Вероятностно-статистические методы оценки соответствия квалификационных признаков специалистов кадровым потребностям предприятий
Технологии управления компетенциями - процесс сравнения кадровых потребностей предприятия с существующими трудовыми ресурсами. Целевой вектор - комплекс признаков, соответствующий потребностям организаций, сформулированным для необходимых должностей.
Рубрика | Экономико-математическое моделирование |
Вид | статья |
Язык | русский |
Дата добавления | 31.08.2018 |
Размер файла | 15,6 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru
Размещено на http://www.allbest.ru
Руководители большинства отечественных предприятий концентрируют основное внимание на управлении производством, финансами, маркетингом, в то время как совершенствование такой важнейшей составляющей, как кадровые ресурсы, продолжает оставаться наиболее слабым звеном в общей системе управления. При разработке и реализации стратегии управления кадрами предприятий, учреждений и организаций в последнее время стали использовать технологии управления компетенциями. Данные технологии представляют собой процесс сравнения потребности предприятия в кадрах с существующими трудовыми ресурсами.
В связи с наступившим экономическим кризисом для предприятий одним из наиболее важных является вопрос подбора высококвалифицированных специалистов для выполнения определенных задач. Если раньше много усилий прилагалось при выборе форм воздействия на специалистов для приведения их в соответствие с требованиями производства с помощью различных видов обучения, то в ситуации экономии средств бюджета больше внимания уделяется соответствию свойств конкретного специалиста требованиям предприятия к конкретной должности. Таким образом, принятие решений, связанных с выбором оптимальных исполнителей, предполагает выполнение многовариантных расчетов, обоснование критериев оценки различных альтернатив, их приоритетов, определение действий в условиях неопределенности и неполноты данных.
Исследуемым объектом является специалист. Состояние объекта характеризуется набором признаков , упорядоченных в виде n-мерного вектора .
В рассматриваемом случае в качестве компонент могут быть использованы обработанные наборы свойств специалиста, включающие в себя теоретические знания объекта, практические навыки, личностные параметры. Значения компоненты могут измеряться в переменных булевого типа, что сводится к наличию или отсутствию у объекта искомого признака. Однако значения некоторых компонент нельзя приводить к двоичной системе, так как это может повлиять на точность последующей идентификации объекта. Корректная формализация и оценивание этих характеристик, в свою очередь, требуют применения ряда процедур предварительной обработки, включающей в себя ряд традиционных методов статистической обработки.
Комплекс признаков, соответствующий потребностям предприятий, сформулированным для необходимых должностей, представляет собой целевой (эталонный) вектор . Совокупность целевых векторов для всех необходимых вакансий предприятий составляет базу данных эталонов.
Удовлетворение потребности предприятий в кадрах состоит в максимальном (либо приемлемом) соответствии комплекса признаков эталона и комплекса признаков объекта:
кадровый вектор целевой компетенция
.
Для принятия решения о соответствии j-того эталона и диагностируемого вектора из множества эталонов, размещенных в базе данных, воспользуемся методом идентификации многомерных квалификационных признаков. Целевые векторы , полученные на основе анализа совокупности требований к специалистам, необходимым предприятиям, составляют библиотеку эталонов. Однако эталонами могут быть как наборы свойств С, так и наборы свойств К. Если в качестве эталонов использовать наборы признаков специалистов, то будет решаться задача подбора работ относительно их квалификации.
Распознавание состояний объекта диагностирования - это отнесение предъявленного к распознаванию образа к одному из возможных классов с помощью определенного, решающего правила. Применяемые при геометрическом подходе метрические методы распознавания предполагают оценку расстояний до каждого из эталонов [1]. Принадлежность наблюдаемой ситуации определенному классу признается в том случае, когда расстояние между соответствующими векторами минимально, т.е. , если .
Также наряду с характеристиками расстояния для классификации состояний используются меры сходства n-мерных векторов. Для решения задачи в такой постановке применим корреляционный подход. В качестве меры сходства используется коэффициент корреляции:
.
Соответствующим анализируемому признается эталонный вектор признаков, для которого либо максимален, либо превосходит некоторое установленное пороговое значение .
В связи со сложностью формализации параметров объектов будем считать, что элементы векторов заданы с аддитивными погрешностями и . Идентифицируемый вектор есть взвешенная сумма компонент эталонов:
,
где - неотрицательные весовые коэффициенты.
