一种防短视行为创新人才薪酬结构设置方法与流程

本发明属于属于人力资源管理、创新人才管理、创新经济、企事业管理、薪酬管理、决策支持系统等应用领域；具体涉及一种针对不同创新需求类别(改进式、拓展式、变革式创新)相应人才薪酬结构优化设置的分析计算方法。

背景技术

2013年牛津大学johnthanassoulis博士在managementscience发表了关于管理人才薪酬结构的理论研究(thanassoulisj.industrystructure,executivepay,andshort-termism[j].managementscience,2013,59(2):402-419)，对企业高级管理人才的薪酬结构与努力成本、外部选择等的影响因素做了命题推理，推导了防短视行为及容忍短视行为条件下的薪酬结构，并确定了外部选择的上限值条件，及其它相关命题。

其中，thanassoulis(2013)设定努力成本因子λ应存在上限，以确保聘用人才努力执行，并设定其满足λ·u＜(χ+α+η)ρs；本发明发现这个约束条件过于松弛，不具有实际意义，理由是边际聘用效益一般远大于1，即而0＜χ，α，η＜1，使得该努力成本约束条件的上限一般远大于1，反而比0＜λ＜1更加松弛；因此，有必要进一步推导关于努力成本的约束条件；

另外，thanassoulis(2013)推导了防短视行为核心约束条件(χ-η)v/(1+r)≥αb；最优薪酬结构{f,b,v}与{μ,χ,α,η,λ,r}等模型变量的关系：

以及该薪酬结构下的公司利润函数z：

以上理论为防短视行为的薪酬结构研究奠立了定量分析的模型基础，但未完成对模型的可计算性发展；因此需要进一步转换模型，整合变量，引入有助于计算实现的约束条件，设计参数确定方法，实现模型的可计算特征。

目前国内创新经济驱动经济发展对创新人才需求的急迫性与广泛性，各个城市与地区的企事业单位灵活地采用薪酬激励措施，展开人才竞争，但目前创新人才薪酬激励机制中普遍存在着短期利益驱动、有损长远创新竞争力的短视行为；创新类别的多样性，也相应地对于薪酬结构产生了多样性需求。因此，对于多种创新类别所需人才的薪酬结构相应地进行优化，是需要解决的一个问题。

技术实现要素：

本发明旨在解决以上现有技术的问题。提出了一种防短视行为创新人才薪酬结构设置方法。本发明的技术方案如下：

一种防短视行为创新人才薪酬结构设置方法，其包括以下步骤：

首先，将企事业单位创新人才聘用需求分为三类，即改进式创新、拓展式创新、和变革式创新，依次简称“白天鹅”、“灰天鹅”、和“黑天鹅”；用固定薪酬系数fg、即时支付奖金系数bg、延迟支付奖金系数vg组成薪酬结构设置，其中f是固定薪酬，b是即时支付奖金，v是延迟支付奖金，u为外部选择，即该聘用需求的市场竞争价格；薪酬结构系数函数{fg,bg,vg}的表达式为：

其次，用最小化聘用成本的m1模型计算参数{μ、χ、α、η、λ}的参数灵敏度分析初始参照点，其中，μ：创新人才具有高实现能力的概率；χ：事件的成功概率；α：高实现能力人才的成功增量；η：事件后期成功的概率；λ：创新人才成功执行事件所需努力成本；r：创新人才对延迟支付奖金采用的折现率

分析薪酬结构对各参数的灵敏度；引入努力成本的约束条件和边际聘用效益变量，实现薪酬结构模型的可计算性转换，即将原有不可计算的薪酬结构通过收紧约束条件及引入创新人才的边际雇佣效益转化为可计算的薪酬结构；

再次，根据对事件成功概率χ、创新人才具高实现能力概率μ，以及边际雇用效益ρs/u的判断，以激励努力、防止急功近利有损长期目标的短视行为，最大化创新人才聘用功效为目标，采用m2模型计算三类创新人才的薪酬结构，作为薪酬谈判参照或薪酬结构优化调整依据。

进一步的，所述白天鹅”、“灰天鹅”、和“黑天鹅”定义如下：白天鹅＝{一般实现能力，事件成功概率较高，努力成本较低}，黑天鹅＝{高实现能力，事件成功概率较低，努力成本较高}，灰天鹅介于两者之间。

