职业倦怠感因素及预测模型有效性分析

金仁旻，徐祖辉

(1.安徽经济管理学院，安徽　合肥　230059；2.上海财经大学，上海　200433)



职业倦怠感因素及预测模型有效性分析

金仁旻1，徐祖辉2

(1.安徽经济管理学院，安徽合肥230059；2.上海财经大学，上海200433)

在问卷调查的基础上首先对目前我国职场人士的职业倦怠状况进行了描述性分析。其次对导致职业倦怠的因素进行预处理，获得七个显著因素，在此基础上运用三种不同的模型对职场人士是否产生职业倦怠进行预测分析，结果表明：三个模型中，KNN模型的预测准确率最高，Logistic和LDA模型预测结果比较接近。

职业倦怠因素；KNN模型；LDA模型； Logistic模型

一、引　言

职场倦怠的性质和原因成为多学科关注的焦点已长达四十多年时间(Schaufeli[1]，2009)。该概念最早出现在临床心理学研究方面，是用来描述一些服务行业工作人员由于工作时间长、强度大而导致的一种疲劳状态(Freudenberger[2],1974)。职场倦怠会带来很大的职业风险，它会损害人们的身体、心理健康，进而影响员工的工作表现，并可能形成恶性循环(Sauter &Murphy[3], 1995)。斯坦福大学及哈佛大学的研究人员对228名有工作倦怠的人进行了调查，结果发现，有工作倦怠的人生病的风险增加50%，健康出问题的风险增加35%，早死亡的风险增加20%，职场倦怠对人健康的危害不逊于香烟。可以说，职场倦怠问题已经成为影响人们工作和生活的一大原因。

我国是世界上最大的发展中国家，正经历着经济与社会转型，人们面临的工作压力越来越大。“跳楼自杀”“过劳死”“抑郁”等职业倦怠的极端表现时有出现。著名办公方案供应商雷格斯(Regus)的最新调查表明, 75%的中国上班族觉得自己承受的压力越来越大。近67%的上班族感到一定程度的压抑，并对自己的工作时常表现出厌倦。这一比例在全球受访的80个国家和地区中最高，中国已成为目前世界上压力最大的国家之一。而73%的受访者认为工作是压力的主要原因。

因此，本文对当下我国职场人士工作倦怠状况进行调查，实证分析影响我国职场人士职业倦怠的主要因素，并通过验证不同模型在预测职业倦怠上的有效性，为今后对职场压力与倦怠进行管理和干预，提高职业群体健康水平提供参考。

二、文献综述

职业倦怠指个体在工作重压下产生的身心疲劳与耗竭的状态，最早由美国临床心理学家Freudenberger于1974年提出。他认为职业倦怠是一种最容易在助人行业(如教师、护士、律师等)中出现的情绪性耗竭的症状。随后M a s l a (1976；1981)等人把对工作上长期的情绪及人际应激源做出反应而产生的心理综合症称为职业倦怠。一般认为，职业倦怠是个体不能顺利应对工作压力时的一种极端反应，是个体伴随长时期压力体验而产生的情感、 态度和行为的衰竭状态。

后来国外学者不断对职业倦怠进行了新的研究。20世纪70年代，主要研究成果有工作—负荷控制模型和不同倦怠期的划分(Karasek et al.[5],1979 )。工作—负荷控制模型指出人与环境适应不良会产生压力反应与疾病。而倦怠期的划分可根据症状分为生理的倦怠期、智力的倦怠期、社会的倦怠期、心理情感倦怠期、心灵的倦怠期五个阶段。20世纪八九十年代的研究主要有ERI 模型(Siegristn[6]，1996)。该模型包含情境和个性两个不同成分类型。模型假设过度承诺对身心健康有主效应，高努力—低奖酬不平衡对身心健康有主效应，高努力—低奖酬不平衡与过度承诺对身心健康有交互效应。后来职业倦怠进入实证研究阶段，理论和实践开始结合，出现了资源存储理论(Hobfoll et al.[7]，2000)。该理论解释了人如何因环境需求、资源供需之间的调节关系而产生压力，适用于广泛的职业领域。还有JD-R模型(Demerouti et al.[8]，2001)。此模型从工作要求和工作资源两个角度，对倦怠的产生做出了解释。JD-R 模型不仅涉及 6 个方面的工作资源，还解释了工作要求与情感耗竭存在高相关关系，工作资源和个人效能感降低存在高相关关系。还有研究将职业倦怠研究拓展到家庭方面(Eric[9]，2010)。该研究实证分析了不同类型的家庭工作冲突与职业倦怠的关系，验证了压力冲突、行为冲突、家庭—工作冲突和职业倦怠有显著关系，而时间冲突和职业倦怠不存在显著关系。

