發布時間：2021-06-02所屬分類：經濟論文瀏覽：1次
摘 要： 摘要：工資是影響員工行為的最敏感因素，適時推動工資制度優化對穩定人才隊伍、提高工作效率、提升組織效能具有重要作用。業界在工資制度設計層面的研究較多，但涉及工資要素優選及測算的方法研究較少。本文以作者研究團隊完成的40余家農信金融企業管理咨詢
摘要：工資是影響員工行為的最敏感因素，適時推動工資制度優化對穩定人才隊伍、提高工作效率、提升組織效能具有重要作用。業界在工資制度設計層面的研究較多，但涉及工資要素優選及測算的方法研究較少。本文以作者研究團隊完成的40余家農信金融企業管理咨詢項目成果為案例，將智能算法引入工資測算領域，首先運用灰色關聯分析對企業樣本數據預處理，在多種工資要素中篩選出最優特征變量，再使用隨機森林模型對員工工資進行預測，同時基于相同的訓練樣本進行多種預測模型的對比;為了檢驗預測工資的適用性，通過相關性分析，驗證工資策略與組織效能的重要關聯。本文所提出的工資制度設計與優化的智能算法，可以確定工資影響因素的最優權重組合，為農信金融企業工資改革所借鑒，也可以為其他銀行類金融企業的工資制度設計提供算法參考。
關鍵詞：農信金融企業;工資要素優選;工資測算;隨機森林;灰色關聯分析;GRA-RF組合算法
1引言
我國人口低生育和老齡化導致適齡勞動力減少，市場擴增和人才緊縮的對向逆驅動使得原有勞動力資源豐富、價格低廉的企業成本優勢逐漸消退，人力成本投入隨之增大，如何將有限的“工資蛋糕”合理分配，是學術界和企業實踐中備受關注的研究課題。
算法科學、專業合理的薪酬策略既能客觀反映勞動力價值，也是企業最重要的人才激勵方式。工資要素的合理選擇和工資水平的科學測算，會直接決定工資制度的設計水平，影響員工情緒和行為，對企業人才隊伍穩定、工作效率提升乃至企業效益增長等效能指標產生重要影響。尋找一種科學方法來分析衡量勞動力價值產出的顯性表現和隱性能力等諸多因素，研究用什么條件作為給付勞動報酬的依據，并驗證工資策略與組織效能的重要關聯，是薪酬制度設計需要深度研究的工作。
梳理工資分配相關理論的研究與實踐成果，當前宏觀研究主要聚焦在薪酬政策和養老保險問題;微觀研究集中在企業薪酬制度優化層面，如工資結構優化、加大績效比例、導入股權激勵等方面。而對工資要素設計及工資測算方法的科學性、合理性研究則相對較少。在工資結構優化的基礎上，本文希望進一步聚焦工資要素優選及工資測算的方法研究，深化探索工資制度設計的研究空間。
有關工資要素優選的方法應用，目前以綜合評價方法為主，依托專家經驗和行業特點，確定工資影響因素及其權重。田建邦[3]采用了德爾菲法對高校的績效工資的設計要素做以研究，但他也指出由于專家權威和經驗的主觀不確定性，可能帶來因工資影響因素和權重偏差導致隊伍不穩定性和干部激勵降低的問題，單一的定性研究方法對于復雜而敏感的工資問題缺乏縝密性。
張建紅和J.PaulElhorst[4]利用空間計量經濟學的方法考察影響地區工資水平的各種政策制度因素和經濟因素，但由于該方法對樣本數據的選擇方面有嚴格的要求，在一定程度上影響模型在企業工資制度優化和測算改革中的適用性及使用效果。
