張 翔，李國昌

(安徽建筑大學(xué) 經(jīng)濟管理學(xué)院，安徽 合肥 230031)

績效評價方法對組織績效的影響已經(jīng)達到了顯著性水平,員工的表現(xiàn),如能力、知識、技能等同樣對組織具有重要意義[1]。因此,人力資源管理的關(guān)鍵組成部分是能夠讓公司從員工中識別出優(yōu)秀員工的評價技術(shù)。

以往的研究表明，績效評價信息尤其適用于需要進行人際比較的決策(薪酬決定、晉升等)，需要進行個人比較的決策(反饋、個人教育需求等)，面向系統(tǒng)延續(xù)的決策(目標確定、人力規(guī)劃等)和文件編制。顯然，這些任務(wù)可以用傳統(tǒng)的方法和工具來完成，然而，所有員工績效評價方法對于所得評價數(shù)據(jù)的分析都采用加總排序的方式，這無疑在大量耗費企業(yè)人力、物力的同時，又忽略了各個指標的單獨效應(yīng)。因此，研究將模糊c均值聚類算法應(yīng)用于評價數(shù)據(jù)的分析,以235名大型房地產(chǎn)公司銷售人員年度評價數(shù)據(jù)為研究樣本,采用FCM算法對數(shù)據(jù)進行軟聚類。通過與傳統(tǒng)方法評價結(jié)果進行比較,表明了該方法更好地利用了各個指標的單獨效應(yīng),具有更高的靈活性和精準性,從而為完善現(xiàn)有績效評價體系提供新的研究方向與思路。

1 理論分析

1.1 績效評價

國外一些學(xué)者將績效評價問題定義為一個沒有為決策本身定義流程或規(guī)則的非結(jié)構(gòu)化決策問題,以及一個典型的多標準決策(MCDM)問題,并經(jīng)過研究表明,模糊性的應(yīng)用可以成功解決此類問題[2]。近十幾年來,國外學(xué)者基于模糊性的應(yīng)用在指標的選擇、評價體系的設(shè)計以及指標權(quán)重的賦予等方面的研究較為充分且透徹。Golec[3]等提出了一種利用模糊模型評價員工的綜合層次體系。Kuo等運用模糊德爾菲法構(gòu)建了服務(wù)業(yè)流動性的關(guān)鍵績效評價指標。Secme等采用綜合模糊層次分析法(FAHP)和優(yōu)劣解距離法(TOPSIS)對銀行績效進行評價。Moon等采用模糊集合理論、電子名義群體技術(shù)和TOPSIS方法,通過多準則績效評價流程對軍事組織某一特定委員會候選人的篩選進行排序。Wu開發(fā)了一個用于員工績效評估的集成模型,降低了第三方物流決策者的工作負荷。?zdaban等提出了一個模糊模型來確定工作和人員評價。Kelemenis等將模糊性應(yīng)用于TOPSIS方法,進行人員選擇的排名。?zdaban等利用模糊距離集對人員和工作進行聯(lián)合評價。Sepehrirad[4]等構(gòu)建了基于數(shù)學(xué)模型、德爾菲法、模糊層次分析法、簡單相加加權(quán)法及TOPSIS方法對主觀評價進行加權(quán)和匯總的360度績效評價數(shù)學(xué)模型。Min-peng[5]等采用模糊綜合評價和層次分析法對研發(fā)人員績效考核進行建模。Gürbüz[6]等在績效評價體系中加入了工程學(xué)的觀點,開發(fā)了一種混合的多目標決策方法來評估員工在同一任務(wù)中的表現(xiàn),并提出了同時處理定性和定量數(shù)據(jù)的有效方法。?zdemir[7]等在對土耳其大學(xué)績效評價體系構(gòu)建的過程中,運用模糊決策實驗室法(Fuzzy DEMATEL)定量揭示了平衡計分卡的考察視角與指標之間的關(guān)系,然后利用該關(guān)系構(gòu)造了模糊網(wǎng)絡(luò)分析法(Fuzzy ANP)的網(wǎng)絡(luò)結(jié)構(gòu)并得到了各個視角和指標的權(quán)重。

