企业工资制度合理性问题 数学建模练习doc.docx

1、企业工资制度合理性问题 数学建模练习doc企业工资制度合理性问题摘要本文围绕企业工资制度的合理性问题进行分析，我们以神经网络模型、BP算法、层次属性模型为基础，科学合理地分析了该企业员工工资与可控因素的关系，并进一步分析了女工的待遇问题。在问题一中，我们通过建立神经网络模型来确定日平均工资与各因素的相关程度：我们以工龄、性别、受教育状况等7个相关因素作为输入神经节点，以日平均工资为输出节点，通过神经网络BP算法求解得出各相关因素对日平均工资影响的相关权重，其中工龄与日平均工资的关系尤为密切。在问题二中，为了合理确定性别及婚姻状况对女性员工工资的影响，我们分别从性别和婚姻状况这两个单因素去分析其

2、对日平均工资的影响。我们通过建立属性层次模型来求解性别和婚姻状况对日工资的影响权重。我们在7个相关因素中除去性别和婚姻状况两个因素建立层次模型。模型分为三层：一、性别对收入的影响模型结构：最高层为男女对工资影响的综合评价层，记为J；中间层为工资因素层，包含5个因素：B工龄、D受教育状况、E工作部门性质、F培训情况、G一线工作；最底层为对象层，即:男（记为M），女（记为W）通过求解最后得出合成属性权为：由此可以看出男性与女性在工资待遇上是不完全平等的，有一定的性别歧视在里面。二、婚姻状况对收入的影响模型结构：以是否结婚作为决策对象，我们主要从根据题目中所给婚姻状态以外其他因素进行考虑。建立层次结

3、构，模型分为三层：最高层为女性是否结婚对工资影响的综合评价层，记为J；中间层为工资因素层，包含5个因素：B工龄、D受教育状况、E工作部门性质、F培训情况、G一线工作；最底层为对象层，即: 女性未婚（N），女性已婚（记为Y）通过求解最后得出合成属性权为：由此看出婚姻状况对女性收入有影响，未婚女性的工资明显高于已婚女性。在问题三中，我们通过神经网络模型与层次分析法相结合，通过反复改变网络参数使误差尽可能小。关键词：神经网络模型 BP算法 属性层次模型 属性判断矩阵 1. 问题重述在企业人力资源部门各项管理活动中，职工工资可以说是人们最为关切、议论最多的部分，因此也常常是最受重视的部分。一般说来，现

4、代企业的工资具有补偿职能、激励职能、调节职能、效益职能。科学合理的工资制度，是激励职工的劳动积极性，提高劳动效率的重要手段，正确运用工资的杠杆作用在调动员工积极性方面会起到事半功倍的效果。此外，对于企业中的各种不同的“特殊职务族”，是否要制定和执行专门的倾斜与优惠政策，如对管理干部、高级专家、女工等，也是需要重点考虑的问题。某大型企业人力资源部门为了分析现行员工工资与其性别、受教育程度、培训情况等因素之间的关系，评估现行工作制度的合理性，特别是考察女工是否受到不公正待遇，以及她们的婚姻状况是否影响其收入等情况，从员工数据库中随机抽取了90名员工的信息（附件Bdata.xls）进行分析。具体考察

5、指标有平均日工资（元/天）、性别、工龄、婚姻状况、受教育状况、工作部门性质、培训情况（0表示未受过培训，1表示受过培训）、一线工作情况（0表示两年以上未从事一线工作；1表示其它情况）等。请建立适当的数学模型研究下列问题：（1）分析平均日工资与其他因素之间的关系，尤其需要说明与哪些因素关系密切；（2）考察女工是否受到不公正待遇，以及她们的婚姻状况是否影响其收入；（3）继续改进你的模型，并给出模型误差分析。2.模型的假设与符号说明2.1模型的假设 假设1：政府政策方针与企业的人力资源规划在一定时期内保持不变假设2：假设员工收入仅与题中所给因素有关，不受其它因素影响假设3：员工的待遇仅由收入这一单方

6、面来考虑，不考虑其它各种福利假设4：题中所提供数据真实可靠2.2符号说明A性别B工龄C婚姻状况D受教育状况E工作部门性质F培训情况G一线工作情况Y日平均工资相对属性测度相对属性权向量3.问题分析由题意可知，问题一中要求我们分析平均日工资与所给因素之间的关系，尤其要分析出与哪些因素关系更加密切。平均日工资=性别、工龄、学历、工作岗位等因素的函数关系。我们采用神经网络BP算法来建立日平均工资的神经网络模型，以各影响因素作为输入变量，来分析各个对日平均工资有影响的非线性因素。通过求解得出各因素对日平均工资的相关权重，从而确立哪些因素对日平均工资影响更加密切。在问题二中，要分析女性是否受到不公平待遇，

