科技中介竞争力评价指标问题研究——指标的建立和三层BP网络模型的应用,本文主要内容关键词为:评价指标论文,模型论文,竞争力论文,中介论文,指标论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。
中图分类号:G322.2文献标识码:A
文章编号:1000-2995(2008)04-006-0190
科技中介竞争力是科技中介整体运行绩效的集中体现,也是各级政府管理部门决策的重要依据。建立一套科学、系统、可行的科技中介竞争力评价指标体系,是对科技中介竞争力状况进行评价的基础。目前国内外对科技中介的研究主要集中在科技中介现状和发展趋势、存在问题和对策、管理体制和机构等方面,这些研究大多数都是定性描述,缺少定量分析。这些研究虽然对国家或地区战略的制定十分必要,但对一个科技中介的发展实用性并不强。由于缺少科技中介评价,很难具有可比性和操作行,直接影响了科技中介的发展和提高。在科技中介评价方面,目前只见到对单一方面评价的研究,如对能力的评价,而缺少对科技中介整体的评价,更没有将科技中介上升到竞争力的高度来评价。本文拟对科技中介竞争力评价指标进行研究,建立科技中介竞争力评价指标体系并采用人工神经网络方法对科技中介竞争力进行评价。[1][2][3]
1评价指标设计的原则
结合科技中介的特点,借鉴其它行业评价指标设计的原则,得到科技中介竞争力评价指标设计的五条原则。这五条原则是示范导向原则、目标明确原则、重点突出原则、定量定性结合原则和动静结合原则。[4][5]
2评价指标体系的内容
2.1创新能力指标
创新能力指标中,R&D经费占总收入的比例、R&D人员占从业总人数的比例、拥有自主知识产权的产品数、新产品数占全部产品比例反映的是创新的投入与产出,是静态指标。技术交易合同数额、企业之间合作项目数、产学研合作项目数、政府与企业合作项目数比例、人才流动速度、教育培训发达程度、科技成果转化成功率反映的是知识的流动,是动态指标。
2.2创新创业环境指标
创新创业环境指标中,政府创新服务能力、中介机构创新服务能力反映的是软环境方面的直接指标。技术基础设施发达程度和生活环境质量反映的是硬环境方面的直接指标。创业中心在孵企业数、毕业企业占孵化企业总数的比例、高技术企业衍生数、人才凝聚力反映的是创新创业环境的间接指标。
2.3经济发展绩效指标
经济发展绩效指标中,科技中介技工贸总收入反映的是科技中介的规模,人均技工贸总收入反映的是科技中介的经济效益,技术产品销售收入的年均增长率反映的是科技中介发展的速度。
2.4经济辐射力指标
经济辐射力指标中,上缴税费增长率、吸纳的就业人数、工业增加值占所在城市工业增加值的比例反映的是科技中介对地方财政、就业和经济增长的贡献。
2.5国际化程度指标
国际化程度指标中,出口创汇额、国际合作合资项目数、实际到位外资额反映的是国际竞争与合作的能力。
3评价的三层BP网络模型
本文选用人工神经元网络理论中的三层BP(Back Propagation)网络模型构建科技中介竞争力评价模型,用这一模型评价科技中介竞争力具有三个优点。第一,方法简便准确。通过对参与评价科技中介样本的学习就能够确定人工神经元网络模型的结构,按照科技中介竞争力评价的最优算法准则反复迭代,不断调整神经网络结构(神经元之间的连接权值和阈值),直至达到一个相对稳定的状态,然后以该神经网络模型进行评价和排序。第二,计算误差小。人工神经网络模型对参与评价样本的学习,能使系统误差达到任何精度要求,具有收敛性。第三,动态评价性能好。随着参评样本的增加和时间的演进,能够进行进一步的样本学习和实现动态跟踪评价。[6][7]
3.1三层BP网络模型结构
BP网络,即误差反向传播神经网络,是一种含有隐含层的多层前馈网络。如果网络的输入节点数为M、输出节点数为L,则此神经网络可看成是从M维欧氏空间到L维欧氏空间的映射。这种映射是高度非线性的。现实中的许多问题,如模式识别、图像处理、系统辨识、函数拟合、优化计算等,都可以转换成这种神经网络来处理,因此,BP网络的应用范围较为广泛。[8][9]
科技中介竞争力评价的问题,实际上是一个从M维输入指标值到1维输出值的空间映射,这里采用三层BP网络完成对科技中介竞争力的评价。一个三层的BP网络模型结构及计算过程如图1所示。
图1 科技中介竞争力评价的BP网络结构及计算流程
Figure1 the BP net model and calculating process of competitiveness for scientific and technological intermediary
网络模型的第一层为输入层,中间层为隐含层,第三层为输出层,各层次的神经元之间形成全互连连接,而各层次内的神经元之间没有连接,输入层的单元数为科技中介竞争力评价的指标数(这里m=29),输出层的单元数为1个,即科技中介竞争力评价值。
隐含层单元数的确定与输入输出单元的多少有直接的关系。隐单元数太少,网络不能训练出来,或网络不强壮,不能识别以前没有看到的样本,容错性差;隐单元数太多又使学习时间过长,误差也不一定最佳,因此存在一个最佳的隐单元数。一般情况下可按经验公式给出:
d.计算E,如果E小于给定的收敛值,则神经网络训练结束,否则转c。
在BP学习算法中,有几个值得注意的问题:
a.学习算法中的η表示学习效率,或称步幅,η较大时,权值的修改量就较大,学习速率比较快,但有时会导致震荡;η值较小时,学习速率慢,然而学习过程平稳。这样,在实际的学习过程中可以将η取为一个与学习过程有关的变量,并且在学习刚开始时η值相对较大,然后随着学习的深入,η值逐步减小。自适应学习速率公式为:
(16)
b.在学习开始时必须给各个连接权值赋初值。对每个连接权值赋予一个随机值,但不能使所有的连接权值都相等。在实际的网络训练过程中,通常的处理方法是给每一个连接权赋予-1至1之间的一个随机数。
c.对于动量因子α,又称为惯性矫正系数,应与η协调选取,通常较大的α可以改善网络的收敛速度,但对提高网络的收敛精度却没有积极的作用。有文献指出,当α按下式取值时,可同时获得较好的精度和收敛速度:
(17)
将上述学习算法用Matlab软件进行运算,就可以训练神经网络。选取若干个科技中介的相关数据(包括输入和输出)作为训练样本,样本数据输入后系统自动进行学习,不断调整权值和阈值,当误差减到要求的范围内,系统停止学习,此时权值与阈值固定下来。
4评价指标体系对科技中介竞争力的模拟评价
科技中介竞争力评价指标体系有五个一级指标,这五个一级指标下又有若干二级指标。所以,本文拟构建五个子网络(创新能力评价子网、创新创业环境评价子网、经济发展评价子网、经济辐射力评价子网、国际化评价子网)和一个母网络(以创新能力、创新创业环境、经济发展、经济辐射力和国际化程度指标值为该网络的输入指标,构建竞争力评价网络),这样不仅能得到某科技中介竞争力的评价值,而且还能得到创新能力、创新创业环境、经济发展、经济辐射力和国际化程度的评价值。
4.1训练样本数据的获得
在实际评价中,首先要收集有关科技中介的实际观测数据,包括29个指标值和科技中介创新能力、创新创业环境、经济发展、经济辐射力、国际化程度和竞争力的专家评分值。并且为了提高网络的训练效率,神经网络规定对这些数据进行归一化处理,归一化后的数据落入[-1,1]区间。
中国的科技中介还处于起步阶段,样本数据的采集有一定困难,所以本文只对其进行模拟运算,选取四个训练样本。
样本输入数据在[-1,1]区间随机产生。样本输出数据采用以下方法获得:Out=logsig(ones(1,Q)*rands(Q,4))
式中:Q—样本输入指标数。
这样既满足了输出数据与输入数据的正相关关系,所得数据又落入[0,1]区间。
4.2神经网络的训练及计算结果
4.2.1科技中介创新能力评价子神经网络
该网络的输入层神经元数目为12个,输出层神经元数为1个,根据隐含层神经元的经验公式,可取隐含层神经元数为12个。运用Trainbpx训练函数,经过203次训练,网络性能达标,此时,学习率为5.65047,误差为0.000956981。将待评价的某科技中介相应指标值输入已经训练好的网络,得到该科技中介创新能力的评价值为0.6542。
4.2.2科技中介创新创业环境评价子神经网络
该网络的输入层神经元数目为8个,输出层神经元数为1个,根据隐含层神经元的经验公式,可取隐含层神经元数为12个。运用Trainbpx训练函数,经过199次训练,网络性能达标,此时,学习率为5.02037,误差为0.00098631。将待评价的某科技中介相应指标值输入已经训练好的网络,得到该科技中介创新创业环境的评价值为0.6209。
4.2.3科技中介经济发展评价子神经网络
该网络的输入层神经元数目为3个,输出层神经元数为1个,根据隐含层神经元的经验公式,可取隐含层神经元数为11个。运用Trainbpx训练函数,经过185次训练,网络性能达标,此时,学习率为1.78416,误差为0.000969715。将待评价的某科技中介相应指标值输入已经训练好的网络,得到该科技中介经济发展的评价值为0.3436。
4.2.4科技中介经济辐射力评价子神经网络
该网络的输入层神经元数目为3个,输出层神经元数为1个,根据隐含层神经元的经验公式,可取隐含层神经元数为11个。运用Trainbpx训练函数,经过182次训练,网络性能达标,此时,学习率为3.03741,误差为0.000917932。将待评价的某科技中介相应指标值输入已经训练好的网络,得到该科技中介经济辐射力的评价值为0.0938。
4.2.5科技中介国际化程度评价子神经网络
该网络的输入层神经元数目为3个,输出层神经元数为1个,根据隐含层神经元的经验公式,可取隐含层神经元数为11个。运用Trainbpx训练函数,经过207次训练,网络性能达标,此时,学习率为6.35965,误差为0.000840142。将待评价的某科技中介相应指标值输入已经训练好的网络,得到该科技中介国际化程度的评价值为0.8021。
4.2.6科技中介竞争力评价母神经网络
该网络的输入层神经元数目为5个,输出层神经元数为1个,根据隐含层神经元的经验公式,可取隐含层神经元数为12个。值得提出的是,该网络训练样本的输入数据为上述五个子网络训练样本相应输出数据的组合。运用Trainbpx训练函数,经过113次训练,网络性能达标,此时,学习率为0.395125,误差为0.000987519。在该网络中,待评价的某科技中介输入指标值为上述五个子网络相应评价值的组合。将待评价的某科技中介相应指标值输入已经训练好的网络,得到该科技中介竞争力的评价值为0.0938。
此后,要对任意一个科技中介竞争力进行评价,只要将有关数据输入已训练好了的网络(数据输入前必须进行归一化处理),就可以得到相应的输出值。这些输出值就可作为评价和诊断任意一个科技中介创新能力、创新创业环境、经济发展绩效、经济辐射力、国际化程度以及比较竞争力强弱的标准。同时也可以通过比较不同科技中介的输出值,得到不同科技中介竞争力的排序。