基于层次分析法–灰色关联度综合评价法的 深圳人才吸引力量化模型
对深圳市城市人才吸引力影响因素量化评价的思考
对深圳市城市人才吸引力影响因素量化评价的思考作者：刘释心来源：《商业文化》2021年第14期在世界各国和全国各地都加大了对人才的重视与引进的背景之下，城市人才吸引力水平成为城市管理当局十分关注的问题，一个城市要保持其竞争活力与创新能力，就必须对人才吸引制度进行合理的规划与研究。
本文以深圳为例采用层次分析法和灰色关联度理论，针对具体人才类别，比较分析了深圳市与其他同类城市在人才吸引力上的优劣，找出人才在选择理想城市时最关注的因素，并以此为基础对深圳市人才吸引力制度提出些许建议。
当今的经济社会发展离不开人才，而在科技革命的深入发展背景之下，世界各地都在加大力度争夺吸引人才。
人才是社会进步的动力，源源不断的人才流入才会使一个城市得以更好地发展。
而深圳市作为国际性综合交通枢纽、国际科技产业创新中心和国家重要科技的中心城市，其对人才的吸引制度广受关注，为了更有效地吸引人才，需要我们更深入量化地分析人才吸引力水平政策的优劣，及政策措施的有效性，以便完善人才吸引政策体系。
因此将人才吸引力量化为更明确的指标来评测其对人才吸引的能力，找出人才在选择理想城市时最关注的因素，同时探究政策的有效性具有十分重大的意义。
通过对同类城市（广州、厦门、杭州、苏州）人才吸引力度的对比，找出深圳市人才吸引力方面的优势与不足，从而更好地完善深圳市的人才吸引力体系。
为了量化评价深圳市的人才吸引水平，并探究“加大营商环境改革力度若干措施”的实施对人才吸引力水平的影响。
我们选择发展前景、收入水平、环境因素三个指标。
由于城市发展前景是吸引人才的最主要因素，并且可以体现在城市人均GDP、经济增长率、进出口贸易和第三产业比重四个方面。
利用这四个指标通过层次分析来确定权重，分析其对发展前景的影响。
而收入水平又可以反映在城市平均工资、人均可支配收入、恩格尔系数和物价指数等指标上，这些指标能通过权重的分配来反映一个城市的收入情况。
再者城市的环境也是人才选择十分关注的一点，包括治安状况、交通情况、教育和医疗水平等。
基于层次分析法的灰色关联度综合评价模型
基于层次分析法的灰⾊关联度综合评价模型第1章基于层次分析法的灰⾊关联度综合评价模型灵活型公共交通系统是⼀个复杂的综合性系统，单⼀的常规评价⽅法不能够准确对系统进⾏全⾯评价【39】，这就要求在进⾏灵活型公共交通系统评价时，结合系统固有特点，根据各种评价⽅法的优缺点，构建适合该系统的综合评价模型。
本章以灵活型公共交通系统评价指标体系为基础，参考常规型公共交通系统评价⽅法，建⽴了基于层次分析法的灰⾊关联度综合评价模型。
1.1评价⽅法适应性分析灰⾊关联度分析法基于灰⾊系统理论，是⼀种多指标、多因素分析⽅法，通过对系统的动态发展情况进⾏定量化分析，考察系统各个要素之间的差异性和关联性，当⽐较序列与参考序列曲线相似时，认为两者有较⾼关联度，反之则认为它们之间关联度较低，从⽽给出各因素之间关系的强弱和排序【50】。
与传统的其它多因素分析法相⽐【80】【81】【82】，灰⾊关联度分析法对数据量要求较低，样本量要求较少，计算量较⼩，可以利⽤各指标相对最优值作为参考序列，为最终综合评价等级的确定提供依据，⽽不必对⼤量实践数据有过⾼要求，能够较好解决灵活型公共交通系统作为新型辅助式公系统没有⾜够的经验数据⽀撑其模型参数的问题。
此外，灵活型公共交通系统评价体系是基于乘客、公交企业、政府三⽅主体的综合评价体系，涉及因素较多，指标较为复杂，部分指标之间存在关联性和重复性，信息相对不完全，⽽灰⾊系统的差异信息原理以及解的⾮唯⼀性原理，可以很好的解决这⼀问题【79】。
综上所述，认为灰⾊关联度分析法⽐较适合于灵活型公共交通系统的综合评价。
然⽽灰⾊关联度分析法将所有指标对于总⽬标的影响因素⼤⼩视作等同，没有考虑指标权重的影响，评价值可信度较低，应当通过科学的⽅法，确定指标权重，将其与关联度系数相结合，增加评价结果的科学性和有效性【83】。
常见的权重确定⽅法包括，专家打分法、等权重法、统计试验法、熵值法等。
等权重法不能很好的体现不同指标影响程度的差异性，并且在综合评价值相差不⼤时不利于⽅案的选择【84】；专家打分法、统计试验法评价的主观性较⾼，并且不适⽤于指标较多的情况【85】；⾏和正规化法、列和求逆法等指对判断矩阵的⼀部分数据进⾏利⽤，结果可信度不⾼【86】；最⼩偏差法、对数回归法等，利⽤同⼀指标不同⽅案值，认为变化程度较⼤的指标传递更多信息，应具有较⾼权重，然⽽对于灵活型公共交通系统单⽅案综合⽔平等级评价的情况，并不适⽤。
深圳市人才吸引力评价模型研究
深圳市人才吸引力评价模型研究
深圳市作为中国的特区城市和重要的经济中心，一直以来都受到高度关注。
近年来，深圳市人才引进和培养工作成为实现高质量发展的重要支撑，因此评价深圳市的人才吸引力变得尤为重要。
