Creative_Decisions_I_Dubina
.pdfЧем выше этот индекс, тем более приоритетным является со-
ответствующий фактор.
Анкета для оценки организационного климата для творчест-
ва и инноваций с использованием метода QIPM приведена в при-
ложении 5. Респондентам предлагается оценить по двум шкалам ключевые факторы, которые способствуют успешному развитию организации. По шкале «важность» оценивается, насколько важ-
ным является тот или иной фактор для развития организации, а по шкале «реализованность» оценивается, насколько успешно этот фактор в данный момент осуществлен в организации. Анкета со-
держит 17 пунктов, соответствующих 17 факторам организацион-
ного климата:
1.Возможность свободно предлагать новые идеи.
2.Терпимое отношение к риску со стороны руководства.
3.Автономность (самостоятельность) сотрудников в приня-
тии решений.
4.Наличие технических, финансовых и информационных ресурсов для работы над новыми проектами.
5.Наличие свободного времени для работы над новыми идеями (проектами).
6.Интерес сотрудников к выполняемой ими работе.
7.Совместная работа сотрудников над новыми идеями (про-
ектами).
8.Открытость коллектива к новым идеям.
9.Формирование эффективной команды для работы над но-
выми проектами.
10.Доверительные и открытые отношения в коллективе.
11.Возможность легко донести новые идеи до руководства.
12.Поиск новых идей, направленных на перспективные ре-
шения, а не только на решение текущих проблем.
13.Позитивное восприятие руководством новых идей со-
трудников.
14.Поддержка сотрудников, предлагающих новые идеи.
15.Объективная оценка и поощрение новых предложений.
16.Открытость организации к изменениям и динамичность ее
развития.
17.Эффект от практического внедрения новых и перспектив-
ных идей.
Преимуществом инструмента, основанного на методе QIPM,
является то, что оценивать параметры организационного климата
191
можно не только по степени их выраженности, но и с точки зрения их важности для развития компании или организации. Хотя этот метод обеспечивает более низкое качество оценки, чем традицион-
ные, он очень нагляден и удобен для принятия решений. Такой подход требует меньше времени и ресурсов для сбора данных, чем подходы, рассмотренные выше. При использовании этого метода не требуется применение сложного аналитического инструмента-
рия для обработки и анализа данных.
В заключение отметим, что в силу неоднородности органи-
зационного климата в крупной компании работникам разных отде-
лов сложно оценивать ситуацию в организации в целом, поэтому следует учитывать границы, в которых члены организации могут судить об ее климате. Эти границы определяются в значительной степени статусом сотрудников. Руководитель подразделения лучше знаком с климатом всей организации, чем специалист, выполняю-
щий работу только в пределах этого подразделения. По этой при-
чине важную роль играет метод формирования выборки при оценке организационного климата.
В большой компании целесообразно проводить опрос по подразделениям (отделам), и в этом случае видение климата орга-
низации получится в разрезе отделов. Можно проводить не сплош-
ное исследование по отделам, а выборочное. Например, из каждого отдела формировать выборку по 7–10 человек для получения при-
емлемой статистической значимости при дальнейшей обработке данных. Это позволяет сравнить показатели организационного климата в разных отделах и сопоставить результаты с мнением экспертов о работе отделов и фактическими показателями работы
(количество патентов, количество рацпредложений, прибыль и пр.).
Для оценки организационного климата в целом желательно при-
влекать специалистов из разных отделов, имеющих достаточно ин-
формации о работе всей организации. Это, как правило, руководи-
тели отделов, подразделений, их заместители, руководители опре-
деленными направлениями работы и т.д.
