基于多目标神经网络的高新企业投资决策方案评估方法

高凡修

(1.武汉大学 经济与管理学院，武汉 430072；2.濮阳职业技术学院，河南 濮阳 457000)

0 引言

高新企业具有独特的复杂特性，因此其投资研究需花费巨大精力进行仔细研究。高成本是高新企业投资需要考虑的第一个难题。高新企业投资范围极广，很多复杂因素都需要考虑。高新企业内部是一个复杂的动态系统，影响及其广泛。社会因素、城镇化、环境条件、能源供应及政治平衡等多种因素共存于高新企业投资之中，影响着高新企业投资问题的任一决策，同时投资方案也同时影响这些因素。这些复杂因素彼此之间相互作用，共同影响高新企业投资方案的制定。随着高新企业投资方向和重要性的日益增加，这种相互作用也日益突出。在对高新企业投资进行评估时，不能只考虑高新企业的相关能力，还要考虑这些复杂因素共同作用的效果。根据本国国情和经济情况选择最合适有效的高新企业投资显得尤为重要。

Caliskan在考虑决策者与模型之间信息交换的基础上，提出了一种新的投资评估方案。由于具有专家的主观评估性又考虑了所有可能的信息，该方案对决策制定具有重要作用。Dixit和Pindyck认为，在进行投资时应寻求一种使项目价值最大化的方法，不能简单套用概率方法或效用函数，并研究了实物期权的定价模型。发达国家经验表明：对于高新技术企业而言，在市场还没有初步成熟、投入成本过高的条件下，需要通过合理客观的做出投资决策来有效降低因技术和市场的因素带来的风险。在现代激烈的市场竞争环境中，在进行技术研发时常面临诸多不确定性因素。

根据笔者掌握的资料，国内外学者一般使用常见投资评估系统（如成本/效益分析系统）来研究社会系统的投资方案评估问题。然而，对于涉及范围广、影响不易控制的高新企业投资决策方案评估来说，这些常见的评估系统很难得到令人满意的结果。鉴于此，本文基于多目标神经网络提出并构建了一种高新企业投资决策方案评估方法。

1 研究方法

在本研究中，其中一个目标（或者说是非合作型的度量指标）就是非连续度量，其非连续性在那些具有较少模式的数据集中尤为明显。由于该度量使神经网络优化过程难以聚敛，因此本文采用交叉熵方法得到一个连续函数并以此作为第一个目标。

这里使用误差函数的优点在于它是一个连续函数，能够促进优化更加稳定彻底的收敛。作为第一个目标，本文将函数E()

g进行严格递减转化，并将转化后的函数作为适应度标准来进行优化。如下所示：

这里，g是一个多值函数

g(x，θ)=(g1(x，θ1)，g2(x，θ2))

需要优化的第二个目标是分类器的最低灵敏度。如下所示是第二个适应度函数：

A2(g)=MS(g)

在本文算法中，初始种群为任意一个由N个神经网络个体构成的群体。该种群中个体间的连接权重是随机建立的某一确定间隔（输入层和隐藏层之间的权重为[-2，2]，隐藏层与输出层之间的权重为[-10，10]，这些间隔范围值都是经过实验而确定的）。初始种群产生后，使用上面提到的两个目标函数对其进行评估。经过评估后，可按照帕累托最优原则对群体中的个体进行分类，每个个体都被赋予了与其非支配水平相同的适应度。那些非支配个体被选为父代个体进行遗传操作，然后再对他们进行二进制淘汰（两两对比后选择较优个体）。

为了产生新的子代个体，需要对选择的父代个体进行变异运算。这里共有五种变异算子可供选择，其中，四种是结构变异，一种是参数变异，选择任何一种变异算子并对个体进行变异的概率均为1/5。参数变异在父代连接权重中加入高斯噪音；结构变异使用种群多样性来增加搜索空间的多样性。具体来讲，变异算子实际上就是“增加/删除神经元”和“增加/删除连接”。将新产生的子代个体加入到下一代群体中，重复以上过程直至后代种群数量达到N；接着，对后代种群进行两项指标评估并将其与父代种群合并；然后再对新产生的种群按照帕累托原则进行分类，其中最优的N个个体被选为下一代的父代，重复以上的生产过程。

本文算法使用局部搜索来对父代群体和后代群体进行合并，只有那些来自第一次帕累托前沿的（即通过非支配分类得到的）个体才能进行优化，这大大地减少了运算成本，因为没有对整个变异的后代个体进行局部搜索。经过优化，每个个体的适应度在近似误差方面都得到了更新。整个演算过程只在开始、中间和结束部分使用优化算法，也即整个演化过程只使用了三次局部搜索。

2 实验结果

本节将以电子行业高新企业的投资决策方案评估实例来验证方法的可行性。在电子元器件的生产过程中，其装配系统的投资决策方案有三种，本章所使用的装配系统每年能够生产的产品数是不断增加的。

