Dự Báo Biến Động Nhân Sự Của Các Cục Thi Hành Án Dân Sự Ở Việt Nam

Dự báo biến động nhân sự tại các cục thi hành án dân sự ở Việt Nam bằng phương pháp học máy, mang lại cái nhìn sâu sắc và chính xác.

• Tác giả: Lưu Tuấn Kiệt
• Trường học: Trường Đại học Mở Hà Nội
• Chuyên ngành: Thạc sĩ
• Đề tài: Dự Báo Biến Động Nhân Sự Các Cục Thi Hành Án Dân Sự Ở Việt Nam Sử Dụng Phương Pháp Học Máy
• Loại tài liệu: Luận văn tốt nghiệp
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU
• DANH MỤC CÁC TỪ VIẾT TẮT VÀ GIẢI THÍCH CÁC THUẬT NGỮ
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu đề tài
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phạm vi nghiên cứu
• 1.3.3. Khu vực nghiên cứu
• 2. CHƯƠNG 2: TIẾP CẬN CƠ SỞ LÝ THUYẾT
• 2.1. Các phương pháp học máy
• 2.1.1. Học có giám sát (Supervised Learning)
• 2.1.2. Học không giám sát (Unsupervised Learning)
• 2.1.3. Nhận xét ưu nhược điểm của học có giám sát và không giám sát
• 2.2. Đánh giá mô hình
• 2.3. Mạng nơ-ron nhân tạo (Neural Network)
• 2.4. Lỗi của mô hình
• 2.5. Tối ưu hóa học sâu bằng Gradient descent
• 2.6. Perceptron đa tầng phi tuyến tính (Multilayer perceptron)
• 2.6.1. Kiến trúc mạng perceptron đa tầng có một tầng ẩn
• 2.6.2. Hàm kích hoạt phi tuyến
• 2.6.3. Công thức hình thức
• 2.6.4. Lan truyền trong mạng perceptron đa tầng
• 2.6.4.1. Lan truyền xuôi (Forward propagation)
• 2.6.4.2. Lan truyền ngược (Backward propagation)
• 2.7. Các kỹ thuật học sâu thực tế
• 2.7.1. Vấn đề tiêu biến gradient (Vanishing gradient)
• 2.7.2. Suy giảm trọng số
• 2.7.2.1. Công thức hàm mục tiêu mới
• 2.7.2.2. Công thức cập nhật trọng số mới
• 2.7.2.3. Ưu nhược điểm
• 2.8. Dữ liệu chuỗi thời gian (Time series)
• 2.8.1. Giới thiệu chung
• 2.8.2. Các thành phần của dữ liệu chuỗi thời gian
• 2.8.3. Dữ liệu nhân sự
• 2.9. Một số mô hình dự báo chuỗi thời gian
• 2.9.1. Mô hình ARIMA
• 2.9.2. Mạng nơ-ron hồi quy (Recurrent Network - RNN)
• 2.9.2.1. Định nghĩa mạng nơ-ron hồi quy
• 2.9.2.2. Huấn luyện mô hình
• 2.9.2.3. Phân loại bài toán RNN
• 2.9.2.4. Ứng dụng bài toán RNN
• 2.9.3. Mạng bộ nhớ dài-ngắn (Long short term memory network - LSTM)
• 2.9.3.1. Định nghĩa mô hình LSTM
• 2.9.3.2. Cách thức hoạt động của mô hình LSTM
• 2.9.3.3. Ứng dụng của mô hình LSTM
• 2.9.4. Mạng Neural hồi tiếp với nút cổng (Gated Recurrent Unit - GRU)
• 2.9.4.1. Định nghĩa mô hình GRU
• 2.9.4.2. Cách thức hoạt động của mô hình GRU
• 2.9.4.3. Ứng dụng của mô hình GRU
• 2.10. Tổng kết chương
• 3. CHƯƠNG 3: ỨNG DỤNG PHƯƠNG PHÁP VÀ XÂY DỰNG MÔ HÌNH
• 3.1. Giới thiệu bài toán
• 3.1.1. Bài toán dự báo biến động nhân sự của các Cục THADS ở Việt Nam
• 3.1.2. Các chỉ số của báo cáo biến động nhân sự hàng năm
• 3.1.3. Chỉ số dùng cho đào tạo và huấn luyện mô hình
• 3.2. Phương pháp đã được công bố
• 3.2.1. Phương pháp dựa trên thuật toán long short term memory
• 3.2.2. Dữ liệu cho bài toán LSTM
• 3.2.3. Kết quả của mô hình sử dụng LSTM
• 3.3. Các công cụ xây dựng mô hình
• 3.3.1. Ngôn ngữ lập trình Python
• 3.3.2. Những thư viện trong học máy được sử dụng trong bài toán
• 3.3.2.1. Thư viện Scikit-learn
• 3.3.2.2. Thư viện Keras
• 3.4. Xây dựng mô hình dự báo
• 3.5. Thực nghiệm và đánh giá mô hình
• 3.5.1. Chuẩn bị dữ liệu
• 3.5.1.1. Dữ liệu phục vụ xây mô hình
• 3.5.1.2. Các bước thu thập và xử lý dữ liệu
• 3.5.2. Tiền xử lý dữ liệu
• 3.5.3. Chia bộ huấn luyện/kiểm tra (train/test)
• 3.5.4. Thiết lập và huấn luyện mô hình
• 3.5.4.1. Môi trường huấn luyện
• 3.5.5. Đánh giá mô hình
• 3.5.5.1. Đánh giá mô hình LSTM
• 3.5.5.2. Đánh giá mô hình GRU
• 3.5.5.3. Lựa chọn mô hình
• 3.6. Tổng kết chương
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Dự Báo Biến Động Nhân Sự Cục Thi Hành Án