7、及其婚姻状况对其收入的影响。我们分别从性别和婚姻状况这两个单因素去分析其对日平均工资的影响。我们建立属性层次模型，分别求解性别和婚姻状况对日平均工资的影响权重。在问题三中，由于神经网络模型的求解结果在很大程度上由选择的参数决定，所以我们可以通过将其与层次分析法相结合，构成检验模型。通过反复调整参数使误差尽可能减小。4.模型的建立与求解问题一：分析平均日工资与其他因素之间的关系4.1.1模型的分析建立4.1.1.1、日平均工资的相关因素由题可知，日平均工资与性别、工龄、婚姻状况、受教育状况、工作部门性质、培训情况、一线工作情况等因素有关。我们可用公式表示为：4.1.1.2、BP算法的介绍神经网络

8、模型通常由输入层、输出层、和若干隐含层组成，每层包含有多个神经元，各层之间以权值相连。在图1中，假定输入层、隐含层和输出层的神经元分别是N、M和K，是网络的输入层；是网络的隐含层；是神经网络输出层的实际输入值，输入神经元到隐含层神经元j的权值为，而隐含神经元j到输出神经元K的权值为，另外用分别表示隐含层和输出层神经元的阈值，则三层BP网络的数学模型可用下列数学公式表示：隐含层个神经元的输出为：输出层各神经元的输出为：其中激活函数为：4.1.1.3 日平均工资的神经网络模型的建立根据神经网络BP算法的介绍，再结合日平均工资水平的相关因素，运用神经网络BP算法我们可以建立一个日平均工资的神经网络模

9、型。其结构如下： 输入部分:影响日平均工资的各个相关因素指标。采用本文分析的7个相关因素作为输入神经节点。 输出部分:该神经网络的输出节点为职工日平均工资Y。 隐含层为减少运算次数，加快收敛速度，避免局部极小化及其他神经网络中的弊病，结构中采用两个隐层，我们发现当采用7个输入因素和1个输出因素时，最合理的隐层层次中包含的节点数分别应为4和2。4.1.2模型的求解 我们把建立好的日平均工资神经网络模型和附录中的数据输入计算机，借助MATLAB的神经网络工具箱，通过MATLAB编程（程序见附录一），对整个神经网络模型进行运算得到各个输人节点在整个模型中的权重：编号名称权重A性别0.0069 B工龄

10、0.9685C婚姻状况0.0089D受教育状况0.0063E工作部门性质0.0068F培训情况0.0013G一线工作0.0012 从上面运算分析得到的各个输入节点在整个模型中的权重，可以很直观、明了的看出各因素的相关权重，其比重从大到小排列分别为： 通过对权重分析，我们可以发现其中工龄、婚姻状况、性别、工作部门性质、受教育状况这5个因素对日平均工资的影响相对较大，比较密切。其中工龄的影响尤为显著，是对日平均工资影响最密切的关系。问题二： 4.2.1考察女工是否受到不公正待遇 此问首先要求我们考察女工是否受到不公正待遇，为此我们建立男女平均日工资属性层次结构，即转化为一个男女决策问题，用属性层次

11、模型（Attribute Hierarchical Mode,简称AHM）来求解分析性别对日工资的影响权重。（1）层次分析法的相关介绍：属性层次模型是球赛模型：设元素为n支球队，每两支球队进行1场比赛，每场比赛总得分为1分。和比赛(ij)，得分， 和比赛(ij)，得分。所以满足： （1）称为相对属性测度，矩阵()称为属性判断矩阵。由模型的定义知的总得分为： （2）由(1)(2)可得： （3）记：称为相对属性权向量 （4）元素的相对属性测度和属性权 在AHM中，属性判断矩阵()的元素可由AHP的比例标度转换得到: 其中k为大于1的正整数， 常可取1或2。（2）模型建立影响工资的因素很多，除去性别

12、因素和以未婚因素，我们主要从根据题目中所给其他因素进行考虑。建立层次结构，模型分为三层：最高层为男女对工资影响的综合评价层，记为J；中间层为工资因素层，包含5个因素：B工龄、D受教育状况、E工作部门性质、F培训情况、G一线工作；最底层为对象层，即:男（记为M），女（记为W）。层次结构模型图为：JBDEFGMW（3）模型的求解 在除去性别因素后，用第一问模型所采用的BP算法算得其余因素对平均日工资影响的重要性判别矩阵：平均日工资BDEFGB1153.5141.4767.6826.6D0.006510.955.4E0.00711.115.45.85F0.00130.20.18511.08G0.00

