کشف الگوی بهینۀ استخدامِ کارکنان دانشی با استفاده از رویکرد تلفیقی DEA و CART

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مدیریت بازرگانی، دانشکدۀ مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران

2 معاون تحقیق و توسعه موسسه هدایت فرهیختگان جوان، تهران، ایران

3 پژوهشگر معاونت تحقیق و توسعه موسسه هدایت فرهیختگان جوان، تهران، ایران

چکیده

موفقیت یا شکست هر سازمان ارتباط مستقیمی با کیفیت استخدام یا به عبارت دیگر نیرویابی، سنجش و جذبِ منابع انسانی آن دارد. این مقاله قصد دارد ضمن بررسی داده‌های یکی از مشاغل دانشی، به بهبود فرآیند استخدام آن شغل کمک کند؛ به این واسطه نرخ جذب نیروهای متناسب افزایش و نرخ جابه‌جایی منابع انسانی کاهش خواهد یافت. این پژوهش از نظر هدف، کاربردی و از جنبۀ ماهیت، مطالعۀ موردی محسوب می‌شود. رویکرد این پژوهش، ترکیبی از دو روش محاسباتی DEA و CART است. DEA روشی غیرپارامتریک است که امتیاز کارایی افراد را تعیین می‌کند؛ اما اطلاعاتی درخصوص جزئیات عوامل مؤثر در کارایی (به‌ویژه عوامل غیرعددی) ارائه نمی‌دهد. در پژوهش حاضر، این خلأ با استفاده از روش CART (یک روش داده‌کاوی) رفع شده است. نتیجۀ این پژوهش چارچوبی برای ترکیب DEA و CART برای کشف قوانینی در حوزۀ استخدام کارکنان دانشی، در شغلی خاص و در سازمانی خاص (مؤسسۀ هدایت فرهیختگان جوان) ارائه کرده است. نتایج نشان می‌دهد در رابطه با شغل مدنظر، متغیرهای سابقۀ کار، معدل آخرین مقطع تحصیلی و سن با عملکرد افراد مرتبط‌اند و درنتیجه ضروری است در فرآیند استخدام‌های آتی مدنظر قرار گیرند.

کلیدواژه‌ها


عنوان مقاله [English]

Exploring the optimum pattern for knowledge workers selection using DEA and CART compilation approach

نویسندگان [English]

  • Maryam Akhavan Kharazian 1
  • Mohammad Mahdi Shahbazi 2
  • Mohammad Fatehi 3
1 Department Of Business Administration, Faculty of Management, Shahid Beheshti University,Tehran, Iran
2 Hedayat-e Farhikhtegan-e Javan Institute, Tehran, Iran
3 Hedayat-e Farhikhtegan-e Javan Institute, Tehran, Iran
چکیده [English]

The success or failure of any organization is directly linked to the quality of its human resources selection (recruitment, measurement, and selection). By reviewing the data of a knowledge job, this paper aims to help improve the selection process of that job. Consequently, the selection of appropriate employees’ rate will increase, and the rate of human resource turnover will decrease. The approach of this paper is Applied Research and the strategy is Case Study. This paper combines two computational techniques (DEA and CART). Data Envelopment Analysis (DEA) is a non-parametric technique that determines the efficiency of individuals, but it does not provide information on the details of factors affecting performance (especially non-numerical factors). In the present study, this deficiency has been resolved using the Classification and Regression Tree (CART) (as a data mining technique). The result of this study has provided a framework for combining DEA and CART in order to discover rules on the recruitment of knowledge workers in a specific job (a knowledge job) and in a specific organization (HFJ Institute). The results indicate that ‘work experience’, ‘average score in the last degree’ and ‘age’ are related to the employee performance, and therefore it is necessary to be considered in the process of future recruitment of that job.
Introduction: By reviewing the data of a knowledge job, this paper aims to help improve the selection process of that job. Consequently, the selection of appropriate employees’ rate will increase, and the rate of human resource turnover will decrease. The approach of this paper is Applied Research and the strategy is Case Study.
In the literature review section, the definition of recruitment and selection (Azar et al. 2013), the definition of knowledge workers (Drucker 1994; Horwitz et al. 2006; Li et al. 2015), tasks of human resource management (Osman et al. 2011) and a background of the use of data mining in the field of human resources (Hajiheydari et al. 2017) have been reviewed.
Materials and Methods: This paper combines two computational techniques (DEA and CART). Data Envelopment Analysis (DEA) is a non-parametric technique that determines the efficiency of individuals, but it does not provide information on the details of factors affecting performance (especially non-numerical factors). In the present study, this deficiency has been resolved using the Classification and Regression Tree (CART) (as a data mining technique).
 Results and Discussion: In this research, we tried to develop the previous models and present a new model.
The result of this study has provided a framework for combining DEA and CART in order to discover rules on the recruitment of knowledge workers in a specific job (knowledge job) and in a specific organization (Hedayat-e Farhighteghgan-e Javan (HFJ) Institute). The combination of data envelopment analysis and data mining approaches (and considering qualitative and implicit variables in the estimation of efficiency) is one of the most important innovations in this research.
In the proposed framework, organizations can identify and recruit talents and appropriate individuals in a short time based on data mining and discovery of success patterns (resulted from their past experiences). This action avoids costs of frequent recruitment, and decreases turnover rate and improves performance.
By analyzing the outputs of the designed model for the stage of recruitment and selection in this specific job (a knowledge job) and specific organization (HFJ Institute), six rules were extracted, and based on that, suggestions were given.
At the stage of recruitment, it is better for this organization to take into consideration these rules (the status of jobseekers in ‘work experience’, ‘average score in the last degree’, and ‘age’) and then to decrease costs and failure rate of the recruitment process.
Conclusion: The results are somewhat consistent with the results of previous studies. The proposed approach can be planned and implemented in various jobs and organizations to extract specific rules for these jobs and organizations in order to increase productivity in the process of human resource selection and recruitment.
References
Zhu, X., Seaver, W., Sawhney, R., Ji, S., Holt, B., Sanil, G. B., & Upreti, G. (2017). Employee turnover forecasting for human resource management based on time series analysis. Journal of Applied Statistics, 44 (8), 1421-1440.
Lukovac, V., Pamučar, D., Popović, M., & Đorović, B. (2017). Portfolio model for analyzing human resources: An approach based on neuro-fuzzy modeling and the simulated annealing algorithm. Expert Systems with Applications, 90, 318-331.
Osman, I. H., Berbary, L. N., Sidani, Y., Al-Ayoubi, B., & Emrouznejad, A. (2011). Data envelopment analysis model for the appraisal and relative performance evaluation of nurses at an intensive care unit. Journal of medical systems, 35 (5), 1039-1062.

کلیدواژه‌ها [English]

  • Employee Selection (Personnel Selection)
  • Data Envelopment Analysis
  • Data Mining
  • Classification and Regression Tree
  • Human Resource Management

مقدمه

محیط رقابتی کسب و کار نیاز سازمان‌ها را به نسلی ارزشمند از کارکنان دانشی[i] آشکار می‌کند. جذب و گزینش نیروی انسانی روشی برای جایگزینی مهارت‌ها و قابلیت‌های ازدست‌رفتۀ سازمان و ایجاد مهارت‌ها و قابلیت‌های لازم برای دستیابی به اهداف پیشرویِ سازمان است (اخوان خرازیان و همکاران، 1396).

مهم‌ترین سرمایۀ سازمان، نیروی انسانی آن است. در سال‌های اخیر توجه به نیروی انسانی در سازمان‌ها بخش عظیمی از زمان و سرمایۀ این سازمان‌ها را به خود اختصاص داده است (آذر و همکاران، 2013).

نیروی انسانی کارآمد مزیت رقابتی سازمان محسوب شود و می‌تواند فقدان یا نقص دیگر منابع را جبران کند. در وضعیت رقابتی موجود و در محیطی که تغییرات پی‌درپی و نوآوری‌های مداوم اصلی‌ترین ویژگی آن است، تنها سازمان‌هایی موفق به کسب سرآمدی می‌شوند که نقش استراتژیک منابع انسانی خود را درک کنند و منابع انسانی ماهر، دانش‌محور، شایسته، نخبه و توانمند داشته باشد. موفقیت یا شکست سازمان، بستگی به چگونگی جذب و نگهداری منابع انسانی دارد.

