18.田江慧(计算机)论文 29页

成人高等教育本科生毕业论文(设计)题目：基于神经网络的企业综合绩效　　　　　　　　　评价方法研究　　　　　　　学生姓名：　　田江慧　　　　学　　号：　　201310800019　　系　　别：　　计算机　　　　专　　业：　　计算机科学与技术　学习形式：　　函授　　　　指导教师：　　曾山青　　　　　　起止日期：　2014.11--2015.062015年6月18日n怀化学院成人高等教育毕业论文(设计)评分标准评价基元评价要素评价内涵满分值选题质量25%目的明确符合要求符合培养目标，体现学科、专业特点和教学计划的基本要求，达到毕业论文（设计）综合训练的要求。10理论意义或实际价值符合本学科的理论发展，有一定的学术意义；对经济建设和社会发展的应用性研究中的某个理论或方法问题进行研究，具有一定的实际价值。10选题确当题目规模适当，难易度适中；有一定的科学性。5能力水平40%检阅文献资料能力能独立检阅相关文献资料，归纳总结本论文所涉及的有关研究状况及成果。10综合运用知识能力能运用所学专业知识阐述问题。能对查阅的资料进行整理和运用。能对其科学论点进行论证。10研究方案的设计能力整体思路清晰；研究方案合理可行。5研究方法和手段的运用能力能运用本学科常规研究方法及相关研究手段进行实验、实践并加工处理，总结信息。10外文应用能力能阅读、翻译一定量的本专业外文资料、外文摘要和外文参考书目（艺术类等专业除外）体现一定的外语水平。5论文质量35%文题相符较好地完成论文选题的目的要求。5写作水平论点鲜明，论据充分，条理清晰，评议流畅。15写作规范符合科学论文的基本要求。用语、格式、图表、数据、量和单位，各种资料引用的规范化（符合标准）。10论文篇幅文科6000字左右，理工科5000字。5说明：成绩等级：90分－100分为“优秀”；80分－89分为“良好”；70分－79分为“中等”；60分－69分为“及格”；60分以下为“不及格”。n怀化学院2015届成人教育毕业论文（设计）课题开题报告院(系)：专业：计算机科学与技术学生姓名田江慧学号201310800019班级2013级计算机班课题名称基于神经网络的企业综合绩效评价方法研究课题所属领域的现状在信息、知识经济时代,企业之间的竞争在空间上得到延伸,在时间上得到加强,企业要想得到长期的生存和持续的发展,必须注重自身的发展战略管理.因此,企业需要一整套全面、客观的综合绩效评价体系,通过衡量的内容以及与此相联系的激励机制引导企业经营者和员工的行为,通过衡量的结果来检验和修正企业的发展战略,对企业发展战略的实施效果进行评价,进而为发展战略和经营策略的调整提供依据。企业经营绩效评价是一个复杂项目的评价,涉及企业的方方面面。针对企业所开展的绩效评价应当在运用系统评价模型进行无量纲处理的基础上,采取定性分析和定量分析相结合,搜集、整理、分析大量企业经营活动的规模、水平、结构、效益。应当了解系统结构、子系统协同以及系统功能在系统环境作用下的演化规律,充分反映出评价对象在一定时间、地点和条件下的具体状态和作用。企业投资者和经营者需要对企业的财务状况做出综合评价,以此作为投资和经营决策的依据。课题重点难点和特色训练好的BP神经网络可以简便有效地对企业当期经营绩效做项目后评价,也可以对企业经营绩效仿真预测。在实际操作中,确定评价标准,选取行业优秀值,可以进行同类企业的横向比较分析,掌握企业在行业内的经营现状。神经网络方法避免了评价过程中人为确定标准值和权重的主观性因素影响,借助于神经网络的自学习、自适应能力和容错性强等特点,建立更为客观的企业绩效综合评价体系,评价结果更加客观准确,为经营决策提供了重要的参考依据。计划进度1、下达任务2014年11月10日前完成5、论文写作2015年03月10日前完成2、论文选题2014年12月01日前完成6、论文指导2015年04月10日前完成3、指导教师2014年12月01日前完成7、论文评阅2015年04月15日前完成4、开题报告2015年01月01日前完成8、论文答辩2015年06月15日前完成指导教师意见同意开题！签名：年月日教研室意见同意开题！签名年月日说明：开题报告作为毕业设计（论文）答辩委员会对学生答辩资格审查的依据材料之一，此报告应在导师指导下，由学生填写，将作为毕业设计（论文）成绩考查的重要依据，经导师签署意见及教研室审查后生效。n怀化学院2015届成教毕业论文（设计）指导教师评阅表系、部：学生姓名田江慧学号201310800019班级2013级计算机班专业计算机科学与技术指导教师姓名曾山青课题名称基于神经网络的企业综合绩效评价方法研究评语：（包括以下方面，限200字以上）1、学习态度、工作量完成情况；2、检索和利用文献能力、外文翻译和计算机应用能力；3、学术水平或技术水平、综合运用知识能力和创新能力；是否同意论文送审同意论文送审指导教师签字：年　月　日n怀化学院2015届成教毕业论文（设计）评阅教师评阅表系、部：学生姓名田江慧学号201310800019班级2013级计算机班专业计算机科学与技术评阅教师姓名论文题目基于神经网络的企业综合绩效评价方法研究评语：（包括以下方面）对论文学术评语（包括选题意义；文献利用能力；所用资料、实验数据和计算结果可靠性；创新成果及写作规范化和逻辑性。