科技型企业高管团队决策绩效评价的ELMAN神经网络模型研究

荣鹏飞+葛玉辉

基金项目：国家社科基金项目（项目编号：11BGL014）；国家软科学研究计划项目（项目编号：2013GXQ4D165）；上海市教委科研创新重点项目（项目编号：14ZS117）；上海市一流学科建设项目（项目编号：S1205YLXK）；上海市研究生创新基金项目（项目编号：JWCXSL1201）。

作者简介：荣鹏飞（１９７９－），男，博士研究生，研究方向：科技创新管理、人力资源管理·企业情报工作·

〔摘要〕针对缺乏科技型企业高管团队决策绩效评价的研究现状，构建评价指标体系，通过问卷调查的方法收集研究数据，建立科技型企业高管团队决策绩效评价的ELMAN神经网络模型，并利用MATLAB软件计算实现。研究结果表明：利用ELMAN神经网络的非确定性因果关系映射特点建立的决策绩效评价模型，能够完成决策绩效评价任务，可用于评价科技型企业高管团队的决策绩效，不仅验证了方法的有效性，而且也证明了ELMAN神经网络在建立非线性、非确定性因果关系映射模型中的强大生命力。

〔关键词〕科技型企业；高管团队；决策绩效评价；ELMAN神经网络模型

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０１４．０３．０２４

〔中图分类号〕Ｆ２７０〔文献标识码〕Ａ〔文章编号〕１００８－０８２１（２０１４）０３－０１１０－０５

Research of ELMAN Neural Network Model for TMT Decision Performance

Evaluation in Science and Technology EnterprisesRong PengfeiGe Yuhui

（Business School，University of Shanghai for Science and Technology，Shanghai 200093，China）

〔Ａｂｓｔｒａｃｔ〕According to the research status what TMT decision performance evaluation in science and technology enterprises was short,this paper gave the evaluation index system,collected research data with questionnaires,established ELMAN neural network model for TMT decision performance evaluation in science and technology enterprises,and the calculation was realized with MATLAB software.The results showed that:the model of decision performance evaluation which is established by using the non deterministic causal relationship mapping characteristics of ELMAN neural network can complete the task of decision performance evaluation,it may be used to evaluate TMT decision performance in science and technology enterprises,this not only verifies the validity of the method,but also proves the strong vitality what puts ELMAN neural network into establishing the nonlinear and non deterministic causal relationship mapping model.

〔Ｋｅｙｗｏｒｄｓ〕science and technology enterprises;TMT;decision performance evaluation;ELMAN neural network model

随着科学技术的进步和企业内外部经营环境的复杂变化，准确制定并有效执行战略决策对于提高科技型企业的市场竞争能力，推动科技型企业快速发展至关重要。决策绩效评价是对决策实施后接近决策目标的程度及对社会、经济、科技的影响作用进行全面系统地评估，是检查决策成败的关键，也是改进决策质量的有效途径。作为一种战略控制工具，决策绩效评价有助于科技型企业了解自身发展的优势和劣势，能够实现科技型企业的诊断式控制和交互式控制，因而对于科技型企业战略决策的制定和执行意义重大［１］。

科技型企业高管团队是科技型企业负责战略决策制定和执行的高层决策主体，包括科技型企业的董事长、CEO及各部门总监等，担负着在复杂多变的内外部经营环境中审时度势、时刻把握创新产品研发的最新发展态势、不断开拓和占领新的市场领域、引领客户的产品需求状况的重要使命。学界对于科技型企业高管团队的研究来源于Hambrick和Mason（1984）提出的高层梯队理论，该理论认为，高管团队特征会影响到组织绩效与战略选择，团队成员不同的认知基础、价值观、洞察力以及这些特质的作用过程会影响组织的竞争行为［２］。学者们就高管团队与战略决策和组织绩效间的关系展开研究。Amason（1996）研究了高管团队认知冲突和情感冲突对战略决策绩效的影响［３］；Kathleen和Eisenhardt（2013）阐述了高管团队与企业绩效间的关系［４］；陈灿和叶敏（2006）以国内家族企业高管团队为对象，实证研究了信任与战略决策绩效间的关系［５］；杜运周和陈忠卫（2009）基于控制模式的调节分析，探讨了高管冲突对团队决策绩效的影响［６］；陈璐等（2010）研究了家长式领导、冲突与高管团队战略决策效果的关系［７］；杨卫忠和葛玉辉（2012）探讨了高管团队认知异质性、自反性对决策绩效的影响［８］。从已有的研究来看，尽管国内外学者对高管团队与战略决策和组织绩效间的关系做了深入研究，但尚未发现针对科技型企业高管团队决策绩效评价的相关文献，从而为本文的研究留出探索的空间。