进一步的，所述用最小化聘用成本的m1模型计算未知参数初始参照点、分析薪酬结构对各参数的灵敏度，具体包括：

步骤一、按薪酬成本最低的部分理性假设，计算{μ、χ、α、η、λ}等参数的灵敏度分析初始参照点；

步骤二、从以上初始参照点出发，对{μ、χ、α、η、λ}参数集，依次进行灵敏度分析；

通过以上两个步骤的参数分析方法得出：固定薪酬系数fg的灵敏参数仅为努力成本λ,而对其它参数μ,χ,α，η不灵敏；即时支付奖金系数bg的灵敏参数集为{χ,α,η,λ}，而对μ不灵敏；延迟支付奖金系数vb的灵敏参数集为{χ,α,η,λ,r}，而对μ不灵敏。

进一步的，所述期望边际聘用效益引入的是表明对被聘用者的各阶段努力达成成功产生的效益与外部选择或该岗位市场价格比率的期望值，一般远大于1；其中ρ为事件成功的平均资源回报率，s为该创新事件可用平均资源量，u为外部选择，即该聘用需求的市场竞争价格；

进一步的，所述引入努力成本的约束条件χ：事件的成功概率；α：高实现能力人才的成功增量；r：创新人才对延迟支付奖金采用的折现率，μ：创新人才具有高实现能力的概率，即当努力成本超过此上限值时，创新人才就不会选择努力，创新事件则不会成功。

进一步的，所述用最小化聘用成本的m1模型为：

防短视行为约束条件

进一步的，所述以激励努力、防止急功近利有损长期目标的短视行为，最大化创新人才聘用功效为目标，采用m2模型计算三类创新人才的薪酬结构具体为：

其中表示聘用效益与外部选择价格比，即聘用者放弃单位外部选择价格而产生的聘用效益，z表示防短视情况下企业出薪酬成本外的利润，u为创新人才所面临的外部选择。

进一步的，事件与人才的匹配计算，根据创新事件需求，设定预期边际聘用效益以及所需人才类别，并分别对以上创新类别特征变量的判断与评价；在此基础上应用m2模型计算用于匹配候选聘用人才的决策变量{α,η}，以此为依据，从候选人才中选出拟聘用人才；

采用以上步骤确定事件与拟聘用人才匹配后的参数与变量值，应用薪酬结构系数函数，计算各类人才最优薪酬结构{fg,bg,vg}。

本发明的优点及有益效果如下：

1)本发明为创新人才人力资源管理，提出了防短视行为(即为短期利益驱动而损害创新事件长远目标的急功近利行为)薪酬机构设置计算方法；该方法为提高创新竞争力，提供了具体的决策支持方法；

2)实现了薪酬结构理论模型的可计算性转换，包括推导收敛的努力成本约束命题、边际聘用效益、薪酬结构系数函数转换等操作；

3)将创新类别划分为白、灰、黑天鹅(即改进式、拓展式、变革式创新)类别，并应用该类创新所需要的高实现能力概率、事件成功概率、努力成本，进行量化描述；

4)较巧妙地应用了最小化聘用成本的局部理性，计算参数灵敏度分析的初始参照点，进一步进行参数的灵敏度分析；

5)又应用最大化聘用效益和以上参数的估计，计算出需要匹配的决策变量，并进一步选择候选人才，根据完整参数的估计值，计算相应薪酬结构。

经过谨慎尽可能穷尽的相关技术文献检索，以上技术方案的创新点，独到地解决了防短视行为创新人才薪酬结构设置计算问题，是创新人力资源管理的有效方法，对于企业创新竞争力提升具有重要应用价值。

附图说明

图1是本发明提供优选实施例防短视行为创新人才薪酬结构设置方法示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本发明旨在解决针对改进式创新、拓展式创新、变革式创新等不同类别创新人才需求的防短视行为薪酬结构优化问题，将创新人才的薪酬结构优化设置转化为可以量化、计算的决策分析问题；为了解决这个计算问题，在thanassoulis(2013)理论模型的基础上，提出了含如下三个方法模块的技术方案：

模块一：薪酬结构模型的可计算性转换；

1)本发明引入作为期望边际聘用效益，表明对被聘用者的各阶段努力达成成功产生的效益与外部选择或该岗位市场价格比率的期望值，一般远大于1；其中ρ为事件成功的平均资源回报率，s为该创新事件可用平均资源量，u为外部选择，即该聘用需求的市场竞争价格；

2)针对thanassoulis(2013)薪酬结构理论模型关于努力成本约束条件因过于松弛而不能起到约束作用的问题，本发明提出了更加收紧的努力成本约束条件：即当努力成本超过此上限值时，创新人才就不会选择努力，创新事件则不会成功。

