基于拓?fù)浣Y(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的績(jī)效管理評(píng)價(jià)研究*

彭傳梅

(河海大學(xué)商學(xué)院 南京 211100)

基于拓?fù)浣Y(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的績(jī)效管理評(píng)價(jià)研究*

彭傳梅

(河海大學(xué)商學(xué)院 南京 211100)

針對(duì)現(xiàn)有關(guān)于企業(yè)績(jī)效管理評(píng)價(jià)的方法存在一定的缺陷,不能滿足企業(yè)發(fā)展過(guò)程對(duì)制度評(píng)價(jià)的準(zhǔn)確度要求的問(wèn)題,通過(guò)利用AHP方法在復(fù)雜的評(píng)價(jià)指標(biāo)體系中篩選出8個(gè)代表性的指標(biāo)作為績(jī)效評(píng)價(jià)的評(píng)價(jià)指標(biāo),隨后對(duì)此采用拓?fù)浣Y(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)方法,構(gòu)建評(píng)價(jià)模型,設(shè)計(jì)算法程序,結(jié)合計(jì)算機(jī)技術(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練,得到該算法的仿真結(jié)果:算法的誤差在訓(xùn)練步數(shù)為100時(shí)就已經(jīng)達(dá)到了期望結(jié)果,而且預(yù)測(cè)數(shù)據(jù)的相關(guān)系數(shù)達(dá)到了0.98747,這表明基于拓?fù)浣Y(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)算法在企業(yè)績(jī)效管理評(píng)價(jià)工作中具有一定的可行性與較高的準(zhǔn)確性。

企業(yè)績(jī)效管理; 評(píng)價(jià)指標(biāo)體系; 拓?fù)浣Y(jié)構(gòu); BP神經(jīng)網(wǎng)絡(luò); 數(shù)據(jù)仿真

1 引言

在經(jīng)濟(jì)與科技迅速發(fā)展的時(shí)代,合理有效的管理制度是決定企業(yè)在激烈的市場(chǎng)競(jìng)爭(zhēng)地位的重要因素[1]。管理績(jī)效評(píng)價(jià)指的是管理者根據(jù)評(píng)價(jià)目標(biāo)和評(píng)價(jià)標(biāo)準(zhǔn),構(gòu)建合理的評(píng)價(jià)指標(biāo)系統(tǒng)[2],利用有效的方法評(píng)價(jià)企業(yè)運(yùn)營(yíng)成果[3]。績(jī)效管理評(píng)價(jià)有效反映了企業(yè)當(dāng)前的運(yùn)營(yíng)狀況,是企業(yè)定位自身的重要方法[4～5],通過(guò)企業(yè)自身前后水平的縱向比較或與競(jìng)爭(zhēng)對(duì)手的橫向比較,總結(jié)經(jīng)營(yíng)過(guò)程中的經(jīng)驗(yàn)與不足,另外還可以探索企業(yè)發(fā)展過(guò)程的規(guī)律性,從而促進(jìn)企業(yè)科學(xué)良性發(fā)展[6～7]。但是對(duì)于平價(jià)的方法并沒(méi)有一個(gè)較為系統(tǒng)的體系,本文就利用BP神經(jīng)網(wǎng)絡(luò)方法來(lái)分析評(píng)價(jià)企業(yè)績(jī)效管理的有效性。

2 企業(yè)績(jī)效管理評(píng)價(jià)

2.1 企業(yè)績(jī)效管理評(píng)價(jià)

企業(yè)作為一個(gè)系統(tǒng)是很復(fù)雜的,企業(yè)的長(zhǎng)遠(yuǎn)發(fā)展是它的最終目標(biāo),企業(yè)管理者可以通過(guò)評(píng)價(jià)管理績(jī)效來(lái)實(shí)現(xiàn)對(duì)這個(gè)系統(tǒng)運(yùn)轉(zhuǎn)狀況的掌握,從而更好地控制和延續(xù)企業(yè)的發(fā)展。有效的績(jī)效管理制度可以激勵(lì)員工情緒,引發(fā)工作熱情,實(shí)現(xiàn)資源效益最大化,從而提升企業(yè)的核心競(jìng)爭(zhēng)力。評(píng)價(jià)績(jī)效管理總體可以分為兩個(gè)方面[8],一是績(jī)效管理體制的開(kāi)展情況;二是這種制度對(duì)企業(yè)的幫助。

企業(yè)績(jī)效管理是復(fù)雜系統(tǒng),它的實(shí)施效果受到企業(yè)的結(jié)構(gòu)形式、發(fā)展目標(biāo)、制度體系文化等多個(gè)因素的不明確影響,另外還可能存在一些未知因素,因此可以把管理績(jī)效制度看作一個(gè)系統(tǒng),利用系統(tǒng)的相關(guān)評(píng)價(jià)方法來(lái)進(jìn)行。

2.2 企業(yè)績(jī)效管理評(píng)價(jià)的傳統(tǒng)方法

總體來(lái)說(shuō),企業(yè)績(jī)效管理評(píng)價(jià)主要是建立管理績(jī)效評(píng)價(jià)的指標(biāo)體系,據(jù)此選取合適的數(shù)學(xué)模型,處理相關(guān)數(shù)據(jù)得到評(píng)價(jià)結(jié)果。根據(jù)現(xiàn)有資料,評(píng)價(jià)方法主要有:定量與定性相結(jié)合的Delphi法以及以遞階層次結(jié)構(gòu)為核心的AHP法[9],還有基于非典型小樣本數(shù)據(jù)的灰色關(guān)聯(lián)評(píng)價(jià)法。另外還有模擬人類(lèi)神經(jīng)系統(tǒng)信息處理方式的人工神經(jīng)網(wǎng)絡(luò)法[10]以及利用運(yùn)籌學(xué)理論處理數(shù)據(jù)的數(shù)據(jù)包絡(luò)分析(Data Envelopment Analysis,DEA)方法[11]。

2.3 企業(yè)績(jī)效管理評(píng)價(jià)的指標(biāo)體系

根據(jù)企業(yè)管理活動(dòng)規(guī)律及實(shí)際營(yíng)銷(xiāo)環(huán)境,本文首先確定了五個(gè)如下的一級(jí)指標(biāo):知識(shí)鏈、企業(yè)人力資源、技術(shù)資源、組織文化建設(shè)、市場(chǎng)資源。為了增加一級(jí)指標(biāo)的合理性,通過(guò)對(duì)績(jī)效管理機(jī)制的學(xué)習(xí),同時(shí)結(jié)合定性與定量分析方法,歸納得到了表1所示的指標(biāo)集合。

表1 企業(yè)績(jī)效管理評(píng)價(jià)指標(biāo)體系

3 BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)

1986年Rumelhart小組提出了BP神經(jīng)網(wǎng)絡(luò)的概念[12],其核心是梯度下降法,根據(jù)誤差反向傳播的特點(diǎn),調(diào)整權(quán)值和閾值實(shí)現(xiàn)均方誤差的最小化,其實(shí)質(zhì)是一種多層前饋神經(jīng)網(wǎng)絡(luò)。它依靠對(duì)定量樣本的訓(xùn)練來(lái)逐步調(diào)整評(píng)價(jià)指標(biāo)與結(jié)果之間的函數(shù)關(guān)系,在反復(fù)迭代達(dá)到穩(wěn)定后,就實(shí)現(xiàn)了評(píng)價(jià)對(duì)象的評(píng)價(jià)。

3.2 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

本文研究BP神經(jīng)網(wǎng)絡(luò)模型基于拓?fù)浣Y(jié)構(gòu),它由三個(gè)不同的層次組成:輸入層、隱含層與輸出層,在每層中都存在大量可以并行運(yùn)算的簡(jiǎn)單神經(jīng)元[13]。網(wǎng)絡(luò)結(jié)構(gòu)中層次之間的神經(jīng)元通過(guò)全互聯(lián)方式連接,而同一層的神經(jīng)元之間并不存在連接。其拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 拓?fù)浣Y(jié)構(gòu)的層次以及神經(jīng)元

