社会力模型（共8篇）
社会力模型 篇1
近年来, 随着我国经济文化事业的迅速发展, 越来越多展现大众精神文化, 提供大众休闲娱乐的各类大型活动在举办。大型活动多在人群密集的地区或城市举办, 如组织监管不当, 或人们的安全意识不高, 极易发生人群拥挤踩踏事故。如2014年1月5日, 13时左右, 宁夏西吉县北大寺发生踩踏事故, 造成14人死亡, 10人受伤。2010年11月22日晚, 在柬埔寨首都金边市区连接钻石岛的一座桥发生晃动, 导致相互拥挤踩踏, 造成345人死亡, 410受伤。由此可见人群拥挤踩踏事故具有较大社会负面影响, 且后果十分严重。
1 大型活动人群拥挤风险要素分析
美国国家航空航天局 (NASA) 在分析事故原因和建立预防对策中运用了4M法, 即人 (Man) 、物 (Machine) 、媒介或环境 (Media) 、管理 (Management) 。针对大型活动人群拥挤的安全风险分析, 可以将4M法转变为人的因素, 物的因素, 环境因素, 管理因素。
1.1 人的因素
大型活动人群规模、人群流动性较大。人群要素主要表现在人群密度、人群速度、人群行为和人群心理四个方面。
(1) 人群密度。大型活动是人群密集的场所, 如2010年上海世博会的日入园人数高达百万人次。人群密度过大, 人员之间存在摩擦、排斥的现象。当人群密度达到一个临界值时, 人群会因为过度拥挤而停滞不前。Pauls和Nelson认为人群密度的合理范围是0.54~3.8人/m2。即当人群密度小于或等于0.54人/m2时, 人群能够相对自由移动, 而当人群密度达到3.8人/m2及以上时, 则可能导致拥挤堵塞, 不能移动。
(2) 人群速度。一般来说, 人群密度越大, 移动速度就越慢, 而人群速度的变化会产生各种碰撞、拥挤。尤其是在活动场馆的出入口及主要疏散通道等场所。
(3) 人群行为。人群中的个体的不安全行为可能导致人群秩序的混乱与拥挤, 如2014年3月4日, 广州地铁五号线上, 有两男子用瓶状物喷出刺激性气味导致乘客惊慌冲向车头, 发生踩踏, 多人受伤。当人群中出现谣言、假象等现象时, 也可能会导致人群的恐慌, 引发人群混乱。
(4) 人群心理。在面对高密度人群时, 人会产生焦虑、烦躁或恐慌的情绪, 而这种情绪会感染其他人, 从而可能产生一些不理性的、失控的行为, 盲目的跟随人群而失去自己的判断, 从而忽视了其他疏散出口。在恐慌的状态下, 个体都试图增大速度行进, 人群出现推挤、摔倒现象。
1.2 物的因素
物的因素包括活动场所的类型, 建筑物安全与布局, 基础设施设备及场地消防安全等。大型活动的场所类型大致可分为受限空间类和开放空间类。受限空间类对安全疏散出口有约束, 开放空间一般没有场所进出口的瓶颈限制。活动场所建筑物的质量安全, 通道容量的设计, 疏散出口宽度以及方向的设计布局等都关系到该建筑物是否存在安全隐患。
1.3 环境因素
环境因素包括自然环境和社会环境。自然环境如恶劣的天气条件, 复杂的地理环境以及突发的地质灾害等。社会环境如此次大型活动对民众的影响或涉及到的政治、经济因素, 以及活动现场的氛围是否可控。
1.4 管理因素
管理因素是指活动组织者的疏忽造成人群混乱的不安全状态, 特别是组织者能否对人群进行有效地疏导和分流控制。组织者应在事前制定具体可行的人群密集管理方案和应急预案, 还可以通过人群监测和预警及时采取措施, 实现预警监测管理。因此对活动场所内人流量的控制、人流方向的引导以及人群疏散的协调统一, 才能有效防范人群拥挤事件发生。
2 社会力模型
德国学者Helbing等在Lewin提出的社会力概念基础上, 将人行走受到的自身驱动力, 人与人、障碍物之间的排斥力和吸引力等社会因素力量化, 从而建立了社会力经典模型。社会力模型是一种微观连续性模型。
当人群密度达到一定范围内, 行人将与其他人或障碍物发生碰撞, 这其中不仅有行人自身的“期望力”, 还会产生挤压力和摩擦力。假定行人i的质量为mi, 期望以vi0的速度疏散, 方向为ei0。人与人的作用力为fij, 人与墙的作用力为fiw。距离越近排斥力、摩擦力也越大。行人的实际疏散速度vi。行人速度随时间t变化可用下列动力学方程表示:
行人j对于行人i的作用力表示为:
其中, 行人之间的心理排斥力用指数函数表示。dij为两行人质心间距, rij为两行人身体半径之和。nij表示方向向量。
同理, 行人在疏散过程中与周围墙面或不可移动障碍物接触产生的作用力为:
其中, niw和tiw分别表示行人与墙或障碍物的法线方向和切线方向。
3 社会力模型的改进
3.1 模型的改进
Helbing后来指出, 期望速度vi0还受周围人群速度的影响, 并取决于个人的恐慌程度, 如下式:
其中V表示行人期望速率, vgi表示个体受到周围人群 (即人群半径2~3m) 的平均速度, P为恐慌系数。
在现有社会力模型中, 在人群拥挤的情况下, 没有对人群挤压设置挤压阈值, 从而导致出现人群重叠的不合理现象。设最大挤压量为Smax, 在物理模型中经常应用加入接触力的方法避免重叠现象的发生。使用的公式是:
当时, fij, c=0, 其中, C和α为常数。
当人群以较低的密度移动时, 行人个体以自身驱动力朝期望方向前进, 以心理排斥力避开前方视线中的行人或障碍物。当人群移动到瓶颈区域时, 人群密度增加, 可能会产生人群滞留现象。而随着人群的不断增加, 滞留人群开始慢慢拥挤, 在拥堵的过程中会导致人群竞争行为。由于对出口巨大的吸引力以及周围人群的盲从行为, 使得人群行为更加不可控。本文提出竞争因子, 即个体或群体之间力图胜过或压倒对方的心理需要和行为活动。在出口处, 人群处于高密度状态, 人与人之间的心理排斥力趋近于零。瓶颈处拥堵形成人群成拱现象。
3.2 竞争因子
拥挤人群在某些诱因的作用下极易造成混乱, 进而人群出现的恐慌心理, 个人的情绪变得十分紧张, 从而产生一些不理性行为。由于对出口的吸引力及周围人群的阻碍力, 竞争因子促使个人极大限度的保护自身安全, 维护自身的利益, 逐渐接近出口而远离危险的目标。竞争因子与突发事件的危险紧急程度, 拥挤人群信息通畅程度, 竞争目标的吸引力, 出入口熟悉程度, 个人自身的求生欲望, 心理素质等等有关。竞争因子的产生加剧了人与人之间的相互作用力, 导致其他不太熟悉的疏散出口被忽视掉或不能充分的利用。当造成的成拱现象人群密度达到13人/m2以上时, 由于人群外侧的拥挤力量过大而使拱形崩溃, 而出口外的人群密度较低, 前面的人很容易失去平衡摔倒, 遭到后面人群的踩踏。
当行人距离出口越远, 竞争因子的产生导致行人期望速度增加。在期望速度较小时, 人群疏散时间随期望速度的增大而减小, 而当期望速度增大到2m/s左右时, 疏散时间达到最小, 期望速度增加, 疏散时间也增加。当人群密度较大, 人群存在一定的恐慌心理时, 竞争因子会明显影响人群的运动行为, 但过高的竞争因子会降低人群的疏散效率。
4 结语
随着社会的发展, 大型活动人群拥挤的安全越来越受到公众的关注。本文主要从人的因素分析了人群拥挤存在的风险, 人群密度和速度会影响到人群的行为和心理, 反过来, 后者也会影响前者。以社会力模型为基础, 在密度较大时的疏散出口产生成拱现象并伴随竞争因子的出现, 进而影响到行人的期望速度和疏散效率。然而人群拥挤是一个非常复杂的动态过程, 还需要考虑更多的人群特性以及行人运动过程中的随机影响。
摘要：从人、物、环境、管理四个方面论述了人群拥挤存在的风险因子, 以人因为重点总结出人群密度, 人群速度, 人群行为和人群心理四要素。以社会力模型为基础, 针对人群密度较大时改进了行人重叠的算法, 并提出了在疏散出口处, 由于对出口巨大的吸引力以及周围人群的盲从行为, 行人产生了竞争因子, 以及竞争因子对期望速度的影响。
关键词：群拥挤,社会力模型,竞争因子,期望速度
参考文献
[1]张青松.人群拥挤踩踏事故风险理论及其在体育赛场中的应用[D].天津:南开大学, 2007:80-86.
[2]R.L.Hughes.The flow of large crowds of pedestrians[J].Mathematics and Computers in Simulation, 2000, (53) :367-370.