13、120.1850.170.931利用公式(1)(4)和判别矩阵,可得AHM属性判断矩阵和相对属性权WJ平均日工资BDEFGWJB00.99350.99300.99870.99880.3984D0.006500.47370.83330.84370.2157E0.00700.526300.84370.85400.2231F0.00130.16670.156300.51920.0844G0.00120.15630.14600.480800.0784计算男女对平均日工资影响的合成权重，对此我们用第一问的模型所采用的BP算法分别对男性和女性工资进行分析求解，分别求出男性和女性工资里其他各因素之间的权重矩

14、阵：平均日工资BDEFGM0.98260.00710.00710.00110.0020W0.98300.00690.00750.00150.0011据上表可分别求出男女工资与各因素之间的属性判断矩阵和相对属性权：BMWWBM00.49990.4999W0.500100.5001DMWWDM00.50710.5071W0.492800.4928EMWWEM00.48630.4863W0.513700.5137FMWWFM00.42310.4231W0.576900.5769GMWWGM00.64520.6452W0.354800.3548最后的合成属性权为:L=(WB,WD,WE,WF,WG)*

15、WJ用MATLAB求解得到由此可以看出男性与女性在工资待遇上不是完全平等的，有一定的性别歧视在里面。4.2.1分析婚姻状况是否影响其收入同样运用属性层次分析法来进行分析：（1）建立属性层次模型以是否结婚作为决策对象，我们主要从根据题目中所给婚姻状态以外其他因素进行考虑。建立层次结构，模型分为三层：最高层为女性是否结婚对工资影响的综合评价层，记为J；中间层为工资因素层，包含5个因素：B工龄、D受教育状况、E工作部门性质、F培训情况、G一线工作；最底层为对象层，即: 女性未婚（N），女性已婚（记为Y）。层次结构模型图为：JBDEFGNY（2）模型的求解在除去性别以及婚姻因素后，用第一问模型所采用的

16、BP算法算得其余因素对平均日工资影响的重要性判别矩阵：平均日工资BDEFGB1141.65130.46677.09902.8D0.007110.9214.786.373E0.00771.085815.196.92F0.00150.20920.192711.333G0.00110.15690.14450.75021利用公式(1)(4)和判别矩阵,可得AHM属性判断矩阵和相对属性权WJ平均日工资BDEFGWJB00.99300.99240.99850.99890.3983D0.007000.47940.82700.86440.2178E0.00760.520600.83840.87370.2240

17、F0.00150.17300.161600.57140.0908G0.00110.13560.12630.428600.0692计算未婚和已婚女性对平均日工资影响的合成权重，对此我们用第一问的模型所采用的BP算法分别对未婚和已婚女性工资进行分别求解，分别求出未婚和已婚女性工资里其他各因素之间的权重矩阵：平均日工资BDEFGN0.98430.00680.00690.00070.0013Y0.98070.00720.00850.00280.0008据上表可分别求出未婚和已婚女性工资与各因素之间的属性判断矩阵和相对属性权：BNYWBN00.50090.5009Y0.499100.4991DMWWDM

18、00.48570.4857W0.514300.5143EMWWEM00.44810.4481W0.551900.5519FMWWFM00.20.2W0.800.8GMWWGM00.61900.6190W0.38100.3810最后的合成属性权为:L=(WB,WD,WE,WF,WG)*WJ用MATLAB求解得到由此可以看出未婚和已婚女性在工资待遇上不是完全平等的，未婚女性的工资明显高于已婚女性。问题三： 4.3.1 模型一的改进及误差分析 （1）对于问题一所建立的神经网络模型，虽然可通过多次训练，使误差逐渐降低，然而神经网络模型所求的结果，却很大程度上由选择的参数决定，例如建立基层结构，每层结构

19、的节点数，以及网络的学习速度，激励函数等。所以可以在本模型的基础上，再经过层次分析法对结果予以验证，如果结果与实际不相符，可通过反复改变网络的参数，对网络予以更多的训练以求得到更好误差更小的模型。 （2）据模型一所求的结果，可知所求结果与我们实际生活中的情况有些悖逆，如受教育的权重小于工作部门性质的权重等。这可能是所给数据本身存在着不准确性或者是模型初始的参数的选择的不准确性所致。4.3.2 模型二的改进及误差分析 （1）对于问题二所建立的层次分析模型，所给重要性判别矩阵的数据依赖于第一问所建立的模型的准确性。所以只有保证第一问所建立模型正确的前提下才能保证问题二所求结果的正确性。所以，应该建

