论文部分内容阅读
摘 要：应用模糊数学中的BP神经网络理论对员工绩效进行综合评价，弱化了指标权重确定的主观性，保证了评价结果的客观性和准确性。
关键词：员工绩效；BP神经网络；模糊综合评判
中图分类号：TP393文献标识码：A文章编号：1672-3198（2008）04-0025-01
1 建立评价指标体系的层次结构模型
对员工绩效进行评估分析，指标选择与指标系统的构建非常重要，直接关系到研究结论的科学性、客观性、准确性与可靠性，关系到能否为决策部门提供一个量化的、具有可操作性的依据。为科学、客观、公正、全面地反映企业员工绩效水平，选取和构建评估指标系统时应遵循以下原则：
（1）全面性。企业的员工绩效系统是由多因素构成的多层次的组织系统，受到系统内外众多因素的影响和制约。其指标体系范围广、信息量大，这就要求我们在选择指标时必须尽量全面地选择各级各类指标，以免遗漏某些重要的信息，造成片面性，从而导致评估结果的非科学性。
（2）简洁性。选择指标系统要遵循全面性的原则，但同时也要考虑指标的典型性和代表性，尽量使含义相同或相近的指标不被选入，做到指标尽可能少，而信息量尽可能大，把全面性和简洁性有机地结合起来，以避免重复、繁琐而造成评估时的多重共线或序列相关。
（3）系统性。企业的员工绩效系统是一个由具有一定结构和功能的要素构成的有机整体，其指标系统并不是静止的、绝对的，而是一个相对的、不断发展变化的系统。因此，应使指标系统具有整体性、动态性和系统性，以保证指标系统能够适应动态发展变化的需要而进行相应的适当调整。
2 指标的模糊处理
多目标决策问题涉及到许多指标，各指标的量纲不同，难以直接进行比较。为使各指标之间具有可比性，需要对指标进行标准化处理。因此在综合评价前，应先将评价指标属性值统一变换到［0，1］范围内，即对各指标的属性进行模糊处理。
2.1 定量指标的模糊处理
一般而言，定量指标主要包括以下几种类型：①效益型：指标的属性值越大越优；②成本型：指标的属性值越小越优；③定值型：指标的属性值为某一定值时最优；④区间型：指标的属性值在某一固定区间内为优。
设指标ui的论域为di=［mi,Mi］，其中mi和Mi分别表示ui的最小值和最大值，其中点为M(di)。并定义决策者对评价指标Ui的属性值Xpi的满意度为rpi=μdi(xpi),i=1,2,…，n，其中，rpi∈［0,1］，μdi(·)是定义在论域di上的指标ui的属性值无量纲化的隶属函数。
各种类型指标的隶属函数分别为：
2.2 定性指标的模糊处理
对于那些只能进行定性判定的指标，则采用选择评价等级隶属度的方法确定，从而将定性的描述有效地转化为定量的判定。这样，任一评价指标属性值xp=(xp1,xp2,…xpn)经上述方法标准化后均可形成评价向量（隶属度向量）rp=(rp1,rp2,…rpn)。本文采用评价等级（优、良、中、较差、差）隶属度的方法确定，其方法为：
设评价指标Ui相对于指标评价等级A＝（优、良、中、较差、差）的隶属度向量为ri=(ri1,ri2,…ri5)，设B＝(B1，B2，…B5)T，Bj表示第j级评价相对应的尺度，通过尺度集可将模糊变量的隶属度向量综合为一个标量，实际上，V=riB即为定性评价指标在给定尺度B下的量化值。
本文在用神经网络综合评价时，作为各学习样本的期望输出变量，量化时采用的标准尺度为：B＝（0.9，0.7，0.5，0.3，0.1）T。
3 基于BP神经网络的员工绩效评价模型
3.1 员工绩效评价中神经网络的基本结构及其学习算法
神经网络是由大量的神经元广泛互联而成的网络，它反映了人脑功能的许多基本特性，具有大量大规模并行、分布、存储、处理、自适应、自组织、自学习能力，因此而积累知识和经验，从而不断修正自己的知识，尤其适用于处理同时涉及到众多因素和条件的模糊信息问题。BP网络是单向传播的多层网络，它是一个由输入层，中间隐含层和输出层三个网络层次组成的模型，各层次的神经元间形成全互连连接，同层次内的神经元没有连接。根据本文对员工绩效的定义及对其评价指标的描述，采用BP神经网络结构建立评价模型。
