人工神經網絡在組織網絡化發展評價中的應用

摘 要：通過對給定樣本模式的學習，構建的三層神經網絡模型能夠獲取評價專家的經驗、知識、主觀判斷以及對目標重要性的權重協調能力，較好地保證評價結果的客觀性。實例證明，人工神經網絡方法應用于組織網絡化發展評價是可行和有效的。

關鍵詞：人工神經網絡；組織網絡化；評價

中圖分類號：F120.3;TP18文獻標志碼：A

文章編號：1001-3695(2007)06-0000-00

傳統的企業組織的理論認為，層級化的科層制是理想的企業組織形式。可是信息技術在企業生產和管理活動中的廣泛應用——尤其在電子商務等IT領域的開發和應用，打破了傳統的以分工、等級制、清晰的職能邊界為基礎的組織形式，取而代之以邊界模糊化、結構柔性化為特征的企業網絡組織。目前，組織網絡化發展已經成為組織理論研究的前沿領域和實現范式轉換的新生點［1］。在現實的企業組織網絡化發展過程中，企業迫切希望對網絡化進行評價，并與其他相關企業進行比較，找出本企業與同行之間的差距并探索原因。因此，企業組織網絡化發展評價研究具有很強的現實意義。

組織網絡化發展的評價涉及指標因素眾多，指標因素又有定量、半定量和定性等多種描述方式。由于評價工具的限制，目前還未能建立令人滿意的評價模型。本文嘗試把人工神經網絡方法應用于組織網絡化發展評價，使用該方法產生的模型，更接近人類思維模式的定性與定量相結合的特征［2］。首先，它具有對給定樣本模式的學習能力，并具備獲取評價專家的經驗、知識、主觀判斷及對目標重要性的權重協調能力；其次，當需要對樣本模式以外的對象系統作綜合評價時，該方法便可以再現評價專家的經驗、知識和直覺思維，從而較好地保證了評價結果的客觀性。

1 基于ANN的組織網絡化發展評價模型

1.1 評價原理

基于ANN的企業組織網絡化發展評價原理如下［3］：

(1)將用來描述評價對象特征的信息作為神經網絡的輸入向量，將代表相應綜合評價的向量作為神經網絡的輸出；(2)用足夠的樣本訓練這個網絡，使不同的輸入向量得到相應的輸出量值；

(3)最終神經網絡所持有那組權值和閾值，便是網絡經過自適應學習所得到的正確內部表示。

訓練好的神經網絡可以作為一種有效工具，對樣本模式以外的對象作相應的評價。這樣，該網絡系統不僅可以模擬專家對企業組織網絡化發展進行評價，而且還可以避免評價過程中的人為失誤。同時，該網絡系統還具有很強的容錯能力。

1.2 評價指標體系以及權值的確定

企業組織網絡化的本質是以企業知識獲取、創造和應用過程為基礎，重構企業的內部權力配置和外部的市場邊界，從而打破內部傳統的層級制權力結構和外部與競爭者、供應者、客戶以及其他利益相關者的交易關系模式，使企業真正實現“通過創造知識來創造市場價值”。從這個意義上說，企業組織網絡化應該包括相互聯系的兩方面內容，即內部權力結構的扁平化和外部交易邊界的虛擬化，也就是通常說的組織內部網絡化和組織外部網絡化［4］。因此，組織網絡化發展評價的一級指標有兩個：

①B1——組織內部網絡化；②B2——組織外部網絡化。

通過對內部和外部組織網絡化特征的分析，本文在案例研究并結合有關文獻[4－7]的基礎上選取9項較為典型的二級指標來評價內部和外部組織網絡發展。它們分別是：

（1）C1——部門成員間的獨立程度；

（2）C2——決策的分散化程度；

（3）C3——部門間的協調程度；

（3）C4——層級的數量；

（5）C5——團隊的數量；

（6）C6——合資開發新產品數量占全部新產品數量的比重；

（7）C7——和大學或研究機構共同研發的項目占全部研發項目的比重；

（8）C8——產品創新依賴戰略聯盟的程度；

（9）C9——客戶關系管理。

這些指標主要刻劃了企業組織的水平性、協作性、分散性和適應性等方面的內容，以及企業組織在產品創新方面以及與外部組織的合作程度；既包括對組織水平程度的分析，也包含對組織動態適應能力的分析［5，9，10］。

