人工神經網絡分析法精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經網絡分析法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經網絡分析法范文

關鍵詞： 小波神經網絡； 網絡流量； 預測研究； 訓練樣本

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2016）23?0098?02

Research on network traffic prediction based on wavelet neural network

LI Xin， SUN Shanshan

（College of Information Engineering， Suihua University， Suihua 152000， China）

Abstract： The relevant theory and method of wavelet neural network are used to establish and predict the network traffic situation of a certain uptown. The acquired network traffic change situation is used as the training sample of the wavelet network to realize the traffic prediction of the network. The simulation results show that the constructed wavelet neural network model has high precision to predict the network traffic.

Keywords： wavelet neural network； network traffic； prediction research； training sample

0 引 言

隨著互聯網規模的不斷增大以及各種網絡“新應用”、“新服務”的不斷涌現，網絡信息變得越來越龐大和多變，對網絡訪問流量進行精確地預測從而實現對網絡運行狀態的有效管理，已經逐步成為目前的一個研究熱點。網絡流量預測是實現網絡控制、網絡規劃，保證網絡安全以及提高網絡服務質量的重要前提。

網絡流量具有自相似性、長相關性和多重分形性等復雜性質，對其進行精確地預測一直以來都是一個難點。目前，常見的網絡流量預測方法主要有自回歸分析法、馬爾科夫分析法、分形布朗運動分析法和神經網絡分析法。與前面三種傳統方法相比，利用神經網絡對網絡流量進行預測具有預測精度高、方法簡單、泛化性強和穩定性好的特點，正在逐步成為網絡流量預測研究中的主流方法。

文獻[1]根據網絡流量的變化特征，基于BP神經網絡提出了一個P2P網絡流量預測模型，實現了網絡流量的較高精度預測。文獻[2]結合小波變換和人工神經網絡的優勢，建立一種網絡流量預測的小波神經網絡模型，通過將流量時間序列進行小波分解，獲得了網絡的訓練和驗證樣本，試驗表明采用這種方法進行流量預測，要比直接采用神經網絡對樣本進行預測的精度高。文獻[3]根據網絡流量自身的特征，研究了BP神經網絡和小波神經網絡在校園流量預測中的應用，其所建立的模型，經仿真驗證證明，可以較好地預測學校網絡的流量變化情況，可以為校園網絡的規劃和管理提供一定參考。

小波神經網絡是一種以BP神經網絡拓撲結構為基礎，把小波基函數作為隱含節點的傳遞函數，其拓撲結構如圖1所示。它類似于BP神經網絡權值修正算法，采用梯度修正法修正網絡的權值和小波基函數參數，從而使小波神經網絡預測輸出不斷逼近期望輸出[4?5]。

采用小波神經網絡進行網絡流量預測的基本流程如圖2所示。

1 網絡流量預測

1.1 試驗數據來源

采用網絡流量監測軟件對某小區的網絡流量進行實時采集，得到了該小區5天內的網絡流量數據，每隔15 min記錄一次該時間段內的網絡流量值，一共獲得了480個時間點的數據。用4天共384個網絡流量的數據訓練小波網絡，最后用訓練好的小波神經網絡預測第5天的網絡流量。為了避免局部數值偏移造成的誤差，本文采用編組的方式提高模型預測精度，用前三個時間點的網絡流量來綜合預測后一個時間點的網絡流量情況[6?7]。

圖1 小波神經網絡的拓撲結構

圖2 小波神經網絡進行預測的流程圖

1.2 構建小波神經網絡模型

本文采用的小波基函數為Mexican Hat小波基函數，其表達式為：

[ψ（t）=（1-t2）e-t22ψ（ω）=2πω2e-ω22]

函數的時域和頻域波形圖如圖3所示[7?8]。

圖3 Mexican Hat函數的時域和頻域特征

本文采用的小波神經網絡結構為3?5?1；輸入層有3個節點，表示預測時間節點前3個時間節點的網絡流量；隱含層有5個節點；輸入層有1個節點，為預測的網絡流量。設置網絡預期誤差值為[1×10-2，]將訓練數據輸入到Matlab軟件中進行訓練，訓練過程中小波神經網絡的誤差變換情況如圖4所示。由圖4可知，該小波神經網絡經過58步運算后收斂到預定精度要求。

用訓練好的小波神經網絡對該小區內第五天的網絡流量情況進行預測，預測結果與交通流量的實際值比較如圖5所示。在圖5中，加“*”曲線對應預測數據，加“[]”曲線對應實際數據，可以看到小波神經網絡可以較好地預測網絡流量。

為了進一步分析仿真結果，采用絕對值誤差均值（MAE）和絕對百分比誤差均值（MAPE）兩個指標進行評價分析，其中MAE和MAPE分別用下式計算[9]：

[MAE=1ni=1nxi-xiMAPE=1ni=1nxi-xixi×100%]

式中：[xi]表示模型的預測值；[xi]表示模型預測值的算術平均值；[n]為樣本數。

小波神經網絡的MAE和MAPE值如表1所示。

從表1可以看出，本文構建的小波神經網絡的MAE值在3.36 GB左右，而MAPE值小于0.1，說明該預測模型可以較好地預測網絡流量的變化情況，反應該小區的流量信息變化，為小區網絡的規劃和管理提供可靠的依據。

2 結 論

本文在網絡流量的預測研究中引入了小波神經網絡模型，利用收集到的某小區5天內的網絡流量變化數據作為訓練和測試樣本對構建的小波神經網絡進行訓練和測試研究。試驗結果表明，本文構建的小波神經網絡具有較高的預測精度，可以對該小區網絡的流量變化情況進行較高精度的預測。

參考文獻

[1] 韓志杰，王汝傳.一種新的 P2P 網絡流量預測模型[J].計算機科學，2008（9）：39?14.

[2] 雷霆，余鎮危.一種網絡流量預測的小波神經網絡模型[J].計算機應用，2006（3）：526?528.

[3] 張昕.校園網絡流量分析與預測研究[D].西安：西安電子科技大學，2012.

[4] 王鳴，孫奕鳴.小波支持向量機的網絡流量預測研究[J].計算機仿真，2012，29（11）：198?201.

[5] ZHANG Li， ZHOU Weida， JIAO Licheng. Wavelet support vector machine [J]. IEEE transactions on systems， man， and cybernetics， 2004， 34（1）： 34?39.

[6] 鄧遠.BP神經網絡評價方法在交通流量評價方面的應用[J].中國交通，2011，35（5）：146?151.

[7] 李遠航.網絡流量預測技術的應用[J].計算機工程應用研究，2014，34（1）：131?138.

第2篇：人工神經網絡分析法范文

[關鍵詞] 權證RBF人工神經網絡

一、引言

權證在許多國家和地區已經作為一種較為完善的金融工具而存在,但在中國大陸依然處在初步發展階段。權證作為一種低成本的金融衍生工具,能夠利用其杠桿特性激發金融市場活力,豐富金融產品品種,完善資本市場產品結構,在具備市場條件時也能夠有利于保持市場的穩定性。而現行權證價格方法以布萊克-斯科爾斯(Black-Scholes)期權定價模型為主,模型的一系列假定比較嚴格。權證價格的變動過程,很可能是模糊的,而變化規律是也不一定能夠清晰的觀測,變化結果是高度容錯性的,顯示出復雜的動態非線性特征,但是B-S模型在反映這種復雜性方面顯然功效不足,故此有必要對權證價格分析和預測的各種方法和手段進行不斷的深化和拓展。

人工神經網絡(artificial neural network,ANN)方法可以作為非線性逼近工具,不需要建立復雜的顯示關系式且容錯性強,具有一致逼近能力,可以處理信息不完全的預測問題。金融領域涉及密集型數據,而數據本身又依賴于多個相互關聯的參數,同時積累的大量的歷史性數據和樣本,這就決定了可以充分利用神經網絡來進行分析和預測。因此神經網絡應用于權證價格分析預測可以獲得較高的預測精度,從而為投資者提供可靠的估價工具,給權證價格分析預測提供了技術支持,為管理層增加了監督控制手段,同時也為其他金融衍生產品的價格預測提供了參考。目前人工神經網絡已經應用于股票、保險、外匯等多個領域。

本文使用徑向基函數(Radial Basis Function,RBF)神經網絡,以康美權證為例,對RBF神經網絡在權證價格分析中的應用做了實證研究,并將仿真預測結果與傳統BS模型進行了對比,得到了較好的預測結果。

二、文獻回顧

神經網絡已經被廣泛的應用于經濟金融方面多個領域。Hutchinson,Lo和Poggio(1994)應用神經網絡方法來處理金融衍生品定價模型,發現這種定價方法的優勢在于不必依賴于限制性參數的假設,該方法可以自適應結構的變化,適用于各種衍生工具。Gorriz,Puntonet,Salmeron,和Ortega(2003)針對強波動性時間序列數據,在RBF網絡中引入了利用ICA(Independent Component Analysis)方法和SG濾波器,并將分析結果與主成分分析法下的RBF網絡做了比較。Kiani(2005)將人工神經網絡和時間序列模型結合,通過測試加拿大、法國、日本、英國和美國的實際國內生產總值增長率的非線性神經網絡,研究了這些國家經濟周期的不對稱性。

朱杰(2000)利用反向傳播神經網絡,對期貨價格進行了分析和預測。江戈(2007)通過對歷史股價數據的分析,采用K均值聚類算法動態確定RBF網絡中心,根據梯度下降法進行自適應權值調整,對RBF網絡的學習算法進行了改進,進一步提高了RBF網絡的非線性映射能力和自適應能力。朱家榮等(2008)以研究美元對人民幣匯率作為基礎,首先驗證了RBF神經網絡對人民幣匯率進行短期預測的可能性,并利用其對人民幣匯率趨勢進行分析。王新軍等(2009)利用RBF神經網絡分析了保險業財產損失問題,對財產損失進行了預測。

雖然許多學者將人工神經網絡利用與金融分析中,取得了不少成果,但是在權證價格分析和預測方面仍然很少。同時實際應用中的人工神經網絡類型也有待拓寬。

三、徑向基網絡原理

研究過程中可以獲得的歷史數據只有輸入向量和輸出向量,神經網絡的整個中間過程需要通過數理方法進行表達,而神經元則是神經網絡的基本邏輯單元。一個神經元模型分為這樣幾個基本部分:

1.突觸:與突觸權值聯系,對于突觸的輸入為x=[x1,x2,L,xn]φ,每一個元素xj通過權值wdj與神經元q相連接。

2.線性組合器:輸入通過權值所傳入的信號在加法器中進行疊加并生成一個輸出uq。

3.閾值(偏置):閾值qq用于降低對激活函數的累積輸入。在激活之前要先從線性組合器輸出uq中減去,從而生成有效激活電位(activation potential)uq=uq-qq。