انتخاب و به‌کارگیری شایسته‌ترین افراد در هر شغل یکی از مهم‌ترین مسائل و تصمیم‌های مدیریتی محسوب می‌شود (چپمن[ii] و همکاران، 2005).

انتخاب و استخدام کارکنان[iii] یکی از مهم‌ترین کارکردهای سیستم مدیریت منابع انسانی است. امروزه تنها تعداد کمی از کارفرمایان، فرآیند استخدامی خود را مثبت و موفقیت‌آمیز ارزیابی می‌کنند (به‌نقل از حاجی‌حیدری و همکاران، 1396)؛ ازهمین‌رو بازنگری اساسی در استخدام و گزینش نیروی انسانی اجتناب‌ناپذیر است (ملک‌زاده و صادقی، 1396).

یکی از دلایل ناکارآمدبودن روش‌های سنتی در شناسایی افراد مناسب در فرآیند استخدام توجه‌نکردن به داده‌های جمع‌آوری‌شده از متقاضیان و روابط پنهان موجود در آنها است. این مسئله سبب شده است اطلاعات کافی برای قضاوت و تصمیم‌گیری در مسئلۀ گزینش نیروی انسانی در اختیار مدیران قرار نگیرد (تای و هسو، 2006؛ به نقل از حاجی‌حیدری و همکاران، 1396).

داده‌کاوی رویکردی جدید در مسئلۀ استخدام و گزینش کارمندان است که به بخش عظیمی از نواقص و دغدغه‌های مربوط به سازوکارهای سنتی استفاده‌شده در این مسئله پاسخ داده است. در داده‌کاوی برخی اطلاعات مهم و قوانین نهفته در داده‌های مربوط به استخدام شناسایی می‌شود و بدین ترتیب از تصمیمات مدیران درخصوص مسئلۀ انتخاب نیروی انسانی پشتیبانی می‌کند (به نقل از حاجی‌حیدری و همکاران، 1396).

هدف اصلی این پژوهش، کشف و درک الگوی استخدامِ کارکنان دانشی است. به عبارت دیگر، هدف این پژوهش تعیین مهم‌ترین ویژگی‌های کارکنان دانشی در حین ورود به سازمان است؛ به‌گونه‌ای‌که سازمان با تمرکز روی آنها گزینش بهتری درخصوص کارکنان دانشی انجام می‌دهد.

برای این منظور روی یک شغل دانشی خاص و در یک سازمان خاص (مؤسسۀ هدایت فرهیختگان جوان) تمرکز شده است. بر همین اساس عملکرد 25 نفر از کارکنان دانشی برون‌سپار با استفاده از مدل‌های غیرشعاعی تحلیل پوششی داده‌ها[iv] ارزیابی شده است. درادامه برای بررسی سایر عوامل مؤثر طبقه‌ای و عددی بر میزان عملکرد افراد، از درخت طبقه‌بندی و رگرسیون[v] استفاده شده است.

توجه به موضوع کشف الگوی استخدامی کارکنان دانشی، بررسی آن از جوانب مختلف، سنجش عملی میزان کارایی افراد و ترکیب آن با داده‌کاوی برای کشف دانش، همگی از ویژگی‌های منحصر به فرد این پژوهش است.

رویکردهای متفاوتی در رابطه با کارایی در ادبیات وجود دارد؛ یکی از بهترین و شناخته‌شده‌ترین رویکردها، تحلیل پوششی داده‌ها است که براساس برنامه‌ریزی خطی عمل می‌کند. در این رویکرد با تشکیل الگوی بهینه از واحدهای تصمیم‌گیرنده (در اینجا کارکنان دانشی) کارایی محاسبه می‌شود.

تحلیل پوششی داده‌ها در حوزه‌های مختلفی مانند صنعت انرژی (ژانگ و چوی[vi]، 2013؛ ازکارا و اتک[vii]، 2015)، صنعت گردشگری (دبستانی و همکاران، 2016)، مدیریت بهداشت عمومی (سلجاک و واز[viii]، 2015)، مدیریت منابع انسانی (اخوان خرازیان و همکاران، 1396؛ عثمان[ix] و همکاران، 2011؛ کتری[x] و همکاران، 2011)، صنعت حمل و نقل (لیو[xi]، 2016)، صنعت بانک‌داری (کفاش و مارا[xii]، 2017)، مدیریت زنجیره تأمین (پورنادر و همکاران، 2016) و مدیریت ریسک (محلاتی رائینی و حسین‌زاده سلجوقی، 2016) استفاده شده است. به‌طور مشابه، روش درخت طبقه‌بندی و رگرسیون در پژوهش‌های زیادی ازجمله در حوزه‌های علوم رفتاری (جانگ[xiii] و همکاران، 2015) و مدیریت منابع طبیعی (یانگ[xiv] و همکاران، 2016) به کار رفته است.

ﺳﺎﺧﺘﺎر کلی ﻣﻘﺎله به‌ﺻﻮرت زﯾﺮ ﺳﺎزﻣﺎندهی شده اﺳﺖ: در ﺑﺨﺶ دوم ادﺑﯿﺎت ﻣﻮﺿﻮع بررسی‌شده قرار می‌گیرد. در ﺑﺨﺶﺳﻮم مدل‌های بررسی‌شده در مقاله ارائه می‌شود. بخش چهارم مربوط به بیان مسئله، معرفی معیارها و متغیرهای مختلف است. نتایج محاسباتی حاصل از اجرای هرکدام از مدل‌ها در بخش نتایج محاسباتی آورده شده است. نتیجه‌گیری نیز در بخش پایانی ارائه می‌شود.

دراکر[xv] (1994) کارکنان دانشی را کارکنانی با رتبۀ بالا معرفی کرده است که نظریه‌ها و دانشِ آموخته‌شده در آموزش رسمی را برای توسعۀ خدمات و محصولات جدید به کار می‌گیرند. پژوهشگران دیگری تأکید دراکر بر آموزش رسمی را نادیده گرفته‌اند. فعالیت‌های کارکنان دانشی به سه دستۀ نوآوری، توانمندی گسترده و سریع و تخصص عمیق و محدود تقسیم‌بندی شده است (علیدادی تلخستانی و همکاران، 1393).

هورویتز[xvi] و همکاران (2006) کارکنان دانشی را افرادی با تحصیلات یا مهارت زیاد، سواد فنی، قدرت شناخت و استدلال زیاد معرفی می‌کند. این افراد توانایی مشاهده، ترکیب و تفسیر داده‌ها و اطلاعات برای تصمیم‌گیری بهتر و ارائۀ راه‌حل‌های مناسب‌تر را برای سازمان دارند (میرباقری و همکاران، 1389).

لی[xvii] و همکاران (2015) کارکنان دانشی را پژوهشگران انفرادی در یک مؤسسه یا دانشجویان درحال فارغ‌التحصیلی در دانشگاه معرفی می‌کنند. آنها تأکید می‌کنند که این افراد در حالِ کار بر علایق پژوهشی خودند. اشتراک فعالیت‌های این افراد، کلاس دانشی را تشکیل می‌دهد.

امروزه این اصطلاح به افرادی اطلاق می‌شود که در فرایند ایجاد، گسترش و کاربرد دانش فعالیت دارند (یائو و فن[xviii]، 2015).

دهویی و ارسلان (2013) نتیجه گرفتند که تعریف واحدی دربارۀ کارکنان دانشی وجود ندارد. آنها با درنظرگرفتن دو مدل تعاریف شغل‌محور (شامل سه دسته ویژگی، حرفه و فعالیت شغلی) و تعاریف شاغل‌محور (شامل دسته ویژگی‌های شاغل) یافته‌های خود را جمع‌آوری کرده‌اند.

مدیریت منابع انسانی شامل مجموعه سیاست‌ها، اقدامات و نظام‌هایی است که رفتار کارکنان و حالات و عملکرد آنان را متأثر می‌کند (عثمان و همکاران، 2011). در این میان، استخدام و گزینش از مباحث مهم در مدیریت منابع انسانی برای واردکردن کارکنان به درون سازمان است؛ به عبارت دیگر، شناسایی کارکنان بالقوۀ فعال و با صلاحیت و تشویق آنها به ارائۀ درخواست برای مشاغل موجود سازمان است (تی‌سنگ و لی[xix]، 2009).

