基于BP神經網的我國制造業企業績效評價體系
——以上市白色家電制造企業為例

張振剛，謝孟鑫，林 丹

（1.華南理工大學工商管理學院，廣東廣州 510640；2.廣州市大型企業創新體系建設研究中心，廣東廣州 510640）

當前中國實體經濟正處在轉變發展方式、優化經濟結構、轉換增長動力的攻關期，十九大報告提出，當前我國社會主要矛盾，已轉化為人民日益增長的美好生活需要和不平衡不充分的發展之間的矛盾。針對經濟發展不充分的矛盾，必須把發展經濟的著力點放在如何做大做強做優實體經濟的競爭力上，把提高供給體系質量作為經濟發展和改革的主攻方向，作為解決中國經濟當前關鍵短板的“牛鼻子”。

如何客觀地評價國內的實體經濟成為當務之急，在肯定高精尖行業獲取的成就的同時，也應當對我國目前處于全球市場經濟中較低位置的制造業進行有效評估。因此，本文選用制造業企業中的與人民美好生活向往最契合的白色家電制造企業為研究樣本，通過解剖麻雀，以總攬全局，回歸企業績效評價，建立白色家電制造企業的績效評價體系，并利用BP神經網絡模型對搭建的制造業評價體系進行實證，通過實證分析強化對制造業企業的績效評估。

1 上市白色家電企業績效評價體系構建

1.1 文獻綜述

績效評價的目標是根據選取全面的指標，利用科學的評價方法，對企業的既定目標的完成度進行衡量和評價，并且通過結果客觀地評估一個企業，提出建設性建議［1］。其中主要的評價方法有平衡記分卡法、層次分析法等線性回歸分析方法，已經相當成熟。而區別于一般的企業績效評價，在主要的財務指標評價上，制造業企業存在一定的特殊性，程曉軍等［2］最先指出應當優先提高存貨周轉率和應收賬款的周轉率等與制造業特點相契合的指標權重，以適應家電制造業的特點。寶斯琴塔娜等［3］則借助平衡計分卡方法建立了關于精益制造的績效評價體系，提出了顧客、股東、生產、持續4 個維度的指標體系。梁永康等［4］利用扎根理論方式構建了制造業服務化績效評價的指標全集，并提出了制造業服務化績效的衡量體系。

關于神經生理學和神經解剖學的研究表明，人腦是一種非常復雜的網絡結構，也就是說人腦是通過一個復雜的網絡結構來完成智力、思維、情緒和其他高級心理活動，這也就是神經網絡的初始來源［5］。神經網絡是一種對人腦或自然的一般特征進行抽象和模擬的技術［6］,近年來神經網絡在預測和實證研究領域的應用成果顯著。BP 神經網絡由于具有相當強的處理信息的能力,并且在處理數據的過程中具有自學習、自適應能力,能較好地揭示數據內部所蘊含的非線性特征。與傳統的預測模型相比,BP神經網絡具有獨特的優勢［7］，在企業績效、財務風險、銀行風險評估等方面得到了廣泛的應用。眾多學者對BP 神經網絡與企業評價體系進行了有效的組合創新，利用神經網絡模型驗證了評價體系的有效性。尹惠斌等［1］利用神經網絡模型對企業突破性創新績效進行評價，并分析總結了BP 神經網絡在績效評價上具有較好的泛化能力。同樣利用了BP 神經網絡，蔡艷萍等［8］對我國上市銀行進行了評價體系的構建和驗證。Ying Shu［9］對我國民營企業進行研究，建立了包括企業目標、伙伴關系、內部流程等5 個方面的績效評價指標體系，并結合了神經網絡和動態模糊方法對評價體系進行實證。還有郭宇等學者［10-14］應用了BP 神經網絡模型進行了評價方面的應用。

