基于熵權(quán)TOPSIS-PSO-ELM的制造企業(yè)綠色創(chuàng)新能力評價模型及實證研究

徐建中，孫 穎，孫曉光

(1.哈爾濱工程大學 經(jīng)濟管理學院，黑龍江 哈爾濱 150001； 2.清華大學 經(jīng)濟管理學院,北京 100084)

0 引言

創(chuàng)新是促進經(jīng)濟和社會發(fā)展的根本動力，綠色創(chuàng)新是制造業(yè)推動區(qū)域低碳經(jīng)濟可持續(xù)發(fā)展的關鍵動力。制造業(yè)是我國的國民經(jīng)濟重要產(chǎn)業(yè)，它在國家經(jīng)濟高速發(fā)展中起到中流砥柱的作用，但高能耗和低附加值的粗放型增長方式也帶來了嚴重的資源和環(huán)境負擔[1]?！吨袊圃?025》中將“創(chuàng)新驅(qū)動”、“綠色發(fā)展”作為基本方針，切實提高制造業(yè)的綠色創(chuàng)新能力和可持續(xù)發(fā)展能力，綠色創(chuàng)新不僅提高了能源和自然資源的利用效率，而且不斷提高制造業(yè)的生態(tài)經(jīng)濟效益[2,3]。制造企業(yè)從污染控制和預防技術(shù)、生態(tài)工藝和產(chǎn)品、凈化技術(shù)等方面出發(fā)實施可持續(xù)發(fā)展戰(zhàn)略，提高原材料利用率，使經(jīng)濟效益和生態(tài)相應相統(tǒng)一，從而全面提升企業(yè)的綠色創(chuàng)新能力[4]。高度關注制造企業(yè)的綠色創(chuàng)新能力現(xiàn)狀，并努力提高企業(yè)綠色創(chuàng)新能力，首先要對制造企業(yè)的綠色創(chuàng)新能力進行科學、客觀地評價。

綠色創(chuàng)新在應對環(huán)境與資源約束、減少碳排放以及環(huán)境污染方面的關鍵作用已經(jīng)得到研究人員和實踐者的廣泛認可[5,6]。一些學者通過文獻綜述和專家調(diào)查的方法對企業(yè)綠色創(chuàng)新能力的評價指標體系進行構(gòu)建研究[7,9]，一些學者在構(gòu)建評價指標體系基礎上，將企業(yè)綠色創(chuàng)新能力的評價方法分為單一評價方法和組合評價方法兩種，單一評價方法包括主成分分析法、模糊綜合評價法、TOPSIS法、層次分析法等。Himanshu等根據(jù)中小企業(yè)的綠色創(chuàng)新能力選擇中小企業(yè)供應商，首先通過文獻回顧梳理確定綠色創(chuàng)新的標準，再利用TOPSIS評價得到供應商的綠色創(chuàng)新能力排名[10]、Shu等利用層次分析法從創(chuàng)新主體視角評價中國的區(qū)域協(xié)同創(chuàng)新能力[11]、Ke等采用三階段數(shù)據(jù)包絡分析模型來衡量政府措施對綠色生產(chǎn)率增長的影響，同時提出提高中國制造業(yè)綠色生產(chǎn)力的政策和措施[12]等。組合評價方法包括AHP-熵權(quán)評價法和粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的評價模型等。Ye等構(gòu)建了基于AHP-熵權(quán)的大連綠色創(chuàng)新發(fā)展水平評價體系，利用AHP-熵權(quán)法綜合評價大連市近10年的綠色創(chuàng)新發(fā)展水平[13]、呂曉菲等運用三角模糊熵組合賦權(quán)的灰色關聯(lián)投影法對17個資源型城市綠色增長能力進行綜合評價[14]等。此外，還有學者利用共線性-變異系數(shù)模型[15]、Super-SBM模型[16]、兩階段非徑向方向距離函數(shù)法[17]對綠色創(chuàng)新能力進行評價研究。組合評價方法中利用智能優(yōu)化算法進行創(chuàng)新能力評價：蘇越良等將粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的評價模型應用在企業(yè)綠色創(chuàng)新能力評價中，結(jié)合智能算法的全局搜索能力保證評價結(jié)果的精準性[18]，李榮生[19]、趙琳[20]等都以最優(yōu)和最劣對象距離之和最小為準則建立一個關于權(quán)重的非線性規(guī)劃問題，運用粒子群算法來確定各指標的權(quán)重，從而分別對高技術(shù)產(chǎn)業(yè)和裝備制造業(yè)的技術(shù)創(chuàng)新能力進行評價。Yuan[21]采用模糊層次分析法確定戰(zhàn)略性新興產(chǎn)業(yè)的評價指標權(quán)重， 基于約束因子粒子群優(yōu)化算法的新興產(chǎn)業(yè)創(chuàng)新聯(lián)盟競爭優(yōu)勢分析方法針對戰(zhàn)略新興產(chǎn)業(yè)競爭優(yōu)勢做出評價。