[3]HelbingD, Farkasl, Vicsek.T.Simulating dynamical features of escape panic[J].Nature, 2000:407-487-490.
[4]罗茜.人员疏散的社会力修正模型及其仿真研究[D].北京:首都经济贸易大学, 2010:31-33.
[5]卢春霞.人群流动的波动性分析[J].中国安全科学学报, 2006, 16 (2) :30-34.
[6]杨霞.大型活动安全管理存在的问题及对策[J].北京人民警察学院学报, 2005, (4) :24-26.
[7]孙超, 吴宗之.公共场所踩踏事故分析[J].安全, 2007, 28 (1) :18-23.
构建胜任力模型三步骤 篇2
建模顾问的选择——实战、实在
从目前主持和主导胜任力建模的咨询顾问的履历看，很多都没有在企业一线任职的经历，对企业实际运作不熟悉，大多只有一些概念或理念。虽然有咨询公司的数据库作支持，但数据库毕竟不是活生生的企业实践。这种类型的顾问所构建出来的胜任力模型在很大程度上会与企业实际相脱节。
一个实用、适用的胜任力模型，应该具备以下几个特征：
第一，应该考虑到人才对企业文化的适应性，应该充分体现企业文化对人才的要求；
第二，以战略为导向，必须反映战略发展、行业特征对人才的要求；
第三，以职位的客观要求为依据，必须从职位的实际出发，以完成职位的工作任务为标准；
第四，必须反映企业成长阶段，以适应公司发展阶段性的任务要求。
如果建模顾问没有实际的企业经营管理经验，很难既从战略、行业、企业发展阶段的高度，又从具体业务流程的实际进行全面把握。企业在选择建模顾问时，应充分考虑以下几个方面：
第一，精通胜任力模型构建的技术和方法；
第二，有丰富的企业经营管理经验，能对企业的战略态势、行业特征、发展等问题形成精准、恰到好处的判断，对企业各大业务模块有过广泛的接触，熟悉各业务模块的基本业务流程；
第三，精通企业人力资源管理各大模块的操作，最好是在企业从业期间主持或主导过胜任力模型的构建与应用工作，对胜任力模型在企业中的应用有实战经验；
第四，有职业道德，做事稳健、实在，在工作中善于沟通、协调，并乐于扶持客户方的项目组成员。
把握胜任力的关键——行为描述
胜任力有三种表现形式：知识和技能——容易判断，可培训改进，但难以预测高绩效(尤其是中高层管理人员)；行为习惯——可观察，通过有效方法可评估判断、引导发展，与高绩效高度正相关；个人特质、动机、价值观——有很隐蔽的权变性，通过行为习惯反映，与高绩效有一定联系。其中，“行为习惯”最关键。
总的来说，在对胜任力进行行为描述时，应该遵循以下几条原则：
第一，不要在乎词句的优美，要用员工容易理解和记忆的语句，越朴实越好；
第二，不要含混不清，要实在、具体，提倡什么行为，杜绝什么行为，应一目了然；
第三，要紧贴企业实际，更要与业务流程相匹配。
胜任力模型的应用——各个击破，顺势铺开
胜任力模型需要一个有利的组织氛围。培育氛围最有效的方法是“定点示范”。示范部门应具备几个特征：
第一，在该部门构建和应用胜任力模型对企业当前业务发展有重大突破；
第二，得到领导者的大力支持；
第三，部门主管人员对模型构建与应用有强烈需求。
以华立集团为例，根据集团的多元化发展战略，华立控股为了在2002年前后开展新一轮的并购高潮，需要向各子公司派驻高素质的财务管理人员，建立华立集团财务管理人员的胜任力模型。当时，华立集团的高层领导对财务管理人员胜任力模型的构建和应用非常重视，财务总监也亲自要求人力资源部协助开展财务管理人员胜任力模型的构建和应用工作。在人力资源部的牵头和指导下，结合华立集团财务部的力量，华立集团构建了财务管理人员胜任力模型，收到了巨大的成效。在财务部的示范作用下，华立集团的其他各职能部门、各事业部、各下属子公司都相继开展了胜任力模型的构建和应用。胜任力模型是人力资源管理的一个有效工具，它的应用可以贯穿人力资源管理的各大模块，但其侧重点是不一样的(表1)。
社会力模型 篇3
支持向量机[1]SVM是Vapnik等人基于统计学习理论和结构风险最小化原则提出来的一种强大的学习机器。相对于传统的学习方法,SVM能够很好地解决维数灾、小样本以及非线性等难题,目前已被 应用于图 像分类[2]、故障诊断[3]、模式识别[4]、交通流量预测[5]等领域。
SVM虽然有着完备的理论基础,但在应用中仍然存在问题,比如其参数的选取。实验表明,模型参数对SVM的性能有着至关重要的影响。传统的直观经验法或实验法不仅计算量大、效率低,而且选取的往往是局部最优参数。随着智能优化技术不断发展,智能优化算法为SVM参数选取提供了一条有效途径[6,7]。文献[8,9]提出两种基于遗传算法GA的SVM参数选择方法,结果表明利用GA对SVM参数优化不仅缩短了计算时间,还减少了对初值选取的依赖度,但是基于GA的方法需要针对不同的优化问题设计不同的交叉、变异算子。文献[10]利用粒子群算法PSO对SVM参数进行优化,取得了比较好的效果, 但是基于PSO的方法全局搜索能力差、易陷入局部最优。
受不同物种的启发,研究者们提出来许多基于不同搜索机制的智能优化算法,但在求解不同问题时,这些算法普遍存在一些缺陷。如GA与人工鱼群算法AFSA在算法后期收敛速度较慢,并且AFSA通常仅仅可以获取较为满意解的区域,很难得到精确解; PSO的单向信息共享虽然加快了收敛速度,但粒子过早的聚集使算法易陷入局部最优,同样人工蜂群算法ABC在迭代后期种群多样性缺失,也会遇到陷入局部最优的问题。事实上, 目前还没有一种算法可以完全满足人们的需要,因此,改进已有算法或提出基于不同机制的算法用于解决不同优化问题是一项具有重要现实意义的研究课题。
社会力模型[11]是Dirk Helbing等人提出来刻画人群动力学的仿真模型,模拟了人群疏散过程中自组织现象以及拥挤退避等行为。然而,社会力模型忽略了人类社会的协作互助行为。 将社会力模型同人类的协作互助行为相结合,本文在基于社会力模型群智能优化算法[12]SFSO的基础上进行了改进。改进后的SFSO算法在排斥力的作用下可以有效地避免算法陷入局部最优,单维协作与多维协作相结合,提高了算法的收敛速度和求解精度,使算法具有良好的“探索”和“开发”平衡能力。将该算法用于SVM参数优化,提高了分类精度,为SVM的参数选取提供了一种有效的方法。
1 基于社会力模型优化算法
1. 1 社会力模型
社会力模型作为一种多个自驱动系统的框架,体现了群集智能特性和自组织行为。行人在期望力的作用下向目标运动, 当行人间距离较小时,排斥力就会使行人的运动方向发生改变。 社会力模型用力的方法描述了行人之间以及行人与建筑之间的非线性作用,用期望力来反映个体对目标的期望作用,用排斥力来解释个体之间保持一定距离的原因,用个体与墙之间的排斥力来反映个体对墙的心理作用。
1. 2 改进 SFSO 算法
文献[12]提出的SFSO算法虽然在二维多模态函数求解的实验中表现出较强的搜索能力,但在实践中仍然存在很多问题, 比如对高维函数的求解精度较低、收敛速度慢、容易陷入局部最优。对于某些测试函数实验表明: ( 1) SFSO算法在目标选择时采用阈值因子线性调整策略,影响了算法的收敛效率; ( 2) 行人期望速度的确定不能根据优化问题的解空间大小进行自适应调整; ( 3) 在算法迭代后期,排斥力已经减至很小时,速度项仍然很大,使行人不能在目标附近求精,影响了最终的求解精度。
针对以上问题,本文对SFSO算法进行改进,主要包括: ( 1) 在目标选择阶段采用概率选择的机制,防止陷入局部最优; ( 2) 建立期望速度可以根据解空间大小自适应调整的机制; ( 3) 协作阶段采用单维更新和多维更新,加快了收敛速度并提高了求解精度。算法伪代码如下:
1. 2. 1 初始化
初始化主要包括行人的数量N,最大迭代次数tmax,当前位置pα,历史记忆hα,行人 α 的初始位置由式( 1) 随机生成:
式中pα,i为pα的第i维分量,i = 1,2,…,D,rand为[0,1]之间的随机数,ui和li分别为解空间上下限的第i维分量,可行解pα的适应度值计算公式为:
式中rank为目标函数值的排列序号。
1. 2. 2 目标选择阶段
为了防止陷入局部最优,保持目标集的多样性是求解的一个关键问题。本文采用概率选择机制,行人的历史记忆被选入目标集T的概率按式( 3) 计算:
式中fit( hα) 为行人 α 历史记忆的适应度值,fitmin为当代个体适应度最小值,max(·) 为取最大值运算。当随机数rand ≤ probα时,将行人 α 的历史记忆hα选入目标集T中。目标集T选定后通过计算行人 α 与目标集中每个目标的距离,从中选取距离最小的作为 α 的目标Tα。
1. 2. 3 社会力驱动
改进的SFSO算法在计算社会力之前,采用概率选择的方法将子群体Gk中的个体分为自由个体和非自由个体。在Gk中, 计算每个行人的当前位置与目标的距离,并求出行人对目标的相对距离RDα。依据每个个体的相对距离最终得到行人成为自由个体的概率:
