黃紹平

摘要：利用相關(guān)績(jī)效評(píng)價(jià)理論建立影響旅游企業(yè)員工績(jī)效評(píng)價(jià)的指標(biāo)體系，通過(guò)粗集理論對(duì)這些指標(biāo)進(jìn)行約簡(jiǎn)，獲得核心指標(biāo)。然后，利用支持向量機(jī)對(duì)核心指標(biāo)進(jìn)行建模，得到旅游企業(yè)員工績(jī)效評(píng)價(jià)模型，并將其運(yùn)用到實(shí)際評(píng)價(jià)當(dāng)中。實(shí)證結(jié)果表明，該模型評(píng)價(jià)識(shí)別率很高，有較強(qiáng)的分類能力。從旅游企業(yè)員工績(jī)效評(píng)價(jià)結(jié)果來(lái)看，粗集及遺傳算法的引入不僅能夠提高評(píng)價(jià)效率，而且能夠提高評(píng)價(jià)精度，與實(shí)際旅游企業(yè)員工績(jī)效情況基本一致，從而為后續(xù)的優(yōu)異評(píng)價(jià)結(jié)果提供良好的理論基礎(chǔ)。

關(guān)鍵詞：績(jī)效評(píng)價(jià)；旅游企業(yè)；粗集；遺傳算法；支持向量機(jī)

中圖分類號(hào)：TP18；F224 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2015）17-4370-06

DOI：10.14088/j.cnki.issn0439-8114.2015.17.067

旅游業(yè)是最具有發(fā)展?jié)摿Φ男屡d產(chǎn)業(yè)之一。許多國(guó)家和地區(qū)都把旅游業(yè)作為重要產(chǎn)業(yè)列入國(guó)民經(jīng)濟(jì)發(fā)展計(jì)劃。同時(shí)，隨著小黃金周的出現(xiàn)和大量新景區(qū)、景點(diǎn)的開發(fā)，人們的旅游方式和旅游觀念發(fā)生了改變，國(guó)內(nèi)旅游業(yè)面臨著新的競(jìng)爭(zhēng)和挑戰(zhàn)[1-2]。

作為人力資源管理中的核心模塊之一的員工績(jī)效管理，業(yè)已成為一切管理者所必須具備的基本管理技能[3]。管理者如果可以有效地管理員工的績(jī)效，將直接影響員工的積極性和工作效率，也關(guān)系到員工發(fā)展?jié)撃艿拈_發(fā)和企業(yè)能否留住人才。所以，必須通過(guò)提高企業(yè)整體績(jī)效來(lái)實(shí)現(xiàn)員工效率的提升，進(jìn)而實(shí)現(xiàn)企業(yè)生產(chǎn)力的提高。提高企業(yè)整體績(jī)效可以通過(guò)組織機(jī)構(gòu)調(diào)整、組織扁平化或分散化的方式，也可以通過(guò)精簡(jiǎn)冗員的方式來(lái)達(dá)到目的[4-6]。所以，企業(yè)必須通過(guò)科學(xué)有效的薪酬激勵(lì)，來(lái)提高員工績(jī)效水平，這是企業(yè)挖掘自身潛能過(guò)程中舉足輕重的環(huán)節(jié)。激勵(lì)的依據(jù)來(lái)源于企業(yè)對(duì)員工的績(jī)效評(píng)價(jià)，只有對(duì)員工做出了公平公正的績(jī)效評(píng)價(jià)，才會(huì)有公平合理的激勵(lì)機(jī)制。因此，做好員工激勵(lì)的前提是企業(yè)擁有一套合理完善的員工績(jī)效評(píng)價(jià)指標(biāo)體系。

在員工績(jī)效評(píng)價(jià)指標(biāo)體系中，對(duì)于如何賦予指標(biāo)相應(yīng)的權(quán)重，比較常用的有兩種方法：一種是德爾菲法，另一種是層次分析法。對(duì)于建立員工績(jī)效評(píng)價(jià)體系的方法，研究較多的除了平衡計(jì)分卡外，還有目標(biāo)管理法、關(guān)鍵績(jī)效指標(biāo)法、360績(jī)效反饋法、關(guān)鍵事件法、模糊綜合評(píng)價(jià)分析法、不良事故考核法等。眾多專家、學(xué)者、企業(yè)界人士更多地是在討論平衡計(jì)分卡的推廣與運(yùn)用問(wèn)題，許多企業(yè)在績(jī)效考核方面借鑒了平衡積分卡的思想，但是由于平衡計(jì)分卡理論本身處于不斷完善與豐富階段，且人們對(duì)平衡計(jì)分卡的本質(zhì)與內(nèi)涵認(rèn)識(shí)不夠深入，存在認(rèn)識(shí)上的偏差，實(shí)際應(yīng)用的效果不佳[2-9]。目前在績(jī)效評(píng)價(jià)指標(biāo)的選擇上，已經(jīng)能從財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)兩方面綜合考慮，這說(shuō)明我國(guó)績(jī)效評(píng)價(jià)體系已有所改善，但如何增強(qiáng)評(píng)價(jià)結(jié)果的準(zhǔn)確性，以及如何科學(xué)有效地構(gòu)建員工績(jī)效評(píng)價(jià)指標(biāo)體系，還有待研究[10-13]。

Vapnik[14]于1995年提出了基于統(tǒng)計(jì)學(xué)理論的支持向量機(jī)（support vector machine，SVM）方法，為解決評(píng)價(jià)結(jié)果準(zhǔn)確性提供了可供探索的技術(shù)途徑。支持向量機(jī)具有高度的泛化能力，能夠在極小樣本數(shù)情況下通過(guò)訓(xùn)練獲得良好的分類能力。當(dāng)前，利用傳統(tǒng)的評(píng)價(jià)方法對(duì)企業(yè)員工績(jī)效進(jìn)行研究已經(jīng)取得了一定研究成果，而且已經(jīng)趨于成熟，研究空間及可挖掘的潛力有限，然而利用具有人工智能特性的支持向量機(jī)方法尚仍處于探索階段，需要進(jìn)一步深入研究，尤其是對(duì)模型各參數(shù)的確定仍需進(jìn)一步研究。同時(shí)，由于影響員工績(jī)效的因素很多，如人員素質(zhì)、工資和工作條件等，因此，指標(biāo)較多、數(shù)據(jù)較多，增加了模型計(jì)算的復(fù)雜度和計(jì)算時(shí)間，從而降低了績(jī)效評(píng)價(jià)的效率和準(zhǔn)確度。為了解決這一問(wèn)題，可借鑒粗集理論[15]，對(duì)影響企業(yè)員工績(jī)效評(píng)價(jià)的相關(guān)指標(biāo)進(jìn)行約簡(jiǎn)，從而約簡(jiǎn)掉冗余指標(biāo)和信息。因此，本文提出一種基于粗集理論和遺傳支持向量相結(jié)合的理論運(yùn)用到旅游企業(yè)員工績(jī)效評(píng)價(jià)的新方法。該方法的主要內(nèi)容和步驟可以大體概括如下：首先通過(guò)粗集理論對(duì)影響企業(yè)員工績(jī)效的所有指標(biāo)進(jìn)行約簡(jiǎn)后，得到影響企業(yè)員工績(jī)效評(píng)價(jià)的關(guān)鍵因素和核心指標(biāo)，再通過(guò)遺傳支持向量機(jī)對(duì)這些影響因素進(jìn)行企業(yè)員工績(jī)效分類。由于遺傳支持向量機(jī)具有高度泛化能力，其建立模型的分類精度完全能滿足數(shù)據(jù)本身特征的要求。

1 粗集理論

粗集理論是Z.Pawlak于20世紀(jì)80年代提出的一種處理模糊、不確定的數(shù)學(xué)分析方法。利用該理論能夠有效地分析和處理各類不完整、不確定信息，并從中發(fā)現(xiàn)隱含的信息及知識(shí)，進(jìn)而揭示隱藏在數(shù)據(jù)當(dāng)中的規(guī)則及規(guī)律[16]。

3 基于粗集理論與遺傳支持向量的企業(yè)員工績(jī)效評(píng)價(jià)分類模型

粗集理論主要是針對(duì)抽象的、一般的知識(shí)對(duì)象去提取核心信息，支持向量機(jī)則傾向于抽象思維，將低維非線性問(wèn)題轉(zhuǎn)化為高維線性問(wèn)題來(lái)進(jìn)行處理，而且其具有高度的泛化能力，對(duì)于小樣本進(jìn)行訓(xùn)練能夠得到較好的效果。本研究將粗集理論與支持向量機(jī)算法相結(jié)合，可以高度融合抽象思維和高維非線性理論，利用規(guī)范化的定量定性數(shù)據(jù)信息及智能分析方法，對(duì)相關(guān)知識(shí)系統(tǒng)進(jìn)行深入分析處理。