通過文獻總結(jié)發(fā)現(xiàn)，國內(nèi)外學者對于綠色創(chuàng)新能力進行了較全面的研究，具有較高參考價值，但仍存在一些問題：第一、TOPSIS法、層次分析法等賦權(quán)方法大多比較主觀，主觀因素對評價結(jié)果將產(chǎn)生一定的負面影響；第二、多元統(tǒng)計方法如主成分分析法等對樣本量和評價指標數(shù)據(jù)的分布形態(tài)具有較高要求，使其應用領域受限；第三、多屬性群決策法在分析與評價評價對象數(shù)據(jù)量較大時，存在可操作性差、篩選效率低等問題；第四、傳統(tǒng)的基于梯度下降尋優(yōu)(如：BP神經(jīng)網(wǎng)絡，支持向量機等)的算法樣本訓練速度較慢，預測精度較低。

針對以上問題，將制造企業(yè)綠色創(chuàng)新能力評價作為研究目標，提出了基于熵權(quán)TOPSIS的粒子群優(yōu)化極限學習機的制造企業(yè)綠色創(chuàng)新能力評價模型。首先，熵權(quán)法客觀計算指標權(quán)重，有效避免人為主觀因素的影響，通過TOPSIS法得到評價對象的綜合評價值，可以解決對評價指標數(shù)據(jù)集樣本數(shù)量要求高、分布形態(tài)限制嚴格的問題[22]。再將綜合評價值作為先驗樣本輸入極限學習機進行訓練與測試，在訓練過程中引入粒子群算法優(yōu)化極限學習機(PSO-ELM)的網(wǎng)絡結(jié)構(gòu)與連接權(quán)值，得到較合適的輸入權(quán)值與閾值，PSO-ELM可以高效地完成大量數(shù)據(jù)信息的分析評價，同時可以保證預測精度和穩(wěn)定性再進行新一輪網(wǎng)絡訓練，輸出網(wǎng)絡的評價結(jié)果，以此建立制造企業(yè)綠色創(chuàng)新能力評價模型，結(jié)合PSO的全局尋優(yōu)能力和極限學習機的局部搜索優(yōu)勢，將有效防止網(wǎng)絡陷入局部極小值，同時能保證評價結(jié)果的準確性。在此基礎上，本文對60家制造企業(yè)進行了實證研究，這對全面推行綠色制造，促進綠色產(chǎn)業(yè)發(fā)展，使制造業(yè)邁向產(chǎn)業(yè)鏈中高端具有重要的理論意義及實踐指導。

1 評價指標體系的構(gòu)建

通過系統(tǒng)梳理和總結(jié)制造企業(yè)綠色創(chuàng)新能力的影響因素，以及文獻閱讀和對調(diào)研資料展開分析，結(jié)合指標篩選的科學性與導向性、定性和定量評價指標相統(tǒng)一宗旨，充分考慮企業(yè)的投入、研發(fā)、生產(chǎn)和管理特殊性，得出企業(yè)綠色創(chuàng)新能力評價指標初選結(jié)果。再利用Delphi方法進行指標優(yōu)選，通過焦點小組訪談法對指標進行修正，得出用于評價企業(yè)綠色創(chuàng)新能力的指標體系(見表1)。綠色創(chuàng)新支撐能力(I1)是企業(yè)進行綠色創(chuàng)新工作的基礎，評價指標結(jié)合企業(yè)環(huán)境文化和創(chuàng)新環(huán)境兩個角度進行篩選；綠色創(chuàng)新投入能力(I2)是企業(yè)對綠色創(chuàng)新戰(zhàn)略的具體實施與管理，決定了其綠色創(chuàng)新能力發(fā)展水平；綠色創(chuàng)新產(chǎn)出能力(I3)將企業(yè)可持續(xù)發(fā)展作為目標，充分考慮環(huán)境效益和經(jīng)濟效益。

表1 制造企業(yè)綠色創(chuàng)新能力評價指標體系

2 基于熵權(quán)TOPSIS-PSO-ELM的制造企業(yè)綠色創(chuàng)新能力評價模型構(gòu)建

2.1 熵權(quán)TOPSIS方法

2.1.1 熵權(quán)法

在信息理論中，熵可以測量一個離散隨機變量的不確定性取值的概率[23]，當某個指標有序程度越高，信息熵反而越低，指標權(quán)重越大。在多目標決策與評價中，熵通過信息量來提高決策信息精度，熵權(quán)法確定指標權(quán)重的步驟如下：

(1)構(gòu)建初始決策矩陣

設綠色創(chuàng)新能力集合有m個樣本，評價指標為n，第i個樣本第j個指標的評價值為aij，則所有綠色創(chuàng)新能力集合的決策矩陣為：

(1)

(2)標準化決策矩陣

若aij是效益型指標，則標準化處理為：

(2)

若aij是成本型指標，則標準化處理為：

(3)

最后歸一化處理為：

(4)

得到標準化決策矩陣：R=(rij)m×n。

(3)確定指標權(quán)重

標準化決策矩陣第j個指標的熵：

(5)

其中，k=1/lnm，0≤ej≤1，rij=0時，規(guī)定rijlnrij=0。

用E表示指標的總熵，則：

(6)

第j個指標的評價值數(shù)據(jù)的差異性系數(shù)dj可表示為：

dj=1-ej,j=1,2,…,n

(7)

對于第j個指標，ej越小，則rij的差異性dj越大，則對樣本評價rij的作用就越大；如果所有的rij都相等，ej=emax=1，dj=0，表明第j個指標在綜合評價中無用；ej越大，則rij的差異性dj越小。

第j個指標的權(quán)重因子為：

(8)

2.1.2 TOPSIS評價模型

TOPSIS法作為一種重要的多目標決策分析方法，主要通過計算各待評樣本與正理想解、負理想解的相對距離，并排序選優(yōu)，距離正理想解較近且距離負理想解較遠的方案較優(yōu)[24]。

基于熵權(quán)TOPSIS法的制造企業(yè)綠色創(chuàng)新能力的評價，TOPSIS模型的計算過程如下：

(1)標值加權(quán)矩陣

根據(jù)標準化的決策矩陣R=(rij)m×n和上述所得各指標的熵權(quán)wj，計算指標值加權(quán)矩陣：

(9)

(2)確定正理想解和負理想解

={(maxvij|j∈J1),(minvij|j∈J2|i=1,2,…,m)}

(10)

={(minvij|j∈J1),(maxvij|j∈J2|i=1,2,…,m)}

(11)

其中，V+表示正理想解，V-表示負理想解。

(3)計算歐式距離

與正理想解、負理想解的距離計算公式為：

(12)

(13)

(4)計算TOPSIS評價值

根據(jù)值的大小排序，形成順序表，其計算公式為:

(14)

2.2 PSO-ELM模型構(gòu)建

2.2.1 極限學習機

極限學習機(ELM)最初是Huang等根據(jù)摩爾-彭羅斯(MP)廣義逆矩陣理論提出，主要用來解決單隱層前饋神經(jīng)網(wǎng)絡的學習算法[25]。ELM作為快速學習算法，在網(wǎng)絡參數(shù)的確定中，其隨機選取輸入層和隱含層間的權(quán)值和隱含層節(jié)點閾值，不需要在迭代過程中變化參數(shù)，為使輸出的誤差最小，隱含層的輸出參數(shù)通過求解平方損失函數(shù)的最小平方解獲得。與傳統(tǒng)的基于梯度下降尋優(yōu)的算法相比，ELM的訓練速度更快，節(jié)省網(wǎng)絡參數(shù)的調(diào)整時間，目前已經(jīng)廣泛應用于技術(shù)創(chuàng)新領域[26,27]。

設有N個不同的樣本(xi,ti)，1≤i≤N，其中xi=(xi1,xi2,…,xim)T∈Rm，ti=(ti1,ti2,…,tim)T∈Rn，這里的m，M，n分別表示網(wǎng)絡輸入層、隱含層和輸出層的節(jié)點個數(shù)，則極限學習機的網(wǎng)絡結(jié)構(gòu)如圖1所示，極限學習機可以用數(shù)學表達式:

圖1 ELM的網(wǎng)絡拓撲結(jié)構(gòu)圖

(15)

其中，g(x)為隱含層神經(jīng)元的激活函數(shù)，表示向量內(nèi)積，wi=[wi1,wi2,…,wim]T為第i個隱含層神經(jīng)元的輸入權(quán)值向量，bi是第i個隱含層節(jié)點閾值，βi=[βi1,βi2,…,βin]T為連接第i個隱含層節(jié)點和網(wǎng)絡輸出層節(jié)點的輸出權(quán)值向量；oj=[oj1,oj2,…,ojn]T為網(wǎng)絡輸出值。

ELM的代價函數(shù)為:

(16)

式中，S=(wi,bi,i=1,2,…,M)包括網(wǎng)絡輸入權(quán)值wi和隱層節(jié)點閾值bi。極限學習機訓練目標為尋求最優(yōu)的S和β，從而得出網(wǎng)絡輸出值和對應實際值之間的誤差最小，即：

min(E(S,β))=min‖H(w1,…,wM,b1,…,bM,x1,…,xN)β-T‖

(17)

式中，H表示隱含層輸出矩陣，β表示輸出權(quán)值矩陣，T表示樣本集的目標值矩陣，H，β，T分別定義如下：

H(w1,…,wM,b1,…,bM,x1,…,xN)

(18)

ELM的網(wǎng)絡訓練過程可視為非線性優(yōu)化問題，公式(17)為目標函數(shù),根據(jù)輸入xj，存在隱含層輸出矩陣H，據(jù)此得出輸出權(quán)值將取決于給定的線性系統(tǒng)的最小二乘解，即:

(19)

2.2.2PSO-ELM模型

由于極限學習機隨機的選擇輸入權(quán)值和閾值，訓練的精度和時間將受一定程度的影響且易出現(xiàn)過度訓練[28,29]，因此，本文提出粒子群優(yōu)化極限學習機模型(PSO-ELM)，有效避免盲目訓練ELM網(wǎng)絡。

設d維搜索空間中，第i個粒子在第t次迭代的位置向量為Xi(t)=(xi1,xi2,…,xid)，速度向量為Vi(t)=(Pb1,Pb2,…,Pbd)。根據(jù)目標函數(shù)確定每個粒子對應適應度值，計算出個體極值Pib=(Pb1,Pb2,…,Pbd)和種群的群體極值PG=(PG1,PG2,…,PGd)。在每次迭代過程中，粒子通過Pib和PG調(diào)整速度和位置向量，即

Vi(t+1)=ωVi(t)+c1r1[Pib-Xi(t)]+c2r2[PG-Xi(t)]

(20)

Xi(t+1)=Xi(t)+Vi(t)

(21)

其中,c1和c2為學習因子；r1和r2為0到1區(qū)間的隨機數(shù)，為避免粒子的盲目搜索，將其速度限制在[-vmax,vmax]區(qū)間內(nèi)；ω為慣性權(quán)值計算公式表示為：

(22)

其中，ωmax和ωmin分別表示最大慣性權(quán)值和最小慣性權(quán)值，T表示算法迭代總次數(shù)，t為當前迭代次數(shù)。

本文選取了均平方誤差(MSE)作為PSO的適應度函數(shù)，其計算公式為:

(23)

其中，nv表示訓練集中樣本的數(shù)量。

粒子個體極值Pi和粒子群體極值PG的更新計算公式為:

(24)

(25)

其中，MSEPi,MSEPib,MSEPG分別表示第i個粒子相對應的均平方誤差，第i個粒子的最優(yōu)均平方誤差和粒子群體中的最優(yōu)均平方誤差。

PSO-ELM的基本思想為：種群中每個粒子Pi由ELM中的輸入權(quán)值wi和閾值bi組成，根據(jù)粒子的迭代尋優(yōu)找出參數(shù)的最優(yōu)值，同時，利用MP廣義逆矩陣分析確定輸出權(quán)重，從而達到降低預測誤差。

2.3 基于熵權(quán)TOPSIS-PSO-ELM算法具體步驟

基于熵權(quán)TOPSIS-PSO-ELM算法在制造企業(yè)綠色創(chuàng)新能力評價中的實施步驟為：

(1)確定企業(yè)綠色創(chuàng)新能力評價指標體系；

(2)數(shù)據(jù)預處理，并把數(shù)據(jù)分為訓練集、測試集；

(3)基于熵權(quán)法計算各指標權(quán)重系數(shù)；

(4)根據(jù)步驟(3)所得結(jié)果求出指標加權(quán)矩陣，結(jié)合TOPSIS法計算出綠色創(chuàng)新能力綜合評價值；

(5)初始化粒子群個體，每個粒子由輸入權(quán)值和閾值組成，Pi=[w11,w12,…,w1M,w21,w2M,…,wm1,wm2,…,wmM,b1,b2,…,bM]；

(6)將步驟(4)得到的結(jié)果作為輸入，采用訓練集樣本進行基于PSO-ELM網(wǎng)絡模型訓練；

(7)將優(yōu)化后的輸入權(quán)值和閾值帶入PSO-ELM；

(8)利用PSO-ELM對測試集樣本進行驗證和結(jié)果分析，并推廣應用。

圖2為基于熵權(quán)TOPSIS-PSO-ELM網(wǎng)絡模型在制造企業(yè)的綠色創(chuàng)新能力評價中的流程圖。

圖2 基于熵權(quán)TOPSIS-PSO-ELM網(wǎng)絡模型的綠色創(chuàng)新能力評價流程圖

3 制造企業(yè)綠色創(chuàng)新能力評價實證

3.1 數(shù)據(jù)來源

本文選取60家制造企業(yè)為實證研究對象(以下將60家制造企業(yè)隨機編號)，樣本企業(yè)主要集中在石油化工、船舶設備制造、航空設備制造等制造業(yè)，根據(jù)前文權(quán)重確定方法，對我國制造企業(yè)綠色創(chuàng)新能力進行實證分析。其中，指標原始數(shù)據(jù)可查閱的定量指標數(shù)據(jù)來源于2016年企業(yè)年度報告、自查報告和國家知識產(chǎn)權(quán)局，定性指標數(shù)據(jù)由從事制造企業(yè)綠色創(chuàng)新技術(shù)研發(fā)或創(chuàng)新管理的專家打分取得，以1～50號制造企業(yè)作為基于熵權(quán)TOPSIS-PSO-ELM網(wǎng)絡模型的訓練集，51～60號制造企業(yè)作為測試集。

3.2 基于熵權(quán)TOPSIS法的指標權(quán)重計算

本節(jié)使用熵權(quán)TOPSIS評價模型，借助Matlab 2014a編程運算，測評60家制造企業(yè)的綠色創(chuàng)新能力，具體操作步驟如下：

(1)根據(jù)前文計算確定標準化決策矩陣，同時根據(jù)熵權(quán)法計算60個實證分析樣本評價指標的熵(ej)、差異性系數(shù)(dj)及權(quán)重(wj)，表2的內(nèi)容為計算過程參數(shù)和指標的權(quán)重。