4.激活函數(轉移函數):激活函數f(.)提供神經元輸出算法,通常有域值(硬極限)函數、分段線性函數、非線性轉移函數等形式,它限制了神經元輸出yq的幅度。一般來講,一個神經元輸出的正常范圍通常為[0,1]或[-1,1]。

一個人工神經元的結構表示為(圖1):

人工神經網絡即是通過大量人工神經元以一定的拓撲結構組織起來的并行處理計算結構。網絡中每個神經元在結構上相同,通過連接一個神經元的輸出可以傳遞至另一個神經元,而每一個連接都對應一個連接系數。按照神經元的連接形式可以將人工神經網絡劃分為層次型網絡和互連型網絡;按照網絡內部的信息流向則可以分為前饋型網絡和回饋型網絡。單純前饋型網絡在給定輸入模式下能夠迅速產生一個相應的穩定輸出模式,本文選取徑向基函數神經網絡即RBF網絡作就屬于此種類型,其結構如圖2:

人工神經網絡在受到外部環境刺激時,調整網絡參數,實現對外部輸入變化作出反應的行為被稱為神經網絡的學習(訓練),網絡學習實際上是一個曲線擬合過程,在固定的學習方法下,網絡根據某種最小化規則通過評判實際輸出和期望響應的誤差來調整權值。通過反復的學習可以實現對外部環境的了解。一般來講,神經網絡的學習可以分為無監督(無導師)學習、監督(有導師)學習、強化學習等。

RBF網絡作為一種分層的前饋型網絡,特性在于隱層徑向基函數可以在輸入局部小幅度變化時產生一個較強響應,這一點在小范圍預測中可以用于提高精度;同時在計算方面具有優勢,網絡建立和訓練可以在同一過程下完成,節省了計算時間。RBFANN由輸入層、隱含層(非線性處理神經元層)和輸出層構成。輸出層由信號源給出,隱含層單元數根據需要決定,輸出層為輸入模式的響應。其思想在于利用RBF函數在構成隱含層空間,使輸入不必通過權連接而直接映射到隱層空間。只要能夠確定函數的中心點,則輸入到輸出的映射關系就能夠得以確定。隱含層的學習采取非線性優化策略,輸出層則采取線性優化策略。網絡輸出可以依照以下公式進行計算:

(1)

其中x是一個輸入向量,wik為輸出層全權值,N為隱含層神經元數目,ck為輸入向量徑向基函數的中心,一般選擇輸入數據的一個子集,P.P表示歐式空間范數。RBF網絡中的神經元計算函數中心和網絡輸入之間的歐幾里得距離,從而使隱含層輸出一個該距離的非線性函數,然后通過神經元輸出的加權求和計算網絡輸出。徑向基函數fk是一個對中心點徑向對稱的非負非線性函數,本文采取高斯函數形式,其中s為擴展參數,控制基函數的寬度。則RBF網絡輸出可表示為:

(2)

其中p=1,2,…,p為樣本總數,k=1,2,…,n為隱含層節點數。同時對于樣本的期望輸出di,有基函數方差。

故此RBF需要求解的參數有中心ck,高斯函數方差s和輸出連接權值wik。其中徑向基函數中心的選取方法有不同方式,如固定中心、隨機方法、自組織選取等。本文中選取自組織方法,該方法將學習過程分為兩個階段:第一階段為無監督學習過程,通過K均值聚類方法求解隱含層徑向基函數的中心。首先將網絡初始化,隨機選取k個訓練樣本為聚類中心si,然后將輸入的訓練樣本依據最近鄰近規則分配給各個中心,繼而通過計算聚類集合中訓練樣本的平均值作為新的聚類中心進行調整,直到聚類中心不再發生變化。然后根據來計算方差;第二階段為有監督學習,可以利用最小二乘法來求解隱含層到輸出層之間的連接權值為。

四、仿真實驗和預測

本文選取的樣本為2008年5月26日在上交所上市的康美CWB1(580023)權證,類型為歐式認購權證,存續期365天,自2008年5月26日到2009年5月25日,該權證初始行權價格為10.77元,2009年4月22日由于股票除息,行權價格調整為5.36元并保持此行權價格直到行權過程結束。此處選取其每個交易日最高價和最低價的平均值為研究數據。

從樣本數據中截取中間段的3個月作為輸入數據,采集范圍為2008年9月17日到2008年12月16日,通過所建立的網絡對其后的7個交易日,即08年12月17日到12月26日進行預測并與實際值進行對比。為了提高網絡泛化能力,在輸入之前首先對樣本進行歸一化處理,令數據的區間變為[0,1]。

金融理論中影響權證價格的因素主要有六個,分別為標的股票的現行價格、權證的執行價格、權證到期期限、股票價格的波動率、無風險利率、權證有效期內預計發放的紅利。但由于發放紅利距離當前交易日較遠,因此本文中不進入模型。另外模型使用隱含波動率,由于當期隱含波動率無法直接觀測,但上一時期隱含波動率是可以計算的,故此模型輸入中引入的是上一期的隱含波動率。則本文設定模型選取的輸入為:股價和行權價之比S(t)/X、無風險利率r、波動率V(t-1)和權證到期期限T-t,并有一個輸出即權證價格C(t)。在仿真試樣中采取一年期存款利率為無風險利率。

本文中利用Matlab(R2008b)軟件進行仿真試驗,錄入數據并利用最大最小值法歸一化處理之后,首先確定徑向基函數節點密度(散布常數)spread。理論上來說利用RBF網絡,任意的輸入輸出樣本都能夠達到函數逼近的目的,但是如果節點密度選擇不佳會對網絡設計使用造成影響,spread值反映基函數的擴展速度,該值越大則函數擬合就越平滑,但是如果過大則徑向基神經元輸入會出現很大的重疊性,過小則為了適應函數的緩慢變化就需要更多的神經元數目,影響網絡性能。設定性能函數指標誤差平方和(SSE)為0.01,最大神經元數量50個,每次運算添加一個神經元,利用試錯法,取得spread=1即可滿足要求。

經過試驗發現,在響應神經元數量為5個的時候就可以達到性能指標的要求,遠遠沒有達到飽和值,說明擬合還是很有效的,此時擬合SSE為0.0651。從擬合情況(圖3)上可以看到,擬合曲線還是比較好的反映了權證價格序列的變動趨勢和幅度。

通過訓練好的網絡,對08年12月17日到12月26日的7個交易日進行預測。通過表1可以看到預測情況,其中絕對誤差值為實際價格和預測價格之差的絕對值,誤差百分比表示誤差值對實際價格的百分比,為了更進一步比較,同時列出BS公式得出的權證價格:

從預測效果來看,RBF人工神經網絡對后續7個交易日預測的誤差上限在2.30%以下,對第1個預測樣本點預測的效果最好,誤差小于1.00%,而第2個預測點誤差則上升了1.063%達到1.76左右,第3個交易日誤差又上升了0.450%,然后開始穩定在2.20%左右,這首先反映了RBF網絡在預測與訓練樣本時間距離最近的測試點時效果最好,而后則誤差趨于穩定的一個范圍;第七個預測點的預測誤差突然下降則可能預示了后續預測誤差會有一定的波動。這種特性在一定程度上顯示了金融數據所具有的馬爾科夫性質,也說明了RBF網絡在進行短期預測上優勢更為明顯。

與BS公式預測值進行對比,BS公式預測值的誤差全部在3.00%以上,而其誤差上限則達到了24%以上,這說BS模型在我國資本市場的應用還有待于改進,同時也更進一步直觀地顯示了RBF網絡所具有的精度優勢。

五、基本結論

本文以康美權證為樣本建立RBF網絡進行仿真和預測,根據仿真實驗結果,總體上得到這樣的結論:

1.從仿真效果來看,RBF神經網絡模型在整體上較好的擬合了權證的實際價格,擬合結果與實際值具有一致性。而預測的結果也表現出較高的準確性,所以利用RBF神經網絡模型對權證價格變化進行預測是可行的。

2.對于本文所選擇的樣本數據,RBF網絡在價格預測上的精度較BS模型更優。這說明神經網絡模型的應用條件更加寬松,適應性也比BS模型更好。從RBF網絡和BS模型的預測對比可以看到,通過RBF網絡所得到的預測值則和權證實際價格保持了一致的變化狀態,其誤差也能夠控制在比較小的范圍內,誤差上限不超過2.3%;而BS公式計算出來的預測值波動幅度比較大,同時預測效果的準確性也不好,其中個別樣本點大幅度偏離其實際價格。RBF網絡在價格預測上顯示了比較強的優勢,在精確性上與傳統的BS公式方法相比有了很大改善,可以在我國資本市場權證價格的分析預測中起到重要作用,能夠對我國相對特殊的金融環境下應用傳統方法所帶來的不足起到彌補作用。

3.RBF網絡對權證價格的擬合和預測結果都是比較良好的,一方面體現了人工神經網絡良好一致逼近效果和結構上容錯性,另一方面與基本金融理論一致,也證實我國資本市場歐式認購權證價格確實以其標的股價、距到期日的時間、無風險利率、波動率和行權價格為影響因素,但這些因素的影響方式則可能更加復雜,需要進一步探討。

4.RBF神經網絡模型仍有進一步提升精度的空間。一方面由于我國權證市場發育尚不成熟,隨著金融環境的改善預測表現會更加良好;另一方面,在技術上也可以探求輸入變量范圍、網絡結構等方面的優化,比如引入如GA算法、PSO算法等各種參數優化方法,或其他信息處理技術,如信息粒化方法等,進一步探求提高擬合和預測的精度。同時也有必要不斷拓展用于權證價格分析預測的人工神經網絡類型。

參考文獻:

[1]J. M. Hutchinson, A. W. Lo, T. Poggio, Nonparametric Approach to Pricing and Hedging Derivative Securities Via Learning Networks[J].The Journal of Finance, Vol.49, No.3, 1994

[2]F. Black, N. Scholes, The pricing of options and corporate liabilities[J].Journal of Political Economy 81, 637～659,1973

[3]F. Girosi, T. Poggio, Networks and the best approximation property[J]. Biological Cybernetics 63, 169～176,1990

[4]K. M. Kiani, Artificial Neural Networks and Time Series Models[J], Computational Economics, (2005)26:65～89

[5]John C. Hull,期權、期貨和其他衍生產品[M].北京:華夏出版社,2000

[6]朱杰:期貨價格預測――反向傳播神經網絡模型[J].數學的實踐與認識,2000

[7]朱家榮等:RBF網絡的匯率短期預測[J].統計與決策,2008年17期

第3篇：人工神經網絡分析法范文

關鍵詞：加工貿易  ； 轉型  ； 影響因素  ； RBF神經網絡

問題的提出

我國自改革開放以來發展加工貿易已有30多年的時間，在此期間，我國對外貿易總額不斷擴大，加工貿易占對外貿易的比重也逐年增加，發展十分迅速，對外貿易出口總額從1981年的220.1億美元增長到2011年的18986億美元，增長了85倍，而加工貿易出口額從1981年的10.6億美元增長到2011年的8354.2億美元，增長了787倍。1996年加工貿易已經在我國對外貿易中占據了半壁江山，目前加工貿易已經成為我國重要的對外貿易方式。

