中国区域创新能力评价的SVM建模研究.pdfVIP

2010年第7期 科技管理研究 ScienceandTechnologyManagementResearch 2010No．7 文章莳号：1000—7695(2010)07—0050—03 中国区域创新能力评价的SVM建模研究 李文博 (浙江师范大学工商管理学院，浙江金华 321004) 摘要 ：支持向量机 (SVM)是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归 算法。文章基于SVM建模研究区域创新能力评价问题，同时研究了网络参数的优化选择，仿真试验表明：采用该 算法获得的结果是令人满意的。 关键词：区域创新能力；支持向量机；神经网络 中图分类号 ：F061．5 文献标识码：A 目前 ，区域创新能力评价问题已成为创新研究领域的主 要热点之一 ，引起了国内外有关学者 的广泛关注，其意义在 于从规范与实证结合的角度来研究 区域创新能力的确定问 题 ，同时也探求构建区域创新能力的一般途径。在国外，Mi— chaelFritsch(2001)运用知识生产函数方法测量和比较了11 个欧洲区域创新系统的质量 。Mafia (2001)分析比较了对 创新和集群政策评估的不同方法的差异，发现其中的共同点 是都着重创新过程中的相互作用，为此他将参与性评价方法 (participatoryevaluation)引入创新系统 。在 国内，柳卸林 (2002，2005)认为区域创新能力是一个地区生产出与商业 相关的创新流的潜能，是一个地区将知识转化为新产品、新 工艺、新服务的能力 J，并在系统的指标体系下，基于大量 的数据处理，对 2004年 中国区域创新能力做 了分析和排 名 J。周立，吴玉鸣 (2006)采用因素分析与聚类分析相结 合的综合集成评估方法，对我国大陆31个省级区域的创新能 力进行了定量评价及比较 。任胜刚、彭建华 (2007)运用 因子分析法对中国31个省级地区进行分析，对比东、中、西 部区域创新能力，并将区域创新能力与经济发展水平进行相 关分析 。 但由于影响区域创新能力的因素较多，且各因素间存在 非线性关联 ，常具有模糊性、不确定性，因此，常规的数学建模 方法难以解决本质非线性问题。而以统计学习理论、Huber稳 健回归理论和Wolfe对偶规划理论为基础的支持向量机 (Sup— portVectorMachine，SVM)方法具有拟合精度高、推广能力强 和全局最优等特点 ，为解决有限样本情况下的机器学习问题 提供了有力的理论基础和行之有效的解决方法。SVM方法最 初用来解决模式识别问题，随着 Vapnik的不敏感损失函数的 引入，SVM已扩展为解决非线性回归估计问题，目前已在不同 领域得到成功应用 J。基于此，本文首次将 SVM的理论方法 rd一 (f)一6≤占+ ‘ 引入区域创新能力评价的建模研究中，并以实例说明建模以 及参数优化的过程，最后证实了模型的有效性。 s．f．?似(f)+b—d≤ + L ， I0 1 SVM原理及算法 。 SVM最初于2O世纪90年代由Vapnik提出，近年来在其 理论研究和算法实现都取得了突破性进展，开始成为克服 “非线性和维数灾难问题”、 “过学习问题”和 “局部极小点 问题”等传统困难的有力手段。SVM是为了解决分类问题， 收稿 日期：2009—09—25。修 回日期：2009—11—24 基金项 目：教育部人文社会科学研究一般项 目 “产业集群 中知识 网络演化 问题 的解释、测 度与行动：架构设计与 实证 研究” (O9YJC630210)。 李文博：中国区域创新能力评价的SVM建模研究