第!"卷 第#期 运 筹 与 管 理 $%&’!"，(%’#
#))*年"月 +,-./01+(2.-2-/.34/(56/(/7-6-(0231-(3- /89’#))*
收稿日期：#))":);:#<
基金项目：全国教育科学“十五”规划重点课题资助项目（5-=)>)#?!）；国防基础科研基金项目（=!<#))#3))!）。
作者简介：顾文涛（!;@<:）男，江苏六合人，副教授，博士生，主要研究方向：组织理论与伦理学；韩玉启（!;"*:）男，江苏徐州人，教授，博
士生导师，主要研究方向：企业管理理论和方法；孟庆良（!;<):）男，河南扶沟人，博士生，主要研究方向：组织理论。
基于=,算法的企业自我实现能力综合评价!
顾文涛， 韩玉启， 孟庆良
（南京理工大学 经济管理学院，江苏 南京#!));"）
摘 要：针对企业需要的多层次及动态复杂性特征，结合企业需要层次理论，在建立企业自我实现能力指标体系
的基础上，构造了基于改进的=,算法的企业自我实现能力综合测评模型。该模型具有较好的收敛速度和自适
应能力，具有方便、准确、可靠、快速等特点。实证分析和仿真结果的比较表明该算法是有效的。
关键词：企业管理；企业自我实现能力；评价模型；神经网络
中图分类号：3;>@：A#?) 文章标识码：/ 文章编号：!))?:>##!（#))*）)#:)!*":)*
!"#$%&’#$()*’+,’#-."./)"#$&0&-1$’12$+/3/,+/-++4$"#5’0’6-+-#7
8’1$(."!40&.*$(89:+%.&-#;4
7BCDE:FG%，4/(HI:JK，6-(7LKEM:&KGEM
（!"#$%$&$’()*+("(,%+N-."./’,’"$，0."1%"/2"%3’4#%$5()6+%’"+’N7’+8"(9(/5，0."1%"/#!));"，:8%".）
:61#&’<#：0ODEDDP%QFODDEFD989KRDKRGOKD9G9SOKSG&，PTEGUKSGEPS%U8&DVRTRFDU’=GRDP%EFODOKD9G9SOT
%QFODDEFD989KRDEDDPRFOD%9TGEPFODDRFGW&KROUDEF%QKEPDVRTRFDU%QDEFD989KRD’RRD&Q:QI&QK&&UDEFSG8GWK&KFT，
GEKU89%XDP=,WGRDPDXG&IGFK%EU%PD&KRPDXD&%8DP’0ODU%PD&SGEKU89%XDS%EXD9MDESDR8DDPGEPRD&Q:
GPG8FGWK&KFT，GEPFODG&M%9KFOUOGRGPXGEFGMDR%QGSSI9GST，S%EXDEKDESD，9D&KGWK&KFTGEP9G8KPKFT’0ODS%U:
8G9KR%EWDFYDDERKUI&GFK%EGEPDU8K9KSG&GEG&TRKR89%XDRFOKRG&M%9KFOUKRDQQDSFKXD’
=$7>.&(1：WIRKEDRRUGEGMDUDEF；DEFD989KRD’RRD&Q:QI&QK&&UDEFSG8GWK&KFT；DXG&IGFK%EU%PD&；/((
) 引言
企业作为一个有生命的复杂系统，有其特殊的需要、智能和行为，企业的智能和行为受其需要的支配。
文献［!］认为，企业需要是一个多层次的复杂系统，包含四个层次：生存需要、秩序需要、伦理需要、自我实
现需要。本文在文献［!］研究的基础上，引入企业自我实现能力和企业自我实现能力指数概念，建立了一
个基于改进的=,神经网络的企业自我实现能力综合测评模型。该模型的建立，为企业评估自身自我实
现的能力提供了理论基础和实现途径。
! 企业自我实现能力的界定
!"! 企业自我实现能力的界定
企业自我实现能力即企业充分发挥自身潜能的能力。其含义有三：第一，它是企业达到自我实现的高
万方数据
峰状态时所具有的能力。第二，它具有层次结构，即存在于企业的各个层次。第三，它是一组能力的集合
（!"#"$%&%’()*’），由各子系统整合为系统整体。
企业自我实现能力指数是衡量企业自我实现能力程度的一个综合性指标。它是对构成企业自我实现
能力的各项指标进行定性、定量研究而得出的综合评价结果，是对企业自我实现能力的深入、系统的概括。
!"# 企业自我实现能力评价体系的建立原则
自我实现能力是一个多层次多维度的复杂系统。指标体系的建立主要遵循如下原则［+］：
（,）系统性与层次性原则。企业自我实现能力本身是一个具有特定层次结构的系统。因此，指标体系
也应该具有与之相应的层次结构与系统性。
（+）全面性与细分性原则。指标应能反映系统的各个层次与维度的属性；同时，为了揭示其内在本质，
指标体系应深入到结构深处，并满足同层各要素之间的独立性原则。
（-）有效性与可操作性原则。模型应能合理有效地反映企业自我实现能力的本质与特征，同时要考虑
到指标体系数据的可获得性。
（.）静态与动态相结合原则。企业在生命周期［-］的不同阶段各指标的权重是变化的。静态指标反映
的是当前水平，动态指标反映的是潜在发展趋势。
!"$ 企业自我实现能力评价体系的构建
根据自我实现能力指标体系的构建原则，首先设计测评指标体系，然后向相关企业和有关专家发放调
查表，再对回收的调查表进行统计，确定指标权重，消除指标量纲，进行指标价值量化，带入数学模型，得到
最后的测评结果。
如何将分布在企业各个层次的能力要素进行有效整合并进行综合测评是该测评体系的关键问题，基
于对企业自我实现能力结构的研究。我们将企业自我实现能力分为/项一级指标，+,项二级指标。一级
指标的具体含义和组成如下：
!资源力：是能力的构成要素。资源力不仅包括人力、物力、财力、技术力、信息力，还包括企业商誉等
无形资产力。
"管理力：指企业利用组织、计划、控制、协调等管理手段将各种资源和能力有效结合的能力［.］。包
括制度力、结构力、执行力、协调力、领导力。
#经营力：指企业利用经营知识把企业拥有的各种优势转化为市场优势过程中所表现出来的能力。
包括战略力、决策力、市场力、资本运营力。
$伦理力：指统一组织内部人们思想和行为的共同价值体系。它是企业能力中的精神层面，包括企业
内部伦理、业务往来者伦理、外部伦理环境。
%探索力：指个人或组织拓展自己知识领域的一种能力。它是企业自我实现能力的核心。包括学习
力、创新力、高峰体验力。学习是输入和吸收，创新是增添新的知识和价值，高峰体验力是一种在学习和创
新的过程中产生的———在最佳状态中实现自我超越、体验到生命真谛的能力。
+ 评价模型的构造
#"! 评价方法的选择
系统评价的方法有很多，如单项因子评价法、层次分析法、模糊评价法、灰色关联分析法、多元统计分
析等，这些方法在不同的程度上都有一定效果，但也都有各自的局限性，近年来，人工神经网络理论以其强
大的功能越来越受到关注，它为快速、准确地评价企业自我实现能力提供了理论依据和方法。
人工神经网络（011）是一种大规模并行分布处理的非线性系统，可以处理那些难以用数学模型描述
的系统，可以逼近任何非线性的特性，具有很强的自适应、自学习、联想记忆、高度容错和并行处理能
力［/］。23网络即误差反向传播神经网络，是使用最广泛的一种网络，23网络由输入层、若干隐含层和输
出层组成，层与层之间采用全互连方式，同层单元之间无相互连接［4］。目前已经证明-层23网络可以以
//,第+期 顾文涛，等：基于23算法的企业自我实现能力综合评价
万方数据
任意精度逼近函数，且不需建模［!］。其原理主要是根据所提供的数据，通过学习和训练，找出输入和输出
之间的内在联系，从而求得问题的解答，因而具有很好的适应性。在求解时分为网络训练及网络工作"个
阶段。在网络训练阶段，根据给定的训练模式，按照“模式顺传播!误差逆传播!记忆训练!学习收敛”#
个过程进行网络权值（包括阈值）的训练。在网络的工作阶段，根据训练好的网络权值及给定的输入向量，
按照“模式顺传播”方式求得与输入向量相对应的输出向量。$%网络是一个前向网络，虽具有非线性映射
能力，但它并不是一个非线性动力学系统，功能上有其局限性，如存在训练时间长、收敛速度慢、容易陷入
局部极小等问题，但通过采用附加冲量法即增加一个势态项的方法后，改进的$%网络即可以克服上述缺
点。因此本评价体系采用基于改进的$%网络的综合评价方法对企业自我实现能力系统进行综合评价。
!"! 基于改进的$%算法的企业自我实现能力评价算法
假设$%神经网络每层有!个处理单元，作用函数为&’()*’+型函数，表达式为：
"（#）, -（-.$/#）
（-）
学习集包括% 个样本模式（#&，’&）。对第(个训练样本（(,-，"，⋯，%），单元)的输入总和（即作
用函数）记为*()，输出记为+()，则有：
*(),"
!
,-0
.),+()，+(),"（*()）
-
（-.$/*()）
（"）
如果任意设置网络初始权值（0!-），那么对每个输入模式(，网络输出与期望输出一般总有误差，定
义网络误差：
/,"
0
/0 -
-
"")
（1()/+()）" （1）
1()表示对第(个输入模式输出单元)的期望输出。根据/对权值. 进行修正
［2］：
.),（2.-）,.),（2）.!"()+(,
"(),"3（*()）（1()/+()），对于输出单元
"(),"3（*()）"
&
（"(#.&)），对于隐单元
上式引入学习速率!，是为了加快网络的收敛速度
［3］。权值修正公式中还需加一个势态项$，从而
有：
.),（2.-）,.),（2）.!"()+().$（.),（2）/.),（2/-）） （#）
式中，$为一常数，称为势态因子，它决定上一次学习的权值变化对本次权值更新的影响程度［-0］。权
值修正是在误差反向传播过程中逐层完成的。由输出层误差修正各输出单元的连接权值，再由上式计算
相连隐含层单元的误差量，并修正隐含层单元连接权值。如此继续，整个网络权值更新一次后，网络就经
过了一个学习周期。
由于所建立的评价指标体系比较复杂、庞大，把它们都作为$%网络的输入，显然会增加网络的复杂
度，降低网络性能，影响计算的精度，为此对指标进行进一步筛选，找出最关键的十五个指标组成如图-的
评价指标体系。
1 实例仿真及分析
以南京市凯米科技有限公司等-4家中小高科技民营企业为评价对象，应用基于改进的$%网络的企
业自我实现能力评价系统进行评价。首先采用层次分析法确定各评价指标权重，从4-到4-5依次为：05
024，05052，05045，05042，0504"，0504"，050!4，05041，050!"，05044，050#!，05044，0504!，05041，050!3。
对每个指标用专家打分的方法进行评价，分值分为-50，052，054，05#，05"，相对应于很好、好、一般、较差、
45- 运 筹 与 管 理 "005年第-#卷
万方数据
图! 企业自我实现能力评价指标体系
差"个等级，在两个级别之间可以取中间值（#!$，#!%，#&"，
#&’）。
把由专家评价得到的!(家企业的评价数据经过统计后
得到表!中"#（#)!，*，⋯，!"）对应的评价数据，作为企业自
我实现能力系统$%网络的输入，表!中“"!，"*，⋯"!"”及以
下各行分别表示各评价指标在系统中相应的专家评价值。采
用模糊综合评价法计算出综合评价值，即为企业自我实现能
力指数值（见表!得分一栏），作为系统的期望输出，取值在
［#，!］。相应的评价等级分为+个：#!,!!!#为优秀，#!%!
#!,为良好，#!(!#!%为一般，#!(以下为差。
选取前!*组样本数据作为训练样本，训练该网络，其余
+组作为检验样本，模拟待评估的对象。本文用-./(!"软
件进行训练和仿真（预测），（学习精度!)!#2+，学习参数"
)#!"#，势态因子#)#!!，初始权值和阈值用 -./(3"中
函数产生均匀分布随机数矩阵，训练次数!"##次）。训
练结果如表*所示。
表! 专家评价数据表
序号 "! "* "’ "+ "" "( "% ", "$ "!# "!! "!* "!’ "!+ "!" 得分
! #!% #!, #!$ !!# #!% #!, #!$ !!# !!# #!% #!( #!, #!% #!$ #!( #!,!!$
* #!" #!, #!$ #!% !!# #!% #!$ #!% !!# #!, #!% #!$ #!% #!, #!( #!%%"*
’ #!% #!$ #!% #!( #!% #!, #!( #!$ !!# #!% #!, #!$ #!( #!% #!, #!%"(%
+ #!( #!" #!( #!% #!, #!, #!( #!% #!, #!$ #!% #!" #!( #!( #!( #!((++
" #!, #!( #!% #!( #!, #!, #!( #!, !!# #!$ #!, #!( #!% #!( #!$ #!%+$"
( #!+ #!" #!% #!% #!% #!" #!% #!+ #!( #!, #!( #!$ #!" #!( #!% #!(!$"
% #!% #!, #!% #!% #!% #!$ #!% #!$ #!, #!, #!, #!$ #!% #!( #!% #!%"(*
, #!" #!, #!, #!" #!% #!% #!( #!% #!" #!" #!% #!+ #!( #!, #!" #!(!#’
$ #!" #!( #!" #!" #!, #!% #!$ #!% !!# #!( #&( #!% #!% #!% #!( #!(%+*
!# #!, #!% #!, #!% !!# #!, #!$ #!% #!, #!$ #!% #!, #!% #!, #!% #!%,,+
!! #!% #!$ #!, #!% #!, #!, #!$ #!, #!( #!, #!" #!% #!% #!( #!, #!%+’(
!* #!, #!( #!% #!% !!# #!, #!, #!% #!% #!, #!% #!( #!% #!% #!$ #!%+,*
!’ #!( #!( #!, #!% !!# #!, #!% #!% #!, #!% #!% #!, #!% #!( #!( #!%!("
!+ #!+ #!( #!% #!( #!, #!" #!( #!, #!" #!+ #!( #!, #!( #!( #!" #!"$’#
!" #!" #!% #!( #!, #!( #!, #!% #!, #!( #!, #!( #!% #!( #!, #!% #!(,’%
!( #!, #!( #!" #!% #!, #!% #!$ !!# #!, !!# #!$ #!% #!$ #!% #!, #!,##,
表" 训练结果
项目代号 训练结果 训练排序 期望输出 期望排序 相对误差&
! #!,#,( ! #&,!!$ ! #&+#("
* #&%%#* ’ #&%%"* ’ #&(++$
’ #&%(#* " #&%"(% + #&+(*"
+ #&((++ !# #&((++ !# #&####
" #&%"!+ ( #&%+$" ( #&*"’"
( #&(*+’ !! #&(!$" !! #&%%+,
% #&%(#( + #&%"(* " #&",!$
, #&(!#’ !* #&(!#’ !* #&####
$ #&(%+* $ #&(%+* $ #&####
!# #&%,#* * #&%,,+ * !&#+#!
!! #&%+(% , #&%+’( , #&+!($
!* #&%+,* % #&%+,* % #&####
从表*中可以看出，在!*个企业的自我实现能力指数评价中，指数值达到优秀的企业只有!个（专家
评价值为#!,!!$，训练结果值为#!,#,(），*!,名为良好，$!!*名为一般，在总体评价等级上训练结果和
期望输出一致，但在具体排序上有一些出入，训练结果的第+、"名和专家评价的排序相反。分析原因主要
%"!第*期 顾文涛，等：基于78算法的企业自我实现能力综合评价
万方数据
是第!、"名的数值非常接近，在系统设定的训练误差范围之内。如果提高学习精度，增加学习次数，一般
而言，可以使系统平均误差降低，但过分追求学习精度的提高又会出现“过学习”现象，造成偏离内在规律
更远，预测能力更差［##］，所以学习精度的提高有一个限度。另一个减少系统平均误差的方法是增加训练
样本的数量，但由于训练样本的取值在［$，#］之间，样本数量增加，样本的输出数值就更加靠近，必然会使
某些数值之差落在系统误差范围之内，如表%的第!、"名之间的期望输出差值为$!$$$"，小于最大训练
误差$!$$&%，此现象具有一般性。解决的办法通常是以训练的最大误差为区域划分等级，落在同一区域
内的样本为同一等级（此算例中即两样本数值之差小于$!$$&%），同一等级排名不分先后，这种方法更符
合定性评价定量化的模糊性特征。
’(网络模型的性能主要不在于对训练样本的拟合能力，而是对检验样本的泛化预测能力。模型泛化
能力的高低是其应用成功与否的关键，如果没有检验样本，就无法判断’(网络模型的泛化预测能力。表
)是用以上#%组数据训练的’(网络模型对未经训练的!个检验样本仿真预测评价的结果，并与专家评
价的结果进行了对比。
表! 检验结果
项目序号 # % ) !
