农业产业化龙头企业社会责任评价的指标权重确定方法
一、 引言
农业产业化龙头企业是农村经济的重要主体，它在一端与广大农户链接，在另一端与流通商或消费者链接，充当着农产品供需市场的桥梁。中央历来十分重视农业龙头企业在提高农业产业化程度及推动现代农业上的作用，不仅多次以文件形式加以明确，同时在税收、配套设施等多方面对农业龙头企业的发展给予了有效支持。受益于此，农业龙头企业在近十几年间得到了长足的发展，以新希望、雏鹰农牧等为代表的农业企业在创造自身效益的同时，亦有效带动了当地经济的发展。然而资本毕竟是逐利的，以利润最大化或股东权益最大化为经营目标，难免会导致农业企业过分关注其经营业绩，而忽视了其本应履行的社会责任；同时作为国民经济的基础，农业部门的发展理应从全局角度予以考虑，成为国家可持续发展的“动力之源”。因而，应要求农业龙头企业的经营具备公共色彩，并履行相应的社会责任。
但是，如何对农业龙头企业的社会责任进行衡量？企业社会责任的评价不同于生产分析，也不同于财务分析，它包含更多的评价维度和更强的主观性。通常的解决方法是将企业社会责任（CSR）的评价视为一个多指标的综合评价问题，即表示为如下形式：
y=f（x，w）（1）
其中，y为评价结果；x为评价指标，包括指标体系的构建以及指标数据的标准化方法等问题；w为指标权重，包括是否显化权重以及权重算法的选择等问题；f为评价函数，包括函数形式的选择等问题。称式（1）得到的评价结果为绝对评价值。进一步地，当y值已知或经运算得知时，可以得到评价结果的相对评价值（如通过DEA法多的值），此时评价方法可表示为（2）式：
h=g（y，u，x，v）（2）
然而，无论是（1）式还是（2）式，评价问题的一个重要基础是确定评价指标的权重值，本文以下部分将对几种常见的权重值算法进行比较分析，希望确定适用于评价农业产业化龙头企业社会责任的权重计算方法。
二、 评价指标的权重值算法
目前国内外关于评价指标权重的算法有多种，具体到企业社会责任评价时，已有研究文献中的方法大致可分为两类：一类为主观算法；另一类为客观算法。
1. 主观权重算法。当某种权重算法在比较权重关系时，直接依赖于个人判断或间接通过数据反映个人判断时，可以将该种算法划分为主观权重算法。主观权重算法又可进一步细分为两类：一类方法根据专家的知识及经验对指标间关系进行直接评价，从而确定指标权重，如专家打分法、层次分析法；另一类方法则基于专家的事后主观判断反向推断其判断逻辑，从而确定指标权重，如粗糙集方法、神经网络法。
（1）德尔菲法。该方法依据系统的程序，采用匿名发表意见的方式（即专家之间不得互相讨论，不发生横向联系，只能与调查人员发生关系），通过反复的填写问卷，以集结问卷填写人的共识及搜集各方意见，应对复杂任务难题的管理技术，如李雄飞在对某有色金属加工企业社会责任的综合评价中，即采用德尔菲法由20位专家对该企业的经济贡献、环境影响等四类指标的权重进行确定，并基于指标权重运用模糊分析法对企业的社会责任作出了评价。
（2）层次分析法。层次分析算法将决策者对复杂系统的决策过程模型化，是一种定性与定量相结合的决策分析方法。应用这种方法，决策者通过将复杂问题分解为若干层次和若干因素，在各因素之间进行简单的比较和计算，就可以得出不同方案的权重，为最佳方案的选择提供依据。AHP方法可以单独使用，也可与多种数据处理方法联合使用，得出企业社会责任的评价数值，如齐二石、朱永明、焦馨锐则通过层次分析得出了煤炭企业社会责任评价指标的权重值，并基于此运用灰色聚类法对煤炭企业进行了评价。层次分析法是目前众多的权重算法中，较多运用于农业企业CSR的方法，如王林萍、施婵娟、林奇英通过层次分析法对农药企业的社会责任进行了评价，孙承飞采用层次分析和模糊评价相结合的方法对安徽某种业公司的社会责任进行了评价。
（3）粗糙集方法。粗糙集方法也是一种基于主观判断的权重算法，但与专家打分法和层次分析法不同的是，粗糙集法的主观性并不体现在对指标权重的主观判断，而是体现在对待评对象的最终评价，即它是基于专家的事后主观判断反向推断其判断逻辑，从而确定指标权重。具体的算法源自数学中的粗糙集理论，将全体评价指标视为条件属性，将最终评价视为决策属性，然后分别计算条件属性全集对决策属性集的知识依赖度、去单指标的条件属性集与决策属性集的知识依赖度（如指标全集包含财务指标、人资指标、生产指标，则考虑财务指标的去单因素条件属性集则只包含人资指标和生产指标），则两者之差即为该指标对于决策属性的重要程度（即绝对权重，记为？酌i），再计算其他各指标的绝对权重并求其归一化权值即得到评价指标的相对权重？棕i；此外，有学者给出了一种改进的粗糙集算法，将粗糙集理论与模糊集理论相结合以确定指标权重。在应用方面，庞永师、王莹将粗糙集算法应用与建筑企业的社会责任评价，确定其评价体系中一级指标和二级指标的权重分配。
使用粗糙集方法的步骤如下：
①建立起包含条件属性和决策属性的知识表达系统；
②将条件属性全集、去单指标条件属性集、决策属性分别作为不可分辨关系，得到相应基本集；
③分别计算决策属性集相对于条件属性全集和去单指标条件属性集的肯定域； ④分别计算决策属性集相对于条件属性全集和去单指标条件属性集的依赖程度；
⑤将上步所得的依赖程度作差，得到绝对权重？酌i；
⑥归一化处理后得到相对权重，即各评价指标权重？棕i。
（4）神经网络法。神经网络是模仿人脑利用神经元相互激励并建立学习机制的方法来对决策过程建模。采用神经网络法确定指标权重时与粗糙集方法类似，同样是基于事后判断反推指标权重，不同之处在于算法的具体实现不同。典型的神经网络结构分为三层，包括输入层、隐含层和输出层，并将数据（对象）划分为训练集、检测集和测试集，通过训练集数据（对象的最终评价）和合适的算法拟合指标的权重，并用检测集数据经行检测。在实际操作中，常用的神经网络算法为反向传播法（即常说的BP算法），其基本思想是在对权重初始化之后，根据网络输出值与期望值计算误差，由后至前逆向将误差进行分解从而对各层权重进行调整，直到网络的拟合误差达到预定要求。目前，在企业的社会责任评价中，使用神经网络法进行权重确定的研究较少，仅有部分研究者从理论及使用可能性的角度进行了讨论。
2. 客观权重算法。当采用某种算法确定权重指标时，如果运算并非基于专家的对权重判断或事后结果的判断，而是部分或完全基于样本数据，则可以将此种算法划分为客观权重算法。较为常见的客观权重算法有变异系数法、因子分析法、熵值法等。
（1）变异系数法。变异系数法，顾名思义就是利用各评价指标的变异系数计算其相对权重的方法。某指标的变异系数（C.V），由该指标的标准差除以其数学期望得出，它的大小表征了变量（指标）消除量纲后的离散程度。而利用变异系数法确定指标权重正是基于这样一种思想：如果某指标的变异系数较大，则说明各样本（待评对象）在该指标内的离散程度越大，也就表明该指标值越是不容易趋同，越是难以实现，故而间接反映出该指标对样本越是重要。然后，更根据这种重要程度进行归一化处理得出指标权重。已有研究中，冀巨海、王琪在评价企业管理绩效时，使用变异系数法对确定各评价指标的权系数。
（2）因子分析法。因子分析是指研究从变量群中提取共性因子的统计技术，是一种将变量集合降维的方法，通过公共因子的选择提取原始变量的绝大部分信息。文献中常用的因子分析式权重算法的思路是，指标权重等于以主成分的方差贡献率为权重，对该指标在各主成分线性组合中的系数的加权平均的归一化。利用因子分析法确定企业社会责任评价指标权重的典型研究，有徐泓、朱秀霞和赵天燕、张雪对沪深上市企业社会责任的研究，赵红等对煤炭企业社会责任的研究以及王楠、苗迪对于火电企业社会责任的评价研究。
（3）熵值法。信息熵被用作衡量系统无序程度的一种指标（序指序概率上的序关系），系统内序关系越是明显，那就越容易区分系统内的各个对象，则认为识别系统所需的信息量越小，反之则需要较多的信息对系统进行识别。而熵值法确定指标权重的思路即是认为信息量较大（无序程度较高）的指标应该被赋予较小的权重。熵值确定权重的方法较为简单，部分研究者已将其引入到对企业社会责任的评价中，如梁星、肖丽娜采用熵值法确定了煤炭企业评价指标的权重；周宪锋、高顺成在乳品企业社会责任的评价中也采用熵值法确定指标权重。
三、 权重值算法的优劣比较
通过上述对各种算法原理的介绍可以看出，无论是主观权重算法还是客观权重算法，都存在某些局限性。
1. 对主观权重算法的优劣比较。专家打分法的优点在于：（1）能够充分利用不同专家的经验和知识；（2）采用多轮匿名或背靠背的评价方式，能够保证评价结果具备充分的可靠性和统一性。其缺点为：（1）算法基于专家的最终评价结果，所以采用此种方法无法显化专家评价的全部逻辑；（2）打分过程需要反复征询，会花费较长时间，并且最终可能无法获得相对一致的意见。
层次分析法的优点在于：（1）可以使专家借助指标体系进行全面考虑，将其评价逻辑全部显化，并获取某些不易察觉的知识；（2）具备固定的算法和程序，时评价过程所需时间得以缩减。其缺点为：（1）评价基础源于所设定的评价指标体系，当评价系统所含指标存在缺失或偏差时，可能会导致评价结果的失准；（2）评价结果仅代表该专家的判断，由不同的专家可能得到不同的AHP分析结果，因而需要考虑对差异进行处理。
粗糙集算法的优点在于：（1）将权重指标视为"黑箱"进行处理，专家需要的只是给出最终评价，权重由后期的数据处理得出，可以大大压缩专家的判断时间；（2）能够得到粗糙集视角下各指标的绝对权重，可以对指标体系的完整性作出衡量；（3）能够得到属性全集的相对约简和相对核，可以对指标体系作出简化。其缺点为：（1）方法的前提是专家足够权威并能充分考虑评价的各个维度；（2）不能将专家评价的详细逻辑显化（相较于层次分析法）；（3）可能产生专家评价不一致的情况，需要指标设计者对不同的意见进行相应处理。
神经网络法的优点在于：（1）方法属于人工智能范畴，是一种对于“黑箱”参数的非线性拟合技术；（2）相较于一般回归方程式的线性拟合，神经网络具备可以任意精度逼近任何非线性函数的优势，并同时具有分布式存储、自组织、自学习等特点。其缺点为：（1）同粗糙集方法类似，该方法所做的是对专家知识的模拟，却无法给出专家评价的详细逻辑；（2）即便采用相同的神经网络算法，所得的权重结果也存在不稳定性；（3）算法的数据基础是训练集及检测集，需要较多的已评价数据用于网络的训练和检测。
2. 对客观权重算法的优劣比较。变异系数法的优点在于：（1）评价过程中不需要采纳专家的观点；（2）操作较为简单，从指标离差的角度予以考虑。其缺点在于：变异系数大表明指标离散程度高，但指标离散程度越高并不一定表明该指标就越重要，需要根据情况具体分析。
因子分析法的优点在于：（1）与变异系数法类似，评价过程中不需要采纳专家的观点；（2）操作起来较为简单快捷。其缺点在于：（1）通过该方法所得到的指标权重，实际上是变量经降维处理后所包含的原有信息程度，但包含原有变量系统的信息多仅代表指标对拟合原有数据更重要，并不代表其相对其他指标更重要；（2）如需进一步确定指标权重，仍须用公因子对目标做回归拟合或非线性拟合，然而，经降为处理后的公共因子本来就丢失了各指标的独特信息，其结果可能不如用各指标直接经行回归；（3）因子分析法所得的指标权重极大的依赖于所选的数据，不同的数据库及因子算法可能带来结果的巨大差异。 熵值法的优点在于：（1）评价过程中不需要采纳专家的观点；（2）操作较为简单，从指标信息量（有序程度）的角度予以考虑。其缺点在于：（1）文献中所采用的熵权法存在明显的错误，因为在信息熵的计算过程中，如果将每项指标视为一个随机变量，那么某样本在该指标的出现概率显然不是用该样本的指标值除以指标总值，而是应根据其为离散型变量或连续型变量分别考虑其概率分布函数或概率密度函数；（2）熵权法作为一种客观算法，根据各项指标的信息熵判断指标相对重要程度的标准，一方面需要根据实际问题加以判断，另一方面其权重结果可能受到所选样本的影响。
四、 农业产业化龙头企业权重算法的选择
从上述关于主观及客观方法的比较可以看出，基于客观的指标评价法多是基于对样本数据的某种处理，得到如变异系数、信息熵等指标从而对指标权重进行判断。然而，这些客观的衡量指标却是由其使用者主观选择的，且指标权重受到使用者“主观”选择的数据影响，因而并不能算是完全意义的客观法。评价指标体系的构建本身就是一个相对主观的过程，所选的评价指标本身就是评价者对于客观数据某种综合取舍及评判，因而，在选择农业龙头企业社会责任评价的指标权重算法时，可以采用多种主观算法相结合的方式，例如：可以首先使用粗糙集方法对指标体系的完整度进行甄别，若完整度较好则再使用德尔菲法、层次分析法、神经网络法等确定指标权重，最后采用层次分析法或者灰色聚类法对样本经行分类或者打分。
