点击图片了解会议详情
了解上届会议情况请点击
上届会议盛况
《全国医院后勤优秀论文奖》参评论文
单位:上海市第一人民医院
作者:陈童 吴锦华 周磊
【摘 要】医院后勤管理人员职业化是医疗改革发展的必然要求,本文通过运用模糊聚类分析法构建医院后勤管理人员的职业化能力评价模型,可以将获得不同评价结果的管理人员进行快速、科学的分组、比较。将专家的主观评价转换为相对客观的量化评价,并可以按照实际需求划分评价等级分类。改变传统机械的等级分类方法,更容易对管理人员职业化现状进行科学的量化评估,以达到对资源更合理的配置,为管理人员更好的设计职业生涯的规划。
【关键词】后勤管理人员 模糊聚类分析法 职业化能力 量化评价
1医院后勤管理人员职业化的背景与问题医院管理人员职业化是指从事医院管理工作的人员具备由相应的职业能力、职业知识和职业道德所构成的特定的职业素质,符合相应的职业标准和规范,获得医院管理人员任职资格,并把医院管理工作作为其唯一职业的过程,具体包括基本内涵和发展内涵,基本内涵为:制度化,即建立医院管理干部的任职资格、职称、考核、待遇福利等方面的法律保障和制度规定;专业化,即必须经过卫生管理专业学历教育或系统岗位培训,掌握基本的卫生管理科学知识和技能;专职化,即必须以医院管理工作作为其唯一的职业。发展内涵为:职业能力、职业知识、职业道德的形成与发展。
医院后勤管理人员职业化最主要的理论基础是社会分工与分群理论。社会分工是与人类社会进程相伴随而产生的社会现象,被认为是推动社会发展的基础动力。分工现象很早就为社会学者所关注,早期柏拉图就在其《理想国》中谈到了社会分工。近代以来,亚当•斯密的《国民财富的性质及原因的研究》、马克思的《资本论》等著作都从不同的层面对分工问题作了系统分析。分工是指在认识和实践活动中,众多劳动者从事各种不同而又互相联系的工作,是协作基础上社会劳动体系的专业划分方式与劳动力布局。作为推动社会发展的一大基本动力,社会分工在多个方面对社会发展都起到了积极的作用:首先,分工提高了劳动者的技能和生产的效率;其次,分工推动了生产过程的联合与统一,既引导开辟了新的生产领域,又促进了商品的生产与交换;再次,脑力劳动和体力劳动的分工,以及脑力劳动内部的不断细致分工,也推动了科学文化事业的产生和发展;第四,分工导致了私有制的产生、国家的形成、阶级的分化、社会的形成,同时导致了阶级社会中各种对抗性矛盾的涌现。结合本文的研究观点考虑,医院后勤管理人员职业化是医院管理发展日趋进步和完善的必然产物。职业的分化以及医院规模的不断扩大对医院管理提出了更高的要求,也使得后勤管理工作从医院技术工作中逐渐分离出来,这一举措促进了后勤管理的相对独立性和有效性,也使得后勤管理专业人员从医疗岗位中逐渐独立出来。
医院后勤管理人员职业化的提出是社会发展的必然要求,它顺应了医疗改革发展的历史潮流。职业化要求医院构建一个适应现代管理发展、理论与实践相结合、育人途径多样化的人才培养体系,要求后勤管理人员从单一知识结构向多学科知识复合转型,要求针对管理人员的评价机制从专业能力评价向综合素质评价转型,从而培养和造就一批知识结构优化、专业能力突出、具有较高职业素养与国际视野、德才兼备的复合型后勤管理人才。
而如何科学地评价后勤管理人员的职业化能力,用什么方法更高效、合理地对管理人员职业化能力进行评估,成为医院后勤管理人员职业化的一个重要问题。
2模糊聚类分析法的定义与适用性模糊聚类分析是一种采用模糊数学语言对事物按一定的要求进行描述和分类的数学方法。模糊聚类分析一般是指根据研究对象本身的属性来构造模糊矩阵,并在此基础上根据一定的隶属度来确定聚类关系,即用模糊数学的方法把样本之间的模糊关系定量的确定,从而客观且准确地进行聚类。聚类就是将数据集分成多个类或簇,使得各个类之间的数据差别应尽可能大,类内之间的数据差别应尽可能小,即为“最小化类间相似性,最大化类内相似性”原则。
2.1模型的定义
聚类通过把目标数据放入少数相对同源的组或“类”(cluster)里。分析表达数据,(1)通过一系列的检测将待测的一组基因的变异标准化,然后成对比较线性协方差。(2)通过把用最紧密关联的谱来放基因进行样本聚类,例如用简单的层级聚类(hierarchical clustering)方法。这种聚类亦可扩展到每个实验样本,利用一组基因总的线性相关进行聚类。(3)多维等级分析(multidimensional scaling analysis,MDS)是一种在二维Euclidean “距离”中显示实验样本相关的大约程度。(4)K-means方法聚类,通过重复再分配类成员来使“类”内分散度最小化的方法。
