岗位01 | S06 | JB02 | 8 | 8 | 岗位17 | S04 | JC01 | 1 | 0 |
| 岗位02 | S06 | JB03 | 1 | 1 | 岗位18 | S07 | JB02 | 3 | 3 |
| 岗位03 | S03 | JB02 | 2 | 2 | 岗位19 | S07 | JB04 | 1 | 1 |
| 岗位03 | S04 | JB02 | 2 | 1 | 岗位20 | S03 | JC07 | 3 | 4 |
| 岗位03 | S06 | JB24 | 1 | 0 | 岗位20 | S04 | JC07 | 5 | 6 |
| 岗位04 | S04 | JE06 | 1 | 1 | 岗位21 | S03 | JB02 | 12 | 12 |
| 岗位05 | S07 | II13 | 1 | 1 | 岗位21 | S03 | JB26 | 1 | 0 |
| 岗位06 | S07 | JB12 | 2 | 1 | 岗位21 | S04 | JB02 | 10 | 9 |
| 岗位07 | S08 | JC07 | 1 | 1 | 岗位22 | S08 | EA24 | 1 | 0 |
| 岗位08 | S04 | JC07 | 1 | 0 | 岗位22 | S08 | II13 | 1 | 1 |
| 岗位09 | S03 | JB03 | 3 | 2 | 岗位23 | S09 | JB26 | 1 | 1 |
| 岗位09 | S04 | JB03 | 1 | 1 | 岗位24 | S07 | JB03 | 1 | 1 |
| 岗位10 | S03 | JB12 | 3 | 2 | 岗位25 | S03 | JC01 | 4 | 1 |
| 岗位10 | S04 | JE12 | 2 | 2 | 岗位25 | S04 | JC01 | 1 | 1 |
| 岗位10 | S06 | JB12 | 2 | 2 | 岗位26 | S06 | II02 | 1 | 1 |
| 岗位11 | S06 | JC07 | 1 | 0 | 岗位27 | S07 | II13 | 1 | 1 |
| 岗位11 | S07 | JC07 | 1 | 2 | 岗位28 | S06 | JC01 | 2 | 1 |
| 岗位12 | S08 | JB24 | 2 | 1 | 岗位29 | S04 | JC06 | 4 | 4 |
| 岗位13 | S03 | II13 | 1 | 1 | 岗位29 | S06 | JC06 | 2 | 2 |
| 岗位13 | S04 | II13 | 1 | 2 | 岗位30 | S07 | JC25 | 1 | 1 |
| 岗位13 | S06 | II13 | 1 | 1 | 岗位31 | S03 | JB04 | 2 | 2 |
| 岗位14 | S06 | JC07 | 2 | 3 | 岗位31 | S04 | JB04 | 3 | 2 |
| 岗位15 | S04 | JC25 | 1 | 1 | 岗位31 | S06 | JB04 | 1 | 1 |
| 岗位16 | S03 | JB06 | 1 | 1 | 岗位32 | S08 | JB24 | 1 | 1 |
| 岗位16 | S04 | JB06 | 1 | 1 |
从模糊数据来看尽管该单位整体的匹配情况较差,但是按照详细数据的数量分布,该单位中主要岗位为岗位21,主要专业为JB02,在主要岗位和主要专业的编现匹配程度均较好,且多数不匹配的情况是超编所引起,对偏移度的影响较小,因此整体的偏移度较低。
而1D匹配度虽然高,但是偏移度也很高,1D的编现数据如表11 。
表11 单位1D的编现数据Tab.11 The person-job data of unit 1D |
| 岗位代码 | 等级 | 专业编号 | 编制数量 | 实有数量 | 岗位代码 | 等级 | 专业编号 | 编制数量 | 实有数量 |
|---|---|---|---|---|---|---|---|---|---|
| 岗位33 | S06 | GI07 | 1 | 1 | 岗位20 | S03 | JC07 | 1 | 3 |
| 岗位34 | S07 | II14 | 1 | 1 | 岗位20 | S04 | JC07 | 3 | 3 |
| 岗位35 | S03 | CF21 | 1 | 1 | 岗位51 | S03 | CF14 | 1 | 1 |
