基于云模型的CEO声誉评价

李辰颖，张 岩，刘红霞

（1.北京林业大学，北京100083；2.中央财经大学，北京100081）

0 引言

当今CEO个人声誉对CEO和企业非常重要，CEO个人声誉有助于个人价值的提升，也有助于企业的长远发展，还可以降低委托代理成本。因而，CEO对个人声誉越来越重视，社会也越来越关注CEO声誉。CEO声誉的好坏不仅关系到个人的发展，也会关系到企业和股东等相关利益方的发展。既然CEO个人声誉有好坏高低之分，那么该如何评价CEO声誉呢，或者说该如何度量CEO的声誉呢？一般来说CEO个人声誉属于定性的概念，涉及的方面比较多，较难以量化，另外站在不同的角度和立场，对于CEO声誉的评价也可能不同，因此对CEO个人声誉的评价一直是理论界和实务界的难点和热点问题。

1 云模型概述

云模型是由李德毅院士[1]提出的，是用于描述定性概念与其数值表示之间的不确定性的转化模型。云模型可以通过三个数字特征：期望Ex，熵En，超熵He来反映定性概念整体上的定量特征，将模糊性和随机性关联到一起，构成定性和定量的相互映射关系。期望Ex：反映这个概念的云滴群的重心位置。熵En：反映定性概念的不确定性。超熵He：反映了数域空间中代表该语言值的所有点的不确定度的凝聚性，即云滴的凝聚度。由于所用到的云模型理论知识主要涉及逆向云发生器和X条件云生成器以及定量变量的云化，以下着重介绍这三部分的理论知识。李德毅等[2]论证了正态云的普适性，因而采用正态云来进行CEO声誉的评价，且介绍的云模型理论仅针对于正态云。

1.1 逆向云发生器

以下介绍的逆向云发生器属于无确定度信息的逆向云发生器，其输入是给定的一组样本x=(x1,x2,…,xi,…,xn)，输出是云模型的三个数字特征(Ex,En,He)，具体算法如下：

1.2 X条件云发生器

设有云Cloud的期望，熵和超熵分别为(Ex,En,He)，如果已知x为定量输入值，则根据云模型的数字特征及x求解对应隶属度y的过程，即为X条件云生成器，如要用X条件生成云生成n个X条件云滴，对应算法如下：

(3)返回步骤(1)，重复n次，生成n个X条件云滴。

1.3 定量变量的云化

对于定量变量，如其具有上下界，形如VQa[Bmin,Bmax]，云化为正向云模型。采用约束条件的中值作为期望值，用主要作用区域为双边约束区域的云来近似这个定量变量，云参数通过下式计算，式中k为常数，可根据变量本身的模糊阈度来具体调整。

对于只有单边界限的定量变量，形如VQa[Bmin,+∞]或VQa[-∞，Bmax]，可先根据测试数据的最大上限或下限确定其缺省边界参数或期望值，然后再参照上式计算云参数。

2 评价方法

2.1 评价指标体系结构的构建

在构建CEO声誉评价指标体系结构前，总结分析了相关文献的评价指标体系结构，并请教有关专家对汇总的指标进行增删和修改，在和相关专家商讨，权衡利弊之后，删除了一些诸如“领导魅力”，“职业威信”等主要依靠打分评价的指标，另外还删除了诸如“敏锐洞察力”，“环境诊断能力”等一些只能依赖与CEO关系密切人打分的指标，最后转化和分解了一些可以用定量指标代替的定性指标（如“金融关系能力”等），得到初始的评价指标体系。

在筛选出初始的评价指标体系之后，采用因子分析法[3]提取了最终的评价指标体系结构，所得评价指标体系结构如表1所示：

表1 CEO声誉评价指标体系结构

以上指标相关计算方法或获取途径在备注中予以标注，其中I21=(rij-Rij)/σij，rij为第i个公司第 j年的总资产报酬率，Rij为第i个公司所在行业第j年的平均总资产报酬率，σij为第i个公司所在行业第j年的总资产报酬率的标准差。

2.2 各指标权重的确定

一般来说权重的确定方主观方法和客观法，熵权法属于客观法的一种。结合要求，选取熵权法确定权重，一是因为熵权法属于客观法，其权值由指标的变异程度决定；二是因为各指标的数据容易获得。以下简要介绍熵权法计算各指标权重的步骤。

设有m位待评CEO，n项评价指标，形成原始指标数据矩阵，由于各个评价指标有的属于越小越优型，有的属于越大越优型，且各指标量级相差悬殊，所以在采用熵权法前需要对数据进行正向化和无量纲化[4]处理，使得各指标的值落入无量纲的某一区间内，经处理后指标数据矩阵R=(rij)m×n。

(1)计算第j项指标下的第i位CEO的比重

2.3 评价标准云评价模型参数的确定

目前主要有两种基于云模型的评价标准生成方法：基于数据驱动的方法和基于黄金分割的模型驱动法，前者适用于给定数据量较大的情形，后者适用于定性指标较多情况。结合本研究，由于目标层和一级指标没有数据，因而只能采用基于黄金分割的模型驱动法[1]确定评价云模型参数，若对这两层定性语言值设定的范围为[0,1]，根据心理学的研究成果，五级标度法的区分度较高，易于识别和打分，故设每一个指标的评语集有5个评语，对应的评语为{差，合格，中，良好，优秀}。采用基于黄金分割的模型驱动法确定的评价标准云模型参数如表2所示，图形如图1所示。

