本发明属于企业绿色创新效率研究的
技术领域：
：，具体涉及一种基于超效率数据包络分析(dataenvelopmentanalysis，dea)和bp(backpropagation)神经网络的企业绿色创新效率预测方法。
背景技术：
：：正确分析和评价企业绿色创新效率，对于提高企业的绿色创新水平、节能降耗和提升企业核心竞争力具有重要意义。企业要坚持绿色创新，主动处理好环境与经济发展的关系，提高企业绿色创新效率。真正实现绿色创新，就要定量评价企业的绿色创新效率。通过构建绿色创新效率评价指标体系，客观定量分析企业的绿色创新效率的现状，挖掘影响企业绿色创新效率的关键因素，寻求提高企业绿色创新效率的有效途径，推动企业可持续发展。目前对于绿色创新的研究较少，对于微观层面的企业绿色创新的研究更是鲜有涉及。现有研究关于绿色创新的评价指标体系更多适用于行业或地区层面的效率评价，缺乏适用于企业的评价指标体系。同时，现有绿色创新效率测度方法单一，以数据包络分析(dea)为主，且dea方法是基于线性规划的理论，所以对非线性的现实世界问题的解释会存在较大的偏差，而绿色创新效率问题往往是非线性问题；另一方面，dea方法仅是对效率的简单排序，无法预测以对未来的决策给予更多的参考意见。技术实现要素：针对现有技术中存在的上述问题，本发明目的是提供一种基于超效率dea-bp神经网络的企业绿色创新效率预测方法。该方法将超效率dea和bp神经网络相结合，充分发挥了两者的优势，又弥补了各自的不足，提高了企业绿色创新效率评价模型的客观性，可以对企业的绿色创新投入情况进行事前效率评价，为企业管理者和决策者提供决策依据。本发明采用下述技术方案：一种基于超效率dea-bp神经网络的企业绿色创新效率预测方法，包括以下步骤：s1：构建企业绿色创新超效率dea模型，计算得到各决策单元(decisionmakingunit，dmu)的绿色创新效率值；s2：根据企业绿色创新超效率dea模型得出的效率值，利用二分位数法得到企业绿色创新效率等级表；s3：构建基于bp神经网络的企业绿色创新效率预测模型，并以企业绿色创新投入指标数据为输入、超效率dea模型所得的绿色创新效率值作为输出来训练模型；s4：根据s2得出的企业绿色创新效率等级表，将bp神经网络模型所得出的企业绿色创新效率预测值转化为相应的绿色创新效率等级。所述的基于超效率dea-bp神经网络的企业绿色创新效率预测方法，所述s1的操作步骤为：(1)构建面向过程的企业绿色创新效率评价指标体系：投入指标：面向企业绿色创新过程的研发、生产和环境治理环节，提出人力投入、资本投入、能源投入和绿色治理投入的企业绿色创新效率投入指标，具体投入指标为研发人员投入比、绿色创新资本投入强度、单位产值综合能耗和绿色治理投入强度；产出指标：具体产出指标为绿色专利授权数占比、销售净利率、产值节能率和绿色形象；(2)对评价指标原始数据进行无量纲化处理，处理公式如下：z‘ij为无量纲化处理后的数据，zij为第j个dmu的第i个指标原始数据，min(zi)为第i个指标的最小值，max(zi)为第i个指标的最大值；(3)基于上述评价指标体系构建企业绿色创新超效率dea模型，模型如下：式中，n代表dmu的个数；θ代表绿色创新效率评价值；λ为dmu线性单元的系数；xj、yj为第j个dmu的输入向量和输出向量，其中xj＝(x1j，x2j，…，xmj)t，xij(i＝1，…，m)为无量纲化处理后的第j个dmu的第i个投入指标值；yj＝(y1j，y2j，…，ysj)t，yrj(r＝1，…，s)为无量纲化处理后的第j个dmu对第r个产出指标值；xk，yk分别表示第k个dmu的输入变量和输出变量，模型所表达的含义是：对第k个dmu效率评价时，使第k个dmu的投入和产出被其他所有的dmu的投入和产出的线性组合替代，而将第k个dmu排除在外；使得理想dmu的投入小于等于dmuk的投入，产出大于等于dmuk的产出；(4)求解步骤1.3中企业绿色创新超效率dea模型的解；(5)根据超效率dea模型的解判断各dmu的有效性：若θ＜1则该dmu绿色创新效率无效；若θ≥1，则该dmu绿色创新效率有效。