生態視角下企業創新資金控制模式構建與評價

劉暉

【摘要】? 創新能力是決定一個國家國際影響力的重要因素之一。文章從生態的視角定義創新資金控制模式，開展對創新資金管控模式的探討，將研究重點落到控制流程中的各個步驟，并運用于高新技術企業。為了更好地對各個環節實施評價，文章還制定了相應的評價指標，將PSO-BP神經網絡評價方法運用到評價環節中，從而更好地反映創新資金控制的狀態。

【關鍵詞】? ?生態;創新資金控制;創新能力

【中圖分類號】? F233? 【文獻標識碼】? A? 【文章編號】? 1002-5812（2019）24-0036-03

一、創新資金生態系統及控制分析

（一）創新資金及創新資金生態化控制的界定

1.創新資金的界定。對于如何界定發明創造以及技術創新，約瑟夫·阿洛伊斯·熊彼特認為技術創新為企業的生產奠定了基礎，在此基礎上，逐漸形成了狹義與廣義兩種創新理論：從有創新理念一直到落實到技術層面的過程就是狹義的技術創新理論;而廣義的技術創新理論則是指從技術測試一直到市場化生產階段。本文主要以廣義的技術創新理論為基礎進行探究。從整體性出發，將一切用于創新活動的資金都定義為創新資金，對企業用于創新的那部分資金的控制模式進行探討。

2.創新資金生態化控制的界定。研究模式因探究階段的不同而不同，開放式的控制模式是由因果導向所形成的，將此控制模式加入創新資金的概念，可以歸納出創新資金控制的概念，即高新技術企業對創新資金進行的戰略控制。近年來，學術界提出了很多種不同的生態研究理論，而只有生態系統與生態特性被運用在經濟學研究中。因此本文對加入生態系統及生態特性研究理論的資金控制進行了新的定義，概念為高新技術企業在收集與運用資金時，將與生態特性相統一、資金處于平衡狀態作為控制的基礎，再加入戰略分析，進行協同的、動態的、循環的、系統的生態化資金控制。

（二）創新資金生態系統及特性分析

1.創新資金生態系統分析。生態特性在創新資金控制中十分重要，而生態系統是生態特性的研究基礎。加入創新資金的生態系統是創新生態系統的一個分支，通過將其與自然生態系統相比較可以發現，生產者、消費者、分解者及生態環境四者構成了自然生態系統，這四者間的相互關系在創新資金生態系統中也有著近乎一樣的體現，例如企業從籌集創新資金到技術創新一直到消費者購買創新產品，都是創新資金生態系統間各參與者的相互作用。在高新技術企業中也存在著和自然生態系統一樣的協同性、進化性和動態性，因此系統中的各個角色需要好好配合，實現“1+1>2”的效果。

2.創新資金生態系統的特性分析。

（1）協同進化性在創新資金生態系統中是指各部門及生態位之間的協同進化。前者體現為研發、生產、銷售三部門間的協同性，后者是指各企業之間的互動進化。這也是企業高層管理好企業的一個重要手段。可見，協同進化性不僅可以加強企業對生態系統的控制，也可以改善控制環境。

（2）動態平衡特性是在動態調節中形成的一種平衡狀態，生態系統自身處于動態平衡中。企業的風險抗壓能力與穩定性具有正相關關系，在具有創新資金生態系統的企業中同樣適用。企業可以利用內部調節規避外部風險所造成的改變。圖1體現的是動態穩定，作用主要由投融資的平衡來體現。

（3）資金循環特性體現為資金循環，在創新資金生態系統中相互作用，使資金也能夠在其中得以循環。創新資金經過創新活動投入市場，將獲取的收益繼續投入到下一個創新活動中，持續循環。

（三）創新資金生態化控制的作用機理

預算是對創新資金實現生態化控制的基礎，控制能力因資金的動態平衡而提高，所以創新資金生態化控制是重要前提。各控制要素在創新資金生態化系統中相互作用，實現動態平衡狀態，可以使企業的控制能力迅速得到提高。對于高新技術企業而言，建立由政策環境、金融環境以及科技環境有機結合的創新資金生態系統十分必要。

二、高新技術企業創新資金生態化控制模式的設計

（一）創新資金生態化控制模式

創新資金生態化控制模式包含了生態特性、協同進化性、動態平衡性及資金循環性。在該生態系統中，首先要明確企業的生態位，從而制定出相應的戰略，將動態平衡的理念運用到創新活動中，尤其是在編制預算時，需要隨著時間的推移不斷調節。通過運用循環理念，使創新資金實現良性循環，并加入評價機制，以逐漸改善進步。

（二）創新資金生態化控制模式的關鍵環節

1.編制創新資金預算是控制模式中的重要環節，創新活動的順利進行可以反映出預算的作用，能夠由此提升資金使用效率。在編制預算時，資金的供需情況也需納入考慮，以提高資金利用率，避免資金浪費。

在編制投入創新的資金預算時，需要一并考慮時間與數量，本文還加入了空間維度，從三方面出發制定預算。在時間上做到各環節資金及時到位;在數量上做到避免浪費;在空間上做到創新活動中涉及到的各個主題都能夠實現有機結合，成為相互協作的關系。這三者在具體的創新活動中的體現如圖2所示。

2.如何投放創新資金對控制模式來說十分重要，三個階段中的投放方向分為市場調研、R&D人員薪酬、設備投資、市場開發以及流動資金五個方面。圖3反映了創新資金的循環效果。

三、創新資金生態化控制效果評價指標體系的構建

（一）指標體系的設計

將構建評價體系的原則與創新資金的生態化控制效果相結合，研究收益性、流動性、安全性、成長性四者的影響因素，選取重要指標，如下表所示。

（二）指標的測算

在對評價指標進行測算時，首先對沒有出現在財務報表中的指標進行介紹，定義與公式如下：

1.知識與智力資產收益率。是指研發階段的人員成本。企業對研發人員投入得越多，越能體現出企業對于技術創新研發的重視程度，這一指標數值較高，說明企業通過研發環節最終能夠獲得的收益也比較多。公式為：知識與智力收益率=知識與智力貢獻價值/知識與智力產值×100%。

2.EVA。等于稅后凈利潤與資本成本之間的差額，體現了企業能否對資金實現有效控制。公式為：EVA=稅后凈營業利潤-資產總額×加權平均資本成本。

3.新產品銷售利潤率。是指投入市場化銷售后，企業獲得的營業收入與利潤之間的比值。這一指標數值越高，體現出企業獲得的利潤越多，而高利潤又反映出企業對創新資金的控制十分有效。公式為：新產品銷售利潤=（利潤總額÷新產品銷售收入）×100%。

4.R&D經費投入強度。體現的是企業對于研究開發的投入，體現了企業對于研發的重視程度，該指標數值越高，說明企業越重視研發能力，能夠得到發展。公式為：R&D投入強度=本期研究開發經費/本期銷售收入總額×100%。

5.科技人員占比。是指研發人員與企業總員工人數之間的比值，企業對研發能力越關注、越重視，投入越高，那么企業的成長速度也就越快，該指標數值越高。公式為：科技人員占比=研發人員數/企業員工總數。

6.新產品廣告支出強度。是指企業對投入市場的創新產品投放的宣傳成本。公式為：新產品廣告支出強度=新產品廣告費用支出/銷售收入總額×100%。

四、基于PSO-BP神經網絡的控制效果評價模型

（一）基于PSO-BP神經網絡的控制效果評價的優勢

Rumelhart和McCelland提出反向傳播神經網絡法，在模仿人腦機能的基礎上進行簡化和抽象，使用頻率較高。BP神經網絡能夠實現輸入到輸出的非線性映射，不斷循環，一直到能夠明確每一個神經元的相應權重。BP神經網絡的適應性較高，規避了很多人為過錯。同時，BP神經網絡的容錯機制能夠盡可能避免專家打分形成的人為誤差，更具有客觀性。為了更好地研究創新資金生態化系統的控制效果，本文將經過改善的BP神經網絡理論運用到對創新資金控制效果的評價機制中。

（二）基于PSO-BP神經網絡的控制效果評價模型

BP神經網絡是現如今使用頻率最高、運用范圍最廣的一項神經網絡研究，但存在低收斂速度等局限性。為了更好地對BP神經網絡進行改善優化，本文結合PSO學習算法，構建一種新的評價模型。Kolmogorv法指出，三層的BP神經網絡結構在合理設置隱含層節點的基礎上，能夠實現相應的研究目的。從這一角度出發，本文將高新技術企業創新資金生態化控制效果評價的基礎結構設定為同時具有輸入層、單隱含層、輸出層的三層BP神經網絡。