式中 ρα为行人成为自由个体的概率,RDα为行人 α 对目标的相对距离。当随机数rand ≤ ρα时,行人 α 成为自由个体,否则为非自由个体。
群体被分为两类后,分别执行不同的搜索机制: 自由个体会放弃当前位置按式( 1) 执行随机搜索,提高算法的全局搜索能力; 非自由个体则会在社会力的驱动下朝着目标运动。行人 α 的社会力主要包括期望力fdα以及行人 β 对 α 的排斥力fγαβ,定义如式( 5) :
行人 α 的期望力fdα由式( 6) 定义:
式中acα( t) 和vα( t) 分别为t时刻行人 α 的加速度和速度,τ 为行人的适应时间,本文设为1。加速度acα( t) 由式( 7) 给出:
式中eα( t) 、vdα( t) 分别为t时刻行人 α 的期望方向和期望速度, u、l为解空间的上下限,Vfac为速度因子,本文设为5 × 10-6。 eα( t) 与vdα( t) 由式( 8) 、式( 9) 给出:
式中 λ 为期望因子,设置为6. 25 × 10-3,ε、η 为期望速度范围的控制参数。dα,Tk为行人 α 距目标Tk的距离,dξ,Tk为子群体中个体到目标距离的最大值。
行人 α 与 β 的排斥力由式( 10) 给出:
式中A、B为排斥力参数,设为A = 10-4,B = 0. 1,R为行人半径, dαβ为行人 α 和 β 之间的距离,ndαβ= dαβ/ max( | dαβ| ) 。
半径R与行人当前位置和历史记忆的标准差 δc、δh有关,每一代群体的标准差和半径的更新采用加权的方式,用权重因子 μ 对历史代和当前代的标准差、半径进行权重分配,标准差更新按下式求得:
式中 δcn、δnh为第n代当前种群位置和历史记忆位置的标准差, p( n+1)和h( n+1)分别为第( n + 1) 代的行人当前位置和历史记忆, std( ·) 为求标准差运算。半径的更新如式( 13) :
式中Rn为第n代的行人半径,RX为半径调整因子如式( 14) :
行人 α 的速度按式( 15) 进行更新:
式中,vα( t + Δt) 与vα( t) 分别为行人在t + Δt和t时刻的速度, fdα( t) 和fγαβ( t) 分别为行人在t时刻所受期望力和排斥力。
行人的位置按式( 16) 进行更新:
式中pα( t + Δt) 和pα( t) 分别是行人在t + Δt和t时刻的位置, vα( t) 是行人速度,本文中t为代次n,Δt为1。
1. 2. 4 历史记忆更新
经过行人的位置与速度更新之后,对行人的位置进行适应度值计算,通过如下方法选择是否进行个体历史记忆的更新: 当满足 δnh< δcn,且rand1< rand2,则更新该个体的历史记忆。
1. 2. 5 协作阶段
协作意味着行人间的信息彼此共享,主要包括两方面信息: 当前位置信息和历史记忆信息。为了得到更加优秀的解,若新产生解的适应度值高于历史记忆,则用新解更新历史记忆。
改进的SFSO算法采用单维协作与多维协作更新历史记忆,分别定义如式( 17) 、式( 18) 所示:
式中i,j代表随机选择的维数,h'α,i为新生成行人 α 历史记忆的第i维分量,pβ,i为行人 β 的当前位置的第i维分量,h'α表示新生成行人 α 的历史记忆,rand、a和b表示为[0,1]的随机数。如果两个随机数满足c < d时,则按式( 17) 进行单维协作,否则按式进行多维协作。
2 改进 SFSO 的 SVM 参数选择
2. 1 SVM 原理
SVM[13]的基本思想是将训练样本数据通过非线性映射函数 映射到特征空间H中。S = { ( xi,yi) | xi∈ H,yi{ ± 1} ,i = 1,2,…,l} 为给定训练集,其中xi表示输入向量,yi表示xi对应的输出值。SVM通过寻找满足分类要求的最优超平面,在保证该超平面正确分类的基础上,使得两类数据集的距离最大。因此,可以将SVM的学习过程转化为如下优化问题:
其中C为惩罚因子,w为超平面的法向量,ξi为松弛变量。
引入Lagrange函数,将二次规划问题转换为相应的对偶问题,如式( 20) :
其中,K( xi,xj) 为核函数,其值受核函数参数 σ 影响。
2. 2 改进 SFSO 算法优化 SVM 参数流程
Step1设置算法参数。种群大小N,行人的适应时间 τ,最大迭代次数tmax,速度因子Vfac,期望因子 λ,期望速度控制参数 ε、η,排斥力参数A、B,权重因子 μ 。
Step2读取样本数据并初始化种群。分别生成N个行人的当前位置和历史记忆,每个行人由( C,σ) 组成。
Step3适应度计算。对初始种群进行SVM训练并计算个体的适应度,本文采用SVM分类的正确率作为适应度函数。
Step4选择目标。按式( 3) 形成目标集T并为每个行人选定自己的目标Tα。
Step5计算期望力与排斥力。
Setp6行人的速度和位置更新。
Setp7更新历史记忆。计算更新后的种群个体适应度值, 以概率的方式进行历史记忆更新。
Step8协作。对历史记忆采用单维协作或多维协作,保留协作后适应度较高的历史记忆。
Step9终止条件判断。如果n > tmax,则算法停止,输出具有最大适应度个体作为最优参数。否则返回Step4。
3 仿真实验
3. 1 函数优化实验
为了测试改进后SFSO算法的有效性,本文选取6个benchmark函数[14]进行测试,其基本特性如表1所示。每种算法对6个函数独立运行30次,记录每次运行的最优值,最终得到平均值( Mean) 、标准偏差( Std) 、最优值( Best) 如表2所示。
从表2可以看出不论是低维还是高维函数,改进后的SFSO算法都表现出较好的求解效果,精度有了明显的提高。
为了进一步研究改进SFSO算法跳出局部最优的能力,选取30维Rastrigin函数进行测试,通过观察种群中某个行人的受力情况、适应度值以及种群方差变化来说明改进SFSO算法跳出局部最优的能力。
图3是种群在整个进化过程中的方差图,由图明显看出,在大约70代时,当前代种群整体方差水平较低, 说明大多数行人均集中在某区域搜索,而从图2看出此时适应度值并未达到全局最优值附近,由于行人大量聚集,从图1看出同一子群Gk中其他个体对 α 排斥力急剧增大, 使子群中的行人重新分布在解空间中搜索,重新分布的行人在改进SFSO搜索机制的引导下,使算法逐渐收敛到全局最优,如图2所示。综上所述,排斥力可以有效阻止算法陷入局部最优, 增强了算法的全局搜索能力,受排斥力作用的个体重新选定目标后,执行改进SFSO的搜索机制,再利用行人的单维协作与多维协作相结合,加快了算法的收敛速度并提高了求解精度。
3. 2 SVM 参数优化
3. 2. 1 参数设置
3. 2. 2 实验描述
为了验证改进SFSO算法优化的SVM对不同数据分类的准确性,本文选取UCI标准数据集中6个代表性的数据进行训练和测试,各类数据的属性如表3所示。实验中,为了消除不同量纲之间的数据差异对SVM预测精度和推广能力的影响,对数据进行归一化预处理。同时,为了说明本文算法的有效性,选择PSO、GA这两种经典的群智能优化算法进行对比。
3. 2. 3 实验结果与分析
通过对UCI标准数据集进行测试,三种方法对不同数据集的分类正确率以及对应的C、σ 如表4所示。由实验结果可以看出,对于Breast、Diabetes、Heart、Wine这4个数据集,通过改进SFSO算法优化的SVM最终得到的分类正确率高于GA和PSO优化后的结果。由于GA与PSO会出现不同程度的早熟收敛, 且易陷入局部最优,由前面的分析可知,改进SFSO借助排斥力的作用,可以有效地避免陷入局部最优,期望力与协作的共同作用,提高了算法的搜索能力以及求解精度,因而得到了更高的分类正确率。虽然对于Iris,改进SFSO算法与GA的分类正确率相同,而对于Iononsphere数据集,三种方法的分类正确率相同, 但是通过每种算法对这两个数据集独立运行10次,进一步观察分类准确率的箱线图( 如图4所示) ,发现改进SFSO算法优化的SVM分类稳定性高于其他两种算法。
为了进一步分析三种算法在SVM参数组合寻优的收敛性问题,作如图5 - 图10三种算法对6个数据集的分类对比图。
由图5 - 图10看出,通过对六个UCI数据集进行分类测试并选取最优的SVM参数组合的实验表明: 基于改进SFSO算法的SVM参数寻优比基于GA、PSO的参数寻优具有更好的分类准确率,同时具有更快的收敛速度。综合以上实验可以看出,基于改进SFSO算法的SVM参数寻优法具有更好的学习性能。
4结语
SVM的参数选择是一个既有实际价值又有理论意义的研究课题。本文针对SVM参数选择的问题提出一种改进基于社会力模型的群智能优化算法的SVM参数优化方法。在改进SFSO算法特有的搜索机制的引导下,使全局搜索和局部搜索建立了良好的平衡。实验结果表明改进后的SFSO算法不仅对于求解函数优化问题具有较强的鲁棒性和较高的求解精度,而且经改进SFSO算法优化后的SVM具有更快的收敛速度和更高的分类正确率。