１高管团队决策绩效评价

Amason（1996）认为管理者面临的决策环境非常复杂，管理层的决策质量可能直接影响企业运营绩效［３］。高管团队决策绩效是由高管团队成员共同努力取得的决策任务业绩，强调高管团队的决策功能，也是衡量高管团队决策有效性的一个重要指标。就高管团队决策绩效评价而言，最具代表性的是团队透镜模型和多层次团队决策理论。Brehmer和Hagafors（1986）以Brunswisk的个体决策模型为基础，提出了团队透镜模型，用于评价团队决策绩效［９］。该模型认为，团队由具有不同专长的成员组成，团队成员各自掌握一些独有的信息线索，决策过程中，团队成员根据各自所掌握的专长知识对线索信息进行判断，并将判断结果提交给团队领袖，团队领袖在总结各成员判断结果的基础上做出最后决策。团队透镜模型将专长分布式团队中团队成员的判断和多层次整合看作决策绩效形成的关键，团队成员的判断偏差是团队决策偏差的主要来源，将直接影响最终的团队决策。团队透镜模型解释了专长分布式团队中信息整合模式对决策绩效的影响，但没有考虑决策过程中团队成员间的沟通和交互作用，因此无法从团队知识分享的角度提出对团队决策的控制机制。此后，Hollenbeck和Ilgen（1997）在团队透镜模型的基础上，提出了多层次团队决策理论［１０］。该理论认为，团队决策绩效主要取决于4个水平（决策水平、个体水平、交互水平和团队水平）上的变量，与之相对应的是直接影响团队决策绩效的3个核心变量：团队信息密度、成员效度和层级敏感性，这3个核心变量对团队决策绩效起决定性作用，而其他非核心变量，如社会环境、角色、人的因素等都通过这3个核心变量影响团队决策绩效。多层次团队理论将影响团队决策绩效的因素仅归结为3个核心变量，因而具有一定的局限性。本文将ELMAN神经网络引入团队决策绩效评价，构建科技型企业高管团队决策绩效评价模型，以期弥补该领域内研究的不足，丰富和完善高管团队理论。

endprint

２ELMAN神经网络与科技型企业高管团队决策绩效评价ELMAN神经网络是一种动态反馈网络，该网络在前馈型网络的隐含层中增加了一个承接层作为一步延迟算子，使其具有动态记忆的功能，从而比前向型网络具有更强的计算能力［１１］。ELMAN神经网络一般分为4层：输入层、中间层（隐含层）、承接层和输出层。其输入层、隐含层和输出层的连接类似于前馈网络，输入层单元起信号传输作用，隐含层单元的传递函数可采用线性或非线性函数，承接层又称为上下层或状态层，用来记忆隐含层单元前一时刻的输出值，可以看作是一个一步延迟算子，输出层单元起线性加权作用。ELMAN神经网络的特点是隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入，这种自联方式使其对历史状态数据具有敏感性。而内部反馈网络的加入也增加了网络本身处理动态信息的能力，达到动态建模的目的，这样就可以用大量数据训练建立好的模型。ELMAN神经网络的数学模型是：Ｘ（ｋ）＝ｆ（ＷＬ１Ｘｃ（ｋ）＋ＷＬ２ｕ（ｋ－１））；Ｘｃ（ｋ）＝αＸｃ（ｋ－１）＋Ｘ（ｋ－１）；Ｙ（ｋ）＝ｇ（ＷＬｓＸ（ｋ））。其中，连接权ＷＬ１为联系单元与隐含层单元的连接权矩阵；ＷＬ２为输入单元与隐含层单元的连接权矩阵；ＷＬｓ为隐含层单元与输出单元的连接权矩阵；Ｘｃ（ｋ）和Ｘ（ｋ）分别表示联系单元和隐含层单元的输出；Ｙ（ｋ）表示输出单元的输出；０≤α＜１为自连接反馈增益因子；ｆ（ｘ）多取为sigmoid函数，ｆ（ｘ）＝１１＋ｅ－ｘ。

