基于ＢＰ神經(jīng)網(wǎng)絡(luò)的企業(yè)人員素質(zhì)綜合評價模型研究

摘要：人員素質(zhì)的各項測試指標與人員綜合素質(zhì)之間存在著復(fù)雜的非線性關(guān)系，為了客觀準確的評價企業(yè)人員素質(zhì)的綜合水平，文章在分析企業(yè)人員綜合素質(zhì)的結(jié)構(gòu)的基礎(chǔ)上，引入BP人工神經(jīng)網(wǎng)絡(luò)模型建立了企業(yè)人員素質(zhì)綜合評價模型。結(jié)果表明，所建立的素質(zhì)綜合評價模型能較真實地反映出人員的綜合素質(zhì)水平，具有較好的泛化能力。

關(guān)鍵詞：人員素質(zhì)；綜合評價；人工神經(jīng)網(wǎng)絡(luò)

人員素質(zhì)評價在不同程度上受到多種因素的影響，評價結(jié)果難以用恰當?shù)臄?shù)學(xué)解析式來描述，是一個多變量、模糊復(fù)雜的非線性過程。自20世紀80年代以來，人工神經(jīng)網(wǎng)絡(luò)這個多學(xué)科高科技領(lǐng)域，吸引了眾多的神經(jīng)生理學(xué)家、心理學(xué)家、計算機與信息科學(xué)家、工程師和企業(yè)家等進行研究和應(yīng)用，并在信號與圖像處理、語音識別、虛擬現(xiàn)實、控制系統(tǒng)設(shè)計、系統(tǒng)仿真、人工智能、優(yōu)化計算、企業(yè)危機管理與預(yù)警、數(shù)據(jù)挖掘、系統(tǒng)辨識及綜合評價等領(lǐng)域都得到了很好的應(yīng)用。本文嘗試利用人工神經(jīng)網(wǎng)絡(luò)本身具有的并行處理數(shù)據(jù)、良好的容錯性、自適應(yīng)和自學(xué)習(xí)以及較好的非線性功能等特性，對企業(yè)人員素質(zhì)結(jié)構(gòu)進行系統(tǒng)的分析，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型，在傳統(tǒng)素質(zhì)評價方法的基礎(chǔ)上，對評價方法進行改進研究，期待能取得一個具有通用性、簡潔性的評價企業(yè)人員素質(zhì)的客觀量化標準，力圖在評價方法上有所創(chuàng)新。

一、 企業(yè)人員素質(zhì)評價指標的設(shè)計

人員素質(zhì)評價指標體系的設(shè)計是評價的基礎(chǔ)，它對于評價過程有著統(tǒng)攬全局的作用。在設(shè)計企業(yè)人員素質(zhì)評價指標體系時，需要遵循科學(xué)性、完備性和可操作性原則，要以客觀準確地反映人員素質(zhì)為出發(fā)點。

一般而言，企業(yè)人員素質(zhì)評價指標體系的設(shè)計程序為職務(wù)分析、理論驗證、指標調(diào)查三個步驟。首先通過職務(wù)分析對被評價對象的工作內(nèi)容、性質(zhì)、責任、環(huán)境以及完成工作所應(yīng)具備的條件等進行研究和分析，獲得各類人員所應(yīng)具備的能力、知識、技能、特質(zhì)等方面的信息，從而據(jù)此初步確定素質(zhì)測評指標；然后再依據(jù)人員素質(zhì)評價的基本原則和理論基礎(chǔ)，進行經(jīng)驗性、專家性的篩選，對設(shè)計的素質(zhì)評價指標進行理論論證；并對評價指標進行調(diào)查試用，進行相關(guān)性分析，最后遴選出主要而關(guān)鍵的素質(zhì)評價指標體系[1]。評價指標的制定過程是一個系統(tǒng)的過程，制定一個成功的評價指標是需要多次反復(fù)實踐才能達到較為理想的效果的。

本文以T集團管理人員的素質(zhì)評價作為研究對象，根據(jù)David McClelland的勝任力模型，結(jié)合T集團的特點和要求，在充分調(diào)查和訪談的基礎(chǔ)上，反復(fù)論證，確定其評價指標，對每一個評價指標制定了適當?shù)脑u價標度及方法；通過選擇合適的人員進行試測后，根據(jù)試測的結(jié)果進行反饋調(diào)整，并對指標體系進行了必要的修改和補充，最終將T集團人員素質(zhì)評價項目的評價指標大體確定為五個大項，每項又分成多種素質(zhì)內(nèi)容分別進行測試，以期能獲得最貼近于真實的評價結(jié)果。其指標體系及評價方法如表1所示。

