構(gòu)建神經(jīng)網(wǎng)絡(luò)民營科技企業(yè)信用評價模型

[摘要] 針對國家提出的建立國家科技計劃信用制度的政策，本文以人工智能中神經(jīng)網(wǎng)絡(luò)技術(shù)為手段，站在合格的科技信用評價者或評價機(jī)構(gòu)的角度，提出建立智能化的評價體系，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，客觀全面地對申請承擔(dān)國家科技計劃項目的行為主體（多數(shù)為民營科技企業(yè)）進(jìn)行有效評價。

[關(guān)鍵詞] 國家科技計劃 科技信用 評價體系 民營科技企業(yè) 神經(jīng)網(wǎng)絡(luò)模型

一、建立國家科技計劃信用管理制度的緊迫性

隨著國家對科技投入的重視，國家采取科技計劃招標(biāo)形式，吸引了大量民營科技企業(yè)。這一舉動，既為國家解決科技難題提供了另一路徑，又為挑選出有實力的民營科技企業(yè)承擔(dān)國家科技計劃提供了有效方法，推動科技項目的有效實施和社會的經(jīng)濟(jì)增長。近年來，科技信用評價以人為評價為主，涉及到許多人為因素，科技信用評價進(jìn)程總體良好，但也出現(xiàn)了一些不良現(xiàn)象。為防止問題擴(kuò)大，應(yīng)該提早考慮完善措施，規(guī)范社會主義科技信用管理，抓好評價環(huán)節(jié)的工作，更有效評價行為主體遵守承諾、履行約定義務(wù)和遵守科學(xué)界公認(rèn)準(zhǔn)則的能力和表現(xiàn)。國家科技部提出了《關(guān)于在國家科技計劃管理中建立信用管理制度的決定》。信用管理涉及面較廣，本文旨在對民營科技企業(yè)的信用評價進(jìn)行研究。

二、民營科技企業(yè)的信用評價

1.民營科技企業(yè)信用評價指標(biāo)

要建立有效的評價模型，首先考慮選取評價指標(biāo)，組織指標(biāo)體系，通過對評價指標(biāo)的綜合分析，得出申請承擔(dān)項目的民營科技企業(yè)的評分，作為評價企業(yè)優(yōu)劣的依據(jù)。

民營科技企業(yè)科技信用指標(biāo)與普遍意義的企業(yè)信用指標(biāo)不盡相同，這是由其自身特殊性決定的。科技信用指標(biāo)是可以體現(xiàn)從事科技活動企業(yè)的職業(yè)信用的一些定性和定量概念，包括企業(yè)基本信息、企業(yè)承擔(dān)科技項目的情況和能力與企業(yè)從事其他科技活動情況。

(1)企業(yè)的基本信息

企業(yè)的基本信息是評價一個企業(yè)優(yōu)劣最基礎(chǔ)的指標(biāo)組，包括企業(yè)的成立時間、登記注冊類型、注冊資金、長期職工數(shù)量、技工貿(mào)總收入、出口創(chuàng)匯額、科技經(jīng)費支出和所獲得政府撥款。這一部分指標(biāo)體現(xiàn)了企業(yè)承擔(dān)科技計劃的基本能力，這在評價模型中要考慮的第一步。

(2)企業(yè)承擔(dān)科技項目情況

這一信息是企業(yè)最終是否能獲得承擔(dān)國家科技計劃的重點。包括共承擔(dān)過的科技項目數(shù)量（屬于國家級科技項目的數(shù)量、省級科技項目的數(shù)量和市級科技項目的數(shù)量）、企業(yè)承擔(dān)科技項目計劃的類別、項目實施的形式、已完成項目的數(shù)量（驗收形式）、未完成項目的數(shù)量（原因）。作為評價指標(biāo)體系的另一子指標(biāo)體系，企業(yè)承擔(dān)科技項目情況包含了企業(yè)曾做過項目數(shù)量和完成質(zhì)量，有良好信息和不良信息。要評價一個民營科技企業(yè)有否承擔(dān)科技項目的實力，這一部分指標(biāo)的評價結(jié)果占很大比例。

(3)企業(yè)其他科技活動情況

企業(yè)其他科技活動情況包括企業(yè)主要科技活動類型、從事科技活動人員情況（總?cè)藬?shù)、博士人數(shù)、碩士人數(shù)、高級職稱人數(shù)、中級職稱人數(shù)、初級職稱人數(shù)）、曾取得的科研成果（省級以上獎勵、市縣級獎勵、開發(fā)新產(chǎn)品數(shù)量、新工藝新裝置數(shù)量）、發(fā)表論文情況（完成論文總量、其中科技論文數(shù)和國外發(fā)表數(shù)、出版著作數(shù)量）、專利申請數(shù)、專業(yè)授權(quán)數(shù)（發(fā)明、實用新型、外觀設(shè)計、國外授權(quán)）。企業(yè)其他科技活動情況是評價企業(yè)科技潛力的有益補(bǔ)充，為沒有承擔(dān)過國家科技計劃的有實力新興企業(yè)增加成功申請的競爭力。

