創新人才成長環境影響因子排序分析

陳鵬，張吉軍

（西南石油大學經濟管理學院，成都610500）

創新人才成長環境影響因子排序分析

陳鵬，張吉軍

（西南石油大學經濟管理學院，成都610500）

文章從創新人才現狀、創新氛圍、研發環境、創新激勵四個維度構建BP-DEMATEL模型測度指標；并對層級指標進行基于神經網絡的權值替代直接關聯矩陣，以修正BP-DEMATEL模型對創新人才成長環境的驗證，并根據網絡訓練與反訓練評價指標信號測度非線性映射引入含動量項對比，開展了專家層級評估與引入動量項在神經網絡訓練以及對比原因度方面的精度比較。結果證實：創新人才成長環境的評估與影響因子解釋包含測度指標評估的主觀信號擺動干擾，訓練測試中進行未引入動量項比對，有利于提升修正BP-DEMATEL模型對創新人才成長環境的解釋精度。

創新人才；成長環境；BP-DEMATEL；神經網絡

0 引言

我國的產業創新同時面臨創新的規模與結構性動力欠缺、企業對創新支持與推動的政策力度不足、創新研發投入規模以及創新研發成果轉化薄弱等問題，這些因素都成為創新人才發揮自身才能與優勢的環境制約因素。因此，如何進一步通過創新人才環境測度研究的改進，來提升我國產業創新過程中的創新人才成長環境改進，就成為這一領域的研究熱點。

現有研究主要針對環境影響因素的測度開展了定性與定量分析，所用方法主要集中于BP神經網絡及其訓練的修正改進，對于環境影響因子的測度也主要從直接的樣本選取向量訓練著手，但對于BP神經網絡及其訓練的改進以及如何通過網絡訓練過程的精度改進，來進一步修正所用模型工具方面的研究相對偏少，而且在樣本評估的信號振蕩等方面的處理上尚未有效結合BP神經網絡訓練模型的可改進之處。因此，本文擬結合BP神經網絡基本原理，通過神經網絡權值替代傳統測度的直接關聯矩陣測度，以創新人才現狀、創新氛圍、研發環境、創新激勵等多角度指標劃分，修正BP-DEMATEL模型在創新人才成長環境的測度，在指標測度反饋方面，結合專家層級評估與引入動量項的自適應速率梯度的評估因子測度遞增與遞減的對比，提升修正BP-DEMATEL模型對創新人才成長環境評估的精度。

1 基于BP-DEMATEL的人才成長環境評價機理

本文針對創新人才成長環境確立指標的歸一化直接關聯矩陣X并對其進行BP-DEMATEL的決策實驗和評價實驗法的關聯矩陣定義，即：

式（2）刻畫的是基于式（1）的關聯矩陣在測度指標獲得關聯顯著性前提下直接關聯矩陣部分的對應值。此時，按照突出度與關聯度，可以求得對應矩陣的元素折算值進行進一步的BP-DEMATEL訓練，且訓練過程所需突出度向量集T與關聯度向量集分別為：

式（4）所需訓練樣本對照集為式（3）與其形成的BP-DEMATEL訓練對照向量對角矩陣元素折中矩陣，即：

式（5）同時用于區分樣本指標在形成關聯以及直接關聯時的原因組或結果組歸屬，也即是經過BP-DEMATEL訓練的指標在影響信號上的歸屬，一般以R(T-1)′對應矩陣表示結果組內因子的原因組影響作用結果。

為進一步提高模型精度，本文針對傳統BP神經網絡訓練存在的權重矩陣測度信號收斂趨勢過緩，以及局部最小等弊端，進行了權重矩陣測度的方法改進，即通過自適應梯度下降來改變BP-DEMATEL訓練針對神經網絡核心因子與因子原因度歸結過程的對比方式。其中指標選取按照測度的關聯矩陣D、向量矩陣T對應測度信號誤差累積：

