基于模糊神经网络的绩效评价体系研究

王 向，李 媚，张 坤

（河北科技大学 信息科学与工程学院，河北 石家庄 050018）

当前，很多高校陆续推行了绩效工资制度，对调动教师积极性，促进教师水平和教育质量的提升发挥了积极的推动作用。但是，自从绩效工资制度实施以来，对于教师绩效的评价存在很多的问题，主要表现在：岗位设置不科学；量化考核标准难以把握；分配模式单一；绩效工资种资质、一刀切问题严重；政策倾斜度不够，实行“平均主义”［1，2］。因此，建立一个科学、合理的高校教师绩效评价体系，公正、准确的进行绩效评价，是高校稳定并促进教师队伍发展的根本基础。真正行之有效的教师绩效评价体系，是能够对教师的绩效进行公开、公平、科学、高效的评价。本文试图将模糊理论和神经网络相结合，基于模糊神经网络构建一套基于模糊神经网络的高校绩效评价体系方案，试图解决当前存在的问题，使对教师绩效评价的结果达到客观性、科学性［3，4］。

1 绩效评价的模糊性

绩效工资考核具有模糊性、非线性和不确定性三重特点［5］。由于绩效考核在实践中涉及到极为复杂的评价指标和模糊的评价标准，因此必须使用模糊数学对其进行评价，才能更加客观真实地反映教师的工作绩效的真实情况，得到更客观的结果。

1.1 高校教师绩效评价主体之间存在模糊性

由于高校教师个体的差异、工作的独立性和自主性，使得上下级教师个体之间匹配存在模糊性；而且绩效考核的一个重要指标是学生对教师的评价，但是由于不同评价主体所处的角度不同，使得评价的侧重点，评价的结果也具有模糊性。

1.2 高校教师岗位分析及绩效契约的模糊性

在高校岗位分析的实际操作过程中必然存在大量模糊现象，不能事先对教师的工作进行精确的描述。而且高校教师的不断学习、不断进修也可能导致在高校中各个岗位的匹配由低匹配向高匹配的变化，产生模糊性。另外绩效契约多存在语言不准确不清晰，使得考核标准具有模糊性。

1.3 高校教师绩效评价指标和评价结果的模糊性

另外，高校教师绩效评价指标体系和评价结果都存在模糊性。绩效评价指标的多样不确定性、高校各个岗位的职责目标的主观多变都集中体现了绩效评价指标体系的模糊性。所以，必须用模糊理论，才能描述的合理清晰。

2 基于模糊神经网络的绩效工资考核体系构建

模糊神经网络是将模糊系统和神经网络相结合，充分考虑了二者的互补性，集逻辑推理、语言计算、非线性动力学于一体，具有学习、联想、识别、自适应和模糊信息处理能力等功能。其本质就是将常规的神经网络输入模糊输入信号和模糊权值。在模糊神经网络中，神经网络的输入、输出节点用来表示模糊系统的输入、输出信号，神经网络的隐含节点用来表示隶属函数和模糊规则，利用神经网络的并行处理能力使得模糊系统的推理能力大大提高［6，7］。模糊神经网络的模型如图1所示［8］。

图1 模糊神经网络模型

第一层是输入层，为精确值。该层的输入节点个数等于输入变量的个数，为x＝［x1，x2，…，xn］。在本文中输入为6 个输入单元（职称、学历、岗级、性别、年龄、从教年限）。

第二层是输入变量的隶属函数层，实现输入变量的模糊化。输入的特征在此被分别映射到相应的模糊集，得到相应的隶属度。不同的特征对应的模糊集的个数可以不同。本文中隶属度函数选用了高斯函数:

第三层是模糊规则推理层。该层的每个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前件，计算出每条规则的适用度。这一层又叫做隐含层，不止是一层。该层的每个节点只与第二层中m 个节点中的一个和n个节点中的一个相连，共有m×n个节点，也就是有m×n条规则。