اهداف اساسی مدیریت منابع انسانی حصول نتایج مطلوب از تلاش‌های جمعی کارکنان سازمان است که به‌صورت زیر بیان می‌شود:

  • تأمین نیروی انسانی با حداقل هزینه؛
  • پرورش و توسعۀ استعدادها و مهارت‌های افراد؛
  • حفظ و نگه‌داری نیروهای لایق و ایجاد روابط مطلوب بین آنان؛
  • تأمین احتیاجات مادی و معنوی و جلب رضایت پرسنل، به‌طوری‌که همسویی لازم بین اهداف شخصی آنها و هدف‌های سازمان ایجاد شود (دعایی، 1377).

به‌گفتۀ اولسن[xx] و همکاران (2015)، به‌طور خلاصه وظایف کلی مدیریت منابع انسانی عبارتند از جذب، توسعه، ایجاد انگیزش و نگهداشت نیروی انسانی.

همان‌گونه‌که ملاحظه می‌شود تأمین نیروی انسانی نخستین وظیفۀ مدیریت منابع انسانی است که به آن جذب نیروی انسانی نیز می‌گویند. منظور از وظیفۀ جذب منابع انسانی یعنی:

  • برنامه‌ریزی؛
  • کارمندیابی؛
  • انتخاب؛
  • استخدام.

معمولاً این مراحل فرایند استخدام‌اند (اولسن و همکاران، 2015).

از سوی دیگر میزان خروج و ورود کارکنان در بازۀ زمانی مشخص را نرخ جابه‌جایی کارکنان می‌نامند. بدیهی است که هر چقدر این نرخ بیشتر باشد یعنی سازمان توانایی نگهداری کارکنان خود را ندارد و باتوجه‌به علت‌های گوناگونی ازجمله نارضایتی، جو نامطمئن، عدم اعتماد، نبود امنیت شغلی و... کارکنان از سازمان خارج می‌شوند.

نرخ بالای جابه‌جایی علاوه بر کاهش بهره‌وری و اثربخشی، آثار سوءِ زیادی را نیز با خود به‌همراه دارد (اولسن و همکاران، 2015).

استخدام عملی هزینه‌بر است و در عصر جنگ برای جذب افراد بااستعداد، تلاش‌های استخدام بر باهوش‌ترین و بهترین جویندگان کار (کسانی که به‌راحتی با قالب یک سازمان سازگار می‌شوند) تأثیر می‌گذارد و آنها را جذب می‌کند. استخدام مؤثر در به دست آوردن مزیت رقابتی ازطریق جذب و حفظ بهترین استعدادها از دانشگاه‌ها و مراکز آموزش عالی به سازمان‌ها کمک می‌کند.

بسیاری از دانشجویان جویای کار ممکن است هیچ تجربۀ کاریایی نداشته باشند؛ درحالی‌که برخی دیگر ممکن است چندین سال تجربۀ کاری داشته باشند؛ ازاین‌رو دستیابی به مجموعه‌ای از قواعد درزمینۀ گزینش و جذب نیروی انسانی راه‌گشا است (نجات و علیزاده ثانی، 1395).

استخدام و گزینش، فرآیندهایی معطوف به شناسایی، جذب و ایمن‌سازی افراد مناسب برای رویارویی با نیازهای منابع انسانی یک سازمان است. در ادبیات، استخدام و گزینش معادل یکدیگر در نظر گرفته می‌شود. استخدام معطوف به شناسایی و جذب داوطلبان مدنظر و گزینش معطوف به انتخاب مناسب‌ترین افراد است. گزینش نمایانگر مرحلۀ نهایی تصمیم‌سازی در فرآیند استخدام است (آذر و همکاران، 2013).

درحالی‌که فرآیندهای کاری در صنایع با تکنولوژی پیشرفته، متنوع و پیچیده شده است، نیاز به کارکنان با کیفیت در این سازمان‌ها رشد فزاینده‌ای یافته است؛ بدین معنی که رویکرد متداول گزینش کارکنان برمبنای ویژگی شغل‌های ایستا بیش از این کفایت نمی‌کند؛ ازهمین‌رو طراحی نظام یکپارچۀ ارزیابی و جذب و گزینش کارکنان و کشف الگوهای رفتاری راه‌گشا است.

مطالعات مختلفی درزمینۀ به‌کارگیری فن‌های هوشمند در حوزۀ منابع انسانی انجام شده است. حاجی‌حیدری و همکاران (1396) با بررسی 89 پژوهش داخلی و خارجی چارچوبی برای به‌کارگیری داده‌کاوی در حوزۀ منابع انسانی ارائه داده‌اند. نویسندگان بر فقر منابع داخلی در این زمینه صحه گذاشتند (حاجی‌حیدری و همکارن، 1396).

در جدول (1) برخی مطالعات داخلی و خارجی ارائه شده است. در این پژوهش برای هوشمندسازی مدل، باتوجه‌به مزایای متنوع فن درخت تصمیم[xxi]، از ترکیب رویکرد تصمیم‌گیری چندمعیاره (به‌طور خاص تحلیل پوششی داده‌ها) و درخت تصمیم در انتخاب و گزینش نیروی انسانی استفاده شده است.

 

جدول 1- پژوهش‌های پیشین در حوزۀ کاربرد داده‌کاوی در مدیریت منابع انسانی

نام پژوهشگر

موضوع پژوهش

فن هوشمند استفاده‌شده در پژوهش

آذر و همکاران (1395)

تناسب شغل و شاغل

درخت تصمیم

بازبورا[xxii] و همکاران (2007)

اولویت‌بندی سرمایه‌های انسانی

منطق فازی

چیِن[xxiii] و همکاران (2008)

انتخاب پرسنل، استخدام و نگهداری استعدادها

نظریۀ مجموعه‌های راف[xxiv]

اشترومییر و پیزا[xxv] (2013)

انتخاب نیروی انسانی

درخت تصمیم

کاراتوپ[xxvi] و همکاران (2015)

مدیریت استعداد

منطق فازی

بهلولی و همکاران (2016)

انتخاب نیروی انسانی

سیستم خبره

ژو[xxvii] و همکاران (2017)

گردش شغلی

سری‌های زمانی

لکوواک[xxviii] و همکاران (2017)

مدیریت منابع انسانی

شبکه عصبی فازی[xxix]

 

روش پژوهش

تحلیل پوششی داده‌ها

تحلیل پوششی داده‌ها (DEA) روشی توانمند در محاسبۀ میزان کارایی واحدهای تصمیم‌گیرنده (DMU) است که آن را در سال 1978 چارنز و همکاران ارائه کرده‌اند. مدل‌های تحلیل پوششی داده‌ها با ایجاد فضای مقایسه‌ای بین واحدهای تصمیم‌گیری مرز کارا را تشکیل می‌دهند (تاجمیر ریاحی و همکاران، 1395). هر واحد تصمیم‌گیری که روی مرز قرار داشته باشد واحد تصمیم‌گیری کارا است و هرکدام که زیر مرز قرار داشته باشد واحد ناکارا است و میزان ناکارایی آنها براساس فاصله تا مرز محاسبه می‌شود (عزیزی و همکاران، 1394).

مدل CCR نخستین مدل تحلیل پوششی داده‌هاست که برای اندازه‌گیری کارایی واحدهای تصمیم‌گیرنده ارائه شد. پس از مدل CCR مدل‌های زیادی ارائه شد که مهم‌ترین آنها مدل BCC است و تنها تفاوت آن با مدل CCR این است که در CCR در ساختن مجموعه امکان تولید[xxx]، بازده به مقیاس ثابت[xxxi] در نظر گرفته شده است؛ ولی در BCC بازده به مقیاس متغیر[xxxii] است (دبستانی و همکاران، 2016).

