基于数据挖掘的企业投资决策绩效评价研究

1、基于数据挖掘的企业投资决策绩效评价研究收稿日期:2005-12-16基金项目:国家自然科学基金项目(70272033)作者简介:王宗军(1964-),男,山东青岛人,教授、博士生导师,研究方向为战略管理与企业评价等;吴文娟(1982-),女,湖北咸宁人,硕士研究生,研究方向为绩效评价。基于数据挖掘的企业投资决策绩效评价研究王宗军,吴文娟(华中科技大学 管理学院,湖北 武汉 430074)摘 要:企业投资决策是企业生存发展的重要环节,对企业投资进行绩效管理是顺利实施企业投资的重要保障。针对现有投资绩效评价体系存在的不足,构建了基于数据挖掘技术的企业投资决策绩效集成评价系统,并对数据仓库的建立、数

2、据转换、异常点分析和BP神经网络评价模型进行了阐述,最后给出了应用实例,建立的模型及实现的系统为企业更好地进行投资决策绩效评价提供了有效的支持。关键词:企业投资决策;绩效评价;数据挖掘中图分类号:F272 文献标识码:A 文章编号:1001-7348(2007)01-0056-040 前 言面对经济全球化、贸易自由化以及信息网络化的知识经济时代和后工业社会的来临,顾客需求瞬息万变,技术创新日新月异,产品生命周期不断缩短,市场竞争日趋激烈,企业管理在面临着越来越多的挑战与冲击。绩效管理是一种绩效导向的管理思想,其最终目标是建立企业的绩效文化,形成具有激励作用的工作气氛1。绩效管理已成为企业培养竞

3、争优势、获取核心竞争力的战略性举措。而成功管理绩效的重点就是要建立一套有利于公司成长的、能促使公司绩效提升的绩效测评体系。企业绩效评价是企业绩效管理的基础,并且通过行业定位可以更清楚地了解自己的优势和劣势,并且绩效评价对于企业的战略执行意义重大,是一种有效的战略控制工具,利用绩效评价可以实现企业诊断式控制和交互式控制2。我们研究的企业投资决策绩效评价是指对管理者所作出的投资决策的效率以及结果作出科学合理的评价,即以投资效率和结果的评价来对管理者的投资决策的绩效作出评价。我们研究的企业投资决策绩效评价系统是一个人机交互界面友好性强、操作简便、便于维护和扩展的开放式自主发展的集成系统,适应于大部分

4、现有工作人员的一般知识和技能水平。系统的设计实现采用功能强大的PowerBuilder8.0作为开发工具,以 PB自有的 AdaptiveServerAnywhere7.0创建数据库,实现了功能集成化、技术集成化和人机集成化。其中系统算法上灵活运用了数据挖掘技术的分类分析和聚类分析,以及数据预处理和异常点处理,人工神经网络智能分析,是一个可以灵活进行行业横向比较和对象纵向比较的多目标多层次多方法的智能集成通用评价系统。1 现有投资决策绩效评价的不足通过对投资决策绩效管理的国内外研究现状的研究分析,我们发现企业的投资决策绩效评价的研究存在以下不足:第一,就目前的绩效管理的指标体系的动态性和柔性的

5、研究还没有,企业的投资(扩张)是个动态的过程,企业经营的内外部环境时刻都是在变化的,因此研究设计一套动态的柔性指标体系对企业的投资管理实践具有很现实的指导意义3。第二,企业投资社会绩效评价没有得到重视,因此社会绩效评价较少,将社会绩效融入企业的投资决策绩效评价体系的设计更是没有4。第三,绩效评价系统应该是提供一个具有较好操作性的企业战略管理的工具,并且应该具有通用性和灵活性,目前的一般绩效评价指标体系都是针对某一目标进行评价,灵活性和通用性不够5。第四,基于战略的企业投资决策绩效评价和控制研究还不多,战略研究和绩效评价研究结合还不是很紧密6,很多的绩效评价只注重事后评价,而对于事前战略控制的功

6、能实现很少,在企业的投资实践中更是缺乏有机的结合。因此,投资决策绩效管理应该要提高其战略控制的功能,绩效评价指标体系应该能够适应动态的外部和内部的经营环境的变化、企业战略发展的不同阶段以及行业竞争态势的变化,实现指标体系柔性化7。提高企业投资决策绩效评价的战略预见性和战略控制性,顺应新经济的趋势,进行指标体系的设计就必须考虑智力资本相关的衡量8和第24卷 第1期2007年1月科 技 进 步 与 对 策Science&TechnologyProgressandPolicyVol.24No.1Jan.2007经济全球化的趋势以及充分利用网络平台进行计算机支持系统的开发9。同时,企业投资决策

7、绩效评价应重视内部评价和外部评价,将两者有机地结合。本系统在指标系统构建时采用了 PowerBuilder中的Treeview控件技术,可以灵活地创建、选择指标,从而实现了指标体系柔性化,同时也使得本系统不拘泥于某个目标而成为一个通用的评价系统。系统所采用的指标体系在文章企业投资绩效柔性评价指标体系的构建10中有详细阐述,它引入了社会和环保指标层面,考虑的因素更加全面。本系统利用数据挖掘技术可以进行实时聚类、分类分析,为企业的战略控制提供有效的决策依据。2 基于数据挖掘的企业投资决策绩效评价系统的构建近年来,随着信息产业的急剧发展,数据大量地产生和搜集,使得传统的数据管理方法不能有效地使用这些

8、数据为人们服务。于是,人们不得不去寻找一种新的方法和技术,使之能够智能地、自动地将这些数据转化处理为有用的信息和知识。知识发现和数据挖掘 (KDD andDataMining)在这种背景下应运而生了11。数据挖掘就是需要挖掘出大量数据背后隐藏的规则和模式,主要基于人工智能、机器学习、统计学等技术,高度自动化地分析企业原有的数据,作出归纳性的推理,得到企业的行业定位,帮助企业的决策者调整市场策略,作出正确的决策12。数据挖掘从步骤上大致分为数据采集、数据准备和数据解释表达3个部分13。数据挖掘的过程见图1。解释模型和得出结论评估模型(数据挖掘)进行预处理搜集信息陈述问题图1 数据挖掘流程13本系

9、统(基于数据挖掘的企业投资决策绩效评价系统)的信息收集部分采用的是中心式数据仓库,根据不同的属性可以进行不同的分类聚类分析,数据预处理部分采用的是数据标准化技术和异常点分析,评估模型采用的是人工神经网络分析,结果解释有图表和表格多种显示方式。2.1数据仓库的建立数据仓库是数据挖掘的基础,直接关系到数据挖掘的效率和功能拓展14,数据仓库的灵活性也是本系统的一大特色。本系统采用的是中心式DW(data warehouse),主要分为评价对象数据库、权重数据库和神经网络样本数据库。数据元是通过定义、标识、表示以及允许值等一系列属性描述的数据单元。通过对数据元及其属性的规范化和标准化,不同用户可以对数

10、据拥有一致的理解、表达和标识,可以有效实现和增进跨系统和跨环境的数据共享14。评价对象数据库中包含了评价对象的所有原始属性值和所选中的原始指标值,以及行业均值,其数据元表示见图2。可以根据不同属性进行分类分析及聚类分析,得到相应的行业定位。权重数据库中保存了采用不同的科学方法得到的具有不同侧重点的权重套数。神经网络样本数据库中存放的是用于神经网络训练的所有样本值。评价对象编号评价对象名称评价期间对象所属分类范畴指标1?图2 评价对象数据元示意通过评价期间的选择可以进行某年度全部对象的横向评价比较;通过选择评价期间和对象所属分类范畴来进行某类评价对象某期间的横向比较;通过选择评价对象编号可以进行

11、某企业的多年份的纵向评价比较。某个指标值也可通过聚类分析得到行业间统计比较结果。2.2数据转换根据评价指标的属性不同,将其分为成本型、效益型和适中型指标,然后再根据相应的算法对各个指标进行不同的量纲化,不同的指标进行不同的量纲化,不同数量级的数据转化为一组同数量级量纲,且具有相对可比性15,并处于同一数量级别0-1之间的数据P。这里设评价对象集为 Y=Y1,Y2,?,Ym,设第 i个子集有 n个评价指标,对于 Y中的 Yj可用向量 Xj(i)表示 n个评价指标的属性值:对于成本型指标,其量化的隶属函数为:X!j(i)=(x1j(i),x2j(i),?,xnj(i)T对于成本型指标,其量化的隶属

12、函数为:rkj(i)=sup(X!k(i)-xkj(i)sup(X!k(i)-inf(X!k(i)对于效益型指标,其量化的隶属函数为:rkj(i)=xkj(i)-inf(X!k(i)sup(X!k(i)-inf(X!k(i)对于适中型指标,例如流动比率,其量化的隶属函数为:rkj(i)=2(xkj(i)-inf(X!k(i)sup(X!k(i)-inf(X!k(i),xkj(i)<inf(X!k(i)+sup(X!k(i)22(sup(X!k(i)-xkj(i)sup(X!k(i)-inf(X!k(i),xkj(i)inf(X!k(i)+sup(X!k(i)2#%$%&设有 n个

13、样本,p项指标,可得数据矩阵 X=(xij)np,i=1,2,?,n表示 n个样本,j=1,2,?,p表示 p个指标,xij表示第i个样本的第j项指标值。(1)当第j项指标为正指标时,即指标值越大,所表示的实际成果越大,对它进行变换,公式为:xij=(xij-minxij)/(maxxij-minxij),i=1,2,?,n;j=1,2,王宗军,吴文娟:基于数据挖掘的企业投资决策绩效评价研究第1期 57 科技进步与对策 2007年科技进步与对策科技进步与对策 2007年科技进步与对策?,p(2)当第j项指标为逆指标时,即指标值越大,所表示的实际成果越小,对它进行变换,公式为:xij=(minx

14、ij-xij)/(maxxij-minxij),i=1,2,?,n;j=1,2,?,p(3)当第j项指标为区间指标时,即指标值在区间a1,a2内达到最优水平,且指标值离此区间越近越好。公式变换为:xij=xij-minxija1-minxij, minxijxij<a11, a1xija2minxij-xijmaxxij-a2, a2xijmaxxij;$#$% 其中:i=1,2,?,n;j=1,2,?,p。2.3 异常点分析在大型数据集中,通常存在着不遵循数据模型的普遍行为的样本。这些样本和其它残余部分数据有很大不同或不一致,叫作异常点15。异常点可能是由误差造成的,也可能是数据固有的

15、可变性的结果。在输入数据的过程中可能出现误差而造成不规则数据,所以本系统在保存数据之前,加入了异常点分析这一步骤。设有n个样本,第j项指标数据如下:X1j,X2j,?,Xnj我们选择数据正态分布的阀值为:阀值=均值2标准差那么所有在区间均值-以外的数据都是潜在的异常点,我们都要再检查确定一下。2.4 BP神经网络评价模型形成原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。它不仅具有许多优点,如自适应、自组织性等,且善于从近似的、不确定的,甚至相互矛盾的知识环境中作出决策。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 3

16、层 BP网络可以以任意精度去逼近任意映射关系,3层BP网络的拓扑结构见图3。中间层的神经元的个数按照经验公式p n(q+3)& +1确定。通过大量的样本训练学习,通过模式的顺传播过程和误差的逆传播实现输入层权系数wij和输出层权系数vjt的调整。中间层单元的输入为 sj=ni=1wijai-!j,中间层的输出为 bj=f(sj)=11+exp(-sj),j=1,2,?,p;wij(i=1,2,?,n;j=1,2,?,p)为输入层至中间层的连接权,!j为中间层单元的阀值,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。神经元变换函数=f(x)采用sigmoid函数。按照相同的

17、传播思路,计算中间层的输入Lt和输出Ct,Lt=ni=1vjtbi-;t,Ct=f(Lt),vjt(j=1,2,?,p;t=1,2,?,q)为中间层至输出层连接权;t为输出单元的阀值。神经元反馈修正公式:#vjt=$dktbkj,%;t=&dkt,%wij=ekjaki,%!j=ekj,&、 为介于 01之间的学习系数,k为学习样本系数。运用附加动量法(%w(N)=9d+(%w(N-1),( 为动量系数,一般介于 0.90.98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。输入模式A(i) wij vjt (t) dt? ? ? ? ?网络响应期望输出图3 三层BP网

18、络拓扑结构2.5 系统功能设计根据集成综合评价的基本原理以及对系统功能的需求分析,系统总体功能框架的设计见图 4。3 应用实例实证研究运用数据挖掘技术对22家某行业公司的投资决策战略绩效进行了评价。结合该行业数据的可查范围,参考专家对该行业的分析,我们得到了投资报酬率、资本保值增值率、销售净利率、资产净利率、成本降低率、员工保持率、客户保持率、总资产周转率、产品合格率、研发费用率、销售增长率、资产增长率、净利润增长率、净权益增长率、智力资本比率、处理环保问题成功率、社会投资与捐赠率17个指标10。采集某行业相关指标,进行预处理后剔除了不规则的指标数据,得到22家上市公司2001年的标准化数据见

19、附表。然后参考专家赋权重值,进行综合评价得到结果。然后把评价结果作为期望值,结合附表的数据作为神经网络评价模型的训练样本进行训练得到模型,采用 1771BP神经网络模型进行训练,学习效率 0.5,动量因子 0.9,收敛精度 0.0001,训练 2994次,结果保存为“套数58”。再将企业 22的数据作为测试数据,得到评价结果为0.30457,偏差为0.002,结果较为理想。评价结果见图 6,可以看出,企业 14的绩效是最优秀的,所以可以作为行业标杆。只要输入某企业的指标值,就可以得到该企业的行业定位,然后将其各项指标和标杆企业进行对照,就可以得到该企业下一步需要改进的方面,从而实现了对企业经营

20、的指导作用。当然,也可以通过对某一指定指标进行行业定位,从而起到对某一经营方面的指导作用。本系统还可以进行人工神经网络智能评价,如果已知某些样本企业的行业位置,通过专家打分,得到它们的绩58 效值,通过神经网络训练以后就可以得到相应的权重体系,进而可以对未知行业位置的企业进行评价定位。4 结 语本文主要介绍了数据挖掘技术在企业投资绩效柔性评价系统中的具体应用:数据标准化处理,异常点分析,人工神经网络智能评价和分类、聚类定位分析。基于以上技术开发的通用集成系统操作简便,并且可以录入多套多级评价指标体系,评价体系之间的切换简单,通用性强,使用便捷,而且效果良好,具有广泛的实用性。参考文献:1 Mi

21、chelJ.Lebas.PerformancemeasurementandperformancemanagementJ.ProductionEconomics,1995,(41):23-35.2 SimonsR.Leversofcontrol:HowmanagersUseInnovativeControlsystemstoDriveStrategicRenewalM.Boston:Har-vardBusinessSchoolPress,1995.35-40.3 陈琳.传统绩效评价体系与 EVA的整合研究J.科技进步与对策,2005,(6):35-38.4 傅元略.企业智力资产效益贡献的综合评价

22、J.会计研究,2000,(2):43-45.5 王宗军.综合评价的方法、问题及其研究趋势J.管理科学学报,1998,1,(1):73-79.6 Aggarwal,Rajesh,K.,andAndrewA.Samwick.ExecutiveCom-pensation,StrategicCompetitionandRelativePerformanceE-valuation:TheoryandEvidenceJ.JournalofPolicicalEcon-omy,1999,(107):1999-2012.7 SimonsR.StrategicorientationandtopmanagementattentiontocontrolsystemJ.StrategicManagementJournal,1991,(12):49-62.8 景旭文,易红,赵良才.基于数据挖掘的产品概念 设 计 建 模 研 究 J.计算机集成制造系统 CIMS,2003,(1):950-9