将本模型用于绩效考核分析的具体领域时，中间层结点限定为与教学和科研相关的主要内容，各个部分可再细化为更加具体的细节项，如图2所示。教学可以进一步分解为学生评分、教案、考试成绩、教研等细节；科研可以进一步分解为课题情况、科研成果、获奖情况、论文论著等。中间层结点的具体划分如表1所示。在逐渐细化中间层结点的过程中，下一层具体结点可以由前一层结点分解出来，而同层结点有着不同的来源和相同的目的分支结点。在结点间的连线上，根据训练集（历史数据），系统将计算出概率权重，表示从当前结点出发到下一结点的可能性，由此可以得出每条可能的途径的重要程度及结点间的相关程度。引入人工智能神经网络BP算法评判绩效考核评价策略的意义正在于此。

图2 绩效考核指标的细分

第四层是归一化层。该层的节点数为输出变量模糊度划分的个数，该层与第三层的连接为全互连，连接权值代表了每条规则的置信度，在训练中是可调的。

第五层是输出层，即清晰化层，节点数为输出变量的个数，即期望的结果。该层将第四层各个节点的输出，转换为输出变量的精确值。本文中的目标结点值为教学和科研。最终的考核结果中，教学和科研各占50%。对于一个综合性大学，教学和科研具有同样的重要性，因此，这种分配是合理的，符合学校对于教师主要业务的考核目标。

设计好模糊神经网络的结构以后，学习算法采用误差反向传播算法（BP 算法）来调整参数。

3 应用实例与分析

使用上述构建的教师绩效工资评价体系，应用于某大学的教师绩效考核，对学校的教师绩效考核方法进行了测试。利用学校多年积累的业绩统计数据，使用该算法构建的神经网络模型包含6个输入单元（职称、学历、岗级、性别、年龄、从教年限）、2个输出单元（即教学和科研目标）和6个隐层单元，得到主要业绩的分项权重分布值如表1所示。

表1 绩效考核主要指标和高校教师素质权重分布（%）

从表1中的权值的范围可以看出，对业绩指标影响最大的是“学历”和“从教年限”两个属性，在指定考核策略时要重视。另外“职称”和“岗级”对业绩指标影响也是很大，由于学校考核制度的存在，具有高职称和高岗级的教师需要完成考核指标，相对降低的教师压力要小一些。另外“性别”和“年龄”两个属性对业绩指标影响较小，但是波动较大。这是由于有些年轻的老师为争取学历、职称和岗级的提高，做出的业绩较明显；而女老师在高校中的成绩也凸显了出来。

在实验中，使用了50组历史数据，每次随机选取20组数据组成一个样本组对神经网络进行训练，余下的数据进行检验，实验结果如表2所示。

表2 实验结果

从表2中可以看出，训练次数越多，正确率越高，这说明，神经网络算法在大量的历史数据对算法进行训练的情况下，能够达到很高的准确率。因此，我们的算法是有效的。

4 结论

绩效工资是高校分配制度改革的重点，涉及到学校和教师之间的根本利益，是目前高校要解决的重要问题。而当前绩效工资考核体制仍然存在很多不足，尤其在评价的客观、合理性上还有待进一步的完善。

本文指出了绩效评价的模糊性，在此基础上提出了一个基于模糊神经网络的高校教师绩效评价体系。该体系为构建绩效评价体系提供了一个参考模型，通过对模糊系统和神经网络的结合，为高校教师绩效评价给出了一个解决方案，并通过实际数据验证了方案的有效性。

［1］傅秀丽.对高校绩效工资制度的思考与建议［J］.经济师.2012，10（3）：93－94.

［2］吴新珍.高校教师绩效工资模式与特点［J］.江苏高教.2010（1），100－101.

［3］闫用杰.基于模糊综合评价的大学教师绩效考核研究［J］.安康学院学报.2010，22（2）：91－93.

［4］郭书玲.基于神经网络的医院绩效研究［J］.太原科技大学学报.2011（3）：186－188.

［5］张建洁.模糊综合评价法在企业绩效考核中的应用.延安大学硕士学位论文.2010.

［6］Lin C T，Lee C S G.Neural－network－based fuzzy logic control and decision system［J］.Computers，IEEE Transactions on，1991，40（12）：1320－1336.

［7］Kosko B，Burgess J C.Neural networks and fuzzy systems［J］.The Journal of the Acoustical Society of America，1998，103（6）：3131－3131.

［8］王彤，丁雷.基于模糊神经网络分类算法的绩效考核评聘策略研究［J］.现代远距离教育.2011（2）：60－62.