導語：如何才能寫好一篇神經(jīng)網(wǎng)絡量化綜述，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

1 用戶感知評價體系概述

1.1 概念簡述

用戶感知是指客戶對網(wǎng)絡質(zhì)量是可深入認識、感知的，良好的網(wǎng)絡質(zhì)量感知是企業(yè)核心競爭能力的直接表現(xiàn)。

用戶感知在移動通信業(yè)務中是指用戶在主觀感受上對移動網(wǎng)絡業(yè)務的使用滿意程度，它反映了用戶對網(wǎng)絡和業(yè)務的感受優(yōu)劣度，反映了該移動網(wǎng)絡業(yè)務的質(zhì)量與用戶本身期待之間的差異。

1.2 用戶感知發(fā)展現(xiàn)狀

傳統(tǒng)的網(wǎng)絡優(yōu)化方法主要包括基于網(wǎng)管指標、路測指標的網(wǎng)絡優(yōu)化。其中路測指標主要通過DT（dimension test）測試、CQT（Call Quality Test）測試獲得，其特點是從終端側(cè)收集數(shù)據(jù)，主要用于檢測網(wǎng)絡運行質(zhì)量，反映測試路線上的網(wǎng)絡情況。網(wǎng)絡指標主要為網(wǎng)管KPI，獲取方式是網(wǎng)管數(shù)據(jù)、告警數(shù)據(jù)、用戶投訴數(shù)據(jù)等，該指標的特點是從網(wǎng)絡側(cè)收集數(shù)據(jù)，反映網(wǎng)絡運行質(zhì)量，統(tǒng)計不同范圍的網(wǎng)絡情況。傳統(tǒng)用戶感知模型如圖1。傳統(tǒng)用戶感知模型只能夠反映網(wǎng)絡側(cè)因素對用戶體驗質(zhì)量的影響，片面的將網(wǎng)絡設備狀態(tài)當做用戶的實際感受。

目前，移動網(wǎng)絡技術廣泛的應用于社會的各方各面，人們對移動業(yè)務質(zhì)量也提出了更高的要求?，F(xiàn)在的網(wǎng)絡優(yōu)化已經(jīng)由過去的單純優(yōu)化網(wǎng)絡性能，改變成優(yōu)化用戶的感知滿意度。因此提出改進型的用戶感知模型如圖2。

2 用戶感知模型的指標篩選

影響語音業(yè)務用戶感知的相關指標比較多，但是并非每一個指標對用戶體驗質(zhì)量都有著絕對的影響。為了建立科學客觀的指標體系，本文采用最小距離聚類算法去除相關性較強的指標，并結(jié)合實際情況篩選出適合的語音業(yè)務用戶感知的評價指標。

聚類法是研究多要素事物分類問題的數(shù)量方法。基本原理是根據(jù)樣本自身的屬性，用數(shù)學方法按照某種相似性或差異性指標，定量地確定樣本之間的親疏關系，并按這種親疏關系程度對樣本進行聚類篩選。

重復進行以上步驟可以得到最小距離聚類譜系圖，如圖3。

通過最小距離聚類譜系圖可以篩選出六項評價指標：平均呼叫時長G1、切換成功率G8、呼叫建立時長G9、業(yè)務信道分配成功率G4、尋呼成功率G6、掉話率G3。

3 利用模糊神經(jīng)網(wǎng)絡建立評價模型

人工神經(jīng)網(wǎng)絡起源于模擬人腦神經(jīng)元的工作方式。人工神經(jīng)網(wǎng)絡是由大量的簡單基本元件——神經(jīng)元相互聯(lián)接而成的自適應非線性動態(tài)系統(tǒng)。每個神經(jīng)元的結(jié)構(gòu)和功能比較簡單，但大量神經(jīng)元組合產(chǎn)生的系統(tǒng)行為卻非常復雜。人工神經(jīng)網(wǎng)絡具有很強的自適應與自組織特性以及泛化能力、非線性映射能力、高度并行性。

根據(jù)人工神經(jīng)網(wǎng)絡的特點，可以利用其建立用戶感知評價模型，從用戶角度分析所提供的服務的滿意程度，為之后的網(wǎng)絡優(yōu)化提供支持。

T-S模糊神經(jīng)網(wǎng)絡分為輸入層、模糊化層、模糊規(guī)則計算曾和輸出層等四層。輸入層與輸入向量連接，節(jié)點數(shù)與輸入向量的維數(shù)相同。

利用模糊神經(jīng)網(wǎng)絡建立語音業(yè)務用戶感知體系KPI-QOE的映射模型，通過大量數(shù)據(jù)樣本對模型進行訓練自動調(diào)整權值使得模型的性能及誤差等符合要求。建立用戶感知模糊神經(jīng)網(wǎng)絡模型流程如圖4。

4 結(jié)語  

我國通信領域正在進行日新月異的變化，而傳統(tǒng)的無線網(wǎng)絡優(yōu)化技術已經(jīng)難以滿足當前技術革新的步伐。落后的用戶感知評估體系滯后了用戶體驗對網(wǎng)絡質(zhì)量的直接影響，使得傳統(tǒng)的QoE體系不能完全真實的反映用戶感知，常常會出現(xiàn)網(wǎng)絡的KPI情況很好，但是從用戶的真實感受來看，網(wǎng)絡的質(zhì)量卻不如人意。因此，改進用戶體驗評價體系是當務之急。一套合理有效的用戶感知評價體系將成為企業(yè)改善服務質(zhì)量，提升用戶滿意度，培養(yǎng)用戶忠誠度的必然之選。

參考文獻

[1]林闖，胡杰，孔祥震.用戶體驗質(zhì)量（QOE）的模型與評價方法綜述[J].計算機學報，2012（35）.

[2]馮國玲，徐旭東.用戶感知評估體系的設計與實現(xiàn)[J].河北工業(yè)科技，2009（3）.

[3]李榮.淺析移動通信中的用戶感知[J].電信快報，2008（5）.

篇2

關鍵詞：LM-BP網(wǎng)絡；糧食產(chǎn)量；預測

中圖分類號：S11+4；TP183 文獻標識碼：A 文章編號：0439-8114（2012）23-5479-03

Forecasting Corn Production Based on LM-BP Neural Network

GUO Qing-chun1，3，4，HE Zhen-fang2，4，LI Li3

（1. Teaching Affairs Office， Shaanxi Radio & TV University， Xi’an 710068， China； 2. Cold and Arid Regions Environmental and Engineering Research Institute， Chinese Academy of Sciences， Lanzhou 730000， China； 3. Institute of Earth Environment Research， Chinese Academy of Sciences， Xi’an 710075， China； 4. Graduate University， Chinese Academy of Sciences， Beijing 100049， China）

Abstract： A corn production porecasting method based on improved LM-BP was proposed. According to measurement and agricultural significance principle， 9 factors of grain-sown area， fertilizer input， effective grain irrigated area， stricken area， rural electricity consumption， total agriculture mechanism power， the population engaged in agriculture， rural residents family productive assets， the average net income of rural households were extracted as the network input； corn production was extracted as the network output. The LM algorithm could minimize the error， and the modeling results were evaluated with the correlation coefficients， relative error， etc. For training sample set， the correlation coefficient between the simulated value and the actual value was 0.996， the average relative error was 0.47%； for testing sample set， the correlation coefficient between the forecasted value and the actual value was 0.994， the average relative error was 0.56%. The results showed that the improved LM-BP model could improve simulation precision and stability of the model. This method is effective and feasible for corn production prediction.

Key words： LM-BP network； corn production； forecast

糧食產(chǎn)量預測是復雜的農(nóng)學和統(tǒng)計學問題，受自然環(huán)境、政策、資源投入等多因素的影響。國內(nèi)外的相關研究中，不少學者構(gòu)建了許多很有價值的理論假說和預測模型，主要有4類：投入產(chǎn)出模型、遙感技術預測模型、氣候生產(chǎn)力模型及多元回歸和因子分析模型，這些模型從不同角度對糧食產(chǎn)量預測進行了研究[1，2]。但這些模型多數(shù)采用傳統(tǒng)的統(tǒng)計預測技術，如時間序列統(tǒng)計模型、定性與推斷技術、因果關系方法。而糧食產(chǎn)量是受不確定性因素影響的，是一個復雜的非線性系統(tǒng)。

人工神經(jīng)網(wǎng)絡具有很強的處理大規(guī)模復雜非線性系統(tǒng)的能力。近年來，許多學者已將人工神經(jīng)網(wǎng)絡成功地應用于實際問題的預測中，取得了令人滿意的結(jié)果[3-12]。為此，采用改進算法的神經(jīng)網(wǎng)絡建立了糧食產(chǎn)量預測系統(tǒng)，結(jié)果表明，基于改進算法的BP神經(jīng)網(wǎng)絡預測模型具有良好的預測精度、訓練時間短、收斂速度快等特點。

1 仿真試驗數(shù)據(jù)

1.1 預測因子的選擇

根據(jù)能夠計量及具有農(nóng)學意義的原則，結(jié)合農(nóng)業(yè)專家的意見，通過前期大量的影響因子分析[13-15]，選取1994-2009年的糧食總產(chǎn)量為輸出因子，初步選取糧食作物播種面積、化肥施用量、糧食作物有效灌溉面積、受災面積、農(nóng)村用電量、農(nóng)業(yè)機械總動力、從事農(nóng)業(yè)的人口、農(nóng)村居民家庭生產(chǎn)性固定資產(chǎn)原值、農(nóng)村居民家庭平均純收入9個因子作為輸入因子構(gòu)筑模型，原始數(shù)據(jù)來源于2010年《中國統(tǒng)計年鑒》。

1.2 網(wǎng)絡輸入的初始化

為了消除不同因子之間由于量綱和數(shù)值大小的差異而造成的誤差，以及由于輸入數(shù)值過大造成溢出，首先需要對數(shù)據(jù)進行標準化處理，即把輸入數(shù)據(jù)轉(zhuǎn)化為[0，1]或[-1，1]的數(shù)。通過公式y(tǒng)=（x-min（x））/（max（x）-min（x））對糧食產(chǎn)量進行處理，得到了符合網(wǎng)絡要求的數(shù)據(jù)。減少了識別數(shù)據(jù)的動態(tài)范圍，使預測成功的可能性得以提高。然后將數(shù)據(jù)分成兩部分：網(wǎng)絡的訓練樣本集（前11年的數(shù)據(jù)）和檢測樣本集（后5年的數(shù)據(jù)）。

2 預測仿真模型的建立

BP網(wǎng)絡是誤差反向傳播（Back Propagation）人工神經(jīng)網(wǎng)絡的簡稱，是目前計算方法比較成熟、應用比較廣泛、效果比較好、模擬生態(tài)經(jīng)濟系統(tǒng)的神經(jīng)網(wǎng)絡模型，但傳統(tǒng)BP網(wǎng)絡存在學習過程收斂慢，局部極小、魯棒性不好、網(wǎng)絡性能差等缺點。為了改進算法，引入Levenberg-Marquardt優(yōu)化算法，其基本思路是使其每次迭代不再沿著單一的負梯度方向，而是允許誤差沿著惡化的方向進行搜索，同時通過在最速梯度下降法和高斯-牛頓法之間自適應調(diào)整來優(yōu)化網(wǎng)絡權值，使網(wǎng)絡能夠有效收斂，大大提高網(wǎng)絡的收斂速度和泛化能力，它能夠降低網(wǎng)絡對誤差曲面局部細節(jié)的敏感性，有效抑制網(wǎng)絡陷入局部極小。

Levenberg-Marquardt算法實際上是梯度下降法和擬牛頓法的結(jié)合，該算法期望在不計算Hessian矩陣的情況下獲得高階的訓練速度，其公式表達為XK+1=XK-[JTJ+μI]-1JTe，其中，JT為雅克比矩陣，e是網(wǎng)絡誤差向量。如果μ=0的話，就變成采用近似Hessian矩陣的擬牛頓法；如果μ很大，即成為小步長的梯度下降法，由于牛頓法在誤差極小點附近通常能夠收斂得更快更準確，因此算法的目的就是盡快轉(zhuǎn)換為牛頓法。如果某次迭代成功，誤差性能函數(shù)減小，那么就減小μ值，而如果迭代失敗，就增加μ值。如此可以使得誤差性能函數(shù)隨著迭代的進行而下降到極小值。Matlab工具箱提供了Trainlm 函數(shù)Levenberg-Marquardt算法的計算。

網(wǎng)絡結(jié)構(gòu)的選擇是應用BP網(wǎng)絡成功與否的關鍵因素之一，一個規(guī)模過大的神經(jīng)網(wǎng)絡容易造成網(wǎng)絡容錯性能下降、網(wǎng)絡結(jié)構(gòu)復雜、泛化能力較差等缺陷；而規(guī)模過小的神經(jīng)網(wǎng)絡往往對訓練樣本的學習較為困難，學習過程可能不收斂，影響網(wǎng)絡的表現(xiàn)能力，降低網(wǎng)絡應用的精度。理論研究表明，只要具有足夠的隱層神經(jīng)元，3層人工神經(jīng)網(wǎng)絡可以無限地逼近任何時間序列和函數(shù)，因此這里采用含有一個隱含層的3層神經(jīng)網(wǎng)絡結(jié)構(gòu)。隱含層神經(jīng)元數(shù)的選擇較為復雜，它關系到整個BP網(wǎng)絡的精確度和學習效率，但目前，它的選取尚無一般的指導原則，只能根據(jù)一些經(jīng)驗法則或通過試驗來確定，如Hecht-Nielsen提出的“2N+1”法，由輸入矩陣可以確定輸入層節(jié)點數(shù)為9，根據(jù)“2N+1”這一經(jīng)驗，可確定隱含層節(jié)點數(shù)為19；輸出層節(jié)點數(shù)為1，這樣就構(gòu)成了一個9-19-1的BP神經(jīng)網(wǎng)絡模型，其中，訓練函數(shù)為Trainlm，輸入層到隱含層以及隱含層到輸出層的傳遞函數(shù)分別為Logsig和Purelm，最大訓練次數(shù)Epochs為50 000次；訓練誤差精度Goal為0.001；訓練時間間隔Show為5，學習步長Lc為0.5，動量因子Me為0.95，其他參數(shù)均選用缺省值。

3 仿真結(jié)果

取1994-2004年的11個實際產(chǎn)量作為訓練樣本集，將2005-2009年的5個實際產(chǎn)量作為預測效果檢測樣本集。將1994-2004年9個指標的原始數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡的輸入樣本，糧食產(chǎn)量實際值作為輸出樣本，然后對網(wǎng)絡進行訓練，可得相應結(jié)點的權值與閾值，將2005-2009年9個指標的原始數(shù)據(jù)（檢測樣本）作為網(wǎng)絡的仿真輸入，得到最終預測結(jié)果，表1是1994-2009年中國糧食實際產(chǎn)量和神經(jīng)網(wǎng)絡方法模擬值對比分析結(jié)果。

從表1可以看出，訓練樣本集中擬合精度平均相對誤差為0.47%，最大值為2004年的1.13%，模擬值和實際值的相關系數(shù)為0.996；檢測樣本集中，BP神經(jīng)網(wǎng)絡預測模型得到的預測值和實際值具有較好的擬合效果，平均相對誤差為0.56%，最大相對誤差為1.11%，最小相對誤差僅為0.04%，模擬值和實際值的相關系數(shù)為0.994；2005-2009年的糧食產(chǎn)量預測值的相對誤差均較小。這種改進后的方法比較有效，利用該算法獲得的預測數(shù)據(jù)結(jié)果較好。

總之，由以上分析結(jié)果可以看出，無論是擬合精度還是預測5個獨立樣本，BP神經(jīng)網(wǎng)絡模型的精度都比較高。但從預測結(jié)果也可以看出，BP網(wǎng)絡模型方法預測的平均相對誤差為0.56%，平均預測精度仍有待提高。

4 小結(jié)與討論

針對中國糧食產(chǎn)量預測問題，將BP神經(jīng)網(wǎng)絡應用于國家糧食安全預警系統(tǒng)中，采用1994-2004年的中國糧食產(chǎn)量和影響因子的歷史數(shù)據(jù)建立模型，利用2005-2009年的數(shù)據(jù)檢驗模型，研究得出以下結(jié)論。

1）由于常規(guī)統(tǒng)計模型難以滿足糧食產(chǎn)量的預測要求，提出的改進BP算法較好地解決了神經(jīng)網(wǎng)絡收斂慢和易陷入局部極小值的問題，通過建立預測模型，運用該改進方法對中國糧食產(chǎn)量進行了預測，實例證明，運用基于Levenberg-Marquardt算法的改進BP神經(jīng)網(wǎng)絡，無論從訓練結(jié)果精度上還是在收斂性能上都表現(xiàn)出較好的效果，說明運用該方法來預測糧食產(chǎn)量是完全可行的，彌補了傳統(tǒng)BP算法的不足，提高了預測精度，加快了收斂速度，而且具有很好的外延性。

2）BP神經(jīng)網(wǎng)絡模型的預測精度高，預測值和實際產(chǎn)量的擬合性好。BP神經(jīng)網(wǎng)絡法允許原始的隨機數(shù)據(jù)或數(shù)據(jù)中含有較多的噪聲，這是它區(qū)別于其他模型的最大優(yōu)勢，因而任何能用傳統(tǒng)的模型分析或統(tǒng)計方法解決的問題，BP神經(jīng)網(wǎng)絡能處理得更好。在進行糧食產(chǎn)量預測時，BP神經(jīng)網(wǎng)絡法是一種非常理想的預測方法，但是在構(gòu)造神經(jīng)網(wǎng)絡的預測模型時，要注意正確選擇影響因素，不要漏掉對預測對象有重大影響的因素。

由于糧食產(chǎn)量受各種因素的影響，波動性較大，除了受到上述9種因素的影響外，在很大程度上還受國家宏觀政策、作物品種、耕作技術等因素的影響，如何更全面地將難以量化的因素也納入模型中進行考慮分析，從而不斷地改進預測模型、提高預測精度，是需要進一步研究的工作。

參考文獻：

[1] 和文超，師學義，鄧青云，等.土地利用規(guī)劃修編中糧食產(chǎn)量預測方法比較[J].農(nóng)業(yè)工程學報，2011，27（12）：348-352.

[2] 周永生，肖玉歡，黃潤生. 基于多元線性回歸的廣西糧食產(chǎn)量預測[J]. 南方農(nóng)業(yè)學報，2011，42（9）：1165-1167.

[3] 王巧華，文友先.基于BP神經(jīng)網(wǎng)絡的雞蛋大小分級方法研究[J].湖北農(nóng)業(yè)科學，2005（1）：97-99.

[4] 于平福，陸宇明，韋莉萍，等.基于小波廣義回歸神經(jīng)網(wǎng)絡的糧食產(chǎn)量預測模型[J].湖北農(nóng)業(yè)科學，2011，50（10）：2135-2137.

[5] 李紅平，魏振方，郭衛(wèi)霞.小麥白粉病的數(shù)學模型預測[J].湖北農(nóng)業(yè)科學，2011，50（17）：3611-3613.

[6] 李 艷，劉 軍.農(nóng)產(chǎn)品價格預測系統(tǒng)設計與實現(xiàn)[J].湖北農(nóng)業(yè)科學，2011，50（14）：2976-2978.

[7] 黃 華，黎未然.人工神經(jīng)網(wǎng)絡在柚皮總黃酮提取中的應用[J].湖北農(nóng)業(yè)科學，2011，50（10）：2088-2091.

[8] 汪東升，李小昱，李 鵬，等.基于小波和神經(jīng)網(wǎng)絡的柴油機失火故障檢測[J].湖北農(nóng)業(yè)科學，2011，50（15）：3181-3183.

[9] 梁 丹，李小昱，李培武，等.近紅外光譜法對食用植物油品種的快速鑒別[J].湖北農(nóng)業(yè)科學，2011，50（16）：3383-3385.

[10] 吳澤鑫，李小昱，王 為，等. 基于近紅外光譜的番茄農(nóng)藥殘留無損檢測方法研究[J].湖北農(nóng)業(yè)科學，2010，49（4）：961-963.

[11] 章 英.基于收購質(zhì)量的烤煙煙葉無損檢測技術研究綜述[J].湖北農(nóng)業(yè)科學，2011，50（7）：1297-1300.

[12] 李 哲，李干瓊，董曉霞，等.農(nóng)產(chǎn)品市場價格短期預測研究進展[J]. 湖北農(nóng)業(yè)科學，2011，50（17）：3666-3675.

[13] 宰松梅，溫 季，仵 峰，等.基于灰色關聯(lián)分析的遼寧省糧食產(chǎn)量預測模型[J].節(jié)水灌溉，2011（5）：64-66.

篇3

關鍵詞：創(chuàng)新能力 評價指標模型 人工神經(jīng)網(wǎng)絡測評方法

一、引言

如果從不同的角度或者不同的目的出發(fā)，創(chuàng)新的概念有著很多不同的定義。作為經(jīng)濟學家和創(chuàng)新理論的先驅(qū)，熊彼特認為創(chuàng)新就是對生產(chǎn)要素進行重新組合，就是要把一種從來沒有的關于生產(chǎn)要素和生產(chǎn)條件的“新組合”引進生產(chǎn)體系中去，包括新產(chǎn)品、新的生產(chǎn)方法、新的市場、新的材料和新的組織形式。創(chuàng)新對某個具體企業(yè)一定是新的，但對整個市場不一定是新的，企業(yè)也不一定是第一個引入某個過程的。創(chuàng)新是由本企業(yè)還是由其他企業(yè)完成，并不重要。并且，創(chuàng)新絕不僅僅是技術層面的科學發(fā)現(xiàn)、技術發(fā)明，而是科學發(fā)現(xiàn)應用、技術發(fā)明的生產(chǎn)實現(xiàn)和市場實現(xiàn)；而在非技術性層面，創(chuàng)新包括了理念、管理、商業(yè)化方法等多元化的內(nèi)容。

位于我國的西部地區(qū)，中小企業(yè)單位數(shù)量多，經(jīng)濟總量大，是內(nèi)蒙古工業(yè)經(jīng)濟的重要支撐。據(jù)調(diào)查，2010年，全區(qū)中小企業(yè)50.12萬戶（含個體工商戶）。其中，中小工業(yè)達到12.1萬戶，占全部工業(yè)戶數(shù)的99.96％，完成現(xiàn)價工業(yè)總產(chǎn)值3791.86億元，占全部工業(yè)的66.21％。規(guī)模以上中小工業(yè)企業(yè)2974戶，占全部規(guī)模以上工業(yè)企業(yè)的92.36％；實現(xiàn)銷售收入2682.66億元，占全部規(guī)模以上工業(yè)企業(yè)的65.74％；實現(xiàn)利潤255.92億元，占全部規(guī)模以上工業(yè)企業(yè)的76.96％。全區(qū)中小工業(yè)吸納的就業(yè)人數(shù)為130.5萬人，占全部工業(yè)從業(yè)人數(shù)的80.21％。　“十一五”期間，中小企業(yè)在拉動經(jīng)濟增長、擴大就業(yè)、建立和諧社會等方面發(fā)揮了重要作用，為加快實現(xiàn)和諧內(nèi)蒙古做出了突出貢獻。然而，自治區(qū)的中小企業(yè)的發(fā)展仍然在發(fā)展戰(zhàn)略、金融環(huán)境、人才資源、科研項目等方面存在問題，直接導致了內(nèi)蒙古中小企業(yè)創(chuàng)新能力不強，進而滯延了很多中小企業(yè)的成長過程，制約著中小企業(yè)的進一步發(fā)展。針對內(nèi)蒙古各類中小企業(yè)創(chuàng)新發(fā)展面臨的共性問題，建立針對此類企業(yè)的創(chuàng)新能力評價指標模型，合理評價企業(yè)創(chuàng)新能力，從而為企業(yè)發(fā)展指明道路。

二、內(nèi)蒙古中小企業(yè)創(chuàng)新能力評價指標設計

為了建立一個可行的基于過程模型的中小企業(yè)創(chuàng)新能力評價指標體系，首先要明確指標設計原則。中小企業(yè)創(chuàng)新能力評價指標體系不是一些指標的簡單堆積和隨意組合，而是根據(jù)某些原則而建立起來并能反映企業(yè)創(chuàng)新能力狀況的指標集合。具體應遵循以下基本原則：

1.設計原則

（1）相關性。即選取的指標要能夠直接反映中小企業(yè)創(chuàng)新能力，而不是將中小企業(yè)所有的經(jīng)濟指標和技術指標都予以羅列。

（2）系統(tǒng)性。多指標綜合評價是一種全面性的評價，應當以能夠增強中小企業(yè)創(chuàng)新能力作為考核對象，全面系統(tǒng)地選擇反映中小企業(yè)創(chuàng)新能力的重要性指標，以保證評價的科學真實。

（3）可操作性。即選取的指標要求有代表性，而且應該具有可操作性。

2.指標內(nèi)容

根據(jù)內(nèi)蒙古中小企業(yè)創(chuàng)新能力評價的影響因素和指標的設計原則，結(jié)合相關文獻中的研究成果，并且對內(nèi)蒙古中小企業(yè)進行實地調(diào)研，本文擬出內(nèi)蒙古中小企業(yè)創(chuàng)新能力評價體系，指標體系由六大類、23項相應的子指標構(gòu)成，具體構(gòu)成見表1。

表1　內(nèi)蒙古中小企業(yè)創(chuàng)新能力評價指標體系

[總目標＼&一級目標＼&二級目標＼&內(nèi)蒙古中小企業(yè)創(chuàng)新能力評價＼&管理能力創(chuàng)新＼&創(chuàng)新預測與評估能力＼&創(chuàng)新激勵與協(xié)作能力＼&信息采集能力＼&企業(yè)創(chuàng)新效果實現(xiàn)效率＼&企業(yè)與外部力量合作能力＼&投入能力創(chuàng)新＼&研發(fā)資金投入強度＼&非研發(fā)資金投入強度＼&創(chuàng)新基礎＼&研發(fā)人員素質(zhì)＼&研發(fā)機構(gòu)水平＼&技術應用水平＼&研究設備水平＼&生產(chǎn)制造能力創(chuàng)新＼&生產(chǎn)設備裝備水平＼&生產(chǎn)設備新度＼&生產(chǎn)技術工人熟練程度＼&勞動生產(chǎn)率＼&市場營銷能力創(chuàng)新＼&市場營銷人員比重＼&市場研究水平＼&對客戶的了解程度＼&產(chǎn)品的市場占有率＼&創(chuàng)新環(huán)境影響＼&內(nèi)蒙古信息化程度＼&政府政策強度＼&市場競爭程度＼&金融環(huán)境＼&]3.評價指標的標準化

由于評價指標中既有定性指標又有定量指標，為使各指標在整個系統(tǒng)中具有可比性，必須對各指標進行標準化處理。

（1）定量指標

對于定量指標，因其衡量單位不同，級差有大有小，趨向也不一定一致，必須對其進行規(guī)范化和同趨化處理，處理方法如下：

當目標越大評價越好時，

其中，[Fj]是目標值xj的標準化值，xjmin是預先確定的第j個指標的最小值；xjmax是預先確定的第j個指標的最大值；j是評價指標的數(shù)目。

（2）定性指標

對于定性指標，應將其量化處理，其中量化處理的方法很多，較常用的是專家打分法。為了能與定量指標之間有可比性，必須將其再進行標準化處理。處理方法與上面的處理方法類似。

三、基于BP神經(jīng)網(wǎng)絡的內(nèi)蒙古中小企業(yè)創(chuàng)新能力評價模型

1.人工神經(jīng)網(wǎng)絡方法

人工神經(jīng)網(wǎng)絡（簡稱神經(jīng)網(wǎng)絡）是一種通過模擬人腦神經(jīng)細胞的結(jié)構(gòu)和功能來進行信息處理的技術，由大量簡單的神經(jīng)元廣泛互聯(lián)而形成，具有學習、記憶、聯(lián)想、歸納、概括和抽取、容錯以及自學自適應的能力。

神經(jīng)網(wǎng)絡有多種類型，在各類神經(jīng)網(wǎng)絡模型中，誤差反向傳播前饋網(wǎng)絡（BP）是應用最廣泛的代表性網(wǎng)絡，中小企業(yè)創(chuàng)新能力評價可以采用這種方法。該網(wǎng)絡含有一個或多個隱含層，采用誤差反向傳播算法訓練網(wǎng)絡的權值和偏差，通過對若干樣本的自學習，建立網(wǎng)絡輸入變量與輸出變量之間的全局非線性映射關系。

BP網(wǎng)絡一般包括三個層次，即網(wǎng)絡的輸入層、輸出層，以及隱含層。輸入層和輸出層分別有與網(wǎng)絡輸入Ip（p=1，2，…P）及輸出變量On（n=1，2，…N）相對應的P和N個神經(jīng)元，隱含層為M個神經(jīng)元。輸入變量Ip將按式（1）分配到隱含層的第m個神經(jīng)元，作為其輸入dm　：

得到滿足時，網(wǎng)絡自學習終止。經(jīng)學習后的BP網(wǎng)絡，將可用于內(nèi)蒙古中小企業(yè)創(chuàng)新能力的評價。

2.評價模型結(jié)構(gòu)設計

根據(jù)上述的人工神經(jīng)網(wǎng)絡方法，可以將評價模型結(jié)構(gòu)設計分成三部分進行：

（1）輸入層。根據(jù)中小企業(yè)創(chuàng)新能力評價指標體系，可以將最低層指標數(shù)作為輸入層神經(jīng)元數(shù)，在這里為23，然后，按上述方法將指標標準化處理。將標準化處理后的指標值作為BP網(wǎng)絡的學習樣本。

（2）隱含層。隱含層神經(jīng)元數(shù)的選取關系到整個BP網(wǎng)絡的精確度和學習效率，因此，應結(jié)合理論分析和經(jīng)驗來選取隱含層神經(jīng)元數(shù)，一般地，隱含層神經(jīng)元數(shù)為10—15。

（3）輸出層。對中小企業(yè)創(chuàng)新能力的評價是一個從定性到定量再到定性的過程，通過BP網(wǎng)絡模型將定性轉(zhuǎn)化為定量輸出，然后綜合評價集和輸出結(jié)果，對中小企業(yè)創(chuàng)新能力作出定性評價。因此，將輸出層神經(jīng)元數(shù)設置一個；評價集是整個評價過程的關鍵，其設置的好壞將影響評價的客觀性，一般地，將評價集設為好、較好、一般、較差、差等5個等級。根據(jù)專家的意見設定最高分和最低分，可用如下原則評價（O表示評分）：O≥4.5，好；3.5≤O

3.BP神經(jīng)網(wǎng)絡模型評價程序

依據(jù)模型結(jié)構(gòu)設計，形成一個BP神經(jīng)網(wǎng)絡模型，對內(nèi)蒙古中小企業(yè)創(chuàng)新能力進行評價的步驟如下：

（1）BP網(wǎng)絡學習。按照前述的指標體系，搜集學習樣本即不同企業(yè)的指標值，進行標準化處理，輸入BP神經(jīng)網(wǎng)絡，按照BP算法，確定各層神經(jīng)元之間的權重。

（2）收集評價企業(yè)的指標值{xi}。

（3）對{xi}進行規(guī)范化處理。

（4）將處理過的{xi}輸入BP神經(jīng)網(wǎng)絡，按照前面確定的權重，計算輸出。

（5）根據(jù)輸出按評價標準對中小企業(yè)創(chuàng)新能力下評價結(jié)論。

四、結(jié)論

在以往的企業(yè)創(chuàng)新能力評價體系構(gòu)建過程中，各個專家和學者更偏向于對東部沿海地區(qū)工業(yè)企業(yè)的創(chuàng)新能力進行評價，指標設計方面有經(jīng)濟發(fā)達地區(qū)的工業(yè)企業(yè)的特色，因此以往的評價體系不適合于對西部經(jīng)濟不發(fā)達地區(qū)中小類型企業(yè)的評價研究。本文旨在前人研究方法的基礎上，建立適合內(nèi)蒙古中小企業(yè)的創(chuàng)新能力評價指標體系，為內(nèi)蒙古中小企業(yè)創(chuàng)新能力的評價打好堅實的基礎，不斷解決在創(chuàng)新中遇到的新問題，提高企業(yè)的發(fā)展水平，進而促進和推動內(nèi)蒙古經(jīng)濟的騰飛。

參考文獻：

[1]　伍藝，何玉梅.企業(yè)自主創(chuàng)新能力評測體系構(gòu)建[J].企業(yè)管理，2008，（36）

[2]　杜棟，龐慶華.現(xiàn)代綜合評價方法與案例精選[M].北京：清華大學出版社，2005：86-108

[3]　紅艷，張樹德，魏樹琪.　蓄勢待發(fā)競風流——內(nèi)蒙古中小企業(yè)發(fā)展綜述[J].北方經(jīng)濟，2007?。?