注意对其中可能存在的剽窃、论据作假等把好关，如果发现请详细说明）选题质量优（　），良（　），中（　），及格（　），不及格（　　）能力水平优（　），良（　），中（　），及格（　），不及格（　　）论文质量优（　），良（　），中（　），及格（　），不及格（　　）综合评价等级是否同意参加答辩同意参加答辩评阅人（签名）：年月日n怀化学院2015届成教毕业论文（设计）答辩成绩评定表系、部（公章）：学生姓名田江慧学号201310800019班级2013级计算机班答辩日期06.13论文题目基于神经网络的企业综合绩效评价方法研究指导教师曾山青成绩评定等级评定总评教师1教师2教师3教师4教师5课题介绍思路清晰，语言表达准确，概念清楚，论点正确，实验方法科学，分析归纳合理，结论严谨，设计（论文）有应用价值。优秀良好中等及格不及格答辩表现思维敏捷,回答问题有理论根据，基本概念清楚，主要问题回答准确大、深入,知识面宽。必答题优秀良好中等及格不及格自由提问优秀良好中等及格不及格答辩综合评定等级最终评定意见：答辩委员会主任签名：年月日n基于神经网络的企业综合绩效评价方法研究ThecomprehensiveperformanceofenterprisesbasedonNeuralNetwork评价方法研究Studyonevaluationmethod姓　　名：　田江慧学　　号：　201310800019系　　别：　计算机专　　业：　计算机科学与技术学习形式：　函授指导教师：　曾山青起止日期：　2014.11--2015.06（注：①汉字标题用小二号字、黑体；英文题目用小三号字。②姓名、学号等用三号宋体。）n基于神经网络的企业综合绩效评价方法研究姓名：田江慧学号：201310800019专业：计算机科学与技术[摘要]企业想要在瞬息万变的商业环境和激烈的竞争中长期生存和持续发展，需要一套全面、客观的综合绩效评价体系。通过衡量的内容以及与此相联系的激励机制引导企业的经营者和员工的行为；通过衡量的结果来检验和修正企业的发展战略，对企业发展战略的实施效果进行评价，进而为发展战略和经营策略的调整提供情报依据。基于BP神经网络模型的企业综合绩效评价方法，能够充分利用样本指标的有关信息。它通过高度的非线性映射，揭示企业综合绩效与其相关影响因素之间的内在作用机理，从而从根本上克服了企业综合绩效评价中的建模及求解的困难。该方法具有自学习性、自适应性和很强的容错性，而且对整个评价过程与步骤非常容易编程实现并在计算机上进行运算分析，因而具有较高的合理性与适用性。它只需要将处理的数据输入到网络中通过计算即可产生结果，不需人为的确定权重，有效的减少评价过程中的人为困素，提高评价的可靠性，使评价更为有效、客观。[关键词]神经网络；BP算法；企业综合绩效评价；自学习；自适应nAbstractTheenterprisewantstobelong-termsurvivalandsustaineddevelopmentinfastchangingbusinessenvironmentandthefiercecompetition,acomprehensive,objectiveandcomprehensiveperformanceevaluationsystemisneeded.Bymeasuringthecontentaswellasassociatedwiththeincentivemechanismtoguidetheoperatoroftheenterpriseandemployeebehavior;bymeasuringtheresultstotestandrevisethedevelopmentstrategyoftheenterprise,toappraisetheeffecttheenterprisedevelopmentstrategyimplementation,andthanprovideinformationbasisforthedevelopmentofstrategyandbusinessstrategyadjustment.TheintegratedevaluationmethodforenterpriseperformancebasedontheBPneuralnetworkmodelcanmakefulluseoftheinformationaboutthesampleindex.Itrevealstheenterpriseintegratedperformanceandcorrelationfactorsoftheintrinsicmechanismthroughthehighlynonlinearmapping,thusfundamentallyovercomethemodelingandsolvingdifficultiesinenterpriseintegratedperformanceevaluation.Themethodnotonlyhasself-learning,adaptabilityandstrongrobustness,butalsothewholeevaluationprocessandstepsareveryeasytoprogrammingincomputerandcomputinganalysis,therebyhavinghigherrationalityandapplicability.Itonlyneedtoprocessthedatainputtothenetworktoproducetheresultsbycalculation,withoutartificialweights,reduceevaluationintheprocessofhumanfactorseffectively,improvethereliabilityofevaluation,makeevaluationmoreeffectiveandobjective.Keywords:neuralnetwork;BPalgorithm;integratedevaluationforenterpriseperformance;self-learning;adaptiven目录摘要---------------------------------------------------------------------------------------IAbstract----------------------------------------------------------------------------------II1引言------------------------------------------------------------------------------------12BP算法的概述----------------------------------------------------------------------22.1BP神经网络的提出-------------------------------------------------------------22.2BP神经网络结构----------------------------------------------------------------22.3BP神经网络原理----------------------------------------------------------------32.3.1基本BP算法公式推导-------------------------------------------------32.3.2基本BP算法的缺陷----------------------------------------------------62.3.3BP算法的改进-----------------------------------------------------------72.3.4网络的设计---------------------------------------------------------------83企业综合绩效评价指标体系的构建-------------------------------------103.1传统企业绩效管理体系的局限性------------------------------------------103.2以平衡计分卡为基础构建企业综合绩效评价指标体系--------------103.3构建企业综台绩效评价体系应注意的问题-----------------------------114基于BP神经网络的企业绩效综合评价方法------------------------134.1BP神经网络在企业绩效评价中应用的基本方法-----------------------134.2企业综合绩效评价的BP神经网络模型----------------------------------134.3基于BP神经网络模型的企业综合绩效评价步骤----------------------144.4仿真-----------------------------------------------------------------------------164.4.1BP神经网络学习------------------------------------------------------164.5.2学习结果----------------------------------------------------------------174.5.3测试内容----------------------------------------------------------------185总结与展望------------------------------------------------------------------------19参考文献--------------------------------------------------------------------------------20致谢----------------------------------------------------------------------------------------21附录----------------------------------------------------------------------------------------22n1引言由于单层感知机模型只能解决线性可分的分类问题，因此，引入了多层感知机模型。尽管多层感知机能够解决“异或”这样的非线性分类问题，但是由于感知机学习算法的限制，其模式分类能力仍然非常有限，因此必须寻找适合于反馈的、内层无互连多层结构神经网络的学习算法，以使其隐含层处理单元具有学习能力，从而提高其模式分类能力。误差反向学习传播（ErrorBackPropagation，BP）学习算法正是这样的一种学习算法。在信息、知识经济时代,企业之间的竞争在空间上得到延伸,在时间上得到加强,企业要想得到长期的生存和持续的发展,必须注重自身的发展战略管理。