3)应用固定薪酬系数fg、即时支付奖金系数bg、延迟支付奖金系数vg组成薪酬结构设置{fg，bg，vg}，其中f是固定薪酬，u为外部选择，即该聘用需求的市场竞争价格，bg，vg类推。

经过以上三点处理，提出模型-1、模型-2分别应用于参数分析步骤、人才匹配和薪酬结构优化计算步骤。其中，

模型-1(m1)

求解参数灵敏度分析的初始参照点，以满足最小化聘用成本

防短视行为约束条件

模型-2(m2)

求解薪酬结构以最大化公司聘用效益

防短视行为约束条件：

根据参数判断、人才匹配决策变量结果，计算相应薪酬结构：

模块二：参数分析模块

本发明针对模型计算必要的参数估计问题，应用以下步骤进行了参数分析：

步骤一：应用模型-1，即薪酬结构优化关于聘用成本最小化的部分理性或片面理性，计算参数集[μ,χ,α,η,λ]灵敏度分析的初始参照点；

步骤二：以参照点为基准，分别以μ,χ,α,η,λ为自变量，{fg,bg,vg}为因变量，进行灵敏度分析；

通过上述步骤得出：

固定薪酬系数fg的灵敏参数仅为努力成本λ,而对其它参数μ,χ,α，η不灵敏；即时支付奖金系数bg的灵敏参数集为{χ,α,η,λ}，而对μ不灵敏；延迟支付奖金系数vb的灵敏参数集为{χ,α,η,λ,r}，而对μ不灵敏。其中，

μ：创新人才具有高实现能力的概率；

χ：事件的成功概率；

α：高实现能力人才的成功增量；

η：事件后期成功的概率；

λ：创新人才成功执行事件所需努力成本

r：创新人才对延迟支付奖金采用的折现率

模块三：创新人才薪酬结构计算模块

在前两个模块分析的基础上，本发明进一步将创新类别分为三类改进式创新——即白天鹅＝{μ较低，χ较高，λ较低}，革新式创新——即黑天鹅＝{μ较高，χ较低，λ较高}，拓展式创新——即灰天鹅，介于两者之间；

步骤一：事件与人才的匹配计算。根据创新事件需求，设定预期边际聘用效益以及所需人才类别，并分别对以上创新类别特征变量的判断与评价；在此基础上应用模型-2计算用于匹配候选聘用人才的决策变量{α,η}(能力增量，短视行为后期成功概率)，以此为依据，从候选人才中选出拟聘用人才；

步骤二：采用以上步骤确定事件与拟聘用人才匹配后的参数与变量值，应用薪酬结构系数函数，计算各类人才最优薪酬结构{fg,bg,vg}。

一公司就一创新需求拟聘一位创新人才，现需要进行薪酬结构优化，以激励努力，防止短期利益驱动，成功执行该创新事件。

首先将创新人才薪酬结构优化系统描述如下：

1)公司对创新人才边际聘用效益的期望为其中，ρ为事件成功的平均资源回报率，s为该创新人才可用平均资源量，u为该人才面临的外部选择，即该聘用需求的市场竞争价格；

2)创新人才薪酬结构表示为{fg,bg,vg}，其中fg为固定薪酬系数、bg为即时支付奖金系数、vg为延迟支付奖金系数，f是固定薪酬价格，bg，vg类推；

3)创新人才的决策期分为短期和长期两个阶段，第一阶段为短期，用t＝1表示，第二阶段为长期，用t＝2表示。创新人才在第一阶段做出决策，在第一阶段结束时获得短期收益，然后在第二阶段结束时获得长期收益；

4)创新类别分为三类，分别式改进式创新——简称白天鹅＝{μ较低，χ较高，λ较低}，革新式创新——简称黑天鹅＝{μ较高，χ较低，λ较高}，拓展式创新——简称灰天鹅，介于两者之间；其中，μ为创新人才具有高实现能力的概率，χ为事件的成功概率，λ为创新人才成功执行事件所需努力成本；

基于以上系统描述，创新人才防短视行为薪酬结构设置方法，技术方案实施方式按三个功能模块共五个步骤进行，具体如下：

功能模块一：薪酬结构模型的可计算性转换。其中，作为步骤一提出了更加收紧的努力成本约束条件命题：即，

存在一个创新人才努力成本上限当努力成本超过此上限值时，创新人才就不会选择努力，创新事件则不会成功；

该命题表明创新人才是否努力执行的决定与事件成功概率χ、具有高实现能力的概率μ、高实现能力的成功增量α、以及延迟支付奖励的折现率r相关，而与外部选择u无关。

具体推导如下：

假设创新人才最低无损害努力时，无论聘用人才的实现能力高或低，则存在公司效益：

z＜2χρs(1)