本文将研究深圳市人才吸引力评价模型。
要评价深圳市的人才吸引力，必须明确评价指标的选取。
人才吸引力评价指标可以从经济、社会环境、教育、科技创新等多个方面考虑。
经济方面可以关注深圳市的经济增长率、创新驱动能力、产业结构等；社会环境方面可以关注深圳市的生活成本、医疗保障、社会秩序等；教育方面可以关注深圳市的教育水平、人才培养环境等；科技创新方面可以关注深圳市的科研投入、科技创新能力等。
在确定评价指标时，需要根据深圳市的实际情况，综合考虑多个方面的因素。
要进行实证研究。
通过数据收集和调查研究，收集深圳市相关的数据，并根据建立的评价模型进行实证研究。
可以通过问卷调查、访谈等方式获取相关数据，然后进行数据分析和统计，得出深圳市的人才吸引力评价结果。
深圳市的人才吸引力评价模型需要明确评价指标的选取，可以采用层次分析法进行建模，最后进行实证研究。
这样的研究有助于了解深圳市的人才吸引力及其在实现高质量发展中的作用，并为深圳市制定人才引进和培养政策提供科学依据。
深圳市人才吸引力评价模型研究
深圳市人才吸引力评价模型研究摘要：随着深圳市经济的快速发展，人才的引进和留住已成为关键问题。
本文基于深圳市的实际情况，提出了一种人才吸引力评价模型，并进行了相关研究。
本模型综合考虑了人才需求、发展环境、政策支持等多个方面的因素，并通过实地调查和统计分析得出了相关结论。
本文的研究结果对于深圳市人才引进和留住工作具有一定的指导意义。
一、引言在当前全球化竞争背景下，人才的引进与留住成为各地区经济发展的关键因素之一。
作为中国改革开放的前沿城市，深圳市经济发展迅速，对人才的需求日益增长。
由于各种因素的影响，深圳市在人才引进和留住方面面临着一定的挑战。
建立一套科学的人才吸引力评价模型对于深圳市有效地引进和留住人才非常重要。
本文旨在基于深圳市的实际情况，通过对深圳市人才引进和留住工作的实地调查和分析，建立一套符合深圳市实际情况的人才吸引力评价模型，并对该模型进行相关研究。
二、深圳市人才发展现状分析深圳市作为中国改革开放的试验田，经济快速发展，已成为中国最具活力的城市之一。
随之而来的是对人才的需求不断增加。
由于深圳市的高房价、空气污染等问题，以及其他一些社会环境的影响，深圳市在吸引和留住人才方面仍然存在一定的困难。
从人才需求方面来看，随着深圳市产业结构的不断升级，对高端人才的需求也越来越大。
特别是在科技创新、金融服务等领域，对人才的需求更加迫切。
由于深圳市在高房价、空气质量等方面存在一定问题，对于高端人才来说，深圳市的吸引力并不够强。
从政策支持方面来看，深圳市政府一直致力于引进和留住人才，出台了一系列的人才政策。
针对高端人才，深圳市政府提供了诸多优惠政策，如购房补贴、子女教育等。
这些政策在一定程度上并未取得预期效果，人才引进和留住工作依然存在一定的难度。
基于对深圳市人才发展现状的分析，本文提出了一种人才吸引力评价模型。
该模型主要包括人才需求、发展环境、政策支持等多个方面的因素。
1. 人才需求人才需求是评价一个城市吸引力的重要因素之一。
基于层次分析和灰色关联分析的实习员工绩效评估研究
基于层次分析和灰色关联分析的 实习员工绩效评估研究
芦 慕
（ 京 交 通 大 学 经 济管 理 学 院 ， 京 １０４ ） 北 北 ０ ０ ４
摘要 ： 在对实 习生绩效评估过程 中， 为了帮助企业科学 、 有效地衡 量出实习生＿ 作业绩表 现和潜质 ， 丁 结合层 次分析法（ Ｈ ） Ａ Ｐ 和灰色关联分析方法的特点 ， 出了基于层次分析和灰色关联分析的实习员工绩效评估 方 提
ａ ａｙ ｉ， ｎ ｈ ｎ，ｔｋ ｐ ｃｆｃ ｅ ｓ ｏ ｘ ｍｐ ｅ ｉ ｈ ｓｍｅｈ ｄ． ｎ ｓｓ ａ ｄ ｔｅ ｌ ａ ｅａ ｓ ｅ ｉ ａ ｅ ｆｒｅ ａ ｌ ｎ ｔｉ ｔ ｏ ｉ
Ｋｅ ｒ ｙ ｗｏ ｄｓ：ＡＨＰ；ｇａ ｏ ｒ ｌｔ ｎ ａ ａｙ ｉ；ｉ ｔｍ ｓ ｉ ｒ ｙ ｃ ｒｅ ａｉ ｎ ｌｓｓ ｎ ｅ ｈ ｐ；ｐｅ ｏ ｍａ ｃ ｖ ｌａ ｉｎ ｏ ｆ ｒ ｒ ｎ ｅｅ ａｕ ｔ ｏ
实 习员工的水平 ， 最终 帮助企 业做 出决策 。
２ 实 习员工绩效评估的特殊性和传统
方 法 的局 限性
首先 ， 习人员 的工作 时间短 。一般实习时间在 实
资企业 ， 都拥 有一整套 完整 的实习生招 聘 、 核和应 考 用制度 。但是 ， 往往企业在对待实习生 的业绩考核 的 环节上存在问题 。 目前 ， 主要是很难找到一个有效 可 行并且 能真实反 映出待测实 习生业绩 的方法 。 这使 企 业很 难决策 实习生是 否进入企 业真正 为企业 带来效
第１ 卷 １
第１ 期
科 技 与 管 理
Ｓｃｅ ｃ － ｅ ｈ ｏ ｏ ｙ ａ ｄ Ｍａ ａ ｅ ｉ ｎ ｅ Ｔ ｃ ｎ ｌｇ ｎ ｎ ｇ ｍｅ ｔ ｎ
Ｖ０． １ Ｎ０． Ｉ １ １
基于SWOT—灰色预测的ESI_学科潜力与入围模型研究
