基于神經網絡的高校后勤績效考核模型

［摘 要］高校后勤集團的穩定發展是高校科研和教學活動平穩運行的基礎，后勤集團的高效運轉是推動高校管理水平提升的重要保障。文章針對當前部分高校后勤集團在員工績效考核中存在的不足，依據大數據以及人工智能建模思想，構建高校后勤集團員工績效考核模型，以提高后勤績效考核的效率。

［關鍵詞］績效考核；神經網絡；建模

doi：10.3969/j.issn.1673 - 0194.2023.04.047

［中圖分類號］F272.92；G647 ［文獻標識碼］A ［文章編號］1673-0194（2023）04-0147-03

0" " "引 言

高校后勤是一個集服務、管理、經營于一體的特殊組織［1-2］，后勤管理對高校的發展起著至關重要的作用，是高校開展教學、科研工作的重要保障。高校后勤管理質量的好壞，直接影響全校師生的工作、學習以及日常生活，并且關系高校的和諧穩定與發展。在知識經濟時代，人力資源逐漸成為一個國家和社會發展的重要戰略資源，是提升集團競爭力的關鍵要素，績效考核在人力資源管理中具有重大意義。人員的招聘、晉升、培訓、報酬等均須以考核和評估結果為基礎，因此，構建一個適合后勤集團的、科學的績效考核標準（或者模型）具有重要意義。

隨著高校后勤改革的日益深化，在高校后勤建立健全科學的績效管理制度，對高校后勤的服務質量進行客觀準確的評價，促進后勤企業與高校同步協調發展，是后勤管理的重要工作之一［3］。高校后勤集團對員工的考核局限于籠統的定性評估，缺少較為科學的量化指標，需要從持續發展的角度構建一個績效考核模型，更好地實現量化考核，并把績效考核結果作為員工晉升、獎金發放等的重要依據，明確每一個員工的工作狀況和未來的發展方向。本文利用多年來積累的績效考核數據，依據人工智能思想，提出大數據下的基于神經網絡的智能績效考核模型，對人工神經網絡進行訓練，擬合出一個相對完善和科學的模型，為高校后勤績效考核的實施提供新技術。

1" " "建立基于人工神經網絡的績效考核模型

1.1" "績效考核

績效考核是指企業在確定發展目標的情況下，使用一定的指標或者標準，對企業員工的工作狀態和達成的業績進行測評，并根據測評結果對員工未來的工作狀態以及工作業績提供改進指導。

績效考核是對部門或個人一定階段內的工作成果進行評價和打分的過程［4］，是績效管理的核心環節。績效考核的目的是準確識別和有效區分組織與個人的績效，為激勵機制的應用提供基本依據。上述“準確識別”是指對為支持企業發展所作貢獻的行為和結果的肯定； “有效區分”是指對考核結果進行有效分類，不同考核結果等級之間的績效存在明顯差異。“優秀”的能力水平必須高于“合格”的能力水平，“不合格”必須低于“合格”的績效結果。績效考核的有效性取決于績效考核制度和績效考核指標體系是否科學合理。

1.2" "人工神經網絡

人工神經網絡是仿生學的概念。反向傳播（Back-propagation，BP）神經網絡是比較傳統的神經網絡［5］。科學家發現神經元之間相互協作可以完成信息的處理和傳遞，于是提出了人工神經網絡的概念，并將其用于信息處理。人工神經網絡中最小也是最為重要的單元叫神經元，這些神經元之間互相連接并且具有十分強大的運算處理能力。與生物神經系統類似，人工神經網絡就是復現真實人體大腦處理問題的過程與行為。

人工神經網絡主要由3個部分組成：輸入層、隱藏層以及輸出層。其中，網絡隱藏層的層數以及神經元的個數對輸出結果的影響較大，當隱藏層層數選取量過多時，會導致模型訓練以及推斷時間過長，不易于收斂；但是當隱藏層層數以及神經元數量選取過少時，網絡的擬合和泛化能力會減弱，使得網絡欠擬合。在網絡中，每個神經元都有輸入連接和輸出連接，這些連接模擬了大腦中突觸的結構。與大腦中突觸傳遞信號的方式相同，信號從一個神經元傳遞到另一個神經元，同樣也在人造神經元之間傳遞信息。神經元之間的連接都有各自的權重，即發送到每個神經元的信息（數值）都要乘以不同的權重因子。