中國家電行業通過20 多年的成長和鍛煉，在激烈的國內競爭和全球競爭上積累了相當多的經驗［12］。但是隨著全球化進程繼續向前，一方面，以人力成本為主的制造業剛性成本的不斷提高，我國家電行業的成本依賴性弊端逐漸顯現；另一方面，日益開放的國際環境使得不同國家都參與到全球化市場上來，國際市場上對中國家電企業的阻礙日益增強［15］，因而對我國家電制造業提出了更高的要求。本文認為回歸績效評價能夠在一定程度上幫助家電制造企業充分認識到企業在生產經營過程中存在的短板，降低其走向全球市場時的內生風險，從而有助于發展壯大成為世界一流企業。

1.2 評價指標選取

制造業是全球產業分工合作的主要領域，無論是在傳統制造業還是高新技術制造業，都應該在日益開放的全球環境中，充分釋放全球價值。傳統制造業在國計民生中的重要性毋庸置疑，針對傳統制造業的研究體系的建立也至關重要，特別是對于和人民生活息息相關的家電制造業，其發展水平的高低，其經營成果的好壞，將會對人民生活產生最直接、最快速的影響，因此，對于評價指標的選取，應在滿足一般企業的共性的同時，選取具有家電制造業特點的指標進行評價體系建立。

結合制造業企業的生產經營特點以及我國家電制造業企業存在的現狀，本文擬建立一個涵蓋盈利能力、適應能力、償債能力、發展能力4 個一級指標的評價體系，從4 個不同維度來刻畫家電制造企業的綜合績效。具體的二級指標設置如下：

首先，企業上市的目的是為了創造價值，實現更多盈利，而制造業企業也不例外，因此本文對家電制造企業的評價體系構建時優先考慮盈利能力，通過對財務指標的分析，擬采用總資產利潤率、凈資產收益率、資產報酬率、營業利潤率、投資收益、成本費用利潤率對家電制造企業的盈利能力進行綜合描述。

其次，對于市場需求和市場波動的適應能力的高低是企業能否保持穩定盈利的前提，以及評價企業是否具備一定產業剛性的準則，同時足夠強的盈利能力又可以在一定程度上提高企業的適應能力。因此在考慮盈利能力的前提下，還應對企業的適應能力進行考量。為較好概括企業對市場的適應能力，初步選取總資產周轉率、固定資產周轉率、流動資產周轉率、應收賬款周轉率、流動比率、企業資金周轉率、存貨周轉率共7 個二級指標。

再者，制造業企業在自主經營、自負盈虧不僅受到企業所處的市場環境的影響，還和企業的長期積累有關，而長期積累的各種類型的資產、產權構成了企業的償還債務能力的度量。因此，針對企業的償債能力，擬選取資產負債比率、產權比率、現金比率、速動比率、現金總負債比率進行衡量。

最后，企業在市場中生產經營的終極目標是實現長期持續的發展，因此在確保其他各環節都符合企業生產經營的前提下，從管理費用增長率、利潤總額增長率、總成本增長率、總資產增長率、營業收入增長率、凈利潤增長率、凈資產增長率、固定資產增長率8 個方面，對企業的可持續發展進行綜合度量，選取評價指標，以體現企業在實現長期、有效、穩定發展過程中的能力。

1.3 績效評價體系構建

通過上述的指標體系選取分析，結合制造業企業的特點，針對上述4 個維度，初步選取了26 個指標對制造業企業的績效評價體系進行構建，具體指標說明見表1。其中，一級指標為企業的盈利能力、適應能力、償債能力和發展能力，二級指標為刻畫該4種能力的相關變量。指標性質是指二級指標對于企業績效是正向影響還是負向影響，分別記為“+”和“-”。

表1 上市家電制造企業績效評價指標

2 BP 神經網絡績效指標評價模型的構建

（1）輸入層節點。為通過構建一個制造業企業的績效評價體系，首先對相應指標的數據進行相關性分析，對指標進行初步的篩選，篩選后的指標數量從26 個降低至18 個。其次，將反映制造業企業的盈利能力、適應能力、償債能力和發展能力4 個維度，共18 個二級指標作為輸入層節點。

