陳林輝

（中石油燃料油有限責(zé)任公司華南銷(xiāo)售分公司，廣州　510240）

一種基于概率神經(jīng)網(wǎng)絡(luò)的企業(yè)R&D人才評(píng)價(jià)模型

陳林輝

（中石油燃料油有限責(zé)任公司華南銷(xiāo)售分公司，廣州510240）

0　引言

隨著經(jīng)濟(jì)社會(huì)不斷發(fā)展，企業(yè)經(jīng)濟(jì)對(duì)社會(huì)經(jīng)濟(jì)的作用越來(lái)越重要，企業(yè)的競(jìng)爭(zhēng)也越來(lái)越激烈，競(jìng)爭(zhēng)的核心在于企業(yè)利潤(rùn)，而企業(yè)的利潤(rùn)來(lái)自于創(chuàng)新的比重越來(lái)越大，因此企業(yè)的競(jìng)爭(zhēng)依賴(lài)于企業(yè)知識(shí)創(chuàng)新——R&D（Research and Development）。在國(guó)外，大型的跨國(guó)企業(yè)在R&D領(lǐng)域研究較早，因此憑借其在R&D領(lǐng)域先進(jìn)的技術(shù)和管理理念，在產(chǎn)品的產(chǎn)業(yè)鏈中牢牢占據(jù)了高端，對(duì)產(chǎn)品的高新技術(shù)領(lǐng)域形成了絕對(duì)的優(yōu)勢(shì)，這些都?xì)w功于企業(yè)的R&D投入；國(guó)內(nèi)的企業(yè)要想在當(dāng)今高端技術(shù)產(chǎn)品市場(chǎng)占有一席之地，必須加快R&D的創(chuàng)新研究，而R&D創(chuàng)新的根本是人才，何謂R&D人才，即該人員可以勝任R&D工作，因此構(gòu)建一個(gè)科學(xué)合理的R&D人才勝任能力評(píng)價(jià)模型，對(duì)于當(dāng)今國(guó)內(nèi)企業(yè)的發(fā)展有著重要的意義。

對(duì)于企業(yè)R&D人才評(píng)價(jià)模型研究，國(guó)外比較早，早在1973年，美國(guó)哈佛大學(xué)教授戴維·麥克利蘭（David McClelland）首先在其R&D人才的評(píng)價(jià)模型中提出，R&D人才勝任力并不等同于智力的論文，并用該模型來(lái)檢測(cè)工作績(jī)效或職業(yè)成功，但是該模型準(zhǔn)確性較差［1］；國(guó)內(nèi)在這方面研究較晚，早期比較有代表是王重鳴首先在管理心理學(xué)中提出了勝任力并首先研究了我國(guó)企業(yè)高層管理者勝任力特征的結(jié)構(gòu)［2］；仲理峰對(duì)企業(yè)勝任力進(jìn)行了界定［3］；薛琴做了一些關(guān)于勝任力在績(jī)效方面的補(bǔ)充［4］，徐芳、張?zhí)m在勝利力評(píng)價(jià)方面做了一些延伸拓展［5-6］。上述的研究?jī)H僅是停留在勝任力質(zhì)的界定上，無(wú)法對(duì)勝任力實(shí)現(xiàn)有效的度量，不利于企業(yè)創(chuàng)新的有效管理，不利于現(xiàn)代企業(yè)的科學(xué)管理［7-8］。

基于上述問(wèn)題，本文提出了基于PNN企業(yè)R&D人才評(píng)價(jià)模型，該模型是以廣東某電子科技公司的R&D勝利力評(píng)價(jià)體系為基礎(chǔ)，以實(shí)現(xiàn)對(duì)企業(yè)R&D人員進(jìn)行有效的識(shí)別為目標(biāo)，以概率神經(jīng)網(wǎng)絡(luò)為工具進(jìn)行構(gòu)建的。最后將該評(píng)價(jià)模型應(yīng)用于實(shí)際，證明該模型有效。

1　基于PNN企業(yè)R&D人才評(píng)價(jià)模型

1.1概率神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)

（1）貝葉斯決策分類(lèi)

貝葉斯決策分類(lèi)是數(shù)據(jù)挖掘分類(lèi)算法中一個(gè)經(jīng)典的分類(lèi)算法，它是利用概率的不同分類(lèi)決策與相應(yīng)的決策代價(jià)之間的定量折中。簡(jiǎn)單地可以描述為：假設(shè)有兩種分類(lèi)模式α1、α2，對(duì)于要進(jìn)行分類(lèi)的樣本，表示為X=（x1，x2，x3，…，xn）。

若h1l1f1（X）＞h2l2f2（X）認(rèn)為樣本X屬于α1；

若h1l1f1（X）＞h2l2f2（X），則認(rèn)為樣本X屬于α2；

在上述推理中，h1，h2分別為分類(lèi)模式α1、α2的先驗(yàn)概率，h1=（N1/N），h2=（N2/N），其中N為訓(xùn)練樣本的總數(shù)，N1和N2分別為分類(lèi)模式α1、α2中訓(xùn)練樣本中具體的個(gè)數(shù)；l1，l2分別為將α1、α2訓(xùn)練樣本錯(cuò)誤地劃分到對(duì)方區(qū)域的所承擔(dān)懲罰的損失或者代價(jià)。f1和f2為α1、α2中的概率密度，但是在貝葉斯分類(lèi)決策中，正常情況下很難有效地獲得較準(zhǔn)確的概率密度，而實(shí)際應(yīng)用中只能根據(jù)現(xiàn)有的概率密度計(jì)算其統(tǒng)計(jì)值。

針對(duì)于貝葉斯決策分類(lèi)不足，Parzen在1962年提出Parzen窗口方法［9］，該方法是一種從隨機(jī)樣本中估算概率密度的方法，是一種非參數(shù)檢驗(yàn)方法，該方法認(rèn)為，只要訓(xùn)練的樣本足夠多，所獲得的概率密度函數(shù)能無(wú)限逼近真實(shí)值。其公式表示如下：

在（1）式中，α表分類(lèi)模式，Xαi代表分類(lèi)模式中α中的第i個(gè)訓(xùn)練特征向量；（1）式中m為分類(lèi)模式α中所用于訓(xùn)練的樣本個(gè)數(shù)；而p為待分類(lèi)樣本的特征向量維數(shù)，σ為平滑因子，平滑σ不同取值對(duì)PNN的分類(lèi)的準(zhǔn)確性有很大影響。目前該值是通過(guò)實(shí)驗(yàn)方法獲得。

（2）概率神經(jīng)網(wǎng)絡(luò)模型

概率神經(jīng)網(wǎng)絡(luò)（PNN，Probabilistic Neural Networks）于1989年由D.F.Specht博士首先提出，是一種常用于模式分類(lèi)的神經(jīng)網(wǎng)絡(luò)，也是神經(jīng)網(wǎng)絡(luò)模型的一種，PNN是基于統(tǒng)計(jì)原理的神經(jīng)網(wǎng)絡(luò)模型，在分類(lèi)功能上與最優(yōu)貝葉斯Bayes分類(lèi)器等價(jià)，其實(shí)質(zhì)是基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則發(fā)展而來(lái)的一種并行算法，同時(shí)它不像傳統(tǒng)的多層前向網(wǎng)絡(luò)那樣需要用BP算法進(jìn)行反向誤差傳播的計(jì)算，而是完全前向的計(jì)算過(guò)程。它訓(xùn)練時(shí)間短、不易產(chǎn)生局部最優(yōu)，而且它的分類(lèi)正確率較高［10］；同時(shí)該學(xué)習(xí)算法不需要訓(xùn)練，算法學(xué)習(xí)一次完成，比BP快5個(gè)數(shù)量級(jí)，比RBF快2個(gè)數(shù)量級(jí)，該算法模型結(jié)構(gòu)如圖1所示。

圖1所示，輸入層是接受來(lái)自訓(xùn)練樣本的值，將其輸入到概率神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的個(gè)數(shù)為訓(xùn)練樣本的特征維數(shù)。

圖1　典型的概率神經(jīng)網(wǎng)絡(luò)模型I

樣本層，又稱(chēng)模式層，用來(lái)計(jì)算輸入層的特征向量與訓(xùn)練樣本的匹配關(guān)系，其值的大小為訓(xùn)練樣本的個(gè)數(shù)之和，模式層的計(jì)算公式如下：

在（2）式中，Wi為輸入層到模式層的連接權(quán)值。從（2）可以簡(jiǎn)單地估算出該分類(lèi)的概率秘密度，每一類(lèi)求和層為將隸屬于該類(lèi)的概率密度累加，求和層只與隸屬于該類(lèi)的模式層相連，不和其他模式層相連。

競(jìng)爭(zhēng)層又稱(chēng)輸出層，該層主要負(fù)責(zé)是從各個(gè)分類(lèi)模式中估計(jì)的概率選擇最大的概率值做為輸出神經(jīng)元設(shè)置值“1”，其他概率，其他待識(shí)別樣本的輸出一律為0。

1.2基于PNN企業(yè)R&D人員分類(lèi)模型構(gòu)建

本文以廣東某電子科技公司的勝任力的指標(biāo)體系為模型的理論基礎(chǔ)，廣東某電子科技公司指標(biāo)體系的研究小組是由公司R&D主管、人力資源部經(jīng)理、人力資源管理專(zhuān)業(yè)人士和作為咨詢(xún)專(zhuān)家的高校教師所組成；他們的工作方式采用事件訪談的方式和問(wèn)卷調(diào)查的方式相結(jié)合完成的。

本文評(píng)價(jià)模型以PNN理論為手段，以廣東某電子科技公司的勝任力的指標(biāo)體系為基礎(chǔ)構(gòu)建新型的企業(yè)R&D人才的評(píng)價(jià)模型，該評(píng)價(jià)指標(biāo)體系包括三級(jí)指標(biāo)，一級(jí)指標(biāo)稱(chēng)為目標(biāo)層，決定該樣本的最終分類(lèi)；二級(jí)指標(biāo)為準(zhǔn)則層，決定最終分類(lèi)的各個(gè)特征向量；三級(jí)指標(biāo)為指標(biāo)層，該層是關(guān)于第二層的細(xì)分，詳細(xì)如圖2所示。

對(duì)于是否為企業(yè)R&D人才主要是看其是否具有企業(yè)R&D人員勝任力，企業(yè)R&D人員勝任力評(píng)價(jià)體系也為企業(yè)R&D人才評(píng)價(jià)體系。

該指標(biāo)體系認(rèn)為，正直高績(jī)效R&D團(tuán)隊(duì)的一個(gè)明顯特征是團(tuán)隊(duì)成員相互高度信任。正直是信任的最重要維度，因?yàn)槿绻麑?duì)別人的道德特征和基本的誠(chéng)實(shí)都缺乏把握，信任的其他維度就沒(méi)有意義了。正直是判斷R&D人員是否值得信賴(lài)的最關(guān)鍵的特征之一。自信是指R&D人員對(duì)他能勝任研發(fā)工作的信心。高自信者對(duì)自身主要素質(zhì)及能力有較高的評(píng)價(jià)，在研發(fā)工作面臨困難的情況下，低自信者更易降低努力程度或干脆放棄；相反，那些高自信者會(huì)努力把握挑戰(zhàn)。同樣主動(dòng)性強(qiáng)的R&D人員具有高度負(fù)責(zé)的精神，工作熱情旺盛，精力充沛，對(duì)待研發(fā)工作一貫積極進(jìn)取，從來(lái)不需要上級(jí)督促。而成就傾向是R&D人員追求卓越、實(shí)現(xiàn)目標(biāo)、爭(zhēng)取成功的內(nèi)驅(qū)力，高成就傾向的R&D人員與其他人的區(qū)別之處在于他們想把研發(fā)工作做得更好，等等。

從上述分析可知，正直、自信、主動(dòng)性強(qiáng)的人以及有成就傾向的人才是企業(yè)創(chuàng)新成功的保證，才是企業(yè)R&D人才的基石。同時(shí)作為企業(yè)R&D人才也應(yīng)該具有能夠處理好人際關(guān)系和團(tuán)隊(duì)合作意愿能力，這些都為企業(yè)R&D創(chuàng)新成功提供了支撐；而寬廣的知識(shí)面和較強(qiáng)的專(zhuān)業(yè)知識(shí)都是企業(yè)R&D人才必須具備的。一個(gè)成功企業(yè)的R&D項(xiàng)目除了要求R&D人才要具有強(qiáng)悍的專(zhuān)業(yè)技術(shù)能力外，還要具有迅速解決問(wèn)題分析及解決能力、技術(shù)創(chuàng)新能力、科技評(píng)價(jià)能力以及強(qiáng)悍的學(xué)習(xí)能力，這些都是企業(yè)R&D項(xiàng)目成功的技術(shù)保障。