2 算例分析

式（6）中υ描述的是選取指標評估信號值產生側動遞增或遞減自適應梯度的響應程度，和負責刻畫的是測度遞增、遞減的誤差量。由此，本文按照原因組和結果組進行神經網絡核心因子以及對比原因度的動量項自適應梯度速率的權重矩陣構建，權重矩陣包含了基于一般神經網絡訓練的輸入層、隱含層權重值，并按照一個向量矩陣進行梯度速率折算，即：

因此，本文根據BP-DEMATEL訓練結果對比各對應指標的直接影響矩陣，進行對BP-DEMATEL的自適應梯度的模型改進，即：

其中的矩陣對應元素如下排列，其中當wj＜0表示測度遞減，負責刻畫的是訓練樣本指標估計值低于實際指標的影響權重，反之則表示測度遞增，負責刻畫的是在修正波動范圍內的訓練樣本指標高于實際指標權重值，兩者均衡臨界為由BP-DEMATEL進入修正自適應梯度的動量項對比值。按照第i個影響因子對第j個影響因子的互相影響程度進行指標測度均衡的誤差比較，再通過誤差比較形成對比基礎神經網絡訓練結果，將結果進行歸一化處理。基于基礎神經網絡訓練的神經網絡核心因子、對比原因度，通過歸一化直關聯矩陣和全關聯矩陣獲得對于修正BP-DEMATEL模型的預測信息折算，并由此展開預測結果比對：

2.1 指標選取與數據來源

從已有文獻來看，有關創新人才成長環境評價的因素分類較多，本文主要選取了創新人才現狀、創新氛圍、研發環境、創新激勵四個維度構建BP-DEMATEL模型一級指標，其中人才現狀t1主要按照創新研發人員的企業員工占比數t11、碩士以上學歷的企業員工占比數t12構建BP-DEMATEL模型二級指標；創新氛圍t2主要按照創新鼓勵程度t21、創新團隊融洽度t22、領導對創新員工關心程度t23構建BP-DEMATEL模型二級指標；研發環境t3主要通過年均創新研發投入經費t31、年均創新研發專利規模t32、年均創新研發項目量t33構建BP-DEMATEL模型二級指標；創新激勵t4則主要從創新研發在績效考評中的權重t41、中高層次創新研發培新規模t42、創新研發培訓的多元化程度t43構建BP-DEMATEL模型二級指標。

同時，鑒于測度過程中樣本與訓練信號構成的矩陣容易產生變量自相關，并且通過直接關聯造成判斷信號在系統中的重要程度因子差異，本文利用了BP-DEMATEL模型，結合上述式（3）和式（4），進行神經網絡的權值來替代基本BP-DEMATEL模型的直接關聯矩陣分值。

2.2 算例指標

本文選取西南地區15家企業作為驗證對象進行相應的創新人才成長環境評價，根據選取指標提取樣本數據，并利用層次分析獲得基于BP-DEMATEL的指標權重，具體如表1所示。

表1 基于BP-DEMATEL的指標權重

接著，按照樣本選取指標結合，進行層次分析專家評分，用以構建符合BP-DEMATEL模型的關聯矩陣信號向量。其中，進行樣本指標數據選取的層次分析專家評分按照每一層次指標的得分累積獲得，即：

所獲評價指標對應的專家評分結果如表2所示。

表2 BP-DEMATEL的專家評分

其中，測度遞增與測度遞減所需相互影響度如下：

最后，根據相互影響度判別基于式（8）和式（9），進行含動量項的BP-DEMATEL環境因素對比。

2.3 結果分析

按照前述設定，利用Matlab7.0編程針對所選樣本分組進行BP-DEMATEL的訓練結果比對分析，預先設定目標誤差在向量集構成矩陣中臨界值為0.0001，經計算整個訓練過程形成6個樣本的BP神經元隱含層調整，訓練585步，在BP-DEMATEL訓練基本誤差范圍內，從BP-DEMA-TEL訓練信號來看，經修正的BP-DEMATEL在訓練誤差收斂性上不同于基礎的BP神經網絡訓練，從5到45階梯狀降幅來看，僅僅跨步2，而后續的長尾則覆蓋了整個BP-DEMATEL訓練的樣本組與對照組。

