论文部分内容阅读
摘 要：当今的企业绩效评价方法已经不适用于企业的发展，为了建立企业绩效综合评价模型，在由基本的财务指标构成的财务分析体系基础上，将BP神经网络应用于绩效综合评价中，以企业历史数据作为BP神经网络的训练样本，用训练好的BP网络评价企业当期各方面的绩效，能达到令人满意的评价效果。
关键词：神经网络；企业绩效；综合评价
1. BP神经网络
1.1 BP神经网络的模型
BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。由于权值的调整采用反向传播(Back Propagation)学习算法，因此也常称其为BP网络。BP学习算法要求神经元模型的传递函数为有界连续可微函数，如sigmoid函数(形如f(χ)=(1+е-x)-1)。由具有这种传递函数的神经元组成的网络，通过学习可以用一个连续的超曲面(而不仅仅是一个超平面)来完成划分输入样本空间的功能。在输入样本空间复杂的情况下，可根据要求，采用n层网络结构，具有输入层、隐含层、输出层三个层次，各层间实现全连接，此时学习后的网络可以以n-1个超曲面构成一个符合曲面，完成复杂的分类任务，弥补了单层感知器的缺陷。
BP神经网络结构通过误差反向传播来消除误差。在训练中通过计算输出值与期望值之间的误差，来求解输出层单元的一般化误差，再将误差进行反向传播，求出隐含层单元的一般化误差，调整输出层和隐含层及输入层之间的连接权值与隐含层、输出层的阈值，直到系统误差可以接受为止，此时的权值、阈值不再改变。
图1 前馈神经网络模型
如图1所示的三层前馈网络中，第1层为输入层，第3层为输出层，中间层为隐含层，
输入层神经元函数取f(x)=x，即输入层神经元将输入值不加处理地直接通过加权传送至隐含层神经元，隐含层和输出层神经元节点函数为Sigmoid型函数： f(χ)=(1+е-x)-1，该函数的特点是定义域为实数，取值范围为(0，1)，并且为非线性、可微、非递减函数，所有的神经元阀值都取为0。
2.基于BP神经网络的企业绩效评价
2.1传统财务绩效评价的局限性
对企业绩效的综合评价是企业管理的核心之一，其最终目的是通过绩效分析全方位的了解企业经营的状况，并借以对企业经营效益的优劣做出系统的、合理的评价。
图2 企业评价指标体系构成图
企业绩效评估经常遇到的一个很实际的问题就是很难确定客观、量化的绩效指标。在当前的制度下，在对企业未来发展的无形影响的反映方面，当前的会计收益是一种“短视指标”。如果片面强调利润，容易造成经营者为追求短期效益而牺牲企业长期效益的短期行为，使企业经营者不愿为追求长期战略目标而进行可能会降低当前盈利目标的资本投资，助长企业经营者的短期投机行为。传统的以财务指标为主的绩效评价在进行企业综合绩效评价方面显得力不从心，存在许多局限性和弊端。在现有的绩效分析工具(如：SWOT分析法、PDCA循环规则、SMART原则、80/20法则)的基础上，我们提出一种基于BP神经网络的企业绩效综合评价方法。
对一个具体的企业进行评价时，首先要建立系统的评价指标体系，然后才能采用适当的方法进行评价。根据评价的全面性和可比性原则，企业绩效主要从财务效益状况、客户远景、革新发展能力以及内部发展状况4个方面来全面综合考核企业绩效，其评价指标体系见图2：
2.2 BP 神经网络模型在企业综合绩效评价中的应用