2.運用神經(jīng)網(wǎng)絡(luò)構(gòu)建科技信用評價模型

人工神經(jīng)網(wǎng)絡(luò)是人工智能技術(shù)的一個研究方向，它是對人類神經(jīng)元系統(tǒng)的一種模仿。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織的能力，運用人工神經(jīng)網(wǎng)絡(luò)組建的模型，通過學(xué)習(xí)參考對象的歷史數(shù)據(jù)，不斷修改自身權(quán)值，使得模型具有參考對象的特性。本文以廣東省59個民營科技企業(yè)信用情況作為研究對象。數(shù)據(jù)來源是廣東省內(nèi)部分市縣企業(yè)所填寫的廣東省民營科技企業(yè)信用評價表，對其進(jìn)行研究有相當(dāng)?shù)膮⒖純r值。在已有企業(yè)數(shù)據(jù)中，隨機(jī)選取大部分企業(yè)用于訓(xùn)練評價模型，剩下的企業(yè)用于性能檢驗。

(1)評價指標(biāo)的標(biāo)準(zhǔn)化

用于評價信用的各項指標(biāo)的形式各不相同，不利于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的識別和運算，所以有必要把各項指標(biāo)統(tǒng)一于某個范圍，并且這個范圍是神經(jīng)網(wǎng)絡(luò)能夠接受的。根據(jù)前面所說的民營科技企業(yè)評價指標(biāo)分類，三類指標(biāo)組合總計有28個指標(biāo)。大部分能量化的指標(biāo)通過以下運算過程標(biāo)準(zhǔn)化成0到1之間的數(shù)值：

在以上式子中，Mmin、Mmax為某一指標(biāo)在59個企業(yè)中的最小值和最大值，從為某企業(yè)該指標(biāo)的真實數(shù)值，F(xiàn)為經(jīng)過轉(zhuǎn)換后的指標(biāo)數(shù)值。

還有少量定性指標(biāo)例如企業(yè)承擔(dān)科技項目計劃類別、實施形式等，以企業(yè)該類指標(biāo)對信用評價的重要程度劃分到0到1的范圍。

(2)神經(jīng)網(wǎng)絡(luò)信用評價模型設(shè)計

神經(jīng)網(wǎng)絡(luò)的種類較多，BP網(wǎng)絡(luò)是近二十多年來應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)運用誤差反向傳播算法，通過對樣本輸入輸出數(shù)據(jù)進(jìn)行學(xué)習(xí)，也即用樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)。訓(xùn)練完成后，該模型能判斷新輸入數(shù)據(jù)，得到具有模型特征的輸出。正好為科技信用模型提供了良好的基礎(chǔ)，圖1為該模型的示意圖。

輸入的指標(biāo)值實際是用于評價某企業(yè)科技信用的一系列經(jīng)過量化及標(biāo)準(zhǔn)化的變量，用Xj(j=1，2，3…n)表示。在該科技信用系統(tǒng)模型中，總共有28個指標(biāo)，也就是28個變量經(jīng)量化和標(biāo)準(zhǔn)化后的數(shù)據(jù)輸入到該網(wǎng)絡(luò)模型中，此為輸入層。

輸入層神經(jīng)元不需要設(shè)定傳遞函數(shù)，輸入數(shù)據(jù)直接進(jìn)入輸入層。要達(dá)到隱含層就必須經(jīng)過權(quán)值運算。一般情況下，三層BP神經(jīng)網(wǎng)絡(luò)就可以模擬任意非線性映射，因此，該模型可以采用一個隱含層。對于BP網(wǎng)絡(luò)，隱含層神經(jīng)元和輸出層神經(jīng)元都必須是連續(xù)可微的傳遞函數(shù)。對于隱含層任一神經(jīng)元，有以下數(shù)學(xué)形式:

模型經(jīng)過一次以上計算，為一個訓(xùn)練步，前一次權(quán)值加上修正值得到新權(quán)值，閾值同理，然后循環(huán)不斷，直到最大訓(xùn)練步或者梯度低于最小設(shè)定值，訓(xùn)練停止，權(quán)值和閾值調(diào)整結(jié)束。η為學(xué)習(xí)率，0<η<1。如果在訓(xùn)練過程中η保持常數(shù)，會使模型增加訓(xùn)練次數(shù)，降低收斂速度。所以仿真時采用學(xué)習(xí)率自適應(yīng)調(diào)節(jié)的訓(xùn)練函數(shù)對模型進(jìn)行訓(xùn)練。

三、仿真模型

利用Matlab7.1的神經(jīng)網(wǎng)絡(luò)工具箱可以方便地建立仿真模型。如前所述，把59組數(shù)據(jù)分成兩批，隨機(jī)選取40組數(shù)據(jù)作為模型的樣本，剩下19組用于檢驗?zāi)Ｐ汀Ｔ谀Ｐ瓦M(jìn)行數(shù)據(jù)訓(xùn)練初期:先初始化權(quán)值和閾值，降低模型陷入局部極值的可能性;設(shè)定均方誤差函數(shù)MSE為模型性能函數(shù)，把樣本數(shù)據(jù)全部輸入到模型后，一次計算全部樣本輸出值再計算誤差繼而修改權(quán)值和閾值。圖1是模型的訓(xùn)練過程。