摘要：为了解决支持向量机(SVM)参数优化的问题,提出一种改进的基于社会力模型群智能优化算法SFSO(Swarm Optimization algorithm based on Social Force Model)的SVM参数优化方法。SFSO通过期望力和排斥力使算法在全局搜索和局部搜索中能够较好的平衡,利用SFSO特有的搜索机制对SVM的惩罚因子和径向基函数进行优化,提高SVM的分类性能。通过对几个benchmark函数和常用的UCI数据集进行测试表明:改进后的SFSO算法不仅对于求解函数优化问题具有较强的鲁棒性和较高的求解精度,而且经改进SFSO算法优化后的SVM具有更快的收敛速度和更高的分类准确率。
社会力模型 篇4
传统的视频监控系统通过监控场景的闭路电视进行人工监控报警,费时费力且缺乏客观性。而随着监控系统规模的不断扩大,视频数据量快速增长,有限的人力已经很难从海量的监控视频中及时有效地获取有价值的信息。因此,采用计算机视觉技术的智能视频监控系统已经成为一种必然趋势。近年来,随着社会的发展以及人口的不断增多,大规模人群活动中突发事件造成的人员伤亡引起人们对社会公共安全问题的高度重视,使得对群体事件的自动监控识别成为公共安全领域的研究热点。
1 研究现状
对视频中群体事件的分析按其研究对象的不同主要分为两类:基于个体目标的研究和基于群体特征的研究。第一种基于个体目标的研究方法将个体看作是群体的一部分,通过对视频中个体目标的识别跟踪来分析整个人群的行为特征[1,2]。这种方法在人群稀疏、场景简单的状况下效果较好。当人群密度较大、场景较复杂时,多目标的识别和跟踪大大增加了其算法的复杂度,而目标的分割与跟踪也由于遮挡、聚簇等变得难以实现。
另一类研究主要是基于群体特征的研究。它将人群看作一个整体,对视频场景进行特征提取,结合人群模型,利用机器学习或模式识别等技术,对异常行为和正常行为进行分类。该方法对人群整体的分析效果较好,尤其适用于密度较高的人群。群体特征分析框架一般包括特征提取、人群建模、事件检测等。人群建模按其建模思想又可分为三类。第一类直接对从视频中提取出来的特征信息进行分析,不需明确的人群模型。Andrade等人[3,4]用光流提取视频特征,结合谱聚类、主成分分析以及隐形马尔科夫模型对运动进行分析,并针对仿真数据进行了测试验证。第二类为Agent模型,综合博弈论、社会学、蒙特卡洛等方法来对群体中的个体行为进行建模。第三类则是基于物理学中的动力学模型来对人群中的个体进行建模。Ali等人[5]使用拉格朗日粒子动力学检测人群中的不稳定性。Helbing等人[6]提出的社会力模型则由于可以较好的模拟人群中个体的运动及其受力情况而被用于群体建模。近年来,Mehran等人[7]将社会力模型应用于视频中异常行为的检测,用社会力模型计算每个采样点受到的相互作用力,得到图像上的社会力场,机器学习以判别视频中的异常行为。
针对Mehran等人提出的社会力模型忽视了场景中各区域信息差异性的缺陷,本文将时空LBP序列谱特征所包含的区域密度信息融入社会力模型,使社会力模型更好的对群体进行建模。实验证明,改进后的算法在异常行为的查准率和查全率上都有很大的提高。
2 算法设计
算法的总体流程图如图1所示。首先对视频进行网格状采样,降低维数;再分别计算采样点的光流大小及时空LBP谱特征,其中光流计算中加入了透视畸形矫正参数,时空LBP谱特征融入了场景区域信息;最后结合社会力模型将处理好的数据通过机器学习进行场景分类判别。
2.1 基于块匹配法检测光流
本文采用光流向量表示速度大小来进行社会力的计算,首先对视频进行空间和时间上的网格状采样以降低维数,然后基于块匹配法计算采样点的光流。匹配能量函数采用平均绝对值差函数,如式(1),运算量小,可大大提高算法运算速度。块匹配采用旋转搜索,在找到局部极小值后提前结束运算,降低了计算复杂度。
此外,由于距离摄像头越远的人在图像平面上所占据的大小越小,同样的位移在距离摄像头越远的地方所代表的速度越大,为了减小射影畸形误差,提高准确率,同时又考虑到计算的复杂度,本文中采用了基于线性内插权重的透视矫正,离摄像头越远,矫正参数越大[8]。为了避免了静止物体加入矫正后引入误差,本文只对光流大于一定阈值的采样点进行矫正。
2.2 基于局部二值模式的谱分析
局部二值模式(Local Binary Pattern,LBP)将邻域作为一个处理单元,将中心像素灰度值设为阈值,与处理单元中的其他像素相比,大于阈值,则对应邻域像素位置为1,否则置0,从而得到0和1交替排列的二进制序列[9]。
该方法对像素变化大小表征的不明显,为了弥补此缺陷,本文采用根据与中心像素差值的大小来决定赋值。差值大的置为1,差值小的置为0。取相邻多帧排列计算,加入了视频的时域特性。序列顺序主要有两种:螺旋形(空时顺序),即先在帧内旋转排列,再沿圆柱体在帧间旋转排列;之字形(时空顺序),即先排列帧间对应点,再走之字形旋转排列。最后将采样点处得到的二进制序列进行谱分析并将其归一化。整体流程如图2所示(详见网页http://photo.blog.sina.com.cn/photo/a6bd724d4c1b7ab99a866)。
其中,人群流量大的地方像素变化大,相应的二进制波形变化快,谱分析得到的频值也大。将谱特征大小映射为光谱图,如图3所示(详见网页http://photo.blog.sina.com.cn/photo/a6bd724d4c1b7ab93ed3f),可以看出人群密度和谱特征之间的正比关系。
2.3 时空LBP加权社会力模型的计算
社会力模型假设行人受到两种虚拟的作用力:来自行人的自身希望作用力和来自外界环境的交互作用力。自身希望作用力Fp是指行人主动给自己附加的内在作用力,通过不断地修正其自身的运动速度和方向,使其朝着预定目标运动。来自外界的交互作用力Fint是指行人受到的来自障碍物以及其他行人的排斥力与吸引力
式中:vi为实际运动速度;v
本文使用光流运动向量来估计采样粒子的运动速度以及邻域粒子的平均速度,如式(5),其中
带入式(3)得到
由于粒子i处LBP谱特征值越大,代表人群密度越大,相应的粒子i的质量也越大,也越倾向于按照周围粒子的趋势运动。因此质量mi和聚集移动参数pi与LBP谱特征值成正比,可采用LBP谱特征值来表示质量mi与聚集移动参数pi,使社会力模型能够更好地融入视频的时域特性和密度特性,更好地模拟行人运动。
2.4 基于SVM的异常行为检测
人群特征向量与群体事件分类之间的关系是一个典型的回归问题,而支持向量机(SVM)是一种解决非线性回归问题的有效工具。传统的决策函数方程为
式中:xi为支持向量。本文采用高斯径向基函数(Radial Basis Function,RBF)作为核函数。考虑到计算复杂性和特征向量的性质,采用“一对一”分类算法。忽略社会力的方向和正负号,将社会力场Fint的大小量化为直方图分布,经归一化后输入SVM分类器。使用已标定好的数据训练模型,然后使用测试数据来验证异常事件的检测结果。
3 实验结果与分析
实验采用的视频序列来自明尼苏达大学中的人群异常事件序列[10],包含室内和室外2种场景,如图4所示。每段视频中的人群在正常行走一段时间后开始四面八方骤散,本文中定义人群骤散的事件是需要进行检测的异常行为。其中,室内场景采用548帧进行训练,893帧进行实验结果验证;室外场景采用802帧进行训练,675帧进行实验结果验证。图4a为室内正常,图4b为室内异常,图4c为室外正常,图4d为室外异常。
本文分别使用传统社会力和基于时空LBP加权的社会力进行异常行为检测,通过实验对比两种方法的优劣。检测结果如图5所示(详见网页http://photo.blog.sina.com.cn/photo/a6bd724d4c1b7ab98e413)。图中的横轴表示时间域上异常行为的检测结果,室内场景总长893帧,室外场景总长675帧,其中绿色表示正常,红色表示异常。可以看出,由于基于时空LBP加权的社会力模型加入了部分时域信息,并融入了区域密度信息,使得检测出的异常事件更为连续且准确,较少出现断点情况。
此外,实验还对两种算法的查准率和查全率进行了对比,如表1、表2所示。从表中的统计结果可以看出,改进的基于时空LBP加权社会力模型的人群异常行为检测算法在查准率和查全率上都有了较大的提高,提升了算法的整体性能。
4 小结
本文提出的改进算法不需要复杂的背景建模、前景提取以及目标的检测与跟踪,并采用网格状采样以降低维数,大大降低了算法的复杂度,减小了计算量。根据时空LBP序列得到的谱特征能够很好地表示出采样点的密度质量及其随其他采样点聚集移动的程度,重点区域重点对待,增加了信息量,使社会力模型能够更为精确地对人群进行建模,从而更为准确地检测出人群异常事件。实验证明,相对于传统的社会力模型检测算法,本算法在异常行为的查准率及查全率上都有较大提升,是一种实时可靠的人群智能监控算法。
参考文献
[1]JACQUES J C S,BRAUN A,SOLDERA J,et al.Understanding peoplemotion in video sequences using voronoi diagrams[J].Pattern Analysis&Applications,2007,10(4):321-332.