企业综合绩效评价BP 模型的拓扑结构如图3所示。模型由三层神经元组成：输入层、隐含层和输出层。其中输入层神经元是经过标准化处理的企业综合绩效评价基础指标，输出层神经元是企业综合绩效评价系统的输出——企业绩优度——来衡量企业综合绩效的优劣和综合效果，组成相应的神经网络，称为企业综合绩效评价的反向误差传播模型(简称企业综合绩效评价BP模型)。企这样既可进行企业综合绩效评价，也可比较容易得到各指标对于企业综合绩效的权重排序和影响程度，并得到对企业综合绩效影响最大的因素，即主导性因素，企业应当将其作为提高和改进企业综合绩效的工作重点。业绩优度是该绩效评价指标体系的第一层，即目标层，它是一个介于0～1 之间的数，数值越大则说明企业的综合绩效越优。
图3 基于BP网络的企业绩效评价模型
误差函数取，其中p 表示第p 个样本点，tpj为企业综合绩效评价神经网络的神经元u\-j 在第p 个样本点下的理想输出即期望企业绩优度， Opj 为神经元u\-j 在第p个样本点下的实际输出即实际企业绩优度， Ep为第p个样本点下的企业综合绩效评BP网络的输出误差。Opj= f ( netpj) ，其中netpj 表示企业综合绩效评价BP网络的神经元u\-j 在第p个样本点下的输入， netpj=∑ω\-ijOpj ， 其中O\-pi 为企业综合绩效评价BP模型的输入神经元u\-j在第p 个样本点下的输入—经标准化处理的企业综合绩效评价基础层指标，ω\- ji 为从神经元ui 到神经元u\-j的连接权值。
由于该算法是反向递推计算的，因而通常称该多层前馈网络为BP网络，该网络实质上是对任意非线性映射关系的一种逼近，由于采用的是全局逼近的方法，因而BP网络具有较好的泛化能力。
2.3基于BP 神经网络模型的评价步骤
步骤 1： 确定神经网络的结构参数：定义输入、隐含和输出层的神经元的个数，定义网络收敛误差，选取合适的动量常数和学习效率，训练样本数，赋予神经网络的权值。
步骤2：输入企业综合绩效评价样本集，每个样本点包括经过标准化处理的企业综合绩效评价的基础指标值和对应的期望输出———理想的企业绩优度。
步骤3 ： 从企业综合绩效评价BP 模型输出层开始，按照下列公式调整权值并转步骤2。
计算输出层的误差信号δpj：δpj=(tpj-Opj)Opj(1-Opj)；从后向前计算隐含层的误差信号δpj：δpj= Opj (tpj-Opj)∑ω\-pkδ\-kj；其中ω\-pk 为企业综合绩效评价BP模型隐含神经元u\-k 相连到输出神经元u\-p 的连接权值计算并保存各权值修正量：Δω\-ji(n+1)=ηδpj O\-pi+αΔω\-ji(n)；修正权值并保存：ω\-ji(n+1)=ω\-ji(n)+Δω\-ji(n)。
其中Δω ( n +1) 为每次权的调整值，α是一个确定企业综合绩效评价BP网络过去学习效果的常数，α∈(0 ，1)，Δω\-ji ( n) 表示上一次学习周期的权值修正值，αΔω( n) 是一个动量项， 反映网络过去学习的过程，η是表示学习速率的常数，η ∈(0 ，1)，δpj为企业综合绩效评价BP模型在第p 个样本点下神经元的u\-j 输出端的误差。
步骤4 ： 计算企业综合绩效评价样本点的输出误差， 若Ep小于给定的收敛值，转步骤5，否则转步骤2。BP神经网络学习训练完成，得到一个已经训练好的BP网络。
步骤5：确定企业综合绩效评价指标的权重ω\-ij ，结合企业综合绩效评价指标体系和企业综合绩效评价BP网络的对应关系，即可确定各指标的权重，明确目标企业综合绩效的主要影响因素，为企业综合绩效的控制提供主要依据。将目标企业综合绩效评价指标的具体值作为训练好的BP模型的输入， 可得目标企业的企业绩优度，再与评价时规定的企业的战略设定的目标值或行业内的优秀企业相比较，即可确定目标企业绩优度的类别和水平。
但是BP算法的主要缺点是收敛速度慢、局部极值、难以确定隐层和隐节点的个数。这使企业绩效评价难以迅速地得到自己的结果。
3.结论