5.5. Способы обработки данных при оценке организационного климата
Оценки климата, как правило, отличаются довольно боль-
шим разбросом. Отсюда возникает серьезный вопрос о качестве такого рода оценок и измерений. Инструменты, рассмотренные в
192
предыдущем параграфе, используют различные шкалы и математи-
ческие процедуры разной степени сложности. В данном параграфе мы приводим описание основных процедур, которое позволит са-
мостоятельно их использовать читателю, имеющему базовую ма-
тематическую подготовку в пределах университетского курса. Для читателей, более глубоко интересующихся математическими ас-
пектами измерений организационного климата, предоставляются ссылки на дополнительные источники.
5.5.1. Шкалы представления данных
при оценке организационного климата
Все существующие инструменты для оценки организацион-
ного климата основаны на порядковой шкале Лайкерта (Likert scale), которая впервые была предложена в 1932 г. американским специалистом в областях организационной психологии и управле-
ния Р. Лайкертом. Респондент выражает свое согласие или несогла-
сие с каждым суждением (из предложенного набора) по шкале оце-
нок (из 3, 4, 5, 6, 7 или более позиций), а результат оценки на ито-
говой шкале определяется суммой оценок по каждому отдельному суждению.
Позиции шкалы Лайкерта обычно кодируются числами от
1 до 5 (для пятипозиционной шкалы), от 1 до 6 (для шестипозици-
онной шкалы) и т.д., хотя кодирование может включать нулевое значение (например, для кодирования нейтрального отношения) и
отрицательные значения (например для кодирования негативного отношения). Направление кодирования зависит от формулировки вопроса. Для позитивно сформулированных утверждений (напри-
мер, «Творческие идеи в данной организации поощряются») пози-
тивно выраженное отношение (например, «согласен») кодируется,
как правило, большим числом (например, 5), а негативно выражен-
ное («не согласен») – меньшим. При негативной формулировке
(например «Мой руководитель игнорирует мои предложения») по-
зитивно выраженное отношение может кодироваться меньшим числом, а негативно выраженное – большим.
В большинстве инструментов оцениваются как позитивные факторы климата, так и негативные (например, «Конфликты» в CCQ и SOQ). При оценке одного и того же фактора часто исполь-
зуются как прямые, так и обратные вопросы или утверждения (на-
пример, «Мой руководитель поддерживает мои инициативы» и
193
«Мой руководитель не поддерживает мои инициативы»). Для того чтобы привести все ответы к одной шкале, отклики на обратные
утверждения перекодируются по формуле r = (min – s) + max,
где r – отклик на прямые утверждения (вопросы); s – отклик на об-
ратные утверждения (вопросы); min, max – минимальное и макси-
мальное значения шкалы.
При обработке данных базовой процедурой является получе-
ние агрегированных и комплексных оценок. Для анализа показателя по выборке респондентов измерения агрегируются, т.е. получаются коллективные (групповые, обобщенные) оценки. Агрегирование обычно осуществляется путем вычисления среднеарифметического значения по группе.
В практике оценки организационного климата также часто встречаются ситуации, когда необходимо синтезировать отдельные показатели в некоторый интегрированный (комплексный) показа-
тель. Например, показатель инновативности компании интегриру-
ется на основе нескольких показателей, характеризующих ее орга-
низационный климат. Как и в случае с агрегированными оценками,
для интегрирования показателей обычно используются арифмети-
ческие действия.
Для величин, измеренных в метрических шкалах (интерваль-
ной и абсолютной), эта простая процедура вполне корректна. Од-
нако все существующие инструменты используют шкалу Лайкерта
(порядковую шкалу). Для порядковых шкал использование опера-
ций сложения, вычитания, умножения или деления для получения агрегированных или комплексных оценок с математической точки зрения некорректно [44].