其他比较典型的研究从环境角度解释倦怠产生的原因(Sarason[10]，2001),认为个体是否会产生职业倦怠，工作环境是一个初始决定性因素。Wulf[11](2012)就通过实证研究，指出员工所在的职业环境以及员工与服务对象所处的社会环境会对职业倦怠有影响。

相对于国外的大量研究， 我国学者对职业倦怠的研究始于最近数年，且已取得一定成果，尤其是在测量工具的本土化和对不同职业的倦怠状况探究等方面收获丰硕。但因涉足时间较短，现实条件限制，总体看来，我国职业倦怠研究还处于起步阶段，很多研究环节还属空白。代表性的有李永鑫[12](2005)等在参考 Maslach 等的工作倦怠问卷的基础上结合中国文化背景编制了倦怠问卷。在引进并修订 MBI 的基础上李超平等对于职业倦怠与组织公平的关系进行验证性研究。总体来说我国职业倦怠研究还停留在较低层次，很少有对情绪、投入问题进行分析研究的，而且大多研究集中于某一职业群体(李玉莲[13]，2014；范琳[14]，2015)，整合性研究不多，干预性研究基本上是空白，尤其缺乏不同职业群体之间职业倦怠水平的比较研究。 本研究在前人开发量表的基础上，试图跨越职业领域，对我国的职场人士的职业状态进行调查，并使用不同模型对是否产生职业倦怠进行预测分析，比较其有效性，以期为后期研究提供借鉴。

三、数据收集及分析

(一)数据收集

本文的数据收集采取微信问卷星在线调查方式,通过不同的QQ群、微信群等渠道发放电子调查问卷，为保证数据有很好的代表性，尽量在不同的地区、领域发放。问卷分为两大部分，一部分为受访者倦怠感得分，另一部分为各潜在解释变量的取值。数据收集共历时2个月左右，共收集问卷402份。通过问卷整理，剔除了不合格问卷。比如有的问卷明显是由学生填写的，这部分问卷可能部分反映了学生实习或兼职时的职业倦怠状况，但与真正的职业倦怠还是有差别的，所以这部分问卷予以剔除。另外，还有些问卷存在前后矛盾或有大量缺失值，均被视为无效问卷予以剔除。经过研究小组整理，最后共获得338份有效问卷，问卷有效率为84%。

(二)描述性统计分析

对数据进行初步整理，分析在各变量上职业倦怠感的分布情况(见表1)。可以发现，调查对象中男女比例大体一样，分别为50.30%、49.7%，抽样偏差十分小。有效问卷中，219名调查者在职场中并未出现倦怠，占被调查比例的64.79%，其中女性的不倦怠比例相对男性而言更高。有职业倦怠的比例为35.21%，并且男性的倦怠比例高于女性，尽管卡方检验的结果显示二者没有明显的差别。

从年龄数据上来看，被调查人群职业倦怠的年龄主要集中在18～39岁，此年龄段倦怠人数明显多于40岁以上的倦怠人数。这说明年轻的群体相对年老群体更容易发生倦怠。随着年龄的增长，倦怠感会相对降低。

从学历层次来看，被调查者中有职业倦怠的人群学历主要集中在高中或中专以及初中以下。学历为本科及以下人群倦怠比例要高于硕士及以上学历的职场人士。这说明低学历者比高学历者更容易倦怠。

从婚姻状况来看，已婚人士的职场倦怠比例为33.8%，要小于未婚人士(37.6%)。而离异人士中有倦怠感的比例最高，达到40%。但离异人士在样本中占比相对较低，仅约为2.96%，所以此结论的可靠性需要进一步证实。

表1　各变量描述性统计

从行业来看，职业倦怠比例最高的行业分别是广告/媒体、物流/运输和政府/事业单位。在这些行业中，近一半人表示有职业倦怠感；而倦怠比例最低的两个行业为批发零售和酒店/旅游/餐饮，分别为16.7%和26.7%。

