高校实验室教师绩效的双重灰度模型测评方法

纪伦，程郅策，徐琳琳，谭忆秋

（哈尔滨工业大学交通科学与工程学院，哈尔滨 150090）

0 引言

科学、准确地评价高校实验室教师工作绩效，形成有效的激励，对于调动其主观能动性，继而推进高校实验室建设，利于教师职业发展，有利于学校长远目标的实现［1-3］。激励理论表明，绩效评价目的在于使个体实现其价值的同时实现组织的目标，如果不能很好地开展这项工作，会适得其反［4-7］。建立科学、有效的实验室教师绩效评价体系，提高绩效评价的“绩效”，是高校人事管理中亟待解决的课题［8-9］。本文结合灰色系统理论，构建高校实验室教师绩效双重灰度模型，系统提出分析方法，并结合示例进行分析。

1 高校实验室教师绩效测评双重灰度模型分析思路

从灰色系统的结构、动态特征和评价指标，以及测评指标体系描述数据特点，可见，高校教师绩效测评问题具备“灰色”特征［10-12］。如何从一个不甚明确的、整体信息不足的系统中抽象并建立起一个模型，是灰色系统的重要研究内容［13-15］。高校实验室教师绩效涉及实际完成的可量化工作和工作效果的民主测评，主观和客观两个方面的评价，总体思路如下：①分析高校教师工作特点，构建工作评价的指标体系。分析中，涉及构建基于客观评价和主观测评的双重灰度模型指标体系。②确定评价层次，根据指标的属性，论证、选择最优指标集。③获取和确定指标量化数据，通过对一系列因子值的整理、生成变换，建立逻辑数据序列；建立反映系统行为特征的参考数列，以及影响系统行为的比较数列。④对参考数列和比较数列进行无量纲处理，计算灰色关联系数。⑤依据关联系数，对评价对象进行排序，或赋予评价分值。

2 高校实验室教师绩效的双重灰度模型分级评价指标体系

高校实验室教师的工作特点区别于专业教师、行政人员，或学生工作人员。高校实验室教师需要努力做好师生的实验服务，通常是一人多能、一人多职。实验室教师工作的专业化水平要求高，工作内容多，工作对象复杂，以及需承担安全风险和相应的安全责任。图1 为高校实验室教师工作组成示意图。

2.1 高校实验室教师相关工作的客观评价

充分考虑实验室教师的工作及其特点，表1 列出了某实验室教师绩效评价客观价指标。

表1 某实验室教师绩效客观评价指标

2.2 高校实验室教师绩效的主观测评

表1 列出的为可量化指标，指标量化的原则和方法涉及取值标准和指标间数值的比例关系，可依据相关文献制定［16］。而为了全面评价绩效，还需要针对被测评人员的“工作能力”“工作态度”“工作成效”“工作表现”以及“师德师风”等方面给出主观评价。该项工作可通过调查问卷的形式（见表2），向上级主管部门负责人、同事和服务的师生进行问卷，采用一定数量的民主测评的方式获得。

表2 实验室教师绩效民主测评表

注（2）“对被测评人的了解程度”可依据“表7灰度与信息数量的对应关系”填写，取值为0～1，对被测评人越了解，数值越小。

3 高校实验室教师绩效双重灰度模型测评体系构建

3.1 基于灰度模型的客观指标评价方法构建

表1 所列一、二级评价指标，是可以量化的具备客观特征的指标。设第j个实验室教师绩效考核评价方案中对应的第k个评价指标为xj（k），xj（k）与对应的指标关联如下所示：

对于实验室教师，从各评价结果中选择对应指标的最优值，构成实验室教师的评价方案参照向量X0：

对于上述实验室教师指标向量与参照向量进行极小化归一化处理，则：

式中，aj（k）j＝0，1，…，n代表各指标归一化处理所对应的数值。式（4）和（5）就是对数据序列进行无量纲极小化处理，而处理后，数据变异系数不变，这有效地保证了数据的可评价属性，满足绩效评价的原则。极差化归一化处理公式如下：