该模型的学习算法原理：输入值先向前传播到隐单元，经作用函数运算后，再把隐单元的输出信息传播到输出单元，最后得到输出值。运算时把各个评价指标的最终量化处理结果作为网络的输入值，对网络进行训练。w1，w2，wm是网络隐含层的输出值，网络只有一个输出值Op，输入单元i到隐单元j的权重是wij，而隐单元j到输出单元的权重是wj，另外用 和 分别表示输出单元和隐单元的阈值。各个单元的输入和输出值可以用下面的公式计算：
在运用此模型进行评价的过程中，输入值和输出值的确定是关键：①确定输入值：根据评价指标体系及各指标的评价值，依据本文提出的模糊量化方法得出评价指标的量化值，作为神经网络的输入值；②确定输出值：运用层次分析法确定各个层次指标的权重，结合二阶模糊综合评价方法分别计算出各个神经网络训练的输出值。
3.2 员工绩效评价神经网络模型的实现
利用神经网络方法对员工绩效评价的步骤如下：
①按照评价的实际需要建立起评价指标体系，构成神经网络的输入区域。
②将各指标的评价值进行模糊处理后，作为神经网络的训练样本集。
③启动神经网络进行学习，经过反复迭代直到收敛到相应的精度条件，储存学习好的神经网络综合评价模型。
④将标准化的评价矩阵输入设计好的神经网络模型，即可得出评价结果。
4 结论
本文将基于三层神经元的模糊评价模型运用于员工绩效的评价之中，弱化了评价过程中的随机性和评价人员确定指标权重的主观性，保证了评价结果的客观性和科学性，且该网络一旦训练完善后就可以用于解决同类问题，具有较强的广泛适用性。
参考文献
［1］ 陈明.神经网络模型［M］.大连：大连理工大学出版社，1995.
［2］徐丽娜.神经网络控制［M］.北京：电子工业出版社，2003.
关键词：员工绩效；BP神经网络；模糊综合评判
中图分类号：TP393文献标识码：A文章编号：1672-3198（2008）04-0025-01
1 建立评价指标体系的层次结构模型
对员工绩效进行评估分析，指标选择与指标系统的构建非常重要，直接关系到研究结论的科学性、客观性、准确性与可靠性，关系到能否为决策部门提供一个量化的、具有可操作性的依据。为科学、客观、公正、全面地反映企业员工绩效水平，选取和构建评估指标系统时应遵循以下原则：
（1）全面性。企业的员工绩效系统是由多因素构成的多层次的组织系统，受到系统内外众多因素的影响和制约。其指标体系范围广、信息量大，这就要求我们在选择指标时必须尽量全面地选择各级各类指标，以免遗漏某些重要的信息，造成片面性，从而导致评估结果的非科学性。
（2）简洁性。选择指标系统要遵循全面性的原则，但同时也要考虑指标的典型性和代表性，尽量使含义相同或相近的指标不被选入，做到指标尽可能少，而信息量尽可能大，把全面性和简洁性有机地结合起来，以避免重复、繁琐而造成评估时的多重共线或序列相关。
（3）系统性。企业的员工绩效系统是一个由具有一定结构和功能的要素构成的有机整体，其指标系统并不是静止的、绝对的，而是一个相对的、不断发展变化的系统。因此，应使指标系统具有整体性、动态性和系统性，以保证指标系统能够适应动态发展变化的需要而进行相应的适当调整。
2 指标的模糊处理
多目标决策问题涉及到许多指标，各指标的量纲不同，难以直接进行比较。为使各指标之间具有可比性，需要对指标进行标准化处理。因此在综合评价前，应先将评价指标属性值统一变换到［0，1］范围内，即对各指标的属性进行模糊处理。
2.1 定量指标的模糊处理