در مدل‌های کلاسیک DEA، ورودی‌ها (خروجی‌ها) به‌صورت متناسب کاهش (افزایش) می‌یابند؛ ازاین‌رو به این مدل‌ها، شعاعی[xxxiii] نیز گفته می‌شود. در این‌گونه مدل‌ها ممکن است یک واحد تصمیم‌گیرندۀ[xxxiv] (DMU) کارا، به‌دلیل وجود متغیرهای کمبود[xxxv] با مازاد ورودی و یا خروجی مواجه شود؛ به عبارت دیگر متناسب‌بودن تغییرات ورودی‌ها (خروجی‌ها) باعث می‌شود که در بعضی حالات، امکان بهبود در جواب بهینه وجود داشته باشد (تن، 2001). برای رفع مشکل مذکور فعالیت‌های مختلفی انجام شده است که یکی از متداول‌ترین آنها مدل‌های غیرشعاعی[xxxvi] هستند. درنتیجه در این پژوهش از این مدل‌ها استفاده شده است. از میان مدل‌های غیرشعاعی تحلیل پوششی داده‌ها، مدل اندازه‌گیری مبتنی‌بر متغیرهای کمکی[xxxvii](SBM)، مدل پایه‌ای در نظر گرفته شده است.

SBM مدلی غیرشعاعی است؛ به این معنی که کاهش ورودی و یا افزایش خروجی به‌طور همگن و در دو مدل مختلف بررسی نمی‌شود؛ بلکه به‌طور هم‌زمان امکان کاهش ورودی و افزایش خروجی به‌صورت غیرهمگن در نظر گرفته می‌شود (ژو و همکاران[xxxviii]، 2012).

ماهیت مسئلۀ پژوهش حاضر به‌گونه‌ای است که سازمان و کارکنان روی خروجی‌ها و ورودی‌ها کنترل دارند و قادر به افزایش و یا کاهش هرکدام از آنها هستند؛ درنتیجه باید روش‌هایی را به کار برد که ورودی‌ها را منقبض و خروجی‌ها را منبسط کند؛ بنابراین نمی‌توان از روش‌هایی استفاده کرد که فقط ورودی‌محور[xxxix] و یا خروجی‌محور[xl] هستند. با دقت در ماهیت مسئله، مدل بازده به مقیاس متغیر در نظر گرفته شده است؛ به همین منظور در این پژوهش از SBM-NON-V استفاده شده است.

مدل غیرشعاعیSBM-NON-V در رابطۀ (1) نمایش داده شده است.

(1)

 

 

 

 : مقدار معیار ورودی ام برای کارمند دانشی ام

 : مقدار معیار خروجی ام برای کارمند دانشی ام

 : متغیر مازاد ورودی

 : متغیر کمبود خروجی

: بردار کشش[xli]

: تعداد معیارهای ورودی

 : تعداد معیارهای خروجی

 : تعداد کارکنان دانشی درحال ارزیابی

مدل SBM، قدرت تفکیک‌پذیری بیشتری نسبت به مدل‌های کلاسیک دارد.

 

درخت طبقه‌بندی و رگرسیون

روش‌های داده‌کاوی باعث شناخت هرچه بیشتر ویژگی‌های واحدهای تصمیم‌گیرنده می‌شوند که در حجم بزرگی از پایگاه داده پنهان شده است.

مدل درخت طبقه‌بندی و رگرسیون یکی از این روش‌ها است. این روشِ ناپارامتری الگوریتمی است که قادر به پیش‌بینی متغیرهای کمی یا متغیرهای طبقه‌بندی‌شده براساس مجموعه‌ای از متغیرهای پیش‌بینی‌کنندۀ کمی و کیفی است. درخت طبقه‌بندی و رگرسیون یکی از روش‌های طبقه‌بندی است که نخستین بار برایمن و همکاران[xlii] (1984) آن را ابداع کردند و توسعه دادند (گلشنی و همکاران، 1393). این الگوریتم در سال 1996 به‌وسیلۀ ریپلی[xliii] توسعه پیدا کرد (یانگ و همکاران، 2016).

درخت‌های تصمیم ابزار قدرتمند و در عین حال رایجی برای دسته‌بندی و پیش‌بینی‌اند. ازآنجایی‌که درخت تصمیم بررسیِ داده و مدل‌سازی را با هم ترکیب می‌کند، گام نخست قدرتمندی در فرآیند مدل‌سازی به‌شمار می‌رود؛ حتی هنگامی‌که برای تهیۀ مدل نهایی از برخی روش‌های دیگر استفاده شود. مدل درخت تصمیم از مجموعه‌ای از قوانین برای تقسیم جمعیتی ناهمگن و وسیع به گروه‌های کوچک‌تر و همگن‌تر براساس یک متغیر هدف خاص تشکیل شده است. این متغیر هدف معمولاً به‌صورت دسته‌ای است. درخت تصمیم تا زمانی به رشد خود ادامه می‌دهد که تقسیمات جدیدی پیدا شود که باعث بهبود توان درخت در جداسازی اطلاعات به زیرمجموعه‌های هرچه خالص‌تر شوند.

 در این روش، مجموعه‌ای از شرط‌های منطقی به‌صورت الگوریتمی با ساختار درختی برای طبقه‌بندی یا پیش‌بینی کمی یک متغیر به کار می‌رود. ایجاد درخت تصمیم شامل دو مرحله است. مرحلۀ نخست ایجاد و رشد درخت است. این مرحله شامل پیوند و انشعاب است. مرحلۀ دوم، مرحلۀ توقف و هرس است. هدف از این مرحله به حداقل رساندن خطای پیش‌بینی است (تقی‌زاده و همکاران، 1393).

در ساختار درخت، هر گره داخلی آزمونی را روی یک ویژگی مشخص می‌کند. گره‌های برگ (انتهایی‌ترین گره‌ها) کلاس‌ها یا توزیع کلاس‌ها را ارائه می‌کنند. بالاترین گره در درخت، ریشه نامیده می‌شود.

درخت طبقه‌بندی و رگرسیون داده‌ها را به زیرگروه‌های یکنواخت مرتب می‌کند. در هر مرحله این الگوریتم مشاهدات را با استفاده از قوانین تصمیم‌گیری به زیرگروه‌های یکنواخت تقسیم می‌کند.

 این قوانین تصمیم‌گیری با هدف کاهش انحراف‌ها در طرفین گره‌ها عمل می‌کنند. این روند تا زمانی ادامه می‌یابد که شرط توقف برقرار باشد (امروزنژاد و آنوز[xliv]، 2010).

 

ترکیب DEA و CART

تلاش‌های پژوهشگران درزمینۀ تحلیل پوششی داده‌ها بیشتر معطوف به ارزیابی و بررسی عملکرد گذشتۀ واحدهای تصمیم‌گیرنده بوده است. در ادبیات، به ترکیب تحلیل پوششی داده‌ها و روش‌های داده‌کاوی کمتر توجه شده است (امروزنژاد و آنوز، 2010).

سان و مون[xlv] (2004) رویکردی را ارائه دادند که با استفاده از ترکیب نتایج حاصل از تحلیل پوششی داده‌ها و درخت تصمیم درخصوص توسعه و انتقال پروژه‌های تجاری فناوری‌های جدید تصمیم‌گیری شده است (سان و مون، 2004).

پارک[xlvi]و همکاران (2007) رویکرد یکپارچۀ تحلیل پوششی داده‌ها و درخت تصمیم را ارائه کردند. این رویکرد به مدیران شرکت‌ها درزمینۀ تشخیص واحدهای خدماتی ناکارا در سطح شرکت و تشخیص فرآیندهای ناکارا در سطح واحد کمک می‌کند (پارک و همکاران، 2007).

امروزنژاد و آنوز (2010) قوانین مالی را در صنعت بانک‌داری کشورهای عربی حوزۀ خلیج فارس کشف کرده‌اند. در این روش ابتدا با استفاده از مدل‌های کلاسیک تحلیل پوششی داده‌ها، واحدهای کارا و ناکارا تعیین شد. درادامه با استفاده از روش درخت طبقه‌بندی و رگرسیون، قوانین استخراج شد. درادامه میزان وام داده‌شده، سود متغیرهای خروجی و میزان دارایی، سپرده و سهام متغیرهای ورودی در تحلیل پوششی داده‌ها معرفی شد. سپس با استفاده از روش درخت طبقه‌بندی و رگرسیون ارتباط بین کارایی به‌عنوان متغیر وابسته و متغیرهای طبقه‌ای کشور، سبک عملیاتی و تاریخ تأسیس و متغیرهای عددی سهم بازار، اندازه، تعداد شعب، شاخص قیمت به درآمد، ساختار سرمایه، جمعیت به‌عنوان متغیر مستقل بررسی شد. نتایج نشان داد بانک‌های کارا داری 15 شعبه‌اند و سهم بازار بین (2.25و0.61) است (امروزنژاد و آنوز، 2010).