表2 基于熵權(quán)法確定評價指標權(quán)重的過程參數(shù)表和標準權(quán)重值

(2)綠色回收設施投入強度(I24)指標權(quán)重在所有指標中排名第一，過去的研究也支持這一發(fā)現(xiàn)，回收的目的是通過拆解舊產(chǎn)品并取出可以重新使用或可以銷售的零部件來降低產(chǎn)品的成本，因此它對制造企業(yè)具有很高的經(jīng)濟價值[10]。排名第二的是綠色技術(shù)投入強度(I22)，綠色技術(shù)投入強度是指一組資源，部署在制造企業(yè)內(nèi)部，以提高企業(yè)的環(huán)境績效，也有助于研發(fā)環(huán)保型創(chuàng)新產(chǎn)品[30]?；诒?獲得的過程參數(shù)和指標權(quán)重，按照2.1.1介紹的應用TOPSIS方法對制造企業(yè)的綠色創(chuàng)新能力進行的綜合測評，計算正距離(S+)、負距離(S-)和相對接近度(Y)，獲得如表3所示的過程參數(shù)表和評價結(jié)果。

表3 制造企業(yè)綠色創(chuàng)新能力加權(quán)評價指標

3.3 構(gòu)建基于熵權(quán)TOPSIS-PSO-ELM的網(wǎng)絡模型

(1)確定網(wǎng)絡輸入輸出節(jié)點數(shù)目

PSO-ELM網(wǎng)絡的輸入層神經(jīng)元個數(shù)m與評價指標個數(shù)相同為16個，PSO-ELM網(wǎng)絡的輸出是對企業(yè)綠色創(chuàng)新能力的評價，所以輸出層神經(jīng)元個數(shù)為n=1。

(2)確定隱含層神經(jīng)元數(shù)量

隱含層神經(jīng)元的數(shù)目對PSO-ELM的訓練和預測結(jié)果有一定的影響，當神經(jīng)元數(shù)目過少將不能較好擬合出實際的指標綜合評價值，但神經(jīng)元數(shù)目過多，將會增加時間成本，且會出現(xiàn)過擬合現(xiàn)象。本文在實驗中將隱含層節(jié)點數(shù)以步長5從5個逐漸增加到25個進行實驗，取最小的MSE對應的隱含層神經(jīng)元數(shù)目，即M=15。

(3)訓練樣本數(shù)據(jù)

訓練樣本的準確客觀性是保證網(wǎng)絡輸出結(jié)果精確度的基本條件。為保證制造企業(yè)綠色創(chuàng)新能力評價的客觀準確并提高企業(yè)工作效率，選取制造企業(yè)樣本數(shù)據(jù)中的前50個作為訓練集，即輸入向量X=[X1,X2,…,X50]T，根據(jù)熵權(quán)TOPSIS的綜合評價法計算樣本中編號1～50企業(yè)綠色創(chuàng)新能力評價值，并將其作為極限學習機的輸出目標值，即目標輸出向量t訓練=[t1,t2,…,t50]T，t檢驗=[t51,t52,…,t60]T，利用訓練集樣本對PSO-ELM進行訓練。

(4)粒子群優(yōu)化算法的參數(shù)設置

粒子群優(yōu)化算法最大迭代次數(shù)為300，種群規(guī)模為50，慣性系數(shù)ωmax=1.2,ωmin=0.4收斂閾值ε=0.0001，最大速度Vmax=0.8，圖3顯示了PSO-ELM的優(yōu)化迭代曲線。

圖3 粒子群算法優(yōu)化迭代曲線

極限學習機輸入權(quán)值和閾值優(yōu)化過程如圖3所示，可以得出最優(yōu)個體和次優(yōu)個體的目標函數(shù)逐漸減小且趨于一致，并最終達到收斂，兩者適應度的精度相似。