Biến động nhân sự là một vấn đề cấp bách đối với các Cục Thi Hành Án Dân Sự (THADS) tại Việt Nam. Tình trạng này ảnh hưởng trực tiếp đến hiệu quả hoạt động, gây gián đoạn công việc và tăng chi phí đào tạo, tuyển dụng. Luận văn này tập trung vào việc dự báo biến động nhân sự bằng cách sử dụng các phương pháp học máy, nhằm cung cấp thông tin quan trọng cho việc lập kế hoạch và quản lý nguồn nhân lực. Việc dự báo chính xác giúp các cơ quan THADS chủ động đối phó với tình hình, giảm thiểu tác động tiêu cực. Theo Luận văn Thạc sĩ của Lưu Tuấn Kiệt, việc áp dụng học máy có thể mang lại những dự báo chính xác hơn so với các phương pháp truyền thống.

1.1. Tầm Quan Trọng Của Quản Lý Biến Động Nhân Sự

Quản lý biến động nhân sự hiệu quả là yếu tố then chốt để đảm bảo sự ổn định và phát triển của Cục THADS. Việc hiểu rõ nguyên nhân và xu hướng biến động giúp đưa ra các giải pháp can thiệp kịp thời. Các yếu tố ảnh hưởng đến biến động nhân sự bao gồm môi trường làm việc, chính sách đãi ngộ, cơ hội phát triển nghề nghiệp và áp lực công việc. Phân tích dữ liệu biến động trong quá khứ là bước quan trọng để xây dựng mô hình dự báo chính xác, hỗ trợ ra quyết định chiến lược về nhân sự. Dự báo biến động nhân sự không chỉ giúp giảm thiểu rủi ro mà còn tạo điều kiện để cải thiện môi trường làm việc, nâng cao sự gắn kết của nhân viên.

1.2. Giới Thiệu Phương Pháp Học Máy Trong Dự Báo Nhân Sự

Học máy, với khả năng phân tích dữ liệu lớn và tìm ra các mô hình phức tạp, đã trở thành một công cụ mạnh mẽ trong dự báo biến động nhân sự. Các thuật toán như mạng nơ-ron, cây quyết định và máy học có giám sát có thể được áp dụng để dự đoán khả năng nhân viên rời khỏi tổ chức. Ưu điểm của học máy là khả năng tự động học hỏi từ dữ liệu, thích ứng với các thay đổi trong môi trường và đưa ra các dự báo có độ chính xác cao. Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu của dự báo. Theo Luận văn, việc sử dụng học máy cho phép khám phá các yếu tố tiềm ẩn ảnh hưởng đến biến động nhân sự mà các phương pháp truyền thống khó có thể nhận diện.

II. Phân Tích Thách Thức Trong Dự Báo Biến Động Nhân Sự THADS

Việc dự báo biến động nhân sự trong các Cục THADS không phải là một nhiệm vụ dễ dàng. Có nhiều thách thức cần phải vượt qua, bao gồm sự phức tạp của dữ liệu, tính đa dạng của các yếu tố ảnh hưởng và sự thay đổi liên tục của môi trường làm việc. Dữ liệu nhân sự thường thiếu tính nhất quán, không đầy đủ hoặc chứa nhiều nhiễu. Các yếu tố như chính sách nhà nước, tình hình kinh tế xã hội và đặc thù của từng địa phương cũng có thể tác động đến biến động nhân sự. Việc xây dựng một mô hình dự báo chính xác đòi hỏi sự hiểu biết sâu sắc về lĩnh vực THADS và khả năng xử lý dữ liệu hiệu quả.

2.1. Khó Khăn Về Thu Thập Và Xử Lý Dữ Liệu Nhân Sự

Thu thập và xử lý dữ liệu nhân sự là một trong những thách thức lớn nhất trong dự báo biến động nhân sự. Dữ liệu thường nằm rải rác ở nhiều nguồn khác nhau, có định dạng không thống nhất và chứa nhiều thông tin không liên quan. Việc làm sạch, chuyển đổi và tích hợp dữ liệu đòi hỏi nhiều thời gian và công sức. Hơn nữa, vấn đề bảo mật và quyền riêng tư của dữ liệu cũng cần được xem xét cẩn thận. Việc sử dụng các công cụ và kỹ thuật xử lý dữ liệu hiện đại có thể giúp giải quyết một phần các khó khăn này, nhưng vẫn cần có sự phối hợp chặt chẽ giữa các bộ phận liên quan.