[4]　溫瑞　，龔建立，王黎娜.企業(yè)自主創(chuàng)新能力評價研究[J].集團經(jīng)濟研究，2005，（8）

篇4

關鍵詞：客戶服務能力 客戶細分 電力企業(yè) 方法

隨著我國改革開放的不斷深入，我國的經(jīng)濟發(fā)展步入了一個新的時期。電力企業(yè)作為經(jīng)濟發(fā)展的保障性行業(yè)也迎來了新的發(fā)展契機。在新的時期中，電力企業(yè)不僅要注重供電可靠性，同時也要注重客戶服務能力的提升。客戶服務能力已經(jīng)成為電力企業(yè)工作的一個十分重要的部分，如何提高電力企業(yè)的客戶服務能力是擺在電力企業(yè)面前的一個問題。差異化的客戶服務是電力企業(yè)提升客戶服務能力的一個重要的手段?？蛻艏毞质遣町惢蛻舴盏幕A，本文的主要工作是對客戶細分的主要方法進行綜述，為電力企業(yè)客戶細分相關工作者提供一些啟示。

1 心理細分

心理細分所建立的基礎是對客戶有充分的了解，通過對客戶的充分了解可以找到更優(yōu)的客戶服務手段。心理細分主要分為兩類，分別是基于客戶價值的客戶細分和基于客戶生命周期的客戶細分?；诳蛻魞r值的客戶細分方法所依據(jù)的主要信息是客戶的價值信息，客戶價值是企業(yè)從客戶那里獲得的利潤的總現(xiàn)值。基于客戶價值的客戶細分方法包括兩種主要方法，分別是利潤分類法和客戶價值細分理論?；诳蛻羯芷诘目蛻艏毞址椒ㄋ罁?jù)的信息是客戶生命周期，客戶生命周期是指客戶關系的水平隨時間變化的發(fā)展軌跡，它描述了客戶關系從一種狀態(tài)或一個階段向另一種狀態(tài)或另一階段運動的總體特征。基于客戶生命周期的客戶細分方法主要有兩種，分別是忠誠度分類法和依據(jù)客戶關系不同階段的劃分法。

2 統(tǒng)計細分

統(tǒng)計細分方法的原理是根據(jù)客戶統(tǒng)計學方面的特性對客戶進行細分?？蛻舻慕y(tǒng)計特性主要包括客戶的性別、年齡、職業(yè)、收入等等。統(tǒng)計細分方法的優(yōu)點主要在于簡單、易于實現(xiàn)，由于具有以上特點，統(tǒng)計細分方法在客戶細分中應用的也較廣泛。但是由于統(tǒng)計細分法較難反映客戶需求、客戶價值和客戶關系等，該種方法也具有明顯的不足，統(tǒng)計細分已逐漸被其它性能更優(yōu)的客戶細分方法所取代。

3 行為細分

行為細分方法是一種基于預測的細分方法，該種方法通過已有的行為模式來挖掘新的行為模式。客戶已往的行為與他將來的行為之間有必然的相關性，過去的客戶行為可以作為預測客戶將來行為的依據(jù)。行為細分方法的基本原理就是根據(jù)客戶過去的行為來對客戶將來的行為進行預測。行為細分方法運用了人工智能的方法，一些人工智能中經(jīng)典的方法被運用到行為細分中。行為細分方法包括很多的具體方法，下面將對主要的一些方法進行介紹。

3.1 RFM分析 RFM是在1994年由Hughes提出的一種行為細分方法。RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段。該機械模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢三項指標來描述該客戶的價值狀況。R代表最近一次消費（Recency），F(xiàn)代表消費頻率（Frequency），M代表消費金額（Monetary）。RFM方法通過計算以上三個量的乘積，對三個量的乘積結(jié)果進行排序，將客戶按20%、60%、20%進行分類，采用有區(qū)別的策略來對待不同的客戶群。該種方法所存在的主要的不足是分析過程復雜、耗時，F(xiàn)和M兩個量之間存在多重共線性。

3.2 客戶價值矩陣 客戶價值矩陣是由Marcus于1998年提出的一種客戶細分方法?？蛻魞r值矩陣的最核心的思想是采用購買次數(shù)據(jù)F和平均購買額A構(gòu)建二維的客戶價值矩陣模型。所有的客戶將被分類到通過采用購買次數(shù)據(jù)F和平均購買額A構(gòu)建二維的客戶價值矩陣模型的四個象限中，對四個象限中的不同用戶采用不同的營銷策略。該種方法最主要的問題在于其只能對已經(jīng)擁有的客戶進行定義和評價，而對于未知的用戶該種方法則無能為力。

3.3 聚類分析 聚類分析是人工智能領域中一個概念，聚類分析屬于無監(jiān)督的學習方法。聚類方法的主要思想是把相似的樣本歸為一類，使得類內(nèi)樣本屬性同質(zhì)性較高，而類間的同質(zhì)性較低。采用取類分析需要收集客戶的屬性值，通過屬性值構(gòu)建屬性矩陣，再通過聚類分析方法對屬性矩陣進行分析，從而達到對客戶進行分群的目的。聚類方法主要包括的子方法有層次法、劃分法、基于密度的方法、基于網(wǎng)格的方法以及基于模型的方法等等。

層次法對給定的數(shù)據(jù)集合進行層次的分解，分為凝聚的和分裂的。不管是在類的合并或分裂過程中，都需要考察類間的距離。劃分法是在給定的k中先建立一個初始劃分，再通過反復迭代改變其分組，達到同一分組中的距離越近越好，而不同分組中的距離越遠越好?；诿芏鹊姆椒ú幌衿渌愂腔趯ο笾g的距離進行聚類，它們只能發(fā)現(xiàn)球狀的類，而基于密度的方法卻能夠發(fā)現(xiàn)任意類型的類。它的基本指導思想是，只要鄰近區(qū)域的密度超過某個閾值，就繼續(xù)聚類。這樣的方法可以發(fā)現(xiàn)任意形狀的類，并且過濾掉噪聲數(shù)據(jù)，但算法計算復雜度高，對于某些的數(shù)據(jù)集比如密度不均的往往得不到滿意的聚類，結(jié)果。此方法屬于聚類操作都是在把對象空間量化為有限數(shù)目的單元的網(wǎng)格結(jié)構(gòu)中進行的?；谀Ｐ偷姆椒ㄊ菫槊總€類假定一個模型，再尋找對給定模型的最佳數(shù)據(jù)擬合。此類方法主要有兩類，分別為統(tǒng)計學方法和神經(jīng)網(wǎng)絡方法。

3.4 人工神經(jīng)網(wǎng)絡 人工神經(jīng)網(wǎng)絡同聚類方法類似，相同點在于它是人工智能領域中的一個概念，不同點在于聚類分析是無監(jiān)督的學習方法，而人工神經(jīng)網(wǎng)絡是一種有監(jiān)督的學習方法。人工神經(jīng)網(wǎng)絡是一種應用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進行信息處理的數(shù)學模型。在工程與學術界也常直接簡稱為神經(jīng)網(wǎng)絡或類神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡是一種運算模型，由大量的節(jié)點（或稱神經(jīng)元）之間相互聯(lián)接構(gòu)成。每個節(jié)點代表一種特定的輸出函數(shù)，稱為激勵函數(shù)（activation function）。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經(jīng)網(wǎng)絡的記憶。網(wǎng)絡的輸出則依網(wǎng)絡的連接方式，權重值和激勵函數(shù)的不同而不同。而網(wǎng)絡自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達。

4 客戶細分對電力企業(yè)的意義

電力企業(yè)的最主要的社會責任是保障人民的生產(chǎn)和生活用電，電力企業(yè)是一個服務性質(zhì)的企業(yè)，客戶服務質(zhì)量對電力企業(yè)是尤為重要的，在現(xiàn)代，電力企業(yè)越來越看重客戶服務質(zhì)量。對于電力企業(yè)來說，用電客戶是不同的，將用戶客戶進行分類，對屬于不同類別的用電客戶進行差異化服務是電力企業(yè)提高客戶服務質(zhì)量的一個有效的途徑。

電力企業(yè)在進行客戶線分析時，要根據(jù)企業(yè)自身的實際情況，有選擇的使用已有的客戶細分方法，必要時要根據(jù)實際情況對現(xiàn)有的細分方法進行調(diào)整以適應電力企業(yè)實際細分工作的開展。電力企業(yè)在進行客戶細分工作時，要注重相關人才的培養(yǎng)，注重培養(yǎng)一批既懂業(yè)務又懂細分方法的人才，服務于電力企業(yè)客戶細分工作。

客戶細分不是一個一成不變的問題，客戶的群屬性是不斷變化的。例如，某用客可能因為家庭收入的增加從小用電量客戶變成為大用電量客戶。電力企業(yè)要清楚的了解這一點，要周期性的對客戶進行細分，保證客戶都處于他們實際的群體中，從而使對客戶的差異化服務做到準確無誤。

5 結(jié)語

電力企業(yè)做為經(jīng)濟發(fā)展的保障性行業(yè)也迎來了新的發(fā)展契機。在新的時期中，電力企業(yè)不僅要注重供電可靠性，同時也要注重客戶服務能力的提升。客戶服務能力已經(jīng)成為電力企業(yè)工作的一個十分重要的部分，如何提高電力企業(yè)的客戶服務能力是擺在電力企業(yè)面前的一個問題。差異化的客戶服務是電力企業(yè)提升客戶服務能力的一個重要的手段。客戶細分是差異化客戶服務的基礎，本文的主要工作是對客戶細分的主要方法進行綜述，為電力企業(yè)客戶細分相關工作者提供一些啟示。

參考文獻：

[1]曾小青，徐秦，張丹，林大瀚.基于消費數(shù)據(jù)挖掘的多指標客戶細分新方法[J].計算機應用研究，2013（10）.

[2]胡新杰，羅榮華，江明華，王漢生.基于高維0-1變量的EM算法在移動通信客戶細分中的應用[J].數(shù)理統(tǒng)計與管理，2009（02）.

[3]彭凱，秦永彬，許道云.應用因子分析和K-MEANS聚類的客戶分群建模[J].計算機科學，2011（05）.

[4]謝傳勝，盧鍵明，胡笳，丁亞偉.基于ABC作業(yè)成本法的供電服務差異化選擇策略[J].現(xiàn)代電力，2009（02）.

[5]曾鳴，楊素萍，楊鵬舉，等.社會節(jié)能環(huán)境下電力客戶價值評估研究[J].華東電力，2008（06）.

篇5

摘要：自適應共振模型是為了能夠分類任意次序模擬輸入模式而設計的，它可以按任意精度對輸入的模擬觀察矢量進行分類，較好地解決了前穩(wěn)定性和靈活性問題，同時能夠避免對網(wǎng)絡先前所學的學習模式修改。本文將ART2模型應用于信用風險評估，通過實證比較研究，結(jié)果顯示應用自適應共振模型進行信用風險評估在精度和準確性上，都優(yōu)于其他神經(jīng)網(wǎng)絡模型和統(tǒng)計方法。

1統(tǒng)計方法用于信用風險分類評估存在的局限性

對信用風險評估一類主流方法是基于分類的方法，即把信用風險分析看成是模式識別中的一類分類問題—將企業(yè)劃分為能夠按期還本付息和違約兩類。其具體做法是根據(jù)歷史上每個類別（如期還本付息、違約）的若干樣本，從已知的數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律，從而總結(jié)出分類的規(guī)則，建立判別模型，用于對新樣本的判別，這樣信用評估就轉(zhuǎn)化為統(tǒng)計中的分類問題。傳統(tǒng)的統(tǒng)計模型主要基于多元統(tǒng)計分析方法，根據(jù)判別函數(shù)的形式和樣本分布的假定不同，主要的模型有：多元回歸分析模型、多元判別分析模型（MDA）、Logit分析模型、近鄰法等。其中以多元判別分析模型和Logit分析模型應用最為廣泛，已有大量商業(yè)化軟件。

盡管這些方法在國外有大量應用，但是大量實證研究（Altman，1983；Tam & Kiang，1992；Altman，et al，1994）結(jié)果發(fā)現(xiàn)：（1）企業(yè)財務狀況的評價可以看作是一類基于一系列獨立變量基礎上的分類問題；（2）企業(yè)財務狀況好壞與

財務比率的關系常常是非線性的；（3）預測變量（財務比率）可能是高度相關的；（4）大量實證結(jié)果表明，許多指標不成正態(tài)分布。而統(tǒng)計的方法卻不能很好地解決以上問題。由此可見統(tǒng)計模型的最大優(yōu)點在于其具有明顯的解釋性，存在的缺陷是過于嚴格的前提條件。如多元判別分析模型（MDA），它要求數(shù)據(jù)服從多元正態(tài)分布、等協(xié)方差、已知先驗概率和誤判代價等要求，而現(xiàn)實中大量數(shù)據(jù)嚴重違背了這些假定（Eisenbeis，1997）。引入對數(shù)變化可在一定程度上改進數(shù)據(jù)的非正態(tài)分布，但一方面變換后的變量可能失去經(jīng)濟解釋含義，另一方面仍沒有滿足等協(xié)方差的要求；應用二次差別分析（QDA）雖可解決等協(xié)方差問題，但一方面沒有滿足正態(tài)性假設，另一方面當數(shù)據(jù)樣本小、維數(shù)高（指標多）時二次差別分析的性能明顯下降，而樣本少、維數(shù)高正是我國信用數(shù)據(jù)的顯著特點。實證結(jié)果還表明二次差別分析對訓練樣本效果較好，而對測試樣本并不理想。除此以外，多元判別分析模型適用于成熟行業(yè)的大中型企業(yè)，因為這些企業(yè)具有較強的穩(wěn)定性和規(guī)范性，其發(fā)展有一定的規(guī)律可循，參數(shù)統(tǒng)計方法易于給出較準確的結(jié)果及合理的解釋。然而這類方法是靜態(tài)的，需要根據(jù)地區(qū)、行業(yè)經(jīng)濟情況的變化不斷地調(diào)整參數(shù)，甚至進行變量的調(diào)整。

為了解決這些問題，引入了Logit分析模型和近鄰法。Logit分析模型不需要假定任何概率分布，也不要求等協(xié)方差，但是當樣本點存在完全分離時，模型參數(shù)的最大似然估計可能不存在，模型的有效性值得懷疑，另外該方法對中心區(qū)域的差別敏感性較強，導致判別結(jié)構(gòu)的不穩(wěn)定。近鄰法不要求數(shù)據(jù)正態(tài)分布，但當數(shù)據(jù)的維數(shù)較高時，存在所謂的“維數(shù)禍根（Curse of dimensionality）”——對高維數(shù)據(jù)，即使樣本量很大，其撒在高維空間中仍顯得非常稀疏，絕大多數(shù)點附近根本沒有樣本點，這就使得“利用空間中每一附近的樣本點來構(gòu)造估計”的近鄰法很難使用[4]。

2應用神經(jīng)網(wǎng)絡進行信用風險評估的意義

商業(yè)銀行信用風險評估是復雜的過程，除了對企業(yè)的財務狀況的各種特征的評估外，還須對企業(yè)的非財務狀況進行評估，而且又涉及宏觀經(jīng)濟環(huán)境和產(chǎn)業(yè)結(jié)構(gòu)、產(chǎn)業(yè)周期的影響；除了客觀的評估外，還依賴于專業(yè)人員依據(jù)經(jīng)驗進行主觀評估。神經(jīng)網(wǎng)絡是一種具有模式識別能力，自組織，自適應，自學習特點的計算機制，它的知識編碼于整個權值網(wǎng)絡，呈分布式存儲且具有一定容錯能力。神經(jīng)網(wǎng)絡對數(shù)據(jù)的分布要求不嚴格，也不必要詳細表述自變量與因變量之間的函數(shù)關系，神經(jīng)網(wǎng)絡的這些特征使之成為信用風險分析方法的一個熱點。

建立商業(yè)銀行信用風險評估模型必須依賴于一組已知的函數(shù)集合。要求這種函數(shù)集合在任意精度上可以逼近實際系統(tǒng)，從數(shù)學上講，這就要求這個集合在連續(xù)函數(shù)空間上是致密的。目前已經(jīng)從理論上嚴格證明了只用一個隱藏層的神經(jīng)網(wǎng)絡就可以唯一地逼進任何一個連續(xù)函數(shù)。多層神經(jīng)網(wǎng)絡為系統(tǒng)的辨識和建模，尤其是非線性動態(tài)映射系統(tǒng)提供了一條十分有效的途徑。非線性動態(tài)映射系統(tǒng)的神經(jīng)網(wǎng)絡建模被認為是應用神經(jīng)網(wǎng)絡的最成功的范例。

影響商業(yè)銀行信用風險評估的機理很復雜，無法建立精確的非線性動態(tài)模型，而人工神經(jīng)網(wǎng)絡擅長處理非線性的、關系不確定的十分復雜以至于數(shù)學模型難以描述的問題。對于分析時間序列數(shù)據(jù)，由于人工神經(jīng)網(wǎng)絡能識別和模擬數(shù)據(jù)間的非線性關系，不需要正態(tài)分布和先驗概率等條件的約束，能針對新增樣本靈活的訓練再學習，因此優(yōu)于其他統(tǒng)計方法，同時由于網(wǎng)絡本身具有自學習的功能，預測結(jié)果相對精度較高而且穩(wěn)定性好，因此應用神經(jīng)網(wǎng)絡可以通過對網(wǎng)絡的訓練，掌握借款人的財務特征的非線性函數(shù)關系。神經(jīng)網(wǎng)絡是由許多神經(jīng)元構(gòu)成的，它對系統(tǒng)特性的記憶表現(xiàn)為各個神經(jīng)元之間的連接權值，單個神經(jīng)元在整個系統(tǒng)中起不到?jīng)Q定性作用，一個經(jīng)過訓練的神經(jīng)網(wǎng)絡可以按相似的輸入模式產(chǎn)生相似的輸出模式，當商業(yè)銀行信用風險評估系統(tǒng)因某些非財務風險因素和判斷誤差過大的財務風險因素造成輸入模式變形時，網(wǎng)絡仍可以保證穩(wěn)定的輸出。

神經(jīng)網(wǎng)絡可以逼進任意復雜的非線性系統(tǒng)，神經(jīng)網(wǎng)絡的轉(zhuǎn)換函數(shù)能夠非線性地響應沖擊，例如，像覆蓋比率這樣的財務比率超過最低水平（如AAA級）時，超過這個閥值的增加值不會對信用質(zhì)量有什么影響。線性回歸不能以這樣的方式限制響應程度，神經(jīng)網(wǎng)絡的轉(zhuǎn)換函數(shù)卻能實現(xiàn)。神經(jīng)網(wǎng)絡以并行的方式處理信息，具有很強的信息綜合能力，因此神經(jīng)網(wǎng)絡理論在商業(yè)銀行信用風險分析和實施對信用風險的主動控制中將會發(fā)揮更大的作用。

由神經(jīng)網(wǎng)絡構(gòu)成的非線性模型具有較強的環(huán)境適應能力。在根據(jù)多個訓練樣本企業(yè)的財務特征建立神經(jīng)網(wǎng)絡非線性系統(tǒng)后，如果企業(yè)類型、財務特征和非財務特征發(fā)生變化，神經(jīng)網(wǎng)絡可以通過學習，建立企業(yè)信用的非線性函數(shù)關系，并且不需要改變網(wǎng)絡的結(jié)構(gòu)和算法。

