摘 要：本文在分析進(jìn)行非營(yíng)利組織績(jī)效評(píng)價(jià)意義的基礎(chǔ)上，基于建立指標(biāo)體系的基本原則，構(gòu)建了非營(yíng)利組織績(jī)效評(píng)價(jià)指標(biāo)體系（包括三層結(jié)構(gòu)、21個(gè)指標(biāo)），并利用GA-BP算法建立了非營(yíng)利組織績(jī)效評(píng)價(jià)模型，并以收集到的樣本為例，對(duì)該模型進(jìn)行了實(shí)證研究，表明了該方法的有效性。

關(guān)鍵詞：遺傳神經(jīng)網(wǎng)絡(luò)算法 非營(yíng)利組織 績(jī)效評(píng)價(jià) 研究

非營(yíng)利組織的公益性質(zhì)引起了社會(huì)對(duì)其經(jīng)營(yíng)實(shí)踐的必要關(guān)注，非營(yíng)利組織的績(jī)效水平成為政府、企業(yè)和社會(huì)公眾關(guān)注的目標(biāo)，許多學(xué)者也開(kāi)始研究非營(yíng)利組織績(jī)效評(píng)價(jià)問(wèn)題[2-4]。非營(yíng)利組織績(jī)效評(píng)價(jià)是一個(gè)新興的課題，與企業(yè)績(jī)效評(píng)價(jià)相比，非營(yíng)利組織的績(jī)效評(píng)價(jià)具有評(píng)價(jià)對(duì)象的特殊性、復(fù)雜性、多元性、開(kāi)放性、公益性等特征[5]，這給非營(yíng)利組織的績(jī)效評(píng)價(jià)帶來(lái)了評(píng)價(jià)指標(biāo)存在主觀片面性、評(píng)價(jià)指標(biāo)難以量化等問(wèn)題。作者試圖引入量化的方法對(duì)非營(yíng)利組織的績(jī)效進(jìn)行評(píng)價(jià)，希望在非營(yíng)利組織績(jī)效評(píng)價(jià)問(wèn)題上有所創(chuàng)新。

1、非營(yíng)利組織績(jī)效評(píng)價(jià)指標(biāo)體系

由于非營(yíng)利組織涉及的領(lǐng)域和行業(yè)非常廣泛，并且它們之間都有一定的區(qū)別，為了對(duì)非營(yíng)利組織績(jī)效評(píng)價(jià)進(jìn)行充分的說(shuō)明，作者選取了公立非營(yíng)利性醫(yī)院做為研究對(duì)象。根據(jù)我國(guó)非營(yíng)利性醫(yī)院的目前情況，遵循指目的性原則、既全面又精簡(jiǎn)的原則、科學(xué)性原則、可測(cè)性原則和代表性原則，借鑒國(guó)內(nèi)外非營(yíng)利性醫(yī)院績(jī)效評(píng)價(jià)已經(jīng)取得的成果，綜合考慮非營(yíng)利性醫(yī)院的特點(diǎn)，本文對(duì)非營(yíng)利性醫(yī)院績(jī)效評(píng)價(jià)指標(biāo)體系進(jìn)行了設(shè)計(jì)（見(jiàn)圖1）。該指標(biāo)體系分成三級(jí)，其中二級(jí)指標(biāo)5個(gè)，三級(jí)指標(biāo)21個(gè)。

2、基于GA-BP的非營(yíng)利組織績(jī)效評(píng)價(jià)模型的構(gòu)建

遺傳算法和神經(jīng)網(wǎng)絡(luò)都是將生物學(xué)原理應(yīng)用于科學(xué)研究的仿生學(xué)理論成果。在非營(yíng)利組織績(jī)效評(píng)價(jià)過(guò)程中，為了使評(píng)價(jià)結(jié)果有效，且能達(dá)到最優(yōu)解，作者采用了遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的評(píng)價(jià)方法，并建立了GA-BP評(píng)價(jià)模型。

2.1 原始數(shù)據(jù)的預(yù)處理

由于Sigmoid函數(shù)，要求輸入輸出到神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)要以[0，1]之間的數(shù)據(jù)形式表示。因此，要求專(zhuān)家在對(duì)定性指標(biāo)的打分處在區(qū)間[0，1]，然后運(yùn)用簡(jiǎn)單算術(shù)平均法計(jì)算每個(gè)指標(biāo)的最終值。對(duì)其他定量指標(biāo)。作者采用比例壓縮法對(duì)其進(jìn)行標(biāo)準(zhǔn)化，即： 。式中：T為標(biāo)準(zhǔn)化后的數(shù)據(jù)，介于區(qū)間[0，1]；X代表原始輸入值；Xmin表示原始數(shù)據(jù)中最小值；Xman表示原始數(shù)據(jù)中最大值。

2.2 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及各參數(shù)的選取

（1）網(wǎng)絡(luò)結(jié)構(gòu)的確定。對(duì)非營(yíng)利組織績(jī)效評(píng)價(jià)，作者采用三層BP神經(jīng)網(wǎng)絡(luò)，21個(gè)輸入，1個(gè)輸出，通過(guò)測(cè)試比較選取隱含層神經(jīng)元為12個(gè)。因此，非營(yíng)利組織績(jī)效水平評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)就是一個(gè)21-12-1的神經(jīng)網(wǎng)絡(luò)。

（2）參數(shù)的選取。群體規(guī)模n=20；交叉概率PC=0.8；變異概率Pm=0.04；最大迭代次數(shù)N=2000；學(xué)習(xí)率η=1.05；η’=0.7；指定的最小學(xué)習(xí)誤差ε= 0.0001。

2.3 遺傳算法確定BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重[6，7]

（1）編碼與群體初始化。對(duì)本論文研究的非營(yíng)利組織績(jī)效水平來(lái)說(shuō)，有21個(gè)輸入單元，12個(gè)隱含單元，1個(gè)輸出單元，再加上隱含層和輸入層單元的閾值，每個(gè)個(gè)體共有共有21×12+12×1+12+1=277個(gè)，每個(gè)實(shí)數(shù)范圍為（0，1）。初始群體由40個(gè)個(gè)體組成，對(duì)樣本個(gè)體實(shí)施單一化處理，即把相同的個(gè)體單一化，不允許群體中有若干相同個(gè)體出現(xiàn)。至此，群體初始化完成。每個(gè)個(gè)體的數(shù)學(xué)表達(dá)式如下：

， ，

（2）適應(yīng)度函數(shù)的確定。適應(yīng)度函數(shù)選取為： ， ，其中： 為染色體數(shù)；P為輸出層節(jié)點(diǎn)數(shù)； 為學(xué)習(xí)樣本數(shù)； Tk為期望輸出。

（3）選擇繼承。在這里，作者選用比例選擇法（Proportional Modal），比例選擇法也可稱(chēng)為輪盤(pán)賭選擇（Roulette Wheel），是一種回放式隨即采用的方法。其基本思想是：每個(gè)個(gè)體被選中的概率與其適應(yīng)度大小成正比。評(píng)價(jià)各個(gè)權(quán)值及閾值，對(duì)適應(yīng)度為 的個(gè)體賦予其選擇概率 ， 。

在實(shí)際的訓(xùn)練中，一般都是將適應(yīng)度最大的個(gè)體直接遺傳給下一代。

（4）交叉和變異。我們采用算術(shù)交叉（Arithmetic Crossover）來(lái)實(shí)現(xiàn)交叉過(guò)程。在前面介紹有關(guān)遺傳算法的有關(guān)知識(shí)時(shí)，曾提到：兩個(gè)個(gè)體 ， 為雙親作基因鏈碼的交叉，產(chǎn)生兩個(gè)新個(gè)體 ， 作為它們的后代。 。式中：α為一參數(shù)，它可以是一個(gè)常數(shù)，此時(shí)所進(jìn)行的交叉運(yùn)算稱(chēng)為均勻算術(shù)交叉；它也可以是一個(gè)由進(jìn)化代數(shù)所決定的變量，此時(shí)所進(jìn)行的交叉運(yùn)算稱(chēng)為非均勻算術(shù)交叉。

