基于拓扑结构神经网络的绩效管理评价研究*

彭传梅

(河海大学商学院 南京 211100)

基于拓扑结构神经网络的绩效管理评价研究*

彭传梅

(河海大学商学院 南京 211100)

针对现有关于企业绩效管理评价的方法存在一定的缺陷,不能满足企业发展过程对制度评价的准确度要求的问题,通过利用AHP方法在复杂的评价指标体系中筛选出8个代表性的指标作为绩效评价的评价指标,随后对此采用拓扑结构的BP神经网络方法,构建评价模型,设计算法程序,结合计算机技术进行网络训练,得到该算法的仿真结果:算法的误差在训练步数为100时就已经达到了期望结果,而且预测数据的相关系数达到了0.98747,这表明基于拓扑结构的BP神经网络算法在企业绩效管理评价工作中具有一定的可行性与较高的准确性。

企业绩效管理; 评价指标体系; 拓扑结构; BP神经网络; 数据仿真

1 引言

在经济与科技迅速发展的时代,合理有效的管理制度是决定企业在激烈的市场竞争地位的重要因素[1]。管理绩效评价指的是管理者根据评价目标和评价标准,构建合理的评价指标系统[2],利用有效的方法评价企业运营成果[3]。绩效管理评价有效反映了企业当前的运营状况,是企业定位自身的重要方法[4～5],通过企业自身前后水平的纵向比较或与竞争对手的横向比较,总结经营过程中的经验与不足,另外还可以探索企业发展过程的规律性,从而促进企业科学良性发展[6～7]。但是对于平价的方法并没有一个较为系统的体系,本文就利用BP神经网络方法来分析评价企业绩效管理的有效性。

2 企业绩效管理评价

2.1 企业绩效管理评价

企业作为一个系统是很复杂的,企业的长远发展是它的最终目标,企业管理者可以通过评价管理绩效来实现对这个系统运转状况的掌握,从而更好地控制和延续企业的发展。有效的绩效管理制度可以激励员工情绪,引发工作热情,实现资源效益最大化,从而提升企业的核心竞争力。评价绩效管理总体可以分为两个方面[8],一是绩效管理体制的开展情况;二是这种制度对企业的帮助。

企业绩效管理是复杂系统,它的实施效果受到企业的结构形式、发展目标、制度体系文化等多个因素的不明确影响,另外还可能存在一些未知因素,因此可以把管理绩效制度看作一个系统,利用系统的相关评价方法来进行。

2.2 企业绩效管理评价的传统方法

总体来说,企业绩效管理评价主要是建立管理绩效评价的指标体系,据此选取合适的数学模型,处理相关数据得到评价结果。根据现有资料,评价方法主要有:定量与定性相结合的Delphi法以及以递阶层次结构为核心的AHP法[9],还有基于非典型小样本数据的灰色关联评价法。另外还有模拟人类神经系统信息处理方式的人工神经网络法[10]以及利用运筹学理论处理数据的数据包络分析(Data Envelopment Analysis,DEA)方法[11]。

2.3 企业绩效管理评价的指标体系

根据企业管理活动规律及实际营销环境,本文首先确定了五个如下的一级指标:知识链、企业人力资源、技术资源、组织文化建设、市场资源。为了增加一级指标的合理性,通过对绩效管理机制的学习,同时结合定性与定量分析方法,归纳得到了表1所示的指标集合。

表1 企业绩效管理评价指标体系

3 BP神经网络

3.1 BP神经网络

1986年Rumelhart小组提出了BP神经网络的概念[12],其核心是梯度下降法,根据误差反向传播的特点,调整权值和阈值实现均方误差的最小化,其实质是一种多层前馈神经网络。它依靠对定量样本的训练来逐步调整评价指标与结果之间的函数关系,在反复迭代达到稳定后,就实现了评价对象的评价。