前期數(shù)據(jù)處理及方法的選擇是知識(shí)處理過(guò)程中最為關(guān)鍵的兩個(gè)過(guò)程。將粗集理論與支持向量機(jī)算法結(jié)合起來(lái)建立分類模型，也正是基于它們各自的特點(diǎn)及優(yōu)勢(shì)。粗集理論能夠在保留關(guān)鍵數(shù)據(jù)信息的基礎(chǔ)上，對(duì)原始數(shù)據(jù)進(jìn)行約簡(jiǎn)并得到知識(shí)約簡(jiǎn)，從而能夠評(píng)估數(shù)據(jù)間的依賴關(guān)系，進(jìn)而導(dǎo)出相關(guān)概念的分類規(guī)則。而在利用粗集理論對(duì)相關(guān)信息進(jìn)行處理的過(guò)程中，一般只需要提供原始數(shù)據(jù)本身，而無(wú)需提供原始數(shù)據(jù)之外的其他任何信息，因此更具有客觀性。支持向量機(jī)由于具有強(qiáng)大的非線性問(wèn)題處理能力，可以很好地對(duì)數(shù)據(jù)分類辨識(shí)，進(jìn)而提高訓(xùn)練精度及學(xué)習(xí)處理能力，而且具有良好的泛化能力，可以較好地克服傳統(tǒng)統(tǒng)計(jì)學(xué)的局限性。

利用這兩種理論各自的優(yōu)點(diǎn)，首先利用粗集對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，再采用支持向量機(jī)對(duì)處理過(guò)的數(shù)據(jù)進(jìn)行黑盒處理，這樣便可以回避這兩種方法本身所具有的不完善之處，并最大程度地發(fā)揮各自的優(yōu)勢(shì)。通過(guò)粗集理論可以很好地在不依賴任何先驗(yàn)知識(shí)或信息的基礎(chǔ)上就可提取數(shù)據(jù)本身所具有的相應(yīng)特性，約簡(jiǎn)掉冗余信息，獲得核心指標(biāo)體系，進(jìn)而充分發(fā)揮粗集理論的信息處理優(yōu)勢(shì)，為后續(xù)支持向量機(jī)處理提供更加客觀、可靠、準(zhǔn)確的數(shù)據(jù)來(lái)源。后期精確學(xué)習(xí)訓(xùn)練及預(yù)測(cè)過(guò)程中，支持向量機(jī)的原始數(shù)據(jù)輸入復(fù)雜度及訓(xùn)練模型效率會(huì)得到大大降低，故分類精度及科學(xué)性將會(huì)隨之大幅提高?；谝陨详U述，本文將粗集與支持向量機(jī)算法高度結(jié)合起來(lái)，構(gòu)建企業(yè)員工績(jī)效評(píng)價(jià)模型，具體流程如圖1所示。endprint

構(gòu)建基于粗集理論與遺傳支持向量的旅游企業(yè)員工績(jī)效評(píng)價(jià)模型的基本步驟如下：

1）根據(jù)指標(biāo)體系構(gòu)建原則建立一個(gè)全面、系統(tǒng)、完善的影響旅游企業(yè)員工績(jī)效的指標(biāo)體系并建立決策表。

2）利用粗集理論對(duì)步驟1）所得指標(biāo)進(jìn)行約簡(jiǎn)，得到約簡(jiǎn)后的核心指標(biāo)集。

3）根據(jù)步驟2）指標(biāo)集提取相關(guān)數(shù)據(jù)，通過(guò)支持向量機(jī)模型對(duì)這些數(shù)據(jù)進(jìn)行訓(xùn)練，建立分類模型。

4）對(duì)于步驟3）建立支持向量機(jī)分類模型過(guò)程中的參數(shù)（如松弛變量、懲罰系數(shù)等）通過(guò)遺傳算法進(jìn)行尋優(yōu)，具體流程如下[16]：①確定遺傳算法編碼方式；②生成初始種群；③計(jì)算所有染色體的適應(yīng)度值，為種群中第i個(gè)染色體；④將所有染色體的適應(yīng)度值進(jìn)行累加，同時(shí)記錄每一個(gè)染色體的中間累加值，其中S為總數(shù)目；⑤產(chǎn)生一個(gè)隨機(jī)數(shù)N；⑥選擇相應(yīng)的中間累加值的第一個(gè)染色體進(jìn)入交換集；⑦重復(fù)步驟⑤及⑥操作，直到擁有足夠多的染色體為止；⑧對(duì)于步驟⑦產(chǎn)生的染色體中任意選擇兩個(gè)染色體，染色體進(jìn)行單點(diǎn)雜交和兩點(diǎn)雜交獲得一個(gè)或多個(gè)基因，得到新的染色體；⑨利用各種偶然因素引起的基因突變進(jìn)行變異運(yùn)算，進(jìn)而得到改變遺傳基因的值。⑩通過(guò)步驟①～⑨獲得支持向量機(jī)算法松弛變量、算法懲罰系數(shù)等，遺傳算法尋優(yōu)結(jié)束。

