基于DS/AHP的人员选拔方法，本文主要内容关键词为：人员论文,方法论文,DS论文,AHP论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：B841.2 文献标识码：A 文章编号：1003-5184(2010)05-0072-06
就预测源而言，人员选拔的方式一般有面试、认知能力测试、人格测验、评价中心等。无论采用哪种方式进行人员选拔，最终结果都取决于选拔人员的主观判断。如果不能有效地处理人的主观因素，不能很好地处理问卷选项的模糊性和选拔过程的不确定性，就会导致人员选拔决策的结果在一定程度上的不准确性。减少人员选拔的不准确性可以提高组织员工招聘的质量，提高组织人力资源的竞争优势。求职者的日益多元化和高智能化给组织人员选拔提出了更高的要求，而传统意义上的面试和单一的心理测试已经不能满足组织对人员有效选拔录用的需求[1]。人员选拔本质上属于多属性决策，具有很多不确定性：模糊性、多可能性、矛盾性和认识不确定性等。证据推理在处理不确定性方面具有自身独特的优点，除了可以表达由随机性引起的不确定，还可以表达由不确切知道和信息不完全导致的不确定性[2]，该理论还具有比贝叶斯推理、模糊推理、概率推理及基于规则推理更大的优势[3]。由此，介绍一种层次分析法和证据理论相结合的DS/AHP方法。
1 层次分析法和证据理论简介
1.1 层次分析法
AHP(The Analytic Hierarchy Process)，即层次分析法，是美国运筹学家，匹兹堡大学萨迪(T.L.Saaty)教授于70年代中期提出的[4]，是一种解决多目标复杂问题的定性与定量相结合的决策分析方法。层次分析法将复杂问题看作是一个具有层次结构的系统，把系统中的因素分解为几个维度，构造层次化的结构模型；再由决策者根据自己的知识和经验利用1-9比例标度法，通过两两比较的方式判断各衡量指标之间的相对重要程度，并且用数量形式表达出来，利用权重求出各方案的优劣次序；最后根据排序结果进行决策。它在多指标、多层次分析的多属性决策(Multi-attribute decision making，MADA)领域有着广泛的应用，也是确定各项指标权重的一种常用方法，具有很强的逻辑性、系统性等特点。
1.2 D-S证据理论
1.2.1 概述
Dempster-Shafer证据理论(简称DS理论)是一种不确定性推理方法，由Dempster在1967年首次提出“上、下概率”及两批证据的合成规则的基础之上[5]，他的学生Shafer于1976年对其进行了系统化的发展[6]，目前已经广泛运用于信息融合，人工智能、专家系统、决策分析等方面。证据理论是建立在集合论基础之上的一种概率解释，体现出对于复杂问题的分解与合成的思想，通常被认为是主观贝叶斯理论的推广。证据理论通过建立识别框架，从而建立了命题和集合之间的一一对应关系，将抽象的逻辑概念转化为直观的集论概念。该方法解决了概率论中的两个难题：一是能够对“未知”给出显式的表示；二是当证据对一个假设部分支持时，该证据对假设中否定的支持也能用明确的值表示出来[7]。
1.2.2 相关概念[6，8]
2 基于DS/AHP的人员选拔模型
2.1 理论依据
现实世界中存在着许多不确定性，包括随机性、模糊性和认识的不确定性等。事实上，心理测量的研究对象和研究主体就具有某些不确定性。比如说，研究者经常采用的李克特式量表，其题目选项是一组语言评价信息，被试可能存在着由于认识水平的局限性、知识的缺乏或者填答问卷时缺乏足够的时间与耐心所造成的难以界定等级的问题。另外，心理测量的综合评价大多采用总分法、加权法、多重回归和多重分段等。但在人员选拔的综合评价中，收集的信息往往具有不确定性，而且不同预测源的分数难以满足先验假设而不能简单地采用分数进行评价。针对以上问题，可以考虑采用Beynon(2000)提出的DS/AHP方法[10]，其基本思想就是期望更加合理地处理不确定性问题[11]。
2.2 数学模型
2.2.1 构造评价指标体系