因此,企业需要一整套全面、客观的综合绩效评价体系,通过衡量的内容以及与此相联系的激励机制引导企业经营者和员工的行为,通过衡量的结果来检验和修正企业的发展战略,对企业发展战略的实施效果进行评价，进而为发展战略和经营策略的调整提供依据。为此，本文提出基于BP神经网络模型的企业综合绩效评价方法，该方法具有自学习性、自适应性和很强的容错性，而且对整个评价过程与步骤非常容易编程实现并在计算机上进行运算分析，因而具有较高的合理性与适用性，能有效的减少评价过程中的人为困素，提高评价的可靠性。2BP算法的概述2.1BP神经网络的提出单层感知机模型及其学习算法的提出，曾经使人工神经网络的研究迈出了历史的一步。尽管单层感知机模型具有很出色的学习和记忆功能，但是他仍然只能对线性分类模式进行识别，对非线性分类模式的识别则无能为力，甚至不能解决“异或”这样简单的非线性运算问题。当人们已经发现，造成单层感知机模型不具有非线性分类能力的主要原因是由于没有隐含层对输入模式进行内部表示，因此，一些研究者在输入层和输出层之间曾加了一个或多个隐含层，即形成了多层感知机模型，解决了“异或”这样一些简单的非线性分类问题，提高了神经网络模型分类能力。但是由于多层感知机模型采用的仍然是单层感知机模型的学习算法，隐含层神经元并不具备学习能n力，因此仍然存在着很大的局限性，从而并未得到广泛的应用。当时的研究者一直在致力于寻找适合于多层感知机模型的行之有效的学习算法，但是都未能得到满意的结果，使得人们对是否产生相应的学习算法产生了怀疑，也因此使人们对人工神经网络的前途产生了怀疑，并导致人工神经网络的研究进入了低谷期。尽管寻找层神经网络算法的工作进展缓慢，但是人工神经网络的无限魅力仍然吸引着众多致力于此的学者。通过艰苦的探索，终于有学者在多层神经网络学习算法的研究中寻找到了一条新的思路。1996年，以Rumelhart和McCelland为首的科学家小组在《并行分布式处理》一书中，对误差反向传播算法进行了详尽的分析与介绍，并对BP算法的潜在能力进行深入探讨，实现了当年Minsky关于多层神经网络的设想[1]。2.2BP神经网络结构典型的BP神经网络适是一种具有三层或三层以上结构的无反馈的。内层无互连结构的前向网络，其中首尾两层分别称为输入层和输出层，中间各层称为隐含层（也称中间层）。神经元在BP神经网络各层中为全连接关系，其中的各个神经元之间无连接。BP神经网络采用有指导的学习方式进行训练和学习，即当一队学习模式提供给BP神经网络后，神经元的激活值从输入层经各个隐含层向输出层传播、在输出层的各个神经元获得网络的实际输出响应。通过比较输出层各个神经元的实际输出与期望输出，获得二者之间的误差，然后按照减小误差的的方向，从输出层经各个隐含层并逐层修正各个连接权值，最后回到输出层。这种“正向计算输出——反向传播误差”的过程不断重复进行，直到误差降至可以接受的范围，BP神经网络的学习训练过程也就随之结束。正是因为BP神经网络随着误差反向传播不断进行修正，从而不断提高对输入模式识别的正确率，因此，BP神经网络采用的学习算法称之为误差反向传播算法，是一种误差函数梯度下降的学习算法。2.3BP神经网络原理2.3.1基本BP算法公式推导基本BP算法包括两个方面：信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。n………………输出变量输入变量输入层隐含层输出层图2-1BP网络结构图中：表示输入层第个节点的输入，j=1,…,M；表示隐含层第i个节点到输入层第j个节点之间的权值；表示隐含层第i个节点的阈值；表示隐含层的激励函数；表示输出层第个节点到隐含层第i个节点之间的权值，i=1,…,q；表示输出层第k个节点的阈值,k=1,…,L；表示输出层的激励函数；表示输出层第个节点的输出。（1）信号的前向传播过程隐含层第i个节点的输入neti：（2-1）隐含层第i个节点的输出yi：（2-2）输出层第k个节点的输入netk：（2-3）输出层第k个节点的输出ok：（2-4）（2）误差的反向传播过程n误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。对于每一个样本p的二次型误差准则函数为Ep：（2-5）系统对P个训练样本的总误差准则函数为：（2-6）根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量。；；；（2-7）输出层权值调整公式：（2-8）输出层阈值调整公式：（2-9）隐含层权值调整公式：（2-10）隐含层阈值调整公式：（2-11）又因为：（2-12），，，（2-13）n（2-14）（2-15）（2-16）所以最后得到以下公式：（2-17）（2-18）（2-19）（2-20）n结束参数初始化：最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率等批量输入学习样本并且对输入和输出量进行归一化处理计算各层的输入和输出值计算输出层误差E(q)E(q)<ε修正权值和阈值YesNYes开始图2-2BP算法程序流程图2.3.2基本BP算法的缺陷BP算法因其简单、易行、计算量小、并行性强等优点，目前是神经网络训练采用最多也是最成熟的训练算法之一。其算法的实质是求解误差函数的最小值问题，由于它采用非线性规划中的最速下降方法，按误差函数的负梯度方向修改权值，因而通常存在以下问题：学习效率低，收敛速度慢；易陷入局部极小状态。2.3.3BP算法的改进n2.3.3.1附加动量法附加动量法使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响。