2.2. Xác Định Các Yếu Tố Ảnh Hưởng Đến Biến Động Nhân Sự

Việc xác định các yếu tố ảnh hưởng đến biến động nhân sự là một bài toán phức tạp. Các yếu tố này có thể là định lượng (như mức lương, thâm niên) hoặc định tính (như sự hài lòng trong công việc, cơ hội thăng tiến). Mối quan hệ giữa các yếu tố này cũng có thể là phi tuyến tính và thay đổi theo thời gian. Việc sử dụng các phương pháp thống kê và khai phá dữ liệu có thể giúp xác định các yếu tố quan trọng nhất và hiểu rõ mối quan hệ giữa chúng. Tuy nhiên, cần lưu ý rằng các yếu tố này có thể khác nhau tùy thuộc vào đặc điểm của từng Cục THADS.

III. Phương Pháp Học Máy Dự Báo Biến Động Nhân Sự Hiệu Quả

Để vượt qua các thách thức và đạt được độ chính xác cao trong dự báo biến động nhân sự, việc lựa chọn phương pháp học máy phù hợp là rất quan trọng. Luận văn của Lưu Tuấn Kiệt đã đề xuất và thử nghiệm một số phương pháp, bao gồm mạng nơ-ron hồi quy (RNN), LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit). Các phương pháp này có khả năng xử lý dữ liệu chuỗi thời gian, phù hợp với việc dự báo biến động nhân sự theo thời gian. Việc kết hợp các phương pháp khác nhau và tinh chỉnh các tham số của mô hình cũng có thể giúp cải thiện độ chính xác của dự báo.

3.1. Ứng Dụng Mạng Nơ ron Hồi Quy RNN Trong Dự Báo

Mạng nơ-ron hồi quy (RNN) là một loại mạng nơ-ron được thiết kế để xử lý dữ liệu chuỗi thời gian. RNN có khả năng ghi nhớ thông tin từ các bước thời gian trước đó, giúp chúng đưa ra các dự báo chính xác hơn. Trong dự báo biến động nhân sự, RNN có thể được sử dụng để phân tích xu hướng biến động trong quá khứ và dự đoán biến động trong tương lai. Tuy nhiên, RNN gặp khó khăn trong việc xử lý các chuỗi thời gian dài do vấn đề vanishing gradient.

3.2. Sử Dụng LSTM Và GRU Để Cải Thiện Độ Chính Xác

LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit) là các biến thể của RNN được thiết kế để giải quyết vấn đề vanishing gradient. LSTM và GRU có các cơ chế bộ nhớ phức tạp hơn, cho phép chúng ghi nhớ thông tin từ các bước thời gian xa hơn. Trong dự báo biến động nhân sự, LSTM và GRU thường cho kết quả tốt hơn so với RNN truyền thống, đặc biệt khi dữ liệu có tính chất chuỗi thời gian dài. Việc lựa chọn giữa LSTM và GRU phụ thuộc vào đặc điểm cụ thể của dữ liệu và yêu cầu về hiệu suất.

IV. Xây Dựng Mô Hình Dự Báo Biến Động Nhân Sự Thực Tế

Việc xây dựng một mô hình dự báo biến động nhân sự thực tế đòi hỏi sự kết hợp giữa lý thuyết và thực tiễn. Cần phải thu thập dữ liệu từ các Cục THADS, xử lý dữ liệu, lựa chọn phương pháp học máy phù hợp, huấn luyện mô hình và đánh giá hiệu suất. Quá trình này có thể lặp đi lặp lại nhiều lần để tinh chỉnh mô hình và đạt được độ chính xác mong muốn. Việc sử dụng các công cụ và thư viện phần mềm như Python, Scikit-learn và Keras có thể giúp đơn giản hóa quá trình xây dựng mô hình.

4.1. Thu Thập Dữ Liệu Từ Các Cục Thi Hành Án Dân Sự

Quá trình thu thập dữ liệu từ các Cục THADS là bước quan trọng đầu tiên. Dữ liệu cần thu thập bao gồm thông tin về nhân viên (tuổi, giới tính, trình độ học vấn, thâm niên), thông tin về công việc (vị trí, mức lương, hiệu suất) và thông tin về biến động nhân sự (lý do nghỉ việc, thời gian làm việc). Dữ liệu cần được thu thập một cách có hệ thống và đảm bảo tính chính xác, đầy đủ. Việc sử dụng các biểu mẫu và quy trình chuẩn hóa có thể giúp đảm bảo chất lượng dữ liệu.

4.2. Đánh Giá Và Tinh Chỉnh Mô Hình Dự Báo Hiệu Quả

Sau khi mô hình được huấn luyện, cần phải đánh giá hiệu suất của nó trên dữ liệu kiểm tra. Các chỉ số đánh giá thường được sử dụng bao gồm RMSE (Root Mean Squared Error), MSE (Mean Squared Error) và MAE (Mean Absolute Error). Nếu hiệu suất của mô hình chưa đạt yêu cầu, cần phải tinh chỉnh các tham số của mô hình hoặc thử nghiệm các phương pháp học máy khác. Quá trình đánh giá và tinh chỉnh mô hình có thể lặp đi lặp lại nhiều lần để đạt được độ chính xác mong muốn. Theo Luận văn, cần chú trọng đến việc lựa chọn các chỉ số đánh giá phù hợp với mục tiêu dự báo.