二、 企業(yè)人員素質(zhì)的神經(jīng)網(wǎng)絡(luò)評價模型

1． 神經(jīng)網(wǎng)絡(luò)原理。人工神經(jīng)網(wǎng)絡(luò)是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)，因其具有獨特的結(jié)構(gòu)和處理信息的方法，使其在許多實際應(yīng)用中取得了顯著成效。它實際上是由大量的處理單元通過適當?shù)姆绞交ミB構(gòu)成，是一個大規(guī)模的非線性自適應(yīng)系統(tǒng)，它不需要構(gòu)建任何數(shù)學(xué)模型，具有高度的非線性，能夠進行復(fù)雜的邏輯操作和非線性關(guān)系實現(xiàn)的系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)模型發(fā)展到今天已有百余種模型，建造的方法也是多種多樣，其中BP網(wǎng)絡(luò)（Back Propagation Neural Network）是當前應(yīng)用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)。在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，80%~90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)或它的變化形式。

BP網(wǎng)絡(luò)是由輸入層、若干個隱層和一個輸出層組成，層與層之間采用全互連方式，同一層的單元之間不存在相互連接。輸入信號從輸入層神經(jīng)元依次傳過各隱層神經(jīng)元，然后傳到輸出神經(jīng)元。其輸入與輸出是一個高度非線性映射關(guān)系，如果輸入結(jié)點數(shù)為n，輸出結(jié)點數(shù)為m，則BP網(wǎng)絡(luò)是從n維歐氏空間到m維歐氏空間的映射。因此，我們將用于企業(yè)人員素質(zhì)評價的各指標值作為BP網(wǎng)絡(luò)模型的輸入向量，將評價結(jié)果作為BP網(wǎng)絡(luò)模型的輸出，用足夠多的樣本訓(xùn)練這個網(wǎng)絡(luò)，使其獲取企業(yè)評價專家的經(jīng)驗、知識、主觀判斷及其對指標重要性的傾向。這樣BP網(wǎng)絡(luò)模型所具有的那組權(quán)系數(shù)值便是網(wǎng)絡(luò)經(jīng)過自適應(yīng)學(xué)習(xí)所得到的正確知識內(nèi)部表示，訓(xùn)練好的BP網(wǎng)絡(luò)模型根據(jù)待評價企業(yè)人員素質(zhì)評價各指標的屬性值，就可得到對人員素質(zhì)的評價結(jié)果，再現(xiàn)專家的經(jīng)驗、知識、主觀判斷及其對指標重要性的傾向，實現(xiàn)定性與定量的有效結(jié)合，保證評價的客觀性和一致性。

2． BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法。BP網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩大步，第一步是從網(wǎng)絡(luò)的輸入層逐步向輸出層進行計算，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài).如果在輸出層沒有得到期望的輸出，則計算輸出層的誤差變化值，然后轉(zhuǎn)向第二步反向傳播過程；反向傳播過程是對連接權(quán)和閾值的修改，即從輸出層反向輸入層進行計算和修改，根據(jù)輸出層誤差的修改與輸出層相連接的權(quán)值，然后再返回修改各層的連接權(quán)值，直到滿足要求為止。

對于BP網(wǎng)絡(luò)，有一個非常重要的Kosmogorov定理，即對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用單隱層的BP網(wǎng)絡(luò)逼近，因而一個三層BP網(wǎng)絡(luò)就可以完成任意的n維到m維的映射。因此，在這里我們以三層BP網(wǎng)絡(luò)為例，介紹BP網(wǎng)絡(luò)的學(xué)習(xí)過程及步驟。為了簡明起見，我們先對各符號的形式及意義進行規(guī)定：

網(wǎng)絡(luò)輸入向量 Pk=（?琢1，?琢2，L，?琢n）；

網(wǎng)絡(luò)目標向量Tk=（y1，y2，L，yq ）；

隱含層單元輸入向量Sk=（s1，s2，L，sp）；

輸出向量Bk=（b1，b2，L，bp）；

輸出層單元輸入向量Lk=（l1，l2，L，lq）；

輸出向量Ck=（c1，c2，L，cq）；

輸入層至隱含層的連接權(quán)值Wij，i=1，2，L，n；j=1，2，L，p； 隱含層至輸出層的連接權(quán)值Vjt，j=1，2，L，n；t=1，2，L，p;

隱含層各單元的輸出閾值?茲j，j=1，2，L，p;

輸出層各單元的輸出閾值 rj，j=1，2，L，q;