圖2　企業(yè)R&D人才評(píng)價(jià)體系

如何讓企業(yè)R&D高管能快速地識(shí)別哪些員工才是企業(yè)需要的R&D人才，既有利于企業(yè)節(jié)省成本，也有利于企業(yè)獲取更大的收益，這些才是本文研究的重點(diǎn)和任務(wù)?；谠u(píng)價(jià)體系模型，本文給出了基于PNN 在R&D人才的評(píng)價(jià)模型，該模型的建模過(guò)程如下：

（1）訓(xùn)練樣本歸一化處理，首先從整體樣本中選取m個(gè)有代表性的樣本X=（x1，x2，x3，…，xm），每個(gè)樣本的向量維度為p，建歸一矩陣如下：

在（3）式歸一化為（4）式，

而C即為歸一化后的學(xué)習(xí)樣本為（5）：

（3）模式距離的計(jì)算

該距離是指樣本矩陣與學(xué)習(xí)矩陣中相應(yīng)元素之間的距離。假設(shè)將由m個(gè)p維向量組成的矩陣稱(chēng)為待識(shí)別樣本矩陣，則經(jīng)歸一化后，需要待識(shí)別的輸入樣本矩陣為：

計(jì)算歐氏距離：就是需要識(shí)別的歸一化的樣本向量di，與每一個(gè)歸一化后的訓(xùn)練樣本（Cj）的歐氏距離E。

其中，歸一化的訓(xùn)練樣本Ci，i=1，2，…，m；歸一化的待分類(lèi)樣本dj，j=1，2，…，m；Eij：表示第i個(gè)待分類(lèi)樣本（di）與第j個(gè)訓(xùn)練樣本（Cj）的歐氏距離。

（4）模式層高斯函數(shù)的神經(jīng)元被激活。學(xué)習(xí)樣本與待識(shí)別樣本被歸一化后，通常取標(biāo)準(zhǔn)差σ=0.1的高斯型函數(shù)。激活后得到初始概率矩陣為（9）式：

（5）假設(shè)樣本有m個(gè)，那么一共可以分為c類(lèi)，并且各類(lèi)樣本的數(shù)目相同，其數(shù)量為k，則可以在網(wǎng)絡(luò)的求和層求得各個(gè)樣本屬于各類(lèi)的初始概率和為式（10）。

（6）計(jì)算概率，即第i個(gè)樣本屬于第j類(lèi)的概率。

根據(jù)probij的值決定其分類(lèi)。

2　實(shí)證分析

本實(shí)驗(yàn)平臺(tái)采用Intel Pentium CPU 3.2GHz，內(nèi)存為2GB，OS為Windows XP，以MALTLAB 7為仿真軟件，以廣東某電子科技公司從事R&D工作的人員為基礎(chǔ)，從該公司選取含有R&D工作的人員樣本分成5組，分別含有R&D工作的人員15，25，35，45，55人為對(duì)象進(jìn)行研究，總?cè)藬?shù)分別為150，250，350，450，550。以廣東某電子科技公司的R&D人才的勝任力指標(biāo)B11、B12、B13、B14、B21、B22、B31、B32、B41、B42、B43、B44、B45、B5作為PNN的輸入向量p1，p2，…，p14。將PNN構(gòu)建的模型與RBF模型在識(shí)別率和訓(xùn)練時(shí)間上的進(jìn)行比較。實(shí)驗(yàn)情況如下表。

表1　RBF和PNN在識(shí)別率上的比較

表2　RBF和PNN在訓(xùn)練時(shí)間上的比較

上述實(shí)驗(yàn)數(shù)據(jù)表明，從識(shí)別率來(lái)看，RBF的識(shí)別率與樣本的數(shù)量有關(guān)，當(dāng)樣本較少時(shí)，RBF的識(shí)別率較低，而PNN具有明顯的優(yōu)勢(shì)；并且PNN的識(shí)別率具有很好的穩(wěn)定性，均保持在94%以上。同時(shí)從訓(xùn)練時(shí)間來(lái)看，PNN的訓(xùn)練時(shí)間基本比RBF的訓(xùn)練時(shí)間要快上2個(gè)數(shù)量級(jí)，因此從訓(xùn)練時(shí)間看，PNN評(píng)價(jià)模型優(yōu)勢(shì)同樣明顯。

3　結(jié)語(yǔ)

