基于SVM模型的工业企业技术创新能力成熟度评价初探
一、绪论
将企业活动为基础，以市场为导向，把技术创新转化为经济优势。在一定经济条件下，以提升同行业竞争力为方向，充分利用各种技术创新所带来的资源即为企业技术创新能力。在如今行业竞争激烈和技术更新迅速的大环境下，技术创新已经成为企业生存发展的基础、提升竞争力的关键和经济增长的力量源泉。笔者通过SVM算法构建了工业企业技术创新成熟度等级评价模型，能有效的推动其技术创新能力的提高。
二、相关理论综述
（一）技术创新理论综述
人们最早知道创新的概念是从技术和经济角度结合的角度，以及在经济发展的过程中摸索技术创新所起到的作用，约瑟夫?熊彼特是提出现代创新理论的主要代表人物。根据熊彼特的观点和分析即所谓创新就是一种新的生产函数的建立，以从未有过的关于引进生产系统生产和生产条件要素的新组合。熊彼特认为，资本主义企业家的创业“灵魂”，就是要不断创新，推出新的组合。学术界以熊彼特创新理论为蓝本，对经济学的创新研究开展了进一步的研究，使之专业化，单是创新模型已经就分有相互作用模型、需求拉动模型、整合模型、技术推动模型、系统整合网络模型等，建立了技术创新，机制创新，制度创新双螺旋等理论体系，构成了人们对于经济学上创新理论的理解。
根据笔者对收集的资料综合分析后得出国外在近50多年来对于技术创新方面的积极研究过程大致可分为以下三个阶段，如下表所示。
国内外对技术创新研究的三个发展阶段
发展阶段发展时期主要特征
第一阶段20世纪50年代初到60年代末在新技术革命浪潮推动下，技术创新研究迅速复兴，逐步突破新古典经济学的局限与束缚，形成对技术创新起源、效应和内部过程与结构等方面的专门研究
第二阶段20世纪70年代初到80年代初技术创新研究从管理科学和经济发展周期研究范畴中相对独立出来，初步形成了技术创新研究的理论体系
第三阶段20世纪80年代初至今在综合已有研究成果的基础上，从已有的研究范围中，选出或新提出有关重点专题深入研究
（二）支持向量机原理简介
1、支持向量机的主要思想。支持向量机（Support Vector Machine简称SVM）正式发表于1995年，由于在文本分类任务中显示出卓越性能，很快成为机器学习的主流技术。但实际上早Vapnik和他的研究小组早在上个世纪六七十年代就提出了支持向量机，并在1990年开始得到了推广应用。SVM就是一个升维和线性化的方法，简单来说就是通过一个非线性映射，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。而通常的升维会带来计算的复杂化，SVM方法巧妙地解决了这个难题：应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”。这一切都要归功于核函数的展开和计算理论。
2、SVM分类原理。支持向量机分类思想主要是通过建立一个分类超平面，将分类样本正确分开，并且保证分类样本之间的边缘间隔最大化。借助该分类超平面将优化问题转化为凸二次规划问题，全局最优解由标准的拉格朗日乘子法求解得出。
三、工业行业技术创新能力成熟度评价的实证分析
（一）工业行业技术综述
支持向量机应用于工业企业技术创新能力成熟度等级评价的原理是：备选工业企业是样本集，将分类结果作为类别属性输出。数据预处理过程中采用因子分析法筛选得到主成分公因子得分，作为工业企业技术创新能力成熟度评价模型的输入变量和输出结果，本次采样总数24，因子分析当中，计算出来的公因子个数为5，因此，模型的输入变量为5个，也就是工业企业技术创新能力成熟度分为5等级，以此作为变量输出。由于所选样本非线性且等级数为5属于多分类问题，因此本文采用非线性的SVM分类器进行分析。
在SVM分类器中，本文选取径向基函数（RBF）作为模型的核函数，其在寻找线性最优超平面时具有较强的非线性映射能力。基于RBF的支持向量机模型，分类训练效果的好坏主要取决于相关参数的选取，即惩罚参数C和核参数g如何选择。惩罚参数C为约束Lagrange乘子在得到最大化边缘margin与少量离群点之间进行折中的一个参数，即C用于控制错分样本惩罚程度，通常情况，测试精度随C的增大而提高，当达到某一定值时可得到最佳分类错误率和最佳支持向量数。此外，核参数的选取也会直接影响分类器训练效果的好坏，因为核函数、映射函数和特征空间是一一对应的关系。本文采用交叉验证和网格搜索的思想得到在某种意义下的最优参数，用以找到最佳的（C，g）参数对，使得分类器能够对未知数据做出精确预测，最终可以较为理想地评价测试样本等级。
支持向量机SVM分类主要基于“训练―预测”的流程，首先利用svmtrain命令实现对样本数据集的训练，并得到分类模型MODLE。
命令如下：
svmtrain（trainlabel，traindata，[‘libsvmoptions’]） 其中Trainlabel：训练样本标签；traindata：训练样本属性；‘libsvmoptions’：一些选项参数。
然后利用svmpredict命令，根据训练获得的模型，对测试样本进行分类预测。
命令如下：
[predict_label，accuracy]=svmpredict（testlabel，testdata，model，[‘libsvmoptions’]）
其中Testlabel：测试样本标签；testdata：测试样本属性；‘libsvmoptions’：一些选项参数；model：由svmtrain得到的分类模型；predict_label：预测得到的测试样本的标签；accuracy：分类准确率。
（二）创新模式的选择
为衡量工业企业技术创新水平，技术创新能力成熟度等级评价模型给不同的等级划分了不同的关键过程域和关键实践活动，企业一旦满足某一等级所有的关键过程域，即可根据企业所处的技术创新能力成熟度选择创新模式，以目前所在成熟度上一个等级的关键实践活动作为目标，通过实施一系列的活动来提高自身的成熟度等级。
当企业技术创新能力成熟度评价结果为1时，企业的技术创新能力属于无序级，创新水平较低，创新资源较匮乏，技术创新表现为组织中个人的随机性创新，因此，处于无序级的企业在进行技术创新活动的过程中，要积极培养组织中成员的自主创新意识，将规范级的关键实践活动作为自身努力的目标。而处于规范级的企业则需以更高级的战略级关键实践活动作为为目标，逐步提高自身的技术创新能力。当评价结果为2或3时，企业的技术创新能力处于规范级或战略级，企业应注重培养研发人才，建立较为完善的创新组织体系，把技术创新的提高作为企业长足发展的战略目标。处于这两个级别的企业在市场中都拥有自身的优势与特色，能够根据市场需求调整产品结构和技术模式。当评级结果为4或5时，企业的技术创新能力处于优化级和协同级，此时企业的技术创新实力较强，拥有先进的技术创新所需硬件设备和优良的研发团队，并具有成熟的信息化决策支持系统，拥有丰富的技术创新资源，所以，成熟度等级较高的技术创新模式应为每个企业发展的前进目标。
四、结论与展望
本文将支持向量机分类器应用于评价工业企业技术创新能力成熟度的模型中，首先通过因子分析法得到样本数据的公因子得分，对数据进行降维和去噪，大大简化了指标体系的复杂性，为后面分类器的训练与预测提供了有效的输入变量，缩短了模型的训练时间，提高了模型的训练响应速度。通过实证分析证实该方法能有效解决技术创新能力成熟度评价问题并给出了关键等级的行动建议。
（作者单位：内蒙古财经大学）
