丁祥海，喻 瑶，王晓光

（杭州电子科技大学 管理学院，浙江 杭州 310018）

一、引言

同智能化工厂相比，劳动密集型工厂在生产过程中需要投入更多的人员支持，其利润和资本积累主要来源于一线员工的廉价劳动[1]。与之前相比，如今的一线员工具有受教育程度普遍较高，性格鲜明，自我意识强，喜欢未知和探索，追求个性化的发展和独立的生活等特点，同时劳动密集型工厂具有工作强度大，工作内容单调等特点。一线员工的特点以及工厂内外部环境的变化，促使一线员工产生了高频流动的现象，主要表现为员工的离职行为。离职行为的发生既会增加企业的劳动成本支出，又会使企业难以保持正常的运转。因此，探讨劳动密集型工厂一线员工离职因素及其主动离职模型的构建在一定程度上对企业以及员工自身都有重要的意义。

目前，有许多学者在不断的探索与员工离职有关的模型。其中具有代表性的是普赖斯（Price）等提出的普赖斯 -穆勒（Price-Mueller）模型[2]，模型中涉及的变量比较多，但增加了研究问题的难度；张勇等通过灰色预测模型对非正常离职进行预测[3]；杨海霞通过研究构建出神经网络（RBF）模型,这一模型主要解决非线性预测问题，例如：员工离职对业绩影响程度等，具有较好的预测性和应用性[4]；夏功成等通过研究构建了员工主动动态离职模型来预测员工的动态离职过程，所考虑的离职因素比较一般化，没有对具体的行业以及具体的职位进行再次细分[5]；赵旭等针对离职行为这一复杂行为，以实证研究和突变理论作为模型构建依据，最终构建出员工主动离职的突变概念模型[6]。国内对于员工离职文献的研究中，以劳动密集型工厂一线员工作为研究对象的文献较少。王笑天通过构建基于压力交互理论与工作要求-资源模型，将制造业一线员工作为其研究对象，实证分析了制造业一线员工的工作要求对离职意愿的影响，并分析了员工冲动性人格与社会支持这两者因素对工作要求与离职意愿关系的链式调节机制[7]。

综合文献来看，国内对于劳动密集型工厂一线员工的离职因素和行为模拟方面的研究较少且有进一步完善的空间。鉴于一线员工在劳动密集型工厂中呈现流动性大、群体性等特征，本文以劳动密集型工厂为研究背景，建立了一线员工主动离职行为模型，运用MATLAB软件与QSIM算法结合来模拟员工的离职过程，并将定性模拟以定量的形式表现出来，从而达到可视化的效果。

二、劳动密集型工厂一线员工主动离职模型构建

符益群等通过对国内外文献的研究归纳及实地的考查分析，将影响员工离职的因素归纳为以下几点：个体因素主要表现为员工自身的教育水平、个人绩效等，工作自身因素主要是工作角色、工作任务多样性等，组织因素主要为企业奖惩制度、组织构架等，外部环境因素主要为劳动力市场供需情况、就业形势等，员工自身态度和心理的行为主要表现为组织承诺、工作满意度、晋升机遇等[8]。张旭涛等通过对制造业一线生产派遣员工离职行为的研究，得出组织承诺影响作用大于工作满意度的影响，但两者都与员工离职行为呈现正相关关系；薪酬福利、职业晋升途径、工作班制、企业外部机遇、员工培训与关怀等因素对员工的离职行为都有显著影响，而传统的离职因素例如：企业价值观、员工工作氛围等对派遣员工的离职行为影响不显著[9]。韩翼等通过构建员工自愿离职综合模型以及对1 066份调查问卷的分析，结论表明工作满意度和组织承诺这两个因素与员工离职倾向具有正相关关系，组织认同感，组织承诺对员工离职倾向也有明显的影响[10]。