通过关联分析计算，计算实验室教师绩效考核评价指标与参照指标间的近似关系，对应的计算公式如下：

式中：ξ［aj（k），a0（k）］为描述指标间贴近关系的关联系数；ρ代表分辨系数，取值范围0 ＜ρ ＜1，本文取值为ρ ＝0.5。参照关联系数数值范围在0～1 之间，参照关联系数越大，说明该指标越接近最优值。

之后，计算各位实验室教师的各指标与参照指标间的近似关系，对各位教师的指标关联系数进行求和，并列举各位教师关联系数为1 的指标个数，进行评价。

3.2 基于灰度模型的客观指标评价示例

依据表1 列出实验室教师的评价方案参照向量：

对实验室教师的指标向量与参照向量进行极小化归一化处理，参照向量a0＝1，处理结果列于表3。

表3 实验室教师评价结果极小化归一化处理结果

通过关联分析计算式（7），计算实验室教师考核评价指标与参照指标间的近似关系（取ρ ＝0.5），计算结果见表4。

表4 实验室教师考核指标与参照指标的关联系数

根据上表进行评价分析，计算各实验室教师的指标参照关联系数和与指标最优值个数见表5。

表5 指标参照关联系数和与指标最优值个数

排序可见，指标参照关联系数总和，若两人间差值小于1，则根据指标最优值个数进行排序。结合以上两项，综合排序为：A，B，D，E，F，G，H，C。

3.3 基于灰度模型的主观测评指标评价方法构建

进行主观指标民主测评时，以模糊数和灰度组成的有序数对（S，GR）为评价尺度，其中S代表等级评价标度对应的模糊数，GR代表采集信息数量的灰度，GR∈［0，1］。设最终考核测评小组成员人数为K′，等级评价标度与模糊数的隶属关系见表6，灰度和信息数量的关系如表7 所示。

表6 等级评价标度与模糊数的隶属关系

表7 灰度与信息数量的对应关系

按照表2 的测评表和相关测评办法，获得测评小组11 份评价结果，如表8 所示。

表8 绩效考核测评小组测评结果

依据测评小组采集信息，建立基于模糊灰度的评价矩阵：

按照表6 中的隶属关系，将等级评价标度转换为模糊数（a1，am）。这是基于测评数据获取渠道和方式特点，进行模糊化处理。之后，再转化为实数，我们可称之为“模糊-实数化”，对应的计算公式如下：

式中，固定参数λ ＞0。例如，取λ ＝1，“很好”对应实数为72.5，“好”对应实数为65，“较好”对应实数为57.5，“一般”对应实数为50，“较差”对应实数为42.5；取λ ＝4，“很好”对应实数为86，“好”对应实数为77，“较好”对应实数为68，“一般”对应实数为59，“较差”对应实数为50。利用上式对矩阵进行去模糊化处理，获得实数灰度型实验室教师考核评价实数矩阵：

式中，bij＝Ff（a1，am）。

参与实验室教师绩效考核的评委成员的权重依据评委可信度，既评委评价各指标灰度进行赋权，采用直接赋权法进行确定：

式中，hm＝1 -Gm，m＝1～K′。对于实验室教师绩效考核各项指标，对应的权重采用赋值法进行赋权计算，对于第j项指标对应的去模糊化向量（b1j，b1j，…，b1j）T，归一化处理后得到向量（x1j，x2j，x3j，…，xK′j），其中xij的计算公式为：

之后参照式（6）和客观指标评价方法和思路，得到实验室教师的绩效考核主观测评评价最终结果。

3.4 基于灰度模型的主观测评指标评价示例

对实验室教师的工作态度等主观测评指标进行评价，并给出灰度值，代表对该实验室教师主观测评评价指标的信息量，构成评价数据序列。

（1）主观测评信息模糊化处理。基于主观测评具有灰度系统特征，将评价结果依据表6 进行信息模糊化转化，见表9 所示。

表9 绩效测评小组评价结果

计算每位评委各指标灰度的平均值，即，评价评委的可靠性。分析结果如表10 所示。

表10 评委可信度分析

可将灰度值大的两位评委的结果剔除，即，可剔除评委P3 和P6 的评价结果。

（2）主观测评模糊数据的实数转化。根据式（9）将模糊数转化为实数，即完成“模糊-实数化”。因λ ＝4时，其实数数值与模糊信息匹配，更容易被普遍接受，具体对应数值见上文，实数转化结果表略。