لیو[xlvii] و همکاران (2016) ترکیب مدل‌های کلاسیک تحلیل پوششی داده‌ها با درخت تصمیم را در ارزیابی و شناسایی نقاط ضعف و قوت شرکت‌های تایوانی فعال در حوزۀ اطلاعات و فناوری ارتباطات به کار بردند. درادامه با استفاده از درخت طبقه‌بندی و رگرسیون، قوانینی درخصوص کارایی شرکت‌ها و شرایط مالی کشف شد (لیو و همکاران، 2016).

دِنیکولا[xlviii] و همکاران (2013) این رویکرد ترکیبی را در بخش مراقبت‌های بهداشتی ایتالیا به کار گرفتند. نتایج نشان می‌دهد روند کاهش تعداد تخت‌های بیمارستانی موجب کاهش بهره‌وری نظام مراقبت‌های بهداشتی می‌شود. در این پژوهش صرفاً ارتباط بین کارایی به‌عنوان متغیر وابسته و سه ورودی تعداد پزشکان، تعداد پرستاران و تعداد تخت‌ها و یک خروجی تعداد ترخیص‌ها به‌عنوان متغیرهای مستقل در درخت تصمیم بررسی شده است (دِنیکولا و همکاران، 2013).

نوآوری این پژوهش استفاده از مدل‌های غیرشعاعی تحلیل پوششی داده‌ها و ترکیب این مدل با درخت طبقه‌بندی و رگرسیون است. کاربرد این رویکردِ ترکیبی در مدیریت منابع انسانی از دیگر نوآوری‌های این پژوهش است.

 

بحث

هدف این پژوهش کشف قوانین و استخراج الگوهایی درزمینۀ استخدام کارکنان دانشی است. ازهمین‌رو ابتدا شاخصی برای ارزیابی موفقیت استخدام در نظر گرفته شد و سپس با استفاده از روش‌های داده‌کاوی ارتباط بین داده‌های خام موجود در مجموعه داده‌های مربوط به استخدام و شاخص مدنظر بررسی شد. ارزیابی عملکرد کارکنان پس از استخدام، شاخص مناسبی در این خصوص است (حاجی‌حیدری و همکاران، 1396).

رویکرد پیشنهادی در این پژوهش شامل چند مرحله است. در مرحلۀ نخست، با استفاده از روش تحلیل پوششی داده‌ها، عملکرد 25 نفر از کارکنان دانشی مؤسسۀ هدایت فرهیختگان در یک شغلِ خاص ارزیابی شد. درادامه با استفاده از درخت طبقه‌بندی و رگرسیون، قوانین استخراج و الگو درخصوص نحوۀ استخدام کارکنان در این شغل و در این مؤسسه کشف شد.

در مرحلۀ بعد مقادیر کارایی محاسبه‌شده در تحلیل پوششی داده‌ها به‌عنوان متغیر وابسته تعیین شد. لازم به ذکر است که متغیر کارایی به‌صورت دودویی تبدیل شد؛ به این صورت که مقادیر بشتر از 62/0 (متوسط کارایی) به 1 و کمتر از آن به صفر کدگذاری می‌شود. در مرحلۀ بعدی متغیرهای پیش‌بینی‌کننده مشخص شد. این متغیرها با مشورت خبرگان سازمان ( همچنین براساس محدودیت اطلاعات مستندسازی‌شده در سازمان) به دست آمده و در جدول 2 نشان داده شده است. درادامه درخت طبقه‌بندی و رگرسیون شرح داده شد. در این مرحله 70 درصد داده‌ها برای آموزش درخت و از 30 درصد داده‌ها برای آزمون استفاده شد. در مرحلۀ آخر نتایج پیاده‌سازی و قوانین کشف و الگوها استخراج شد. فرآیند و توالی مراحل انجام پژوهش در شکل (1 و 2) نمایش داده شده است.

باتوجه‌به اینکه داده‌های دردسترس به‌لحاظ تعداد مناسب نبوده است، براساس اطلاعات موجود تا 90 نمونه شبیه‌سازی شدند. ساختار داده‌ها شامل متغیرهای زیر است:

  • جنسیت؛
  • وضعیت تاهل؛
  • تجربۀ کاری؛
  • سن؛
  • معدل آخرین مقطع تحصیلی؛
  • تعداد مقالات علمی پژوهشی.

درخت تصمیمِ تشکیل‌شده براساس داده‌های دردسترس شامل 39 گره بود که در اینجا مهم‌ترین (معنی‌دارها) آنها در نمودار و جداول زیر منعکس شده‌اند. درخت شامل 11 گره است که در هر گره احتمال رخداد کارایی با عملکرد قابل قبول و غیرقابل قبول منعکس شده است.

درادامه سه نوع نمودار برای درخت طبقه‌بندی و رگرسیون ترسیم شده است که هر سه به یک مفهوم است و هرکدام نوعی از تفسیر را ارائه می‌دهد؛ برای مثال شکل (2) بیان‌کنندۀ نمودار درختی مبتنی‌بر تعداد نمونه‌های کارآمد و ناکارآمد است. در نمودار زیر اعداد سمت راست بیانگر تعداد نمونه‌های ناکارآمد (با عملکرد غیرقابل قبول) و اعداد سمت چپ بیانگر تعداد نمونه‌های کارآمد (با عملکرد قابل قبول) است.

 

 

شکل 1- ارتباط بین متغیرها و استفاده از روش‌ها

 

جدول 2- شاخص‌های مرکزی و پراکندگی متغیرهای ورودی و خروجی در تحلیل پوششی داده‌ها

انحراف معیار

میانگین

بیشینه

کمینه

ورودی

475/3

634/5

17

53/1

مدت زمان انجام کار

519/3

84/3

13

2

مدت تأخیر در ارائه

انحراف معیار

میانگین

بیشینه

کمینه

خروجی

14/0

57/0

73/0

21/0

مجموع مقدار خطاهای فاحش

06/0

83/0

91/0

69/0

تعداد خطاهای فاحش

 

جدول 3- شرح دقیق فرآیند پژوهش

ردیف

گام

توضیحات

1

تعیین شاخصی برای ارزیابی موفقیت استخدام در شغل مدنظر

ارزیابی عملکرد کارکنان با استفاده از روش تحلیل پوششی داده‌ها

2

تعیین مقادیر کارایی محاسبه شده در تحلیل پوششی داده‌ها به‌عنوان متغیر وابسته

---

3

تعیین متغیرهای پیش‌بینی‌کننده با مشورت خبرگان سازمان (و همچنین براساس محدودیت اطلاعات مستندسازشده در سازمان)

جنسیت؛ وضعیت تاهل؛ تجربۀ کاری؛ سن؛ معدل آخرین مقطع تحصیلی؛ تعداد مقالات علمی پژوهشی.

4

آموزش درخت طبقه‌بندی و رگرسیون

70 درصد داده‌ها برای آموزش درخت و 30 درصد داده‌ها برای آزمون

5

استخراج قوانین و کشف الگو در خصوص نحوه استخدام کارکنان در این شغل

---

6

جمع‌بندی و تفسیر نتایج

---

جدول 4- شاخص‌های مرکزی و پراکندگی نمونه‌های بررسی‌شده

شاخص

کارایی

سن

تجربۀ کاری

معدل

تعداد مقالات

میانگین

67/0

84/26

42/21

55/17

4/2

میانه

63/0

26

50/19

60/17

2

انحراف استاندارد

26/0

57/6

93/7

80/0

91/1

چولگی

03/0-

75/1

79/1

16/0

66/0

کشیدگی

25/1-

75/3

85/3

32/1-

44/0-

کمینه

25/0

15

12

35/16

0

بیشینه

1

47

48

84/18

7

 

شکل (3) نمودار درختی مبتنی‌بر روش تقسیم‌بندی و تصمیم‌گیری را تشریح می‌کند. همان‌طورکه در شکل (3) ملاحظه می‌شود سمت چپ نمودار به‌معنی برقرارنشدن شرط روی گره‌ها و سمت راست نمودار به‌معنی برقراری شرط روی گره‌ها است.

