论文部分内容阅读
（成都理工大学管理科学学院，四川 成都 61005）
摘 要：现代企业管理中，越来越多的企业开始重视对人力资源价值的评价与考核，以往的专家主观判断和定性分析已经不能适应发展的需要。采用BP神经网络（反向传播）模型，对企业人力资源价值进行评价，旨在解决人力资源发展所所遇到的瓶颈问题。
关键词：人力资源价值；BP反向传播模型；评价模型
中图分类号：F24文献标识码：A文章编号：1672-3198（2011）01-0248-02
1 引言
当今社会，经济高度发展，国际与国内分工日益细化，各种企业都面临许许多多的决策问题。为了解决这些问题，学者提出模拟人脑的神经网络工作原理，建立可以仿真预测的模型，将经验型知识加以利用，求出最佳值与实际值之间的误差最小化。这种方法就是人工神经网络（artificial neural network ANN）。
2 人力资源价值
笼统地说，人力资源价值就是人力资源为社会组织提供服务、创制价值的能力。具体可以表述为：人力资源价值分为补偿价值与剩余价值两部分，补偿价值就是用作补偿劳动者体力与脑力劳动那部分的价值，包括工资、奖金、福利等。剩余价值即劳动者剩余劳动创造的价值部分，为企业利润。补偿价值与剩余价值两者共同构成人力资源价值。
常见的人力资源价值计算方法有经济价值法，利益现值法，随机报酬法等。从计量模式上来看，人力资源价值计量方法分为货币计量方法与非货币计量方法。以上所述几种方法即为货币性计量方法。
影响人力资源价值的因素是复杂多样的，单单用货币性计量方式有很多限制，不能充分评价其价值，这就需要以员工个体或群体的知识、经验及管理才能为主要因素，建立反映其真实工作能力的档案或绩效考核表等非货币评价方式的考核制度。
3 BP神经网络
人工神经网络是模仿生物神经网络功能的一种经验模型，输入与输出一般是非线性的。基本过程是首先根据输入信息建立神经元，通过学习规则或自组织形式等过程建立相应的非线性数学模型，不断修正，使输出结果与实际值之间差距不断缩小。
1985年，Rumelhart等人领导的并行分布式处理小组提出了误差反向传递学习算法，就是本文所述BP算法，很好地实现了多层神经网络的设想。选择BP网络为研究对象，不仅因为它是目前应用最为广泛的网络之一，也因为它的映射能力和学习算法的研究相对来讲进行得较深入与彻底。
BP网络是一种具有三层或三层以上的层次网络结构，相邻上、下层之间各神经元实现全连接，即下层的每个神经元与上层的每个神经元都实现权连接，而每层各神经元之间无连接。此外，BP算法还具有1个或多个中间层，即平常所说隐含层。对于输入节点，首先会向前传入到隐含层节点，经相关作用函数后，再把隐含节点的信号传到输出节点，最后得到输出结果。那么在BP神经网络中，节点的作用激励函数一般选用S型函数。其中间隐含层和输出层的神经元的操作规则如下：
Ykjf（∑mi1W（k-1）i,kjY（k-1）i）
1989年Robert Hecht-Nielson证明了一个三层的BP网络可以完成任意的n维到m维的映射。即为设计BP网络的基本原则，如图1：
简单说来，BP神经网络模型的构建过程可以设计如下：根据定理构造一个包括输入层、隐含层，输出层的三层BP网络，其中输入层节点数为a,具体为评价指标的个数，输出层节点数为b，为期望目标结果。隐含层节点数是根据经验和反复试验得出，输出函数一般采用Sigmoid变换函数，输入与输出层函数为线性函数。实现语言工具可采用Matlab。
4 实例分析
由于BP神经网络模型目前在很大程度上只是停留在理论探讨阶段，因此该实例的应用尚待研究，在此只是对它做理论上的分析。下面以某公司为做员工价值考察，以决定是否对其进行奖励为例，设计BP神经网络评价模型。
根据影响人力资源价值的自身因素确定评价指标，再由专家组打分确定原始样本数据表如下：
表1 原始数据表2.1.1
说明：采用10分制，3分以下为不合格，3-5分为合格，5-7分为一般，8-10分为优秀。
（1）确定评价指标集。我们不妨将1-14号员工作为训练样本输入，15-20号员工作为检验样本输入，输出目标为“评分“这个指标。显然，本例输入节点数为5，输出节点数为1。
（2）确定层数。一般我们采用一个输入层，一个隐含层，一个输出层的三层网络结构模式。输入层的节点数为5个指标个数，隐含层的节点数根据经验和反复实验，决定选取20，输出层的节点数为评分结果的目标值1。
（3）数据标准化处理。用（0,1）之间的数将网络节点的数据初始化。可以将各指标数据分别除以10得到标准化数据，作为BP神经网络的输入值。此外，我们将评分目标量化，设为特征向量形式，即：“优秀“为（1 0 0 0），”一般“为（0 1 0 0），”合格“为（0 0 1 0），“不合格”为（0 0 0 1）。以此作为目标值输入网络模型。我们将训练样本设定为P1,检验样本设定为K1，目标向量为T。
（4）具体建立模型并计算。在此，采用Matlab工具进行一系列计算。
程序中，训练样本的步长设定为250，一直迭代到5000.运行程序，可得到如下结果，其中，训练样本为：