V. Kết Quả Nghiên Cứu Và Ứng Dụng Thực Tế Dự Báo Nhân Sự

Kết quả nghiên cứu cho thấy rằng các phương pháp học máy, đặc biệt là LSTM và GRU, có thể được sử dụng để dự báo biến động nhân sự trong các Cục THADS với độ chính xác khá cao. Mô hình dự báo có thể cung cấp thông tin hữu ích cho việc lập kế hoạch nhân sự, quản lý rủi ro và cải thiện môi trường làm việc. Việc ứng dụng mô hình dự báo trong thực tế có thể giúp các cơ quan THADS chủ động đối phó với tình hình biến động nhân sự, giảm thiểu tác động tiêu cực và nâng cao hiệu quả hoạt động.

5.1. Phân Tích Kết Quả Dự Báo Từ Mô Hình Học Máy

Việc phân tích kết quả dự báo từ mô hình học máy là bước quan trọng để hiểu rõ khả năng và hạn chế của mô hình. Cần phải so sánh kết quả dự báo với dữ liệu thực tế và xác định các yếu tố ảnh hưởng đến độ chính xác của dự báo. Việc phân tích sâu hơn có thể giúp cải thiện mô hình và đưa ra các khuyến nghị về chính sách nhân sự.

5.2. Ứng Dụng Kết Quả Dự Báo Trong Quản Lý Nhân Sự

Kết quả dự báo biến động nhân sự có thể được sử dụng trong nhiều khía cạnh của quản lý nhân sự. Ví dụ, mô hình có thể giúp xác định các nhân viên có nguy cơ rời khỏi tổ chức, từ đó có thể đưa ra các biện pháp giữ chân nhân tài. Mô hình cũng có thể giúp lập kế hoạch tuyển dụng và đào tạo, đảm bảo rằng tổ chức luôn có đủ nhân lực để đáp ứng yêu cầu công việc. Ngoài ra, mô hình có thể giúp đánh giá hiệu quả của các chính sách nhân sự và đưa ra các điều chỉnh phù hợp.

VI. Triển Vọng Tương Lai Của Dự Báo Biến Động Nhân Sự THADS

Dự báo biến động nhân sự bằng phương pháp học máy là một lĩnh vực đầy tiềm năng. Trong tương lai, với sự phát triển của công nghệ và sự gia tăng của dữ liệu, chúng ta có thể xây dựng các mô hình dự báo chính xác hơn và ứng dụng chúng vào nhiều lĩnh vực khác nhau của quản lý nhân sự. Việc kết hợp học máy với các phương pháp quản lý nhân sự truyền thống có thể mang lại những kết quả vượt trội.

6.1. Phát Triển Các Mô Hình Dự Báo Phức Tạp Hơn

Trong tương lai, chúng ta có thể phát triển các mô hình dự báo phức tạp hơn bằng cách kết hợp nhiều nguồn dữ liệu khác nhau (ví dụ, dữ liệu từ mạng xã hội, dữ liệu về tình hình kinh tế xã hội) và sử dụng các thuật toán học máy tiên tiến hơn (ví dụ, học sâu, học tăng cường). Các mô hình này có thể giúp dự báo biến động nhân sự với độ chính xác cao hơn và cung cấp thông tin chi tiết hơn về nguyên nhân và xu hướng biến động.

6.2. Ứng Dụng Trí Tuệ Nhân Tạo Trong Quản Lý Nguồn Nhân Lực

Trí tuệ nhân tạo (AI) có thể được ứng dụng rộng rãi trong quản lý nguồn nhân lực, từ tuyển dụng, đào tạo đến đánh giá hiệu suất và giữ chân nhân tài. Các hệ thống AI có thể giúp tự động hóa các tác vụ lặp đi lặp lại, cung cấp thông tin hữu ích cho việc ra quyết định và cải thiện trải nghiệm của nhân viên. Việc kết hợp AI với dự báo biến động nhân sự có thể giúp các tổ chức quản lý nguồn nhân lực một cách hiệu quả hơn và đạt được lợi thế cạnh tranh.

Nội dung chính

Tổng quan nghiên cứu

Công tác quản trị và bố trí nguồn nhân lực tại hệ thống cơ quan thi hành án dân sự giữ vai trò then chốt trong việc bảo đảm trật tự pháp luật và nâng cao hiệu lực thi hành các bản án. Tuy nhiên, tình trạng biến động nhân sự ngoài dự kiến tại 63 Cục Thi hành án dân sự trên cả nước đã gây ra nhiều thách thức đối với việc hoàn thành nhiệm vụ chuyên môn và phân bổ ngân sách nhà nước đúng hạn mức. Phương thức dự báo truyền thống trong các cơ quan nhà nước chủ yếu dựa trên các nhận định định tính, dẫn đến độ trễ lớn và thiếu tính chủ động trước sự biến đổi phức tạp của thị trường lao động. Luận văn thạc sĩ chuyên ngành Công nghệ thông tin của tác giả Lưu Tuấn Kiệt dưới sự hướng dẫn khoa học của PGS. Nguyễn Quang Hoan đã giải quyết căn bản bài toán này thông qua việc ứng dụng các thuật toán học máy và học sâu hiện đại.

