基于拓撲結構神經網絡的績效管理評價研究*

彭傳梅

(河海大學商學院 南京 211100)

基于拓撲結構神經網絡的績效管理評價研究*

彭傳梅

(河海大學商學院 南京 211100)

針對現有關于企業績效管理評價的方法存在一定的缺陷,不能滿足企業發展過程對制度評價的準確度要求的問題,通過利用AHP方法在復雜的評價指標體系中篩選出8個代表性的指標作為績效評價的評價指標,隨后對此采用拓撲結構的BP神經網絡方法,構建評價模型,設計算法程序,結合計算機技術進行網絡訓練,得到該算法的仿真結果:算法的誤差在訓練步數為100時就已經達到了期望結果,而且預測數據的相關系數達到了0.98747,這表明基于拓撲結構的BP神經網絡算法在企業績效管理評價工作中具有一定的可行性與較高的準確性。

企業績效管理; 評價指標體系; 拓撲結構; BP神經網絡; 數據仿真

1 引言

在經濟與科技迅速發展的時代,合理有效的管理制度是決定企業在激烈的市場競爭地位的重要因素[1]。管理績效評價指的是管理者根據評價目標和評價標準,構建合理的評價指標系統[2],利用有效的方法評價企業運營成果[3]?？冃Ч芾碓u價有效反映了企業當前的運營狀況,是企業定位自身的重要方法[4～5],通過企業自身前后水平的縱向比較或與競爭對手的橫向比較,總結經營過程中的經驗與不足,另外還可以探索企業發展過程的規律性,從而促進企業科學良性發展[6～7]。但是對于平價的方法并沒有一個較為系統的體系,本文就利用BP神經網絡方法來分析評價企業績效管理的有效性。

2 企業績效管理評價

2.1 企業績效管理評價

企業作為一個系統是很復雜的,企業的長遠發展是它的最終目標,企業管理者可以通過評價管理績效來實現對這個系統運轉狀況的掌握,從而更好地控制和延續企業的發展。有效的績效管理制度可以激勵員工情緒,引發工作熱情,實現資源效益最大化,從而提升企業的核心競爭力。評價績效管理總體可以分為兩個方面[8],一是績效管理體制的開展情況;二是這種制度對企業的幫助。

企業績效管理是復雜系統,它的實施效果受到企業的結構形式、發展目標、制度體系文化等多個因素的不明確影響,另外還可能存在一些未知因素,因此可以把管理績效制度看作一個系統,利用系統的相關評價方法來進行。

2.2 企業績效管理評價的傳統方法

總體來說,企業績效管理評價主要是建立管理績效評價的指標體系,據此選取合適的數學模型,處理相關數據得到評價結果。根據現有資料,評價方法主要有:定量與定性相結合的Delphi法以及以遞階層次結構為核心的AHP法[9],還有基于非典型小樣本數據的灰色關聯評價法。另外還有模擬人類神經系統信息處理方式的人工神經網絡法[10]以及利用運籌學理論處理數據的數據包絡分析(Data Envelopment Analysis,DEA)方法[11]。

2.3 企業績效管理評價的指標體系

根據企業管理活動規律及實際營銷環境,本文首先確定了五個如下的一級指標:知識鏈、企業人力資源、技術資源、組織文化建設、市場資源。為了增加一級指標的合理性,通過對績效管理機制的學習,同時結合定性與定量分析方法,歸納得到了表1所示的指標集合。

表1 企業績效管理評價指標體系

3 BP神經網絡

3.1 BP神經網絡

1986年Rumelhart小組提出了BP神經網絡的概念[12],其核心是梯度下降法,根據誤差反向傳播的特點,調整權值和閾值實現均方誤差的最小化,其實質是一種多層前饋神經網絡。它依靠對定量樣本的訓練來逐步調整評價指標與結果之間的函數關系,在反復迭代達到穩定后,就實現了評價對象的評價。

