论文部分内容阅读
大型专用装备制造企业具有领先的科技制造水平和高度的产业关联性,是国民经济建设中重要的力量之一。“智能制造2025”战略背景下,大型专用装备制造企业扮演着引领中国制造业走向信息化、智能化的重要角色。经济增加值(EVA)作为全要素生产率的关键性指标,能够全面反映企业管理价值的诸多方面。2014年后,国家要求大型央企绘制经济增加值的价值树,从中识别关键影响因素。这使得对经济增加值的研究又上升了一个新的高度。从不同层面找到经济增加值的影响因素,并对其实施有效的管理控制显然更具有实际意义。通常对经济增加值影响因素的研究大多采用多元线性回归分析的方法。该方法的特点是计算快捷,操作简便。然而大型专用装备制造企业作为一个复杂的生产系统,经济增加值各因素之间又存在复杂的非线性关系;同时,为避免出现多重共线性问题,多元线性回归分析方法往往难以纳入更多的变量。这些问题使得多元线性回归分析的结果与实际情况存在一定的差异。为寻求精度较高的方法,本文首先采用单隐层BP神经网络分析了大型专用装备制造企业EVA影响因素及其指标的一阶和二阶敏感性。随后又构建了双隐层BP网络并针对上述问题进行了分析,分析结果表明:对于大型专用装备制造企业的EVA影响因素敏感性而言,单隐层或双隐层结构的BP网络得到的偏导敏感性结果稳定性较差,只能依据多次实验得到各因素及指标敏感性的总体趋势,难以识别其中具体指标的敏感性排序。为解决上述问题,本文又采用逼近能力和学习速率均优于BP网络的广义回归GRNN网络,并结合信息熵理论,利用二次Renyi熵的熵值改变量衡量各个驱动因素指标的敏感性大小。以此得到大型专用装备制造企业EVA影响因素及指标的敏感性。结果显示,采用二次Renyi熵的GRNN网络敏感性与双隐层BP网络所得偏导敏感性有相似趋势,但二次Renyi熵下的GRNN敏感性稳定性要明显优于两隐层BP网络。并且GRNN网络所得结果的泛化拟合度也明显优于多元线性回归分析结果。GRNN网络正确捕捉到了大型专用装备制造企业EVA各个驱动因素之间存在的复杂非线性关系,并且GRNN所纳入的变量数也优于多元线性回归分析模型。