績效評價方法研究

戰略性新興產業，是以重大技術突破和重大發展需求為基礎，具有全局性、長期性和新技術處于產業化初級階段等特點，對經濟社會全局和長遠發展具有重大引領帶動作用。浙江省戰略性新興產業發展，應該把產學研協同創新作為培育和發展戰略性新興產業的重要抓手，以協同創新支撐引領浙江省戰略性新興產業的發展。績效評價是掌握產學研協同創新績效水平的手段，是科學分析產學研協同創新的重要工具。本研究在上述背景條件下，以全國主要省市戰略性新興產業產學研協調創新為研究對象，通過構建產學研協同創新績效評價體系，借助基于遺傳算法的神經網絡搭建產學研協同創新績效評價模型，客觀地測量產學研協同創新績效水平，發現戰略性新興產業以及產學研協同創新存在的不足，以方便政府以此出臺相應的政策措施。

BP神經網絡

BP神經網絡是一種采用誤差反向傳播學習算法和梯度搜索技術的單向傳播多層前向網絡，具備任意精度的函數逼近能力。典型的BP網絡主要由輸入層、隱藏層和輸出層組成，如圖一所示。

BP神經網絡的學習過程，主要包括以下三個階段：①正向傳播階段。在正向傳播階段，輸入樣本從輸入層傳輸到各隱層再到輸出層。②判斷是否轉入反向傳播階段。在這個階段中，如果輸出層實際輸出與期望輸出有差別，就可以轉入反向傳播階段。③誤差反向傳播階段。該階段實質就是誤差以某種形式在各層表示，用來修正各層單元的權值，直到網絡輸出的誤差減少到可接受的程度為止。

但是因為BP神經網絡采用的是梯度搜索技術，因此還存在一些缺點，具體如下：目標函數存在多個極值點，采用梯度搜索技術進行學習，很容易陷入局部極小值;需要尋優的參數比較多，收斂速度慢。

基于遺傳算法的BP神經網絡

遺傳算法因為具有簡單通用、魯棒性強、適用于并行處理等特點，已經廣泛應用于不同領域。

作為一種全局優化搜索算法，遺傳算法優化BP神經網絡主要分為三個部分：確定BP神經網絡結構、優化遺傳算法和預測BP神經網絡。首先，根據擬合函數輸入輸出參數個數來確定BP神經網絡結構，進而確定遺傳算法個體的長度。采用遺傳算法來優化BP神經網絡權值和閾值時，因為種群中每個個體都包含了一個網絡的所有權值和閾值，個體適應度值是個體通過適應度函數來計算，最優適應度值對應個體是遺傳算法通過選擇、交叉和變異操作找到。用遺傳算法得到最優個體對網絡初始權值和閾值的賦值，網絡經過訓練后得到預測函數輸出來完成BP神經網絡預測。

BP神經網絡評價指標體系構建

本文首先通過文獻研究及邏輯框架法，構建了戰略性新興產業產學研協同創新績效評價指標體系。該指標體系根據協同創新的邏輯框架劃分為協同投入、協同過程、協同產出和協同影響等四大評價目標模塊，并形成若干二級指標以及若干三級指標;然后，再對指標體系進行篩選和檢驗，篩選和檢驗的主要方法可以采取信度效度分析、隸屬度分析、相關性分析以及專家咨詢等方法;本文最后確定了4個二級指標以及15個三級指標。

在確定產學研協同創新績效評價指標4個二級指標以及15個三級指標體系的基礎上，針對協同創新指標體系存在隨機性、糊糊性和結構多層次性等特點，考慮構建基于遺傳算法的BP神經網絡產學研協同創新績效評價模型。本文將該方法應用于戰略性新興產業產學研協同創新績效評價，會有效解決誤差反向傳播（Back Propagation，BP）神經網絡容易陷入“局部最小”、收斂速度慢等問題，進而給出戰略性新興產業產學研協同創新協調度定義及評價模型。最后，運用構建的戰略性新興產業產學研協同創新的績效評價指標體系和評價模型，根據《中國科技統計年鑒》等相關資料對國內31個重點省市戰略性新興產業產學研協同創新績效進行評價。本文從投入與產出角度出發，構建了產學研合作協同創新績效評價指標體系，該指標體系如表一所示。

案例仿真

結合全國31個省市戰略性新興產業產學研協同創新績效水平，我們通過建立產學研合作協同創新績效評價指標體系，采用基于遺傳算法的BP神經網絡評價模型進行了仿真。仿真結果，如圖二所示。

結論

本文重點研究了基于遺傳算法的BP神經網絡，用以克服一般BP神經網絡容易存在陷入局部最小和收斂速度慢等缺點，建立了產學研協同創新績效指標體系，并對全國31個省市產學研投入和產出績效進行了仿真，仿真結果表明經過遺傳算法改進的BP神經網絡在準確性方面得到了改善，收斂速度也有了提高，為后續進一步完善產學研協同創新評價方法提供了參考。

參考文獻

[1]趙川等.遺傳算法改進的BP神經網絡在協同創新評價中的應用[J].設計與研究，2010（8）.

[2]王玉梅等.基于BP人工神經網絡方法的組織知識創新與創新人才素質提高系統發展評價[J].科技進步與對策，2013（5）.

[3]王小川等.MATLAB神經網絡43個案例分析[M].北京：北京航空航天大學出版社，2013.

【本研究系浙江大學城市學院大學生科研項目X2015522062和X2015522063資助;浙江省高等學校課堂教學改革項目kg2013510資助;浙江大學城市學院課堂教學改革項目KG1203資助;浙江大學城市學院自動化專業核心課程群HX1203資助】

（作者單位：浙江大學城市學院;指導教師：王雪潔）