3.2 BP神經網絡的拓撲結構

本文研究BP神經網絡模型基于拓撲結構,它由三個不同的層次組成:輸入層、隱含層與輸出層,在每層中都存在大量可以并行運算的簡單神經元[13]。網絡結構中層次之間的神經元通過全互聯方式連接,而同一層的神經元之間并不存在連接。其拓撲結構如圖1所示。

圖1 拓撲結構的層次以及神經元

外界信號通過輸入層節點進入系統,在“網絡線路”的引導下傳到隱含層,進而來到輸出層,類似水流過程,下層節點的信號輸入只受到上層節點的影響。但誤差卻從輸出層反向傳播,在這個過程中網絡權值根據誤差反饋來進行調整。

3.3 BP神經網絡的算法原理

標準BP神經網絡根據梯度下降法進行循環處理,最終使得輸出值與期望輸出值的誤差滿足一定的精度要求[14]。現假設目標是標量函數F(w)取得最小值,當前神經元的權值是w(t),且下一時刻的權值調節公式為

w(t+1)=w(t)+Δw(t)

(1)

其中,Δw(t)表示當前權值的修正方向,則修正的目的為

F(w(t+1))

(2)

對上式利用泰勒一階展開公式,有

F(w(t+1))≈F(w(t))+g′(t)Δw(t)

(3)

當Δw(t)=-cg(t),則權值修正值將會沿著負梯度方向下降,即梯度下降法。

那么對于輸出層有:

(4)

對于隱含層有:

(5)

綜合式(4)和式(5):

ok=f(netk),yj=f(netj)

代入有:

(6)

其中

至此得到了權值計算方程為

(7)

4 基于拓撲神經網絡的績效管理模型

4.1 績效管理的拓撲神經網絡評價模型建立

根據BP神經網絡對模糊系統評價的原理,通過系統自適應調整,網絡評價可以通過足量的訓練樣本習得的類似人腦的能力,模擬評價體系內部存在的函數關系,輸入未知樣本后循環測試最終就能實現目標[14]。這樣就實現了對專家評價的模擬,排除主觀因素對于評價結果的影響。

本文選取20位資深專家對企業的績效管理進行評估,得到如表2所示的結果。

另外根據對現存資料以及專家意見的總結,構建合理的績效管理評價指標體系,并且參考文獻[10]中的AHP方法,劃分指標層次模型,構造判斷矩陣,并利用和積法對指標進行層次單排序,最后通過一致性檢驗,確定各指標的權重數值,我們從中選擇排名在前八的指標作為評價體系的指標,分別為:學習型組織(C1)、員工的文化程度(C2)、激勵機制(C3)、研發投入(C4)、員工的積極性(C5)、部門合作(C6)、先進技術設施(C7)、員工學習能力(C8),如表3所示。

表2 專家評估結果

表3 專家評估結果

4.2 拓撲神經網絡對于企業績效管理評價的算法實現

根據BP神經網絡算法的基本原理,是基于梯度法的搜索算法,其算法的實現過程為

Step1:在[-1,1]隨機生成網絡的權值和閾值;

Step3:利用式(8)計算輸出層節點和隱含層節點之間連接權值修正量;

Step4:利用式(9)計算隱含層節點和輸入層節點間連接權值修正量;

Step5:用誤差修正量修正網絡的權值和閾值:wjk(t+1)=wjk(t)+Δwjk,vij(t+1)=vij(t)+Δvij;

Step6:求誤差函數的值,判斷是否小于期望的誤差精度。若滿足誤差要求,則結束算法;否則,網絡返回Step2繼續訓練,直到滿足要求為止。其中,ok是期望的輸出。

BP算法流程如圖2所示。

圖2 BP神經網絡算法流程圖

5 拓撲神經網絡模型數據分析

根據上述章節的分析,本文討論的績效管理評價指標體系選取8個較為重要的評價指標,所以模型輸入層有8個輸入指標即8個輸入節點,而輸出層僅含單個神經元,以便表示評價結果,其范圍是[0,1]。