第4期2024年2月江苏科技信息Jiangsu Science and Technology InformationNo.4February,2024基金项目:东莞理工学院高等教育研究重点项目;项目名称:基于ESI 数据分析的新型高水平理工科大学学科建设成效跟踪研究;项目编号:GJKY20220㊂作者简介:楼晶(1986 ),女,馆员,硕士;研究方向:学科服务与情报分析,知识产权评议,高等教育评价㊂基于SWOT —灰色预测的ESI 学科潜力与入围模型研究楼㊀晶(东莞理工学院图书馆,广东东莞523106)摘要:文章以东莞理工学院为例,运用基本科学指标数据库和InCites 数据库的数据,采用学科准入率法和SWOT 分析法识别出优势学科和机会学科,分别为工程学㊁材料科学㊁化学㊁环境生态学㊁计算机科学和农业科学㊂利用灰色预测模型对这些学科的被引频次和ESI 阈值进行拟合和预测,得到了这些学科入围ESI 全球前1%的时间节点㊂通过对比实际入围时间和预测时间,验证了该模型的可靠性和有效性㊂文章为高校学科建设和发展提供了一种新的方法和思路,也为高校制定或调整学科发展规划提供了有价值的参考依据㊂关键词:基本科学指标;时间预测;灰色预测模型;SWOT 分析中图分类号:G250.2㊀㊀文献标志码:A 0㊀引言㊀㊀近年来,高校越来越重视学科评价工作,作为国际上学科评价的重要指标与评价工具,基本科学指标数据库(Essential Science Indicators,ESI)已经成为高校评价科研水平㊁衡量科研绩效㊁追踪科研发展趋势的重要参考依据㊂通过对学科的现状和历史数据进行分析,学者们能够评估学科在未来的发展中是否具有入选ESI 全球前1%的潜力㊂这不仅有助于高校评价学科的科研水平,也可以为学科的发展提供有益的参考依据㊂在多年的实践中,不同的学者建立了各种计算机构ESI 潜力值的办法,同时还利用各种统计学的方法进行预测㊂管翠中等[1]引入了曲线拟合模型来预测入围时间;戴莹[2]提出了灰色模型对学科的部分指标进行预测与分析㊂朱文佳等[3]提出了ARIMA 时间序列预测模型拟合机构ESI 被引频次预估值,用温特斯季节指数平滑模型拟合ESI 入围阈值时间序列㊂汤莹[4]通过回归分析模型预测未来机构被引频次与发文数㊂不同的预测方法各有优劣,但目前尚未有一种方法能够完全适合所有学科与机构㊂本文结合实践经验,根据ESI 和InCites 数据库数据的特性,尝试构建SWOT 灰色预测模型应用于拟合ESI 被引频次预估值时间序列和ESI 入围阈值时间序列,交叉得出潜力学科入围预测时间,为ESI 潜力学科的预测方法提供一种新的尝试,也为高校科学制定或修正学科发展规划提供参考依据㊂1㊀ESI 潜力学科识别和入围预测模型的构建方法1.1㊀数据来源与获取㊀㊀ESI 数据库每2个月更新阈值,InCites 数据库每月更新Web of Science(WoS)数据㊂笔者从2019年3月起,定期对东莞理工学院进行数据采集存档,跟踪分析ESI 学科㊂本文选用截至2023年4月东莞理工学院的相关数据,ESI 的阈值为2023年第二期数值,对各学科潜力值进行分析与预测㊂1.2㊀未入围学科潜力区间划分㊀㊀学科潜力值计算采用学科准入率法,通过计算东莞理工学院未入围ESI 的学科在InCites 数据库中模拟检索所获得的总被引频次和该学科领域的门槛值之间的比值,估算东莞理工学院未入围ESI 学科的潜力值;同时,根据计算得出的入围差距划分区间㊂各区间以25%的差距分为4个区间㊂东莞理工学院的计算机科学学科位于最优第一区间,表现为具有最高竞争力的潜力学科,入围差距仅为7.87%;农业科学学科位于第二区间,属于中上游水平的第二梯队潜力学科;物理学作为理工类院校的传统学科位于第三区间,相较于其他学科发展较为缓慢,如表1所示㊂表1㊀东莞理工学院未入围ESI 学科潜力值情况学科InCites 总被引频次/次ESI 阈值潜力值/%入围差距/%区间划分Computer Science4540492892.137.87第一区间Agricultural Sciences 1995323461.6938.31第二区间Physics63292198328.7971.21第三区间1.3㊀未入围学科SWOT 分析㊀㊀从SWOT 角度对东莞理工学院的学科发展论文现状进行分析(见图1)㊂X 轴设定为WoS 论文数;Y 轴设定为学科规范化引文影响力(CNCI),CNCI 是一篇文献实际引用次数除以同文献类型㊁出版年㊁同学科领域文献的期望被引次数获得的;当一篇文献被划归至多个学科领域时,则使用实际被引次数与期望被引次数比值的平均值[5]㊂CNCI 能够反映该机构文献的引文表现力,如果CNCI 小于1,表示其引文影响力低于全球平均水平;如果CNCI 大于1,表示其引文影响力已超过全球平均水平[6];气泡面积大小表示该学科的总被引频次;以该机构各学科WoS 论文数与CNCI 