基于BP神經網絡的區域創新風險預測方法研究

周 琴

（莆田學院土木建筑工程學系，福建 莆田351100）

區域創新風險是指不同地域或區域的創新主體，創新活動因內外部條件制約而中止、撤消，或計劃指標無法完成，造成項目損失甚至失敗的可能性和后果。這些條件一般包括環境因素、項目因素以及創新主體能力因素等。但是目前國內外對區域創新風險［1］的研究，主要集中在從生命周期角度［2－3］、從風險管理學習角度［4］以及管理熵［5－6］、系統動力學［7］等角度，很少有人利用BP人工神經網絡方法［8］進行研究。因此，筆者運用BP人工神經網絡方法對區域創新風險進行研究，是一個大膽的運用和創新，力求為相關研究提供參考。

1 區域創新風險評價指標體系

任何創新活動都具有一定的風險性。針對區域創新風險評價指標的研究，比較集中的有：①外部環境；②技術項目；③企業實力。這些都存在研究的瓶頸。

在文獻綜述的基礎上，結合相關的知識，對風險因素進行分類，建立以下區域創新風險評價指標體系，即主要從區域創新的內外部風險這兩方面來進行研究，具體如下：

（1）內部風險。各指標風險主要包含：①技術風險。技術開發難度大，關鍵技術與復雜性預料不足（X1）；存在技術障礙和技術壁壘（X2）；原材料或零部件的技術性能要求達不到（X3）；企業科技人員實力弱（X4）；實驗基地、生產設備和工具缺乏，新產品無法生產（X5）；技術不成熟，新產品的質量與性能差（X6）；可替代新技術的出現（X7）；知識產權保護不力，因競爭者的模仿創新，企業很多失去技術優勝（X8）；對競爭對手及國外廠家技術創新的信息了解不足（X9）。②管理風險。調研不充分，市場信息失真，技術創新項目投入定位錯誤（X10）；項目可行性論證與風險決策機制不健全、不科學，主觀意識太強（X11）；組織協調不力，部門配合不好，人力資源安排不合理（X12）；項目進度控制不力，計劃不科學，管理控制手段和技術滯后（X13）；缺乏對不利因素與突發事件的充分認識與應急處理能力（X14）；企業對技術創新及風險重視不夠，缺乏對員工創新意識的培養（X15）。③財務風險。項目的資金需要量大（X16）；融資渠道不暢（X17）；信貸資金來源困難（X18）；項目開發資金供應不及時（X19）；債務與匯率、利率的風險（X20）；新產品成本過高，贏利能力估計過高（X21）。④文化風險。與某國、某地的社會文化、習俗、宗教等相抵觸（X22）；不利于技術創新保守的企業文化的抵觸（X23）；企業的社會形象不好，信譽與知名度不高（X24）；企業對員工的創新精神與創新熱情的企業文化的培養與鼓勵（X25）。

（2）外部風險。各指標風險主要包含：①市場風險。消費者多樣化、個性化需求與市場的多邊性（X26）；原材料及零部件供應困難（X27）；市場定位不準，營銷策略，營銷組合失誤（X28）；新產品由于性能、穩定性或消費者慣性等因素一時難以被市場接受（X29）；新產品成本、價格過高導致市場需求不旺或增長緩慢（X30）；競爭對手實力過強與進口產品的沖擊（X31）；競爭者的不正當行為與模仿、侵權行為的存在（X32）；新產品壽命短或開拓的市場被更新的產品代替（X33）；新產品對企業現有產品的替代與沖擊（X34）。②政策風險。全球與本國政局及經濟形式的變化（X35）；國家產業等政策、法律、法規的調整（X36）；主管部門或相關部門的制約（X37）；國家貿易壁壘與部門、地方保護主義（X38）；無法獲得差評、原輔材料、設備、技術的進出口許可（X39）；國家、地區發展規劃的調整（X40）。③資源風險。區域企業過多，造成創新資源擁擠效應（X41）；區域自然資源不足（X42）。

評價指標由42個風險因素構成，每個風險都有代碼。上述指標中，有定性指標，例管理、政策風險等指標；也有定量指標，如技術、財務等風險指標。筆者基于區域經濟創新風險評價的實際需要，根據指標內在要求，查找相關資料并進行了專題調研，在福建省內選擇了15家有代表性的高新技術企業，對這些區域性創新的相關信息進行了采集。并結合相關資料及理論方法，對收集到的創新風險評價指標值先進行了測算，隨后進行了無量綱化和規范化處理。

（1）有量綱向無量綱的轉化，轉化公式如下：

（2）無量綱指標的處理，轉化公式如下：

根據以上2個公式，可以把上面經過測算后的42個定性指標，首先進行一個無量綱的轉化，得到一組數值；其次對這組無量綱的數值進行一個規范化定量處理，使它們的取值都落在（0，1）區間內，而后根據下面專家系統的評分標準（見表1），進行風險分析。