3.4 訓練結(jié)果

為了更直觀了解評價結(jié)果，將熵權(quán)TOPSIS-PSO-ELM模型所有樣本數(shù)據(jù)綠色創(chuàng)新能力評價指標期望值和仿真預測值進行了對比，見圖4所示，可以看出測試樣本預測值和期望值之間擬合程度較高，訓練樣本的預測曲線和期望曲線的發(fā)展趨勢相同，同時也存在一定程度的誤差，但相比較而言較小。因ELM網(wǎng)絡由訓練樣本中提取隱含的知識及規(guī)律，從而降低了評價期間的主觀和偶然因素的干擾，所以根據(jù)ELM的誤差低和學習速度快等優(yōu)勢，能夠高效處理繁雜的企業(yè)綠色創(chuàng)新能力評價的問題。根據(jù)圖5所示兩種模型全部樣本數(shù)據(jù)綠色創(chuàng)新能力綜合性指標期望值與仿真預測值擬合曲線，可以得出ELM模型預測值與期望值差距較大，且ELM模型擬合曲線的偏差較大、預測結(jié)果的精度很不穩(wěn)定。PSO-ELM模型預測輸出值與期望值的擬合程度較高且偏差較小，PSO對極限學習機的輸入權(quán)值和閾值進行優(yōu)化，有效減少預測模型的訓練時間和預測精度。

圖4 熵權(quán)TOPSIS-PSO-ELM模型擬合曲線

圖5 兩種模型擬合曲線

在已有訓練結(jié)果的基礎上，將后10家制造企業(yè)的指標數(shù)據(jù)作為樣本輸入到PSO-ELM經(jīng)過訓練的模型中，得到表4所示的檢測結(jié)果。

通過表4對比2種模型測試集期望值與預測值的相對誤差，從中可以得出，第52家制造企業(yè)的綠色創(chuàng)新能力最強，其綜合評價值為0.7175。在2種模型中，ELM模型預測值的相對誤差變化較大，預測值相對誤差在1.1%～6%之間變動，預測結(jié)果的穩(wěn)定性較差；PSO-ELM模型預測值的相對誤差均小于1.7%，僅一個預測值相對誤差為4.3%，相對誤差的平均數(shù)僅為1.3%。該測試結(jié)果表明，借助熵權(quán)TOPSIS法計算出綠色創(chuàng)新能力評價中每一個指標權(quán)重設置，與在訓練后的三層極限學習機模型中利用實際數(shù)據(jù)進行驗證的結(jié)果相一致，學習訓練后的PSO-ELM模型對制造企業(yè)綠色創(chuàng)新能力的評價具有較好的學習效果和非線性映射能力，同時具有良好的魯棒性，將訓練好的極限學習機保存，在對其他制造企業(yè)進行綠色創(chuàng)新能力評價時只需將制造企業(yè)的指標數(shù)據(jù)輸入，即可獲得評價結(jié)果。利用評價指標的層級和邏輯關系，深入剖析得到不同制造企業(yè)綠色創(chuàng)新能力差異的根本原因及因果關系。同時，構(gòu)造高精度的智能評判環(huán)境為制造企業(yè)綠色創(chuàng)新能力的評價提供了理論依據(jù)。

表4 三種模型測試集期望值與預測值對比

3.5 制造企業(yè)綠色創(chuàng)新能力評價指標敏感性分析

為檢查模型的穩(wěn)健性并消除任何可能的偏差，本文將使用Mangla等人提出的靈敏度分析[31]。選取各準則層權(quán)重最大的指標對企業(yè)綠色創(chuàng)新能力進行敏感性分析，分別為引導綠色生產(chǎn)消費認可度指標、綠色回收設施投入強度指標和綠色專利占比率指標，分析結(jié)果及制造企業(yè)綠色創(chuàng)新能力排名如表5所示。

表5 三種模型測試集期望值與預測值對比

表5所示的敏感性分析結(jié)果表明，指標層關鍵指標評價值的變化，沒有直接影響綠色創(chuàng)新能力評價的顯著變化，第52家企業(yè)綠色創(chuàng)新能力排名第一，第56家企業(yè)綠色創(chuàng)新能力排名最后，結(jié)果較穩(wěn)健。

3.6 制造企業(yè)綠色創(chuàng)新能力評價結(jié)果分析

總體來看，測試集10家企業(yè)總體上的綠色創(chuàng)新能力還位于中等偏下水平，其中有3家的評價值超過0.500，還存在有1家評價值僅為0.3123，因此這10家企業(yè)的綠色創(chuàng)新戰(zhàn)略實施情況不容樂觀，但卻具有較大發(fā)展空間。因此，有必要切實加強制造企業(yè)綠色創(chuàng)新能力建設，提高綠色創(chuàng)新能力，整合和促進其適應制造企業(yè)發(fā)展的需求。