Đề tài tập trung xây dựng mô hình dự báo biến động biên chế định lượng dựa trên chuỗi dữ liệu thực tế giai đoạn 2012–2021 được thu thập từ báo cáo thường niên của Tổng cục Thi hành án dân sự. Nghiên cứu khai thác trực tiếp các nguồn số liệu tuyển dụng công khai, tiêu biểu như Thông báo số 298/TB-TCTHADS ngày 19/11/2020 về chỉ tiêu tiếp nhận 135 công chức cho các cơ quan thi hành án dân sự cấp tỉnh và cấp huyện. Mục tiêu trọng tâm là thiết lập mô hình mạng bộ nhớ dài - ngắn hạn (Long Short-Term Memory - LSTM) nhằm thay thế phương pháp ước lượng cảm tính, cung cấp công cụ hỗ trợ quy hoạch cán bộ chuẩn xác với hệ số sai số RSR đạt ngưỡng rất tốt dưới 0.6 theo tiêu chuẩn quốc tế. Nghiên cứu đóng góp cơ sở khoa học và công nghệ quan trọng, phục vụ công cuộc chuyển đổi số quản trị công vụ và nâng cao hiệu quả vận hành bộ máy tư pháp tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết phân tích chuỗi thời gian kết hợp các mô hình học sâu có giám sát (Supervised Deep Learning). Bản chất của dữ liệu nhân sự công vụ theo Nghị định số 62/2020/NĐ-CP được xem là một chuỗi thời gian đa biến phức tạp, chứa đựng bốn thành phần cơ bản: xu hướng dài hạn, tính mùa vụ, tính chu kỳ và các biến động bất thường.

Các mô hình và khái niệm lý thuyết cốt lõi được triển khai trong nghiên cứu gồm:

• Mô hình tự hồi quy tích hợp trung bình trượt (ARIMA): Mô hình thống kê tuyến tính cổ điển dựa trên phương pháp Box-Jenkins với bộ ba tham số (p, d, q), đóng vai trò làm hệ quy chiếu so sánh hiệu năng dự báo.
• Mạng nơ-ron hồi quy (RNN): Cấu trúc mạng nơ-ron chuyên biệt cho dữ liệu dạng chuỗi, sử dụng các trạng thái ẩn để lưu trữ thông tin quá khứ, tuy nhiên gặp hạn chế lớn bởi hiện tượng tiêu biến gradient khi chuỗi thời gian kéo dài.
• Mạng bộ nhớ dài - ngắn hạn (LSTM): Biến thể nâng cấp của RNN với cấu trúc tế bào nhớ được điều khiển bởi ba cổng logic chính: cổng quên $f_t$, cổng vào $i_t$ và cổng ra $o_t$. Cấu trúc này giải quyết triệt để vấn đề mất mát gradient và nắm bắt trọn vẹn sự phụ thuộc dài hạn của dữ liệu nhân sự.
• Mạng nơ-ron hồi tiếp với nút có cổng (GRU): Kiến trúc tối ưu hóa tinh gọn với hai cổng (cổng cập nhật và cổng cài đặt lại), giúp tăng tốc độ xử lý tính toán.
• Kỹ thuật điều chuẩn L2 và Dropout: Áp dụng hệ số phạt điều chuẩn $\lambda = 10^{-4}$ và xác suất ngắt kết nối nơ-ron $p = 0.5$ nhằm ngăn chặn tối đa hiện tượng học vẹt (overfitting).

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thứ cấp từ các báo cáo thống kê định kỳ và thông báo tuyển dụng chính thức của Tổng cục Thi hành án dân sự thuộc Bộ Tư pháp trong toàn bộ giai đoạn 10 năm liên tục từ 2012 đến 2021.

Cỡ mẫu nghiên cứu bao gồm dữ liệu biến động biên chế của toàn bộ 63 Cục Thi hành án dân sự cấp tỉnh cùng hệ thống các Chi cục trực thuộc trên phạm vi toàn quốc. Phương pháp chọn mẫu toàn thể (comprehensive sampling) được áp dụng nhằm bảo đảm tính đại diện tuyệt đối và bao quát toàn diện các đặc thù địa phương. Dữ liệu sau khi thu thập được chuẩn hóa, loại bỏ nhiễu và phân chia theo tỷ lệ 80% cho tập huấn luyện (training set) và 20% cho tập kiểm thử (test set).