决策是人的大脑活动，神经网络能够结合人脑的细胞间结构和计算机的运行速度，实现对决策绩效形成过程的近似模拟［１２］。ELMAN神经网络隐含层的输出通过承接层的延迟与存储自联到隐含层的输入，这种自联方式使其对历史状态数据具有敏感性，这与科技型企业高管团队决策过程相似，当决策不符合现实情况或决策过程出现问题时，科技型企业高管团队重新返回到信息收集和分析的原始阶段。ELMAM神经网络的隐含层和承接层即承担了该过程，“报错——返回输出层重新计算（承接层）——重新输出”直到输出值和真值的误差落入有效区间内，内部反馈网络的加入增加了ELMAN神经网络本身处理动态信息的能力，从而达到模拟科技型企业高管团队动态决策的目的。具体而言，本文采用ELMAN神经网络评价科技型企业高管团队决策绩效，基于以下几点考虑：（1）ELMAN神经网络采用可实现的物理结构模拟科技型企业高管团队决策绩效评价的某些特点和功能，具有强大的容错性，即使局部或者部分神经元损坏后不会影响全局活动；（2）ELMAN神经网络优于计算机的地方并不在于计算速度，而在于ELMAN神经网络的识别感知、智能控制及反馈模式［１３］，很强的学习功能让ELMAN神经网络中的连接权和连接结构都可以通过学习得到，使其具有模拟决策绩效形成过程中的科技型企业高管团队集体运作的功能；（3）ELMAM神经网络的输入层可以同时容纳大量数据，符合模拟科技型企业高管团队决策环境复杂化的特点，分解决策影响因素后得到的一组因素即可作为输入层，决策结果的衡量因素可以作为输出层，中间层和承接层的作用则相当于在未制定决策前，科技型企业高管团队内部反复讨论的过程，从而在神经网络结构上实现了对决策绩效评价过程的模拟。

３实证研究

３１决策绩效评价指标体系

基于ELMAN神经网络评价科技型企业高管团队决策绩效，首先要建立决策绩效评价指标体系，按照评价指标体系设计调查问卷，收集相关数据。根据科技型企业高管团队已有研究情况，本文从构成特征和结构特征两方面结合决策绩效评价标准，构建了科技型企业高管团队决策绩效评价指标体系，见表１：

表１科技型企业高管团队决策绩效评价指标体系

结构变量观测变量测评点决策绩效影响因素科技型企业高管

团队构成特征X1团队成员的年龄年龄异质性对决策质量的影响X2团队成员的经历经历异质性对决策质量的影响X3团队成员教育背景教育背景异质性对决策质量的影响X4团队成员的社会资源社会资源对决策质量的影响X5团队成员的任期任期异质性对决策质量的影响X6决策者直觉决策直觉对决策质量的影响X7团队成员认知多样性认知多样性对决策质量的影响科技型企业高管

团队结构特征X8团队规模团队规模对决策质量的影响X9团队信任团队信任对决策质量的影响X10团队有效沟通团队有效沟通对决策质量的影响X11团队凝聚力团队凝聚力对决策质量的影响X12团队自我管理团队自我管理能力对决策质量的影响X13社会资本团队社会资本对决策质量的影响X14决策程序决策程序对决策质量的影响X15决策效率决策效率对决策质量的影响X16决策行为的科学性决策行为科学性对决策质量的影响X17知识权威类型知识权威类型对决策质量的影响X18权力分配权力分配对决策质量的影响X19任务特点任务特点对决策质量的影响X20低水平的任务冲突低水平任务冲突对决策质量的影响X21风险偏好风险偏好对决策质量的影响决策绩效评价标准任务绩效Y1决策质量决策质量的高低关系绩效Y2决策一致性决策一致性程度Y3决策满意度决策满意度的高低