5）得到最終遺傳支持向量機(jī)分類模型，并利用此模型對(duì)旅游企業(yè)員工績(jī)效進(jìn)行相應(yīng)評(píng)價(jià)。

4 中國(guó)旅游企業(yè)員工績(jī)效評(píng)價(jià)實(shí)證分析

4.1 樣本選擇及指標(biāo)體系的建立

4.1.1 樣本數(shù)據(jù)的選擇 旅游企業(yè)員工績(jī)效管理運(yùn)行狀況評(píng)估主要數(shù)據(jù)來(lái)源于內(nèi)部資料及相關(guān)公開數(shù)據(jù)。根據(jù)在這些數(shù)據(jù)中篩選的指標(biāo)數(shù)據(jù)進(jìn)行后續(xù)處理，使研究更具現(xiàn)實(shí)意義，也更具有準(zhǔn)確性和權(quán)威性。本文所有數(shù)據(jù)均來(lái)源于此企業(yè)，所有數(shù)據(jù)均利用SPSS、ROSETTA、Matlab等軟件進(jìn)行處理。

4.1.2 指標(biāo)體系的建立 通過(guò)利用相關(guān)員工績(jī)效評(píng)價(jià)方法及相關(guān)學(xué)者的研究成果，并綜合考慮影響員工績(jī)效考核實(shí)際運(yùn)行的諸多因素如工作業(yè)績(jī)、個(gè)人能力、工作態(tài)度和其他項(xiàng)目完成情況等，選取了25個(gè)指標(biāo)作為初選指標(biāo)體系進(jìn)行分析（表1），力求通過(guò)初選指標(biāo)體系涵蓋充足的信息量，以便為后續(xù)員工績(jī)效分類模型的建立提供科學(xué)合理的指標(biāo)體系。

4.2 實(shí)證分析

4.2.1 數(shù)據(jù)預(yù)處理 利用離差標(biāo)準(zhǔn)化對(duì)指標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理，處理后的數(shù)據(jù)均在[0，1]之間。在對(duì)各評(píng)價(jià)指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理的過(guò)程中，由于各指標(biāo)自身含義不同，相應(yīng)的行業(yè)平均水平、極值水平均有所區(qū)別，因此本文根據(jù)相關(guān)研究經(jīng)驗(yàn)及分析，分別確定各指標(biāo)的極大、極小值，并進(jìn)行標(biāo)準(zhǔn)化處理。

4.2.2 層次聚類分析 利用SPSS軟件對(duì)通過(guò)上述處理后建立的指標(biāo)體系按公司上市代碼進(jìn)行聚類分析（表2）。

通過(guò)分析可知，將所選取的樣本分為五大類較為合理，進(jìn)而可以為后續(xù)分類模型的建立提供精準(zhǔn)分類。分析以上五類聚類結(jié)果，各指標(biāo)具體情況如表3所示。

根據(jù)表3分布情況進(jìn)行排序，可將樣本企業(yè)的員工績(jī)效考核狀況分為一級(jí)到四級(jí)，依次為優(yōu)秀、良好、一般、較差，分別用4、3、2及1表示。

本文采用樣本企業(yè)所有106個(gè)員工的2012年相關(guān)報(bào)表及數(shù)據(jù)對(duì)聚類分析結(jié)果進(jìn)行初步檢驗(yàn)，2012年績(jī)效考核為優(yōu)秀的有27個(gè)，績(jī)效考核為良好的有38個(gè)，績(jī)效考核為一般的有28個(gè)，績(jī)效考核為較差的有7個(gè)。此聚類結(jié)果較為合理，可為后續(xù)的支持向量機(jī)分類模型的建立提供一個(gè)良好的目標(biāo)依據(jù)。