（3）实数向量的归一化。根据式（5）对去模糊化后的实数向量进行极小化归一化处理，参照向量a0＝1，处理结果见表11。

表11 测评评价的极小化归一化处理结果

（4）参照关联系数的计算与评价。与客观指标评价相同，根据上表进行评价分析，计算各实验室教师的指标参照关联系数总和指标最优值个数，如表12。

表12 实验室教师参照关联系数总和与评委测评最优值个数

依据参照关联系数总和最优值个数，评价原则同上，对实验室教师的考核测评结果进行排序：C、A和F并列，其后为D、B、E、G、H。

4 高校实验室教师绩效测评示例结果的分析

经过上述分析，获得了主客观评价结果。如何科学合理综合两种途径、两个方面的评价对高校实验室教师的绩效进行准确评价，还需认真讨论。

4.1 基于灰度模型的绩效测评结果

由表5 和表12 可知，由于客观评价的2 级指标21项，显著多于11 组测评数据，使得参照关联数据和存在倍数及差异。为综合两类指标，按照一般的加权方法进行合并，绩效测评总分（Gp）的计算式为：

式中，K1、K2分别为实质工作测评项目和民主测评在绩效考核中的权重，一般地，K1+K2＝1.0；Gs、Gm分别取两类评价数据的参照关联数据和。

取K1＝0.2～0.8，分析各位教师的测评总分，见图2。

图2 权重与绩效测评结果的关系图

可见，K1＝0.2时，8 名教师可分成4 个梯队：A和C，B、D、E和F，以及G，H；K1＝0.3、0.4时，形成4 个梯队：A，C、B、D、E 和F，以及G，H；当K1≥0.4时，随着权重的增加，绩效测评结果的区分度加大，优劣顺序为：A，B，E，D，F，C，G，H；而当K1＝0.7、0.8 时C 和G逐渐接近。同时可见，由于C 的两类测评参照关联数据和接近，权重变化对其影响较小；而其他成员，由于客观实质工作优势较大，随着权重的增加，绩效优势增大。总体而言，权重对测评结果影响显著。如果取K1＝0.6 或0.7，侧重实质工作，不利于引导教师提高服务水平，背离实验室服务的属性；建议取K1＝0.4，也就是实质工作量和绩效测评存在差额权重。具体权重选择可通过历史数据统计分析，或专家测评方式。

4.2 与一般测评方法测评结果的比较

对比一般的分析方法［16］，针对示例数据进行分析，两种方法均取K1＝0.4，K2＝0.6。表13 列出了两种方法的绩效测评分析结果和分配比例。

表13 两种绩效测评结果比较

可见，两种测评方法使得绩效测评结果发生显著变化，相比较，其绩效奖励最高可达22%的变化。图3对比了两种方法的分配差异。

图3 两种测评结果分配比例对比

双重灰度模型法分配后，降低了分配的变异性（26.5%降低为11%）；成员间也存在最大44%的分配差异。

5 结语

针对高校实验室教师绩效测评的灰度特征，通过测评体系的分析，完善灰度模型测评要素，建立测评指标体系，构建数据序列。基于灰度模型的认识和测评系统的灰度特点，论述了并明确了双重灰度模型绩效测评程序，并通过示例，阐述了方法的构建和评价过程。

高校实验室教师绩效测评，以及高校人事评价管理，具备灰色系统特征，可采用双重灰度模型评价分析法。合理的工作分工，以及考核量化指标体系，是实验室高效、和谐运转的根本保障，也是科学测评的根本依据。绩效测评指标需要合理设定，避免关联项目重置、逻辑混乱；其量化规则制定合理，保证指标间合理的比例关系；民主测评要规范、准确的获得，主观测评特征数据序列的“模糊-实数化”处理是有效的分析方法，可实现主观数据的灰度分析。测评系统涉及的权重等参数，显著影响评价结果；双重灰度模型法可实现适度的差异化分配，实现和掌控绩效的激励机制。