人工神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)分析法范文

關(guān)鍵詞： 小波神經(jīng)網(wǎng)絡(luò)； 網(wǎng)絡(luò)流量； 預(yù)測研究； 訓(xùn)練樣本

中圖分類號： TN711?34 文獻(xiàn)標(biāo)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(lián)網(wǎng)規(guī)模的不斷增大以及各種網(wǎng)絡(luò)“新應(yīng)用”、“新服務(wù)”的不斷涌現(xiàn)，網(wǎng)絡(luò)信息變得越來越龐大和多變，對網(wǎng)絡(luò)訪問流量進(jìn)行精確地預(yù)測從而實現(xiàn)對網(wǎng)絡(luò)運行狀態(tài)的有效管理，已經(jīng)逐步成為目前的一個研究熱點。網(wǎng)絡(luò)流量預(yù)測是實現(xiàn)網(wǎng)絡(luò)控制、網(wǎng)絡(luò)規(guī)劃，保證網(wǎng)絡(luò)安全以及提高網(wǎng)絡(luò)服務(wù)質(zhì)量的重要前提。

網(wǎng)絡(luò)流量具有自相似性、長相關(guān)性和多重分形性等復(fù)雜性質(zhì)，對其進(jìn)行精確地預(yù)測一直以來都是一個難點。目前，常見的網(wǎng)絡(luò)流量預(yù)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(jīng)網(wǎng)絡(luò)分析法。與前面三種傳統(tǒng)方法相比，利用神經(jīng)網(wǎng)絡(luò)對網(wǎng)絡(luò)流量進(jìn)行預(yù)測具有預(yù)測精度高、方法簡單、泛化性強和穩(wěn)定性好的特點，正在逐步成為網(wǎng)絡(luò)流量預(yù)測研究中的主流方法。

文獻(xiàn)[1]根據(jù)網(wǎng)絡(luò)流量的變化特征，基于BP神經(jīng)網(wǎng)絡(luò)提出了一個P2P網(wǎng)絡(luò)流量預(yù)測模型，實現(xiàn)了網(wǎng)絡(luò)流量的較高精度預(yù)測。文獻(xiàn)[2]結(jié)合小波變換和人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，建立一種網(wǎng)絡(luò)流量預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型，通過將流量時間序列進(jìn)行小波分解，獲得了網(wǎng)絡(luò)的訓(xùn)練和驗證樣本，試驗表明采用這種方法進(jìn)行流量預(yù)測，要比直接采用神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行預(yù)測的精度高。文獻(xiàn)[3]根據(jù)網(wǎng)絡(luò)流量自身的特征，研究了BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)在校園流量預(yù)測中的應(yīng)用，其所建立的模型，經(jīng)仿真驗證證明，可以較好地預(yù)測學(xué)校網(wǎng)絡(luò)的流量變化情況，可以為校園網(wǎng)絡(luò)的規(guī)劃和管理提供一定參考。

小波神經(jīng)網(wǎng)絡(luò)是一種以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含節(jié)點的傳遞函數(shù)，其拓?fù)浣Y(jié)構(gòu)如圖1所示。它類似于BP神經(jīng)網(wǎng)絡(luò)權(quán)值修正算法，采用梯度修正法修正網(wǎng)絡(luò)的權(quán)值和小波基函數(shù)參數(shù)，從而使小波神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出[4?5]。

采用小波神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)流量預(yù)測的基本流程如圖2所示。

1 網(wǎng)絡(luò)流量預(yù)測

1.1 試驗數(shù)據(jù)來源

采用網(wǎng)絡(luò)流量監(jiān)測軟件對某小區(qū)的網(wǎng)絡(luò)流量進(jìn)行實時采集，得到了該小區(qū)5天內(nèi)的網(wǎng)絡(luò)流量數(shù)據(jù)，每隔15 min記錄一次該時間段內(nèi)的網(wǎng)絡(luò)流量值，一共獲得了480個時間點的數(shù)據(jù)。用4天共384個網(wǎng)絡(luò)流量的數(shù)據(jù)訓(xùn)練小波網(wǎng)絡(luò)，最后用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)預(yù)測第5天的網(wǎng)絡(luò)流量。為了避免局部數(shù)值偏移造成的誤差，本文采用編組的方式提高模型預(yù)測精度，用前三個時間點的網(wǎng)絡(luò)流量來綜合預(yù)測后一個時間點的網(wǎng)絡(luò)流量情況[6?7]。

圖1 小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

圖2 小波神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的流程圖

1.2 構(gòu)建小波神經(jīng)網(wǎng)絡(luò)模型

本文采用的小波基函數(shù)為Mexican Hat小波基函數(shù)，其表達(dá)式為：

[ψ（t）=（1-t2）e-t22ψ（ω）=2πω2e-ω22]

函數(shù)的時域和頻域波形圖如圖3所示[7?8]。

圖3 Mexican Hat函數(shù)的時域和頻域特征

本文采用的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3?5?1；輸入層有3個節(jié)點，表示預(yù)測時間節(jié)點前3個時間節(jié)點的網(wǎng)絡(luò)流量；隱含層有5個節(jié)點；輸入層有1個節(jié)點，為預(yù)測的網(wǎng)絡(luò)流量。設(shè)置網(wǎng)絡(luò)預(yù)期誤差值為[1×10-2，]將訓(xùn)練數(shù)據(jù)輸入到Matlab軟件中進(jìn)行訓(xùn)練，訓(xùn)練過程中小波神經(jīng)網(wǎng)絡(luò)的誤差變換情況如圖4所示。由圖4可知，該小波神經(jīng)網(wǎng)絡(luò)經(jīng)過58步運算后收斂到預(yù)定精度要求。

用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)對該小區(qū)內(nèi)第五天的網(wǎng)絡(luò)流量情況進(jìn)行預(yù)測，預(yù)測結(jié)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(yīng)預(yù)測數(shù)據(jù)，加“[]”曲線對應(yīng)實際數(shù)據(jù)，可以看到小波神經(jīng)網(wǎng)絡(luò)可以較好地預(yù)測網(wǎng)絡(luò)流量。

為了進(jìn)一步分析仿真結(jié)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(biāo)進(jìn)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(yù)測值；[xi]表示模型預(yù)測值的算術(shù)平均值；[n]為樣本數(shù)。

小波神經(jīng)網(wǎng)絡(luò)的MAE和MAPE值如表1所示。

從表1可以看出，本文構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)的MAE值在3.36 GB左右，而MAPE值小于0.1，說明該預(yù)測模型可以較好地預(yù)測網(wǎng)絡(luò)流量的變化情況，反應(yīng)該小區(qū)的流量信息變化，為小區(qū)網(wǎng)絡(luò)的規(guī)劃和管理提供可靠的依據(jù)。

2 結(jié) 論

本文在網(wǎng)絡(luò)流量的預(yù)測研究中引入了小波神經(jīng)網(wǎng)絡(luò)模型，利用收集到的某小區(qū)5天內(nèi)的網(wǎng)絡(luò)流量變化數(shù)據(jù)作為訓(xùn)練和測試樣本對構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試研究。試驗結(jié)果表明，本文構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)具有較高的預(yù)測精度，可以對該小區(qū)網(wǎng)絡(luò)的流量變化情況進(jìn)行較高精度的預(yù)測。

參考文獻(xiàn)

[1] 韓志杰，王汝傳.一種新的 P2P 網(wǎng)絡(luò)流量預(yù)測模型[J].計算機科學(xué)，2008（9）：39?14.