针对劳动密集型工厂的特点，一线员工的工作强度在不同时期会有不同的变化；每天工作时间和是否经常加班可以侧面体现出员工的紧张感、疲劳感、工作强度的强弱等[11]。高工作强度虽然可以提高员工的奖酬和企业的绩效，但对于员工自身来说，长时间繁重的任务量会降低员工工作满意度及组织承诺度。岗位单调性被认为是个体所从事的岗位的工作内容被重复程度，岗位单调性越高，员工对工作内容可选择的范围越小，导致员工的柔性越低。柔性管理被证实既可以提高员工的工作的满意度，又能提升产线的效率与产能[12]；与岗位单调性相对应的另外一个因素是班次自主性，它可以平衡工作与生活之间关系，员工对班次的选择权利越大相对应的工作时间柔性就会越大，员工的工作热情和工作满意度也越高，进而提升企业的生产效益[13]。另一方面，工作环境与员工的离职倾向具有密切的相关关系[14]。劳动密集型工厂的生产加工运作会对车间的温度、湿度、噪音、照明等环境条件产生一定的作用，而这些环境条件又会直接影响一线员工的生产行为，例如适宜的温度会增加员工对生产的投入，从而提升工作效率。

通过对上述文献的归纳总结，在Price-Mueller模型的基础上，保留其小部分变量，重点考虑岗位单调性、柔性管理、班次自主性、工作强度等因素对员工主动离职行为的影响，从而建立如图1所示的劳动密集型工厂下的员工主动离职模型。图中菱形中的变量是会波动的，它们取决于企业的内外环境，“+”表示箭尾因素增强会导致箭头的增强，“-”表示箭尾因素增强会导致箭头的减弱。

图1 劳动密集型工厂一线员工主动离职过程模型

岗位的单调性会弱化柔性管理的效果，班次自主性会促使柔性管理得到更好的实施，这两个因素的变化会对后续的其他因素产生影响，柔性管理的实施会提高员工的工作满意度，增强员工的归属感，降低员工的离职意愿，员工离职行为的频率也就随之降低；企业领导的支持以及员工自身的努力程度在一定程度上都会改善工作环境，它同工作满意度一样都会强化员工的组织承诺，进而促进员工绩效的增加，增加其组织认同感，从而降低员工离职意愿，减少员工离职行为；工作强度的增加会使一线员工的薪酬和绩效同向增加，增强员工的组织认同感，减少员工的离职意愿，减少员工离职行为；薪酬的增加也会增加员工的努力程度，进而增加员工的工作满意度，之后影响员工的离职行为发生过程如上文所述；企业外部就业机会的增加会促使员工产生更多的选择从而导致离职行为的增加。

定性模拟中的变量都是非数字化的变量，为了便于后文的统计与讨论，将变量名转变为字母表示，具体如表1所示。

表1 劳动密集型工厂一线员工离职过程模型变量名及符号

三、QSIM算法与步骤

定性仿真的本质是一种定性推理的过程，定性仿真过程就是由当前状态产生后继状态的一个不断推进过程。本文将运用QSIM算法对劳动密集型工厂员工离职行为进行模拟。美国学者Kuipers提出了QSIM算法，为定性建模和定性仿真奠定了很好的研究和应用基础。QSIM用定性微分方程来描述模拟对象，定性微分方程由变量和约束组成，变量代表系统参数，约束描述变量之间的关系[15]。它可以从一个定性约束集和一个初始状态出发，预测系统未来所有可能的行为[16-17]。根据QSIM算法，存在推理函数f，每个可推理的函数 f在 t0＜t1＜…＜ti＜ti+1＜…＜tn显著的时刻点处的值为路标值。显著时刻点表示定性变量在该时间点上发生了显著的变化，在显著时刻点之间，定性变量只发生平缓的变化，不会产生突变。定性变量当前所处的时刻，要么在一个可区分时刻点ti上，其状态可以表示为 QS（f，ti）；要么在两个可区分时刻点之间（ti，ti+1），状态表示为 QS（f，ti，ti+1）。在任意时刻t的定性状态QS是由参数在其定量空间中的取值和参数的变化方向所构成的二元组（qval，qdir）表示。具体取值如下：

其中，li代表单个路标值，（li，li+1）代表区间值。例如 QS=（X1，（ti，ti+1））=＜（-1，0），+＞ 表示变量 X1在区间（ti，ti+1）的取值为（-1，0），方向为“+”，有增加的可能性。