綜上所述，對于那些無法建立精確的動態(tài)判別函數(shù)模型的非線性商業(yè)銀行信用風險評估，可以將神經(jīng)網(wǎng)絡理論應用于風險評估當中，撇開企業(yè)財務因素、非財務因素和企業(yè)信用狀況復雜的非線性機理，建立起非線性風險映射近似的動態(tài)模型，使這個模型盡可能精確地反映風險映射關系非線性動態(tài)特征。通過該系統(tǒng)我們能夠計算對各種輸入的響應，預估商業(yè)銀行信用風險狀況及其發(fā)展趨勢，進而能夠使用各種信用工具對風險進行主動控制，促進商業(yè)銀行的智能化風險管理系統(tǒng)的建設和發(fā)展完善。

3基于自適應共振理論的信用風險評估模型

一個公司財務狀況的好壞往往是企業(yè)自身、投資者和債權人關注的焦點。因為一個營運良好、財務健康的公司可提高自身在市場上的信譽及擴展籌資渠道，以使投資者信心倍增。相反，一個陷入財務困境和瀕臨破產(chǎn)的企業(yè)不僅乏力吸引投資，還讓原有投資者面臨巨大的信用風險。

由上文的分析中我們知道，對企業(yè)財務指標的分析，傳統(tǒng)的分類方法盡管有它的優(yōu)點但本身也存在一些局限性。作為研究復雜系統(tǒng)的有力工具，神經(jīng)網(wǎng)絡能處理任意類型數(shù)據(jù)，這是許多傳統(tǒng)方法無法比擬的。通過不斷學習，能夠從未知模式的大量復雜數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律。神經(jīng)網(wǎng)絡方法克服了傳統(tǒng)分析過程的復雜性及選擇適當模型函數(shù)形式的困難，它是一種自然的非線性建模過程，毋需分清存在何種非線性關系，給建模與分析帶來極大的方便。該方法用于企業(yè)財務狀況研究時，一方面利用其映射能力，另一方面利用其泛化能力，即在經(jīng)過一定數(shù)量的帶有噪聲的樣本訓練之后，網(wǎng)絡可以抽取樣本所隱含的特征關系，并對新情況下的數(shù)據(jù)進行內(nèi)插和外推以推斷其屬性。

目前我國銀行機構(gòu)主要使用計算貸款風險度的方法進行信用風險評估——在對企業(yè)進行信用等級評定的基礎上，考慮貸款方式、期限以及形式因素，進而確定貸款的風險度。其中作為核心的信用等級評定，是通過對企業(yè)的某些單一財務指標進行評價，而后加權平均確定的。該方法的最大缺陷在于指標和權重的確定帶有很大的主觀性，使得評級結(jié)果與企業(yè)的實際信用狀況有很大出入，因此需要引入科學方法來確定有效指標，并建立準確的定量模型來解決信用評估問題。

針對這種形勢，根據(jù)我國商業(yè)銀行的具體情況，結(jié)合國際上目前較為流行人工神經(jīng)網(wǎng)絡技術，本文設計了一種基于自適應共振理論的信用風險評估方法。

3.1自適應共振理論（ART）介紹

自適應共振理論（Adaptive Resonance Theory）簡稱ART，是于1976年由美國Boston大學S. Grossberg提出來的。他多年來一直潛心于研究用數(shù)學來描述人的心理和認知活動，試圖為人類的心理和認知活動建立統(tǒng)一的數(shù)學理論，ART就是這一理論核心部分，又經(jīng)過了多年的研究和不斷發(fā)展，至今已經(jīng)提出了ART1、ART2和ART3共三種結(jié)構(gòu)。ART網(wǎng)絡作為模式分類器較好地解決了前面提到的穩(wěn)定性和靈活性問題。使用ART網(wǎng)絡及算法具有較大的靈活性以適應新輸入的模式，同時能夠避免對網(wǎng)絡先前所學的學習模式修改。ART是一種能自組織的產(chǎn)生對環(huán)境認識編碼的神經(jīng)網(wǎng)絡理論模型，由于橫向抑制是自組織網(wǎng)絡的特性，ART采用了MAXNET子網(wǎng)結(jié)構(gòu)，該網(wǎng)絡采用橫向抑制方法增強并能選擇具有最大值輸出的一個節(jié)點。

ART模型的算法過程如下：

第一， 將一個新樣本X置入節(jié)點；

第二，采用自下而上的過程，求得： ；

第三，運用MAXNET網(wǎng)絡，找到具有最大輸出值的節(jié)點；

第四， 通過自上而下的檢驗，判斷X是否屬于第j類，即如果有 ，則X屬于第j類， 是警戒參數(shù)。如果上式不成立，轉(zhuǎn)到第六步，否則繼續(xù)。

第五， 對于特定的j和所有的i更新 和 ，設t+1時刻 ， ， ， 。

第六， 無法判斷X是否屬于第j類，抑制該節(jié)點返回到第二步，執(zhí)行另一個聚類的處理過程。

本文所使用的神經(jīng)網(wǎng)絡模型就是ART2神經(jīng)網(wǎng)絡模型。ART2神經(jīng)網(wǎng)絡是為了能夠分類任意次序模擬輸入模式而設計的。它可以按任意精度對輸入的模擬觀察矢量進行分類。

3.2應用ART2神經(jīng)網(wǎng)絡進行信用風險評估的可行性分析

通過上文對ART2神經(jīng)網(wǎng)絡的介紹，筆者認為將ART2神經(jīng)網(wǎng)絡應用于信用風險評估具有統(tǒng)計方法和其他神經(jīng)網(wǎng)絡算法無法比擬的優(yōu)勢。首先，ART2神經(jīng)網(wǎng)絡較好地解決了穩(wěn)定性和靈活性問題，它可以在接受新模式的同時對舊模式也同樣保持記憶，而其它類型神經(jīng)網(wǎng)絡所記憶的樣本個數(shù)有限，由此可見，ART2神經(jīng)網(wǎng)絡隨著輸入樣本數(shù)的增加，它作為模式分類器分類的精度也越高，所覆蓋的樣本空間也越大。其次，ART2神經(jīng)網(wǎng)絡是邊學習邊運行的無監(jiān)督學習，所以它不存在像BP算法那樣需要進行幾小時甚至更長時間的訓練過程，也就是說ART2網(wǎng)絡具有較高的運行效率和較快的學習速率，這一點對于解決像信用風險評估這樣的復雜問題來說是相當具有優(yōu)勢的。再次，ART2神經(jīng)網(wǎng)絡與人腦的某些功能類似，能夠完成識別、補充和撤銷的任務。這三種功能在英文中稱為Recognition，Reinforcement和Recall，可簡稱為3R功能。識別功能在上文已經(jīng)介紹過，下面對補充、撤銷功能做些簡單介紹。補充功能包含有以下幾方面的內(nèi)容：（1）每當ART2系統(tǒng)對輸入矢量的類別作一次判決即是給出矢量所屬類別的輸出端編號，根據(jù)此判決，系統(tǒng)可以采取一種“行動”或者作出某種“響應”。這和人總是根據(jù)對外界情況的判斷來決定自己的行動相似。（2）人在識別時對于所有被識別的類并不是一視同仁的，識別過程受到由上向下預期模式的很強制約。這樣就會使得人們在某些情況下只關心幾種類別，而對其他類別則“不聞不見”，這種集中注意力的本領可以使人們在混亂的背景中發(fā)現(xiàn)目標。在客體發(fā)生某種變形或缺損或者有強噪聲情況仍能對其正確分類。我國商業(yè)銀行進行信用風險分析的起步較晚，有關的信息往往殘缺不全，ART2網(wǎng)絡的這種在混亂中集中注意力發(fā)現(xiàn)目標的功能更適合我國的現(xiàn)實數(shù)據(jù)情況。撤消功能的作用與補充功能相反，這是指某些不同的觀察矢量在初步分類時被劃分成不同的類別，但是通過系統(tǒng)（主體）與客體相互作用的結(jié)果，又應判定它們屬于同一類。由此可見基于ART2網(wǎng)絡的這些功能，應用ART2神經(jīng)網(wǎng)絡進行信用風險評估相當于人類專家進行信用風險評估的建模過程，而且ART2神經(jīng)網(wǎng)絡與人類專家相比進行的評估更客觀、更有效、更精確。最后，ART2神經(jīng)網(wǎng)絡可通過調(diào)整警戒線參數(shù) （門限值）來調(diào)整模式的類數(shù)， 小，模式的類別少（對分類要求粗）， 大，模式的類別多（對分類的要求精細），這一點是其他方法無法比擬的，我們可以通過調(diào)整 值對輸入網(wǎng)絡的財務數(shù)據(jù)進行傳統(tǒng)的兩級分類（即違約、非違約兩類），也可以通過提高 值對輸入網(wǎng)絡的財務數(shù)據(jù)進行國際通用的五級分類（即正常、關注、次級、可疑，損失五類）。Altman、Marco和Varetto與意大利銀行聯(lián)合會合作在其經(jīng)濟和金融信息系統(tǒng)中首次進行了將神經(jīng)網(wǎng)絡應用于企業(yè)的經(jīng)濟和金融問題診斷的試驗，試驗的研究結(jié)果表明，將企業(yè)的財務狀況分為正常、關注和次級三類比分為正常和問題兩類困難得多，而ART2神經(jīng)網(wǎng)絡卻可以通過 值的調(diào)整靈活地實現(xiàn)該功能。

綜上所述，筆者選擇算法復雜的ART2神經(jīng)網(wǎng)絡進行信用風險評估。并且設計了一個自適應共振網(wǎng)絡，對信用風險分析進行了實證研究。

3.3基于ART2模型的信用風險分析的實證研究

下面以某國有商業(yè)銀行提供的90多家企業(yè)客戶為對象，應用自適應共振理論對這些企業(yè)客戶的財務數(shù)據(jù)進行信用風險評估。對于輸入到神經(jīng)網(wǎng)絡的財務比率的選擇，參照國內(nèi)財政部考核企業(yè)財務狀況及國外用于信用風險評估所使用的一些經(jīng)典財務比率指標，一共挑選出包括企業(yè)盈利能力、企業(yè)營運效率、企業(yè)償債能力及企業(yè)現(xiàn)金流量狀況等二十余個指標，考慮到指標間的相關性，利用SAS統(tǒng)計分析軟件進行回歸分析，得出以下幾個比率：

經(jīng)營現(xiàn)金流量/資產(chǎn)總額（流動性）

保留盈余/資產(chǎn)總額 （增長性）

息稅前利潤/資產(chǎn)總額 （贏利性）

資產(chǎn)總額/ 總負債 （償債性）

銷售收入/資產(chǎn)總額 （速動性）

某國有商業(yè)銀行提供的樣本數(shù)據(jù)有90多家企業(yè)的財務數(shù)據(jù)，數(shù)據(jù)質(zhì)量不高，有些企業(yè)財務數(shù)據(jù)缺失嚴重，經(jīng)過對樣本數(shù)據(jù)的初步審查，刪除了不合格的樣本40多個，最終得到有效的樣本為55個，其中能夠償還貸款的企業(yè)34個，不能償還貸款的企業(yè)21個。

評估的準確程度用兩類錯誤來度量，在統(tǒng)計學中，第一類錯誤稱為“拒真”，第二類錯誤稱為“納偽”。在信用風險評估中把第一類錯誤定義為把不能償還貸款的企業(yè)誤判為能償還貸款的企業(yè)的錯誤，第二類錯誤定義為把能夠償還貸款的企業(yè)誤判為不能償還貸款的企業(yè)的錯誤。顯然，第一類錯誤比第二類錯誤嚴重得多，犯第二類錯誤至多是損失一筆利息收入，而犯第一類錯誤則會造成貸款不能收回，形成呆帳。

在應用自適應共振模型進行信用風險評估的同時，筆者也使用了統(tǒng)計方法和經(jīng)典的BP神經(jīng)網(wǎng)絡模型對同樣的樣本數(shù)據(jù)進行了信用風險評估，以便比較驗證自適應共振模型的評估準確性。

統(tǒng)計方法使用的是可變類平均法，可變類平均法是由Lance和 Williams(1967)發(fā)展的，計算距離的組合公式為:

Djm=(Djk+DjL)(1-b)/2+DkLb （1）

參數(shù)b介于0到-1之間，DkL——是類Ck與CL之間的距離或非相似測度。筆者使用SAS統(tǒng)計軟件中提供的可變類平均法對樣本數(shù)據(jù)進行了聚類分析。

BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)包括輸入層5個節(jié)點，用來輸入5個財務指標比率，輸出層1個節(jié)點（取值為1表示能償還貸款，取值為0表示不能償還貸款），另外還有一個隱層，隱層包括5個隱節(jié)點。網(wǎng)絡的有效性采用K組交叉檢驗的方法進行驗證，也就是將樣本分為K組，其中K－1組為訓練數(shù)據(jù)，第K組為檢驗數(shù)據(jù)，這里將樣本數(shù)據(jù)分為兩組，第一組用于訓練網(wǎng)絡，包括11個違約的企業(yè)和16個非違約的企業(yè)，第二組作為檢驗數(shù)據(jù)，包括10個違約企業(yè)，18個非違約企業(yè)。該方法使用MATLAB語言編程實現(xiàn)。

ART2模型包括輸入層為5個節(jié)點，用來輸入5個財務指標比率，輸出層3個節(jié)點，分別表示信用風險的三個級別（正常，關注，可疑），這里應用ART2模型將信用風險分為三個級別有如下幾個原因：（1）將信用風險分為三個級別，比前面使用統(tǒng)計方法和BP模型方法將信用風險簡單分成兩類（違約、非違約）更容易把握風險的程度，更接近實際信用風險評估的需要，也更貼近于國際通用的五級分類標準。（2）通過ART2網(wǎng)絡門限值參數(shù)的調(diào)整可以將信用風險分為國際通用的五級分類標準，這也正是ART2模型的優(yōu)勢所在，但是ART2網(wǎng)絡是信用風險分析混合專家系統(tǒng)的組成部分，它的評估結(jié)果要作為輸入，輸入到專家系統(tǒng)中，以便信用風險評估專家系統(tǒng)進行定性及定量的綜合評估，考慮到專家系統(tǒng)的規(guī)則的數(shù)量和知識庫的規(guī)模對系統(tǒng)執(zhí)行效率的影響，因此這里將信用風險分為三類。有關專家系統(tǒng)的詳細說明，將在下一節(jié)討論。下面給出ART2模型網(wǎng)絡的參數(shù)設置：a＝10，b＝10，c＝0.1，d＝0.9， ＝0.2， 。由于ART2模型是無教師指導的網(wǎng)絡，因此不用訓練，直接輸入數(shù)據(jù)，網(wǎng)絡自動進行信用風險評估。其中評估的結(jié)果：正常、關注兩類屬于非違約企業(yè)，可疑為違約企業(yè)。該方法使用C語言編程實現(xiàn)。

下面給出三種方法的最后評估結(jié)果見表1

表1 訓練樣本和測試樣本的誤判

訓練樣本 測試樣本

第一類錯誤 第二類錯誤 總誤判 第一類錯誤 第二類錯誤 總誤判

統(tǒng)計模型 8(38.01%) 9(26.5%) 17(30.9%)

BP模型 2(18.1%) 1(6.1%) 3(11.1%) 3(30.0%) 4(22.2%) 7(25.0%)

ART2模型 4(19.1%) 5(14.7%) 9(16.3%)

通過表1的比較結(jié)果可以看出對于統(tǒng)計方法和BP模型自適應共振模型的誤判率是最低的，說明了該方法的有效性和可靠性。

另外需要說明的一點是，這里所使用的企業(yè)樣本數(shù)據(jù)偏少，而且噪聲過多，數(shù)據(jù)的質(zhì)量不是很好，這樣的數(shù)據(jù)作為初始數(shù)據(jù)輸入網(wǎng)絡對網(wǎng)絡的評估的準確性有一定的影響，雖然ART2這種集中注意力可以在混亂的背景中發(fā)現(xiàn)目標的特性使得它的評估的準確性比其它兩種方法要高，但是筆者相信如果初始輸入網(wǎng)絡的數(shù)據(jù)質(zhì)量再提高一些，網(wǎng)絡的誤判率會更低。

參考文獻：

[1] 張維，李玉霜，商業(yè)銀行信用風險分析綜述，《管理科學學報》[J]，1998年第3期，20－27。

[2] 朱明，楊保安，基于知識的銀行貸款分類系統(tǒng)，CJCAI2001[C]，231－235。

[3] 黃娟，馮玉強，王洪偉，基于聯(lián)接歸納推理的信貸風險評估集成智能系統(tǒng)，《計算機應用研究》[J]，1999年第9期，74－16。

[4] 王春峰，萬海暉，張維，商業(yè)銀行信用風險評估及其實證研究，《管理科學學報》[J]，1998年第1期，68－72。

[5]（美）約翰.B.考埃特，愛德華.I.愛特曼，保羅.納拉亞南著，石曉軍等譯，《演進著的信用風險管理》[M]，機械工業(yè)出版社，2001。

[6] 李志輝，《現(xiàn)代信用風險量化度量和管理研究》[M]，中國金融出版社，2001年。

[7] R.R.Trippi and E.Turban, Neural networks in finance and investing[M], chicago: Irwin professional publishing，1996。

[8] Dick San-Cheong cheung, Kwok-Wa Lam and Sheung-Lun Hung, neural networks for credit scoring model, intrlligent data engineering and learning perspectives on financial engineering and data mining[M], published by Springer，1998，55－62。

