期望效用函数理论在就业管理中的应用

一、就业期望效用函数的构造

从不确定性出发，考虑人们的偏好与效用函数就得引进概率P。概率的效用函数表达式叫期望效用函数，如果把期望效用函数与大学生择业、就业结合就可以较简单地构造出就业期望效用函数探讨大学生就业的现象机制一般来讲是在条件确定时进行的经验或者理性的推导。但是，许多场合，那种以完全确定为前提的分析是不现实的。事实上，我们知道，毕业生在决策时，对于选择的后果是不完全知道的，具有不确定性，要冒一定的风险。

毕业生的决策是取决于他（她）关于选择某一个工作岗位的概率分布的主观猜测。如果他主观认为选择某一工作发展前景概率更高，那么，它就会选择，否则另谋出路。这就是我们必须从不确定性出发，考虑消费者的偏好与效用函数就得引进概率P使之变成期望效用函数。如果你选择的工作对象是两家IT公司，收入见下表。

表工资收入。

|结果1|结果2|

|可能性（P）|收入|可能性（P）|收入|

|工作A:（佣金制）|0.6|2000|0.4|1000|

|工作B:（固定资金）|0.95|1500|0.05|500|

期望收入=（结果1的概率）×（结果1的收入）+（结果2的概率）×（结果2的收入）。工作A=1600。工作B=1450则你应该选择工作A，而期望效用（expectedutility）一般在单赌的情况下值为u（g）=pu（A）+（1-P）u（B）当u（g₁） & gt;u（g₂）时，则可认为毕业时在g_1与g_2之间更偏好g_1。也就是说，当寻找工作的毕业生有多种未知的情况，而要选择时，他们能够依靠期望效用的极大化来代表分析自己的主观选择。如果选择工作的结果有，n个可能性，即

，同时对u（a_i）（i=1,2,……,n）赋值，代人构造的就业期望效用函数。如果

即对毕业生来说，a_i最好，a_n最次。如果学生把a_i看成是a₁与a_n的一个线性组合一样好，在他看来，任一个可能结果a_i（i=1,2,……,n）总不外是与最好的结果与最次的结果之间的某种组合一样好，即a_i～

令u（a_i）-=p_i即用毕业生心里那个使a与某个单赌等价的最好事件发生概率P_i来定义u（a_i）则可构建就是期望效用函数为：。

就业期望效用函数的意义在于，当大学生面临不确定性的择业、就业选择时，他可以依靠期望效用的极大化来分析自己的选择是否合理可行，至少可以对目前的状况做较规范的分析。

二、效用函数应用实例

假设目前市场上由三份工作可以选择，它们的工资分别为A=（3000元，1500元，1000元）括号中的a₁=3000,a₂=1500,a₃=1000，分别表示可能发生的三种结果，这里a₁最好，a₃最次。

如果问自己：当a发生的概率（p）等于多少时使你认为a（i=1，2，3）与（p,a₁,a₂）元差异?如果回答是：3000元～（1×（3000元），0×（1000元），1500元～（0.6×（3000元），0.4×（1000元）），1000元～（0×（3000元），1×（1000元））那么可以定义：

u=（3000元）=u（a₁）=1

u=（1500元）=u（a₂）=O.6

u=（1000元）=u=（a₃）=O

现在可以比较不同寻职格局了。比如：

则u（S₁）=0.2u（1500）+0.8u（3000）=0.92

由于u（S₁） & gt;u（S₂）即S₁的期望效用大于S₂的期望效用，所以你=定会偏好于选择S₁。因此就业者可以通过自己对某=行业的了解及心理自测的评价，利用就业期望效益较合理评估自己的想法，寻找更多的机会和更合适的工作岗位。