的平均值划分象限[7]㊂以被引频次大于200,以学科规范化引文影响力大于1为界限划分,东莞理工学院的学科特征较为明显,作为优势学科的工程学㊁材料科学㊁化学㊁物理学㊁计算机科学和环境生态学,科研产出水平较高且引文影响已超过全球平均水平,同时,工程学㊁材料科学㊁化学和环境生态学都已经进入ESI 全球前1%,计算机科学的潜力值也已经到达92.13%,如图1所示㊂位于左上角第二象限的机会学科中,农业科学具有较大的发展机会,其引文影响力达到1.679,论文质量较高,但在论文产出数量上仍有待提高㊂类似的学科还包括一般社会科学,其引文影响力高达2.07,为所有学科中最高,然而其论文产出数量较低,短期内难以成为优势学科㊂因为理工类院校的学科属性,其他学科的论文体量相对处于较低水平,短期内没有进入优势学科的可能性㊂因此,在综合考虑潜力值区间及学科SWOT 分析的基础上,本研究选择计算机科学和农业科学作为重点观测的潜力学科,并对其进行后续的预测分析㊂图1㊀东莞理工学院ESI 学科SWOT 分析2㊀优势学科入围预测数据模型2.1㊀灰色预测模型㊀㊀灰色预测是一种对含有不确定因素的系统进行预测的方法[8]㊂灰色预测通过鉴别系统因素之间发展趋势的相异程度,即进行关联分析,并对原始数据进行生成处理来寻找系统变动的规律,生成有较强规律性的数据序列,然后建立相应的微分方程模型,从而预测事物未来发展趋势的状况[9]㊂经典GM(1,1)模型是灰色系统理论中最重要的预测模型之一,已经广泛应用于解决经济㊁管理㊁工程等多个领域的预测问题[10],其主要思想是利用一阶累加生成降低序列的随机性,使数据序列呈近似指数规律,然后建立一阶线性微分方程,对方程求解后得到时间响应序列函数,并将其用于预测值计算[11]㊂2.2㊀基于灰色预测的ESI 学科入围模型㊀㊀依据ESI 学科评定标准,采用ESI 数据库更新时间序列数据作为定量变量,以研究机构学科总被引频次及ESI 数据库定期更新的该学科阈值的历史数据作为基础㊂通过应用灰色预测模型进行拟合预测,可以得到对未来学科发展趋势的估计㊂为了更直观地展示预测结果,根据预测数据分别绘制两条曲线㊂第一条曲线代表研究机构学科总被引频次的预测变化,第二条曲线则表示ESI 数据库定期更新的该学科阈值预测变化㊂两条曲线的交点意味着在某一时刻,研究机构的学科总被引频次将达到ESI 学科全球前1%的阈值㊂该交点即代表该学科预计跻身ESI 学科全球前1%的时间节点㊂通过分析这一预测时间点,机构可以更好地制定战略规划,以实现学科发展的优化和提升㊂通过灰色预测模型拟合被引频次与学科阈值,从而获取预测时间㊂在Environment /Ecology 学科中,被引频次与学科阈值的预测值交汇点时间约为2023年1月(见图2)㊂鉴于InCites 数据与ESI 数据库的更新周期存在一个月的差距,因此,推测Environment /Ecology 学科入围ESI 学科全球前1%的时间点为2023年3 5月更新周期㊂事实上,东莞理工学院的Environment /Ecology 学科于2023年3月成功入围ESI 全球前1%㊂此结果证实了该模型的科学性与适用性㊂图2㊀东莞理工学院Environment /Ecology 学科入围ESI 时间点预测2.3㊀机会学科入围预测模型㊀㊀两条曲线的交点位于2024年11月左右,如图3所示㊂这两条曲线分别表示东莞理工学院Agricultural Sciences 学科的被引频次预测变化与ESI 学科阈值预测变化㊂根据ESI 更新周期,预测时间应接近2025年年初的更新节点㊂然而,由于Agricultural Sciences 学科的被引频次值与学科阈值之间存在较大差距,对该学科的预测值误差可能相应增大㊂因此,推测东莞理工学院Agricultural Sciences 学科入围ESI 学科全球前1%的时间为2025年1 3月的更新节点㊂图3㊀东莞理工学院Agricultural Sciences 学科入围ESI 时间点预测3㊀结语3.1㊀结论㊀㊀本文以东莞理工学院为例,运用ESI 数据库和InCites 数据库的数据,采用学科准入率法和SWOT 分析法识别出优势学科和机会学科,分别为工程学㊁材料科学㊁化学㊁环境生态学㊁计算机科学和农业科学㊂利用灰色预测模型对这些学科的被引频次和ESI 阈值进行拟合和预测,得到了这些学科入围ESI 全球前1%的时间节点㊂通过对比实际入围时间和预测时间,验证了该模型的可靠性和有效性㊂本文的研究为高校学科建设和发展提供了一种新的方法和思路,也为高校制定或调整学科发展规划提供了有价值的参考依据㊂3.2㊀创新与意义㊀㊀本文结合实践经验,根据ESI 和InCites 数据库数据的特性,构建了SWOT 灰色预测模型㊂将SWOT 