随着知识经济时代的到来，全球经济一体化步伐加快，企业间的竞争逐步转化成人力资本的较量，人才是企业得以健康有序发展的重要保障[1]，起着举足轻重的作用。人岗匹配是人力资源领域的重要组成部分，是人力资源进行有效配置和合理使用的基础[2]。
近年来，现代科技发展迅速，科技型中小企业顺势而生，成为培育和发展战略性新兴产业的重要载体，其中，科技型员工凭借知识创造高科技产品，具有重大的作用，此类员工的比例也在逐年增加[3]。岗位和人是科技企业人力资源不可或缺的两个核心因素，寻求有效的人岗匹配测量方式能够提高人力资源效率，为企业制定人力资源规划提供重要参考[4]。
目前建立人岗匹配测算模型最普遍的方法是模糊综合评价法、层次分析法。层次分析法操作简单、解释力强，但是其主观成分较大，评价过程繁琐，还不够完善[5]。因此，设计一个能够全面、准确地评价科技人员工作能力的模型，有着重要的实际应用意义。数据挖掘技术是一种新的智能方法，能够科学有效地挖掘有价值的各种信息，保证评价模型的客观性与有效性，同时规避了层次分析法主观性太强的问题[6]。BP神经网络是一种常用的数据挖掘技术，其凭借着智能性、自适应性、自学习功能，被广泛应用在管理评价领域[7]，也被许多大企业引入到管理中，以提高企业的核心竞争力，进而实现智能化管理。本文正是通过应用BP神经网络对科技人员人岗匹配进行研究的。
一、BP神经网络结构
人工神经网络模仿动物神经网络行为[8]，结构上由多个具有信息处理能力的神经元连接而成，具有类似于动物大脑的学习能力、推广能力、自适应能力、容错能力，被广泛地应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等领域，并取得了良好的效果[9]。BP神经网络是一种多层前馈网络，是多层感知器神经网络的典型代表，也是一种应用非常广泛的人工神经网络[10]。本文选用BP神经网络建立科技人员人岗匹配评价模型。BP神经网络结构如图1所示。
图1 BP神经网络模型
设输入层神经元的输入为xi，则隐含层神经元的输出为
(1)
输出层神经元的输出为
(2)
式中：w1ij为输入层与隐含层之间的连接权重；w1ki为隐含层与输出层之间的连接权重；b为阈值，连接权重和阈值在网络训练时被确定；f1和f2为传递函数，可以分别取式(3)、(4)的形式，即
(3)
f2(n)=n
(4)
BP神经网络宜采用Levenberg-Marquardt算法进行训练。
二、科技人员人岗匹配测评模型
1. 模型的建立过程
(1) 确定评价指标体系。
(2) 确定输出层目标向量。
(3) 归一化处理输入输出向量。
(4) 确定评价样本数据。
(5) 得到训练后的神经网络。
(6) 得出拟合测试评价结果。
评价模型建模过程，见图2。
图2 评价模型建模过程
2. 构建测评指标体系
人岗匹配度评价的重要环节就是合理选择并确定人岗匹配的评价指标体系，这是测评得以科学准确进行的依据[11]。人与人之间的知识、性格、技能、能力、心理素质等存在个体的差异性，各个岗位也根据环境、工作性质、行为规范有不一样的标准。本文在参考前人研究的基础上，考虑到科技型员工成就性、创新性、流动性和独立性等特点，根据系统科学、公平公正、人岗均衡、定量与定性相结合等原则，利用Delphi法向业内专家进行函询，集中专家们的意见筛选出科技人员人岗匹配评价指标。在运用Delphi法向业内专家征询意见时，专家组成员应该选取级别以及能力水平较高的管理者或学术造诣较高的学者来担任[12]。
本文面向100位专家分发调查问卷，进行3轮反馈，有效问卷回收率达100%。通过数据分析，归纳并构建了合理有序的科技人员人岗匹配测评指标体系，分为3类16个指标，见表1。
表1 人岗匹配测评指标体系
3. 测评模型结构
在科技人员人岗匹配测评模型的构建过程中，遵循科学性、通用性、有限性和全面性等原则，将教育背景、身体健康、责任心等16个指标确定为市场影响因素。科技人员人岗匹配测评模型采用二层前馈网络，输入层包括16个神经元、1个中间隐层，隐含层包括4个神经元，输出层包括1个神经元，神经网络模型见图3。
图3 科技人员人岗匹配测评神经网络模型
输入层：包括16个神经元，某项神经网络输入值为教育背景、身体健康等16个指标的打分，分值为1～10。
隐含层：较多的隐含层会使误差向后传播的过程计算越发复杂，进而扩大局部最小误差，最终大大延长训练时间[13]，本文选择1层隐含层，即构建3层BP神经网络。
输入单元个数和输出单元个数决定隐含层的神经元个数，计算公式为
隐含层神经元数
(5)
式中：R为输入层神经元个数；S为输出层神经元个数[14]。本文中R=16，S=1，根据公式计算，隐含层神经元的个数为4个。
输出层：输出层包括1个神经元，输出为科技人员人岗匹配评价结果。
三、应用实例
