大型企业培训评估实证研究

导语：大型企业培训评估实证研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

建立指标体系

根据柯氏评估体系，培训效果分为反应层、学习层、行为层和业绩层四个层次，刘志新、郭校敏（2011年）对首都机场、中国石化和泰康人寿的分析发现，企业对于一、二级评估非常重视，工具方法很多；对于三、四级评估，目前国内很少有企业能够做到。这一点与行业现状相符，所以本文主要介绍一级评估模型的建立与预测。根据多年行业经验积累，采用德尔菲法对2个培训机构、3个客户和2个培训师进行两轮访谈，得到了8个一级分析指标：性别、年龄、工作时间、培训时间、行业经验、学历、师资类型和客户来源。一级指标根据内容赋予不同的值进行测算，具体指标体系见表1：行业经验：是指拟邀讲师有没有给同行业同规模的企业或标杆企业进行授课的经验，如果有赋值为1，如果没有赋值为0。客户来源：按照国家行政区域进行划分，听课学员来自于哪个省份，就赋值哪个数值，如葛洲坝集团在湖北省宜昌市，湖北省属于华中地区，那么它被赋予的值为5，如果葛洲坝集团的学员去北京来听课，赋值依然是5。讲师类别：根据行业经验，可以分为三类。高校老师，指在国家高等院校授课的正式教师和国家科研院所的研究人员；职业讲师，指以培训为职业，专职给企业进行培训的讲师；组织高层，指国家部委、大型国有企业、外资企业、行业协会等中高层管理人员。

数据收集

1.一级评估数据本文主要收集一级培训效果即反应层的数据，共收集数据86个，经过对数据进行分析处理，最后符合要求的共80个数据。数据来源于三家培训公司，评估时间从2007年3月到2012年8月，授课对象为16个大型央企或省国资委直管企业，授课区域覆盖7个地区，包括48个讲师的评估数据。培训评估从四个方面：培训内容、讲师水平、培训组织和培训效果进行打分，分值为5分制，见表2。问卷的发放时间为每次培训结束之后下课之前由教务人员直接发给学员进行现场打分，教务人员现场回收，事后进行统计分析。为了统计方便，将5分制数据转化成了百分制。2.讲师数据根据预测模式指标体系的要求，分别收集培训师的性别、年龄、工作时间、培训时间、行业经验、学历、师资类型以及客户来源，共8个因素作为分析变量。数据主要来源于讲师的身份证、讲师提供的介绍、讲师助理提供的资料等。

相关分析

本文采用SPSS16.0版本进行统计分析。首先，对性别、年龄、工作时间、培训时间、行业经验、学历、客户来源、师资类型和百分制等所有变量进行了皮尔逊多元相关分析，分析结果如表3所示：从第一次相关分析输出结果得到如下结论：第一，年龄与工作时长的Pearson相关系数在0.01的水平下两尾检测达到了很高的正相关关系，相关系数为0.803。根据多元回归对数据的要求，因变量之间不能有多元共性相关关系（相关系数不能大于0.700）。根据行业经验，在聘用讲师时考虑最多的是年龄，而不是工作时间，所以把工作时长变量去掉。第二，工作时长与培训时长的相关系数在0.01的水平上显著相关，相关系数为0.801，根据多元回归对数据的要求，结合行业经验，选择去掉工作时长变量。第三，培训时长与年龄之间的相关系数也达到了0.681，虽然没有达到0.700，但是为了使数据更有说服力，根据实际工作经验，去掉年龄变量。把相关指标去掉之后，进行了第二轮相关分析，结果如下表4所示：表4  去掉相关因变量之后的Pearson相关分析第一，评估分与性别的相关系数只有0.075，说明评估效果基本上与性别没有关系。当初设定这个因变量的目的是因为培训师这个行业，性别还是一个很重要的因素，培训师以男性为主。从本次收集的数据来看，来自男性培训师的数据有69个，而来自女性培训师的数据只有11个。从行业经验来看，排课较多的老师往往今天在一个城市上课，下课后就要赶往机场，半夜到达另一个城市，第二天接着上课，有时连续3、5天都这样，所以体力对培训效果的影响也是一个很重要的因素，女性由于心理和生理的影响，在这方面会有一些不足，但从统计结果来看，影响并不明显。第二，评估分与师资类别的相关系数是-0.097，说明在相同的培训条件下，师资类别对于培训效果没有太大的影响。2000-2010年，人们对于培训师的聘请标准还是以名校的知名学者为主，如清华大学、北京大学等，因为这个阶段客户处于知识普及阶段，对老师讲的东西没有听过，所以很感兴趣。随着学员和客户听课数量和质量的提高，尤其是网络培训的普及，培训对象对授课老师的鉴别能力越来越强。2010年以后，客户和企业更喜欢有丰富企业管理经验的专职讲师授课，这正在成为一种趋势。第三，评估分与行业经验在0.05水平两尾测试下，相关系数达到了0.227的显著水平，在所有的自变量中是唯一的显著相关的自变量。这说明行业经验对于培训的效果有直接影响，从实际工作也能够说明这一点。很多培训机构和客户在聘请老师时关注最多的是有没有同行业同规模的标杆企业的培训经验，部分公司还会向受训企业沟通培训效果。

