混合直觉模糊偏好下的多指标人岗双边匹配——以A银行为例

Person-Post Bilateral Matching Based on Hybrid Intuitionistic Fuzzy Preferences and Multiple Criteria—A Case Study of Bank A

摘要: 针对银行人岗双边匹配的问题，本文提出了混合直觉模糊偏好下的多指标人岗匹配方法。首先，给出三角直觉模糊数和梯形直觉模糊数的定义；然后描述多指标人岗匹配问题。为了求解该问题，使用去模糊化方法和TOPSIS法处理混合直觉模糊数，计算理想解的贴近度，将其线性加权后得到满意度；考虑双边匹配的稳定性约束条件，构建多目标优化模型；通过求解该模型得到最优匹配方案。通过A银行员工和岗位匹配的算例分析证明所提方法的实用性和可行性。

Abstract: In view of the problem of bank person-postbilateral matching, this paper proposes a person-post matching method based on hybrid intuitionistic fuzzy preferences and multiple criteria. Firstly, the definitions on triangular intuitionistic fuzzy numbers and trapezoidal intuitionistic fuzzy numbers are given. Then a multi criteria person-post matching problem above is described. In order to solve this problem, the defuzzification method and TOPSIS method are applied for dealing with hybrid intuitionistic fuzzy numbers, and calculating the closeness degrees of the ideal solutions. The closeness degrees are linearly weighted to obtain satisfaction degrees. Further, considering the stability constraints matching of the two-sided matching scheme, a multi-objective optimization model is constructed. The optimal matching scheme is obtained by solving the model. A case study of person-post matching in Bank A is given to illustrate the practicability and feasibility of the proposed method.

1. 引言

为了促进我国经济高质量发展，提高各类群体的金融可得性，国家提出发展数字普惠金融，从整体上促进金融供给侧结构性改革 [1] 。在政策引导和信息技术不断成熟的背景下，从国有大型银行到股份制银行都在加速推进数字化转型，各家银行开始整合和撤并低效益网点，以前大而全的网点不断地向轻型化和数字化的方向转变。国有银行的在职员工数量、组织结构、对银行员工的业务能力要求等也发生了相应变化。在此背景下，银行如何进行合理的人岗双边匹配以适应数字化转型需求，成为银行现阶段重点关注的问题。

双边匹配方法已经被应用于多个领域。Li等 [2] 考虑医疗服务提供者和需求者多个属性之间的相互作用，提供一种在属性权重未知的概率语言环境下的多属性双边匹配方法。Yue等 [3] 将模糊犹豫集与双边匹配相结合，提出了一种新的犹豫模糊数的得分函数，应用在智能技术转移领域。Su等 [4] 为了解决云制造平台上复杂产品制造任务匹配过程中偏好信息的模糊性和不确定性，提出了一种基于对偶犹豫模糊偏好信息的双边匹配模型。Miao等 [5] 基于不同利益相关者(即卖家、买家、平台和第三方服务提供商)的满意度，将双边匹配方法应用于企业对企业出口跨境电子商务环境。刘丽 [6] 等构建双寡头制造商与碳减排技术供应商的双边匹配模型，研究寡头最佳碳减排技术选择、供应商最佳投资者选择问题。刘桔等 [7] 基于前景理论刻画导师与研究生双边主体在不同偏好序下的心理感知，构建师生双方基于偏好序的感知满意度函数，解决导师和研究生形成的一对多双边匹配问题。Wang等 [8] 为了解决概率语言信息的匹配问题，在考虑可接受性最低值的后悔理论的基础上，提出了一种新的概率语言术语集双边匹配决策方法。Zhang等 [9] 基于失望理论，从不完全模糊偏好关系导出的优先级权重向量来计算匹配双方的主观满意度，提出了一种在不完全模糊偏好关系下稳定双边匹配决策的新方法。