[2] 雷霆，余鎮(zhèn)危.一種網(wǎng)絡(luò)流量預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型[J].計算機應(yīng)用，2006（3）：526?528.

[3] 張昕.校園網(wǎng)絡(luò)流量分析與預(yù)測研究[D].西安：西安電子科技大學(xué)，2012.

[4] 王鳴，孫奕鳴.小波支持向量機的網(wǎng)絡(luò)流量預(yù)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(yuǎn).BP神經(jīng)網(wǎng)絡(luò)評價方法在交通流量評價方面的應(yīng)用[J].中國交通，2011，35（5）：146?151.

[7] 李遠(yuǎn)航.網(wǎng)絡(luò)流量預(yù)測技術(shù)的應(yīng)用[J].計算機工程應(yīng)用研究，2014，34（1）：131?138.

第2篇：人工神經(jīng)網(wǎng)絡(luò)分析法范文

[關(guān)鍵詞] 權(quán)證RBF人工神經(jīng)網(wǎng)絡(luò)

一、引言

權(quán)證在許多國家和地區(qū)已經(jīng)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(fā)展階段。權(quán)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(fā)金融市場活力,豐富金融產(chǎn)品品種,完善資本市場產(chǎn)品結(jié)構(gòu),在具備市場條件時也能夠有利于保持市場的穩(wěn)定性。而現(xiàn)行權(quán)證價格方法以布萊克-斯科爾斯(Black-Scholes)期權(quán)定價模型為主,模型的一系列假定比較嚴(yán)格。權(quán)證價格的變動過程,很可能是模糊的,而變化規(guī)律是也不一定能夠清晰的觀測,變化結(jié)果是高度容錯性的,顯示出復(fù)雜的動態(tài)非線性特征,但是B-S模型在反映這種復(fù)雜性方面顯然功效不足,故此有必要對權(quán)證價格分析和預(yù)測的各種方法和手段進(jìn)行不斷的深化和拓展。

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)方法可以作為非線性逼近工具,不需要建立復(fù)雜的顯示關(guān)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(yù)測問題。金融領(lǐng)域涉及密集型數(shù)據(jù),而數(shù)據(jù)本身又依賴于多個相互關(guān)聯(lián)的參數(shù),同時積累的大量的歷史性數(shù)據(jù)和樣本,這就決定了可以充分利用神經(jīng)網(wǎng)絡(luò)來進(jìn)行分析和預(yù)測。因此神經(jīng)網(wǎng)絡(luò)應(yīng)用于權(quán)證價格分析預(yù)測可以獲得較高的預(yù)測精度,從而為投資者提供可靠的估價工具,給權(quán)證價格分析預(yù)測提供了技術(shù)支持,為管理層增加了監(jiān)督控制手段,同時也為其他金融衍生產(chǎn)品的價格預(yù)測提供了參考。目前人工神經(jīng)網(wǎng)絡(luò)已經(jīng)應(yīng)用于股票、保險、外匯等多個領(lǐng)域。

本文使用徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò),以康美權(quán)證為例,對RBF神經(jīng)網(wǎng)絡(luò)在權(quán)證價格分析中的應(yīng)用做了實證研究,并將仿真預(yù)測結(jié)果與傳統(tǒng)BS模型進(jìn)行了對比,得到了較好的預(yù)測結(jié)果。

二、文獻(xiàn)回顧

神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛的應(yīng)用于經(jīng)濟金融方面多個領(lǐng)域。Hutchinson,Lo和Poggio(1994)應(yīng)用神經(jīng)網(wǎng)絡(luò)方法來處理金融衍生品定價模型,發(fā)現(xiàn)這種定價方法的優(yōu)勢在于不必依賴于限制性參數(shù)的假設(shè),該方法可以自適應(yīng)結(jié)構(gòu)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(shù)據(jù),在RBF網(wǎng)絡(luò)中引入了利用ICA(Independent Component Analysis)方法和SG濾波器,并將分析結(jié)果與主成分分析法下的RBF網(wǎng)絡(luò)做了比較。Kiani(2005)將人工神經(jīng)網(wǎng)絡(luò)和時間序列模型結(jié)合,通過測試加拿大、法國、日本、英國和美國的實際國內(nèi)生產(chǎn)總值增長率的非線性神經(jīng)網(wǎng)絡(luò),研究了這些國家經(jīng)濟周期的不對稱性。

朱杰(2000)利用反向傳播神經(jīng)網(wǎng)絡(luò),對期貨價格進(jìn)行了分析和預(yù)測。江戈(2007)通過對歷史股價數(shù)據(jù)的分析,采用K均值聚類算法動態(tài)確定RBF網(wǎng)絡(luò)中心,根據(jù)梯度下降法進(jìn)行自適應(yīng)權(quán)值調(diào)整,對RBF網(wǎng)絡(luò)的學(xué)習(xí)算法進(jìn)行了改進(jìn),進(jìn)一步提高了RBF網(wǎng)絡(luò)的非線性映射能力和自適應(yīng)能力。朱家榮等(2008)以研究美元對人民幣匯率作為基礎(chǔ),首先驗證了RBF神經(jīng)網(wǎng)絡(luò)對人民幣匯率進(jìn)行短期預(yù)測的可能性,并利用其對人民幣匯率趨勢進(jìn)行分析。王新軍等(2009)利用RBF神經(jīng)網(wǎng)絡(luò)分析了保險業(yè)財產(chǎn)損失問題,對財產(chǎn)損失進(jìn)行了預(yù)測。

雖然許多學(xué)者將人工神經(jīng)網(wǎng)絡(luò)利用與金融分析中,取得了不少成果,但是在權(quán)證價格分析和預(yù)測方面仍然很少。同時實際應(yīng)用中的人工神經(jīng)網(wǎng)絡(luò)類型也有待拓寬。