在没有附加动量的作用下，网络可能陷入浅的局部极小值，利用附加动量的作用有可能滑过这些极小值。该方法是在反向传播法的基础上在每一个权值（或阈值）的变化上加上一项正比于前次权值（或阈值）变化量的值，并根据反向传播法来产生新的权值（或阈值）变化。带有附加动量因子的权值和阈值调节公式为：其中k为训练次数，mc为动量因子，一般取0.95左右。附加动量法的实质是将最后一次权值（或阈值）变化的影响，通过一个动量因子来传递。当动量因子取值为零时，权值（或阈值）的变化仅是根据梯度下降法产生；当动量因子取值为1时，新的权值（或阈值）变化则是设置为最后一次权值（或阈值）的变化，而依梯度法产生的变化部分则被忽略掉了。以此方式，当增加了动量项后，促使权值的调节向着误差曲面底部的平均方向变化，当网络权值进入误差曲面底部的平坦区时，di将变得很小，于是,从而防止了的出现，有助于使网络从误差曲面的局部极小值中跳出。根据附加动量法的设计原则，当修正的权值在误差中导致太大的增长结果时，新的权值应被取消而不被采用，并使动量作用停止下来，以使网络不进入较大误差曲面；当新的误差变化率对其旧值超过一个事先设定的最大误差变化率时，也得取消所计算的权值变化。其最大误差变化率可以是任何大于或等于1的值。典型的取值取1.04。所以，在进行附加动量法的训练程序设计时，必须加进条件判断以正确使用其权值修正公式。训练程序设计中采用动量法的判断条件为：，E（k）为第k步误差平方和。2.3.3.2自适应学习速率n对于一个特定的问题，要选择适当的学习速率不是一件容易的事情。通常是凭经验或实验获取，但即使这样，对训练开始初期功效较好的学习速率，不见得对后来的训练合适。为了解决这个问题，人们自然想到在训练过程中，自动调节学习速率。通常调节学习速率的准则是：检查权值是否真正降低了误差函数，如果确实如此，则说明所选学习速率小了，可以适当增加一个量；若不是这样，而产生了过调，那么就应该减少学习速率的值。下式给出了一个自适应学习速率的调整公式：，E（k）为第k步误差平方和。初始学习速率h(0)的选取范围可以有很大的随意性。2.3.3.3动量-自适应学习速率调整算法当采用前述的动量法时，BP算法可以找到全局最优解，而当采用自适应学习速率时，BP算法可以缩短训练时间，采用这两种方法也可以用来训练神经网络，该方法称为动量-自适应学习速率调整算法。2.3.4网络的设计2.3.4.1网络的层数理论上已证明：具有偏差和至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理数。增加层数可以更进一步的降低误差，提高精度，但同时也使网络复杂化，从而增加了网络权值的训练时间。而误差精度的提高实际上也可以通过增加神经元数目来获得，其训练效果也比增加层数更容易观察和调整。所以一般情况下，应优先考虑增加隐含层中的神经元数。2.3.4.2隐含层的神经元数网络训练精度的提高，可以通过采用一个隐含层，而增加神经元数了的方法来获得。这在结构实现上，要比增加隐含层数要简单得多。那么究竟选取多少隐含层节点才合适？这在理论上并没有一个明确的规定。在具体设计时，比较实际的做法是通过对不同神经元数进行训练对比，然后适当地加上一点余量。2.3.4.3初始权值的选取由于系统是非线性的，初始值对于学习是否达到局部最小、是否能够收敛及训练时间的长短关系很大。如果初始值太大，使得加权后的输入和n落在了S型激活函数的饱和区，从而导致其导数f’(n)非常小，而在计算权值修正公式中，因为，当f’(n)时，则有。这使得，从而使得调节过程几乎停顿下来。所以一般总是希望经过初始加权后的每个神经元的输出值都接近于零，这样可以保证每个神经元的权值都能够在它们的Sn型激活函数变化最大之处进行调节。所以，一般取初始权值在（-1，1）之间的随机数。2.3.4.4学习速率学习速率决定每一次循环训练中所产生的权值变化量。大的学习速率可能导致系统的不稳定；但小的学习速率导致较长的训练时间，可能收敛很慢，不过能保证网络的误差值不跳出误差表面的低谷而最终趋于最小误差值。所以在一般情况下，倾向于选取较小的学习速率以保证系统的稳定性。学习速率的选取范围在0.01-1.00之间[2]。3企业综合绩效评价指标体系的构建随着中国成功融入全球经济一体化，面对瞬息万变的商业环境，中国企业在经历巨大经济增长的同时，也面临着管理未来绩效的挑战。企业要想得到长期的生存和持续的发展，必须注重自身的发展战略管理，必须使企业具备快速了解业务并及时调整战略的能力。因此，企业需要一整套全面、客观的战略性企业绩效评价体系，从而提高运营效率，增强战略实施能力[3]。3.1传统企业绩效管理体系的局限性自从1911年泰勒《科学管理原理》一书出版，管理开始成为一门学科并不断发展。绩效测评和绩效管理问题一直是管理学关注的主要问题。传统的企业绩效管理体系有：沃尔评分法、杜邦分析法、坐标图评价法、雷达图分析法、财务报表结构指标评价法等。传统的企业绩效管理体系多是基于财务指标建立的，通常的财务指标分析主要是利用企业的财务报告，而财务报告的编制需要遵循企业会计制度。在公认会计准则下，会计收益的计算并未考虑所有资本的成本，仅仅考虑了债务资本的成本，忽略了对权益资本成本的补偿。在权责发生制会计制度下，由于会计方法的可选择性以及财务报表的编制具有相当的弹性，使得会计收益存在某种程度的失真，往往不能真实全面地反映企业的经营业绩。同时，多数传统的企业绩效管理体系是与战略相脱节，既不是依据企业发展的战略规划来设计绩效评价指标，也没有结合战略实施的要求来动态评价各个层面的绩效，从而导致企业内部纵向上下目标不一致，横向部门之间经营目标不能协同，最终导致企业战略目标无法实现，绩效管理没有发挥应有的作用。