篇6

【摘要】在當前土地緊缺和城市更新背景下，各地政府急于對效率低下的土地進行收儲盤活，而其核心是如何進行土地收儲增值收益的合理分配。本文運用相關理論和數(shù)理模型對土地增值收益分配進行了定性和定量研究，并提出基于土地收儲凈收益階梯分級方法。研究結(jié)果表明，在第一梯級原產(chǎn)權人分享比例為56.5%，在第二梯級其分享比例為45.6%，符合梯級分配比例設計中政府高梯級價段分享更高比例分配的基本原則，本文提出的階梯分級方法能夠減小增值收益的分配差異，保證了公平性，有助于深化完善土地增值收益分配機理理論，并為政府創(chuàng)新土地收儲收益分配方式提供依據(jù)。

關鍵詞 土地收儲；增值收益；Bootstrap；Elman神經(jīng)網(wǎng)絡

【作者簡介】符錦，澳門科技大學商學院博士研究生，研究方向：企業(yè)管理、金融服務業(yè)發(fā)展；吳文峻，澳門科技大學商學院博士研究生，研究方向：企業(yè)管理、房地產(chǎn)發(fā)展；徐劍，澳門科技大學商學院博士研究生，高級經(jīng)濟師，研究方向：企業(yè)管理與人力資源開發(fā)。

一、引言

實施城市土地的收儲及招拍掛，在增加地方財政收入、改善城市基礎設施建設、盤活城市存量建設用地、提高土地市場的公平性和透明性方面能起到積極作用，也是實現(xiàn)城市更新①的最重要途徑。然而，隨著《物權法》和《國有土地上房屋征收補償辦法》的頒布，通過征收拆遷補償實施非公共利益的土地收儲在制度上已受到制約，土地收儲過程越來越呈現(xiàn)為政府與原土地使用權人的博弈過程。而博弈的核心問題就是政府與原土地使用者之間的利益如何分配。如何進行土地收儲增值收益分配是我國土地再利用理論和實踐上亟待解決的問題。目前，人們主要關注土地收儲增值收益分配的概念界定與定性分析，而對土地收儲增值收益分配的定量研究極少。本文將在增值收益分配理論分析的基礎上，基于土地增值凈收益角度，運用Bootstrap-Elman神經(jīng)網(wǎng)絡模型進行實證分析，求解增值收益分配比例，以深化土地增值收益分配機理理論，為政府創(chuàng)新土地收儲收益分配方式提供依據(jù)。

二、理論分析和研究假設

土地增值收益是各利益相關者盤活存量土地的根本動因，因此土地收益的分配機制對各利益相關者發(fā)揮著關鍵性的激勵作用。解決利益分配機制的關鍵在于分配原則和依據(jù)、分配對象和歸屬主體以及分配的管控手段。

國外的研究一般集中在土地增值的機理和增值收益的征收方式、管控手段等方面，國內(nèi)學者更關注我國的具體國情和土地制度，反思土地利益分配存在的問題并尋求改進思路。對于土地增值收益的歸屬， 有三種觀點： 一是“ 漲價歸私”，即主張全部土地的自然增值歸原土地所有者所有；二是“漲價歸公”，即主張土地自然增值基本歸國家所有；三是“漲價公私兼顧”，即主張在充分補償失地者后剩余部分歸國家所有。大部分學者支持依照土地增值的屬性來區(qū)分利益歸屬。杜新波、孫習穩(wěn)（2003） 認為，土地增值分為地租增值和土地資本增加，地租增值部分歸國家所有，在土地資本投資收益中，遵循“誰投資，誰受益”的原則；張?。?007） 認為，我國城市土地增值收益分配的本質(zhì)是權利的界定與分配。并指出，土地人工增值應歸土地使用者所有，自然增值應該由地方政府代為社會收回；莫俊文等（2004） 研究了城市土地置換開發(fā)收益的構(gòu)成，認為城市土地在經(jīng)過置換開發(fā)后，產(chǎn)生的投資性增值應歸投資者所有，用途性增值歸地方政府所有，由客觀因素導致的自然增值應歸國家所有。

原玉廷（2005） 提出按照所有者、管理者和使用者的“三權分離”體制來分配土地增值收入，絕對地租與級差地租分別歸中央和地方政府，平均利潤歸實際使用者；何芳（1996） 從地價構(gòu)成角度提出拆遷安置補償費屬于補償性質(zhì)，歸原土地使用者，市政配套按照“誰投資，誰受益”原則歸地方政府所有，出讓金則屬中央和市、區(qū)、縣等各級政府。還有不少學者提出了增值利益分配的制度設計。如楊麗麗（2007） 從理論上分析了城市土地價值增值的原因，并從稅費體系建設、土地增值計價及政府管理等方面提出了城市土地增值收益分配的改進思路；胡士戡等（2009） 指出，我國城市土地增值收益管理的實現(xiàn)形式主要包括地租、地稅、地費、土地儲備、土地規(guī)劃等；沈守愚（1998） 等學者主張通過完善公共財政管理體制，建立城鄉(xiāng)統(tǒng)一的土地發(fā)展權流轉(zhuǎn)價格評估體系，完善財政轉(zhuǎn)移支付制度，實現(xiàn)地區(qū)之間、中央與地方之間、政府和土地利用者之間的合理分配，但并沒有給出發(fā)展權價值的歸屬。李文斌（2007） 是研究土地重建開發(fā)的收益分配的少數(shù)學者之一。他針對政府土地收儲模式，將土地不同征收補償形式和出讓方式進行組合，歸納出七種不同收益分配模式，并對其市場效率進行了分析，得出以對土地開發(fā)凈收益進行分成的模式最有效率的結(jié)論，但他并沒有研究凈收益如何分配。羅丹等（2004） 提出，要在不同利益主體之間進行利益分配，必須有客觀、可行的利益分配標準，確保社會穩(wěn)定和社會公正。綜上研究，本研究將土地收儲增值收益分成三個部分：土地的現(xiàn)狀價值、土地新規(guī)劃后價值增值與招拍掛溢價（圖1）。

其中，土地收儲增值系指因城市人口增長、社會經(jīng)濟發(fā)展、政策變化、土地供求變化、城市建設發(fā)展等系統(tǒng)性變化引起的土地整體性增值，筆者認為應該歸原建設用地使用權人即用益物權人② 擁有； 土地個體增值系指因調(diào)整該地塊用途、強度或?qū)Φ貕K直接投入而導致的個別地塊的非系統(tǒng)性增值，筆者認為由于用途與強度提升而帶來的土地增值應由政府、產(chǎn)權人共享，其中的投資性增值則按照“誰投資，誰受益”的原則及級差地租2原理，應該歸屬投資者及土地所有權人擁有；招拍掛溢價是指在土地招拍掛過程中，由于開發(fā)商博弈互相競爭使得最終土地成交價高于底價而導致的土地增值。這一價值是土地儲備制度框架下存在的特有價值，是土地一級壟斷市場帶來的土地再開發(fā)價值增值。這部分增值由于有政府公權力的干預影響結(jié)果，理論上應歸屬政府所有。經(jīng)過以上分析，土地收儲增值收益的主要對象為規(guī)劃后價值增值部分，對于該部分如何分配，不同地區(qū)的土地收儲中心有著不同的分配方法。本文提出一種基于土地收儲凈收益階梯分級方法，即從效率與公平角度分配土地收儲增值收益。該方法需先計算土地收儲的凈收益，需要將土地出讓金扣除對原土地使用權人的現(xiàn)狀補償（包括原利用條件土地價格、房屋及室外工程現(xiàn)值、設備搬遷損失補償價格、臨時搬遷安置費、部分職工安置補償費）、土地開發(fā)成本（土地整理費、基礎設施與公益設施投資開發(fā)、環(huán)境污染治理費、管理費、利息）、稅費、扣除的出讓基金等（圖2）。

需要注意的是，圖2僅為示意圖，不同收儲案例的各項比例構(gòu)成可能不一致，可能導致圖2的形狀發(fā)生變化。經(jīng)過走訪與問卷調(diào)查，原土地使用權人對土地用途增值分配訴求最低期望為20%。由此，本節(jié)模型測算基礎是以原產(chǎn)權人享有現(xiàn)狀容積率條件下的用途增值為20%。政府與原土地使用權人的增值利益分享博弈主要存在于對剩余增值的分配（圖3）。

三、土地收儲利益分配模型構(gòu)建

（一） Bootstrap算法

早期人們所熟悉的統(tǒng)計方法是參數(shù)統(tǒng)計方法，是以大量樣本為基礎的，在進行計算時，一般假設總體分布呈正態(tài)分布。然而在現(xiàn)實中，總體的分布情況往往是未知的，這種假設是為了計算方便，由于當時計算能力有限，此類統(tǒng)計推斷方法被廣泛應用。后來，在統(tǒng)計分析領域出現(xiàn)了一些高效的統(tǒng)計推斷方法，例如小樣本的研究和似然（Likelihood） 估計等。隨著計算機技術的發(fā)展，統(tǒng)計學從求解復雜的數(shù)學難題逐漸轉(zhuǎn)變成基于大量計算的、面向應用的統(tǒng)計思維，即非參數(shù)的統(tǒng)計方法。具有更高可靠性和靈活性的統(tǒng)計推斷方法應運而生，靴帶抽樣算法（Bootstrap） 就是其中的一種。靴帶抽樣算法的基本思想是：令是從分布未知的總體F 中隨機抽取的n個隨機樣本，因此，是獨立分布的隨機變量。θ 表示來自未知總體F的一個未知參數(shù)，我們要解決的問題是尋找參數(shù)θ? 的分布特性以作為對未知參數(shù)θ 的一個估計。c 稱之為原始樣本，從樣本c 中計算要估計的參數(shù)θ? ，則要進行靴帶重抽樣過程。即從原始樣本c 中進行n 次有放回的獨立抽樣，產(chǎn)生一個新的樣本，稱為靴帶重抽樣樣本（Felsenstein， 1985）。通常做B 次重采樣，當重采樣的次數(shù)B 達到1000時便可獲得相當準確的估計。每一個重采樣樣本是從原樣本X中經(jīng)n 次有放回的隨機抽樣得到的，樣本中每個變量被抽到的概率均為1/n ，對于每一個分別計算待估計參數(shù)然后用參數(shù)的分布特性逼近的分布。由此可見，靴帶抽樣算法的核心就在于重抽樣技術，這得益于計算機技術的飛速發(fā)展，使得復雜而大量的數(shù)學計算變得簡單易行。統(tǒng)計學家先后對這種重抽樣技術的可靠性進行了驗證和對比分析，結(jié)果發(fā)現(xiàn)，這種利用重抽樣過程得到的抽樣分布能很好地反映待估計參數(shù)的準確度，且比其他統(tǒng)計推斷方法具有更好的精度。同時，Bootstrap方法并不需要對總體分布進行假設或事先推導估計量的解析式，它要做的僅僅是重構(gòu)樣本并不斷計算估計值，在分布假設太牽強或者解析式太難推導時，Bootstrap也就為我們提供了解決問題的另一種思路。本書采用MATLAB R2013a軟件進行靴帶抽樣，這樣就達到了擴增樣本的作用，使得本研究可以在采集少量土地收儲案例數(shù)據(jù)的基礎上完成。

（二） Elman神經(jīng)網(wǎng)絡

Elman 網(wǎng)絡是一類有局部反饋的神經(jīng)網(wǎng)絡，最初是由Elman在1990年以Jordan 網(wǎng)絡為基礎提出來的。后來，Pham等人又在此基礎上提出修正的Elman網(wǎng)絡（Modified Elman Networks），現(xiàn)在多把這種網(wǎng)絡作為標準的Elman網(wǎng)絡，其結(jié)構(gòu)如圖4所示。Elman 神經(jīng)網(wǎng)絡一般分為四層， 即輸入層、隱含層（中間層）、承接層和輸出層。輸入層、隱含層、輸出層的連接類似于前饋式網(wǎng)絡，輸入層的單元僅起信號傳輸作用，輸出層單元起線性加權作用。隱含層單元的傳遞函數(shù)可采用線性或非線性函數(shù)，承接層又稱為上下文層或者狀態(tài)層，它用來記憶隱含層單元前一時刻的輸出值并返回給網(wǎng)絡的輸入，可以認為是一個一步延時算子。Elman 神經(jīng)網(wǎng)絡的特點是隱含層的輸出通過承接層的延遲與存儲，自聯(lián)到隱含層的輸入。這種自聯(lián)方式使其對歷史狀態(tài)的數(shù)據(jù)具有敏感性，內(nèi)部反饋網(wǎng)絡的加入增加了網(wǎng)絡本身處理動態(tài)信息的能力，從而達到動態(tài)建模的目的。此外，Elman 神經(jīng)網(wǎng)絡能夠以任意精度逼近任意非線性映射，可以不考慮外部噪聲對系統(tǒng)影響的具體形式，如果給出系統(tǒng)的輸入輸出數(shù)據(jù)對，就可以對系統(tǒng)進行建模。

Elman網(wǎng)絡的非線性狀態(tài)空間表達式為：

其中，y、x、u、c x 分別為表示m 維輸出結(jié)點向量、n維中間層結(jié)點單元向量、r維輸入向量和n維反饋狀態(tài)向量。W3，W2，W1分別表示中間層到輸出層、輸入層到中間層、承接層到中間層的連接權值。g (*) 為輸出神經(jīng)元的傳遞函數(shù)，是中間層輸出的線性組合。f (*) 為中間層神經(jīng)元的傳遞函數(shù)，常采用S函數(shù)。Elman神經(jīng)網(wǎng)絡也采用BP 算法進行權值修正，學習指標函數(shù)采用誤差平方和函數(shù)。

（三） Bootstrap-Elman利益分配模型

通過上述理論部分闡述，將增值收益分配的研究聚焦到土地凈收益分配比例問題。按照地域、時間、空間等選擇一定量的工業(yè)用地收儲案例，搜集與計算土地收儲過程中地方政府、原土地使用權人雙方投入部分、土地用途增值與強度增值、土地的凈收益等，采用Bootstrap法進行樣本擴增，將擴增樣本中的政府投入、原土地使用權投入作為輸入，將城市政府在除去第一階梯20%凈收益后的收益分配比例R作為輸出，構(gòu)建Elman 神經(jīng)網(wǎng)絡模型進行量化分析，得到符合市場模式下土地增值凈收益階梯分配比例（圖5）。

本研究在上海浦東地區(qū)收集20個土地收儲案例，通過Bootstrap技術擴增樣本作為模型的訓練數(shù)據(jù)，建立Bootstrap-Elman神經(jīng)網(wǎng)絡模型，完成土地收儲各方對凈收益階梯分配比例研究。土地收儲案例基本情況見表1。

利用Bootstrap方法計算政府投入、原土地使用權人投入與R 的相關關系與相關系數(shù)置信區(qū)間，通過重復再抽樣計算，發(fā)現(xiàn)政府投入、原土地使用權人投入與R呈現(xiàn)一定的相關關系，但此種關系并非線性相關，需要使用Elman神經(jīng)網(wǎng)絡建模定量系統(tǒng)地探索這種關系。將20個案例利用Bootstrap 算法擴增1000 份，將其中600 份案例作為訓練集合（Train set），200 份案例作為驗證集合（Validation set）， 200 份案例作為測試集合（Test set），建立Elman神經(jīng)網(wǎng)絡模型進行量化分析。

Bootstrap-Elman 神經(jīng)網(wǎng)絡在訓練結(jié)束后驗證集合樣本的誤差不再下降，此時的誤差已經(jīng)接近零，同時網(wǎng)絡梯度等參數(shù)在訓練過程中逐漸下降，說明神經(jīng)網(wǎng)絡訓練可以結(jié)束，此時模型已經(jīng)訓練完成，可以應用此模型針對土地收儲下的凈收益階梯比例進行定量預測。經(jīng)計算，R的均值為54.4%，說明收儲模式下政府占據(jù)了多于1/2的土地收儲凈收益第二階梯部分。同時，為了探求政府投入與原土地使用權人投入變化對分配比R的影響，本研究同時進行了模擬實驗。采用固定訓練數(shù)據(jù)中的原土地使用權人投入，將政府投入上下變動20% （每次變動1%），即[-20% 20%]，觀察R值的變化情況；固定訓練數(shù)據(jù)輸入中的政府投入，將原土地使用權人投入上下變動20%（每次變動1%），即[-20% ，20%]，觀察R值的變化情況并進行模擬仿真實驗。

四、仿真實驗

利用建立的Elman 神經(jīng)網(wǎng)絡模型對政府與原土地使用權人投入變化對土地增值分配R的影響進行仿真（圖6、圖7）。

由圖6、圖7可知，政府投入與R基本呈現(xiàn)部分規(guī)則變動關系，即政府投入越多，其占凈收益部分越大；原土地使用權人投入與R關系為R隨著其投入的增加先減小后增加最后逐漸趨于平穩(wěn)。綜上所述，原土地使用權人在土地凈收益中獲得的部分包括第一階梯土地用途增值的20%部分與第一階梯的剩下的51.8%部分，即獲20%+80%×45.6%=56.5%的等容積率下用途改變增值，同時獲得45.6%的第二階梯增值。需要注意的是，部分土地收儲案例可能存在著高土地用途增值與高凈收益并存的情況，可以將原土地使用權人獲得的第一、第二兩階梯部分加和后與土地用途增值比較，因為從理論上來說，原土地使用權人獲得的土地增值凈收益部分不會超過土地用途總增值。

