關于中小企業績效評價的研究

韋雅君

【摘要】對企業績效進行考核評價，有財務指標和非財務指標兩個角度。基于中小企業財務核算特點，本文用管理視角進行評價。首先，深入分析影響企業績效評價的因素，將各因素加以量化建立考評指標體系，接著借助于層次分析法、BP神經網絡、模糊綜合評價等方法對企業績效進行評價，最后結合中環艾能公司對建立的評價模型進行實際應用分析。分析表明，其評價結果更加全面、符合實際情況，有助于提升企業的績效管理水平和持續發展能力。

【關鍵詞】BP神經網絡 績效評價 非財務指標 AHP

1引言

目前，中小企業管理模式處于從經驗管理階段向科學管理階段過渡時期，其績效考評體系由于量化目標的對應性差及評估的客觀性、主觀性的量度不易掌握而難以真正的發揮效用。傳統上企業績效評價有財務視角和管理視角兩個維度，鑒于中小企業財務核算的特點，筆者認為運用科學的評價管理工具，從管理視角進行評價是對財務指標績效評價的有益補充。目前比較成熟的績效評價工具有關鍵指標法（KPI體系）、經濟增加值法（EVA）和平衡計分卡等。本文在此基礎上，嘗試借助于層次分析法、BP神經網絡、模糊綜合評價等方法對企業績效進行評價。這就涉及到一個問題，如何構建評價企業績效信息的模型，也就是本文要研究的課題。

2企業績效評價模型

2.1指標體系建立

建立指標體系的關鍵一環是：合理地選擇和確定有代表性的、能全面反映評估對象本質的指標。指標的選取不僅關系到整個體系構建的合理性，更關系到最終評價結果準確性和可操作性。本文在建立企業績效評價指標體系時遵循客觀性、全面性、系統性、相互獨立性、動態性和可比較性等原則，深入分析各個指標的內涵，通過研究、比較和篩選，運用層次分析法建立企業績效評價指標體系如下：

邀請有責任感專家參與估計判斷數，一般來說，判斷矩陣的估計數值科學與否直接關系到決策質量，因此人員結構與專家數目應該特別慎重。本次調查以電子郵件和書面形式發送問卷，共發放問卷100份，回收98份，回收率98%，合格問卷為95份，有效率為97%，符合層次分析法的要求。運用AHP的相關軟件對影響企業績效評價的因素賦予權重，得到的結果如下： ?2.2 BP神經網絡

BP網絡的結構如圖1所示。由圖可見，多層BP神經網絡不僅有輸入節點、輸出節點，而且有一層或多層隱節點。相鄰上下層之間各神經元實現全連接，即下層的每個神經元與上層的每個神經元都實現權連接，而每層各神經元之間無連接。當一對學習樣本提供給網絡后，神經元的激活值從輸入層經各中間層向輸出層傳播，在輸出層的各神經元獲得網絡的輸入響應。接下來，按照減少目標輸出與實際輸出之間誤差的方向，從輸出層反向經過各中間層回到輸入層，從而逐層修正各連接權值，這種算法稱為“誤差反向傳播算法”，即BP算法。隨著這種誤差逆向的傳播修正不斷進行，網絡對輸入模式響應的正確率也不斷上升。

3企業績效評價的BP神經網絡模型

3.1樣本描述及定量化

從評價指標體系來看，絕大部分的指標為定性指標，難于用數量表示，因此，在實際評價工作中，對所有指標，首先由專家先做定性評價，然后設法予以量化。在各個專家分別對各個指標進行考核完并且評出定性等級之后我們對評語進行相應量化。量化標準見表3。論文采用評語集V=（優秀，良好，中等，合格，較差）五個等級的模糊評價標準。評分表為表3所示：

3.2 BP網絡模型的建立

根據映射定理可構造一個包括輸入層、隱含層和輸出層的三層BP網絡。將11個項目的企業績效指標作為BP網絡的11個輸入節點，隱層節點數目的多少直接影響神經網絡的計算精度，若節點太少，網絡的非線性功能和容錯能力差，而若節點過多，又使學習時間增加，學習誤差也不一定最佳。為了使隱含層節點更合適，本文經過多次試算并比較各種模型訓練后所得的誤差大小，最終將隱含層節點數定為12。而BP網的輸出節點只有一個，該節點用來表示綜合評價總指標。

3.3 BP網的訓練與檢測

搜集的10個方案的企業指標專家打分結果標準化后得到的評價數據見表4，其中，Z表示綜合評價指標。

為了進一步檢驗該網絡模型的精確性，將表3中第8組、第9組作為檢驗樣本。BP網絡模型的檢測樣本輸出的綜合評價結果與期望輸出結果見表5。

由表5的結果可知，檢驗樣本的網絡輸出與期望輸出結果基本相符，所以該網絡模型能夠應用于企業績效的綜合評價。

本文用表4中的第10組中環艾能進行敏感性分析，將其輸入BP網絡求解，得到評價值為0.8216。當各企業指標因素分別變化+10%和-10%時，應用神經網絡模型，可以得出變化后的企業績效評價值。由分析結果可以看出，綜合評價結果對工作積極性最為敏感。因此，在企業績效評價管理時，要特別重視對員工工作積極性的培養。

4結束語

企業對員工績效的影響往往是隱形的，它是一個軟指標，所起的作用不好量化。而且，影響企業績效評價的因素很多，這些因素均具有一定的不確定性。神經網絡是通過歷史數據進行學習的，企業績效神經網絡模型的執行情況很大程度上取決于歷史數據的數量和質量。歷史數據越多，預測誤差越小。由于神經網絡具有高度的容錯性，因而對于過去的數據資料中由于人為的或其它因素造成的偏差有自動糾偏功能;此外由于神經網絡是并行處理數據的，因而其處理速度相當快，這點滿足了管理上要求快速決策的需要，實踐證明它在進行企業績效評價時是十分有效的。

參考文獻：

[1]W.S. Humphrrey， W.L Sweet. A method for assessing the software engineering capability of contractors[N].USA，SEI Technical Report（SEI-87-TR-23），1989.

[2]劉釗，蔣民孝.基于神經網絡的數據挖掘研究[J].計算機工程與應用，2004， 40（3）：172-173.

[3]王雪華.兩種層次結構化決策方法的理論與應用研究—AHP與AIM[D].大連理工學院博士論文，2000.

[4]劉國靖，鄧韜.21世紀新項日答理—理念、體系、流程、方法、實踐[M].北京：清華大學出版社，2003.

[5]何操.項目管理中企業的作用[N].國家電網報，2007-11-21（8）.