薪酬满意度研究.docx

薪酬满意度研究.docx

《薪酬满意度研究.docx》由会员分享，可在线阅读，更多相关《薪酬满意度研究.docx（23页珍藏版）》请在冰豆网上搜索。

薪酬满意度研究

基于贝叶斯网络的公司高级管理人员的薪

酬满意度分析

王冬鑫

科技大学 经管学院

【摘要】以 Heneman 提出的薪酬满意度的几个考察维度为参考变量，将贝叶斯网络引入到薪酬满意度的

分析中，构建了贝叶斯网络模型，并通过数据学习对薪酬满意度进行了预测和诊断，取得了较好的效果。

【关键词】贝叶斯网络；薪酬满意度；预测；诊断

Compensation satisfaction analysis based on

bayes net for senior manager

Wang dong-xin

（College of Economics and Management, Qingdao University of Science and Technology,

Qingdao 266061, Shandong）

【abstract】Introduce bayes net to the analysis of compensation satisfaction by the reference

variables which is put forward by Heneman, build the bayes net model, realize forecast and

diagnose of compensation satisfaction through date studying，and the simulation shows that this

model works well.

【key words】bayes net; compensation satisfaction; forecast; diagnose

一 引言

在我国，随着资本市场的不断发展，上市公司逐年增加，结构不断优化，经营规模也

逐渐扩大，这无疑就需要很多拥有各方面能力的高级管理人员来对公司的生产经营进行管

理，最大程度的增加股东财富。

高级管理人员已经成为企业的核心竞争力不可缺少的因素，

对高管人员激励不当容易给企业造成不可挽回的损失。

企业留住人才有很多的途径，如富

有人性的福利政策、宽松和谐的工作环境、业主与员工的有效沟通、高效的培训机制等。

但是根据目前我国经济发展所处的阶段、社会成员的生活水平等因素来看，薪酬对人才的

吸引和稳定作用仍旧是第一位的。

对薪酬的满意度是员工的一种情感体验，对薪酬满意度

高的员工更有动力回报组织，他们积极地投入到工作中，不但尽心尽力地完成本职工作，

而且会表现出一些超越其职责要求的行为；对薪酬满意度低的员工，会更频繁地缺勤，对

工作本身的不满，甚至逃避工作，更有可能辞职跳槽。

但是薪酬满意度又并不仅仅局限于薪酬的绝对值的高低。

改革开放 30 余年来，中国企

业高管薪酬逐步提高，近年来更呈现快速增长趋势。

中国在全体高管人数增长 18.63%的情

况下，全体高管成员的薪酬总额增长幅度高达 111.23%。

但是高薪酬增长率并未带来与之

相应的高薪酬满意度，这就造成了企业资源的浪费。

因此对于薪酬满意度的研究更显得尤

为重要。

国外学者对高管薪酬的研究起步早，而且研究的结论比较丰富。

我国对高管薪酬的研

究与国外相比，在研究方法、研究深度以及研究成果方面都存在很大差距，研究理论还有

待加深。

以往的研究多局限于探讨哪些因素会对薪酬满意度产生影响，也有一些研究用因

子分析法分析了各个影响因素对于薪酬满意度影响程度的大小，但是很少有研究从薪酬满

意度的预测和诊断的角度出发来进行研究。

本文以 Heneman 等人对薪酬满意度的维度的研

究为基础，将概率论与图论结合起来，构建贝叶斯网络图，通过引入专家知识，实现贝叶

斯网络学习。

最终建立起来的模型突破了以往的研究，具有以下两种功能：

1.在已知了各

个影响薪酬满意度的父节点的满意度的情况下可以推测出子节点的满意程度，即因果推理。

2.在已知公司高管对薪酬满意程度时，通过贝叶斯概率寻找到到底是哪些因素更可能对满

意程度引起了较大影响，即诊断推理，从而有针对性的进行改进。

二 研究概念的界定

（一）企业高级管理人员

根据委托代理理论，所有者是委托人，企业的经营管理团队是代理人，委托代理关系

下的激励指的是企业所有人如何激励经营管理团队。

因此，论文中所指高级管理人员是企

业经营管理团队成员，他们参与经营管理并领取企业薪酬，这些人员组成企业的高层管理

团队，负责企业的重大决策和日常经营。

这不同于经济学和财务学意义上的高级管理人员。

海法等在研究高层管理团队时对高层管理团队有一个明确的界定，这个界定与本研究的

研究对象界定是一致的，因此本研究采用海法、伍晓奕（2003）关于高层管理团队的概念

界定：

高层管理团队是指公司高层经理的相关小群体，包括 CEO、总经理、副总经理以及

直接向他们汇报工作的高级经理。

（二）薪酬满意度

薪酬满意度（compensation satisfaction 简称 CS）是员工对薪酬的一种态度，不同的研究

人员对薪酬满意度理解不同。

薪酬满意度的研究始于公平理论的提出者美国学者亚当斯

（Adams，1965），亚当斯认为薪酬满意度应该是作为一个单维的、持续的有正值与负值的变

量。

他指出薪酬满意度的起因是由于个人对薪酬给付公平的感觉，这种感觉是来自于知觉

和比较的一种复杂过程。

他认为，员工会对自己与他人的得失之比进行比较。

如果得失之

比相似，员工就会对自己的薪酬感到满意；如果得失之比不同，员工就有可能对自己的薪

酬感到不满。

1971 年，劳勒（Lawler）把薪酬满意度定义为个体感知他们获得的薪酬与他们

期望应该获得的薪酬之间比较的感觉，而当个体感知获得的薪酬比他们期望应该获得的薪

酬少的时候就会产生不满意。

1985 年，赫尼曼（Heneman）等提出多维结构的薪酬满意度概

念，研究者基本都认可多维度的观点。

他们认为薪酬满意度是员工对所获得的薪酬数量与

薪酬管理体系的情感反应，它包括薪酬水平、福利、加薪、薪酬结构与管理四个方面的满

”