３２数据收集

本文采用问卷调查的方法面向科技型企业高管团队收集研究数据，调查问卷根据科技型企业高管团队决策绩效评价指标体系设计，采用Likert五分量法度量，共发放调查问卷30份，收回25份，有效问卷20份，有效问卷回收率为6667%。被调查人员中90%为男性，10%为女性；担任高管的平均任职年限为32年；平均年龄为427岁，标准差47岁。本文取其中15组数据为训练神经网络的样本，其余5组数据用来对神经网络进行预测，以检验神经网络建模后的预测值与真值间的误差是否在有效区间内。

３３决策绩效评价模型的建立

令ELMAN神经网络输入层数目为n1，中间隐含层数目为n2，输出层数目为m，根据Kolmogorov定理［１４］和决策绩效评价指标体系，n1=21，n2=n1*2+1=21*2+1=43，m=3。ELMAN神经网络中间层的神经元传递函数采用S型正切函数TANSIG，输出层神经元传递函数采用PURELIN函数。由于中间层神经元个数及训练次数的确定是一个经验性问题，需要大量的实验［１５］。根据已建立的ELMAN神经网络模型结构和样本数据，借助于MATLAB软件进行模型计算，从ELMAN神经网络的训练过程得出，该3层ELMAN神经网络训练过程和中间层神经元的个数有很大关系。本文将误差设置为0001，当网络训练次数为500次时（见图１），误差落入设定范围，故本文选择500次训练样本次数。图１中间层为43个神经元的500次训练过程

尽管中间层神经元个数的理论确定值（n2）为43个，但在500次的训练次数下可知，当中间层神经元个数为37时（见表２），网络训练达到最佳结果，误差仅为122E-08，远小于限定的误差范围0001。因此，本文建立的科技型企业高管团队决策绩效评价的ELMAN神经网络模型结构为21个输入变量、37个中间层变量和3个输出变量。表２不同中间层神经元个数网络训练500次的误差范围

神经元个数网络性能训练次数误差7500419E-0517500110E-0527500966E-0737500122E-0847500990E-08

３４决策绩效评价模型的MATLAB计算实现

endprint

本文对15组样本数据进行网络训练，用训练好的网络模型对其余5组样本数据进行预测。

３４１定义数据

训练决策绩效评价ELMAN神经网络模型的数据共15组，每组输入变量为21个，即Xn=（X1，X2，…，X21）；输出变量为3个，即Yn=（Y1，Y2，Y3）。15组样本中的输入元素与输出元素需形成对应矩阵，即建立15×3阶矩阵。将全部输入元素组成一组输入元素矩阵s=［s1，s2，…，s15；q1，q2，…，q15；r1，r2，…，r15］；输出神经元组成一组输出元素矩阵w=［t，u，v］；将输入矩阵s与输出矩阵w转化为序列，建立神经元网络，其中输入为s，输出为w，中间层个数为n（任意），网络训练次数为500次。

３４２训练网络与制图

本文将网络训练用过的样本数据输入网络，分析其输出值（预测值）和真值间的差异，结果发现，Y1、Y2和Y3指标输出值和真值间的误差非常小，网络对训练样本数据的预测准确度较高，即网络已完全掌握了因变量和自变量间的关系。同时，训练好的网络需要利用测试数据进行测试，以检验网络的预测性能否满足要求，如果能满足要求，则可以用来解决实际问题。为了保证检验结果的有效性和准确性，测试数据应避免与训练数据相一致。为此，本文将未参与网络训练的剩余5组样本数据输入网络，检验网络的预测精度，并根据ELMAN神经网络模型的输入、输出情况，将网络模拟结果与实际结果相比较，结果见图２。