针对人员与工作岗位匹配问题的研究已经较为广泛，主要是将外部应聘者和岗位进行双边匹配。Yang等 [10] 考虑到大规模群体决策和评估者社会网络关系，运用混合双边匹配方法求解海外高层次人才和工作适合度的模型。张莉莉等 [11] 基于对匹配主体特征属性的优势结构识别，构建基于主体客观评价的优势属性量表，运用Hungarain方法获得大学毕业生与企业满意度最高且稳定匹配的指派方案。姜艳萍等 [12] 在考虑岗位存在占有者和岗位双方匹配稳定性的基础上，设计了岗位存在占有者的改进的公平选择(I-ES)算法。Wang等 [13] 构建了一个端到端的人岗数据匹配模型，从注意力机制及其计算层的角度，在来自变换器的双向编码器表示(BERT)预训练语言模型中进行了解释。Wei等 [14] 提出了一种新的人岗匹配的神经网络方法，该方法使用共同注意神经网络从候选人档案和相关招聘历史中估计人岗匹配度。Liang等 [15] 通过构建人才与相关需求公司双方不同偏好的属性优先级矩阵和基于前景理论的满意度矩阵，深入研究了不完全偏好有序环境下人才共享的匹配问题。

在已有的人岗匹配研究中，大部分是将公司外部应聘者和岗位进行双边匹配，较少研究考虑内部员工与岗位双边匹配的问题。基于银行内部员工对晋升岗位的指标评价和在相应岗位曾任职领导从岗位需求出发对员工的指标评价，本文提出在混合直觉模糊偏好下将银行员工与岗位匹配的方法。评价者难以用精确的数值来衡量偏好，因此使用混合直觉模糊数能更好的体现员工与岗位双边的主观偏好。本文应用三角直觉模糊数和梯形直觉模糊数构建员工与岗位双边的混合模糊评价矩阵，考虑双边匹配方案的满意度和稳定性，构建多指标人岗匹配模型，通过求解模型得到最优匹配结果。

2. 直觉模糊偏好

2.1. 三角直觉模糊数

定义1.1 [16] 令 $\tilde{a}$ 为实数集R上的一个三角直觉模糊数，则 $\tilde{a}$ 可表示为 $\tilde{a}=\left(\left[\underset{\_}{a},a,\bar{a}\right];u_{\tilde{a}}\left(x\right),v_{\tilde{a}}\left(x\right)\right)$ 。其中 $\underset{\_}{a}$ 和 $\bar{a}$ 分别为模糊数的下限和上限，a为可能性最大的值， $u_{\tilde{a}}\left(x\right)$ 、 $v_{\tilde{a}}\left(x\right)$ 分别为其对应的隶属度和非隶属度，且满足条件 $0\le u_{\tilde{a}}\left(x\right)\le 1$ ， $0\le v_{\tilde{a}}\left(x\right)\le 1$ 和 $0\le u_{\tilde{a}}\left(x\right)+v_{\tilde{a}}\left(x\right)\le 1$ 。令 ${\pi }_{\tilde{a}}\left(x\right)=1-u_{\tilde{a}}\left(x\right)-v_{\tilde{a}}\left(x\right)$ 为反映三角直觉模糊数 $\tilde{a}$ 在x处的犹豫度的直觉模糊指标， ${\pi }_{\tilde{a}}\left(x\right)$ 的值越小，该模糊数越精确。

2.2. 三角模糊数去模糊化方法

采用三角模糊重心法对三角模糊数去模糊化 [17] ，三角模糊数 $\tilde{a}=\left[a_1,a_2,a_3\right]$ 的去模糊化计算公式为：

$C_{\tilde{a}}=\frac{a_1+a_2+a_3}{3}$ (1)

2.3. 梯形直觉模糊数

定义2.1 [18] 令 $\tilde{a}$ 为实数集上的一个直觉模糊数，其隶属度和非隶属度分别表示为：

${\mu }_{\tilde{a}}\left(x\right)=\{\begin{array}{l}\left(x-a\right){\mu }_{\tilde{a}}/\left(b-a\right),a\le x<b\hfill \\ {\mu }_{\tilde{a}},\begin{array}{ccc}\begin{array}{cc}\begin{array}{cc}& \end{array}& \end{array}& & \end{array}b\le x\le c\hfill \\ \left(d-x\right){\mu }_{\tilde{a}}/\left(d-c\right),c<x\le d\hfill \\ 0,\begin{array}{cc}\begin{array}{cc}\begin{array}{cc}& \end{array}& \end{array}& \end{array}x<a,x>d\hfill \end{array}$

非隶属函数为：

$v_{\tilde{a}}\left(x\right)=\{\begin{array}{l}\left[b-x+\left(x-a\right)v_{\tilde{a}}\right]/\left(b-a\right),a\le x<b\hfill \\ v_{\tilde{a}},\begin{array}{ccc}\begin{array}{cc}\begin{array}{cc}\begin{array}{cc}\begin{array}{cc}& \end{array}& \end{array}& \end{array}& \end{array}& & \end{array}b\le x\le c\hfill \\ \left[x-c+\left(d-x\right)v_{\tilde{a}}\right]/\left(d-c\right),c<x\le d\hfill \\ 1,\begin{array}{cc}\begin{array}{cc}\begin{array}{cc}\begin{array}{cc}\begin{array}{cc}& \end{array}& \end{array}& \end{array}& \end{array}& \end{array}x<a,x>d\hfill \end{array}$

