基于模糊神经网络的企业绩效评价方法研究_姜军伟

第23卷　第1期2010年2月

文章编号:100224026(2010)0120036205

山东科学

SHANDONGSCIENCE

Vol.23　No.1

Feb.2010

基于模糊神经网络的企业绩效评价方法研究

姜军伟,赛　英

(山东财政学院计算机信息工程学院,山东济南250014)

摘要:针对传统企业绩效评价方法的一些不足,把模糊神经网络方法引入企业绩效评价领域。同时借鉴财政部等六部委颁布的国有资本金效绩评价指标体系,构建本文的评价指标。本文采用基于模糊神经网络的分层次评价方法,用BP神经网络训练财务指标,用模糊神经网络训练非财务指标,最后再构建一个模糊神经网络评价模型,得出企业绩效的评价值。实证结果表明此方法有效可行,且具有较高的准确率。关键词:模糊神经网络;BP神经网络;绩效评价;企业绩效;评价指标中图分类号:TP391　　　文献标识码:A

ResearchonaFuzzyNeuralNetworkBaEnterprisePerformanceJIANG2I(SchoolofComputer&InformsityofFinance,Jinan250014,China)

Abstract:Wnetworkintoenterpriseperformanceevaluationinviewofsomenegativesofpousevaluationapproaches.Wealsorefertothestate2ownedcapitalperformanceevaluationindexsystem,

jointlyissuedbyMinistryofFinanceandsixotherministriesand

committees,andthenproposeanewevaluationapproach.Thisapproachisafuzzyneuralnetworkbasedhierarchicalevaluationmethod.WefirsttrainfinancialparameterswithBPneuralnetworkandnon2financialparameterswithfuzzyneuralnetwork.Wethenconstructafuzzyneuralnetworkevaluationmodelandtherebyderivetheevaluationvaluesofenterpriseperformance.Experimentalresultsshowthatthisapproachiseffective,feasibleandhighlyaccurate.Keywords:fuzzyneuralnetwork;BPneuralnetwork;performance;evaluationindex

performanceevaluation;

enterprise

　　企业要在激烈的竞争中得到长期生存和持续发展,并保持其竞争优势,就必须对自身的真正价值做一个准确评估。因此,需要建立一套全面、客观的企业绩效评价体系,对企业自身进行有效评估,并对企业发展战略的实施效果进行及时评价,进而为企业发展战略和经营策略的调整提供有力依据。同时,也可为广大经营者、债权人、中小投资者以及企业其他利益相关者提供可靠业绩信息,来规避市场投资风险,具有重要的现实意义

[1]

。

收稿日期:2009211211

基金项目:山东省科技攻关计划资助项目(2008GG30009001)

作者简介:姜军伟(1984-),男,硕士研究生,主要研究方向:数据挖掘及其应用。E2mail:jjwei2003@http://www.77cn.com.cn

第1期姜军伟,等:基于模糊神经网络的企业绩效评价方法研究

37

为了对企业的绩效进行准确评价,国内外专家学者在评价方法上做了大量的研究工作,涌现了大批有关企业绩效的评价方法

[2]

,如主成分分析法、综合指数法、功效系数法、因子分析法、经济增加值法(EVA)、平

衡计分卡法、模糊综合评价法等。但这些方法有的人为主观因素影响较大,精度较差;有的只考虑财务指标,忽略了一些定性非财务指标,也有的即使考虑了非财务指标,但其可操作性又较差。

[1]

随着人工智能的发展,一些智能的方法如神经网络方法(主要是BP神经网络)引入了企业绩效评价

领域,它能有效地克服上述方法的一些缺陷,并具有较高的精确度。但其训练是在黑箱中进行的,并且运算摒弃了许多行业经验和专家经验,具有一定的盲目性,对获得知识的表达和解释方面也存在不足。模糊神经网络是将模糊逻辑与神经网络适当地结合起来,组成比单独的模糊系统或单独的神经网络系统性能更好的系统。其运算不完全是黑箱操作,可以很好地利用专家经验,且模糊神经网络适合表达模糊或定性的知识,推理方式类似于人的思维模式,能够处理不确定性、非线性和其他不确定问题,并具有并行计算、分布式信息存储、容错能力强以及具备自适应学习功能等优点。目前,模糊神经网络在一些领域中得到了广泛的推广与应用,且具有较好的精度和效率。为此,本文将模糊神经网络应用到企业绩效评价领域,既是一次有益尝试,也进一步丰富了企业绩效评价的方法

