Гибридный подход к моделированию факторов производительности труда: синтез рандомизированных контролируемых экспериментов и причинных байесовских сетей

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Решение задачи эффективного управления производительностью труда работников компаний с учетом множества разнородных факторов, которые имеют стохастический, нестационарный и нелинейный характер и встраиваются в сложные цепочки причинно-следственных взаимодействий в условиях цифровой трансформации экономики, представляет определенные трудности. В работе предложена технология, которая обеспечивает с высокой степенью достоверности установление причинно-следственной связи между реализацией альтернативных управленческих решений и производительностью труда работников компании. Эта технология предназначена для выбора решений на основе оценки их воздействия на производительность труда. Новизна предлагаемой технологии состоит в том, что она основана на гибридном подходе к моделированию объекта исследования и объединяет две модели. Первая модель — структурная — построена на основе априорных знаний законов функционирования и развития и обеспечивает причинное понимание объекта и способна предсказать эффект воздействий факторов (явных и косвенных). Вторая модель основана на данных и настраивается (адаптируется) с учетом эмпирических данных, полученных в результате наблюдения (измерения) за объектом. Разработанная технология использует разнородные методы исследования — метод рандомизированного контролируемого эксперимента для получения информации о тестируемых мероприятиях, методы статистического анализа данных (дескриптивного анализа данных, корреляционного и регрессионного анализа,  разность разностей для установления причинной связи между реализуемым мероприятием и ростом производительности труда), байесовскую сеть причинности для построения и анализа структурной модели объекта и объяснения причинных связей явных и скрытых факторов, влияющих на производительность труда в условиях реализации мероприятий. Практическую значимость имеют результаты апробации предлагаемых теоретических положений, методов и технологии на фактических данных о деятельности предприятий сферы питания. Полученные нами результаты опираются на эффективное использование разработанной технологии, направленной на рост производительности труда в условиях неопределенности внешней и внутренней среды и устойчивое развитие предприятий и повышение их доходности.

Полный текст

Доступ закрыт

Об авторах

Е. В. Орлова

Уфимский университет науки и технологий

Автор, ответственный за переписку.
Email: ekorl@mail.ru
Россия, Уфа

Список литературы

  1. Бахтизин А.Р. (2008). Агент-ориентированные модели экономики. М.: Экономика. 279 с. [Bakhtizin A.R. (2008). Agent-based models of the economy. Moscow: Ekonomika. 279 p. (in Russian).]
  2. Орлова Е.В. (2022а). Системный инжиниринг цифровых двойников организационно-технических систем с использованием методов интеллектуального анализа // Программная инженерия. Т. 13. № 9. С. 425–440. doi: 10.17587/prin.13.425-440 [Orlova E.V. (2022a). System engineering of the organizational and technical systems' digital twins using artificial intelligence methods. Programmnaya Ingeneria (Software Engineering), 13, 9, 425–439. doi: 10.17587/prin.13.425-440 (in Russian).]
  3. Орлова Е.В. (2022б). Влияние социального капитала компании на инновационность личности в России: экономические механизмы и диагностический инструментарий // Journal of Applied Economic Research. Т. 21. № 3. С. 545–575. doi: 10.15826/vestnik.2022.21.3.019 [Orlova E.V. (2022). Impact of companies' social capital on person's innovativeness in Russia: Economic mechanisms and diagnostic tools. Journal of Applied Economic Research, 21, 3, 545–575. doi: 10.15826/vestnik.2022.21.3.019 (in Russian).]
  4. Слуцкин Л.Н. (2019). Моделирование причинных зависимостей в экономике (научный доклад). М.: Институт экономики РАН. 42 c. Режим доступа: https://inecon.org/docs/2019/Slutskin_paper_2019.pdf [Slutskin L.N. (2019). Modeling causal dependencies in economics (report). Moscow: Institute of Economics RAS. 43 p. Available at: https://inecon.org/docs/2019/Slutskin_paper_2019.pdf (in Russian).]
  5. Arkhangelsky D.Y, Athey S., Hirshberg D.A., Imbens G.W., Wager S. (2021). Synthetic difference-in-differences. American Economic Review, 111, 12, 4088–4118.
  6. Armstrong M. (2008). Strategic human resource management. London: Kogan Pag.
  7. Ashenfelter O., Card D. (1985). Using the longitudinal structure of earnings to estimate the effect of training programs. The Review of Economics and Statistics, 67, 4, 648–660. doi: 10.2307/1924810
  8. Athey S., Imbens G.W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226, 1, 62–79, doi: 10.1016/j.jeconom.2020.10.012
  9. Bryson J.M., Ackermann F.M, Eden С., Finn C.B. (2004). Visible thinking: Unlocking causal mapping for practical business results. N.Y.: Willey & Sons. 396 p.
  10. Edvinsson L., Mallone M.S. (2007). Intellectual capital: Realizing your company’s true value by finding its hidden brain power. N.Y.: Harper Business.
  11. Gratton L., Ghoshal S. (2003). Managing personal human capital: New ethos for the ‘volunteer’ employee. European Management Journal, 21, 1, 1–10.
  12. Orlova E.V. (2021a). Innovation in company labor productivity management: Data science methods application. Applied System Innovation, 4, 3, 68. doi: 10.3390/asi4030068
  13. Orlova E.V. (2021b). Design of personal trajectories for employees’ professional development in the knowledge society under Industry 5.0 Social Sciences, 10, 11, 427. doi: 10.3390/socsci10110427
  14. Orlova E.V. (2022a). Methodology and Statistical modeling of social capital influence on employees’ individual innovativeness in a company. Mathematics, 10, 11, 1809, doi: 10.3390/math10111809
  15. Orlova E.V. (2022b) Technique for data analysis and modeling in economics, finance and business using machine learning methods. IEEE Proceedings of 4th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA), 369–374. doi: 10.1109/SUMMA57301.2022.9973885
  16. Pearl J. (1995). Causal diagrams for empirical research. Biometrica, 82, 669–710.
  17. Pearl J. (2009). Causal inference in statistics: An overview. Statistical Survey, 3, 96–146. doi: 10.1214/09-SS057
  18. Pearl J. (2021). Radical empiricism and machine learning research. Journal of Causal Inference, 9, 78–82. doi: 10.1515/jci-2021-0006
  19. Peters J., Janzing D., Scholkopf B. (2017). Elements of causal inference foundations and learning algorithms. London: The MIT Press Cambridge.
  20. Rosenbaum P.R., Rubin D.B. (1982). The central role of the propensity score in observational studies for causal effects. Biometrika, 70, 41–55.
  21. Samad S. (2020). Achieving innovative firm performance through human capital and the effect of social capital. Management and Marketing, 15, 2, 326–344.
  22. Sheridan N., Ball L. (2005). Does inflation targeting matter? In: The inflation targeting debate. Chicago: University of Chicago Press for the National Bureau of Economic Research, 249–276.
  23. Youndt M.A. (2000). Human resource configurations and value creation: The mediating role of intellectual capital. Toronto: Annual Conference of the Academy of Management.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Диаграммы размаха темпов роста производительности труда в выборках работников

Скачать (194KB)
Метаданные
3. Рис. 2. Байесовская сеть влияния факторов на производительность труда

Скачать (65KB)
Метаданные

© Российская академия наук, 2024