В шкале Лайкерта очень наглядно проявляется дилемма ме-
жду простотой измерительных процедур и математической строго-
стью. В литературе встречаются и аргументируются различные точки зрения на возможности использования шкалы Лайкерта. Эта шкала, как показал еще ее автор, является порядковой (неметриче-
ской) шкалой, однако многие исследователи считают возможным использовать ее как интервальную шкалу и применять процедуры для обработки данных, приемлемые для метрических шкал, так как,
по их мнению, это не приводит к серьезным ошибкам в результа-
тах. Основными аргументами в пользу такого утверждения являют-
ся следующие предположения:
194
– интервалы между позициями шкалы Лайкерта в отдельном пункте (вопросе или утверждении) анкеты приблизительно одина-
ковы;
– интервалы между позициями шкалы Лайкерта изменяются незначительно при переходе от вопроса к вопросу (от утверждения к утверждению).
Если эти два условия можно считать выполненными, то к шкале Лайкерта могут быть применены процедуры, приемлемые для интервальных шкал.
Подробно неэквивалентность значений позиций шкалы при переходе от пункта к пункту при получении комплексных оценок в шкале Лайкерта продемонстрирована в нашей книге [44]. Ниже мы приведем два примера из этой работы.
Пусть мы имеем в качестве пункта анкеты следующее ут-
верждение: «Члены моей рабочей группы открыты новым идеям».
Для респондента А, который в целом согласен с этим утверждени-
ем, интервалы между позициями шкалы могут быть, к примеру, такими, как на рисунке 5.6.
|
|
|
|
Респондент А |
|
|
||||
ПС С |
НС |
|
|
ПНС |
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 |
3 |
2 |
|
|
|
1 |
||||
|
|
|
|
Респондент B |
|
|
||||
ПС |
|
|
|
С |
НС |
ПНС |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 |
|
|
3 |
2 |
1 |
Рис. 5.6. Пример неэквивалентности интервалов
вшкале Лайкерта
Вэтом случае респондент А с большей вероятностью выбе-
рет одну из позиций – ПС («полностью согласен») или С («согла-
сен»), нежели НС («не согласен»), а тем более ПНС («полностью не
195
согласен»), т.е. условие равенства интервалов (даже приблизитель-
ное), очевидно, не выполняется. Предположим, что некий респон-
дент В скорее не согласен с предложенным утверждением. Для не-
го интервалы между позициями шкалы могут быть другими (рис. 5.6). Интервал между НС и ПНС для респондента В меньше, чем интервалы между другими позициями. Очевидно, что вычисление среднеарифметического значения для данного случая некорректно.
Аналогично складывается ситуация и с получением ком-
плексных оценок в шкале Лайкерта. Предположим, что измеряе-
мым показателем является «Поддержка творческой инициативы сотрудников руководством компании». Анкета включает два пунк-
та: «Мой руководитель открыт для новых идей» и «Мой руководи-
тель поддерживает мои новые предложения». Очевидно, что эти пункты имеют разный «вес». Поэтому отклик «согласен» при отве-
те на первый пункт может не соответствовать позиции «согласен» при отклике на второй пункт (одно дело – просто воспринимать новые идеи, другое – их поддерживать). Поэтому объединять от-
клики на эти пункты в один комплексный показатель путем сложе-
ния некорректно.
На практике достаточно сложно обеспечить выполнение двух основных условий (равенство межпозиционных интервалов шкалы и эквивалентность позиций шкалы при переходе от пункта к пункту), для того чтобы шкалу Лайкерта можно было бы считать интервальной. Поэтому получение агрегированных и комплексных оценок по шкале Лайкерта путем вычисления среднеарифметиче-
ского значения хотя и «работает» с практической точки зрения, но лишено смысла с точки зрения математической. С одной стороны,
для получения корректных результатов исследования необходимо обеспечить корректность получаемых измерений и применяемых процедур обработки. С другой стороны, шкала Лайкерта является простым и удобным инструментом для сбора данных. Возможен ли некий компромисс между практическим удобством и математиче-
ской строгостью? Возможно ли преобразование данных из шкалы Лайкерта в метрическую шкалу?