本文首先基于當(dāng)今國(guó)內(nèi)R&D人才評(píng)價(jià)模型的不足，以廣東某電子科技公司的R&D人才的勝任力評(píng)價(jià)體系為基礎(chǔ)，以貝葉斯決策分類(lèi)為理論基石，提出了一個(gè)具有能夠用線性學(xué)習(xí)算法完成非線性學(xué)習(xí)算法所做的工作，同時(shí)保持非線性學(xué)習(xí)算法的高精度特征的基于PNN企業(yè)R&D人才評(píng)價(jià)模型；最后將該評(píng)價(jià)模型與基于RBF的評(píng)價(jià)模型進(jìn)行比較，結(jié)果表明該評(píng)價(jià)模型更有效。因此該評(píng)價(jià)模型可以作為企業(yè)實(shí)現(xiàn)R&D人員管理的一個(gè)科學(xué)參考，為企業(yè)參與市場(chǎng)競(jìng)爭(zhēng)提供一個(gè)有力的依據(jù)。

［1］McClelland D C.Testing for competence rather than for intelligence［J］.American Psychologist，1973，28：1-14.

［2］王重鳴．管理心理學(xué)［M］．北京：人民教育出版，2000：112．

［3］仲理峰，等.家族企業(yè)高層管理者勝任特征模型［J］.心理學(xué)報(bào)，2004，36（1）：110-115.

［4］薛琴．勝任力及相關(guān)概念辨析［J］．商場(chǎng)現(xiàn)代化，2008（3）：47-50．

［5］張?zhí)m霞，張燕．知識(shí)型員工勝任力的評(píng)價(jià)指標(biāo)與方法［J］．東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2006，27（8）：75-79．

［6］徐芳.研發(fā)團(tuán)隊(duì)勝任力模型的構(gòu)建及其對(duì)團(tuán)隊(duì)績(jī)效的影響［J］．管理探索，2003（2）：34-39．

［7］方濤.基于組合分析的政府R＆D投入績(jī)效優(yōu)化模型［J］.科技管理研究，2013（18）：49-52.

［8］曾億武，張梓泓.廣東省R＆D投入產(chǎn)出水平綜合評(píng)價(jià)——基于因子分析和聚類(lèi)分析的區(qū)域比較［J］.科技管理研究，2013（4）：71-75.

［9］擺玉龍，楊志民.基于Parzen窗法的貝葉斯參數(shù)估計(jì)［J］.計(jì)算機(jī)工程與應(yīng)用，2007，43（7）：55-58.

［10］Jiten P，Choi S-K.Classilication approach for reliability-based topology optimization using probabilistic neural networks［J］.Structural and Multidisciplinary Optimization，2012，40（4）：529-543.

In order to effectively evaluate the enterprise R&D people，enhances the competitiveness of enterprises in the industry，puts forward a new type of R&D people evaluation model based on PNN.This model is based on R&D appraisal system of a company in Guangdong，by means of probabilistic neural network classifier，as a scientific evaluation model which can quickly identify the enterprise R&D people.At the same time.Puts this model into practice，and compares the evaluation model with RBF model，the result shows the new model better. Keywords:

R&D；Evaluation System；PNN；Evaluation Model

An Enterprise Model of Enterprise R&D People Based on PNN

CHEN Lin-hui
（Southern China Sales Branch，Petro China Fuel Oil Co.，Ltd.，Guangzhou 510240）

1007-1423（2015）20-0039-06

10.3969/j.issn.1007-1423.2015.20.009

陳林輝（1981-），男，廣東人，碩士，助理工程師，研究方向?yàn)檐浖こ?/p>

2015-05-25

2015-07-08

為了對(duì)企業(yè)的R&D人才進(jìn)行有效的評(píng)價(jià)，提升企業(yè)在行業(yè)中的競(jìng)爭(zhēng)力，提出基于PNN的企業(yè)R&D人才評(píng)價(jià)模型研究，該模型是以廣東某電子科技公司R&D的勝任力評(píng)價(jià)體系為基準(zhǔn)，以概率神經(jīng)網(wǎng)絡(luò)分類(lèi)器為手段，可以快速識(shí)別企業(yè)R&D人才的科學(xué)評(píng)價(jià)模型。給出詳細(xì)的構(gòu)建過(guò)程。最后將該模型應(yīng)用實(shí)踐，將該評(píng)價(jià)模型與傳統(tǒng)的基于RBF的評(píng)價(jià)模型進(jìn)行比較，實(shí)驗(yàn)證明該評(píng)價(jià)模型更優(yōu)。

R&D；評(píng)價(jià)體系；PNN；評(píng)價(jià)模型