其中： $0\le u_{\tilde{a}}\le 1$ ； $0\le v_{\tilde{a}}\le 1$ ； $u_{\tilde{a}}+v_{\tilde{a}}\le 1$ ； $a,b,c,d\in R$ 。称 $\tilde{a}=\langle \left[a,b,c,d\right];u_{\tilde{a}},v_{\tilde{a}}\rangle$ 为梯形直觉模糊数(ITFN)。

2.4. 梯形模糊数去模糊化方法

据文献 [19] [20] 可知，梯形模糊数 $\tilde{a}=\left[a,b,c,d\right]$ 的去模糊化计算公式为：

$C_{\tilde{a}}=\frac{a+4b+4c+d}{10}$ (2)

3. 多指标人岗匹配问题

混合直觉模糊偏好下的多指标人岗匹配问题中，设员工的主体集合是 $E=\left\{E_1,E_2,\cdots ,E_m\right\}$ ，其中第i位员工用E_i表示， $i=1,2,\cdots ,m$ ；岗位的集合是 $G=\left\{G_1,G_2,\cdots ,G_n\right\}$ ，其中第j个岗位用G_j表示， $j=1,2,\cdots ,n$ 。假设员工E对岗位G的评价指标集 $C=\left\{C_1,C_2,\cdots ,C_p\right\}$ ，集合C中第c个指标用C_c表示， $c=1,\text{2,}\cdots ,p$ ；指标权重 $\tau ={\left({\tau }_1,{\tau }_2,\cdots ,{\tau }_p\right)}^{\text{T}}$ ， ${\tau }_c$ 表示C_c的权重， $0\le {\tau }_c\le 1$ 且 ${\displaystyle {\sum }_{c=1}^p{\tau }_c=1}$ ； $A={\left[A_{ic}^j\right]}_{m\times p}$ 是银行员工对岗位的评价矩阵，对主体G_j指标C_c的评价值为 $A_{ic}^j$ 。假设岗位G对员工E的评价指标集 $H=\left\{H_1,H_2,\cdots ,H_q\right\}$ ，集合H中第h个指标用H_h表示， $h=1,\text{2,}\cdots ,q$ ；指标权重 $\epsilon ={\left({\epsilon }_1,{\epsilon }_2,\cdots ,{\epsilon }_q\right)}^{\text{T}}$ ， ${\epsilon }_h$ 表示H_h的权重， $0\le {\epsilon }_h\le 1$ 且 ${\displaystyle {\sum }_{h=1}^q{\epsilon }_h=1}$ ； $B={\left[B_{jh}^i\right]}_{n\times q}$ 是岗位对员工的评价矩阵，对主体E_i指标H_h的评价值为 $B_{jh}^i$ 。本文需要解决的问题是，依据银行员工和岗位双边主体的评价信息，采用混合直觉模糊多指标人岗匹配方法，得到双方满意度最大化的人岗匹配方案。

4. 人岗匹配方法

4.1. 满意度计算

TOPSIS法是根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价。以理想解贴近度的大小作为评价目标优劣的依据，贴近度取值在0~1之间，越接近1表明评价越高。

构造银行内部员工对岗位的评价矩阵 ${\left[A_{ic}^j\right]}_{m\times p}$ ，E_i为各员工，C_c为对岗位评价的各指标。

应用公式(1)、(2)将模糊数去模糊化后，确定正理想解 $M_c^{j+}$ 和负理想解 $M_c^{j-}$ ：

$M_c^{j+}=\{\begin{array}{c}\underset{\text{1}\le i\le m}{\max }\left\{A_{ic}^j\right\},c=1,\cdots ,p;越大越优型指标\\ \underset{\text{1}\le i\le m}{\min }\left\{A_{ic}^j\right\},c=1,\cdots ,p;越小越优型指标\end{array}$

$M_c^{j-}=\{\begin{array}{c}\underset{\text{1}\le i\le m}{\min }\left\{A_{ic}^j\right\},c=1,\cdots ,p;越大越优型指标\\ \underset{\text{1}\le i\le m}{\max }\left\{A_{ic}^j\right\},c=1,\cdots ,p;越小越优型指标\end{array}$