所述的基于超效率dea-bp神经网络的企业绿色创新效率预测方法，所述s2的操作步骤包括：根据权利要求2中步骤(5)，将θ≥1的有效dmu利用二分位数划分为中效率等级和高效率等级；由此得到企业绿色创新效率等级表，包括无效率、中效率和高效率三个等级。所述s3的操作步骤包括：(1)构建基于bp神经网络的企业绿色创新效率预测模型，模型为三层结构，包括输入层、隐含层和输出层，输入层是企业绿色创新投入指标，输出层为各dmu的绿色创新效率值；隐含层节点数取值根据以下经验公式计算得到：式中，n，q分别为输入层和输出层神经元数，c为隐含层节点数，一般取1～10之间的常数；(2)以企业投入指标数据为输入、超效率dea模型所得的绿色创新效率值作为输出来训练(1)中构建的模型；(3)将预测样本的投入指标数据输入训练后的企业绿色创新效率预测模型，得到预测样本的绿色创新效率预测值。本发明具有如下有益效果：(1)本发明提出面向企业绿色创新过程的绿色创新评价指标体系，符合企业绿色创新全过程的特性。(2)本发明提出的基于超效率dea-bp神经网络的企业绿色创新效率预测模型，以超效率dea模型所得的绿色创新效率值作为bp神经网络训练模型的输出。超效率dea-bp神经网络模型既保留了dea客观准确的特点，又发挥了bp神经网络非线性、不受指标个数限制的优势，能够实现企业绿色创新效率的客观、准确预测。附图说明图1为发明框架图；图2为基于bp神经网络的企业绿色创新效率预测模型结构图；图3为企业绿色创新效率预测模型输出值与目标值线性回归分析情况；图4为企业绿色创新效率预测模型训练结果。具体实施方式下面结合附图及具体的实施例对本发明做进一步介绍。具体的分析如下：实施例1s1：构建企业绿色创新超效率dea模型，计算得到各决策单元(decisionmakingunit，dmu)的绿色创新效率值；s2：根据企业绿色创新超效率dea模型得出的效率值，利用二分位数法得到企业绿色创新效率等级表；s3：构建基于bp神经网络的企业绿色创新效率预测模型，并以企业绿色创新投入指标数据为输入、超效率dea模型所得的绿色创新效率值作为输出来训练模型。s4：根据s2得出的企业绿色创新效率等级表，将bp神经网络模型所得出的企业绿色创新效率预测值转化为相应的绿色创新效率等级。具体的，s1的操作步骤包括：s1.1，构建企业绿色创新效率评价指标体系；s1.2，对评价指标原始数据进行无量纲化处理；s1.3，基于上述评价指标体系构建企业绿色创新超效率dea模型；s1.4，求解s1.3中企业绿色创新超效率dea模型的解；s1.5，根据超效率dea模型的解判断各dmu的有效性。具体的，在s1.1中，本发明选取了三个上市公司2013-2018年的经营数据，即18个dmu；另基于上市公司年报和披露相关的数据报告，面向企业绿色创新过程中的研发、生产和环境治理等环节，提出包括人力投入、资本投入、能源投入和绿色治理投入的企业绿色创新效率投入指标；结合企业创新过程和经济-环境-社会协调发展的价值观，从绿色科技效益、经济效益、环境效益和社会效益四个方面全方位的衡量企业绿色创新产出，确定企业绿色创新效率产出指标。具体的企业绿色创新效率投入-产出指标，如表1所示：表1企业绿色创新效率评价指标体系具体的，s1.2中，通过巨潮资讯(www.cninfo.com.cn)上公司披露的年报和社会责任报告书以及中国知识产权网(www.cnipr.com)获取相关数据。并对原始数据进行无量纲化处理，处理公式如下：z‘ij为无量纲化处理后的数据，zij为第j个dmu的第i个指标原始数据，min(zi)为第i个指标的最小值，max(zi)为第i个指标的最大值。处理后的数据如表2所示。