梁建章等Nature发表论文：混合办公使员工离职率下降1/3

2024-06-15 05:04
文章标签 论文 员工 下降 混合 发表 nature 办公 离职 建章

本文主要是介绍梁建章等Nature发表论文：混合办公使员工离职率下降1/3，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

近日，斯坦福大学 Nicholas Bloom、香港中文大学（深圳）经管学院韩若冰、携程集团联合创始人兼董事局主席梁建章，在国际顶尖学术期刊 Nature 上发表了题为：Hybrid working from home improves retention without damaging performance 的研究论文，该研究显示，灵活的混合办公制度能提升员工的工作满意度和留存率，且不影响员工的工作表现。

据「TMT星球」了解，携程梁建章和其研究团队，在2021至2022年期间开展了一项持续6个月的随机对照试验，研究了混合居家办公对员工表现、保有率和满意度的影响。携程的技术、产品、业务、市场营销等岗位的1612名员工参与了这项研究。这些参与者按照随机分配两种工作模式——办公室办公组（1周5个工作日均在办公室工作）和混合办公组（1周5个工作日中3天在办公室工作，2天居家办公）。

结果显示，在混合办公组中，员工离职率下降了三分之一，工作满意度得分有所上升。离职率下降在女性员工、非管理职位和通勤时间更长的人群中最显著。公司管理层在研究后对混合办公的看法也有所改善，实验前他们曾担心这种工作模式会影响生产力。论文作者评估了混合办公对员工表现和升职的影响。他们在实验开始的两年后分析了评估员工表现的指标（包括审核和升职结果），结果显示，两组之间没有发现差异。

在看到试验结果后，2022年3月起，携程在集团范围内推行了混合办公政策，成为中国首个率先实施该制度的企业。

据携程统计，员工离职率的潜在下降，能为企业节省数百万美元的招聘和培训费用。最后，论文也指出，这些结果或适用于类似携程的工作环境，即在现代办公空间实行八小时工作制的员工。

既能免于通勤的奔波劳苦，还不影响工作表现，越来越多的当代年轻人正变身“时间管理大师”，他们推崇自由、灵活与高效的工作方式，家里、咖啡厅都可以化身为办公场所，随时随地开启高效能工作。

据悉，自携程开始全面推行混合办公以来，截至2024年3月，已有七成员工体验了混合办公带给自己的便利性，累计节省约70万小时通勤时间。其中，女性申请人次占比略高，年轻人更青睐混合办公，90后和00后占比近八成；

混合办公政策惠及了更多的有娃家庭，已有63%的宝爸和58%的宝妈申请过混合办公。2024年5月，携程客服团队升级了该政策，推出“春节提前回乡办公”政策，将客服团队春节期间居家办公时间延长至1个半月。

作为混合办公项目的发起人、研究者，携程集团董事局主席梁建章曾表示：混合办公制度的推广是企业、员工和社会的多赢。不仅在不影响效率的情况下提升员工的满意度，还有利于减少交通堵塞、环境保护；缓解高房价和地区间差异；另外有利于家庭和谐、女性职业发展和提高生育率。希望混合办公制度未来在更多主流中国企业被推广，这将对中国的社会和经济产生积极且深远的影响。

实际上，作为打工人口口相传的“别人家公司”，携程陆续推出了混合办公、辅助生育、生育补贴等10余项福利政策，2023年6月，携程再一次刷新了员工福利的上限，推出10亿元生育补贴政策——“程二代程长礼金”。符合条件的全球员工，每新生育一个孩子，可获得5万元现金补贴，用于激励员工生育，凝聚社会共识，构建良好的生育氛围，推动携程成为一家全球领先的“家庭友好”型企业。

从在公众视野中以各种形式发声，到以实际行动投入真金白银支持，有媒体评论称，梁建章在其学术研究领域和公司管理实践中，做到了真正的“知行合一”。十余年间，作为一名企业家和最早呼吁并推动人口政策改革的经济学家之一，梁建章一直笔耕不辍，不断深入研究人口、创新趋势，并为推动政策改革而奔走呼吁，相关学术成果也持续在国际顶级期刊发表。

如早在2013年，梁建章曾与美国斯坦福大学商学院Nicholas Bloom, JohnRoberts, Zhichun Jenny Ying等专家学者合作《在家办公的可行性：基于中国的试验证据》，发表在美国经济学顶尖杂志《经济学季刊》（The Quarterly Journal of Economics）上；

