基于BP神经网的我国制造业企业绩效评价体系——以上市白色家电制造企业为例

张振刚，谢孟鑫，林 丹

（1.华南理工大学工商管理学院，广东广州 510640；2.广州市大型企业创新体系建设研究中心，广东广州 510640）

当前中国实体经济正处在转变发展方式、优化经济结构、转换增长动力的攻关期，十九大报告提出，当前我国社会主要矛盾，已转化为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾。针对经济发展不充分的矛盾，必须把发展经济的着力点放在如何做大做强做优实体经济的竞争力上，把提高供给体系质量作为经济发展和改革的主攻方向，作为解决中国经济当前关键短板的“牛鼻子”。

如何客观地评价国内的实体经济成为当务之急，在肯定高精尖行业获取的成就的同时，也应当对我国目前处于全球市场经济中较低位置的制造业进行有效评估。因此，本文选用制造业企业中的与人民美好生活向往最契合的白色家电制造企业为研究样本，通过解剖麻雀，以总揽全局，回归企业绩效评价，建立白色家电制造企业的绩效评价体系，并利用BP神经网络模型对搭建的制造业评价体系进行实证，通过实证分析强化对制造业企业的绩效评估。

1 上市白色家电企业绩效评价体系构建

1.1 文献综述

绩效评价的目标是根据选取全面的指标，利用科学的评价方法，对企业的既定目标的完成度进行衡量和评价，并且通过结果客观地评估一个企业，提出建设性建议［1］。其中主要的评价方法有平衡记分卡法、层次分析法等线性回归分析方法，已经相当成熟。而区别于一般的企业绩效评价，在主要的财务指标评价上，制造业企业存在一定的特殊性，程晓军等［2］最先指出应当优先提高存货周转率和应收账款的周转率等与制造业特点相契合的指标权重，以适应家电制造业的特点。宝斯琴塔娜等［3］则借助平衡计分卡方法建立了关于精益制造的绩效评价体系，提出了顾客、股东、生产、持续4 个维度的指标体系。梁永康等［4］利用扎根理论方式构建了制造业服务化绩效评价的指标全集，并提出了制造业服务化绩效的衡量体系。

关于神经生理学和神经解剖学的研究表明，人脑是一种非常复杂的网络结构，也就是说人脑是通过一个复杂的网络结构来完成智力、思维、情绪和其他高级心理活动，这也就是神经网络的初始来源［5］。神经网络是一种对人脑或自然的一般特征进行抽象和模拟的技术［6］,近年来神经网络在预测和实证研究领域的应用成果显著。BP 神经网络由于具有相当强的处理信息的能力,并且在处理数据的过程中具有自学习、自适应能力,能较好地揭示数据内部所蕴含的非线性特征。与传统的预测模型相比,BP神经网络具有独特的优势［7］，在企业绩效、财务风险、银行风险评估等方面得到了广泛的应用。众多学者对BP 神经网络与企业评价体系进行了有效的组合创新，利用神经网络模型验证了评价体系的有效性。尹惠斌等［1］利用神经网络模型对企业突破性创新绩效进行评价，并分析总结了BP 神经网络在绩效评价上具有较好的泛化能力。同样利用了BP 神经网络，蔡艳萍等［8］对我国上市银行进行了评价体系的构建和验证。Ying Shu［9］对我国民营企业进行研究，建立了包括企业目标、伙伴关系、内部流程等5 个方面的绩效评价指标体系，并结合了神经网络和动态模糊方法对评价体系进行实证。还有郭宇等学者［10-14］应用了BP 神经网络模型进行了评价方面的应用。

中国家电行业通过20 多年的成长和锻炼，在激烈的国内竞争和全球竞争上积累了相当多的经验［12］。但是随着全球化进程继续向前，一方面，以人力成本为主的制造业刚性成本的不断提高，我国家电行业的成本依赖性弊端逐渐显现；另一方面，日益开放的国际环境使得不同国家都参与到全球化市场上来，国际市场上对中国家电企业的阻碍日益增强［15］，因而对我国家电制造业提出了更高的要求。本文认为回归绩效评价能够在一定程度上帮助家电制造企业充分认识到企业在生产经营过程中存在的短板，降低其走向全球市场时的内生风险，从而有助于发展壮大成为世界一流企业。

1.2 评价指标选取

制造业是全球产业分工合作的主要领域，无论是在传统制造业还是高新技术制造业，都应该在日益开放的全球环境中，充分释放全球价值。传统制造业在国计民生中的重要性毋庸置疑，针对传统制造业的研究体系的建立也至关重要，特别是对于和人民生活息息相关的家电制造业，其发展水平的高低，其经营成果的好坏，将会对人民生活产生最直接、最快速的影响，因此，对于评价指标的选取，应在满足一般企业的共性的同时，选取具有家电制造业特点的指标进行评价体系建立。