神经网络具有模拟人类部分形象思维的能力，是模拟人工智能的一条重要途径。它研究如何使机器具有人的感知、如何设计智能机器，是人工智能研究并最终研制智能机器的一个组成部分。
利用BP网络的自适应、自学习能力和处理信息的高度并行性，我们选取反映企业4个方面的指标构成整体评价体系，在企业历史数据基础上应用BP神经网络评价当前的企业的效绩大小，从而使得相似问题的处理同时进行，特别适于实时控制和动态控制， 避免了评价过程中人为的改变标准值和确定权重的主观性因素，使建立的企业效绩综合评价体系更为客观。但是由于在财务分析中用于分析绩效的指标因企业的不同而不同，从而对各指标的重视程度不同，各个企业的具体情况不同，针对各个企业的情况建立统一的模型可能不大，会影响模型评价针对单个企业的准确性。因此，在实际的评价中，尽量选取更多的样本，在特殊情况下对神经网络进行调整，将神经网络与效绩评价方法相结合，以达到更好的评价效果。
参考文献：
[1]赵全超，赵国杰，王举颖，基于BP 神经网络模型的企业综合绩效评价方法研究[J]，天津理工学院学报，2004(6)
[2]汪嘉杨，王卓，基于BP神经网络的企业绩效评价方法[J]，成都信息工程学院学报，2004(3)
[3]张新红，郑丕鄂.基于神经网络的管理信息系统综合评价方法[J].系统工程学报，2002(5)
[4]李 武. 企业绩效评价方法[J ] . 企业经济，2002(12)
[5]艾文国. ERP 环境下企业绩效评价体系研究[J ] . 中国软科学，2003(2)
[6]张剑湖， 叶峰，人工神经网络的模型、特征及其发展方向[J]，现代电子技术，2004(12)
[7]魏海坤，神经网络结构设计的理论与方法[M]，北京，国防工业出版社，2005
[8]邢文训，谢金星，现代优化计算方法[M]，北京，清华大学出版社，2001
(作者通讯地址：山东经济学院 济南 250014)
注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”
关键词：神经网络；企业绩效；综合评价
1. BP神经网络
1.1 BP神经网络的模型
BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。由于权值的调整采用反向传播(Back Propagation)学习算法，因此也常称其为BP网络。BP学习算法要求神经元模型的传递函数为有界连续可微函数，如sigmoid函数(形如f(χ)=(1+е-x)-1)。由具有这种传递函数的神经元组成的网络，通过学习可以用一个连续的超曲面(而不仅仅是一个超平面)来完成划分输入样本空间的功能。在输入样本空间复杂的情况下，可根据要求，采用n层网络结构，具有输入层、隐含层、输出层三个层次，各层间实现全连接，此时学习后的网络可以以n-1个超曲面构成一个符合曲面，完成复杂的分类任务，弥补了单层感知器的缺陷。
BP神经网络结构通过误差反向传播来消除误差。在训练中通过计算输出值与期望值之间的误差，来求解输出层单元的一般化误差，再将误差进行反向传播，求出隐含层单元的一般化误差，调整输出层和隐含层及输入层之间的连接权值与隐含层、输出层的阈值，直到系统误差可以接受为止，此时的权值、阈值不再改变。
图1 前馈神经网络模型
如图1所示的三层前馈网络中，第1层为输入层，第3层为输出层，中间层为隐含层，
输入层神经元函数取f(x)=x，即输入层神经元将输入值不加处理地直接通过加权传送至隐含层神经元，隐含层和输出层神经元节点函数为Sigmoid型函数： f(χ)=(1+е-x)-1，该函数的特点是定义域为实数，取值范围为(0，1)，并且为非线性、可微、非递减函数，所有的神经元阀值都取为0。