（2）隱含層節點。目前對于隱含層的節點數目的確定并沒有一個確定的計算公式，因此在選取隱含層的時候，一般會根據經驗公式計算出其相對合理的取值范圍：

其中k表示隱含層的節點數目，n表示輸入層的節點數目，m表示輸出層的節點數目。

由于本文的研究樣本數據中，指標數n=18，m=1。可以確定隱含層的節點數目范圍為［3,10］，

通過實驗的對比，并綜合考慮機器學習的時間成本，迭代次數，以及誤差大小，確定隱含層的節點數目為3 個。

（3）輸出層節點。輸出層節點數為1。規定取值在0～1之間，表示制造業企業的綜合績效評價值。模型訓練和測試所得的值越大，則說明該制造業企業的績效管理水平越高，因此對結果進行有效劃分為不同層次的，評價可分為優秀、良好、中等、較差4 個等級，分別對應于(0.75，1］、(0.50，0.75］、(0.25，0.50］、(0，0.25］的評價期望值，并基于等級對企業進行分類，其中連續獲得優秀評級的企業未來的發展存在更好的趨勢。

（4）權值和閾值初始值的確定。為了有效提高BP 神經網絡的學習速度，在正式運行前對神經網絡權值和與之進行初步設定，根據大量的文獻閱讀中，較合理的取值范圍為［-1,1］，因此利用-1～1 之間的隨機數作為權值和閾值的初始值。

3 實證分析

3.1 指標相關性分析

由于數據來源的限制以及數據樣本的完整性問題，故本文選取申萬行業分類下的家用電器類別下的白色家電制造企業作為研究樣本，樣本的選取來自于2017 和2018 年度的財務報告。由于各個指標之間的物理單位不一樣，并且在數量級上有較大差異，為避免來自于數據量綱差異帶來的程序學習誤差，故對樣本數據進行去量綱化的歸一化處理，具體形式如下：

對評價指標進行無量綱的歸一化處理之后，由于本研究選取的數據均來自年報，雖已初步對指標進行篩選，但是仍存在一定不足。為避免選取的指標之間替代性過高，因此對指標進行相關性分析，在數據的角度上盡量避免指標之間的相互替代性，從而使對制造業企業的績效評價更加精準，更具科學性。

利用相關系數法對評價指標體系進行篩選，提出相關程度高的指標，對第i和j個變量之間的相關系數可以通過以下公式（3）進行計算：

表2 去量綱數據

3.2 計算指標權重和期望績效值

為對上市白色家電制造企業的綜合績效進行客觀度量，本文結合了熵權法和綜合評價法確定各項指標的權重并求出企業的綜合績效期望值。由于樣本數據的量綱差異性較強，故采取了分類標準化處理，即對正向化指標和逆向化指標進行不同形式的標準化。

最后根據所得到的指標權重，利用綜合加權法計算出各個上市家電制造企業的績效期望值，作為BP 神經網絡的輸出，根據制造業的特點，將結果分為上述4 個大類（見表3）。計算公式為：

表3 上市家電制造企業績效指標權重值

3.3 網絡模型的訓練

選取2017 年所有上市白色家電制造企業的數據作為訓練集，2018 年的數據作為測試集。在神經網絡模型的訓練中，設置好各層次的節點數，并確定模型的網絡結構圖（圖1）。由第三部分模型的分析與選擇，設置模型的輸入層為18 個節點，隱含層為3 個節點，輸出層為1 個節點，并通過多次嘗試，對第一層中隱含層神經元和第二層輸出層的神經元的激活函數均選擇“tansig”函數?？梢缘贸鋈鐖D1的BP 神經網絡績效評價模型，并輸入訓練樣本，訓練已建立的BP 神經網絡績效評價模型。