一个指标体系针对的是某个特定对象或研究目的，集中反映了被评价对象的代表性特征。人员选拔指标是用于选拔人才时的一组测量项目，是在考虑到人员选拔的理论与技术和用人单位、空缺职位的实际要求而设计的。基于上述考虑，建立人员选拔的层次结构模型。如图1所示，该模型分为三个层次结构。
图1 人员选拔的层次结构模型
2.2.2 知识矩阵
证据的获取与合成是证据理论的关键。在证据理论中，证据不是指某种实证据，而是决策者已有经验和实际知识的一部分，是决策者观察和研究的结果[6]。根据概率的构造性解释，把客观证据的作用和人的主观判决作用有机地结合起来，即概率的产生来源于客观证据基础之上的主观构造。AHP的作用体现在两个方面：一是通过构造决策分析的层次结构模型，为指标体系确定权重；二是通过构造知识矩阵(knowledge matrix)，为证据理论提供基本概率分配。在人员选拔中，决策者通过把每一指标下的决策
与识别框架Θ相比较，确定出这一决策下的合适程度
，具体的量化值见表1；然后将权衡的结果量化，用知识矩阵的形式表达出来，见表2。
2.2.3 基本概率分配的获取
在证据理论中，bpa函数的构造具有很大的灵活性。DS/AHP方法把层次结构模型中建立的指标体系看作是相互独立的信息源，在构造知识矩阵的基础之上获得更新后的知识矩阵的最大特征值和相应的特征向量。正规化后的特征向量即为各个指标下得到的决策集合的bpa值，相关定理和推论如下[12]：
定理2 设有(d+1)×(d+1)矩阵：
2.2.4 决策规则
在应用证据理论时，只要得到几个基本可信度分配，就可以利用合成规则对信息进行融合得到相应的支持度和似然度，用来表示对证据的联合作用。
3 实证分析
3.1 方法
自从McClelland(1973)提出胜任力的概念后，对于胜任力模型的研究逐渐成为一个研究的热点问题。文献15中研究了IT企业项目管理者的胜任力要素及其内在结构，结果表明，IT企业项目管理者的胜任力可归为5个因子：个性魅力、应变能力、大局观、人际关系处理能力和品格。采用这些胜任特征作为决策指标，尝试把DS/AHP方法应用于一家IT公司从企业内部4位技术人员中选拔项目经理的工作中。
3.1.1 数据收集
数据收集过程包含以下三个阶段：
第一阶段，正式选拔之前，考虑到这次项目工作的特点，选拔人员把胜任力模型的五个因子作为指标层，结合决策者的综合考虑作出如下判断矩阵：
运用AHP确定出5个指标的权重集合，
=｛0.4687，0.2494，0.1396，0.0949，0.0474｝，i=1，2，…，5。
第二阶段，选拔过程中，根据每位候选人的测验结果和先前的工作表现，选拔人员在各个指标层下做出相应的决策集合，构造本次项目经理选拔的层次结构模型，如图2所示。
图2 项目经理选拔的层次结构模型
根据每一决策集合与识别框架Θ的比较结果和参考表1，分别得到以下5个初始知识矩阵：
第三阶段，选拔结束之后，为了检验该方法的有效性，选取了当前常用的人员选拔决策方法，如AHP综合评价和模糊综合评价法与该方法进行对比。
3.1.2 数据处理
项目经理选拔的识别框架Θ=｛A，B，C，D｝。在采用人格、能力测验和综合考察候选人的历史表现后，根据决策者提供的在每个指标下的选择集合，i=1，2，…，5，对5个信息源的信息进行预处理。根据定理2和推论1，对各指标下每个选择集合分配证据。根据Dempster合成规则将各个证据体合并成一个新的证据体。最后根据基于信任区间的判决规则从4位候选人中选拔出最终人选。项目经理选拔的DS/AHP模型，如图3所示。
图3 项目经理选拔的DS/AHP模型
3.2 结果
3.2.1 基本概率分配与证据合成
更新初始知识矩阵，并对每个决策集合分配信度，形成表3；根据表3的结果，利用Dempster-Shafer合成规则进行归一化，形成表4。
利用基于信任区间的决策规则，从表4可以看出，四位候选人的信任区间分别为A[0.1706，0.5370]、B[0.1508，0.2529]、C[0.1006，0.4856]和D[0.1687，0.3380]，这一结果表明现有的证据更加倾向于选择候选人A为该企业的项目经理。此外，在四次融合的过程中，分配给整个识别框架的bpa值下降到0.1024，表明该方法在项目经理的选拔过程中能够有效地处理不确定性信息。
