УДК 007.51, 65.013

СПОСОБ ОЦЕНКИ ЛОЯЛЬНОСТИ И МОТИВАЦИИ ПЕРСОНАЛА

Саргин В.А.

студент группы БИТ-162 Омского государственного технического университета, г. Омск

Данилова О.Т.

научный руководитель, канд. физ.-мат. наук, доцент кафедры «КЗИ» Омского государственного технического университета, г. Омск

СибАДИв некоторых определенных о стоятельствах совершать и противоправные действия. Анализ статистических данных отечественных и зару ежных источников, свидетельствует о том, что все инциденты, связанные с нарушениями информационной безопасности в 80 % случаев, совершаются именно персоналом. Таким о разом, своевременная оценка уровня мотивации и лояльности персонала может ыть использована для определения степени надежности такого слабого звена в информационной системе, а также позволит ввести корректирующие действия, направленные на уменьшение соответствующих рисков.

Аннотация. В настоящей работе представлен подход к оценке уровня лояльности и мотивации персонала, допускаемого для работы с конфиденциальной информацией. В

всегда имеются уязв мости, которые существенно снижают их эффективность, характеризующую надежность ее сла ых звеньев. Ни для кого не является секретом, что этой ненадежной составляющей является непосредственно сам человек. Человек способен

провести анал з получаемых данных, о о щить информацию, сделать какие-либо выводы, а

Постановка задачи

В настоящей работе приводятся некоторые подходы, основанные на тестовых методиках, теоретических и эмпирических методах, для оценки мотиваций и лояльности персонала, допускаемого к работе, связанной с обеспечением защиты информации. При постановке задачи учтено, что большинство моделей разграничения доступа основывается на представлении компьютерной системы (КС) как совокупности субъектов и объектов доступа, а поэтому представляется возможным применить субъектно-объектную формализацию компьютерных систем в аспекте безопасности информации [1].

Разработка методики

Специалисты по управлению персоналом понимают «лояльность» как профессиональную пригодность благонадежность. Профессиональная пригодность – это фактор, обеспечивающий экономическую безопасность организации, а благонадежность характеризуется отсутствием проявлений девиантного поведения работника [2].

Мотивация представляет собой систему внутренних факторов, вызывающих и направляющих ориентированное на достижение цели поведение человека [2].

некоторый субъект si по отношению объекту доступа oj может находиться состояниях, которые можно определить, как «лоялен», «не лоялен» и «лояльность не определена».

112

В ходе проведения настоящего исследования были выделены признаки лояльности с соответствующими этим признакам атрибутами (таблица 1).

Таблица 1 – Признаки и атрибуты состояний субъекта

лояльность субъекта неопределенна, когда имеются такие признаки как отсутствие сформированного мнения об объекте, либо субъект является новым сотрудником;

субъект является нелояльным по отношению к объекту, если субъект обладает признаками умышленности и скрытости.

Для перехода от качественных характеристик состояний к количественным применим шкалу равнокажущихся интервалов Луи Терстоуна [3]. Суть метода заключается в размещении суждений и индивидов вдоль одномерного континуума установки, границами которого соответствует крайне благоприятное и крайне негативное отношение к объекту установки. Оценка шкалы отражает уровень этой благожелательности.

Использование применяемой методики включает следующие действия:

1. Составляется базовый набор суждений, характеризующий различное отношение к исследуемому объекту.

2. Формируется экспертная группа – произвольно отобранные представители потенциальной аудитории опроса.

3. Проводится экспертная оценка суждений. При этом задача эксперта заключается в размещении ответов по одиннадцати градациям шкалы согласно степени выраженного в них позитивного или негативного отношения к объекту установки. Градации обозначаются

113

латинскими буквами от «А» до «К». В нашем случае мы выбрали значения по отношениям: «А» –максимально благоприятное отношение к объекту установки, «F» – нейтральное, «К» – максимально негативное.

4. Полученные данные по экспертным оценкам суждений обрабатываются следующим

[10,5; 11,5].

При обработке данных необходимо вычислить медиану, которая разделяет выборку на две равные части, согласно выражению.