1.3" "考核模型的建立

在以上兩個概念的基礎上，利用循環神經網絡結合長短期記憶網絡來建立相應的績效考核模型。

循環神經網絡是一種較為特殊的神經網絡，與傳統的神經網絡不同，它是一種關于時間的網絡，可以將時間序列應用于網絡中。循環神經網絡里的中間層不僅會輸出給網絡中的下一級，還會輸出一個隱狀態，并且這個隱狀態會作為下一個時間步中的隱藏層輸入。由于其特殊的設計，可以將網絡拓展到任意的時間步長，即它可以針對不同長度的序列進行建模。簡而言之，循環神經網絡可以作為一種中間隱含部分帶有反饋結構的神經網絡。在實際任務中，有時對時間序列數據進行預測只需要前一小段的時刻就可以。但是，隨著需要追溯的時間變長，循環神經網絡的學習能力會變得越來越弱，而出現這種缺點的原因是梯度消失或者梯度爆炸。梯度的計算會因乘法因子太大或太小而產生梯度接近零或者變得無窮大的現象。為了解決梯度消失或爆炸的問題，長短期記憶網絡應運而生，它的出現避免了原始循環神經網絡中存在的長期依賴問題（梯度消失、梯度爆炸所引起）。從數學的角度看，長短期記憶網絡就是通過引入的門控制，將原來的連乘形式改為連加形式，連加形式的求導不會因為其中某個值太小而產生梯度接近于零的情況；針對梯度爆炸的情況，改進起來也比較簡單，就是當計算出的梯度值超過某個閾值時就將其截斷，從而使梯度不會出現特別大的情況。

此外，神經網絡模型能夠針對每個員工做出科學的評價，給出績效考核結果的依據不僅是員工當年在各模塊的表現，還包含歷史表現，這可以反映出一個員工的進步速度，對員工的績效也具有重要的指導價值。該模型結構十分適合處理此類任務，可以根據員工的當前以及歷史表現進行績效評估，最終給出一個當年績效結果。

2" " "基于神經網絡的績效考核系統研究實驗

2.1" "常規模型訓練步驟

構造數據集：結合需求特性，明確模型所需的訓練數據集。不同的業務需要構建或者收集不同的訓練數據集，數據集的構造有很多細節需要考慮，只有構造合理的數據，才能充分發揮神經網絡模型的優勢。監督學習是一種標簽化的數據訓練，是從輸入特征和結果標簽之間獲得函數映射關系的機器學習方法。如何確定標簽取決于不同的目標，如追求績效考核的標簽可能是優秀、良好等。同樣，在制定輸入特征的過程中也要結合用戶在業務內的數據表現。

模型訓練：模型是基于基礎數據對維度建模或者實體關系建模等進行抽象并實現具體解決，分類模型旨在構建輸入特征和標簽之間的映射關系，通過參數調整、特征優化來追求更好的效果表達。

模型評估：訓練模型往往需要擬合的是一個目標函數，以追求最小的誤差、最優的模型結構。分類場景下常見的模型評估指標有準確率、精確率、F-score、AUC等。同樣，這些評估指標的選擇還是根據業務需求來決定的，通過評估指標來調整模型的參數以達到離線最優的效果。

2.2" "模型結構及員工評價輸入指標

基于神經網絡的績效考核系統的具體網絡結構設計如下。

輸入層，本校員工評價指標體系主要分為5個部分［6］。①工作態度：責任感、積極性、工作聯絡、協作性、紀律性。②工作能力：判斷力、計劃能力、談判能力、開拓創新力、影響力、培養人才能力、團隊合作能力。③工作業績：任務業績、管理業績、周邊業績。④素質結構：思想素質、精誠敬業、正直誠實、忠于職守、踏實穩重、心思細致、自信。⑤智力結構：學識水平、專業能力、知識學習能力。根據這5部分，將輸入特征按照獨熱格式進行編碼，計算出模型輸入層的神經元個數為25個。