非統計方法依托計算機技術的人工智能，以隨機森林智能算法為代表，具有穩定性、受不確定噪音影響小，因而應用廣泛。林成德、彭國蘭[32]，DeanFantazzini[35]運用隨機森林算法對企業信用進行風險評估預測;臧雷振[10]借助基于決策樹的集成算法研究政府治理效能對國家創新能力的影響，證明政府效能對國家治理能力有著顯著的正面促進作用;Keely等利用隨機森林方法研究社會收入再分配問題，認為其預測結果更符合社會經濟發展實際規律;Bart等[34-37]進行多種預測模型比較，發現在客戶關系管理中隨機森林的預測效果要優于普通線性回歸和Logistic模型。由此可見，隨機森林算法對多變量、大數據處理具有優越性能，在預測問題上有較多研究成果[30-37]，理論上可以應用到企業管理、工資改革的實踐中;而且大數據智能算法一般無須對數據進行標準化預處理，使得用于工資影響因素的數據指標的可獲得性變強，數據維度變大;但在企業實踐中工資影響要素會受到行業特點、發展階段和經濟市場影響，存在不確定性，若繼續使用無差別的數據進行隨機森林運算，也可能會導致工資預測時間變長，成本變高，因此最優變量指標的選擇成為影響預測效果的關鍵癥結，需要借助相關指標選擇模型算法強化預測結果的適用性。
韓兆洲、魏章進[25]采用灰色關聯分析中的鄧氏模型探尋最低工資和其主要影響因素的定量關系，并證明其方法在該領域的適用性;劉思峰[24]等基于橫縱向人-崗綜合匹配度，運用灰色關聯模型從時間、能力角度進行全面、動態地衡量匹配情況;彭曉等[29]運用灰色關聯法研究公司高管薪酬總額與公司治理績效的關聯關系，并從定量角度分析了關聯關系的強弱性。但灰色關聯分析法在實踐運用中需要參考點和原始數據預處理，易造成對有效指標的無效篩選，因此本文將兩種算法組合運用，灰色關聯分析法用于分析工資要素優選，對企業員工數據進行預處理，形成工資要素樣本集，有利于提高指標選取精度;在此基礎上，運用隨機森林回歸模型進行訓練，對企業工資制度改革效果預測，并探尋工資與組織效能間的重要關聯作用，兼顧工資制度設計要素量化計算的合理性、工資制度實施與組織效能的關聯性，尋求算法驗證及最佳實踐支撐。
2農信金融企業工資問題與現狀
構建新型城鄉關系、破解“三農”問題，實施普惠金融、金融扶貧，推進農村金融服務工作是黨的十九大提出實施鄉村振興戰略的重要舉措，農信金融企業成為支持鄉村振興的重要力量。
何廣文[20]指出金融結構中金融機構的數量和種類是金融深化的集中體現，為改善中國農村金融結構，促進農村經濟增長，金融機構的多樣化是20世紀80年代以來中國農村金融體制變遷的主線。據銀保監會公布數據顯示，截至2019年底，我國農信系統內包括農村商業銀行、農村合作銀行、農村信用合作社等在內的金融機構企業共計3802家，占全國銀行業金融機構數的84.7%;全國農信金融機構存貸規模逾40萬億，成為我國金融行業的主力軍。
不同于其他金融企業，謝平[19]指出農信金融系統為緊密型的管理運行現狀，意味著權力的集中，弊端顯而易見，基層農信金融企業受制于省聯社管控，管理幅度有限，容易導致形式主義、低行政效率等問題。同時深耕農村、客戶資源單一，管理人員學歷普遍較低，農信金融企業人力資本和管理薄弱等問題普遍存在。得益于國家扶持政策，通過人才引進、管理提升，近年來農信金融企業呈良好發展態勢，人力資源整體水平也大幅提升，但與此同時也帶來組織發展與管理水平相脫節的矛盾。根據產業結構升級和行業發展規律，企業遵循利潤最大化原則來選擇改革模式和管理機制，當勞動力無限供給時，企業只需支付較低的工資，就可以獲得需要雇傭的勞動力數量;但隨著農信金融人才聚集，勞動成本增加，給企業工資分配的合理性帶來了巨大考驗，相對落后的工資制度也成為掣肘農信金融企業健康發展的管理短板。
當前許多農信金融企業沒有建立起規范的崗位等級體系，導致員工缺乏成長空間而流失;分配不合理讓員工缺失公平感，造成激勵差、效率低的問題，嚴重影響了組織效能提升。因此，推動農信金融企業工資制度改革，設計高水平工資分配制度，成為廣受關注、亟待解決的重要研究課題。