外界信號(hào)通過(guò)輸入層節(jié)點(diǎn)進(jìn)入系統(tǒng),在“網(wǎng)絡(luò)線路”的引導(dǎo)下傳到隱含層,進(jìn)而來(lái)到輸出層,類(lèi)似水流過(guò)程,下層節(jié)點(diǎn)的信號(hào)輸入只受到上層節(jié)點(diǎn)的影響。但誤差卻從輸出層反向傳播,在這個(gè)過(guò)程中網(wǎng)絡(luò)權(quán)值根據(jù)誤差反饋來(lái)進(jìn)行調(diào)整。

3.3 BP神經(jīng)網(wǎng)絡(luò)的算法原理

標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)根據(jù)梯度下降法進(jìn)行循環(huán)處理,最終使得輸出值與期望輸出值的誤差滿足一定的精度要求[14]?，F(xiàn)假設(shè)目標(biāo)是標(biāo)量函數(shù)F(w)取得最小值,當(dāng)前神經(jīng)元的權(quán)值是w(t),且下一時(shí)刻的權(quán)值調(diào)節(jié)公式為

w(t+1)=w(t)+Δw(t)

(1)

其中,Δw(t)表示當(dāng)前權(quán)值的修正方向,則修正的目的為

F(w(t+1))

(2)

對(duì)上式利用泰勒一階展開(kāi)公式,有

F(w(t+1))≈F(w(t))+g′(t)Δw(t)

(3)

當(dāng)Δw(t)=-cg(t),則權(quán)值修正值將會(huì)沿著負(fù)梯度方向下降,即梯度下降法。

那么對(duì)于輸出層有:

(4)

對(duì)于隱含層有:

(5)

綜合式(4)和式(5):

ok=f(netk),yj=f(netj)

代入有:

(6)

其中

至此得到了權(quán)值計(jì)算方程為

(7)

4 基于拓?fù)渖窠?jīng)網(wǎng)絡(luò)的績(jī)效管理模型

4.1 績(jī)效管理的拓?fù)渖窠?jīng)網(wǎng)絡(luò)評(píng)價(jià)模型建立

根據(jù)BP神經(jīng)網(wǎng)絡(luò)對(duì)模糊系統(tǒng)評(píng)價(jià)的原理,通過(guò)系統(tǒng)自適應(yīng)調(diào)整,網(wǎng)絡(luò)評(píng)價(jià)可以通過(guò)足量的訓(xùn)練樣本習(xí)得的類(lèi)似人腦的能力,模擬評(píng)價(jià)體系內(nèi)部存在的函數(shù)關(guān)系,輸入未知樣本后循環(huán)測(cè)試最終就能實(shí)現(xiàn)目標(biāo)[14]。這樣就實(shí)現(xiàn)了對(duì)專(zhuān)家評(píng)價(jià)的模擬,排除主觀因素對(duì)于評(píng)價(jià)結(jié)果的影響。

本文選取20位資深專(zhuān)家對(duì)企業(yè)的績(jī)效管理進(jìn)行評(píng)估,得到如表2所示的結(jié)果。

另外根據(jù)對(duì)現(xiàn)存資料以及專(zhuān)家意見(jiàn)的總結(jié),構(gòu)建合理的績(jī)效管理評(píng)價(jià)指標(biāo)體系,并且參考文獻(xiàn)[10]中的AHP方法,劃分指標(biāo)層次模型,構(gòu)造判斷矩陣,并利用和積法對(duì)指標(biāo)進(jìn)行層次單排序,最后通過(guò)一致性檢驗(yàn),確定各指標(biāo)的權(quán)重?cái)?shù)值,我們從中選擇排名在前八的指標(biāo)作為評(píng)價(jià)體系的指標(biāo),分別為:學(xué)習(xí)型組織(C1)、員工的文化程度(C2)、激勵(lì)機(jī)制(C3)、研發(fā)投入(C4)、員工的積極性(C5)、部門(mén)合作(C6)、先進(jìn)技術(shù)設(shè)施(C7)、員工學(xué)習(xí)能力(C8),如表3所示。

表2 專(zhuān)家評(píng)估結(jié)果

表3 專(zhuān)家評(píng)估結(jié)果

4.2 拓?fù)渖窠?jīng)網(wǎng)絡(luò)對(duì)于企業(yè)績(jī)效管理評(píng)價(jià)的算法實(shí)現(xiàn)

