基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的大數(shù)據(jù)上市公司創(chuàng)新能力評(píng)價(jià)

胡震云，葉燕杰

(1.河海大學(xué) 水文水資源與水利工程科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210098；2.河海大學(xué) 商學(xué)院，江蘇 南京 210098；3.河海大學(xué) 管理科學(xué)研究所，江蘇 南京 210098)

?

基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的大數(shù)據(jù)上市公司創(chuàng)新能力評(píng)價(jià)

胡震云1,2,3，葉燕杰2

(1.河海大學(xué) 水文水資源與水利工程科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210098；2.河海大學(xué) 商學(xué)院，江蘇 南京 210098；3.河海大學(xué) 管理科學(xué)研究所，江蘇 南京 210098)

摘要：提出了一種改進(jìn)的量子免疫克隆算法，并將其用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；多個(gè)性能評(píng)價(jià)指標(biāo)表明，改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)具有較好的收斂性能和預(yù)測(cè)精度；最后利用改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型對(duì)大數(shù)據(jù)上市公司創(chuàng)新能力進(jìn)行評(píng)價(jià)。

關(guān)鍵詞：量子免疫克隆算法；BP神經(jīng)網(wǎng)絡(luò)；大數(shù)據(jù)上市公司創(chuàng)新能力評(píng)價(jià)

目前，我國(guó)的大數(shù)據(jù)企業(yè)雖然處于起步階段，但發(fā)展極為迅速，具備較強(qiáng)的自主創(chuàng)新能力是其獲得競(jìng)爭(zhēng)力的關(guān)鍵，也是大數(shù)據(jù)企業(yè)可持續(xù)發(fā)展的核心[1]。呂天文[2]結(jié)合大數(shù)據(jù)發(fā)展戰(zhàn)略，從大數(shù)據(jù)行業(yè)的技術(shù)創(chuàng)新、開(kāi)發(fā)環(huán)境、數(shù)據(jù)處理成本等5個(gè)方面出發(fā)，分析了當(dāng)前大數(shù)據(jù)行業(yè)技術(shù)的發(fā)展趨勢(shì)。姜鋒[3]分析了大數(shù)據(jù)在醫(yī)療衛(wèi)生、食品安全、智慧交通等行業(yè)的發(fā)展?fàn)顩r，并提出大數(shù)據(jù)產(chǎn)業(yè)下的創(chuàng)新商業(yè)模式，而對(duì)大數(shù)據(jù)企業(yè)創(chuàng)新能力的研究較少。

在企業(yè)創(chuàng)新能力評(píng)價(jià)研究方面，STEEK[4]較早研究了創(chuàng)新能力評(píng)價(jià)技術(shù)，用表格的形式來(lái)評(píng)價(jià)企業(yè)的R&D活動(dòng)。呂曉強(qiáng)[5]從技術(shù)研發(fā)和投入、組織管理、營(yíng)銷(xiāo)財(cái)務(wù)等角度出發(fā)，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)技術(shù)創(chuàng)新能力評(píng)價(jià)模型，并驗(yàn)證了該模型的有效性。張永禮等[6]提出了基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型，驗(yàn)證了改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型具有更高的預(yù)測(cè)準(zhǔn)確率。

目前遺傳算法和量子免疫已經(jīng)廣泛地應(yīng)用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，但由于這些算法自身存在運(yùn)行效率低、容易陷入局部最優(yōu)解、收斂速度較慢等缺陷，因此筆者提出一種改進(jìn)的量子免疫克隆算法(improved quantum-inspired clonal algorithm，IQICA)，IQICA是一種高效的并行算法，其進(jìn)化操作不僅是常規(guī)進(jìn)化算法的選擇運(yùn)算，而且具有更好的種群多樣性。筆者將改進(jìn)的量子免疫克隆算法用于優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)，并將其應(yīng)用于大數(shù)據(jù)上市公司創(chuàng)新能力評(píng)價(jià)中。

