基于BP预测方法区域创新风险分析.docVIP

基于BP预测方法区域创新风险分析 　　［摘要］本文通过对区域创新风险的要素分析，基于BP算法的人工神经网络对区域创新风险进行研究，为进一步运用BP算法的人工神经网络预测方法提供理论基础。 　　［关键词］区域创新 区域技术创新 技术创新 BP人工神经网络 　　［中图分类号］F224 ［文献标识码］A ［文章编号］1009－5349（2011）12－0158－02 　　 　　一、区域创新风险概述 　　区域创新风险，是指创新主体在创新过程中，由于各种环境因素的不确定性、项目的难度以及创新主体综合创新实力的制约，所导致的创新活动的中止、撤消、失败或达不到预期经济技术指标，而造成损失的可能性及其后果。 　　尽管广义上讲人类的历史也可以说是风险管理的历史，然而真正提出“风险”一词并对之进行研究也不过开始于18、19世纪。[1] 　　典型研究成果有：Jennie C.Stephens等人认为不同区域的看法和认知水平的风险对创新有重要影响。[2]Gordon Macleod从区域政策经济的角度，认为应该注重资金风险、人为风险、政策风险以及社会风险等。[3]Gina Colarelli OConnor等人，从风险管理学习的角度，谈其对创新的影响，并用实证来证明了学习型风险管理有利于促进根本性创新。[4] 　　而国内也有一些相关的研究。贾晓霞等人基于管理熵进一步构建了区域创新系统的耦合关系的量化描述模型。[5]陈红川从技术风险、市场风险、财务风险、管理风险以及政策风险方面进行了区域创新风险分析。[6]管书华等人提出了运用BP人工神经网络进行技术创新风险预测与评价的方法。[7] 　　本文是基于BP算法的人工神经网络对创新风险进行研究，为进一步的得用BP算法的人工神经网络预测方法做理论基础。 　　二、区域创新风险评价指标体系 　　创新活动具有风险性，特别是高新技术的创新。一般认为创新风险主要来源于三个方面：（1）外部环境；（2）技术项目；（3）企业实力。这些都存在研究的瓶颈。 　　本文在系统考察全面总结的基础上，主要从两方面来研究，即区域创新的内部与外部风险。建立起如表1所示的区域创新风险评价指标体系。 　　区域创新风险评价的评价指标，由表1列出的 42个风险因素构成，各个风险都有代码，例如，用X1――X9代表的是资源指标等。ES根据表2确定的各项评价指标的评价值，[8]并进行规范化处理，使之落在[0，1]区间内，作为BP神经网络处理的输入数据模型。 　　在上述42个指标中，有定性指标和定量指标之分。本文根据技术创新企业风险评价的实际需要，选择了福建省15家高新技术企业，按照评价指标计算要求，结合企业有关数据及其他相关资料和专题调研，对企业技术创新的相关信息进行了采集。由专家根据所有资料，对上述企业的技术创新风险评价指标值进行了测算并进行了无量纲化和规范化处理。 　　(1)有量纲向无量纲的转化。我们采取一种一次抛物偏大型分布的数学模型描述，如下图1所示： 　　(2)无量纲指标的处理。采取线性递增函数进行描述，如下图2所示： 　　 图1 无量纲转化 　　图2 无量纲处理 　　表2 各风险指标权重的评分标准 　　三、技术创新风险分析的神经网络专家系统 　　对技术创新风险的预测，本文采用基于BP算法的多层前馈型人工神经网络，如图3所示。 　　图3 BP神经网络结构 　　其网络为其网络为三层结构，由输入层，输出层和隐含层组成，输入层有42个神经元，输人向量为：X=(x1,x2…x42)T；隐含层为单层，包含30个神经元；输出层只有1个神经元。经数据归一化处理得出的输入x1,x2…x42，经输入层输人到该神经网络的各输入节点i后，向前传播到隐含层的各节点j上，经过各单元的特性为Sigmoid型的激活函数f运算后，把隐含节点的输出信息Yj传播到输出节点Zk，最后给出输出结果，如图4、图5所示。 　　 图4 样本训练步数 　　图5 训练后的网络输出 　　网络训练后的模拟结果与实际如图所示，7组测试集的模拟结果与实际结果如下图所示，从图中可以看出，不仅全部训练样本与实际结果非常接近，而且测试集仿真结果与实际非常接近。 　　四、结论 　　本文所采用的BP人工神经网络方法是一种非线性映射的方法，它只要将处理过的数据输入到网络中，通过计算即可产生结果，不须人为地确定权重，结果更加有效，更客观。但是它也存在着一些缺点： 　　第一，BP神经网络模型要求有一定的学习样本，学习样本的数量和质量在很大程度上影响着神经网络模型的学习性能，但是，选取合适的学习样本并不是一件容易的事慎用。 　　第二，网络的层数和隐含神经儿数的选取在很大程度上影响着整个网络的学习能力和学习效率，但是，目前关于这个问题还没有形成一定的指导性原则