三、徑向基網(wǎng)絡(luò)原理

研究過程中可以獲得的歷史數(shù)據(jù)只有輸入向量和輸出向量,神經(jīng)網(wǎng)絡(luò)的整個中間過程需要通過數(shù)理方法進(jìn)行表達(dá),而神經(jīng)元則是神經(jīng)網(wǎng)絡(luò)的基本邏輯單元。一個神經(jīng)元模型分為這樣幾個基本部分:

1.突觸:與突觸權(quán)值聯(lián)系,對于突觸的輸入為x=[x1,x2,L,xn]φ,每一個元素xj通過權(quán)值wdj與神經(jīng)元q相連接。

2.線性組合器:輸入通過權(quán)值所傳入的信號在加法器中進(jìn)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(shù)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(shù)(轉(zhuǎn)移函數(shù)):激活函數(shù)f(.)提供神經(jīng)元輸出算法,通常有域值(硬極限)函數(shù)、分段線性函數(shù)、非線性轉(zhuǎn)移函數(shù)等形式,它限制了神經(jīng)元輸出yq的幅度。一般來講,一個神經(jīng)元輸出的正常范圍通常為[0,1]或[-1,1]。

一個人工神經(jīng)元的結(jié)構(gòu)表示為(圖1):

人工神經(jīng)網(wǎng)絡(luò)即是通過大量人工神經(jīng)元以一定的拓?fù)浣Y(jié)構(gòu)組織起來的并行處理計算結(jié)構(gòu)。網(wǎng)絡(luò)中每個神經(jīng)元在結(jié)構(gòu)上相同,通過連接一個神經(jīng)元的輸出可以傳遞至另一個神經(jīng)元,而每一個連接都對應(yīng)一個連接系數(shù)。按照神經(jīng)元的連接形式可以將人工神經(jīng)網(wǎng)絡(luò)劃分為層次型網(wǎng)絡(luò)和互連型網(wǎng)絡(luò);按照網(wǎng)絡(luò)內(nèi)部的信息流向則可以分為前饋型網(wǎng)絡(luò)和回饋型網(wǎng)絡(luò)。單純前饋型網(wǎng)絡(luò)在給定輸入模式下能夠迅速產(chǎn)生一個相應(yīng)的穩(wěn)定輸出模式,本文選取徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)即RBF網(wǎng)絡(luò)作就屬于此種類型,其結(jié)構(gòu)如圖2:

人工神經(jīng)網(wǎng)絡(luò)在受到外部環(huán)境刺激時,調(diào)整網(wǎng)絡(luò)參數(shù),實現(xiàn)對外部輸入變化作出反應(yīng)的行為被稱為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)(訓(xùn)練),網(wǎng)絡(luò)學(xué)習(xí)實際上是一個曲線擬合過程,在固定的學(xué)習(xí)方法下,網(wǎng)絡(luò)根據(jù)某種最小化規(guī)則通過評判實際輸出和期望響應(yīng)的誤差來調(diào)整權(quán)值。通過反復(fù)的學(xué)習(xí)可以實現(xiàn)對外部環(huán)境的了解。一般來講,神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)可以分為無監(jiān)督(無導(dǎo)師)學(xué)習(xí)、監(jiān)督(有導(dǎo)師)學(xué)習(xí)、強化學(xué)習(xí)等。

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

(1)

其中x是一個輸入向量,wik為輸出層全權(quán)值,N為隱含層神經(jīng)元數(shù)目,ck為輸入向量徑向基函數(shù)的中心,一般選擇輸入數(shù)據(jù)的一個子集,P.P表示歐式空間范數(shù)。RBF網(wǎng)絡(luò)中的神經(jīng)元計算函數(shù)中心和網(wǎng)絡(luò)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(shù),然后通過神經(jīng)元輸出的加權(quán)求和計算網(wǎng)絡(luò)輸出。徑向基函數(shù)fk是一個對中心點徑向?qū)ΨQ的非負(fù)非線性函數(shù),本文采取高斯函數(shù)形式,其中s為擴展參數(shù),控制基函數(shù)的寬度。則RBF網(wǎng)絡(luò)輸出可表示為:

(2)

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

故此RBF需要求解的參數(shù)有中心ck,高斯函數(shù)方差s和輸出連接權(quán)值wik。其中徑向基函數(shù)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(xué)習(xí)過程分為兩個階段:第一階段為無監(jiān)督學(xué)習(xí)過程,通過K均值聚類方法求解隱含層徑向基函數(shù)的中心。首先將網(wǎng)絡(luò)初始化,隨機選取k個訓(xùn)練樣本為聚類中心si,然后將輸入的訓(xùn)練樣本依據(jù)最近鄰近規(guī)則分配給各個中心,繼而通過計算聚類集合中訓(xùn)練樣本的平均值作為新的聚類中心進(jìn)行調(diào)整,直到聚類中心不再發(fā)生變化。然后根據(jù)來計算方差;第二階段為有監(jiān)督學(xué)習(xí),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(quán)值為。

四、仿真實驗和預(yù)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(quán)證,類型為歐式認(rèn)購權(quán)證,存續(xù)期365天,自2008年5月26日到2009年5月25日,該權(quán)證初始行權(quán)價格為10.77元,2009年4月22日由于股票除息,行權(quán)價格調(diào)整為5.36元并保持此行權(quán)價格直到行權(quán)過程結(jié)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(shù)據(jù)。

從樣本數(shù)據(jù)中截取中間段的3個月作為輸入數(shù)據(jù),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(wǎng)絡(luò)對其后的7個交易日,即08年12月17日到12月26日進(jìn)行預(yù)測并與實際值進(jìn)行對比。為了提高網(wǎng)絡(luò)泛化能力,在輸入之前首先對樣本進(jìn)行歸一化處理,令數(shù)據(jù)的區(qū)間變?yōu)閇0,1]。

金融理論中影響權(quán)證價格的因素主要有六個,分別為標(biāo)的股票的現(xiàn)行價格、權(quán)證的執(zhí)行價格、權(quán)證到期期限、股票價格的波動率、無風(fēng)險利率、權(quán)證有效期內(nèi)預(yù)計發(fā)放的紅利。但由于發(fā)放紅利距離當(dāng)前交易日較遠(yuǎn),因此本文中不進(jìn)入模型。另外模型使用隱含波動率,由于當(dāng)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(shè)定模型選取的輸入為:股價和行權(quán)價之比S(t)/X、無風(fēng)險利率r、波動率V(t-1)和權(quán)證到期期限T-t,并有一個輸出即權(quán)證價格C(t)。在仿真試樣中采取一年期存款利率為無風(fēng)險利率。