意度。

1991 年，米斯迪和莱恩（Micedi，Lane）将薪酬满意度定义为：

“薪酬满意度是个人

对于薪酬（pay）正向或负向的情感总和。

并把薪酬（pay）的概念扩展到包括工资（wages）和薪给

（salaries）以及福利（benefits）。

综合以上关于薪酬满意度的定义，本研究采用修正后的米斯

迪和莱恩（Micodi，Lane，1991）薪酬满意度定义：

“薪酬满意度是个人对于薪酬（涵盖外在

薪酬和在薪酬的多个方面）的正向或负向的情感总和。

三 贝叶斯网络的构建

一般情况下，有三种不同的方式来构造贝叶斯网：

1.由领域专家确定贝叶斯网络的变

量（有时也成为影响因子）节点，然后通过专家的知识来确定贝叶斯网络的结构，并指定

它的分布参数。

这种方式构造的贝叶斯网完全在专家的指导下进行，由于人类获得知识的

有限性，导致构建的网络与实践中积累下的数据具有很大的偏差；2.由领域专家确定贝叶

斯网络的节点，通过大量的训练数据，来学习贝叶斯网的结构和参数。

这种方式完全是一

种数据驱动的方法，具有很强的适应性。

而且随着人工智能、数据挖掘和机器学习的不断

发展，使得这种方法成为可能。

如何从数据中学习贝叶斯网的结构和参数，已经成为贝叶

斯网络研究的热点。

3.由领域专家确定贝叶斯网络的节点，通过专家的知识来指定网络的

结构，而通过机器学习的方法从数据中学习网络的参数。

这种方式实际上是前两种方式的

折中，当领域中变量之间的关系较明显的情况下，这种方法能大大提高学习的效率。

综上我们可以看出，在由领域专家确定贝叶斯网络的节点后，构造贝叶斯网的主要任

务就是学习它的结构和参数。

很显然，学习结构和参数不是完全独立的：

一方面节点的条

件概率很大程度上依赖于网络的拓扑结构；另一方面，网络的拓扑结构直接由联合概率分

布的函数来决定。

然而，一般情况下，我们还是把这两个方面分开来进行。

这是因为，带

有太多连接的复杂网络结构所需观测的参数较多，而为使获得这些参数达到某种信任程度

所需的数据量随着参数数目的增加而迅速增长，并且复杂的结构需要太大的存储空间及冗

长繁琐的计算过程才能产生预测和解释。

因此，为使贝叶斯网作为知识模型是可用的，在

学习过程中致力于寻找一种最简单的网络结构是非常必要的，这种简单的结构模型称之为

稀疏网络，它含有最少可能的参数及最少可能的依赖关系。

（一）模型假设

Heneman 和 Schwab 认为，薪酬满意度包括薪酬水平满意度、薪酬提升满意度、薪酬

结构满意度和福利满意度四个维度。

威廉姆斯等（2008）的研究发现薪酬满意度包括薪资

和福利，福利满意度包括三个维度：

福利水平满意度、福利决定满意度、福利管理满意度、

薪资类包括四个维度：

薪资水平满意度、薪资结构满意度、薪资提升满意度、变动薪资满

意度。

本文对 Heneman 和 Schwab 的观点进行了修改，将薪酬提升满意度归结到在薪酬

满意度中，对于薪酬满意度的考察从以下四个维度进行：

薪酬水平满意度、福利水平满意

度、薪酬结构满意度和在薪酬满意度。

其中，薪酬水平满意度包含三个维度：

个人薪酬

水平、公司薪酬水平、行业薪酬水平，将福利满意度分为两个维度：

福利水平和福利管理，

将薪酬结构满意度分成两个维度：

风险倾向和企业文化，将在薪酬满意度分成三个维度：

决策自由度、工作挑战性、工作丰富性、职业发展前景。

（二）网络节点的选取

结合 Heneman、Schwab、叶广峰、海法（2010）等人的研究，本文选取的薪酬影响

因素包括：

个人薪酬水平（Personal compensation degree, PC）、公司薪酬水平（Company

compensation degree, CC）、行业薪酬水平（Vocation compensation degree , VC）、薪酬水平

满意度（Degreeofsatisfaction,DS）；福利水平（Benefitlevel,BL）、福利管理（Benefit

management , BM）、福利满意度（Degree of satisfaction of benefit level, DB）；企业文化

（Enterpriseculture,EC）、风险倾向（Riskpropensity,RP）、薪酬结构满意度（Degreeof

satisfaction of compensation structure, DC）；决策自由度（Degree of freedom of decision, DF）、

工作挑战性（Work challenging, WC）、工作丰富性（Work richness, WR）、职业的发展前景

（career development, CD）、在薪酬满意度（Degree of satisfaction of internal pay, DI）、薪酬满

意度（Compensation satisfaction,CS）。

这些因素综合决定了薪酬满意度。

（三） 网络拓扑结构的确定

对于 n 个变量的数据样本,可能组成的网络结构有 n!