从职业层次上来看，普通员工的职业倦怠比例较高，达43.90%，而高层管理者为25%，最低的是中层管理者，仅为10.6%。

从工龄结构上来看，倦怠者工龄主要集中在0～10年，这与我们此次调查数据的年龄结构是相似的。通过分析发现，工龄10年以下的倦怠人数明显高于工作年限为10年及以上的。其中参加工作少于5年的人倦怠比例居然超过50%。而工龄较长的人中，工龄在10～15年的人群倦怠感比例最低，仅为18.9%。

从收入水平来看，收入水平与职业倦怠感呈负向关系。月收入2000元及以下的人士倦怠比例达42.86%，而月收入8000以上的倦怠比例仅为14.29%。单纯从这个结果来看，收入水平是影响职业倦怠的一个重要因素。

从工作量选项来看，超过半数的人认为自己的工作量是比较合理的，超过三分之一的人认为自己的工作量偏多，仅有少部分人认为自己的工作量偏少。认为工作量偏多的人群中产生倦怠的人也比较多,达61.30%。比较有意思的是，认为工作量偏少的人中有职业倦怠感的比例要高于认为工作量合理的人的比例，这也从一定程度上说明工作量与职业倦怠并不是绝对正向关系，还有其他因素会影响职业倦怠。

从加班次数来看，每月加班10次以上的人群中有职业倦怠感的比例最高，达到60.30%，而从来不加班的人群中感到倦怠的比例也是最少的，为17.80%。这表明加班和职业倦怠感有着正向关系。

从休假时间来看，大约39%的人没有除法定节假日以外的假期，约22%的人有1～5天的假期，表明大部分的人休假是比较少的。而21.89%的人有15天以上假期。结合前面样本的行业分析，笔者认为这可能与教育、培训等行业的寒暑假有关。这一定程度上反映了我国休假制度执行状况不是很好。而休假较少的人群，感到职业倦怠的比例也较高，分别为40.20%和42.70%，这说明休假与职业倦怠存在一定的负相关。有意思的是，休假超过15天以上的人群中，有职业倦怠的比例不是最低的，这也说明并不是假期越多越好。

上下级关系、同事关系和是否公平这三个变量共同反映了职场人士的工作软环境。在这三个选项中，选择软环境一般的人占了大多数，对于较差的上下级关系、同事关系和经常的不公平现象选项选择的人比较少。上下级、同事关系不太好和经常感到不公平现象的人群中，职业倦怠感的比例也相对较高，这说明工作软环境和职业倦怠感存在一定的负向关系。但软环境中具体选项的影响程度需要借助其他分析方法进一步分析。

(三)Logistic/LDA/QDA/KNN模型分析

1．解释变量的预处理

首先，在选择和建立模型之前我们要对得到的数据进行预处理，以防无用的数据进入模型从而影响模型的整体效果。因此我们第一步通过逐个回归的方法将无用变量剔除；之后使用逐步回归去除自变量之间的多重共线性问题，最后得到可以代入回归模型的自变量。我们将14个自变量一一代入二元logistic模型，与因变量是否倦怠进行回归。通过P值筛选出对整个模型有用的自变量。考虑到各个自变量之间可能存在相互影响，因此我们将淘汰自变量的P值设为0.2，以免将显著的变量直接剔除。当P<0.2，保留变量；当P≥0.2，剔除变量。根据P值我们可以剔除包括性别、婚姻状况、行业在内的三个变量，并对剩下的11个变量做进一步处理。

其次，进行多重共线性检验。对于二元logistic模型而言，多重共线性会导致方程中变量系数标准差的增大，从而使得模型估计系数可靠性大幅度下降，最终导致利用模型测算所得结果的准确性不理想。因此通过计算各变量的相关系数来判断变量之间的多重共线性。变量间多重共线性修正方法很多。比如，增大样本量；采用多种自变量筛选方法相结合的方式，建立一个最优的逐步回归方程；进行主成分分析，用提取的因子代替原变量进行回归分析；岭回归分析，等等。下面我们将采用逐步回归来修正多重共线性。根据逐步回归结果，我们可以得到最终可以进入回归模型的是休假时间、上下级关系、工作量、是否公平、收入、同事关系以及加班次数这7个变量(见表2)。