多元线性回归分析

根据相关分析对数据的要求，把年龄、工作时间、讲师类型去掉，对其余变量进行多元线性回归分析，因变量为评估分，自变量为学历、培训时长、客户来源、行业经验。输出结果如表5所示：从回归系数分析来看，学历、客户来源和行业经验的P值大于0.05，但小于0.1的显著水平。培训时长P=0.175，大于0.1，从统计学的意义来讲是不显著的，但是如果从实践的角度来看，培训时长是必须要考虑的因素，所以继续把它保留在多元回归模型中。从容忍度（Tolerance）来看，四个自变量之间没有共线性关系，是可以使用的四个自变量。根据多元线性回归分析结果得到企业培训一级评估模型：百分制评估分=86.63-学历×1.763+培训时长×0.764+客户来源×0.885+行业经验×2.597对于预测结果需要说明如下：如果采用百分制评估，预测结果85分以下为不及格，85-90分之间为一般，90-95之间为良好，95分以上为优秀。培训服务流程规范：包括培训前、培训中、培训后等过程都要按照行业规范进行，不能出现大的纰漏。学员人数限制：因为本模型适用于企业内训，所以人数以30~40人为宜，不要超过50个人。误差范围：因为培训师在实施过程中的一些不确定因素和临时突发事件，往往导致评估效果有误差，经实际测试误差范围为±2。

从以上相关分析与回归分析结果可以看出，在聘请外部培训师之前一定要拿到培训师的相关资料，包括学历、培训时长、客户来源、行业经验等内容，并进行分析，这样就能够有效规避授课风险，提高培训质量，减少不必要的损失。从相关分析来看：年龄、性别、工作时长不是影响培训一级评估效果的因素，聘请讲师时可以不予考虑。相关分析结果中行业经验是显著相关的，所以无论是培训机构还是客户，在外聘讲师时一定要非常关注其有没有行业经验。从回归分析来看，聘请讲师时只要得到拟邀请讲师的学历、培训时长、行业经验以及客户来源等相关数据，就可以根据多元回归模型进行培训一级评估效果预测。七、不足之处从回归分析的输出结果来看，一是四个自变量对整个模型的解释度不高，二是四个自变量中有一个自变量没有达到统计学意义，这主要是几方面的原因：1.数据收集问题首先是数量不够充足，本文只有80个有效数据样本；其次是时间跨度大，从2007年到2012年，共计五年时间；第三是客户相对集中，以电力行业、金融行业为主，其他行业客户较少。2.评估表指标问题评估表指标（见表2）有四个部分：培训内容、讲师水平、培训组织和培训效果。前两类指标跟培训师相关，后两类指标与主办方和培训服务相关，后两类指标的打分没有被排除。3.自变量选取指标问题本文采用了七个指标，其中四个指标进入了多元回归分析模式，但是还有其他变量没有考虑进来，如培训学员人数、学员人力资源素质、培训实施地点（在当地还是外地）等等。

本文作者：张朋松袁伦渠工作单位：北京交通大学经济管理学院