| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 劳动/就业 |
| 制造型企业员工离职问题研究 |
| 第618期 作者：□文/高静欢 朱振涛 吴志辉 赵 微 周琪琪 时间：2019/10/1 9:31:44 浏览：292次 |
［提要］ 人才是企业发展的重要资源，员工离职问题是企业人力资源管理的一个问题。本文梳理影响员工离职的因素，将主要影响因素归纳为：个人、组织和环境三个方面。在此基础上，利用XGBoost模型算法建立员工流失率预测模型，并对一个企业员工离职数据集进行数据分析。结果表明：员工满意度和薪酬是影响员工离职的关键影响因素，该模型预测的准确性明显优于Logistic回归模型。用该模型来动态监测企业员工离职的可能性，及时干预和挽留核心人才，对于企业人才发展战略的实施有重要的支撑作用。
关键词：人力资源管理；员工离职率；XGBoost；员工满意度；薪酬
项目来源：国家自然基金（71471084）；江苏省高校哲学社会科学研究项目（2018SJA0395）；江苏省高校哲学社会科学优秀创新团队建设项目（2017ZSTD025）；南京工程学院大学生科技创新项目（TB201908069）
中图分类号：F279.92；C931.9 文献识别码：A
收录日期：2019年6月26日
一、引言
我国制造业企业人员数量庞大、岗位众多，生产环节专业化程度高，但员工流动量大，员工离职率处于所有行业最高位且近年来一直处于上升趋势。以重庆和南京为例，2012年员工主动离职率高达22.3%和19.4%，而统一统计口径的数据在2006年仅为9.6%和7.3%。另一工业重镇武汉，离职率已经从2004年的9.4%攀升至了2012年的14.2%。苏州工业园区为例，2016年9月至2017年8月期间，正式员工的主动离职率高达31.06%，其中中层管理岗位和高级管理岗位的离职率分别是8.55%和6.17%。企业员工高频流动，会破坏原本稳定的产业工人队伍，会增加企业的运营成本，在员工离职后的三个月内，企业的生产率可能会下降到40%～50%，即使是能够及时招聘到新的员工，前三个月的生产率只能达到60%。
目前，我国制造业人才市场呈现薪资缺乏竞争力，招聘技术人才困难；行业吸引力不够，人员流失后员工积极性下降；向智能制造转变，复合型人才稀缺等现状。国务院颁布的《中国制造2025》行动纲领对我国制造业的发展做出了明确的规划，目标实现制造业的数字化、网络化、智能化，以及大幅提升制造业整体素质，增强创新能力。预计“十三五”和“十四五”期间，制造业全员劳动生产率年均增速分别为7.5%和6.5%左右，因此要实现此目标，控制制造业员工离职率就尤为重要。通过查看国内外文献，发现目前关于员工离职的研究主要集中在员工离职的影响因素的实证研究和问卷调查以及针对员工离职后的补救措施的讨论，较少有基于缺少机器学习算法的员工离职预测模型的研究，难以做到员工离职的自动化预警和及时的干预。本次研究将传统算法与机器学习结合，通过XGBoost模型对目前的制造业企业员工离职情况进行数据分析，高效直观的得出企业员工离职的可能性，帮助企业建立预测员工离职的早期预警系统。
二、员工离职影响因素相关研究
（一）员工离职的影响因素。适度的人员流动对企业发展是必要而有益的，但如果人员流动率过高则会影响企业的正常生产和运行，通过研读已有文献，发现影响员工离职的因素可以归纳为三个方面：个人、组织和环境方面。（表1）
在个人因素方面，董斐对员工的业余生活、人际关系、年龄、健康、就职年限等方面进行了研究，结果显示离职员工平均年龄偏低、男女结构不平衡、员工就职年限较短，员工离职呈现出在本行业内流动的趋势。Sharafi等通过研究得出已婚员工比未婚员工稳定性更高，工作-家庭冲突是已婚员工离职的主要原因，对员工造成心理压力，会导致其产生离职意向。Price提到，工作压力大小和夫妻双方职业的相互影响性也是影响已婚员工离职的一种因素。皮鑫得出结论不良的人际关系和关系紧密的同事的离职都会导致部分员工被迫或跟风离职。Ugwu、曹周涛等在对该领域进行研究时均有发现，对于企业的核心员工来说，是否能实现自身价值是影响该员工是否离职的重要因素。
