Применение аппарата нечеткой логики при принятии кадровых решений

Эффективность принятия управленческих решений является ключевым фактором достижения организацией стратегических целей, успеха в конкурентной борьбе. Поскольку управление трудовыми ресурсами, управление персоналом и управление человеческими ресурсами приобретают статус приоритетных векторов управления, возрастает влияние кадровых решений на динамику экономического потенциала и конкурентоспособность организации.

Возрастание объема обрабатываемой информации, потребность в ее структурировании, высокие требования к скорости и качеству принятия кадровых решений – все это диктует необходимость автоматизации управления персоналом, внедрения систем поддержки принятия кадровых решений. Такой подход согласуется с ориентацией на инновационное развитие, исходящей из того,

ГРНТИ 06.81.65

Юлия Владимировна Вертакова – доктор экономических наук, профессор, профессор Курского филиала Финансового университета при Правительстве Российской Федерации.

Юлия Валерьевна Шульгина – аспирант кафедры региональной экономики и менеджмента Юго-Западного государственного университета (г. Курск).

что разработка и внедрение инноваций позволяют преодолеть ресурсные ограничения, присущие экономике на данном этапе развития [1, с. 6].

Кадровые задачи являются трудноформализуемыми с позиции традиционных математических и алгоритмических подходов [6]. В то же время, необходимость работать с информацией, характеризующей конкретного человека, и принимать решения, в той или иной мере определяющие судьбу этого человека, порождают высокую степень субъективности при принятии решения человеком-экспертом. Для того, чтобы с одной стороны снизить меру этой субъективности, а с другой - избежать излишней формализованности, целесообразно строить систему поддержки принятия кадровых решений на основе аппарата «мягких вычислений».

Термин «мягкие вычисления» объединяет ряд разнородных методов, ключевое отличие которых от «жестких вычислений» - большая гибкость. Применение таких методов расширяет сферу возможной автоматизации управленческих процессов на случаи, получение точных численных решений в которых невозможно, а приближенные качественные решения являются приемлемыми [3]. Основными компонентами в концепции «мягких вычислений» выступают: нейронные сети, нечеткая логика, эволюционные вычисления.

Несмотря на наличие общих характеристик (в частности, толерантность к неопределенности и неточности), каждый из этих инструментов имеет сильные и слабые стороны. Так, нейронная сеть отличается хорошей обучаемостью, эволюционные вычисления - оптимизационными возможностями, а нечеткая логика - представлением знаний. Это обуславливает перспективность применения в системах поддержки кадровых решений именно инструментария нечеткой логики, имитирующей деятельность человека при обработке явлений, выражающихся лингвистическими термами.

Итак, математический аппарат нечеткой логики хорошо подходит для того, чтобы на основе нечетких правил и рассуждений построить модель объекта, способствующую формализации и автоматизации процессов [2]. Использование как количественных, так и качественных показателей в рамках системы оценки персонала порождает определенную степень нечеткости. Это делает оправданным применение аппарата нечеткой логики для реализации системного подхода к социально-трудовому мониторингу. Адаптация математического аппарата нечеткой логики применительно к социально-трудовому мониторингу представлена на рисунке 1.

Рис. 1. Этапы оценки сотрудника в рамках проведения социально-трудового мониторинга с помощью нечеткой логики

На первом этапе необходимо определить целевую функцию, которая будет описывать зависимость между входными и выходными переменными. При этом целевая функция может иметь как скалярный, так и векторный вид. В первом случае в результате вычисления будет получен некий показатель – качественный или количественный, во втором – совокупность таких однородных показателей. Например, скалярная целевая функция может показывать рейтинговую оценку сотрудника, а векторная – степень его соответствия ряду различных должностей.

