企业自主创新项目风险评价模型与实证研究.pdf

2 0 1 1 年 第 6 期 S c i e n c e d T m t R h 文章编号 1 0 0 0 7 6 9 5 2 0 1 1 0 6 0 0 1 5 0 4 企业 自主创新项 目风险评价模型与实证研究 王平 朱帮助 五 邑大学经济管理学院 广东江门 5 2 9 0 2 0 摘要 针对企业 自主创新项 目风 险评价 中的高维 非线性 问题 提 出 了一种基 于主成 分分析 和遗 传神 经网络 的企 业 自主创新项 目风险评价方法 该方法利用主成分分析对企业 自主创新项目风险评价体系进行特征提取 利用遗 传算 法直接训练神经 网络 的权重形成遗传神 经网络 特征提取后的综合主成分指标进 入遗传神 经 网络 的智能评价 系统 实证结果表明 该方法具有较好 的泛化能力 与标准 B P神经 网络方 法相 比 该方法具有 明显 的优 势 关键词 企业 自主创新项 目风险 评价方法 主成分分析 遗传算法 人工神经网络 中图分类号 F 2 7 2 5 文献标 识码 A O n E v a lu a t i o n Mo d e l a n d I t s A p p lic a t io n o f E n t e r p r is e I n d e p e n d e n t I n n o v a t io n P r o j e c t R is k W ANG Pin g ZHU Ba ng z hu S c h o o l o f E c o n o m ic s a n d Ma n a g e m e n t Wu y i U n iv e r s i t y J i a n g me n 5 2 9 0 2 0 C h i n a Ab s t r a c t F o r s o l v i n g t h e h ig h d i me n s io n a l a n d n o n li n e a r p r o b le m s o f e n t e r p ri s e i n d e p e n d e n t in n o v a t i o n p r o j e c t r is k e v a l u a t i o n a n in t e ll ig e n t m o d e l b a s e d o n p r i n c i p al c o mp o n e n t a n a ly s is P C A g e n e t i c a l g o rit h m G A a n d a r t i fic i al n e u r a l n e t w o r k A N N i e P C A G A A N N is p r o p o s e d in t h is p a p e r I n t h i s h y b rid a p p r o a c h P C A is u s e d f o r f e a t u r e e x t r a c t io n in o r d e r t o r e d u c e t h e mo d e l c o mp le x it y o f AN N a n d imp r o v e t h e s p e e d o f ANN G A is u s e d t o t r a in t h e w e ig h t s o f ANN t o c o ns t it ut e a GAANN mo d e l a n d t h e n t h e e x t r a c t e d p ri n c ipa l c o mpo ne n t s a r e in t r o d u c e d in t o GAANN t o o b t a in t h e e v a lua t io n r e s u lt s Th e e mpiri c a l r e s u lt s r e v e a l t h a t PCA GA ANN mo d e l ha s un de r s t a n ding f o r e c a s t ing a bilit y Co m p a r e d w i t h t h e s t a n d a r d b a c k p r o p a g a t i o n a r t