科技园运营效率的预测与监控诠释

关键词：DEABP神经网络大学科技园效率评价

内容摘要：本文首先选取若干科技园的投入产出统计指标，采用DEA进行分析，得到各自效率值，最后重新选取同样影响效率的其他相对指标作为输入，将已得效率值作为输出，由此作为学习样本，利用BP神经网络进行学习，并在此基础上进行科技园效率预测，从而实现对科技园运营效率的控制。

研究方法

（一）数据包络分析

数据包络分析（DEA）是用于评价系统相对效率的分参数化方法。他们的第一个模型被命名为CCR模型。从生产函数角度看，这一模型是用来研究具有多个输入、特别是具有多个输出的“生产部门”同时为“规模有效”与“技术有效”的十分理想且卓有成效的方法。利用数学规划模型，该方法可以解决具有多输入多输出特征的同行业企业生产效率评价问题。

在进行大学科技园运营效率评价时，将每一个科技园看做一个决策单元，假设有n个待评价的科技园，决策单元DMUj（1≤j≤n）的输入、输出指标向量分别为Xj=（X1，X2j，…，Xmj）T>0，Yj=（Y1，Y2j，…，Ysj）T>0，即有m个类型输入和s个类型产出，h0为DMUj0的效率指数。

设输入和输出指标的权向量为v=（v1，v2，…，vm）T>0，u=（u1，u2，…，us）T

建立C2R模型（分式规划）：

令，ω=tv，μ=tu，进行C2变换，转换为模型：

为了直接判别DMU的DEA有效性，考虑模型的对偶问题为（模型）：

X0，Y0分别表示决策单元DMU0的输入和输出，λj，θ0是决策变量。如果决策单元是有效的，则θ*0=1。

（二）BP神经网络

BP网络是一种单向传播的多层前向网络，解决了多层网络中隐含单元连接权的学习问题。输入信号从输入节点依次传过各隐含层，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。为了加快网络训练的收敛速度，可对输入矢量作标准化处理，并对各连接权值赋予初值。BP网络可看作是一个从输入到输出的高度非线性映射，神经网络通过对简单的非线性函数进行数次复合，可近似复杂的函数。基本的BP神经网络拓扑结构如图1所示。

它的具体数学模型如下：

隐层节点的传递函数及网络输出函数f（x）均采用Logistic函数：。

误差计算模型：反映神经网络期望输出与计算输出之间误差大小的函数。

第j个单元节点的输出的误差为，总误差为，Tjk是j节点的期望输出值，yjk是j节点的实际输出值。

中间层节点的数学模型如下：。O1jk表示中间层上，输入第k个样本时，第j个节点的输出。Xj为第j个节点输入。w1ij为输入层到中间层的权值。

输出节点的数学模型如下：。O2jk表示输出层上，输入第k个样本时，第j个节点的输出，w2ij为中间层的到输出层的权值。

修正权值：

BP算法的实现为：BP算法分两步进行，即正向传播和反向传播。正向传播时，输入的样本从输入层经过隐单元一层一层进行处理，通过所有的隐层之后，则传向输出层；在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。在输出层把现行输出和期望输出进行比较，如果现行输出不等于期望输出，则进入反向传播过程。反向传播时，把误差信号按原来正向传播的通路反向传回，并对每个隐层的各个神经元的权系数进行修改，以望误差信号趋向最小。

实证研究

（一）指标与数据选择

本文选取北京大学国家大学科技园等37家有代表性的部级大学科技园2008年的数据进行研究，分析分为两个部分进行，各自的指标选择如下：

DEA分析阶段：取年末固定资产净值、科技园区人员数量、科技园区总面积、科技园孵化基金总额等四个指标作为投入变量，以在孵企业数、在孵企业工业总产值、在孵企业净利润、累计毕业企业数、累计毕业企业工业总产值等五个指标作为产出变量。

BP神经网络学习阶段：考虑到从效率分析的角度说，投入低的地区不见得效率就低，因此在对科技园效率进行评价时必须采用相对指标。因此，选取在孵企业平均收入、在孵企业净利润与工业总产值的比值以及已毕业企业平均工业总产值作为投入变量，将效率分析值作为唯一产出变量，进一步采用BP神经网络进行学习。

（二）效率分析结果

采用DEASOLVER3.0软件进行DEA分析，结果如表1所示。有15家大学科技园的运营效率达到DEA有效，有10家大学科技园的运营效率DEA值在0.5以下，这说明这些大学科技园的投入存在不合理的地方，导致产出不足。

（三）BP神经网络预测

采用AlyudaNeuroIntelligenceV2.2软件进行BP神经网络预测，结果如表2所示。由于科技园产出相对投入存在一定的滞后性，这里选择为2005年的数据。

BP神经网络的输入节点有3个，输出节点只有1个即效率值。本文采用1层隐含层，即采用一个3层网络来建立科技系统与效率之间的非线性映射关系。在节点选择上，如果隐层节点数量太少，网络从样本中获取的信息能力就差，不足以概括和体现训练集中的样本规律；隐层节点数量过多，又可能把样本中非规律性的噪声等也学会记牢，从而出现所谓过度吻合问题，反而降低了泛化能力。根据经验公式，本文将隐层节点数定为6个。

在进行训练中，参数设为默认值，经过20000次循环趋于稳定。为了测试模型的预测精度，将输入数据作为模拟值，得出BP神经网络预测的计算结果，只有3个大学科技园的效率误差在5%以上，最大误差为7.37%，取得了较高的预测精度。

参考文献：

1.徐小钦，陶星洁，王永宁.基于层次分析法和动态聚类法的大学科技园评价[J].重庆大学学报(自然科学版)，2004

2.范德成，张巍.大学科技园评价指标体系研究[J].科学学与科学技术管理，2005

3.李晓鸿.大学科技园发展的评价指标体系与评价方法研究[J].科技管理研究，2009