4.2.3 粗集屬性約簡(jiǎn) 各指標(biāo)數(shù)據(jù)經(jīng)過(guò)標(biāo)準(zhǔn)化處理后均分布在0-1之間。據(jù)此，利用ROSETTA軟件對(duì)各指標(biāo)數(shù)據(jù)進(jìn)行離散化處理，并加入聚類形成的員工績(jī)效考核狀況決策屬性，形成決策表（表4），其中，公司由代號(hào)表示，20個(gè)指標(biāo)數(shù)據(jù)構(gòu)成條件屬性集，員工績(jī)效考核狀況為決策屬性。

根據(jù)屬性重要度公式及軟件運(yùn)行結(jié)果計(jì)算新指標(biāo)體系各屬性重要度（表5）。

在新的指標(biāo)體系中，20個(gè)指標(biāo)仍然涵蓋了工作業(yè)績(jī)、個(gè)人能力、工作態(tài)度和其它項(xiàng)目完成情況等方面。精簡(jiǎn)后的原始數(shù)據(jù)能以較少的數(shù)量提供較多的信息量，因此可以作為支持向量機(jī)輸入的數(shù)據(jù)來(lái)源，以確保構(gòu)建支持向量機(jī)所需的信息量充足、準(zhǔn)確、精簡(jiǎn)，避免因輸入數(shù)據(jù)維度過(guò)多而造成網(wǎng)絡(luò)效率下降，同時(shí)也避免了盲目選擇指標(biāo)數(shù)據(jù)造成的信息失真或信息不充分，進(jìn)而影響網(wǎng)絡(luò)分類效果。

4.2.4 支持向量機(jī)模型訓(xùn)練 基于以上數(shù)據(jù)預(yù)處理及分析，構(gòu)建支持向量機(jī)模型。輸入數(shù)據(jù)為接受外部數(shù)據(jù)的緩沖存儲(chǔ)器，支持向量機(jī)相關(guān)參數(shù)通過(guò)遺傳算法尋優(yōu)得到，在本文中即為前述粗集約簡(jiǎn)后形成的指標(biāo)個(gè)數(shù)20。輸入數(shù)據(jù)中每行由100個(gè)員工數(shù)據(jù)組成，每列由20個(gè)指標(biāo)標(biāo)準(zhǔn)化后數(shù)值構(gòu)成，分類值的每一列中1所在的行數(shù)代表該列員工所屬的聚類分類數(shù)，如：第一行代表第一類。

本文遺傳支持向量機(jī)的訓(xùn)練和分析采用Matlab7.6軟件實(shí)現(xiàn)，將訓(xùn)練樣本數(shù)據(jù)依次輸入遺傳支持向量機(jī)模型，對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，經(jīng)過(guò)多次訓(xùn)練后參數(shù)得到最優(yōu)狀態(tài)，在訓(xùn)練輸出數(shù)據(jù)中，每一列上1所在的位置對(duì)應(yīng)樣本績(jī)效評(píng)價(jià)分類，輸出值中各元素值的分類情況良好，相關(guān)參數(shù)通過(guò)遺傳算法尋優(yōu)得到后，遺傳支持向量機(jī)分類模型也即建立。

通過(guò)已經(jīng)建立的分類模型對(duì)檢驗(yàn)樣本分析，本文選取樣本中第101～120家企業(yè)數(shù)據(jù)作為檢驗(yàn)樣本。將學(xué)習(xí)訓(xùn)練獲得的相關(guān)參數(shù)運(yùn)用到對(duì)檢驗(yàn)樣本的仿真，然后再對(duì)模型的預(yù)測(cè)精度和判別率進(jìn)行檢驗(yàn)。將以上檢驗(yàn)樣本輸入到已經(jīng)構(gòu)建好的遺傳支持向量機(jī)分類模型中，經(jīng)過(guò)matlab軟件分析可以得到輸出值。本分類模型實(shí)際預(yù)測(cè)分類正確率如表6所示。

如表6所示，通過(guò)對(duì)采用遺傳算法構(gòu)建的支持向量機(jī)模型進(jìn)行仿真訓(xùn)練，其綜合判斷正確率高達(dá)100%，總體分類情況良好。應(yīng)用此分類模型，可以對(duì)旅游企業(yè)內(nèi)的員工進(jìn)行績(jī)效效果評(píng)價(jià)，將待評(píng)價(jià)企業(yè)員工的各項(xiàng)數(shù)據(jù)作為輸入數(shù)據(jù)，即可根據(jù)此評(píng)價(jià)模型得到相應(yīng)判斷結(jié)果。endprint