加工貿易在出口創匯、拉動就業、吸收國際先進技術和科學管理經驗、促進產業結構轉型升級和國民經濟增長方面做出了顯著貢獻。然而，隨著國內外環境的不斷變化和我國與外國貿易摩擦的加劇，以低端技術含量為主的加工貿易已經越來越不能適應快速發展的對外貿易大環境。在外需下行壓力較大、訂單外流、貿易摩擦加劇、人民幣不斷升值、勞動力比較優勢減弱、國際要素優化重組、面臨產業轉移和產業結構升級的壓力、土地和勞動力等要素供給緊張、生產成本不斷上升等原因的影響下，加工貿易在擁有發展機遇的同時仍然面臨著前所未有的挑戰。

2011年廣東、江蘇、上海、山東、浙江、福建、遼寧7省市的加工貿易出口總額為7338.56億美元，占中國整個加工貿易出口額的比重達到了87.8%，而其他地區的加工貿易出口額占比不到13%。這種發展上的區域不平衡致使國內配套資金和其他經濟技術資源大批向東南沿海轉移，進一步擴大了區域之間的經濟發展差距。2010年，中國外商投資企業以加工貿易方式進出口9709億美元，增長27%，占同期全國加工貿易進出口總值的83.9%。從2001-2010年10年間，外商投資企業加工貿易進出口占全國的平均比重為81.57%。加工貿易企業中外商投資企業占主體，我國企業在開展加工貿易過程中幾乎未能發揮作用的局面依然沒有改觀。此外，加工貿易在發展過程中出現的問題如技術含量低、產業鏈條短、國內配套率低、加工貿易增值率低等也是不容忽視的。如果不改變傳統的加工貿易方式，加工貿易企業的收益及發展潛力有限，無自主經營和管理權，技術能力不提高，就很難走出“低端鎖定”的困境，對企業的長遠發展無益。因此，要改變傳統的加工貿易方式，加工貿易轉型已迫在眉睫。

在中國經濟轉型和國際競爭的不斷加劇的大背景下，外貿發展方式的轉變尤為重要，而加工貿易作為對外貿易的重要方式，積極實行轉型，提升其質量與效益成為迫切需要解決的重大問題。因此，加工貿易的轉型，有利于我國充分運用比較優勢開展對外貿易和國際分工，有利于制定科學合理的經濟發展戰略，有利于我國產業的轉型升級，有利于我國走出技術“低端鎖定”的困境，有利于我國在全球價值鏈上積極向上游發展獲取更多利益，也有利于我國在國際貿易中享有充分的自和話語權，加工貿易轉型對我國經濟轉型有著舉足輕重的意義。

文獻綜述

目前很多學者都對我國加工貿易如何轉型升級進行了分析，簡而概之，主要有以下三個方面：

（一）加大外商直接投資與國外技術轉移

馬強（2009）指出由于我國加工貿易企業主體是外商投資企業，其發展戰略影響了我國加工貿易轉型的方向，要優先引進國外帶動能力強、高附加值、高新技術、高關聯度、高稅收、產業鏈和供應鏈較長的企業與技術。張燕生（2004）認為應積極承接國外產業轉移，引進大型生產設備和先進技術，將加工貿易與國內產業進行合理有效配套，提高國內采購率，促進原材料的進口替代，使加工貿易朝著產業、產品、工序價值鏈上游升級和技術進步形成良性互動機制。

（二）加大技術研發投入與產品創新

有學者認為技術進步將推動我國加工貿易快速轉型升級。隆國強（2006）認為要實現我國加工貿易轉型升級，必須要加大技術研發投入，使我國從全球價值鏈的低端向上游邁進，另外，積極實行加工貿易產業從沿海向中西部梯度轉移也是發展的方向所在。李晨（2010）指出要實現加工貿易轉型升級，首先要對加工貿易產品的工藝流程進行升級，推出科技含量高的創新產品，使產品從價值鏈的低端向高端環節轉移，獲得更多的附加值。曾貴（2011）對加工貿易轉型升級的機制做了比較系統的研究，包括創新機制和動力機制等等。

（三）調整國內產業結構

陳恩（2007）認為產業結構是促進加工貿易轉型升級的主要條件，應引導加工貿易企業向高新技術產業發展，逐步提升我國企業的國際競爭力。宋志勇（2005）認為我國基于勞動力比較優勢發展而來的加工貿易如果僅僅停留在低端環節的生產制造上，將不利于加工貿易的長遠發展，因此加工貿易必須進行轉型升級。李付梅（2008）認為加工貿易要積極培育本土跨國公司，向服務行業延伸，提升我國在全球價值鏈上的層級，逐漸向境外加工貿易方向發展，在國內從東部沿海向中西部進行梯度產業轉移，充分利用我國比較優勢進行轉型升級。

與上述文獻不同，本文圍繞我國經濟體制的改革和經濟發展方式的轉變并結合國家貿易產業政策來研究加工貿易轉型問題，同時創新運用非線性RBF神經網絡分析法對加工貿易轉型影響因素進行研究，以期獲得更加穩健可靠的估計結果。

加工貿易轉型影響因素實證研究

（一）指標選取和樣本數據來源

綜合國內學者的研究，本文加工貿易轉型的指標選用加工貿易增值率ICR（加工貿易出口額減去進口額的貿易凈額除以加工貿易進口額）作為模型的被解釋變量。加工貿易增值率是從價值鏈升級和附加值增加的角度考察一國的加工貿易發展情況，體現了一國在國際分工中的位置和所處的層次，運用這一指標可以較好地反映我國出口加工貿易發展情況和出口加工貿易轉型升級的水平。

研發能力。企業轉型的重要動力是技術水平的提高。研發是企業保持生機活力的重要動力，也是提升競爭力的重要因素，技術進步對改善貿易條件的積極意義明顯。如果企業缺乏技術開發和產品創新，長此以往，將會導致市場占有率的不斷縮小甚至會面臨被市場淘汰瀕臨倒閉的境遇。因此，研發能力是影響我國加工貿易的一個必不可少的因素。

外商直接投資。我國進行加工貿易的主體現在依然是外商投資企業。外資在我國投資設廠，一方面可以充分發揮我國的勞動力比較優勢，另一方面還可以帶來先進的技術和管理方法。外商直接投資通過跨國公司對我國加工貿易企業產生技術外溢，同時對上下游關聯產業間的前后向聯系產生技術擴散和示范效應，有助于國內加工貿易結構的優化。

國內產業結構。一國的產業結構是其貿易發展的基礎，加工貿易轉型與產業結構轉型升級密不可分。產業結構關系著一國的要素資源流向和資源配置方式。我國加工貿易要從勞動密集型產業轉向資本、技術密集型，就必須使產業結構優化升級，帶動加工貿易的發展。因此，國內產業結構是影響加工貿易轉型的重要因素之一。

貿易開放度。貿易開放度是衡量一國的再生產過程與國際社會再生產過程的聯系程度。一國經濟貿易越開放，意味著國家之間可以參與更多的合作和經濟交流，對技術和管理經驗的吸收具有積極意義，但同時也加大了風險，帶來了更多的競爭，國際市場上的金融危機可以更容易地從我國外向型經濟部門轉移而來。因此，貿易開放度對加工貿易的發展有一定程度的影響，也是必須要考慮的因素之一。

勞動力稟賦。隨著經濟的發展，加工貿易未來要向著高技術水平、產業鏈上游、高附加值方向發展，就必然對我國的勞動力稟賦提出了更高的要求。我國勞動力稟賦的提升一方面可以加快我國人力資本的積累；另一方面可以逐步提高我國的資本勞動比和技術勞動比，改善要素稟賦結構，促進加工貿易的轉型升級。因此，我國的勞動力稟賦水平是制約加工貿易發展的一個重要因素。

勞動力投入。勞動力的流動性使得勞動力的價格長期穩定，從而使我國的勞動力供給保持極大的吸引力和持續性。我國廉價的勞動力資源比較優勢一直都是吸引外商投資的重要因素。從勞動力總量上來看，勞動力優勢仍然是我國加工貿易產業發展不可或缺的因素，以勞動密集型為主的加工貿易仍將有較長的生命周期。因此，勞動力投入數量的多少是加工貿易轉型的必不可少的考慮因素。加工貿易轉型的影響因素指標變量說明如表1所示。

（二）RBF神經網絡分析法與時間序列回歸分析法的引入

在加工貿易轉型升級影響因素的實證分析中，大多數學者所用的為線性方法，本文首先利用EVIEWS軟件對加工貿易增值率影響因素做時間序列模型回歸。單位根檢驗結果顯示原數列不平穩，一階差分平穩，表明序列都是一階單整序列，然后采用E-G兩步法進行協整檢驗顯示殘差序列是平穩的，表明變量之間存在長期穩定的均衡關系。綜上，EVIEWS回歸結果如下：

括號里的數據代表t統計量，回歸結果中可以看出調整的可決系數R2只有90.6694%，擬合優度不高。另外，外商直接投資在加工貿易方面能帶來先進的設備、資金和技術培訓，理論上應該能夠促進加工貿易附加值的增加，進而提高加工貿易的增值率。但是從結果中可以看出，FDI對加工貿易增值率的影響為負，說明外商直接投資不利于我國加工貿易的轉型升級，這與我們的預期不一致。線性模型不能很好或真實的反映變量之間的實際關系，對錯綜復雜的實際情況擬合效果不理想，因此線性回歸的方法具有一定的局限性。

針對時間序列分析法建立的模型不能全面和本質的反映所預測的動態數據的內在結構和復雜特性這一問題，采用先進的RBF神經網絡建立分析模型。人工神經網絡（Artificial Neural Network， ANN）模型的建立受生物學的啟發，從微觀結構與功能上對人的神經系統進行模擬。它是一種基于連接主義機制的人工智能技術，其特點主要是具有非線性特性、學習能力和自適應性，具有很強的分析能力，可克服傳統方法在分析問題時存在的建模不準確或根本無法建模的情況。一個典型的RBF神經網絡由一個輸入層、一個輸出層和至少一個隱含層組成，其隱含層選用了非線性的基函數，所以這種關系是非線性的，能夠避免線性模型不能全面和本質的反映所預測的動態數據的內在結構和復雜特性這一問題。而具有自學習以及非線性性質的系統網絡模型――神經網絡擁有對非線性問題的動態處理能力，不必預設數據的分布情況、變量之間的規律或精確的數學模型，自適應的對輸入、輸出數據進行學習和訓練，找出其中的非線性關系，從而實現其功能，找出各個解釋變量對被解釋變量的更加客觀準確的關系。

