CC BY
97
УДК 685.652
ПРОЦЕДУРА ЭКСПЕРТНОГО ОЦЕНИВАНИЯ ВЛИЯНИЯ ОРГАНИЗАЦИОННОЙ КУЛЬТУРЫ НА ЭФФЕКТИВНОСТЬ ЕГО ФУНКЦИОНИРОВАНИЯ
В. О. Родионова
Работа посвящена вопросам комплексной оценки эффективности конкретной организационной культуры при помощи экспертного оценивания. Разработана модель влияния организационной культуры на деятельность конкурентоспособного предприятия. Рассмотрена общая схема обучения нейросети
Ключевые слова: нейросеть, нейромодель, экспертное оценивание
На конкурентоспособном предприятии принятие управленческих решений должно основываться не только на прагматических критериях чисто “экономического” мышления, но и обязательно содержать в себе важные нравственные детерминанты, высвечивающие моральное и ценностное содержание деятельности предприятия в обществе. Нарушение же компанией принятых в современном деловом мире этических принципов может привести организацию к серьезным осложнениям в деловых контактах.
Очевидно, анализ воздействия культуры на результаты функционирования предприятия должен включать в себя оценку стратегической направленности культуры, ее способности к адаптации и развитию в условиях турбулентной внешней среды. Так же нельзя сбрасывать со счета и этические вопросы функционирования компании вообще и связи “культура-эффективность” в частности.
Комплексная оценка эффективности конкретной организационной культуры должна проводиться в контексте глубокого анализа следующих аспектов организационной жизнедеятельности:
- эффективности функционирования экономической подсистемы;
- этической состоятельности культуры;
- эффективности функционирования маркетинговой подсистемы;
- эффективность функционирования технической подсистемы;
- эффективности функционирования информационной подсистемы;
- эффективности функционирования социальной подсистемы;
- адекватности культуры выбранной
стратегии бизнеса и восприимчивости к изменениям во внешней среде [2].
В настоящее время не существует четких алгоритмов оценки данных аспектов, в основном из-за неформализованности оцениваемых параметров. Единственный, хорошо зарекомендовавший себя,
Родионова Валерия Олеговна - ВГТУ, ассистент, тел. (4732) 76-74-64
метод — это проведение оценки группой экспертов на основе их опыта в области изучения оргкульту-ры. Предлагается разработать на основе нейросете-вых технологий инструмент для автоматизированной диагностики влияния состояния оргкультуры фирмы на эффективность функционирования ее подсистем.
Рассмотрим более подробно процесс построения нейромодели влияния организационной культуры (ОК) на изменение аспектов организационной жизнедеятельности (рис. 1).
Использование экспертного оценивания, оправдывается с одной стороны его сравнительной простотой, а с другой - достаточно высокой эффективностью полученного результата. Эффективность управления сложными системами значительно зависит от решений, которые принимаются на этапах формулирования конкретной цели управления, оценки качества управления, принятие текущих целей управления, выбора управляющих воздействий на основе экспертных оценок. Экспертные оценки отражают опыт, интуицию и знания специалистов относительно исследуемого объекта и содержат объективную информацию. Основной задачей экспертного оценивания является выделение и оценка этой объективной информации с помощью объективных методов.
Применение направленного опроса специалистов, как одного из методов экспертных оценок, оправдывается с одной стороны его сравнительной простотой, а с другой - достаточно высокой эффективностью полученного результата. Метод направленного опроса специалистов применяется для построения математических моделей при отсутствии возможности активного эксперимента и недостаточно архивной информации. Предлагаемый метод позволяет объективным образом обработать субъективные оценки экспертов влияния оргкультуры на деятельность фирмы.
В группу экспертов включаются специалисты и ученые, имеющие большой практический и научный опыт в области исследуемого объекта. Эксперты оценивают предлагаемые ситуации не только субъективно, но и с использованием имеющейся априорной информации, что обычно не в состоянии
проделать профессиональные специалисты по моделированию.
Следует отметить, что компетентность и согласованность экспертов влияет на величину дисперсии результатов направленного опроса, поэтому предварительно рекомендуется проводить исследование с целью выделения из общей группы экспертов наиболее компетентных и оценить согласованность их мнений до начала опроса.
Рис. 1. Разработка модели влияния организационной культуры на деятельность предприятия[1]
Для учета компетентности рассматривается два способа: самокомпетентность и принудительная
оценка прогнозистом достоинств эксперта. При расчете групповой оценки вводят весовые показатели, которые вычисляются либо на основе само- и взаи-мооценок компетентности членов группы, либо из анализа оценок объектов.
Вначале был составлен полный перечень аспектов влияния организационной культуры на деятельность фирмы:
Аь - влияние на эффективность экономической подсистемы;
А2 - влияние на эффективность маркетинговой подсистемы;
А3 - влияние на эффективность технической подсистемы;
А4 - влияние на эффективность информационной подсистемы;
А5 - влияние на эффективность социальной подсистемы.
Затем для каждого из предприятий, на которых собиралась статистика, выполнялась следующая процедура.
Экспертам предлагается оценить каждый из аспектов по 10 бальной шкале, при этом оценки ниже 5 баллов говорят о неудовлетворительном состоянии соответствующего аспекта. Оценки экспертов заносятся в матрицу.
Далее производится проверка согласованности экспертов в оценке ситуации каждой ьои строки матрицы. Для оценки применяется, в частности, метод ранговой корреляции с использованием критерия Кочрена (О - критерий Кочрена).
Пусть имеется т экспертов, которые должны оценить п критериев, характеризующих влияние конкретной организационной культуры на деятельность фирмы. Для каждого ьго столбца
( / = 1, П ) значений критериев проводим оценку и определяем величину f по формуле:
/=А-ан, (1)
где А - верхний предел оценки;
ан - оценка, присвоенная /-ой строке матрицы по /-му столбцу.
Естественно, в количественной оценке аспектов у экспертов возможны расхождения.
Оценка согласованности производится следующим образом [1].
1. Определяется J / - среднее значение оценки, присвоенной /-му столбцу, по формуле:
III
I Л
Л =
/=1
т
(2)
2. Определяется - оценка дисперсии /-го критерия /-ым экспертом по формуле:
,2
(Л - Л )•
т
1
(3)
5,2
3. Определяется ^>1 - оценка дисперсии для
каждого 1-го критерия по формуле: т
5,2 =
15
/=1
т -1
(4)
2
S
2
N
Определяется — max дисперсии по формуле:
а
максимальная оценка
S max = m ^ S
І =1
2
(5)
Определяется Gpac4 - значение критерия Кочрена по формуле:
S2
G _______ max
рас _ - (6)
рас
I si
І = 1
Если значение критерия Кочрена Орасч окажется меньше критического значения вкрит при числе степеней свободы ^ = т-1 и ^ = п, то принимается гипотеза об однородности дисперсий оценки и согласованности экспертов в оценке ситуаций матрицы планирования.
Далее рассмотрим построение и обучение ней-росетевой модели для диагностики организационной культуры.
Нейронной сетью называется структура, состоящая из связанных между собой нейронов. Нейроны можно моделировать довольно простыми автоматами, а вся сложность сети, гибкость ее функционирования и другие важнейшие качества определяются связями между нейронами. Каждая связь представляется как совсем простой элемент, служащий для передачи сигнала -синапс (умножает входной сигнал на «вес синапса»).
Стандартный формальный нейрон составлен из входного сумматора, нелинейного преобразователя и точки ветвления на выходе. Описание структуры нейрона представлено на рис. 2.
ветвления
Входной Нелинейный
сумматор преобразователь
Рис. 2. Формальный нейрон Адаптивный сумматор вычисляет скалярное произведение вектора входного сигнала х на вектор параметров а.
Нелинейный преобразователь сигнала получает скалярный входной сигнал х и переводит его в <р(х) - функция активации.
Точка ветвления - получает скалярный входной сигнал х и передает его всем своим выходам.
Математическая модель нейрона описывается следующим образом:
S = I WiXi + b
(7)
І = 1
У _ f(s)
где wi - вес синапса (weight), (i=1,2... N); b - значение смещения (bias); s - результат суммирования (sum); y - выходной сигнал нейрона; xi - входной сигнал, (i=1,2... N); f - нелинейное преобразование (функция активации);
N - число входов нейрона.
В общем случае входной сигнал, весовые коэффициенты и значения смещения могут принимать действительные значения. Выход (у) определяется видом функции активации и может быть как действительным, так и целым.
В качестве функций активации используется сигмоидальная, в данном случае - функция Ферми:
f (S) _ ! , -2aS (8)
1 + e
В созданной нейросети функция активации одинакова для всех нейронов сети, и такая сеть называется гомогенной.
Итак, дано описание основных элементов, из которых составляются нейронные сети, а так же описано функционирование нейрона. Теперь можно рассмотреть построение нейросетевой модели.
Для нейронных сетей можно выделить две базовых архитектуры - слоистые и полносвязные сети.
В слоистой сети нейроны расположены на нескольких слоях. Нейроны первого слоя получают входные сигналы, преобразуют их и через точки ветвления передают нейронам второго слоя. Далее срабатывает второй слой и т.д. до последнего слоя, с которого снимается сигнал. Особое распространение получили трехслойные сети, в которых каждый слой имеет свое наименование: первый - входной, второй - скрытый, третий - выходной. Именно такая архитектура нейросети использована в данной разработке. Использование более информационноемкой полносвязной нейросети в данном случае не требуется в связи достаточно небольшой информационной емкости самой задачи.
В качестве входных параметров нейросети использовались базовые параметры ОК, а на выходе нейросети снимались значения оценок влияния ОК на разные аспекты деятельности фирмы (перечень аспектов был приведен ранее).
После построения нейросети, было проведено ее обучение оцениванию эффективности ОК. Для обучения нейронной сети использовалась обучающая выборка (задачник), состоящая из примеров. Каждый пример представляет собой задачу одного и того же типа с индивидуальным набором условий (в данном случае это базовые параметры ОК) и заранее известным ответом (в данном случае это оценки
экспертов). Несколько примеров с разными ответами образуют задачник.
Рассмотрим общую схему обучения нейросети (рис. 3) [1]:
1.Из обучающей выборки берется текущий пример (изначально, первый) и его входные параметры (представляющие в совокупности вектор входных сигналов) подаются на входные синапсы обучаемой нейросети. Обычно каждый входной параметр примера подается на один соответствующий входной синапс.
2. Нейросеть производит заданное количество тактов функционирования, при этом вектор входных сигналов распространяется по связям между нейронами (прямое функционирование).
3. Измеряются сигналы, выданные теми нейронами, которые считаются выходными.
4. Производится интерпретация выданных сигналов, и вычисляется оценка, характеризующая различие между выданным сетью ответом и требуемым ответом, имеющимся в примере. Оценка вычисляется с помощью соответствующей функции оценки. Чем меньше оценка, тем лучше распознан пример, тем ближе выданный сетью ответ к требуемому. Оценка, равная нулю, означает, что требуемое соответствие вычисленного и известного ответов достигнуто. Заметим, что только что инициализированная (необученная) нейросеть может выдать правильный ответ только совершенно случайно.
5. Если оценка примера равна нулю, ничего не предпринимается. В противном случае на основании оценки вычисляются поправочные коэффициенты для каждого синаптического веса матрицы связей, после чего производится подстройка синаптических весов (обратное функционирование). В коррекции весов синапсов и заключается обучение.
6. Осуществляется переход к следующему примеру задачника и вышеперечисленные операции повторяются. Проход по всем примерам обучающей выборки с первого по последний считается одним циклом обучения.
При прохождении цикла каждый пример имеет свою оценку. Вычисляется, кроме того, суммарная оценка множества всех примеров обучающей выборки. Если после прохождения нескольких циклов она равна нулю, обучение считается законченным, в противном случае циклы повторяются.
Количество циклов обучения, также как и время, требующееся для полного обучения, зависят от многих факторов - величины обучающей выборки, количества входных параметров, вида задачи, типа и параметров неиросети и даже от случайного расклада весов синапсов при инициализации сети.
При обучении нейромодели для коррекции весов синапсов использовался вариант алгоритма обратного распространения ошибки («back propagation»). Алгоритм обратного распространения
- это итеративный градиентный алгоритм, который используется с целью минимизации среднеквадратичного отклонения текущего выхода и желаемого выхода.
Рис. 3. Общий алгоритм обучения нейросети
Рассмотрим более подробно данный алгоритм.
Алгоритм обратного распространения ошибки представляет собой рекурсивный алгоритм, который сначала применяется к выходным нейронам сети, а затем проходит сеть в обратном направлении до первого слоя.
Веса синапсов корректируются следующим образом:
Му (і + 1) = Му (і) + і (9)
где Мц - вес связи от нейрона і или от элемента входного сигнала і к нейрону , в момент времени і, х/ - выход нейрона і или ,-ый элемент входного сигнала,
г - шаг обучения,
gi - значение ошибки для нейрона,.
Если нейрон с номером / принадлежит последнему слою, то
ё,= У,(1 - У,)/ У,) (10)
где ^ - желаемый выход нейрона/, у, - текущий выход нейрона,.
Если нейрон с номером, принадлежит одному из слоев с первого по предпоследний, то
gJ = X/ (1 - X/ )1 gkwJk (11)
где k проходит все нейроны слоя с номером на единицу больше, чем у того, которому принадлежит нейрону /.
Настройка внешних смещений нейронов Ь аналогична.
Несмотря на популярность данного алгоритма у него есть и недостатки. Многокритериальная задача оптимизации в методе обратного распространения рассматривается как набор однокритериальных - на каждой итерации происходят изменения значений параметров сети, улучшающие работу лишь с одним примером обучающей выборки. Такой подход существенно уменьшает скорость обучения.
Для ускорения обучения, использовалась простая модификация алгоритма обратного распространения, в которой величина шага на каждой итерации определяется инерционным соотношением:
+1)=W/■(0+г%х +Ф/(0-щ(-ВД
(12)
где а- коэффициент инерции, 0<а<1.
Обучение нейросети было проведено по статистике, состоящей из данных обследования 25 предприятий. Для каждой фирмы проводилось интервьюирование персонала, и заполнялась итоговая анкета, включавшая 20 показателя. Для объективизации влияния организационной культуры на деятельность фирм исследовали поведение различных ее подсистем. Оценка влияния ОК на каждую подсистему фирмы проводится по 10 бальной шкале, при этом в случае оценки ниже 5 баллов считается, что ОК оказывает отрицательное влияние на эффективность.
Исследовалась зависимость эффективности деятельности подсистем от следующих показателей:
Х1 - демократичность руководства;
Х2 - технократизм организационного развития;
Х3 - отчуждение труда;
Х4 - "замороженность" сознания;
Х5- взаимопонимание и сотрудничество между коллегами.
Для проектирования нейросетевой модели диагностики организационной культуры использовался программный комплекс №игоРго. В качестве входных параметров нейросети вы-
браны описанные выше показатели, а на выходе
нейросети влияние организационной культуры на деятельность фирмы определяется следующими показателями:
У1 - влияние на функционирование экономической подсистемы;
У2 - влияние на функционирование социальной подсистемы;
У3 - влияние на функционирование маркетинговой подсистемы;
У4 - влияние на функционирование технической подсистемы;
У5 - влияние на функционирование информационной подсистемы.
Для апробации построенной модели выделена контрольная группа фирм, не вошедших в обучающую выборку (10 фирм) и проведен прогноз оценки влияния организационной культуры. Обученная нейросеть однозначно распознает все примеры из обучающей выборки и достаточно точно (среднее отклонение от правильного ответа составляет менее 10 %) выдает ответы на примеры из контрольной выборки. Полученный результат позволяет сделать вывод о выявлении искомой зависимости и целесообразности применения данного метода в качестве достойной альтернативы использованию «живых» экспертов при оценке влияния организационной культуры на эффективность деятельности фирмы. Приведенная выше методика позволяет дать развернутую оценку эффективности той или иной организационной культуры, что позволяет выявить узловые проблемы, потенциальные возможности и ключевые направления ее развития и совершенствования.
Литература
1. Альтварг М.С., Родионова В.О., Федоркова Н.В. Методология диагностики и принятия управленческих решений в системе организационной культуры предприятия: монография / М.С. Альтварг, В.О. Родионова, Н.В. Федоркова. Воронеж: ГОУВПО “Воронежский государственный университет”, 2008. - 126 с.
2.Чаплина А.Н. Научно-методические подходы к формированию модели управления организационной культурой: монография / А.М. Чаплина, Красноярск: КГПУ, 2000. - 60 с.
Воронежский государственный технический университет
PROCEDURE EXPERT APPRECIATION OF INFLUENCE OF ORGANIZATIONAL CULTURE ON EFFICIENCY OF ITS FUNCTIONING V.O. Rodionova
Work is dedicated to questions to a complex estimation of efficiency of concrete organizational culture through expert appreciation. The model of influence of organizational culture on activity of the competitive enterprise is developed. The common circuit of training нейросети is considered
Key words: neuronet, neuromodel, expert appreciation