[2]KILAMBI P,RIBNICK E,JOSHI A J,et al.Estimating pedestrian countsin groups[J].Computer Vision and Image Understanding,2008,110(1):43-59.
[3]ANDRADE E,BLUNSDEN S,FISHER R.Modelling crowd scenesfor e-vent detection[C]//Proc.18th International Conference on Pattern Rec-ognition.[S.l.]:IEEE Press,2006:175-178.
[4]ANDRADE E,BLUNSDEN S,FISHER R.Hidden markov models for op-tical ow analysis in crowds[EB/OL].[2012-04-20].http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.64.212.
[5]ALI S,SHAH M.A lagrangian particle dynamics approach for crowd owsegmentation and stability analysis[C]//Proc.IEEE Conference onComputer Vision and Pattern Recognition,2007.Minneapolis,MN:IEEEPress,2007:1-6.
[6]HELBING D,MOLNAR P.Social force model for pedestrian dynamics[J].Physical Review E,1995,51(5):4282-4286.
[7]MEHRAN R,OYAMA A,SHAH M.Abnormal crowd behavior detectionusing social force model[EB/OL].[2012-04-20].http://libra.msra.cn/Publication/6368031/abnormal-crowd-behavior-detection-using-so-cial-force-model.
[8]苏航.基于高清视频的大规模群体分析技术研究[D].上海:上海交通大学,2009.
[9]YANG Hua,SU Hang,ZHENG Shibao,et al.The large-scale crowd den-sity estimation based on sparse spatiotemporal local binary pattern[C]//Proc.2011 IEEE International Conference on Multimedia and Expo.Bar-celona:IEEE Press,2011:1-6.
社会力模型 篇5
随着今年来群体性事件的频繁爆发 , 基于视频的群体性事件预警成为了国际上的焦点之一 , 研究学者们提出了许多的方法。
文献 [1] 中提出了一种通过对个体的视频行为识别和跟踪运动目标来判断视频中的整个人群的行为特征。 另外的一些文献中提出了基于群体的研究 , 将整个人群视为整体来研究 , 通过分析整个人群的特征 , 进行特征提取 , 并和人群模型相结合 , 利用机器学习的方法进行分类 , 主要的特征有时空梯度[2]、纹理特征[3]以及光流[4,5]。文献 [6] 则是提出了一种将个体和群体结合起来的方法。
文献 [2] 中提出了一种基于社会力模型的群体性事件检测方法 , 但是该方法有着对于视频图像的部分信息丢失和忽略了信息的差异性的缺点。本文的方法是利用社会力模型和光流向量来进行检测视频中的异常事件 , 可以有效连续的检测出视频中的异常事件 , 并且有效降低了时间复杂度。
2光流法与社会力模型[2,8,7]
光流法在计算机视觉中经常被用来检测运动目标 , 它采用速度矢量 (u,v) 来表示目标像素的运动速度和方向[7]。计算光流的主要原理是利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”。因此可以将图像上的运动场转化为光流场。在一个图像序列中 , 利用光流约束方程式 (1) 可以求出速度矢量 (u,v)[7]:
其中 ,f(x,y,t) 是 (x,y) 点在t时刻的灰度值 , 该点在经过了dt时间的运动之后到达了 (x+dx,y+dy) 处 , 将式 (1) 进行泰勒展开 , 得到一个泰勒公式 , 如果dt足够小的话 , 就可以简化为如下光流方程 :
其中fx、fy、ft均为偏导数。令则可以得到速度矢量 (u,v), 将 (xi,yi) 处的光流表示为O(xi,yi)。
社会力模型中行人受到了自驱动力和外界的作用力的合力[8], 如图1所示。自驱动力驱动行人向自己渴望行动的方向行走 , 其中 τ 是松弛系数 , 是行人渴望的行走方向。Fint是行人受到的由周围环境和行人所给予的力 , 称为社会交互力[2]。行人受到的合力即为Fa=Fp+Fint[8]。
为了模拟群体事件时候的社会力状态 , 我们将社会力模型的行人的渴望速度改为其中 ,pi是恐慌系数 ,是周边行人的平均速度 , 对于恐慌系数pi, 当行人在普通行走状态的时候 ,pi趋近于0, 而当发生群体性事件的时候 ,pi趋近于1。在文献 [2] 中 , 将行人的运动转化为粒子随行人运动的光流运动 , 这时计算 , 其中是粒子i在相应的坐标 (xi,yi) 处的时空平均光流。此时就可以计算出行人的渴望速度 :
由于在使用了以上修改过后的粒子的渴望速度之后 , 粒子是与粒子群流动的速度一起移动的 , 而且每个粒子具有的渴望速度是与当前的光流的速度有关,因此, 粒子的期望速度与实际动态的速度之间的任何差异都是粒子与粒子或者环境之间的相互作用的缘故。在此我们假定粒子的质量mi=1, 则社会交互力Fint为[2]:
3方向熵[3,9]
香农认为信息熵是对物体运动状态的不确定性的度量[9], 在信源发出消息后 , 消息附带的信息的概率越小 , 不确定性越大 , 即信息量越大 ; 反之 , 附带的信息的概率越大 , 不确定性就越小 , 即信息量越小。定义信息熵为 :
视频帧在经过光流计算之后可以得出相应的像素的速度矢量 , 我们将运动向量极坐标化 , 并由光流向量得到方向为O(x,y)=arctan(u/v), 并且将每一个速度矢量的方向都可以聚合到一个bin上 , 在360度方向分成8个bin, 每45度一个bin, 统计每个速度矢量的方向 , 聚合成为运动方向直方图 , 我们定义直方图为 :
其中 ,n代表直方图的刻度 ,ki代表统计所得的第i刻度所覆盖的角度中运动矢量的数目。由已经统计所得方向直方图 , 我们可以通过每个刻度的数值除以速度矢量的总数 , 就可以得到每一帧的各个方向的概率分布 :
其中 ,m为一帧图像中的速度矢量的总数。有了运动矢量方向的概率分布 , 将概率分布代入式 (9), 则得到了方向熵[3]:
方向熵可以用来表征速度矢量的混乱程度[3], 从而估计当前帧中的人群运动的混乱程度 , 如果计算所得熵值比较小,则认为当前场景中的人群运动方向较为一致, 此时发生群体性事件的可能性很小 , 如果熵值比较大 , 则表明当前场景中的人群比较混乱 , 那么发生群体性事件的可能性很大。
4算法设计[2,3,7,8,10]
文献 [2] 中提出一种群体事件的检测方法 , 将视频流通过社会力模型建模之后计算出社会交互力 , 并通过固定尺度时空窗口提取单词 , 这些单词构成的时空序列可以用来描述一个视频片段的主题 , 通过生成的主题判断有没有发生群体性事件。但是 , 该方法中提取的单词没有注意到信息的差异性,在提取单词时候会截断单词, 不能很好的做出判断。
本方法流程图如图2所示 , 首先对视频进行网格化处理 , 布置自由粒子 ; 其次 , 计算每个采样粒子的光流 ; 再次 , 通过粒子的速度矢量计算社会力 , 并寻找社会力的极值点 ; 最后 , 以极值点为中心 , 计算一个固定尺度窗口内所有速度矢量的方向熵 , 通过计算方向熵是否超过阈值来判断该帧图像是否发生了群体性事件[2,3,8]。
