论文部分内容阅读
[基金项目]国家自然科学基金(70371046)资助，中国博士后科学基金(2004036140)资助
[基金项目]冯岑明(1967-)，女，浙江余姚人，河南科技大学经济管理学院硕士生，研究方向为管理信息系统；方德英(1964-)，男，河南南阳人，河南科技大学经济管理学院教授，博士，研究方向为信息管理，系统工程。
[摘要]随着世界经济一体化的不断发展和各国经济开放程度的不断提高，企业技术创新能力的强弱已经成为决定企业生存和发展的关键要素。应从规范与实证结合的角度来研究企业技术创新能力的确定问题，探求构建企业技术创新能力的一般途径。
[关键词]技术创新能力；企业；神经网络
[中图分类号]F403．6 [文献标识码]A [文章编号n003-3890(2006)05-0031-03
一、企业技术创新能力评价指标体系的构建
目前，企业技术创新能力评价已引起了国内外有关学者的广泛关注。然而，由于技术创新能力涉及的因素众多，其评价理论和方法尚处在探索之中。国内外有不少学者提出用层次分析法、密切值法、灰色系统理论等方法进行多指标评价，但这些方法还存在计算量大、评价指标的确定准确度较低且无法进行大规模评价的缺陷。为此，笔者将神经网络模型引入到企业技术创新能力评价中。
根据系统论的思想与企业技术创新的内涵，将其逐级分解，形成各有侧重，又相互联系，能系统、综合反映企业技术创新活动的评价指标体系[4-6]，作为评价和优化企业技术创新活动的依据，根据企业技术创新活动所包括的主要内容，遵循指标体系设计原则，提出包括企业技术创新管理能力、投入能力、研发能力、创新能力和实施能力5个方面，共20个评价指标的评价指标体系(详见表1)。
二、基于神经网络的企业技术创新能力评价方法
综合评价的方法有很多种，每种方法都基于一定的模型假设和数据结构，都有其适用范围和优缺点。鉴于上述企业技术创新能力评价指标体系是一个多层次多目标的复杂系统，同时也为了提高综合评价结果的有效性和可靠性，减少单一方法可能造成的偏差，避免主观随意性，笔者选用人工神经网络方法对企业的科技创新能力进行综合评价和分析。因为这种方法适用于多层次的数据结构，同时能客观地确定各个指标的权重且信息损失较少[7-10]。
(一)人工神经网络方法
人工神经网络是对人脑功能作某种简化、抽象和模拟，是—个高度复杂、非线性动力学系统，它具有学习、记忆、联想、归纳、概括和抽取、容错以及自学自适应的能力。BP网络是—种单向传播的多层前项网络，具有三层或三层以上的神经网络，包括输入层、中间层(隐层)和输出层。上下层之间实现全连接，而每层神经元之间无连接。BP网络的学习过程是由正向传播和反向传播两部分组成的，其算法描述如下：
第一步：设置初始参数ψ和θ，(ψ为初始权重，θ为临界值，均随机设为较小的数)。
第二步：将训练样本集和相应的目标样本集进行预处理，然后随机选取一组输入和目标样本加到网络上。
第三步：根据输入样本，利用下式算出它们的输出值。Yyj
第五步：随机选取下一个学习样本提供给网络，返回第三步，直到m个训练样本训练完毕；
第六步：重新从m个学习样本中随机选取一组输入和目标样本，返回第三步，直到网络全局误差小于预先设定的一个极小值，即网络收敛。
(二)评价指标的归一化
由于评价指标体系中，既有定性指标，，又有定量指标，为了使各指标在整个系统中具有可比性，必须对各指标进行归一化处理，处理后的指标值才能作为神经网络的学习样本。因此，对于评价指标体系中的定量指标，在综合评价前必须把指标的实测值按某种隶属度函数将其归一化到某一无量纲区间。对于定性指标，可采用评价等级隶属度的方法确定，如1，0．75，0．5，0．25，0，分别对应很好，好，一般，较差，差。
从上述转换可以看出，对于效益型指标来说．当实测值Xij大于平均值时，转换后其隶属度函数值大于0，实测值越大，隶属度函数值越大，当原始值达到一定数值时，隶属度函数值接近“饱和”。这样处理是为了防止某一指标隶属度函数值过大，从而影响整个综合指标。对于成本型指标，当Xii，越大，隶属度函数值反而越小，取负值；Xii越小，其隶属度函数值越大，取正值。
(三)BP神经网络模型评价程序