（一）QSIM算法规则

QSIM是一种定性推理方法，是显著时刻点到此点与下一个显著时刻点之间再到下一个显著时刻点的循环往前的定性状态推理。推理过程必须遵守一定的规则，Kuipers提供了一个通用函数状态转换表来辅助说明QSIM的规则，具体如表2所示。

表2 通用函数状态转换表[14]

在模拟过程中，并不是所有的转换都能符合要求，还需要满足约束一致性过滤、配对一致性过滤、全局解释和全局过滤。（1）约束一致性过滤。当变量受到多个推理函数的约束时，对各个函数进行独立转化后，检验定性值和变化方向的一致性。（2）配对一致性过滤。如果两个约束中出现相同的推理函数，则该推理函数在不同的约束中需有一致的状态转化。（3）全局解释。经过约束和配对一致性过滤后，剩下的所有规则的组合为全局解释。（4）全局过滤。若前后直接相邻状态一致和前后状态循环则过滤掉新状态。根据通用函数状态转化表和上述过滤与解释，可得到变量之间的相互作用表和通用规则转化表，具体见参考文献[5]。

（二）变量取值及含义

为了研究及MATLAB模拟的方便，用{1，2，3，4，5}表示 qval，用{-2，-1，0，1，2}表示变量的变化趋势，即 qdir，其中 X1和 X2取{0，1，2}。一元变量包 括：X1、X2、Y1、Y2、Y3、Y4、Y5、Y6，它 们 表示 qval中的一个数，M表示qdir中的一个，二元变量包括：Z1、Z2、Z3、Z4、Z5表示为 ＜qval，qdir＞。部分变量的取值及含义如下所示：

某个二元组变量受到作用时，可能有多个后续状态，在模拟的过程中，每种可能的状态出现的概率相等。由于工作强度对绩效具有积累效应，员工要以最近三个月的平均工作强度来对绩效起作用，不足三个月时，即当月份为1月，平均工作强度就是本月工作强度的值，当为2月时，其平均工作强度为1月和2月工作强度的平均值，此种处理方法同样适用于领导支持度、离职意愿和就业机会等，这里不再赘述。离职意愿可由离职概率函数表达，采用文献[6]的离职概率函数如式（1）。

其中，z是离职率，x是平均离职意愿，y是平均就业机会。

（三）模拟算法步骤

步骤 1：设定变量初始值，变量包括 Z1、Z2、Z3、Z4、Z5，平均工作强度 Y1，平均领导支持 Y2，平均就业机会Y3。置当前模拟次数为1，模拟分为12个阶段，一月份为第一个阶段，每个阶段的模拟次数为1 000次。

步骤2：MATLAB调用随机数产生岗位单调性X1的值和班次自主性X2的值，根据表2和过滤与解释确定柔性管理Z1，组织承诺Z4，绩效 Y6，薪酬Y4，组织认同Y5，努力程度M的后续状态。

步骤3：MATLAB调用随机数产生平均工作强度Y1的值，根据其对绩效Y6作用的值。

步骤4：确定绩效Y6的后续状态。

步骤 5：依次确定薪酬 Y4，组织认同 Y5，努力程度M的后续状态。

步骤6：MATLAB调用随机数与产生领导支持Y2的值，先确定其对工作环境Z3的作用，后确定组织承诺Z3的后续状态。

步骤7：依次确定工作满意度Z2，离职意愿Z5的后续状态。

步骤8：确定平均离职意愿x，然后把平均离职意愿x和平均就业机会y代入式（1），来判断员工是否离职，如果符合条件，则记为1，否则为0，然后依次进入下一阶段，一直到第12个阶段，这样往返循环下去，直到结束，最终导出结果。

四、主动离职行为定性模拟

运用matlab2010b来对不同情境进行模拟，分析劳动密集型工厂中岗位单调性、班次自主性、工作强度、就业机会等主要因素对离职行为的影响。

（一）不同的岗位单调性和班次自主性对员工离职的影响

情景 1：x1=2，X2=1，Z1=（3，0），Z2=（3，-1），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作强度 Y1=5，平均领导支持Y2=3；平均就业机会Y3=4。初始条件一般，工作强度高，领导支持一般，就业机会较高，岗位单调性高，班次自主性一般。从模拟结果可以得出，1到12月份的离职意愿都在7%以上，总体平均离职率为88.19%，呈现较高状态。