本文中利用Matlab(R2008b)軟件進(jìn)行仿真試驗,錄入數(shù)據(jù)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(shù)節(jié)點密度(散布常數(shù))spread。理論上來說利用RBF網(wǎng)絡(luò),任意的輸入輸出樣本都能夠達(dá)到函數(shù)逼近的目的,但是如果節(jié)點密度選擇不佳會對網(wǎng)絡(luò)設(shè)計使用造成影響,spread值反映基函數(shù)的擴展速度,該值越大則函數(shù)擬合就越平滑,但是如果過大則徑向基神經(jīng)元輸入會出現(xiàn)很大的重疊性,過小則為了適應(yīng)函數(shù)的緩慢變化就需要更多的神經(jīng)元數(shù)目,影響網(wǎng)絡(luò)性能。設(shè)定性能函數(shù)指標(biāo)誤差平方和(SSE)為0.01,最大神經(jīng)元數(shù)量50個,每次運算添加一個神經(jīng)元,利用試錯法,取得spread=1即可滿足要求。

經(jīng)過試驗發(fā)現(xiàn),在響應(yīng)神經(jīng)元數(shù)量為5個的時候就可以達(dá)到性能指標(biāo)的要求,遠(yuǎn)遠(yuǎn)沒有達(dá)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(quán)證價格序列的變動趨勢和幅度。

通過訓(xùn)練好的網(wǎng)絡(luò),對08年12月17日到12月26日的7個交易日進(jìn)行預(yù)測。通過表1可以看到預(yù)測情況,其中絕對誤差值為實際價格和預(yù)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(jìn)一步比較,同時列出BS公式得出的權(quán)證價格:

從預(yù)測效果來看,RBF人工神經(jīng)網(wǎng)絡(luò)對后續(xù)7個交易日預(yù)測的誤差上限在2.30%以下,對第1個預(yù)測樣本點預(yù)測的效果最好,誤差小于1.00%,而第2個預(yù)測點誤差則上升了1.063%達(dá)到1.76左右,第3個交易日誤差又上升了0.450%,然后開始穩(wěn)定在2.20%左右,這首先反映了RBF網(wǎng)絡(luò)在預(yù)測與訓(xùn)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(wěn)定的一個范圍;第七個預(yù)測點的預(yù)測誤差突然下降則可能預(yù)示了后續(xù)預(yù)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(shù)據(jù)所具有的馬爾科夫性質(zhì),也說明了RBF網(wǎng)絡(luò)在進(jìn)行短期預(yù)測上優(yōu)勢更為明顯。

與BS公式預(yù)測值進(jìn)行對比,BS公式預(yù)測值的誤差全部在3.00%以上,而其誤差上限則達(dá)到了24%以上,這說BS模型在我國資本市場的應(yīng)用還有待于改進(jìn),同時也更進(jìn)一步直觀地顯示了RBF網(wǎng)絡(luò)所具有的精度優(yōu)勢。

五、基本結(jié)論

本文以康美權(quán)證為樣本建立RBF網(wǎng)絡(luò)進(jìn)行仿真和預(yù)測,根據(jù)仿真實驗結(jié)果,總體上得到這樣的結(jié)論:

1.從仿真效果來看,RBF神經(jīng)網(wǎng)絡(luò)模型在整體上較好的擬合了權(quán)證的實際價格,擬合結(jié)果與實際值具有一致性。而預(yù)測的結(jié)果也表現(xiàn)出較高的準(zhǔn)確性,所以利用RBF神經(jīng)網(wǎng)絡(luò)模型對權(quán)證價格變化進(jìn)行預(yù)測是可行的。

2.對于本文所選擇的樣本數(shù)據(jù),RBF網(wǎng)絡(luò)在價格預(yù)測上的精度較BS模型更優(yōu)。這說明神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用條件更加寬松,適應(yīng)性也比BS模型更好。從RBF網(wǎng)絡(luò)和BS模型的預(yù)測對比可以看到,通過RBF網(wǎng)絡(luò)所得到的預(yù)測值則和權(quán)證實際價格保持了一致的變化狀態(tài),其誤差也能夠控制在比較小的范圍內(nèi),誤差上限不超過2.3%;而BS公式計算出來的預(yù)測值波動幅度比較大,同時預(yù)測效果的準(zhǔn)確性也不好,其中個別樣本點大幅度偏離其實際價格。RBF網(wǎng)絡(luò)在價格預(yù)測上顯示了比較強的優(yōu)勢,在精確性上與傳統(tǒng)的BS公式方法相比有了很大改善,可以在我國資本市場權(quán)證價格的分析預(yù)測中起到重要作用,能夠?qū)ξ覈鄬μ厥獾慕鹑诃h(huán)境下應(yīng)用傳統(tǒng)方法所帶來的不足起到彌補作用。

3.RBF網(wǎng)絡(luò)對權(quán)證價格的擬合和預(yù)測結(jié)果都是比較良好的,一方面體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)良好一致逼近效果和結(jié)構(gòu)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(rèn)購權(quán)證價格確實以其標(biāo)的股價、距到期日的時間、無風(fēng)險利率、波動率和行權(quán)價格為影響因素,但這些因素的影響方式則可能更加復(fù)雜,需要進(jìn)一步探討。

4.RBF神經(jīng)網(wǎng)絡(luò)模型仍有進(jìn)一步提升精度的空間。一方面由于我國權(quán)證市場發(fā)育尚不成熟,隨著金融環(huán)境的改善預(yù)測表現(xiàn)會更加良好;另一方面,在技術(shù)上也可以探求輸入變量范圍、網(wǎng)絡(luò)結(jié)構(gòu)等方面的優(yōu)化,比如引入如GA算法、PSO算法等各種參數(shù)優(yōu)化方法,或其他信息處理技術(shù),如信息?；椒ǖ?進(jìn)一步探求提高擬合和預(yù)測的精度。同時也有必要不斷拓展用于權(quán)證價格分析預(yù)測的人工神經(jīng)網(wǎng)絡(luò)類型。

參考文獻(xiàn):

[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(quán)、期貨和其他衍生產(chǎn)品[M].北京:華夏出版社,2000

[6]朱杰:期貨價格預(yù)測――反向傳播神經(jīng)網(wǎng)絡(luò)模型[J].數(shù)學(xué)的實踐與認(rèn)識,2000

[7]朱家榮等:RBF網(wǎng)絡(luò)的匯率短期預(yù)測[J].統(tǒng)計與決策,2008年17期

第3篇：人工神經(jīng)網(wǎng)絡(luò)分析法范文

關(guān)鍵詞：加工貿(mào)易  ； 轉(zhuǎn)型  ； 影響因素  ； RBF神經(jīng)網(wǎng)絡(luò)

問題的提出

我國自改革開放以來發(fā)展加工貿(mào)易已有30多年的時間，在此期間，我國對外貿(mào)易總額不斷擴大，加工貿(mào)易占對外貿(mào)易的比重也逐年增加，發(fā)展十分迅速，對外貿(mào)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(mào)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(mào)易已經(jīng)在我國對外貿(mào)易中占據(jù)了半壁江山，目前加工貿(mào)易已經(jīng)成為我國重要的對外貿(mào)易方式。

加工貿(mào)易在出口創(chuàng)匯、拉動就業(yè)、吸收國際先進(jìn)技術(shù)和科學(xué)管理經(jīng)驗、促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級和國民經(jīng)濟增長方面做出了顯著貢獻(xiàn)。然而，隨著國內(nèi)外環(huán)境的不斷變化和我國與外國貿(mào)易摩擦的加劇，以低端技術(shù)含量為主的加工貿(mào)易已經(jīng)越來越不能適應(yīng)快速發(fā)展的對外貿(mào)易大環(huán)境。在外需下行壓力較大、訂單外流、貿(mào)易摩擦加劇、人民幣不斷升值、勞動力比較優(yōu)勢減弱、國際要素優(yōu)化重組、面臨產(chǎn)業(yè)轉(zhuǎn)移和產(chǎn)業(yè)結(jié)構(gòu)升級的壓力、土地和勞動力等要素供給緊張、生產(chǎn)成本不斷上升等原因的影響下，加工貿(mào)易在擁有發(fā)展機遇的同時仍然面臨著前所未有的挑戰(zhàn)。

2011年廣東、江蘇、上海、山東、浙江、福建、遼寧7省市的加工貿(mào)易出口總額為7338.56億美元，占中國整個加工貿(mào)易出口額的比重達(dá)到了87.8%，而其他地區(qū)的加工貿(mào)易出口額占比不到13%。這種發(fā)展上的區(qū)域不平衡致使國內(nèi)配套資金和其他經(jīng)濟技術(shù)資源大批向東南沿海轉(zhuǎn)移，進(jìn)一步擴大了區(qū)域之間的經(jīng)濟發(fā)展差距。2010年，中國外商投資企業(yè)以加工貿(mào)易方式進(jìn)出口9709億美元，增長27%，占同期全國加工貿(mào)易進(jìn)出口總值的83.9%。從2001-2010年10年間，外商投資企業(yè)加工貿(mào)易進(jìn)出口占全國的平均比重為81.57%。加工貿(mào)易企業(yè)中外商投資企業(yè)占主體，我國企業(yè)在開展加工貿(mào)易過程中幾乎未能發(fā)揮作用的局面依然沒有改觀。此外，加工貿(mào)易在發(fā)展過程中出現(xiàn)的問題如技術(shù)含量低、產(chǎn)業(yè)鏈條短、國內(nèi)配套率低、加工貿(mào)易增值率低等也是不容忽視的。如果不改變傳統(tǒng)的加工貿(mào)易方式，加工貿(mào)易企業(yè)的收益及發(fā)展?jié)摿τ邢蓿瑹o自主經(jīng)營和管理權(quán)，技術(shù)能力不提高，就很難走出“低端鎖定”的困境，對企業(yè)的長遠(yuǎn)發(fā)展無益。因此，要改變傳統(tǒng)的加工貿(mào)易方式，加工貿(mào)易轉(zhuǎn)型已迫在眉睫。

在中國經(jīng)濟轉(zhuǎn)型和國際競爭的不斷加劇的大背景下，外貿(mào)發(fā)展方式的轉(zhuǎn)變尤為重要，而加工貿(mào)易作為對外貿(mào)易的重要方式，積極實行轉(zhuǎn)型，提升其質(zhì)量與效益成為迫切需要解決的重大問題。因此，加工貿(mào)易的轉(zhuǎn)型，有利于我國充分運用比較優(yōu)勢開展對外貿(mào)易和國際分工，有利于制定科學(xué)合理的經(jīng)濟發(fā)展戰(zhàn)略，有利于我國產(chǎn)業(yè)的轉(zhuǎn)型升級，有利于我國走出技術(shù)“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(fā)展獲取更多利益，也有利于我國在國際貿(mào)易中享有充分的自和話語權(quán)，加工貿(mào)易轉(zhuǎn)型對我國經(jīng)濟轉(zhuǎn)型有著舉足輕重的意義。

文獻(xiàn)綜述

目前很多學(xué)者都對我國加工貿(mào)易如何轉(zhuǎn)型升級進(jìn)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(shù)轉(zhuǎn)移

馬強（2009）指出由于我國加工貿(mào)易企業(yè)主體是外商投資企業(yè)，其發(fā)展戰(zhàn)略影響了我國加工貿(mào)易轉(zhuǎn)型的方向，要優(yōu)先引進(jìn)國外帶動能力強、高附加值、高新技術(shù)、高關(guān)聯(lián)度、高稅收、產(chǎn)業(yè)鏈和供應(yīng)鏈較長的企業(yè)與技術(shù)。張燕生（2004）認(rèn)為應(yīng)積極承接國外產(chǎn)業(yè)轉(zhuǎn)移，引進(jìn)大型生產(chǎn)設(shè)備和先進(jìn)技術(shù)，將加工貿(mào)易與國內(nèi)產(chǎn)業(yè)進(jìn)行合理有效配套，提高國內(nèi)采購率，促進(jìn)原材料的進(jìn)口替代，使加工貿(mào)易朝著產(chǎn)業(yè)、產(chǎn)品、工序價值鏈上游升級和技術(shù)進(jìn)步形成良性互動機制。

（二）加大技術(shù)研發(fā)投入與產(chǎn)品創(chuàng)新

有學(xué)者認(rèn)為技術(shù)進(jìn)步將推動我國加工貿(mào)易快速轉(zhuǎn)型升級。隆國強（2006）認(rèn)為要實現(xiàn)我國加工貿(mào)易轉(zhuǎn)型升級，必須要加大技術(shù)研發(fā)投入，使我國從全球價值鏈的低端向上游邁進(jìn)，另外，積極實行加工貿(mào)易產(chǎn)業(yè)從沿海向中西部梯度轉(zhuǎn)移也是發(fā)展的方向所在。李晨（2010）指出要實現(xiàn)加工貿(mào)易轉(zhuǎn)型升級，首先要對加工貿(mào)易產(chǎn)品的工藝流程進(jìn)行升級，推出科技含量高的創(chuàng)新產(chǎn)品，使產(chǎn)品從價值鏈的低端向高端環(huán)節(jié)轉(zhuǎn)移，獲得更多的附加值。曾貴（2011）對加工貿(mào)易轉(zhuǎn)型升級的機制做了比較系統(tǒng)的研究，包括創(chuàng)新機制和動力機制等等。