（5）重復(fù)或停止。轉(zhuǎn)至適應(yīng)度函數(shù)的確定重新進(jìn)行訓(xùn)練，終止條件為群體適應(yīng)度趨于穩(wěn)定，或誤差小于某一給定值，或運(yùn)算已到達(dá)預(yù)定的進(jìn)化代數(shù)（一般建議的取值范圍是100～1000，本文取200）。

（6）執(zhí)行BP算法。在跳出遺傳算法的時(shí)候，已經(jīng)選定了最優(yōu)的那個(gè)個(gè)體，把這個(gè)個(gè)體進(jìn)行解碼，從而得出一個(gè)權(quán)值（和閾值）集合，這個(gè)集合對(duì)應(yīng)一組權(quán)值（和閾值）。例如得到一個(gè)個(gè)體 ，分別對(duì)應(yīng)不同層的不同神經(jīng)元的權(quán)值及其閾值，然后再根據(jù)一種預(yù)測(cè)效果好的BP訓(xùn)練算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，計(jì)算其誤差，并不斷修改其權(quán)值和閾值，BP算法的運(yùn)行終止條件為誤差（實(shí)際輸出和期望輸出之間的差值的絕對(duì)值）小于某一給定值，或運(yùn)算已達(dá)到預(yù)定的迭代次數(shù)，最后若滿足精度要求，則結(jié)束B(niǎo)P算法。若不滿足要求，則跳出BP過(guò)程，再回到遺傳算法過(guò)程，進(jìn)行繼續(xù)尋找最優(yōu)解的工作。

3、非營(yíng)利組織績(jī)效評(píng)價(jià)實(shí)證研究

3.1 數(shù)據(jù)選取

本文擬取河南省非營(yíng)利綜合性“三級(jí)甲等”醫(yī)院2006年相應(yīng)的數(shù)據(jù)，以其中15組數(shù)據(jù)作為樣本來(lái)訓(xùn)練網(wǎng)絡(luò)，5組數(shù)據(jù)用來(lái)檢驗(yàn)，從而得到訓(xùn)練好的非營(yíng)利性醫(yī)院績(jī)效評(píng)價(jià)模型。然后將某市人民醫(yī)院2007年相應(yīng)指標(biāo)輸入訓(xùn)練好的模型，得到評(píng)價(jià)結(jié)果。

3.2 輸入數(shù)據(jù)預(yù)處理

根據(jù)前面介紹的預(yù)處理原則對(duì)所選取的15個(gè)“三級(jí)甲等”醫(yī)院的21個(gè)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化。對(duì)B1內(nèi)部治理與運(yùn)作下屬的五個(gè)具體指標(biāo)，在確定其指標(biāo)值時(shí)，在由相關(guān)衛(wèi)生管理部門(mén)和醫(yī)院專(zhuān)家組成的小組，通過(guò)閱讀醫(yī)院的相關(guān)材料和到醫(yī)院實(shí)地考察相結(jié)合的方式，對(duì)其進(jìn)行打分，分?jǐn)?shù)控制在 [0，1]，然后計(jì)算專(zhuān)家組打分的平均分，既為這些指標(biāo)的最終得分，也是網(wǎng)絡(luò)輸入值。

3.3 GA-BP模型訓(xùn)練

將學(xué)習(xí)樣本輸入模型進(jìn)行學(xué)習(xí)和訓(xùn)練，建立Matlab仿真模型。經(jīng)過(guò)1526次的訓(xùn)練和學(xué)習(xí)，網(wǎng)絡(luò)全局誤差到達(dá)預(yù)設(shè)精度，網(wǎng)絡(luò)收斂，因此GA-BP模型能夠完全識(shí)別這12個(gè)學(xué)習(xí)樣本，擬合率很高。由此，BP網(wǎng)絡(luò)已建立了評(píng)價(jià)標(biāo)準(zhǔn)和評(píng)價(jià)等級(jí)之間復(fù)雜的非線性關(guān)系，即評(píng)價(jià)模型。非營(yíng)利性醫(yī)院績(jī)效評(píng)價(jià)的GA-BP模型訓(xùn)練運(yùn)行結(jié)果如表1所示。

網(wǎng)絡(luò)模型訓(xùn)練好之后，再用5組檢驗(yàn)數(shù)據(jù)輸入網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，結(jié)果如表2所示。從網(wǎng)絡(luò)輸出結(jié)果和期望值來(lái)看還存在一些誤差，其由于指標(biāo)的選取以及訓(xùn)練過(guò)程人為因素造成的，當(dāng)然遺傳神經(jīng)網(wǎng)絡(luò)模型也有自身的缺陷。也會(huì)造成實(shí)際與期望之間的差距?？傮w來(lái)看，網(wǎng)絡(luò)輸出值與實(shí)際評(píng)價(jià)值基本吻合，表明其輸出結(jié)果較為合理。

3.4 某市人民醫(yī)院績(jī)效水平評(píng)價(jià)

由于訓(xùn)練過(guò)的網(wǎng)絡(luò)已“模擬”并“記憶”了輸入變量和輸出變量之間的“函數(shù)”關(guān)系，經(jīng)過(guò)以上對(duì)15個(gè)訓(xùn)練樣本的訓(xùn)練和5個(gè)檢測(cè)樣本的監(jiān)測(cè)，可以得到訓(xùn)練好的非營(yíng)利醫(yī)院的績(jī)效評(píng)價(jià)模型。各層的最終權(quán)重和閾值如表3、表4所示。

通過(guò)訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)其進(jìn)行評(píng)價(jià)，按照輸出值與期望值的接近程度（即最大隸屬度原則），決定其歸屬于哪一級(jí)，評(píng)價(jià)結(jié)果為：0.821，落在區(qū)間（0.8，0.9]，表明該市人民醫(yī)院2007年度的績(jī)效水平比較高。

4、結(jié)束語(yǔ)

論文建立的基于遺傳神經(jīng)網(wǎng)絡(luò)的非營(yíng)利組織績(jī)效級(jí)評(píng)價(jià)模型，在技術(shù)上和應(yīng)用上模擬了專(zhuān)家評(píng)審思維特征，更有效地處理并優(yōu)化了專(zhuān)家經(jīng)驗(yàn)，較傳統(tǒng)方法顯得更為科學(xué)、合理。所以說(shuō)，利用遺傳算法和神經(jīng)網(wǎng)絡(luò)方法對(duì)非營(yíng)利組織績(jī)效進(jìn)行評(píng)價(jià)是一個(gè)行之有效的方法，可以進(jìn)行推廣使用。

參考文獻(xiàn)

[1]苗麗靜.非營(yíng)利組織管理學(xué)[M]. 大連：東北財(cái)經(jīng)大學(xué)出版社，2006.1.

[2]韓國(guó)明，魏麗莉.試論平衡計(jì)分卡在非營(yíng)利組織績(jī)效評(píng)價(jià)中的應(yīng)用[J].科技管理研究，2007.4：98-100

作者簡(jiǎn)介：

劉 靜 （1981年—），女，廣西南寧人，河南工業(yè)和信息化職業(yè)學(xué)院教師，講師，碩士，研究方向：人力資源管理、企業(yè)管理。

（作者單位：河南工業(yè)和信息化職業(yè)學(xué)院 河南焦作市 454000）