根據(jù)BP神經(jīng)網(wǎng)絡(luò)算法的基本原理,是基于梯度法的搜索算法,其算法的實(shí)現(xiàn)過(guò)程為

Step1:在[-1,1]隨機(jī)生成網(wǎng)絡(luò)的權(quán)值和閾值;

Step3:利用式(8)計(jì)算輸出層節(jié)點(diǎn)和隱含層節(jié)點(diǎn)之間連接權(quán)值修正量;

Step4:利用式(9)計(jì)算隱含層節(jié)點(diǎn)和輸入層節(jié)點(diǎn)間連接權(quán)值修正量;

Step5:用誤差修正量修正網(wǎng)絡(luò)的權(quán)值和閾值:wjk(t+1)=wjk(t)+Δwjk,vij(t+1)=vij(t)+Δvij;

Step6:求誤差函數(shù)的值,判斷是否小于期望的誤差精度。若滿足誤差要求,則結(jié)束算法;否則,網(wǎng)絡(luò)返回Step2繼續(xù)訓(xùn)練,直到滿足要求為止。其中,ok是期望的輸出。

BP算法流程如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)算法流程圖

5 拓?fù)渖窠?jīng)網(wǎng)絡(luò)模型數(shù)據(jù)分析

根據(jù)上述章節(jié)的分析,本文討論的績(jī)效管理評(píng)價(jià)指標(biāo)體系選取8個(gè)較為重要的評(píng)價(jià)指標(biāo),所以模型輸入層有8個(gè)輸入指標(biāo)即8個(gè)輸入節(jié)點(diǎn),而輸出層僅含單個(gè)神經(jīng)元,以便表示評(píng)價(jià)結(jié)果,其范圍是[0,1]。

在此采用試湊法確定神經(jīng)系統(tǒng)結(jié)構(gòu)的隱含層節(jié)點(diǎn)個(gè)數(shù),經(jīng)過(guò)實(shí)驗(yàn)檢測(cè),系統(tǒng)的收斂速度和穩(wěn)定性在節(jié)點(diǎn)數(shù)為11的時(shí)候能達(dá)到了最佳狀態(tài),得到的結(jié)果如表3所示。

表3 隱含層節(jié)點(diǎn)個(gè)數(shù)與平均誤差的關(guān)系

圖3 BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練性能誤差曲線

數(shù)據(jù)分析過(guò)程中,設(shè)定標(biāo)準(zhǔn)訓(xùn)練步長(zhǎng)為500,動(dòng)量因子為0.95。那么利用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的算法,得到的訓(xùn)練誤差性能曲線如圖3所示。

其中,迭代次數(shù)作為橫軸,網(wǎng)絡(luò)的訓(xùn)練誤差作為縱軸。從圖中可以看出,在訓(xùn)練步長(zhǎng)還未達(dá)到設(shè)定值時(shí)誤差就已經(jīng)滿足要求,即BP神經(jīng)網(wǎng)絡(luò)算法的收斂效果是很好的。

圖4和圖5分別是算法對(duì)于測(cè)試數(shù)據(jù)的仿真效果圖以及仿真結(jié)果與期望值的回歸分析,坐標(biāo)系中縱軸為訓(xùn)練輸出值,橫軸表示期望值。從圖看出算法的相關(guān)系數(shù)R=0.98747,結(jié)合相關(guān)系數(shù)的意義,可知預(yù)測(cè)值與期望值之間的相關(guān)性是比較理想的。根據(jù)BP神經(jīng)網(wǎng)絡(luò)算法對(duì)系統(tǒng)進(jìn)行仿真訓(xùn)練,得到結(jié)果說(shuō)明該算法的網(wǎng)絡(luò)性能比較好,也驗(yàn)證了它用于企業(yè)績(jī)效管理評(píng)價(jià)的可行性。

圖4 測(cè)試數(shù)據(jù)的預(yù)測(cè)結(jié)果

圖5 BP神經(jīng)網(wǎng)絡(luò)的算法仿真結(jié)果的回歸分析

6 結(jié)語(yǔ)

