层次分析法在企业招聘中的应用

层次分析法与模糊综合评价 在企业人才招聘中的应用

1 引言

在企业的人力资源管理中，招聘工作可以说是重中之重，如何从众多应聘者甄选出适合

本企业的人才是人力资源管理所面临的重要课题之一。目前很多企业在招聘员工时，通常只是对众多的应聘人员进行简单的考察。因受各种主客观因素的影响，对应聘人员的评价难免有失公正。而且不同岗位的评价指标侧重点不同,指标权重也不一样,准确、合理的权重可使招聘者能够集中主要精力完成重要而复杂的指标评价,也能使招聘者更客观地考查应聘者的综合素质。本文设计了企业人才招聘评估的指标体系，并采用层次分析法确定各评价指标的权重，运用模糊综合评价的方法，把定性分析和定量分析相结合，为企业的人才招聘提供了一套科学系统的方法。

2 运用层次分析法确定各评价指标的权重

2.1 层次分析法概述

层次分析法（AHP）最早是由美国运筹学家T.L.萨迪（T.L.Saaty）于20世纪70年代提出的一种将定性分析与定量分析相结合的系统分析方法。它是一种分析多目标、多准则的复杂大系统的有力工具，适用于解决难以全部量化复杂的社会经济问题，主要应用领域有：能源政策分析；产业结构研究；科技成果评价；发展战略规划；人才考核评价；发展目标分析等。总之，层次分析法是在一个多层次的分析结构中，最终把系统分析归结为最底层相对于最高层的相对重要性数值的确定或相对优劣次序的排列问题。

2.2 确定评价指标

确定评价指标是整个分析过程的关键，是获得客观真实评价结果的前提。本文通过对现代企业人才招聘的分析与研究，从资历、能力、个性，以及价值观四个方面进行了评价指标的选取，并建立了相应的层次结构，如图2.1所示。

图2.1 人才招聘评价模型

2.3 分别构造各指标判断矩阵

通过多方讨论和专家咨询，对各指标进行两两比较，确定其相对重要度，构造出判断矩阵A=(aij)，其中aij ——要素i与要素j相比的重要性标度。

标度定义见表2-1所示。

表2-1 判断矩阵标度定义

经过讨论研究，得出各指标的判断矩阵（以B层 指标为例），如表2-2所示。

表2-2 “人才招聘”A指标的判断矩阵

2.4 确定各指标的相对重要度

计算相对重要度就是对同一层次上的要素进行排序，计算相对重要度有求和法和求根法两种方法，本文选用求和法进行相对重要度的计算。 （1）将矩阵按每列进行归一化。

aij

n

dij

,i,j1,2,...,n

kj

a

k1

则求的矩阵D为：

0.283



0.566D

0.094

0.057

0.2310.4620.1540.154

0.3750.3750.1250.125

0.500

0.3000.100

0.100

（2）按行求和：

n

vi

d

j1

ij

,i1,2,3,...,n

则：

1.389



1.703V

0.473

0.436



（3）归一化：

wi

vi

n

v

i1

i

则B层指标的相对重要度为：

0.347

0.426W

0.118

0.109



2.5 一致性检验

（1）计算一致性指标C.I.

12

AW

1/31/5

1/211/31/3

3311

50.347

30.426

10.11810.109

1.459



1.8010.485

0.438



根据公式：

max

1

n

AW

w

i

i





可求得max4.14，所以，

C.I.

maxn

n1



4.14441

0.047

(2)查找相应的平均随机一致性指标R.I.（Random Index）。表2-3给出了1～14阶正互反矩阵计算1000次得到的平均随机一致性指标。

表2-3 平均随机一致性指标

R.I. 是同阶随机判断矩阵的一致性指标的平均值，其引入可在一定程度上克服一致性判断指标随n增大而明显增大的弊端。

（3）计算一致性比例C.R. (Consistency Ratio)

C.I.R.I.

