基于ahp的员工培训效果评估研究

《基于ahp的员工培训效果评估研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于AHP的员工培训效果评估研究[摘要]本文以昆明A旅游公司为例，结合相关文献及专家意见的基础上，确定培训效果评价指标群，运用网络层次分析法（AHP）确定评价指标权重，最终得出较为科学的员工培训效果评价。[关键词]层次分析法；培训效果评价；权重[DOI]1013939/jcnkizgsc201547190近年来不断曝光的旅游业服务问题、安全问题都引起了全社会的关注，给旅游业带来了很大的负面影响，在种种压力之下提高旅游业员工的素质问题变得迫在眉睫，那么如何能够确保培训的科学性及针对性？合理地进行员工培训效果评价能有效增强培训效果、达

2、到培训的目的。1A旅游公司培训现状A旅游公司是云南省规模较大、语种广、接待游客数量较大的旅游企业，现有近百名员工。目前在人员培训上主要存在以下三点问题：11人员参与度较低旅游业是一个较为复杂的产业链，其中关键的安全与服务岗位涉及方方面面的因素，而并非单一的特定岗位培训。在培训中经常因为工作的安排使很多员工丧失了培训的机会，甚至很多员工为了业绩而主动放弃培训的机会，种种的原因使得培训参与度很低，从培训主体上大幅度降低了培训的有效性。12培训项目的设计不合理第一，在对培训课题的确定不够细致，针对性不强。第二，培训工作没有与企业总体目标

3、紧密结合。在实际培训过程中，往往容易出现内容、方式、课程与企业总目标联系不紧密的情况。第三，仅强调培训计划，不强调培训结果。2层次分析法的基本原理和步骤21层次分析法的原理层次分析法（AHP）是当前用于确定权重系数的方法之一，根据问题的性质和所要达成的总目标，将问题分为不同层次的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按照不同层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层（供决策的方案、措施）相对于最高层（总目标）的相对重要权值的确定。22层次分析法的主要步骤a建立层次结构模型b构造判断（成对

4、比较）矩阵c计算权向量d层次总排序与一致性检验221建立层次结构模型将决策的最终目标、所需考虑所有因素（决策准则）和决策对象按他们之间相互关系分为最高层、中间层和最低层，绘出层次结构图。222构造判断（成对比较）矩阵在确定各层次各因素之间的权重时，如果只是单一定性的结果则往往不容易得到认可，因此santy等人提出一致矩阵法，即对因素进行比较时采用两两比较法而不是把所有因素放到一起比较；同时对此比较结果采用相对尺度表示，尽可能减少不同性质因素间比较的困难，提高准确度。223计算权向量计算权向量指的是计算每一个判断矩阵各因素针对其准则

5、的相对权重。判断矩阵A对应于最大特征值λmax的特征向量W，经过归一化后即为同一层次相应因素对于上一层次某因素相对重要性的排序权重。224层次总排序与一致性检验判断矩阵通常是不一致的，但是为了能用它的对应于最大特征根的特征向量作为被比较因素权向量，其不一致程度应在容许的范围内。只有其通过检验，才能说明判断矩阵在逻辑上是合理的。3对云南省某旅游公司的实证研究31构建分析层次结构以柯克帕特里克四层次评估模型为基础思想，将培训效果分为四个递进的层次――反应层、学习层、行为层、结果层。在此模型的指导下，本文确定了四个一级指标：培训总体印象

6、、学习收获、行为改变、绩效提升。本文基于培训效果评价的最终目标，通过查阅分析大量资料，结合相关专家的意见基础上，提炼出相关的13个二级要素指标。其中培训总体印象的具体要素为：培训课程、培训讲师、培训安排；学习收获的具体要素为：企业文化、专业知识、工作技能；行为改变具体要素为：工作态度、工作效率、工作出错率、团队协作；绩效提升的具体要素为：顾客满意度、顾客投诉率、业绩提升。32建立各准则的层次矩阵并进行权重计算利用专家咨询法构建判断矩阵，对准则层的指标进行重要性判断，建立下表的判断矩阵。运用Matlab软件计算出判断矩阵A的最大特征

7、值λmax=4293，及其特征向量A=[01903802023]T。因此我们可以直观地看出，培训总体印象、学习收获、行为改变、绩效提升所占的权重分别为：005、05、02、034。运用随机一致性CR检验，CR=CI/RI，CI=（λmax-n）/（n-1），从而计算出CI=0097，RI=315，则CR=0037<01，通过一致性检验。33计算方案层要素对于所属准则层的权重运用相同的方法，在Matlab中求出各方案层对于所属准则层的权重。在培训总体印象中：W=（w1，w2，w3）=（0397，0254，0349）。λ=3314，C

8、I=000427，RI=13774，CR=00031，通过一致性检验。说明在培训总体印象层中，培训课程占0397，培训讲师占0254，培训安排占0349。在学习收获层中：W=（w1，w2，w3）=（0182，0359，0459）。λ=30793，C