在神經網絡訓練完成后，即建立了加工貿易轉型的各影響因素和加工貿易增值率的模型。為了說明本文建立模型的有效性和準確性，分別利用時間序列分析法和本文RBF神經網絡法對測試數據進行預測。Matlab分析結果見圖1和表2。

由圖1和表2可知，RBF神經網絡分析法得到的模型比時間序列分析法更準確，其與預測誤差值遠遠小于時間序列分析法，因此也更能反映加工貿易中錯綜復雜的實際情況。因此，采用RBF神經網絡法代替時間序列分析法，可以為有效分析變量、提出轉型意見提供了一種新的重要途徑。

（三）基于MIV分析的加工貿易轉型影響因素研究

平均影響值（Mean Impact Value， MIV）被認為是在神經網絡中評價變量相關的最好指標之一，其符號代表相關的方向，絕對值大小代表影響的相對重要性，從而判斷出輸入的影響因素對于網絡結果的影響程度。最后得到加工貿易每一個影響因素的MIV值大小，如表3所示。

由以上實證分析可知：國內產業結構與研發能力對加工貿易增值率的增長具有較強的促進作用，特別突出地體現在加工貿易的國內產業結構上；勞動力稟賦與投入、外商直接投資對提高加工貿易增值率有拉動作用，但不如國內產業結構與研發能力的拉動作用大；過高的貿易開放度不利于我國加工貿易的轉型。

對策建議

在經濟轉型的大背景下，我國對外貿易的發展方向也要跟隨著改革的步伐不斷推進。加工貿易作為我國對外貿易的一個重要組成部分，其轉型關系著我國外貿未來的發展方向，關系著我國從貿易大國到貿易強國的轉變。加工貿易應轉變發展方式，利用我國的比較優勢，通過轉型來提升出口產品質量，改善貿易環境，統籌城鄉和區域發展，促進國內發展和對外開放。根據上文的研究，得到本文加工貿易如何轉型的結論，并提出相關的對策建議。

（一）發展高新技術產業并鼓勵企業進入高附加值產業鏈環節

國內產業結構在實證結果中MIV的值是6.2271，表明其對我國加工貿易轉型的影響程度最大，反映了調整國內產業結構的重要性。因此，我國加工貿易轉型要積極促使產業鏈向上下游延伸，不斷加大服務業和服務貿易對加工貿易的有力支撐，積極發展高新技術產業，促進附加值的增長，謀求更大的利潤和發展空間。

此外，加工貿易利用原材料加工成產品進行出口，其利益增值環節主要在于加工裝配，產業鏈短、附加值低，利潤空間很有限，企業自主性差，不能很好的實現自主經營。因此政府應引導加工貿易企業實行自主經營，從購買原材料、生產加工到銷售等一系列環節全部自主控制，延長價值增值環節，充分發揮價值鏈作用。要吸收一般貿易的優點使加工貿易逐漸進行創新轉變，這種轉變不是一蹴而就的，要進行大膽地嘗試和不斷地創新。

（二）由勞動密集型向資本、技術密集型轉變且由粗放型向集約型轉變

研發能力指標的MIV值為正且值較大，說明研發能力對加工貿易的轉型起正向作用且貢獻較大。但目前，我國加工貿易主要還是以勞動密集型和粗放型產業為主，技術水平不高，自主創新能力較低，技術吸收能力較弱，有些企業墨守成規，采取一些落后的工藝和技術進行生產。因此，企業要設立研發中心，加大科研經費的投入力度，增強技術吸收和自主創新能力；政府也要不斷加大加工貿易的科研技術投入，提高自主創新能力，完成由勞動密集型向資本、技術密集型轉變，由粗放型向集約型轉變，才能在未來的國際競爭中立于不敗之地。

（三）由依靠外需向內外需協調發展轉變

貿易開放度指標的MIV值呈現負數且絕對值較大，說明過高的外貿依存度不利于我國加工貿易的轉型。我國加工貿易在促進經濟增長、帶動就業、改善國際收支平衡方面做出了很大貢獻，但我國外貿依存度較高，和一些發達國家貿易摩擦不斷。2008年爆發的金融危機，使我國外部訂單大幅縮減，由于我國過分依賴外需，導致沿海一些加工貿易企業紛紛減產、停工甚至倒閉，對我國外貿的不利影響非常大。加工貿易企業要轉變觀念，由過分依靠外需轉向依靠國內、國外兩個市場，當外需不景氣時，可以提高企業的抗風險能力，使內外需共同成為促進我國經濟增長的雙引擎。外貿不僅在于維持國際市場的平衡穩定，還在于立足內需的基礎上調節好外部均衡，只有國際與國內兩個市場同時發展，內外共同實現均衡協調發展，才能促進我國經濟在良性軌道上穩健運行。

參考文獻：

1.馬強.國際金融危機后對創建廣東加工貿易轉型升級示范區的思考[J].對外經貿實務，2009（6）

2.張燕生.我國加工貿易未來轉型升級的方向[J].宏觀經濟研究，2004（2）

3.隆國強.加工貿易發展問題研究[J].國際貿易，2006（9）

4.李晨.我國加工貿易轉型升級的路徑選擇[J].產業經濟研究，2010

5.曾貴.加工貿易轉型升級的機制探討[J].財經科學，2011（2）

6.陳恩，劉青.廣東加工貿易轉型升級影響因素的實證分析[J].廣東社會科學，2007（5）

7.宋志勇.促進加工貿易轉型升級的對策[J].國際貿易，2005（8）

8.李付梅.探討我國加工貿易如何轉型升級[J].時代經貿，2008（1）

9.Franeoise Lemoine， Denize Unalkesenci. China in the International Segmentation of Production Processes[J]. CEPII Working Paper， 2002， No.2002-02

10.婁朝暉.加工貿易、發展效應及其偏差成因：中國1991-2007[J].國際貿易問題，2011（5）

第4篇：人工神經網絡分析法范文

關鍵詞:電能質量檢測;BP算法;人工神經網絡

中圖分類號:TM711文獻標識碼:A

文章編號:1009-2374 (2010)30-0043-03

1電能質量新技術研究

人工神經網絡BP算法在農村電力短期負荷多變量預測結構發生了重大變化,探索一種神經網絡BP算法在農村電力短期負荷的多變量質量檢測相空間融合方案以及新型智能電網中的物聯網信息聚合技術,同時針對每一分量質量檢測采用互信息法進行最佳延遲時間的選擇,最優嵌入維數則采用最小BP算法預測誤差法進行電壓波形發生畸變成引起電壓波動和閃變以及三相不平衡等,對供電電能質量造成嚴重的干擾或“污染”。

2電能質量檢測新技術

2.1當前電能質量檢測原理

對電能質量進行監測是獲得電能質量信息的直接途徑,雖然只局限于持續性和穩定性指標的檢測,而傳統的基于有效值的檢測技術由于時間窗太長,僅測有效值已不能精確描述實際的電能質量問題,因此需發展滿足以下要求的新檢測技術:(1)能捕捉快速瞬時干擾的波形;(2)需要測量各次諧波以及間諧波的幅值、相位,需要有足夠高的采樣速率,以便能測得相當高次諧波的信息;(3)建立有效的分析和自動辨識系統,使之能反映各種電能質量指標的特征及其隨時間的變化規律。

2.2電能質量新技術應用

基于電能質量在硬件和軟件上應用平臺主要有數字信息聚合技術處理、物聯網信息聚合技術等新技術以及新的如小波變換的BP算法。電能質量檢測對于系統實時性和支持復雜算法的特殊要求,提出一種基于雙CPU的嵌入式實時系統解決方案。基于連續小波變換的信號奇異性檢測原理及其在電能質量暫態信號檢測中的應用進行了詳細的研究,通過基于標準偏差估計的小波消噪算法,有效排除了噪聲干擾,實現了精確的故障時刻定位。基于小波變換的理論,結合電能質量檢測數據的特點,將基于小波變換系數的門限方法應用于電能質量檢測數據的壓縮。基于電能質量檢測系統的組成部分和該系統不但能實現電網數據的精確采樣分析電網的各項電能質量指標,并以直觀的圖形顯示出來。

3電能質量新技術分析原理

電能質量的分析計算涉及對各種干擾源和電力系統的數學算法,由于干擾源性質各異,干擾的頻譜從0Hz到GHz的廣寬范圍內,建立干擾源和物聯網聚合電網元件準確的數學模型有時困難很大,有賴于電網基礎資料的可信度。近年來,基于數字技術的各種分析方法已在以下電能質量領域中得到應用:分析諧波在網絡中的分布波形畸變及在網絡中的傳播;分析各種電能質量控制裝置在解決相關問題方面的作用;多個控制裝置的協調以及與其他控制器的綜合控制等問題。目前所采用的方法為:

(1)時域仿真方法該方法在電能質量分析中的應用最為廣泛,其主要的用途是利用各種時域仿真程序對電能質量問題中的各種暫態現象進行研究。

(2)頻域分析方法該方法主要用于諧波問題的分析計算,包括頻率掃描,諧波潮流計算等。即在非線性負載的動態特性,常規的諧波潮流計算法基礎上,對非線性負載進行仿真計算,從而得到動態諧波潮流解。

(3)基于變換的方法這里主要指Fourier變換方法、短時Fourier變換方法和小波變換方法。作為經典的信號分析方法Fourier變換具有正交、完備等許多優點,而且有象FFT這樣的快速Fourier算法,因此已在電能質量分析領域中得到廣泛應用。但在運用FR時,必須滿足以下條件:滿足采樣定理的要求,即采樣頻率必須是最高信號頻率的兩倍以上;被分析的波形必須是穩態的、隨時間周期變化。

4電能質量研究中的人工智能新技術

(1)專家系統成本較高且在開發過程中耗時過長,但依然出現了很多應用。這些主要體現在對畸變的電壓和波形進行分類;對電能質量問題的解決方案在專家系統架構下進行開發;測量和分析電能質量及電力系統電磁兼容性和識別電能質量可擴展的系統。

(2)根據歷史數據和一些影響負荷變化的因素變量來推斷將來時刻的負荷值。具有原理和結構簡單、研究速度快、外推特性好的等特點。也存在歷史數據要求高、無法詳細地考慮各種影響負荷的因素,模型初始化難度較大,需要豐富的經驗和較高的技巧的缺陷。

(3)滑法指數平滑法是一種曲線擬合法,在短期負荷研究中,一般用過去數周的同類型日的相同時刻的負荷組成一組時間上有序的觀測值,然后對該數組進行加權平均就得到所需的負荷值。