相比較而言,國內(nèi)學(xué)者則更加關(guān)注于評價視角、評價方法以及針對不同類型企業(yè)或團隊的研究,對指標權(quán)重的確定仍是以德爾菲法及層次分析法為主。對于模糊性應(yīng)用的相關(guān)研究主要集中在以模糊綜合評價法為代表的評價指標確定方法。李鋒[8]等結(jié)合功效系數(shù)法與模糊綜合評價法,實行定性判斷和定量分析的雙重方式,建立了更加客觀、精確、公正的營銷績效的考核模型。黃蓉蓉等針對物流企業(yè)績效評價問題的復(fù)雜性和模糊性的特點,立足模糊綜合評價法的觀點,建立了包含3個一級指標和10個二級指標的基于模糊綜合評價的物流績效評價指標體系。魏潔等分析了研究型高校的教師績效考核內(nèi)涵和研究現(xiàn)狀,基于模糊綜合評價法確立了高校教師二級績效評價體系。馬強在新醫(yī)改背景下,將模糊綜合評價法用于公立醫(yī)院績效考核,架構(gòu)了包括公益性、公眾滿意、服務(wù)質(zhì)量、服務(wù)效率和服務(wù)能力在內(nèi)的五大獨特評價視角。陳都運用模糊綜合評價法構(gòu)建起我國高速鐵路的模糊綜合績效評價模型,并以京滬高速鐵路項目為例檢驗了該模型的先進性。

在深入研究了大量國內(nèi)外相關(guān)文獻后,可以確定平衡計分卡(BSC)、關(guān)鍵業(yè)績指標法(KPI)、360°考核法及目標管理評價法(MBO)是實踐中最常用的幾種績效評價方法。國內(nèi)外學(xué)者近幾十年的研究成果主要集中在考察視角綜合性、評價方式科學(xué)性,以及運用模糊理論結(jié)合層次分析法(AHP)、網(wǎng)絡(luò)層次分析法(ANP)、決策實驗室法(DEMATEL)及TOPSIS等使得評價指標的選取具有更強的自適應(yīng)性、指標權(quán)重的確定具有更高的精確性等方面。

然而,正如Espinilla[9]等所提出的,對于績效評價數(shù)據(jù)的分析還沒有確定的方法。這一問題并沒有得到學(xué)者們的關(guān)注,現(xiàn)有方法仍是基于員工所得總分進行硬性分類。顯然,累積的總分會導(dǎo)致每個指標的單獨效應(yīng)失效,因為總分相同的不同員工可能是有差別的,而對于數(shù)據(jù)的模糊聚類可以成功解決這一問題。國內(nèi)學(xué)者成功將FCM算法應(yīng)用于其他領(lǐng)域的評價與分類的相關(guān)研究愈發(fā)多見。郝杰[10]等基于FCM算法及粗糙集的云模型理論提出了用于巖爆等級評價的新模型,并以國內(nèi)外40例巖爆工程為研究對象,運用基于FCM算法的粗糙度理論進行因子屬性重要性評價,計算各評價因子權(quán)重。黃寶嬋等針對乳腺腫瘤紅外圖像的識別,提出一種基于模糊C聚類的實現(xiàn)方法。徐珍珍等采用灰色關(guān)聯(lián)度法和FCM算法相結(jié)合的模式識別模型進行木香質(zhì)量多指標綜合評價研究。

因此，研究將模糊c均值聚類算法應(yīng)用于員工績效評價數(shù)據(jù)的分析,通過克服傳統(tǒng)加總排序的數(shù)據(jù)分析方式所帶來的弊端,使員工績效評價更加精準和有效。

1.2 模糊c均值聚類算法

聚類在模式識別、系統(tǒng)建模、圖像處理、通信系統(tǒng)、數(shù)據(jù)挖掘、分類學(xué)、醫(yī)學(xué)、地質(zhì)學(xué)和商業(yè)等許多工程領(lǐng)域都發(fā)揮著重要的作用。聚類方法將一組N個輸入向量分成c組,使同一組的成員彼此之間的相似性大于與其他組的成員之間的相似性。集群的數(shù)量可以預(yù)先定義,也可以通過其他方法確定(Tushir & Srivastava)。如果數(shù)據(jù)組能夠很好地分離,那么硬聚類方法就是一個自然的解決方案,但如果聚類是重疊的,并且一些數(shù)據(jù)部分地屬于多個集群,那么模糊聚類是處理這類情況的一種好方法。與傳統(tǒng)的硬性聚類方案(如K均值聚類)不同,傳統(tǒng)的硬性聚類方案將每個數(shù)據(jù)點分配給特定的集群,FCM算法則采用模糊劃分,使得每個數(shù)據(jù)點在一定程度上屬于一個由隸屬度等級指定的集群[11-12]。FCM根據(jù)已知聚類數(shù)c、模糊度q、以及輸入向量的初始隸屬度值確定集群。集群的成員關(guān)系由相應(yīng)的隸屬度定義,集群由表示聚類中心的數(shù)值描述。FCM作為一種無監(jiān)督聚類算法,在農(nóng)業(yè)工程、天文、化學(xué)、地質(zhì)、醫(yī)學(xué)診斷、模式識別和圖像處理等領(lǐng)域有著廣泛的應(yīng)用,其理論基礎(chǔ)是Dunn首次提出的一種基于目標函數(shù)最小化的模糊聚類方法,Bezdek利用模糊隸屬度的加權(quán)指數(shù)將目標函數(shù)最小化推廣到FCM算法[13]。