可见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存在着诸多的局限和弊病，因此需要在财务评价指标的基础上引入非财务评价指标以弥补传统财务评价的不足，将企业绩效管理体系与战略目标密切结合起来，根据企业的发展战略目标研究制定绩效评价管理体现，使绩效评价管理工作有效推动企业战略目标实施、业务流程改进、员工的成长和企业文化建设等，为提升企业的经营管理水平奠定基础。n3.2以平衡计分卡为基础构建企业综合绩效评价指标体系维度指标类别参考指标财务维度总量指标利润总额、资产总额、销售收入盈利能力净资产收益率、总资产报酬率、销售利润率、成本费用利润率运营能力总资产周转率、流动资产周转率、存货周转率、应收账款周转率偿债能力流动比率、速动比率、资产负债率、已获利息倍数、现金流动负债比率发展能力销售增长率、总资产增长率、利润增长率、资本累计率客户维度客户满意度服务满意度、价格满意度、客户保留率、新客户获得率市场份额市场占有率客户忠诚度重复购买率、新产品购买率、产品推荐率、合同履约率内部业务流程维度计划控制采购计划实现率、生产计划实现率、销售计划实现率、库存控制完成率生产制造完工准时率、产品合格率、生产能力利用率售后服务交货准确率、售后产品故障排除及时率、客户投诉率内部管理业务流程规范度、成本核算准确率、费用控制完成率学习与成长维度科研投入科研投入比率、科教投入增长率、员工培训费增长率创新能力新产品开发速率、新产品开发成功率、自主知识产权比率其他利益相关维度员工方面员工受教育程度、员工留住率、员工有效意见采纳率、员工满意程度经营者经营者满意度、经营管理水平供应商价格满意度、产品合格率关者维度政府政府支持程度社会公众公众关注度、公众形象平衡计分卡(TheBalancedSeorecad)是从各角度入手，应用一系列绩效测评指标，对企业经营思想的系统化表达。平衡计分卡是一个整合的源于企业的愿景和战略指标的新框架。它在保留以往财务指标的同时，引进了非财务指标，用顾客、内部业务流程、学习与创新三个维度的非财务指标来弥补传统的财务指标的不足和缺陷。其指标体系具有方位化、长期化、及时化、动因化等特点，并逐渐得到广泛的应用。我们在此基础之上为每一维度设计适当的评价指标，将该绩评体系在下文介绍的BP神经网络模型中进行训练、优化，并根据实际运用的效果和环境的变化及时对有关指标做出相应的调整和修正，以满足实际应用的要求。表3-1是一个可供参考的制造型企业的综合绩效评价指标体系。表3-1供参考的制造企业的综合绩效评价指标体系[4],[5]n3.3构建企业综台绩效评价体系应注意的问题在指标体系中，要注意财务指标与非财务指标的相互协调。指标体系应同时兼顾公司经营过程和结果，应包括反映企业人力资源素质变化及人员周转的指标，应与企业竞争策略相结合，应做到短期效益与长期效益相结合，尤其应注重设计反映长期效益指标。尽管非财务指标很重要，但是它并不能取代财务指标，而应当被视为财务指标的有益补充。为避免非财务指标主观性和易于操纵的特点，应当考虑加强非财务指标的可执行性和可控制性。　　　　　　　在制定业绩评价系统时，可供选择的业绩指标很多，但是并非选取的指标越多越好，过多的业绩指标的存在势必产生“信息过载”，使每个业绩指标的重要性丧失。当然，指标选取范围过小也同样存在风险，会产生系统机能失调。要对综合绩效评价体系中指标之间的因果关系进行持续的检验和改进。企业在实践中应不断积累数据并进行测试，应考虑到战略的不确定性，对那些能影响或改变战略的市场和技术变化因素进行测评，以确保因果关系的成立。如果企业完成了对业绩驱动因素的要求而未能实现预期的结果，就应重新审视因果关系的可靠性或考虑对因果关系进行调整。4基于BP神经网络的企业绩效综合评价方法4.1BP神经网络在企业绩效评价中应用的基本方法BP神经网络模型有输入层、隐含层、输出层三个层次，通过误差反向后传算法来消除误差。它是一种具有模式变换能力、自组织、自适应、自学习特点的计算机制，它具有高度的并行结构和并行实现能力，具有高速寻找优化解的能力。从输入层输入企业综合绩效评价的指标数据，经隐含层处理后传入输出层，输出结果即为评价结果。在正向传播阶段，每一层神经元的状态只影响到下一层神经元的状态。如果输出层所得到的输出结果与期望输出结果的误差超过误差允许范围，则进入误差反向后传阶段，误差信号按原来的连接通路返回，将误差进行反向传播，求出隐含层单元的一般化误差，调整各层之间的连接权值以及隐含层、输出层的阀值，使输出期望值和神经网络实际输出值的均方误差趋于最小。以足够的样本运用优化BP模型学习算法来训练此网络，训练好的网络所持有的那组权系数就是所要确定的企业综合绩效评价指标的权重。最后，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，可得目标企业的绩。n4.2企业综合绩效评价的BP神经网络模型(1)输入输出层节点的确定根据上面问题的分析可以得出：输入层的节点数等于输入的向量维数，即INEURON=8。输出的结果是一维的，所以ONEURON=1。(2)隐含层节点的确定这个问题比较简单，所以只设一层隐含层。隐含层的节点数目我们用第二种方法确定：企业综合绩效评价BP网络模型如图4-1所示。模型由三层神经元组成：输入层、隐含层和输出层，不同层之间的神经元采用全互联方式，同一层的神经元之间不存在相互连接。