在组织因素方面，Price通过对该领域其他文献进行归纳总结，发现工作满意度是组织承诺的决定因素，员工对薪酬福利的感受直接影响工作满意度。Hancock等研究成果中指出企业文化对决定员工是否离职也起到了重要的作用，组织缺乏凝聚力和合作精神，企业过分重视论资排辈都会使企业失去优秀的员工。曹周涛等人指出组织公正对员工的离职也会产生一定的影响，如果员工觉得分配和过程不公正或得不到管理者的尊重，会产生较高离职意愿。Mamun等发现学工工作条件中的工作挑战性、是否发生工作事故、工作管理系统完善度等因素均和员工离职率呈正相关影响。郭婷婷和袁庆宏等人发现企业自身效益与前景不好也会导致一部分员工选择离职。
在社会因素方面，郭婷婷在对某互联网公司的离职情况进行分析时提到，当经济加速发展的时候，人员的流动性会增加。行业的发展情况与趋势势必会受到经济环境的影响，当该行业发展受限，企业效益较差时，员工可能会选择离职或转换行业。皮鑫指出员工可能会根据已离职的同事了解到人力资源市场的情况，当员工发现人力市场上对某种人才极其需求且得不到满足时，则员工可以感受到外部工作机会，那么就会考虑主动跳槽。
（二）相关研究方法比较
1、实证研究方法。实证研究指研究者亲自收集观察资料，为提出理论假设或检验理论假设而展开的研究。实证研究具有鲜明的直接经验特征，其研究方法包括数理实证研究和案例实证研究，也就是狭义和广义之分。狭义的实证研究方法是指利用数量分析技术，分析和确定有关因素间相互作用方式和数量关系。广义实证研究方法泛指所有经验型研究方法，如：调查研究法，实地研究法，统计分析法等。在研究某一问题时，我们通过分析文献可以发现更倾向于采用广义实证研究方法。以问卷法为例，通过问卷的结果真实的反应被调查者的心理状态，从主观角度得到的数据对于研究结果更具解释性，但问卷的发放及回收存在一定的困难，耗时耗力，若收集样本数据的数量过少的话，研究结果不具备足够的说服力和可参考性。并且实证研究法由于将问题抽象在有限个因子与变量之间，存在特殊现象丢失的缺陷。
2、机器学习算法。机器学习算法是本文所选用的方法。机器学习是人工智能领域的一个分支，本质上是一种从数据中自动分析其规律，然后利用所得到的规律对未知数据进行预测估计的方法。机器学习算法如决策树、随机森林、支持向量机等在处理分类、预测等问题时具有高效率和高精度的优势。另外，与传统的线性可加模型相比，由于机器学习模型的结构往往是非线性的，其解释性较差。在下面的研究中，本文会同时使用XGBoost机器学习模型和传统Logistic回归模型来兼顾模型的预测精度和解释性。
三、研究的设计
（一）数据来源及变量说明。该数据集来自于Kaggle上员工流失主题的公开数据集，其中共有14，999条观测记录和10个变量，变量的具体说明表参见表2。（表2）
（二）XGBoost模型构建
1、算法思想及模型结构。XGBoost是陈天奇于2014年2月提出的基于梯度提升算法的优化算法，此算法因其优良的学习效果以及高效的训练速度而获得广泛的关注。XGBoost模型是基于boosting集成学习的基础上优化产出的新型模型，同时继承了boosting算法的造树思想：通过模型训练获取得到的F（x），使得对于给定的输入变量x，我们输出的F（x）都能较好地近似y。换言之，就是希望损失函数l（y，F（x））尽可能的小，在建新树的基础上争取损失函数的最小化。
XGBoost算法所运用的目标函数是在GBDT算法上做出的优化，主要体现在损失函数以及正则化两方面的处理上。目标函数：L（?准）＝■l（■i，yi）+■?赘（fk），前半部分为模型的损失函数，主要是通过最小化损失函数来增强模型拟合精度；后半部分为正则化项，主要通过其惩罚项来防止模型出现过拟合的情况。其中，i表述第i个样本，yi表示因变量真实值，■i表示模型的拟合值，l（■i-yi）表示第i个样本的预测误差，误差越小模型精度越高；■?赘（fk）表示树的复杂度，值越小，复杂度越低，泛化能力越强，模型精度也就越高。