隱含層，隱含層神經元數的選擇關系到整個神經網絡的精確度和學習效率 ，隱含層神經元數為50個，隱藏層層數設置為2層。

輸出層，對后勤集團員工的考核是從定性與定量的角度出發，經過定量程序，最終再定性的評價過程。通過神經網絡模型將定性轉化為定量輸出，通過綜合評價輸出的結果對該員工給出定性評價。本文給出以下績效“考核等級”，將員工能力劃分為4個等級，①不合格：過去的工作績效很差 ；工作態度、能力、業績都不盡如人意；個人素質和智力都有待提高。②合格：過去的工作績效一般；工作態度認真、能力一般；部門基本能完成工作任務，個人素質和智力水平比較高。③良好：過去的工作績效一般；工作態度認真、能力較強；部門管理較好，個人素質和智力水平較高。④優秀：過去的工作績效較好 ；工作態度認真 、是員工中的模范；工作能力很強，部門整體績效出色，個人素質和智力水平很高。因此，在選擇輸出層神經元時，設置為4（對應上述4個考核等級）比較符合評價要求。

2.3" "建 模

根據前文設計的神經網絡模型，本文將python作為編程語言，基于tensorflow框架進行模型搭建，使用自適應學習率優化算法進行優化，對高校后勤部門績效考核進行建模。神經網絡模型結構為2.2節所述，同時，神經網絡的輸入層與隱藏層以及輸出層各個神經元使用的激活函數均采用線性整流函數，輸出層為softmax層，對應高校后勤集團的4種績效考核等級。

網絡訓練采用高校后勤集團歷時10年的績效考核數據，訓練參數設置如下：優化器使用自適應學習率優化算法，學習率設置為0.01，訓練回合設置為500，長短期記憶網絡的時間步長設置為3。至此，高校后勤員工績效考核模型已經構建完成，在應用過程中，只需將員工各個模塊評價指標轉為獨熱編碼格式輸入神經網絡，就可以得到該員工的績效結果。

2.4" "實驗結果分析

現以某高校后勤集團2018—2020年的數據為例，驗證本文提出模型的有效性。首先將員工評價指標轉化為模型的輸入格式；其次將處理完成的數據輸入訓練好的神經網絡模型，利用腳本運行神經網絡前向傳播進行運算，隨機抽取3名員工得出如表1所示的網絡仿真結果與目標值。

將2018—2020年某高校后勤集團全體職工（共計235人）作為測試集，神經網絡模型在測試集上的表現如表2所示。

其中準確率為模型預測正確的概率，從分析計算結果可以看到，利用本文提出的神經網絡績效考核模型對2018—2020年進行測試，平均準確率可以達到98%左右，說明該模型能夠較為準確地判斷后勤部門員工的績效。

3" " "結 論

本文根據績效考核特點，基于近幾年對員工考核數據的積累，提出了基于神經網絡的績效考核模型。在此基礎上，通過python編程語言進行模型搭建和訓練，并以2018—2020年某高校后勤集團數據作為測試驗證集，證明本文提出的神經網絡模型的科學性、準確性和泛化性。未來，此模型可以作為后勤集團進行員工績效考核的參考依據，對明確每一個員工的績效現狀和未來的發展方向也有一定的借鑒意義。此外，在研究過程中也發現一些問題，如歷史數據的選取與模型訓練有著較為明顯的聯系，對最終結果會有較大影響，并且模型輸入的編碼格式也對模型效果有一定影響，需要進一步研究才可以規避模型構建過程中的不穩定性因素，這些問題也是未來研究思考的方向。

主要參考文獻

［1］陶槊，陳濱.新時代下高校智慧化平臺建設與管理改革的研究［J］.電腦知識與技術：學術版， 2020（2）：149-151.

［2］王嵐.關于高校后勤績效考核體系的探討［J］.財會學習，2020（7）：196，198.

［3］楊海英.高校后勤人事制度改革研究［D］.大連：大連理工大學，2008：25-26.

［4］趙國軍.薪酬設計與績效考核全案［M］.北京：化學工業出版社，2013：194-197.

［5］RUMELHART D E，HINTON G E， WILLIAMS R" J.Learning internal representations by error propagation［J］.Readings in cognitive science，1988（6088）：399-421.

［6］張義庭.基于OPM3的高校后勤管理層績效考核模型［J］.西北工業大學學報：社會科學版，2012（4）：99-101.