一种基于网络分析法的企业雇主品牌吸引力指标评价方法

摘要

本发明公开了一种基于网络分析法的企业雇主品牌吸引力指标评价方法，包括如下步骤：S1、确定雇主品牌吸引力评价指标；S2

说明书

技术领域

本发明涉及网络分析法技术领域，尤其涉及一种基于网络分析法的企业雇主品牌吸引力指标评价方法。

背景技术

企业雇主品牌吸引力是潜在、现有、已离职雇员对企业的薪酬福利、个人发展机会、组织文化氛围、企业形象标签等共同关注的雇主品牌要素进行衡量和比较所形成的一种综合感知。由于雇主品牌吸引力具有复杂性、模糊性和难以确定性，因此，要通过数学方法建立模型对人们的知觉结果进行定量化并集成,使不同企业间的雇主品牌吸引力变得清晰、可比。

已有雇主品牌评价模型存在如下问题：一是无法准确反映雇主品牌的被关注程度，雇主品牌是否被关注是衡量企业雇主品牌建设成效的重要标志，而雇主品牌关注度通过哪些要素反映出来目前聚焦还不够；二是评价方法较为单一，且对方法的局限和适用性缺乏深入研究，针对性的数学建模较少；三是评价数据的来源主要依赖于问卷调查，数据的真实性和有效性往往难以得到保证。

发明内容

本发明提出的一种基于网络分析法的企业雇主品牌吸引力指标评价方法，以解决背景技术提出的问题。

为了实现上述目的，本发明采用了如下技术方案：

一种基于网络分析法的企业雇主品牌吸引力指标评价方法，包括如下步骤：

S1、确定雇主品牌吸引力评价指标；

S2、基于网络分析法ANP对所述雇主品牌吸引力评价指标权重进行设定；

S3、利用设定后的指标权重获取雇主品牌吸引力评价指标结果。

优选地，S2设定包括如下步骤：

S21、基于网络分析法构建雇主品牌吸引力指标评价体系所对应的网络模型；

S22、建立所述网络模型中各两两指标间的判断矩阵，并计算全部所述判断矩阵的特征向量值填入超矩阵列向量以确定未加权超矩阵；

S23、确定所述未加权超矩阵中各指标组的权重并构造加权超矩阵；

S24、计算每个超矩阵的极限相对排序向量以获取极限超矩阵，基于所述极限超矩阵对所述雇主品牌吸引力评价指标权重进行设定。

优选地，S21具体步骤为：在确定控制层雇主品牌吸引力评价指标之后，编制雇主品牌吸引力问卷量表，并采用SPSS统计分析软件对问卷量表进行信度效度检验，筛选出网络层指标。

优选地，S1中雇主品牌吸引力评价指标包括雇主形象p

优选地，雇主形象子指标包括：企业发展前景、企业领导人的个人魅力、企业创新力、企业社会责任；

薪酬福利指标子指标包括：竞争力的底薪、人性化的福利、与绩效相关的薪酬、良好的收入前景；

个人发展空间指标子指标包括：培训与深造的机会、职业生涯规划、职业生涯规划、职业生涯规划；

组织管理指标子指标包括：对员工的尊重、工作与生活的平衡、员工参与、企业文化建设；

工作环境指标子指标包括：稳定的雇佣关系、舒适的工作环境、工作的挑战性与多样性、和谐的人际关系。

优选地，S21中基于网络分析法将网络模型分为第一层的控制层和二层的网络层，第一层的控制层包括目标层和准则层；第二层的网络层为子指标层。

优选地，准则层五大指标与雇主品牌吸引力评价指标相对应；第二层是网络层，即子指标层，包括企业发展前景a

优选地，S22中基于网络模型中各指标间的相互作用，进行两两比较，建立两两判断矩阵，计算全部判断矩阵的特征向量值，填入超矩阵列向量。

优选地，构建判断矩阵如下公式所示：

其中，在上式中，A表示判断矩阵，a

优选地，检验判断矩阵，检验公式如下：C·R＝C·I/R·I，其中C·I＝(λ

λ

当C·I≤0.1时，表示A的不一致性程度在容许范围内，此时可以用A的特征向量作为权向量，判断矩阵的偏差在可接受的范围内；如果一致性检验指标大于0.1，就需要重新调整判断矩阵，再做一次一致性检验，直到符合要求为止。

