聚类分析在大中型企业绩效评价中应用.docVIP

聚类分析在大中型企业绩效评价中应用 　　【摘要】本文针对多标准大样本大型企业绩效考评问题,应用主成分分析方法与聚类分析方法对某企业绩效考评问题进行探索,实现了员工绩效排序和员工绩效区域划分,对提高大中型企业绩效考评效率起到积极推动作用。 　　【关键词】绩效考评 聚类分析 大样本 多标准 　　 　　随着现代人力资源管理理论的迅速发展,绩效考评技术水平也在不断提高。绩效的多因性、多维性,要求对绩效实施多标准大样本科学有效的评价。对企业来说,对上千人进行多达50～60个标准的考核是很常见的现象。但是,目前多标准大样本大型企业绩效考评问题仍然困扰着许多人力资源管理从业人员。为此,有必要将当今国际上最流行的视窗统计软件SPSS应用于绩效考评之中。 　　在分析企业员工绩效水平时,由于员工绩效水平的指标很多,各指标之间还有一定的关联性,缺乏有效的方法进行比较。目前较理想的方法是非参数统计方法。本文将列举某企业的具体情况确定适当的考核标准,采用因子分析以及聚类分析方法,比较出各员工绩效水平,从而为企业绩效管理提供一定的科学依据。 　　 　　一、应用方法简介 　　(一)主成分分析法 　　主成分分析法是多元统计分析中应用广泛的一种方法,它研究如何通过少数几个主成分(即原始变量的线性组合)来解释多变量的方差协方差结构。具体说,是导出少数几个主分量,它们尽可能多地保留了原始变量的信息,且彼此间又不相关,其思想就是从简化方差―协方差的结构来考虑降维,即在一定的约束条件下,把代表各原始变量的各坐标轴构成的坐标系进行一个旋转,产生的新坐标系中的若干个代表了具有最大变异方向的新坐标轴(也可以说是对原始变量作了一次特殊的正交变换),而得到一组具有某种良好的方差性质的新变量(得到的一组新变量彼此互不相关且在各自的特征方向上有最大方差),再从中选取前几个变量来代替原变量,主成分分析的主要目的就是用来减少变量个数,然后用于标图、回归、聚类等。 　　其中(α1iα2i … αpi)i=1,…q,分别是变量相关阵的前q个特征根对应的特征向量。f1,f2 … fq的方差分别是这q个特征根λ1≥λ2≥…≥λq。(αi1,αi2,…,αiq )??第i个变量在各主成分上的载荷。标准化主成分的方差为1。 　　(二)聚类分析法 　　聚类分析也称群分析、点群分析,是研究分类的一种多元统计方法。根据一批样品的多个观测指标,具体找出一些能够度量样品或指标之间相似程度的统计量,以这些统计量为划分类型的依据。把一些相似程度较大的样品(或指标)聚合为一类,把另外一些彼此之间相似程度较大的样品(或指标)又聚合为另一类,直到把所有的样品(或指标)聚合完毕。在聚类分析中,通常我们将根据分类对象的不同分为Q型聚类分析和R型聚类分析两大类。 　　 　　二、绩效考评的模型分析 　　为了分析某企业绩效水平,按照综合性、可比性、实用性和易操作性的选取指标原则,本文选择了影响某企业绩效水平的成果、行为、态度等6个经济指标(见表1)。 　　对某企业,搜集整理了28名员工2009年第1季度的数据资料。构建1个28×6维的数据表(见表2)。 　　应用SPSS数据统计分析系统首先对变量进行主成分以及因子分析,得到样本相关矩阵的特征值与特征向量,见表3和表4。 　　根据累计贡献率超过80%的一般选取原则,PRIN1和PRIN2的累计贡献率已达到了83.74%的水平,表明原来6个变量反映的信息可由两个主成分反映83.74%,故选取PRIN1和PRIN2为主成分。 　　PRIN1=0.899x1+0.897x2+0.882x3+0.732x4 　　+0.729x5+0.697x6 　　PRIN2=-0.239x1-0.319x2-0.32x3+0.618x4 　　+0.633x5-0.187x6 　　利用表4的结果做出主成分平面图,如图1所示。 　　根据SPSS因子分析结果,输出因子成分得分系数: 　　F1=0.353x1+0.312x2+0.35x3+0.24x4-0.16x5-0.17x6 　　F2=-0.12x1-0.06x2-0.123x3-0.047x4+0.58x5+0.59x6 　　从上述模型看出,第一公因子F1,基本支持了X1、X2、X3、X4(绝对值较大的系数)。而第二公因子F2,基本支持了X5、X6(绝对值较大的系数),该因子得分还有对未来员工绩效预报作用。 　　从表4和图1可以得出,第一主成分PRIN1与工作质量、工作产量以及工作出勤高度正相关。因此第一主成分PRIN1可以反映影响该企业绩效的工作成绩因素。第二主成分PRIN2与工作能力以及工作态度高度正相关,因此PRIN2可以反映影响该企业员工绩效的能力与态度因素。 　　 　　三、绩效水平