表2　自变量逐步回归的结果

2．模型的选择和建立

(1)logistic模型

Logistic回归分析是指因变量为二级计分或二类评定的回归分析。如果因变量是二项分类变量，显然不能满足正态分布的要求，这时就可以运用logistic 回归分析。在一般的多元回归分析中，如果以P(概率)作为因变量，回归分析模型为：P=A+B1X1+B2X2+……+BnXn。但是，运用该模型进行计算时，常常会出现P 大于1 或P 小于0 的不合理情况。为此，对概率P进行对数单位转换，即logitP=ln(P/1-P)，于是，就可以得到二元logistic 回归分析方程：

1n[pi/1-pi]=α0+α1X1+α2X2+α3X3+α4X4+α5X5+α6X6+α7X7+εt

分析发现：上下级关系、休假时间在0.001置信水平下为显著；工作量、收入和加班次数在0.01的显著性水平下是显著的，在0.05的置信水平下，是否公平和同事关系两个变量显著(见表3)。进一步分析发现，logistic模型的预测平均准确率为76.62722%。我们将数据分为训练数据和测试数据，选取前70%的数据为训练数据，大约236个数据；选取后30%的数据为测试数据，大约102个数据。

表3　logistic模型的系数估计结果

表4　logistic模型预测分析

表5　logistic模型测试数据预测分析

根据表4、表5分析结果可以看出，与之前的logistic模型预测分析结果相比，使用测试数据的平均预测准确率为84.31373%，提高了大约8个百分点。

(2)LDA模型

线性判别式分析(Linear Discriminant Analysis, LDA)是模式识别的经典算法，其基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果。投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。使用这种方法能够使投影后模式样本的类间散布矩阵最大，并且同时类内散布矩阵最小。就是说，它能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离，即模式在该空间中有最佳的可分离性(见表5、表6)。

表6　先验概率分布

表7　LDA模型测试数据预测分析结果

根据表7的分析结果，LDA模型测试数据的平均预测准确率为84.31373%，和logistic模型测试数据的平均预测准确率是一样的。

(3)KNN模型

K最近邻(k-Nearest Neighbor，KNN)分类算法是一个依赖极限定理、成熟且简单的机器学习算法。其思想是如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。采用这种模型，分析发现，当K=10的时，KNN模型测试数据的平均预测准确率为87.2549%，高于logistic模型和LDA模型测试数据的平均预测准确率大约4个百分点(见表8)。

表8　KNN模型测试数据预测分析结果

3.模型的比较分析

线性判别分析(LDA模型)估计参数的方法是最小二乘法。它对模型的约束很多，比如正态性假设以及等协方差函数的假设。而logistic回归则限制相对要少，参数的估计方法也用了更为一般化的极大似然估计。K近邻(KNN模型)方法是一种黑箱技术，它基于数据挖掘技术，能够动态地调整训练集中的数据以达到适应不同样本分布和不同时期的预测要求。三种模型各有优点。KNN模型具有高长期预测精度、建模样本要求不高、预测效果波动很小等优点。Logistic回归模型具有更好的透明度，所选择的变量都可以通过一定的经济含义做出解释。比较三种方法的预测准确率发现： KNN模型的平均预测准确率最高，logistic模型和LDA模型准确率差不多(见表9)。

表9　三种模型预测准确率的比较

四、结论及建议

本文通过对职场人士职业倦怠的调查数据分析，揭示了影响职业倦怠的主要因素以及其作用强弱，有助于从多角度了解现今职场状况。首先，通过对职场人士的职业倦怠进行分析发现，职业倦怠在中国职场人士中是较普遍的问题，理应受到重视。其次，通过对职场人士职业倦怠分析，发现职业倦怠与很多因素有相关性，包括年龄、学历、职业层次、工作年限、收入水平、工作量、加班次数、休假制度、上下级关系、同事关系、是否公平。以上因素中，上下级关系是最容易导致职业倦怠的因素，其次为工作量的多少。而加班次数和收入少于预期也会导致职业倦怠。最后，通过三个模型的比较分析发现，KNN模型在预测职业倦怠准确率上更好，今后的应用中我们应该更多考虑这种模型的适用性。