在投资决策方案A中，整个装配过程包含以下几个有序操作：产品自动预装配、两级人工装配、试验台测试、焊台焊接、二级试验台测试、三级装配、自动贴标以及包装。与投资决策方案A相比，B方案的区别在于其三级装配为自动装配，C方案在B方案的基础上又将包装升级为自动包装。表1概括总结了三种投资决策方案的主要信息。从表1可见，A方案的装配系统初始投资是最低的，产量也是最低的。对于A方案而言，三级装配是第一个产能限制的操作，第二个就是包装。若要将A方案的产能提升至C方案的产能，三级自动装配站的改造成本为10万元，自动包装站的改造成本为12万元。每一种系统配置的运营成本可根据每个生产单元的非固定成本以及雇员数决定的固定成本（每人每年4万）来计算。对于每种投资决策方案而言，每个生产单元的可调节价格为3元。

表1 三种投资决策方法的具体信息

由于产能弹性是装配系统所需的弹性要求，故对三种不同产品需求场景进行了描述对比（如表2所示），它们之间的主要区别在于年需求增长百分比和出现的可能性。场景I的增长百分比最小，但是它出现增长的可能性最大，因此场景I是未来的基本场景，场景II和III是未来可能出现的场景。

表2 产品需求场景

根据以上信息，假设现在年需求利率为9%，可获得不同投资方案的资产收益率（ROA）。结果显示，所有方案都能满足未来基本场景的需求，因此投资决策方案没有必要改造。表3对比了不同投资决策方案的评估结果，可见B方案具有最高的资产收益率（5.04%），因此它也是实现未来基本场景的较为经济的配置；C方案的资产收益率很低，主要是因为它的初始投资以及每个生产单元的变动成本都很高。

在本案例中，系统的产品需求以及产能之间的对比可显示该种装配系统是否需要改造。在场景II中，A方案需要在第四年进行改造，因为所需的产品量已经超过系统的生产能力，改造成本为10万元。在场景III中，A方案需要两次改造（第二年和第四年），B方案在第四年需要改造。不同系统配置的预期ROF指标如表3所示。由于A方案在所有场景中都需要改造，它的预期ROF为1.7%。C方案的产能弹性最高，因此其预期ROF也最高，为2.9%。

表3 三种投资决策方法的具体信息 （单位：%）

计算结果显示，B方案在所有场景中都是较为经济的系统配置，其资产收益率为5%，资产收益率和预期ROF之和高达7.4%，所以B方案是平衡初始投资和产能弹性之间的最佳配置。

3 结束语

高新企业投资范围极广，很多复杂因素都需要考虑。社会因素、城镇化、环境条件、能源供应及政治平衡等多种因素共存于高新企业投资之中，影响着高新企业投资问题的任一决策。根据笔者掌握的资料，对于涉及范围广、影响不易控制的高新企业投资决策方案评估来说，那些常见的评估方法很难得到令人满意的结果。鉴于此，本文基于多目标神经网络提出并构建了一种高新企业投资决策方案评估方法。

在本文方法中，笔者首先定义了两个评估指标：非连续度量指标和最低灵敏度指标。初始种群为任意一个由多个神经网络个体构成的群体。初始种群产生后，使用上面提到的两个目标函数对其进行评估。经过评估后，可按照帕累托最优原则对群体中的个体进行分类，每个个体都被赋予了与其非支配水平相同的适应度。那些非支配个体被选为父代个体进行遗传操作，然后再对他们进行二进制淘汰。本算法使用局部搜索来对父代群体和后代群体进行合并，只有那些来自第一次帕累托前沿的个体才能进行优化。经过优化，每个个体的适应度在近似误差方面都得到了更新。

以电子行业高新企业的投资决策方案评估实例来验证所提方法的可行性。实验结果表明：投资决策方案B是平衡初始投资和产能弹性之间的最佳配置。本文方法可推广到其他类似投资决策方案的评估工作中。

[1]Li B,Meng M H,Lau J.Computer-aided Small Bowel Tumor Detection for Capsule Endoscopy[J].Artificial Intelligence in Medicine,2011,52(1).

[2]Delen D,Oztekin A,Kong Z.A Machine Learning-based Approach to Prognostic Analysis of Thoracic Transplantations[J].Artificial Intelligence in Medicine,2010,49(1).

[3]Pardo-Montero J,Fenwick J.An Approach to Multi-objective Optimization of Rotational Therapy,Pareto Optimal Surfaces and Linear Combinations of Modulated Blocked Arcs for a Prostate Geometry[J].Medical Physics,2010,37(6).

[4]Craft D,Monz M.Simultaneous Navigation of Multiple Pareto Surfaces with,an Application to Multi-criteria IMRT Planning with Multiple Beam Angle Configurations[J].Medical Physics,2010,37(2).

[5]Gutirrez P A,Hervs-Martnez C,Martnez-Estudillo F J.A Two-stage Evolutionary Algorithm Based on Sensitivity and Accuracy for Multi-class Problems[J].Information Sciences,2012,197(2).