检验结果 $!*%%) $!"&&! $!+,)+ $!&#$#
检验排序 % ! ) #
专家评价 $!*#+" $!",)$ $!+&)* $!&$$&
专家排序 % ! ) #
相对误差" $!&$," $!**"* #!!!&$ #!#+#)
仿真归类 良好 一般 良好 优秀
专家归类 良好 一般 良好 优秀
由表)可以看出，用检验样本仿真评价的输出结果和专家评价的结果基本一致，此!个企业中，一个
优秀，两个良好，还有一个为一般。最大相对误差为#!!!&$"，最小相对误差为$!**"*"，证明该网络具
有较好的泛化预测能力。
! 结束语
’(算法克服了传统分析过程的复杂性及选择适当函数形式的困难，是一种自然的非线性建模过程。
不论给定的初始权值和初始阈值如何，在训练中，都能通过比较实际输出与期望输出的误差，反复调整网
络权值和阈值，逐步减小其误差，最后达到指定精度，获得稳定的网络结构和连接权值。训练好的神经网
络系统就是把专家的评价思想以连接权的方式赋予网络上，这样该网络不仅可以模拟专家对企业自我实
现能力进行定量评价，而且避免了评价过程中人为计取权重和相关系数的主观影响和不确定性，因此具有
很强的客观性和通用性。本模型利用’(网络得出的训练结果与期望输出的最大相对误差为#!$!$#"，
检验样本仿真输出值与期望值之间的最大相对误差为#!!!&"，说明此种综合评价方法是比较有效的，对
企业自我实现能力的综合评价具有重要的实用价值。
参考文献
［#］顾文涛，韩玉启-企业需要的四个层次［.］-经济管理-%$$!，（#)）：+/#$-
［%］王毅，陈劲，许庆瑞-企业核心能力评价方法述评［.］-科技管理研究，%$$$，（#）："/&-
［)］伊查克·爱迪思-企业生命周期［0］-北京：中国社会科学出版社，#,,*-
［!］王毅，陈劲，许庆瑞-企业核心能力：理论溯源与逻辑结构［.］-管理科学学报，%$$$，（)）：%!/)%-
［"］阎平凡，等-神经网络与模拟进化计算［0］-北京：清华大学出版社，%$$$-
［+］123456327，(23892:23289;7-<6458=>=?28=@5256A@583@B@>C;52D=?2BE;:84D:F:=5G14H32B148I@3J:［.］-<KKKL325:@514H32B148/
I@3J:，023-#,,$，#（#）：!/%*-
［*］戴文战-基于三层’(网络的多指标综合评估方法及应用［.］-系统工程理论与实践，#,,,，#,（"）：%,/)!-
［&］党建武-神经网络技术应用［0］-北京：中国铁道出版社，%$$$-
［,］张立明-神经网络的模型及应用［0］-上海：复旦大学出版社，#,,"-
［#$］贺昌政-数学建模导论［0］-成都：成都科技大学出版社，#,,*-
［##］楼文高-’(神经网络模型在水环境质量综合评价应用中的一些问题［.］，水产学报，%$$%，%+（#）：,$!,+-
&"# 运 筹 与 管 理 %$$"年第#!卷
万方数据
