این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات اقتصادی، جلد ۶۰، شماره ۲، صفحات ۱۰۵۴-۱۰۹۷
عنوان فارسی پیش‌بینی ترک شغل و عوامل فردی و سازمانی مؤثر بر آن با استفاده از روش‌های یادگیری ماشین
چکیده فارسی مقاله هدف: این مقاله در نظر دارد تا با تجزیه و تحلیل داده‌های مرتبط با نیروی کار یک فروشگاه‌های زنجیره‌ به پیش‌بینی ترک شغل نیروها و بررسی عوامل فردی و سازمانی (شغلی) موثر بپردازد.
روش‌شناسی: تعداد 17542رکورد اطلاعاتی منحصر به فرد شامل اطلاعات وضعیت فعالیت فرد (ادامه فعالیت یا ترک شغل) و 12 مشخصه فردی و شغلی در بازه زمانی آبان 1398 الی 1401 بکار گرفته شد و سپس به روش داده‌کاوی و با استفاده از الگوریتم‌های یادگیری ماشین درخت تصمیم و ماشین بردار پشتیبان (SVM) به پیش‌بینی ترک شغل نیروی کار در این فروشگاه زنجیره‌ای بصورت پایلوت در سراسر کشور پرداخته شد.
یافته‌ها: نتایج بدست آمده نشان دادند که ویژگی‌ها و مشخصه‌های شغلی تأثیر بیشتری بر ترک شغل دارند. بطور مشخص، از بین ویژگی‌های مختلف تعداد جابجایی نیروها، سمت سازمانی (صف یا ستادی)، سنوات خدمت و ساعت‌کار بیشترین اهمیت و تأثیرگذاری را بر ترک شغل دارند. از میان مشخصه‌های فردی نیز مشاهده شد که ترک شغل در میان جوانان و افراد کمتر از 30 سال سن بیشتر است. بر اساس این ویژگی‌ها، مدل‌های ماشین بردار پشتیبان (SVM) با دقت 91 درصد و امتیاز-F1 بالای 90 درصد و الگوریتم درخت تصمیم نیز با دقت 83 درصد و امتیاز-F1 به همین اندازه از عملکرد مناسبی در دسته‌بندی و پیش‌بینی موارد ترک شغل برخوردار شدند.
نتیجه‌گیری: می‌توان بر اساس مشخصه‌های فردی و شغلی و با استفاده از روش‌های داده‌کاوی و یادگیری ماشینی سیاست‌هایی در جهت حفظ و نگه‌داشت منابع انسانی تنظیم کرد که موجب کاهش هزینه‌ها و همچنین حفظ مزیت‌های رقابتی و پیشرفت و توسعه بنگاه خواهد شد.
کلیدواژه‌های فارسی مقاله ترک شغل،عوامل فردی و سازمانی،طبقه‌بندی،یادگیری ماشین،
عنوان انگلیسی The Prediction of Employee Turnover and its Personal and Organizational Determinants Using Machine Learning Methods
چکیده انگلیسی مقاله This study analyzing the chain stores’ personnel data intends to predict the employees’ turnover rate and examine its personal and organizational (occupational) determining factors. A dataset of 17542 records including information of personnel's activity status (active or quit) and 12 personal and occupational characteristics in the period of November 2018 to 2014 are used in machine learning algorithms of decision tree and support vector machine (SVM) to predict the workforce turnover rate across the country in a pilot chain store. The results show that job characteristics have a greater effect on employees’ turnover. Specifically, among different characteristics, four factors of personnel transfers, their organizational position (line or staff), years of service and working hours have the most importance and influence on job turnover. Among the individual characteristics, it was also observed that job quit is more prevalent among young people with less than 30 years old. Based on these characteristics, support vector machine (SVM) model with 91% accuracy and F1-score above 90% and decision tree algorithm with 83% accuracy and F1-score have shown a good performance in classification and prediction of employees’ turnover. Based on personal and job characteristics and using data mining and machine learning methods, organizations can set policies to preserve human resources, which will reduce costs and also maintain their competitive advantages necessary for the progress and development of the company.
کلیدواژه‌های انگلیسی مقاله ترک شغل,عوامل فردی و سازمانی,طبقه‌بندی,یادگیری ماشین
نویسندگان مقاله عباس خندان |
دانشکده اقتصاد، دانشگاه خوارزمی، تهران، ایران.

سهیلا محمدی |
دانشکده اقتصاد، دانشگاه خوارزمی، تهران، ایران.

نشانی اینترنتی https://jte.ut.ac.ir/article_103646_ed8ac232643f88bc87ac6b7b1c6584e0.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات