基于神经网络的企业高层管理者人力资本评估

基于神经网络的企业高层管理者人力资本评估刘嘉莹辽宁工程技术大学研究生学院，辽宁阜新 (123000)E-mail：Ljiaying9200@摘要：本文对企业高层管理者人力资本的含义进行了分析，在此基础上提出了企业高层管理者人力资本评估的指标体系，构建了基于神经网络的综合评价模型，介绍了基于神经网络的高层管理者人力资本评价机理，并给出了应用实例。

关键词：神经网络，高层管理者，人力资本1.引言在知识经济时代，企业高层管理者已成为企业中最重要的资源之一。

从微观角度而言，高层管理者人力资本程度的高低关系到企业的生死存亡；从宏观角度而言，高层管理者人力资本程度也是建立现代企业制度的重要因素之一。

因此，对企业高层管理者人力资本进行科学的评价已成为人力资源管理中的一项十分重要的任务。

目前针对企业高层管理者人力资本进行评价的最常见的方法包括层次分析法、灰色理论以及模糊综合评价法等[1]。

这些方法存在的问题主要有以下几点：要求构造判别函数，但有时评价系统很难用精确的数学模型来求解；判断矩阵或各指标的相应权重需人为确定，使得评价带有很大的主观性；假定指标属性与评价结果呈线性关系，但事实上它们之间存在诸多非线性关系，不能进行大规模评价。

国外理论界虽有未来收益、累计成本和教育存量等模型与方法，但都是在精确思维下的经典计算方法,未考虑到人力资本是一个典型的复杂系统[2],具有非线性、不确定性及模糊性等特征。

鉴于此本文将BP神经网络模型引入到企业高层管理者人力资本评估上。

BP神经网络模拟了人脑神经元基本功能和网络的基本特性，具有分布式记忆、并行处理及联想、自组织的学习能力，对解决非线性问题有着独特的先进性，它可以避开复杂的参数估计过程，同时又可以灵活、方便地对多成因的复杂未知系统进行高精度建模[3]。

2.企业高层管理者人力资本评价指标体系2.1 企业高层管理者人力资本释意要研究企业高层管理者人力资本，必须将其与高层管理者的业务性质联系起来，必须在企业组织中研究。

需要指出的是，评价高层管理者人力资本的程度，要在企业特定生产力背景下，也就是说，如果一个人没有投入工作，没有创造价值，也就没有代表企业生产力主力，那么即便这个人再有能力，对于企业来说他的人力资本等级也很低。

与企业具有生产性和交易性相对应，企业管理者也具有生产性和交易性，同时作为人又具有人的特有属性，从而高层管理者人力资本也必须从这几个角度展开分析。

依据高层管理者人力资本的特性，笔者将高层管理者人力资本划分为4种形式，即企业高层管理者的技术性人力资本、社会性人力资本、能动性人力资本和健康性人力资本,如图1。

图1企业高层管理者人力资本四种形式高层管理者的技术性人力资本是指管理者完成一项管理活动所必需的知识和技能。

知识包括管理者所从事职业领域的理论、实际方法与专业知识；技能指的是为达到要求的绩效水平而具备的计划与组织、分析与判断、执行与控制及评价与战略决策的能力与技巧，管理者的技术性人力资本主要通过其经营决策能力和学习创新能力表现出来。

高层管理者社会性人力资本就是指建立在企业群体范围上由信誉、规范引导下的管理者社会网络，是管理者动员内部和外部资源的能力。

它回答的是管理者在经济社会交往中的“交易效率”问题。

从交易性来看，企业作为人力资本和物质资本的契约，管理者代表企业参与市场交易活动，这就需要管理者社会性人力资本包括熟练的社交能力、较强的凝聚力、有效配置人力资源的能力等。

高层管理者能动性人力资本指影响管理者能动性发挥程度的因素，包括管理者的需要、兴趣、动机、情感意志和性格等非智力因素。

它回答的是管理者“是否有积极性”的问题。

管理者能动性人力资本主要包括管理者的职业效能感和工作价值观等。

高层管理者健康性人力资本是指管理者应具有的身体和心理上的素质。

在知识经济社会中，管理者必须要有健康的体魄和健康的心理，竞争越来越激烈，管理者将会遇到意想不到的困难和挫折。

如果没有一定的心理承受和调适能力，那么就很难在知识经济社会中持续生存，并且很难在克服困难和挫折中获得成功。

高层管理者健康性人力资本是管理者发挥其他形式人力资本的保证。

企业高层管理者人力资本是以上四种形式的人力资本之间相互促进共同发挥作用而构成的。

其含义可以概括为:为完成企业生产性和交易性的功能，保证人力资本与物质资本契约的有效实施而具有的技术性人力资本、社会性人力资本、能动性人力资本和健康性人力资本的总和。

2.2 指标体系的构建依据企业高层管理者人力资本的含义，将企业高层管理者人力资本评价指标体系结构分为以下四部分：技术性指标、社会性指标、能动性指标和健康性指标。

仅把评价要素分为四大部分还不便于进行评价，还应进一步细化。

为此，一般可采用职务分析法、素质图示法、专家调查法、问卷调查法、典型人物分析法等将指标细化。

通过综合运用上述方法，本文将指标细化为经营决策能力、学习与创新能力、社交能力、领导能力、职业效能感、工作价值观和身心健康状况七个指标。

对这些指标要素进行统计与归纳，从评价系统的结构、层次、功能、联系方式等方面综合地考察，并用管理学、心理学、人才学等学科的理论加以验证和论证，进行必要的修改和补充，完善和简化。