分析和灰色预测相结合,从不同角度分析和预测学科的发展潜力和入围时间,提高了预测的准确性和可信度㊂采用灰色预测模型中的背景值重构方法,对原始数据进行了生成处理,降低了数据的随机性,增强了数据的规律性,使得预测模型更加符合实际情况,提高了预测的精度和稳定性㊂本文利用ESI数据库和InCites数据库的数据,对东莞理工学院的学科进行了全面分析和预测,为东莞理工学院的学科建设和发展提供了科学的依据和指导,也为其他高校的学科评价和预测提供了一种可借鉴的范例㊂3.3㊀缺陷与未来研究方向㊀㊀本文的缺陷与不足主要有:数据来源于ESI数据库和InCites数据库,可能存在一定的局限性和偏差,未能涵盖所有的学科领域和评价指标,也未能反映学科的内在质量和特色㊂本文的预测模型基于历史数据,可能存在一定的滞后性和不确定性,未能充分考虑学科发展的动态变化和外部影响因素,也未能对学科的发展趋势和变化规律进行深入分析和解释㊂此外,高校机构实际操作的各种因素,如对重点学科的扶持,制定相关科研绩效激励政策,国际国内合作的深入等,都有可能对论文的实际发表与被引量产生影响㊂本文的预测结果仅供参考,需要相关学者作进一步的研究和探索,如在模型中纳入更多可能影响学科发展的因素,结合其他多元预测方法,构建动态预测模型等㊂参考文献[1]管翠中,范爱红,贺维平,等.学术机构入围ESI前1%学科时间的曲线拟合预测方法研究 以清华大学为例[J].图书情报工作,2016(22):88-93. [2]戴莹.灰色预测在高校学科发展中的应用 以合肥工业大学为例[J].情报探索,2018(9):13-17. [3]朱文佳,朱莉.基于时间序列分析法的ESI前1%学科入围时间预测模型[J].情报理论与实践,2019 (10):137-145.[4]汤莹.我国经济学与商学学科分析与潜力预测 基于ESI和InCites数据分析[J].上海教育评估研究,2019(4):66-71.[5]顾东蕾,张静,刘旭明.基于JCR和Incite TM中国大陆期刊的学科影响力研究[J].情报杂志,2016 (8):107-113.[6]宋丽萍,王建芳.基于学科规范引文影响力与同行评议相关性的科学评价实证研究[J].图书情报工作,2018(18):122-128.[7]林菲菲,周喆. 双一流 背景下ESI潜力学科识别与入围预测模型构建的实践探索 以福建医科大学为例[J].晋图学刊,2021(3):1-9.[8]邓聚龙.灰色预测与灰决策[M].武汉:华中科技大学出版社,2002.[9]DUMAN G M,KONGAR E,GUPTA S M.Estimation of electronic waste using optimized multivariate grey models[J].Waste Management,2019(95):241-249.[10]谭冠军,檀甲友,王加阳.灰色系统预测模型GM (1,1)背景值重构研究[J].数学的实践与认识,2015 (15):267-273.[11]张鹏.小样本时间序列灰色预测关键技术研究[D].成都:电子科技大学,2020.(编辑㊀何㊀琳)Research on ESI discipline potential and finalist model based on SWOT-Grey PredictionLou JingDongguan University of Technology Dongguan523106 ChinaAbstract The article takes Dongguan University of Technology as an example using data from Essentials Science Indicators database and InCites database and using discipline admission rate method and SWOT analysis method to identify advantageous disciplines and opportunity disciplines namely engineering materials science chemistry environmental ecology computer science and agricultural science.Then the Grey Prediction model was used to fit and predict the citation frequency and ESI threshold of these disciplines and the time nodes for these disciplines to be ranked in the top1%of ESI globally were obtained.The reliability and effectiveness of the model were verified by comparing the actual nomination time with the predicted time.This study provides a new method and approach for the construction and development of disciplines in universities and also provides valuable reference for universities to formulate or adjust disciplinary development plans.Key words。