شکل (4) نمودار درختی مبتنی‌بر روش تقسیم‌بندی و درصد افراد را تشریح می‌کند. همان‌طورکه در شکل (4) ملاحظه می‌شود گره‌ها با دو رنگ مشخص شده‌اند. گره‌های به‌رنگ آبی به‌معنی کارایی با عملکرد غیرقابل قبول است و گره‌های به‌رنگ سبز به‌معنی غالب‌بودن کارایی با عملکرد قابل قبول است. همان‌طورکه مشاهده می‌شود نمودار زیر ترکیبی از دو نمودار قبل است.

لازم به توضیح است که برای بررسی اعتبار پژوهش، از روش اعتبار صوری بهره گرفته شده است. به این منظور فرآیند کار با 3 نفر از خبرگان مرور و به این ترتیب اعتبار صوری پژوهش تأئید شده است.

 

 

شکل 2- درخت تصمیم براساس تعداد نمونه‌های کارآمد

 

شکل 3- درخت تصمیم بر اساس نحوۀ تصمیم‌گیری و تقسیم‌بندی

 

 

شکل 4- درخت تصمیم براساس نحوۀ تصمیم‌گیری و درصد افراد

 

درنهایت نتایج حاصل از الگوریتمِ اجراشده باعث نتایج و قواعدی می‌شوند که دانش حاصله از داده‌کاوی است. درنهایت براساس درخت تصمیم شکل 4، مسیرها و شاخه‌های ذیل شکل می‌گیرد:

  • تجربۀ بیش از 25 ماه: کارایی با عملکرد غیرقابل قبول.
  • تجربۀ کمتر از 25 ماه، سن بیش از 36 سال: کارایی یا عملکرد غیرقابل قبول.
  • تجربۀ کمتر از 25 ماه، سن کمتر از 36 سال، معدل آخرین مقطع تحصیلی بیش از 18: کارایی یا عملکرد پذیرفتنی.
  • تجربۀ کمتر از 25 ماه، سن کمتر از 36 سال، معدل آخرین مقطع تحصیلی کمتر از 18، معدل آخرین مقطع تحصیلی کمتر از 17 (بیش از 35/16): کارایی یا عملکرد قابل قبول.
  • تجربۀ کمتر از 25 ماه، سن کمتر از 36 سال، معدل آخرین مقطع تحصیلی کمتر از 18، معدل آخرین مقطع تحصیلی بیش از 17، جنسیت مرد: کارایی یا عملکرد پذیرفتنی.
  • تجربۀ کمتر از 25 ماه، سن کمتر از 36 سال، معدل آخرین مقطع تحصیلی کمتر از 18، معدل آخرین مقطع تحصیلی بیش از 17، جنسیت زن: کارایی یا عملکرد غیرقابل قبول.

به‌طورکلی براساس مسیرهای مشخص‌شده در بالا، می‌توان برای شغل مدنظر قواعد کلی خاصی را استنتاج کرد. قواعد مستخرج از مسیرهای فوق در بخش نتیجه‌گیری و پیشنهادها تبیین شده است.

این نتایج درقالب دستورالعمل‌های مدون و گویا تهیه می‌شود تا براساس قوانین استخراجی، سیاست‌گذاری‌های لازم برای نیرویابی انجام شود و در مراحل مختلف نیرویابی، جذب و استخدام در تحلیل‌ها و تصمیم‌ها لحاظ شود. به عبارت دیگر از این نتایج می‌توان در تعیین استراتژی‌های جذب برای تسریع در تصمیم‌گیری‌ها استفاد کرد؛ برای نمونه مواردی همچون میزان تجربۀ کاری، معدل، سن و جنسیت می‌توانند به‌عنوان استراتژی‌های صفر و یکی (رد یا پذیرش کارجویان) استفاده شوند.

 

نتیجه‌گیری

در یک فرایند مؤثر نیرویابی و استخدام کارکنان، سازمان‌ها می‌توانند براساس داده‌کاوی و کشف الگوهای موفقیت (براساس تجربیات گذشتۀ خود)، افراد با استعداد و مناسب را در کوتاه‌ترین زمان شناسایی و استخدام کنند و ضمن پرهیز از هزینه‌های مکرر استخدام، نرخ ماندگاری را بهبود و عملکرد را افزایش دهند. در این پژوهش ضمن بیان رویکردهای پیشین در انتخاب و گزینش نیروی انسانی تلاش شد تا مدل‌های پیشین توسعه داده و مدل جدیدی ارائه شود. ترکیب تحلیل پوششی داده‌ها با رویکردهای داده‌کاوی و واردکردن متغیرهای کیفی و ضمنی در برآورد کارایی از مهم‌ترین نوآوری این پژوهش است.

در همین رابطه برای مرحلۀ نیرویابی و استخدام، قواعدی استخراج و پیشنهادهایی درخصوص شغل درحال مطالعه به سازمان مدنظر ارائه شد که نتیجۀ تجزیه و تحلیل خروجی‌های مدلِ طراحی‌شده است. برخی از این قواعد در زیر اشاره شده است:

  • در شغل مدنظر افراد دارای تجربۀ کاری بیش از 25 ماه (در بدو ورود) ناکارا هستند (براساس تجربیات گذشته، 17 درصد افراد چنین وضعیتی دارند).
  • در شغل مدنظر افراد دارای تجربۀ کاری کمتر از 25 ماه (در بدو ورود) و سن بیش از 36 سال ناکارا هستند (براساس تجربیات گذشته، 9 درصد افراد چنین وضعیتی دارند).
  • در شغل مدنظر افراد دارای تجربۀ کاری کمتر از 25 ماه (در بدو ورود) و سن کمتر از 36 سال و معدل بالای 18 کارا هستند (براساس تجربیات گذشته، 28 درصد افراد چنین وضعیتی دارند).
  • در شغل مدنظر افراد دارای تجربۀ کاری کمتر از 25 ماه (در بدو ورود) و سن کمتر از 36 سال و معدل زیر 17 کارا هستند (براساس تجربیات گذشته، 22 درصد افراد چنین وضعیتی دارند).
  • در شغل مدنظر کارکنان دارای تجربۀ کاری کمتر از 25 ماه (در بدو ورود)، سن کمتر از 36 سال و معدل بین 17 و 18 کارا هستند که جنسیت آنها مرد است (براساس تجربیات گذشته، 17 درصد افراد چنین وضعیتی دارند).
  • در شغل مدنظر کارکنان دارای تجربۀ کاری کمتر از 25 ماه (در بدو ورود)، سن کمتر از 36 سال و معدل بین 17 و 18 که جنسیت آنها زن است، ناکارا هستند (براساس تجربیات گذشته، 8 درصد افراد چنین وضعیتی دارند).

نتایج نشان می‌دهد در رابطه با شغل مدنظر، متغیرهای تجربۀ کاری، معدل آخرین مقطع تحصیلی و سن با عملکرد افراد مرتبط هستند و درنتیجه ضروری است در فرآیند استخدام‌های آتی مدنظر قرار گیرند.

نتایج به‌دست‌آمده با نتایج پژوهش‌های گذشته هم‌خوانی دارد. در زیر این موضوع بررسی شده است.

درخصوص تأثیر عامل تجربۀ کاری، نتایج این پژوهش با نتایج پژوهش مک‌دانیل[xlix]و همکاران (1988) مطابقت دارد. نتایج پژوهش مذکور نشان می‌دهد بین متغیر تجربۀ کاری و عملکرد شغلی رابطۀ مثبت و معنادار وجود دارد و این رابطه به‌واسطۀ دو متغیر دیگر (میزان تجربۀ کاری و سطح پیچیدگی شغلی) تعدیل می‌شود (مک‌دانیل و همکاران، 1988).

