企业员工绩效评价处理器的构建

王 斌

（扬州大学 商学院，江苏 扬州 225009）

0 引言

建立合理的企业员工绩效评价体系有助于科学合理的评判员工实际能力、为薪酬绩效和晋升制度的建立提供理论基础，更是人力资源工作员工激励、防止人才外流的重要保障。尽管各类评价方法被广泛运用于员工绩效评价，但员工绩效是一个广义范畴的概念，故不存在绝对意义上准确评判的可能，定性与定量相结合的评价思路是最佳决策工具，所以本文使用层次分析方法（AHP）根据建立的员工绩效评价体系进行实证，同时采用BP神经网络算法以评价对象的各指标分值为输入，绩效值为输出，建立逆向误差传播网络，形成了一个拟合度精良的“绩效评价处理器”，在使用样本外对象的数据进行验证后发现该处理器具有很好的预测功能，能够企业绩效评价工作中便捷、准确的极佳工具。

1 企业员工绩效评价体系

根据数据可获得性、便于操作性、科学性的原则，本文认为需要从以下5个角度构建指标体系：员工人格素质、岗位特征、工作任务完成情况、sharply可缺失性、创新与学习能力，具体指标根据对企业CSR的具体调查完成，首先采用事件访谈方法与人力部门HR进行协商确定初步绩效评价模型，而后扩大讨论范围，选取各部门员工作为模型的评议者，最终进行模型的修正完善，形成了5大指标、11项可观测指标的企业员工评价体系(图1)。

2 AHP法在企业员工绩效评价中的运用

2.1 指标赋权

图1 企业员工绩效评价三级指标体系

按照上文叙述，目标层、准则层、指标层之间存在递阶关系，对于每一层中具有同指标隶属关系的指标而言，可以使用1-9标尺法对两个方案间的重要程度进行两两比较，最终形成具有正互反性质的判断比较矩阵，矩阵的个数等于“准则层指标个数+1”。经过人力HR和员工组成的评价小组打分结果整理后得到表1～表6。以准则层5大指标与目标层之间的两两矩阵为例，首先使用matlab7.0软件中的eig命令计算出最大特征值λA=5.1997和特征向量，DB→A=[0.3670,0.2456,0.3187,0.8338,0.0906]，然后进行归一化处理得到5个指标的权重。一致性检验系数为0.0446，小于0.1，故接受有效假设。表1显示员工绩效评价工作中最受关注的任务完成情况，其次是创新与学习能力，而可却失性、人格素质的权重很低，这体现了企业中“业绩第一、成果为先”的逐利思想。

表1 准则层与目标层判断矩阵

同理得到出指标层与准则层间的判断矩阵和权重。表2-表6可看出人格素质维度中工作态度比正义感权重要高，部门指标中部门重要性比岗位占部门的比重权重要高，任务完成情况中三项指标权重为：任务完成率＞工作质量＞追加任务完成量，企业更注重员工流失带来的损失，而相对看轻工作的长期与潜在影响，学习与创新能力的重要性相当。

表2 B1-C判断矩阵

表3 B2-C判断矩阵

表4 B3-C判断矩阵

表5 B4-C判断矩阵

表6 B5-C判断矩阵

2.2 企业员工绩效评价的实证

上节中计算出了不同层级间指标的权重关系，由准则层—目标层之间的权重wi(i=1,2,3,4,5)和指标层—准则层间的wij，计算各指标对目标层的总影响权重函数公式为：wj=wiwij，如对人格素质中的正义感和工作态度两项指标赋权为：w1=w1w11=0.032，w2=w1w12=0.065，同理可计算出其他4个准则下的指标权重,故确认11项权系统为：

W=[0.032,0.065,0.146,0.049,0.214,0.114,0.040,0.102,0.025,0.107,0.107]

将得到的权重矩阵与20个待评价员工的各项指标数值矩阵相乘就得到了最终的绩效值，如表7中最后1列。

表7 企业员工绩效评价得分

3 基于BP神经网络的员工绩效评价处理器

3.1 BP神经网络结构

（1）网络层级数。根据以往研究，在中间层神经元个数不受到限制的条件下，任意状的映射关系可以在单中间层结构中得到体现，故设置为1。

（2）神经元个数。输入神经元为评价指标维数11，输出神经元个数为单目标输入数1。中间层神经元数量没有明确的要求，但按照大量的实证研究，在选择共轭梯度法、准牛顿算法时，一般从10作为神经元初始值。