(1)加快綠色創(chuàng)新能力基礎平臺的構(gòu)建

信息平臺：制造企業(yè)綠色創(chuàng)新能力是隨著信息科學技術(shù)的飛速發(fā)展而出現(xiàn)并發(fā)展，信息促進綠色創(chuàng)新能力的成熟與完善。

知識平臺：知識是綠色創(chuàng)新能力形成和運行的基礎，有助于實現(xiàn)核心綠色創(chuàng)新能力的兼容補充和有機整合。

制度平臺：制度是制造企業(yè)運行和整合的根本保證，有效的管理規(guī)則可以調(diào)整綠色創(chuàng)新能力的行為，合理的制度有利于激發(fā)綠色創(chuàng)新積極性，構(gòu)建核心綠色創(chuàng)新能力。

文化平臺：企業(yè)環(huán)境倫理與文化的整合與創(chuàng)新有助于培育綠色創(chuàng)新能力的人本文化，文化創(chuàng)新也可以提高綠色創(chuàng)新能力，形成更好的創(chuàng)新條件。

(2)加大綠色創(chuàng)新投入力度

加大綠色創(chuàng)新投入包括綠色創(chuàng)新教育培訓、綠色科研人員和綠色技術(shù)改造等，與外部合作是在國際新形勢下必須采取的措施，將外部先進技術(shù)和信息資源整合到一起，實現(xiàn)綠色創(chuàng)新能力和資源的互補，切實提高制造企業(yè)綠色技術(shù)的消化吸收能力，最終達到從綠色技術(shù)引進到自主研發(fā)的動態(tài)演進。

政府有責任和能力發(fā)揮其應有的作用，因此應制定更嚴格的環(huán)保法規(guī)，嚴格執(zhí)行，引導制造企業(yè)實施綠色創(chuàng)新，同時加大對制造企業(yè)綠色創(chuàng)新的稅收優(yōu)惠和財政補貼等。

4 結(jié)束語

面對日益突顯的環(huán)境問題，同時也為兼顧經(jīng)濟效益和社會效益，綠色創(chuàng)新思想逐漸深入到制造企業(yè)中，而綠色創(chuàng)新能力更是直接評價企業(yè)綠色制造的執(zhí)行效果。在分析現(xiàn)有的評價方法的不足之處基礎上，運用熵權(quán)TOPSIS-PSO-ELM模型對制造企業(yè)的綠色創(chuàng)新能力進行評價，實現(xiàn)優(yōu)勢互補。本文利用熵權(quán)TOPSIS法計算綜合評價值，并將其作為先驗樣本進行極限學習機的訓練與測試，應用PSO對極限學習機的網(wǎng)絡結(jié)構(gòu)與連接權(quán)值進行優(yōu)化，減少預測模型訓練時間和預測精度。在模擬智能決策過程、知識活動和專家經(jīng)驗基礎上，高效地完成大量數(shù)據(jù)信息的分析與評價，為管理創(chuàng)新方法的理論研究和制造企業(yè)應用推廣提供一條值得探索的途徑。

本文構(gòu)建了包括綠色創(chuàng)新支撐能力、綠色創(chuàng)新投入能力和綠色創(chuàng)新產(chǎn)出能力在內(nèi)的評價指標體系，選取制造企業(yè)作為實證研究對象，研究結(jié)果表明熵權(quán)TOPSIS-PSO-ELM模型降低了綠色創(chuàng)新能力評價過程中主觀評價的隨意性，同時，極限學習機模型的學習能力可以讓評價分析結(jié)果更準確。最后為企業(yè)提高綠色創(chuàng)新能力給予建議，同時，下一步工作也將考慮數(shù)據(jù)發(fā)掘方法及改進粒子群算法相結(jié)合的模型用于評價制造企業(yè)的綠色創(chuàng)新能力。