关于中小企业绩效评价的研究

韦雅君

【摘要】对企业绩效进行考核评价，有财务指标和非财务指标两个角度。基于中小企业财务核算特点，本文用管理视角进行评价。首先，深入分析影响企业绩效评价的因素，将各因素加以量化建立考评指标体系，接着借助于层次分析法、BP神经网络、模糊综合评价等方法对企业绩效进行评价，最后结合中环艾能公司对建立的评价模型进行实际应用分析。分析表明，其评价结果更加全面、符合实际情况，有助于提升企业的绩效管理水平和持续发展能力。

【关键词】BP神经网络 绩效评价 非财务指标 AHP

1引言

目前，中小企业管理模式处于从经验管理阶段向科学管理阶段过渡时期，其绩效考评体系由于量化目标的对应性差及评估的客观性、主观性的量度不易掌握而难以真正的发挥效用。传统上企业绩效评价有财务视角和管理视角两个维度，鉴于中小企业财务核算的特点，笔者认为运用科学的评价管理工具，从管理视角进行评价是对财务指标绩效评价的有益补充。目前比较成熟的绩效评价工具有关键指标法（KPI体系）、经济增加值法（EVA）和平衡计分卡等。本文在此基础上，尝试借助于层次分析法、BP神经网络、模糊综合评价等方法对企业绩效进行评价。这就涉及到一个问题，如何构建评价企业绩效信息的模型，也就是本文要研究的课题。

2企业绩效评价模型

2.1指标体系建立

建立指标体系的关键一环是：合理地选择和确定有代表性的、能全面反映评估对象本质的指标。指标的选取不仅关系到整个体系构建的合理性，更关系到最终评价结果准确性和可操作性。本文在建立企业绩效评价指标体系时遵循客观性、全面性、系统性、相互独立性、动态性和可比较性等原则，深入分析各个指标的内涵，通过研究、比较和筛选，运用层次分析法建立企业绩效评价指标体系如下：

邀请有责任感专家参与估计判断数，一般来说，判断矩阵的估计数值科学与否直接关系到决策质量，因此人员结构与专家数目应该特别慎重。本次调查以电子邮件和书面形式发送问卷，共发放问卷100份，回收98份，回收率98%，合格问卷为95份，有效率为97%，符合层次分析法的要求。运用AHP的相关软件对影响企业绩效评价的因素赋予权重，得到的结果如下：  2.2 BP神经网络

BP网络的结构如图1所示。由图可见，多层BP神经网络不仅有输入节点、输出节点，而且有一层或多层隐节点。相邻上下层之间各神经元实现全连接，即下层的每个神经元与上层的每个神经元都实现权连接，而每层各神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际输出之间误差的方向，从输出层反向经过各中间层回到输入层，从而逐层修正各连接权值，这种算法称为“误差反向传播算法”，即BP算法。随着这种误差逆向的传播修正不断进行，网络对输入模式响应的正确率也不断上升。

3企业绩效评价的BP神经网络模型

3.1样本描述及定量化

从评价指标体系来看，绝大部分的指标为定性指标，难于用数量表示，因此，在实际评价工作中，对所有指标，首先由专家先做定性评价，然后设法予以量化。在各个专家分别对各个指标进行考核完并且评出定性等级之后我们对评语进行相应量化。量化标准见表3。论文采用评语集V=（优秀，良好，中等，合格，较差）五个等级的模糊评价标准。评分表为表3所示：

3.2 BP网络模型的建立

根据映射定理可构造一个包括输入层、隐含层和输出层的三层BP网络。将11个项目的企业绩效指标作为BP网络的11个输入节点，隐层节点数目的多少直接影响神经网络的计算精度，若节点太少，网络的非线性功能和容错能力差，而若节点过多，又使学习时间增加，学习误差也不一定最佳。為了使隐含层节点更合适，本文经过多次试算并比较各种模型训练后所得的误差大小，最终将隐含层节点数定为12。而BP网的输出节点只有一个，该节点用来表示综合评价总指标。

3.3 BP网的训练与检测

搜集的10个方案的企业指标专家打分结果标准化后得到的评价数据见表4，其中，Z表示综合评价指标。

为了进一步检验该网络模型的精确性，将表3中第8组、第9组作为检验样本。BP网络模型的检测样本输出的综合评价结果与期望输出结果见表5。

由表5的结果可知，检验样本的网络输出与期望输出结果基本相符，所以该网络模型能够应用于企业绩效的综合评价。

本文用表4中的第10组中环艾能进行敏感性分析，将其输入BP网络求解，得到评价值为0.8216。当各企业指标因素分别变化+10%和-10%时，应用神经网络模型，可以得出变化后的企业绩效评价值。由分析结果可以看出，综合评价结果对工作积极性最为敏感。因此，在企业绩效评价管理时，要特别重视对员工工作积极性的培养。

4结束语

企业对员工绩效的影响往往是隐形的，它是一个软指标，所起的作用不好量化。而且，影响企业绩效评价的因素很多，这些因素均具有一定的不确定性。神经网络是通过历史数据进行学习的，企业绩效神经网络模型的执行情况很大程度上取决于历史数据的数量和质量。历史数据越多，预测误差越小。由于神经网络具有高度的容错性，因而对于过去的数据资料中由于人为的或其它因素造成的偏差有自动纠偏功能;此外由于神经网络是并行处理数据的，因而其处理速度相当快，这点满足了管理上要求快速决策的需要，实践证明它在进行企业绩效评价时是十分有效的。

参考文献：

[1]W.S. Humphrrey， W.L Sweet. A method for assessing the software engineering capability of contractors[N].USA，SEI Technical Report（SEI-87-TR-23），1989.

[2]刘钊，蒋民孝.基于神经网络的数据挖掘研究[J].计算机工程与应用，2004， 40（3）：172-173.

[3]王雪华.两种层次结构化决策方法的理论与应用研究—AHP与AIM[D].大连理工学院博士论文，2000.

[4]刘国靖，邓韬.21世纪新项日答理—理念、体系、流程、方法、实践[M].北京：清华大学出版社，2003.

[5]何操.项目管理中企业的作用[N].国家电网报，2007-11-21（8）.