Одним из самых «сильных» аргументов в пользу метриче-
ского характера шкалы является распределение измерений по нор-
мальному закону. Исходным принципом здесь служит предполо-
жение о том, что измеряемое свойство распределено в генеральной совокупности в соответствии с нормальным законом. Следователь-
196
но, измерение данного свойства также должно обеспечивать нор-
мальное распределение. Если это так, то шкала может считаться по крайней мере интервальной [70]. Если это не так, то измеряемое
свойство отражается в не метрической шкале, а, например, в по-
рядковой.
Таким образом, исходным пунктом анализа полученных дан-
ных по оценке организационного климата должна быть их проверка на нормальность распределения. Если выборочное распределение не отличается от нормального, то, по мнению многих специали-
стов, можно считать, что измеряемое свойство отражается в интер-
вальной шкале, что позволяет корректно использовать соответст-
вующие математические и статистические процедуры для их даль-
нейшей обработки и анализа1.
Методы проверки нормальности описаны во многих учебни-
ках и учебных пособиях по статистике и статистической обработке
данных, например [70]. Процедуры проверки нормальности рас- пределения включены в статистические пакеты SPSS, STATISTICA
и др. Удобный инструментарий для оценки вида распределения включает в себя программный продукт @Risk, предлагаемый ком-
панией Palisade, специализирующейся на разработке программного
обеспечения для принятия решений в условиях риска и неопреде-
ленности (www.palisade.com).
Для удобства сравнения результатов исходные данные (raw data) часто приводят к некой стандартной шкале. Наиболее про-
стым и распространенным стандартизующим преобразованием ис-
ходных данных является их приведение к так называемому стан-
дартному z-распределению со средним, равным 0, и стандартным
отклонением, равным 1:
z = r − m , s
где r –исходное значение; m – среднее значение по признаку; s –
стандартное отклонение по признаку.
1 Однако такой подход к обоснованию метрического характера из-
мерений принимается не всеми исследователями. Например, А.И. Орлов в одной из своих работ показывает, что в большинстве случаев распре-
деления результатов измерения существенно отличаются от нормаль-
ных [74].
197
В инструментах для оценки организационного климата также часто используется стандартная T-шкала, связанная с z-шкалой
простым преобразованием:
T =10z + 50.
Т-распределение имеет среднее, равное 50, и стандартное от-
клонение, равное 10.
Описанные подходы к нормализации и стандартизации дан-
ных имеют все же принципиальный недостаток с точки зрения ма-
тематической строгости. Они изначально используют процедуры,
неприменимые для порядковых шкал (определение среднего значе-
ния и стандартного отклонения) по причинам, которые подробно обсуждались выше. Однако обычно считается, что нормализован-
ные данные, полученные в порядковых шкалах, можно рассматри-
вать как интервальные со всеми вытекающими последствиями по применению методов обработки данных.
Процедуру более корректного, хотя и существенно более
сложного преобразования данных из шкалы Лайкерта в интерваль- ную шкалу можно осуществить на основе модели Раша (Rasch model), предложенной датским математиком Г. Рашем еще в конце
1950-х гг. Первоначально модель Раша была разработана для оцен-
ки способностей (знаний, умений и т.п.), позднее ее также начали использовать для оценки отношений (attitudes) и восприятий (perceptions) [120; 201]. В настоящее время модель Раша наиболее ак-
тивно применяется в образовательно-педагогической практике (в
инструментах тестирования). Впервые использование этой модели
для оценки организационного климата было предложено в наших работах [133; 134].
Разработаны специальные программные продукты для кон-
вертирования исходных данных в шкалу Раша и выполнения всех необходимых расчетов (например, WINSTEPS). Процедуры, реали-
зованные в этих программах, достаточно сложны и громоздки для выполнения «вручную». По этой причине мы рекомендуем чита-
телю использовать указанную программу, описание работы с ко-
торой дано в нашей книге [44], где также рассмотрены общий подход к реализации подобных процедур и простейший алгоритм преобразования исходных данных в шкалу Раша. Ниже мы приво-
дим лишь краткое описание модели с целью дать представление читателю о возможности ее использования при оценке организа-
ционного климата.