计算评价对象与正负理想解 $M_c^{j+}$ 、 $M_c^{j-}$ 之间的距离 $d_i^{j+}$ 、 $d_i^{j-}$ ：

$d_i^{j+}=\sqrt{{\displaystyle \underset{c=1}{\overset{p}{\sum }}{\left(M_c^{j+}-A_{ic}^j\right)}^2}},i=1,\cdots ,m$

$d_i^{j-}=\sqrt{{\displaystyle \underset{c=1}{\overset{p}{\sum }}{\left(M_c^{j-}-A_{ic}^j\right)}^2}},i=1,\cdots ,m$

计算理想解的贴近度 $S_{ic}^j$ ：

$S_{ic}^j=\frac{d_i^{j-}}{d_i^{j+}+d_i^{j-}}$

根据贴近度 $S_{ic}^j$ 可计算员工E_i对岗位G_j的综合满意度 ${\theta }_{ij}$ 为：

${\theta }_{ij}={\displaystyle \underset{c=1}{\overset{p}{\sum }}{\tau }_c{S}_{ic}^j,i=1,2,\cdots ,m;j=1,2,\cdots ,n}$

同理，构造岗位对员工的评价矩阵 ${\left[B_{jh}^i\right]}_{n\times q}$ ，G_j为各岗位，H_h为对员工评价的各指标。

应用公式(1)、(2)将模糊数去模糊化后，确定正理想解 $M_h^{i+}$ 和负理想解 $M_h^{i-}$ ：

$M_h^{i+}=\{\begin{array}{c}\underset{\text{1}\le j\le n}{\max }\left\{B_{jh}^i\right\},h=1,\cdots ,q;越大越优型指标\\ \underset{\text{1}\le j\le n}{\min }\left\{B_{jh}^i\right\},h=1,\cdots ,q;越小越优型指标\end{array}$

$M_h^{i-}=\{\begin{array}{c}\underset{\text{1}\le j\le n}{\min }\left\{B_{jh}^i\right\},h=1,\cdots ,q;越大越优型指标\\ \underset{\text{1}\le j\le n}{\max }\left\{B_{jh}^i\right\},h=1,\cdots ,q;越小越优型指标\end{array}$

计算评价对象与正负理想解 $M_h^{i+}$ 、 $M_h^{i-}$ 之间的距离 $d_j^{i+}$ 、 $d_j^{i-}$ ：

$d_j^{i+}=\sqrt{{\displaystyle \underset{h=1}{\overset{q}{\sum }}{\left(M_h^{i+}-B_{jh}^i\right)}^2}},j=1,\cdots ,n$

$d_j^{i-}=\sqrt{{\displaystyle \underset{h=1}{\overset{q}{\sum }}{\left(M_h^{i-}-B_{jh}^i\right)}^2}},j=1,\cdots ,n$

计算理想解的贴近度 $S_{jh}^i$ ：

$S_{jh}^i=\frac{d_j^{i-}}{d_j^{i+}+d_{{}^j}^{i-}}$

根据贴近度 $S_{jh}^i$ 可计算岗位G_j对员工E_i的综合满意度 ${\eta }_{ij}$ 为：

${\eta }_{ij}={\displaystyle \underset{h=1}{\overset{q}{\sum }}{\epsilon }_h{S}_{jh}^i,i=1,2,\cdots ,m;j=1,2,\cdots ,n}$

4.2. 人岗匹配模型构建

为了构建多指标人岗匹配模型，引入0~1变量 $X_{ij}$ ，若 $X_{ij}=0$ 表示银行内部员工与岗位匹配不成功，反之 $X_{ij}=1$ 表示员工与岗位匹配成功。根据员工 $E_i$ 对岗位 $G_j$ 的综合满意度 ${\theta }_{ij}$ 和岗位 $G_j$ 对员工 $E_i$ 的综合满意度 ${\eta }_{ij}$ ，建立以下多目标优化模型式(3)~(8)：

$\max z_1={\displaystyle \underset{i=1}{\overset{m}{\sum }}{\displaystyle \underset{j=1}{\overset{n}{\sum }}{\theta }_{ij}{x}_{ij}}}$ (3)

$\max z_2={\displaystyle \underset{i=1}{\overset{m}{\sum }}{\displaystyle \underset{j=1}{\overset{n}{\sum }}{\eta }_{ij}{x}_{ij}}}$ (4)

