基于贝叶斯网络模型公司高级管理人员薪酬满意度分析.docVIP

基于贝叶斯网络模型公司高级管理人员薪酬满意度分析 　　[摘 要]以Heneman提出的薪酬满意度的几个考察维度为参考变量，将贝叶斯网络引入薪酬满意度分析中，构建贝叶斯网络模型，通过因果推理和诊断推理对S公司的薪酬满意度进行预测和诊断，并对实证结果进行分析。研究结果表明，贝叶斯网络用图形的方法描述数据间的相互关系，语义清晰，可理解性强，有助于利用数据间的因果关系进行预测与诊断，贝叶斯网络的应用效果也是比较令人满意的。 　　[关键词]贝叶斯网络；薪酬满意度；预测；诊断 　　[中图分类号]F276.6 [文献标识码]A [文章编号]1671-8372（2013）04-0060-05 　　一、引言 　　在我国，随着资本市场的不断发展，高级管理人员（以下简称高管人员）已经成为企业核心竞争力不可缺少的因素，如果对高管人员激励不当就容易给企业造成不可挽回的损失。企业留住人才有很多的途径，如富有人性的福利政策、宽松和谐的工作环境、业主与员工的有效沟通、高效的培训机制等。根据目前我国经济发展所处的阶段、社会成员的生活水平等因素来看，薪酬对人才的吸引和稳定作用仍旧是第一位的。但是薪酬满意度并不仅仅局限于薪酬绝对值的高低。改革开放30余年来，中国企业高管薪酬逐步提高，近年来更呈现快速增长趋势。在高管人数增长18.63%的情况下，全体高管成员的薪酬总额增长幅度高达111.23%。但是高薪酬增长率并未带来与之相应的高薪酬满意度，这就造成了企业资源的浪费。因此对于薪酬满意度的研究显得尤为重要[1]。 　　国外学者对高管薪酬的研究起步早，而且研究成果比较丰富。我国对高管薪酬的研究与国外相比，在研究方法、研究深度等方面都存在很大差距。以往的研究多局限于探讨影响薪酬满意度的因素，也有一些研究用因子分析法分析了各个影响因素对于薪酬满意度的影响程度，但是很少有从薪酬满意度的预测和诊断角度进行研究。本文以Heneman等人对薪酬满意度的研究为基础，以S公司为案例，将概率论与图论结合起来，构建贝叶斯网络图，通过引入专家知识，实现贝叶斯网络学习。这样建立起来的贝叶斯网络图突破了以往的研究，具有以下两种功能：（1）在已知各个影响薪酬满意度的父节点满意度的情况下，可以推测出子节点满意度，即因果推理。（2）在已知公司高管对薪酬满意度时，通过贝叶斯概率寻找对满意度有较大影响的因素，即诊断推理，从而有针对性地进行改进。 　　二、研究概念的界定 　　（一）企业高级管理人员 　　本文中高级管理人员是指企业经营管理团队成员，他们参与经营管理并领取企业薪酬，这些人员组成企业的高层管理团队，负责企业的重大决策和日常经营，不同于经济学和财务学意义上的高级管理人员。本研究采用孙海法、伍晓奕关于高层管理团队的概念界定：高层管理团队是指公司高层经理的相关小群体，包括CEO、总经理、副总经理以及直接向他们汇报工作的高级经理[2]。这个界定与本文的研究对象界定是一致的。 　　（二）薪酬满意度 　　薪酬满意度（compensation satisfaction，简称CS）是员工对薪酬的一种态度，不同研究人员对薪酬满意度理解不同[3]。薪酬满意度的研究始于公平理论的提出者美国学者亚当斯（Adams），亚当斯认为薪酬满意度应该是作为一个单维的、持续的、有正值与负值的变量。他指出薪酬满意度起因于个人对薪酬给付公平的感觉，这种感觉来自于知觉和比较的复杂过程。他认为，员工会对自己与他人的得失之比进行比较。如果得失之比相似，员工就会对自己的薪酬感到满意；如果得失之比不同，员工就有可能对自己的薪酬感到不满。1991年，米斯迪和莱恩（Micedi，Lane）将薪酬满意度定义为：“薪酬满意度是个人对于薪酬（pay）正向或负向的情感总和。并把薪酬（pay）的概念扩展到包括工资（wages）和薪给（salaries）以及福利（benefits）[4]。本文修正米斯迪和莱恩薪酬满意度定义后，将“薪酬满意度定义为个人对于薪酬（涵盖外在薪酬和内在薪酬的多个方面）的正向或负向的情感总和。 　　三、贝叶斯网络的构建 　　一般情况下，构造贝叶斯网指有三种不同的方式：（1）由领域专家确定贝叶斯网络的变量（有时也称为影响因子）节点，然后通过专家的知识来确定贝叶斯网络的结构，并指定它的分布参数。这种方式构造的贝叶斯网络完全在专家的指导下进行，由于人类获得知识的有限性，导致构建的网络与实践中积累下的数据具有很大的偏差。（2）由领域专家确定贝叶斯网络的节点，通过大量的训练数据，来学习贝叶斯网络的结构和参数。这种方式完全是一种数据驱动的方法，具有很强的适应性，而且，人工智能、数据挖掘和机器学习的不断发展，使得这种方法成为可能。如何从数据中学习贝叶斯网络的结构和参数，已经成为贝叶斯网络研究的热点。（3）由领域专家确定贝叶斯