基于智能演算法的企業(yè)績效FOA—ROE模型研究

林建邦 王天

[摘 要]隨著工業(yè)4.0時(shí)代下《中國制造2025》的正式出臺(tái)，強(qiáng)國目標(biāo)已由“中國制造”加速向“中國智造”轉(zhuǎn)型，意味著新的“智能科技時(shí)代”已經(jīng)到來。文章提出以果蠅演算法優(yōu)化智能科技產(chǎn)業(yè)經(jīng)營績效模型。結(jié)果顯示，果蠅演算法能有效優(yōu)化模型預(yù)測能力，其中固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率及研發(fā)生產(chǎn)力三項(xiàng)為最有影響力之指標(biāo)，與智能科技企業(yè)經(jīng)營績效具有顯著正相關(guān)關(guān)系。

[關(guān)鍵詞]智能科技；經(jīng)營績效；果蠅優(yōu)化演算法

[DOI]10.13939/j.cnki.zgsc.2018.17.075

1 前 言

工業(yè)4.0以智能制造為重點(diǎn)，中國版工業(yè)4.0規(guī)劃是中國尋求制造業(yè)智能轉(zhuǎn)型的必由之路。為此，中國政府一方面出臺(tái)《中國制造2025》規(guī)劃，作為實(shí)現(xiàn)智能化改造的國家戰(zhàn)略；另一方面也積極吸引海內(nèi)外有關(guān)投資和加速智能制造的研究實(shí)踐推廣。目前，整個(gè)中國智能制造相關(guān)行業(yè)的市場空間已達(dá)到1000億元，而根據(jù)艾瑞咨詢公司的行業(yè)研究報(bào)告，2015年中國智能硬件熱門品類的銷量已達(dá)千萬以上，2016年中國智能產(chǎn)業(yè)規(guī)模達(dá)95.6億元，比2015年同比增長37.9%，整個(gè)行業(yè)的規(guī)模將實(shí)現(xiàn)持續(xù)增長的態(tài)勢(shì)。[1]

企業(yè)在營運(yùn)發(fā)展的過程中，若能便捷地透過自身經(jīng)營數(shù)據(jù)提前預(yù)知營運(yùn)危機(jī)及有效地掌握經(jīng)營實(shí)況，在適當(dāng)時(shí)間做出合宜反應(yīng)，是為企業(yè)實(shí)現(xiàn)永續(xù)經(jīng)營的關(guān)鍵之處。在智力密集型和技術(shù)密集型企業(yè)當(dāng)中，常被用于衡量企業(yè)經(jīng)營績效的指標(biāo)主要有股東權(quán)益報(bào)酬率；[2]另外，企業(yè)績效基本受到結(jié)構(gòu)資本、流程資本、創(chuàng)新資本等因素的影響，例如：總資產(chǎn)周轉(zhuǎn)率、存貨周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、研發(fā)投入、研發(fā)密集度等皆對(duì)企業(yè)績效有顯著影響。[3-4]

由于中國的智能科技產(chǎn)業(yè)發(fā)展起步較晚，對(duì)于該產(chǎn)業(yè)經(jīng)營績效的評(píng)估與預(yù)測目前也無具體明確的指標(biāo)與模型。有鑒于此，本研究采用前沿優(yōu)化算法——果蠅演算法（Fruit Fly Optimization Algorithm，F(xiàn)OA）來優(yōu)化智能科技企業(yè)經(jīng)營績效預(yù)測模型的參數(shù)，該算法過去被成功應(yīng)用于企業(yè)財(cái)務(wù)績效預(yù)測、[5]交通流量預(yù)測[6]、基金買賣決策預(yù)測[7]領(lǐng)域，優(yōu)化后的模型預(yù)測能力均得到提升；同時(shí)，F(xiàn)OA有比其他優(yōu)化算法計(jì)算量較少、復(fù)雜度較低、精確度更高[8]的優(yōu)點(diǎn)。因此，本研究目的采用FOA提高模型預(yù)測力，并找出最適合的預(yù)測模型及對(duì)企業(yè)經(jīng)營績效具有重要影響力的預(yù)測指標(biāo)，為中國智能科技產(chǎn)業(yè)經(jīng)營績效預(yù)測提供較適合的模型，以保持智能科技產(chǎn)業(yè)高速穩(wěn)定的發(fā)展。

2 研究設(shè)計(jì)

2.1 研究架構(gòu)