沈阳市某外资企业的科技型员工约1 000人，他们掌握着企业的核心技术和知识，负责企业中最核心的技术。以该外企科技人员为研究对象，建立基于BP神经网络的人岗匹配测评模型。
利用图3建立的评价模型，输入数据即为以上16个人岗匹配测评指标，其中定量化指标根据实际情况获取，将定性化指标值进行量化处理，处理方式选取专家打分制(其中，前10个作为训练样本，后两个作为检测样本)。专家对每个指标值进行打分，分值范围为1～10分。输出数据则是通过专家对人岗匹配度进行人工评定得到，其中评分的标准和档次的设定：教育背景为6(专科)、7(本科)、8(硕士)、9(博士)；工作经历为6(1年以下)、7(1～3年)、8(3～5年)、9(5年及以上)；其他指标评分标准见表2。
表2 评分标准
通过专家对12组样本打分，各指标得分情况见表3。
表3 样本得分情况
在进行BP神经网络模型训练之前，需对所有原始数据进行无量纲化处理，将各指标数据投影到区间为[0，1]的数值，得到各指标的归一化数据[15]。采用公式
进行数据的归一化处理，其中逆指标数据=1-归一化后的数值。处理后得到标准化数据值ri，见表4。
表4 归一化后的无量纲化数据结果
将前10组数据指标值作为神经网络训练样本的输入，后两组数据指标值作为神经网络检测样本的输入，运用Matlab对神经网络模型训练函数进行计算，收敛精度0.000 1，动态参数为0.05，最大训练次数为1 000次，实际训练迭代次数6次就能达到要求精度，对比结果见表5。
表5 期望输出值与训练输出值对比结果
由表5可知，训练和检测样本网络输出结果大体上符合专家评价结果，总体误差在标准范围之内。由此认为，用于人岗匹配评价的人工神经网络模型已训练成功，可用该模型对人岗匹配情况进行综合评价，作为领导者的决策依据。
四、结论及建议
本文针对科技人员的特征，构建了科技人员人岗匹配测评模型，得到了较好的训练效果，验证了基于BP神经网络的科技人员人岗匹配测评模型的适用性，为优化科技人员人力资源配置和完善科技人员人力资源管理决策提供了依据。
本文存在以下几点不足：第一，由于抽样群体的限制，整体样本数量较少，接下来的研究应当尽可能选择较多样本，最大限度地降低主观因素的影响，以逐步增加研究结果的稳定性。第二，本文仅选择了16项指标评价值，没有涉及其他指标，今后的研究中要进一步完善评价指标体系，增加对于岗位较为重要的其他因素，淘汰当前不合适的评价指标，不断提高评价结果的准确性。
参考文献：
[1] 杨倩，张小艳.军工类研究所知识型员工人岗匹配评价研究 [J].现代商业，2014(2)：161-162.
[2] 李慧，马士新.试论人力资源配置及其作用与模式 [J].现代经济信息，2016(13)：32.
[3] 王畅.科技型中小企业核心竞争力探析 [J].市场观察，2015(S1)：228-229.
[4] Jaleh F，Dehghanpour F，Mehdi K.The impact of person-job fit and person-organization fit on OCB [J].Personnel Review，2014，43(5)：672-691.
[5] 杨力，刘程程，宋利，等.基于熵权法的煤矿应急救援能力评价 [J].中国软科学，2013(11)：185-192.
[6] 王雅轩，顼聪.数据挖掘技术的综述 [J].电子技术与软件工程，2015(8)：204-205.
[7] 朱俚治.一种基于BP神经网络的智能检测病毒方法 [J].计算机技术与发展，2014(10)：163-166.
[8] 杨景花，王双喜，周思方.基于神经网络的智能语音识别研究 [J].微型机与应用，2016(17)：52-54.
[9] 张鹏，王兴元.基于BP神经网络的品牌延伸决策模型 [J].软科学，2012，26(3)：124-128.
[10]黄志华.基于BP算法的多层感知器网络原理及程序实现 [J].嘉应学院学报，2015(8)：18-21.
[11]Wang Q，Chen G.Evaluation of person-job fit on knowledge workers integrating AHP and BP neural network [M].New York：Springer，2013(1)：1063-1072.
[12]杨莘，典慧娟.病房护理岗位人岗匹配评价指标体系的研究 [J].中华护理杂志，2016，51(1)：6-10.
[13]张瑞玉，刘健，左敏.BP神经网络的C2C电子商务信用评价模型的建立 [J].中国经贸导刊，2015(5)：55-58.
[14]向燕，张小联，郑鑫.基于BP神经网络的熔盐电导率预测研究 [J].中国钨业，2014(3)：34-37.
[15]石善志，于会永，孙正丽，等.基于灰色关联分析与BP神经网络的压裂效果预测 [J].长江大学学报，2014(1)：154-156.