1．企业技术创新能力评价模型网络构建。基于BP神经网络的评价模型由数据预处理器和BP网组成。数据预处理器将评价指标体系中各个指标的实测值，按—定规则进行归一化。BP网的输入层单元数量由数据预处理器产生的向量维数决定，这里就是指标的个数；输出层单元一个，即评价结果；隐含层的神经元数目选择是一个十分复杂的问题，往往需要根据设计者的经验和多次实验来确定，因而不存在一个理想的解析式来表示。隐单元的数目与问题的要求、输入／输出单元的数目都有着直接关系。隐单元数目太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有看到的样本，因此一定存在一个最佳的隐单元数，可以用下列公式作为选择最佳的隐单元数的参考公式：
n1=log2n (11)
式11中，n为输入单元个数；n1隐含层单元个数。
2．对企业技术创新能力进行评价的步骤。(1)根据以上构建的BP网络模型进行网络学习。即选取—定数量的样本(不同企业的指标值)，进行归一化处理，输入网络，选用适当的学习算法，对网络进行训练、验证，确定出各指标隐含在网络中的权重。(2)对需要评价企业指标值进行归—化处理。(3)将处理过的指标值输入训练好的网络，网络会给出—个合理的输出。
(4)根据输出对企业技术创新能力作出客观的评价。
三、实例验证
笔者以洛阳市的8家国有大型企业进行实例验证(过程略)。用检验样本仿真评价结果与专家对企业技术创新能力评价结果相比，结果基本相同。该应用实例表明，该网络具有较强的泛化能力，能够通过样本学习掌握专家知识，可用于对其他待评价的企业进行技术创新能力的评价。
四、结论
企业技术创新能力是企业发展的根本动力，能有效地评价企业的技术创新能力，可以为企业的发展提供依据。由于企业技术创新能力涉及的因素较多，评价中存在较多的主观性和模糊性。笔者在建 立企业技术创新能力评价指标体系的基础上，提出基于神经网络的综合评价方法，并通过仿真试验，取得了较为满意的结果。神经网络不仅可以模拟专家对技术创新能力进行定量评价，而且避免了评价过程中的人为失误。
[参考文献]
[1]Hamel．G C K,Rrahalad．Competing for Future[M]Harvard Bursiness School Press,Boston MA，1994．
[2]Gronhaug,Kjell and Kaufmann．Innovation：A Cross-Disciplinary Perspective [M]．Oslo,Norway：NorwegianUniversity Press，1998．
[3]Kohli,A．K．And Jaworski,B，J．Market Orientation：theConstruat，Research Propositions and Manageriallmplications[J]Journal of(Marketing,54，1-18,1990．
[4]沈平，冯涛．构建我国企业技术创新体系的思考[J]．经济与管理研究，2001，(1)
[5]吴海燕，王伯安．提升我国石化企业技术创新能力的研究[J]．经济与管理研究，2001，(1)．
[6]姚晚霞．着力提高企业自主技术创新能力[J]．经济问题探索，2000，(12)．
[7]李文博，郑文哲．基于神经网络的企业技术创新能力综合评价研究[J]．科技进步与对策,2005，(1)．
[8]Han Min,Cheng lei & Meng Hua．Application of four-layer neural network On information extraction[J]．NeuralNetworks,2003，16(5)：38-40．
[9]K ihlgren A．Promotion of innovayion activity in Russiathrough the creation of science parks：the case of SLPetersburg(1992-1998)[J]．Tec-hnovation,2003,23：39-43．
[10]袁曾任．人工神经元网络及其应用[M]．北京：清华大学出版社，1999．
责任编辑：学诗
[基金项目]冯岑明(1967-)，女，浙江余姚人，河南科技大学经济管理学院硕士生，研究方向为管理信息系统；方德英(1964-)，男，河南南阳人，河南科技大学经济管理学院教授，博士，研究方向为信息管理，系统工程。
[摘要]随着世界经济一体化的不断发展和各国经济开放程度的不断提高，企业技术创新能力的强弱已经成为决定企业生存和发展的关键要素。应从规范与实证结合的角度来研究企业技术创新能力的确定问题，探求构建企业技术创新能力的一般途径。
[关键词]技术创新能力；企业；神经网络
[中图分类号]F403．6 [文献标识码]A [文章编号n003-3890(2006)05-0031-03
一、企业技术创新能力评价指标体系的构建
目前，企业技术创新能力评价已引起了国内外有关学者的广泛关注。然而，由于技术创新能力涉及的因素众多，其评价理论和方法尚处在探索之中。国内外有不少学者提出用层次分析法、密切值法、灰色系统理论等方法进行多指标评价，但这些方法还存在计算量大、评价指标的确定准确度较低且无法进行大规模评价的缺陷。为此，笔者将神经网络模型引入到企业技术创新能力评价中。
根据系统论的思想与企业技术创新的内涵，将其逐级分解，形成各有侧重，又相互联系，能系统、综合反映企业技术创新活动的评价指标体系[4-6]，作为评价和优化企业技术创新活动的依据，根据企业技术创新活动所包括的主要内容，遵循指标体系设计原则，提出包括企业技术创新管理能力、投入能力、研发能力、创新能力和实施能力5个方面，共20个评价指标的评价指标体系(详见表1)。
二、基于神经网络的企业技术创新能力评价方法
综合评价的方法有很多种，每种方法都基于一定的模型假设和数据结构，都有其适用范围和优缺点。鉴于上述企业技术创新能力评价指标体系是一个多层次多目标的复杂系统，同时也为了提高综合评价结果的有效性和可靠性，减少单一方法可能造成的偏差，避免主观随意性，笔者选用人工神经网络方法对企业的科技创新能力进行综合评价和分析。因为这种方法适用于多层次的数据结构，同时能客观地确定各个指标的权重且信息损失较少[7-10]。
(一)人工神经网络方法
人工神经网络是对人脑功能作某种简化、抽象和模拟，是—个高度复杂、非线性动力学系统，它具有学习、记忆、联想、归纳、概括和抽取、容错以及自学自适应的能力。BP网络是—种单向传播的多层前项网络，具有三层或三层以上的神经网络，包括输入层、中间层(隐层)和输出层。上下层之间实现全连接，而每层神经元之间无连接。BP网络的学习过程是由正向传播和反向传播两部分组成的，其算法描述如下：
第一步：设置初始参数ψ和θ，(ψ为初始权重，θ为临界值，均随机设为较小的数)。
第二步：将训练样本集和相应的目标样本集进行预处理，然后随机选取一组输入和目标样本加到网络上。
第三步：根据输入样本，利用下式算出它们的输出值。Yyj
第五步：随机选取下一个学习样本提供给网络，返回第三步，直到m个训练样本训练完毕；
第六步：重新从m个学习样本中随机选取一组输入和目标样本，返回第三步，直到网络全局误差小于预先设定的一个极小值，即网络收敛。
(二)评价指标的归一化
由于评价指标体系中，既有定性指标，，又有定量指标，为了使各指标在整个系统中具有可比性，必须对各指标进行归一化处理，处理后的指标值才能作为神经网络的学习样本。因此，对于评价指标体系中的定量指标，在综合评价前必须把指标的实测值按某种隶属度函数将其归一化到某一无量纲区间。对于定性指标，可采用评价等级隶属度的方法确定，如1，0．75，0．5，0．25，0，分别对应很好，好，一般，较差，差。
从上述转换可以看出，对于效益型指标来说．当实测值Xij大于平均值时，转换后其隶属度函数值大于0，实测值越大，隶属度函数值越大，当原始值达到一定数值时，隶属度函数值接近“饱和”。这样处理是为了防止某一指标隶属度函数值过大，从而影响整个综合指标。对于成本型指标，当Xii，越大，隶属度函数值反而越小，取负值；Xii越小，其隶属度函数值越大，取正值。
(三)BP神经网络模型评价程序
1．企业技术创新能力评价模型网络构建。基于BP神经网络的评价模型由数据预处理器和BP网组成。数据预处理器将评价指标体系中各个指标的实测值，按—定规则进行归一化。BP网的输入层单元数量由数据预处理器产生的向量维数决定，这里就是指标的个数；输出层单元一个，即评价结果；隐含层的神经元数目选择是一个十分复杂的问题，往往需要根据设计者的经验和多次实验来确定，因而不存在一个理想的解析式来表示。隐单元的数目与问题的要求、输入／输出单元的数目都有着直接关系。隐单元数目太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有看到的样本，因此一定存在一个最佳的隐单元数，可以用下列公式作为选择最佳的隐单元数的参考公式：
n1=log2n (11)
式11中，n为输入单元个数；n1隐含层单元个数。
2．对企业技术创新能力进行评价的步骤。(1)根据以上构建的BP网络模型进行网络学习。即选取—定数量的样本(不同企业的指标值)，进行归一化处理，输入网络，选用适当的学习算法，对网络进行训练、验证，确定出各指标隐含在网络中的权重。(2)对需要评价企业指标值进行归—化处理。(3)将处理过的指标值输入训练好的网络，网络会给出—个合理的输出。
(4)根据输出对企业技术创新能力作出客观的评价。
三、实例验证
笔者以洛阳市的8家国有大型企业进行实例验证(过程略)。用检验样本仿真评价结果与专家对企业技术创新能力评价结果相比，结果基本相同。该应用实例表明，该网络具有较强的泛化能力，能够通过样本学习掌握专家知识，可用于对其他待评价的企业进行技术创新能力的评价。
四、结论
企业技术创新能力是企业发展的根本动力，能有效地评价企业的技术创新能力，可以为企业的发展提供依据。由于企业技术创新能力涉及的因素较多，评价中存在较多的主观性和模糊性。笔者在建 立企业技术创新能力评价指标体系的基础上，提出基于神经网络的综合评价方法，并通过仿真试验，取得了较为满意的结果。神经网络不仅可以模拟专家对技术创新能力进行定量评价，而且避免了评价过程中的人为失误。
[参考文献]
[1]Hamel．G C K,Rrahalad．Competing for Future[M]Harvard Bursiness School Press,Boston MA，1994．
[2]Gronhaug,Kjell and Kaufmann．Innovation：A Cross-Disciplinary Perspective [M]．Oslo,Norway：NorwegianUniversity Press，1998．
[3]Kohli,A．K．And Jaworski,B，J．Market Orientation：theConstruat，Research Propositions and Manageriallmplications[J]Journal of(Marketing,54，1-18,1990．
[4]沈平，冯涛．构建我国企业技术创新体系的思考[J]．经济与管理研究，2001，(1)
[5]吴海燕，王伯安．提升我国石化企业技术创新能力的研究[J]．经济与管理研究，2001，(1)．
[6]姚晚霞．着力提高企业自主技术创新能力[J]．经济问题探索，2000，(12)．
[7]李文博，郑文哲．基于神经网络的企业技术创新能力综合评价研究[J]．科技进步与对策,2005，(1)．
[8]Han Min,Cheng lei & Meng Hua．Application of four-layer neural network On information extraction[J]．NeuralNetworks,2003，16(5)：38-40．
[9]K ihlgren A．Promotion of innovayion activity in Russiathrough the creation of science parks：the case of SLPetersburg(1992-1998)[J]．Tec-hnovation,2003,23：39-43．
[10]袁曾任．人工神经元网络及其应用[M]．北京：清华大学出版社，1999．
责任编辑：学诗