[摘要]科学、准确地对人力资源需求进行预测分析,有助于准确把握企业内现有人力资源的状况,有效地进行人力资源规划和优化配置。基于探讨BP神经网络在我国企业人力资源需求预测中的应用,分析BP神经网络的基本原理,并通过举例具体阐述了如何运用MATLAB工具箱实现基于BP神经网络的企业人力资源需求预测。
[关键词]人力资源管理;人力资源需求预测;BP神经网络
[中图分类号]F270.7[文献标识码]A[文章编号]2095-3283(2013)01-00-02
一、 应用BP神经网络的必要性
随着经济全球化和信息技术的加快发展,我国企业面临着更为严峻的竞争压力。为了适应现代市场需求,企业必须优化配置人力资源,并科学制定人力资源规划。其中,科学的人力资源需求预测是人力资源开发和规划的基础,对人力资源管理活动将产生持续和重要的影响。
企业人力资源需求预测分析方法多种多样。在进行人力资源需求预测时,企业要考虑的因素复杂多变,如企业的目标和经营战略、生产状况的变化、工作设计或组织结构的变化等,而且各种影响因素与预测结果之间的相关性难以用定量的方法表示出来,是非线性相互制约的映射关系。将BP神经网络方法应用于人力资源需求预测领域,弥补和改进了人力资源需求预测分析方法,能较好地实现各指标与需求结果之间非线性关系的映射,对企业人力资源决策具有一定的参考和指导作用。
二、BP神经网络的基本原理
人工神经网络,简称神经网络,是一种包括许多简单的非线性计算单元或联结点的非线性动力系统,是用大量简单的处理单元广泛连接组成的复杂网络。Back-Propagation Network,简称为BP网络,即基于误差反向传播算法的多层前馈网络,是目前应用最成功和广泛的人工神经网络。它由输入层、隐含层和输出层组成。隐含层可以是一层或多层。BP神经网络自身具有的非线性映射、自学习、自适应能力、容易实现并行计算等优点,弥补和改进了供应商选择和评价方法,能较好地实现各指标与评价结果之间非线性关系的映射。
基于BP神经网络,构建供应商的选择评价模型,其基本思想为:假设输入变量为X=(X1,X2,···,Xi)",隐含层输出变量为Y=(Y1,Y2,···,Yj)",输出层变量为Z=(Z1,Z2,···,Zl)",期望输出的目标变量为T=(T1,T2,···,Tl)",Wij、Wjl分别为输入层到隐含层、隐含层到输出层的连接权值(如图1所示)。对于i个输入学习样本X1,X2,···,Xi,已知与其对应的输出样本为Z1,Z2,···,Zl。通过BP算法的学习,沿着负梯度方向不断调整和修正网络连接权值Wij和Wjl,使网络的实际输出Z逐渐逼近目标矢量T,也就是使网络输出层的误差平方和达到最小。
图1三层BP网络结构图三、BP神经网络在企业人力资源需求预测中的应用
根据上述BP神经网络主要思想,以A公司为例,分析如何运用MATLAB工具箱实现基于BP神经网络的企业人力资源需求预测。
1.样本数据处理
选取年份、产值、资产总计、利润4个指标作为输入向量,从业人员作为目标向量(见表1)。在对BP网络进行训练前,应该对数据进行归一化处理,使那些比较大的输入仍落在传递函数梯度大的地方。本例采用MATLAB工具箱中的premnmx()函数把数据归一到[-1,1]之间,如表2所示。
对于BP网络,有一个非常重要的定理。即对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近,因而一个三层BP网络就可以完成任意的n维到m维的映射。本例采用单隐层的BP网络进行从业人员预测。由于输入样本为4维的输入向量,因此,输入层一共有4个神经元,网络只有1个输出数据,则输出层只有1个神经元。隐含层神经元个数根据最佳隐含层神经元数经验公式取15个。因此,网络应该为4×15×1的结构。隐含层神经元的传递函数为S型正切函数tansig(),输出层神经元的传递函数为线性激活函数purelin()。
3.BP网络训练及仿真
建立网络后,对表2中的数据进行训练,训练参数的设定如表3所示,其他参数取默认值。
训练次数12100012目标误差120.00112学习速率120.01训练结果如图1所示,可见经过52次训练后,网络的目标误差达到要求。
图1训练结果网络训练结束后,运用MATLAB工具箱中的sim()函数,将经过归一化后的数据表2进行仿真模拟,获得网络的输出,然后将运算结果通过postmnmx()函数进行反归一化处理,得到BP网络预测值,最后检查BP网络预测值和实际从业人员数之间的误差是否符合要求,如表4所示。
4.预测结果评价
图2反映了该BP网络较好地逼近了输入矢量,即年份、产值(万元)、资产总计(万元)和利润(万元)与目标矢量,即从业人员(人)之间的线性关系。用BP神经网络对现有人力资源状况进行分析拟合,是人力资源需求预测的较理想方法。与传统的人力资源需求预测方法相比,将BP神经网络用于人力资源需求预测,克服了输入矢量和目标矢量非线性、不符合统计规律的问题。BP神经网络模型良好的容错和自学习能力,调用MATLAB工具箱函数,使预测过程更易实现,可以更好地对人力资源进行规划,提高人力资源预测精度。
图2BP神经网络的函数逼近结果将BP神经网络应用于企业人力资源需求预测,能较好地建立起各影响因素与预测结果之间的非线性关系,是企业预测人力资源需求的一种较理想的方法。但BP神经网络也存在着一些不足和问题。主要表现在学习速率太小可能会造成训练时间过长;BP算法可以使权值收敛到某个值,但并不能保证其为误差平面的全局最小值;网络隐含层的层数和单元数的选择一般是根据经验或者通过反复实验确定,网络往往存在很大的冗余性,在一定程度上也增加了网络学习的负担。因此,BP神经网络在企业人力资源需求预测领域的应用仍需根据企业自身实际情况做进一步的改进和完善。
[参考文献]
[1]飞思科技产品研发中心神经网络理论与MATLAB7实现[M]北京:电子工业出版社,2005.
[2](美)海金(Simon Haykin)神经网络原理(原书第2版)[M]叶世伟,史忠植译北京:机械工业出版社,2004.
[3]丛爽面向MATLAB工具箱的神经网络理论与应用[M]中国科学技术大学出版社,1998.
[4]刘跃基于BP神经网络的人力资源估价研究[J]统计与信息论坛,2007(1):96-99.
[5]艳明四种人力资源的定量预测方法及评述[J]统计与决策,2008(7):30-32.
[6]国家统计局固定资产投资统计司,中国行业企业信息发布中心中国大型房地产与建筑业企业年鉴[M]北京:中国大地出版社,2003-2008.
[7]王文富企业人力资源预测与规划研究[D]天津大学,2004.
Abstract: Science, and human resource needs accurately forecast analysis help to accurately grasp the status of the existing human resources within the enterprise, effective human resource planningThis paper discusses the application of BP neural network in the corporate human resource demand forecasts, indicating that the main idea of the work of the BP network, and through the application of Company A numerical example is described in detail how to use MATLAB toolbox based on BP neural network enterprise human resource demand forecastsFinally, some suggestions put forward in the application process
Key words: human resource management; human resources demand forecast; the BP neural network
(责任编辑:梁宏伟)