周莹莹，杨建州

(福建农林大学 经济管理学院，福州 350007)

在全球经济一体化的大环境下，我国社会主义市场经济实现了跨越式的发展，这标志着知识经济时代的来临[1]．当前现代企业竞争与发展的关键要素已由各类物质资源转换为知识与人才，知识管理成为企业进行产品创新、营销创优、价值创造的核心要点，决定着企业未来的发展之路[2-3]．作为考察知识管理效果的主要方式，知识管理绩效评价能够在其中发挥出重要的作用，可助力企业及时发现并解决存在于知识管理过程中的弊端，通过提出各项优化举措的方式，保障企业知识管理的有效性，促进其持续发展[4]．有鉴于此，将应用多元线性回归、BSC等方式对农林企业知识管理绩效评价进行探究，旨在提升其知识管理成效．

1 农林企业知识管理绩效评价指标体系的构建

1.1 基于BSC的农林企业知识管理绩效评价体系

平衡记分卡(Balance Score Card,BSC)是一种广泛应用于企业绩效管理与绩效考核的有效方式，区别于传统的绩效考核方式，BSC并未仅注重于财务数据分析，而是将财务数据、客户信息、内部流程、学习创新融为一体，从多个层面对企业绩效进行综合性的测评[5]．BSC可在测评、管理、交流等运行模式的作用下，实现各个因素间的动态平衡，包括企业的财务指标与非财务指标、领先指标与滞后指标、动因性指标与结果性指标、企业内部指标与外部指标、企业发展的长期目标与短期目标等[6]．在BSC结构模型中，企业的核心使命与战略主要受到四个不同维度的影响，即财务维度、内部流程维度、学习成长维度、客户维度．其中财务维度至关重要，企业财务数据作为一项传统指标，能够直观地反映出该企业的绩效水平、知识管理实施的利益成果等；内部流程维度是指通过分析企业业务流程的实施状态，最终实现对企业经营状态的精确判断；学习成长维度是指企业员工能力提升的实时情况，其中囊括了员工受教育程度、员工培训时间等各项指标；客户维度是一种外部数据，可直接反映出企业的绩效情况．基于此，可构建基于BSC的农林企业知识管理绩效评价体系模型，如图1所示．

图1 基于BSC的知识管理绩效评价体系模型

图1中直观地呈现出了BSC与企业知识管理间的作用关系，学习成长维度位于该绩效评价体系模型的最底层，可通过知识集成、员工培训、知识创新等方式作用于内部流程维度．内部流程维度在一定的促进作用下，可达到提高知识管理有效性与企业服务质量的目的，且实现对自身业务流程的有效改造．客户维度在企业的层层优化效应下，可实现满意度的大幅提升，最终作用于财务维度，令企业价值得以实现．指标体系如表1所示．

据表1可知，该指标体系中主要分为一级指标、二级指标、三级指标，四个二级指标与BSC基本结构模型中的四个维度一一对应．U1中的三级指标分别可用于表示企业的举债经营比率、股东权益的收益水平、企业总体获利能力；U2中包含大客户比例与客户保持率两个指标，分别表示企业对前五名客户的依赖程度与客户的忠诚度；U3是指人均利润额、研发人员比例与研发投入比例；U4中的员工周转率是企业存在问题的直接反映，员工学历结构对企业竞争力有着关键性的影响，对外合作交流是指企业获取知识的渠道，员工培训与开发可反映出企业为提升员工综合素质等而作出的努力．

表1 基于BSC的知识管理绩效评价指标体系

1.2 基于均方差法的绩效评价指标权重计算方法

在对绩效评价指标的权重进行求取的过程中，最为常用的方式为均方差法．该种方法的核心思想为对某项指标进行判断，若该指标对样本中的所有数据而言，均不存在差异，则可对该指标进行忽略，且将指标赋权为0；若判断出某项指标对样本数据具有较为显著的差异，则说明该指标对样本排序、方案决策等具有关键性的决定作用，需要对该指标赋予较大的权重．所有指标权重的取值均取决于一个因素，即指标中所囊括数据的相对离散程度[7]．基于此，数据的离散程度与权重取值的大小呈正相关，若指标原始数据的离散程度为0，则其权重为0．假设所有指标均为随机变量，且随机变量的取值以具体的数据来表示，那么指标的相对离散程度可表示为均方差．采用均方差法来对绩效评价指标的权重进行计算，主要包含五个步骤．首先需要对指标进行预处理，在农林企业知识管理绩效评价体系中，存在效益型与区间型两种不同指标，前者表示取值愈大愈佳的指标，即劳动生产率、利润等；后者表示取值需固定至某一特定区间内的指标，即农业生产地区的降雨量等．令选择的企业数量为n，指标数量为m，则可将第i个企业的第j个指标表示为Xij，且i=1,2,…,n;j=1,2,…,m．由此可得效益型指标的预处理如式(1)所示．

(1)

(2)

式中[U1j,U2j]表示Xj的最佳稳定区间．随后需要利用式(3)计算所有指标取值的均差值．

(3)

根据式(3)计算所得结果，可求取出所有指标取值的均方差值，详见式(4)所示．

(4)

再对所有指标的权重进行计算，如式(5)所示．

(5)

最后综合式(1)至式(5)的计算结果，即可计算出不同企业的综合得分，详见式(6)可知．

(6)

1.3 多元线性回归模型下知识管理绩效的影响因素研究

回归分析的作用在于判断不同数据间是否具有一定的关系，通常情况下，对社会经济或企业经济造成影响的因素具有多样性，其中囊括了多种变量，多元回归分析可对此进行有效的判断分析．当涉及的自变量数量不小于3个，且自变量与因变量之间具有线性关系，则可将其称为多元线性回归．在应用多元线性回归进行分析判断时，通常需要借助最小二乘法来实现对模型参数的估计与统计检验．有效进行多元线性回归的先决条件之一为筛选出恰当的自变量，往往可通过变量间的相关矩阵来完成自变量的筛选．多元线性回归模型的一般形式如式(7)所示．

Yi=β0+β1X1i+β2X2i+…+βkXki+μi(i=1,2,…,n)

(7)

式中，Yi表示农林企业的知识管理绩效综合评价得分；k表示解释的变量数目；β0、β1、β2、……、βk均表示多元线性回归的回归系数；μi表示随机误差项；自变量中包括农林企业的多元化经营、企业规模、地理位置、上市时长、所有权性质、企业家文化程度．不同自变量会对农林企业的绩效造成不同程度的影响，其中X1表示所有权性质，其结构差异对企业绩效的影响作用较小；X2表示企业家文化程度，在企业知识管理的实施成果中，占据着重要的地位，决定着企业知识管理有效性的高低；X3与X5分别表示地理位置与上市时长，二者作为控制变量，从侧面对企业知识管理绩效造成一定的影响作用；X4与X6分别表示企业规模与多元化经营，均会对该绩效形成不同程度的负调节作用．

2 基于多元线性回归的知识管理绩效评价结果

2.1 知识管理绩效评价体系的指标权重及企业得分

搜集了100家上市农林企业作为样本企业进行研究，其中囊括了林业、渔业、种植业、畜牧业四大类型．在均方差法下得出的知识管理绩效评价指标权重结果如图2所示．

图2 部分农林企业知识管理绩效综合得分及排名情况

据图2可知，化肥与农药类企业中，A企业以0.739的绩效综合得分位列榜首；紧随其后的为B、C两家种植与林木类企业．在排名前十的企业中，养殖与饲料类企业占比为50%，而化肥与农药类企业中仅有A企业表现良好．除此以外，就农林企业的行业整体情况而言，需要借助各类企业知识管理绩效综合得分的算术平均数进行分析，其结果如图3所示．

图3 农林企业知识管理绩效综合得分的行业对比情况

图3中显示出不同种类农林企业的行业对比情况，就农林企业知识管理绩效综合得分总值而言，加工制造类企业的得分最高，达到了17.415分；养殖与饲料类企业居于第二，其总得分为13.478分；种植与林木类企业位列第三，其得分为12.473分；化肥与农药类企业以细微的差距居于末尾，其得分为12.162分．在此基础上，结合各类企业的数量计算其知识管理绩效得分的平均值，可得到四类企业的得分情况排名由高至低依次为种植与林木类、养殖与饲料类、化肥与农药类、加工制造类．

2.2 农林企业知识管理绩效评价结果

纳入此次课题的农林企业数量共计100家，因此样本容量n为100，应用SPSS23.0对农林企业的各项数据进行多元线性回归分析，获取到了较为理想的探究结果，详见表2．

表2 线性回归分析的系数显著性检验结果

表2中呈现出所有自变量的显著性检验结果，其中Sig.表示t检验的显著性，若某自变量的Sig.的绝对值显著大于0，则表示该自变量在对因变量是否变异进行预测时具有较强的有效性．据表2可看出企业规模对知识管理绩效具有着显著的影响，且其为正向影响，这表示当企业规模愈大，该企业所掌控的各项资源愈多，那么企业知识管理的实施及其绩效的提升便有所保障．

3 结论

当前农林企业实现可持续发展的关键要素为知识管理，而知识管理绩效评价则可准确判断分析出企业知识管理成果的有效性．为了对农林企业在知识管理过程中潜在的问题进行研究并解决，促进农林企业的蓬勃发展，应用BSC、均方差法等方式，构建了一个农林企业知识管理绩效评价体系，通过多元线性回归分析的手段挖掘了对知识管理绩效造成影响的主要因素．结果显示，种植与林木类企业的知识管理绩效得分的平均值最高，随后依次为养殖与饲料类、化肥与农药类、加工制造类；在六大指标中，企业规模对知识管理绩效影响力最大，可显著推动农林企业知识管理的有效实施，促进其绩效大幅提升．