有限理性下的双边匹配与工作邀约套餐优化：一种两阶段随机方法

本文针对招聘市场中决策者存在有限理性（Bounded Rationality）的现实，创新性地将量化响应均衡（QRE）引入双边匹配框架，提出了一个两阶段随机优化模型。该模型结合粒子群优化（PSO）算法，为企业设计成本可控且具吸引力的人才招聘套餐提供了量化工具，对优化人力资源配置具有重要实践意义。

　　

研究亮点

基于前一节所识别的研究空白，本研究提出了六项关键贡献，总结如下：

• •
  匹配中的有限理性建模：我们的模型将有限理性引入经典的双边匹配框架，承认组织在决策中面临信息不完全的现实。通过将量化响应均衡（QRE）引入招聘匹配，我们解决了传统模型假设完美优化的一个关键局限。这一整合代表了QRE在就业市场匹配问题中的首批应用之一。
• •
  有限理性参数的实证校准：我们首次针对招聘情境对有限理性参数进行了实证估计。利用来自伊朗EPC公司的三年真实组织数据，我们量化了决策理性如何随时间演变，高级职位的学习率（δ）为0.0150，而低级职位为0.0047。这种实证基础验证了QRE框架，并揭示了招聘经理通过经验逐渐变得更加理性，但速度因职位重要性而异。
• •
  非凸优化的计算框架：我们开发了一种新颖的两阶段随机优化方法，有效处理了由QRE概率引入的非凸性。我们的比较分析表明，对于此类问题，粒子群优化（PSO）算法优于遗传算法（GA）和模拟退火（SA）。该计算框架可推广至其他有限理性优化问题。
• •
  有限理性成本的量化：我们的分析揭示，有限理性给组织带来了可衡量的成本溢价。在我们的案例研究中，当考虑有限理性时，最优套餐成本从1300美元增加至1636.8美元（约26%）。这一发现对人力资源预算具有直接意义，并解释了为何组织可能系统性地低估招聘成本。
• •
  实用的决策支持工具：我们为薪酬套餐设计提供了可操作的见解。我们的敏感性分析显示，单一项目的套餐比多项目套餐需要高出25%的成本。我们还展示了职位重要性（rev_i）如何影响决策。当职位被认为不那么重要时，决策者更倾向于依赖有限理性行为，有趣的是，这反而可能导致更低的成本。
• •
  具有学习效应的匹配框架：与静态匹配模型不同，我们的框架捕捉了招聘专业知识的动态性质。时变的有限理性参数β_(r)模拟了决策者在重复招聘周期中如何改进其判断，为招聘情境中的组织学习提供了更真实的表征。

材料与方法

在本节中，我们将探讨所提出方法论的定性和定量方面。首先，我们定义了问题，并为候选人和组织设定了标准并分配权重，接着提出了双方的效用公式，并描述了逐步的匹配机制。

进入第二阶段，我们分析了案例研究的数据，定义了有限理性的概念。在此框架内提供了比较分析。

建模与计算研究

在查看结果之前，先解释一下将我们的数据与最终招聘决策联系起来的步骤会很有帮助。我们将问题分解为两部分。首先，我们使用延迟接受算法（DAA）将每个组织与最合适的候选人进行匹配。为了保持现实性，这些匹配背后的偏好使用我们先前计算的有限理性因子进行了调整（参见2.2节有限理性模型和2.3节最大似然估计）。其次，在匹配之后...

案例研究

本节通过一个涉及三个招聘组织和五名申请电气工程师职位的候选人的真实案例，检验了所提出模型的效率。由于该职位属于高级职位，我们使用图3左侧相关的数据。组织A、B和C是一家控股公司的子公司，其招聘流程是分散和分布式的。候选人的档案、组织的胜任力权重重要性...

结论

本研究提出了一个两阶段随机模型，用于优化组织的工作邀约套餐，并将候选人与组织以稳定配对的形式匹配起来，同时考虑了决策者的有限理性。我们利用Gale和Shapley（GS）机制进行匹配，使用量化响应均衡（QRE）来模拟有限理性，使用最大似然估计（MLE）进行参数估计，并使用粒子群优化（PSO）来优化工作邀约。该方法旨在以最低成本招聘到最佳候选人。