参考表1中所提供的评价指标，选取每类指标中较具代表性、数据可得性的8项评价指标作为网络的输入神经元，输入层神经元输入数据是经过标准化处理的企业综合绩评基础数据。关于隐含层结构的确定目前尚无一个通用的确定准则，根据实际评价需要，设定一层隐含层，此隐含层包括8个神经元。输出层只含有一个神经元，输出层神经元的输出结果即是企业绩优度。它是一个无量纲的企业综合绩效评价的定量化指标，介于0~1之间。其数值越大则企业综合绩效越高，反之亦然。图4-1企业综合绩效评价BP网络模型n4.3基于BP神经网络模型的企业综合绩效评价步骤根据人工神经网络BP模型及其算法,结合企业综合绩效内涵及其评价指标体系,可将基于BP模型的企业综合绩效评价步骤概括如下。步骤1：企业综合绩效评价BP模型的拓扑结构如图1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。对于定量指标可以直接作为输入值,对于定性指标应当利用模糊评价法将其转化为一定的分值,然后再作为输入值。步骤2：对企业综合绩效评价BP模型神经元的连接权值和其它参数赋初值,此时的权重赋值更多的依赖于经验,可以成立一个权重确定专家小组来确定有关指标的权重。步骤3：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,前者为输入样本,后者为理想输出。期望输出的有关指标可选择企业的战略设定的目标值,也可能选取行业内同类企业中的优秀企业的实际值。步骤4：按下列公式计算企业综合绩效评价样本点的输出误差其中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uj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uj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价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uj在第p个样本点下的输入,f为非线性、可微、非递减函数,一般取S型函数,即,其中opi为企业综合绩效评价BP模型的输入神经元uj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,wji为从神经元ui到神经元uj的连接权值。若Ep小于给定的收敛值,转步骤6,否则转步骤5。步骤5: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4.其中Δwji(n+1)为每次权的调整值,αn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）,Δwji(n)表示上一次学习周期的权值修正值,αΔwji(n+1)是一个动量项,反映网络过去学习的过程,是表示学习速率的常数,η∈(0,1),δji为企业综合绩效评价BP模型在第p个样本点下神经元的uj输出端的误差。对输出神经元有：;对隐含神经元有：其中wkj为企业综合绩效评价BP模型隐含神经元uj相连到输出神经元uk的连接权值。步骤6：企业综合绩效评价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7：确定企业综合绩效评价指标的权重。设训练好的企业综合绩效评价BP网络对应的不同层神经元ui,uj间的连接权为wij,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。步骤8：将目标企业综合绩效基础评价指标的实测值作为训练好的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绩优度评价标准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。在这一评价过程中,也可以求得影响企业综合绩效各指标的权重,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[6]。4.4仿真4.4.1BP神经网络学习在这里我们选择表4-1中的总量指标、盈利能力、运营能力、市场份额、客户满意度、客户忠诚度、生产制造和内部管理八个方面对企业绩效进行全面的评价，而每一个方面我们给出三个评定等级，比如说，在总量指标方面有优、良、差三个等级。在评定过程中，至少要在某三个方面是“优”，而且不能有“差”n，才能在“企业综合绩效测评”中得到好成绩，也就是说至少要有三个优和五个良才通过“综合测评”的要求，否则就不能通过。根据“企业综合绩效”评定要求和BP模型，便于BP神经网络的实现，我们将评定的各项的等级转换成数据（优：1，良：0.5，差：0）并使用下表的数据进行学习。表4-1学习输入模式对输入希望输出总量盈利运营份额满意忠诚生产管理1.01.01.00.50.51.01.00.510.50.51.01.01.00.00.51.001.01.00.50.51.01.01.01.011.01.01.00.50.51.01.01.011.01.01.00.00.50.51.01.000.51.01.00.51.00.50.01.001.00.51.00.00.51.00.00.501.01.00.51.00.51.01.01.011.00.51.01.00.51.00.50.000.51.01.00.51.00.51.01.011.00.50.51.00.51.00.50.500.51.00.51.00.50.50.01.001.00.51.00.51.01.01.01.010.50.51.01.01.00.50.50.500.51.01.01.01.00.51.00.000.51.01.00.51.00.51.01.011.00.51.00.51.00.50.51.001.01.00.51.00.51.00.51.011.00.50.51.00.50.51.01.004.5.2学习结果在这个程序中，各单元的连接权值和阀值都是通过VC++中的库函数rand()n来随机产生的。