表2企业绿色创新效率预处理后数据表具体的，s1.3中构建的企业绿色创新超效率dea模型为：式中，n代表dmu的个数；θ代表绿色创新效率评价值；λ为dmu线性单元的系数；xj、yj为第j个dmu的输入向量和输出向量，其中xj＝(x1j，x2j，…，xmj)t，xij(i＝1，…，m)为无量纲化处理后的第j个dmu的第i个投入指标值；yj＝(y1j，y2j，…，ysj)t，yrj(r＝1，…，s)为无量纲化处理后的第j个dmu对第r个产出指标值；xk，yk分别表示第k个dmu的输入变量和输出变量。模型所表达的含义是：对第k个dmu效率评价时，使第k个dmu的投入和产出被其他所有的dmu的投入和产出的线性组合替代，而将第k个dmu排除在外；使得理想dmu的投入小于等于dmuk的投入，产出大于等于dmuk的产出。利用dea-solver软件对企业绿色创新超效率dea模型求解，得到各dmu的效率值，如表3所示。然后根据效率值判断各dmu的有效性：若θ＜1则该dmu绿色创新效率无效；若θ≥1，则该dmu绿色创新效率有效。表3基于超效率dea模型的企业绿色创新效率值与评价等级划分注：a企业2013-2018年依次记为a1、a2、a3、a4、a5、a6，b、c企业类比，记为b1、b2、b3、b4、b5、b6，c1、c2、c3、c4、c5、c6。具体的，s2中，将θ＜1的无效dmu评为无效率等级；将θ≥1的有效dmu利用二分位数划分为中效率等级和高效率等级；由此得到企业绿色创新效率等级表，包括无效率、中效率和高效率三个等级。二分位数计算方法如下：将θ≥1的12个dmu按照大小顺序排列，则中间两个dmu的算术平均值就是这12个dmu的中位数，为1.383592。所以，无效率等级的效率值区间为(0，1)；中效率等级的效率值区间为[1，1.383592)；高效率等级的效率值区间为[1.383592，+∞)。企业绿色创新效率等级表如表4所示。表4企业绿色创新效率等级表具体的，s3的操作步骤包括：s3.1，构建基于bp神经网络的企业绿色创新效率预测模型；s3.2，以企业投入指标数据为输入、超效率dea模型所得的绿色创新效率值作为输出来训练模型；s3.3，将预测样本的投入指标输入训练后的企业绿色创新效率预测模型，得到预测样本的绿色创新效率预测值。具体的，所述基于bp神经网络的企业绿色创新效率预测模型为三层结构，包括输入层、隐含层和输出层。输入层是企业绿色创新投入指标，输出层为各dmu的绿色创新效率值；隐含层节点数取值根据以下经验公式计算得到：式中，n，q分别为输入层和输出层神经元数，c为隐含层节点数，一般取1～10之间的常数，经试算，本案例隐含层节点数为10。bp神经网络结构图如图2所示。具体的，s3.2中，以企业投入指标数据为输入、企业绿色创新超效率dea模型所得的绿色创新效率值作为输出来训练模型。确定bp神经网络训练模型的基本参数：隐含层传递函数采用tansig函数，输出层传递函数采用purelin函数，训练函数为trainlm，性能函数为mse，误差预设精度值gemin＝1e-3。训练样本为样本企业2013-2017年的数据。由bp神经网络线性回归图(如图3所示)可知，训练样本输出值与目标值之间的线性回归相关系数r＝0.99643。r值越高，表明实际输出与期望输出越吻合，r＝1时表明实际输出完全吻合期望值。由图4可见，本发明的输出值与期望值具有较高的拟合度，均方误差mse为0.47％，说明网络模型具有较高的精度。综上，基于超效率dea-bp神经网络的企业绿色创新效率预测方法对解决实际问题是可行的。具体的，s3.3中，将预测样本的投入指标输入训练后的企业绿色创新效率预测模型，得到预测样本的绿色创新效率预测值。此处，选取样本企业2018年数据作为预测样本。具体的，s4中，根据s2得出的企业绿色创新效率等级表，将bp神经网络模型所得出的企业绿色创新效率预测值转化为相应的绿色创新效率等级。表5为绿色创新效率预测模型的训练和预测结果。表5绿色创新效率预测模型的训练及预测结果当前第1页1 2 3 当前第1页1 2 3