接著，依據前述式（12）進行進一步的BP-DEMATEL訓練測試與反訓練集，為消除單一的層次分析專家評估與樣本顯示運行指標間的誤差，本文進行反復訓練，直至正確率為96.5%的訓練結果數據進行創新人才成長環境構成的一級、二級因子的神經網絡核心因子、對比原因度，具體如表3所示。

表3 修正BP-DEMATEL訓練的核心及對比原因度

從表3可知，無論是原因度還是神經網絡核心因子，都報告了創新鼓勵程度t21以及年均創新研發投入經費t31的顯著關聯。該兩類二級指標的原因度都在0.3以上，且其相應的神經網絡核心因子測度結果均超過了1，這就說明對于創新人才成長環境構建而言，一定規模的持續經費投入和創新鼓勵程度是創新人才成長環境的顯著標志。

同時，本文針對持續BP-DEMATEL訓練測試與反訓練集中所獲得的顯著二級指標，及其對應的一級指標進行未引入動量項的原始值表比對，從而細化創新人才成長環境的樣本指標與評價值之間的差異。

表4 創新人才成長環境因子排序(測度遞增）

從表4的結果來看，經過未引入動量項的原始值表比對的結果進一步證實了BP-DEMATEL訓練測試對于創新人才成長環境評價的精度優化意義。本文將式（2）與式（4）進行原始項與未引入項比對，對于創新人才成長環境影響依次的D+T排序前五的因子為創新鼓勵程度、領導對創新員工關心程度、年均創新研發專利規模、中高層次創新研發培新規模和創新研發在績效考評中的權重；而創新人才成長環境影響依次的D-T排序前五的因子為創新團隊融洽度、領導對創新員工關心程度、年均創新研發專利規模、創新研發培訓的多元化程度、年均創新研發項目量。這就說明，在修正BP-DEMATEL訓練測試中進行未引入動量項比對，對于創新人才成長環境影響因素的解釋具有更高的精度意義。同時，可以從式（2）與式（4）的左右側指標對創新人才成長環境影響因子構成的解釋偏差中得知，領導對創新員工關心程度、年均創新研發專利規模兩項作為影響創新人才成長環境的主要構成因素，在創新人才成長環境中的“軟硬件”改善中具有重要作用。另外，對比表3的影響因素排序，進入的僅為t32，其對應的分別為0.772663和0.591726。

表5 創新人才成長環境因子排序(測度遞減）

從表5可見，基于專家評估基礎上的層次分析的創新人才成長環境神經網絡訓練在核心因子上具有較高的解釋能力，但其對于創新人才成長環境指標間相互作用的雙側信號干擾排除能力相對較弱，兩類訓練過程的測度用時分別為4.019秒和0.137秒，其中存在排序重疊的領導對創新員工關心度因子（t23）、年均創新研發專利規模（t32），在核心及對比原因度分別報告了0.772663和0.591726，而在測動遞增與遞減中則分別報告了0.626347和0.702735，以及0.572736和0.518235，影響因子的網絡訓練核心因子與對比原因度占含動量項對比訓練結果的0.8106、0.9095和0.9679、0.8758，即后者對前者測度的比值均低于100%。通過不同層次角度的訓練方法與解釋精度比對可知，利用BP-DEMATEL構成因子在測度指標評估量化中的進一步信號擺動比對，提高了BP-DEMATEL對整個創新人才成長環境評估的修正精度。

最后，本文按照式（9）和式（10），基于測度指標信號測度，開展自適應速率的梯度下降樣本預測，按照非線性映射引入動量項與未引入的專家評估，進行了針對輸出與目標信號值的誤差比較，具體如表6所示（見下頁）。