层次分析法和灰色聚类分析法在绩效评价中的应用
层次分析法和灰色聚类分析法在绩效评估中的应用施狄峰摘要 绩效考核的评估是帮助企业维持和提高生产力、实现企业经营目标的手段之一，它一个复杂的大系统，一般企业的绩效评估是建立在关键考核指标得分乘以权系数的线性关系的基础上，但如果有两个下属分公司考核得分分别是97分和94分，究竟它们都属于优，还是一个是优、一个是良，原先的方法显然无法判断。
笔者运用运筹学决策分析法的层次分析法和灰色系统理论的灰聚类法两种方法对绩效加以评估，能将被考核企业的经营情况很清楚地区分开来，分类排序出来。
关键词 绩效评估 层次分析法 灰色聚类分析法设以某公司下属11个分公司绩效考核情况数据为例，记为K C B A i ,, ;并选取经营效绩考核中三个指标记为***3,2,1。
一、用层次分析法： 1、权重设置：123ij 2所示系数。
得到矩阵A=(a ij )3×3矩阵A 为经营效绩的判断矩阵。
A=相应的特征向量为：B 3=( 0.45 0.40 0.15 )T得出3个考核指标权重分别为0.45、0.40、0.152、类似地根据表3可用特征向量法求下属11个分公司相对于上述3个指标中每一个的权系数。
成对比较的指标*1：表4指标*2：表5指标*3：表63、由此可求出3个指标的相应特征向量，按列组成矩阵B3。
B3=若记B k为第k层次上所有因素相对于上一层上有关因素的权向量按列组成的矩阵，则第k层次的组合权系数向量W k满足：W k=B k·B k-1··········B2·B1由W3=B3B2=(0.0938 0.1050 0.0815 0.0944 0.1013 0.0721 0.0926 0.0965 0.0979 0.0745 0.0903 )T可以得出以下11个分公司经营绩效排名：表7以上矩阵特征向量的计算是根据方根法近似计算。
基于层次分析法和灰色关联度的方案决策模型研究
产品方案设计中许多评价问题都属于多人 、 多层次和多 目标综合评价 问题 ｌ 。 目前广泛应 用于复杂 】 Ｊ 产品设计方案评价中的层次分析法 （ ｎｌｉ ｌ ｉａ ｈ ｒ ｅｓ简称 Ａ Ｐ 在建立判断矩阵时 ， Ａ ａ ｔａ Ｈｅ ｒ ｙＰｏ ｓ， ｙｃ ｒ ｃ ｃ Ｈ） 只是将各 方案的单个指标值进行 比较 ， 没有考虑指标 间的相互联 系 。然而 ， Ｊ 复杂产品方案设计系统 中各 因素指 标之间并不是相互独立 的， 它们之间的关 系不明确 ， 但的确存在 ， 从本质上讲 ， 就是一种灰色关 系 。因 ］ 此 ， 于 指标 间关 联 性 比较强 的评价 体 系来 说 ， Ｐ法并 不 是最 佳评 价方 法 。 对 ＡＨ 本文 中针对复杂产品方案评价的特性 ， 从实际需要出发 ， 深入研究决策理论和方法 ， 采用 Ａ Ｐ法确定 Ｈ 因素指标权值和灰色关联度分析法建立决策矩阵 ， 实现对复杂产 品方案的综合评价。
Ｍｅｈｎｃ ｎ ． Ｓｕｈ ｅｔ ｉ ｔ ｇＵ ｉ ｒｔ，Ｃ ｅ ｇｕ６ ０ ３ ， ｈｎ ） ｃ ａｉ Ｅ ｇ ， ｔｗ ｓ Ｊ ｏ ｎ ｎｖ ｓｙ ｈｎｄ １０ １ Ｃ ｉａ ｌ ａ ｏ ａ ｏ ｅｉ
Ａｂｔａ ｔ ｏ ｓ ｅ ｎ ｈ ｏ ｌｘ ｙ ｏ ｌ—ｂｅｔ ｅ ｄ ｃ ｉ ｒｄ ｃ ｃ ｅ ｅ ｄ ｓ ｎ ｎ ｓｒｃ ：Ｃ ｎ ｉ ｒ ｇ ｔｅ ｃｍｐｅｉ ｆ ｍｕｔｏ ｊｃ ｖ ｅｉ ｏ ｏ ｐｏ ｕ ｔｓｈ ｍ ｅｉ ，ａ ｄｉ ｔ ｉ ｉ ｓｎ ｆ ｇ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
向量为：
w( ) = W ( ) w(
3 3
2)
= ( 0.2511 0.1494 0.0517 0.0868 0.0991 0.0991 0.0991 0.0437 0.0116 0.0283 0.0200 0.0530 0.0073)
其中 W ( ) 是 3 个权向量为列向量构成的 13 × 3 的矩阵
School of Information Science and Technology, Hainan University, Haikou Hainan