5仿真实验[2,3,10]
本文实验采用MATLAB软件进行仿真处理 , 数据集有来自合肥工业大学的模拟群殴事件的自拍摄视频和来自明尼苏达大学的模拟逃散事件的UMN公共数据集。
1) 读入视频帧 , 将彩色视频帧转化为灰度图像 ;
2) 均匀的在图像上放置观察粒子 , 网格化图像之后放置的粒子既要保证完整的覆盖整个场景 , 也要足够优化整个计算过程 , 减少时间复杂度 ( 在实验中采用的稀疏度为32), 计算粒子所在像素的光流 , 本文采用L-K算法[10]可以更好的减少计算复杂程度 ;
3) 估算场景中的社会交互力 , 并且遍历寻找交互力的极大值点 , 寻找的方法是 , 在全部的自由的粒子中 , 在每个粒子的周边有8个邻域粒子 , 并比较相互之间的交互力的大小 , 如果出现更大的交互力的粒子的时候 , 就认定该粒子不是极大值点 , 直到出现一个粒子在他的8邻域中没有比他更大交互力的粒子出现 , 则认为该粒子位置的极大值点在此。对于有多个极值点的视频帧 , 我们需要将它们联合起来进行分析 ;
4) 设置一个以极大值为中心的固定尺度窗口 , 这样统计的矢量总数量不变 ( 图3中总的速度矢量共有600个 , 在统计的时候进行了去干扰处理 )。统计窗口中所有粒子的运动矢量方向 , 如图4绘出方向直方图 , 并且计算方向熵。在图4中 , 可以看到不正常场景中的统计分布较为平均 , 没有较为突出的统计BIN, 而在正常场景中BIN8的统计值明显高于别的统计值。
我们采用自拍摄的模拟视频为实验视频 , 该视频一共有470帧图像 , 实验中用视频的100帧图像来学习 , 并使用剩余的帧随机情况图像来验证计算的方向熵阈值。在图4所示的场景中 , 正常场景中 ( 第45帧 ) 的熵的计算值为1.7877, 不正常的场景 ( 第180帧 ) 的熵的值为2.4536。在验证过程中 , 实验结果表明检测群体事件比较连续 , 并且实验中平均每帧图片的处理时间为57.15ms, 整体算法的时间复杂度较低。本文分别对两个数据集进行了算法结果的比较 , 实验的结果如表格1所示。在表格中体现出来 , 对于自拍摄的场景视频中 , 本文算法将大量的异常帧错检为正常帧 , 通过分析发现错检的帧的人体运动量较小 , 强度较大的是肢体运动。这是本文算法的一个缺点,将在接下来的研究中进行改进。
6结束语
本文提出了基于社会力模型的视频中群体性事件检测的一种改进的方法。该方法通过对全局图像处理 , 获取光流信息 , 进一步的计算社会交互力 , 寻找到兴趣区域 , 并计算该处的方向熵的值并做出判断。试验结果显示 , 本文的方法在检测群体性事件时的准确性较高 , 并且算法的时间复杂度比经典方法较低。下一步将在事件的性质区分、以及更多的场景下做出有效的判断识别等方面做出深入的研究。
摘要：当下针对群体性事件监测的智能视频监控成为热点。对于传统的社会力模型和光流法在检测中的缺点,提出一种改进的基于社会力模型和光流场联合的人群群体事件检测方法 ,利用社会力模型寻找场景中的社会交互力的极大值点,并利用光流法计算以极值点为中心的区域的运动方向信息,用熵来描述区域的混乱程度。实验结果表明,本文的算法可以有效的检测出群体性事件。
胜任力模型溯源 篇6
一、胜任力研究溯源
胜任力(Competence)来自拉丁语Competere,意思是适当的;国内有人译作素质、能力、胜任力、胜任特征等。胜任力在管理领域的研究与应用最早可追溯到美国古典管理学家泰勒1911年通过“时间——动作研究”对胜任力进行的分析和研究。Flanagan (1954)首先提出“关键事件”方法,根据公司管理者的工作分析,认定7个管理者工作要素,即生产监督、生产领导、员工监督、人际协调、与员工的接触和交往、工作的组织计划与准备以及劳资关系,也被认为是胜任力研究的萌芽阶段。
1958年,美国哈佛大学教授戴维·麦克莱兰主编了一本题为《才能与社会:人才识别的新角度》的书,阐述了具有某些个性特征的人与其所表现出的工作取向以及工作绩效之间的相关性问题,被认为是现代意义上胜任力研究的开端,其书中所使用的Talent一词,也就是后来所使用的competence的前身。
1959年,美国心理学家罗伯特·怀特在《心理学评鉴》杂志上发表了《再谈激励:胜任力的概念》,在文章中第一次正式提到与“人才识别”和“个人特性”有关联意义的competence一词。1963年,罗伯特·怀特在《生活探索》杂志上发表了《人际关系胜任力》,对胜任力和社会生活关系作了更深入的分析和探索。
正是由于美国心理学家罗伯特·怀特使用了competence一词并作了探讨,1973年,戴维·麦克莱兰博士在其具有标志意义的文章《测量胜任力而非智力》中使用了competence而不是talent。麦克莱兰博士《测量胜任力而非智力》一文的发表,标志着胜任素质体系的基本确立。
二、Competency与Competence
关于competency与competence二词关系的讨论,从来没有停止过。学者Berman认为,competency与competence在人力资源管理领域是有区别的。他认为competency是胜任力的表现,是用来了解和识别优秀绩效、行为、功能性技能,而competence是以观察功能型的技能为基础的,主要强调整合的功能方面。McClelland认为,competence实指个体履行工作职责和取得绩效的能力,而competency则集中关注个体在一个特定情景下的实际行为和绩效。国际人力资源管理研究院则认为有必要对competency和competence这两个词做出更清晰的界定和对比,competence是一个抽象的、笼统的概念,狭义地讲,它指的是个体能够达成某个职位的绩效要求的一种状态或综合品质。相比之下,competency则是对于一个个具体的职位或工作任务而言的特质或特征。也就是说,competence具体到某个特殊的职位或任务上时,就可以提炼出一项或数项具体的competency。
综上所述,competency与competence之间是有区别的,competence是“胜任力”的意思,而competency则是“胜任特征”的意思。笔者认为,从数学角度来说,competence就是一个集合,而competency就是集合里的元素。
三、胜任力的概念及分类
麦克莱兰博士在《测量胜任力而非智力》一文中并没有给出胜任力的全面定义。他的同事斯班舍1993在《工作胜任力》中给胜任力下了定义:胜任力就是个体所具备的某种或某些潜在特质,这些特质与高绩效员工的工作表现具有高度的因果关系。在这个基础上,麦克莱兰又追加说,这些个人特质在人格中扮演深层次、持久性的角色,它们能够准确地预测出一个人在复杂的工作情景及重要职位上的行为表现。1994年,斯班舍在其著作《胜任素质评估方法》中再次对胜任力的定义进行了辨析:胜任力可以是动机、特质、自我概念、态度或价值观、具体知识化、任职或行为技能——也就是可以被准确测量或计算的某些个体特性,这些特性能够明确地区别出优秀绩效执行者和一般绩效执行者,或者说能够明确地区别出高绩效执行者和低效率的绩效执行者。
综上所述,胜任力就是用行为方式描述出来的员工需要具备的知识、技能、能力和特质,是个体能够达到某个职位绩效要求的一种状态或综合品质,具有可指导、可观察和可衡量三个特征。在建构胜任力模型时,一般将胜任力分为三类:门槛类胜任力、区辨类胜任力和转化类胜任力。
1. 门槛类胜任力。
门槛类胜任力仅指为保证工作取得成功而界定出的一些最低标准要求。一般说来,提高门槛类胜任力与取得更高的绩效之间并没有太大的关系。门槛类胜任力通常包括基本的技能、基础知识和专业知识等等,是进入某个职业的最基本的素质,也是能力继续提升的基础素质。
2. 区辨类胜任力。
区辨类胜任力是那些能将同一职位上的高绩效者和绩效平平者区分开来的素质。比如说主动性、影响力和结果导向等等。区辨类素质并不是一成不变的,而是可以通过特定的方法来加以影响和改善的。这就要求企业人力资源部门在管理人员开发中,要注意员工区辨类胜任力的开发和提高,因为高胜任力可以产生高绩效。
3. 转化类胜任力。