1IQICA-RBF神經(jīng)網(wǎng)絡(luò)模型

1.1改進(jìn)的量子免疫克隆算法

(1)克隆算子的改進(jìn)。筆者提出一種包含抗體濃度、抗體親和度及抗體擁擠距離的克隆算子，具體公式為：

(1)

式中：Ni為抗體Pi的克隆算子；f(Pi)為抗體Pi的親和力函數(shù)值；idistance為擁擠距離，ω、θ都為常數(shù)，且ω>0,θ>0。單個(gè)抗體的克隆規(guī)?？筛鶕?jù)抗體濃度、適應(yīng)度及擁擠距離自適應(yīng)地進(jìn)行調(diào)整。

(2)變異算子的改進(jìn) 。引入自適應(yīng)變異策略，該策略既可以兼顧全局搜索和局部尋優(yōu)，又可以動(dòng)態(tài)地控制算法的進(jìn)化頻率，提高搜索對(duì)空間變化的適應(yīng)能力。具體方法如下：

(2)

式中：fmax為種群中抗體最大的適應(yīng)度值；favg為當(dāng)代種群中抗體的平均適應(yīng)度值；f*為參與變異操作抗體的適應(yīng)度值；Pm1、Pm2分別為最大、最小變異概率。變異概率一般取0.000 1～0.100 0[7]，具體數(shù)值需根據(jù)研究對(duì)象的特性進(jìn)行確定。

筆者采用Pauli組合變異。通過(guò)變異概率確定要變異的個(gè)體，對(duì)選中的個(gè)體隨機(jī)確定變異位，以1/3的概率隨機(jī)選擇Pauli算子中的一種，對(duì)選中量子比特執(zhí)行變異操作。Pauli矩陣一般包括3種：

(3)

Pauli組合變異算子操作對(duì)個(gè)體中染色體基因位進(jìn)行雙向搜索，使算子能對(duì)更多的模式進(jìn)行搜索，從而使優(yōu)化問(wèn)題得到較好的解決。

1.2BP神經(jīng)網(wǎng)絡(luò)

BP(back-propagation)神經(jīng)網(wǎng)絡(luò)主要由3層神經(jīng)元組成，分別為輸入層、中間層和輸出層，各層級(jí)由若干個(gè)神經(jīng)元(節(jié)點(diǎn))相連接，神經(jīng)元可實(shí)現(xiàn)輸入和輸出之間的任意非線性映射[8]。通過(guò)對(duì)樣本數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練來(lái)調(diào)節(jié)權(quán)值和閾值，使網(wǎng)絡(luò)的輸出不斷接近期望輸出，達(dá)到自學(xué)習(xí)自適應(yīng)的能力，從而提高預(yù)測(cè)的準(zhǔn)確性[9]。

1.3IQICA-BP的算法流程

IQICA-BP算法的基本原理是：通過(guò)量子免疫克隆算法對(duì)神經(jīng)元的連接權(quán)值進(jìn)行量子編碼，使之成為碼串的初始群體，再通過(guò)交叉、變異、克隆等操作對(duì)每一代的群體進(jìn)行計(jì)算和篩選，直到獲得最佳權(quán)值和閾值，算法流程圖如圖1所示。

圖1　IQICA-BP算法流程圖

2實(shí)證分析

2.1樣本選取

筆者選擇對(duì)我國(guó)滬深兩市的大數(shù)據(jù)板塊上市公司進(jìn)行實(shí)證研究，篩選出符合條件的41家上市公司。由于各指標(biāo)數(shù)據(jù)存在差異性，因此需對(duì)數(shù)據(jù)進(jìn)行歸一化處理，具體公式為：

(4)