198
Разработка модели Раша была связана с обнаружившимися проблемами представления данных в порядковых шкалах. Во-
первых, эти шкалы не обеспечивают линейности (пропорциональ-
ности) в представлении данных, а во-вторых, получаемые данные субъективны и ситуативны в том смысле, что они зависят от кон-
кретных респондентов и конкретных вопросов. Изменение набора респондентов и/или набора вопросов в анкете может привести к другим результатам. Г. Раш предложил сравнительно простую мо-
дель для «объективного» измерения, которая отчасти снимает эти две проблемы.
В контексте измерения способностей ключевая идея модели Раша может быть сформулирована следующим образом: вероят-
ность правильного ответа на вопрос или задание теста (P) является функцией способностей (знаний) тестируемого и зависит от спо-
собностей (знаний) тестируемого (B) и сложности вопроса (D):
eB− D
Pi(B) = 1+ eB− D .
В контексте измерения отношений (оценок) эта идея может быть интерпретирована следующим образом. Вероятность выбора
(отклика) определенной позиции пункта анкеты зависит от отно-
шения респондента к пункту (вопросу или утверждению) анкеты и от степени соответствия этого пункта и позиции действительному положению вещей.
Эта базовая идея может быть проиллюстрирована с помощью
характеристической кривой заданий теста (или пунктов анкеты).
Пусть в тесте задание 2 сложнее задания 1. Тогда при той же под-
готовленности испытуемого (или при тех же самых знаниях) веро-
ятность правильного ответа на задание 2 будет меньше, чем веро-
ятность правильного ответа на задание 1. Аналогично в случае из-
мерения отношений, если в анкете пункт 2 объективно сложнее для выбора респондента, чем пункт 1, то при одном и том же отношении респондента к предмету исследования вероятность выбора пункта 2
будет меньше, чем вероятность выбора пункта 1 (рис. 5.7).
Единицей шкалы Раша является «логит» (d):
d = ln( |
|
P |
). |
|
− P |
||
1 |
|
||
Здесь P – вероятность правильного ответа на вопрос или |
|||
(в контексте измерения отношений) |
вероятность выбора пункта |
||
(позиции) анкеты. |
|
|
|
199 |
|
|
1 |
выбора |
Пункт 1 |
|
|
Вероятность |
0,5 |
Пункт 2 |
|
|
|
|
0 |
|
Отношение респондента |
Рис. 5.7. Характеристическая кривая
Чем больше вероятность правильного ответа на вопрос ис-
пытуемым, тем большее значение по шкале Раша он имеет. Анало-
гично, чем больше вероятность выбора респондентом того или ино-
го пункта в анкете (что определяется объективными условиями – в
данном случае организационным климатом), тем большее значение будет присвоено этому пункту.
На практике при получении данных в шкале Раша вместо ве-
роятностей используют частоты откликов, т.е. чем чаще тестируе-
мый отвечает правильно, тем выше его показатель в шкале Раша.
Аналогично, чем чаще выбирается тот или иной пункт анкеты, тем большее значение ему будет присвоено. При таком механизме кон-
вертирования данных пункты анкеты, которые каким-либо респон-
дентом оставлены без ответа, не представляют трудностей при ис-
пользовании модели Раша, они не критичны для обработки данных.
Единица измерения шкалы Раша имеет стандартизованный характер, что дает возможность объективно сравнить результаты,
полученные по разным инструментам и выборкам. Шкала Раша является интервальной, что обеспечивает возможность корректного применения большинства математических операций. Теоретически
измерения по шкале Раша не зависят от выборки респондентов
(sample free measurement) и набора вопросов (item free calibration).
Это свойство позволяет специалистам в области теории измерений
называть шкалу Раша «объективной» измерительной шкалой (objective measurement) и сравнивать ее со шкалами, используемыми в
200