(4)序列法就是根據負荷的歷史資料設法建立時間序列的數學模型,并在該模型的基礎上建立負荷研究的數學表達式,對未來的負荷進行研究。

(5)神經網絡BP算法在農村電力短期負荷預測的主要思想是把電能質量檢測分析監控分為兩個階段:第一階段(正向傳播過程),給出輸入電能質量檢測分析監控信息采集通過輸入電能質量檢測分析監控層經隱含層逐層處理中心數據采集來的信息并計算每個單元各個節點的實際輸出電能質量檢測分析監控技術;第二階段(反向過程),若在輸出層未能得到中心數據采集期望的輸出值,則逐層遞歸地計算實際輸出電能質量檢測分析監控與期望輸出電能質量檢測分析監控短期負荷之差值(即誤差),以便根據電能質量檢測分析監控短期負荷此差值調結權值,就是可對每一個電能質量檢測分析監控短期負荷權值計算出接收單元的誤差值與發送單元的激活值的積。因為這個積和誤差對權重的(負)微商成正比(又稱梯度下降算法),把它叫做權重誤差微商。電能質量檢測分析監控短期負荷規則的指導思想:對電網權值和閾值的修正要沿著表現函數下降最快的方向-負梯度方向如下:

第一,隱層節點的輸出

yj=f (wijxi-θj)=f (netj) (1)

其中netj=wijxi-θj (2)

輸出節點的計算輸出

zl=f(vljyj-θl)=f (netl) (3)

其中netl=vljyj-θl (4)

輸出節點的誤差

E=(tl-zl)2=[tl-f (vlj yj-θl)]2

=[tl-f (vlj f(wijxi-θj)-θl)]2

E=(tI-zi)2=(tl-zi) (5)

第二,誤差函數對輸出節點求導

== (6)

E是多個zk的函數。但有一個zl與vlj有關,各zk間相互獨立,其中

=[-2(tk-zk)]=-(tI-zI) (7)

==f '(netI)yj (8)

則=-(tl-zl)f '(netl)yj (9)

設輸入節點誤差為

δl=(tl-zl)f '(netl) (10)

則=-δIyj (11)

第三,誤差函數對隱層節點求導

=Ij    (12)

E是多個zl的函數,針對某一個wji,對應一個yj,它與所有zl有關,其中

=[-2(tk-zk)]=-(tI-zI) (13)

= =f '(netI)(-1)=f '(netI)vIj (14)

= =f '(netI)xi (15)

則

=-(tI-zI)f '(netI)vIj f '(netj)xi=-δIvIj f '(netj)xi (16)

設隱層節點誤差為

δj'=f'(netj)δIvIj (17)

則=-δI'xi (18)

由于權值的修正Δvlj ,Δwji正比于誤差函數沿梯度下降,則有Δwji=-η'=η'δj'xi (19)

vlj(k+1)=vlj(k)+Δvlj=vlj(k)+ηδl yj (20)

δl =-(tl-zl)f '(netl) (21)

Δθl=η=ηδl (22)

wji(k+1)=wji(k)+Δwji=wji(k)+η'δj'xi (23)

δj'=f '(netj)δlvlj (24)

其中隱層節點誤差δj'中的δlvlj表示輸出節點的zl的誤差,δl通過權值vlj向節點yj反向傳播,成為隱層節點的誤差。

第四,閾值θ也是變化值,在修正權值的同時也需要修正,原理同權值修正一樣。誤差函數對輸出節點閾值求導:

= (25)

其中=-(tl-zl) (26)

= =f '(netl)(-1) (27)

則=(tl-zl)f'(netl)=δl (28)

閾值修正Δθl=η=ηδl (29)

θl(k+1)=θl(k)+ηθl (30)

誤差函數對隱層節點閾值求導=   (31)

其中=-(tl-zl) (32)

=f '(netI)vIj (33)

= =f '(netl)(-1)=-f '(netj) (34)

則=(tI-zI)f '(netI)vIJ f '(netj)=δIvIjf '(netj)=δj' (35)

閾值修正Δθj=η'=η'δj' (36)

θj(k+1)=θj(k)+η'δj' (37)

第五,傳遞函數f (x)的導數S型函數f (x)=

則f '(x)=f (x)[1-f (x)] (38)

f '(netk)=f (netk)[1-f (netk)] (39)

對輸出節點zl=f (netl) (40)

f (netj)=zl(1-zl) (41)

對輸出節點yj=f (netj) (42)

f (netj)=yj(1-yj) (43)

5結語

基于人工神經網絡BP算法在電能質量檢測分析監控新技術應用研究兩個趨勢:其中之一就是全智能控制化,自動對電能質量問題進行識別和數據處理,從而實現全面的無人監控功能;另一個則是通信技術遠程化和同時針對每一分量混沌時間序列采用互信息法進行最佳延遲時間的選擇,最優嵌入維數則采用最小BP算法預測誤差法進行確定。所以遠程化就可以適應不同層次的監控要求,從而使電能質量的監控點能夠分布到電網中的任何地方,并且具有良好的在線功能。利用計算機VPN和以太網網絡技術的更新融合,為不同地點供電系統電能質量的遠程集中監測和分析數據建立主要包括GPRS授時技術進行與GIS多點同步采樣,同時建立WEB網絡平臺和大型數據庫管理供電網絡運行數據供電系統的穩定。

參考文獻

[1] 林海雪.電能質量的基本[J].電網技術,2001,25(10).

[2] 奚.電能質量的更高要求及對策[J].供用電,2002,19(1).

[3] 韓英鐸,等.信息電力與FACTS及DFACTS技術[J].2000,

(19).

[4] 向農,宣揚,等.電能質量及其數字檢測[J].高電壓技術,2003,29(4).

[5] 張朋.DSP在電能質量補償器中的[J].儀表與自動化裝置,2003,(2).

[6] 段成剛,等.嵌入式電能質量監測器的設計[J].繼電器,2003,31(5).

第5篇：人工神經網絡分析法范文

關鍵詞：科技計劃；立項評估；研究

中圖分類號：G311 文獻標識碼：A 文章編號：1671-2064（2017）01-0243-01

科技計劃是貫徹科技發展規劃，配置科技資源的重要手段，是引導、支持全社會加強技術創新和推動科技進步的一項重要的科技管理工作。科技計劃項目立項評估，是在科技項目申請立項的階段介入，主要是對科技計劃項目立項前的必要性和可行性進行事先的評估。選擇科學的評估方法對合理配置科技資源，進行有效的科技決策至關重要。

1 國內外科技評估方法研究現狀

1.1 國外科技評估方法研究現狀

目前，已被世界各國應用的科技評估方法種類較多，其中主要包括文獻計量分析法、案例分析法、同行評議法、回顧分析法、數據包絡分析法、層次分析法、投入產出法等等。

同行評議是目前在科技評估中使用最廣泛的方法，對科技決策具有重要的調控功能，它主要用于5個方面：評審科研項目的申請；評審科學出版物；評定科研成果；評定學位與職稱；評議研究機構的運作。雖然同行評議法使用范圍廣，但具有一定局限性，其結論具有很強的主觀性，且代表性不強。

文獻計量分析法是目前常用的方法之一，其主要手段是通過對已經公開出版的論文、引用頻次及專利計數來進行科技評估。發達國家早在70年代就開始對專利文獻做大量統計分析，進行評估與預測的工作。這種方法的缺點是如果過分強調數次，就可能產生不良影響，人為地改變文獻被引頻次或者是增加其作品被引用和發表的機會。

層次分析法是目前較為科學合理、便于實施的一種確定指標權重的方法，這種方法應用網絡系統理論和多目標綜合評價方法，提出一種層次權重決策分析方法。它能有效地將半定性、半定量的問題轉化為定量計算問題，體現了人們決策思維的基本特征：分解、判斷、綜合、并以它的簡潔性、實用性、適用性和系統性贏得世界各國普遍采用。但由于建立層次結構和構建判斷矩陣的主觀影響較大，使得這種方法的主觀成分增大。

1.2 國內科技評估方法研究現狀

科技評估在發展過程中形成了一些經典的評估方法，據對收集到的文獻材料統計分析顯示，國內科技評估方法主要有：

同行評議。同行評議指由從事某領域或接近該領域的專家來評定一項工作的價值或重要性的機制。方法主要有通信評議、小組會議評議兩種，都可用于評估科技成果、科技項目等。

指標體系評估法。指標體系評估法一般都采用量化的方法，通過科學的量化手段減少評估的主觀性，增加評估的客觀性。同時要設計一個計算評分的數學模型，用于處理各指標間的關系。

層次分析法。層次分析法是一種定性定量分析相結合的決策方法，對主觀判斷作定量描述，是決策科學中非常實用、具有很大發展前途的一種方法，尤其適用于以多目標定性為主的決策。

其他評估方法。科技評估在研究發展的過程中還形成了人工神經網絡分析法、統計分析法、主成分分析法、動態聚類法、模糊數學法、因子分析法、多維標度法等重要方法。

2 遼寧省科技計劃項目立項評估方法研究分析

2.1 遼寧省科技計劃項目立項評估方法發展概述

在綜合對比當前我科技評估主要研究使用的評價方法的準確性、合理性、適應性以及評價方法使用時的工作量的基礎上，我省科技計劃項目立項評估一般采用同行評議和指標體系相結合的方法。

這種方法是指由從事某領域或接近該領域的專家通過一組能顯示立項項目與當年科技計劃項目申報指南的相符程度、項目的必要性、技術路線的可行性和創新程度、社會發展的可持續性、市場的前瞻性、科研條件的允許性以及是否有完整齊全的附件佐證材料（如科技查新報告）等一系列指標來評定科技計劃項目立項的價值或重要性的評價方法，屬非個人性決策，是一種由科技共同體來做出有關科學真理性評價的制度，遵循了以科學界內部的承認為依據和前提的原則。這種立項評估方法通過權威專家根據科學的量化指標來判斷項目的可行性，這樣的評審方法可以有效的減少評估的主觀性。

2.2 存在的問題

現有的評估方法存在諸多缺陷，主要表現在： 評估專家數量有限，具有典型的“小樣本”特征，其結論具有很強的主觀性，且代表性不強，當增加評估專家數量時又由于研究方向和觀點的不一致導致評估結論難以收斂。科技項目一般具有隱含性、超前性、探索性和不可預知性，再加上評審專家對評價標準掌握、理解不可能完全一致，難以給出確切的判斷，導致最終結論中的等級評定含有不完全信息，而目前的評估方法對不完全信息難以描述，對多位專家評審意見的綜合過于簡單，量化信息過于粗糙。

3 科技計劃項目立項評估方法的改進

科技評估是科技管理工作的重要組成部分。隨著科技計劃管理體制改革的不斷深入，科技評估工作的重要性越發凸顯，因此，建立符合我省各地市科技發展實情的評估方法尤為重要。這就要求加強對評估指標體系設定及評審專家庫進行更加深入的研究。通過嚴格的、科學的科技評估方法，監督、保證科技評估活動健康有序地發展，真正做到客觀、公平、公正、科學。結合我省的省情，并借鑒國內外科技項目的評估方法，得到以下啟示：