1.BP神經網絡結構的設計。

（1）就輸入層來說，明確輸入層與輸出層的節點，相應評價機制中評價指標的數量決定了該神經元節點的數量，就本文而言，有13個創新資金生態化控制效果評價指標，由此可知，也就有13個神經元節點。就輸出層來說，本文在評價高新技術企業的創新資金生態化控制效果時運用的是專家綜合評價法，最終評價的結果分數就是神經網絡的輸出。由此可知，輸出層神經元節點是1。

（2）以現有研究成果來說，仍然有一些關于如何確定神經網絡隱含層的相關理論沒有得到落實。如果隱含層的節點數很大的話，就神經網絡來說，很可能會發生過度擬合，但如果節點數過小的話，則會加大學習誤差。因此，隱含層節點數在本文中是通過網絡結果的誤差對比選優確定的。

（3）線性函數和非線性函數是比較常見的兩種激活函數。為了凸顯研究效果，本文選取非線性激活函數來進行研究。在非線性函數中，分為對數函數和正切函數兩種激活函數。對于正切函數而言，輸出數據映射在（-1，1）的區間內。本文的激活函數采用Sigmoid函數，該函數的表達式如下：

2.BP神經網絡算法的優化。一種比較新穎的進化算法叫做粒子群優化（PSO）算法，從這一算法被提出至今，一直深受好評，應用范圍非常廣泛。將粒子群（PSO）算法與遺傳算法相比較，粒子群（PSO）算法具有簡便運算的優勢，而遺傳算法則需要浪費很多時間在交叉和變異上，因此粒子群（PSO）算法在時間和效率上都占優勢，能夠找到最合適的解法。同時易操作和易理解也是粒子群（PSO）算法的一大優勢。在面臨優化非線性以及網絡泛化能力的增強時，粒子群（PSO）算法都具有十分明顯的積極影響，因此利用它來對網絡實現優化學習算法，網絡的泛化能力也能得到十分顯著的提高。

粒子群（PSO）算法是將初始化設置先應用于一群粒子上，這些粒子在不斷更新交替后找到最優解。這些粒子在實現更新交替時，主要是通過追蹤個體極值Pbest和群體極值Gbest來做到自身位置的迭代。在確定了兩者最優值之后，粒子用以下公式來更新自己的速度與位置。

式中，w為慣性權重，v為粒子的速度，k為當前粒子的迭代次數，c1和c2為加速因子，通常c1=c2=2，r1和r2是介于0和1之間的隨機數，Pp和Pg分別表示個體極值和全局極值，X為當前粒子的位置。

本文在BP神經網絡算法中引入粒子群（PSO）算法，并具體應用于創新資金控制效果評價中。首先依據模型選取樣本，然后對樣本進行標準化處理，借助matlab軟件進行PSO-PB模型的訓練，結合節點漸減法求出隱層節點數量，按照7：3的比例將樣本分為訓練數據與仿真測試數據。通過對比實際輸出值和仿真測試輸出值可以發現，基于PSO-BP神經網絡的創新資金控制效果評價結果是比較準確的。

【主要參考文獻】

[1] 張曉黎，覃正.知識基礎能力、研發投入與技術創新績效關系研究——基于全球R&D領先通信及技術設備制造類企業的實證分析[J].科技進步與對策，2016，（11）.

[2] 顧國愛.企業內部和外部研發支出的創新績效研究[J].商業時代，2016，（08）.

[3] 李明武.產業集群的品牌生態系統演化與集群成長[J].企業經濟，2015，（01）.

[4] 熊劍，梅雨.生態危機背景下企業績效評價的探索性研究[J].現代管理科學，2015，（03）.

[5] 郭而郛，鞠美庭.工業生態化與中國經濟轉型研究初探[J].環境保護，2015，（Z1）.

[6] 尹昌斌，周穎，劉利花.我國循環農業發展理論與實踐[J].中國生態農業學報，2013，（01）.

[7] 包國憲，任世科.基于三層次雙維度評價體系的產學研結合技術創新風險實證研究[J].科技進步與對策，2014，（07）.

[8] 解學梅.中小企業協同創新網絡與創新績效的實證研究[J].管理科學學報，2013，（08）.

[9] 趙燕.企業外部資金需求量預測及動態調整解析[J].商業會計，2019，（06）.