| 岗位36 | S04 | DF06 | 1 | 1 | 岗位51 | S04 | CF14 | 1 | 1 |
| 岗位36 | S06 | DF06 | 1 | 1 | 岗位52 | S03 | FG13 | 1 | 1 |
| 岗位37 | S04 | CF17 | 1 | 1 | 岗位53 | S03 | CF21 | 1 | 1 |
| 岗位38 | S06 | JC25 | 5 | 1 | 岗位54 | S06 | CF17 | 1 | 1 |
| 岗位39 | S06 | CH04 | 1 | 1 | 岗位55 | S08 | JC07 | 1 | 0 |
| 岗位40 | S08 | IJ02 | 1 | 1 | 岗位23 | S09 | JC01 | 1 | 1 |
| 岗位11 | S07 | JC07 | 1 | 1 | 岗位56 | S04 | HE04 | 2 | 1 |
| 岗位41 | S07 | IJ02 | 1 | 1 | 岗位57 | S08 | GI23 | 1 | 1 |
| 岗位42 | S11 | AA12 | 1 | 1 | 岗位57 | S09 | JC01 | 2 | 1 |
| 岗位43 | S03 | EC01 | 2 | 2 | 岗位58 | S07 | JC06 | 1 | 1 |
| 岗位14 | S06 | JC07 | 1 | 2 | 岗位59 | S04 | CF21 | 2 | 1 |
| 岗位44 | S04 | JC25 | 2 | 1 | 岗位60 | S06 | CJ05 | 2 | 1 |
| 岗位45 | S03 | CF02 | 1 | 1 | 岗位27 | S08 | CF21 | 1 | 1 |
| 岗位45 | S04 | CF02 | 1 | 1 | 岗位30 | S07 | JC25 | 2 | 1 |
| 岗位46 | S06 | GI07 | 1 | 1 | 岗位61 | S06 | II14 | 1 | 1 |
| 岗位47 | S03 | CF02 | 1 | 1 | 岗位62 | S08 | JB24 | 2 | 1 |
| 岗位47 | S04 | CF02 | 1 | 1 | 岗位63 | S06 | HE04 | 2 | 1 |
| 岗位48 | S07 | JC01 | 2 | 1 | 岗位64 | S06 | EC01 | 2 | 1 |
| 岗位49 | S06 | JC01 | 1 | 1 | 岗位64 | S07 | EC01 | 1 | 1 |
| 岗位50 | S04 | II13 | 1 | 1 | 岗位65 | S04 | EC01 | 1 | 1 |
从模糊数据来看,虽然整体的匹配程度较高,但是该单位的主要岗位为岗位38,主要专业为JC25,在主要岗位和主要专业上均出现较大的缺编现象,因此偏移程度也较高。
综合来看,根据不同粒度的编现数据,两种模型均能够评估单位的编现情况,且结果具有一致性,随着提供编现信息的细化,超编、缺编和编余的区别以及主要岗位、专业和不同等级的影响效果开始显现,评估结果出现不同,细粒度评估模型的效果更加精细,但是细粒度评估模型对数据要求较高、计算成本较高,需要根据实际情况综合运用两种模型。
4 结束语
为解决单位人员编现匹配评估模型考虑因素单一、难以适应不同粒度编现数据的问题,本文构建了变权编现匹配评估模型。
1)粗粒度变权评价模型:针对模糊的编现数据,综合考虑了待评单位岗位、专业、等级以及数量上的匹配情况,进行指标权重设置,有效改善了此前只应用满编率评价单位编现匹配程度的情况,提出人员编现匹配指数不仅能反映单位人员编现在数量上的差异,还能体现其在队伍结构上的分布特点。考虑不同类型单位,人员编现匹配指数对不同指标的敏感性具有显著不同,提出了一个专业化程度评价指标,对单位类型进行了划分。
2)细粒度变权评价模型:针对详细的编现数据,综合考虑了编制各属性因素和编余人员的影响,通过提出编现匹配偏移度概念,使得评价结果可综合体现岗位、等级、专业构成和人员分布的详细匹配情况。
3)模型验证:通过获取的实际编现数据,运用两种模型分别进行计算,并对计算结果进行比对,评估结果总体呈现一致性,随着提供编现信息的细化,超编、缺编和编余的区别以及主要岗位、专业和不同等级的影响效果开始显现,细粒度评估模型的效果更加精细,验证了方法模型的有效性。