$\text{s}\text{.t}.{\displaystyle \underset{j=1}{\overset{n}{\sum }}{x}_{ij}\le 1,i=1,2,\cdots ,m}$ (5)

${\displaystyle \underset{i=1}{\overset{m}{\sum }}{x}_{ij}}\le 1,j=1,2,\cdots ,n$ (6)

$x_{ij}+{\displaystyle \underset{k:{\theta }_{ik}\ge {\theta }_{ij}}{\sum }{x}_{ik}}+{\displaystyle \underset{l:{\eta }_{ik}\ge {\eta }_{ij}}{\sum }{x}_{lk}}\ge 1,i=1,2,\cdots ,m;j=1,2,\cdots ,n$ (7)

$x_{ij}=\text{0}或\text{1,}i=1,2,\cdots ,m;j=1,2,\cdots ,n$ (8)

其中，式(3)、(4)为目标函数，式(3)表示员工对晋升岗位匹配满意度最大化，式(4)表示岗位对员工的匹配满意度最大化。式(5)~(8)为约束条件，式(5)表示每个员工最多匹配一个岗位，式(4)表示一个岗位最多匹配1名员工，式(7)是为了确保所构建的模型式(3)~(8)计算得出的匹配方案是稳定的稳定性约束条件。

4.3. 人岗匹配模型求解

为求解上述多目标优化模型，使用基于隶属函数的加权和方法。设 $Z_k^{\max }$ 和 $Z_k^{\min }$ 为 $Z_k^{}$ 在约束条件下的最大值和最小值，则该目标隶属函数 ${\mu }_{z_k}$ 可定义为

${\mu }_{z_k}=\frac{z_k-z_k^{\min }}{z_k^{\max }-z_k^{\min }},k=1,2$

设 ${\alpha }_{\text{1}}$ ， ${\alpha }_2$ 分别表示目标 ${\mu }_{z_1}$ ， ${\mu }_{z_2}$ 的权重， $0\le {\alpha }_1,{\alpha }_2\le 1$ ， ${\alpha }_1+{\alpha }_2=1$ 。若 ${\alpha }_1>{\alpha }_2$ ，表示匹配更偏重员工E_i；反之，表示匹配更偏重岗位G_j。考虑到公平性，取 ${\alpha }_1={\alpha }_2=0.5$ 。通过线性加权将多目标优化模型式(3)~(8)转化为单目标线性规划模型式(9)~(13)：

$\max z={\alpha }_1{\mu }_{z_1}+{\alpha }_2{\mu }_{z_2}$ (9)

$\text{s}\text{.t}.{\displaystyle \underset{j=1}{\overset{n}{\sum }}{x}_{ij}\le 1,i\in 1,2,\cdots ,m}$ (10)

${\displaystyle \underset{i=1}{\overset{m}{\sum }}{x}_{ij}}\le 1,j=1,2,\cdots ,n$ (11)

$x_{ij}+{\displaystyle \underset{k:{\theta }_{ik}\ge {\theta }_{ij}}{\sum }{x}_{ik}}+{\displaystyle \underset{l:{\eta }_{ik}\ge {\eta }_{ij}}{\sum }{x}_{lk}}\ge 1,i=1,2,\cdots ,m;j=1,2,\cdots ,n$ (12)

$x_{ij}=\text{0}或\text{1,}i=1,2,\cdots ,m;j=1,2,\cdots ,n$ (13)

