基于BP神经网络的中小企业生产运作能力评价研究

      中图分类号：F270.5 文献标识码：A 文章编号：1001-148X(2006)24-0059-04

      目前，中国中小企业的数量占全国企业总数的99%，中小企业在全国工业总产值和实现利税中的比重分别约为60%和40%，中小企业提供的就业岗位已占全国城镇就业总数的75%左右，促进中小企业的健康发展对保持经济持续发展和社会稳定，创造劳动力就业机会，完善社会主义市场经济体制，都具有重要意义[1]。作为一个中小企业（本文所研究的中小企业指从事有形产品生产的企业），在竞争日趋激烈的现代市场经济中，在全球经济一体化的大环境中，其生产运作能力直接关系着它的生死存亡。因此，中小企业要想在复杂的经济环境中持续经营下去，并做大做强，为我国的经济发展做出贡献，必须清楚地了解本企业的生产运作能力，然后根据自己的生产运作能力制定出切实有效的经营策略。所以对中小企业的生产运作能力进行评价就显得尤为重要。人工神经网络（Artificial neural network，简称ANN）是近年发展起来的模仿人体大脑模式的一种信息处理系统，具有自学能力、动态性好、方便可靠等优点。它可以避免复杂的数学推导，克服层次分析法、模糊数学等方法的人为因素。在人工神经网络众多模型中，多层前向神经网络模型最成熟，其应用也最广泛[2,3]。因此，本文应用基于误差反向传播法（BP算法）的多层前向神经网络模型对中小企业的生产运作能力进行评价。

      一、中小企业生产运作能力评价指标体系

      （一）评价指标体系建立的原则

      企业的生产运作能力主要是指一个企业在一定的生产运作组织条件下，企业内部各个生产运作环节综合平衡以后能够产出一定种类的产品或服务的最大数量[4]。它是反映企业产出可能性的一种指标，是保证一个企业长期、稳定发展的后盾。中小企业生产运作能力的评价涉及到诸多方面，要合理地进行评价，必须建立完善的评价指标体系。在选择评价指标时应遵循以下原则：所选的评价指标应便于实际操作；应全面反映生产运作能力；应能反映中小企业的可持续发展能力；所选的评价指标应具有可比性[5]。

      （二）评价指标体系的建立

      根据评价指标体系建立的原则，选择五大类指标来评价中小企业的生产运作能力，即：员工素质指标、产品技术水平指标、技术装备水平指标、资本运作能力指标和发展潜力指标。每一大类指标又包括若干个指标，共21个具体的指标，如表1所示。

      表1 中小企业生产运作能力评价指标体系

      

      （三）指标值的确定及标准化

      神经网络的输入值要求在区间[0,1]，故在网络学习训练前要确定各评价指标的原始数据并进行归一化。本文所涉及的评价指标有定性指标和定量指标，因此，在确定指标值和归一化处理时要采取不同的方法，具体处理如下：

      定性指标。在中小企业生产运作能力评价指标体系中，领导者素质、产品指标水平、品种档次水平、机械化程度、研究开发能力、学习创新能力、融资能力和管理水平等指标为定性指标，这些指标的评价值采用专家打分法来确定，取值在0和1之间。

      定量指标。对定量指标进行归一化时，可根据表2的归一化原则[6]。

      二、BP神经网络

      （一）BP神经网络模型

      典型的BP神经网络模型[7-8]是一个由输入层、隐含层和输出层组成的阶层型神经网络。层间神经元实现全连接，层内神经元无连接，其中隐含层可以是一层，也可以是多层。本文所要研究的中小企业生产运作能力的BP神经网络模型包含一个隐含层，如图1所示。

      

      图1 BP神经网络模型

      表2 定量指标归一化原则

      

      注：a表示评价指标介于某范围之内的具体的数据

      （二）评价模型结构设计

      1.输入层

      根据中小企业生产运作能力评价指标体系，将二级指标层的指标数作为输入层神经元数，在文中为21。

      2.隐含层

      隐含层神经元的选取关系到整个BP网络的精确计算和学习效率，目前在确定隐含层神经元数还没有一个统一的方法，处在研究探讨阶段。如果隐含层神经元个数选择太少，会降低BP神经网络的容错性和自适应性，网络难以处理较复杂的问题，导致训练不出理想的结果。但是如果隐含层神经元个数选择过多，将会大大增加网络训练的时间，而且过多的处理单元容易使网络具有过多的信息处理能力，会将训练样本数据中没有意义的信息也记住，这时网络就难以分辨数据中真正的模式，有时甚至不收敛。一般可以根据下述的公式来确定隐含层神经元个数，，其中：n为输入层神经元数；q为输出层神经元数；a取0到10之间的常数。为了使隐含节点的数目更加合适，可以选取不同的隐含层神经元数目分别进行测试运算，然后分别记录下每种情形网络的实际输出与期望输出的均方误差大小及训练步数，综合考虑误差较小而且训练步数较少，从而确定更为合适的隐含层神经元个数。在文中，通过测试比较选取隐含层神经元为12个。