基于遗传算法的上市公司经营绩效评估模型——以纺织行业为例.pdfVIP

研究与探索 Study And Explore 基于遗传算法的上市公司经营绩效评估模型研究 ———以纺织行业为例 武汉纺织大学 吴金红 严 蓉 一、引言 SVM进行回归预测时，很难选择适当的惩罚因子等参数。遗传算法 在企业经营绩效评估中常采用主成分分析法、因子分析法、层 模拟生物进化过程启发式搜索最优解，是调节SVM参数的一种有 次分析法等统计方法。这类方法对数据要求比较严格，例如假设数 效方法。本文构建了一种基于遗传算法优化的SVM企业经营绩效 据服从正态分布的前提假设、数据样本足够大等。在实际中，有些 评估模型，运用遗传算法自动搜索最优参数，并用43家纺织企业 假设往往很难满足。模糊数学、神经网络等人工智能方法在一定程 绩效数据验证模型的可靠性，实验结果表明，该方法获得了满意 度上能克服统计学方法面临的困难，不仅具有非线性映射能力和 的效果。 泛化能力，而且具有较强的鲁棒性和较高的预测精度。但是此类方 二、上市公司经营绩效评估模型 法存在一些缺陷，如网络结构难以确定、参数不易确定、训练过程 （一）支持向量回归 支持向量机是由Vapnik等学者在20世纪 容易陷入局部极小或过学习等问题。这些不足极大地限制了上述 90年代中期提出的基于统计学习理论（Statistical Learning Theory， 方法在实际中的应用。支持向量机（Support Vector Machine，SVM） SLT）的一种机器学习算法。SVM在解决小样本、非线性及高维模式 是一类基于统计学习理论的新型机器学习方法，能较好的解决小 识别中表现出许多特有的优势。将SVM方法应用于函数拟合问题 样本学习的问题，避免了神经网络技术存在的许多问题。然而， 时，即支持向量回归（SVR），它通过用内积函数定义的非线性变换 普遍偏低。其可能的原因主要有，首先因为在不良的研发环境下， 企业不注重自主创新，也不能切实有效的进行研发创新，而浙江上 市公司没有形成较好的研发环境，对研发投入缺乏足够的重视，故 导致多数公司的RD投入水平均值偏低。其次，浙江上市公司的 RD投入强度普遍偏低，而过低的RD投入强度对公司的经营绩 图1 RD投入强度对销售净利率相关性检验 效并不能带来明显的推动作用，所以多数浙江上市公司的盈利能 模型（II）的回归结果，如图2所示。 力偏低。 根据上述结论及分析，提出以下建议：第一，完善研发环境。制 定完善的研发创新的法律保障机制，完善知识产权法律法规，加强 知识产权保护；加大对研发创新的企业政策扶持力度，保证政府的 财政补贴和税收政策，充分发挥RD的税收激励效应。第二，完善 企业会计制度。规范上市公司财务报表中RD投入的具体披露格 式，将研发创新项目列为强制性披露的内容。第三，完善企业激励 制度。公司管理者不能由于研发收益的不确定性，只考虑短期收 益，致使公司对RD投入的动力不足。而应强化技术