3.2 BP神经网络的拓扑结构

本文研究BP神经网络模型基于拓扑结构,它由三个不同的层次组成:输入层、隐含层与输出层,在每层中都存在大量可以并行运算的简单神经元[13]。网络结构中层次之间的神经元通过全互联方式连接,而同一层的神经元之间并不存在连接。其拓扑结构如图1所示。

图1 拓扑结构的层次以及神经元

外界信号通过输入层节点进入系统,在“网络线路”的引导下传到隐含层,进而来到输出层,类似水流过程,下层节点的信号输入只受到上层节点的影响。但误差却从输出层反向传播,在这个过程中网络权值根据误差反馈来进行调整。

3.3 BP神经网络的算法原理

标准BP神经网络根据梯度下降法进行循环处理,最终使得输出值与期望输出值的误差满足一定的精度要求[14]。现假设目标是标量函数F(w)取得最小值,当前神经元的权值是w(t),且下一时刻的权值调节公式为

w(t+1)=w(t)+Δw(t)

(1)

其中,Δw(t)表示当前权值的修正方向,则修正的目的为

F(w(t+1))

(2)

对上式利用泰勒一阶展开公式,有

F(w(t+1))≈F(w(t))+g′(t)Δw(t)

(3)

当Δw(t)=-cg(t),则权值修正值将会沿着负梯度方向下降,即梯度下降法。

那么对于输出层有:

(4)

对于隐含层有:

(5)

综合式(4)和式(5):

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

代入有:

(6)

其中

至此得到了权值计算方程为

(7)

4 基于拓扑神经网络的绩效管理模型

4.1 绩效管理的拓扑神经网络评价模型建立

根据BP神经网络对模糊系统评价的原理,通过系统自适应调整,网络评价可以通过足量的训练样本习得的类似人脑的能力,模拟评价体系内部存在的函数关系,输入未知样本后循环测试最终就能实现目标[14]。这样就实现了对专家评价的模拟,排除主观因素对于评价结果的影响。

本文选取20位资深专家对企业的绩效管理进行评估,得到如表2所示的结果。

另外根据对现存资料以及专家意见的总结,构建合理的绩效管理评价指标体系,并且参考文献[10]中的AHP方法,划分指标层次模型,构造判断矩阵,并利用和积法对指标进行层次单排序,最后通过一致性检验,确定各指标的权重数值,我们从中选择排名在前八的指标作为评价体系的指标,分别为:学习型组织(C1)、员工的文化程度(C2)、激励机制(C3)、研发投入(C4)、员工的积极性(C5)、部门合作(C6)、先进技术设施(C7)、员工学习能力(C8),如表3所示。

表2 专家评估结果

表3 专家评估结果

4.2 拓扑神经网络对于企业绩效管理评价的算法实现

根据BP神经网络算法的基本原理,是基于梯度法的搜索算法,其算法的实现过程为

Step1:在[-1,1]随机生成网络的权值和阈值;

Step3:利用式(8)计算输出层节点和隐含层节点之间连接权值修正量;

Step4:利用式(9)计算隐含层节点和输入层节点间连接权值修正量;

Step5:用误差修正量修正网络的权值和阈值:wjk(t+1)=wjk(t)+Δwjk,vij(t+1)=vij(t)+Δvij;

Step6:求误差函数的值,判断是否小于期望的误差精度。若满足误差要求,则结束算法;否则,网络返回Step2继续训练,直到满足要求为止。其中,ok是期望的输出。

BP算法流程如图2所示。

图2 BP神经网络算法流程图

5 拓扑神经网络模型数据分析

根据上述章节的分析,本文讨论的绩效管理评价指标体系选取8个较为重要的评价指标,所以模型输入层有8个输入指标即8个输入节点,而输出层仅含单个神经元,以便表示评价结果,其范围是[0,1]。