转化类胜任力通常是指管理人员和员工普遍都缺乏的那些胜任素质,一旦他们在这种胜任力上得到改善和提高,那么将会大大提高工作绩效。例如。“开发他人”、“系统思考”、“复原力”等胜任力就为大多数人所缺乏。当然这些胜任力的开发和提高也就比门槛类胜任力和区辨类胜任力要困难得多。一个想要出类拔萃的管理者和员工必须要注重转化类胜任力的开发和提高。
四、胜任力模型的构建方法
胜任力模型是指担任某一特定的任务角色所需具备胜任力项目的集合。即CM={CIi—=1,2,3,…,n}。CM表示胜任力模型,CI表示胜任力项目,CIi即第i个胜任力项目,n表示胜任力项目的数目。当前构建胜任力模型主要有以下三种方法:
1. 归纳法。
这是一种通过对特定的员工群体的个人特质的发掘和归纳,形成胜任能力模型的方法。此方法运用的主要工具有关键样本法和行为事件访谈法,其中运用最多的当属行为事件访谈法(BEI)。作为一种用来收集被访者个人特质的访谈方法,BEI凭借高度结构化的访谈模式和熟练掌握相关访谈技术的咨询顾问,来详细了解被访者工作中的关键事件及其成功要素,收集其过去的行为和真实想法,从中发掘有价值的个人特质。BEI的对象同时包括高绩效者和业绩平平者,通过对访谈结果的比较分析,发现导致高绩效的那些特质,作为建立胜任力模型的素材。通过BEI获取大量的“原始素材”后,咨询顾问对这些信息进行细致的筛选、编码、分级等加工过程,并最终形成胜任力模型。
2. 演绎法。
这是一种从企业使命、愿景、战略以及价值观中推导出特定员工群体所需的导致高绩效特质的方法。主要应用工具为小组讨论。演绎法的基本假设是:胜任力模型作为对任职者的一套个人特质的要求,其最终目的是为了有益于愿景、战略等组织目标的实现,并体现组织的核心价值观。演绎法的实质是一个逻辑推导过程,其基本步骤如下:(1)厘清组织愿景、使命、战略和核心价值观;(2)推导关键岗位角色和职责;(3)推导导致高绩效所需要具备的特质。通常我们通过分组访谈的方式来完成这个推导过程。分组访谈的对象既包括胜任力模型的直接针对人群,也包括其他了解情况的相关人员。访谈的结果仍将经过筛选、分类、分级等专业处理过程,以最终形成胜任力模型。
3. 限定选项法。
社会力模型 篇7
关键词：保险营销人员,胜任力冰山模型,胜任力研究
1 胜任力和胜任力冰山模型
1.1 胜任力的概念
胜任力作为特定概念出现在20世纪60年代后期的美国, 当时美国在选拔外交官员的过程中遇到困惑, 他们从众多具备高学历和优秀教育背景的群体中选拔出来的外交官员, 在实际的外交工作中表现总是差强人意, 甚至有时候“非常令人失望”。针对当时的现状和困境, 美国国务院启动了优秀实践业绩人员选拔的研究项目, 其中卓有成效的是邀请到美国心理学家麦克莱兰 (Mc Clelland) 博士, 针对优秀实际工作业绩的人才进行预测和选拔方法的研究。麦克莱兰博士在此项研究项目过程中, 提出了胜任力研究的关键性理论和技术。1973年, 他在《美国心理学家》杂志上发表了题为《Testing for Competency Ratherthan Intelligence》的文章, 文章指出胜任力作为一个人的深层次特征, 能将基于某种工作的优秀人才和普通从业者加以区分, 这种能力可以是“动机、态度、知识、技能”等多方面的个体特征, 同时这些特征可以利用各种方法进行可靠的测量、计算, 其结果能够将优秀人才和普通从业者明显区分开来。
1.2 胜任力冰山模型
胜任力模型 (Competency Model) 是担任组织或企业某一任务角色所必需的能力支持要素的集中表示, 它是完成特定职位表现要求组合起来的一组胜任力。对胜任力模型研究颇有建树的是美国学者莱尔·M.斯潘塞和塞尼·M.斯潘塞博士, 在1993年出版的著作《工作中的胜任力:优秀绩效的模型》中, 认为从业者在具体的工作环境下获得良好的工作表现和优秀的业绩, 个性特征是其最为重要的因素之一。莱尔·M.斯潘塞和塞尼·M.斯潘塞两人进行了长达20多年的胜任力研究, 选取200多种管理工作和300多种管理行为作为研究样本, 提出了“胜任力冰山模型” (The Iceberg Model) , 如下图所示。两人将从业者的胜任力比作冰山结构, 分为水上可见层和水下隐蔽层, 水上可见层包含了诸如学历、知识、教育经历等容易辨别的能力, 即麦克莱兰所说的“基准性胜任力” (Threshold Competencies) ;水下隐蔽层包含自我特质和自我动机等表面上不容易辨析, 需要通过特定的情景方能加以展现的个人能力素质, 即麦克莱兰所指的“鉴别性胜任力” (Differentiating Competencies) 。
2 保险营销人员胜任力分析
2.1 保险营销人员的基准性胜任力
保险营销人员的基准性胜任力, 包括从事保险营销工作所必需的理论、知识和专业技能, 这是应具备的基本胜任力, 如同冰山水面以上部分, 是显而易见的, 是比较容易通过学习和培训获得的能力, 这种基本胜任力不能区分高效者和普通者。作为保险营销人员, 担任保险营销的任务角色, 必须要精通各种保险业务, 拥有良好的知识素养和专业技能, 包括保险理论知识、保险行业政策、保险产品知识、保险业务流程、市场营销理论、市场分析能力、市场洞察力、表达能力、咨询能力、销售策略和技巧、基本保险销售技能、客户服务能力、保险销售经验等。
2.2 保险营销人员的鉴别性胜任力
保险营销人员的鉴别性胜任力, 它包括保险营销人员的社会角色、自我认知、特质、成就动机, 这部分是隐性存在, 隐藏在深处不容易被察觉, 如同冰山水下部分, 此部分才是区分高效者与普通者的关键。
(1) 社会角色。社会角色是指处于特定的社会与组织中的个人投射给其他人的形象或印象, 它包括社会角色的认知、行为、期待、评价。表现在保险营销胜任力上, 具体由人际交往能力、团队精神、公关能力、组织协调能力、沟通能力等要素组成。
(2) 自我认知。自我认知是一种比较高级的认知能力, 是主观自我对客观自我的认识和评价。对于营销人员而言, 倘若不能正确的自我认识, 对自身的估计和社会上其他人对自己客观评价距离过于悬殊, 久而久之形成的自满或自卑的心理特征, 将不利于保险营销工作的开展。保险营销人员的自我认知胜任力具体表现在适应能力、自觉能力、自省能力、自控能力等方面。
(3) 特质。每个人都有自己独特的能力模式和人格特质, 而某种个性特质与某些特定的社会职业相关联。而成功的保险营销人员身上都有一些共同的优秀特质, 这些特质决定着是否适合保险营销工作, 能否成为一名优秀的保险营销人员。具体包括自信心、恒心、耐心、乐观积极、责任心、诚实守信、工作态度、亲和力、爱心等要素。
(4) 成就动机。成就动机是指个体对自己认为重要或有价值的工作, 不仅乐意去做, 而且力求达到更高标准的内在心理过程。在众多的职业群体中, 保险销售人员是较为特殊的, 他们面对的工作极富挑战性, 面对复杂多变的工作环境和工作对象, 随时准备承受不确定的工作结果, 工作压力是非常巨大的。在这种压力之下, 如果没有强烈的成就动机, 保险营销人员容易遭遇困难就会产生懒怠甚至放弃的消极心理。
3 提升保险营销人员胜任力的策略
3.1 严把招聘任用关, 甄别鉴别性胜任力
全球著名的波士顿咨询公司公布的调研报告显示, 中国的保险行业代理人总体流失率每年高于50%, 保险营销人员的高频率流动成为一种普遍现象。各家寿险公司陷入“招聘—流失—再招聘—再流失”的恶性循环, 形成了不稳定的用人局面。如何才能走出这种恶性循环的怪圈, 处于源头的招聘和任用环节是解决模式问题的关键点。要提高效率、减少成本, 就必须遵循人—岗匹配原则, 将合适的人放到合适岗位上, 让合适的人做合适的事。决定保险营销人员是否成功的关键不在胜任力冰山模型的冰山以上部分, 而在冰山以下部分, 尤其是营销保险人员的成就动机和特质。如果这些胜任力不在招聘环节进行严格地筛选, 而把其放在后续培训和职业发展上, 那么组织不仅耗费巨大的成本, 而且收效甚微。在招聘的环节按照保险营销人员的鉴别性胜任力标准, 严格挑选适合保险营销岗位的具有保险营销人员胜任力的员工, 而这种胜任力是很难通过后续的培训进行改变的, 也是能区分优秀者和普通者的辨别性的重要胜任力。招聘环节应根据营销人员的胜任力需求, 针对应聘人员鉴别性胜任力的特征, 设计科学的结构化题库, 提出有效的鉴别性胜任力面试问题, 旨在重点考核应聘者胜任各个岗位的关键性个体特征和行为方式, 提高招聘工作的有效性。同时, 应重视对所有应聘者考核信息的综合分析和挖掘, 使得人员到达最优化配置。