Перейдем к матричным обозначениям и . Вводя приведенную к выходу погрешность:
,
Получим:
,
Где:
.
Задавая доверительный интервал приведенной к выходу погрешности , получим систему неравенств для определения возможных значений коэффициентов .
На основании этого может быть определено множество всех допустимых комбинаций компонент эталонных векторов с вероятностью элементов .
Пользуясь формулой для апостериорных вероятностей, получим выражение:
,
где для вероятности события С использована формула полной вероятности:
.
Множитель , не зависящий от , можно считать константой, которая находится в самом конце вычислений из условия нормировки:
.
Таким образом, на основе байесовского подхода к задаче идентификации можно получить вероятностные выводы о соответствии анализируемого специалиста определенным кадровым потребностям предприятий.
Рассмотренные методы положены в основу программного комплекса, находящегося на стадии опытной эксплуатации в СамГТУ. В основе практической задачи - обеспечение сбалансированного развития кадрового потенциала университета. Импорт данных производится из системы «Научный потенциал» и позволяет сформировать оценки для отдельных сотрудников и кафедр. В качестве целевых использованы те же признаки, но с другими весовыми значениями. В результате возникает возможность оценить перспективы развития кадрового потенциала при отсутствии административного воздействия сверху, а также при различных вариантах реорганизации структуры (объединение и ликвидация кафедр).
Литература
1. Батищев В.И. Обработка данных и идентификация спектров в виброакустической диагностике // Вестник Самар. гос. техн. ун-та. - 2000. - Сер. Технические науки. - С. 109-114.
Размещено на Allbest.ru
Подобные документы
Коэффициенты текущей ликвидности и инвестиционной активности - основные показатели оценки финансового состояния предприятия. Типы задач многокритериальной сравнительной оценки вариантов. Расчет минимума целевой функции поисковым методом Хука-Дживса.
курсовая работа [127,8 K], добавлен 29.05.2019Элементарные понятия о случайных событиях, величинах и функциях. Числовые характеристики случайных величин. Виды асимметрии распределений. Статистическая оценка распределения случайных величин. Решение задач структурно-параметрической идентификации.
курсовая работа [756,0 K], добавлен 06.03.2012Экономическое моделирование хозяйственных процессов. Множественная модель уравнения регрессии. Уравнение парной линейной регрессии, поиск необходимых значений. Выбор одного из значимых признаков для построения парной модели, расчет показателей.
контрольная работа [117,6 K], добавлен 17.04.2015Генеральная, выборочная совокупность. Методологические основы вероятностно-статистического анализа. Функции MathCad, предназначенные для решения задач математической статистики. Решение задач, в MS Excel, с помощью формул и используя меню "Анализ данных".
курсовая работа [401,4 K], добавлен 20.01.2014Эконометрическое исследование признаков деятельности предприятий: доля расходов на закупку товаров, среднедневная заработная плата одного работающего. Построение линейного графика регрессионной зависимости между показателями, оценка адекватности модели.
контрольная работа [93,3 K], добавлен 14.12.2011Анализ структуры взаимосвязей признаков по данным трехмерной таблицы сопряженности с помощью логлинейных моделей. Непараметрические методы проверки гипотез об однородности распределения двух совокупностей. Модели двухфакторного дисперсионного анализа.
отчет по практике [388,6 K], добавлен 01.10.2013Методы социально-экономического прогнозирования. Статистические и экспертные методы прогнозирования. Проблемы применения методов прогнозирования в условиях риска. Современные компьютерные технологии прогнозирования. Виды рисков и управление ими.
реферат [42,4 K], добавлен 08.01.2009Основные функции, задачи и принципы бюджетной системы управления. Технология организации бюджетирования в единой корпоративной автоматизированной системе управления финансовыми ресурсами. Эффект от сокращения времени на расчет видов гибких бюджетов.
дипломная работа [1,4 M], добавлен 07.06.2011Оценка корреляционной матрицы факторных признаков. Оценки собственных чисел матрицы парных коэффициентов корреляции. Анализ полученного уравнения регрессии, определение значимости уравнения и коэффициентов регрессии, их экономическая интерпретация.
контрольная работа [994,1 K], добавлен 29.06.2013Основные методы обработки данных, представленные выборкой. Графические представления данных. Расчет с помощью ЭВМ основных характеристик выборки. Статистические гипотезы, используемые в экономике. Парная линейная, нелинейная и полиноминальная регрессия.
лабораторная работа [92,8 K], добавлен 01.03.2010