企业雇主品牌评价指标是一个复杂且庞大的系统，网络分析法的引入使得企业管理层对公司雇主品牌指标的评价更简单化和易理解化。网络分析法始于评价者对评价问题的根源和要素，融入了定性的分析和判断，比单一的定量方法更规范化，它将人的思维方式数字化，用一定的相对标度将人的主观臆断客观化。由于企业雇主品牌评价指标是一个复杂且庞大的系统，这个系统具有递阶层次，符合网络分析法研究的层次化、数量化。因此，在定性分析和定量分析相结合的前提下，本发明为管理者在重大决策中做出正确的选择提供了理论指导，为企业构建优秀的雇主品牌提供了有效的适用工具。

同时，网络分析法在层次分析法的基础上，考虑到了各因素或相邻层次之间的相互影响，利用“超矩阵”对各相互作用并影响的因素进行综合分析得出其混合权重。而网络分析模型并不要求像层次分析模型那样有严格的层次关系，各决策层或相同层次之间都存在相互作用，用双箭头表示层次间的相互作用关系。若是同一层中的相互作用就用双循环箭头表示。箭头所指向的因素影响着箭尾的决策因素。网络分析法虽然越来越受到决策者的青睐，成为企业在对许多复杂问题进行决策的有效工具。但网络分析法各因素的相对重要性指标(标度)是通过对决策者进行问卷调查得到的，但有时也会出现一些不一致的现象，并且对比层次分析法和网络分析法的应用场景可以发现，层次分析法的应用场景更广。

附图说明

图1是本发明的步骤流程图。

图2是S2的步骤流程图。

图3为雇主品牌吸引力指标评价体系的网络层次结构图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

参照图1-2，本发明提出的一种基于网络分析法的企业雇主品牌吸引力指标评价方法，包括如下步骤：

S1、确定雇主品牌吸引力评价指标；

S2、基于网络分析法(ANP)对所述雇主品牌吸引力评价指标权重进行设定；

S3、利用设定后的指标权重获取雇主品牌吸引力评价指标结果。

可见，本实施例首先确定雇主品牌吸引力评价指标，然后基于网络分析法对上述吸引力评价指标权重进行设定；最后基于设定后的上述吸引力评价指标，获取雇主品牌吸引力评价结果。本发明实现了对企业雇主品牌吸引力进行精准评价的问题，实现了提高企业核心竞争力和减少雇主品牌建设成本的浪费提供准确参照的目的。

下面结合附图1-2，以及对S1-S3具体步骤的解释，来详细说明本发明一个实施例的实现过程。

S1、确定雇主品牌吸引力评价指标。

在本实施例中，我们以某企业雇主品牌对求职者和在职者的吸引力为对象，建立评价指标体系。

在建立雇主品牌评价指标体系时，为了确定指标选取的初步方向，首先要进行指标维度的选择，企业雇主品牌的评价涉及的范围相对来说比较广，而且种类比较多样化，在选择指标维度时具有一定的主观性，而评价准则是进行雇主品牌吸引力评价的基础，因此，本发明在对企业雇主品牌评价指标的选取时进行了筛选，以激情员工理论和心理契约理论为基础，结合该评价指标体系在使用过程中的实际情况，以及企业员工的求职意向、继续工作意愿以及企业品牌的社会关注度，拟采用雇主品牌吸引力评价要素包括雇主形象p

雇主形象子指标包括：企业发展前景、企业领导人的个人魅力、企业创新力、企业社会责任；薪酬福利指标子指标包括：竞争力的底薪、人性化的福利、与绩效相关的薪酬、良好的收入前景；个人发展空间指标子指标包括：培训与深造的机会、职业生涯规划、职业生涯规划、职业生涯规划；组织管理指标子指标包括：对员工的尊重、工作与生活的平衡、员工参与、企业文化建设；工作环境指标子指标包括：稳定的雇佣关系、舒适的工作环境、工作的挑战性与多样性、和谐的人际关系。

