基于BP人工神經網絡的工藝創新科技政策評價

時丹丹，嵇國平

（1.哈爾濱工程大學，哈爾濱 150001；2.哈爾濱商業大學，哈爾濱 150028；3.南昌工程學院，南昌 330029）

0 引言

科技政策（Science and Technology Policy，STP）源于1963年聯合國在日內瓦召開的科學技術會議，此后開始成為一個專業術語，并被發達國家普遍采用。就其本質而言，就是建立有著科學技術的戰略、規劃、計劃、法律、條例、辦法等組成的體系。以達到營造創新環境，支撐和引領經濟和社會發展的總體目標。工藝創新作為一種重要的創新形式，在各個方面都會受到科技政策的支持和影響。國內外學者把多種方法應用于科技政策的評價，主要有模糊綜合評價法、灰色系統評價法、層次分析法、主成分分析法、因子分析法、數據包絡法等，但是這些方法確定政策評價的權重時多是采用人工賦值的方法，因而具有評價結果主觀性較強的缺點。人工神經網絡具有自學習和自適應能力，神經網絡在訓練時，能從輸入、輸出的數據中提取出規律性的知識，記憶于網絡的權值中，并具有泛化能力，即將這組權值應用于一般情形的能力。從而避免了人工賦值的主觀性，使計算結果更加客觀。

1 變量設計與數據說明

我們從科技計劃管理政策、工藝創新的保護與扶持政策、工藝創新信息化的科技扶持政策、產學研結合政策、知識產權保護政策和綠色節能政策5個方面考察科技政策?？萍颊咦兞考肮に噭撔聽顩r變量及其他相關變量的設計與說明如表1所示。

選取北京、沈陽、哈爾濱的135家制造業企業為調研對象，采用計算機輔助電話訪問（CATI）與郵寄調查問卷相結合的方法，向這些企業的有關管理人員和技術人員發放調查問卷434份，有105家企業對調查問卷進行了回復，回收調查問卷304份，其中有效問卷262份，回收率為77.77%，有效率為86.18%。問卷中所有題項均采用Likert7點量表：1代表非常不同意、2代表不同意、3代表有些不同意、4代表不確定、5代表有些同意、6代表同意、7代表非常同意。

按照調查問卷的結果，將105家企業按照工藝創新狀況分為兩個小組：“工藝創新狀況好”小組和“工藝創新狀況差”小組。每家企業的分組依據是Likert7點量表得分：如果某家企業只有一份有效回收的調查問卷，則Likert7點量表得分小于或等于4時，則認為該企業屬于“工藝創新狀況差”小組，Likert7點量表得分大于4時，則認為該企業屬于“工藝創新狀況好”小組；如果某家企業有多份有效回收的調查問卷，則各有效調查問卷Likert7點量表得分之和的算術平均值小于或等于4時，則認為該企業屬于“工藝創新狀況差”小組，Likert7點量表得分之和的算術平均值大于4時，則認為該企業屬于“工藝創新狀況好”小組。

對于有效的Likert7點量表問卷進行歸一化處理，將它們轉化為[0，1]上的無量綱化指標屬性值，具體處理方法為：

表1 科技政策與工藝創新狀況變量表

2 模型設計與計算原理

根據表1對科技政策變量、工藝創新變量與其他相關變量的設計，構建基于BP人工神經網絡的工藝創新科技政策評價模型，其網絡結構如圖1所示。并定義兩類錯誤：第一類錯誤：將“工藝創新狀況好”的企業誤判為“工藝創新狀況差”的企業。第二類錯誤：將“工藝創新狀況差”的企業誤判為“工藝創新狀況好”的企業。

根據圖1中的網絡結構，建立基于BP算法的工藝創新科技政策評價模型：

圖1 BP神經網絡結構

模型（3）可用向量表示為：

對于訓練樣本集和測試樣本集，利用上述模型進行計算，首先，令隱層結點數m=1，然后逐個增加，經計算，當m=6時，訓練樣本集和測試樣本集的誤判率最低。所以，本文構建了一個輸入層包括13個結點，隱層包括6個結點，輸出層包括1個結點的BP神經網絡識別模型。