结合制造业企业的生产经营特点以及我国家电制造业企业存在的现状，本文拟建立一个涵盖盈利能力、适应能力、偿债能力、发展能力4 个一级指标的评价体系，从4 个不同维度来刻画家电制造企业的综合绩效。具体的二级指标设置如下：

首先，企业上市的目的是为了创造价值，实现更多盈利，而制造业企业也不例外，因此本文对家电制造企业的评价体系构建时优先考虑盈利能力，通过对财务指标的分析，拟采用总资产利润率、净资产收益率、资产报酬率、营业利润率、投资收益、成本费用利润率对家电制造企业的盈利能力进行综合描述。

其次，对于市场需求和市场波动的适应能力的高低是企业能否保持稳定盈利的前提，以及评价企业是否具备一定产业刚性的准则，同时足够强的盈利能力又可以在一定程度上提高企业的适应能力。因此在考虑盈利能力的前提下，还应对企业的适应能力进行考量。为较好概括企业对市场的适应能力，初步选取总资产周转率、固定资产周转率、流动资产周转率、应收账款周转率、流动比率、企业资金周转率、存货周转率共7 个二级指标。

再者，制造业企业在自主经营、自负盈亏不仅受到企业所处的市场环境的影响，还和企业的长期积累有关，而长期积累的各种类型的资产、产权构成了企业的偿还债务能力的度量。因此，针对企业的偿债能力，拟选取资产负债比率、产权比率、现金比率、速动比率、现金总负债比率进行衡量。

最后，企业在市场中生产经营的终极目标是实现长期持续的发展，因此在确保其他各环节都符合企业生产经营的前提下，从管理费用增长率、利润总额增长率、总成本增长率、总资产增长率、营业收入增长率、净利润增长率、净资产增长率、固定资产增长率8 个方面，对企业的可持续发展进行综合度量，选取评价指标，以体现企业在实现长期、有效、稳定发展过程中的能力。

1.3 绩效评价体系构建

通过上述的指标体系选取分析，结合制造业企业的特点，针对上述4 个维度，初步选取了26 个指标对制造业企业的绩效评价体系进行构建，具体指标说明见表1。其中，一级指标为企业的盈利能力、适应能力、偿债能力和发展能力，二级指标为刻画该4种能力的相关变量。指标性质是指二级指标对于企业绩效是正向影响还是负向影响，分别记为“+”和“-”。

表1 上市家电制造企业绩效评价指标

2 BP 神经网络绩效指标评价模型的构建

（1）输入层节点。为通过构建一个制造业企业的绩效评价体系，首先对相应指标的数据进行相关性分析，对指标进行初步的筛选，筛选后的指标数量从26 个降低至18 个。其次，将反映制造业企业的盈利能力、适应能力、偿债能力和发展能力4 个维度，共18 个二级指标作为输入层节点。

（2）隐含层节点。目前对于隐含层的节点数目的确定并没有一个确定的计算公式，因此在选取隐含层的时候，一般会根据经验公式计算出其相对合理的取值范围：

其中k表示隐含层的节点数目，n表示输入层的节点数目，m表示输出层的节点数目。

由于本文的研究样本数据中，指标数n=18，m=1。可以确定隐含层的节点数目范围为［3,10］，

通过实验的对比，并综合考虑机器学习的时间成本，迭代次数，以及误差大小，确定隐含层的节点数目为3 个。

（3）输出层节点。输出层节点数为1。规定取值在0～1之间，表示制造业企业的综合绩效评价值。模型训练和测试所得的值越大，则说明该制造业企业的绩效管理水平越高，因此对结果进行有效划分为不同层次的，评价可分为优秀、良好、中等、较差4 个等级，分别对应于(0.75，1］、(0.50，0.75］、(0.25，0.50］、(0，0.25］的评价期望值，并基于等级对企业进行分类，其中连续获得优秀评级的企业未来的发展存在更好的趋势。

（4）权值和阈值初始值的确定。为了有效提高BP 神经网络的学习速度，在正式运行前对神经网络权值和与之进行初步设定，根据大量的文献阅读中，较合理的取值范围为［-1,1］，因此利用-1～1 之间的随机数作为权值和阈值的初始值。

3 实证分析

3.1 指标相关性分析

由于数据来源的限制以及数据样本的完整性问题，故本文选取申万行业分类下的家用电器类别下的白色家电制造企业作为研究样本，样本的选取来自于2017 和2018 年度的财务报告。由于各个指标之间的物理单位不一样，并且在数量级上有较大差异，为避免来自于数据量纲差异带来的程序学习误差，故对样本数据进行去量纲化的归一化处理，具体形式如下：

对评价指标进行无量纲的归一化处理之后，由于本研究选取的数据均来自年报，虽已初步对指标进行筛选，但是仍存在一定不足。为避免选取的指标之间替代性过高，因此对指标进行相关性分析，在数据的角度上尽量避免指标之间的相互替代性，从而使对制造业企业的绩效评价更加精准，更具科学性。