[3]

。

1　模糊神经网络

1.1模糊神经网络的网络结构

本文所采用的模糊神经网络的网络结构是基于Takagi2,分组成,其中前件网络用来匹配模糊规则的前件,。其模糊神经网络的简化结构图如图1所示

[4-8]

。

各层的功能如下:

x=[x1,x2,…,

xn]。,它

起着将输入值x传送到下一层的作用。该层的节点数

N1=n。

第二层是模糊化层。其每一个节点代表一个语言变量值,它的作用是计算各输入分量属于各语言值模

jj

糊集合的隶属度函数μi,其中μi=uAji(xi),i=1,2…,

n,j=1,2,…mi,n是输入量的维数,mi是xi的模糊分

割数。本文隶属函数采用高斯函数

μji=e-(xi-cij2)/σij

(1)

图1　模糊神经网络结构图

则(1)式中,cij和σij分别表示隶属函数的中心和宽度。该层的节点总数N2=∑mi.

i=1

i1i2in

μ出每条规则的适用度。即αj=μ1μ2…n.

n

(2)

第三层是规则推理层。该层的每个节点代表一条模糊规则,它的作用是用来匹配模糊规则的前件,计算

(3)

n

(3)式中i1:{1,2,…,m1},…in:{1,2,…,mn},j=1,2,…,m,m=

∏m

i=1

1

。该层的节点总数N3=m。对于

给定的输入,只有在输入点附近的那些语言变量值才有较大的隶属度值,远离输入点的语言变量值的隶属度或者很小或者为0。当隶属度函数很小(如小于0.05)时,近似取为0。

第四层是归一化层。该层节点数与第三层相同,即N4=N3=m,它实现的是归一化计算。即αi=αj/∑αi,j=1,2,…,m

i=1m

(4)

38

山　东　科　学　　　　　　　　　　　　　　　　　　2010年

第五层是输出层。它所实现的是清晰化计算,本文将企业绩效值作为模糊神经网络的输出,通过计算

y1=∑y1αjj

j=1m

(5)

1

1

能够得到较好的绩效评价值。其中y1j=pj0+pj1x1+pj2x2+…+pjnxn,j=1,2,…m,其中pji为连接权重。该层的节点总数N5=1。1.2　学习算法

111

本文所给出的模糊神经网络实质上也是一种多层前馈型网络,故可以采用误差反向传播算法来调整参

1

数。其主要是对第五层的连接权Pji以及第二层的隶属函数参数的中心值cij和宽度σij(i=1,2,…,n,j=1,

2,…mi)进行调整。设图1中模糊神经网络的第q层第j个神经元节点的输入为f

yj1,yj2,…,yjnq-1)输出为xj

(q)

(q)

(q)

(q)

(q)

(x1

(q-1)

,x2

(q-1)

,…ynq-1;

(q-1)

=g

(q)

(f

(q)

)。

下面具体给出模糊神经网络每一层的节点函数。第一层:fi

(1)(2)

=xi

(0)

=xi,xi=gi

()

(1)

=fi,i=1,2,…,n

()

()

(2)

1

(6)

(xi-cij)2/σ2ij

第二层:fij第三层:f第四层:f

122j2f-σ2=-(x1-cij)/=μi=gij=eijeijxij

(2)

1i1

(2)2i2

,i=1,2,…,n,j=1,2,…,mi

n

(3)j

(7)

i

…… 此处隐藏：5578字，全部文档内容请下载后查看。喜欢就下载吧 ……