本研究主要根據(jù)國家發(fā)展目標(biāo)為依據(jù)，選定研究對(duì)象為智能科技產(chǎn)業(yè)，并了解該產(chǎn)業(yè)發(fā)展的現(xiàn)狀；再者，通過大量文獻(xiàn)資料及研究目的，分別采用多元回歸方法（Regression）及果蠅演算法優(yōu)化后的多元回歸（FOA-Regression），建構(gòu)企業(yè)經(jīng)營績效應(yīng)變量的預(yù)測模型，找智能科技企業(yè)經(jīng)營績效預(yù)測的最適合模型與指標(biāo)，研究架構(gòu)如圖1所示。

圖1 研究流程圖情況

2.2 數(shù)據(jù)選取

本研究旨在為中國智能科技產(chǎn)業(yè)建構(gòu)具有較強(qiáng)預(yù)測力之經(jīng)營績效預(yù)測模型，因此以中國上市智能科技產(chǎn)業(yè)公司為研究對(duì)象，通過國泰安數(shù)據(jù)庫篩選出2006—2016年11年間企業(yè)數(shù)據(jù)資料共2554筆，希望從中探尋中國智能科技企業(yè)的發(fā)展軌跡，以助智能科技產(chǎn)業(yè)經(jīng)營戰(zhàn)略和健全體制的發(fā)展。

2.3 研究變量

2.3.1 企業(yè)經(jīng)營績效衡量因素

本研究采用財(cái)務(wù)性指標(biāo)衡量企業(yè)經(jīng)營績效（應(yīng)變量），為股東權(quán)益報(bào)酬率（Return On Equity，ROE），計(jì)算方法如公式所示。

股東權(quán)益報(bào)酬率=稅后損益平均股東權(quán)益凈額

2.3.2 企業(yè)經(jīng)營績效影響因素

由于智能科技企業(yè)屬于知識(shí)、技術(shù)密集型企業(yè)，并根據(jù)其他學(xué)者過往之相關(guān)研究，投入建模的自變量及其計(jì)算公式如表1所示。

2.4 果蠅演算法

果蠅本身在感官知覺上優(yōu)于其他物種，尤其是在嗅覺上，食物的味道越濃，果蠅對(duì)其感知能力就越強(qiáng)，其搜索食物的過程就是不斷地從味道小的地方到達(dá)味道更濃的地方的過程。

依照果蠅搜尋食物的特性，該算法的具體步驟如下。[9]

步驟1：隨機(jī)初始果蠅群體位置（Fly Group）。

InitX_axis；InitY_axis.（1）

步驟2：賦予果蠅個(gè)體（Fly1， Fly2， Fly3）利用其嗅覺搜尋食物之隨機(jī)方向與距離。

Xi=X_axis+RandomValue. （2）

Yi=Y_axis+RandomValue.（3）

步驟3：由于無法得知食物位置，因此先估計(jì)與原點(diǎn)之距離（Dist），再計(jì)算味道濃度判定值（S），此值為距離之倒數(shù)。

Disti= Xi2+Yi2；Si=1Disti.（4）

步驟4：將味道濃度判定值（S）代入味道濃度判定函數(shù)（或稱為Fitness function）以求出該果蠅個(gè)體位置的味道濃度（Smelli）。

Smelli=FunctionSi.（5）

步驟5：找出此果蠅群體中的味道濃度最高的果蠅（求極大值，例如Fly2）。

best Smell best Index=maxSmell. （6）

步驟6：保留最佳味道濃度值與x、y坐標(biāo)，此時(shí)果蠅群體利用視覺向該位置（Fly2）飛去，形成新的群聚位置。

X_axis=Xbest index；（7）

Y_axis=Ybest index.（8）

步驟7：進(jìn)入果蠅迭代尋優(yōu)，重復(fù)執(zhí)行步驟2～5，并判斷味道濃度是否優(yōu)于前一迭代味道濃度，若是則執(zhí)行步驟6。

Smell best=best Smell.（9）

3 實(shí)證分析

本研究以ROE為企業(yè)經(jīng)營績效衡量的應(yīng)變量，并采用多元回歸的逐步回歸法進(jìn)行變量篩選及模型建構(gòu)，摒除共線性及不相關(guān)之變量（VIF<10和P-value<0.05），得出固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、研發(fā)生存力為影響智能科技企業(yè)經(jīng)營績效的重要變量。