情景 2：X1=2，X2=1，Z1=（3，0），Z2=（3，-1），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作强度 Y1=3，平均领导支持Y2=3，平均就业机会Y3=4。初始条件一般，工作强度一般，领导支持一般，就业机会较高，岗位单调性高，班次自主性一般。从模拟结果可以得出，每个月的员工离职意愿也都在7%以上，总体平均离职率为87.84%，也呈现较高状态。

情景 3：X1=1，X2=1，Z1=（3，0），Z2=（3，-1），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作强度 Y1=3，平均领导支持Y2=3，平均就业机会Y3=4。初始条件一般，工作强度一般，领导支持一般，就业机会较高，岗位单调性一般，班次自主性一般。从模拟结果可以得出，员工离职意愿刚开始呈下降趋势，然后又呈上升趋势，总体平均离职率为22.43%，呈现较低状态。

情景 4：X1=1，X2=2，Z1=（3，0），Z2=（3，-1），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作强度 Y1=3，平均领导支持Y2=3，平均就业机会Y3=4。初始条件一般，工作强度一般，领导支持一般，就业机会较高，岗位单调性一般，班次自主性高。从模拟结果可以得出，在这样的情况下，员工的离职可能性近似为0。四种情景的模拟结果如表3所示。

表3 情景1～情景4下员工的离职率总计

从以上4个情景的模拟结果可以得出，由情景1和情景2可以看出，当平均工作强度由5变为3时，总体平均离职率降了1个百分点，基本上没有什么变化；由情景2和情景3可以看出，当岗位单调性由2变为1时，员工平均离职率由87.84%下降到22.34%，呈明显下降趋势；由情景3和情景4可以看出，班次自主性由1变为2时，员工的离职可能性近似为0，从概率上看，可能无员工离职。

由于劳动密集型工厂的特点，一线员工是否会选择离职，与岗位单调性和班次自主性有很大关系。当岗位单调性很高，一线员工重复进行某项工作时，即便员工的工作强度不高，员工离职的可能性也很大。在这种状态下，员工工作比较枯燥，对工作的专注力下降，导致员工的离职可能性较高。同样班次自主性对于员工也是非常重要，尊重员工的选择与爱好，赋予员工一定的权力自主选择班次，平衡工作与生活的关系，这样不仅对生产效率及企业的业绩有很大的促进作用，也能够吸引员工为企业创造更大的价值。另一方面，岗位单调性和班次自主性直接反映了该工厂的柔性管理程度。总体来说，工厂柔性管理程度越高，员工对工厂的忠诚度越高，离职倾向较低。另外离职率也受到工作强度的影响，适度的工作强度会产生良好工作绩效，使员工得到满意的薪酬，进而增加员工的工作热情，提升企业的生产效益。因此在一定程度上来说，工作强度适中，企业的业绩会越好，盈利也就会越多。

（二）在工作单调性和岗位匹配度都随机变化下的三种情景

情景 5：变量的初始值：Z1=（3，0），Z2=（3，0），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作强度Y1=1，平均领导支持Y2=3，平均就业机会Y3=4。初始条件一般，工作强度低，领导支持一般，就业机会较高。从模拟结果可以得出，六七月份离职率是所有月份中最高的，总体平均离职率为19.87%，属于比较低的状态。

情景 6：变量的初始值：Z1=（3，0），Z2=（3，0），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作强度Y1=5，平均领导支持Y2=3，平均就业机会Y3=4。初始条件一般，工作强度高，领导支持一般，就业机会较高，从模拟结果可以得出，5月份的离职率为最高，总体平均离职率为25.37%，较情景5有升高的趋势。

情景 7：变量的初始值：Z1=（3，0），Z2=（3，0），Z3=（3，0），Z4=（3，0），Z5=（3，2），平均工作强度 Y1=1，平均领导支持Y2=3，平均就业机会Y3=5。初始条件一般，工作强度低，领导支持一般，就业机会高。从模拟结果可以得出，3—6月份的离职率变化幅度较多，10月份离职率呈现最高状态，之后有下降趋势，总体平均离职率为28.26%。三种情景模拟结果如表4所示。