Rand()函数产生的是0～ox7fff（十进制32767），所以将该函数产生的值与32768相除，就可以得到〔0，0.1〕之间的随机值了。同时该网络的学习率取α=0.02β=0.98,通过在VC中仿真，我们得到一下数据：图4-2学习结果截图由此可以看出，经过18378次学习后，全局误差为0.000010，若以小于0.96判为“0”，输出大于0.96判为“1”，则可认为此时网络已完成了记忆模式，具有正确分类的能力。4.5.3测试内容网络学习结束后，选用表4-2中的数据进行测试。表4-2测试数据输入期望输出总量盈利运营份额满意忠诚生产管理0.50.51.01.01.00.00.51.001.01.00.50.51.01.01.01.011.00.51.00.51.00.50.51.00n1.01.00.51.00.51.00.51.01网络对这4个模式的测试结果分别为：0.015356，0.98699，0.015663和0.978412与实际情况完全吻合。5总结与展望基于BP神经网络模型的企业综合绩效评价方法能够充分利用样本指标的有关信息,通过高度的非线性映射,揭示企业综合绩效与其相关影响因素之间的内在作用机理,从而从根本上克服了企业综合绩效评价中建模及求解的困难。此方法具有自学习性、自适应性和很强的容错性,而且对整个评价过程和步骤非常容易编程实现并在计算机上进行运算分析,因而具有较高的合理性和适用性。此方法只需将处理过的数据输入到网络中，通过计算即可产生结果,不需要人为地确定权重,有效的减少评价过程中的人为因素,提高评价的可靠性,使评价结果更有效、更客观。但是不可否认该方法也存在着某些缺点和不足:首先,BP神经网络模型要求有一定的学习样本,学习样本的数量和质量在很大程度上影响着神经网络模型的学习性能,但是选取合适的学习样本又是一件十分困难而复杂的事情；其次,神经网络的层数和隐含神经元数的选取在很大程度上影响着整个网络的学习能力和学习效率,而且目前关于这个问题还没有形成通用的指导性原则,在确定层数和隐含层神经元数时,往往会会有人为因素的干扰,这必然会降低BP网络的性能；最后,BP神经网络在学习训练过程中,容易陷入局部最优,这也会在一定程度上影响评价结果的准确性.因此针对上述的问题与不足还应当做进一步深入地研究和改进工作。尽管BP神经网络仍存在一些问题和不足,但是不能否认BP神经网络模型在企业综合绩效评价中的应用为研究企业综合绩效评价方法提供了一个新的研究思路和方向。n参考文献：[1]马锐.人工神经网络原理[M].北京：机械工程出版社,2010[2]http://wenku.baidu.com/view/15562fbbfd0a79563c1e7293.html[3]蔡剑等.企业绩效管理概念、方法和应用[M].北京：清华大学出版社,2007.[4]张良均等.神经网络实用教程[M].北京:机械工业出版社,2008.[5]艾文国.ERP环境下企业绩效评价体系研究[J].中国软科学,2003,2:133-139.[6]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].天津理工学院学学报,2004,20(2):12—15[7]苏泽雄,张歧山.基于BP神经网络的企业技术创新能力评价[J].科技进步与对策,2002,(5):130-131.[8]财政部注册会计师考试委员会办公室.财务成本管理[M].北京:经济科学出版社,2003.[9]财政部统计评价司.企业绩效评价问答[M].北京:经济科学出版社,1999.[10]董长虹.神经网络与应用[M].北京:国防工业出版社,2005.[11]唐万梅．BP神经网络结构优化问题的研究[J].系统工程理论与实践，2005,10(10):95-100[12]邓娟,杨家明．一种改进的BP算法神经网络[J].东华大学学报(自然科学版),2005,31(3):123-126[13]陈熊华,林成德,叶武.基于神经网络的企业信用等级评价[J].系统工程学报.2002,17(6):570-575.[14]李祚泳,易勇挚.BP网络学习能力与泛化能力之间的定量关系[J].电子学报,2003,31(9):1341—1344.[15]李祚泳,彭荔红.BP网络过拟合现象满足的不确定关系新的改进式[J].红外与毫米波学报,2002,21(4):293—296.致谢：在本次论文设计过程中，感谢我的学校，给了我学习的机会，在学习中，老师从选题指导、论文框架到细节修改，都给予了细致的指导，提出了很多宝贵的意见与建议，老师以其严谨求实的治学态度、高度的敬业精神、兢兢业业、孜孜以求的工作作风和大胆创新的进取精神对我产生重要影响。他渊博的知识、开阔的视野和敏锐的思维给了我深深的启迪。这篇论文是在老师的精心指导和大力支持下才完成的　　感谢所有授我以业的老师，没有这些年知识的积淀，我没有这么大的动力和信心完成这篇论文。感恩之余，诚恳地请各位老师对我的论文多加批评指正，使我及时完善论文的不足之处。　　谨以此致谢，最后我要向百忙之中抽时间对本文进行审阅的各位老师表示衷心的感谢。n