（1）結合我省各地市科技發展實際情況，對不同計劃類別的科技項目進行分析，建立合理的立項評估指標體系，能夠合理并且客觀的反映評估對象和目的。

（2）對科技項目進行評估時，一般都采用專家組按照既定的評估指標打分的方法，這就要求參與該項目的評估專家要獨立于委托方，遵循回避原則；在選擇專家時要從專家庫里面選擇來自被評估項目所屬領域的不同地方的權威專家進行評價，必要時還需考慮財務類專家和管理類專家，這樣使得專家知識結構合理化，使得評估結果更加可靠可信。

第6篇：人工神經網絡分析法范文

【關鍵詞】高填方邊坡；穩定性；對策

高填方是指根據需要將指定區域用土、水泥或石子等材料用分層或者碾壓等方式，建成比周圍建筑高一些的設計。高填方邊坡就是用高填方設計方式加高的邊坡。由于高填方邊坡突出位置，其穩定性不僅關系到邊坡的穩固，而且一旦出現崩塌等情況將危及到周圍的建筑、人等，因此高填方邊坡的穩定性不容我們忽視。本人于2012年初接到“梧州市220kV紅嶺變電站”（現已改名為翡翠變）的設計任務，負責該工程的‘三通一平’等施工圖紙的設計工作。220kV紅嶺變為廣西首個3C綠色智能變電站。該工程選定的站址，位于梧州市火車站西偏南位置，該區域擬建成物流園區，站址緊臨城市政規劃路。220kV紅嶺變站區場地南面為填方段，按照場平標高（56m-55.75m），紅嶺站址填土邊坡最高為26米。因此該工程初設階段考慮采用自然放坡和坦薩生態邊坡兩種方案。坦薩生態邊坡方案節省占地，由于進行加筋處理，分層碾壓后能有效控制不均勻沉降。回填土方量小，需要外購土少，有效減少外運填料產生的費用。完工后與周圍環境能很好融為一體。自然放坡與塔薩方案比較，自然放坡征地面積大6畝，臨時用地大6.7畝，回填土方多34000m3，擋土墻多1860m3。自然放坡較塔薩方案工程總造價多140萬。

1.高填方邊坡穩定性分析方法與加固技術的研究現狀

1.1高填方邊坡穩定性分析方法的研究現狀

滑坡現象在自然界中時常發生，也引起了人們廣泛的關注。早期人們應對高填方邊坡主要采取定性分析的方法，其未能得出高填方邊坡穩定性的相關數據，只能大致確定是否穩定。隨著人們對高填方邊坡穩定性的深入研究和探索，人們開始使用一些定量分析的方法，從不同角度建立模型對邊坡的穩定性進行研究，使得出的高填方邊坡穩定性的結果得到數據支持。截止到目前，高填方邊坡穩定性分析主要有定性分析法和定量分析法兩種方法。根據不同的邊坡，定性分析法可分為自然歷史分析法、諾模圖法、赤平極射投影法、工程類比法、專家系統、范例推理法等方法，表1列出了定性分析法上述方法的原理及其發展動態。定量分析法又確定性分析法和不確定分析法；確定性分析法包括極限平衡法和數值分析法，極限平衡法包括瑞典條分法、Bishop條分法、Sarma法、斯賓塞法、摩根斯坦-普賴斯法、傳遞系數法等方法，數值分析法包括有限元法（FEM）、有限差分法（FDM）、無界元法（IDEM）、數值流形元法（NMM）等方法；不確定分析法包括可靠度評價法、人工神經網絡分析法（ANN）、灰色系統評價法、模糊評價法、遺傳法、綜合法等方法。

1.2高填方邊坡加固技術的研究現狀

高填方邊坡滑坡、坍塌等邊坡穩定性不良帶來的危害會帶來經濟損失，甚至造成不可逆轉的巨大災害，因此，對高填方邊坡的加固技術進行研究具有重要的現實意義和社會意義。隨著工程師應對具有不同穩定性的邊坡，截止到目前，已經研究出了不少高填方邊坡的加固技術。高填方邊坡的加固技術主要包括重力式擋墻、抗滑樁、扶壁式擋墻錨桿技術、懸臂式擋墻、格構加固、噴錨網支護、坡慮法、注漿加固、懸掛式擋墻等加固技術。現有的高填方邊坡加固技術多種多樣，針對具有不同穩定性的高填方邊坡，我們需要選擇合適的加固技術，以而不能盲目選擇。同時，我們還可以針對不同的邊坡可以創新或完善已有的邊坡加固技術，盡全力去消除可以避免安全隱患，以保障人類和財產等的安全。

2.高填方邊坡的穩定性分析

針對梧州市220kV紅嶺變電站中高填方邊坡的項目，我們采取了定量分析法與定性分析法結合的方法對其的穩定性進行分析：（1）影響高填方邊坡的穩定性的因素；本項目定性分析了梧州市220kV紅嶺變電站中高填方邊坡的地質、水文、邊坡成因等影響邊坡穩定性因素，定量分析了邊坡的高度、面積、經濟效益等影響邊坡穩定性的因素。（2）影響高填方邊坡穩定性因素的敏感性分析；灰色關聯度方法是研究相關因素曲線的變化趨勢、方向、大小、速度等變化態勢相似程度，越相似關聯度越大影響越大，反之越小。本項目中采取灰色關聯度的方法對找出的影響邊坡穩定性的因數進行主次分析，確定出最具影響力的幾個關鍵因素。（3）選取合適的高填方邊坡穩定性的分析方法；針對梧州市220kV紅嶺變電站中高填方邊坡的影響因素，選取了定性分析法和定量分析法中的極限平衡法。（4）建立合適的模型；確定這個邊坡模型結構的邊界條件、橫截面的形狀、地質屬性相關數據、承載能力等建立合適的模型。（5）確定處理方法；根據模型得出的相關數據確定土和加固材料鋼筋等對接觸面的處理，梧州市220kV紅嶺變電站中高填方邊坡采取了自然放坡的方式，先建立模型，然后對單元進行填土和其他材料，不斷重復直至結束。

3.高填方邊坡的治理對策

若高填方邊坡由于不穩定的原因發生事故，后果甚至可能出人意料，對于高填方邊坡的穩定性一旦發現問題，就應當采取合適的治理措施，以杜絕可以避免的安全隱患：（1）根據高填方邊坡所處的環境、機構等影響邊坡穩定性的因素，找出可以解決高填方邊坡穩定性的一些備選方案，是一種多屬性決策的方法，可以根據影響因素的權重、主次等進行對策選擇。（2）再根據實際情況從備選方案確定較優的選擇，目前高填方邊坡的治理對策有消坡減載、擋土墻工程、錨固工程、抗滑樁工程、護坡工程以及排水工程等措施，可以根據實際情況采取多種方案綜合實施。（3）從可行性方面、環境方面、工期方面、安全可靠方面、經濟效益方面、操作難易方面等方面對高填方邊坡的治理對策的熵權多目標優選進行決選，確定最終的高填方邊坡的治理對策。（4）對高填方邊坡的治理對策進行設計實施；梧州市220kV紅嶺變電站站址附近區域擬建成物流園區，附近地區列入2013年度長洲區政府征地拆遷計劃任務，并希望于年底完成征地工作。經過業主方，梧州市運行維護局多方協調，梧州市商貿物流園管理委員會同意配合本工程建設，將建設站址附近市政道路開挖的多余土方，回填至變電站附近的沖溝，使變電站遠離高邊坡，以節省高邊坡的處理費用。故初設收口的站區土方按站區西南面圍墻距離回填邊坡頂40米計算，回填坡比為1：1.5，中間設三個馬道，馬道寬2.5米，馬道及邊坡外沿均設置截水溝，坡面植草皮，防止水土流失。該方案得到審查通過，施工圖紙已于2012年8月正式出版，邊坡工程正在施工（見附圖）。

4.總結

高填方邊坡的穩定性問題看似只是工程中的一個問題，但是如果不能很好的解決，很可能造成重大事故和嚴重損失，我們應當加以重視。針對不同的高填方邊坡，我們可以從多種高填方邊坡穩定性分析方法中選擇一個或多種方法組合，然后再根據實際情況從可行性、地質水文、單元截面、經濟效益等方面用定性和定量分析法結合的方法確定最優方案，以將高填方邊坡的穩定性提高到能提高的最高程度。

參考文獻：

[1] 丁參軍，張林洪.邊坡穩定性分析方法研究現狀與趨勢[J].水電能源科學.2011，8，29（8）.

[2] 靳付成.邊坡穩定性分析方法的研究現狀與展望[J].西部探礦工程.2007，（4）.

[3] 張翔，韓文喜.昆明新機場西北端高填方邊坡穩定性分析[J].甘肅水利水電技術.2011，9，47（9）.

[4] 武錫榮，陳書紅.杭州至蘭州線高速公路高填方邊坡穩定分析[J].建筑工程.2009.

第7篇：人工神經網絡分析法范文

關鍵詞：資金鏈斷裂 應收應付項目 灰色關聯度分析

一、引言

資金是企業整體運營的“血液”，企業從事任何活動都離不開資金的運轉，資金鏈斷裂將會使企業的生產、營銷等各項工作中斷。2004年銀行緊縮德隆系貸款，導致了德隆系“老三股”湘火炬（000549）、合金投資（000633）、新疆屯河（600737）出現資金鏈問題，一個擁有177個子公司、58000員工、年納稅額高達20億的集團公司轟然倒下。2005年南方高科資金鏈斷裂，對我國國產手機的生產企業給予沉重打擊。自2010年之后，非上市的民間企業資金鏈斷裂的事件頻繁發生，溫州、杭州、鄂爾多斯、鄭州等多個城市出現了大面積的企業倒閉、老板“跑路逃離”甚至跳樓自殺的。資金鏈斷裂不僅對企業的生存帶來威脅，也對經濟、社會發展產生巨大的影響，找到資金鏈斷裂的原因并提前加以預防，是一個非常重要的課題。導致企業資金鏈斷裂的原因很多，企業之間相互借貸、相互拖欠款項，形成了大量的應收應付款項，導致一個企業出現資金鏈斷裂帶動相關企業出現資金鏈斷裂，這是當前在民營企業比較發達的地區大面積出現資金鏈問題的主要原因。這一結論是否成立有待理論研究的檢驗。

二、文獻綜述

（一）單變量預警分析方法 根據文獻記載最早開展財務預警研究的是Fitzpatrick（1932），之后美國財務專家威廉·比弗（William Beaver）于1966年建立了單變量財務預警模型，1968年美國《會計評論》首次發表了關于單變量財務預警模型的研究報告，發現最好的判別變量是債務保障率，其在公司破產的前一年的預測準確率可達90%，其次是資產收益率和資產負債率。我國學者吳世農、盧賢義（2001）也是應用單變量判定分析方法建立了企業財務預警分析模型，他們經過研究得出第一年的誤判率分別為：凈資產報酬率為9.35%；負債比例為24.46%；營運資產與總資產的比例為21.58%；；資產周轉率為29.50%。