种,要对每种网络结构进行计算是

不可能的,那么就需要选择一个合适的网络结构。

贝叶斯网络利用独立因果影响关系解决了

这个难题。

贝叶斯网络中三种独立关系：

条件独立、上下文独立及因果影响独立。

三种独

立关系旨在把联合概率分布分解成更小的因式，从而达到节省存储空间、简化知识获取和

领域建模过程、降低推理过程中计算复杂性的目的，因此可以说独立关系是贝叶斯网络的

灵魂。

贝叶斯网络结构的构建方法前面已经介绍过，本文采用的方法是：

由领域专家确定

贝叶斯网络的变量节点，然后通过专家知识来确定贝叶斯网络的结构。

这种方法的优点是：

它提供了一种自然地表示因果信息的方法，即将一个节点的父节点理解为该节点的直接原

因。

得出的结构模型如下图所示：

表 3-1 薪酬满意度网络结构图

Table3-1 The BN structure of compensation satisfaction

个人

薪酬

水平

公司

薪酬

水平

行业

薪酬

水平

福

利

水

福

利

管

风

险

倾

企

业

文

决策

自由

度

工作

挑战

性

工作

丰富

性

职业

发展

前景

平

理

向

化

薪酬水

平满意

度

福利满

意度

薪酬结

构满意

度

在薪

酬满意

度

薪酬满意度

（四）节点状态的确定

个人薪酬水平

高/低

公司薪酬水平

高/低

行业薪酬水平

高/低

薪酬水平满意度

满意/不满意

福利水平

高/低

福利管理

满意/不满意

福利满意度

满意/不满意

企业文化

竞争型/中庸型

风险倾向

风险/风险规避

薪酬结构满意度

满意/不满意

决策自由度

满意/不满意

工作挑战性

满意/不满意

工作丰富性

满意/不满意

职业发展前景

满意/不满意

在薪酬满意度

满意/不满意

薪酬满意度

满意/不满意

确定了网络的拓扑结构后，接下来要为每个节点确定有几种状态。

节点状态的确定可

以由专家根据经验知识获得，也可以根据节点数据本身的特点进行分析。

本文采用专家知

识，对每个节点规定状态如下：

表 3-2 节点状态

（五）贝叶斯网络学习

贝叶斯网络的参数学习实质上是在已知网络结构的条件下，来学习每个节点的概率分

布表。

早期贝叶斯网的概率分布表是由专家知识指定的，然而这种仅凭专家经验指定的方

法，往往与观测数据产生较大的偏差。

当前比较流行的方法是从数据中学习这些参数的概

率分布，这种数据驱动的学习方法具有很强的适应性。

数据指的是领域变量的一组观测值：

xiii

D = { 1, x2 ,..., xn}， xi = （x1 , x2 ,..., xm ）

根据数据的观测状况，可分为完备数据集和不完备数据集。

完备数据集中的每个实例，

都具有完整的观测数据，不完备数据集是指对某个实例的观测有部分缺值或观测异常的情

况。

对不完备数据的学习，一般要借助于近似的方法，如 Monte-Carlo 方法，Gaussian 逼

近，以及 EM（期望-极大化）算法求 ML（极大似然）或 MAP（最大后验概率）等。

尽管

有成熟的算法，但其计算开销是比较大的。

（六）贝叶斯网络推理

1.因果推理

经过训练后的贝叶斯网络可以利用概率传播来进行因果推理。

例如：

用 P（DS）表示事件

薪酬水平满意度为满意的概率。

在已知个人薪酬水平（PC）公司薪酬水平（CC）行业薪酬水平

（VC）的节点状态时，P（DS）的概率为：

P（DS ） = P（DS PC, CC,VC） + P（DS PC, CC,VC） + P（DS PC, CC,VC） + P（DS PC, CC,VC）

+P（DS PC, CC,VC） + P（DS PC, CC,VC） + P（DS PC, CC,VC） + P（DS PC, CC,VC）

同样的，其他节点的概率推理过程类似，在已知父节点的状态时可以推算出子节点状态的