针对这些不同的因素，作为管理者，应该根据个体的差异性进行分析并采取相应措施。(1) 现代管理中越来越强调“以人为本”。根据以上分析发现，“工作量”“上下级关系”“加班频率”“收入”是影响职业倦怠的重要因素。为了改变产生倦怠的应激源，作为管理者应该改变过去一味追求绩效的管理模式，可根据实际情况突出情感化管理，真正体现“以人为本”的管理理念。(2)建立公平公正的激励体系和绩效考核机制，减少职工不公平感知频率。从文中分析发现，员工对不公平的感知也是导致职业倦怠的一个重要因素，所以管理者应在绩效评价中尽量做到透明、公正。(3)建立完善的培训体系。由于倦怠产生的一部分原因是“能力恐慌”，员工需要学习新知识、新技能以适应工作中的新情况。完善的培训体系既可以满足员工的自我提升需求，还可以提高员工处理问题的能力，从而能够有效缓解职业倦怠。(4)实行岗位轮换以丰富工作内容。岗位轮换是指让员工在同一水平的职位上轮换工作，通过多样化的职业活动，可以帮助员工接触不同的工作流程，缓解单调重复带来的职业倦怠感。

总之，随着社会发展，职场对员工的要求会越来越高，随之而来的是越来越严重的职业倦怠问题。对于这些问题的普遍性根源和个性原因我们都应该充分考虑，根据实际情况提出应对措施，提高员工的职场状态，最终为企业、社会带来更大效益。

[1]Schaufeli W B, Bakker A B & Van Rhenen, W. How changes in job demands and resources predict burnout, work engagement, and sickness absenteeism. Journal of Organizational Behavior,2009，(30):893-917.

[2]Freudenberger H J. Staff burn-out[J]. Journal of Social Issues, 1974，30(1):159-165.

[3]Sauter S L & Murphy L R.Organizational risk factors for job stress[M].Washington, DC: American Psychological Association，1995.

[4]Maslach C. Burnout: the cost of caring[M]. Englewood Cliffs, NJ: Prentice-Hall, 1982.

[5]Karasek R, et al. Stress, productivity, and the reconstruction of working life[M]. New York: Basic Books，1979.

[6]Siegrist J. Adverse health effects of high-effort/low-reward conditions[M].Journal of Occupational Health Psychology,1996，(1)：27-41.

[7]Hobfoll S E & Shirom A.Conservation of resources theory: Applications to stress and management in the workplace[A].In R.T. Golembiewski (Ed.), Handbook of organizational behavior (2nd rev. ed.)[C]. New York: Dekker，2000:57-81.

[8]Demerouti E, Bakker A B, Nachreiner F & Schaufeli W B. The job demands-resources model of burnout[J]. Journal of Applied Psychology,2001，(86):499-512.

[9]Eric Lambert & Nancy L Hogan & Irshad Altheimer.The Association Between Work-Family Conflict and Job Burnout Among Correctional Staff: A Preliminary Study[J]. Am J Crim Just，2010，(35):37-55.

[10]Sarason Concepts of spirituality and community psychology, Journal of Community Psychology[J].2001, 29(5):599-60.

[11] Wulf Rossler. Stress, burnout and job dissatisfaction in mental health workers Eur Arch Psychiatry Clin Neurosci[J].2012，262 (Suppl 2):S65-S69.

[12]李永鑫，吴明证.工作倦怠的结构研究[J].心理科学，2005，28(2)：454-457.

[13]李玉莲，等.基层疾病预防控制机构人员职业倦怠状况及影响因素分析[J].中国公共卫生，2014，(6)：261-266.

[14]范琳，杨杰瑛.高校英语教师职业倦怠及应对策略研究——基于教师专业发展的视角[J].外语教学，2015，(3)：45-47.

责任编校：裴媛慧，孙咏梅

Analysis on Job Burnout Factors and the Effectiveness of Predictive Models

JIN Ren-min1,XU Zu-hui2

(1. Anhui Institute of Business Administration, Hefei 230059, China;2. Shanghai University of Finance and Economics,Shanghai 200433, China)

With the primary data collected through survey, this essay first has a descriptive analysis on the state of job burnout in China, then screen out seven significant job burnout factor using pre-statistics. Based on the previous analysis, KNN model, LDA model and Logistic model are tested to predict job burnout. Results show that among the three different models KNN model is the best and the other two have similar performance.

job burnout factor;KNN model;LDA model;logistic model

2016-03-05

国家社科基金项目(15BGL166)；上海财经大学研究生创新基金项目(CXJJ-2015-327)

金仁旻，男，安徽安庆人，讲师，博士研究生，研究方向为组织战略管理。

F240

A

1007-9734(2016)04-0103-07

徐祖辉，男，江苏泰州人，博士研究生，研究方向为战略管理。

DOI:10.19327/j.cnki.zuaxb.1007-9734.2016.04.017