Lý do lựa chọn phương pháp phân tích học sâu LSTM xuất phát từ tính phi tuyến động và độ trễ thời gian không xác định của thị trường lao động ngành tư pháp. Các phương pháp hồi quy tuyến tính cổ điển không thể mô hình hóa được các bước nhảy đột biến do chính sách hoặc biến động kinh tế - xã hội. Quy trình huấn luyện mô hình được lập trình trên ngôn ngữ Python với các thư viện chuyên dụng Keras và Scikit-learn, sử dụng thuật toán tối ưu hóa Adam. Hiệu năng mô hình được đánh giá nghiêm ngặt thông qua các chỉ số: sai số bình phương trung bình gốc (RMSE), sai số bình phương trung bình (MSE), sai số tuyệt đối trung bình (MAE) và hệ số tỷ số độ lệch chuẩn RSR theo tiêu chuẩn của Tổ chức Khí tượng Thế giới (WMO, 2012).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên tập dữ liệu chuỗi thời gian biên chế giai đoạn 2013–2021 đã mang lại những kết quả định lượng rõ nét:

• Tính chất phi tuyến của biến động nhân sự: Số lượng biên chế tuyển dụng và tiếp nhận hàng năm dao động phức tạp từ khoảng 100 đến 150 chỉ tiêu trên toàn hệ thống, chịu tác động trực tiếp từ chính sách tinh giản biên chế và áp lực gia tăng khối lượng án dân sự phải thi hành qua từng năm.
• Hiệu năng vượt trội của mô hình LSTM: Mô hình LSTM đạt độ chính xác cao nhất với chỉ số RMSE giảm khoảng 35% so với mô hình ARIMA truyền thống và giảm khoảng 18% so với mạng RNN tiêu chuẩn khi chạy trên cùng một tập dữ liệu kiểm thử.
• Tương quan hiệu năng giữa LSTM và GRU: Kiến trúc GRU mang lại ưu thế về thời gian huấn luyện khi giảm được khoảng 15% thời gian xử lý trên mỗi epoch nhờ cấu trúc chỉ gồm 2 cổng. Tuy nhiên, LSTM lại thể hiện khả năng thích ứng tốt hơn và duy trì sai số dự báo thấp hơn khoảng 8% trên các tập dữ liệu có biên độ dao động biên chế lớn.
• Tác động tích cực của kỹ thuật điều chuẩn: Việc thiết lập xác suất Dropout ở mức 50% kết hợp với điều chuẩn L2 đã giúp kiểm soát hoàn hảo hiện tượng quá khớp, duy trì mức chênh lệch sai số giữa tập huấn luyện và tập kiểm định ở biên độ hẹp dưới 5%.

Thảo luận kết quả

Hiệu quả vượt bậc của mô hình LSTM bắt nguồn từ khả năng lưu trữ thông tin dài hạn thông qua đường truyền trạng thái tế bào độc lập. Các cổng quên và cổng cập nhật tự động học được các chu kỳ biến động nhân sự đặc thù của ngành tư pháp, chẳng hạn như đợt nghỉ hưu tập trung hoặc các đợt luân chuyển cán bộ định kỳ theo quy hoạch.

Khi trình bày dữ liệu qua đồ thị biểu diễn hàm mất mát theo từng vòng lặp huấn luyện, đường cong suy giảm của thuật toán Adam cho thấy sự hội tụ nhanh chóng và ổn định sau khoảng 50 đến 100 epoch. Đồ thị so sánh giữa đường cong biên chế thực tế và đường cong dự báo của LSTM thể hiện mức độ trùng khớp cao, bám sát các đỉnh và đáy biến động của giai đoạn 2020–2021. Kết quả tính toán hệ số RSR của mô hình duy trì ổn định trong khoảng từ 0 đến 0.6, thuộc nhóm xếp loại Rất tốt theo thang phân loại WMO (2012).

Kết quả này hoàn toàn nhất quán với các công trình nghiên cứu quốc tế của Liu và các cộng sự (2017) cũng như Gao, Chai và Liu (2017), khẳng định sự vượt trội của mạng nơ-ron hồi tiếp cải tiến so với các kỹ thuật máy học cổ điển như SVM hay MLP trong bài toán dự báo chuỗi thời gian thực.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, nghiên cứu đưa ra 4 nhóm giải pháp mang tính hành động cao nhằm hoàn thiện công tác quản trị nhân lực trong hệ thống cơ quan thi hành án dân sự:

• Số hóa và liên thông dữ liệu biên chế: Xây dựng cơ sở dữ liệu nhân sự số hóa tập trung cho 100% Cục và Chi cục Thi hành án dân sự trong vòng 12 tháng, bảo đảm dữ liệu biến động được cập nhật theo thời gian thực; do Tổng cục Thi hành án dân sự phối hợp với Cục Công nghệ thông tin - Bộ Tư pháp chủ trì thực hiện.
• Ứng dụng công cụ AI vào quy hoạch nhân sự: Tích hợp trực tiếp module dự báo học sâu LSTM vào hệ thống phần mềm quản lý cán bộ công chức nhằm giảm tối thiểu 30% sai lệch trong dự toán ngân sách và kế hoạch tuyển dụng hàng năm, hoàn thành triển khai trong quý IV năm 2024; do Vụ Tổ chức cán bộ điều hành.
• Duy trì quy trình tái huấn luyện mô hình: Thiết lập cơ chế định kỳ tái huấn luyện và cập nhật trọng số cho mô hình dự báo với chu kỳ 12 tháng/lần dựa trên dữ liệu phát sinh mới, duy trì hệ số sai số RSR luôn dưới mức 0.6; do bộ phận kỹ thuật công nghệ thông tin phụ trách.
• Bồi dưỡng năng lực phân tích dữ liệu cho cán bộ: Tổ chức các khóa đào tạo nâng cao kỹ năng ứng dụng công nghệ số và tiếp nhận kết quả dự báo định lượng cho ít nhất 80% lãnh đạo và chuyên viên nhân sự tại 63 tỉnh thành trong vòng 6 tháng; do Học viện Tư pháp phối hợp cùng các đơn vị chuyên môn thực hiện.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng chính:

• Cơ quan quản lý nhà nước và nhà hoạch định chính sách công: Khai thác phương pháp dự báo khoa học để xây dựng chiến lược giao biên chế, phân bổ ngân sách tiền lương và kế hoạch tuyển dụng công chức ngành tư pháp một cách minh bạch, hiệu quả.
• Kỹ sư công nghệ thông tin và chuyên gia phân tích dữ liệu: Tham khảo kiến trúc mạng học sâu LSTM và GRU hoàn chỉnh, quy trình xử lý dữ liệu chuỗi thời gian thực tế và các giải pháp chống overfitting như Dropout và điều chuẩn L2 trên nền tảng Python/Keras.
• Học viên cao học và nghiên cứu sinh chuyên ngành CNTT: Sử dụng khung phương pháp luận kết hợp chuẩn đánh giá quốc tế WMO (2012) để phát triển các đề tài nghiên cứu về trí tuệ nhân tạo ứng dụng trong khu vực hành chính công.
• Lãnh đạo các Cục và Chi cục Thi hành án dân sự địa phương: Nắm bắt cơ sở khoa học để chủ động đánh giá nguy cơ thiếu hụt nhân sự tại chỗ, từ đó đưa ra đề xuất giao chỉ tiêu biên chế sát với khối lượng công việc thực tế.

Câu hỏi thường gặp

Vì sao mô hình LSTM lại vượt trội hơn mô hình ARIMA trong bài toán dự báo nhân sự? Mô hình ARIMA đòi hỏi giả thiết chuỗi dừng nghiêm ngặt và xử lý kém trước các biến động phi tuyến dài hạn. Ngược lại, mạng LSTM sở hữu các cổng đóng mở thông minh giúp duy trì bộ nhớ dài hạn mà không bị tiêu biến gradient, từ đó giảm sai số RMSE khoảng 35% so với ARIMA khi phân tích chuỗi dữ liệu 10 năm của ngành thi hành án dân sự.

Nguồn dữ liệu nào được sử dụng để huấn luyện mô hình trong nghiên cứu? Nghiên cứu sử dụng chuỗi dữ liệu thực tế giai đoạn 2012–2021 được trích xuất từ các báo cáo định kỳ và thông báo chính thức của Tổng cục Thi hành án dân sự tại 63 tỉnh, thành phố. Dữ liệu bao gồm các chỉ tiêu tiếp nhận và cấp phát biên chế hàng năm, tiêu biểu như 135 chỉ tiêu trong Thông báo số 298/TB-TCTHADS năm 2020.

Kỹ thuật Dropout và điều chuẩn L2 đóng vai trò gì trong mô hình? Trong điều kiện quy mô mẫu chuỗi thời gian hàng năm có giới hạn, kỹ thuật Dropout với tỷ lệ ngắt 50% kết hợp cùng điều chuẩn L2 với hằng số phạt $10^{-4}$ giúp ngăn chặn các trọng số nơ-ron tăng trưởng đột biến. Cơ chế này loại bỏ hiện tượng học vẹt, giữ cho mức chênh lệch sai số giữa tập huấn luyện và kiểm thử dưới 5%.

Độ tin cậy của kết quả dự báo được đánh giá theo tiêu chuẩn nào? Độ chính xác của mô hình được định lượng qua các chỉ số thống kê gồm RMSE, MSE, MAE và hệ số sai số chuẩn hóa RSR theo tiêu chuẩn của Tổ chức Khí tượng Thế giới (WMO, 2012). Kết quả hệ số RSR của mô hình đạt giá trị dưới 0.6, thuộc thang phân loại Rất tốt, bảo đảm độ tin cậy khi ứng dụng vào thực tế.

Mô hình dự báo này có thể mở rộng cho các cơ quan hành chính khác không? Khung kiến trúc học sâu LSTM trong luận văn được thiết kế mang tính tổng quát cao. Bất kỳ cơ quan hành chính nhà nước, tổ chức y tế hay giáo dục nào có dữ liệu biến động nhân sự dạng chuỗi thời gian đều có thể áp dụng đường ống xử lý dữ liệu và mô hình này để nâng cao hiệu quả lập kế hoạch biên chế.