圖1 BP 神經網絡績效評價模型

BP 神經網絡經過初始化后，經過166 次訓練后，其模型的誤差達到設定標準的要求，即建立了一個基于BP 神經網絡的上市家電制造企業的績效評價模型，網絡訓練的誤差和訓練的結果如圖2和表4所示。

圖2 BP 神經網絡模型訓練誤差

表4 BP 神經網絡模型訓練結果

3.4 仿真結果分析

為試驗所構建的上市白色家電制造企業績效評價體系是否具備較好的泛化能力，還需要對網絡模型進行測試，將2018 年的數據作為測試集，進行測試，得出測試結果如表5 所示。

表5 BP 神經網絡仿真結果

從表5 中可以看出，通過本研究利用2017 年的數據作為訓練集而訓練出來的評價模型，能夠較好地預測2018 年同樣的52 個家電制造企業的績效水平，并且測試集的相對誤差都比較小，最高僅為1.49%。這意味著該BP 神經網絡評價模型具有較好的泛化能力，能夠對家電制造企業進行較好地評價。

樣本企業的評級如表6 所示，其中2017 年僅有1 家企業評級達到優秀，但是到2018 年時評級下降至良好，而2018 年共有兩個企業評級達到優秀，并且與2017 年的評級均為良好，可以認為該兩家企業的發展向好。

表6 企業綜合績效評級

表6 （續）

4 結論與展望

本文對上市白色家電制造企業績效評價進行綜合研究，旨在分析我國上市白色家電制造企業的績效現狀及其影響因素，分別從盈利能力、適應能力、償債能力和發展能力4 個維度構建相關績效評價體系，而且通過機器學習模型——BP 神經網絡模型對上市家電制造企業的近兩年的績效相關數據進行仿真模擬，以驗證模型的泛化能力，擬通過上市白色家電制造企業的績效評價，推動企業的內部的績效管理和組織管理。

4.1 研究結論

本文通過相關系數法對評價指標進行初步篩選，并通過信息熵理論對相關指標的權重進行確定，計算出上市白色家電制造企業的績效期望值，通過結合相關系數法和信息熵理論，能夠有效地克服如專家打分法、平衡計分卡法等一般通用方法所帶來的主觀局限性，可以在有效地度量各個指標的相關程度的同時，通過信息熵理論科學地確定指標權重。

測評結果中，上市家電制造企業的盈利能力、適應能力、償債能力和發展能力分別占比重為9.814%、37.207%、18.772%和34.207%。其中盈利能力的比重較低，可以認為是家電制造企業的利潤空間較小，因此在對其進行績效評價時，其利潤空間的重要性相對較低。而對于適應能力占比最高，則主要在于本文將制造業主要特征以及重要性代表指標：存貨比率、存貨周轉率、應收賬款周轉率等在流動方面的各項指標歸納為企業對市場的適應能力，因此該比重最高，作為主要的具有代表性的適應能力。

在利用BP 神經網絡技術理論的基礎上，通過訓練樣本，不斷地調試參數以降低目標差距，最終通過166 次訓練達到了目標誤差。最終對2018 年數據構成的測試集進行測試，測試結果與期望結果的相對誤差達到目標誤差的要求，即能有效地說明所構建的網絡模型具有較好的泛化能力，能夠有效的度量上市家電制造企業的績效。

4.2 展望

由于數據來源的有限，本次研究僅針對來自財務報表披露的定量指標，對于定性指標的選取存在一定空白，在后續的研究中，將會從更多的數據來源收集相關信息，以完善該上市白色家電制造企業的績效評價體系。后續的關于制造業產業的評價體系，將會在建立一系列的具體類型的制造業企業評價體系的基礎上，對個體類別的評價體系進行共性提取，并有效區分差異性。擬通過分析組成部分，再統籌整體，最后達到整體大于部分之和的效果。