درخصوص تأثیر عامل معدل، پژوهشی یافت نشده است که به‌صورت مستقیم این موضوع را بررسی کرده باشد؛ اما پژوهش‌های متعددی درخصوص تأئید تأثیرگذاری سطح تحصیلات بر عملکرد شغلی وجود دارد؛ برای نمونه می‌توان به نتایج پژوهش اِن‌جی و فِلدمن[l] (2009) اشاره کرد که با استفاده از روش فراتحلیل این موضوع را بررسی و تأئید کرده‌اند.

درخصوص تأثیر عامل جنسیت، پژوهش‌های متفاوتی انجام شده است؛ برخی از پژوهش‌های گذشته بر عدم تأثیر معنادار جنسیت بر عملکرد شغلی تأکید دارند و یافته‌های برخی دیگر نشانگر تفاوت معنادار عملکرد شغلی در بین زنان و مردان است؛ برای نمونه پژوهش اِن‌جی و فِلدمن (2009) تفاوت عملکرد ناشی از جنسیت را بررسی و تأئید کرده است. همچنین نتیجۀ پژوهش هزارجریبی و ابراهیمی (1389) جنسیت را عاملی اثرگذار در بروز خلاقیت (در محیط کار) شناسایی کرده است. براساس نتایج پژوهش مذکور، مردان نسبت به زنان خلاقیت بیشتری از خود نشان داده‌اند (هزارجریبی و ابراهیمی، 1389).

شاید برخی از قواعد فوق در ظاهر اقناع‌کننده به نظر نرسد، اما باتوجه‌به آنکه اقتضائات هر شغل پیچیدگی‌های زیادی دارد و مدل‌سازی و تحلیل آن زمان‌بر و پرهزینه است، منطقی است که به اطلاعات به‌دست‌آمده از تجربیات گذشته و قواعد استخراج‌شده برای هر شغل (که ماهیت عینی‌تری دارد) توجه شود. بدیهی است که قواعد مذکور تابع شرایط شغل مدنظر است و تعمیم‌پذیری به سایر مشاغل سازمان را (و حتی همان شغل در سازمانی دیگر) ندارد؛ درنتیجه بهتر است سازمان در مرحلۀ نیرویابی برای شغل مدنظر در پذیرش و یا عدم پذیرش افراد، ابتدا قواعد فوق (وضعیت کارجویان در شاخص‌های تجربۀ کاری، معدل آخرین مقطع تحصیلی و سن) را مدنظر قرار دهد تا هزینه‌ها و نرخ شکست در فرآیند استخدام کاهش یابد.

به‌کارگیری صحیح و علمی قوانین و قواعد فوق در انتخاب کارکنان، به‌ویژه در سازمان‌های دانش‌بنیان، دارای نتایج خاصی در بهبود بهره‌وری فرآیند جذب و استخدام است. این موضوع اهمیت استفاده از علم داده‌کاوی و کشف دانش نهفته در این زمینه را دو برابر می‌کند.

نتیجۀ نهایی اینکه خروجی این پژوهش چارچوبی ابتکاری برای ترکیب DEA و CART و برای کشف قوانینی در حوزۀ استخدام کارکنان دانشی در یک شغل خاص و در یک سازمان خاص (مؤسسۀ هدایت فرهیختگان جوان) ارائه کرده است.

درخصوص تعمیم‌پذیری نتایج، باتوجه‌به ماهیت مطالعۀ موردی، تعمیم نتایج امکان‌پذیر نیست و ضروری است مراحل پژوهش برای هر سازمان و هر شغل به‌صورت مجزا دنبال شود.

در این پژوهش صرفاً از اطلاعاتی که درجهت افزایش عملکرد شغلی و ماندگاری کارکنان تأثیر نسبی دارد و همچنین دردسترس پژوهشگران قرار داشت (مانند: سن، جنس، وضعیت تاهل، تحصیلات و سوابق شغلی) برای پیش‌بینی رفتار آینده آنان استفاده شد. یکی از محدودیت‌های این پژوهش، دسترسی به اطلاعات است. برخی از داده‌ها در دسترس نبود (مانند: توانایی‌های عمومی ذهنی، علایق شغلی، ارزش‌های کاری و...). برخی از داده‌ها نیز تنوع محدودی داشت و میان عموم افراد نمونه، نسبتاً مشابه بود (مانند: رشته و مقطع تحصیلی). گردآوری سایر داده‌های مؤثر بر عملکرد (مانند: توانایی‌های عمومی ذهنی، علایق شغلی، ارزش‌های کاری، رشته تحصیلی، مقطع تحصیلی و...) و استفاده از آنها با هدف داده‌کاوی می‌تواند در پژوهش‌های آتی مدنظر قرار گیرد. همچنین استفاده از اطلاعات ناشی از تعاملات کارکنان در شبکه‌های اجتماعی و وب‌سایت‌های مختلف عرضه‌کنندۀ کالا و خدمات در بستر کلان داده می‌تواند تحلیل پیش‌بینانه‌ای نسبت به مشخصات بالقوۀ کارکنان ارائه دهد.

همچنین استفاده از رویکردهای تلفیقی با داده‌کاوی می‌تواند در مطالعات آینده مدنظر قرارگیرد تا رویکردهای متعددی را مقایسه کند و بدین سان برای استخراج بهتر ارتباطات داخلی پیچیده از میان متغیرهای ورودی کارکنان و رفتارهای کاری آنها را با یکدیگر تلفیق کند.

رویکرد پیشنهادی می‌تواند در انواع مشاغل و سطوح مختلف مدیریتی و همچنین در سایر صنایع برای انطباق معیارهای مناسب با آن صنعت درراستای افزایش بهره‌وری در فرآیند نیرویابی و استخدام سرمایه انسانی به کار رود.

 

سپاسگزاری

این پژوهش با حمایت و مشارکت مؤسسۀ هدایت فرهیختگان جوان انجام شده است. نویسندگان بر خود لازم می‌دانند که از همکاری این مؤسسه تشکر و قدردانی کنند.



[i] Knowledge Worker

[ii] Chapman

[iii] Selection

[iv] Data envelopment analysis

[v] Classification and regression tree

[vi] Zhang & Choi

[vii] Özkara & Atak

[viii] Seljak & Kvas

[ix] Osman

[x] Kthiri

[xi] Lio

[xii] Kaffash & Marra

[xiii] Jung

[xiv] Yang

[xv] Drucker

[xvi] Horwitz

[xvii] Li

[xviii] Yao & Fan

[xix] Tseng Y.F & Lee T.Z.

[xx] Kalleberg, Nesheim & Olsen

[xxi] Decision tree

[xxii] Bozbura

[xxiii] Chien

[xxiv] Rough set theory

[xxv] Strohmeier & Piazza

[xxvi] Karatop

[xxvii] Zhu

[xxviii] Lukovac

[xxix] Fuzzy neural network

[xxx] Production possibility set

[xxxi] Constant Return to Scale

[xxxii] Variable returns to scale

[xxxiii] Radial

[xxxiv] Decision maker unit

[xxxv] Slack

[xxxvi] Non-radial

[xxxvii] Slacks-based measure

[xxxviii] Zhu et al.

[xxxix] Input- oriented

[xl] Output-oriented

[xli] Intensity Vector

[xlii] Breiman

[xliii] Ripley

[xliv] Anouze

[xlv] Sohn & Moon

[xlvi] Park

[xlvii] Lio

[xlviii] Nicola

[xlix] McDaniel

[l] NG & Feldman

Akhavan Kharazian, M., Shahbazi, M., & Fatehi, M. (2017). Performance Evaluation of Knowledge Workers at R&D department in Outsourcing Conditions. Journal of Production and Operations Management , 14(1), 139-156.

Alizade Sani, M., Soheil Nejat, S. (2016). The Impact of employer brand attractiveness on Talent's Intention to recruitment (The case of subordinate companies of Oil ministry), Journal of Business Management (JBM), 8(1), 205-228.

Azar, A., Sebt, M. V., Ahmadi, P., & Rajaeian, A. (2013). A model for personnel selection with a data mining approach: A case study in a commercial bank. Journal of Human Resource Management, 11 (1), 1-10.

Azizi, H.,  Jafari Shaerlar, A., & Farzipoor Saen, R. (2016). A new Approach for Considering a Dual-Role Factor in Supplier Selection Problem: DEA with efficient and inefficient frontiers. Journal of Production and Operations Management , 6(2), 129-144.