使其具有总体的完整性(完备性)与均衡性，从而使评价工作建立在比较合理、科学的基础上[4]。

3. 企业高层管理者人力资本评价模型3.1 指标标准化处理由于多目标决策的显著特点之一是目标间的不可公度性，即各个目标没有统一的度量标准，在进行综合评价之前,应先根据指标的类型选用不同的隶属函数将指标特征值统一变换到[0,1]范围内,即对特征值矩阵),,2,1)((n i i X "=进行量化。

设有n 个样本，p 项指标，可得数据矩阵,,2,1)("==i X X nxp ij n 为n 个样本, ,,2,1"=j p 为p 个指标,表示第i 个样本的第j 项指标值。

⑴当第j 项指标为效益型指标时,指标值越大，所表示的成果越大，应将它变换为}{}}{{ij ij ij ij ij x x x x r min max min '−−= p j ,,2,1"= ⑵当第j 项指标为成本型指标时,指标值越大,所表示的成果越小,应将它变换为 }{}}{{ij ij ijij ij x x x x r min max max '−−= p j ,,2,1"=⑶当第j 项指标为区间型指标时,即指标值在区间[]21,a a 内达到最优水平，且指标值离此区间越近越好。

公式可变换为}{}}{{}{}{}}{{}{⎪⎪⎪⎩⎪⎪⎪⎨⎧≤≤−−≤≤≤≤−−=ij ij ij ij ij ij ij ij ij ij ij ij ij ij x x a x x x x a x a a x x x x x x r max ,min max max ,1min ,min max min 2211'p j ,,2,1"= 3.2 评价机理人工神经网络是由大量称为神经元的简单信息单元广泛连接组成的复杂网络，用于模拟人类大脑神经网络的结构和行为。

它不仅具有自适应、自组织性等优点，而且善于从近似的、不确定的、甚至相互矛盾的知识环境中做出决策。

BP 网络是目前使用最为广泛的神经网络。

理论上已经证明，一个三层网络可以以任意精度去逼近任意映射关系[5]。

三层网络的拓扑结构如图2所示。

图2 三层BP 网络拓扑结构以下三个公式可用于选择最佳隐层节点数：①k C n i i n i ;∑=0，其中k 为样本数，i n 为隐单元数，n 为输入单元数，如果i n i ;则0=i n i C 。

②a m n n ++=1，其中m 为输出神经元数，n 为输入神经元数，a 为[]10,1之间的常数。

③n n 21log =，其中n 为输入样本单元数[6]。

通过大量的样本训练学习，将模式的顺传播过程和误差的逆传播实现输入层权系数ij w 和输出层权系数jt v 的调整。

中间层单元的输入为j n i i ijj a w s θ−=∑=1。

中间层的输出为()()][p j s s f b j j j ,,2,1,exp 11"=−+==。

其中),,2,1;,,2,1(p j n i w ij ""== 为输入层至中间层的连接权，j θ为中间层单元的阈值，p 为中间单元的个数，n 为输入层单元的个数,q 为输出层的个数。

神经元的变换函数f(x)采用sigmoid 函数。

按照相同的传播思路，计算中间层的输入t L 和输出t C ，t j p j jt t b vL ν−•=∑=1),,2,1;,,2,1(q t p j v jt ""==为中间层至输出层连接权；t ν为输出单元的阈值。

神经元反馈修正公式为①k j k t jt b d αµ=∆；②k t t d αν=∆；③k j k j ij e αβω=∆；④k j j e βθ=∆。

βα,为介于0和1之间的学习效率系数，k 为学习样本系数，其中的关系为()()()j q t k t jt k j t k t k t kt s f d v e L f c y d '1'⎥⎦⎤⎢⎣⎡==−=∑=。

运用附加动量法（()()1−∆+=∆N d N ωηω，η为动量因子，一般介于0.9-0.98之间）防止局部最小值的出现和加速网络学习训练的收敛过程。

4. 实证分析以某公司为例，具体介绍神经网络技术在企业高层管理者人力资本评估中的应用。

根据前面的分析，本文将经营决策能力、学习与创新能力、社交能力、领导能力、职业效能感、工作价值观和身心健康状况七个指标作为评价人力资本等级的主要因素，根据历史数据资料，选用其中前面12个有代表性的样本数据作为神经网络的学习样本，后面3个样本数据作为检验样本，原始样本数据资料如表1所示。

表1 训练样本数据表编号 经营决 策能力 学习与 创新能力 社交 能力 领导 能力 职业 效能感 工作 价值观 身心健 康状况 等级优 2 75 7075 74 70 80 85 一般 合格 一般 5 65 6870 65 72 71 75 合格 良 一般8 95 8080 85 80 82 80 良 9 55 6873 71 65 78 76 合格 不合格 11 75 7078 75 72 76 79 一般 12 65 8782 75 88 77 74 一般 13 75 8887 78 84 80 78 良 优 15 85 80 72 70 75 78 75 一般其中“等级”一列是根据专家打分,采用灰色系统评价得出的结果,100~90为“优秀”，90~80为“良好”，80~70为“一般”，70~60为“合格”，60分以下为“不合格”，将其作为神经网络的输出目标。