式(9)为总目标函数，表示使人岗双边综合满意度最高。式(9)~(13)为单目标线性规划模型，可使用LINGO等优化软件包求解。

综上，银行内部员工与岗位的匹配步骤如下：

步骤1根据员工考虑自身要求给出对岗位的评价信息和在相应岗位曾任职领导从岗位需求出发对员工的评价信息，分别给出员工和岗位的混合直觉模糊评价矩阵；

步骤2运用TOPSIS方法得到贴近度后计算人岗双边的匹配满意度，由此构建人岗双边的满意度矩阵；

步骤3以使员工和岗位双边的综合满意度最大化为目标，在稳定匹配的约束条件下建立多目标双边匹配模型式(3)~(8)；

步骤4将多目标匹配模型式(3)~(8)转化为单目标模型式(9)~(13)，对其求解后得到最优匹配方案。

5. 算例分析

A银行拟在3个部门领导岗位上选取合适的员工进行提拔，经过初步筛选确定4个员工进入考核环节。员工考虑自身要求给出对岗位的评价指标为薪酬水平(t₁)、工作时长(t₂)、晋升空间(t₃)，以及各指标相应权重(0.35，0.25，0.4)^T。岗位对员工的评价指标主要考虑适应能力(f₁)、工作经验(f₂)、专业水平(f₃)，以及各指标相应权重(0.26，0.35，0.39)^T。员工对岗位的混合直觉模糊评价矩阵见表1。在相应岗位曾任职领导从岗位需求出发对员工的混合直觉模糊评价矩阵见表2。指标t₁、t₂、f₁和f₃的评价值是三角直觉模糊数，指标t₃、f₂的评价值是梯形直觉模糊数。

为了确定银行内部员工和岗位的双边匹配方案，根据上述提出的TOPSIS法分别算出员工和岗位双方的综合满意度，进而得到人岗双边的满意度矩阵见表3和表4。

Table 1. Persons’ hybrid intuitionistic fuzzy evaluation matrix of posts

表1. 员工对岗位的混合直觉模糊评价矩阵

Table 2. Posts’ hybrid intuitionistic fuzzy evaluation matrix of persons

表2. 岗位对员工的混合模糊评价矩阵

Table 3. Persons’ satisfaction matrix of posts

表3. 员工对岗位的满意度矩阵

Table 4. Posts’ satisfaction matrix of persons

表4. 岗位对员工的满意度矩阵

引入0~1变量X_ij，根据员工E_i对岗位G_j的综合满意度 ${\theta }_{ij}$ 和岗位G_j对员工E_i的综合满意度 ${\eta }_{ij}$ ，为使人岗双方满意度最大化，通过式(3)~(8)建立员工与岗位的多目标优化模型式(14)~(19)，如下所示：

$\max z_1={\displaystyle \underset{i=1}{\overset{\text{4}}{\sum }}{\displaystyle \underset{j=1}{\overset{3}{\sum }}{\theta }_{ij}{x}_{ij}}}$ (14)

$\max z_2={\displaystyle \underset{i=1}{\overset{\text{4}}{\sum }}{\displaystyle \underset{j=1}{\overset{\text{3}}{\sum }}{\eta }_{ij}{x}_{ij}}}$ (15)

$\text{s}\text{.t}.{\displaystyle \underset{j=1}{\overset{\text{3}}{\sum }}{x}_{ij}\le 1,i=1,2,3,4}$ (16)

${\displaystyle \underset{i=1}{\overset{\text{4}}{\sum }}{x}_{ij}}\le \text{1},j=1,2,3$ (17)

$x_{ij}+{\displaystyle \underset{k:{\theta }_{ik}\ge {\theta }_{ij}}{\sum }{x}_{ik}}+{\displaystyle \underset{l:{\eta }_{ik}\ge {\eta }_{ij}}{\sum }{x}_{lk}}\ge 1,i=1,2,3,4;j=1,2,3$ (18)

$x_{ij}=0或\text{1},i=1,2,3,4;j=1,2,3$ (19)

进一步通过式(9)~(13)将其转化为单目标模型，求得最优解：

$X=\left[\begin{array}{ccc}0& 0& 0\\ 0& 1& 0\\ 0& 0& 1\\ 1& 0& 0\end{array}\right]$

因此匹配结果为(E₂，G₂)，(E₃，G₃)，(E₄，G₁)即员工E₂与岗位G₂匹配，员工E₃与岗位G₃匹配，员工E₄与岗位G₁匹配，员工E₁未匹配。

6. 总结

为使银行人岗匹配适应数字化转型需求，本文提出了混合直觉模糊偏好下的多指标人岗匹配方法。该方法运用三角直觉模糊数和梯形直觉模糊数表达员工与岗位的偏好信息，使用去模糊化方法和TOPSIS法处理混合直觉模糊数，计算贴近度，将其线性加权后得到满意度，并构建使人岗双边满意度最大化的双边匹配优化模型，求解模型获得最佳人岗匹配方案。已有人岗匹配方法大部分关注外在应聘者与岗位匹配，本文从银行内部员工与岗位匹配的视角出发，使用混合直觉模糊更好的体现人岗双边的主观偏好，使匹配方案更加合理。但本文只是初步探讨了人岗双边偏好以两种模糊数信息给出的情况，对于其他直觉模糊偏好信息形式的人岗匹配问题还有待更深入的探究。