基于SVM模型的工业企业技术创新能力成熟度评价初探

赵宏石



基于SVM模型的工业企业技术创新能力成熟度评价初探

赵宏石

摘要：工业企业技术创新就是在掌握前人科学技术的基础上，在每个企业和服务部门发明新的方法，改进工艺过程，获取新的产品，提高产出效率，为人类造福。工业企业走技术创新的道路是积极适应经济发展方式的转变，推进企业的全面转型升级的必经之路。笔者为了直接的对工业企业的技术创新能力成熟度等级进行定量评价以及提高在同行业竞争中的竞争力而建立SVM模型，这可以让企业客观的了解自身的技术创新能力，从而选取合适的发展策略来提高竞争优势，增强企业核心竞争力，获取最佳的经济效益和社会效益。

关键词：工业企业；技术创新；创新能力成熟度等级；SVM模型

一、绪论

将企业活动为基础，以市场为导向，把技术创新转化为经济优势。在一定经济条件下，以提升同行业竞争力为方向，充分利用各种技术创新所带来的资源即为企业技术创新能力。在如今行业竞争激烈和技术更新迅速的大环境下，技术创新已经成为企业生存发展的基础、提升竞争力的关键和经济增长的力量源泉。笔者通过SVM算法构建了工业企业技术创新成熟度等级评价模型，能有效的推动其技术创新能力的提高。

二、相关理论综述

(一)技术创新理论综述

人们最早知道创新的概念是从技术和经济角度结合的角度，以及在经济发展的过程中摸索技术创新所起到的作用，约瑟夫·熊彼特是提出现代创新理论的主要代表人物。根据熊彼特的观点和分析即所谓创新就是一种新的生产函数的建立，以从未有过的关于引进生产系统生产和生产条件要素的新组合。熊彼特认为，资本主义企业家的创业“灵魂”，就是要不断创新，推出新的组合。学术界以熊彼特创新理论为蓝本，对经济学的创新研究开展了进一步的研究，使之专业化，单是创新模型已经就分有相互作用模型、需求拉动模型、整合模型、技术推动模型、系统整合网络模型等，建立了技术创新，机制创新，制度创新双螺旋等理论体系，构成了人们对于经济学上创新理论的理解。

根据笔者对收集的资料综合分析后得出国外在近50多年来对于技术创新方面的积极研究过程大致可分为以下三个阶段，如下表所示。

国内外对技术创新研究的三个发展阶段

(二)支持向量机原理简介

1、支持向量机的主要思想。支持向量机(Support Vector Machine简称SVM)正式发表于1995年，由于在文本分类任务中显示出卓越性能，很快成为机器学习的主流技术。但实际上早Vapnik和他的研究小组早在上个世纪六七十年代就提出了支持向量机，并在1990年开始得到了推广应用。SVM就是一个升维和线性化的方法，简单来说就是通过一个非线性映射，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。而通常的升维会带来计算的复杂化，SVM方法巧妙地解决了这个难题：应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”。这一切都要归功于核函数的展开和计算理论。

2、SVM分类原理。支持向量机分类思想主要是通过建立一个分类超平面，将分类样本正确分开，并且保证分类样本之间的边缘间隔最大化。借助该分类超平面将优化问题转化为凸二次规划问题，全局最优解由标准的拉格朗日乘子法求解得出。

最优分类超平面就是分类线能将两类无误地分开，并且使两类的分类间隔最大化。分类超平面的线性方程可以用wTx+b=0表示，其中w=(w1,w2,…,wd)为法向量，决定了超平面的方向；b为位移项，决定了超平面与原点之间的距离。显然分类超平面可被法向量w和位移b确定，将其记为(w,b)。

欲找到具有最大化margin的分类超平面，也就是要最小化w2，于是可以构造如下的条件极值问题：

因为现在的目标函数是二次的，约束条件是线性的，所以它是一个凸二次规划问题，这个问题可以用现成的QP优化包进行求解。为更高效的求解，现使用拉格朗日乘子法，将原问题转化为其对偶问题。引入拉格朗日乘子αi，原问题的拉格朗日函数可写为：

将以上结果代入L(w,b,αi)得到：

拉格朗日函数中只包含了一个变量，即αi，求出了αi

即可求出w，b，最终得出分类超平面和分类决策函数。

最后便是利用SMO算法求解对偶规划问题中的拉格朗日乘子αi。

3、核函数。对于线性不可分的问题，我们可以将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性可分。令φ(x)表示为将x映射后的特征向量，于是，在特征空间中分类超平面所对应的模型可表示为：

f(x)=wTφ(x)+b

有

其对偶问题是

由于特征空间维数可能很高，甚至可能是无穷维，因此直接计算φ(xi)Tφ(xj)通常很困难，这时引入核函数

K(xi,xj)=<φ(xi),φ(xj)>=φ(xi)Tφ(xj)