圖2中，橫軸是訓(xùn)練步數(shù)，在模型訓(xùn)練前設(shè)定為10000；縱軸為均方誤差性能函數(shù)值，是40個輸出的均方誤差值。從圖可以看出，圖像在大約1000步后出現(xiàn)“毛刺”，這是因為在1000步之前，學(xué)習(xí)率基本不變。1000步之后某些時刻，誤差突然變大，于是取消此次權(quán)值和閾值調(diào)整，并且減小學(xué)習(xí)率，因此模型性能函數(shù)值總體下降。

模型預(yù)先設(shè)定了訓(xùn)練達(dá)10000步時停止，這時性能函數(shù)值為5.32367×10-6。對原來40組樣本數(shù)據(jù)進(jìn)行仿真輸出，與目標(biāo)相比，只有1組輸出的誤差率達(dá)20%，16組輸出的誤差率在1%到10%之間，23組輸出的誤差率在1%以下。下面再把剩下19組用于檢驗的數(shù)據(jù)輸入模型，比較輸出結(jié)果，如表。

表中的19組輸入數(shù)據(jù)是未經(jīng)訓(xùn)練的數(shù)據(jù)，從其仿真輸出與目標(biāo)相比，只有第一組數(shù)據(jù)的輸出誤差率達(dá)30%，第五組數(shù)據(jù)27%，第十五組25%，第四組和第十六組分別13%和12%，剩下的十五組都在0.1%以下，可見模型對新數(shù)據(jù)的識別率較高。

四、結(jié)論

從訓(xùn)練圖像的趨勢來看，訓(xùn)練步數(shù)如再。增加，誤差性能函數(shù)值會繼續(xù)下降，模型的識別精確度也會上升，只是收斂速度較慢。

根據(jù)隱含層神經(jīng)元數(shù)量計算公式，在設(shè)定隱含層神經(jīng)元個數(shù)時，從最小值6到最大值16，模型的訓(xùn)練圖像大致相同，在此范圍以外，則差別較大。而每次創(chuàng)建網(wǎng)絡(luò)模型，由于權(quán)值和閾值的初始化值不盡相同，同一隱含層神經(jīng)元個數(shù)的模型重新創(chuàng)建后，所得的訓(xùn)練結(jié)果也略有差別，但不影響整體精度。

基于神經(jīng)網(wǎng)絡(luò)的民營科技企業(yè)信用評價模型在某程度上能模擬人腦的思維。在模型建立初期，樣本數(shù)據(jù)量較少，但已體現(xiàn)出一定的預(yù)測能力，隨著樣本數(shù)據(jù)的增加和訓(xùn)練步數(shù)的增加，模型的評價性能會進(jìn)一步提升，其特征逐步向參考對象靠近。

但在構(gòu)建過程中，還需要與相關(guān)人員的配合，為模型提供大量樣本數(shù)據(jù)，同時，網(wǎng)絡(luò)的學(xué)習(xí)算法也是要繼續(xù)探討和研究。

參考文獻(xiàn)：

[1]蔡文沽梅姝娥仲偉俊:國家科技計劃信用制度建設(shè)初探[J].現(xiàn)代管理科技，2004，6:15～16

[2]科技部:積極推進(jìn)科技信用管理制度建設(shè)[J].政策信息，2004，9

[3]高麗華朱邦毅:基于BP神經(jīng)網(wǎng)絡(luò)的中小企業(yè)信用評價[J].商場現(xiàn)代化，2006，467，:79～80

[4]鐘田麗賈立恒:中小企業(yè)信用評價的神經(jīng)網(wǎng)絡(luò)法[J].技術(shù)經(jīng)濟(jì)與管理研究，2005，5:30～31

[5]陳雄華林成德葉武:基于神經(jīng)網(wǎng)絡(luò)的企業(yè)信用等級評估[J].系統(tǒng)工程學(xué)報，2002，17-6:570-575

[6]王靜王延濤何德權(quán):基于多層前饋神經(jīng)網(wǎng)絡(luò)的個人信用評分模型[J].經(jīng)濟(jì)師，2004，12:20～21

[7]周繼成等:人工神經(jīng)網(wǎng)絡(luò)-第六代計算機(jī)的實現(xiàn)[M].第一版.北京:科學(xué)普及出版社，1993，47～51

[8]朱大奇史慧:人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].第一版.北京:科學(xué)出版社，2006，34～39

[9] Se Hun Lim， Kyungdoo Nam: Artificial Neural Network Modeling in Forecasting Successful Implementation of ERP Systems [J]. International Journal of Computational Intelligence Research，2006.2-1: 115～119

[10]Ramesh Rajagopalan， Purnima Rajagopalan: Applications of Neural Network in Manufacturing [J]. Proceedings of the 29th Annual Hawaii International Conference on System Sciences，1996: 447～453