通過表6所示的修正BP-DEMATEL的樣本預測及比對可知，所選15個樣本的目標輸出信號值均高于輸出信號報告結果，說明測度指標信號測度非線性映射引入動量項對于創新人才成長環境的指標選取獲得了更好的網絡訓練向量權重值；經過自適應速率梯度下降的樣本在輸出信號值上報告了0.5123的均值，而相比之下，其梯度下降目標信號值報告了0.5145的均值，經過測度指標信號測度的修正BP-DEMATEL訓練相對誤差均低于1%，第13個樣本企業報告了最低誤差，為0.000201，第2個樣本企業報告了最高誤差，為0.009325，總體誤差均值僅為0.0022，即按照層級映射的信號測度對創新人才成長環境的評估，可通過修正BP-DEMATEL模型進行神經網絡訓練，達到目標影響因子權重解釋精度的千分之一級的誤差修正。由此可見，對于修正BP-DEMATEL模型，應該進一步針對訓練測試與反訓練進行向量權重的自適應速率梯度下降控制預測，進而提升模型對創新人才成長環境因子評估中的解釋力度。

表6 修正BP-DEMATEL的樣本預測及比對

3 結束語

本文通過與單一神經網絡訓練的層級專家評估影響因子對比，開展了基于創新人才現狀、創新氛圍、研發環境、創新激勵四個維度的BP-DEMATEL訓練測試，并針對持續BP-DEMATEL訓練測試與反訓練集，引入了含動量項對比的修正BP-DEMATEL網絡訓練結果的驗證目標精度分析。從算例分析的結果看，本文從驗證樣本的信息評估左右側角度進一步優化了BP-DEMATEL對創新人才成長環境的影響因子解釋。當然，創新人才成長環境的定量研究尚處于一個起步階段，模型的適用性和有效性還需要后續進一步的實證檢驗。

[1]Turan H H,Kasap N,Delen D,et al.Stochastic Capacity Acquisition and Allocation Model for Bandwidth Brokers Under Fuzzy Volume Based Pricing Scheme[J].International Journal of Computational Intelligence Systems,2016,9(2).

[2]Malsch B,Gendron Y.Reining in Auditors:On the Dynamics of Power Surrounding an“Innovation”in the Regulatory Space[J].Fuel&Energy Abstracts,2011,36(7).

[3]Jin F U,Ahlstrom D,Chen S Y,et al.Increasing HR's Strategic Participation:The Effect of HR Service Quality and Contribution Expectations[J].Human Resource Management,2012,51(1).

[4]韓晉,楊岳,陳峰等.基于非等時距加權灰色模型與神經網絡的組合預測算法[J].應用數學和力學,2013,34(4).

[5]陳峰,何有世.基于小波神經網絡的中小企業人才競爭力評價[J].江蘇科技大學學報：自然科學版,2010,24(3).

[6]成全,楊碧麗,許華斌等.原始性創新環境影響因素研究——基于BP-DEMATEL模型的實證[J].科學學研究,2016,34(4).

[7]王旭.基于DEMATEL方法的科技型企業創生環境影響因素分析[J].工業技術經濟,2008,27(6).

[8]崔強,武春友,匡海波.BP-DEMATEL在空港競爭力影響因素識別中的應用[J].系統工程理論與實踐,2013,33(6).

[9]吳彪,許洪國,戴彤焱.基于DEMATEL-ISM的高速公路作業區交通安全影響因素辨識[J].交通運輸系統工程與信息,2010,10(5).

（責任編輯/易永生）

C962

A

1002-6487（2017）11-0049-04

“油氣藏地質及開發工程”國家重點實驗室開發基金資助項目（PLN1021）；四川省哲學社會科學規劃項目（SC10E027）

陳鵬（1980—），男，河南南陽人，博士研究生，研究方向：石油人力資源開發與管理。張吉軍（1963—），男，四川南充人，教授，博士生導師，研究方向：石油工程管理。