在此采用试凑法确定神经系统结构的隐含层节点个数,经过实验检测,系统的收敛速度和稳定性在节点数为11的时候能达到了最佳状态,得到的结果如表3所示。

表3 隐含层节点个数与平均误差的关系

图3 BP神经网络算法的训练性能误差曲线

数据分析过程中,设定标准训练步长为500,动量因子为0.95。那么利用标准BP神经网络的算法,得到的训练误差性能曲线如图3所示。

其中,迭代次数作为横轴,网络的训练误差作为纵轴。从图中可以看出,在训练步长还未达到设定值时误差就已经满足要求,即BP神经网络算法的收敛效果是很好的。

图4和图5分别是算法对于测试数据的仿真效果图以及仿真结果与期望值的回归分析,坐标系中纵轴为训练输出值,横轴表示期望值。从图看出算法的相关系数R=0.98747,结合相关系数的意义,可知预测值与期望值之间的相关性是比较理想的。根据BP神经网络算法对系统进行仿真训练,得到结果说明该算法的网络性能比较好,也验证了它用于企业绩效管理评价的可行性。

图4 测试数据的预测结果

图5 BP神经网络的算法仿真结果的回归分析

6 结语

企业要想在竞争激烈的市场立足,就必须采取有效的管理制度以及合理的评价方法。只有两者相结合才能够发现制度中的缺陷,以此来合理配置企业资源,从而实现企业利润最大化。本文借阅其他文献的AHP法从两级评价指标中选出了8个权值较大的指标。对于确定评价体系采用BP神经网络算法进行评价,网络算法的训练结果表明算法误差、测试数据以及数据相关系数的回归分析等都有较好的结果,因此BP神经网络算法明显提升了企业绩效管理水平评价的准确性。

但是我们还可以考虑从以下方面来进一步完善评价方法:首先全面考虑影响企业绩效管理评价的因素,如技术发展程度、企业周围环境等;另外考虑到评价指标的形式特点,进一步改善指标权重的方法,在确定指标权重数值时将定性的因素考虑进去;优化本文提到的评价算法,增强算法的适应能力以及对于不确定性问题的处理能力。

[1] 范文蕊.知识管理对企业核心竞争力的影响研究[D].昆明:云南财经大学,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的商业银行知识管理评价指标分析[J].财会通讯,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.基于模糊神经网络分类算法的绩效考核评聘策略研究[J].现代远距离教育,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] 韩莹.企业绩效管理系统的设计与实现[J].电子设计工程,2015(13):65-67. HAN Ying. Design and Implementation of Enterprise Performance Management System[J]. Electronic Design Engineering,2015(13):65-67.

[5] 张磊.基于J2EE技术的银行客户经理绩效考核管理系统的设计与实现[D].长春:吉林大学,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,张明,等.带权重的RBF神经网络银行个人信用评价方法[J].计算机工程与应用,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,毕越英,陈海花,等.应用Delphi法构建临床护士绩效考评指标体系的研究[J].护理管理杂志,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] 双同科,田佳林,刘学,等.一种基于改进AHP的指标权重确定方法[J].中国西部科技,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] 相广萍.基于数据包络分析法对山东耕地产出效率及影响因子研究[J].山东农业大学学报自然科学版,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] 张月琴,刘翔,孙先洋.一种改进的BP神经网络算法与应用[J].计算机技术与发展,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,朱全银.基于Adaboost算法和BP神经网络的税收预测[J].计算机应用,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] 张云霞.基于云计算模式的ERP企业管理信息系统分析[J].信息技术,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] 何泾沙,郑伟.BP神经网络模型在室内温度预测中的应用[J].电子技术与软件工程,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] 张自敏,樊艳英,陈冠萍.改进的BP神经网络在地方GDP预测中的应用[J].计算机科学,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

国家自然科学基金项目(编号:41471456);中央高校基本科研业务费项目(编号:2014B39714);江苏省普通高校研究生科研创新计划项目(编号:KYLX_0512)资助。

彭传梅,女,硕士研究生,研究方向:人力资源管理。

TN393

10.3969/j.issn.1672-9722.2017.04.001