Received: Nov. 21 , 2018; accepted: Dec. 13 , 2018; published: Dec. 20 , 2018
2 1 1 2 1 B1 = 1 4 1 3 1 3 1 2
4 3 1 1 1 3 2 , B 2 = 1 1 1 , 1 1 2 1 1 1 2 1
因成对比矩阵通常不是一致阵，要进行一致性检验，即对每一成对比较阵计算最大特征根 λ 和特征 CI λ −n ，若一致性比率 CR 向量 n，一致性指标为 CI = = < 0.1 ，则通过一致性检验，则特征向量 n 可以 RI n −1 作为权向量。经计算各矩阵的一致性比例均符合 CR < 0.1 ，选择的判断矩阵都比较严谨，以上的层次排 序都具有较为满意的一致性。 假设层次结构共有 s 层，则第 k 层对第 1 层(设只有 1 个因素)的组合权向量为：
Open Access
1. 引言
当今世界综合国力的竞争， 说到底是人才的竞争， 如何提高人才吸引力成为各行各业关注的焦点。 各省市纷纷以引进人才、留住人才、发挥人才的最大作用为目标，在盘活本地人才的基础上，健全相 关制度，制定各种优惠政策，采取有力措施。根据马斯洛需求层次理论、赫兹伯格双因素理论以及公 平理论等，影响人才的内部因素包括薪酬水平、发展前景、人才晋升制度、有效的沟通等，外部环境 诸如区域经济环境、文化环境、人才引进政策等都会影响人才集聚，间接地作用于人才吸引力[1]。科 技人才的竞争已经成为各国发展战略的首要环节，苏津津实证分析出吸引科技人才的影响因素[2]。赵 明[3]指出深圳对金融人才的吸引力有所弱化的原因， 并给出解决此类问题的相关措施。 Mohamad 等[4] 根据社会认同理论并结合实验，来评估一个组织的吸引力。Reiner 等[5]通过建立启发式框架，得到国 际学术人才的城市吸引政策。然而，以上文献在讨论人才吸引力时，大多采取调研、实验、政策研究 等方法进行定性分析，缺乏合适的“数学模型”，使得结论既缺乏说服力，也缺乏可验证性。本文以 深圳为例，通过建立人才吸引力综合评价模型，运用层次分析法，模糊综合评测法和灰色关联度分析 三种方法来量化当前深圳的人才吸引力水平，给出评分，并针对 2018 年深圳“加大营商环境改革力 度若干举措”对人才吸引力水平的影响做出量化评价。再针对具体人才类别，深入分析比较当前深圳 与其他同类城市在人才吸引力上的优势与不足。最后，给出深圳有效提升自己人才吸引力的可行性方 案。
( ) ( ) = = w( ) W w , k 3, 4,
k k k −1
,s
其中 W
(k )
是以第 ks 层)对于最上层的组合
权向量为：
w( ) = W ( ) w(
s s
s −1)
W ( ) w(
3
2)
( 3) 。由此可得到 C 层对 A 层的组合权 由 B1 ，B2，B3 这三个成对比矩阵的权向量生成权向量 wk
DOI: 10.12677/aam.2018.712184 1575 应用数学进展
郭钰卓 等
医疗 C11、污染 C12、购物 C13)。运用 B 层的各因素对 A 层的影响，参照 1~9 尺度，构造得到成对 比矩阵 A。
2 3 1 A = 1 2 1 2 1 3 1 2 1
DOI: 10.12677/aam.2018.712184 1576 应用数学进展
郭钰卓 等 Table 1. Shenzhen each index score list 表 1. 深圳各项指标得分一览表
主要因素 子因素 2016 年人均 GDP/万元 经济增长率 城市发展前景 进出口贸易占比平均值 第三产业占比平均值 在岗职工每月平均工资 收入水平 城市居民人均可支配收入(元) 2016 年物价指数 法院受理案件数(万件) 交通客运总人数(万人次) 全市中小学学校数量 环境因素 每万人拥有床位数 环境空气质量综合指数 消费品零售(亿元) 深圳各项指标数据 北京各项指标数据 深圳各项指标得分 北京各项指标得分 18.10 0.09 3982.89 57.78% 6084.5 3661.18 102.5 34 15,113 633 34.86 3.44 5017.84 11.82 0.067 4506.89 81.70% 7706 20,253 102.1 34.1 69,287.6 996 42.36 6.81 11,005.1 51.714 60 97.144 57.78 86.921 93.876 97.619 75.556 15.266 42.2 43.575 62.723 62.723 33.771 44.667 100.15 81.7 118.55 405.06 92.818 68.2 138.58 66.4 42.36 31.9 137.56
Copyright © 2018 by authors and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
