基于BP遗传算法的跨国公司复合增长模式研究

雷权勇

（盐城师范学院 商学院，江苏 盐城 224051）

0 引言

经济增长是积累和增加社会财富、实现充分就业的重要基础，是社会发展的物质前提。无论是国内的企业还是跨国公司，他们的共同目标都是创造价值，而经济增长是创造价值的重要手段，面对日益激烈的竞争和技术快速进步的市场环境，企业尤其是跨国公司要实现经济增长，就需要改变经济发展模式，摸清哪一种经济增长模式给企业带来大的效益，改革当前阻碍生产力发展的落后因素，以适应复杂多变的市场环境。

BP神经网络结构简单、算法成熟且具有很强的非线性映射能力,故它在模式识别、故障诊断、医学工程等各个领域得到了广泛的应用。本文根据BP的遗传算法研究跨国公司的复合经济增长模式，通过算法分析总结出适合于跨国公司发展的经济模式，从而对企业的发展提出建议。

1 跨国公司复合增长模式

本文基于BP遗传算法从要素贡献率和增长速度高低的角度对跨国公司增长方式进行分类，如表1所示，五种模式分别为：（1）不可持续的投资驱动的高增长模式，该模式认为投资是第一驱动力，以大量的能源、原材料和劳动力消耗为特征的粗放高增长。（2）投资驱动的先高后低的增长模式，该模式也认为投资是第一驱动力，由于受到能源、原材料、环境等的限制而呈现出增长率前高后低的状态。（3）投资—创新双驱动的增长模式，该模式认为投资和创新成为经济增长的主要动力，但投资的作用仍然大于创新的作用，增长率往往表现出波动的状态。（4）创新驱动的波动式增长模式，并且其增长率处于波动状态，该模式创新成为经济增长的第一推动力，由于内、外部环境的变化以及企业的适应能力不够强，而使增长率呈波动状态。（5）创新驱动的持续高增长模式，该模式认为创新为第一驱动力，通常其市场、技术、人才等都具备国际竞争力，对内外环境变化的适应能力足够强，因而其创新驱动持续高增长。这五种增长模式的增长率随时间的变化如图1所示。

图1 跨国公司增长模式图

表1 跨国公司经济增长的5种模式

2 基于遗传算法的BP神经网络算法

BP神经网络含有输人层、输出层以及处于输入输出层之间的隐含层。隐含层可以是单层，也可以是多层。图2给出三层BP神经网络，设输入层的变量为x=(x1，x2，…，xn)，输出层的变量为y=(y1，y2，…，ym)，假设隐层有r个神经元，输出层有m个神经元,输入层到隐层的权为wij,阈值为θj，隐层到输出层的权为wjk，阈值为θk。隐层各神经元的输出为：

图2 BP网络结构

输出层各神经元的输出为：

3 基于BP的遗传算法的跨国公司复合增长模式研究

3.1 跨国公司增长模式评价指标

本文就跨国公司的五种增长模式进行分析，对每一种模式选择7个财务比率作为评价指标，这些指标作为BP神经网络输入层的输入变量，分别用分配利润(RE)、毛利(GP)、销售成本(SC)、总资产(TA)、流动负债（CL）、权益资本(E)、营业利润(OP)、营运资本(WC)作为财务比率，将这7个变量作为输入层。对于输出层选择企业的盈利能力、经营效率的好、中、差三个等级评判，经营效率指标是用于衡量企业在资产管理方面的效果。本文对输出层取两个节点就可以得到希望的结果，如表2所示为跨国公司在某一个经济增长模式下的经营效率等级标准。企业经营效率好的为一级，输出层节点为（1，1）,企业经营效率较好的为二级，输出层节点为（1，0）或（0,1）,企业经营效率差的为三级，输出层节点为（0,0）。

表2 跨国公司经营效率等级标准

3.2 BP遗传算法复合增长模型

本文选择7个输入层基本变量，2个输出层节点值，可构建如下经营效率评价模型：

用向量表示为：

式中X=(x1，x2，…，x7)T为输入变量，Y=(y1，y2)T是输出变量，W=(wij)7×8(i=1，2，…，7，j=1,2，…，8)是输入层与隐层的连接权，V=(vn,j)2×8(n=1,2，j=1,2，…，8),隐层和输出层之间的连接权，B1=分别为隐层和输出层的偏置权，g(h)为转移函数，定义为：