表1 各風險指標權重的評分標準

2 區域創新風險分析的BP方法應用實例

有關BP算法的介紹，目前諸多文獻都有介紹，筆者就不再贅述了。僅對筆者的研究成果進行相應的介紹。

結合表1的評價指標，用BP算法進行預測分析（見圖1）。

圖1 BP神經網絡結構

如圖1所示，神經網絡結構包括3層，分別是輸入層、隱含層和輸出層。輸入層由輸入向量X ＝（x1，x2，…，x42）T構成。本模型評價指標共有42個，因此神經元有42個；隱含層包含30個神經元，為單層；輸出層只有1個神經元。首先對42個指標分別進行歸一化處理，其次進行反向傳播，而后借由函數f運算后（注：此函數具有Sig moid型激活特性），把Yj傳播到zk（見圖1）。

根據在福建省選取的15家有代表性的高新技術企業的資料，整理出15組評價的基本數據，其中8組作為訓練集，7組作為測試集，利用MATLAB軟件編程，最后得出輸出結果如圖2、圖3所示。

圖2表示的是樣本訓練步數和誤差之間的關系。其中縱坐標表示訓練目標誤差值，橫坐標代表訓練步長。

總訓練步長設置為100步，誤差顯示步長為0.005步，訓練目標誤差為10－3，即當訓練目標誤差滿足期望誤差范圍之內時，才開始訓練。從圖2中可以看出，大約在4.5步長時，誤差就已經達到了期望訓練誤差值。即從第4.5步開始，目標測試值的誤差就控制在期望值之內了，可以開始訓練了。

圖3為訓練結果網絡輸出值，即滿足圖2誤差控制在期望值之內后，進行訓練，縱坐標為區域創新風險值，橫坐標為訓練目標集。總共有15個目標集，其中8個為訓練集，7個為測試集，最終訓練結果與實際結果非常接近。

圖2 樣本訓練步數誤差曲線

圖3 訓練后的網絡輸出

筆者截取了內外部風險指標7個測試集的模擬結果與實際結果（見表2）。根據表2結果顯示，不僅仿真結果與實際非常接近，而且全部訓練樣本與實際結果非常接近。這進一步證明了BP算法在區域創新風險評價中的適用性。但由于樣本選取的局限性，不同行業的訓練結果會有不同幅度的變化，但利用BP方法預測出來的結果和實際值都能較大幅度的符合，這也再次驗證了此法在這個領域中運用的可行性。

表2 實際結果與BP神經網絡訓練結果

3 結 語

運用BP人工神經網絡方法，在福建省選取了15家有代表性的高新技術企業，對其創新風險模型進行了仿真。研究結果表明，運用BP預測算法來研究區域創新風險是可行的。但相對別的方法來說，存在著以下優點：①結果更加客觀有效。由于不需要人為確定權重，只需將數據（經過歸一化處理的）輸入到網絡中，經過激活運算就有結果產生。②樣本目標之間的關系無特別的限制。由于該方法是一種非線性映射方法，逼近復雜的非線性關系的能力非常強，因此對樣本目標之間的關系無特別的要求。

綜述所述，BP算法的神經網絡不需要人為的確定權重，較適合處理復雜的非線性關系模型；雖然對樣本質量和數量有較高質量的要求，但由于其具有很強的自學能力，對于一些無規律性或信息不全的環境，具有其他方法無可比擬的優勢，因此運用該方法來研究區域創新風險是完全可行的。

［1］Emmett J.Vaughan，Risk Management［M］.New Yor k：John Wiley ＆Sons Inc，1997.

［2］Stephensa J C，Wilson E J，Peterson T R.Technological Forecasting and Social Change［J］.Geoforum，2008，75（8）：1224－1246.

［3］Mac Leod G.The learning region in an age of austerity：capitalizing on knowledge，entrepreneurialism，and reflexive capitalism［J］.Geof orum，2000，31（2）：219－236.

［4］Gina Colarelli O’Connor，T.Ravichandran，Daniel Robeson.Risk management t hrough lear ning：Management practices f or radical innovation success［J］.The Journal of High Technology Management Research，2008，19（1）：70－82.

［5］賈曉霞，周溪召 .區域創新系統外生結構性風險的識別及其解耦分析［J］.科學學與科學技術管理，2006（5）：70－74.

［6］陳紅川 .高新技術企業技術創新風險管理策略研究［J］.科技管理研究，2008（8）：200－202.

［7］管書華，劉介明，李平麗 .技術創新風險分析的人工神經網絡預測方法［J］.科技與管理，2003，22（6）：125－127.

［8］陳志超，向剛，倪彪，等 .基于系統動力學的創新型企業產品持續創新法風險動態分析［J］.科技進步與對策，2012（10）：81－86.