自2003年國務院發布《深化農村信用社改革試點方案》至今，農信金融企業在發展中探索出一條循序漸進的工資改革之道。周小川[17]提到，改革之初，由于各地基礎情況差異較大，管理水平和采用的制度方法也有所區別，因此改革也有不同的進程和成效。以10家首批試點單位之一的江西省為例，改革初以“當期業績決定薪酬，長期業績決定升遷”為原則，引入短期與長期激勵相結合的收入分配制度;隨著農村金融市場外延，發展勢頭穩中向好，分配領域的改革也隨之逐步深入，形成了勞動、資本、技術和管理等生產要素參與分配的新局面，打破了平均主義，初步建立了機構薪酬總量與其經營績效掛鉤，員工薪酬水平與其崗位責任和貢獻掛鉤的收入分配機制。
本文以農信系統金融企業作為研究對象，在作者研究團隊完成的40余項農信金融企業人力資源提升項目研究成果中，選取5家處于不同發展階段的農信金融企業作為案例展開工作。研究團隊在樣本企業中系統推行了薪酬制度改革實踐，設計出“資質等級+崗效等級”的雙軌工資制度，以崗位勞動價值評價為依據確定員工“崗位等級工資”、以員工資質條件和歷史貢獻決定員工“技能資質工資”，再配套設計績效考核制度與分配制度、員工晉升晉級制度對接，在實踐中解決了薪酬分配帶來的激勵和公平問題，獲得了企業的廣泛認可。本文研究重點在于農信金融企業工資要素的優選及工資測算方法研究，組合運用灰色關聯分析和隨機森林智能算法研究，以期為農信金融企業及其他銀行類金融企業的工資制度設計提供理論和模型參考。
3數學原理
本文采用灰色關聯分析法對企業員工數據進行預處理，形成工資要素最優特征樣本集，作為輸入數據，運用隨機森林回歸模型進行訓練，并建立工資與組織效能間的重要關聯，尋求算法驗證及最佳實踐支撐。建模及驗證流程詳見圖1。
3.1灰色關聯分析
灰色關聯分析是灰色系統理論的一個分支，基于鄧聚龍教授[22]提出的灰色關聯分析模型，對一個系統的變化過程、變化趨勢進行定量描述。
3.2隨機森林
隨機森林是一種基于集成學習的智能算法。美國統計學家LeoBreima[33]在研究決策樹理論的過程中，發現使用線性模型選擇變量的子集很不穩定，只要數據稍有變化，所選變量可能就很不相同;于是在2001年最早提出了執行隨機森林的關鍵算法，ThomasG.Dietterich[36]利用Bootstrap重采樣技術從全部訓練樣本數據中有放回地自動抽取出多個樣本，并對每個自動樣本集運用CART算法構建決策樹，N棵樹會有N個預測結果，隨機森林則集成了所有決策樹的預測結果，通過投票決定最終結果，用于回歸時則以N個預測結果的平均值作為最終結果。在構建每棵決策樹時，隨機選取部分變量用于分裂節點，進一步降低了不同決策樹之間的相關性。隨機森林的每棵決策樹選取樣本和變量的隨機性使得模型克服了傳統決策樹算法過擬合的風險，具有良好的泛化性能。[30-42]
3.2.1決策樹
使用CART算法構建決策樹，以灰色關聯分析確定的工資要素數據為樣本集通過Bootstrap方法從中有放回地隨機采樣選出n組數據作為n個樣本，并在性別、年齡、學歷、職稱、技能等級等11個特征中隨機選取m個特征用于分裂決策樹的節點。CART算法采用自上而下的貪婪算法構建一個樹狀結構，不進行剪枝等操作，用于回歸時以均方誤差最小化原則分裂節點。——論文作者：余順坤，宋宇晴
相關期刊推薦：《上海管理科學》雜志是上海管理科學學會的機關刊物，由上海交通大學安泰經濟與管理學院、同濟大學經濟與管理學院、上海外國語大學國際工商管理學院、中歐國際工商學院四家聯合承辦。主要欄目：主編寄語、專論、主題文章、生產管理、技術創新與管理、金融管理、項目與團隊管理。
SCISSCIAHCI