一般而言，定量指标主要包括以下几种类型：①效益型：指标的属性值越大越优；②成本型：指标的属性值越小越优；③定值型：指标的属性值为某一定值时最优；④区间型：指标的属性值在某一固定区间内为优。
设指标ui的论域为di=［mi,Mi］，其中mi和Mi分别表示ui的最小值和最大值，其中点为M(di)。并定义决策者对评价指标Ui的属性值Xpi的满意度为rpi=μdi(xpi),i=1,2,…，n，其中，rpi∈［0,1］，μdi(·)是定义在论域di上的指标ui的属性值无量纲化的隶属函数。
各种类型指标的隶属函数分别为：
2.2 定性指标的模糊处理
对于那些只能进行定性判定的指标，则采用选择评价等级隶属度的方法确定，从而将定性的描述有效地转化为定量的判定。这样，任一评价指标属性值xp=(xp1,xp2,…xpn)经上述方法标准化后均可形成评价向量（隶属度向量）rp=(rp1,rp2,…rpn)。本文采用评价等级（优、良、中、较差、差）隶属度的方法确定，其方法为：
设评价指标Ui相对于指标评价等级A＝（优、良、中、较差、差）的隶属度向量为ri=(ri1,ri2,…ri5)，设B＝(B1，B2，…B5)T，Bj表示第j级评价相对应的尺度，通过尺度集可将模糊变量的隶属度向量综合为一个标量，实际上，V=riB即为定性评价指标在给定尺度B下的量化值。
本文在用神经网络综合评价时，作为各学习样本的期望输出变量，量化时采用的标准尺度为：B＝（0.9，0.7，0.5，0.3，0.1）T。
3 基于BP神经网络的员工绩效评价模型
3.1 员工绩效评价中神经网络的基本结构及其学习算法
神经网络是由大量的神经元广泛互联而成的网络，它反映了人脑功能的许多基本特性，具有大量大规模并行、分布、存储、处理、自适应、自组织、自学习能力，因此而积累知识和经验，从而不断修正自己的知识，尤其适用于处理同时涉及到众多因素和条件的模糊信息问题。BP网络是单向传播的多层网络，它是一个由输入层，中间隐含层和输出层三个网络层次组成的模型，各层次的神经元间形成全互连连接，同层次内的神经元没有连接。根据本文对员工绩效的定义及对其评价指标的描述，采用BP神经网络结构建立评价模型。
该模型的学习算法原理：输入值先向前传播到隐单元，经作用函数运算后，再把隐单元的输出信息传播到输出单元，最后得到输出值。运算时把各个评价指标的最终量化处理结果作为网络的输入值，对网络进行训练。w1，w2，wm是网络隐含层的输出值，网络只有一个输出值Op，输入单元i到隐单元j的权重是wij，而隐单元j到输出单元的权重是wj，另外用 和 分别表示输出单元和隐单元的阈值。各个单元的输入和输出值可以用下面的公式计算：
在运用此模型进行评价的过程中，输入值和输出值的确定是关键：①确定输入值：根据评价指标体系及各指标的评价值，依据本文提出的模糊量化方法得出评价指标的量化值，作为神经网络的输入值；②确定输出值：运用层次分析法确定各个层次指标的权重，结合二阶模糊综合评价方法分别计算出各个神经网络训练的输出值。
3.2 员工绩效评价神经网络模型的实现
利用神经网络方法对员工绩效评价的步骤如下：
①按照评价的实际需要建立起评价指标体系，构成神经网络的输入区域。
②将各指标的评价值进行模糊处理后，作为神经网络的训练样本集。
③启动神经网络进行学习，经过反复迭代直到收敛到相应的精度条件，储存学习好的神经网络综合评价模型。
④将标准化的评价矩阵输入设计好的神经网络模型，即可得出评价结果。
4 结论
本文将基于三层神经元的模糊评价模型运用于员工绩效的评价之中，弱化了评价过程中的随机性和评价人员确定指标权重的主观性，保证了评价结果的客观性和科学性，且该网络一旦训练完善后就可以用于解决同类问题，具有较强的广泛适用性。
参考文献
［1］ 陈明.神经网络模型［M］.大连：大连理工大学出版社，1995.
［2］徐丽娜.神经网络控制［M］.北京：电子工业出版社，2003.