（三）調(diào)整國內(nèi)產(chǎn)業(yè)結(jié)構(gòu)

陳恩（2007）認(rèn)為產(chǎn)業(yè)結(jié)構(gòu)是促進(jìn)加工貿(mào)易轉(zhuǎn)型升級的主要條件，應(yīng)引導(dǎo)加工貿(mào)易企業(yè)向高新技術(shù)產(chǎn)業(yè)發(fā)展，逐步提升我國企業(yè)的國際競爭力。宋志勇（2005）認(rèn)為我國基于勞動力比較優(yōu)勢發(fā)展而來的加工貿(mào)易如果僅僅停留在低端環(huán)節(jié)的生產(chǎn)制造上，將不利于加工貿(mào)易的長遠(yuǎn)發(fā)展，因此加工貿(mào)易必須進(jìn)行轉(zhuǎn)型升級。李付梅（2008）認(rèn)為加工貿(mào)易要積極培育本土跨國公司，向服務(wù)行業(yè)延伸，提升我國在全球價值鏈上的層級，逐漸向境外加工貿(mào)易方向發(fā)展，在國內(nèi)從東部沿海向中西部進(jìn)行梯度產(chǎn)業(yè)轉(zhuǎn)移，充分利用我國比較優(yōu)勢進(jìn)行轉(zhuǎn)型升級。

與上述文獻(xiàn)不同，本文圍繞我國經(jīng)濟體制的改革和經(jīng)濟發(fā)展方式的轉(zhuǎn)變并結(jié)合國家貿(mào)易產(chǎn)業(yè)政策來研究加工貿(mào)易轉(zhuǎn)型問題，同時創(chuàng)新運用非線性RBF神經(jīng)網(wǎng)絡(luò)分析法對加工貿(mào)易轉(zhuǎn)型影響因素進(jìn)行研究，以期獲得更加穩(wěn)健可靠的估計結(jié)果。

加工貿(mào)易轉(zhuǎn)型影響因素實證研究

（一）指標(biāo)選取和樣本數(shù)據(jù)來源

綜合國內(nèi)學(xué)者的研究，本文加工貿(mào)易轉(zhuǎn)型的指標(biāo)選用加工貿(mào)易增值率ICR（加工貿(mào)易出口額減去進(jìn)口額的貿(mào)易凈額除以加工貿(mào)易進(jìn)口額）作為模型的被解釋變量。加工貿(mào)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(mào)易發(fā)展情況，體現(xiàn)了一國在國際分工中的位置和所處的層次，運用這一指標(biāo)可以較好地反映我國出口加工貿(mào)易發(fā)展情況和出口加工貿(mào)易轉(zhuǎn)型升級的水平。

研發(fā)能力。企業(yè)轉(zhuǎn)型的重要動力是技術(shù)水平的提高。研發(fā)是企業(yè)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(shù)進(jìn)步對改善貿(mào)易條件的積極意義明顯。如果企業(yè)缺乏技術(shù)開發(fā)和產(chǎn)品創(chuàng)新，長此以往，將會導(dǎo)致市場占有率的不斷縮小甚至?xí)媾R被市場淘汰瀕臨倒閉的境遇。因此，研發(fā)能力是影響我國加工貿(mào)易的一個必不可少的因素。

外商直接投資。我國進(jìn)行加工貿(mào)易的主體現(xiàn)在依然是外商投資企業(yè)。外資在我國投資設(shè)廠，一方面可以充分發(fā)揮我國的勞動力比較優(yōu)勢，另一方面還可以帶來先進(jìn)的技術(shù)和管理方法。外商直接投資通過跨國公司對我國加工貿(mào)易企業(yè)產(chǎn)生技術(shù)外溢，同時對上下游關(guān)聯(lián)產(chǎn)業(yè)間的前后向聯(lián)系產(chǎn)生技術(shù)擴散和示范效應(yīng)，有助于國內(nèi)加工貿(mào)易結(jié)構(gòu)的優(yōu)化。

國內(nèi)產(chǎn)業(yè)結(jié)構(gòu)。一國的產(chǎn)業(yè)結(jié)構(gòu)是其貿(mào)易發(fā)展的基礎(chǔ)，加工貿(mào)易轉(zhuǎn)型與產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級密不可分。產(chǎn)業(yè)結(jié)構(gòu)關(guān)系著一國的要素資源流向和資源配置方式。我國加工貿(mào)易要從勞動密集型產(chǎn)業(yè)轉(zhuǎn)向資本、技術(shù)密集型，就必須使產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級，帶動加工貿(mào)易的發(fā)展。因此，國內(nèi)產(chǎn)業(yè)結(jié)構(gòu)是影響加工貿(mào)易轉(zhuǎn)型的重要因素之一。

貿(mào)易開放度。貿(mào)易開放度是衡量一國的再生產(chǎn)過程與國際社會再生產(chǎn)過程的聯(lián)系程度。一國經(jīng)濟貿(mào)易越開放，意味著國家之間可以參與更多的合作和經(jīng)濟交流，對技術(shù)和管理經(jīng)驗的吸收具有積極意義，但同時也加大了風(fēng)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(jīng)濟部門轉(zhuǎn)移而來。因此，貿(mào)易開放度對加工貿(mào)易的發(fā)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(jīng)濟的發(fā)展，加工貿(mào)易未來要向著高技術(shù)水平、產(chǎn)業(yè)鏈上游、高附加值方向發(fā)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(shù)勞動比，改善要素稟賦結(jié)構(gòu)，促進(jìn)加工貿(mào)易的轉(zhuǎn)型升級。因此，我國的勞動力稟賦水平是制約加工貿(mào)易發(fā)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(wěn)定，從而使我國的勞動力供給保持極大的吸引力和持續(xù)性。我國廉價的勞動力資源比較優(yōu)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(yōu)勢仍然是我國加工貿(mào)易產(chǎn)業(yè)發(fā)展不可或缺的因素，以勞動密集型為主的加工貿(mào)易仍將有較長的生命周期。因此，勞動力投入數(shù)量的多少是加工貿(mào)易轉(zhuǎn)型的必不可少的考慮因素。加工貿(mào)易轉(zhuǎn)型的影響因素指標(biāo)變量說明如表1所示。