參數(shù)k=1，2，L，m 。

（1）初始化，給每個連接權(quán)值Wij、Vjt 、閾值?茲j與rj賦予區(qū)間（-1，1）內(nèi)的隨機值。

（2）隨機選取一組輸入和目標樣本pk=（?琢1k，?琢2k，L，?琢nk）、

Tk=（y1k，y2k，L，yqk） 提供給網(wǎng)絡(luò)。

（3）用輸入樣本pk=（?琢1k，?琢2k，L，?琢nk）、連接權(quán)Wij和閾值?茲j計算隱含層各單元的輸入sj ，然后用sj通過傳遞函數(shù)計算隱含層各單元的輸出bj 。

bj=f（sj） j=1，2，L，p

（4）利用隱含層的輸出bj、連接權(quán)值Vjt 和閾值?茲j 計算輸出層各單元的輸出Lt ，然后利用通過傳遞函數(shù)計算輸出層各單元的響應(yīng)Ct 。

Ct =f（Lt）t=1，2，L，q

（5）利用網(wǎng)絡(luò)目標向量Tk=（y1k，y2k，L，yqk），網(wǎng)絡(luò)實際輸出Ct，計算輸出層各單元一般化誤差 dtk。

dtk=（ytk-Ct）·Ct·（1-Ct）t=1，2，L，q

（6）利用連接權(quán)值Vjt 、輸出層一般化誤差dt 和隱含層輸出bj，計算隱含層各單元一般化誤差ekj 。

（7）利用輸出層各單元一般化誤差dtk 與隱含層各單的輸出bj 來修正連接權(quán)值Vjt 和閾值rt。

vjt（N+1）=vjt（N）+?琢·dtk·bj

rt（N+1）=rt（N）+?琢·dtk

t=1，2，L，q； j=1，2，L，p；0＜?琢＜1

（8）利用隱含層各單元的一般化誤差ekj ，輸入層各單元的輸入pk=（?琢1，?琢2，L，?琢n）來修正連接權(quán)值wij和閾?茲j。

（9）隨機選取下一個學(xué)習(xí)樣本向量提供給網(wǎng)絡(luò)，返回到步驟（3），直到m個訓(xùn)練樣本訓(xùn)練完畢。

（10）重新從m個學(xué)習(xí)樣本中隨機選取一組輸入和目標樣本，返回步驟（3），直到網(wǎng)絡(luò)全局誤差E小于預(yù)先設(shè)定的一個極小值，即網(wǎng)絡(luò)收斂。如果學(xué)習(xí)次數(shù)大于預(yù)先設(shè)定的值，網(wǎng)絡(luò)則無法收斂。

（11）學(xué)習(xí)結(jié)束。可以看出，在以上學(xué)習(xí)步驟中，（7）~ （8）步為網(wǎng)絡(luò)誤差的“反向傳播過程”，（9）~（10）步則用于完成訓(xùn)練和收斂過程。通常，經(jīng)過訓(xùn)練的網(wǎng)絡(luò)還應(yīng)該進行性能測試。測試的方法就是選擇測試樣本向量，將其提供給網(wǎng)絡(luò)，檢驗網(wǎng)絡(luò)對其處理的正確性。測試樣本向量中應(yīng)包含今后網(wǎng)絡(luò)應(yīng)用過程中可能遇到的主要典型模式。這些樣本可以通過直接測取得到，也可以通過仿真得到。在樣本數(shù)據(jù)較少或者較難得到時，也可以通過對學(xué)習(xí)樣本加上適當?shù)脑肼暬虬凑找欢ㄒ?guī)則插值得到。總之，一個良好的測試樣本集之中不應(yīng)該包含和學(xué)習(xí)樣本完全相同的模式。

3． BP神經(jīng)網(wǎng)絡(luò)的企業(yè)人員素質(zhì)評價模型的確立。人工神經(jīng)網(wǎng)絡(luò)設(shè)計是一個綜合性的問題，它應(yīng)滿足多種不同的要求，其中較好的泛化能力是最重要的。一般而言，泛化能力決定于三個主要因素，即問題本身的復(fù)雜程度、網(wǎng)絡(luò)結(jié)構(gòu)以及樣本量的大小。因此，在進行BP網(wǎng)絡(luò)模型設(shè)計中，應(yīng)具體考慮以下因素的合理確定：網(wǎng)絡(luò)的層數(shù)、各層神經(jīng)元個數(shù)、初始值的選擇、學(xué)習(xí)速率、期望誤差以及網(wǎng)絡(luò)訓(xùn)練模式。