2.2指標(biāo)體系構(gòu)建

為了對(duì)大數(shù)據(jù)上市公司創(chuàng)新能力進(jìn)行全面評(píng)價(jià)，筆者選取了20個(gè)指標(biāo)，初始指標(biāo)體系包括：①技術(shù)創(chuàng)新能力指標(biāo)(X1研發(fā)費(fèi)用投入比率，X2研發(fā)人員比例，X3技術(shù)人員對(duì)主營(yíng)業(yè)務(wù)收入的支撐度，X4無(wú)形資產(chǎn)比率，X5專(zhuān)利、著作權(quán)數(shù)量)；②制度創(chuàng)新能力指標(biāo)(X6高管年末持股比例，X7獨(dú)立董事比例，X8董事會(huì)本科以上比例，X9董事會(huì)會(huì)議次數(shù))；③管理創(chuàng)新能力指標(biāo)(X10總資產(chǎn)周轉(zhuǎn)率，X11應(yīng)收賬款周轉(zhuǎn)率，X12管理費(fèi)用投入比率，X13全員勞動(dòng)生產(chǎn)率)；④財(cái)務(wù)能力指標(biāo)(X14凈利潤(rùn)增長(zhǎng)率，X15營(yíng)業(yè)凈利率，X16凈資產(chǎn)收益率，X17每股收益)；⑤市場(chǎng)營(yíng)銷(xiāo)創(chuàng)新能力指標(biāo)(X18銷(xiāo)售費(fèi)用投入比率，X19銷(xiāo)售人員投入比率，X20營(yíng)業(yè)收入增長(zhǎng)率)。

2.2.1創(chuàng)新能力指標(biāo)篩選

筆者所選取的指標(biāo)集雖能完整地反映出企業(yè)的創(chuàng)新能力，但由于指標(biāo)數(shù)量太多，部分指標(biāo)之間存在著較強(qiáng)的相關(guān)性，因此有必要對(duì)指標(biāo)進(jìn)行進(jìn)一步篩選。筆者利用搜集的41家樣本公司3年的年報(bào)數(shù)據(jù)對(duì)上述20個(gè)指標(biāo)進(jìn)行了均值計(jì)算和單變量t檢驗(yàn)，共得到2 460個(gè)數(shù)據(jù)。

通過(guò)數(shù)據(jù)得到在5%置信水平下的檢驗(yàn)結(jié)果，結(jié)果顯示指標(biāo)X3、X9、X10在5%的置信水平下顯著性檢驗(yàn)不通過(guò)，因此通過(guò)初次篩選的有17個(gè)指標(biāo)。鑒于篩選的指標(biāo)數(shù)目仍然比較龐大，因此有必要對(duì)指標(biāo)進(jìn)一步處理，筆者結(jié)合主成分分析法再次處理。

2.2.2主成分分析與改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的結(jié)合

利用主成分分析法對(duì)上述指標(biāo)進(jìn)行分析，可以得到因子載荷矩陣，如表1所示。

表1　因子載荷矩陣

通過(guò)SPSS運(yùn)行數(shù)據(jù)可以發(fā)現(xiàn)，筆者選取的7個(gè)主成分能夠涵蓋83.9%的指標(biāo)信息，已基本能夠反映原指標(biāo)的主要信息，這7個(gè)主成分也將作為神經(jīng)網(wǎng)絡(luò)模型的輸入值。

2.3網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置

(1)輸入層神經(jīng)元個(gè)數(shù)n的確定。將7個(gè)主成分作為模型的輸入神經(jīng)元，由于筆者選取上市公司2012—2013年的年報(bào)數(shù)據(jù)作為訓(xùn)練樣本，因此輸入層神經(jīng)元個(gè)數(shù)為14。

(2)輸出層神經(jīng)元個(gè)數(shù)m的確定。企業(yè)創(chuàng)新能力評(píng)價(jià)的輸出結(jié)果是企業(yè)創(chuàng)新能力的綜合評(píng)價(jià)值，將代表相應(yīng)大數(shù)據(jù)公司創(chuàng)新能力綜合評(píng)價(jià)設(shè)置為5個(gè)等級(jí),如表2所示。因此，輸出層神經(jīng)元個(gè)數(shù)為1。

