科技園運營效率的預測與監控詮釋

導語：科技園運營效率的預測與監控詮釋一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

關鍵詞：DEABP神經網絡大學科技園效率評價

內容摘要：本文首先選取若干科技園的投入產出統計指標，采用DEA進行分析，得到各自效率值，最后重新選取同樣影響效率的其他相對指標作為輸入，將已得效率值作為輸出，由此作為學習樣本，利用BP神經網絡進行學習，并在此基礎上進行科技園效率預測，從而實現對科技園運營效率的控制。

研究方法

（一）數據包絡分析

數據包絡分析（DEA）是用于評價系統相對效率的分參數化方法。他們的第一個模型被命名為CCR模型。從生產函數角度看，這一模型是用來研究具有多個輸入、特別是具有多個輸出的“生產部門”同時為“規模有效”與“技術有效”的十分理想且卓有成效的方法。利用數學規劃模型，該方法可以解決具有多輸入多輸出特征的同行業企業生產效率評價問題。

在進行大學科技園運營效率評價時，將每一個科技園看做一個決策單元，假設有n個待評價的科技園，決策單元DMUj（1≤j≤n）的輸入、輸出指標向量分別為Xj=（X1，X2j，…，Xmj）T>0，Yj=（Y1，Y2j，…，Ysj）T>0，即有m個類型輸入和s個類型產出，h0為DMUj0的效率指數。

設輸入和輸出指標的權向量為v=（v1，v2，…，vm）T>0，u=（u1，u2，…，us）T

建立C2R模型（分式規劃）：

令，ω=tv，μ=tu，進行C2變換，轉換為模型：

為了直接判別DMU的DEA有效性，考慮模型的對偶問題為（模型）：

X0，Y0分別表示決策單元DMU0的輸入和輸出，λj，θ0是決策變量。如果決策單元是有效的，則θ*0=1。

（二）BP神經網絡

BP網絡是一種單向傳播的多層前向網絡，解決了多層網絡中隱含單元連接權的學習問題。輸入信號從輸入節點依次傳過各隱含層，然后傳到輸出節點，每一層節點的輸出只影響下一層節點的輸出。為了加快網絡訓練的收斂速度，可對輸入矢量作標準化處理，并對各連接權值賦予初值。BP網絡可看作是一個從輸入到輸出的高度非線性映射，神經網絡通過對簡單的非線性函數進行數次復合，可近似復雜的函數。基本的BP神經網絡拓撲結構如圖1所示。

它的具體數學模型如下：

隱層節點的傳遞函數及網絡輸出函數f（x）均采用Logistic函數：。

誤差計算模型：反映神經網絡期望輸出與計算輸出之間誤差大小的函數。

第j個單元節點的輸出的誤差為，總誤差為，Tjk是j節點的期望輸出值，yjk是j節點的實際輸出值。

中間層節點的數學模型如下：。O1jk表示中間層上，輸入第k個樣本時，第j個節點的輸出。Xj為第j個節點輸入。w1ij為輸入層到中間層的權值。

輸出節點的數學模型如下：。O2jk表示輸出層上，輸入第k個樣本時，第j個節點的輸出，w2ij為中間層的到輸出層的權值。

修正權值：

BP算法的實現為：BP算法分兩步進行，即正向傳播和反向傳播。正向傳播時，輸入的樣本從輸入層經過隱單元一層一層進行處理，通過所有的隱層之后，則傳向輸出層；在逐層處理的過程中，每一層神經元的狀態只對下一層神經元的狀態產生影響。在輸出層把現行輸出和期望輸出進行比較，如果現行輸出不等于期望輸出，則進入反向傳播過程。反向傳播時，把誤差信號按原來正向傳播的通路反向傳回，并對每個隱層的各個神經元的權系數進行修改，以望誤差信號趨向最小。

實證研究

（一）指標與數據選擇

本文選取北京大學國家大學科技園等37家有代表性的國家級大學科技園2008年的數據進行研究，分析分為兩個部分進行，各自的指標選擇如下：

DEA分析階段：取年末固定資產凈值、科技園區人員數量、科技園區總面積、科技園孵化基金總額等四個指標作為投入變量，以在孵企業數、在孵企業工業總產值、在孵企業凈利潤、累計畢業企業數、累計畢業企業工業總產值等五個指標作為產出變量。

BP神經網絡學習階段：考慮到從效率分析的角度說，投入低的地區不見得效率就低，因此在對科技園效率進行評價時必須采用相對指標。因此，選取在孵企業平均收入、在孵企業凈利潤與工業總產值的比值以及已畢業企業平均工業總產值作為投入變量，將效率分析值作為唯一產出變量，進一步采用BP神經網絡進行學習。

（二）效率分析結果

采用DEASOLVER3.0軟件進行DEA分析，結果如表1所示。有15家大學科技園的運營效率達到DEA有效，有10家大學科技園的運營效率DEA值在0.5以下，這說明這些大學科技園的投入存在不合理的地方，導致產出不足。

（三）BP神經網絡預測

采用AlyudaNeuroIntelligenceV2.2軟件進行BP神經網絡預測，結果如表2所示。由于科技園產出相對投入存在一定的滯后性，這里選擇為2005年的數據。

BP神經網絡的輸入節點有3個，輸出節點只有1個即效率值。本文采用1層隱含層，即采用一個3層網絡來建立科技系統與效率之間的非線性映射關系。在節點選擇上，如果隱層節點數量太少，網絡從樣本中獲取的信息能力就差，不足以概括和體現訓練集中的樣本規律；隱層節點數量過多，又可能把樣本中非規律性的噪聲等也學會記牢，從而出現所謂過度吻合問題，反而降低了泛化能力。根據經驗公式，本文將隱層節點數定為6個。

在進行訓練中，參數設為默認值，經過20000次循環趨于穩定。為了測試模型的預測精度，將輸入數據作為模擬值，得出BP神經網絡預測的計算結果，只有3個大學科技園的效率誤差在5%以上，最大誤差為7.37%，取得了較高的預測精度。

參考文獻：

1.徐小欽，陶星潔，王永寧.基于層次分析法和動態聚類法的大學科技園評價[J].重慶大學學報(自然科學版)，2004

2.范德成，張巍.大學科技園評價指標體系研究[J].科學學與科學技術管理，2005

3.李曉鴻.大學科技園發展的評價指標體系與評價方法研究[J].科技管理研究，2009