（二）多變量財務風險預警模型 Edward I. Altman（1968）運用多元判別分析法（Multiple discriminant Analysis）對財務危機預警的研究，得出Z系列模型。這個模型在財務風險判別研究領域一直具有非常重要的影響力。Erik M.Vermeulen等（1998）運用多因素預測模型（Multi-factor model）建立了條件失敗預警模型。該模型與通常的預警模型不同之處在于，認為破產取決于企業外部風險因素值而不是取決于一系列“內部的”財務比率。而且，該模型不僅僅把企業分類，還模擬外部風險因素（通過敏感性）對企業現金流產生過程的影響。20世紀90年代起，國外一些學者開始運用神經網絡在財務失敗預警方面開展了研究，諸如Odom及Sharda（1990）運用與Altman（1968）Z-Score模型中相同的5個財務比率基于神經網絡方法建立了財務預警模型。基于一些學者運用神經網絡在財務失敗預警方面開展的研究，我國學者楊保安等（2001）、端木正（2004）、劉洪等（2004）運用前向三層BP（Back Propagation）神經網絡構建的財務預警模型，李曉峰等（2004）運用粗糙集（Rough）和人工神經網絡（ANN）理論建立的Rough-ANN模型等等。劉洪等（2004）學者運用神經網絡建立的模型得到的估計樣本精確度達到95.7%，通過實證研究表明神經網絡分析模型在判定財務風險方面要優于MDA模型和Logist模型。董妍慧（2008）利用LVQ神經網絡構建了上市公司財務預警模型，選定了我國A股上市公司作為實證研究樣本，選擇五類重要的財務指標，以Matlab7.0為平臺，證明了LVQ神經網絡可以成功的應用在財務危機預警實踐中。Logit預警模型又稱Logistic回歸模型，是比利時學者P.F.Verhulst（1838）首次提出的。但最早采用該模型來研究財務危機預測問題的是Ohlson（1980）。張揚（2005）在對上市公司財務報告研究的基礎上，分別比較了適用于高新技術行業和傳統制造業的兩個行業的Logit回歸財務預警模型，兩個行業的財務指標選擇是相同的，得出的預測結果并不相同，財務失敗概率的計算模型也不同，但是預測的效果都是不錯的。李曉奇（2011）運用Logistic回歸分析方法建立財務危機預測模型，選取2009年ST公司104家和相同數量的對照組公司，設定財務危機發生點為T，利用樣本中T-1，T-2，T-3年數據，利用主成分分析法篩選了9個具有顯著性的指標作為模型自變量，得到回歸準確率為84.62%，80.29%，71.63%。

三、研究設計

（一）研究方法 本文采用灰色關聯度分析方法。灰色系統理論是20世紀80年代，由鄧聚龍首先提出并創立的多因素統計分析方法，是以各因素的樣本數據為依據用灰色關聯度分析方法得出的結論來描述因素間關系的強弱。其實質是求各個方案與最佳指標組成的理想方案的關聯系數，由關聯系數得到關聯度，再按照關聯度排序來確定關聯程度。因為灰色理論融合了多個學科和理論體系的思想和方法，可以運用較少數量的已知信息去揭示系統的規律。灰色模型建模時對數據的數量要求比較低，并且不必知道原始數據分布的特征，通過有限次的處理便可轉化為有規則的序列，這樣就很容易找到變化規律。灰色關聯分析對樣本數據的時間區間要求也不是很高，而且計算量比較小，預測精度比較高。這些特點均適合本文所研究的問題和研究樣本。

（二）指標體系建立和因變量確定 目前國內針對應收應付項目的研究主要集中在信用銷售，基本上都是應收賬款的管理、質押以及風險管理等。針對應收應付項目的定量研究和實證研究更少。信用銷售形成應收賬款，在對方就形成應付賬款。這部分被對方占用的資產，雖然本企業擁有債權，但事實上無法支配，企業不能使用這部分資金。一旦對方不能按期償還這部分資金，就會給企業帶來資金困難，就有可能導致資金鏈斷裂。主要有以下可能：（1）應收項目占流動資產比例過大，造成企業資金鏈危機。應收項目是企業應收而未收的款項，這些資金雖然屬于企業的資產，但是被其他企業或個人占用，并不能夠為企業隨意支配。應收項目總體主要由應收賬款、應收票據、預付賬款和其他應付款組成。流動資產項目可以區分為貨幣性資產和經營性資產，貨幣資金和交易性金融資產的變現能力很強，可以稱為貨幣性資產。其他的流動資產項目的變現能力要弱一些，可以稱為經營性資產。應收項目正是經營性資產的主要構成項目。相對而言變現能力弱，但占有較大比重，如果應收項目占流動資產的比例過大，就會對企業的短期資金造成很大的壓力，很可能面對短期債務而措手不及，所以應收應付項目占流動資產比率也是衡量應收項目對企業資金鏈斷裂影響的重要指標。（2）賒賬銷售過度，應收賬款過多，回收率低。企業為了擴大銷售，大量賒銷商品，形成了應收賬款。如果貨款可以及時收回，企業資金可以良性循環；如果不能及時收回，造成大量資金占壓，甚至形成壞賬，使企業資金短缺，嚴重的話導致資金鏈斷裂，企業經營失敗。利用信用銷售而擴大銷售額存在很多問題，一味追求提高銷售額，就會給回款造成壓力，回款不及時就會影響企業的資金周轉，就會給生產、經營等環節造成影響，影響企業的資金鏈。衡量企業的應收賬款回收情況，通常采用應收賬款回收率指標。（3）應收賬款周轉速度太慢，影響企業資金周轉。相對于一般企業而言，應收賬款都比較重要，在應收項目中起著舉足輕重的作用，應收賬款周轉率是指在一定時期內應收賬款轉化為現金的平均次數。應收賬款周轉率主要是衡量企業應收賬款管理水平的重要指標，企業不但要控制好應收賬款的規模，也要控制好應收賬款的周轉速度。當今的市場競爭環境是比較嚴峻的，一般企業都會采取放慢應收賬款的周轉速度而獲得更多的市場份額，這就會有很多企業因為應收賬款問題而導致企業資金鏈吃緊，甚至斷裂而影響企業的正常經營。應收賬款周轉率是衡量企業對資金鏈影響的重要指標。（4）應付賬款周轉速度快。應付項目是指企業應付而未付的款項，應付賬款是應付項目的主要組成部分，也是衡量應付項目對企業資金鏈影響的重要科目。應付賬款是企業可以臨時占用供應商企業的資金，如果應付賬款的周轉速度慢，就意味著企業占用供應商企業的資金周期長，對于企業的資金可以起到緩解的作用。（5）企業整體債務過高。資產負債率是衡量企業整體債務水平的重要指標，用負債總額與資產總額的比率表示。一般企業在初創期間，運營資金多來自于股東的投資，但是當企業進入快速發展階段，自有資金已經不足以滿足其快速擴張的速度，負債將成為維持企業快速發展的主要資金來源。但是負債與權益資金相比較，不但需要在借款到期時償還，而且還要支付借款產生的利息。如果企業發展戰略安排的不合理，一味大量外債支持企業擴張，卻沒有及時現金流回籠去清償到期的債務，就會讓企業陷入無力償還到期債務的境地，甚至資不抵債而被迫破產清算。所以，資產負債率是衡量企業償債能力、防范資金鏈斷裂風險的重要指標。

灰色關聯度分析方法首先確定的問題是模型中的因變量和自變量。而因變量應該如何設定呢？本文所要研究的問題是揭示應收應付項目的財務指標與企業資金鏈斷裂的關系，而資金鏈斷裂并不是一個比較容易量化的指標。在對指標數據的無量綱化處理過程中，可以將參考序列的數值初始化在1和0之間，也就是把本文通過分析選取的五個財務預警指標即應收項目占流動資產比例、應收賬款周轉率、應收賬款回收率、應付賬款周轉率和資產負債率的數據序列初始化到1和0之間。這些財務預警指標的變化趨勢與企業資金鏈斷裂趨勢是有規律可尋的，比如應收應付項目占流動資產比例越大，企業資金鏈斷裂的風險越大，也就是規范化后的指標值越接近于1，資金鏈斷裂的風險越大，1就是資金鏈斷裂風險的極差值，灰色關聯度主要是尋求各影響因素與理想參考指標的關聯系數，因此將模型的因變量定為1是比較合適的。資產負債率和應付賬款周轉率都是與資金鏈斷裂風險同向變化的，比例數值越大資金鏈斷裂的風險越大。應收賬款周轉率和應收賬款回收率的變化趨勢是與資金鏈斷裂風險相反的，比例數值越小，資金鏈斷裂的風險越大。可以通過無量綱化處理，將其變化方向調整為與資金鏈斷裂關系變化方向相同。

（三）樣本選取和數據來源 國內外學術界在做財務困境、財務失敗和風險預警等方面的實證研究時采用的樣本設計方法主要是根據ST公司與非ST公司在財務狀況方面顯著的差異性，通過設計實驗組（被ST上市公司）與對照組（非ST上市公司），對比其各項指標分析其對于被ST事項的影響程度。但是，本文研究的是資金鏈斷裂問題，選擇ST公司作為樣本合適嗎？ST公司一般都是出現財務狀況或其他狀況異常而被特殊處理的企業，公司連續虧損但還沒有達到退市的地步。雖然有些企業虧損但是不一定資金鏈斷裂，有的企業還是能夠正常運營的。針對于資金鏈斷裂而言把退市企業作為樣本更合適，退市是上市公司由于未滿易所有關財務等其他上市標準而終止上市的情形，既由一家上市公司變為非上市公司。正常經營的上市企業，沒有愿意被特殊處理而退市的，如果是財務原因導致的，肯定是出現了嚴重的財務危機，資金鏈斷裂，企業使用各種可能辦法都難以彌補這個資金缺口的情況下，上市企業才被迫接受退市的處罰。因此將退市企業作為資金鏈斷裂的樣本企業是比較準確的。選擇中國A股退市的42家企業作為本文的樣本企業。本文所選擇的上市公司數據來源于Wind數據庫。財務風險預警模型是利用歷史財務數據對企業未來的情況進行預測和判斷，所以在樣本數據的時間選擇上也是至關重要的。本文采用了距今最近可獲得的財務數據為研究樣本，主要選取退市的企業在退市之前被ST之后的第一年、第二年和第三年的財務數據，作為資金鏈斷裂狀態時的樣本數據。之所以要分別推三年，而不在同一年選取，是為了達到退市前的財務預警目的，也是為了消除由于外部環境的差異而可能導致缺乏可比性，而且選擇前三年的數據來進行預測更為全面。