3.2.2 结果对比
为了检验该方法的有效性，选取当前常用的人员选拔决策方法AHP综合评价与模糊综合评价法进行了对比，如表5所示：
表5 四种选拔方法的对比
方法
评价形式 综合排序一致性检验合适程度表达
AHP综合评价 权重 A＞B＞D＞C 六次无
模糊综合评价
隶属度 A＞B＞C＞D 无
DS/AHP方法信任区间A＞B＞C＞D 一次有
表5中三种方法基于不同评价形式得到的最后结果具有较好的一致性，由于AHP综合评价具有一定的有效性，模糊综合评价被认为是直观合理的，因此这在一定程度上验证了DS/AHP选拔模型的有效性。AHP综合评价基于效用线性及证据间补偿性的假设，且一致性检验次数较多，影响了结果的准确性及稳定性；对于每个决策集合，决策者没有理由完全肯定，会给出相应选择的合适程度，AHP法与模糊综合评价不能处理这一问题；三种方法相比，DS/AHP选拔模型能够对不确定性信息进行描述和处理，信任区间的评价形式更具灵活性。
4 讨论与结论
4.1 该方法的适用性
人员选拔涉及的因素众多，所收集到的选拔信息具有各种不确定性，造成这种不确定性的原因是多样的，比如随机性、模糊性和认识的不确定性等。随机性引起的不确定性可以由数理统计的方法加以处理，而人员选拔中的不确定性大多是由评价对象的模糊性和选拔人员的认识不确定性引起的，统计方法较难处理此类问题。从表4可以看出，该方法可以明确给出评价结果的确定性和不确定性的度量，并且分配给整个识别框架的bpa值最终下降到0.1024，说明证据理论在处理此类问题方面具有自身独特的优势；此外，DS证据理论是一种可以解决不确定信息的表达与合成问题的强有力的方法，它能够通过证据的融合增强置信度，改善评判等级的可区分性，对于水平相近，等级难以确定的评估具有较好的效果[8]。从表四可以看出，候选人B、C、D的信任区间非常接近，不易区分，该方法可以有效地处理这一问题。
人员选拔本质上属于一种定性与定量相结合的多属性决策问题，在进行多层次、多属性评价时，证据推理的方法具有以下优点[16]：它克服了简单加权法假定的效用线性、偏好独立以及各属性可完全互补等缺点，在不确定情况下根据评价者的知识和经验以及问题性质用主观判断进行评估，以理性的方式处理不确定知识和不完全知识共存的问题。此外，与其他方法相比，证据理论的方法不需要假设集合以外的任何先验信息，DS/AHP方法结合了层次分析法和证据理论各自的优点，这使得该方法的选拔结果较为客观。
该方法在人员选拔信息的合成上具有一定的优势：首先，常见的人员选拔方法是在选拔结束之后针对结果进行信度分析，从证据理论的角度看，信度分析就是考察来自于不同信源的信息冲突度，这体现在合成公式的归一化因子上，这保证了在综合评定之前就把选拔信息的冲突程度控制在合理范围内；其次，常见的人员选拔方法在进行分数合成时需要满足一些前提条件，例如同质性原则[17]，而该方法可以对来自于不同信源的信息进行有效地合成。
4.2 今后需要改进之处
Beynon等人将证据理论与AHP结合，提出一种DS/AHP的多属性决策方法，这为解决不确定多属性决策问题提供了一种新的思路[10]，但Beynon等人并没有对该方法的焦元集如何生成，判断矩阵值如何得出，以及决策规则等问题进行研究，今后，人员测评体系的完善、证据获取的方式、基本可信度分配以及全面的效度检验等方面还有待进一步的研究。
相比于以往的方法，DS/AHP的缺点是模型比较复杂，计算量相对较大，对于较为复杂的人员选拔过程一般需要通过计算机编程来完成运算过程，因此，建立人员选拔的决策支持系统是一个值得考虑的研究内容。此外，在证据理论的研究领域，除了DS/AHP方法以外，还有很多改进的证据推理方法及其与粗糙集、神经网络、灰色统计相结合的方法等，今后的研究可以考虑如何将这些模型应用到人员测评与选拔领域。