5 結(jié)論

在企業(yè)發(fā)展過(guò)程中，由于客觀環(huán)境的不確定性和管理的局限性，不可避免地會(huì)產(chǎn)生員工績(jī)效評(píng)價(jià)問(wèn)題。通過(guò)設(shè)置一些評(píng)價(jià)規(guī)則，并對(duì)員工績(jī)效評(píng)價(jià)的影響因素進(jìn)行跟蹤監(jiān)測(cè)，能夠在企業(yè)人力資源問(wèn)題發(fā)生前發(fā)出有效的警報(bào)。本文通過(guò)運(yùn)用粗集理論對(duì)影響企業(yè)員工績(jī)效評(píng)價(jià)的指標(biāo)體系進(jìn)行屬性約簡(jiǎn)，獲得影響企業(yè)員工績(jī)效評(píng)價(jià)的核心影響因素，從而保證源數(shù)據(jù)的有效性和精練性，為后期建立遺傳支持向量機(jī)員工績(jī)效評(píng)價(jià)模型提供較為合理的數(shù)據(jù)，并運(yùn)用合理的支持向量機(jī)優(yōu)化參數(shù)進(jìn)行支持向量機(jī)分析，最終建立遺傳支持向量機(jī)員工績(jī)效評(píng)價(jià)模型。主要結(jié)論如下：

1）利用粗集方法約簡(jiǎn)后指標(biāo)體系從工作業(yè)績(jī)、個(gè)人能力、工作態(tài)度和其他項(xiàng)目等諸多方面均反映了對(duì)企業(yè)員工績(jī)效評(píng)價(jià)的作用。

2）利用遺傳算法能夠較好地對(duì)支持向量機(jī)模型在訓(xùn)練過(guò)程中尋找得到更優(yōu)的模型參數(shù)，從而使得訓(xùn)練模型更加準(zhǔn)確和有效。

3）遺傳-支持向量機(jī)較好地學(xué)習(xí)了樣本數(shù)據(jù)，并形成了規(guī)范的分類評(píng)價(jià)體系。通過(guò)檢驗(yàn)樣本的運(yùn)行對(duì)網(wǎng)絡(luò)學(xué)習(xí)結(jié)果進(jìn)一步作出規(guī)范和驗(yàn)證，并最終形成基于粗集和遺傳支持向量機(jī)的評(píng)價(jià)體系。

參考文獻(xiàn)：

[1] OTLEYA D.Performance management：A framework for management control systems research[J]. Management Accounting Research，1999，10（4）：363-382.

[2] JENSEN M C，MURPHY K J. Performance pay and top-management incentives[J]. Journal of Political Economy，1990，98（2）： 273-287.

[3] CAMPBELL J P，MCCLOY R A，OPPLER S H，et al.A theory of Performance[M].In：Schmitt N.& W.C. Borman Personnel Selection in Organizations.San Francisico，1993.35-70.

[4] 羅伯特·巴考爾.績(jī)效管理24準(zhǔn)則[M].北京：中信出版社，2005.

[5] 林新奇.績(jī)效管理手冊(cè)[M].北京：中國(guó)勞動(dòng)社會(huì)保障出版社，2006.

[6] 孟建民.中國(guó)企業(yè)績(jī)效評(píng)價(jià)[M].北京：中國(guó)財(cái)經(jīng)出版社，2002.

[7] BRISCOE D R. International Human Resource Management[M].Prentice-hall Inc，1999.

[8] 王繼承.績(jī)效考核操作實(shí)務(wù)[M].廣州：廣東經(jīng)濟(jì)出版社，2003.

[9] 余凱成.現(xiàn)代人力資源管理[M].沈陽(yáng)：東北出版社，1997.

[10] 彼 得·德魯克.公司績(jī)效測(cè)評(píng)[M].北京：中國(guó)人民大學(xué)出版社，1999.

[11] LANDY F，F(xiàn)ARR J. The Measurement of Work Performance： Methods Theory and Application[M]. New York：Academic Press，1983.

[12] 付亞和，許玉林.績(jī)效管理[M].上海：復(fù)旦大學(xué)出版社，2007.

[13] PAMENTER. Moving from appraisal to employee enhancement[J].Canadian manager，2002（15）：34-37.

[14] VAPNIK V N.The Nature of Statistical Learning Theory[M]. New York：Springer-Verlag，1995.

[15] 張文修，吳偉志，梁吉業(yè)，等.粗糙集理論與方法[M].北京：科學(xué)出版社，2003.

[16] 溫文波，杜 維.蟻群算法概述[J].控制系統(tǒng)，2002（1）：19-22.endprint