XGBoost通过对损失函数进行二阶泰勒展开，得到的损失函数为：■l（■i，yi）?艿■l（y■，y■■）+g■f■+2h■f■，其中yit-1表示在t-1轮迭代中yi的实际输出结果，gi表示预测误差对当前模型的一阶导，hi表示预测误差对当前模型的二阶导，f■表示在第t棵树上xi的节点上的取值。该模型对于正则化项的处理是通过加权进行优化的，即■?赘（fk）=?酌T+■?姿■?棕j2。其中，?酌表示节点切分难度，T表示叶子节点的个数，?棕j2表示叶子节点向量的模，?姿表示L2正则化系数。因此，XGBoost模型的基本目标函数：
L（t）=■■gi?棕j+■■hi+?姿?棕j2+?酌T
2、运用策略。XGBoost作为一种boosting算法，其在建树过程中格外注重分割点的确定，而XGBoost算法采用了一种“近似策略+加权分位略图”。近似策略力求杜绝遍历所有分割点，而是在每次分割之后更新提议点，用较少的候选提议点来替代所有分割点；同时，类似的构策略图思想体现在使用随机映射将数据流投射在小的存储空间内作为整个数据流的概要。以此来提升XGBoost模型的运行效率。
3、XGBoost的优势。作为目前广为流行的机器学习模型，XGBoost拥有以下优势：其一，通过增加泰勒二阶展开式与正则化加权使得该模型更为精确；其二，通过利用“近似策略+加权分位略图”的方式大大增加模型运行的效率；其三，运用稀疏矩阵，抗噪能力提高，增加模型精确度；其四，通过Shrinkage以及EarLy stopping的设置，防止模型过拟合。
四、模型分析
（一）探索性分析。在对于该数据集的探索性分析中，抽取了四种具有明显影响的变量进行研究，分别是员工满意度、最终评价、薪资水平以及参与项目数量。（图1，（a）、（b）分别为员工满意度、最终评价与是否离职的分组箱线图；（c）、（d）分别为薪资水平、员工参与项目数量与员工是否离职的棘状图）
通过图1（a），发现满意度较高的员工，其离职可能性远远低于满意度较低的员工。因此，员工在公司获得满足感时，其离职意向会大为降低。
通过图1（b），发现离职员工的最终评价往往是高于在职员工的，并且公司员工的最终评价普遍都在0.5以上。通过了解，员工可能会为避免原公司对其进行报复性行为，因此选择填一个虚高的评价。
通过图1（c），发现薪资水平越高的员工，其离职可能性越低。对企业大部分员工而言，薪资水平就是其从事该项工作的根本原因，在薪资水平达到或者超过预期时，其离职意向也会大幅降低。
通过图1（d），发现该公司仅参与3个项目的员工群体的离职率最低，而随着参与项目数的增加，离职可能性也随之增大。为了更加明确其原因，我们绘制了员工参与数量和薪酬水平的关系图（参见图2），在项目参与数量超过三个之后的员工群体中，高收入人群占比逐渐减少，说明公司在薪酬设计上存在一定程度的不公，导致员工离职倾向增大。（图2）
（二）模型结果解读。通过对同一数据集使用两种不同的建模方法，我们可以从图3中看出，XGBoost模型的AUC取值高达0.967（图a），而Logistic模型的AUC取值仅有0.822（图b）。以此，可以发现XGBoost模型在机器学习领域的领先以及该模型对本数据集的适应度。（图3）
通过图4两种模型的重要性的变量排序结果，发现员工满意度、在职期限、最终评价、平均每月工作时长、参与项目数量、薪酬水平以及工作岗位该七种变量对于员工是否离职都是较为重要的。（图4）
五、结论及建议
本文在通过文献梳理归纳了影响员工离职的三个方面的影响因素后，运用XGboost模型和Logistic模型对员工离职问题进行了深度的研究；通过对比两个模型结果得到员工满意度、在职期限、最终评价、平均每月工作时长、参与项目数量、薪酬水平以及工作岗位七种变量是影响员工离职重要的因素。这些因素与Price、董斐和曹周涛等学者的研究结果一致。结合探索性分析中的统计图以及Logistic模型结果的显著性，可分析出各解释变量对结果变量的影响方向。其中员工满意度是影响员工离职最重要的因素，满意度越高，离职意愿越小；薪资水平越高，员工离职可能越小；在该企业在职时间和平均每月工作时长越长，离职的可能性越大；在员工参与项目数量与离职意向的关系上Logistic模型的结果为负相关，而图表中离职意向随着员工参与项目数量的增加而呈现为先降后升的非线性关系，这与该企业的薪酬设计的不合理性相关。两个模型的结合使用，使得预测模型兼具了传统统计模型的可解释性和机器学习模型的精度。对于两个模型验证一致的影响因素，无疑可以增加信度。