聚类方法有两个显著的局限:首先,要聚类结果要明确就需分离度很好(well-separated)的数据。几乎所有现存的算法都是从互相区别的不重叠的类数据中产生同样的聚类。但是,如果类是扩散且互相渗透,那么每种算法的的结果将有点不同。结果,每种算法界定的边界不清,每种聚类算法得到各自的最适结果,每个数据部分将产生单一的信息。为解释因不同算法使同样数据产生不同结果,必须注意判断不同的方式。对遗传学家来说,正确解释来自任一算法的聚类内容的实际结果是困难的(特别是边界)。最终,将需要经验可信度通过序列比较来指导聚类解释。第二个局限由线性相关产生。上述的所有聚类方法分析的仅是简单的一对一的关系。因为只是成对的线性比较,大大减少发现表达类型关系的计算量,但忽视了生物系统多因素和非线性的特点。
聚类就是把具有相似性质的事物区分开加以分类。聚类分析就是用数学方法研究和处理给定对象的分类。“人以群分,物以类聚”,聚类问题是一个古老的问题,是伴随着人类的产生和发展而不断深化的一个问题。人类要认识世界就必须区别不同的事物并认识事物间的相似性。经典分类学往往是从单因素或有限的几个因素出发,凭经验和专业知识对事物分类。这种分类具有非此即彼的特性,同一事物归属且仅归属所划定类别中的一类,这种分类的类别界限是清晰的。随着人们认识的深入,发现这种分类越来越不适用于具有模糊性的分类问题。如把人按身高分为“高个子的人,’,“矮个子的人”,“不高不矮的人”。如何判别特定的一个人的类别便产生了经典分类学解决不了的困难。模糊数学的产生为上述软分类提供了数学基础,由此产生了模糊聚类分析。我们把应用普通数学方法进行分类的聚类方法称为普通聚类分析,而把应用模糊数学方法进行分析的聚类分析称为模糊聚类分析。
2.2模型的适用性
模糊聚类分析是涉及事物之间的模糊界限时按一定要求对事物进行分类的数学方法。聚类分析是数理统计中的一种多元分析方法,它是用数学方法定量地确定样本的亲疏关系,从而客观地划分类型。事物之间的界限,有些是确切的,有些则是模糊的。例人群中的面貌相像程度之间的界限是模糊的,天气阴、晴之间的界限也是模糊的。当聚类涉及事物之间的模糊界限时,需运用模糊聚类分析方法。模糊聚类分析广泛应用在气象预报、地质、农业、林业等方面。通常把被聚类的事物称为样本,将被聚类的一组事物称为样本集。模糊聚类分析有两种基本方法:系统聚类法和逐步聚类法。
3医院管理人员职业化能力评价模型的设计问题提出:已知7个管理人员经过面试与考核,分别获得4个专家评价如表1所列。试用模糊聚类分析方法对学生成绩进行评价。
问题描述:用i = 1,2,3,4分别表示4个专家评价,j = 1,…,7分别表示7个管理人员,aij表示第j个管理人员第i个专家评价。
(1)数据标准化。采用极差变化
式中:aimin和aimax分别为第i个专家评价的最小值和最大值;bij为第j个管理人员第i个专家评价的标准化数值。
按上述公式计算得到7个管理人员4个专家评价的标准化数据如表2所列。
(2)用最大最小法建立相似矩阵。根据标准化数据建立各管理人员之间四个专家评价的相似关系矩阵 R=(rij)7×7。采用最大最小法来计算rjk,其计算公式为
将表2中标准化数据代入上述公式,可计算得到7个管理人员4个专家评价的相似关系矩阵如表3所列。
(3)改造相似关系为等价关系。矩阵R满足自反性和对称性,但不具有传递性,为求等价矩阵,要对R进行改造,只需求其传递闭包。由平方法可求得传递闭包
,其具体数据如表4所列。
(4)聚类结果。传递闭包 = 就是模糊等价关系矩阵。利用 可对7个管理人员进行聚类分析。
聚类结果如下:
①当1≥λ>0.7722时,将7个管理人员分为7类:{员工1},{员工2},{员工3},{员工4},{员工5},{员工6},{员工7}。
②当0.7722≥λ>0.7318时,将7个学院分为6类,{员工1},{员工2},{员工3},{员工4},{员工5,员工6},{员工7}。
③当0.7318≥λ>0.6890时,将7个学院分为5类,{员工1},{员工2},{员工3},{员工4,员工7},{员工5,员工6}。
④当0.6890≥λ>0.6131时,将7个学院分为4类,{员工1},{员工2},{员工3,员工4,员工7},{员工5,员工6}。
⑤当0.6131≥λ>0.3611时,将7个学院分为3类,{员工1},{员工2},{员工3,员工4,员工5,员工6,员工7}。
⑥当0.3611≥λ>0.1497时,将7个学院分为2类,{员工2},{员工1,员工3,员工4,员工5,员工6,员工7}。
⑦当0.1497≥λ≥0时,将7个学院分为1类,{员工1,员工2,员工3,员工4,员工5,员工6,员工7}。
按不同的置信水平对7个管理人员进行模糊聚类,将会得到不同的分类结果,聚类图如图1所示。
图1 聚类结果图
管理人员职业能力评价的聚类有助于管理人员的比较、排队。通过对7个管理人员4项专家评价所做的分析,可以了解到员工3、员工4和员工7这三个管理人员评价较高,员工5和员工6这两个管理人员的专家评价一般,员工1和员工2的专家评价稍差一点。