五、利益分配結(jié)論

（一） 研究結(jié)論

綜上，通過本節(jié)模型的實證研究得出土地利益分享結(jié)論如下。

1.出讓收入首先將招拍掛溢價、出讓金及出讓基金（本次實證按照總收入30%計）、稅（5.55%） 等歸屬政府。

2.將歸屬政府后余額再減去補償成本之后的土地收儲凈收益分配設立兩個階梯，第一梯級為土地收儲用途增值，該部分將56.5%歸屬土地使用權人以體現(xiàn)公平原則。按此測算，相當于在第一梯級原產(chǎn)權人分享比例為56.5%，大于第二梯級其分享比例45.6%，符合梯級分配比例設計中政府高梯級階段分享更高比例分配的基本原則。3.第二梯級中政府分享占比54.4%，大于原產(chǎn)權人的分享比例45.6%。

4.探索政府與原土地使用權人投入變化對分配比R的影響，即政府投入越多，其占凈收益第二階梯部分越大；原土地使用權人投入與R關系為R隨著其投入的增加先減小后增加，最后逐漸趨于平穩(wěn)。

5.將案例按照凈收益分級比例分成的方式倒算出原土地使用權人獲得凈收益，并將其轉(zhuǎn)化為出讓金比例分成方式，將模型結(jié)果與案例實際數(shù)據(jù)得到的出讓金比例分成方式進行對比。

通過數(shù)據(jù)分析，如果按照凈收益分級比例分成，原土地使用權人將能獲得的總收益占土地出讓金的比例均值為38.99%，且各案例分配比值波動不大，基本保持平穩(wěn)；實際案例中原土地使用權人將能獲得的總收益占土地出讓金的比例均值為37.55%，且其分配比值圍繞均值上下浮動。可見，采用凈收益分級比例分成的方式能夠縮小不同案例的分配差異，保證公平性，并且其分配比例與現(xiàn)行政策中原土地使用權人與政府四六分成的規(guī)定相契合，因此能很好地替代傳統(tǒng)出讓金比例分成的方式，是較為理想的分配模式。

（二） 有待未來完善和深化的方向

本文得出了一些有意義的結(jié)論，但在研究過程中仍存在一些局限，有待未來完善和深化。1.雖然Bootstrap 再抽樣是在樣本總體狀況未知下的最佳抽樣方式，但其結(jié)果僅是對土地收儲市場狀況的反應，故本文所得的結(jié)論都是基于當前土地收儲一般狀況，而這種狀況受著不同時期的經(jīng)濟、社會、政策影響，因此使用本研究模型時需要根據(jù)環(huán)境的變化進行更新。

2.由于地價水平與區(qū)位、用途關系很大，本文建立的模型仿真結(jié)果只是針對案例所在區(qū)域為工業(yè)用途轉(zhuǎn)為住宅用途的特定案例研究，其定量成果的應用普適性尚需進一步研究論證。未來應將針對不同區(qū)域、不同用途轉(zhuǎn)化增值做系列分配比例的比較研究，以便更深入地研究城市土地收儲增值收益的分配規(guī)律。

注釋

①城市更新是一種將城市中已經(jīng)不適應現(xiàn)代化城市社會生活的地區(qū)做必要的、有計劃的改建活動。1858 年8 月，在荷蘭召開的第一次城市更新研討會上，對城市更新做了有關的說明：生活在城市中的人，對于自己所居住的建筑物、周圍的環(huán)境或出行、購物、娛樂及其他生活活動有各種不同的期望和不滿；對于自己所居住的房屋的修理改造，對于街道、公園、綠地和不良住宅區(qū)等環(huán)境的改善有要求及早施行，以形成舒適的生活環(huán)境和美麗的市容抱有很大的希望。包括所有這些內(nèi)容的城市建設活動都是城市更新。

②用益物權是指在法律規(guī)定的范圍內(nèi)，對他人所有的不動產(chǎn)，享有占有、使用和收益的權利。包括土地承包經(jīng)營權、建設用地使用權、宅基地使用權等?！段餀喾ā返谝话僖皇邨l規(guī)定，用益物權人對他人所有的不動產(chǎn)或者動產(chǎn)，依法享有占有、使用和收益的權利。用益物權的自然人即為用益物權人。

參考文獻

[1]杜新波,孫習穩(wěn).城市土地增值原理與收益分配分析[J].中國房地產(chǎn),2003,(8).

[2]張俊.我國城市土地增值收益分配理論與制度架構(gòu)[J].安徽農(nóng)業(yè)科學,2007,35(35).

[3]莫俊文,趙延龍.城市土地置換開發(fā)收益及分配研究——以蘭州市南河道周邊土地置換開發(fā)為例[J].中國國土資源經(jīng)濟,2004.

[4]原玉廷.城市土地管理:“三權分離”與收益分配[J].經(jīng)濟問題,2005,(1).

[5]何芳.論建立現(xiàn)代企業(yè)制度中的土地處置和土地資產(chǎn)顯化分配[J].經(jīng)濟與管理研究,1996,(3).

[6]楊麗麗.城市土地價值增值的原因及收益分配探微[J].財會月刊,2007,(18).

[7]胡士戡,石來德,胡際峰.城市土地增值收益管理研究綜述與經(jīng)驗借鑒[J].經(jīng)濟論壇,2009,(4).

[8]沈守愚.論設立農(nóng)地發(fā)展權的理論基礎和重要意義[J].中國土地科學,1998,12(1).

[9]李文斌.城市土地出讓的收益分配與土地市場效率[J].山東財政學院學報,2007,(3).

[10]羅丹,嚴瑞珍.不同農(nóng)村土地非農(nóng)化模式的利益分配機制比較研究[J].管理世界,2004,(9).

[11]B.Efron,R.Tibshirani.Bootstrap Methods for Standard Errors,Confidence Intervals,and Other Measures of Statistical Accuracy[J].Statist.sci,2011,(1).

[12]Bradley Efron.Better Bootstrap Confidence Intervals[J].Journal of the American Statistical Association,2010,(82).

[13]李棟,何英磊.城鎮(zhèn)化與城鄉(xiāng)一體化[J].技術經(jīng)濟與管理研究,2014,(6).

篇7

論文關鍵詞：適宜性評價，土地適宜性，GIS

0引言

土地適宜性評價作為土地評價的重要組成部分，是根據(jù)土地的自然和社會經(jīng)濟屬性，研究土地對某一現(xiàn)狀用途或預定用途的適宜程度。1976年聯(lián)合國糧農(nóng)組織（FAO）正式公布的《土地評價綱要》是最為典型的土地適宜性評價指南。由于土地適宜性評價針對性強，實用性大，應用很廣，適宜性評價方法也不斷有新的進展。

1評價方法

1.1經(jīng)驗法

評價人員與當?shù)乜萍既藛T和有實際經(jīng)驗的人討論，并依據(jù)研究區(qū)的具體情況和自己多年土地利用的經(jīng)驗，決定如何將各單項土地質(zhì)量的適宜等級綜合為總的土地適宜等級。該方法的優(yōu)點是能考慮數(shù)學方法所不能包括的各種非數(shù)量因子及具體變化情況，缺點是要求評價者對當?shù)貤l件、土地質(zhì)量狀況和作物生物學特性具有豐富的知識，才能做出正確的判斷（夏敏，2000），而且不可避免的是易造成評價結(jié)果的主觀性。由于這些局限加上新方法、新技術的發(fā)展，經(jīng)驗法的受用面越來越小。

徐樵利（1994）在湖北省宜昌縣完成的適種柑橘的土地評價系統(tǒng)就采用經(jīng)驗法，參照《土地評價綱要》建立起來的。首先確定影響柑橘生長的限制因素，然后逐項對它們進行分級，最后再綜合成總的土地適宜等級。同時，在評價過程中適當考慮管理、投資和柑橘產(chǎn)量等社會經(jīng)濟因素。李秀斌(1989)對黃淮海平原土地做的農(nóng)業(yè)適宜性評價也采用了此法。

1.2極限條件法

該方法主要強調(diào)主導因子的作用，運用“木桶原理”，將單項因子評價中的最低等級直接作為綜合評價的等級（黑龍江省農(nóng)、林、牧土地適宜性評價，趙松喬等；江蘇省宜興市南部丘陵山區(qū)的土地適宜性評價，倪紹祥）。極限條件法簡單易操作，能很好體現(xiàn)個別極端決定土地利用適宜性的因素，但該方法未考慮到在一些情況下，土地某種性質(zhì)的不足可為其他部分所彌補（陳建飛等GIS，1999），因此得出的結(jié)論偏于草率和絕對，而且在多數(shù)情況下，綜合評定出的土地等級偏低。

1.3數(shù)學方法

數(shù)學方法以權重法為中心，即確定各個參評因子及其權重，然后對兩者的乘積加總，以和作為分等級的根據(jù)。主要分為多因素綜合評定法和模糊綜合評判法。

1.3.1多因素綜合評定法（指數(shù)和法）

該方法將各參評因子按其對土地適宜性貢獻或限制的大小進行經(jīng)驗分級或統(tǒng)計分級并賦值，然后用各參評因子指數(shù)之和來表示土地適宜性的高低。最后按照指數(shù)和大小排序，以經(jīng)驗確定指數(shù)和的分等界線。其中各參評因子及其權重系數(shù)的確定可依據(jù)回歸分析法、層次分析法、專家征詢法（Delphi）等。采用這些數(shù)學方法的目的都是為了獲得盡量準確的權重和指數(shù)和，以期盡量準確地評價適宜性等級（夏敏，2000），而且非數(shù)量化質(zhì)量性狀數(shù)量化和不同計量單元無量綱化使得各參評因子間具有了明顯的可比性（何敦煌，1994），缺點在于較極限條件法需增加大量計算過程，在地類復雜、評價單元數(shù)量較多的區(qū)域工作量明顯增加（何敦煌，1994），同時不能考慮到非數(shù)量因子的具體變化情況（夏敏，2000），而以和值計算土地質(zhì)量綜合指數(shù)往往會掩蓋某些特別限制因子對評價目標所造成的質(zhì)的影響（徐麗莎，2008），層次分析法、Delphi法在確定權重系數(shù)時主觀性過大。

劉胤漢等（1995）在陜西采用專家征詢法對農(nóng)業(yè)土地資源作了綜合性適宜性評價，經(jīng)過兩輪征詢后確定了坡度、高程等6個指標極其權重系數(shù)，最后將農(nóng)業(yè)土地分為最佳適宜、中等適宜和臨界適宜三等，并按此法對水稻作了單向性土地適宜性評價。吳燕輝等（2008）以湖北省潛江市為研究范圍，在GIS技術的支持下，闡述了如何用層次分析法進行土地適宜性評價，得到了潛江市的適宜性等級圖，并單獨對農(nóng)用地、林地、建設用地的適宜性評價結(jié)果作了分析。

1.3.2模糊綜合評判法

這種方法用于評價的原理，是對參評因子和適宜性等級建立隸屬函數(shù)，對參評因子的評價由參評因子對每一個適宜性等級的隸屬度構(gòu)成，評定結(jié)果是參評因子對適宜性等級的隸屬值矩陣；參評因子對適宜性的影響大小用權重系數(shù)表示，構(gòu)成權重矩陣，將權重矩陣與隸屬值矩陣進行復合運算，得到一個綜合評價矩陣，表示該土地單元對每一個適宜性等級的隸屬度。模糊綜合評判方法較好地體現(xiàn)了主導因素和綜合分析的相結(jié)合，比較符合客觀實際，通過對參評因素隸屬度的計算和模糊矩陣的復合運算得出評價單元對應于各等級的隸屬度，其計算過程無需再摻入人為因素，減少了主觀性的干擾（陳建飛等，1999）。但是根據(jù)實地采集的調(diào)查數(shù)據(jù)對模糊綜合評判模型進行驗證，會發(fā)現(xiàn)模型存在一定的誤差，有一部分正確的樣本數(shù)據(jù)卻得不到正確的結(jié)果（焦利民等，2004）。

E. Van Ranst等（1994）采用該法對泰國半島的橡膠生產(chǎn)區(qū)做了土地適宜性評價。他們創(chuàng)新地根據(jù)每個因素對產(chǎn)量的影響賦予一定的權重系數(shù)，并將單項因子的適宜性評價與綜合的土地適宜等級結(jié)合起來。最后將評價結(jié)果與常規(guī)的極 限條件法、參數(shù)法和多元線性回歸的評價結(jié)果相比較，得出模糊綜合評價法的準確性較好，從而證明了該法的潛力。P.A.BURROUGH等（1992）采用加拿大阿爾伯塔農(nóng)業(yè)實驗農(nóng)場的數(shù)據(jù)，分別用布爾數(shù)學法和模糊分類法對每個細胞的土地屬性進行分類，得出布爾方法比模糊分類拒絕更多的細胞GIS，選取的細胞也不夠毗連。而模糊分類法在所有的階段都獲得更多的有效信息，分類的連續(xù)變化性也更好。

姚建民（1994）在典型的黃土殘塬溝壑區(qū)——隰縣針對如何利用農(nóng)作物、果樹、林木和牧草開發(fā)土地資源問題，重點篩選出原土地利用類型、坡度、坡向和海拔高程4個指標，運用模糊綜合評判法進行適宜性評價，劃分出土地適宜性開發(fā)類型區(qū)。劉耀林等（1995）在十堰市土地利用現(xiàn)狀調(diào)查的基礎上，針對現(xiàn)有坡荒地，通過對制約土地的自然因素和社會經(jīng)濟條件的綜合分析，依照土地質(zhì)量滿足對預定用途要求的程度，采用模糊數(shù)學的方法完成了坡荒地的宜農(nóng)、宜林、宜牧、宜園4個適宜類的評價。陳建飛等（1999）應用模糊綜合評判(Fuzzy Set)法、經(jīng)驗指數(shù)和法、極限條件法進行長樂市土地適宜性評價，對不同方法及結(jié)果進行對比分析，得出模糊綜合評判的結(jié)果與經(jīng)驗指數(shù)和的結(jié)果有較大的相似性、極限條件法的結(jié)論往往過于簡單，著重探討了模糊綜合評判方法的優(yōu)點——合理、客觀。

1.4人工智能方法

人工智能方法基于自學習、自適應系統(tǒng)的樣本學習機制，如人工神經(jīng)網(wǎng)絡方法、遺傳算法、元胞自動機等。劉耀林、焦利民（2004）基于神經(jīng)網(wǎng)絡來構(gòu)造模糊系統(tǒng)，建立了土地適宜性評價的模糊神經(jīng)網(wǎng)絡模型；根據(jù)神經(jīng)網(wǎng)絡誤差反向修正的原理，設計和推導了該模型的學習算法，并通過實驗證明該模型應用于土地適宜性評價具有高效、客觀、準確等優(yōu)點。次年（2005），兩人將計算智能理論引入土地評價領域，構(gòu)建了一個全新的土地適宜性評價模型：首先基于模糊邏輯和人工神經(jīng)網(wǎng)絡構(gòu)造了一個模糊神經(jīng)網(wǎng)絡模型，然后采用改進的遺傳算法進行訓練，能夠快速收斂到最優(yōu)解，對初始的規(guī)則庫進行修正，形成了一個自學習、自適應的評價系統(tǒng)。

1.5改進后的方法

以上介紹了在土地適宜性評價中常用的基本方法。近年來，鑒于各種方法本身的局限性，很多學者提出了各種方法相互結(jié)合或?qū)υ椒右愿倪M的評價方案，并應用于某地的土地適宜性評價，取得了較好的結(jié)果。

廈門大學何敦煌（1994）在福建龍海適宜性評價中嘗試采用了極限條件法和指數(shù)和法相結(jié)合的兩次評價，即用極限條件法評價土地適宜類，用極限條件法和指數(shù)和法評價土地適宜等并確定土地限制性（適宜級）是同時進行的。這一方法不僅克服了極限條件法和指數(shù)和法的缺點，還相互間起了交叉檢驗的作用。

南京大學彭補拙等在做中亞熱帶北緣青梅土地適宜性評價時對盛花期溫度和土壤PH值這兩項對青梅生產(chǎn)發(fā)育有重要限制作用的因素采用極限條件法，對其余的評價因子采用逐步回歸分析法進行分析，作必要的因子剔除，得到它們的總適宜等級，最后再對這三項評價的結(jié)果按極限條件法進行歸總，得到該土地利用方式的適宜性等級最后評價結(jié)果，該結(jié)合體現(xiàn)各土地構(gòu)成要素的不同貢獻，提高評價結(jié)果的科學性和合理性。

北大的杜紅悅等以攀枝花為例，用模糊數(shù)學方法對FAO的農(nóng)業(yè)生態(tài)地帶法(AEZ)進行改進，并將GIS技術應用于AEZ法中；歐陽進良等針對不同作物進行土地適宜性評價，并據(jù)評價結(jié)果、各類土地的特點及區(qū)位和經(jīng)濟因素進行作物種植分區(qū)。

2新技術的應用

隨著數(shù)學方法的改進和新技術如3S（遙感技術RS、全球定位系統(tǒng)GPS和地理信息系統(tǒng)GIS）、ES（專家系統(tǒng)）的應用，給土地評價，尤其是土地適宜性評價帶來了飛躍，它們在數(shù)據(jù)的獲得、處理、分析上的強大功能不僅使工作效率大大提高，還使基于大范圍的調(diào)查評價成為可能。

