科技園運營效率的預(yù)測與監(jiān)控詮釋

導(dǎo)語：科技園運營效率的預(yù)測與監(jiān)控詮釋一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

關(guān)鍵詞：DEABP神經(jīng)網(wǎng)絡(luò)大學(xué)科技園效率評價

內(nèi)容摘要：本文首先選取若干科技園的投入產(chǎn)出統(tǒng)計指標(biāo)，采用DEA進(jìn)行分析，得到各自效率值，最后重新選取同樣影響效率的其他相對指標(biāo)作為輸入，將已得效率值作為輸出，由此作為學(xué)習(xí)樣本，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行科技園效率預(yù)測，從而實現(xiàn)對科技園運營效率的控制。

研究方法

（一）數(shù)據(jù)包絡(luò)分析

數(shù)據(jù)包絡(luò)分析（DEA）是用于評價系統(tǒng)相對效率的分參數(shù)化方法。他們的第一個模型被命名為CCR模型。從生產(chǎn)函數(shù)角度看，這一模型是用來研究具有多個輸入、特別是具有多個輸出的“生產(chǎn)部門”同時為“規(guī)模有效”與“技術(shù)有效”的十分理想且卓有成效的方法。利用數(shù)學(xué)規(guī)劃模型，該方法可以解決具有多輸入多輸出特征的同行業(yè)企業(yè)生產(chǎn)效率評價問題。

在進(jìn)行大學(xué)科技園運營效率評價時，將每一個科技園看做一個決策單元，假設(shè)有n個待評價的科技園，決策單元DMUj（1≤j≤n）的輸入、輸出指標(biāo)向量分別為Xj=（X1，X2j，…，Xmj）T>0，Yj=（Y1，Y2j，…，Ysj）T>0，即有m個類型輸入和s個類型產(chǎn)出，h0為DMUj0的效率指數(shù)。

設(shè)輸入和輸出指標(biāo)的權(quán)向量為v=（v1，v2，…，vm）T>0，u=（u1，u2，…，us）T

建立C2R模型（分式規(guī)劃）：

令，ω=tv，μ=tu，進(jìn)行C2變換，轉(zhuǎn)換為模型：

為了直接判別DMU的DEA有效性，考慮模型的對偶問題為（模型）：

X0，Y0分別表示決策單元DMU0的輸入和輸出，λj，θ0是決策變量。如果決策單元是有效的，則θ*0=1。

（二）BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問題。輸入信號從輸入節(jié)點依次傳過各隱含層，然后傳到輸出節(jié)點，每一層節(jié)點的輸出只影響下一層節(jié)點的輸出。為了加快網(wǎng)絡(luò)訓(xùn)練的收斂速度，可對輸入矢量作標(biāo)準(zhǔn)化處理，并對各連接權(quán)值賦予初值。BP網(wǎng)絡(luò)可看作是一個從輸入到輸出的高度非線性映射，神經(jīng)網(wǎng)絡(luò)通過對簡單的非線性函數(shù)進(jìn)行數(shù)次復(fù)合，可近似復(fù)雜的函數(shù)?；镜腂P神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。

它的具體數(shù)學(xué)模型如下：

隱層節(jié)點的傳遞函數(shù)及網(wǎng)絡(luò)輸出函數(shù)f（x）均采用Logistic函數(shù)：。

誤差計算模型：反映神經(jīng)網(wǎng)絡(luò)期望輸出與計算輸出之間誤差大小的函數(shù)。

第j個單元節(jié)點的輸出的誤差為，總誤差為，Tjk是j節(jié)點的期望輸出值，yjk是j節(jié)點的實際輸出值。

中間層節(jié)點的數(shù)學(xué)模型如下：。O1jk表示中間層上，輸入第k個樣本時，第j個節(jié)點的輸出。Xj為第j個節(jié)點輸入。w1ij為輸入層到中間層的權(quán)值。

輸出節(jié)點的數(shù)學(xué)模型如下：。O2jk表示輸出層上，輸入第k個樣本時，第j個節(jié)點的輸出，w2ij為中間層的到輸出層的權(quán)值。