進(jìn)一步利用果蠅優(yōu)化演算法優(yōu)化ROE模型的參數(shù)，初始設(shè)定均為5個(gè)果蠅群體，隨機(jī)初始化果蠅群體位置區(qū)間為[0，1]，迭代的果蠅搜尋食物的隨機(jī)飛行方向與距離區(qū)間為[-1，1]，設(shè)定最高迭代次數(shù)為100，建構(gòu)FOA-ROE預(yù)測模型。由圖2可知，F(xiàn)OA-ROE模型在第37次迭代后開始達(dá)到收斂的效果。

圖2 FOA-ROE迭代RMSE收斂趨勢(shì)

由表2可知，經(jīng)由FOA迭代的尋優(yōu)后，ROE回歸模型RMSE值大幅降低至0.00171，最佳的模型參數(shù)分別為0.03928、0.037744、0.038532。結(jié)果顯示，經(jīng)FOA優(yōu)化后的回歸模型預(yù)測誤差（RMSE）更小，預(yù)測力更強(qiáng)。

4 結(jié) 論

近年來中國智能科技產(chǎn)業(yè)高速發(fā)展，但快速發(fā)展的同時(shí)也更容易出現(xiàn)經(jīng)營問題。研究結(jié)果顯示，果蠅優(yōu)化演算法的運(yùn)用大大提高了企業(yè)經(jīng)營績效模型的預(yù)測能力，經(jīng)由FOA優(yōu)化后的模型預(yù)測誤差均明顯降低，對(duì)于企業(yè)經(jīng)營績效提出更有效的預(yù)測模型。對(duì)于中國智能科技企業(yè)而言，影響其經(jīng)營績效的變數(shù)中，經(jīng)由模型的挑選，顯示固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率及研發(fā)生產(chǎn)力三項(xiàng)為最有影響力之指標(biāo)，與企業(yè)經(jīng)營績效具有顯著正相關(guān)關(guān)系。所以，企業(yè)應(yīng)形成科學(xué)的固定資產(chǎn)管理制度，明確管理部門和分工原則，使固定資產(chǎn)維持更長的作業(yè)壽命和更好的機(jī)器性能，提高資產(chǎn)的使用效率；另外，實(shí)現(xiàn)特色智能技術(shù)與智能產(chǎn)品的開發(fā)也是企業(yè)核心競爭力所在，因此企業(yè)應(yīng)注重研發(fā)，對(duì)研發(fā)做好提前規(guī)劃，避免不合理的研發(fā)投入；同時(shí)，加強(qiáng)與企業(yè)內(nèi)部其他部門和外部材料供應(yīng)商的協(xié)同合作，實(shí)現(xiàn)資源互補(bǔ)以及研發(fā)質(zhì)量與效率的提高。

參考文獻(xiàn)：

[1]中國工控網(wǎng).2016年智能硬件產(chǎn)業(yè)發(fā)展趨勢(shì)分析[EB/OL].[2017-01-20].http：//www.gongkong.com/news/201606/343973.html.

[2]從蔚.歐洲公司人力資源、研發(fā)支出與公司績效之關(guān)聯(lián)性-以德、英、法三國為例[D].臺(tái)灣：淡江大學(xué)，2016.

[3]王文英，張清福.智慧資本影響績效模式之探討——我國半導(dǎo)體業(yè)之實(shí)證研究[J].會(huì)計(jì)評(píng)論，2004（39）：89-117.

[4]黃麗芬.景氣循環(huán)、研究發(fā)展對(duì)財(cái)務(wù)績效影響之研究——以我國上市上柜咨訊電子業(yè)為例[D].臺(tái)灣：中原大學(xué)，2003.

[5]林淑美.應(yīng)用果蠅算法優(yōu)化支持向量機(jī)建構(gòu)企業(yè)經(jīng)營績效偵測模型[R].臺(tái)灣：中國科技大學(xué)行銷與流通管理系，2012-01-17.

[6]CONG Y，WANG J，LI X.Traffic Flow Forecasting by a Least Squares Support Vector Machine with a Fruit Fly Optimization Algorithm[J].Procedia Engineering，2016（137）：59-68.

[7]潘文超.果蠅最佳化演算法第二版[M].臺(tái)灣：滄海書局，2013.

[8]吳小文，李撃.果蠅算法和5種群智能算法的尋優(yōu)性能研究[J].火力與指揮控制，2013，3（4）：18-19.

[9]潘文超.應(yīng)用果蠅優(yōu)化算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行企業(yè)經(jīng)營績效評(píng)估[J].太原理工大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2011，29（4）：1-5.