Кадры в сфере услуг и их роль в системе менеджмента (стр. 8 из 14)
Среднее арифметическое 110.62 2.26
Средний темп роста 95.48 104.95
Средний темп прироста -4.52 4.95
Средний абсолютный прирост -6.30 0.08
Формирование уровней ряда динамики происходит под воздействием многочисленных факторов, однако, все воздействующие факторы можно свести к трем основным, которые принято называть компонентами ряда динамики: общей тенденции развития (тренда), сезонным колебаниям и действию разовых (спорадических) факторов, отображаемых в случайной компоненте.
Изучение тренда включает два основных этапа:
- ряд динамики проверяется на наличие тренда;
- производится выравнивание временного ряда и непосредственное выделение тренда с экстраполяцией полученных результатов.
Проверку наличия тренда произведем с помощью пакета OLYMP, результаты вычислений приводятся ниже:
Проверка гипотезы о равенстве средних
Первая переменная: Выработка Ктек
оценка среднего 1.4е+02 1.8
оценка дисперсии 3.2е+03 0.29
Вторая переменная:
оценка среднего 82 2.7
оценка дисперсии 92 0.011
t – расчетное 1.8 2.1
t – табличное 1.7 1.7
число степеней свободы 23 23
вероятностный уровень 0.95 0.95
Гипотеза об отсутствии тренда отвергается отвергается
Метод Форстера-Стюарта
Гипотеза об отсутствии тренда отвергается отвергается
После того, как установлено наличие тенденции в ряду динамики, производится ее описание, т.е. определяется тип протекания процесса, имеющего место в данном явлении, направление роста и изменения, происходящего в нем.
По данным таблицы 2.4. можно заметить, что динамика производительности труда определяется: по наличию и стремлению к некоторой предельной величине, как процесс, не имеющий предел насыщения; по наличию экстремальных значений и перегибов, как процесс, имеющий переходы от возрастания к убыванию или наоборот.
Для отображения основной тенденции развития модели выработки на одного работника применялось уравнение полинома третьей степени, для модели коэффициента текучести персонала - уравнение логистической кривой, расчеты велись по данным за 2002-2008гг., с применением пакетов OLYMP и MESOSAUR. Результаты вычислений приведены в Приложении А.
Таким образом, модель эффективности управления персоналом приобрела следующий вид:
YКтек (t) = 2.7138 / (1 + exp (1.0832 - 0.31457* t));
YВыр(t) = 278 - 34.8 * t + 2.06 * t2 - 0.0404 * t3.
Также следует проверить модель на наличие автокорреляции в отклонениях фактических уровней ряда динамики от тренда. Самым распространенным методом для этих целей служит критерий Дарбина-Уотсона.
Полученные в результате расчетов значения dвыр=1,886, dКтек=2,502 превышают табличные d2=1,66 (для 5%-ного уровня значимости), что свидетельствует об отсутствии автокорреляции.
Определяемые в анализе рядов динамики показатели изменения уровней, тренда, сезонной волны имеют широкое применение при прогнозировании, т.е. при получении статистической оценки возможной меры развития социально-экономических явлений на будущее.
Представим результаты вычислений в виде графиков, характеризующих динамику изменений средней выработки и коэффициента текучести персонала за 2002-2008гг., а также непосредственно выделим тренд с экстраполяцией полученных результатов (Рис. 2.4), это позволит наглядно представить закономерности происходящих процессов.
Рис. 2.4. Динамика показателей средней выработки и коэффициента текучести по кварталам за 2002-2008гг.
Однако прогноз по аналитическому выражению тренда имеет существенный недостаток, который приводит иногда к большим ошибкам при прогнозировании явления. Чтобы избежать этой ошибки и сделать прогноз более точным, необходимо отыскать закономерность изменения во времени случайного компонента.
Для прогнозирования показателей эффективности управления персоналом, выберем метод экспоненциального сглаживания. Данный метод эффективен для краткосрочных прогнозов.
Наиболее адекватная модель эффективности управления персоналом получилась при логарифмическом преобразовании и порядке полинома равном единице. После оптимизации параметр сглаживания a принял следующие значения: для модели средней выработки a=0.25; для коэффициента текучести a=0.3. Представим результаты вычислений в виде графиков, характеризующих динамику изменений средней выработки и коэффициента текучести персонала за 2002-2008гг., а также сглаженные ряды и прогнозы соответствующих показателей (Рис. 2.5).