根据thanassoulis(2013)，

λu＜(χ+α+η)ρs(3)

(2)代入(1)得：

(4)代入(3)得：

令

将a、b、c带入(5)式得

对上述不等式进行整理，得：

(2αμλb-ab)(χ+αλμ)＜αλrca(6)

又依thanassoulis(2013)

χ＞α+η(7)

考虑到0＜χ,α,η＜1，则由(7)得：

由(8)式α＜χ代入(6)得：

(2αμλb-ab)(1+λμ)＜λrca

显然λ＜1，则

b(2αμλ-a)(1+μ)＜rca

令

显然

则

即

转换为

(2αμλ-a)(1+μ)＜cr

∵c＝χ+αμ且α＜χ

∴α(1+μ)＜c＜χ(1+μ)

即

2αμλ＜rχ+a

由式(7)得a＝χ+α+η＜2χ，故

2αμλ＜rχ+2χ

即

故，努力成本约束命题得证。

由此，模块一产生了以下三部分函数关系，它们分别是：

第一、努力成本收紧的防短视行为约束条件：

第二、以最小化聘用成本部分理性为目标的模型-1，约束条件同上；

第三、以最大化公司聘用效益为目标的模型-2，约束条件同上；

通过模型2完成创新事件-拟聘用创新人才参数匹配之后，按薪酬结构函数计算各类创新人才防短视行为薪酬结构，其中，薪酬结构函数为：

模块一实现了薪酬结构模型的可计算性转换，下一个步骤或功能模块自然地为参数分析；

功能模块二：参数分析模块

现示例将参数分析功能模块的实施步骤细化说明如下：

步骤1：初始化。假设市场折现率r＝0.1，其它参数初始数值设为[μ,χ,α,η,λ]＝[0,0,0,0,0]；

步骤2：按聘用者对于固定薪酬、即时支付奖金、和延迟支付奖金的权重偏好，将薪酬结构模型的三个函数关系整合为综合目标，如w＝0.6fg+0.1bg+0.3vg，作为模型-1的综合目标函数；

步骤3：以最小化上述薪酬支付目标为局部理性，求解参数向量x1＝[μ1,χ1,α1,η1,λ1]，作为参数灵敏度分析的初始参照点。本例计算得初始参照点x1＝[μ1,χ1,α1,η1,λ1]＝[0.0034,0.6461,0,0.0630,0.2455,0.1696]。该参照点表明了部分合理性，即如果公司以最小化薪酬支付作为目标，同时又要受防短视行为约束条件制约，则公司只愿意提供或雇用：事件成功概率χ高、短视行为后期仍然能够成功的概率η较大、努力成本λ不高，而对人才的实现能力高低μ、高实现能力产生的成功增量α等并不在意；

步骤4：以步骤3得出参照点为基点，分别以μ,χ,α,η,λ,u为自变量，薪酬结构fg,bg,vg为因变量，逐一进行参数灵敏度分析；得出，固定薪酬系数fg的灵敏参数为努力成本λ，对其它参数μ、χ、α、η不灵敏；即时支付奖金系数bg的灵敏参数集为{χ,α,η,λ}，对μ不灵敏；延迟支付奖金系数vb的灵敏参数集为{χ,α,η,λ,r}，对μ不灵敏。

功能模块三：创新人才薪酬结构计算模块

模块三按以下步骤进行创新人才薪酬结构计算：

步骤1：根据创新类型对以下参数的预期或判断值，如边际聘用效益期望设为100，χ、μ根据创新类型而定，改进式创新相对容易实现，其执行的创新成功的概率较高，对于实现能力要求一般，努力成本不高，设为χ＝0.8、μ＝0.5、λ＝0.4；变革式创新难度大，成功概率低，对于实现能力要求高，设为χ＝0.2、μ＝0.9、λ＝0.8；而拓展式创新难度适中，在改进式创新及变革式创新之间，成功的概率也相应的在这两类创新的成功概率之间。

步骤2：应用步骤1确定的参数集，执行模型-2，计算α、η，与聘用候选人进行参数匹配,选择出拟聘用人才；

步骤3：应用匹配后的拟聘用人才完整参数集，和薪酬结构系数函数，计算防短视行为的创新人才薪酬结构{fg、bg、vg}。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。