JP2002175391A

JP2002175391A - ニューラルネットワークを用いた業績評価方法

Info

Publication number: JP2002175391A
Application number: JP2000374120A
Authority: JP
Inventors: Hirota Suyama; 博太陶山
Original assignee: Individual
Current assignee: Individual
Priority date: 2000-12-08
Filing date: 2000-12-08
Publication date: 2002-06-21

Abstract

(57)【要約】【課題】企業における個人業績の評価等に好適に用い
ることのできるニューラルネットワークを用いた業績評
価方法を提供する。【解決手段】ニューラルネットワークによる演算を実
行するコンピューターに複数の業績指標に関する既知の
入力情報ｘ_１〜ｘ_ｉを入力し、評価出力情報ｚを得て、
該評価出力情報と既知の業績評価と比較して両者の誤差
が少なくなるように前記ニューラルネットワークの重み
を制御した後、業績評価が未知のものについて複数の業
績指標の入力情報から評価出力情報を得る。また、前記
誤差が少なくなるように制御する過程で、前記誤差が最
小値に収束しない場合は、前記業績指標の少なくともい
ずれかは業績評価についての相関が低いと判定する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、企業における個人
業績の評価等に好適に用いることのできるニューラルネ
ットワークを用いた業績評価方法に関する。

【０００２】

【従来の技術】個人業績の評価は、企業の重要課題とし
て、従来さまざまな手法が工夫されているが、次のよう
な、半ば宿命的ともいえる難しさがある。

【０００３】(1) 企業業績と、個人の所属する部門業
績の関連づけが難しい企業業績は、財務的要素に非財務的要素を加える形で成
り立つ。基本的にＲＯＡ（Return on Total Asset）、
ＲＯＥ（Return of Equity）、ＥＶＡ（Economic Va1ue
Added）など、財務的要因は共通要素があり、非財務的
要素では、取締役の平均年齢や環境問題への取り組みと
いった非財務的要素を適宜加えるというのが一般的であ
る。すなわち軸とする部分が明確である。

【０００４】それに対して個人業績は、営業部門・生産
部門等の直接部門については、伝統的デュボン・システ
ムによる展開で、財務的要素の一部分（売上高やコスト
ダウン額）を対応させることができるが、間接部門につ
いては、関連付けが難しい。

【０００５】確かに直接部門への用役の提供が職務にな
っている場合は評価しやすいものの、それだけが部門へ
の役割期待ではない場合も多い。長期的課題を専用に処
理する基礎研究部門等は、開発テーマの事業化プロセス
を経済工学によって評価することも可能である。しか
し、総務経理部門の場合は、部門の仕事と全体業績の関
わりの把握はしにくい。部門間の相互作用も、金額で換
算可能な部分とそうでない部分があり、完全には、把握
できない。企業業績と部門業績のリンクは、極めてとり
にくい。

【０００６】(2) 個人業績の合算が部門業績とは限ら
ない部門業績と、さらに一段階細かい個人業績の間にも、隔
たりは、存在する。例えば、財務的要素の一部分を対応
させることができる直接部門の場合は、ムードメーカー
的な役割の人が存在し、それによって部門全体の成果が
押し上げられているケースが少なくない。その逆もまた
あり得る。そうすると、個人業績を見る場合には、財務
的要素の一部分をさらに細かく砕き、それを個人業績と
見立てて機械的に割り当てることは、厳密には、望まし
くないことになる。

【０００７】良くおちいりやすい誤りが、目標管理等に
よって定量的な部分のみに個人の役割を限定し、暗黙の
うちに被評価者が行なってきた潤滑油的な役割を捨象し
てしまうことである。だからといって、このような非公
式な役割は、目標設定で具体的に限定し、意識させてし
まうと、かえってうまく機能しないこともある。

【０００８】(3) 環境に合わせたこまめな対応を必要
とするのに、構築に手間がかかるどのような業務システムも、構築した次の日から陳腐化
が始まるが、ことに業績評価の方式については、それが
顕著である。環境変化に対する即応可能性との関連も大
事である。

【０００９】企業業績においては、財務的要素と非財務
的要素のウェイトや、重視すべき中身が短期で変化す
る。また、部門や個人の業績においては、役割期待の変
化が激しい。加えて、変化に対応した新しい部門・職務
を迅速に発生させるだけでなく、それに対する評価の方
法も、的確に設定する必要がある。

【００１０】それにも拘わらず、業績評価の方式、特に
個人の業績評価の方式は、構築に手間を要する。個人の
業績評価には、目標と実績（目標の達成度合い）の２つ
の評価軸の付け合わせで行なう方式が一般的であるが、
この方式だと普通の目標、普通の達成度をどこに決める
かは、大変困難な問題である。

【００１１】(4) 業績評価は、本来インタラクティブ
に進化させてゆかなければならない業績評価は、企業評価の場合は、投資家の目を強く意識
する必要があるが、部門業績と個人業績は、内部のマタ
ーであり、殆どの場合、企業が独自の判断で実施してい
る。そのこと自体は、特に不都合はないが、問題は、経
営する側の利益や成果だけを満たすのではなく、被評価
者の側から見た利益や成果も同時に満たせるかどうかで
ある。被評価者から動機づけ等により本来持つ以上の力
を引き出すまでは良いが、支給する給与以上の成果をあ
げながら、そこで得られた利益を社員に還元しない、あ
るいはできないのでは、業績評価システムの意義は薄い
と思われる。

【００１２】

【発明が解決しようとする課題】以上の問題を解決する
には、統計学の比較的新しい技法と業績評価のための計
数が持つ情報を適切に融合させる必要がある。まず、新
しい技法としては、ニューラルネットワークという方法
がある。

【００１３】業績評価のための情報をいかに扱うかとい
う点については、従業員が個人的にあげる成果の恐らく
大多数を占める非線型要因を折り込めるかがポイントと
なる。評価面についても、特に重要な場面（昇進・非昇
進）で非線型処理が要求される。

【００１４】伝統的統計学では、非線型のクロス処理に
有効な方法として、カイ自乗検定があるが、これは、測
定対象の確率変数が正規分布であることを前提としてお
り、混合正規分布であふれる実際の世界には、適さな
い。また、ヒトゴトである以上綿密に行なった方が、納
得性が高い。といっても、実験計画でいう、重大なブロ
ック因子（相性、価値観の違い、好き嫌い）の存在が直
感的に予測できるにも関わらず、職場という空間の中に
それらを探る局所管理を持ち込むのも事実上、大変難し
い。

【００１５】ニューラルネットワークでは、非線型処理
を得意としているため、どのような情報でも扱うことが
できる。重要なパターンをシナプス結合（後述）で記憶
・学習するという点で、またアルゴリズムが明確でない
という点でも、評価する側、される側の両方の当事者に
必要なバイタル・ファクターのみを提供できる利点があ
る。誤解を恐れずに端的に言うと、列挙式ではなく、包
括式で分析をするのである。

【００１６】本発明は、そのニューラルネットワークを
用いることで、企業における個人業績の評価等に好適に
用いることのできるニューラルネットワークを用いた業
績評価方法を提供することを目的とする。

【００１７】本発明のその他の目的や新規な特徴は後述
の実施の形態において明らかにする。

【００１８】

【課題を解決するための手段】上記目的を達成するため
に、本願請求項１の発明に係るニューラルネットワーク
を用いた業績評価方法は、ニューラルネットワークによ
る演算を実行するコンピューターに複数の業績指標に関
する既知の入力情報を入力し、評価出力情報を得て、該
評価出力情報と既知の業績評価と比較して両者の誤差が
少なくなるように前記ニューラルネットワークの重みを
制御した後、業績評価が未知のものについて複数の業績
指標の入力情報から評価出力情報を得ることを特徴とし
ている。

【００１９】本願請求項２の発明に係るニューラルネッ
トワークを用いた業績評価方法は、請求項１において、
前記誤差が少なくなるように制御する過程で、前記誤差
が最小値に収束しない場合は、前記業績指標の少なくと
もいずれかは業績評価についての相関が低いと判定する
ことを特徴としている。

【００２０】本願請求項３の発明に係るニューラルネッ
トワークを用いた業績評価方法は、請求項１又は２にお
いて、インターネットのホームページから前記複数の業
績指標に関する入力情報が入力可能となっていることを
特徴としている。

【００２１】

【発明の実施の形態】以下、本発明に係るニューラルネ
ットワークを用いた業績評価方法の実施の形態を図面に
従って説明する。

【００２２】まず、ニューラルネットワークとは、何か
について、まず簡単にふれることにする。

【００２３】ニューラルネットワークとは、脳細胞の仕
組みを応用した情報処理システムである。通常コンピュ
ーターは、入力情報を単体のファンクションで処理す
る。ニューラルネットワークでは、入力情報をニューロ
ンに分散しながら繰り返し取り込み、そのパターンを学
習しながら記憶するシステムである。

【００２４】特に、従来の分析のように論理アルゴリズ
ムを必要としないことから、「人が行なう仕事」と「企
業としての成果」の関連を筋道たてて捉えなくても済む
という点で、複雑微妙な関係と激変する環境変化を内包
する業績評価に適している。この目的に対して重要なこ
とは、入力情報として何が選択されるかの一点につき
る。

【００２５】ニューラルネットワークの仕組みを数学的
にまとめてみよう。ネットワーク上に結合されるニュー
ロンは、あたかも神経細胞のように、シナプス結合でも
のを記憶する機能をもっている。今、ｊ個のニューロン
に、ｉ個の確率変数ｘ_ｌ，…，ｘ_ｉが取り込まれるとす
ると、ニューロンに取り込まれた確率変数ｕ_ｌ，…，ｕ
_ｊとの関係は、次の(1)式で表すことができる。

【００２６】

【数１】 (1)式のｗは、シナプスの重みを表している。ニューラ
ルネットワークでは、このｗを変化させながら繰り返し
確率変数を取り込むことで、出力を本来の値に近づけて
ゆくことができる。

【００２７】この情報を出力する際に、しきい値の設定
を必要とする時もある。例えば、野球データでは、打率
や打数等、経営分析データでは、損益分岐点比率や流動
比率等必ず、０以上になるものは、その値が必ず正にな
ると考え、ニューロンにマイナスの値が入り込んだ場合
にはそれを正常な値に修正する。

【００２８】出力される情報ｚと、しきい値ｈとニュー
ロンに取り込まれた確率変数ｕの関係は、次の式(2)で
表せる。

【数２】ここで、通常独立変数ｕ、ｈと目的変数ｚの関係を、回
帰式で表現して予測モデルを作成したり、２変量間の関
係の深さを相関係数で表現したりするが、ニューラルネ
ットワークモデルでは、ｘを(1)(2)式に何度も取り込
み、ｗを変化させながら本来の値に近づける。すなわち
出力されたｚに対して本来の値（＝教師データ）を照合
して両者の誤差を確認し、その誤差を最小化してゆくの
である。誤差関数には、いろいろなものがあるが、ここ
では、Dayhoffのモデルを式(3)で掲げておく。

【００２９】

【数３】（但し、ｄｉは教師データ）なお、式(3)には色々な種類があるが、その中で最も学
習効果が良いモデルを選択して使用する。

【００３０】そのように段階的に誤差を縮小させてゆく
方法を誤差伝播学習方式という。成功や達成のためのド
ライバーが刻々と変動する中、また企業の各構成員のジ
ョブが有機的に絡み合う中、処遇・利害が伴なう業績評
価を固定された式等で行なうのは、極めて無理がある。
ニューラルネットワークモデルでは、予測は勿論のこ
と、単に目的変数と関連するインプットだけでなく、無
理なく目的を達成するインプットを学習曲線の収束によ
って見つけ出すこともできる。

【００３１】実際にこうしたネットワークを利用する場
合、中間ニューロンを設定して、多層型ニューラルネッ
トワークを構成することが多い。

【００３２】図１はコンピューターのソフトウエア（又
はハードウエア）で構成されるニューラルネットワーク
の１例であり、種々の業績指標が独立変数（＝確率変数
ｘ_ｌ，…，ｘ_ｉ）として入力される複数個の入力層１
と、中間層（隠れ層）２と、出力層３とを有し、各入力
層のニューロンに入力された独立変数はそれぞれ重み付
けされて各中間層２に出力され、各中間層２の出力はそ
れぞれ重み付けされて出力層３に入力され、出力層３は
業績評価についての業績評価出力ｚを出す。業績評価出
力ｚの演算はニューラルネットワークを構成しているコ
ンピューターで実行する。なお、出力層３は１個に限定
されず、複数の場合もあるが、ここでは説明を簡単にす
るために１個とした。

【００３３】図１のようなニューラルネットワークをプ
ロ野球事例へ適用した場合（個人業績モデル図２と組織
体業績モデル図３）を以下に説明する。

【００３４】予め、１９９８年における日本プロ野球１
２球団の主要９６人の野手・捕手の成績等について解析
を行ない、併せてニューラルネットワークモデルを用い
た学習曲線の収束も観察した。

【００３５】ここでは、１９９８年を教師データ（業績
評価に関する既知の入力情報とこのときの既知の業績評
価）とした学習と、学習済みモデルによる１９９９年の
予測を行ない、その予測精度を検証する。これは、一つ
の年度のデータセットをサンプリングによって教師デー
タと予測データに分割するより当然精度が高い。因みに
時系列でみる場合は、予備解析によって確定した入力層
に対して基準年分（ここでは、１９９８年データ）で学
習、比較年分で予測という、ローリング・プランを適用
すれば良い。すでに学習曲線の収束も観察したモデルの
概要は、次のとおりである。すなわち、ペナントレース
順位を含むチーム（組織）と選手（個人）の業績指標を
独立変数（入力側）とし、選手個人の成功である年俸を
出力側（業績評価）としたネットワークモデルである。
本例では、これを「個人業績モデル」と呼ぼう（図
２）。一方、個人の業績と、彼らが受け取る報酬（年
俸）の両方を独立変数とし、経営上の成果に相当するチ
ーム順位を出力としたモデルを組み、分析を行なった。
こちらの方は、「組織体（企業）業績モデル」と呼ぶこ
とにする（図３）。但し、図２、図３とも中間層は３つ
にしている。また、最大学習回数は５０回（予備学習２
５０回）である。個人業績モデルの出力は、１億円以上
＝１、１億円未満＝０の非線形型判別関数である。

【００３６】「個人業績モデル」による、結果を次に示
す。出力値と教師データとを照合して誤差を最小化する
過程で誤差が減少していく様子を示す学習曲線の収束
は、極めて順調な結果となった（図４）。また、１９９
９年のデータを対象としたニューラルネットワーク特有
の予測結果は、図５のようになった。９６人中、実際に
年俸１億円以上の選手は４１人、１億円未満は５５人で
あるが、予測結果は１億円以上が２９人、１億円未満は
６７人となった。つまり、９６人中、誤判別は１２人
（的中率８７．５％）となり、高い的中率を得ることが
できた。

【００３７】「組織体（企業）業績モデル」について
は、目標値（実績値）と予測値の比較を示した（図
６）。その結果、ペナントレースで１位となるチーム
は、３位以内に予測でき、Ｂクラス（４−６位）は、３
位より上に予測されることはなかった。チーム順位は、
企業に例えると、夏場や年末の商戦、売上やシェアの増
分といったフローに関する指標である。ほぼＡクラス・
Ｂクラスの区別は、確実にできるため、企業に置き換え
た場合、個人もしくは部門業績において、入力に設定し
た事柄を実施の有無、もしくは、目標の達成の有無をそ
の期の活動の成否に関連づけて捉えることも可能であ
る。

【００３８】以上のように、ニューラルネットワークに
よる業績評価の有効性が実証された。従って、図１のニ
ューラルネットワークに入力する業績指標として、営業
職の会社員であれば、例えば、売り上げ、経費、延べ勤
務時間、新規顧客開拓への貢献度、経験年数、指導力等
の少なくともいずれかを選び、出力として年俸を選ぶこ
とで、所定年俸以上とすべきかどうか等の評価が可能で
ある。

【００３９】なお、前年の業績指標（入力）と実績評価
（出力）とを教師データとして学習させたときに学習曲
線の収束が見られないときは、業績指標の選択が不適当
であるとして業績指標を入れ替えるようにする。なお、
職種により、業績指標は適宜変更すればよい。

【００４０】また、一般企業の給与制度への応用では、
まず給与を固定部分（多くの場合、予め年齢、勤続年
数、役職、等級等で定められた部分）と変動部分に分か
ち、変動部分について、ニューラルネットワークによる
業績評価手法を採用することができる。

【００４１】導入方法は、既に企業業績、部門業績、個
人別業績等に基づく業務評価を導入済みか、これから導
入するかで異なってくる。既に導入している場合は、過
去１〜２年分位の企業業績、部門業績、及び個人業績、
個人別業績給与金額（前記の変動部分）の実績値から、
新たに本年より実施するニューラルネットワークの構築
を今まで述べた実施の形態の手順にて行う。

【００４２】これから導入する場合は、まず企業業績を
何にするかを特定し、それを向上させ又は維持するため
に不可欠と思われる部門業績、個人業績を洗い出し、各
々の実績値を一定期間観測する。

【００４３】そうして得られた観測データと、別の業績
評価手法等で便宜的に決められた各人の給与支給額から
変動部分を何か適当な方法で分割し、実績値として用意
する。そして、これらのデータ及び実績値について今ま
で述べた実施の形態の手順にてニューラルネットワーク
の構築を行う。

【００４４】図７は本発明の他の実施の形態であって、
インターネットのホームページから業績指標についての
入力情報を入力可能にした構成を示す。使用者は、イン
ターネットのホームページから該当する職種、これに関
連する業績指標を選択して前記ホームページから入力す
る。これがインターネット回線を介して図１に示したコ
ンピューターのソフトウエア（又はハードウエア）で構
成されるニューラルネットワークに入力情報として入力
される。その他は図１の実施の形態と同じである。

【００４５】この場合、多数の使用者に対して、業績評
価のためのニューラルネットワークを提供するサービス
を行うことができる。

【００４６】以上本発明の実施の形態について説明して
きたが、本発明はこれに限定されることなく請求項の記
載の範囲内において各種の変形、変更が可能なことは当
業者には自明であろう。

【００４７】

【発明の効果】本発明方法での予測精度は、極めて高い
ものとなった。また個人業績と企業業績の情報につい
て、双方向でニューラルネットワークのモデルとして組
んだ場合、どちらの方向からも適切な予測成果が得られ
た。前述したように、企業業績、部門業績、個人業績と
の乖離の解決には、複雑な因果関係そのものを敢えて除
こうとせず、効果的なファクターを特定するという点で
ニューラルネットワークが最も理想的な手段である。ア
ルゴリズムが不明な分、人事考課の宿命的課題である情
実の介在を極めて困難にする点を逆に長所として指摘し
ておきたい。

【００４８】さらに急激な環境変化（企業組織の内部構
造（資源構造）変化も含む）への対応という点では、学
習曲線の収束を観察し、目標（出力側）の達成に最もス
ムーズ且つスピーディーに働きかけるファクターの発見
をすることで、対応できる。

【図面の簡単な説明】

【図１】本発明に係るニューラルネットワークを用いた
業績評価方法の実施の形態を示す説明図である。

【図２】個人業績評価モデルの例を示す説明図である。

【図３】組織体（企業）業績モデルを示す説明図であ
る。

【図４】学習曲線の収束結果を示す説明図である。

【図５】プロ野球選手の年俸予測結果及びその出力の例
を示す説明図である。

【図６】組織体（企業）業績モデルによるチーム順位の
実績と予測を示す説明図である。

【図７】本発明の他の実施の形態を示す説明図である。

【符号の説明】

１入力層２中間層３出力層

Claims

【特許請求の範囲】

【請求項１】ニューラルネットワークによる演算を実
行するコンピューターに複数の業績指標に関する既知の
入力情報を入力し、評価出力情報を得て、該評価出力情
報と既知の業績評価と比較して両者の誤差が少なくなる
ように前記ニューラルネットワークの重みを制御した
後、業績評価が未知のものについて複数の業績指標の入
力情報から評価出力情報を得ることを特徴とするニュー
ラルネットワークを用いた業績評価方法。
【請求項２】前記誤差が少なくなるように制御する過
程で、前記誤差が最小値に収束しない場合は、前記業績
指標の少なくともいずれかは業績評価についての相関が
低いと判定する請求項１記載のニューラルネットワーク
を用いた業績評価方法。
【請求項３】インターネットのホームページから前記
複数の業績指標に関する入力情報が入力可能となってい
る請求項１又は２記載のニューラルネットワークを用い
た業績評価方法。