Jacek Malczewski (2004)對基于GIS的土地適宜型分析做了系統(tǒng)全面的梳理，他先從歷史的角度介紹了GIS的知識及其發(fā)展過程，然后回顧了基于GIS的土地適宜型評價的相關方法和技術，最后分析了其存在的挑戰(zhàn)、未來趨勢和前景。胡小華等（1995）通過專家系統(tǒng)的引入、層次分析法的應用以及如何借助地理信息系統(tǒng)強大的空間分析功能及圖形和屬性的結(jié)合，實現(xiàn)了多目標土地適宜性的評價。張紅旗（1998）在評價柑桔土地適宜性時，結(jié)合GIS技術GIS，改變以往僅考慮自然條件的做法，分別建立柑桔土地的自然、經(jīng)濟、社會屬性適宜性評價模型及綜合評價模型，提高評價結(jié)果的科學性和合理性，也為其他類型的單作物(廣義)土地適宜性評價提供了一個可行的模式。

S.Kalogirou (2002)運用專家系統(tǒng)和地理信息系統(tǒng)技術，建立了支持實證研究的土地適宜性評價模型——LEIGIS軟件。該模型基于聯(lián)合國糧農(nóng)組織的作物土地分類，分為物理評價和經(jīng)濟評價。物理評估選用了17種指標因子，采用布爾分類法，包括了一般種植作物和5種特定作物（小麥，大麥，玉米，棉花種子，甜菜）的評價模型。經(jīng)濟評價考慮了市場限制下的收入最大化問題。專家系統(tǒng)使得評價不同作物時規(guī)則可以適當改變，地理信息系統(tǒng)使得空間數(shù)據(jù)的管理和結(jié)果可視化成為可能。該軟件支持任何空間數(shù)據(jù)集的評價和介紹，而且不需要評價者掌握特殊的電腦技能。夏敏（2000）在其碩士論文里探討了以地理信息系統(tǒng)和專家系統(tǒng)為技術支持，開發(fā)農(nóng)地適宜性評價專家系統(tǒng)的可行性，在Mapinfo地理信息系統(tǒng)的支持下，建立了一個具有一定通用性的農(nóng)地適宜性評價專家系統(tǒng)，并通過了在邳州市的實證研究。

3結(jié)論

我國的土地適宜性評價始于50年代，綜合的土地適宜性評價從70年代末全面展開，近l0年來，土地適宜性評價得到了更快的發(fā)展，更重視定性與定量相結(jié)合、針對特定目標或?qū)ο?。?jīng)驗法、極限條件法、多因素綜合評定法法、層次分析法等繼續(xù)得到使用，但通常做適當?shù)母倪M或與其他方法相結(jié)合，彌補各自的缺陷。模糊綜合評價法、灰色關聯(lián)度分析法仍然得到了很廣的應用，神經(jīng)網(wǎng)絡模型、遺傳算法等新方法開始嘗試性應用?？萍嫉陌l(fā)展使得3S技術和專家系統(tǒng)等新技術廣泛用于土地評價，尤其給土地適宜性評價中帶來了質(zhì)的飛躍，接下來的土地適宜性評價仍基于上述技術的支持是必然的趨勢。

參考文獻

[1]Burrough Pa， Macmillan Ra and Vandeursen W. 1992. Fuzzy Classification Methodsfor Determining Land Suitability from Soil-profile Observations and Topography[J].Journal of Soil Science， 43(2)， pp. 193-210

[2]E. Van Ranst， H. Tang， R. Groenemam andS. Sinthurahat. 1996. Application of Fuzzy Logic to Land Suitability for RubberProduction in Peninsular Thailand[J]. Geoderma， 70(1)， pp. 1-19

[3]FAO. A Framwork for Land Evaluation[S]. FAO Soil Bulletin32，Rome， 1976

[4]Jacek Malczewski. 2004. GIS-basedLand-use Suitability Analysis: a CriticalOverview[J]. Progress in Planning， 62(1)， pp. 3-65

[5]S. Kalogirou. 2002. Expert Systems and GIS: an Applicationof Land Suitability Evaluation[J]. Computers， Environment and Urban Systems， 26( 2-3)， pp. 89-112

[6]陳建飛，劉衛(wèi)民.Fuzzy綜合評判在土地適宜性評價中應用[J].資源科學，1999，21（4）：71-74

[7]杜紅悅等.土地農(nóng)業(yè)適宜性評價方法研究與系統(tǒng)實現(xiàn)——以攀枝花為例[J].資源科學，2001，23（5）：41-45

[8]何敦煌.關于土地適宜性評價工作的幾個問題探討[J].中國土地科學，1994，8（6）：11-15

[9]胡小華等.GIS支持的多目標土地適宜性評價[J].中國土地科學，1995，9（5）：33-37

[10]焦利民，劉耀林.土地適宜性評價的模糊神經(jīng)網(wǎng)絡模型[J].武漢大學學報·信息科學版，2004，29（6）：513-516

[11]李秀斌等.黃淮海平原土地農(nóng)業(yè)適應性評價[J].自然資源，1989，（4）：32-38

[12]劉胤漢等.農(nóng)業(yè)土地資源適宜性評價的理論和方法[J].地域研究與開發(fā)，1995，14（3）：11-16

[13]劉耀林等.模糊綜合評判在土地適宜性評價中應用研究[J].武漢測繪大學學報，1995，20（1）：71-75

[14]劉耀林，焦利民.基于計算智能的土地適宜性評價模型[J].武漢大學學報·信息科學版，2005，30（4）：283-287

[15]倪紹祥著.土地類型與土地評價概論[M].高等教育出版社，1999

[16]倪紹祥.近10年來中國土地評價研究的進展[J].自然資源學報，2003，18（6）：672-683

[17]歐陽進良，宇振榮.基于GIS的縣域不同作物土地綜合生產(chǎn)力評價[J].農(nóng)業(yè)現(xiàn)代化研究，2002，23(2)：97-10

[18]彭補拙等.中亞熱帶北緣青梅土地適宜性評價方法探討[J].自然資源，1994，（2）：14-21

[19]邱炳文等.GIS在土地適宜性評價中的應用與展望[J].地理與地理信息科學，2004，（5）：20-23，44

[20]錢海濱等.土地資源合理利用評價研究綜述[J].中國土地科學，2001，15（2）：14-19

[21]吳燕輝等.土地利用規(guī)劃中的土地適宜性評價[J].農(nóng)業(yè)系統(tǒng)科學與綜合研究，2008，24（2）：232-235，242

[22]徐麗莎.土地適應性評價的理論與評價方法綜述[J].今日南國，2008，（9）：18-20

[23]夏敏.農(nóng)地適宜性評價專家系統(tǒng)研究[D].南京農(nóng)業(yè)大學碩士論文.2000

[24]徐樵利，譚傳鳳等.山地地理系統(tǒng)綜論[M].華東師范大學出版社，1994

篇8

[關鍵詞]網(wǎng)絡安全態(tài)勢;模型;感知

引言

目前應用最為廣泛的IDS系統(tǒng)只是運用Agent獲取數(shù)據(jù)再經(jīng)過融合分析后檢測到相關攻擊行為，當網(wǎng)絡帶寬提高后，IDS很難檢測到攻擊內(nèi)容，同時誤報率也較高。而網(wǎng)絡安全態(tài)勢感知技術綜合了多種技術更加突出了整體特征，如IDS，殺毒軟件以及防火墻等，對網(wǎng)絡進行實時檢測和快速預警。網(wǎng)絡安全態(tài)勢感知評估運行網(wǎng)絡的安全情況并且可以做出未來一段時間的變化趨勢，提高處理安全威脅的能力。

1、網(wǎng)絡安全態(tài)勢感知概述

1.1網(wǎng)絡態(tài)勢感知定義

1988年，endsley率先提出針對航空領域人為因素的態(tài)勢感知的定義，態(tài)勢感知是指“在一定的時空范圍內(nèi)，認知、理解環(huán)境因素，并且對未來的發(fā)展趨勢進行預測”。直到1999年，bass等指出，“下一代網(wǎng)絡入侵檢測系統(tǒng)應該融合從大量的異構(gòu)分布式網(wǎng)絡傳感器采集的數(shù)據(jù)，實現(xiàn)網(wǎng)絡空間的態(tài)勢感知。常見的網(wǎng)絡態(tài)勢主要有安全態(tài)勢、拓撲態(tài)勢和傳輸態(tài)勢等，但目前學者主要研究網(wǎng)絡的安全態(tài)勢感知的。

1.2網(wǎng)絡安全態(tài)勢概念

所謂網(wǎng)絡安全態(tài)勢就是對在多種網(wǎng)絡設備處于工作狀態(tài)、網(wǎng)絡變化以及用戶的動作等安全態(tài)勢出現(xiàn)變化的狀態(tài)信息進行理解，分析處理及評估，從而對發(fā)展趨勢進行預測。網(wǎng)絡安全態(tài)勢強調(diào)的是一個整體的概念，包含了當前的狀態(tài)，歷史的狀態(tài)和對未來的狀態(tài)預測。根據(jù)研究重點的不同，給出的概念也不盡一致。

1.3網(wǎng)絡安全態(tài)勢感知體系構(gòu)成

（1）網(wǎng)絡安全態(tài)勢要素的提取。要素的提取主要通過殺毒軟件、防火墻、入侵檢測系統(tǒng)、流量控制、日志審計等收集整理數(shù)據(jù)信息，經(jīng)篩選后提出特征信息。

（2）網(wǎng)絡安全態(tài)勢的評估。根據(jù)選擇的指標體系定性和定量分析，搜素其中的關系，得出安全態(tài)勢圖，找到薄弱環(huán)節(jié)并制定出解決方案。

（3）網(wǎng)絡安全態(tài)勢的預測。根據(jù)已有的安全態(tài)勢圖，分析原始的數(shù)據(jù)信息，預測未來一段時間的運行狀態(tài)和趨勢，給出預警方案，達到最終的網(wǎng)絡安全的目的。

2、網(wǎng)絡安全態(tài)勢要素提取技術

由于網(wǎng)絡的龐大、復雜以及動態(tài)的變化，要素的提取面臨很大的困難，根據(jù)要素信息來源的不同進行分類提取，可以分為網(wǎng)絡環(huán)境、網(wǎng)絡漏洞和網(wǎng)絡攻擊等，生成網(wǎng)路安全態(tài)勢感知指標體系，并根據(jù)指標體系來獲取網(wǎng)絡的信息可以有效的保證信息的全面性、準確性和模型化。

安全態(tài)勢要素提取技術是態(tài)勢感知的第一步，意義重大。TimBasst首先提出了多傳感器數(shù)據(jù)融合的網(wǎng)絡態(tài)勢感知框架，進行數(shù)據(jù)精煉、對象精煉以及態(tài)勢精煉三個步驟的抽象獲取態(tài)勢感知要素?？▋?nèi)基梅隆大學開發(fā)了SILK系統(tǒng)，將數(shù)據(jù)轉(zhuǎn)化為高效的二進制數(shù)據(jù)用分析軟件來發(fā)現(xiàn)其中的攻擊行為。國內(nèi)此項研究起步晚，只是在聚類分析和分類分析上取得了一點進展。在提取要素過程中，屬性約簡和分類識別是這一過程中的最基礎的步驟。使用粗糙集等理論對數(shù)據(jù)進行屬性約簡，并形成了算法。針對神經(jīng)網(wǎng)絡的收斂慢，易入局部最小值等特點設計了遺傳算法來進行分類識別。

3、網(wǎng)絡安全態(tài)勢的評估技術

影響網(wǎng)絡網(wǎng)絡安全的評價有許多因素，各因素的作用不同且具有時變性，相互之間也不具有線性的關系，因此不能用精確的數(shù)學模型來表示。分析獲取的要素，必須要對其融合，以便得到整體的安全態(tài)勢，需要宏觀上把握網(wǎng)絡安全狀態(tài)，獲得有效的綜合評價達到幫助網(wǎng)絡管理人員的目的。從上可以看出融合技術是關鍵。目前常用的數(shù)據(jù)融合技術有以下幾種：

（1）基于邏輯關系的融合方法根據(jù)信息的內(nèi)在邏輯，對信息進行融和。優(yōu)點是可以直觀地反映網(wǎng)絡的安全態(tài)勢。缺點有確定邏輯難度大，不少如單一來源的數(shù)據(jù)。

（2）基于數(shù)學模型的融合方法綜合考慮影響態(tài)勢的各項因素，構(gòu)造評估函數(shù)，建立態(tài)勢因素集合到態(tài)勢空間映射關系。優(yōu)點是可以輕松的確定各種態(tài)勢因素之間的數(shù)值比重關系，但是比重沒有標準。而且獲取的各個態(tài)勢因素可能還存在矛盾，無法處理。

（3）基于概率統(tǒng)計的融合方法根據(jù)經(jīng)驗數(shù)據(jù)的概率特性，結(jié)合信息的不確定性，建立的模型然后通過模型評估網(wǎng)絡的安全態(tài)勢，貝葉斯網(wǎng)絡、隱馬爾可夫模型最常見。優(yōu)點是可以融合最新的證據(jù)信息和經(jīng)驗數(shù)據(jù)，推理過程清晰。但是該模型需要的數(shù)據(jù)量大易產(chǎn)生維數(shù)爆炸進而影響實時性，而且特征的提取及經(jīng)驗數(shù)據(jù)的獲取都存在一定的困難。

（4）基于規(guī)則推理的融合方法對多類別多屬性信息的不確定性進行量化，再根據(jù)已有的規(guī)則進行邏輯推理，達到評估目的。目前d-s證據(jù)組合方法和模糊邏輯是研究熱點。當經(jīng)驗數(shù)據(jù)難以獲取而且不要精準的解概率分布，可以使用，但是需要復雜的計算。

4、網(wǎng)絡安全態(tài)勢的預測

預測是根據(jù)當前的網(wǎng)絡狀況，找出大量的網(wǎng)絡安全隱患，進行分析，對未來一定時間內(nèi)的安全趨勢進行判斷，給出相應的解決方法。網(wǎng)絡預測技術目前也取得了重要的進展，主要有神經(jīng)網(wǎng)絡、時間序列預測法和支持向量機等方法。神經(jīng)網(wǎng)絡算法參數(shù)的選擇缺乏理論基礎，預測精度也不高。時間序列預測法由于網(wǎng)絡狀態(tài)的變化不是線性的，而且難以描述當前狀態(tài)和未來狀態(tài)的關系，導致預測精度不理想。支持向量機基于結(jié)構(gòu)風險最小化原則，解決了小樣本、非線性、高維度問題，絕對誤差小，保證了預測的正確趨勢率，能準確預測網(wǎng)絡態(tài)勢的發(fā)展趨勢。

5、結(jié)束語

本文介紹了網(wǎng)絡安全態(tài)勢感知的概念，并分別就要素的獲取、態(tài)勢的評估和網(wǎng)絡安全態(tài)勢的預測所使用的技術進行了探討，引導網(wǎng)絡安全管理員研究和使用各種新技術關注網(wǎng)絡安全隱患，保證網(wǎng)絡安全運營。

參考文獻

[1]席榮榮，云曉春，金舒原，張永錚.網(wǎng)絡安全態(tài)勢感知研究綜述.計算機應用，2012年1期.

[2]郭劍.網(wǎng)絡安全態(tài)勢感知中態(tài)勢要素獲取技術的研究[學位論文] 計算機軟件與理論.東北大學，2011.