摘 要：现代企业管理中，越来越多的企业开始重视对人力资源价值的评价与考核，以往的专家主观判断和定性分析已经不能适应发展的需要。采用BP神经网络（反向传播）模型，对企业人力资源价值进行评价，旨在解决人力资源发展所所遇到的瓶颈问题。
关键词：人力资源价值；BP反向传播模型；评价模型
中图分类号：F24文献标识码：A文章编号：1672-3198（2011）01-0248-02
1 引言
当今社会，经济高度发展，国际与国内分工日益细化，各种企业都面临许许多多的决策问题。为了解决这些问题，学者提出模拟人脑的神经网络工作原理，建立可以仿真预测的模型，将经验型知识加以利用，求出最佳值与实际值之间的误差最小化。这种方法就是人工神经网络（artificial neural network ANN）。
2 人力资源价值
笼统地说，人力资源价值就是人力资源为社会组织提供服务、创制价值的能力。具体可以表述为：人力资源价值分为补偿价值与剩余价值两部分，补偿价值就是用作补偿劳动者体力与脑力劳动那部分的价值，包括工资、奖金、福利等。剩余价值即劳动者剩余劳动创造的价值部分，为企业利润。补偿价值与剩余价值两者共同构成人力资源价值。
常见的人力资源价值计算方法有经济价值法，利益现值法，随机报酬法等。从计量模式上来看，人力资源价值计量方法分为货币计量方法与非货币计量方法。以上所述几种方法即为货币性计量方法。
影响人力资源价值的因素是复杂多样的，单单用货币性计量方式有很多限制，不能充分评价其价值，这就需要以员工个体或群体的知识、经验及管理才能为主要因素，建立反映其真实工作能力的档案或绩效考核表等非货币评价方式的考核制度。
3 BP神经网络
人工神经网络是模仿生物神经网络功能的一种经验模型，输入与输出一般是非线性的。基本过程是首先根据输入信息建立神经元，通过学习规则或自组织形式等过程建立相应的非线性数学模型，不断修正，使输出结果与实际值之间差距不断缩小。
1985年，Rumelhart等人领导的并行分布式处理小组提出了误差反向传递学习算法，就是本文所述BP算法，很好地实现了多层神经网络的设想。选择BP网络为研究对象，不仅因为它是目前应用最为广泛的网络之一，也因为它的映射能力和学习算法的研究相对来讲进行得较深入与彻底。
BP网络是一种具有三层或三层以上的层次网络结构，相邻上、下层之间各神经元实现全连接，即下层的每个神经元与上层的每个神经元都实现权连接，而每层各神经元之间无连接。此外，BP算法还具有1个或多个中间层，即平常所说隐含层。对于输入节点，首先会向前传入到隐含层节点，经相关作用函数后，再把隐含节点的信号传到输出节点，最后得到输出结果。那么在BP神经网络中，节点的作用激励函数一般选用S型函数。其中间隐含层和输出层的神经元的操作规则如下：
Ykjf（∑mi1W（k-1）i,kjY（k-1）i）
1989年Robert Hecht-Nielson证明了一个三层的BP网络可以完成任意的n维到m维的映射。即为设计BP网络的基本原则，如图1：
简单说来，BP神经网络模型的构建过程可以设计如下：根据定理构造一个包括输入层、隐含层，输出层的三层BP网络，其中输入层节点数为a,具体为评价指标的个数，输出层节点数为b，为期望目标结果。隐含层节点数是根据经验和反复试验得出，输出函数一般采用Sigmoid变换函数，输入与输出层函数为线性函数。实现语言工具可采用Matlab。
4 实例分析
由于BP神经网络模型目前在很大程度上只是停留在理论探讨阶段，因此该实例的应用尚待研究，在此只是对它做理论上的分析。下面以某公司为做员工价值考察，以决定是否对其进行奖励为例，设计BP神经网络评价模型。
根据影响人力资源价值的自身因素确定评价指标，再由专家组打分确定原始样本数据表如下：
表1 原始数据表2.1.1
说明：采用10分制，3分以下为不合格，3-5分为合格，5-7分为一般，8-10分为优秀。
（1）确定评价指标集。我们不妨将1-14号员工作为训练样本输入，15-20号员工作为检验样本输入，输出目标为“评分“这个指标。显然，本例输入节点数为5，输出节点数为1。
（2）确定层数。一般我们采用一个输入层，一个隐含层，一个输出层的三层网络结构模式。输入层的节点数为5个指标个数，隐含层的节点数根据经验和反复实验，决定选取20，输出层的节点数为评分结果的目标值1。
（3）数据标准化处理。用（0,1）之间的数将网络节点的数据初始化。可以将各指标数据分别除以10得到标准化数据，作为BP神经网络的输入值。此外，我们将评分目标量化，设为特征向量形式，即：“优秀“为（1 0 0 0），”一般“为（0 1 0 0），”合格“为（0 0 1 0），“不合格”为（0 0 0 1）。以此作为目标值输入网络模型。我们将训练样本设定为P1,检验样本设定为K1，目标向量为T。
（4）具体建立模型并计算。在此，采用Matlab工具进行一系列计算。
程序中，训练样本的步长设定为250，一直迭代到5000.运行程序，可得到如下结果，其中，训练样本为：