基于粒子群优化的大学生创新绩效关键因素研究_粒子群算法论文

基于粒子群算法的大学生创新绩效影响关键因素研究，本文主要内容关键词为：粒子论文,算法论文,绩效论文,关键因素论文,大学生论文，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。

       一、研究背景

       在2014年夏季达沃斯论坛开幕式上，李克强总理首次提出“大众创业，万众创新”理念。在经济转型发展的背景下，必须加快实施创新驱动发展战略，使中国从制造大国向创造强国迈进。李克强总理指出，促进“大众创业、万众创新”，大学生是重要力量，要为他们实现梦想和自身价值“铺路搭桥”。为鼓励大学生创新创业，近年来国家相关部门陆续出台了一系列扶持政策，越来越多的大学生加入自主创新的队伍。但新浪网的一则调查显示，中国大学毕业生仅10％符合国际跨国公司的用人标准。原因是中国学生过于浅薄的创新能力。

       教育部等教育主管部门和许多高校出台了一系列政策和措施，提升大学生培养质量，尤其是创新人才的培养质量，部分高校在探索实践中取得一定成效。[1]但我国大学生创新绩效整体上未得到明显提升，这与我国培养高层次创新人才的目标和人才强国的战略存在一定差距，创新人才培养仍存在许多问题。[2]大学生是我国未来的科技工作者，是科技创新取得质的飞跃的坚实基础。[3]如何利用好这支庞大且重要的大学生力量，服务于“万众创新”的浪潮，是当下值得深入思考的问题。培养创新型人才的有效途径在于培养本科生科研创新。[4]创新竞争力是体现研究型大学水平的重要依据。所以，研究型大学应该肩负起培养拔尖创新的精英人才的历史使命。[5]

       绩效是一个组织或个人在一定时期内的投入产出状况。这是从企业角度看的，而高校科研创新活动由于其所具有的非营利性特征，相对于量化的任务产出，其绩效更加注重非量化的因素，主要包括科研成果应用，知识积累和创新，创新能力、创新行为和创新氛围等。[6]创新能力可以理解为产生新知识、新技术并用以创造价值和效益的现实能力和潜在能力。[7]高校创新能力的指标分为基础研究创新和技术创新，可分别由发表论文情况和专利授予情况体现。[8]因此，大学生创新绩效，最直观的体现就是大学生在校期间所创造出的创新成果，可量化的指标就是科研学术产出，这是大学生创新水平与创新能力的重要反映。[9]

       所以，我们不难得出大学生创新绩效水平能有效地反映出大学生创新培养质量的优劣，只有对大学生科研绩效的关键因素进行研究，才能发现大学创新人才教育的培养方向。目前，国内针对大学生的创新绩效研究较少，且大多为单因素并列研究，几乎没有对多因素进行交叉分析。基于大学生创新绩效对于经济发展的重要作用，本文基于粒子群理论，建立八大因素对大学生创新绩效的影响模型，较系统、深入地研究大学生创新绩效的关键因素，力求能为当前大学创新人才培养和创新绩效提高提供参考借鉴。

       二、调查对象与方法

       1.调查目的、工具与过程

       本次调查旨在得出大学生创新绩效的影响因素，并运用数学模型提炼出关键因素，分析各关键因素间交叉对大学生创新绩效的影响。调查选取25所不同类型的高校为样本，包括清华大学、上海交通大学、天津大学、华中科技大学、西安交通大学、武汉大学、华东理工大学、南京航空航天大学、中国地质大学(武汉)、华中农业大学、陕西师范大学、武汉科技大学等，调查对象为在校博士生、硕士生、本科生等。本次调查旨在多方面了解可能对大学生创新绩效产生影响的因子，包括性别、学校层次、学段、专业、成绩、导师、理想信念、生源地等情况，并且调查了大学生创新绩效情况(包括获奖情况、论文发表情况、获得专利情况等)，作为创新绩效衡量指标。本研究采取问卷调查法，除实地发放调查问卷之外，还辅之以个别访谈调查与走访调查。本次调查共发放问卷2500份，回收有效问卷2260份，回收问卷有效率为90.4％。基本信息统计详见表1。

      

       2.回归分析

       多元线性回归是一种用于研究一个因变量Y与两个或两个以上自变量之间的线性关系的回归分析，多元线性回归分析是对这种线性关系通过统计分析方法和函数进行解读和形式化描述的过程。其方法简单，对变量之间关系解释能力强的优点，在众多领域有着广泛的应用。设自变量的个数为k，多元线性回归的理论方程为式(1)所示：