（3）训练函数与激励函数。处理器神经元接受信息输入后，会根据一定的函数形式进行处理后再信息输出，输入层、中间层的激励函数一般取S型对数logsig,因为处理值在[-1，1]间，输出层的值在上述区间外则使用纯线性函数purelin，网络训练函数选择为共轭梯度法trainscg。

3.2 处理器运算

本文将第1-17个样本的各项指标作为输入样本，以作网络建模与训练之用，将第18-20个样本作为“检验样本”，用训练好的网络进行拟合预测并检验。使用Matlab7.0软件进行计算，学习系数为0.1，最大训练次数为5000次，发现在196次后迭代终止，误差自动降低到10的负11次方以下（图2），通过性能函数mse得到了训练学习精度的重要指标“均方误差性能指数”为1.5260e-011，运算精度达到了最高。

图2 196次网络迭代训练结果

为了更加具备直观认识，将后3个检验样本的11项指标数据代入训练好的网络，得出了预测值，表8中显示学习样本的输入输出相对误差最高为13.2%，最低为0.128%，平均相对误差为5.099%，在企业员工绩效评价工作中，本文的误差条件是在允许范围之内的，所以只要在Matlab7.0软件中将训练完毕的网络程序进行保存，在下一阶段或新员工需要被评价时，直接将数据调入保存的程序命令即能快速得到评价结果，随着市场化进程和企业经营策略的不断提高，在人力资源评价过程中的处理方式也需要更加迅捷，特别是一些国有大中型企业，因为员工数量众多、岗位分类较多的前提下，采用以往传统的评价方式势必会造成大量的人力、财力投入，甚至还会产生评判失误，故本文提出的基于AHP-BP神经网络员工绩效评价处理器具有很强的实践操作意义。

表8 检验样本测试结果

4 结论

本文使用层次分析法AHP和逆向误差传播算法（BP）构建了一种用于企业员工绩效评价的处理器，经过分析得出以下结论：

（1）在以往研究文献的归纳基础上根据企业实际采用访谈方法确定了人格素质、岗位特征、任务完成、可缺失性、学习与创新能力等准则和11个三级评价指标，该体系具有可操作性和科学性特征，对所有企业员工绩效评价工作具有借鉴意义。

（2）在层次分析法分析基础上，基于样本输入分析建模，构建了一套员工绩效评价处理器，所以在面临被评价单元数量较多的时候，就可以直接调用训练完毕的程序文件，直接输入评价对象具备的指标数值，能够大批量、快速和科学的进行评价，该处理器具有精度高、人为干预程度小的良好优势。

（3）BP人工神经网络方法可以通过不断调整神经元连接权和阈值的方式逐步达到与其他数理方法一样的信息传导与分析能力，那么在分析新的待评价对象时，就已经将前面的分析逻辑加入，使得评价工作更具有参照性和科学性。值得一提的是本文评价中BP处理器的处理原理来自于AHP法，如果原有评价方法发生了改变，那么训练机理也随之发生改变，处理器内部的网络机制需要重新得到训练。

（4）本文选取单中间层10个神经元的结构，还可以选取多层和其他神经元数目的结构以达到拟合效度的进一步提高，这需要不断的进行参数调整与比较。所以在企业绩效评价中使用本处理器时，需要根据预测精度情况适度进行调整。在网络训练函数上的选取上，拟牛顿算法BFGS的收敛速度快，但精度较低，共轭梯度法（Conjugate Gradient，CG）是兼存最快下降法与牛顿法两者的优势，但克服了前者收敛慢的缺点，又避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点，具有步收敛性，稳定性高，而且不需要任何外来参数，故在BP模型中一般选用此方法。

[1]Michael Armstrong,Angela Baronl.Performance Management[M].London the Cromwell Press,1998.

[2]何楠,齐书文.基于熵权的企业员工绩效评价研究[J].华北水利水电学院学报，2009,（2）.

[3]熊正德,张健.基于三维结构模型的企业员工绩效评价研究[J].财经理论与实践，2010,（2）.

[4]龙江.基于胜任力模型的员工绩效评价[J].武汉金融,2010,(8).

[5]卓金武，魏永生，秦健，李必文.Matlab在数学建模中的应用[M].北京：北京航空航天大学出版社，2011.