在本文中，根據(jù)Kosmogorov定理，采用了3層的BP網(wǎng)絡(luò)結(jié)構(gòu)，輸入層與輸出層神經(jīng)元的個數(shù)根據(jù)需要求解的問題和數(shù)據(jù)分別為5和1。隱含層的神經(jīng)元數(shù)目的選擇是一個十分復(fù)雜的問題，不存在一個理想的解析式來表示，需要根據(jù)設(shè)計者的經(jīng)驗和多次實驗來確定。通過多方面的權(quán)衡考慮和多次專家經(jīng)驗判斷并試測后，最終確定為5-12-1的網(wǎng)絡(luò)結(jié)構(gòu)（如圖1所示）。BP網(wǎng)絡(luò)模型中的學(xué)習(xí)速率η在（0，1）內(nèi)取值，初始權(quán)值在（-1，1）之間隨機產(chǎn)生。網(wǎng)絡(luò)學(xué)習(xí)精度為10-6，訓(xùn)練函數(shù)為Levenberg-Marquardt，激活函數(shù)為Tansig。網(wǎng)絡(luò)訓(xùn)練的結(jié)束條件以訓(xùn)練次數(shù)來決定，訓(xùn)練次數(shù)以網(wǎng)絡(luò)的計算精度不再提高為主要依據(jù)。

三、 人員素質(zhì)評價的神經(jīng)網(wǎng)絡(luò)模型的實現(xiàn)

本文以T集團共73名管理人員作為樣本進行測試，將其中57人的數(shù)據(jù)作為學(xué)習(xí)樣本進行網(wǎng)絡(luò)訓(xùn)練，另外16人的數(shù)據(jù)作為檢驗樣本進行模型測試（學(xué)習(xí)樣本和檢驗樣本的部分數(shù)據(jù)見表1），并運用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱訓(xùn)練網(wǎng)絡(luò)進行樣本學(xué)習(xí)，得到神經(jīng)網(wǎng)絡(luò)評價模型。

BP網(wǎng)絡(luò)訓(xùn)練完成后需用檢驗樣本數(shù)據(jù)對其評價精度進行檢驗，部分檢驗結(jié)果見表2。BP網(wǎng)絡(luò)模型評價值與專家評價值的相對誤差的最大值為2.47%，平均值為0.87%。結(jié)果表明所建立的基于人工神經(jīng)網(wǎng)絡(luò)的人員素質(zhì)評價模

型能滿足企業(yè)使用要求，具有較高的評價精度。

四、 結(jié)論分析

1． 影響企業(yè)人員素質(zhì)評價的因素復(fù)雜多變，目前通過企業(yè)人力資源部門及管理顧問憑知識和經(jīng)驗對企業(yè)人員素質(zhì)進行評價的方法，其主觀隨意性較大，評估結(jié)果的精確性不盡如人意，尤其是知識少，經(jīng)驗不豐富的人力資源從業(yè)者更是如此。運用BP網(wǎng)絡(luò)模型實現(xiàn)定性與定量的有效結(jié)合，客觀再現(xiàn)專家的經(jīng)驗、知識、主觀判斷及其對指標重要性的傾向，輔助企業(yè)進行有效人力資源政策規(guī)劃，具有廣泛的應(yīng)用前景。

2． 人工神經(jīng)網(wǎng)絡(luò)模型是動態(tài)的，隨著今后樣本數(shù)量的增加，通過網(wǎng)絡(luò)的自學(xué)習(xí)，不斷加強網(wǎng)絡(luò)的學(xué)習(xí)能力與訓(xùn)練水平，形成更加完整的系統(tǒng)，從而可以進一步提高測試的精度和擴大評估范圍。模型所具有的自適應(yīng)能力，能對企業(yè)人員素質(zhì)綜合評價問題給出一個客觀評價， 這對于弱化權(quán)重確定中的人為因素是十分有益的。

參考文獻：

1．況志華，張洪衛(wèi)．人員素質(zhì)測評．上海：上海交通大學(xué)出版社，2006：74-78．

2．王旭，王宏．人工神經(jīng)元網(wǎng)絡(luò)原理與應(yīng)用．沈陽：東北大學(xué)出版社，2000.

3．袁曾任．人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用．北京：清華大學(xué)出版社，1999.

4. 飛思科技產(chǎn)品研發(fā)中心．神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實現(xiàn)．北京:電子工業(yè)出版社，2005.

作者簡介：李樹丞，原湖南大學(xué)副校長，原湘潭大學(xué)校長、教授、博士生導(dǎo)師；黃岳鈞，碩士，東莞理工學(xué)院城市學(xué)院教師；董常亮，碩士，廣西工業(yè)職業(yè)技術(shù)學(xué)院管理系教師。

收稿日期：2008-04-14。