表2　大數(shù)據(jù)上市公司創(chuàng)新能力評(píng)價(jià)指標(biāo)的評(píng)分標(biāo)準(zhǔn)

(3)中間隱含層S的確定。隱含層神經(jīng)元數(shù)目的選取關(guān)系到整個(gè)BP神經(jīng)網(wǎng)絡(luò)的精度和學(xué)習(xí)效率，筆者采用以下經(jīng)驗(yàn)公式確定隱含層神經(jīng)元數(shù)目：

(5)

式中：n=14；m=1；a=7；通過(guò)計(jì)算得出隱含層神經(jīng)元數(shù)目為11。

2.4大數(shù)據(jù)上市公司創(chuàng)新能力評(píng)價(jià)

(1)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。通過(guò)改進(jìn)的量子免疫克隆算法對(duì)網(wǎng)絡(luò)輸出層的權(quán)值進(jìn)行優(yōu)化，IQICA算法相關(guān)設(shè)置如下：最大迭代次數(shù)為200，種群規(guī)模為100，克隆規(guī)模為50，錦標(biāo)賽選擇規(guī)模為2，人工免疫記憶庫(kù)規(guī)模為50，適應(yīng)度函數(shù)值偏差為e-100；自適應(yīng)交叉和變異策略設(shè)置成交叉概率Pc∈[0.400 0, 0.990 0]，變異概率Pm∈[0.000 1, 0.100 0][10]。初始設(shè)置已獲得權(quán)值的范圍為[-1，1]，通過(guò)基于誤差的目標(biāo)函數(shù)f=1/E，在優(yōu)化權(quán)重過(guò)程中，適應(yīng)度函數(shù)會(huì)隨著權(quán)重變化而變化，誤差也會(huì)隨之變化，直到誤差達(dá)到要求或收斂。

獲得最佳神經(jīng)初始權(quán)值和閾值后，再利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，筆者選取的訓(xùn)練樣本為41家上市公司2012—2013年的年報(bào)數(shù)據(jù)，將上市公司的2014年數(shù)據(jù)作為預(yù)測(cè)樣本，并與傳統(tǒng)型BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，結(jié)果如圖2和圖3所示。

圖2　改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的實(shí)際與仿真結(jié)果圖

圖3　傳統(tǒng)型BP神經(jīng)網(wǎng)絡(luò)的實(shí)際與仿真結(jié)果圖

(2)訓(xùn)練結(jié)果對(duì)比分析?；趦煞N神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果，從訓(xùn)練步數(shù)、訓(xùn)練時(shí)間、測(cè)試時(shí)間等指標(biāo)進(jìn)行綜合對(duì)比分析，結(jié)果如表3所示。

表3　綜合對(duì)比分析

通過(guò)以上多個(gè)角度對(duì)比可以看出，基于改進(jìn)的量子免疫克隆算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在各個(gè)性能效果上均優(yōu)于傳統(tǒng)型BP神經(jīng)網(wǎng)絡(luò)，因此將改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)用于大數(shù)據(jù)上市公司創(chuàng)新能力評(píng)價(jià)是可行的。

(3)改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果?；趯?duì)比分析，將改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)用于大數(shù)據(jù)上市公司創(chuàng)新能力評(píng)價(jià)，使用大數(shù)據(jù)企業(yè)2014年的年報(bào)數(shù)據(jù)進(jìn)行評(píng)價(jià)，結(jié)果如表4所示。需要說(shuō)明

表4　改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)結(jié)果

的是，由于上市公司數(shù)量較多，筆者選取的是其中20家上市公司作為代表。可以看出，大多數(shù)大數(shù)據(jù)上市公司的創(chuàng)新能力都比較強(qiáng)，而部分公司由于剛涉入大數(shù)據(jù)市場(chǎng)，因而創(chuàng)新能力還有待提高，這也與筆者的評(píng)價(jià)結(jié)果相符。