20、立一个脱离模型一所求结果的模型，如：改用专家打分等方式来代替模型一所求结果，并且对所建立层次分析模型在求得结果后仍然应该进行一致性检验，以保证此模型求解的正确。 （2）据模型二所求得的结果可知，虽然所求得结果反映了一定的事实，但据对实验数据的观测分析，女性的工资是明显低于男性的，并且未婚女性的工资平均水平上要较高于已婚女性，但所求得的结果虽然得到了男性工资高于女性的工资但权重都非常接近，并且未婚女性的工资要较低于已婚女性，这是始料未及的事情。所以出现此类情况可能是在综合各类因素下的结果；也有可能所给数据本身存在着不准确性或者是模型一所求结果的不准确性所致。5、模型评价模型一所建立的神经网络模型

21、，虽然可通过多次训练，使误差逐渐降低，并且求解过程可借助于MATLAB神经网络工具箱，求解方便简单。然而神经网络模型所求的结果，却很大程度上由选择的参数决定，例如建立基层结构，每层结构的节点数，以及网络的学习速度，激励函数等，所以初始参数选择颇为关键，比较难处理。模型二所建立的层次分析模型，模型简单明了直观，并且能比较正确地反映实际结果。但是所给重要性判别矩阵的数据依赖于第一问所建立的模型的准确性，所以只有保证第一问所建立模型正确的前提下才能保证问题二所求结果的正确性。6、参考文献【1】 姜启源，数学模型.高等教育出版社，2003【2】 范君晖， 吴忠， 李旭芳，基于粗糙集和神经网络的上海最低

22、工资标准研究，计算机工程与设计，第28卷第12期附录附录一：P=1 7 2 1 1 0 0数据省略2 464 1 2 2 0 1 ;T=33数据省略.91100;net = newlin(repmat(-1 1,7,1),1,0,0.1); net.IW1,1 = zeros(1,7); net.b1 = 0;net.inputWeights1,1.learnParam.lr = 0.1net.biases1.learnParam.lr = 0.1; net.trainParam.epochs = 1; net = train(net,P,T);net.IW1,1net.b1附录二工号日平均工

23、资 （元/天）性别工龄（月）女性婚姻状况受教育状况工作部门性质一线工作情况培训情况133女7已婚女性本科技术岗位00234男14男性本科技术岗位00334男18男性本科管理岗位00442女19未婚女性本科技术岗位00534女19未婚女性本科管理岗位00634女19已婚女性本科技术岗位00734女27已婚女性本科技术岗位10836女30已婚女性本科技术岗位00943男30男性本科技术岗位001040女30未婚女性本科技术岗位001145女31未婚女性硕士技术岗位011240女31已婚女性本科管理岗位001337女38已婚女性本科技术岗位001437女41未婚女性本科技术岗位001538女42已婚

24、女性本科技术岗位001642女42未婚女性本科管理岗位001738男42男性本科技术岗位001838女42已婚女性本科管理岗位001937女47已婚女性本科技术岗位102037女52已婚女性本科技术岗位102149女52未婚女性硕士技术岗位012239男54男性本科技术岗位002347女54已婚女性本科管理岗位002439女54已婚女性本科技术岗位002553男55男性硕士管理岗位012649女66已婚女性本科管理岗位002741男67男性本科管理岗位002841男67男性本科管理岗位002950女75未婚女性本科技术岗位003047女78未婚女性本科管理岗位003147女79未婚女性本科技术

25、岗位003245女91未婚女性本科管理岗位003345女92已婚女性本科技术岗位103444女94已婚女性本科管理岗位003560女103已婚女性硕士管理岗位013651女103已婚女性本科技术岗位003748女103未婚女性本科技术岗位003848女111未婚女性本科管理岗位003965男114男性博士管理岗位014074女114未婚女性博士管理岗位014161女114未婚女性博士管理岗位114247女117已婚女性本科技术岗位104368男139男性本科管理岗位004470女140已婚女性硕士管理岗位114575女154已婚女性硕士管理岗位114673女158未婚女性博士技术岗位1147100男159男性博士后管理岗位114857男162男性本科技术岗位004960女167未婚女性本科管理岗位005056女172已婚女性本科技术岗位105161女174已婚女性本科技术岗位105287男175男性