中层管理人员评议模型的实证分析.docxVIP

中层管理人员评议模型的实证分析 摘要：设计中层管理人员素质评价模型，甄选了13项考评指标对对国有企业中层管理人员进行测评，根据模拟的打分，以多元统计分析原理为依据，使用SPSS软件，运用聚类分析、因子分析做出综合评价，得出中层管理人员的分类和综合排序情况，为企业高层和人事部门考核、选拔、任用中层管理人员提供科学的测评依据。 下载 关键词：聚类分析；因子分析；综合评价 中图分类号：F272.92 文献标识码：A 文章编号：1001-828X（2012）03-00-02 一、前言 在企业中层管理人员素质综合评价过程中，经常被采用的传统方法是设计评价指标模型确定各级指标的权重，然后组织群众打分，根据指标评分，结合权重计算总分。这种方法把主观评价转化为以量化为主的客观评价，使评价方法直观化，但是此法在确定各级指标的重要程度时本身就包含很大的主观性，致使最终评价结果具有很浓的主观色彩。 本文使用因子分析法，辅助聚类分析，利用专业化的统计分析软件SPSS，做降维处理得出因子，经因子旋转，得出因子载荷贡献率，以因子贡献率为权重计算综合得分，从而得出客观评价。 本文的目的在于注重客观评价，为各类中层管理人员的评价考核摸索一套更科学、更可行的新方法。这套评价指标体系和方法也可以应用于专业技术人员或职位竞聘上岗的测评上。 二、国有企业中层管理人员素质综合评价指标体系的建立 考核指标包括政治品质、组织纪律、团队精神、业务水平、管理能力、主动性、出勤率、协调能力、知识更新、目标业绩、精神面貌、工作效率、廉洁奉公共13项，能够全面涵盖“德”、“能”、“勤”、“绩”、“廉”等方面。 发放问卷调查，组织相关人员进行打分，取平均得分作为最终得分。 假设被考核中层管理人员为20人，获得了最终指标得分数据(见表1)。 三、聚类分析 使用SPSS统计分析软件，个案和个案之间距离测度的方法采用平方欧式距离，个案和类以及类与类之间距离采用离差平方和法测定。得到聚类分析冰挂图(图1)。 图1 聚类分析的冰挂图 第一类：P1、P18、P10、P19、P2、P4、P8、P7、P12； 第二类：P3、P5、P9、P6、P17、P13、P20、P16； 第三类：P11、P15、P14。 聚类分析完结，下面主要进行因子分析。若两者结果相互映照，能增加结论的可信度。 四、因子分析 1.提取因子 因子提取方法采用主成分分析法，因子旋转采用发差最大正交旋转法，得到因子贡献率(见表2)。 表2 提取的共因子信息 表2显示，当提取3个因子时，累计贡献率达到91.85%，表示这三个因子能够概括全部13个变量信息的91.85%的信息，解释效果很好。旋转后的因子，是我们要用到的最终解，因子旋转后，累计贡献率没有变，但重新分配各个因子解释员变量的权重，使因子更容易解释和命名。 2.旋转后的因子载荷 表3 旋转后的因子载荷矩阵 表3所示是旋转后的因子载荷矩阵。利用该矩阵，可以帮助我们很好的解释因子含义，为因子命名做合理分析。 第一个因子和知识更新、业务水平、管理能力、协调能力、目标业绩这五项指标的相关性很高，这些指标反映“能”和“绩”。 第二个因子和出勤率、主动性的相关性最高，和精神面貌、工作效率的相关程度较高，能反映中层管理人员“勤”的方面。 第三个因子和廉洁奉公、政治品质的相关性最高，在组织纪律和团队精神的相关性也较高，反映中层管理人员的“廉”和“德”。 3.得分排序 各个因子得分方法采用回归法，先得到因子得分，再以表2中旋转后的因子贡献率为权重，计算个案综合得分，公式为： 综合得分=37.07%fac1+31.71%fac2+23.07%fac3，计算得分后，排名结果见表4。 表4 中层管理人员综合排名及各因子排名 五、结论 比较因子分析和聚类分析的结果，可以发现，中层管理人员综合排名情况与中层管理人员的聚类结果高度吻合。第一类共9人，其中7人属因子得分排名前7位的；第二类属于排名中等的；最后3名属于第三类。 三个因子的排序能反映出中层管理人员在各个因子方面能力的强弱。 例如，排在第一名的P19，“能”、“绩”能力突出，“勤”方面也较好，“廉” 和“德”表现一般。对照表1，此人在知识更新、业务水平、管理能力、协调能力、目标业绩这五项指标的得分很高；在出勤率、主动性、精神面貌、工作效率上的得分也不错；廉洁奉公、政治品质、组织纪律和团队精神方面的表现一般。 还有P9，能绩因子和廉德因子排名第二，勤因子却是最后，这名中层管理人员的特点是在出勤率、主动性、精神面貌、工作效率上的表现差，依此思路，还可以分析其他管理人员。 参考文献： 李子奈,叶阿忠.高等计量经济学M.北京:清华大学出版社,2000. 张红兵,贾来喜,李潞.SPSS宝典M.北京:电子工业出版社,2008. 何晓群.多元统计分析M.北京:中国人民大学出版社,2004 赵涛,张爱国.基于因子分