3結(jié)論

筆者基于量子免疫克隆算法和BP神經(jīng)網(wǎng)絡(luò)的分析方法，開(kāi)展大數(shù)據(jù)上市公司創(chuàng)新能力研究。針對(duì)我國(guó)大數(shù)據(jù)板塊上市公司的具體情況，選取了41家大數(shù)據(jù)上市公司作為研究樣本，通過(guò)與傳統(tǒng)型BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比可以發(fā)現(xiàn)，改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)收斂性能更好，模型預(yù)測(cè)準(zhǔn)確率更高。

參考文獻(xiàn)：

[1]梅強(qiáng)，范茜.基于BP神經(jīng)網(wǎng)絡(luò)的高新技術(shù)企業(yè)自主創(chuàng)新能力評(píng)價(jià)研究[J].科技管理研究，2011(11):1-4.

[2]呂天文.中國(guó)大數(shù)據(jù)行業(yè)分析與展望[J].電源世界，2014(2)：4-6.

[3]姜鋒.大數(shù)據(jù)行業(yè)應(yīng)用和商業(yè)模式研究[J]. 軟件產(chǎn)業(yè)與工程，2014(4)：20-23.

[4]STEEK L. Evaluating the technical operation[J]. Research Management，1994(10)：1-18.

[5]呂曉強(qiáng).基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)技術(shù)創(chuàng)新能力評(píng)價(jià)及應(yīng)用研究[D].西安：西北工業(yè)大學(xué)，2005.

[6]張永禮，武建章.GA-BP神經(jīng)網(wǎng)絡(luò)模型在地區(qū)工業(yè)技術(shù)創(chuàng)新能力評(píng)價(jià)中的應(yīng)用[J].工業(yè)技術(shù)經(jīng)濟(jì)，2015(4)：98-104.

[7]ZITZLER E, DEB K, THIELE L. Comparison of multi-objective evolutionary algorithms：empirical results[J].Evolutionary Computation，2000，8(2)：173-195.

[8]陳建新，資明貴，劉志龍.BP神經(jīng)網(wǎng)絡(luò)在企業(yè)技術(shù)創(chuàng)新風(fēng)險(xiǎn)評(píng)價(jià)中的應(yīng)用[J].科技管理研究，2007，27(10)：88-91.

[9]SHINTANI M, LINTON O. Nonparametric neutral network estimation of lyapunov exponents and a direct test for chaos [J].Journal of Econometrics，2004，120(1)：1-33.

[10]鄧富民，梁學(xué)棟，劉愛(ài)軍，等.多資源約束下改進(jìn)NSGA-Ⅱ算法的手術(shù)調(diào)度[J].系統(tǒng)工程理論與實(shí)踐，2012，32(6)：1337-1345.

HU Zhenyun:Prof.; School of Business, Hohai University, Nanjing 211100,China.

文章編號(hào)：2095-3852(2016)03-0343-03

文獻(xiàn)標(biāo)志碼:A

收稿日期：2016-01-11.

作者簡(jiǎn)介：胡震云(1968-)，女，江蘇南京人，河海大學(xué)商學(xué)院教授.

基金項(xiàng)目：國(guó)家社會(huì)科學(xué)基金項(xiàng)目(12&ZD214).

中圖分類(lèi)號(hào)：F715.5

DOI：10.3963/j.issn.2095-3852.2016.03.017

Innovation Ability Evaluation of Big Data Listed Companies Based on Improved BP Neural Network

HUZhenyun,YEYanjie

Abstract：This paper proposes an improved quantum-inspired clonal algorithm ,and to optimize the network weights and thresholds of BP network. From a plurality of performance evaluation can be found, the improved BP neural network has better convergence performance and prediction accuracy. Finally,use the improved BP neural network model to evaluate the innovation ability of big data listed companies.

Key words：quantum-inspired clonal algorithm; BP neural network;innovation ability evaluation of big data listed companies