利用相关系数法对评价指标体系进行筛选，提出相关程度高的指标，对第i和j个变量之间的相关系数可以通过以下公式（3）进行计算：

表2 去量纲数据

3.2 计算指标权重和期望绩效值

为对上市白色家电制造企业的综合绩效进行客观度量，本文结合了熵权法和综合评价法确定各项指标的权重并求出企业的综合绩效期望值。由于样本数据的量纲差异性较强，故采取了分类标准化处理，即对正向化指标和逆向化指标进行不同形式的标准化。

最后根据所得到的指标权重，利用综合加权法计算出各个上市家电制造企业的绩效期望值，作为BP 神经网络的输出，根据制造业的特点，将结果分为上述4 个大类（见表3）。计算公式为：

表3 上市家电制造企业绩效指标权重值

3.3 网络模型的训练

选取2017 年所有上市白色家电制造企业的数据作为训练集，2018 年的数据作为测试集。在神经网络模型的训练中，设置好各层次的节点数，并确定模型的网络结构图（图1）。由第三部分模型的分析与选择，设置模型的输入层为18 个节点，隐含层为3 个节点，输出层为1 个节点，并通过多次尝试，对第一层中隐含层神经元和第二层输出层的神经元的激活函数均选择“tansig”函数。可以得出如图1的BP 神经网络绩效评价模型，并输入训练样本，训练已建立的BP 神经网络绩效评价模型。

图1 BP 神经网络绩效评价模型

BP 神经网络经过初始化后，经过166 次训练后，其模型的误差达到设定标准的要求，即建立了一个基于BP 神经网络的上市家电制造企业的绩效评价模型，网络训练的误差和训练的结果如图2和表4所示。

图2 BP 神经网络模型训练误差

表4 BP 神经网络模型训练结果

3.4 仿真结果分析

为试验所构建的上市白色家电制造企业绩效评价体系是否具备较好的泛化能力，还需要对网络模型进行测试，将2018 年的数据作为测试集，进行测试，得出测试结果如表5 所示。

表5 BP 神经网络仿真结果

从表5 中可以看出，通过本研究利用2017 年的数据作为训练集而训练出来的评价模型，能够较好地预测2018 年同样的52 个家电制造企业的绩效水平，并且测试集的相对误差都比较小，最高仅为1.49%。这意味着该BP 神经网络评价模型具有较好的泛化能力，能够对家电制造企业进行较好地评价。

样本企业的评级如表6 所示，其中2017 年仅有1 家企业评级达到优秀，但是到2018 年时评级下降至良好，而2018 年共有两个企业评级达到优秀，并且与2017 年的评级均为良好，可以认为该两家企业的发展向好。

表6 企业综合绩效评级

表6 （续）

4 结论与展望

本文对上市白色家电制造企业绩效评价进行综合研究，旨在分析我国上市白色家电制造企业的绩效现状及其影响因素，分别从盈利能力、适应能力、偿债能力和发展能力4 个维度构建相关绩效评价体系，而且通过机器学习模型——BP 神经网络模型对上市家电制造企业的近两年的绩效相关数据进行仿真模拟，以验证模型的泛化能力，拟通过上市白色家电制造企业的绩效评价，推动企业的内部的绩效管理和组织管理。

4.1 研究结论

本文通过相关系数法对评价指标进行初步筛选，并通过信息熵理论对相关指标的权重进行确定，计算出上市白色家电制造企业的绩效期望值，通过结合相关系数法和信息熵理论，能够有效地克服如专家打分法、平衡计分卡法等一般通用方法所带来的主观局限性，可以在有效地度量各个指标的相关程度的同时，通过信息熵理论科学地确定指标权重。

测评结果中，上市家电制造企业的盈利能力、适应能力、偿债能力和发展能力分别占比重为9.814%、37.207%、18.772%和34.207%。其中盈利能力的比重较低，可以认为是家电制造企业的利润空间较小，因此在对其进行绩效评价时，其利润空间的重要性相对较低。而对于适应能力占比最高，则主要在于本文将制造业主要特征以及重要性代表指标：存货比率、存货周转率、应收账款周转率等在流动方面的各项指标归纳为企业对市场的适应能力，因此该比重最高，作为主要的具有代表性的适应能力。

在利用BP 神经网络技术理论的基础上，通过训练样本，不断地调试参数以降低目标差距，最终通过166 次训练达到了目标误差。最终对2018 年数据构成的测试集进行测试，测试结果与期望结果的相对误差达到目标误差的要求，即能有效地说明所构建的网络模型具有较好的泛化能力，能够有效的度量上市家电制造企业的绩效。

4.2 展望

由于数据来源的有限，本次研究仅针对来自财务报表披露的定量指标，对于定性指标的选取存在一定空白，在后续的研究中，将会从更多的数据来源收集相关信息，以完善该上市白色家电制造企业的绩效评价体系。后续的关于制造业产业的评价体系，将会在建立一系列的具体类型的制造业企业评价体系的基础上，对个体类别的评价体系进行共性提取，并有效区分差异性。拟通过分析组成部分，再统筹整体，最后达到整体大于部分之和的效果。