四、實證檢驗分析

（一）無量綱化處理 本文在進行分析時，剔除了沒有數據的指標和不合乎實際情況的極大值和極小值等指標。按照鄧氏灰色關聯度模型的計算步驟對數據進行處理，首先對原始數據進行無量綱化處理，得到新的數據矩陣。鄧氏灰色關聯度分析在對變量數據進行無量綱化處理時可有多種方法，例如通過區間值化處理可以使得每個原始數據變換成為在0和1之間的規范數據，并且可以使原始數據接近或者等于1時為理想狀態，接近或者等于D時為偏離理想狀態最遠的狀態，同時也可以使參考序列數據和影響因素的數據處置在1和0之間。經過這樣的原始數據處理，數據雖然量綱縮小了，但并不改變原始序列的性質和順序。根據本文所研究的問題擬采用這種方法進行無量綱化處理。

（二）分辨系數的確定 分辨系數的確定要根據觀測序列的情況，當觀測序列數據差距比較大，而且出現奇異值，變異系數應取較小值，離散掉差異對結果的影響；當觀測序列數據差距比較小，而且變化比較平穩時，變異系數應取較大值，充分體現其整體性、規范性。分辨系數ρ在（0，1）內取值。對于ρ的取值一般根據經驗取值0.5，但是這樣處理降低了模型的準確性。因為分辨系數的取值大小，直接決定著對關聯度的貢獻大小。ρ的取值并不是靜態不變的，應該根據數據序列的性質，分析計算出ρ的正確取值。本文在對ρ值的選取過程，將根據數據的變化而賦予ρ值動態的取值范圍。針對公式中用到的分辨系數ρ，使用上文的計算方法，得到ρ的取值范圍表格如表（1）所示。

（三）關聯度計算與排序 通過對樣本公司退市前一年、前兩年、前三年的數據進行處理，分別得出資產負債率、應收項目占流動資產比、應收賬款周轉率、應收賬款回收率、應付賬款周轉率五個自變量對于因變量的灰色關聯度。關聯度值如表（2）所示。通過對樣本企業退市前三年財務風險預警指標的觀察和分析可以看出，本文選取的財務風險預警指標中有兩個指標與企業資金鏈斷裂的關聯度數值很高，分別是應收賬款周轉率和應收項目占流動資產比，也就是說這兩個財務風險預警指標與企業資金鏈斷裂的關聯性很強。每一年中財務指標與財務指標之間還是存在差距的，應收賬款周轉率的關聯度數值要高于其他財務指標，而且數值差距很大；其次是應收項目占流動資產比，數值也偏高于其他三個財務指標，數值的差距較大；應收賬款回收率、資產負債率和應付賬款周轉率指標之間差距較小，而且關聯度數值也相對較低。觀察每個指標的三個年度的關聯度數值，發現每個指標的關聯度數值變化較小，根據每年的財務數據得出的關聯度數值都是非常接近的。本文實證研究通過選取退市企業在退市前，被ST之后三年的財務數據分別計算關聯度數值，充分證明了灰色關聯度計算的穩定性和準確性，這個結果也充分肯定了本文研究得出結論的可靠性。

下面將這五個財務指標三年的關聯度值排序，再把三年的排序加總，得到三年排序的合計值，按照合計值由小到大排列順序，得到最終的排列順序，結果如表（3）。通過樣本數據關聯度排序計算結果列表可以看出每個指標對資金鏈斷裂影響的排列順序為：應收賬款周轉率≥應收項目占流動資產比≥應收賬款回收率≥資產負債率≥應付賬款周轉率。對于灰色關聯度方法排列的順序可以得出以下結論：（1）應收賬款周轉率與企業資金鏈斷裂的關系最為緊密，對于企業資金鏈斷裂的影響是最強的。通過前文的理論分析可以得出，比較應收應付項目中包含的每個財務科目，應收賬款是其中最重要的，討論信用銷售所引起的應收應付項目管理問題，主要是針對應收賬款的管理。應收賬款周轉率是衡量應收賬款對企業資金鏈影響的重要指標。應收賬款的周轉速度越快，給企業造成的資金壓力就越小。在很多企業應收賬款占流動資產的比例都很高，如果周轉速度太慢，將大大降低企業資金的使用效率，影響企業的營業周期。很多企業都制定了有效的應收賬款內部控制制度以及財務指標衡量體系，有效地控制和監督應收賬款的周轉情況，并在由應收賬款引起的資金吃緊與獲利之間權衡利弊。由本文的實證分析可得出應收賬款周轉率與企業資金鏈斷裂的關系很緊密，控制好應收賬款周轉速度是企業資金鏈正常運轉的有力保證。（2）應收項目指標中應收項目占流動資產比與企業資金鏈斷裂的關系也很緊密，對企業資金鏈斷裂的影響也很強。從這個指標可以看出，企業應收而未收的款項對企業資金的大量占用是導致企業資金鏈斷裂的重要原因。流動資產是維系企業經營活動正常開展的主要資金。應收項目的款項雖是企業的資產，但企業卻不能支配，應收項目占流動資產的比例過高意味著企業經營活動的資金大量被企業不能控制的、應收款項占用，企業經營活動資金緊張。流動資產也是企業變現能力較強的資產，如果流動資產大量被企業不能控制的、表現能力不確定的應收款項占用，會帶來支付和還債困難，也會導致資金鏈斷裂。因此，實證檢驗結果將應收項目占流動資產的比例排在導致企業資金鏈斷裂的原因的第二位，也是可以解釋的、與實際情況相符的。（3）應收賬款回收率與企業資金鏈斷裂的關系相對前兩個指標較弱，應收賬款回收率直接關系到企業的營業收入收回情況。首先，說明資金的回收時間長，給企業帶來的資金困難和資金壓力較大且持續時間較長。其次，如果回收率低，長期應收賬款無法收回，公司只有賬面的收入，卻沒有實質的現金流入。而且如果長時間不能收回的應收賬款變成壞賬，會給企業直接造成現金損失，容易引起資金鏈斷裂，所以企業也應該予以重視。（4）資產負債率與企業資金鏈斷裂的關系相對較弱。資產負債率是衡量企業整體償債能力的財務判定指標。很多企業盲目擴張，過分依賴舉借外債來充實企業擴張所需要的資金，這就給企業埋下了隱患，經營中的某個環節出現問題，企業無力償還到期債務，將會導致資金鏈斷裂，甚至破產倒閉。從企業整體來看，資金缺口可以從三個部分來考慮，即經營資金缺口、長期投資資金缺口和還債資金缺口。前兩個部分的資金缺口影響的是企業的經營和投資，但并不會導致企業資金鏈的斷裂，而還債資金出現缺口對企業而言是十分嚴重的，企業無力償還到期債務，債權人還可以申請強制執行措施，這就會導致企業的資金鏈斷裂。雖然實證檢驗結果資產負債率對資金鏈斷裂的警示能力較弱，但是也是衡量企業整體償債能力的評價指標之一。（5）應付賬款周轉率與企業資金鏈斷裂的關系于其他指標相比較最弱，應付賬款本身是衡量企業占用其他企業資金的指標，對于企業而言，遠遠不及應收賬款對企業的資金鏈影響程度也是符合實際情況的。

五、結論

本文研究得出如下結論：（1）國內外針對應收應付項目與企業資金鏈斷裂關系的研究文獻非常少，而由于應收應付項目異常導致企業資金鏈斷裂、破產的案例很多，首次對這二者之間的關系進行了研究。（2）總結了資金鏈斷裂、財務風險預警的方法和模型，并且對各個方法和模型的優缺點進行了比較分析。根據本文的研究目的，選擇了灰色關聯度模型進行實證檢驗，灰色理論雖然已比較完善、應用廣泛，但將其應用到財務風險預警領域問題研究的文獻也幾乎沒有。本文在新方法應用上也進行了有益的探索。（3）研究結果還表明，與資金鏈斷裂最為相關的財務指標依次是：應收賬款周轉率、應收項目占流動資產比、應收賬款回收率、資產負債率、應付賬款周轉率。排序結果表明：導致資金鏈斷裂的原因中，影響營業周期的資產周轉速度排在第一位；其次是流動資產的可控性和可變現性；再次是銷售貨款等回收情況；企業整體償債能力和應付賬款的周轉情況與資金鏈的斷裂的關系相對較弱。（4）檢驗結果表明，應收應付項目中應收賬款周轉率與應收項目占企業流動資產的比例這兩個財務指標與企業資金鏈斷裂的關系度很強，特別是應收賬款周轉率。表明企業應收應付項目中的這兩個指標與企業資金鏈斷裂存在著關聯性，可以對企業資金鏈斷裂起到風險預警作用。并且，通過三年的實證研究結果可以看出，財務指標各年份的關聯度數值穩定，證明了方法的適用性和實證結果的準確性。

參考文獻：

[1]趙睿：《金融控股公司的風險及其監管研究》，《山東大學碩士學位論文》2007年。

[2]徐乙寒：《鄭百文信用銷售失敗成因分析及對策探討》，《吉林大學碩士學位論文》2004年。

[3]吳世農、盧賢義：《我國上市公司財務困境的預測模型研究》，《經濟研究》2001年第6期。

[4]周首華、楊濟華、王平：《論財務危機的預警分析——F分數模式》，《會計研究》1996年第8期。

[5]嚴瑾孟：《具有新型預測能力的財務困境模型研究——Logistic模型的加權極大似然法》，《西南財經大學碩士學位論文》2008年。

[6]段小存等：《公司財務危機預警研究的述評》，《經濟師》2008年第7期。

[7]張祥等：《財務預警模型的變遷》，《華中科技大學學報（社會科學版）》2003年第4期。

[8]董妍慧：《我國上市公司財務危機預警的實證研究》，《大連海事大學碩士學位論文》2008年。

[9]張揚：《上市公司財務預警模型統計實證分析》，《首都經濟貿易大學碩士論文》2005年。

[10]李曉奇：《上市公司財務風險預警Logistic模型的研究》，《北京交通大學碩士學位論文》2011年。

[11]崔玉衛：《應收賬款周轉率指標計算改進探討》，《財會通訊》2010年第9期。

[12]尹蘇紅：《企業應付賬款管理存在的問題及解決措施》，《經濟技術協作信息》2010年第35期。

[13]王成武等：《淺談企業償債能力評價常見指標的綜合性分析》，《青海金融》2005年第7期。

[14]王小軍：《上市公司經營業績的灰色多層次綜合評價》，《天津大學碩士學位論文》2007年。

[15]東亞斌等：《灰色關聯度分辨系數的一種新的確定方法》，《西安建筑科技大學學報（自然科學版）》2008年第4期。

[16]Carey M.，Credit Risk in Private Debt Portfolio，Journal of Finance，1998.

[17]Amir F，Atiya， Bankruptcy Prediction for Credit Risk Using Neural Network： A survey and New Result， IEEE TRANSATIONS ON NEURAL NETWORKS，2001.