在FCM算法輸出的結(jié)果中,擁有相同總分的員工可以在不同的集群中,這意味著擁有相同總分的不同員工可能是有差別的。另外,FCM的主要優(yōu)勢之一就是不做硬性分類,最終的決定屬于決策者,如果員工對兩個集群的隸屬度非常接近,決策者就可以進一步進行定性分析,并將該員工分配給另一個集群。最后,該方法具有更高的靈活性和精準性,計算速度較快且時間、經(jīng)濟成本較低。

FCM是基于式(1)中目標函數(shù)迭代最小化的迭代優(yōu)化算法。

(1)

(2)

利用拉格朗日乘子法對式(1)求導(dǎo)，可以得出隸屬函數(shù)式(3)和聚類中心式(4)的更新方程。

(3)

(4)

式中，n為數(shù)據(jù)對象的數(shù)量；c為集群的數(shù)量；ukj表示第j個數(shù)據(jù)對象對集群k的隸屬度,定義為式(2)。xj表示第j個數(shù)據(jù)對象,表示式(4)中定義的集群K的中心,表示第j個數(shù)據(jù)點與第k個聚類中心間的歐幾里德距離；參數(shù)q是決定劃分結(jié)果模糊程度的隸屬函數(shù)加權(quán)指數(shù)(如q=1表示硬聚類,q=∞表示完全模糊)。該參數(shù)會影響FCM的性能,一般建議取1.5～2.5之間的值[14]。因此，研究中q取2。

2 研究方法

2.1 研究樣本

研究的樣本界定為企業(yè)員工,并以大型房地產(chǎn)企業(yè)YH公司216名銷售人員2018年度績效評價數(shù)據(jù)為主要研究對象,如表1所示。

表1 YH公司銷售部門季度績效考核得分數(shù)據(jù)(基于各指標權(quán)重數(shù)值)

注:Emp表示員工編號,Cr表示關(guān)鍵指標編號

YH公司是BW集團的分公司,BW集團是中國十大房地產(chǎn)企業(yè)之一,也是中國領(lǐng)先的現(xiàn)代化大型房地產(chǎn)綜合開發(fā)企業(yè),專業(yè)從事房地產(chǎn)開發(fā)與經(jīng)營管理。該公司銷售部門目前采用的是結(jié)合平衡記分卡理論及關(guān)鍵績效指標法，基于財務(wù)、客戶、內(nèi)部業(yè)務(wù)、學(xué)習(xí)發(fā)展四大維度所構(gòu)建的包含20個關(guān)鍵指標的績效評價體系,如表2所示。

表2 YH銷售人員考核體系

注:TPP表示各指標權(quán)重分值總和

2.2 分析技術(shù)

通過MATLAB 2018b以及下述FCM算法對YH公司39名銷售人員2019年第一季度(1～3月)績效評價數(shù)據(jù)進行聚類,計算每個員工關(guān)于所有集群的隸屬度,每個集群表示不同的績效等級,而后根據(jù)聚類中心按降序定義集群,最后將輸出結(jié)果與傳統(tǒng)加總方式比較,分析FCM算法是如何解決績效評價數(shù)據(jù)分析問題的。

FCM算法步驟：

輸入：要集群的數(shù)據(jù)對象、集群數(shù)量c、閾值(error_rate)和最大迭代次數(shù)(max_iteration)

(1)初始化隸屬矩陣(k=1,2,…,c;j=1,2,…,n)