概率。

2.诊断推理

诊断推理即在已知子节点状态推知其父节点状态概率的过程。

即所谓的执果寻因。

例

如：

用 P（BL DB） 表示在福利满意度为满意的情况下，福利水平满意度为满意的概率。

则：

P（BL, DB）

P（DB）

P（BL） * P（DB BL）

P（DB BL, BM ） + P（DB BL, BM ） + P（DB BL, BM ） + P（DB BL, BM ）

同样的，其他节点的概率推理过程类似，在已知子节点的状态时可以倒推出父节点状态的

概率。

四 实证研究

（一）条件概率学习

本文以 S 公司为例，由 30 位专家对其薪酬满意度进行评价，1 代表高、满意或者竞争

型和风险；2 代表低、不满意或者中庸型和风险规避。

其评价结果如下表：

表 4-1 专家评价意见

Table 4-1 Expert opinion

PC

CC

VC

BL

BM

RP

EC

DF

WC

WR

CD

DS

DB

DC

DI

CS

1

1

2

1

2

1

1

2

1

2

1

1

2

1

2

2

1

1

1

2

2

1

1

1

2

2

2

1

2

1

2

1

2

1

2

1

1

2

2

1

1

2

1

1

1

1

1

1

1

1

2

1

2

1

1

1

2

1

1

1

1

2

1

1

1

1

1

2

1

2

2

1

1

1

1

2

2

2

1

2

1

1

1

1

1

1

1

1

1

1

2

1

1

1

2

1

1

1

2

1

2

2

1

1

2

1

1

1

2

2

1

1

1

2

1

1

1

2

1

2

1

2

2

2

1

2

2

2

1

1

2

1

1

2

2

2

2

2

2

1

1

1

1

1

1

1

1

1

2

1

2

2

1

2

2

1

1

2

2

1

1

1

1

1

2

2

1

1

1

1

1

1

1

1

1

1

2

1

1

2

2

1

1

1

1

2

2

2

2

1

2

2

2

1

2

2

1

1

2

2

2

2

1

1

1

1

2

1

1

1

1

1

2

2

1

1

1

1

2

1

1

1

1

1

1

1

2

1

1

1

1

1

1

2

2

2

1

1

2

2

2

1

1

2

2

1

2

2

1

2

1

2

2

1

1

1

1

1

1

1

1

2

1

1

2

1

1

1

1

1

2

1

1

1

1

1

2

1

1

2

2

2

2

1

1

1

2

1

1

2

2

2

2

1

2

1

1

1

2

2

1

1

1

2

1

1

1

1

1

2

1

2

2

2

1

1

1

2

1

2

2

1

2

1

2

1

1

1

1

2

2

1

1

1

1

1

1

1

2

1

1

1

1

1

1

2

1

1

1

1

2

1

1

1

1

2

2

1

1

2

2

1

2

1

2

1

1

1

1

1

2

2

1

2

2

1

1

2

1

2

2

1

1

2

1

2

1

1

2

1

1

2

1

2

2

1

1

2

1

1

2

1

1

1

1

2

1

1

2

1

1

2

1

1

