基于ＢＰ神經網絡的電子企業業績評價

［摘 要］ 本文針對電子行業的特點建立了評價電子企業業績的指標體系，然后應用BP網絡方法對網絡模型進行訓練，并選取了10家上市的電子企業應用訓練好的神經網絡進行評價，最后得到了總體的排名結果。本文研究的目的在于讓企業能夠看到自身的不足并加以改善，使企業得到更好的發展。

［關鍵詞］ BP神經網絡；指標體系；業績；DEA分析

［中圖分類號］F275［文獻標識碼］A［文章編號］1673-0194(2008)03-0100-04

1 前 言

隨著經濟快速發展，企業都在追求規模的不斷擴大，導致管理層級與管理幅度增加，使間接控制成為最主要的控制形式，而事后的業績評價又是最有效的間接控制形式。因而，業績評價是企業管理的重要手段和方法。電子行業現已成為我國經濟發展的主導產業，具有強大的發展潛力。如果能夠對電子行業的企業進行準確的經營業績的評價和分析，將會促進電子企業得到更好的發展，從而推動我國經濟的發展。

現行實務中對企業業績的評價方法有很多，但存在一些不足之處。首先，對評價體系中指標的選擇過于注重財務方面的指標，而忽略了非財務指標對企業經營業績的貢獻。其次，諸如專家評價法等評價企業業績的方法主觀性太強，難免會影響結果的準確性。所以本文針對電子行業的特點選定的評價指標既包括傳統的財務指標，也包括能反映客戶、市場等方面狀況的非財務指標；為了減少主觀因素對結果的影響，本文選擇誤差小、可自學習的神經網絡分析法評價各企業的指標；同時應用DEA方法的評價結果作為神經網絡的期望值來訓練網絡，這樣能更好地減少主觀因素的影響。

2 電子企業業績評價指標的建立

2. 1現行經營業績評價方法

目前，在國內上市公司業績評價中享有較高聲譽的評估機構是中國誠信證券評估有限公司。自1996年以來，該公司與《中國證券報》合作，每年對上市公司的業績進行綜合評價。其采用的評價方法為綜合指數法，選取的指標包括:凈資產收益率、資產總額增長率、利潤總額增長率、負債比率、流動比率和全部資本化比率。各上市公司的最后得分是在各單項指標考核評分的基礎上，乘以每項指標的權數，然后相加得到總評分。其評價體系如表1所示。

此外，財政部、國家經濟貿易委員會、人事部、國家發展計劃委員會等四部委于1999年6月聯合頒布了《國有資本金效績評價規則》，其中，工商類競爭性企業效績評價指標體系由基本指標、修正指標、評議指標等3個層次構成，也采取綜合評分的方法，該指標體系如表2所示。

2. 2指標的選定

財務層面的指標是績效評價的傳統指標。因為財務指標能夠全面、系統、簡練地對企業財務層面的業績進行合理、公正、科學的評價，而且已經相當規范，所以是評價一個企業經營狀況指標的首選。本文根據財政部等四部委聯合頒布的企業效績評價體系為依據來選擇財務指標，所選指標如表3所示。

由于企業經營的多樣性和市場環境的復雜性等原因，使得財務指標已經不能全面地反映企業的經營狀況，故許多公司正在修改或計劃替換他們的業績評價體系。而修改完善企業業績評價的一個顯著趨勢就是在業績評價指標體系中引入非財務評價指標。將非財務指標引入業績評價體系有很多種觀點，其中以平衡計分測評法的影響較大，應用較廣。平衡計分法用顧客、內部業務、學習和創新等3個方面的非財務指標來補充傳統的評價指標。

電子產品的市場生命周期較短，產品淘汰和更新換代速度較快。電子企業只有占有很大的市場份額，同時保證較高的客戶滿意度、保持度，才能保證好的銷售額。電子產品最重要的是“先發制人”，搶占市場，所以要求企業有高質量的技術創新。本文引入研發費用的投入、產品生產周期和員工素質等非財務層面的指標，以更好地揭示企業的驅動因素和內在的發展潛力，同時也重視了對企業外部環境的分析。

根據以上的分析，本文設計出我國電子企業績效評價指標體系，如表3所示。

3 BP神經網絡模型的建立

3. 1收集訓練樣本

3. 2訓練BP神經網絡

BP（Back Propagation）算法即后向傳播算法，通過迭代地處理一組訓練樣本，將每個樣本的網絡期望值與實際值比較，進行學習，通過對權值進行修改使網絡預測輸出和實際輸出之間的誤差平方和最小。