企業(yè)要想在競(jìng)爭(zhēng)激烈的市場(chǎng)立足,就必須采取有效的管理制度以及合理的評(píng)價(jià)方法。只有兩者相結(jié)合才能夠發(fā)現(xiàn)制度中的缺陷,以此來(lái)合理配置企業(yè)資源,從而實(shí)現(xiàn)企業(yè)利潤(rùn)最大化。本文借閱其他文獻(xiàn)的AHP法從兩級(jí)評(píng)價(jià)指標(biāo)中選出了8個(gè)權(quán)值較大的指標(biāo)。對(duì)于確定評(píng)價(jià)體系采用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行評(píng)價(jià),網(wǎng)絡(luò)算法的訓(xùn)練結(jié)果表明算法誤差、測(cè)試數(shù)據(jù)以及數(shù)據(jù)相關(guān)系數(shù)的回歸分析等都有較好的結(jié)果,因此BP神經(jīng)網(wǎng)絡(luò)算法明顯提升了企業(yè)績(jī)效管理水平評(píng)價(jià)的準(zhǔn)確性。

但是我們還可以考慮從以下方面來(lái)進(jìn)一步完善評(píng)價(jià)方法:首先全面考慮影響企業(yè)績(jī)效管理評(píng)價(jià)的因素,如技術(shù)發(fā)展程度、企業(yè)周?chē)h(huán)境等;另外考慮到評(píng)價(jià)指標(biāo)的形式特點(diǎn),進(jìn)一步改善指標(biāo)權(quán)重的方法,在確定指標(biāo)權(quán)重?cái)?shù)值時(shí)將定性的因素考慮進(jìn)去;優(yōu)化本文提到的評(píng)價(jià)算法,增強(qiáng)算法的適應(yīng)能力以及對(duì)于不確定性問(wèn)題的處理能力。

[1] 范文蕊.知識(shí)管理對(duì)企業(yè)核心競(jìng)爭(zhēng)力的影響研究[D].昆明:云南財(cái)經(jīng)大學(xué),2012. FAN Wenrui. Research on the Influence of Knowledge Management on the Core Competence of Enterprises[D]. Kunmin: Yunnan University of Finance and Economics,2012.

[2] 游怡.基于AHP的商業(yè)銀行知識(shí)管理評(píng)價(jià)指標(biāo)分析[J].財(cái)會(huì)通訊,2014(11):35-37. YOU Yi. Analysis of Evaluation Indexes of Commercial Bank Knowledge Management Based on AHP[J]. Accounting Communication,2014(11):35-37.

[3] 王彤,丁雷.基于模糊神經(jīng)網(wǎng)絡(luò)分類(lèi)算法的績(jī)效考核評(píng)聘策略研究[J].現(xiàn)代遠(yuǎn)距離教育,2011(2):60-62. WANG Tong, DING Lei. Research on the Appraisal and Appraisal of Performance Based on Fuzzy Neural Network Classification Algorithm[J]. Modern Distance Education,2011(2):60-62.

[4] 韓瑩.企業(yè)績(jī)效管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].電子設(shè)計(jì)工程,2015(13):65-67. HAN Ying. Design and Implementation of Enterprise Performance Management System[J]. Electronic Design Engineering,2015(13):65-67.

[5] 張磊.基于J2EE技術(shù)的銀行客戶經(jīng)理績(jī)效考核管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].長(zhǎng)春:吉林大學(xué),2016. ZHANG Lei. Design and Implementation of Performance Management System for Bank Account Managers Based on J2EE Technology[D]. Changchun: Jilin University,2016.

[6] 郭小燕,張明,等.帶權(quán)重的RBF神經(jīng)網(wǎng)絡(luò)銀行個(gè)人信用評(píng)價(jià)方法[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(5):258-262. GUO Xiaoyan, ZHANG Ming, et al. Method of personal credit evaluation of bank based on RBF neural network with weight[J]. Computer Engineering and Applications,2013,49(5):258-262.

[7] 李燕峰,畢越英,陳?；?等.應(yīng)用Delphi法構(gòu)建臨床護(hù)士績(jī)效考評(píng)指標(biāo)體系的研究[J].護(hù)理管理雜志,2012,12(7):460-462. LI Yanfeng, BI Yueying, CHEN Haihua, et al. Development of clinical nurses performance evaluation indicators system bu using Delphi Method[J]. Journal of Nursing Administrion,2012,12(7):460-462.