3.3 实证分析

本文分别从大型、大中型、中型、中小型、小型跨国公司中随机选取一家公司的财务报表数据，以企业的五种复合增长方式为基本，选取企业的经营效率为评价目标，以7个财务比率作为变量值输入。现在规定A为第一类增长模式（不可持续的投资驱动的高增长模式），B为第二类增长模式（投资驱动的先高后低的增长模式）、C为第三类增长模式（投资—创新双驱动的增长模式）、D为第四类增长模式（创新驱动的波动式增长）、E为第五类增长模式（创新驱动的持续高增长模式）。

（1）将样本的数据分为两类，即好与差，用1和0表示类标号，本文构建5个跨国公司的五种增长模式指标体系，表3列出了本次测试的实验数据，表中ID表示五个跨国公司的编号，A、B、C、D、E即为五种增长模式代号，其他为输入层指标变量。

表3 本次测试的实验数据

表4 遗传算法测试结果

（2）BP遗传算法优化分析。输入层的数值已经确定，需要对输入层与隐层的连接权和阀值，以及隐层与输出层的连接权和阀值确定合适的参数，使得分析能够稳定的收敛，为此需对模型优化分析，确定神经网格的部分参数。参数设置如下：网络结构输入层节点数为7，隐藏层节点数7，输出层节点数,2，训练步长取0.05，最大训练次数取2000;最小误差取le-5。遗传算法测试结果如表4所示。

3.4 基本BP遗传算法的预测结果与讨论

本文通过选取五个跨国公司的五种复合增长模式为变量，企业的经济效益为评价指标，从上述的分析可以看出，不可持续的投资驱动的高增长模式与投资驱动的先高后低的增长模式两种模式的企业的绩效较差，所有的企业均处于效益低下的处境。这就说明这两种模式对跨国公司的发展不利，跨国公司如果采用这样的增长模式可能会导致企业亏本，不利于长久的发展。而投资—创新双驱动的增长模式相对于其他模式表现的最好，它的经济效益最好，该增长呈现出波动状态，符合市场经济的发展，企业的发展模式就是要不断随着市场经济的变化而变化。创新驱动的波动式增长模式对跨国公司的增长也是有利的，促进企业的发展，带来好的经济效益。当今世界科技不断的发展，技术转化为成果的速度越来越快，为企业带来的效益也是越来越大，对企业的发展越来越起到至关重要的作用，创新驱动的增长模式随着高科技的不断累积会起到令人惊奇的结果。第五类为创新驱动的持续高增长模式对跨国公司的经济增长具有一定的促进作用。

4 结论

跨国公司的经济增长模式决定了跨国公司以后的发展道路，跨国公司所处的国家不同、国情不同、历史文化不同、经济发展不同，它的经济增长模式也会不同，往往一个公司会有多种增长模式，这都取决于其所处的环境，而投资—创新双驱动的增长模式对跨国公司来说是较为理想的增长模式，但是还需要根据自己的状况和企业的发展模式来全面综合地把握。

本文根据神经网络的BP遗传算法对五个跨国公司五种增长模式进行比较分析，得到了较为合理的结果，这与实际企业的增长模式相一致，说明基于BP遗传算法能很好的解决企业的经济增长模式分析，为企业的发展方式提前预测并给出建议，使企业能更好的发展。

[1]Uzawa H.Optimal Technical Change in an Aggregative Model of Economic Growth[J].International Economic Review,2001，(10).

[2]B Lundvall.National Systems of Innovation:towards a Theory of Innovation and Interactive Learning[J].London and New York,Pinter,2006,(12).

[3]Grossman,G.M.,Helpman E.Endogenous Innovation in the Theory of Growth[J].Journal of Economic Perspectives,Winter,2009，(8).

[4]庞素琳,王燕鸣,黎荣舟.基于BP算法的信用风险评价模型研究[J].数学的实践与认识,2009，(3).

[5]刘捷,王世宏.企业增长模式判断方法及运用[J].财会通讯,2010,(9).

[6]王宪全,陈李刚.基于遗传算法和BP神经网络的信用风险测量模型[J].哈尔滨工业大学学报(社会科学版),2010，(7).