農(nóng)業(yè)產(chǎn)業(yè)化龍頭企業(yè)社會責(zé)任評價的指標(biāo)權(quán)重確定方法

陳新達　徐雪高　張照新

摘要：農(nóng)業(yè)產(chǎn)業(yè)化龍頭企業(yè)在農(nóng)村經(jīng)濟中正發(fā)揮愈發(fā)重要的作用，因而需要其在盈利的同時履行相應(yīng)的社會責(zé)任。定量評價是分析農(nóng)業(yè)企業(yè)社會責(zé)任水平的有效方式，而這種評價由于涉及到企業(yè)的社會責(zé)任故需要較多的評價維度和較強的主觀性。定量評價的基礎(chǔ)工作在于確定各評價指標(biāo)的合理權(quán)重，為此，文章首先對常見的權(quán)重算法進行簡單介紹；隨后對不同的算法進行比較分析，確定各算法的優(yōu)劣所在；最后，提出了農(nóng)業(yè)產(chǎn)業(yè)化龍頭企業(yè)進行社會責(zé)任評價時可以采用的合理的指標(biāo)權(quán)重算法。

關(guān)鍵詞：農(nóng)業(yè)龍頭企業(yè)；企業(yè)社會責(zé)任；權(quán)重算法

一、 引言

農(nóng)業(yè)產(chǎn)業(yè)化龍頭企業(yè)是農(nóng)村經(jīng)濟的重要主體，它在一端與廣大農(nóng)戶鏈接，在另一端與流通商或消費者鏈接，充當(dāng)著農(nóng)產(chǎn)品供需市場的橋梁。中央歷來十分重視農(nóng)業(yè)龍頭企業(yè)在提高農(nóng)業(yè)產(chǎn)業(yè)化程度及推動現(xiàn)代農(nóng)業(yè)上的作用，不僅多次以文件形式加以明確，同時在稅收、配套設(shè)施等多方面對農(nóng)業(yè)龍頭企業(yè)的發(fā)展給予了有效支持。受益于此，農(nóng)業(yè)龍頭企業(yè)在近十幾年間得到了長足的發(fā)展，以新希望、雛鷹農(nóng)牧等為代表的農(nóng)業(yè)企業(yè)在創(chuàng)造自身效益的同時，亦有效帶動了當(dāng)?shù)亟?jīng)濟的發(fā)展。然而資本畢竟是逐利的，以利潤最大化或股東權(quán)益最大化為經(jīng)營目標(biāo)，難免會導(dǎo)致農(nóng)業(yè)企業(yè)過分關(guān)注其經(jīng)營業(yè)績，而忽視了其本應(yīng)履行的社會責(zé)任；同時作為國民經(jīng)濟的基礎(chǔ)，農(nóng)業(yè)部門的發(fā)展理應(yīng)從全局角度予以考慮，成為國家可持續(xù)發(fā)展的“動力之源”。因而，應(yīng)要求農(nóng)業(yè)龍頭企業(yè)的經(jīng)營具備公共色彩，并履行相應(yīng)的社會責(zé)任。

但是，如何對農(nóng)業(yè)龍頭企業(yè)的社會責(zé)任進行衡量？企業(yè)社會責(zé)任的評價不同于生產(chǎn)分析，也不同于財務(wù)分析，它包含更多的評價維度和更強的主觀性。通常的解決方法是將企業(yè)社會責(zé)任（CSR）的評價視為一個多指標(biāo)的綜合評價問題，即表示為如下形式：

y=f（x，w）（1）

其中，y為評價結(jié)果；x為評價指標(biāo)，包括指標(biāo)體系的構(gòu)建以及指標(biāo)數(shù)據(jù)的標(biāo)準(zhǔn)化方法等問題；w為指標(biāo)權(quán)重，包括是否顯化權(quán)重以及權(quán)重算法的選擇等問題；f為評價函數(shù)，包括函數(shù)形式的選擇等問題。稱式（1）得到的評價結(jié)果為絕對評價值。進一步地，當(dāng)y值已知或經(jīng)運算得知時，可以得到評價結(jié)果的相對評價值（如通過DEA法多的值），此時評價方法可表示為（2）式：

h=g（y，u，x，v）（2）

然而，無論是（1）式還是（2）式，評價問題的一個重要基礎(chǔ)是確定評價指標(biāo)的權(quán)重值，本文以下部分將對幾種常見的權(quán)重值算法進行比較分析，希望確定適用于評價農(nóng)業(yè)產(chǎn)業(yè)化龍頭企業(yè)社會責(zé)任的權(quán)重計算方法。

二、 評價指標(biāo)的權(quán)重值算法

目前國內(nèi)外關(guān)于評價指標(biāo)權(quán)重的算法有多種，具體到企業(yè)社會責(zé)任評價時，已有研究文獻中的方法大致可分為兩類：一類為主觀算法；另一類為客觀算法。

1. 主觀權(quán)重算法。當(dāng)某種權(quán)重算法在比較權(quán)重關(guān)系時，直接依賴于個人判斷或間接通過數(shù)據(jù)反映個人判斷時，可以將該種算法劃分為主觀權(quán)重算法。主觀權(quán)重算法又可進一步細分為兩類：一類方法根據(jù)專家的知識及經(jīng)驗對指標(biāo)間關(guān)系進行直接評價，從而確定指標(biāo)權(quán)重，如專家打分法、層次分析法；另一類方法則基于專家的事后主觀判斷反向推斷其判斷邏輯，從而確定指標(biāo)權(quán)重，如粗糙集方法、神經(jīng)網(wǎng)絡(luò)法。

（1）德爾菲法。該方法依據(jù)系統(tǒng)的程序，采用匿名發(fā)表意見的方式（即專家之間不得互相討論，不發(fā)生橫向聯(lián)系，只能與調(diào)查人員發(fā)生關(guān)系），通過反復(fù)的填寫問卷，以集結(jié)問卷填寫人的共識及搜集各方意見，應(yīng)對復(fù)雜任務(wù)難題的管理技術(shù)，如李雄飛在對某有色金屬加工企業(yè)社會責(zé)任的綜合評價中，即采用德爾菲法由20位專家對該企業(yè)的經(jīng)濟貢獻、環(huán)境影響等四類指標(biāo)的權(quán)重進行確定，并基于指標(biāo)權(quán)重運用模糊分析法對企業(yè)的社會責(zé)任作出了評價。

（2）層次分析法。層次分析算法將決策者對復(fù)雜系統(tǒng)的決策過程模型化，是一種定性與定量相結(jié)合的決策分析方法。應(yīng)用這種方法，決策者通過將復(fù)雜問題分解為若干層次和若干因素，在各因素之間進行簡單的比較和計算，就可以得出不同方案的權(quán)重，為最佳方案的選擇提供依據(jù)。AHP方法可以單獨使用，也可與多種數(shù)據(jù)處理方法聯(lián)合使用，得出企業(yè)社會責(zé)任的評價數(shù)值，如齊二石、朱永明、焦馨銳則通過層次分析得出了煤炭企業(yè)社會責(zé)任評價指標(biāo)的權(quán)重值，并基于此運用灰色聚類法對煤炭企業(yè)進行了評價。層次分析法是目前眾多的權(quán)重算法中，較多運用于農(nóng)業(yè)企業(yè)CSR的方法，如王林萍、施嬋娟、林奇英通過層次分析法對農(nóng)藥企業(yè)的社會責(zé)任進行了評價，孫承飛采用層次分析和模糊評價相結(jié)合的方法對安徽某種業(yè)公司的社會責(zé)任進行了評價。

（3）粗糙集方法。粗糙集方法也是一種基于主觀判斷的權(quán)重算法，但與專家打分法和層次分析法不同的是，粗糙集法的主觀性并不體現(xiàn)在對指標(biāo)權(quán)重的主觀判斷，而是體現(xiàn)在對待評對象的最終評價，即它是基于專家的事后主觀判斷反向推斷其判斷邏輯，從而確定指標(biāo)權(quán)重。具體的算法源自數(shù)學(xué)中的粗糙集理論，將全體評價指標(biāo)視為條件屬性，將最終評價視為決策屬性，然后分別計算條件屬性全集對決策屬性集的知識依賴度、去單指標(biāo)的條件屬性集與決策屬性集的知識依賴度（如指標(biāo)全集包含財務(wù)指標(biāo)、人資指標(biāo)、生產(chǎn)指標(biāo)，則考慮財務(wù)指標(biāo)的去單因素條件屬性集則只包含人資指標(biāo)和生產(chǎn)指標(biāo)），則兩者之差即為該指標(biāo)對于決策屬性的重要程度（即絕對權(quán)重，記為？酌i），再計算其他各指標(biāo)的絕對權(quán)重并求其歸一化權(quán)值即得到評價指標(biāo)的相對權(quán)重？棕i；此外，有學(xué)者給出了一種改進的粗糙集算法，將粗糙集理論與模糊集理論相結(jié)合以確定指標(biāo)權(quán)重。在應(yīng)用方面，龐永師、王瑩將粗糙集算法應(yīng)用與建筑企業(yè)的社會責(zé)任評價，確定其評價體系中一級指標(biāo)和二級指標(biāo)的權(quán)重分配。

使用粗糙集方法的步驟如下：

①建立起包含條件屬性和決策屬性的知識表達系統(tǒng)；

②將條件屬性全集、去單指標(biāo)條件屬性集、決策屬性分別作為不可分辨關(guān)系，得到相應(yīng)基本集；

③分別計算決策屬性集相對于條件屬性全集和去單指標(biāo)條件屬性集的肯定域；

④分別計算決策屬性集相對于條件屬性全集和去單指標(biāo)條件屬性集的依賴程度；

⑤將上步所得的依賴程度作差，得到絕對權(quán)重？酌i；

⑥歸一化處理后得到相對權(quán)重，即各評價指標(biāo)權(quán)重？棕i。

（4）神經(jīng)網(wǎng)絡(luò)法。神經(jīng)網(wǎng)絡(luò)是模仿人腦利用神經(jīng)元相互激勵并建立學(xué)習(xí)機制的方法來對決策過程建模。采用神經(jīng)網(wǎng)絡(luò)法確定指標(biāo)權(quán)重時與粗糙集方法類似，同樣是基于事后判斷反推指標(biāo)權(quán)重，不同之處在于算法的具體實現(xiàn)不同。典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為三層，包括輸入層、隱含層和輸出層，并將數(shù)據(jù)（對象）劃分為訓(xùn)練集、檢測集和測試集，通過訓(xùn)練集數(shù)據(jù)（對象的最終評價）和合適的算法擬合指標(biāo)的權(quán)重，并用檢測集數(shù)據(jù)經(jīng)行檢測。在實際操作中，常用的神經(jīng)網(wǎng)絡(luò)算法為反向傳播法（即常說的BP算法），其基本思想是在對權(quán)重初始化之后，根據(jù)網(wǎng)絡(luò)輸出值與期望值計算誤差，由后至前逆向?qū)⒄`差進行分解從而對各層權(quán)重進行調(diào)整，直到網(wǎng)絡(luò)的擬合誤差達到預(yù)定要求。目前，在企業(yè)的社會責(zé)任評價中，使用神經(jīng)網(wǎng)絡(luò)法進行權(quán)重確定的研究較少，僅有部分研究者從理論及使用可能性的角度進行了討論。

2. 客觀權(quán)重算法。當(dāng)采用某種算法確定權(quán)重指標(biāo)時，如果運算并非基于專家的對權(quán)重判斷或事后結(jié)果的判斷，而是部分或完全基于樣本數(shù)據(jù)，則可以將此種算法劃分為客觀權(quán)重算法。較為常見的客觀權(quán)重算法有變異系數(shù)法、因子分析法、熵值法等。

（1）變異系數(shù)法。變異系數(shù)法，顧名思義就是利用各評價指標(biāo)的變異系數(shù)計算其相對權(quán)重的方法。某指標(biāo)的變異系數(shù)（C.V），由該指標(biāo)的標(biāo)準(zhǔn)差除以其數(shù)學(xué)期望得出，它的大小表征了變量（指標(biāo)）消除量綱后的離散程度。而利用變異系數(shù)法確定指標(biāo)權(quán)重正是基于這樣一種思想：如果某指標(biāo)的變異系數(shù)較大，則說明各樣本（待評對象）在該指標(biāo)內(nèi)的離散程度越大，也就表明該指標(biāo)值越是不容易趨同，越是難以實現(xiàn)，故而間接反映出該指標(biāo)對樣本越是重要。然后，更根據(jù)這種重要程度進行歸一化處理得出指標(biāo)權(quán)重。已有研究中，冀巨海、王琪在評價企業(yè)管理績效時，使用變異系數(shù)法對確定各評價指標(biāo)的權(quán)系數(shù)。

（2）因子分析法。因子分析是指研究從變量群中提取共性因子的統(tǒng)計技術(shù)，是一種將變量集合降維的方法，通過公共因子的選擇提取原始變量的絕大部分信息。文獻中常用的因子分析式權(quán)重算法的思路是，指標(biāo)權(quán)重等于以主成分的方差貢獻率為權(quán)重，對該指標(biāo)在各主成分線性組合中的系數(shù)的加權(quán)平均的歸一化。利用因子分析法確定企業(yè)社會責(zé)任評價指標(biāo)權(quán)重的典型研究，有徐泓、朱秀霞和趙天燕、張雪對滬深上市企業(yè)社會責(zé)任的研究，趙紅等對煤炭企業(yè)社會責(zé)任的研究以及王楠、苗迪對于火電企業(yè)社會責(zé)任的評價研究。

（3）熵值法。信息熵被用作衡量系統(tǒng)無序程度的一種指標(biāo)（序指序概率上的序關(guān)系），系統(tǒng)內(nèi)序關(guān)系越是明顯，那就越容易區(qū)分系統(tǒng)內(nèi)的各個對象，則認(rèn)為識別系統(tǒng)所需的信息量越小，反之則需要較多的信息對系統(tǒng)進行識別。而熵值法確定指標(biāo)權(quán)重的思路即是認(rèn)為信息量較大（無序程度較高）的指標(biāo)應(yīng)該被賦予較小的權(quán)重。熵值確定權(quán)重的方法較為簡單，部分研究者已將其引入到對企業(yè)社會責(zé)任的評價中，如梁星、肖麗娜采用熵值法確定了煤炭企業(yè)評價指標(biāo)的權(quán)重；周憲鋒、高順成在乳品企業(yè)社會責(zé)任的評價中也采用熵值法確定指標(biāo)權(quán)重。

三、 權(quán)重值算法的優(yōu)劣比較

通過上述對各種算法原理的介紹可以看出，無論是主觀權(quán)重算法還是客觀權(quán)重算法，都存在某些局限性。

1. 對主觀權(quán)重算法的優(yōu)劣比較。專家打分法的優(yōu)點在于：（1）能夠充分利用不同專家的經(jīng)驗和知識；（2）采用多輪匿名或背靠背的評價方式，能夠保證評價結(jié)果具備充分的可靠性和統(tǒng)一性。其缺點為：（1）算法基于專家的最終評價結(jié)果，所以采用此種方法無法顯化專家評價的全部邏輯；（2）打分過程需要反復(fù)征詢，會花費較長時間，并且最終可能無法獲得相對一致的意見。

層次分析法的優(yōu)點在于：（1）可以使專家借助指標(biāo)體系進行全面考慮，將其評價邏輯全部顯化，并獲取某些不易察覺的知識；（2）具備固定的算法和程序，時評價過程所需時間得以縮減。其缺點為：（1）評價基礎(chǔ)源于所設(shè)定的評價指標(biāo)體系，當(dāng)評價系統(tǒng)所含指標(biāo)存在缺失或偏差時，可能會導(dǎo)致評價結(jié)果的失準(zhǔn)；（2）評價結(jié)果僅代表該專家的判斷，由不同的專家可能得到不同的AHP分析結(jié)果，因而需要考慮對差異進行處理。

粗糙集算法的優(yōu)點在于：（1）將權(quán)重指標(biāo)視為"黑箱"進行處理，專家需要的只是給出最終評價，權(quán)重由后期的數(shù)據(jù)處理得出，可以大大壓縮專家的判斷時間；（2）能夠得到粗糙集視角下各指標(biāo)的絕對權(quán)重，可以對指標(biāo)體系的完整性作出衡量；（3）能夠得到屬性全集的相對約簡和相對核，可以對指標(biāo)體系作出簡化。其缺點為：（1）方法的前提是專家足夠權(quán)威并能充分考慮評價的各個維度；（2）不能將專家評價的詳細邏輯顯化（相較于層次分析法）；（3）可能產(chǎn)生專家評價不一致的情況，需要指標(biāo)設(shè)計者對不同的意見進行相應(yīng)處理。

神經(jīng)網(wǎng)絡(luò)法的優(yōu)點在于：（1）方法屬于人工智能范疇，是一種對于“黑箱”參數(shù)的非線性擬合技術(shù)；（2）相較于一般回歸方程式的線性擬合，神經(jīng)網(wǎng)絡(luò)具備可以任意精度逼近任何非線性函數(shù)的優(yōu)勢，并同時具有分布式存儲、自組織、自學(xué)習(xí)等特點。其缺點為：（1）同粗糙集方法類似，該方法所做的是對專家知識的模擬，卻無法給出專家評價的詳細邏輯；（2）即便采用相同的神經(jīng)網(wǎng)絡(luò)算法，所得的權(quán)重結(jié)果也存在不穩(wěn)定性；（3）算法的數(shù)據(jù)基礎(chǔ)是訓(xùn)練集及檢測集，需要較多的已評價數(shù)據(jù)用于網(wǎng)絡(luò)的訓(xùn)練和檢測。

2. 對客觀權(quán)重算法的優(yōu)劣比較。變異系數(shù)法的優(yōu)點在于：（1）評價過程中不需要采納專家的觀點；（2）操作較為簡單，從指標(biāo)離差的角度予以考慮。其缺點在于：變異系數(shù)大表明指標(biāo)離散程度高，但指標(biāo)離散程度越高并不一定表明該指標(biāo)就越重要，需要根據(jù)情況具體分析。

因子分析法的優(yōu)點在于：（1）與變異系數(shù)法類似，評價過程中不需要采納專家的觀點；（2）操作起來較為簡單快捷。其缺點在于：（1）通過該方法所得到的指標(biāo)權(quán)重，實際上是變量經(jīng)降維處理后所包含的原有信息程度，但包含原有變量系統(tǒng)的信息多僅代表指標(biāo)對擬合原有數(shù)據(jù)更重要，并不代表其相對其他指標(biāo)更重要；（2）如需進一步確定指標(biāo)權(quán)重，仍須用公因子對目標(biāo)做回歸擬合或非線性擬合，然而，經(jīng)降為處理后的公共因子本來就丟失了各指標(biāo)的獨特信息，其結(jié)果可能不如用各指標(biāo)直接經(jīng)行回歸；（3）因子分析法所得的指標(biāo)權(quán)重極大的依賴于所選的數(shù)據(jù)，不同的數(shù)據(jù)庫及因子算法可能帶來結(jié)果的巨大差異。

熵值法的優(yōu)點在于：（1）評價過程中不需要采納專家的觀點；（2）操作較為簡單，從指標(biāo)信息量（有序程度）的角度予以考慮。其缺點在于：（1）文獻中所采用的熵權(quán)法存在明顯的錯誤，因為在信息熵的計算過程中，如果將每項指標(biāo)視為一個隨機變量，那么某樣本在該指標(biāo)的出現(xiàn)概率顯然不是用該樣本的指標(biāo)值除以指標(biāo)總值，而是應(yīng)根據(jù)其為離散型變量或連續(xù)型變量分別考慮其概率分布函數(shù)或概率密度函數(shù)；（2）熵權(quán)法作為一種客觀算法，根據(jù)各項指標(biāo)的信息熵判斷指標(biāo)相對重要程度的標(biāo)準(zhǔn)，一方面需要根據(jù)實際問題加以判斷，另一方面其權(quán)重結(jié)果可能受到所選樣本的影響。

四、 農(nóng)業(yè)產(chǎn)業(yè)化龍頭企業(yè)權(quán)重算法的選擇

從上述關(guān)于主觀及客觀方法的比較可以看出，基于客觀的指標(biāo)評價法多是基于對樣本數(shù)據(jù)的某種處理，得到如變異系數(shù)、信息熵等指標(biāo)從而對指標(biāo)權(quán)重進行判斷。然而，這些客觀的衡量指標(biāo)卻是由其使用者主觀選擇的，且指標(biāo)權(quán)重受到使用者“主觀”選擇的數(shù)據(jù)影響，因而并不能算是完全意義的客觀法。評價指標(biāo)體系的構(gòu)建本身就是一個相對主觀的過程，所選的評價指標(biāo)本身就是評價者對于客觀數(shù)據(jù)某種綜合取舍及評判，因而，在選擇農(nóng)業(yè)龍頭企業(yè)社會責(zé)任評價的指標(biāo)權(quán)重算法時，可以采用多種主觀算法相結(jié)合的方式，例如：可以首先使用粗糙集方法對指標(biāo)體系的完整度進行甄別，若完整度較好則再使用德爾菲法、層次分析法、神經(jīng)網(wǎng)絡(luò)法等確定指標(biāo)權(quán)重，最后采用層次分析法或者灰色聚類法對樣本經(jīng)行分類或者打分。

參考文獻：

1. 李雄飛.企業(yè)社會責(zé)任的多級模糊綜合評價.統(tǒng)計與決策，2009，（4）：168-170.

2. 齊二石，朱永明，焦馨銳.基于灰色理論的煤炭企業(yè)社會責(zé)任績效評價研究.商業(yè)研究，2011，（10）：12-16.

3. 王林萍，施嬋娟，林奇英.農(nóng)藥企業(yè)社會責(zé)任指標(biāo)體系與評價方法.技術(shù)經(jīng)濟，2007，（9）：98-102+122.

4. 孫承飛.基于BSC的農(nóng)業(yè)企業(yè)社會責(zé)任績效評價研究.重慶科技學(xué)院學(xué)報（社會科學(xué)版），2011，（13）：84-86.

5. 那保國.粗糙集—模糊積分模型：一種評價企業(yè)社會責(zé)任的新方法.統(tǒng)計與決策，2012，（3）：103-106.

6. 龐永師，王瑩.基于粗糙集的建筑企業(yè)社會責(zé)任評價指標(biāo)權(quán)重確定.工程管理學(xué)報，2012，（3）：109-113.

7. 朱學(xué)穎，張丕宏.BP神經(jīng)網(wǎng)絡(luò)在企業(yè)社會責(zé)任評價中的應(yīng)用淺探.商業(yè)文化（學(xué)術(shù)版），2009，（4）：80-81.

8. 楊宇鳳，焦馨銳，朱永明.基于數(shù)據(jù)倉庫的企業(yè)社會責(zé)任評價研究.會計之友，2011，（29）：26-29.

9. 冀巨海，王琪.煤炭企業(yè)績效灰色關(guān)聯(lián)評價——基于變異系數(shù)法的分析.經(jīng)濟問題，2011，（5）：89-91.

10. 徐泓，朱秀霞.低碳經(jīng)濟視角下企業(yè)社會責(zé)任評價指標(biāo)分析.中國軟科學(xué)，2012，（1）：153-159.

基金項目：香港樂施會資助課題“農(nóng)業(yè)產(chǎn)業(yè)化龍頭企業(yè)社會責(zé)任評價研究和網(wǎng)絡(luò)平臺”（項目號：PCU-94091-02-1213A-F）；國家社會科學(xué)基金一般項目“農(nóng)業(yè)產(chǎn)業(yè)化龍頭企業(yè)社會責(zé)任研究”（項目號：11BGL054）。

作者簡介：張照新，中國人民大學(xué)經(jīng)濟學(xué)博士，農(nóng)業(yè)部農(nóng)村經(jīng)濟研究中心產(chǎn)業(yè)與技術(shù)研究室室主任、研究員；陳新達，中國人民大學(xué)農(nóng)業(yè)與農(nóng)村發(fā)展學(xué)院管理學(xué)博士生；徐雪高，中國人民大學(xué)管理學(xué)博士，農(nóng)業(yè)部農(nóng)村經(jīng)濟研究中心產(chǎn)業(yè)與技術(shù)研究室副研究員。

收稿日期：2014-06-20。