求解后即可得到

在线性不可分的情况下，支持向量机首先在低维空间中完成计算，然后通过核函数将输入空间映射到高维特征空间，最终在高维特征空间中构造出最优分离超平面，从而把平面上本身不好分的非线性数据分开。

三、工业行业技术创新能力成熟度评价的实证分析

(一)工业行业技术综述

支持向量机应用于工业企业技术创新能力成熟度等级评价的原理是：备选工业企业是样本集，将分类结果作为类别属性输出。数据预处理过程中采用因子分析法筛选得到主成分公因子得分，作为工业企业技术创新能力成熟度评价模型的输入变量和输出结果，本次采样总数24，因子分析当中，计算出来的公因子个数为5，因此，模型的输入变量为5个，也就是工业企业技术创新能力成熟度分为5等级，以此作为变量输出。由于所选样本非线性且等级数为5属于多分类问题，因此本文采用非线性的SVM分类器进行分析。

在SVM分类器中，本文选取径向基函数(RBF)作为模型的核函数，其在寻找线性最优超平面时具有较强的非线性映射能力。基于RBF的支持向量机模型，分类训练效果的好坏主要取决于相关参数的选取，即惩罚参数C和核参数g如何选择。惩罚参数C为约束Lagrange乘子在得到最大化边缘margin与少量离群点之间进行折中的一个参数，即C用于控制错分样本惩罚程度，通常情况，测试精度随C的增大而提高，当达到某一定值时可得到最佳分类错误率和最佳支持向量数。此外，核参数的选取也会直接影响分类器训练效果的好坏，因为核函数、映射函数和特征空间是一一对应的关系。本文采用交叉验证和网格搜索的思想得到在某种意义下的最优参数，用以找到最佳的(C,g)参数对，使得分类器能够对未知数据做出精确预测，最终可以较为理想地评价测试样本等级。

支持向量机SVM分类主要基于“训练—预测”的流程，首先利用svmtrain命令实现对样本数据集的训练，并得到分类模型MODLE。

(二)创新模式的选择

为衡量工业企业技术创新水平，技术创新能力成熟度等级评价模型给不同的等级划分了不同的关键过程域和关键实践活动，企业一旦满足某一等级所有的关键过程域，即可根据企业所处的技术创新能力成熟度选择创新模式，以目前所在成熟度上一个等级的关键实践活动作为目标，通过实施一系列的活动来提高自身的成熟度等级。

当企业技术创新能力成熟度评价结果为1时，企业的技术创新能力属于无序级，创新水平较低，创新资源较匮乏，技术创新表现为组织中个人的随机性创新，因此，处于无序级的企业在进行技术创新活动的过程中，要积极培养组织中成员的自主创新意识，将规范级的关键实践活动作为自身努力的目标。而处于规范级的企业则需以更高级的战略级关键实践活动作为为目标，逐步提高自身的技术创新能力。当评价结果为2或3时，企业的技术创新能力处于规范级或战略级，企业应注重培养研发人才，建立较为完善的创新组织体系，把技术创新的提高作为企业长足发展的战略目标。处于这两个级别的企业在市场中都拥有自身的优势与特色，能够根据市场需求调整产品结构和技术模式。当评级结果为4或5时，企业的技术创新能力处于优化级和协同级，此时企业的技术创新实力较强，拥有先进的技术创新所需硬件设备和优良的研发团队，并具有成熟的信息化决策支持系统，拥有丰富的技术创新资源，所以，成熟度等级较高的技术创新模式应为每个企业发展的前进目标。

四、结论与展望

本文将支持向量机分类器应用于评价工业企业技术创新能力成熟度的模型中，首先通过因子分析法得到样本数据的公因子得分，对数据进行降维和去噪，大大简化了指标体系的复杂性，为后面分类器的训练与预测提供了有效的输入变量，缩短了模型的训练时间，提高了模型的训练响应速度。通过实证分析证实该方法能有效解决技术创新能力成熟度评价问题并给出了关键等级的行动建议。(作者单位：内蒙古财经大学)

参考文献：

[1]王宝，高峰，姬贵林.典型重工业城市企业技术创新能力评价及提升对策研究[J].开发研究，2013，(1):84-88

[2]王芳，孙承志.技术创新与相关概念的关系[J].工业技术经济.2000(4):91-92

[3]丁雪梅.基于支持向量机的纺织品服装安全风险评价模型研究[D].上海：东华大学，2011

[4]李潇.基于支持向量回归的电力采购评标方法研究[D].天津：天津大学2010