（二）RBF神經(jīng)網(wǎng)絡(luò)分析法與時間序列回歸分析法的引入

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

括號里的數(shù)據(jù)代表t統(tǒng)計量，回歸結(jié)果中可以看出調(diào)整的可決系數(shù)R2只有90.6694%，擬合優(yōu)度不高。另外，外商直接投資在加工貿(mào)易方面能帶來先進(jìn)的設(shè)備、資金和技術(shù)培訓(xùn)，理論上應(yīng)該能夠促進(jìn)加工貿(mào)易附加值的增加，進(jìn)而提高加工貿(mào)易的增值率。但是從結(jié)果中可以看出，F(xiàn)DI對加工貿(mào)易增值率的影響為負(fù)，說明外商直接投資不利于我國加工貿(mào)易的轉(zhuǎn)型升級，這與我們的預(yù)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(guān)系，對錯綜復(fù)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(zhì)的反映所預(yù)測的動態(tài)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復(fù)雜特性這一問題，采用先進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)建立分析模型。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）模型的建立受生物學(xué)的啟發(fā)，從微觀結(jié)構(gòu)與功能上對人的神經(jīng)系統(tǒng)進(jìn)行模擬。它是一種基于連接主義機制的人工智能技術(shù)，其特點主要是具有非線性特性、學(xué)習(xí)能力和自適應(yīng)性，具有很強的分析能力，可克服傳統(tǒng)方法在分析問題時存在的建模不準(zhǔn)確或根本無法建模的情況。一個典型的RBF神經(jīng)網(wǎng)絡(luò)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(shù)，所以這種關(guān)系是非線性的，能夠避免線性模型不能全面和本質(zhì)的反映所預(yù)測的動態(tài)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復(fù)雜特性這一問題。而具有自學(xué)習(xí)以及非線性性質(zhì)的系統(tǒng)網(wǎng)絡(luò)模型――神經(jīng)網(wǎng)絡(luò)擁有對非線性問題的動態(tài)處理能力，不必預(yù)設(shè)數(shù)據(jù)的分布情況、變量之間的規(guī)律或精確的數(shù)學(xué)模型，自適應(yīng)的對輸入、輸出數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，找出其中的非線性關(guān)系，從而實現(xiàn)其功能，找出各個解釋變量對被解釋變量的更加客觀準(zhǔn)確的關(guān)系。

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，即建立了加工貿(mào)易轉(zhuǎn)型的各影響因素和加工貿(mào)易增值率的模型。為了說明本文建立模型的有效性和準(zhǔn)確性，分別利用時間序列分析法和本文RBF神經(jīng)網(wǎng)絡(luò)法對測試數(shù)據(jù)進(jìn)行預(yù)測。Matlab分析結(jié)果見圖1和表2。

由圖1和表2可知，RBF神經(jīng)網(wǎng)絡(luò)分析法得到的模型比時間序列分析法更準(zhǔn)確，其與預(yù)測誤差值遠(yuǎn)遠(yuǎn)小于時間序列分析法，因此也更能反映加工貿(mào)易中錯綜復(fù)雜的實際情況。因此，采用RBF神經(jīng)網(wǎng)絡(luò)法代替時間序列分析法，可以為有效分析變量、提出轉(zhuǎn)型意見提供了一種新的重要途徑。

（三）基于MIV分析的加工貿(mào)易轉(zhuǎn)型影響因素研究

平均影響值（Mean Impact Value， MIV）被認(rèn)為是在神經(jīng)網(wǎng)絡(luò)中評價變量相關(guān)的最好指標(biāo)之一，其符號代表相關(guān)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(wǎng)絡(luò)結(jié)果的影響程度。最后得到加工貿(mào)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(nèi)產(chǎn)業(yè)結(jié)構(gòu)與研發(fā)能力對加工貿(mào)易增值率的增長具有較強的促進(jìn)作用，特別突出地體現(xiàn)在加工貿(mào)易的國內(nèi)產(chǎn)業(yè)結(jié)構(gòu)上；勞動力稟賦與投入、外商直接投資對提高加工貿(mào)易增值率有拉動作用，但不如國內(nèi)產(chǎn)業(yè)結(jié)構(gòu)與研發(fā)能力的拉動作用大；過高的貿(mào)易開放度不利于我國加工貿(mào)易的轉(zhuǎn)型。

對策建議

在經(jīng)濟轉(zhuǎn)型的大背景下，我國對外貿(mào)易的發(fā)展方向也要跟隨著改革的步伐不斷推進(jìn)。加工貿(mào)易作為我國對外貿(mào)易的一個重要組成部分，其轉(zhuǎn)型關(guān)系著我國外貿(mào)未來的發(fā)展方向，關(guān)系著我國從貿(mào)易大國到貿(mào)易強國的轉(zhuǎn)變。加工貿(mào)易應(yīng)轉(zhuǎn)變發(fā)展方式，利用我國的比較優(yōu)勢，通過轉(zhuǎn)型來提升出口產(chǎn)品質(zhì)量，改善貿(mào)易環(huán)境，統(tǒng)籌城鄉(xiāng)和區(qū)域發(fā)展，促進(jìn)國內(nèi)發(fā)展和對外開放。根據(jù)上文的研究，得到本文加工貿(mào)易如何轉(zhuǎn)型的結(jié)論，并提出相關(guān)的對策建議。

（一）發(fā)展高新技術(shù)產(chǎn)業(yè)并鼓勵企業(yè)進(jìn)入高附加值產(chǎn)業(yè)鏈環(huán)節(jié)

國內(nèi)產(chǎn)業(yè)結(jié)構(gòu)在實證結(jié)果中MIV的值是6.2271，表明其對我國加工貿(mào)易轉(zhuǎn)型的影響程度最大，反映了調(diào)整國內(nèi)產(chǎn)業(yè)結(jié)構(gòu)的重要性。因此，我國加工貿(mào)易轉(zhuǎn)型要積極促使產(chǎn)業(yè)鏈向上下游延伸，不斷加大服務(wù)業(yè)和服務(wù)貿(mào)易對加工貿(mào)易的有力支撐，積極發(fā)展高新技術(shù)產(chǎn)業(yè)，促進(jìn)附加值的增長，謀求更大的利潤和發(fā)展空間。

此外，加工貿(mào)易利用原材料加工成產(chǎn)品進(jìn)行出口，其利益增值環(huán)節(jié)主要在于加工裝配，產(chǎn)業(yè)鏈短、附加值低，利潤空間很有限，企業(yè)自主性差，不能很好的實現(xiàn)自主經(jīng)營。因此政府應(yīng)引導(dǎo)加工貿(mào)易企業(yè)實行自主經(jīng)營，從購買原材料、生產(chǎn)加工到銷售等一系列環(huán)節(jié)全部自主控制，延長價值增值環(huán)節(jié)，充分發(fā)揮價值鏈作用。要吸收一般貿(mào)易的優(yōu)點使加工貿(mào)易逐漸進(jìn)行創(chuàng)新轉(zhuǎn)變，這種轉(zhuǎn)變不是一蹴而就的，要進(jìn)行大膽地嘗試和不斷地創(chuàng)新。