=+(2 − ).

Итоговая шкала состоит из суждений, имеющих приблизительно равную Мi «цену» и минимальный разброс экспертных оценок. Данная шкала является достаточно надежной при

Градация 11 соответствует максимально позитивной оценке данного суждения; градация 1

– максимально негативное отношение, а градация 6 – нейтральное отношение.

Модель В.И. Герчикова [4], используемая в настоящей работе специально разработана для исследования классов мотиваций сотрудников. Преимущество модели заключается в том, что в ней учтена мотивационная специфика, а также наличие качественных характеристик и их интерпретация в количественном представлении (рисунокИ1).

Мотивация представлена двумя классами: достижения и избегания. Под достижением подразумевается стремление сотрудника получить определенные блага в качестве вознаграждения за труд, а избегание – стремление избежать негативных санкций за невыполнение поставленных задач, запланированных результатов или неудовлетворительное исполнение функций.

Рисунок 1 – Схемное представление модели В.И. Герчикова

114

Работа алгоритма дерева принятия решений С4.5 производится рекурсивно [5]. В каждом узле дерева множество разбивается на подмножества в соответствии с выбранным

максимальное значениебА. Данный атрибут будет являться проверкой в текущем узле дерева, и с его помощью можно продолжать дальнейшее построение дерева. Эти же операции рекурсивно применяются к полученным подмножествам T1, T2, …, Tn до тех пор, пока в узле не окажутся примеры из одного класса.

Алгоритм C4.5 позволяет работать не только с категориальными, но и с числовыми атрибутами. Для этого выделяется некоторый порог, с которым сравниваются все значения

выбирается то, которое даёт максимальное значение по критерию Gain. Затем это значение сравнивается со значениями, подсчитанными для других атрибутов, и, если выяснится, что оно является наибольшим, то именно этот атрибут выделяется в качестве атрибута расщепления.

115

Результаты

Итоговые результаты по определению категорий лояльности представлены в таблице 2.

Таблица 2 – Определение категории лояльности

Предполож м, что перед построением дерева, были обработаны результаты анкетирован я персонала. Мотивации каждый сотрудника описываются строкой, содержащей 17 значен й. Первые 16 значений являются оценками по различным факторам.

последнее значен е определяет принадлежность сотрудника к определённой категории, например «МД» – дост ж тельная мотивация; «МИз» – избегательная (низкая) мотивация; «МОт» – мот вац я отсутствует. Для интерпретации результатов введем следующие обозначен я: отсутств е пр знака – 0; признак избегательной мотивации – 1; признак достижительной мот вац – 2 [4].

Сформируем сходное множество примеров T, каждый из которых описывается десятью атрибутами. Обознач м пр знаки через S1, S2, …, Sm: S1 – интересует цена труда, а не его содержание; S2 – важна спосо ность о еспечить свою жизнь самостоятельно; S3 – стремление к самовыражен ю; S4 – негат вен к рутинной работе; S5 – зависит от идеи, фанатизм; S6 – готовность к дополн тельной ответственности; S7 – добровольная ответственность; S8 – повышенный уровень личной инициативы; S9 – минимизация усилий; S10 – нет стремления к профессиональному развитию; S11 – низкая ответственность, стремление ее избежать; S12 – противодействие активности сотрудников; S13 – низкая квалификация; S14 – нет предпочтений в работе; S15 – согласен на низкую оплату при условии низкой заработной платы у других сотрудников; S16 – низкая активность; e1-e10 – количество испытуемых.

Для получения итоговых результатов анализа (рисунок 2) были определены пороговые значения для всех атрибутов.

Рисунок 2 – Результаты расчётов показателя Gain

Согласно полученным результатам имеем единственный атрибут с максимальным значением показателя Gain: S1, который выбирается в качестве атрибута расщепления для корня дерева решений (рисунок 3).

116

Юрайт, 2019. – 482 с.

5. Левитин А.В. Глава 10. Ограничения мощи алгоритмов: еревья принятия решения // Алгоритмы. Введение в разработку и анализ – М.: Вильямс,И2006. – 409 – 417 c.

117