(2)Fort=1,2,3,…,max_iteration

①使用式(4)更新集群中心。

③使用式(1)新目標函數(shù)。

④If (‖Jq(u,V,X)new-Jq(u,V,X)old‖≤error_rate則算法停止。

輸出：最終的集群數(shù)據(jù)。

FCM參數(shù)設(shè)置：

集群數(shù)量c=4(便于將FCM與公司現(xiàn)有績效分級進行比較),聚類誤差=0.01

error_rate=2，max_iteration=100。

3 研究結(jié)果

3.1 各員工對4個集群的隸屬度

FCM算法按照輸入?yún)?shù)構(gòu)建4個績效集群,為每個員工計算這些集群的隸屬度,并采用員工的最高隸屬度確定每個員工隸屬的集群，如表3所示。由表3結(jié)果可知,每個員工都被附加到最合適的集群。例如,Emp01附屬于隸屬度為0.349 961 06的集群2,Emp03附屬于隸屬度為0.682 469 072的集群4。

表3 員工對各集群的隸屬度

3.2 聚類中心及績效分級

在機器學(xué)習(xí)方法中,集群由其聚類中心有效地表示,算法完成后,構(gòu)建聚類、計算聚類中心、標記聚類，如表4所示,將聚類中心按照降序排列以實現(xiàn)績效的分級。

表4 基于FCM算法的績效分級

FCM算法將員工02，04，15，17，…，211，218，220，231，233，235聚類為集群1,其績效評價級別最高(4.346 104 498),由公司授予優(yōu)秀員工。在日后的工作中,公司應(yīng)當(dāng)鼓勵和激勵集群2的員工向集群1邁進。在集群3中,公司應(yīng)當(dāng)分析員工的不足并進行相應(yīng)的培訓(xùn)。FCM算法將第03，05，07，08，11，…，223，224，228，230和第232名員工聚類為集群4,他們屬于許多指標有所欠缺的類別,這個中心值最小的集群(2.080 014 87)包含了235名員工中最需要自我反省的員工。

人力資源部門在審查這些集群時,應(yīng)該詳細審查成員的隸屬度。例如在集群4中,第132名員工的隸屬度為0.714 343 869;第145名員工的隸屬度為0.714 595 291;第232名員工的隸屬度為0.682 469 072。在這3名員工中,第232名員工的績效水平高于另外兩名員工,第145名員工表現(xiàn)最差。在這種情況下,如果公司想解雇一名員工,應(yīng)當(dāng)在這3名員工中選擇第145名員工。同樣,如果公司想獎勵一名員工,則應(yīng)該選擇集群1的第32名隸屬度為0.384 256 638的員工。

3.3 基于加總方法和FCM算法的績效分級比較

基于加總方法和FCM算法的39名員工績效分級比較如表5所示。由表5可知，第06、22、57、73、92、…、221名員工分別為66.9分、67分、67.2分、67.3分、67.7分、…、68.2分,屬于等級2,但是根據(jù)FCM結(jié)果,該員工屬于等級3。同樣,第173名員工屬于等級2,但FCM將該員工劃分為優(yōu)秀員工。另外,雖然第178名和第221名員工具有相同的TPP值(68.2),但FCM將他們分配到不同的績效等級，類似的分配還有第71名和第149名員工等。簡而言之,傳統(tǒng)方法將部分員工與FCM進行了不同的分類。這些差異是傳統(tǒng)的加總方法以固定分數(shù)為界限進行硬性分類以及累積的總分導(dǎo)致20個指標的單獨效應(yīng)的損失所帶來的弊端。

表5 基于加總方法和FCM算法的39名員工績效分級比較

4 結(jié)論

績效評價數(shù)據(jù)的分析尚未有確定的方法,實踐中采用加總的方式處理會導(dǎo)致每個指標的單獨效應(yīng)失效,因此,研究提出了一種FCM算法來替代傳統(tǒng)的評價數(shù)據(jù)分析方法,并取得成功。研究方法在彌補傳統(tǒng)方法的不足方面做出了重要而顯著的貢獻,簡要總結(jié)如下:FCM算法解決了總分累積所導(dǎo)致的單指標效應(yīng)失效問題；FCM算法不需要制定硬性分級標準,根據(jù)各指標評價數(shù)據(jù)自動進行更為科學(xué)的軟聚類；FCM算法分級數(shù)目可以根據(jù)實際需要做出調(diào)整,輸出結(jié)果也更為多樣,比加總方法更為靈活；FCM算法可以將總分相同的員工劃分到不同的績效等級中,較之加總方法更為精確；最后，F(xiàn)CM算法計算速度極快,極大地節(jié)約了評價數(shù)據(jù)分析的時間、經(jīng)濟成本。