將訓練樣本集的科技政策及研發資源、研發能力x1-x13作科技政策BP神經網絡評價模型的輸入層，利用MATLAB7.2神經網絡工具箱進行仿真計算。假設預先設定誤差精度e=0.01，學習率η＝2，利用圖1的神經網絡結構進行計算。對BP人工神經網絡分別訓練200次和600次。設k為網絡訓練次數，k分別取200和500。當網絡訓練k次時，設樣本輸出值為y（k），原目標值為t，用e（k）max表示樣本輸出值與原目標之間的最大誤差絕對值，即

將k次訓練的最大總誤差可定義為：

隱層結點的傳遞函數及網絡輸出函數f(h)均采用Logistic函數：

其中，e(k)traing表示對訓練樣本訓練k次時，“工藝創新狀況好”的小組輸出值與原目標值是最大誤差的絕對值；e(k)testg表示對測試樣本訓練k次時，“工藝創新狀況好”的小組輸出值與原目標值是最大誤差的絕對值；e(k)trainb表示對訓練樣本訓練k次時，“工藝創新狀況差”的小組輸出值與原目標值是最大誤差的絕對值；e(k)testb表示對測試樣本訓練k次時，“工藝創新狀況差”的小組輸出值與原目標值是最大誤差的絕對值。

3 計算結果與結論

在105個樣本企業中選擇70個樣本企業作為訓練集，剩下的35個樣本企業構成測試集，計算的均方誤差與學習率如圖2、圖3所示。

圖2 訓練200次時均方誤差與學習率

圖3 訓練600次時均方誤差與學習率

表2 訓練集及測試集的最大誤差值表

從表2的計算結果可以看出，當網絡訓練200次時，最大總誤差為0.0307，未能滿足預先設定的e＝0.01的要求；當網絡訓練600次時，最大總誤差為0.0005，小于預先設定的e=0.01。

表3 訓練結果的誤差狀況表

根據表3中的數據，通過計算可以看出，對訓練樣本來說，當訓練200次時，第一類錯誤個數為3，第二類錯誤的個數為0，分類的準確率為95.71%，當訓練600次時，第一類錯誤個數為0，第二類錯誤個數為3，分類的準確率也為95.71%；，對測試樣本來說，當訓練200次和600次時，第一類錯誤個數都為2，分類的準確率為94.29%?？傊瑹o論訓練200次，還是600次，訓練集分類的準確率都是95.71%，而測試集分類的準確率為94.29%，總的分類準確率是95.24%。

4 結論

本文利用BP人工神經網絡來解決工藝創新科技政策的評價與分類問題，通過計算，當網絡訓練600次時，網絡最大總誤差值為0.0005，遠遠小于誤差指標預先設定值0.01，滿足誤差的精度要求。因此，當神經網絡訓練600次時，BP人工神經網絡達到一定穩定狀態，目標函數達到最優，評價的總體準確率在遠遠小于預先給定的精度0.01的條件下達到95.24%。BP人工神經網絡工藝創新科技政策評價模型的準確率較高。

[1]傅加驥，仝允桓，雷家馬肅.技術創新學[M].北京：清華大學出版社，2000.

[2]約瑟夫·熊彼特.經濟發展理論[M].北京：商務印書館，1990.

[3]經濟合作與發展組織.技術創新調查手冊[M].北京：新華出版社，1997.

[4]畢克新，丁曉輝，馮英浚.制造業中小企業工藝創新及測試評價現狀和發展趨勢研究綜述[J].科技管理，2002，(6).

[5]畢克新，王曉紅，孫金花.WTO框架下中小企業技術創新支持體系研究[M].北京：機械工業出版社，2006.

[6]龐素琳，王燕鳴，黎榮舟.基于BP算法的信用風險評價模型研究[J].數學的實踐與認識，2003，33，(8).

[7]WEST D.Neural Network Credit Scoring Models[J].Computers&Operations Research,2000,(27).

[8]Tushman M,L.Rosenkopf.Organizational Determinants of Technological Change:toward a Sociology of Technological Evolution[J].Research in Organizational Behavior,1992,(14).

[9]OECD/Euro stat,Oslo Manual:Guidelines:For Collecting and Interpreting Technological Innovation Data[M].OECD/Euros tat,2005.