      

       是当所有自变量为0时的常数项，表示回归系数，回归系数主要有两种：非标准化回归系数和标准化回归系数。本文主要运用标准化回归系数进行讨论，由于标准化回归系数消除了因变量和自变量所取单位的影响，能够表示自变量对因变量影响程度，即可以分析多个自变量对因变量的影响程度大小。所以，在进行粒子群优化算法之前，将运用回归分析对大学生创新绩效的影响因素进行辨析和判断。

       3.粒子群优化算法的应用

       粒子群优化算法(Particle Swarm Optimization，PSO)是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，由Eberhart博士和Kennedy博士于1995年共同提出[10]，广泛应用于各种优化问题的求解。

       PSO算法中，所有潜在解的集合称为解空间，一种潜在解对应于解空间中的一个位置，并以适应度评价粒子位置的优良程度。初始化时，粒子从解空间中的随机位置出发，对周围空间进行搜索并将搜索结果与群体共享。通过在迭代中追随自身历史最优位置和群体最优位置，粒子不断向全局最优解靠拢，并最终实现收敛。粒子的速度更新公式和位置更新公式分别如式(2)和(3)所示。

      

       式(2)和(3)中，i=1，2，…，m表示粒子个数；d=1，2，…，n表示解空间的维数；和分别表示第k次迭代中粒子i在第k维的速度和位置；表示第i个粒子的历史最优位置；表示群体最优位置；rand表示取值在[0，1]之间的随机数；and为学习因子，反映粒子向个体最优位置和群体最优位置靠拢的能力；ω为惯性系数，反映了粒子保持自身原有速度的程度。

       粒子更新位置之后，将利用适应度函数对当前位置进行评价，并更新自身历史最优位置和群体最优位置，达到信息共享的目的。通过共享的信息更新粒子的位置，最终趋于收敛。粒子群算法具有容易实现、精度高、收敛快等优点，适用于各种连续实值的全局优化问题中。

       三、属性的选取与权重模型的构建

       本文运用回归分析对各个属性与学生各项科研产出进行交叉比对(如表2所示)，选出对学生科研产出相关性最高的因子。

      

       分别将专利情况、发表论文情况、获奖情况作为因变量，将8个因素作为自变量进行回归分析。其回归系数和显著性见表2，其中，专利情况对专业和成绩两个因素不显著，发表论文情况对性别不显著，获奖情况对性别和成绩不显著。其余因素的Sig.值均为0.00(＜0.01)，数据显著。标准化的回归系数代表自变量也就是预测变量和因变量的相关程度，根据标准回归系数的绝对值大小，八大因素对于三种创新绩效的影响如下：

       专利：年级(0.114)＞导师(0.087)＞生源地(0.08)＞学校层次(0.079)＞理想信念(0.076)＞性别(0.075)＞专业(0.022)＞成绩(0.016)。

       论文：年级(0.402)＞导师(0.115)＞学校层次(0.086)＞理想信念(0.084)＞生源地(0.058)＞专业(0.049)＞性别(0.029)＞成绩(0.001)。

       获奖：成绩(0.26)＞年级(0.179)＞生源地(0.095)＞学校层次(0.081)＞理想信念(0.06)＞导师(0.04)＞专业(0.023)＞性别(0.011)。

       在选取与科研产出相关度最高属性后，从定量的角度对影响学生创新绩效的因素进行分析，求取各个影响因素对创新绩效的权重系数。结合粒子群优化算法的基本思路，可以将各个属性权重构成的权重向量作为算法中粒子的位置。将加权求和的结果作为模型输出，拟采用实际创新绩效与模型输出的创新绩效的误差作为评价权重向量的标准，亦即PSO的适应度Fit。为了尽可能降低误差，使用最大迭代次数和是否收敛两个条件作为算法停止条件。粒子群优化算法的算法流程如图1所示。在初始化算法参数之后，依据公式(2)和公式(3)更新粒子的速度和位置，并计算当前位置的适应度。如果当前位置的适应度优于粒子历史最优适应度，则对历史最优位置进行更新。如果更新后的历史个体最优适应度优于群体最优适应度，则更新群体最优位置。直到满足停止条件，输出权重向量以及模型计算的创新绩效值。

      

       图1 PSO算法流程

       本文中公式(2)的学习因子和设置为2；粒子的最大速度设置为对应维度变化范围的20％；根据优化问题的规模，种群大小设置在20。根据Shi等人的研究[11]，惯性系数ω的取值可为[0，1.4]。

       四、数据预处理与数据分析

       为方便后继的数据分析，本文对原始数据进行了属性选择、属性编号处理和归一化等数据预处理。研究已有的原始数据为对2260名对象的问卷调查数据，包括性别、学校层次、专业等83个属性。通过对原始数据进行回归分析，研究最终选取性别、学校层次、学段、专业、成绩、生源地、导师和理想信念这8个属性作为研究对象的属性数据。选用获奖情况、论文发表情况和获得专利情况三个属性作为对象的创新绩效属性。

       为了对创新绩效进行综合表示，结合回归分析结果以及专家访谈，研究采用如表3所示规则构造创新绩效综合指标。

      

       为了对研究对象创新绩效的分布进行了解，研究统计了各个属性上不同属性值的平均创新绩效，统计结果如80页表4所示。

      

       依据创新绩效综合指标，研究分析了研究对象的分布情况，如图2所示。

      

       图2 创新绩效分布图

       图2中，横轴表示创新绩效综合指标，纵轴表示对应创新绩效的人数。可以直观地发现，随着创新绩效的增加，人数迅速降低。2260个研究对象中，没有创新绩效的样本有666人。创新绩效在(0，1)范围内的有1027人，创新绩效大于等于1的有577人。

       由于原始数据中均为属性编号值，数值的大小与学生的创新绩效没有明显的相关性，无法直接利用。由表4可知，属性值对应的平均创新绩效能够反映出对创新绩效的贡献程度。因此，研究利用属性值的平均创新绩效替代属性值编号，替换后的数据作为用于PSO的实验数据。例如，若某研究对象的原始数据中性别为男，即数据为1。那么替换后的数据为所有男性的平均创新绩效，即0.73。

       实验数据中共包含8个属性，由于数据均是对应属性的平均创新绩效，因此每个属性上的平均值均相同，为全体的平均创新绩效。如果不对创新绩效进行处理，由于8个属性的叠加作用，势必会造成权重系数过低，影响算法精确度。考虑到权重系数的范围为[0，1]，易知当权重系数全为0时，可以求得算法输出的最小值。当权重系数全为1时，可以求得算法输出的最大值。为了充分保证各个属性权重的变化范围，研究利用对原始创新绩效E进行映射，为原始创新绩效的最大值，为算法输出的最大值。

       五、结果图表与分析

       结合数据分布特点，为了突出较高创新绩效人群的共性，在PSO算法适应度中，研究依据原始创新绩效将研究对象分为0，(0，1)和≥1三部分，对三部分的误差分别赋予

的权重。适应度函数Fit如式(4)所示。

      

       为了对模型的正确性进行验证，研究将全体数据分成两部分，前2/3作为训练数据，后1/3作为验证数据。选取学习因子为2，最大速度为对应属性变化范围的20％，种群大小设置为20，惯性系数ω为[0，1.4]，最大迭代次数为2000，对训练数据运用PSO算法进行求解各属性的权重系数，进而求得模型输出。

       为了表现训练数据的模型输出值与实际创新绩效的拟合程度，研究首先对实际创新绩效从低到高进行排序，得到研究对象的排列顺序，然后将模型输出按照相同的顺序进行排列。同时，为了增强整体趋势的表现力，弱化个别对象的浮动，研究将排序后的模型输出值和实际创新绩效分成20段，以每一段内平均值Ave作为该段的特征，绘制模型输出与实际创新绩效的对比图。以模型输出值的显示为例，如式(5)所示。式中，N表示训练数据的数量(N训练=1514，N验证=746)，M表示每个数据段包含的数据量(M训练=75，M验证=37)，表示第M个数据段中模型输出的平均值，为最终显示值。验证过程的结果同样以这种方式进行显示。

      

       多次运行程序，研究发现，训练过程的拟合效果基本一致，反映出模型具有较高的稳定性。选取其中的一次结果，训练数据拟合效果如图3所示，验证数据的拟合效果如图4所示。

      

       图3 训练数据拟合效果图

      

       图4 验证数据拟合效果对比图

       图3中横轴表示20个数据段，红色实线表示实际创新绩效在各数据段的平均值，即期望值。蓝色实线为模型输出在各个数据段的平均值。可以看出，随着数据段的增加，训练值和期望值均在增加，个别数据段有所起伏。前期训练值大于期望值，后期期望值大于训练值，两条线出现了交叉，但是整体趋势相对一致。图4与图3基本一致，从定性的角度可以认为模型具有稳定性。

       为了定量分析训练结果和验证过程的精度，研究利用均方误差MSE对训练和验证两个过程进行评价。均方误差MSE反映了变量之间的浮动程度，均方差为0表示两个变量完全一样，MSE的计算公式如式(6)所示。

      

       式(5)中，N表示数据个数；表示模型输出；表示实际创新绩效。

       训练过程的均方误差为0.53，验证过程的均方误差为0.56。两个过程中均方误差都很小，验证过程的均方误差略高于训练过程的均方误差，能够说明训练过程的精确性和稳定性。

       本次试验中，模型计算出的各属性权重系数如表5所示。

      

       六、结论

       通过前文的讨论和模型构建，可以得到关于影响大学生创新绩效的八项属性的权重，进而分析各项属性在创新绩效提升的影响程度。

       1.导师在创新人才创新绩效提升中作用最大。

       导师对于学生学习能力的提高、创新能力的增强和道德品质的培育均有不可忽视的作用，导师是培养创新型人才的关键力量。大学生在开展创新活动的时候，往往源于强烈的创新意识和创新精神，但是由于自身可利用资源的匮乏，需要得到科学理论指导和研究经费支持，而这些都是导师可以提供的。大学生在协助导师完成科研课题的时候，可以得到系统的创新能力训练机会，通过在学习实践中遇到困难与疑惑，不断向导师请教交流，从而为创新绩效的提升打下坚实基础。无论是从中国尊师重教的传统来说，还是就西方现代教育实践来看，导师在学生心中地位都很高，受到学生尊重。导师鼓励创新、支持创新，为大学生从事创新研究提供强大动力，推动着大学生创新活动的开展。无论大学生创新绩效如何，导师都是最关键的影响因素。

       2.学段的提升对创新绩效的影响排第二。

       随着学段的提升，大学生的知识结构日趋优化，创新能力储备得到充实，创新意识养成更加强烈。低学段时期是基础知识积累的阶段，只有理论知识水平达到一定程度，方可有能力去从事科研创新实践。高学段时期除了创新能力得到较大提升外，迫于就业、升学等各方面压力因素的影响，创新动机也趋于强烈，同学问形成了较好的创新氛围，故创新产出有明显增加，创新绩效水平有较大提高。学段的提升会引起创新能力、创新意识、创新氛围、创新产出等各因素的变化，而这些因素则是创新绩效的重要因子。故学段的提升对于创新绩效具有较为显著的影响，当然，高学段的学生也必须刻苦努力才能产生创新绩效。

       3.理想信念的作用在创新绩效的影响中排在第三。

       在创新的过程中，除了智力因素的影响，非智力因素也起着重要作用。理想信念作为重要的非智力因素在创新动机等因素中发挥着极大作用。只有坚定了理想信念，树立了明确的创新动机，才能激励、促进自身创新的发展，不畏创新过程中遇到的困难，披荆斩棘取得创新成果。如果理想信念不坚定，过于功利化、世俗化，会导致创新动机不纯、创新意志涣散，创新精神“缺钙”，会直接影响创新积极性的发挥。现阶段对大学生加强“中国梦”等系列理想信念教育，对于激励创新人才勇于创新可以起重要作用，对提高其创新绩效也会产生较大影响。

       4.学校层次在创新绩效中的影响排在第四。

       就目前的教育体制而言，因应试教育根深蒂固，基础教育阶段对学生的创新能力培养重视不够，培养新一代创新人才的艰巨任务责无旁贷地落在高校的肩上。不同层次的高校在人才培养规格上差异较大，总体来说，“985”高校、“211”高校、一般本科院校、高职高专几类不同层次的高校在师资配备、资金投入、承担科研项目上呈递减状况。“985”高校是为创建世界一流大学和高水平大学而重点建设的少数高校，培养创新人才的环境和条件大都较好。“211”高校是为培养高层次专门人才和解决国家经济建设与科技发展重大问题而重点建设的部分高校，培养创新人才的环境和条件比一般本科高校要强。而高职高专侧重于应用型技能型人才培养，培养创新人才的条件较差。所以，不同层次的高校为学生提供的可利用的资源和创新环境明显不同，在对大学生创新绩效的影响方面，层次越高条件越好的高校越强。

       5.生源地在创新绩效中的影响排在第五。

       生源地的教学质量以及教学的开放程度，反映了学生基础教育的水平。由于不同生源地的经济发达程度不同，对教育的投入不同，教育理念与教育方式不同，因此在大学生入学前其基础知识及创新意识的差别都较大。经济教育发达地区的学生有更多的实践实验机会，参与各种学科竞赛、发明创造项目也相对较多，创新意识的培养也较好。所以，生源地不同导致学生创新绩效存在一定差距，而且随着高校培养创新人才因材施教的分化与竞争的加剧，这种差距将进一步扩大。但是，经济不发达地区的学生勤奋刻苦程度往往比经济发达地区有优势，在成长速度方面更快。因此，培养大学生的创新意识十分重要，加强对创新意识的教育在初期是十分必要的。

       6.成绩的影响在创新绩效中排在第六。

       因为在统计时未单独统计专业成绩，而是按全部成绩的排名来计算，因此成绩在创新绩效中的影响不够明显。在实际中创新绩效与专业成绩是密切相关的。在学校学习的课程基本属于理论部分，并不能完全满足实践上的需求，所以在实践上还有更多的有待自己探索的方面。但理论基础就像地基，地基不牢上层建筑就很难建好，只有专业理论基础扎实，才能在专业研究上游刃有余，所以专业学习与创新绩效密切相关。而且专业成绩好的学生学有余力，有更多的时间和精力去探索前沿新知、去运用理论解决新问题，创新意识更加强烈，创新的基础也更扎实。但当下“以分数论英雄”盛行，也不排除专业成绩较好的同学受“唯成绩论”影响，注重考高分能得到更多实惠，不愿在创新实践方面投入较多的精力。

       7.性别对创新绩效的影响不明显。

       统计结果表明，男生的创新绩效略高于女生，并未呈现显著性差异。认为男生的创造性优于女生的传统观念并未得到印证。相反，很多女生在高水平创新产出成果上表现优于男生。在目前的研究当中，没有证据表明在男女生在智力因素方面存在明显差异，也就是说在创新能力方面男女生是站在同一起跑线的。然而，对于非智力因素，男女生各有特点，但仅就创新意识来说，两性之间是没有明显差距的，非智力因素受到环境、教育等的影响较大，而这些影响对于男女生几乎是相同的。所以，对于创新绩效来说，性别的影响较弱，本次调查的统计数据也印证了这一点。

       8.影响最小的是专业。

       不同学科专业的大学生的创新绩效差别不大，每个学科都有本领域创新的需要，每个专业的大学生都有其创新研究的内容和方向。然而在以往的研究当中，学者们更加偏重于理工科学生的创新绩效，从定性分析直观来看，确实理工科的创新产出容易外显化和量化，但我们对调查数据进行定量分析后发现，各专业的平均科研创新产出的均值并不存在明显的差异，也就是说创新绩效受专业差异的影响较小。无论在哪个专业学习，无论从事哪个领域的研究，投入和产出是不受专业领域影响的。经济发展需要各个领域的创新人才共同发挥作用，在各个领域都需要创新突破来服务于社会发展进步。

       七、结语

       本文通过建立粒子群优化算法模型，对影响大学生创新绩效的关键因素进行定量探讨分析，提炼出关键的影响因素依次为导师、学段、理想信念、学校层次和生源地，而成绩、性别和专业这三个属性对于大学生创新绩效的影响不太显著。通过分析这些因素在创新人才培养中所发挥的作用，我们认为：由于导师是最关键的影响因素，要加强导师队伍建设，应该加强大学生创新意识的养成，为他们提供系统的创新能力训练，引导其创新行为的形成，并尽力提供可利用资源的帮助。加强理想信念教育是培养创新人才的重要途径。不同类型的高校要明确培养各类创新人才的定位与目标，努力建立各类创新平台、增加探索创新所需经费等支持，为培养创新人才营造良好的环境。生源地虽然无法改变，但是可以加大对经济欠发达地区的基础教育投入，更新教育观念，提高师资水平，开设创新训练课程，尤其是在高校的早期教育中，加强创新意识与创新精神的培养，为培养创新能力和提高创新绩效奠定坚实的基础。

       [收稿日期]2015年5月

标签：粒子群算法论文;  大学论文;  大学生论文;  绩效目标论文;  创新意识论文;  生源地论文;