基于ＡＨＰ與ＡＮＮ的企業經濟效益綜合評價

[摘要] 經濟效益評價是企業經營活動中一項不可缺少的工作。為了科學、準確的評價企業經濟效益，采用層次分析法（AHP）和人工神經網絡（ANN）相融合的組合綜合評價方法來建立經濟效益評價模型，最終給出科學、準確的經濟效益評價結果。

[關鍵詞] 層次分析法（AHP） 人工神經網絡（ANN） 經濟效益 綜合評價

引言

企業經濟效益已成為投資者和生產經營者越來越關注的問題，那么，應如何科學地、準確地評價企業經濟效益的優劣呢？傳統的層次分析法適應于定性與定量因素相結合的評價問題，但是其最大的缺點是主觀上隨意性比較大，而人工神經網絡方法可以有效地彌補解決上述問題。本文采用層次分析法和神經網絡相結合的組合評價方法來對經濟效益做出綜合評價分析。

一、建立衡量企業經濟效益的綜合評價指標體系

1.建立層次結構指標體系

參照財政部1995年起采用的企業經濟效益評價指標體系，并根據總目標的要求和指標的性質建立經濟效益綜合評價的層次體系結構。

企業經濟效益綜合評價指標(A)包括3個一級指標：盈利能力指標(B1）、償債能力指標(B2）、貢獻指標(B3)。盈利能力指標包括4個二級指標：銷售利潤率(C11)、總資產報酬率(C12)、資本收益率(C13)和資本保值增值率(C14)。償債能力指標(B2)包括4個二級指標：資產負債率(C21)、流動比率(C22)、周轉率(C23)和存貨周期率(C24）。貢獻指標(B3)包括2個二級指標:社會貢獻率(C31)和社會積累率(C32)。

2.構造判斷矩陣，計算指標綜合權重，并進行其一致性檢驗

判斷矩陣是將層次結構模型中同一層次的因素相對于上層的某個因素，根據重要程度相互間進行成對比較而形成的矩陣。根據專家評判和統計數據，構造判斷矩陣得出各指標相對上級指標的權重：

二、建立人工神經網絡(ANN)評價模型

1.評價指標值的無量綱化處理

在評價前，為了消除指標間具有的不可共度性，利用指標的標準化函數進行無量綱化處理，將指標準化到[0，1]范圍內。我們將指標分為三種類型：

設是第j項指標的最大值;是第j項指標的最小值。

(1)對成本型指標，即指標值越小越好型，令：

（為的標準化指標值）

(2)對效益型指標，即指標值越大越好型，令：

（為的標準化指標值）

(3)對適度型指標，即指標值以穩定在某一固定值微最佳的指標，令：

（為的標準化指標值，q為該指標的最合適值）

企業經濟效益指標值的標準化處理結果見表1：

表1學習與檢驗樣本

2.BP神經網絡綜合評價模型

BP神經網絡是指基于誤差反向傳播算法(Back Propagation，簡稱BP算法)的神經網絡，通常由輸入層、若干隱含層和輸出層組成。主要思想是對已知的學習樣本，采用梯度搜索技術，以期使網絡的實際輸出值與期望輸出值的均方值誤差為最小。

其計算步驟如下：

(1)根據評價指標集，確定BP網絡中輸入節點的個數，即為指標個數；

(2)確定BP網絡的層數，一般采用具有一個輸入層，一個隱含層和一個輸出層的三層網絡模型結構；明確評價結果，輸出層的節點數為1；

(3)對指標值進行標準化處理，然后作為訓練樣本和檢驗樣本；

(4)網絡狀態初始化，對連接權值和閾值賦予（0，1）之間的隨機數；

(5)輸入樣本，從前往后計算各層神經元輸出Oj，其中各層神經元輸入，輸；

(6)對輸出層計算權值誤差;

(7)從后往前計算各隱層的權值誤差;

(8)計算并保存各權值修正量;

(9)修正權值;

(10)輸入另外一樣本，轉到步驟(5)，直到網絡收斂且輸出誤差小于允許值。

三、評價結果

利用層次分析法得到的結果，如表1所示。取前6組數據（1—6號企業）作為訓練樣本，用來訓練BP網絡，后5組（7—11號企業）作為檢驗樣本，以檢驗該網絡的評價效果。

網絡隱含層節點數選5，權值調整參數α=1，閾值調整參數β=0.1，學習精度 。網絡經過4000次訓練，收斂于所要求的誤差，然后對檢驗樣本進行評價，其檢驗結果如表2所示。

表2檢驗結果及綜合經濟效益排序

從表2可以看出，檢驗輸出值與樣本期望輸出值的最大相對誤差不超過0.39%，利用神經網絡得到的評價結果與專家評價結果一致。由此可見，本文以層次分析法為基礎，所構建的BP神經網絡組合評價模型，可以用于企業經濟效益的綜合評價。

四、結束語

本文用AHP與BP神經網絡相結合建立的組合評價模型，不僅可以自動確定復雜系統的輸入維數（輸入節點數)，而且還提高了網絡的學習速率，加快了網絡的收斂速度，從而優化了網絡的拓撲結構，增強了BP網絡的適應能力，同時減少了評價過程中人為主觀因素的影響，有利于對企業經濟效益進行科學、準確的評價。

參考文獻：

[1]陳濤:基于主成分分析的工程評標綜合評價模型[J].武漢大學學報，2005

[2]王宗軍:綜合評價的方法、問題及其研究趨勢[J].管理科學學報， 2004，(1):75～79

[3]Chen S J ， Hwang C L. Fuzzy Multiple Attribute Decision Making[M]. Berlin:Springer Press， 1999，163～287

[4]陳濤:用AHP法建立教師課堂教學的綜合評價模型[J].信陽師范學院學報，2005，18

注：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。