结合上述层次分析法得到的权向量
w( ) = W ( ) w(
3 3
2)
= ( 0.2511 0.1494 0.0517 0.0868 0.0991 0.0991 0.0991 0.0437 0.0116 0.0283 0.0200 0.0530 0.0073)
T
可得到深圳人才吸引力水平的得分为 69.047，相对于北京 96.982 来说，深圳的人才吸引力水平与北 京的差距还是比较大的。 2018 年深圳市将加大营商环境改革力度作为一项重要工作，提出了具体的七个方面的措施：营造更 加开放的贸易投资环境、营造综合成本适宜的产业发展环境、营造更具吸引力的人才发展环境、营造更 美丽更宜居的绿色发展环境、营造公平公正的法治环境、保障措施。假设这些措施对深圳各项指标数据 的提升率为 1%，组合权向量得到实施后的得分为 69.584，与实施措施前的得分虽然没有显著性提高，但 是如果加大措施的实施力度，再加上时间的累积，一年后，深圳的人才吸引力水平将会有显著性提高， 有望成为新生的人才聚集地。
收稿日期：2018年11月21日；录用日期：2018年12月13日；发布日期：2018年12月20日
*
通讯作者。
文章引用: 郭钰卓, 俞雪华, 王志刚, 何文峰. 基于层次分析法–灰色关联度综合评价法的深圳人才吸引力量化模型 [J]. 应用数学进展, 2018, 7(12): 1574-1582. DOI: 10.12677/aam.2018.712184
Advances in Applied Mathematics 应用数学进展, 2018, 7(12), 1574-1582 Published Online December 2018 in Hans. /journal/aam https:///10.12677/aam.2018.712184
3
T
w( ) = ( 0.5390 0.2973 0.1638 )
2
即 B 层对 A 层的权向量。 为量化地评价深圳市的人才吸引力水平，下面给出评分标准的定义：结合各城市每项指标的数据， 给每项指标设定一个最大值，并设定每项指标的满分均为 100 分，通过计算每项指标的数据值在最大值 中所占的比例，换算得到其在满分为 100 分情况下的得分。对于正向指标，越接近最大值，分值越高； 对于负向指标，越接近最大值，分值反而越低。 运用上述评分标准的定义，求出深圳各项指标得分，为了能更好地说明深圳各项指标得分的高低， 这里选取北京这个人才聚集的城市作为对比，相对应的，给出北京各项指标数据，结果见表 1。
st
th
th
Abstract
In this paper, we establish a comprehensive evaluation model of talent attraction in Shenzhen, by the Analytic Hierarchy Process (AHP) and the grey relational degree model. An in-depth analysis of the advantages and disadvantages of Shenzhen and other similar cities (Guangzhou, Hangzhou, Xiamen, and Suzhou) in talent attraction is obtained. A plan to enhance its talent appeal is given.
郭钰卓 等
摘
要
本文主要运用层次分析法，灰色关联度和模糊综合测评法，建立深圳人才吸引力综合评价模型，来量化 当前深圳的人才吸引力水平， 并针对具体人才类别， 深入分析比较当前深圳与其他同类城市(广州、 杭州、 厦门、苏州)在人才吸引力上的优势与不足，给出深圳提升自己人才吸引力的方案。
关键词
人才吸引力，层次分析法，灰色关联度，模糊评测法
2. 深圳人才吸引力综合评价模型
层次分析法在经济、管理、信息、工程、电力等领域都有重要应用 [6]-[14]，针对深圳市的人才 吸引力研究， 运用层次分析法构建各因素相互联结的人才吸引力评价模型。 从上述文献中归纳得到： 大多数人才首先关心的是发展前景， 可通过人均 GDP 指标， 经济增长率等指标来衡量， 其次是收入， 可通过人均工资，人均可支配收入等指标来衡量，再次是环境方面的因素，包括治安，交通，污染， 教育，医疗，购物等。因此，设定目标层为人才吸引力综合指标 A，准则层 B (子准则层 C)分为城市 发展前景 B1 (人均 GDP 指标 C1、经济增长率 C2、进出口贸易占比 C3、第三产业比 C4)、收入水平 B2 (人均工资 C5、人均可支配收入 C6 、物价指数 C7)和环境因素 B3 (治安 C8、交通 C9、教育 C10 、