0.0470.89

C.R.0.0530.1

所以，判断矩阵的一致性是可以接受的。

根据上述的计算方法，我们可以算出C层各指标的相对重要度，如表2-4～表2-7所示。

表2-4 “资历”B1指标的判断矩阵及相对重要度

表2-5 “能力”B2指标的判断矩阵及相对重要度

表2-6 “个性”B3指标的判断矩阵及相对重要度

表2-7 “价值观”B4指标的判断矩阵及相对重要度

3 模糊综合评价

3.1 确定评价因素集和评价集

①设计评价因素集 M={B1 ，B2 ，B3，B4}，分别表示企业招聘评价指标体系B层的{资

历、能力、个性 、价值观}四个方面。确定评价指标子集 Bi{Cil}(i=1,2,3,4，j为第i个子集中指标的个数)，例如：B1{C11,C12,C13}

②确定评价等级及其相应标准，给出评价集V{v1,v2,v3}={优秀，合格，不合格}，评价等级分为三级，其中：90～100分为优秀，60～90分为合格，0～59分为不合格。将评价集的等级归一化，得到评价等级向量K={1,0.7,0.4}。

3.2 构造模糊矩阵

隶属度是模糊综合评价中最基本和最重要的概念。所谓隶属度rij，是指多个评价主体对某一个评价对象在评价因素ui方面做出vj评定的可能性大小（可能程度）。隶属度向量

Riri1,ri2,...,rim,i1,2,...,n,rij1

j1m

隶属度矩阵（模糊矩阵）R(R1,R2,...,Rn)T(rij)。

将招聘小组填写的评语进行数学处理，得到模糊判断矩阵。由该职位的直接上级领导、相关部门领导、人力资源部干部以及相关专家共同组成的招聘组，对招聘对象各指标进行具体评定，得出模糊矩阵。假设应聘者P1的“资历”指标C11(0.7/优秀，0.3/合格，0/不合格)；

0.4/合格，0.2/不合格)。其中的含义C12(0.6/优秀，0.3/合格，0.1/不合格)；C13(0.4/优秀，

是(以 C11为例）：在这个招聘评价小组中有70%的人认为应聘者P1学历水平高，即为优秀，有30%的人认为具有该学历水平为合格，没有人认为应聘者P1的学历水平不合格。得出的模糊矩阵如下：

0.5

0.7R20.6

0.30.4

0.40.30.30.50.3

0.1

00.1

0.2

0.3

0.7R10.6

0.4

0.30.30.4

00.10.20.2

R30.6

0.2

0.80.10.7

00.30.10.8

R40.5

0.6

0.20.40.2

00.10.2

3.3 计算综合评定向量及综合评定值 模糊矩阵乘积的定义BWR b

B10.4B20.484B30.2B40.5

0.4

0.20.20.1880.2

ij

sikrkj

（1）进行单因素评价BiWiRi,i1,2,3,4，得到：

0.40.750.4



即

0.4

0.484R

0.2

0.5

0.40.40.750.4

0.2

0.20.188

0.2

（2）进行多因素综合评价，得到最终评价结果B

0.4



0.484

0.109

0.2

0.5

0.40.40.750.4

0.2

0.20.188

0.2

BWR0.347

0.4260.118

0.426

0.4

0.2

（3）计算综合评价值

QBKT0.426

0.4

0.21

0.7

0.4

T

0.786

因此，应聘者P1的综合评价得分为0.786，评价等级为合格。根据上述过程可以计算出其他应聘者的综合评价得分，排序后进行相应选择，为企业选出适合企业的优秀人才。

4 结束语

招聘活动是人力资源管理工作的重要环节。一个企业拥有什么样的员工,在一定意义上决定了它在激烈的市场竞争中处于何种地位。因此,招聘工作能否有效地完成,能否招聘到企业真正需要的人,这对提高企业的竞争力和绩效,有着至关重要的影响。从这个角度上来说,人才招聘是组织创造竞争优势的基础环节。

本文综合AHP和模糊综合评价法的优点，将定性分析与定量分析相结合，从而提出这样一个人才招聘评价模型。这种评价模型避免了确定权重时的主观性和片面性，在实际招聘工作中具有可操作性,应当具有一定的参考价值。