在此采用試湊法確定神經系統結構的隱含層節點個數,經過實驗檢測,系統的收斂速度和穩定性在節點數為11的時候能達到了最佳狀態,得到的結果如表3所示。

表3 隱含層節點個數與平均誤差的關系

圖3 BP神經網絡算法的訓練性能誤差曲線

數據分析過程中,設定標準訓練步長為500,動量因子為0.95。那么利用標準BP神經網絡的算法,得到的訓練誤差性能曲線如圖3所示。

其中,迭代次數作為橫軸,網絡的訓練誤差作為縱軸。從圖中可以看出,在訓練步長還未達到設定值時誤差就已經滿足要求,即BP神經網絡算法的收斂效果是很好的。

圖4和圖5分別是算法對于測試數據的仿真效果圖以及仿真結果與期望值的回歸分析,坐標系中縱軸為訓練輸出值,橫軸表示期望值。從圖看出算法的相關系數R=0.98747,結合相關系數的意義,可知預測值與期望值之間的相關性是比較理想的。根據BP神經網絡算法對系統進行仿真訓練,得到結果說明該算法的網絡性能比較好,也驗證了它用于企業績效管理評價的可行性。

圖4 測試數據的預測結果

圖5 BP神經網絡的算法仿真結果的回歸分析

6 結語

企業要想在競爭激烈的市場立足,就必須采取有效的管理制度以及合理的評價方法。只有兩者相結合才能夠發現制度中的缺陷,以此來合理配置企業資源,從而實現企業利潤最大化。本文借閱其他文獻的AHP法從兩級評價指標中選出了8個權值較大的指標。對于確定評價體系采用BP神經網絡算法進行評價,網絡算法的訓練結果表明算法誤差、測試數據以及數據相關系數的回歸分析等都有較好的結果,因此BP神經網絡算法明顯提升了企業績效管理水平評價的準確性。

但是我們還可以考慮從以下方面來進一步完善評價方法:首先全面考慮影響企業績效管理評價的因素,如技術發展程度、企業周圍環境等;另外考慮到評價指標的形式特點,進一步改善指標權重的方法,在確定指標權重數值時將定性的因素考慮進去;優化本文提到的評價算法,增強算法的適應能力以及對于不確定性問題的處理能力。

[1] 范文蕊.知識管理對企業核心競爭力的影響研究[D].昆明:云南財經大學,2012. FAN Wenrui. Research on the Influence of Knowledge Management on the Core Competence of Enterprises[D]. Kunmin: Yunnan University of Finance and Economics,2012.

[2] 游怡.基于AHP的商業銀行知識管理評價指標分析[J].財會通訊,2014(11):35-37. YOU Yi. Analysis of Evaluation Indexes of Commercial Bank Knowledge Management Based on AHP[J]. Accounting Communication,2014(11):35-37.

[3] 王彤,丁雷.基于模糊神經網絡分類算法的績效考核評聘策略研究[J].現代遠距離教育,2011(2):60-62. WANG Tong, DING Lei. Research on the Appraisal and Appraisal of Performance Based on Fuzzy Neural Network Classification Algorithm[J]. Modern Distance Education,2011(2):60-62.

[4] 韓瑩.企業績效管理系統的設計與實現[J].電子設計工程,2015(13):65-67. HAN Ying. Design and Implementation of Enterprise Performance Management System[J]. Electronic Design Engineering,2015(13):65-67.

[5] 張磊.基于J2EE技術的銀行客戶經理績效考核管理系統的設計與實現[D].長春:吉林大學,2016. ZHANG Lei. Design and Implementation of Performance Management System for Bank Account Managers Based on J2EE Technology[D]. Changchun: Jilin University,2016.

[6] 郭小燕,張明,等.帶權重的RBF神經網絡銀行個人信用評價方法[J].計算機工程與應用,2013,49(5):258-262. GUO Xiaoyan, ZHANG Ming, et al. Method of personal credit evaluation of bank based on RBF neural network with weight[J]. Computer Engineering and Applications,2013,49(5):258-262.