适度的离职是正常现象，但为了企业的利益和可持续发展，对于核心员工的离职企业应相对的采取以下措施来防止生产力和创造力的流失：（1）采取“扁平化”管理，对员工进行充分的授权和提供更多的发展通道，全面提高员工满意度水平，防止优秀员工因感觉晋升无望而选择离职；（2）建立与员工工作绩效挂钩的公平合理的薪酬激励机制；（3）了解核心员工自身发展需求，给核心员工授权和赋能，让从事能体现其自身价值的工作任务，减少长期在某一岗位工作的枯燥感；（4）培训提升员工的工作效率，尽量减少不必要的加班，倡导高质高效的工作理念，避免员工因无法承受平均每月工作时长而选择离职。
本研究仍存在许多不足，所研究因素是离职现象中普遍存在的，由于数据集变量的限制，对于其他文献的研究因素未能一一研究，可以在以后的研究中设计和加入更多的个人、组织和环境方面的变量来提高模型预测的精度。
（作者单位：南京工程学院经济与管理学院）
主要参考文献：
［1］朱宁.2012年高薪资涨幅造成中国22.3%员工主动离职［N］.京华时报，2012.12.20.
［2］邹珊珊.苏州制造型企业员工离职因素分析［J］.现代商贸工业，2018（21）.
［3］王燕.浅析员工离职率过高为企业带来的影响［J］.商情，2013.
［4］董斐.制造业一线员工工作不安全感对离职倾向的影响［D］.南京师范大学，2013.
［5］Price J L.RefLections on the Determinants of VoLuntary Turnover［J］.InternationaL JournaL of Manpower,2001.22（7）.
［6］曹周涛等.Does TotaL Rewards Reduce the Core EmpLoyees’Turnover Intention［J］.InternationaL JournaL of Business and Management，2013.20（8）.
［7］皮鑫.同事离职对员工离职意愿的影响［D］.浙江大学，2017.
［8］Emenike SamueL Ugwu.Perceived OrganizationaL PoLitics，Support and WorkpLace InciviLity of Supervisor as Predictors of Turnover Intention［J］.Open JournaL of PoLiticaL Science，2018.8.
［9］JuLie I.Hancock David G.ALLen.Meta-AnaLytic Review of EmpLoyee Turnover as a Predictor of Firm Performance［J］.JournaL of Management，2013.39（3）.
［10］Chowdhury AbduLLah AL Mamun、Md.NazmuL Hasan.Factors affecting empLoyee turnover and sound retention strategies in business organization：a conceptuaL view［J］.ProbLems and Perspectives in Management，2017.6.
［11］郭婷婷.A互联网企业离职问题研究［D］.对外经济贸易大学，2017.
［12］袁庆宏，王春艳，钱珊珊.员工离职研究综述与展望［J］.中国人力资源开发，2017（4）.
［13］朱熙文.大数据下的在线机器学习算法研究与应用［D］.西安交通大学，2017.
［14］马晓蕾，乔坤.论案例研究法与实证研究法的结合［J］.大连理工大学，2008.1（1）.
|
|
|
|