算法的基本思想：

step 1初始化網絡：初始網絡的權值為很小的隨機數，偏置也初始化為很小隨機數。

step 2向前傳播輸入：計算隱藏層和輸出層每個單元的凈輸入和輸出。

step 3后向傳播誤差：通過更新權和偏置以反映網絡預測的誤差，向后傳播誤差。

對于輸出層單元j誤差公式為：

3. 3期望值的確定

在此模型中，唯一存在主觀性隱患的就在于所選擇的期望值。在目前的很多應用中，有一些人是選擇專家評價系統的結果作為訓練神經網絡的期望值，這種做法對消除主觀性的貢獻很小。而為了消除主觀性影響，一些人選擇將因子分析的結果作為訓練神經網絡的期望值。本文選擇將DEA分析結果作為訓練神經網絡的期望值，來消除主觀因素對結果的影響。

DEA（數據包絡分析）主要是通過保持決策單元的輸入或輸出不變，借助于數學規劃將DMU（評價決策單元）投影到DEA前沿面上，并通過比較決策單元偏離DEA前沿面的程度，來評價其相對有效性。在應用DEA分析數據時，本文選擇企業的投入指標為輸入數據，如年初凈資產、單位運營成本和研發費用投入率等；而以收益指標為輸出數據，如凈資產收益率、總資產報酬率和市場份額等。

應用上述的DEA模型，本文選取4家企業進行分析，并將其評價結果作為BP神經網絡模型的訓練值，來訓練神經網絡。由于DEA分析方法的輸入輸出都是運用可得到的數據，這樣做大大減少了主觀因素對結果的影響。以此為期望值所訓練的神經網絡同樣也消除了主觀影響。

4 實證仿真

本文選擇10家上市的電子企業，其中5家為盈利較好的企業，5家為較差的企業，以便于結果的對比分析。使用MATLAB神經網絡工具箱中的trainblm（）動態BP網絡訓練函數，學習率為0.9。將其中的4個樣本數據作為神經網絡辨識模型的訓練樣本，用剩下的6個樣本對訓練好的神經網絡進行檢驗。從表4可以看出，應用BP神經網絡進行擬合的最大誤差為0.026 1，最小誤差為0.001 2，平均誤差是0.010 5。可見，運用此模型對電子企業的績效進行預測誤差較小，滿足評價要求。

評價結果。調用sim函數，利用訓練好的神經網絡對10家電子企業2005年的經營績效狀況分別進行評價，向經過訓練的神經網絡輸入指標向量，得到網絡輸出值（見表5），從而得出各企業績效評價結果。

表5 評價結果

5 結 論

BP神經網絡以其高度的非線性逼近能力、容錯能力強、可以自學習等特點大大優于其他評價方法。對建立好的指標評價體系的樣本的學習，BP神經網絡能夠確定其模型，通過不斷地調整網絡結構，最后達到一個較穩定的狀態。從實證分析可以看到，該神經網絡經過訓練后其輸出值與期望值之間誤差小，還能夠使系統誤差達到任意的精度。因此，使用BP神經網絡對企業的績效評價可靠性強，是一種行之有效的方法。

減小主觀因素對結果的影響是本文最主要的任務，主要做了兩方面的工作：其一，針對電子企業的行業特點，以財務指標為基礎，引入非財務指標，所設計的電子企業的評價指標體系具有科學性；其二，本文將DEA評價結果作為神經網絡的期望值，使主觀性影響得到了更好的消除。

主要參考文獻

［1］ 胡守仁，余少波，戴葵. 神經網絡導論［M］. 北京：國防科技大學出版社，1993.

［2］ 聞新，周露等. MATLAB神經網絡仿真與應用 ［M］. 北京：科學出版社，2003.

［3］ 梁國雄，成愛武等. BP神經網絡方法在紡織工業競爭力評價中的應用［J］. 山東紡織經濟，2006，（1）:17-19.

［4］ 范海峰，楊榮彥，何靜怡. 論戰略業績評價體系的構建［J］. 特區經濟，2006，（1）:369-370.

［5］ 樊宏. 基于DEA模型的我國證券公司評價方法及應用［J］. 數量經濟技術經濟研究，2002，（4）:118-121.

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。”