1

1

1

1

1

2

1

1

2

2

1

2

1

1

1

2

1

1

1

1

1

1

1

1

1

2

1

1

2

1

2

1

2

1

1

1

2

1

2

2

1

2

2

2

1

1

1

1

2

1

1

1

1

1

1

1

1

1

2

1

2

1

1

1

2

2

条件概率可以由下式求出：

 p（ y xi ,θ ） = Dir（αi1 + ni1,αi2 + ni2 ,...,αik + nik ）

这里 y 有 k 个取值， xi 为 x 的第 i 个取值，αij 为先验信息， nij 为数据 D 的观测值。

当子节点含有多个父节点时，用θijk 表示 πi =j 时， xi =k 的条件概率， r 表示变量 xi 的取值

个数， qi = ∏ r 表示所有父节点的状态总数，那么在参数独立性的假定下，每个变量

xi∈πi

α-1

k

在数据集 D 下的后验分布仍为 Dirichlet 分布：

k

n +αijk -1

所以可用下式来计算条件概率：

θijk =

αijk + nijk

αij + nij

（αij =

∑α

ijk

 nij = ∑ nijk ）

选择前 28 组数据对先验概率进行修正，得出后验概率，选择第 29 组数据用来验证因果推

理，选择第 30 组数据用来验证诊断推理。

得到的 CPT 表为：

薪酬水平满意度的 CPT 表为：

PC

CC

VC

P（DS=1/PC,CC,VC）

P（DS=2/PC,CC,VC）

1

1

1

0.92

0.08

1

1

2

0.71

0.29

1

2

1

0.67

0.33

1

2

2

0.42

0.58

2

1

1

0.38

0.62

2

1

2

0.33

0.67

2

2

1

0.34

0.66

2

2

2

0.02

0.98

BL

BM

P（DB=1/BL,BM）

P（DB=2/BL,BM）

1

1

0.85

0.15

1

2

0.7

0.3

2

1

0.43

0.57

2

2

0.1

0.9

RP

EC

P（DC=1/RP,EC）

P（DC=2/RP,EC）

1

1

0.85

0.15

1

2

0.68

0.32

2

1

0.5

0.5

2

2

0.87

0.13

表 4-2 薪酬水平满意度 CPT

Table 4-2 CPT of the degree of satisfaction of salary level

表 4-3 福利满意度 CPT

Table 4-3 CPT of degree of benefit level

薪酬结构满意度的 CPT 表为：

表 4-4 薪酬结构满意度 CPT

Table 4-4 CPT of degree of satisfaction of compensation structure

内在薪酬满意度的 CPT 表为：

表 4-5 在薪酬满意度 CPT

Table 4-5 CPT of degree of satisfaction of internal pay

DF

WC

WR

CD

P（DI=1/DF,WC,WR,CD）

P（DI=2/DF,WC,WR,CD）

1

1

1

1

0.87

0.13

1

1

1

2

0.52

0.48

1

1

2

1

0.62

0.38

1

1

2

2

0.43

0.57

1

2

1

1

0.72

0.28

1

2

1

2

0.43

0.57

1

2

2

1

0.72

0.28

1

2

2

2

0.23

0.77

2

1

1

1

0.74

0.26

2