[7] 李燕峰,畢越英,陳?；?等.應用Delphi法構建臨床護士績效考評指標體系的研究[J].護理管理雜志,2012,12(7):460-462. LI Yanfeng, BI Yueying, CHEN Haihua, et al. Development of clinical nurses performance evaluation indicators system bu using Delphi Method[J]. Journal of Nursing Administrion,2012,12(7):460-462.

[8] 雙同科,田佳林,劉學,等.一種基于改進AHP的指標權重確定方法[J].中國西部科技,2011,10(32):37-38. SUANG Tongke, TIAN Jialin, LIU Xue, et al. A Method of Determining Weights of Indicators Based on Improved[J]. Science and Technology of West China,2011,10(32):37-38.

[9] 相廣萍.基于數據包絡分析法對山東耕地產出效率及影響因子研究[J].山東農業大學學報自然科學版,2015(1):65-68. XIANG Guangping. Study on the Production Efficiency of Farmland in Shandong Influence Factor Based on Data Envelopment Analysis[J]. Journal of Shandong Agricultural University(Natural Science Edition),2015(1):65-68.

[10] 張月琴,劉翔,孫先洋.一種改進的BP神經網絡算法與應用[J].計算機技術與發展,2012,22(8):163-166. ZHANG Yueqin, LIU Xiang, SUN Xianyang. An Imporved Algorithm of BP Neural Network and Its Application[J]. Computer Technology and Development,2012,22(8):163-166.

[11] 李翔,朱全銀.基于Adaboost算法和BP神經網絡的稅收預測[J].計算機應用,2012,32(12):3558-3560. LI Xiang, ZHU Quanyin. Tax forecasing based on Adaboost algorithm and BPneural network[J]. Journal of Computer Applications,2012,32(12):3558-3560.

[12] 張云霞.基于云計算模式的ERP企業管理信息系統分析[J].信息技術,2013,4(2):47-49. ZHANG Yunxia. Based on the cloud computing model of ERP enterprise management information system analysis[J]. Information Technology,2013,4(2):47-49.

[13] 何涇沙,鄭偉.BP神經網絡模型在室內溫度預測中的應用[J].電子技術與軟件工程,2015(12):25-26. HE Jingshao, ZHENG Wei. Application of BP Neural Network Model in Indoor Temperature[J]. Electronic Technology & Software Engineering,2015(12):25-26.

[14] 張自敏,樊艷英,陳冠萍.改進的BP神經網絡在地方GDP預測中的應用[J].計算機科學,2012,39(s3):108-110. ZHANG Zimin, FAN Yanying, CHEN Guanping. Application of improved BP neural network in predicting of region GDP[J]. Computer Science,2012,39(s3):108-110.

Evaluation of the Performance Management Based on Neural Network Topology Structure

PENG Chuanmei

( Bussiness School, Hohai University, Nanjing 211100)

In order to solve the problems existing in the evaluation methods of enterprise performance management, which can not meet the requirements of the enterprise development process to evaluate the accuracy of the system, eight representative indexes are selected as evaluation indexes of performance evaluation by using AHP method in the complex evaluation index system, and then the BP neural network method of topological structure is used to construct the evaluation model and the algorithm program is designed, the computer technology is combined to carry on the network training, and the simulation result of this algorithm is gotten: the error of the algorithm has reached the expected results when the training step is 100, and the correlation coefficient of forecast data is 0.98747, it shows that the BP neural network algorithm based on topological structure in enterprise performance management evaluation has certain feasibility and high accuracy.

enterprise performance management, evaluation system, topological structure, BP neural network, data simulation Class Number TN393

2016年10月16日,

2016年11月27日

國家自然科學基金項目(編號:41471456);中央高?；究蒲袠I務費項目(編號:2014B39714);江蘇省普通高校研究生科研創新計劃項目(編號:KYLX_0512)資助。

彭傳梅,女,碩士研究生,研究方向:人力資源管理。

TN393

10.3969/j.issn.1672-9722.2017.04.001