篇9

論文提要：從企業(yè)產(chǎn)生財務困境的角度出發(fā)，介紹當前各種財務預警模型，并做優(yōu)劣對比分析，對企業(yè)財務預警機制的建設提出建議。

一、引言

企業(yè)作為一個法人個體，不可避免的問題是生存、發(fā)展和獲利。由于企業(yè)所面臨宏觀經(jīng)濟、政治、法律等往往具有不可控性，同時企業(yè)也因資本結(jié)構(gòu)不夠合理及其他企業(yè)自身問題，使企業(yè)面臨各種潛在的風險。如何順利地化解這些風險為企業(yè)發(fā)展保駕護航，是每個企業(yè)高管們不得不關注的焦點。本文立足于財務角度，結(jié)合當前國內(nèi)外一些上市公司財務預警機制建設研究的成果，探討建立企業(yè)財務預警機制途徑。

二、企業(yè)發(fā)生財務困境的原因分析

企業(yè)發(fā)生財務困境，起初通常表現(xiàn)為企業(yè)短期資金周轉(zhuǎn)不靈，進而由于處理不當，而給企業(yè)帶來一系列的連鎖反應，最終導致入不敷出，甚至資不抵債。結(jié)合國內(nèi)外一些企業(yè)走上了“絕路”的案例，通常造成財務危機的原因可以歸結(jié)為以下幾個方面：

1、資金回收引起的財務危機。資金回收引起的財務危機是企業(yè)在產(chǎn)品銷售或?qū)ν馓峁┓者^程中，由于收回資金的時間和收回資金的數(shù)額不確定而引起。在激烈的市場競爭中，賒銷是企業(yè)促銷和占領市場份額的主要手段，但同時也要承擔他人占用企業(yè)運營資金的機會成本及到期不能收回貨款的壞賬損失。長期以來，在“權責發(fā)生制”的會計確認原則下，企業(yè)只注重賬面利潤，而不注重現(xiàn)金流量，更多的資金被客戶占用，使利潤虛增，企業(yè)陷入嚴重的資金短缺或不能周轉(zhuǎn)的困境之中。

2、融資引起的財務危機。融資引起的財務危機是由于企業(yè)利用負債籌資而引起到期不能償還債務本息的可能性。其原因有以下兩個方面：首先，企業(yè)在籌資時未能把握好負債規(guī)模、利率和期限，使其在銀行或其他機構(gòu)的不良貸款不斷堆積，負債累累，從而造成財務危機。其次，是企業(yè)經(jīng)營不善，經(jīng)營活動現(xiàn)金凈流量和流動資產(chǎn)中的速動資產(chǎn)不足﹑速動比率過低引起的。

3、投資引起的財務危機。投資引起的財務危機是指企業(yè)對內(nèi)或?qū)ν庥嘘P項目進行投資時，由于各種不確定因素的影響，使原投資額不能按期收回，或根本無法收回而使企業(yè)遭受損失。這種危機主要是企業(yè)不能準確預計投資項目的現(xiàn)金流量導致決策失誤形成的，這種失誤嚴重時直接危機企業(yè)的生存與發(fā)展。通常過度擴張引起的財務危機在國內(nèi)時有發(fā)生，比較典型的是巨人集團的轟然倒塌。

4、資產(chǎn)跌價引起的財務危機。資產(chǎn)跌價引起的財務危機通常是由于宏觀方面各種不確定的因素，如通貨膨脹、政策變化、法律約束及科學技術發(fā)展等原因，使投資者投入的資產(chǎn)遭受跌價、貶值的損失，從而導致資不抵債。

5、利潤分配引起的財務危機。利潤分配引起的財務危機是由于企業(yè)決策者制定分配政策不當，給企業(yè)未來生產(chǎn)經(jīng)營活動帶來不利的影響。如，股利分配率過高，雖短期可刺激股價上升，但卻給企業(yè)帶來償債能力和籌資能力的下降，給企業(yè)未來的發(fā)展造成了一定制約。

三、財務預警模型分析綜述

通常企業(yè)的財務危機的形成，是一個由量變到質(zhì)變的過程，量變階段具有潛在性、不易發(fā)覺，而到了質(zhì)變階段往往又是“病入膏肓”、回天乏術。如何對企業(yè)潛在的財務危機正確預測，把企業(yè)的財務危機消除在最初階段一直是一個值得思索、探討的問題。綜合國內(nèi)外實證研究成果，財務預警模型可以歸結(jié)為以下幾個方面：

1、一元判別模型。一元判別模型是指將某一項財務指標作為判別標準來判斷企業(yè)是處于破產(chǎn)狀態(tài)還是非破產(chǎn)狀態(tài)的一種預測模型。一元判別模型的主要思想是通過比較財務困境企業(yè)和非財務困境企業(yè)之間某個財務指標的顯著差異，從而對財務困境企業(yè)提出預警。最早的財務危機預警研究就是fitzpatrick所做的單變量破產(chǎn)預測模型。但是，由于該模型利用單一指標作為衡量企業(yè)財務困境的指標，很難具有代表性，很容易造成以一帶全。因此，該模型應用的范圍很小。

2、多元線型判斷模型。多元線性函數(shù)模型是對企業(yè)多個財務比率進行匯總， 求出一個總判別分值來預測企業(yè)財務危機的模型。它從總體的、綜合的角度來檢查企業(yè)的財務狀況，未雨綢繆，做好財務危機的規(guī)避或延緩財務危機的發(fā)生。多元線性函數(shù)模型中應用最廣的是z分數(shù)模型。

3、多元邏輯回歸模型。多元邏輯回歸模型的目標在于尋求觀察對象的條件概率，從而據(jù)以判斷觀察對象的財務狀況和經(jīng)營風險。它是建立在累計概率函數(shù)的基礎上，不需要自變量服從多元正態(tài)分布和兩組間協(xié)方差相等的假設條件。ohlson 第一次采用多元邏輯回歸模型進行破產(chǎn)預測。他通過分析樣本公司在破產(chǎn)概率區(qū)間上的分布以及兩類錯誤和分割點之間的關系，發(fā)現(xiàn)至少存在四類影響公司破產(chǎn)概率的變量：公司規(guī)模、資本結(jié)構(gòu)、業(yè)績和當前的融資能力。

4、多元概率比回歸模型。多元概率比回歸模型也假定企業(yè)破產(chǎn)的概率為p，并假設企業(yè)樣本服從標準正態(tài)分布，其概率函數(shù)的p分位數(shù)可以用財務指標線性解釋。其計算方法和多元邏輯回歸方法很類似，先是確定企業(yè)樣本的極大似然函數(shù)，然后通過求似然函數(shù)的極大值就可以得到相關參數(shù)的值，接下來就可以利用推算出來的多元概率回歸模型求出企業(yè)破產(chǎn)的概率。與上面其他模型不同的是，該模型主要是利用p值的大小作為判斷企業(yè)破產(chǎn)的界限。

5、人工神經(jīng)網(wǎng)絡模型。人工神經(jīng)網(wǎng)絡模型，是一種通過非財務指標建立的，主要是將神經(jīng)網(wǎng)絡分類方法應用于財務預警的模型。人工神經(jīng)網(wǎng)絡是一種平行分散處理模式，其構(gòu)建原理是基于對人類大腦神經(jīng)運作的模擬。人工神經(jīng)網(wǎng)絡具有較好的模式識別能力，還可以克服統(tǒng)計等方法的限制，因它具有容錯能力，對數(shù)據(jù)的分布要求不嚴格，不需要考慮是否符合正態(tài)分布的假設，具有處理自律遺漏或是錯誤的能力，而且可以處理非量化的變量，最重要的一點是人工神經(jīng)網(wǎng)絡具有學習能力，可隨時依據(jù)新準備數(shù)據(jù)資料進行自我學習訓練，調(diào)整其內(nèi)部的儲存權重參數(shù)以對應多變的企業(yè)運作環(huán)境。

四、企業(yè)財務預警機制建議

正是因為企業(yè)產(chǎn)生財務危機的原因、企業(yè)財務預警模型多樣性，因此企業(yè)在決策財務預警機制時具有多重可選擇性。

1、企業(yè)應當根據(jù)自己的實際情況，合理地選擇預測財務指標。不同企業(yè)、不同發(fā)展時期面臨的風險是不同的，正確地根據(jù)企業(yè)自己的情況選擇合理指標是至關重要的一步，如在急速擴張階段就得注意負債規(guī)模的大小，那么就得更多地考慮用負債規(guī)模來進行財務預警。

2、模型的選擇上，也應當根據(jù)企業(yè)自己實際能夠獲得的數(shù)據(jù)進行選擇。不同類型企業(yè)的財務數(shù)據(jù)往往是有很大差別的，同時有的數(shù)據(jù)可能被人為地更改過，這些數(shù)據(jù)就失去實際意義，就需要剔除以提高預警的正確性。

3、企業(yè)應當注意定性分析和定量分析的結(jié)合。定量分析往往具有客觀、易于度量的特點，定性分析則是主觀性、模糊性的特點。企業(yè)面臨的風險和危機與日俱增，這時的預警功能決不僅僅是計算幾個比率，對比幾個指標所能實現(xiàn)的，必須創(chuàng)建系統(tǒng)的方法庫和模型庫，全面使用現(xiàn)代計算機技術、網(wǎng)絡通信技術、數(shù)據(jù)庫技術以及管理學、財務學、統(tǒng)計學等，在重視定量分析的同時加強定性分析方法的應用。

篇10

近幾年，我國醫(yī)學院校實驗室安全管理工作得到了很大的發(fā)展，許多醫(yī)學院校通過專門的實驗室安全管理機構(gòu)，啟動了實驗室安全操作的培訓教育工作，通過制定了相應的實驗室管理規(guī)則，來確保安全技能的掌握、安全意識及安全文明習慣的養(yǎng)成以及實驗室的使用者對實驗室安全知識的學習，但在具體的執(zhí)行過程中，尚存在責任人的追溯不力，實驗室管理評價體系宏觀的管理平臺建設不完善等諸多問題，還需高度重視。主要問題如下。1）目前沒有適合于醫(yī)學院校實驗室安全管理的風險評價方法。目前，醫(yī)學院校實驗室安全管理的現(xiàn)狀為國外關于解決實驗環(huán)境中風險的資料均集中于風險管理方面。而國內(nèi)與醫(yī)學院校實驗室風險評估方面有關的資料尚很少。2）在評價體系的建設上，用于安全管理評估的具體安全管理方法不完善。目前，國內(nèi)關于實驗室管理的文獻，其研究重點主要在安全管理方法方面。但其管理措施內(nèi)容常寬泛，操作性很差。在實際應用中，常常會因為管理內(nèi)容太宏觀而難以落實。3）許多醫(yī)學院校目前實驗室安全檢查表檢查項目不齊全，定量分析不足。大多數(shù)醫(yī)學院校實驗室安全管理目前沒有專門的安全檢查表。而現(xiàn)有的年度實驗室工作檢查表中所覆蓋范圍嚴重不足，評估標準也是以定性為主，存在很大的主觀性。

2醫(yī)學院校實驗室安全管理評價體系的建立

2.1安全檢查表法在安全評估中的應用

安全檢查表法簡便、易于掌握，是常用的分析風險的方法之一，目前也有打分的檢查表法?？蓪崿F(xiàn)半定量評價。該檢查方法的計分方法是根據(jù)實際檢查結(jié)果對安全檢查表所有的評價項目分別賦予“優(yōu)秀”“良好”“中等”“較差”等不同的定性等級，同時對相關等級賦予相應的權重，對權重進行累計求和，得到實際評價值。然查詢預先設定好的安全級別表，確定評價值在安全級別表中的位置，得到安全等級。檢查表的內(nèi)容在符合相關安全要求的前提下，還應該簡明扼要，切合實際，層次分明，重點突出，在實際操作過程中，應依據(jù)以下三點制定安全檢查表[5]：1）要嚴格執(zhí)行國家和地方的相關安全法律法規(guī)、規(guī)范、標準以及行業(yè)、企業(yè)的規(guī)章制度和標準等。2）要根據(jù)以往國內(nèi)、外相關實驗室的安全管理經(jīng)驗來編撰安全檢查表。在編撰安全表時要對國內(nèi)、外的實驗室的相關安全檢查經(jīng)驗進行總結(jié)，詳細分析已經(jīng)發(fā)生過的安全事故，總結(jié)和羅列出發(fā)生原因，力求將盡可能多的因素均列入到安全檢查表中。3）在編撰安全檢查表時尚需結(jié)合各自單位和實驗室的實際情況，采納安全管理相關專家和本單位和實驗室從業(yè)人員的建議，分析各種內(nèi)、外部相關條件，在總結(jié)實際安全管理經(jīng)驗的基礎上，編制出內(nèi)容完善且切實可行的安全檢查表。

2.2安全檢查表指標的納入原則

1）科學性原則：科學性是原則是指標體系可信度和可操作性的基礎。實驗室安全檢查表管理指標的選取、安全權重的設置都必須以安全評價理論為根據(jù)，分析國內(nèi)相關安全檢查經(jīng)驗為前提，總結(jié)本實驗室的安全特征為根本，這樣構(gòu)建的指標體系才客觀、可靠而具有評價效果。2）全面性原則：高校實驗室安全管理體系應該是力求囊括盡可能多的多指標的評價體系，在制定安全檢查表時，為了確保評價指標沒有遺漏，一方面，應該全面查閱國內(nèi)、外相關實驗室的安全管理手冊，同時，還要參考我國實驗室安全管理的有關法律、法規(guī)，并結(jié)合本實驗室具體情況來編撰安全檢查表。3）針對性原則：目前的安全檢查表多用于工業(yè)安全評價方面，在編撰醫(yī)學院校實驗室安全表時，而應該結(jié)合醫(yī)學院校實驗室的自身特點編撰，使得評價指標更具有針對性。4）可操作性原則：在編撰安全檢查表時，要使其納入指標具有代表性，且概念清晰便于理解，同時也要考慮到指標的實際可操作性。才能這樣，才能確保后續(xù)應用中評價過程能順利進行。5）可比性原則：在編撰安全檢查表時要考慮到不同類型的醫(yī)學院校實驗室之間安全風險的差異而使得納入指標有普遍使用性。

2.3多因素分析方法的選擇

由于醫(yī)學院校實驗室的特殊性，安全評價檢查表的制定中必須力求盡可能多地囊括那些既相對獨立又相互影響的與實驗室安全相關的指標，并對這些指標進行綜合考慮。這就涉及多因素指標的分析及其方法的遴選，因此，與安全檢查表方法結(jié)合，選擇一種合適的多指標綜合評價方法來計算安全檢查表各指標權重系數(shù)，定性定量地研究實驗室安全管理，對提高評價的準確性和客觀性就非常重要。目前主要的多因素分析方法主要有以下四種：1）主成分分析法：主成分分析是一種能夠保持原指標大多數(shù)信息的同時將多個評價指標簡化為少數(shù)幾個綜合指標的統(tǒng)計方法[6]。該方法強調(diào)了評價的客觀性，具備實用性強和全面性、可比性的特點。其缺點為，當對多個主成分指標進行加權綜合分析時，其評價函數(shù)的有效度將會降低，同時該方法還容易受到指標間的信息重疊的影響。2）人工神經(jīng)網(wǎng)絡法：人工神經(jīng)網(wǎng)絡法是一種應用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進行信息處理的數(shù)學模型。通過確定網(wǎng)絡的局部空間結(jié)構(gòu)以及被評價系統(tǒng)的指標的節(jié)點和權重，而建立以權重描述各納入安全指標之間關系的非線性模型的方法。這種方法具有自適應、自組織和實時學習的特點。但該方法的難點在于學習樣本的選擇和收集。3）層次分析加權法：所謂層次加權分析法，是指將一個復雜的多目標決策問題作為一個系統(tǒng)，將目標分解為多個目標或準則，進而分解為多指標的若干層次，通過定性指標模糊量化方法算出層次單排序和總排序，以作為目標、多方案優(yōu)化決策的系統(tǒng)方法。該方法能夠理清具有多條件、多指標的復雜系統(tǒng)的層次關系，同時能夠把定量和定性分析有機地結(jié)合起來，有助于高效地解決指標之間互相干擾和影響的復雜問題。層次加權分析法缺點有，評價的主觀臆斷性及其過程的隨機性，從而使得結(jié)果的可信度降低。此外，當判斷因素較多時，常常會因為層次分解和賦值的不一致而出現(xiàn)判斷矩陣不一致的現(xiàn)象。4）模糊綜合評價法：模糊綜合評價法是一種基于模糊數(shù)學的綜合評價方法。該綜合評價法根據(jù)模糊數(shù)學的隸屬度理論把定性評價轉(zhuǎn)化為定量評價，即用模糊數(shù)學對受到多種因素制約的事物或?qū)ο笞龀鲆粋€總體的評價。它具有結(jié)果清晰，系統(tǒng)性強的特點，能較好地解決模糊的、難以量化的問題，適合各種非確定性問題的解決。該方法可分為單層和多層次模糊綜合評判[7]。基于模糊數(shù)學的綜合評價法主要是利用諸如人工神經(jīng)網(wǎng)絡法、層次分析加權法等其它方法來獲取各指標權重或是模糊評判矩陣。然后再通過模糊綜合評價法進行綜合評價。基于模糊數(shù)學法具有適應性廣的特點。通過對以上幾種多指標評價方法的介紹及其優(yōu)、缺點的分析和對比，在實際選擇時，我們根據(jù)醫(yī)學院校實驗室安全管理的特點，多采用層次分析法和模糊綜合評價法結(jié)合來對高校實驗室安全管理情況進行評價。模糊邏輯理論對重點分析醫(yī)學院校實驗室危險物質(zhì)或風險非常有用。醫(yī)學院校實驗室引發(fā)危險的因素有以下特點，如危險的不確定性，從事實驗人員培訓的不全面系統(tǒng)性，實驗室化學藥品等危險物質(zhì)的多樣性和復雜性。這些因素造成的危險程度往往很難量化，不能簡單的用一個分數(shù)來描述，而需層次加權分析和模糊綜合評價分析等語言來表達模糊的概念，進而描述和分析這些因素的危險性。

3統(tǒng)計分析工具的應用

上述遴選的模糊算法在實際運用過程中存在大量的計算過程，出于工作量和計算準確度的考慮，不可能采用手工計算。因此，在實際操作過程中，我們常常借助Matlab和社會科學統(tǒng)計分析軟件包（spss）等統(tǒng)計分析軟件進行相對繁瑣的運算，對于相對簡單的計算要求，也可以運用辦公軟件MicrosoftExcel進行，此軟件使用起來相對便捷。綜上所述，通過分析目前全國醫(yī)學院校實驗室安全管理硬、軟件飛速發(fā)展與實驗室管理體系落后之間的矛盾日益突出的現(xiàn)狀，建議運用安全檢查表法建立科學、全面、具有針對的可操作性的醫(yī)學院校實驗室安全管理評價指標體系。同時，通過對主成分分析法、人工神經(jīng)網(wǎng)絡、層次分析加權法和模糊綜合評價法等多指標綜合評價方法優(yōu)劣點的比較，提出建立結(jié)合應用層次加權分析與模糊綜合評價法對高校實驗室安全管理情況進行多指標綜合評價體系的探索。希望為我國醫(yī)學院校的實驗安全評價體系提供思路。

參考文獻

[1]張志強.日本高校實驗室安全與環(huán)境保護考察及啟示[J].實驗技術與管理，2010，27（7）：164-167．

[2]趙慶雙，李明，聞星火.加強安全教育是保障高校實驗室安全的關鍵[J].實驗技術與管理，2007，24（9）：8-11．

[3]王森，汪進前，葉秉良，等.高校實驗室安全管理的研究與實踐[J].實驗室研究與探索，2011，30（12）：190-192．

[4]鮑敏秦.新時期高校實驗室安全管理探析[J].實驗室研究與探索，2011，30（11）：188-190，193．

[5]劉明禮，李明，周大為.安全評價中安全檢查表的編制[J].石油與天然氣化工，2003，32（5）：323-326.