为了将雇主品牌吸引力评价的定性问题转换为定量分析，同时获取评价指标体系的数据，为后续模型的计算奠定基础，基于上述构建的雇主品牌吸引力评价指标体系，通过结合文献资料，结合关于雇主品牌吸引力评估的经典量表，对上述所建立的各项子指标进行重新描述，编制雇主品牌吸引力指标调查问卷初稿，进行问卷预调查，咨询涉及论域相关专家，根据专家的意见对问卷进行修改，最终形成雇主品牌吸引力指标测评问卷，如“公司给我们带薪休假的次数很多、时限很长”、“我认为我们变动性收入很大”等，并发放问卷。

另外，为了确保问卷质量，初步设计问卷之后，收集小量样本(通常在100之内)进行信度分析或效度分析，以便发现题项存在的问题，并且对问卷进行修正处理，得到正式问卷，然后进行正式调研。问卷在进行信度效度检验时，信度检验可以验证问卷的稳定性和可靠性；剔除变量信度低于0.7的所有指标，因为其信度过低会影响模型的准确性。效度检验在于检测量表设计的有效性，效度分析在于检验量表题项是否有效地表达评价指标的概念信息(通俗地讲研究题项设计是否合适)，即测试调查者是否科学设计问题。在本实施例中，一种优选的方式是，采用SPSS统计分析软件对问卷量表进行信度效度检验，检验通过后方可进行下一步。

S2、基于网络分析法(ANP)对所述雇主品牌吸引力评价指标权重进行设定。

构造ANP超矩阵和加权超矩阵，ANP赋权的核心工作是解超矩阵，这是一种非常复杂的计算过程，手工计算难度很大，运用Super Decision软件，最终确定各个评价指标的权重值。具体的，在本实施例中利用ANP计算优先级。其中，如图2所示，具体步骤如下：

S21、基于网络分析法构建雇主品牌吸引力指标评价体系所对应的网络模型；

如图3所示雇主品牌吸引力指标评价体系的网络层次结构图，基于ANP法构建雇主品牌吸引力指标评价体系所对应的网络模型，ANP法将网络模型分为第一层的控制层(包括目标层和准则层)和第二层的网络层(指标层)两个层次，各层之间除了存在层级结构外，内部要素存在相互关联的网络关系。其中，准则层是五大指标：雇主形象，薪酬福利，个人发展空间，组织管理和工作环境；第二层是网络层，即子指标层，包括企业发展前景a

S22、建立所述网络模型中各两两指标间的判断矩阵，并计算全部所述判断矩阵的特征向量值填入超矩阵列向量以确定未加权超矩阵。

基于网络模型中各指标间的相互作用，进行两两比较，建立两两判断矩阵，计算全部判断矩阵的特征向量值，填入超矩阵列向量。

构建判断矩阵如下公式所示：

其中，在上式中，A表示判断矩阵，a

接下来对判断矩阵做检验，确保数据的一致性和排序的可靠性，检验公式如下：C·R＝C·I/R·I，其中C·I＝(λ

λ

当C·I≤0.1时，判断矩阵的偏差在可接受的范围内。如果一致性检验指标大于0.1，就需要重新调整判断矩阵，再做一次一致性检验，直到符合要求为止。

下表是一致性指标R·I:

当C·R≤0.1时，表示A的不一致性程度在容许范围内，此时可以用A的特征向量作为权向量。

S23、确定所述未加权超矩阵中各指标组的权重并构造加权超矩阵。确定超矩阵中各指标组的权重，即保证各列归一化。

S24、计算每个超矩阵的极限相对排序向量以获取极限超矩阵，基于所述极限超矩阵对所述员工工作负荷评价指标进行筛选。

为了反映指标间的依存关系，需要对超矩阵做稳定处理，即计算每个超矩阵的极限相对排序向量，然后获取极限超矩阵，即雇主品牌吸引力评价指标设定的权重，按照该优先级即可对雇主品牌吸引力指标进行计算。

S3、基于设定后的雇主品牌吸引力指标权重，获取雇主品牌吸引力评价指标结果。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。