Chapman, D. S., Uggerslev, K. L., Carroll, S. A., Piasentin, K. A., & Jones, D. A. (2005). Applicant attraction to organizations and job choice: a meta-analytic review of the correlates of recruiting outcomes. Journal of applied psychology, 90 (5), 928.

Chien, C.F. and L.F. Chen, (2008), Data mining to improve personnel selection and enhance human capital: A case study in high-technology industry, Expert Systems and Applications, 34 (1): p. 380-290.

Dabestani, R., Shahin, A., Saljoughian, M., & Shirouyehzad, H. (2016). Importance-performance analysis of service quality dimensions for the customer groups segmented by DEA: The case of four star hotels. International Journal of Quality & Reliability Management, 33(2), 160-177.

Dahooie, J & Arsalan, M. (2013). "Applying fuzzy integral for evaluating intensity of knowledge work in jobs" .International Journal of Industrial Engineering Computation, 4 (4), 517-534.

De Nicola, A., Gitto, S., & Mancuso, P. (2013). Evaluating Italian public hospital efficiency using bootstrap DEA and CART. International Journal of Applied Decision Sciences, 6 (3), 281-292.

Doaee, H., (1998). Human Resource Management: Applied Approach. Tehran.

Emrouznejad, A., & Anouze, A. L. (2010). Data envelopment analysis with classification and regression tree–a case of banking efficiency. Expert Systems, 27 (4), 231-246.

Golshani, P., Fallah, A., Oladi Ghadikolai, J., &  Kalbi, S. (2014). Evaluation of GeoEye-1 Multispectral Imagery Data and Texture Analysis for Urban Scene Classification, Region 3 of Tehran City, Physical Geography Research, 46(2), 157-168.

Hajiheydari, N., Khabiri, H., & Talafi Daryani, M. (2017). A Framework for Data Mining Approach Applications in Human Resource Management, Iranian Journal of Management, 12(47), 21-50.

Hezarjaribi, J. and  Ebrahimi, M. (2011). Investigating and Comparing the Relationship between Entrepreneurial Characteristics of Organizational Personnel (Male & Female) and Their Job Satisfaction, Journal of Applied Sociology, 21(4), 1-18.Azar, A., Sebt, M. V., Ahmadi, P., & Rajaeian, A. (2013). A model for personnel selection with a data mining approach: A case study in a commercial bank. Journal of Human Resource Management, 11 (1), 1-10.

Horwitz, F. M., Heng, C. T., Quazi, H. A., Nonkwelo, C., Roditi, D., & Eck, P. V. (2006). Human resource strategies for managing knowledge workers: an Afro-Asian comparative analysis. The International Journal of Human Resource Management, 17(5), 775-811.

Jung, S.Y., Vitolins, M.Z., Fenton, J., Frazier-Wood, A.C., Hursting, S.D. & Chang, S. (2015). Risk Profiles for Weight Gain among Postmenopausal Women: A Classification and Regression Tree Analysis Approach. PLoS ONE, 10 (3), e0121430. doi:10.1371/journal.pone.0121430.

Kaffash, S., & Marra, M. (2017). Data envelopment analysis in financial services: a citations network analysis of banks, insurance companies and money market funds. Annals of Operations Research, 253 (1), 307-344.

Karatop, B., Kubat, C., & Uygun, Ö. (2015). Talent management in manufacturing system using fuzzy logic approach. Computers & Industrial Engineering, 86, 127-136.

Kthiri, W., Emrouznejad, A., Boujelbène, Y., & Ouertani, M. N. (2011). A framework for performance evaluation of employment offices: a case of Tunisia. International Journal of Applied Decision Sciences, 4 (1), 16-33.

Li, M. L., Yung, D., & Chang, S. (2015). A formal model for intellectual relationships among knowledge workers and knowledge organizations. Journal of Visual Languages & Computing, 27, 1-8.

Lio, D. (2016). Measuring aeronautical service efficiency and commercial service efficiency of East Asia airport companies: An application of Network Data Envelopment Analysis. Journal of Air Transport Management, 52, 11–22.

Lukovac, V., Pamučar, D., Popović, M., & Đorović, B. (2017). Portfolio model for analyzing human resources: An approach based on neuro-fuzzy modeling and the simulated annealing algorithm. Expert Systems with Applications, 90, 318-331.

Mahallati Rayeni, M. & Hosseinzadeh Saljooghi, F. (2016). Examining the effect of risk on bank performance by using data envelopment analysis. International Journal Services and Operations Management, 24 (1), 18-32.

Malekzadeh, G. and Sadeghi, S. (2017). Strategic Human Resource Management in Digital Era Based on Big Data, Roshd-e-Fanavari, 13(51), 62-70.

McDaniel, M. A., Schmidt, F. L., & Hunter, J. E. (1988). Job experience correlates of job performance. Journal of applied psychology, 73(2), 327.

Mirbagheri, A., Tahmasebi, H., & Hashemi, A. (2010). Effective strategies in the maintenance of knowledge-based employees, Tadbir, (219), 22-30.

NG, T. W., & Feldman, D. C. (2009). How broadly does education contribute to job performance?. Personnel psychology, 62(1), 89-134.

Nikokar, Gh.H., Mahdavi Mazdeh, M., Mousavi, J., & Alidadi, Y. (2014). Designing a Native Model for Knowledge Employees Performance Appraisal, Journal of Research in Human Resources Management, 6(2), 39-55.

Osman I, Ho TCF, Galang MC. (2011). The relationship between human resource practices and firm performance: an empirical assessment of firms in Malaysia. Business Strategy Series. 12 (1):41-8.

Osman, I. H., Berbary, L. N., Sidani, Y., Al-Ayoubi, B., & Emrouznejad, A. (2011). Data envelopment analysis model for the appraisal and relative performance evaluation of nurses at an intensive care unit. Journal of medical systems, 35 (5), 1039-1062.

Özkara, Y., & Atak, M. (2015). Regional total-factor energy efficiency and electricity saving potential of manufacturing industry in Turkey. Energy, 93, 495-510.

Seljak, J., & Kvas, A. (2015). Three-stage data envelopment analysis as a tool for nurse leader performance appraisals. SAGE Open, 5 (1), 2158244015577666.

Seol, H., Choi, J., Park, G., & Park, Y. (2007). A framework for benchmarking service process using data envelopment analysis and decision tree. Expert Systems with Applications, 32 (2), 432-440.

Sohn, S. Y., & Moon, T. H. (2004). Decision tree based on data envelopment analysis for effective technology commercialization. Expert Systems with Applications, 26 (2), 279-284.

Strohmeier, S., & Piazza, F. (2013). Domain driven data mining in human resource management: A review of current research. Expert Systems with Applications, 40 (7), 2410-2420.

Tajmir Riyahi, H., Esmaeili, S., &  Habibi, M.H. (2016). Evaluating the Efficiency of Mutual Funds Based on DEA Models, Journal of Production and Operations Management , 12(1), 83-102.

Tone, K. (2001). A slacks-based measure of efficiency in data envelopment analysis, European Journal of Operational Research, 130 (3), 498–509.

Tseng Y.F & Lee T.Z. (2009). Comparing appropriate decision support of human resource practices on organizational performance with DEA/AHP model. Expert Systems with Applications. 36 (3, Part 2): 6548-58.

Yang, T., Gao, T., Sorooshian, S., & Li, X., (2016), Simulating California reservoir operation using the classification and regression-tree algorithm combined with a shuffled cross-validation scheme, Water Resources Research, 52 (3), 1626-1651.

Yao, J., & Fan, L. (2015). The Performance of Knowledge Workers Based on Behavioral Perspective. Journal of Human Resource and Sustainability Studies, 3(01), 21-27.

Zhang, N., & Choi, Y. (2013). Environmental energy efficiency of China's regional economies: A non-oriented slacks-based measure analysis. The Social Science Journal, 50 (2), 225-234.

Zhu, X., Seaver, W., Sawhney, R., Ji, S., Holt, B., Sanil, G. B., & Upreti, G. (2017). Employee turnover forecasting for human resource management based on time series analysis. Journal of Applied Statistics, 44 (8), 1421-1440.