ific ia l n e u r al n e t w o r k B P A N N P C A G A A N N h a s s o me s u p e rio rit y in p r e dic t in g a c c u r a c y Ke y w o r d s e n t e r p r i s e i n d e p e n d e n t in n o v a t i o n p r o j e c t r i s k e v a l u a t i o n m e t h o d p ri n c i p a l c o m p o n e n t a n a l y s i s g e n e t ic a l g o r i t h m a rti fi c i a l n e u r a l n e t w o r k 1 引言 2 0世纪 9 0年代初 伴随着以信息技术为核心的 新技术革命 的发展以及全球性竞争 的 日益激烈 适 应新的技术和市场发展需要的技术创新成 为理论界 与企业界关注的焦点 而 自主创新研究也逐渐成为 技术创新理论研究 中的热 门课题 国内外 的相关研 究均表 明 自主创 新是 企业 核心 竞争 力 的重要 源 泉 谁拥有强大 的 自主创新能力 谁就能在市场 竞争中占据主动和竞争优势 近年来 随着经济全 球化的不断深入 我 国企业所受到 的竞争压力不断 增强 任何企业要想在竞争 中获得优 势 就需要积 极主动地开展 自主创新 活动 以增强 自身 的 自主创 新 能力 但是 由于自主创新本身所固有的高风险性 使得其立项 和决策成为企业一 项十分 困难 的工作 特别是当企业有多个 可供选择 的项 目 而其所拥有 的资源又不允许这些项 目同时实施时 决策者 常常 会陷入难 以取舍的困境 鉴于此 如何对企业 自 主创新项 目风 险进行评价 并据此为其立项决策提 供支持 从而 降低企业 自主创新 的风险 提高企业 自主创新能力便成为当前一个具有重要现实意义的 研究课题 J 因此 非常有必要开展企业 自主创新 项 目风险评价研究 近年来 针对企业 自主创新风险评价的研究 开 始受到学者们 的高度重视 然而 由于企业 自主创 新风险来源 的多样性 影响因素的复杂性 国内外 对企业 自主创新风 险的研究主要从 企业层面开展研 究 如岳彩轩 王维等 牟小俐 宋哲 从 企业层面分别建立 了由 3 1个 1 6个 2 7个和 1 3个 指标组成 的企业 自主创新风 险评价指标体系 然而 从项 目层 面进行 研究 比较 罕见 目前 仅 发现 陈建 新 包国宪 从项 目层 面分 别建立 了由 3 6个和 收稿 日期 2 0 1 0 0 9 1 9 修 回日期 2 0 1 0 1 1 0 l 基金项目 广东省自然科学基金项 目 面向电子商务客户行为预测的综合集成方法研究 9 4 5 2 9 0 2 0 0 1 0 0 4 0 6 0 基于实物期权理论的企 业信用风险评价方 法研究 8 1 5 2 9 0 2 o 0 lo o o o 1 0 项 目来源 江门市科 技计划项 目 企业 自主创新项 目评 价与投 资决策方 法研究 江财工 2 0 0 8 1 0 3号 l6 王平等 企业 自主创新项 目风险评价模型与实证研究 1 5个指标组成的企业 自主创新项 目风险评价指标体 系 且采用层次分析法 模糊综合评判等方法对企 业 自主创新项 目风险进行评价 这些方法的缺点是 评价中的随机因素影 响较多 评价结果易受评估人 员主观意识 经验和知识局限性的影响 很 难为决 策者进行立项决策提供有效支持 最近 一 些研究 开始尝试采用人工神经网络开展企业 自主创新风 险 评价研究 利用人工 神经 网络特有 的优点 自学 习 自适应 能力 克服 了主观 因素的 问题 然而 人工神经网络本身所具有的不确定性影响了评价结 果的稳定性 和准确性 鉴于文献 7 的评价指标 体系较全面 本文采用该评价指标体 系 将 主成分 分析 P C A 遗传算法和人工神经网络结合起来对 企业 自主创新项 目风险进行综合评价 旨在解决传 统人工神经网络 的某些不足 有望提高评价结果 的 稳定性和准确性 2 主成分分析和遗传神经网络的基本原理 2 1 主成分分析 P C A 针对企业 自主创新项 目风险评价指标体系 由 于所选取的评价指标较多 3 6个 直接利用人工 神经网络模型进行综合评价 比较 复杂 甚至会产生 维数灾难 等 问题 因此 首先进行信 息提取是很 有必要的 主成分分析法利用降维的思想 把原来 较多的评价指标用较少 的综合主成分指标来 代替 综合指标保 留了原始变量的绝大部分信息 且彼此 互不相关 能够使 复杂问题简单 化 J 因此 采用 主成分分析法对企业 自主创新项 目风险评价进行信 息提取是合适 的 设 几个 自主创新项 目 P个评价指标 这里 P 3 6 构建 出企业 自主创新项 目风险评价的原始数据 矩阵 X l 2 i 1 2 7 1 2 P 1 将原始数据进行标准化处理 一 二 兰 一 其中 fi v a r n 1 砉 一 2 计算相关矩阵 R p p 焘 上l b 1 一 k lZ k i n z k i n 3 令 I R A I 0 求解相关矩阵 R的特征根 A 且使得 A A A 其对应的特征向量为 u 1 2 p 得到主成分 互 4 计算各主成分方差贡献率 e j A 艺A 和累 J m 计方差贡献率 E 当 通常为 8 5 时 m的最小整数作为 m 的值 即主成分的个数为 m 2 2 遗传神经网络 G A A N N 遗传算法 G A 是一种基于 自然选择和基因遗 传学原理的随机搜索优化方法 具有很强 的全局优 化能力 由于基于梯度下降的 A N N学习算法具有较 高的精确性 但存在容易陷入 局部极小 的缺点 而 G A具有很强的全局搜索能力 可以避免局部极小 因此 在一定程度上 G A和 A N N是互补的 将两者 结合起来可能会发挥各 自的优势并产生一个更加鲁 棒的方法 目前 G A与 A N N结合方式主要有三种 一 是直接用 G A来训练 A N N的权重 二是用 G A来 优化 A N N的初始权值 三是用 G A来优化A N N的结 构 本文采 用 第一 种 方法 即利用 G A直 接训 练 A N N的权重 设三层 A N N模型 为输入层 中第 个结点的 输 出 H 为隐含层 中第 i个结点 的输出 0 为输出 层 中第 个结点的输出 聊 为输入层中第 个结点 与隐含层第J 个结点 的连接权值 W H O j i为隐含层中 第 个结点与输出层第 i个结点的连接权值 G A A N N算法的具体步骤 1 初始化种群 P 包括交叉规模 交叉概率 P 突变概率 P 以及对任一 W I H j 和 w M o 初始化 并采用实数进行遗传编码 2 计算每一个个体评价 函数 将其排序 并 n 依据概率值选择进入下一代的个体 P f 其中 n为染色体数 为个体 i 的适应度值 可用误差平方和 E来衡量 即 1 E i 二l y d 一 y 其中 P为训练集的样本数 c 为网络输 出层节 点的个数 y 为第 k个样本第 个 网络输 出节点 的 理想输出值 y m为第 k 个样本第 个网络输出节点 的实际输出值 3 以概率 P 对个体 G 和 G 交叉操作产生 新个体 G 和 G 没有进行交叉操作的个体进行 直接复制 4 利用概率P 突变产生 G 的新个体 G 5 将新个体加入到种群 P中 并计算新个体 的评价函数 6 若找到了满意的个体 则结束 否则转 3 7 达到所要求的性能指标后 将最 终群体 中 的最优个体解码即可得到优化后的网络连接权值 王平等 企业自主创新项 目风险评价模型与实证研究 l7 3 基于 P C A G A A N N的 自主创新项 目风险评价 3 1 基 本 思路 基于 P C A G A A N N的企业 自主创新项 目风险 评价模 型构建 的基本思路是 首先利用 P C A降维方 法对 G A A N N系统输入数量较多 的评价 指标数据进 行特征提取 提取 出数量较 少 的综合 主成分 指标 这些综合指标保留了原始变量 的绝大部分信息 然 后用这些综合主成分指标来进行 G A A N N学习与预 测 最终获得评价结果 3 2评 价原 理 P C A的优势在于其能够有效地实现数据 降维和 特征提取 运用 P C A对 G A A N N的输人数据进行 预处理 简化 G A A N N的数据输入 从而减少 G A A N N的学 习任 务 加 速 G A A N N的学 习过 程 当然 P C A的缺点在于它本质上是一种线性特征提 取技术 因而无法捕捉评价指标 间的非线性映射关 系 也就不能直接用来进 行企业 自主创新项 目风险 评价 恰好 G A A N N的主要优势在于它灵活的非 线性建模能力 能够较好 地捕捉到数据 中的非线性 特征 因此 P C A和 G A A N N之间存在着互 补关 系 为了充分发挥两种方法各 自的优势 将它们两 者集成是有意义的 P C A C A A N N系统 主要用来对企业 自主创新 项 目风险进行评价 由于 G A A N N在处 理信 息时 一 般不能将输入 向量空间维数简化 所 以当输入信 息空间维数较大时 可能会导致 A N N训练质量降 低 正因为如此 本文采用 P C A来进行输入 向量提 取 然后将 提取 出来 的综合 主成分指标 交 由 G A A N N学习与预测 即利用 P C A先对指标数据进行预 处理 再根据预处理后的信息结构来构成 G A A N N 的信息预测系统 如图 1所示 是 H H 毫 H H 图 1 基于 P C A G A A N N的 自主创新项 目风险评价过程 从图 1可知 基于 P C A G A A N N的企业 自 主创新项 目风险评价过程包括三个主要 阶段 数据 准备 输入指标 P C A特征提取 和 G A A N N学 习与 预测 通常 应首先针对具体 的研究对象分析和研 究对象的相关 因素 收集各种来源的数据 然后在 收集到的评价指标数据中 利用 P C A进行评价指标 数据的特征提取 这个 阶段获得 的样本集除去 了所 有不必要的冗余信息 仅保 留了影响评价准确度的 综合主成分指标 随后 这些提取 出来 的综合主成 分指标被送人 G A A N N预测系统 通过 G A A N N 学习与预测 输出评价结果 3 3 算 法 实现 根据上述 P C A G A A N N的学习算法 和基 于 P C A G A A N N的评价原理 给出企业 自主创新项 目风险评价的 P C A G A A N N实现算法 1 输入企业 自主创新项 目风 险评价的指标数 据矩阵 2 利用 P C A对评价指标矩 阵进行特征提取 3 由特征提取的综合主成分指标构成学 习样 本集 并分割为供 G A N N学 习和评价的训练集 和 测试集 4 确定合适 的参数 G A A N N模型参数 利用训练集对 G A A N N进行学习与训练 5 获得 理想 参数 后 G A A N N 的学 习过程 结束 6 输入测试集 利用训 练好 的 G A A N N进 行评价 评价时 只要输入待评价项 目的综合主成 分向量 便可立即得到相应项 目的风险值 4实证分 析 以文献 7 中深圳市某大型 台资企业 1 2组 自 主创新项 目风险评 价实际数据为例来说 明上述方法 的应用并验证该方法 的可行 本文采用 S P S S 1 7 0统计软件辅助实现 P C A特 征提取 计算得相关矩阵 R的特征值 贡献率和累 积贡献率见表 1所示 由于前 1 0个成分 的特征值大 于 1 且累积贡献率达到 9 7 3 7 6 其余 2 6个成分 对方差影响极小 因此可以提取前 1 0个成分作为主 成分 1 0个主成分 F i 一1 2 1 0 0 1 化结果见表 2所示 表 1 R的特征值 贡献率和 累积 贡献 率 主成分 特征值 贡献率 累积贡献率 l 5 5 0 4 l5 2 8 8 I 5 2 8 8 2 5 2 6 1 1 4 6 1 4 2 9 9 0 3 3 4 I 1 2 l 1 4 2 2 41 3 2 5 4 4 038 l 1 2l6 52 541 5 3 5 8 1 9 9 4 6 6 2 4 8 7 6 3 29 6 9 1 56 71 64 3 7 2 90 4 8 O 66 7 9 71 O 8 2 48 6 6 9 05 86 61 5 9 2 1 7 9 6 0 52 9 2 6 67 1 O 1 69 5 4 7 09 9 7 3 76 表 2 0 1 化 的主成分 成分 项 1 2 3 4 5 6 7 8 9 1 O 1 O 1 O 0 2 6 O 6 o 0 2 9 0 5 4 0 7 2 0 6 9 0 4 2 0 6 9 O 9 8 2 0 48 0 5 7 O 8 9 O o 9 O 5 8 O 8 9 O 37 0 3 9 0 1 O 2 8 3 0 4 8 0 6 9 0 7 4 0 2 8 0 3 6 0 8 6 0 6 4 0 9 0 0 9 5 0 O 9 4 0 38 0 51 0 0 7 O 6 7 0 75 0 59 0 45 0 3 4 0 7 9 0 o9 5 0 9 4 0 4 O 5 8 O 5 0 0 O8 0 71 0 85 0 3 7 0 7 6 0 5 7 6 0 9 4 O 4 4 O 5 1 0 2 3 0 9 4 0 5 2 0 4 7 0 9 2 O 6 8 0 7 5 7 0 7 4 O 2 3 O 3 8 0 O 8 0 6 l 0 4 6 O 9 3 0 4 0 0 3 O O O 9 8 O 65 0 4 7 0 0 7 O 1 2 O O9 0 59 O 1 0 O 5 9 0 4 5 0 56 9 O 8 5 0 o 8 O 8 l O 3 9 0 6 o O 8 7 O 1 5 O 2 6 O 8 8 0 3 0 1 O 0 4 7 0 3 3 0 9 6 O 5l 0 3 4 0 O1 O 3 6 O 6l 0 5 7 0 3O 1 1 0 78 0 9 3 0 6 9 O 41 O 6l 0 46 0 4 9 O l1 0 6 0 0 64 1 2 O 6 9 0 4 0 0 5 7 O 92 0 4 9 O 83 0 5l O 7l 0 0 7 O 5O 1 8 王平等 企业 自主创新项目风险评价模型与实证研究 本文采用 MA T L A B 7 0 1 软件和 G A工具箱编程实 现 P C A G A A N N系统 A N N为 3层误差反 向传 播前 向 B a c k P r o p a g a t io n B P 神经网络 结构为 1 0 6 1 用表 2中前 l0组数据作为训练集 后 2 组数据作 为测试集 模 拟待评 价的 自主创新项 目 以考查 P C A G A A N N预测 系统 的泛化能力 G A 参数设置为 初始种群大小为 6 0 遗传代数为 7 0 0 学习精度为 1 0 一 其他参数均为默认值 由于训练样 本较少 最终 确定 的 G A A N N系 统不十分稳定 每次的训 练结果会有不 同幅度的变 化 为此 本文利用训练集和测试集分别进行 了 5 0 次学习与测试 计算得到平均 学习结果和平均测试 结果见表 3所示 可以发现 平均学 习结果与实际 风险评 价结果十分接近 相对误 差最大为 4 9 4 最小为 一 0 7 4 平均测试结果也与实际风险评 价 结果比较 接 近 相 对误 差最 大 为 5 7 8 最 小 为 3 4 1 为比较 P C A G A A N N和单纯 A N N的有 效性 本文直接利用原始指标数据进行 5 O次学习与 测试 计算得到平均学习结果 和平均测试 结果的最 大相对误差分别为 7 8 7 9 1 8 最小 相对误差 分别为 一1 1 6 一6 1 6 显然 整体上 P C A G A A N N 比单纯 A N N的稳定性 准确性 更高 由此可见 应用 P C A G A A N N方法进行企业 自主 创新项 目风险评价是可行 的 表 3 训练结果 与测试结 果 企业 1 2 3 4 5 6 7 8 9 1 0 l1 1 2 代号 实际 0 42 5 0 5 3 6 0 41 4 0 2 7 1 0 6 5 3 0 2 91 0 5 2 3 0 61 4 0 7 0 2 0 3l5 0 5 8 6 0 2 2 5 风险 评价 0 4 0 4 0 5 4 8 n 蚰 5 O 2 7 3 O 6 7 6 0 3 01 0 5l1 0 5 9 4 0 6 8l O 31 8 0 5 6 6 O 2l2 风险 绝对 0 O2 1 0 0 1 0 O O 9 0 0 o 2 一O O 2 一O Ol 0 01 2 0 0 2 O 0 2l 一0 0 0 1 0 0 2 0 01 3 误差 相对 4 9 4 2 2 4 2 I 7 0 7 4 3 5 2 3 4 4 2 2 9 3 2 6 2 9 9 0 9 5 3 41 5 7 8 误差 5 结论 本文提出了一种基于 P C A G A A N N的企业 自 主创新项 目风险评价方法 实证结果验证 了该方法 的可行性 与已有的企业 自主创新项 目风险评价方 法相比 基于 P C A G A A N N的企业 自主创新项 目 风险评价方法具有如下几点优势 1 采用主成分 分析作数据预处理 提取主成分特征指标作为 G A A N N预测系统的输人 大大降低 了数据维度 有效 提高了 AN N的训 练质量 2 利用 G A直接训练 A N N权重 克服 了传统 A N N学习算法在处理高维 小样本数据 时易出现 过学习 收敛速度慢 陷 入局部极小等缺点 提高 了模型的泛化能力 3 把 A N N作为后