2018年，梁建章在《政治经济学期刊》（Journal of Political Economy，JPE）上发表联合论文——《Demographics and Entrepreneurship》，强调老龄化人口结构会对整个国家的创业创新参与度与参与活力产生较大影响；

2022年，梁建章再与斯坦福大学教授Nicholas Bloom联合在海外经济学期刊上发表论文《混合办公是如何发挥作用的》，文章中也采用了携程内部混合办公试验的研究数据，等等。

这篇关于梁建章等Nature发表论文：混合办公使员工离职率下降1/3的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1062497。

相关文章

AI hospital 论文Idea

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境，人类医生（即医学学习者）可以在其中与患者代理进行医学
阅读更多...
论文翻译：arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

论文翻译：arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染：一项综述 文章目录 大规模语言模型的基准数据污染：一项综述摘要1 引言 摘要 大规模语言模型（LLMs），如GPT-4、Claude-3和Gemini的快
阅读更多...
论文阅读笔记: Segment Anything

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear
阅读更多...
论文翻译：ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

论文翻译：ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的，这引发了人们的担忧和猜测，即它们可能已
阅读更多...
OmniGlue论文详解（特征匹配）

OmniGlue论文详解（特征匹配）

OmniGlue论文详解（特征匹配） 摘要1. 引言2. 相关工作2.1. 广义局部特征匹配2.2. 稀疏可学习匹配2.3. 半稠密可学习匹配2.4. 与其他图像表示匹配 3. OmniGlue3.1. 模型概述3.2. OmniGlue 细节3.2.1. 特征提取3.2.2. 利用DINOv2构建图形。3.2.3. 信息传播与新的指导3.2.4. 匹配层和损失函数3.2.5. 与Super
阅读更多...
BERT 论文逐段精读【论文精读】

BERT 论文逐段精读【论文精读】

BERT: 近 3 年 NLP 最火 CV: 大数据集上的训练好的 NN 模型，提升 CV 任务的性能 —— ImageNet 的 CNN 模型 NLP: BERT 简化了 NLP 任务的训练，提升了 NLP 任务的性能 BERT 如何站在巨人的肩膀上的？使用了哪些 NLP 已有的技术和思想？哪些是 BERT 的创新？ 1标题 + 作者 BERT: Pre-trainin
阅读更多...
[论文笔记]LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale

[论文笔记]LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale

引言 今天带来第一篇量化论文LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale笔记。 为了简单，下文中以翻译的口吻记录，比如替换"作者"为"我们"。 大语言模型已被广泛采用，但推理时需要大量的GPU内存。我们开发了一种Int8矩阵乘法的过程，用于Transformer中的前馈和注意力投影层，这可以将推理所需
阅读更多...
✨机器学习笔记（二）—— 线性回归、代价函数、梯度下降

✨机器学习笔记（二）—— 线性回归、代价函数、梯度下降

1️⃣线性回归（linear regression） f w , b ( x ) = w x + b f_{w,b}(x) = wx + b fw,b​(x)=wx+b 🎈A linear regression model predicting house prices： 如图是机器学习通过监督学习运用线性回归模型来预测房价的例子，当房屋大小为1250 f e e t 2 feet^
阅读更多...
AI学习指南深度学习篇-带动量的随机梯度下降法的基本原理

AI学习指南深度学习篇-带动量的随机梯度下降法的基本原理

AI学习指南深度学习篇——带动量的随机梯度下降法的基本原理 引言 在深度学习中，优化算法被广泛应用于训练神经网络模型。随机梯度下降法（SGD）是最常用的优化算法之一，但单独使用SGD在收敛速度和稳定性方面存在一些问题。为了应对这些挑战，动量法应运而生。本文将详细介绍动量法的原理，包括动量的概念、指数加权移动平均、参数更新等内容，最后通过实际示例展示动量如何帮助SGD在参数更新过程中平稳地前进。
阅读更多...
AI学习指南深度学习篇-带动量的随机梯度下降法简介

AI学习指南深度学习篇-带动量的随机梯度下降法简介

AI学习指南深度学习篇 - 带动量的随机梯度下降法简介 引言 在深度学习的广阔领域中，优化算法扮演着至关重要的角色。它们不仅决定了模型训练的效率，还直接影响到模型的最终表现之一。随着神经网络模型的不断深化和复杂化，传统的优化算法在许多领域逐渐暴露出其不足之处。带动量的随机梯度下降法（Momentum SGD）应运而生，并被广泛应用于各类深度学习模型中。 在本篇文章中，我们将深入探讨带动量的随
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2