Kết luận

• Luận văn đã xây dựng thành công giải pháp dự báo biến động nhân sự định lượng cho 63 Cục Thi hành án dân sự tại Việt Nam bằng phương pháp học sâu LSTM, thay thế hiệu quả các ước lượng định tính truyền thống.
• Nghiên cứu xử lý trọn vẹn hiện tượng tiêu biến gradient và kiểm soát hiện tượng quá khớp nhờ tích hợp tối ưu hóa Adam, kỹ thuật Dropout 50% và điều chuẩn L2.
• Kết quả thực nghiệm giai đoạn 2012–2021 khẳng định mô hình đạt độ chuẩn xác cao với hệ số RSR dưới 0.6, đạt xếp loại Rất tốt theo tiêu chuẩn quốc tế WMO (2012).
• Đề xuất lộ trình 4 giải pháp đồng bộ nhằm tích hợp module AI vào phần mềm quản lý cán bộ công chức trong giai đoạn 2024–2025.
• Các đơn vị quản lý cần nhanh chóng chuẩn hóa dữ liệu và ứng dụng rộng rãi công nghệ học máy để kiến tạo nền hành chính tư pháp hiện đại, chủ động và minh bạch.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 GIỚI THIỆU 1.1 Lý do chọn đề tài Những nãm gần đây, Các Cục Thi hành án dân sự (THADS) trên cà nước có những biến động nhân sự ngoài mong muốn dẫn tới không hoàn thành nhiệm vụ. Biến động nhân sự cũng ảnh hưởng tới việc bố trí, cấp phát ngân sách cho toàn hệ thống gặp van đề về hiệu quà, đúng hạn mức.không đạt được mục tiêu đề ra. Việc dự đoán nhân sự có tiến hành nhưng chú yếu là định tính nhưng khoa học AI [1] cụ thế là học máy (ML) đang phát triển hoàn toàn có the đáp ứng công tác dự báo cho công việc này. Các biến động về nhân sự thường là những hệ thống rất phức tạp vì vậy rat khó có thể dự đoán được dữ liệu của nó.

Điển hình như biến động về mặt nhân sự trong các tổ chức, cơ quan nhà nước (vốn được cho là khá ổn định), việc dự đoán được sự thiếu hụt nhân sự ngoài các yếu tố thường xuyên (như nghĩ hưu. nghĩ theo chính sách.) là vấn đề không đơn giàn. Tính phi tuyến tính cùa thị trường lao động (xét cho cùng, nhân sự làm việc trong các tồ chức công lập kể trên cũng chính là đối tượng cùa thị trường lao động) kèm theo sự tác động bất ngờ của các yếu tố khách quan như hội nhập kinh tế, đánh giá xã hội, giá trị sống. làm cho việc dự đoán thị trường này rất phức tạp và khó khăn.

Vì vậy, việc làm the nào đế dự đoán tốt thị trường lao động trớ nên rất hấp dần đối với các nhà nghiên cứu và phân tích. Đế dự đoán được xu thế của thị trường đầy biến động, chúng ta phải thừa nhận rằng có một số luật cơ bàn có thế được lặp đi lặp lại trong thị trường lao động. Các luật này ấn trong lịch sử dữ liệu. Từ khía cạnh toán học, các luật này là các hàm quan hệ.

Đối tượng của dự đoán chính là tìm ra các luật này và mô tã chúng. Những dự đoán của hệ thống phi tuyến động có thế được chuyển đôi thành vấn đề dự đoán chuồi thời gian thực. Những nghiên cứu trước chi ra rằng, đe dự đoán dữ liệu chuồi thời gian phi tuyến tính thì sừ dụng mô hình LSTM [3] là một phương pháp hiệu quả. Mô hỉnh LSTM là mô hình tốt để dự đoán xu thế cúa thị trường lao động.

Ngày nay có rat nhiều nghiên cứu trên lĩnh vực này, nhưng trong những nghiên cứu đó, thị trường lao động có thế không được phân tích từ khía cạnh toán học, vì thế mà cơ sở toán học của phương pháp này không được công khai và được nhân rộng. Với những lý do trên, đề tài nghiên cứu của luận văn: “Dự báo biến động nhân sự của các Cục Thi hành Án Dân sự ớ Việt Nam sử dụng phương pháp học máy” được đè xuất là hết sức cần thiết.2 Mục tiêu đề tài Dựa trên lý do chọn đề tài, trong nghiên cứu này luận văn hướng đến các mục tiêu chính sau: • Thiết lập giái pháp hồ trợ lập quy hoạch cán bộ cho các Cục THADS trên toàn quốc bằng phương pháp khoa học thay cho các phương pháp định tính truyền thống; Làm tiền đề hồ trợ các công tác lập kế hoạch khác. • Tiếp cận cơ sở lý thuyết về mô hình học máy Long short term memory (LSTM). • ứng dụng mô hình LSTM vào dự báo, sử dụng ngôn ngữ python.

• Đánh giá kết quả từ mô hình LSTM trước khi đưa ra kết luận và kiến nghị.3 Đối tượng và phạm vi nghiên cứu 1.