表4 情景5～情景7下员工的离职率总计

从以上三种情景可以看出，当平均工作强度从1变为5时，总体平均离职率从19.87%上升到25.37%，上升了大概6个百分点，当平均就业机会从4变为5时，总体平均离职率从19.87%上升到28.26%，上升了大概9个百分点，因此工作强度和就业机会对员工的离职率都有所影响。

与其他行业类似，一线员工是否离职还受外界环境中就业机会的直接影响。外界就业机会越多，员工自身离职意愿越大，则离职的可能性也越大。当员工在企业的自我发展受限时，会更渴望寻求外部的工作机会来实现自己的职业规划。外部就业机会的增多会导致员工的不稳定，因此企业要想保持员工的忠诚度，必须从企业内部着手以此来降低员工的离职意愿。

五、应用研究

通过对员工主动离职行为的定性模拟研究，可以得到当员工出现离职行为时通过何种方式可以有效的减少该行为的发生，从而保持一线员工的投入度和活力。本节将以某劳动密集型工厂作为参照对象，以算例的形式解释该工厂如何通过行为定性模拟来有效的降低员工的离职率。已知该工厂主要生产电子产品，地处经济技术开发区，生产部门定期实行轮岗制，部门领导偶尔关心员工的工作及生活现状，车间环境适宜，员工在有限的范围内可选择班次的类型，但目前工厂处于生产旺季，员工超负荷工作，员工对工厂整体呈现一般满意状态。综上所述，结合前文变量的取值及含义，将该工厂的初始值设置为：X1=1，X2=1，Z1=（3，0），Z2=（3，0），Z3=（3，0），Z4=（3，0），Z5=（3，0），平均工作强度Y1=5，平均领导支持Y2=3，平均就业机会Y3=4。其模拟结果实例1如表5所示。

表5 初始条件下员工的离职率总计

当岗位单调性和班次自主性都比较适宜的情况下，员工的离职率为24.84%，员工内部存在一定程度的不稳定性。此时，管理人员需要采取相应的措施，例如通过减少员工的工时，提高他们的工作效率。当平均工作强度由5变为3时，员工工作满意度也会相应的增加，即Z2=（3，0）变为Z2=（4，2），此时模拟结果实例2如表6所示，总体离职率呈下降趋势，从而能够减少企业的人力成本。

由于该劳动密集型工厂的柔性管理处于一般状态，要想进一步的降低离职率，可以针对柔性管理采取相应的措施，给予员工自主选择和安排工作的权力。采取这样的措施之后，员工自主性Z1=（3，0）变为 Z1=（4，2），从表 7 模拟结果实例 3 可看出，员工的总体离职率再一次降低，企业的运营成本也随之降低。

表6 工作强度变化后员工的离职率总计

表7 柔性管理变化后员工的离职率总计

六、结论与展望

基于QSIM算法，建立了劳动密集型工厂一线员工主动离职行为模型，分析了相关因素是如何影响员工离职。在模拟的过程中，采用了QSIM算法的思想，以多次模拟克服了一次模拟的局限，使模拟结果更符合实际情况。理论上可以观察企业一年内员工离职行为的整体动态，能够为劳动密集型工厂提供一定的参考价值，从而及时的降低人力成本的损失，为企业创造更大的效益。

从模拟中可以得出劳动密集型企业影响员工离职行为较大的因素是企业的内部因素，即岗位单调性、班次自主性、工作强度等因素，而就业机会等外部环境对员工影响程度也与企业内部因素有关，这也是比较符合实际情况的。作为企业的管理者，应该从企业内部做起，实时观察内部动态，针对相应的因素采取合适的措施，降低员工的整体离职率。

不足之处在于，由于不同的员工选择离职的因素是不同的，所以影响员工离职是由很多因素造成的，本文只考虑了劳动密集型工厂的主要因素对员工的影响，并且在模拟过程中只考虑了一个或两个因素对某一变量的影响，如果能找出3个及以上的变量对某个变量作用规则的情况下，则会更符合实际情况。