表2 目标层和一级指标层评价标准云模型

图1 目标层和一级指标层评价标准云模型

二级指标为量化指标，因此其评价标准云模型的参数适合采用基于数据驱动的方法确定。由于模糊C均值聚类算法能自动对数据样本进行聚类，且可以得到聚类中心和边界值，因此在二级指标评价标准云模型的参数确定中采用该方法。主体思路是，首先采用模糊C均值聚类将指标j的数据聚为5类，得到每一类的聚类中心和边界值，然后采用2.3节中的定量变量的云化方法，得到各个评价标准云模型的参数，且对应的评语也为{差，合格，中，良好，优秀}。模糊C均值计算步骤可参考文献[5]，这里不再介绍。

2.4 综合评价过程

综合评价的过程思路是：首先采用X条件云发生器，得到各二级指标相对于各评价标准云模型的隶属度，然后结合各二级指标权重，得到一级指标相对于各评价标准云模型的隶属度，最后得到目标层相对于评价标准云模型的隶属度，具体方法如下：

2.5 评价结果的计算

一般来说，在对CEO声誉的评价时，希望得到的是CEO声誉的一个具体量化数值，而3.4节中得到的是隶属度，因而需将隶属度转化到量化数值，一般来说转换方法有质心法和中位线法等，具体方法的选取还没有定论，大多依靠实验法选取，经过试验，采用质心法效果较优，转换算法如下：设目标层评价标准云模型为Cloud0(Exi0，Eni0，Hei0)，i=1，2，…，5，

经过上述得到了第j位CEO的a个评价值，以这a个评价值作为逆向云生成器的输入，可以得到第j位CEO的最终评价结果。

3 实例分析

为了直观说明本评价方法的应用过程以及实用性，现举实例加以说明和验证。选取2010年沪深A股上市公司的CEO为研究样本（数据来源于Wind资讯、国泰安数据服务中心中国证券市场CSMAR系列研究数据库），剔除金融行业和缺失的数据之后，剩余1157个样本。为了使数据更加符合正态分布，对指标I11,I12,I13,I23,I25的数据取了自然对数。

表3 指标权重及评价标准云模型

采用上文节所述的熵权法计算权重，再计算各指标评价标准云模型，如表3所示。

经综合评价后按照上文方法可计算出评价结果。本例按企业控制权性质，分为中央政府控制企业，地方政府控制企业和民营企业，分别进行评价，得到5个等级对应的CEO人数和比例，如表4所示：

从表4数据中，可以得出以下结论：

(1)无论是中央政府控制企业、地方政府控制企业还是民营企业，等级为优秀的CEO人数均为0，这说明我国沪深A股上市公司缺乏顶级CEO，这一结果也与CEO排行榜单结果相一致；

(2)三种控制权性质的企业中CEO声誉为差这一等级的人数也为0，这一评价结果与实际情况相一致，因为能成为上市公司的CEO其能力和声誉均得到一定的认可，声誉差者一般不大可能成为上市公司的CEO；

(3)等级为良好，中等和合格的CEO人数中，等级中等的人数最多，同时大体符合正态分布，这一评价结果与实际情况也是大体一致的；

(4)等级为良好的CEO声誉比例，在国有企业最高，民营企业次之，最后是地方政府，这一评价结果也可以用实际的情况来解释：一般来说中央政府控制的企业实力都比较强，对CEO能力要求也相对较高，这一类企业的CEO声誉一般也相对较高，对于地方政府控制企业和民营企业来说，企业的实力一般没有中央政府控制企业强，对CEO的吸引力也相对较弱，但民营企业更加注重企业的实际经营效果，行政干预也较少，更加愿意也有更多的自主权选择能力强、声誉更好的CEO。

5 结束语

本文研究了基于云模型的CEO声誉评价方法，首先应用因子分析法建立了评价指标体系，接着采用熵权法确定各指标的权值，然后应用模糊C均值聚类的方法确定了评价标准云模型，最后采用质心法得到评价值并举例应用，通过举例说明了该方法的评价过程和实用性。该方法具有受主观因素影响少，可以同时批量评价多位CEO声誉，且包含大多数CEO声誉影响因素的优点，研究成果可以为CEO薪酬制定和CEO业绩考核提供一定的参考，也可以促使CEO本人更加珍视自己的声誉，有利于重视声誉氛围的形成，还可以为其它CEO声誉的研究工作提供一定的参考。

[1]李德毅等.不确定性人工智能（第一版）[M].北京：国防工业出版社，2005.

[2]李德毅,刘常昱.论正态云模型的普适性[J].中国工程科学，2004，6(8).

[3]丁春忠.学生成绩评价中的因子分析法[D].苏州：苏州大学，2004.

[4]叶斌.基于改进熵值法的内河水运评价研究[D].成都：成都理工大学，2012.

[5]陈春明.一种改进的模糊C-均值算法[J].情报探索，2009，141(7).