3.2 加强职业生涯规划, 提升鉴别性胜任力
我国保险营销人员流失率高也是普遍的现象, 我们看到很大一部分保险营销人员满怀激情入行, 灰心丧气离去, 在流失的营销人员中不乏素质高、技能强、表现优秀的员工, 为何优秀的营销人员能够走进来却留不住。目前, 我国保险营销岗位管理上普遍呈现出大量增员、严格培训、低保障严淘汰等显著特征, 在这种营销管理模式下缺乏对保险营销人员足够的人文关怀, 没有帮助营销人员对自我进行评价和分析、对发展路线进行牵引和指导, 保险营销人员鉴别性胜任力得不到进一步发展和提升, 造成了保险营销人员职业安全缺乏、价值评估匮乏、发展前景黯淡的不稳定心理状态。因此鉴别性胜任力的提升也是稳定营销队伍, 促进营销能力的必要途径。目前一些保险公司已经认识到了这一点, 开始在员工的职业生涯规划上做出了有益的尝试。职业生涯规划是指针对个人职业选择的主观和客观因素进行分析和测定, 确定个人的奋斗目标并努力实现这一目标。员工规划适宜的职业生涯目的是为了通过规划求得职业发展, 制定出今后各个阶段的发展平台, 并且拿出攻占各个平台的计划和措施, 而自己则按自己的规划去充电, 使自己的薪水和职位得到提升。组织则通过帮助员工获得职业生涯的成功来谋求组织的持续发展。保险营销人员的职业生涯规划能够帮助员工提升胜任力, 促进营销人员自我认知, 探我所爱、寻我所需、做我所能、探我所适, 确立自身的社会角色定位, 明确营销人员的角色权利、角色义务、角色规范。
3.3 建立有效层级培训, 提升基准性胜任力
保险营销人员的基准性胜任力相对鉴别性胜任力而言, 是较为容易获得提升和发展的, 也是目前各保险公司普遍比较重视的部分, 我国各大保险公司在开发培训系统上投入大量成本, 基本建立起了各具特色的培训系统。基于胜任力冰山模型, 我们需要强调的是, 培训系统的层次性、针对性和效度。根据保险营销人员各种层级序列的胜任力, 建立不同的层级序列胜任力模型, 各个层级胜任力模型是不一样的, 所需要的知识和技能也不一样, 因此, 一方面必须以各层级营销人员的胜任力模型为基础, 开发各个层级符合提升对应胜任力的培训课程体系, 根据具体层次和发展阶段的需求, 拟定技能培训和专业培训项目, 提升课程培训的针对性和有效性。另一方面应加强培训效度的跟踪与分析, 确保培训体系对员工胜任力的提升效度和广度, 若效果不理想, 则需对培训内容进行改进, 甚至重新制定培训项目。同时, 为提高培训效度, 还可以重复招聘阶段对从职者进行胜任力再评估, 进一步挖掘从职者的优势和弱势能力, 归纳出各层级各阶段从职者的能力短板, 有针对性的加强和改进个人能力培养和职业发展规划, 提升组织培训的整体效力, 达到职员个体和组织整体的共同成长。
参考文献
[1]国际人力资源管理研究院编委会.人力资源经理胜任素质模型[M].北京:机械工业出版社, 2005.
[2]方羡辉.浅析胜任力模型在企业中的应用[J].企业家天地, 2009 (4) .
[3]崔冰子.关于胜任力的研究[J].社会心理科学, 2009 (2) .
国内胜任力模型研究综述 篇8
1. 胜任力的概念
胜任力一词正式成为管理领域的一个专业术语要追溯到20世纪70年代。有关胜任力的研究仍在进行中, 国内外的学者致力于找出一个能够更完整、更准确、更全面地反映出胜任力特点的概念。众多学者对胜任力的定义偏重略有不同, 但是仍可以发现其中的共同点:与特定工作相关, 且不稳定;以工作绩效标准作为参照;是个人的潜在特征或者行为。以此, 通过综合分析, 笔者认为基于现有的研究成果, Spencer, McClelland&Spencer (1994) 对胜任力的表述较为准确和完整, 即胜任力是指动机、特质、自我概念、态度或价值观、知识或技能等能够可靠测量并把高绩效员工与一般绩效员工区分出来的任何个体特征。
2. 国内胜任力研究现状
与西方国家相比而言, 我国国内胜任力理论在管理开发领域的研究和应用起步较晚, 发展速度慢, 发展空间非常大。
王重鸣、陈民科 (1999) 对全国5个城市的51家企业的220名中高层管理人员运用基于胜任力的职位分析方法进行了访问调查, 得出了高级管理者的胜任力结构, 通过比较分析, 揭示了不同职位等级在胜任力结构上的差异, 为建立高级管理者测评模型提供了依据。时勘、王继承 (2002) 利用胜任力评价技术对通信业的管理干部进行了尝试性的实证性研究, 得出了更够区分优秀组与一般组通信管理干部的胜任力模型。该胜任力模型包括10项因素:成就欲、社会责任感、人际洞察能力、影响力、领导驾驭能力、调研能力、主动性、自信、市场意识和识人用人能力。
仲理峰、时勘 (2003) 简单回顾了胜任力理论研究的历史, 分析了各种胜任力概念的优缺点, 介绍了研究胜任力的主要方法和途径, 还总结了对有关胜任力模型的研究及其研究方法。北京大学姚翔、王垒 (2004) 通过调查IT企业开发部门的322名项目经理和项目小组成员, 确定了IT企业项目经理的胜任力要素及其结构。将IT企业项目经理的胜任力归为5个因子:个性魅力、品格、应变能力、人际关系处理能力、大局观。
清华大学张德、魏军 (2005) 在对国内多家商业银行的调研过程中, 利用关键行为事件法、团体焦点访谈法, 以及胜任力评价法和多元统计分析方法, 总结出客户经理的胜任力因素, 得出商业银行客户经理胜任力结构模型。该模型包括六方面:把握信息、协调沟通、自我激励、拓展演示、参谋顾问和关系管理。
刘学方、王重鸣 (2006) 通过对200多家家族企业中高层管理人员进行问卷调查和访谈, 通过验证性和探索性因子分析在国内外首次建立了家族企业接班人胜任力模型。该胜任力模型包括组织承诺、自知开拓、决策判断、诚信正直、学习沟通、科学管理、关系管理和专业战略8个因子。
林颖以研究数量和研究内容的时间变化为线索, 将我国胜任力研究历程划分为三个阶段, 并展望了未来我国胜任力的发展趋势。
综上可知, 目前国内有关胜任力理论的研究刚刚起步, 只局限在销售人员、中层管理者、高层管理者等职业的胜任力模型研究, 对基层管理者、特定岗位胜任力的研究非常少。
3. 现有理论存在的不足
自Mc Clelland在1973年提出胜任力的概念之后距今已有将近40年的时间, 西方国家对胜任力的研究进入了相对成熟的阶段, 在该领域也取得了累累硕果。而我国直至上个世纪九十年代才开始逐渐关注胜任力, 在该领域的研究尚处于起步阶段, 尚存在“原创理论缺乏且理论研究不系统, 实证研究的本土化个性不鲜明”等问题。
我国学者在研究对象的选取上过于片面, 主要针对管理人员建立了通用胜任力模型, 而较少关注基层的创新型工作人员、技术人员的胜任力特征;多数停留在个体层面, 没有随着组织结构的改革而提升, 对个体胜任力的研究偏多, 对组织胜任力的研究偏少。
4. 未来的研究方向
胜任力的研究从个人绩效起步, 经过多年的发展逐渐完成了从追求个人绩效到改进组织绩效的过渡, 目前大多数胜任力研究中的主要目标是强调优秀绩效者的个性特征。而在未来胜任力的研究中, 将超越个体或组织的胜任力发展, 形成一种网络化的发展。这种方式强调, 以辨别和发展个体胜任力为基础, 要把个体胜任力和组织胜任力作为招聘和选拔人才的标准, 以此作为人力资源管理中职业发展和薪酬政策的起点, 建立一种集基层员工、部门管理者和高级管理者之间相互融合的网络化胜任力模型。
其中, 个体员工通过发展自己的胜任力, 以卓越的方式来完成岗位职责所需要达到的绩效;而部门管理者通过岗位胜任力的把握来规范员工的才能, 并激发员工积极为组织创造新的绩效;高级管理者则通过与战略的匹配来分析和辨别部门的核心胜任力, 并以此来指导组织发展。
同时, 在研究方法上, 我国今后的研究应当注意测评方法与测评对象的统一, 以及多种测评方法的综合运用。企业胜任力测评应涉及多种学科领域, 综合运用不同学科的理论与方法, 同时借用许多新的工程技术手段, 不断提高胜任力模型的适用性与有效性。
摘要：胜任力理论自诞生之日起就引起了广泛关注, 成为众多学科领域的研究重点。本文阐述了胜任力以及胜任力模型的研究现状, 系统地梳理了近几年来国内关于胜任力模型的研究成果, 并发现和总结其中的不足, 为今后的研究奠定基础、确定方向。