2.基于BP神经网络的企业绩效评价
2.1传统财务绩效评价的局限性
对企业绩效的综合评价是企业管理的核心之一，其最终目的是通过绩效分析全方位的了解企业经营的状况，并借以对企业经营效益的优劣做出系统的、合理的评价。
图2 企业评价指标体系构成图
企业绩效评估经常遇到的一个很实际的问题就是很难确定客观、量化的绩效指标。在当前的制度下，在对企业未来发展的无形影响的反映方面，当前的会计收益是一种“短视指标”。如果片面强调利润，容易造成经营者为追求短期效益而牺牲企业长期效益的短期行为，使企业经营者不愿为追求长期战略目标而进行可能会降低当前盈利目标的资本投资，助长企业经营者的短期投机行为。传统的以财务指标为主的绩效评价在进行企业综合绩效评价方面显得力不从心，存在许多局限性和弊端。在现有的绩效分析工具(如：SWOT分析法、PDCA循环规则、SMART原则、80/20法则)的基础上，我们提出一种基于BP神经网络的企业绩效综合评价方法。
对一个具体的企业进行评价时，首先要建立系统的评价指标体系，然后才能采用适当的方法进行评价。根据评价的全面性和可比性原则，企业绩效主要从财务效益状况、客户远景、革新发展能力以及内部发展状况4个方面来全面综合考核企业绩效，其评价指标体系见图2：
2.2 BP 神经网络模型在企业综合绩效评价中的应用
企业综合绩效评价BP 模型的拓扑结构如图3所示。模型由三层神经元组成：输入层、隐含层和输出层。其中输入层神经元是经过标准化处理的企业综合绩效评价基础指标，输出层神经元是企业综合绩效评价系统的输出——企业绩优度——来衡量企业综合绩效的优劣和综合效果，组成相应的神经网络，称为企业综合绩效评价的反向误差传播模型(简称企业综合绩效评价BP模型)。企这样既可进行企业综合绩效评价，也可比较容易得到各指标对于企业综合绩效的权重排序和影响程度，并得到对企业综合绩效影响最大的因素，即主导性因素，企业应当将其作为提高和改进企业综合绩效的工作重点。业绩优度是该绩效评价指标体系的第一层，即目标层，它是一个介于0～1 之间的数，数值越大则说明企业的综合绩效越优。
图3 基于BP网络的企业绩效评价模型
误差函数取，其中p 表示第p 个样本点，tpj为企业综合绩效评价神经网络的神经元u\-j 在第p 个样本点下的理想输出即期望企业绩优度， Opj 为神经元u\-j 在第p个样本点下的实际输出即实际企业绩优度， Ep为第p个样本点下的企业综合绩效评BP网络的输出误差。Opj= f ( netpj) ，其中netpj 表示企业综合绩效评价BP网络的神经元u\-j 在第p个样本点下的输入， netpj=∑ω\-ijOpj ， 其中O\-pi 为企业综合绩效评价BP模型的输入神经元u\-j在第p 个样本点下的输入—经标准化处理的企业综合绩效评价基础层指标，ω\- ji 为从神经元ui 到神经元u\-j的连接权值。
由于该算法是反向递推计算的，因而通常称该多层前馈网络为BP网络，该网络实质上是对任意非线性映射关系的一种逼近，由于采用的是全局逼近的方法，因而BP网络具有较好的泛化能力。
2.3基于BP 神经网络模型的评价步骤
步骤 1： 确定神经网络的结构参数：定义输入、隐含和输出层的神经元的个数，定义网络收敛误差，选取合适的动量常数和学习效率，训练样本数，赋予神经网络的权值。
步骤2：输入企业综合绩效评价样本集，每个样本点包括经过标准化处理的企业综合绩效评价的基础指标值和对应的期望输出———理想的企业绩优度。
步骤3 ： 从企业综合绩效评价BP 模型输出层开始，按照下列公式调整权值并转步骤2。