2.3三層BP神經網絡的結構設計

BP（ Back Propagation）神經網絡被認為是最適用于模擬輸入、輸出的近似關系，它也是ANN中算法最成熟、應用最廣泛的一種網絡結構。本文選取隱含層為一層，總層數為三層的BP神經網絡進行組織網絡化發展評價的結構設計（如圖1所示）。它由輸入層、隱含層、輸出層組成。對企業組織網絡化發展進行評價時，從輸入層輸入組織網絡化發展指標評價體系，經隱含層處理后傳入輸出層，輸出即為評價結果。在正向傳播階段，輸入信息從輸入層經隱含層逐層計算傳向輸出層，每一層神經元的狀態只影響到下一層神經元的狀態。如果輸出層得不到期望的輸出結果，則進入誤差的反向傳播階段，誤差信號按原來的連接通路返回，網絡根據反向傳播的誤差修改各層的連接權，使誤差信號達最小。BP神經網絡是一種有導師的學習算法，即有許多樣本先對網絡進行許多訓練的學習過程。網絡的結構參數的選擇十分重要。由于輸入層與隱含層神經元個數的增加會增加網絡的表達能力，同時也會影響其收斂速度和增加噪聲干擾。為使模型既有理論價值又有可操作性，上文所討論的9項較為典型的指標作為輸入神經元，這些評價指標的設置，既考慮了概括性和動態性，也力求全面反映組織網絡化發展的主要因素。在該模型中，網絡輸入層神經元的個數為9；網絡的輸出層只有一個神經元，是一個代數值，取值范圍[0，1]，表示對組織網絡化發展的綜合評價結果；隱含層的個數如上文所述，為一層。隱含層神經元的個數為5，這樣整個網絡模型的結構參數就是9-5-1。

圖1

1.4 指標體系的量化、規范化處理

在評價組織網絡化發展的9個指標中有定性指標和定量指標之分。由于不同的指標從不同的角度評價組織網絡化發展，指標之間無法比較，為了便于最終評價值的確定，需要對各個指標進行無量綱化處理；同時，由于評價中所使用的各項指標之間數值相差很大，不能直接進行比較，在評估前，還需要進行數據的歸一化處理，公式如下：

1.5 學習算法

三層BP神經網絡的學習算法如下：

前向三層BP網絡需要一個訓練集和一個評價其訓練效果。訓練集和測試集應源于同一對象的由輸入、輸出對構成的集合。其中，訓練集用于訓練網絡，以達到指定的要求，而測試集用來評價已訓練好的網絡的性能。

2 組織網絡化發展評價實例

本研究利用上述網絡結構、評價指標體系、學習步驟和學習算法對浙江省的一些企業進行組織網絡化發展評價測試?？偣舶l放“企業調查問卷表”100份，回收問卷86份。其中有效問卷69份。對所獲數據按上面討論的無量綱化和歸一化處理。將“組織網絡化發展評價指標的權重評分表”請十位專家進行打分，打分結果經過歸一化處理以后得到各個指標的權值。用各個指標的權值和企業相應的評價指標得分值的乘積，經過歸一化處理以后得到企業網絡化發展評價的專家評估值，如表1、2所示。

將69組樣本數據分為兩部分，選取前面的46組作為學習樣本，用以訓練權值。學習精度ε=0 .001，后面剩下的23組作為測試樣本。經過4 000次學習，其訓練結果如表1所示。訓練結束后，利用訓練好的三層BP網絡，分別輸入測試的23組樣本數據。測試的評價結果和專家的評價結果如表2所示。從表1、2可以看出，神經網絡的評價結果和專家的評價結果基本一致。

4 結束語

從評價結果可以看出：在浙江省已經形成網絡化的企業和網絡化的市場，但企業組織網絡化發展的總體水平還不是很高?；贏NN的企業組織網絡化發展評價模型的數據顯示，權重較大的兩個指標C6（合資開發新產品數量占全部新產品數量的比重）和C7（和大學或研究機構共同研發的項目占全部研發項目的比重）在被評價的企業中普遍得分較低，其原因主要可能是由于被評價的企業主要是一些中小企業，它們與汽車制造等行業相比，規模較小；與IT產業相比，高科技含量低，因此對組織網絡化的促進作用較小。

本研究應用神經網絡進行企業組織網絡化發展評價是一個新的嘗試。神經網絡方法不僅可以模擬專家對企業組織網絡化發展進行評價，而且還能夠很好地避免評價過程中的不確定性。實例表明，基于神經網絡的組織網絡化發展評價獲得了令人滿意的結果。

本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。