4结果与讨论根据以上模型计算结果可知,专家对管理人员的职业能力进行评价后,以模糊聚类分析法将评价数据进行模型运算,可以将获得不同评价结果的管理人员进行快速、科学的分组、比较。将专家的主观评价转换为相对客观的量化评价,并可以按照实际需求划分评价等级分类。
传统的管理人员评价方法包括实测法、成绩记录法、书面考试法、直观评估法、情景模拟法、民主测评法、因素评分法等。
第一,实测法是指通过各种项目实际测量进行考评的方法。例如,对员工进行生产技术技能的考评,通常采用现场作业,通过对其实际测量,进行技术测定、能力考核。
第二,成绩记录法是指将取得的各项成绩记录下来,以最后累积的结果进行评价的方法。这种方法主要适用于能实行日常连续纪录的生产经营活动,如生产数量、进度、质量投诉等。
第三,是指通过各种书面考试的形式进行考评的方法。这种方法适用于员工所掌握的理论知识进行测定。
第四,直观评估法是指依据对被考评者平日的接触与观察,由考评者凭主观判断进行评价的方法。这种方法简便易行,但易受考评者的主观好恶影响,科学性差。
第五,情景模拟法是指设计特定情境,考察被考评者现场随机处置能力的一种方法。
第六,民主测评法,即由组织的人员集体打分评估的考核方法。
第七,因素评分法,即分别评估各项考核因素,为各因素评分,然后汇总,确定考核结果的一种考核方法。
以上方法总的来说可以归为以下4类,见表5。
在实际应用中,无论哪一种评价方法,均需要对结果进行科学比较、排序,同时划分等级。在参与评价的对象较多时,评价结果的等级划分就存在严重的主观性。传统的划分等级方法如按比例分类,即前20%为A等、后20%为C等、中间60%为B等;如组距分类法,即测定评价数据的离散程度,通过最大值、最小值、组数计算每组数据间距,将评价结果根据组距给予A、B、C等评价。
而运用模糊聚类分析法,可以将原本模糊的等级差异转换成可计算的数据结果,改变传统机械的等级分类方法,结论直观、简洁明了。更容易对管理人员职业化现状进行科学的量化评估,以达到对资源更合理的配置,为管理人员更好的设计职业生涯的规划。
参考文献:
[1] Long K, Coughlin TA,King J. Capitated Medicaid managed care in a rural area: the impact of Minnesota's PMAP program[J]. The Journal of rural health, 2005(21)
[2] Bernard, H Russell. The science in social science[J]. Proc Natl Acad, 2012(109)
[3] Tsai,Yafang. Learning organizations, internal marketing, and organizational commitment in hospitals[J]. BMC Health Serv Res, 2014(14)
[4] Varpio Lara, Gruppen, Larry. Working Definitions of the Roles and an Organizational Structure in Health Professions Education Scholarship: Initiating an International Conversation[J]. Acad Med, 2017(92)
[5] Young Meredith E,RazackSaleem, Hanson Mark D. Calling for a broader conceptualization of diversity: surface and deep diversity in four Canadian medical schools[J]. Acad Med, 2012(87)
[6] CristanchoSayra,Varpio Lara. Twelve tips for early career medical educators.[J]. Med Teach, 2016(38)
[7] Dudek Nancy L,Dojeiji Suzan, Day Kathleen. Feedback to Supervisors: Is Anonymity Really So Important?[J]. Acad Me, 2016(91)
[8] McCarthy Anne E. The complex relationships involved in global health: a qualitative description[J]. BMC Med Edu, 2013(13)
—END—加入协会——请点击上图查看详情