计算输出层的误差信号δpj：δpj=(tpj-Opj)Opj(1-Opj)；从后向前计算隐含层的误差信号δpj：δpj= Opj (tpj-Opj)∑ω\-pkδ\-kj；其中ω\-pk 为企业综合绩效评价BP模型隐含神经元u\-k 相连到输出神经元u\-p 的连接权值计算并保存各权值修正量：Δω\-ji(n+1)=ηδpj O\-pi+αΔω\-ji(n)；修正权值并保存：ω\-ji(n+1)=ω\-ji(n)+Δω\-ji(n)。
其中Δω ( n +1) 为每次权的调整值，α是一个确定企业综合绩效评价BP网络过去学习效果的常数，α∈(0 ，1)，Δω\-ji ( n) 表示上一次学习周期的权值修正值，αΔω( n) 是一个动量项， 反映网络过去学习的过程，η是表示学习速率的常数，η ∈(0 ，1)，δpj为企业综合绩效评价BP模型在第p 个样本点下神经元的u\-j 输出端的误差。
步骤4 ： 计算企业综合绩效评价样本点的输出误差， 若Ep小于给定的收敛值，转步骤5，否则转步骤2。BP神经网络学习训练完成，得到一个已经训练好的BP网络。
步骤5：确定企业综合绩效评价指标的权重ω\-ij ，结合企业综合绩效评价指标体系和企业综合绩效评价BP网络的对应关系，即可确定各指标的权重，明确目标企业综合绩效的主要影响因素，为企业综合绩效的控制提供主要依据。将目标企业综合绩效评价指标的具体值作为训练好的BP模型的输入， 可得目标企业的企业绩优度，再与评价时规定的企业的战略设定的目标值或行业内的优秀企业相比较，即可确定目标企业绩优度的类别和水平。
但是BP算法的主要缺点是收敛速度慢、局部极值、难以确定隐层和隐节点的个数。这使企业绩效评价难以迅速地得到自己的结果。
3.结论
神经网络具有模拟人类部分形象思维的能力，是模拟人工智能的一条重要途径。它研究如何使机器具有人的感知、如何设计智能机器，是人工智能研究并最终研制智能机器的一个组成部分。
利用BP网络的自适应、自学习能力和处理信息的高度并行性，我们选取反映企业4个方面的指标构成整体评价体系，在企业历史数据基础上应用BP神经网络评价当前的企业的效绩大小，从而使得相似问题的处理同时进行，特别适于实时控制和动态控制， 避免了评价过程中人为的改变标准值和确定权重的主观性因素，使建立的企业效绩综合评价体系更为客观。但是由于在财务分析中用于分析绩效的指标因企业的不同而不同，从而对各指标的重视程度不同，各个企业的具体情况不同，针对各个企业的情况建立统一的模型可能不大，会影响模型评价针对单个企业的准确性。因此，在实际的评价中，尽量选取更多的样本，在特殊情况下对神经网络进行调整，将神经网络与效绩评价方法相结合，以达到更好的评价效果。
参考文献：
[1]赵全超，赵国杰，王举颖，基于BP 神经网络模型的企业综合绩效评价方法研究[J]，天津理工学院学报，2004(6)
[2]汪嘉杨，王卓，基于BP神经网络的企业绩效评价方法[J]，成都信息工程学院学报，2004(3)
[3]张新红，郑丕鄂.基于神经网络的管理信息系统综合评价方法[J].系统工程学报，2002(5)
[4]李 武. 企业绩效评价方法[J ] . 企业经济，2002(12)
[5]艾文国. ERP 环境下企业绩效评价体系研究[J ] . 中国软科学，2003(2)
[6]张剑湖， 叶峰，人工神经网络的模型、特征及其发展方向[J]，现代电子技术，2004(12)
[7]魏海坤，神经网络结构设计的理论与方法[M]，北京，国防工业出版社，2005
[8]邢文训，谢金星，现代优化计算方法[M]，北京，清华大学出版社，2001
(作者通讯地址：山东经济学院 济南 250014)
注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”