[8] 雙同科,田佳林,劉學(xué),等.一種基于改進(jìn)AHP的指標(biāo)權(quán)重確定方法[J].中國(guó)西部科技,2011,10(32):37-38. SUANG Tongke, TIAN Jialin, LIU Xue, et al. A Method of Determining Weights of Indicators Based on Improved[J]. Science and Technology of West China,2011,10(32):37-38.

[9] 相廣萍.基于數(shù)據(jù)包絡(luò)分析法對(duì)山東耕地產(chǎn)出效率及影響因子研究[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)自然科學(xué)版,2015(1):65-68. XIANG Guangping. Study on the Production Efficiency of Farmland in Shandong Influence Factor Based on Data Envelopment Analysis[J]. Journal of Shandong Agricultural University(Natural Science Edition),2015(1):65-68.

[10] 張?jiān)虑?劉翔,孫先洋.一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法與應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展,2012,22(8):163-166. ZHANG Yueqin, LIU Xiang, SUN Xianyang. An Imporved Algorithm of BP Neural Network and Its Application[J]. Computer Technology and Development,2012,22(8):163-166.

[11] 李翔,朱全銀.基于Adaboost算法和BP神經(jīng)網(wǎng)絡(luò)的稅收預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用,2012,32(12):3558-3560. LI Xiang, ZHU Quanyin. Tax forecasing based on Adaboost algorithm and BPneural network[J]. Journal of Computer Applications,2012,32(12):3558-3560.

[12] 張?jiān)葡?基于云計(jì)算模式的ERP企業(yè)管理信息系統(tǒng)分析[J].信息技術(shù),2013,4(2):47-49. ZHANG Yunxia. Based on the cloud computing model of ERP enterprise management information system analysis[J]. Information Technology,2013,4(2):47-49.

[13] 何涇沙,鄭偉.BP神經(jīng)網(wǎng)絡(luò)模型在室內(nèi)溫度預(yù)測(cè)中的應(yīng)用[J].電子技術(shù)與軟件工程,2015(12):25-26. HE Jingshao, ZHENG Wei. Application of BP Neural Network Model in Indoor Temperature[J]. Electronic Technology & Software Engineering,2015(12):25-26.

[14] 張自敏,樊艷英,陳冠萍.改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在地方GDP預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)科學(xué),2012,39(s3):108-110. ZHANG Zimin, FAN Yanying, CHEN Guanping. Application of improved BP neural network in predicting of region GDP[J]. Computer Science,2012,39(s3):108-110.

Evaluation of the Performance Management Based on Neural Network Topology Structure

PENG Chuanmei

( Bussiness School, Hohai University, Nanjing 211100)

In order to solve the problems existing in the evaluation methods of enterprise performance management, which can not meet the requirements of the enterprise development process to evaluate the accuracy of the system, eight representative indexes are selected as evaluation indexes of performance evaluation by using AHP method in the complex evaluation index system, and then the BP neural network method of topological structure is used to construct the evaluation model and the algorithm program is designed, the computer technology is combined to carry on the network training, and the simulation result of this algorithm is gotten: the error of the algorithm has reached the expected results when the training step is 100, and the correlation coefficient of forecast data is 0.98747, it shows that the BP neural network algorithm based on topological structure in enterprise performance management evaluation has certain feasibility and high accuracy.

enterprise performance management, evaluation system, topological structure, BP neural network, data simulation Class Number TN393

2016年10月16日,

2016年11月27日

國(guó)家自然科學(xué)基金項(xiàng)目(編號(hào):41471456);中央高?；究蒲袠I(yè)務(wù)費(fèi)項(xiàng)目(編號(hào):2014B39714);江蘇省普通高校研究生科研創(chuàng)新計(jì)劃項(xiàng)目(編號(hào):KYLX_0512)資助。

彭傳梅,女,碩士研究生,研究方向:人力資源管理。

TN393

10.3969/j.issn.1672-9722.2017.04.001