修正權(quán)值：

BP算法的實現(xiàn)為：BP算法分兩步進(jìn)行，即正向傳播和反向傳播。正向傳播時，輸入的樣本從輸入層經(jīng)過隱單元一層一層進(jìn)行處理，通過所有的隱層之后，則傳向輸出層；在逐層處理的過程中，每一層神經(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。在輸出層把現(xiàn)行輸出和期望輸出進(jìn)行比較，如果現(xiàn)行輸出不等于期望輸出，則進(jìn)入反向傳播過程。反向傳播時，把誤差信號按原來正向傳播的通路反向傳回，并對每個隱層的各個神經(jīng)元的權(quán)系數(shù)進(jìn)行修改，以望誤差信號趨向最小。

實證研究

（一）指標(biāo)與數(shù)據(jù)選擇

本文選取北京大學(xué)國家大學(xué)科技園等37家有代表性的國家級大學(xué)科技園2008年的數(shù)據(jù)進(jìn)行研究，分析分為兩個部分進(jìn)行，各自的指標(biāo)選擇如下：

DEA分析階段：取年末固定資產(chǎn)凈值、科技園區(qū)人員數(shù)量、科技園區(qū)總面積、科技園孵化基金總額等四個指標(biāo)作為投入變量，以在孵企業(yè)數(shù)、在孵企業(yè)工業(yè)總產(chǎn)值、在孵企業(yè)凈利潤、累計畢業(yè)企業(yè)數(shù)、累計畢業(yè)企業(yè)工業(yè)總產(chǎn)值等五個指標(biāo)作為產(chǎn)出變量。

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段：考慮到從效率分析的角度說，投入低的地區(qū)不見得效率就低，因此在對科技園效率進(jìn)行評價時必須采用相對指標(biāo)。因此，選取在孵企業(yè)平均收入、在孵企業(yè)凈利潤與工業(yè)總產(chǎn)值的比值以及已畢業(yè)企業(yè)平均工業(yè)總產(chǎn)值作為投入變量，將效率分析值作為唯一產(chǎn)出變量，進(jìn)一步采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。

（二）效率分析結(jié)果

采用DEASOLVER3.0軟件進(jìn)行DEA分析，結(jié)果如表1所示。有15家大學(xué)科技園的運營效率達(dá)到DEA有效，有10家大學(xué)科技園的運營效率DEA值在0.5以下，這說明這些大學(xué)科技園的投入存在不合理的地方，導(dǎo)致產(chǎn)出不足。

（三）BP神經(jīng)網(wǎng)絡(luò)預(yù)測

采用AlyudaNeuroIntelligenceV2.2軟件進(jìn)行BP神經(jīng)網(wǎng)絡(luò)預(yù)測，結(jié)果如表2所示。由于科技園產(chǎn)出相對投入存在一定的滯后性，這里選擇為2005年的數(shù)據(jù)。

BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點有3個，輸出節(jié)點只有1個即效率值。本文采用1層隱含層，即采用一個3層網(wǎng)絡(luò)來建立科技系統(tǒng)與效率之間的非線性映射關(guān)系。在節(jié)點選擇上，如果隱層節(jié)點數(shù)量太少，網(wǎng)絡(luò)從樣本中獲取的信息能力就差，不足以概括和體現(xiàn)訓(xùn)練集中的樣本規(guī)律；隱層節(jié)點數(shù)量過多，又可能把樣本中非規(guī)律性的噪聲等也學(xué)會記牢，從而出現(xiàn)所謂過度吻合問題，反而降低了泛化能力。根據(jù)經(jīng)驗公式，本文將隱層節(jié)點數(shù)定為6個。

在進(jìn)行訓(xùn)練中，參數(shù)設(shè)為默認(rèn)值，經(jīng)過20000次循環(huán)趨于穩(wěn)定。為了測試模型的預(yù)測精度，將輸入數(shù)據(jù)作為模擬值，得出BP神經(jīng)網(wǎng)絡(luò)預(yù)測的計算結(jié)果，只有3個大學(xué)科技園的效率誤差在5%以上，最大誤差為7.37%，取得了較高的預(yù)測精度。

參考文獻(xiàn)：

1.徐小欽，陶星潔，王永寧.基于層次分析法和動態(tài)聚類法的大學(xué)科技園評價[J].重慶大學(xué)學(xué)報(自然科學(xué)版)，2004

2.范德成，張巍.大學(xué)科技園評價指標(biāo)體系研究[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2005

3.李曉鴻.大學(xué)科技園發(fā)展的評價指標(biāo)體系與評價方法研究[J].科技管理研究，2009