Рис. 2.5. Прогнозирование динамики развития средней выработки и коэффициента текучести персонала методом экспоненциального сглаживания
Также, для остатков была построена авторегрессионая модель, и построенный ранее прогноз был пересчитан с учетом оцененной модели.
Анализ результатов показал, что модели адекватны:
- остатки являются белым шумом;
- нет эффектов перепараметризации.
Аргументы:
- допустимое значение теста Портманто;
- допустимые значения первых коэффициентов автокорреляции;
- допустимые величины хвостов Т-значений для параметров модели.
Таким образом, можно заметить, что если не произойдут существенные изменения в политической и экономической обстановке или не будут приняты управленческие решения, влияющие на эффективность управления персоналом, средняя выработка в АОЗТ «Фотолэнд» будет продолжать уменьшаться, а коэффициент текучести примерно оставаться на одном, достаточно высоком уровне. Т.е. будет происходить дальнейшее снижение экономической эффективности управления персоналом, что негативно сказывается на работе всего предприятия.
Также важно иметь в виду, что экстраполяция в рядах динамики не является самоцелью, и носит не только приближенный, но и условный характер. Это обусловлено распространением на ряды динамики положений корреляционно-регрессионного анализа выборочных совокупностей.
Задача построения модели регрессии заключается не только в том, чтобы правильно определить совокупность факторов, влияющих на моделируемый показатель, но и чтобы включить в модель, насколько это возможно, не связанные между собой факторные признаки.
После того, как выбран дифференциальный показатель эффективности управления персоналом, выделены наиболее существенные факторы, влияющие на ее уровень, исходные данные очищены от аномальных наблюдений, следует проверить предпосылки возникновения явления мультиколлинеарности. Это явление часто представляет собой ощутимую угрозу для правильного определения и эффективной оценки взаимосвязей.
Для выявления данного эффекта, по мнению автора, целесообразно использовать метод, основанный на анализе парных коэффициентов корреляции.
Для этого была построена, с использованием пакета MESOSAUR, корреляционная матрица.
Анализ матрицы коэффициентов парной корреляции, рассчитанных для факторных показателей за 2007г., указал на наличие коллинеарных факторных показателей, а именно показатель Х1 (средний тарифный разряд) имеет сильную функциональную связь с факторным показателем Х18 (среднемесячная заработная плата), показатель Х4 (доля не состоявших в браке работников) имеет сильную функциональную связь с факторным показателем Х5 (доля не состоявших в браке работников, имеющих детей), показатель Х15 (доля работников, прошедших профессиональное обучение в течение периода) имеет сильную функциональную связь с факторным показателем Х16 (доля работников, повысивших разряд в течение периода, в общей численности персонала). Сильная связь, между этими показателями логически легко объясняется.
Считается, что два показателя коллинеарные, если парный коэффициент корреляции не менее /0,8/.
Таким образом, в целях устранения мультиколлинеарности в регрессионную модель включим по одному из представителей указанных групп. Для этого в регрессионной модели мы оставили Х18, так как, изменяя среднемесячную заработную плату, по мнению автора, можно влиять на результативные показатели эффективности управления персоналом, а также Х4 и Х16, так как эти показатели имеют более сильную связь с результативными показателями эффективности управления персоналом.
После того как на стадии априорного анализа произведен отбор факторов, влияющих на эффективность управления персоналом, и определена форма связи, затем собрана и проанализирована исходная статистическая информация, можно перейти непосредственно к построению модели эффективности управления персоналом.
Для построения моделей эффективности управления персоналом использовался многошаговый регрессионный анализ, основанный на отсеве несущественных факторов по t-критерию Стьюдента.
По этому критерию проверяется гипотеза, существенно ли отличен от нуля коэффициент регрессии aj при некотором заданном уровне значимости ₤, который показывает вероятность отвергнуть правильную гипотезу. При этом чем меньше уровень значимости, тем меньше указанная вероятность. В исследовании принимаем ₤=0.05. Расчеты производились с использованием пакета MESOSAUR.
В качестве показателей эффективности управления персоналом была взята выработка на одного работника и коэффициент текучести персонала (Ктек).
Расчеты велись по данным за 2007г. для однородной совокупности, состоящей из 50 подразделений фирмы. Результаты многошагового регрессионного анализа при построении модели эффективности управления персоналом приведены в приложении Б.
После отсева статистически незначимых факторных показателей уравнения множественной регрессии моделей коэффициента текучести персонала и выработки на одного работника приобрели следующий вид: