基于SVM我国区域创新能力甄别技术研究.docVIP

基于SVM我国区域创新能力甄别技术研究 　　摘要:文章采用基于统计学习理论的小样本分析方法――支持向量机(SVM),构建了我国区域创新能力甄别的SVM模型,对我国区域创新能力进行了甄别。研究表明,各组检验样本的平均正确甄别率都在90%以上,证明支持向量机对区域创新能力具有良好的识别能力,特别是表现出对小样本的适应性,为我国区域创新能力评价提供了新的方法和思路。 　　关键词:区域创新能力;甄别技术;支持向量机 　　 　　一、 引言 　　 　　区域创新能力是区域经济增长和竞争的决定性因素,其强弱是衡量一个区域技术创新实力的重要尺度。一个国家、一个地区、一个企业能否在市场竞争中取得优势,在相当大的程度上取决于技术创新能力的大小。如何科学地甄别我国区域创新能力,有利于研究我国区域创新系统的演化规律和落后地区借鉴创新能力较高地区的发展经验,从而促进区域经济协调发展。 　　目前,对我国区域创新能力的定量测定一般局限于参数估计方法(如因子分析法、聚类分析法和主观加权评分法等)。如:侯风华和赵国杰将区域创新能力分为当前创新能力和潜在创新能力,建立了包含22个指标的区域创新能力评价指标体系,对我国东部地区10省市的创新能力进行了评价。孙锐和石金涛以及周立和吴玉鸣运用因子分析法和聚类分析法对2004年中国区域创新能力的数据结构进行深入分析,并得出了基于因子分析法和聚类分析法的排序结果。何亚琼等采用二次相对评价模型对中国31个省市区域创新能力增长效率进行测算,并通过理论分析与实证研究,比较CCR模型与BCC模型的计算结果在衡量增长效率方面的适用性。任胜钢和彭建华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,将区域创新能力与经济发展水平进行相关分析,并提出相关政策建议。事实上,由于我国省级行政区只有31个(基本上属于小样本范畴),同时因为区域创新能力的影响因素众多、关系复杂,因此,采用这些方法得出的分析结果的可靠性和准确性还有待进一步提高。 　　基于此,本文采用基于统计学习理论的小样本分析方法――支持向量机,构建了我国区域创新能力甄别的SVM模型,对我国区域创新能力进行了甄别,为我国区域创新能力评价提供了新的方法和思路。 　　 　　二、 区域创新能力甄别的SVM模型 　　 　　1. 样本集线性可分情形。支持向量机是利用最大间隔思想来降低分类器的VC维,以实现结构风险最小化准则。假定训练样本(xi,yi),i=1,2,…,n为样本数,输入集xi∈Rm,m为样本维数,本文代表信息甄别指标的个数;输出集yi∈{-1,0,+1},yi=-1,0,+1为分类标号,本文分别代表基于输入集xi的区域创新能力高低的信息甄别标号,如“领先型区域”(综合因子得分在29分以上)的省市创新能力强,则我们取+1;“追赶型区域”(综合因子得分介于13分~29分之间)的省市创新能力一般,则我们取0;“落后型区域”(综合因子得分在13分以下)的省市创新能力弱,则我们取-1。学习目标在于构造一个判别函数g(x)=w?x+b(wx表示向量w∈Rm与x∈Rm的内积)将训练样本尽可能地正确分类,以实现对空间X×Y的正确划分,在此基础上寻找最优分类超平面。该平面不但可以将训练样本正确分开,而且使两类分类间隔最大(实现对推广能力的控制),最优分类超平面方程为wx+b=0。 　　通过等比例缩放w和b,对分类超平面做归一化处理,则有: 　　由此可见,非线性支持向量机由训练样本集和核函数完全刻画,构造和选择合适的核函数K(xi,xj)是确定支持向量的重要内容,目前主要常用4类核函数: 　　(1)线性核函数(Linear):K(xi,xj)=xiTxj; 　　(2)多项式核函数(Polynomial):K(xi,xj)=(?酌xiTxj+r)d,?酌0; 　　(3)径向基核函数(Radial Basis Function,RBF):K(xi,xj)=exp(-?酌||xi-xj||2),?酌0; 　　(4)两层神经网络核函数(Sigmoid):K(xi,xj)=tanh(?酌xiTxj+r)。 　　其中,?酌、r、d是对应核函数的参数,可以根据测试要求进行调试。 　　 　　三、 实证研究 　　 　　1. 指标选择与样本设定。 　　(1)样本输入集{xi}的信息甄别指标选择。基于实证研究结果的可比性和对区域创新能力进行甄别的要求,本文选择《中国区域创新能力报告》中的知识创造能力、知识获取能力、企业创新能力、创新环境以及创新绩效等5个方面来作为区域创新能力高低的信息甄别指标。 　　(2)样本输出集{yi}的区域创新能力高低的甄别标号确定。基于输入集xi的区域创新能力高低甄别标号的选择:“领先型区域”(综合因子得分在29分以上)