На втором этапе определяются лингвистические переменные – оцениваемые показатели. Набор показателей может варьироваться для различных должностей в зависимости от предъявляемых со стороны организации требований. В качестве источников таких требований могут выступать нор- мативно-правовые акты, локальные акты предприятия, стандарты, должностные инструкции и т.д. При составлении перечня показателей нужно стремиться, с одной стороны, наиболее полно охарактеризовать работника и его деятельность, а с другой – критически подходить к включению каждого показателя, чтобы список не был излишне объемным.

Определение множества входных значений (терм) по каждому оцениваемому показателю, задание функций принадлежности – необходимые условия для применения инструментария нечеткой логики. Функция принадлежности – это базовая характеристика нечеткого множества. Если степень принадлежности к нечеткому множеству С обозначить как MF_c(x), то нечеткое множество С может быть определено как множество упорядоченных пар вида С = {MF_c (%)/%}. При этом степень принадлежности принимает значения от 0 до 1, где 0 – отсутствие принадлежности, а 1 – полная принадлежность [4].

Конкретный набор значений определяется анализируемыми показателями. Если в исследовании используются натуральные величины (например, возраст сотрудника), логично использовать соответствующие термы («молодой», «среднего возраста», «пожилой»). В случае с показателями, которые описываются с помощью балльной шкалы, могут использоваться универсальные характеристики – «низкое значение», «среднее значение», «высокое значение». При этом важно определить, какая шкала используется для каждого конкретного показателя, и установить диапазоны в зависи- мости от этого.

Для определения принадлежности оптимальными представляются функции гауссова типа. Так, для случая трех термов, может использоваться набор функций принадлежности:

r                 f х

Мх) = е W

/ х-а У

Ц2(х) = е 22ff2'

( х—м У

1^3 (х) = е V 2а2 J где ^ (х)- функция принадлежности входного показателя i-ому терму; x - значение входного по- казателя; a – середина интервала значений входного параметра; σ – параметр, характеризующий рассеяние (подбирается на основе экспертного метода).

База правил позволяет установить требования, которые предъявляются к разным должностям: для разных должностей могут приниматься во внимание разные наборы показателей; значения, рассматриваемые для одной должности как желательные, для другой могут оцениваться – напротив – негативно и т.д. Оценка сотрудника представляет собой определение для него набора входных параметров. Для этого могут применяться различные методики оценки, результаты которых приводятся к установленному для входных параметров формату (например, к 100-балльной шкале).

Основные этапы нечеткого логического вывода представлены на рисунке 2. Рассмотрим их бо- лее детально:

• 1.    Этап фаззификации (введения нечеткости) служит для того, чтобы установить соответствие между конкретными (обычно числовыми) значениями отдельных входных переменных и значением функции принадлежности соответствующих термов. В результате проведения фаззификации для каждой входной переменной должны быть определены значения функции принадлежности по каждому терму, используемому в базе правил системы нечеткого логического вывода.

• 2.    Агрегирование – это вычисление степени истинности условий, используемых в каждом из правил. Если условия состоят из нескольких подусловий, необходимо вычислить степень истинно-

• сти сложного условия.

• 3.    Активизация служит для нахождения степени истинности каждого подзаключения. Степень истинности подзаключений определяется как алгебраическое произведение значения истинности соответствующего условия и весового коэффициента (по умолчанию весовой коэффициент равен единице).

• 4.    Цель аккумулирования заключений состоит в том, чтобы объединить все степени истинности подзаключений и сформировать функции принадлежности для выходных переменных [5].

Рис. 2. Этапы процесса нечеткого логического вывода

Таким образом, при принятии кадровых решений необходимо обрабатывать достаточно большой объем информации, касающейся конкретных людей. Разнородность оценочных данных, имеющих как качественный, так и количественный характер, затрудняет формализацию и автоматизацию процессов, а персонифицированность приводит к высокой субъективности при принятии решения человеком. Этих недостатков лишены системы поддержки принятия решений, базирующиеся на нечеткой логике: с одной стороны, они толерантны к неопределенности и неточности, оперируют лингвистическими термами, с другой – лишены человеческого субъективизма.