基于ＢＰ神經網絡的員工績效模糊綜合評價研究
2008-01-01 00:00:00程勇
現代商貿工業 2008年4期
摘 要：應用模糊數學中的BP神經網絡理論對員工績效進行綜合評價，弱化了指標權重確定的主觀性，保證了評價結果的客觀性和準確性。
關鍵詞：員工績效；BP神經網絡；模糊綜合評判
中圖分類號：TP393文獻標識碼：A文章編號：1672-3198（2008）04-0025-01
1 建立評價指標體系的層次結構模型
對員工績效進行評估分析，指標選擇與指標系統的構建非常重要，直接關系到研究結論的科學性、客觀性、準確性與可靠性，關系到能否為決策部門提供一個量化的、具有可操作性的依據。為科學、客觀、公正、全面地反映企業員工績效水平，選取和構建評估指標系統時應遵循以下原則：
（1）全面性。企業的員工績效系統是由多因素構成的多層次的組織系統，受到系統內外眾多因素的影響和制約。其指標體系范圍廣、信息量大，這就要求我們在選擇指標時必須盡量全面地選擇各級各類指標，以免遺漏某些重要的信息，造成片面性，從而導致評估結果的非科學性。
（2）簡潔性。選擇指標系統要遵循全面性的原則，但同時也要考慮指標的典型性和代表性，盡量使含義相同或相近的指標不被選入，做到指標盡可能少，而信息量盡可能大，把全面性和簡潔性有機地結合起來，以避免重復、繁瑣而造成評估時的多重共線或序列相關。
（3）系統性。企業的員工績效系統是一個由具有一定結構和功能的要素構成的有機整體，其指標系統并不是靜止的、絕對的，而是一個相對的、不斷發展變化的系統。因此，應使指標系統具有整體性、動態性和系統性，以保證指標系統能夠適應動態發展變化的需要而進行相應的適當調整。
2 指標的模糊處理
多目標決策問題涉及到許多指標，各指標的量綱不同，難以直接進行比較。為使各指標之間具有可比性，需要對指標進行標準化處理。因此在綜合評價前，應先將評價指標屬性值統一變換到［0，1］范圍內，即對各指標的屬性進行模糊處理。
2.1 定量指標的模糊處理
一般而言，定量指標主要包括以下幾種類型：①效益型：指標的屬性值越大越優；②成本型：指標的屬性值越小越優；③定值型：指標的屬性值為某一定值時最優；④區間型：指標的屬性值在某一固定區間內為優。
設指標ui的論域為di=［mi，Mi］，其中mi和Mi分別表示ui的最小值和最大值，其中點為M(di)。并定義決策者對評價指標Ui的屬性值Xpi的滿意度為rpi=μdi(xpi)，i=1，2，…，n，其中，rpi∈［0，1］，μdi(·)是定義在論域di上的指標ui的屬性值無量綱化的隸屬函數。
各種類型指標的隸屬函數分別為：
2.2 定性指標的模糊處理
對于那些只能進行定性判定的指標，則采用選擇評價等級隸屬度的方法確定，從而將定性的描述有效地轉化為定量的判定。這樣，任一評價指標屬性值xp=(xp1，xp2，…xpn)經上述方法標準化后均可形成評價向量（隸屬度向量）rp=(rp1，rp2，…rpn)。本文采用評價等級（優、良、中、較差、差）隸屬度的方法確定，其方法為：
設評價指標Ui相對于指標評價等級A＝（優、良、中、較差、差）的隸屬度向量為ri=(ri1，ri2，…ri5)，設B＝(B1，B2，…B5)T，Bj表示第j級評價相對應的尺度，通過尺度集可將模糊變量的隸屬度向量綜合為一個標量，實際上，V=riB即為定性評價指標在給定尺度B下的量化值。
本文在用神經網絡綜合評價時，作為各學習樣本的期望輸出變量，量化時采用的標準尺度為：B＝（0.9，0.7，0.5，0.3，0.1）T。
3 基于BP神經網絡的員工績效評價模型
3.1 員工績效評價中神經網絡的基本結構及其學習算法
神經網絡是由大量的神經元廣泛互聯而成的網絡，它反映了人腦功能的許多基本特性，具有大量大規模并行、分布、存儲、處理、自適應、自組織、自學習能力，因此而積累知識和經驗，從而不斷修正自己的知識，尤其適用于處理同時涉及到眾多因素和條件的模糊信息問題。BP網絡是單向傳播的多層網絡，它是一個由輸入層，中間隱含層和輸出層三個網絡層次組成的模型，各層次的神經元間形成全互連連接，同層次內的神經元沒有連接。根據本文對員工績效的定義及對其評價指標的描述，采用BP神經網絡結構建立評價模型。
該模型的學習算法原理：輸入值先向前傳播到隱單元，經作用函數運算后，再把隱單元的輸出信息傳播到輸出單元，最后得到輸出值。運算時把各個評價指標的最終量化處理結果作為網絡的輸入值，對網絡進行訓練。w1，w2，wm是網絡隱含層的輸出值，網絡只有一個輸出值Op，輸入單元i到隱單元j的權重是wij，而隱單元j到輸出單元的權重是wj，另外用 和 分別表示輸出單元和隱單元的閾值。各個單元的輸入和輸出值可以用下面的公式計算：
在運用此模型進行評價的過程中，輸入值和輸出值的確定是關鍵：①確定輸入值：根據評價指標體系及各指標的評價值，依據本文提出的模糊量化方法得出評價指標的量化值，作為神經網絡的輸入值；②確定輸出值：運用層次分析法確定各個層次指標的權重，結合二階模糊綜合評價方法分別計算出各個神經網絡訓練的輸出值。
3.2 員工績效評價神經網絡模型的實現
利用神經網絡方法對員工績效評價的步驟如下：
①按照評價的實際需要建立起評價指標體系，構成神經網絡的輸入區域。
②將各指標的評價值進行模糊處理后，作為神經網絡的訓練樣本集。
③啟動神經網絡進行學習，經過反復迭代直到收斂到相應的精度條件，儲存學習好的神經網絡綜合評價模型。
④將標準化的評價矩陣輸入設計好的神經網絡模型，即可得出評價結果。
4 結論
本文將基于三層神經元的模糊評價模型運用于員工績效的評價之中，弱化了評價過程中的隨機性和評價人員確定指標權重的主觀性，保證了評價結果的客觀性和科學性，且該網絡一旦訓練完善后就可以用于解決同類問題，具有較強的廣泛適用性。
參考文獻
［1］ 陳明.神經網絡模型［M］.大連：大連理工大學出版社，1995.
［2］徐麗娜.神經網絡控制［M］.北京：電子工業出版社，2003.