图２表明，ELMAN神经网络的训练精度令人满意，5个测试样本的预测结果基本接近真值，最大相对误差为1500%，最小相对误差为400%，说明ELMAN神经网络模型具有实际应用价值，能够用于评价科技型企业高管团队的决策绩效。

４结论与创新

本文的研究得出的结论与创新点体现在以下几个方面：

（1）首次将ELMAN神经网络引入决策绩效评价，构建了科技型企业高管团队决策绩效评价体系，对影响决策绩图２指标预测值、真值与相对误差

效的21个输入变量和3个衡量变量间的关系，利用ELMAN神经网络的非确定性因果关系映射特点，建立了以观测点为自变量、以科技型企业高管团队决策绩效为因变量的ELMAN神经网络模型。由于建模结果的输出预测值和真值间的误差小于15%，验证了方法的可行性，表明这种同时研究多个影响因素的方法是有意义的。

（2）利用本文提出的ELMAN神经网络模型可以评价科技型企业高管团队的决策绩效。只要根据现实决策情况，给相应的21个因素赋值，训练好的模型输出3个绩效评价变量（决策质量、决策一致性和决策满意度）的值，依据输出结果，由科技型企业决定该决策是否可行，从而达到决策绩效评价的目的。

（3）从评价结果来看，ELMAN神经网络模型完成了科技型企业高管团队决策绩效评价任务，充分显示了ELMAN神经网络在建立非线性、非确定性因果关系映射模型中的强大生命力。ELMAN神经网络不像线性模型要求因素集的完整性和严密性，其神经元可以自动寻找给定因素集的相关信息进行建模，以达到模型的正确性，具有容错性和鲁棒性。

参考文献

［１］Simons R.Levers of control:How managers use innovative control systems to drive strategic renewal［Ｍ］.Boston:Harvard Business School Press,1995:35-40.

［２］Hambrick D C,Msaon P A.Upper echelons:The organization as a reflection of its top managers［Ｊ］.Academy of Management Review,1984,（9）:193-206.

［３］Amason A C.Distinguishing the effects of functional and dysfunctional conflict on strategic decision making:Resolving a paradox for top management teams［Ｊ］.Academy of Management Journal,1996,39（1）:123-148.

［４］Kathleen MEisenhardt.Top management teams and the performance of entrepreneurial firms［Ｊ］.Small Business Economics,2013,40（4）:805-816.

［５］陈灿,叶敏.信任与战略决策绩效：对中国家族企业高层管理团队的一个实证研究［Ｊ］.商业经济与管理,2006，（8）:23-28.

［６］杜运周,陈忠卫.高管冲突与团队决策绩效——基于控制模式的调节分析［Ｊ］.管理科学,2009,22（4）:31-40.

［７］陈璐,杨百寅,井润田,等.家长式领导、冲突与高管团队战略决策效果的关系研究［Ｊ］.南开管理评论,2010,13（5）:4-11.

［８］杨卫忠,葛玉辉.TMT认知异质性、自反性对决策绩效的影响——基于中国企业的实证研究［Ｊ］.预测,2012，（2）:23-30.

［９］Brehmer B,Hagafors R.Use of experts in complex decision making:A paradigm for the study of staff work［Ｊ］.Organizational Behavior and Human Decision Process,1986,38:181-195.

［１０］Helmreich R L.Managing human error in aviation［Ｊ］.Scientific American,1997,276（5）:62.

［１１］王辉.人工神经网络的研究与发展综述［Ｊ］.电脑知识与技术,2008，（30）:710-711.

［１２］朱大奇.人工神经网络研究现状及其展望［Ｊ］.江南大学学报：自然科学版,2004，（2）:23-27.

［１３］孙丹,张秀艳.基于人工神经网络的股市预测模型［Ｊ］.吉林大学学报：信息科学版,2002,20（4）:68-70.

［１４］王志明.Kolmogorov定理的一个变形［Ｊ］.数学杂志,2008,28（4）:393-398.

［１５］刘浩,白振兴.BP网络的MATLAB实现及应用研究［Ｊ］.现代电子技术,2006，（2）:49-51.

（本文责任编辑：孙国雷）

endprint