（二）由勞動密集型向資本、技術(shù)密集型轉(zhuǎn)變且由粗放型向集約型轉(zhuǎn)變

研發(fā)能力指標(biāo)的MIV值為正且值較大，說明研發(fā)能力對加工貿(mào)易的轉(zhuǎn)型起正向作用且貢獻(xiàn)較大。但目前，我國加工貿(mào)易主要還是以勞動密集型和粗放型產(chǎn)業(yè)為主，技術(shù)水平不高，自主創(chuàng)新能力較低，技術(shù)吸收能力較弱，有些企業(yè)墨守成規(guī)，采取一些落后的工藝和技術(shù)進(jìn)行生產(chǎn)。因此，企業(yè)要設(shè)立研發(fā)中心，加大科研經(jīng)費的投入力度，增強技術(shù)吸收和自主創(chuàng)新能力；政府也要不斷加大加工貿(mào)易的科研技術(shù)投入，提高自主創(chuàng)新能力，完成由勞動密集型向資本、技術(shù)密集型轉(zhuǎn)變，由粗放型向集約型轉(zhuǎn)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(nèi)外需協(xié)調(diào)發(fā)展轉(zhuǎn)變

貿(mào)易開放度指標(biāo)的MIV值呈現(xiàn)負(fù)數(shù)且絕對值較大，說明過高的外貿(mào)依存度不利于我國加工貿(mào)易的轉(zhuǎn)型。我國加工貿(mào)易在促進(jìn)經(jīng)濟增長、帶動就業(yè)、改善國際收支平衡方面做出了很大貢獻(xiàn)，但我國外貿(mào)依存度較高，和一些發(fā)達(dá)國家貿(mào)易摩擦不斷。2008年爆發(fā)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(dǎo)致沿海一些加工貿(mào)易企業(yè)紛紛減產(chǎn)、停工甚至倒閉，對我國外貿(mào)的不利影響非常大。加工貿(mào)易企業(yè)要轉(zhuǎn)變觀念，由過分依靠外需轉(zhuǎn)向依靠國內(nèi)、國外兩個市場，當(dāng)外需不景氣時，可以提高企業(yè)的抗風(fēng)險能力，使內(nèi)外需共同成為促進(jìn)我國經(jīng)濟增長的雙引擎。外貿(mào)不僅在于維持國際市場的平衡穩(wěn)定，還在于立足內(nèi)需的基礎(chǔ)上調(diào)節(jié)好外部均衡，只有國際與國內(nèi)兩個市場同時發(fā)展，內(nèi)外共同實現(xiàn)均衡協(xié)調(diào)發(fā)展，才能促進(jìn)我國經(jīng)濟在良性軌道上穩(wěn)健運行。

參考文獻(xiàn)：

1.馬強.國際金融危機后對創(chuàng)建廣東加工貿(mào)易轉(zhuǎn)型升級示范區(qū)的思考[J].對外經(jīng)貿(mào)實務(wù)，2009（6）

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

3.隆國強.加工貿(mào)易發(fā)展問題研究[J].國際貿(mào)易，2006（9）

4.李晨.我國加工貿(mào)易轉(zhuǎn)型升級的路徑選擇[J].產(chǎn)業(yè)經(jīng)濟研究，2010

5.曾貴.加工貿(mào)易轉(zhuǎn)型升級的機制探討[J].財經(jīng)科學(xué)，2011（2）

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

7.宋志勇.促進(jìn)加工貿(mào)易轉(zhuǎn)型升級的對策[J].國際貿(mào)易，2005（8）

8.李付梅.探討我國加工貿(mào)易如何轉(zhuǎn)型升級[J].時代經(jīng)貿(mào)，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(mào)易、發(fā)展效應(yīng)及其偏差成因：中國1991-2007[J].國際貿(mào)易問題，2011（5）

第4篇：人工神經(jīng)網(wǎng)絡(luò)分析法范文

關(guān)鍵詞:電能質(zhì)量檢測;BP算法;人工神經(jīng)網(wǎng)絡(luò)

中圖分類號:TM711文獻(xiàn)標(biāo)識碼:A

文章編號:1009-2374 (2010)30-0043-03

1電能質(zhì)量新技術(shù)研究

人工神經(jīng)網(wǎng)絡(luò)BP算法在農(nóng)村電力短期負(fù)荷多變量預(yù)測結(jié)構(gòu)發(fā)生了重大變化,探索一種神經(jīng)網(wǎng)絡(luò)BP算法在農(nóng)村電力短期負(fù)荷的多變量質(zhì)量檢測相空間融合方案以及新型智能電網(wǎng)中的物聯(lián)網(wǎng)信息聚合技術(shù),同時針對每一分量質(zhì)量檢測采用互信息法進(jìn)行最佳延遲時間的選擇,最優(yōu)嵌入維數(shù)則采用最小BP算法預(yù)測誤差法進(jìn)行電壓波形發(fā)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(zhì)量造成嚴(yán)重的干擾或“污染”。

2電能質(zhì)量檢測新技術(shù)

2.1當(dāng)前電能質(zhì)量檢測原理

對電能質(zhì)量進(jìn)行監(jiān)測是獲得電能質(zhì)量信息的直接途徑,雖然只局限于持續(xù)性和穩(wěn)定性指標(biāo)的檢測,而傳統(tǒng)的基于有效值的檢測技術(shù)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(zhì)量問題,因此需發(fā)展?jié)M足以下要求的新檢測技術(shù):(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(dāng)高次諧波的信息;(3)建立有效的分析和自動辨識系統(tǒng),使之能反映各種電能質(zhì)量指標(biāo)的特征及其隨時間的變化規(guī)律。

2.2電能質(zhì)量新技術(shù)應(yīng)用

基于電能質(zhì)量在硬件和軟件上應(yīng)用平臺主要有數(shù)字信息聚合技術(shù)處理、物聯(lián)網(wǎng)信息聚合技術(shù)等新技術(shù)以及新的如小波變換的BP算法。電能質(zhì)量檢測對于系統(tǒng)實時性和支持復(fù)雜算法的特殊要求,提出一種基于雙CPU的嵌入式實時系統(tǒng)解決方案。基于連續(xù)小波變換的信號奇異性檢測原理及其在電能質(zhì)量暫態(tài)信號檢測中的應(yīng)用進(jìn)行了詳細(xì)的研究,通過基于標(biāo)準(zhǔn)偏差估計的小波消噪算法,有效排除了噪聲干擾,實現(xiàn)了精確的故障時刻定位?；谛〔ㄗ儞Q的理論,結(jié)合電能質(zhì)量檢測數(shù)據(jù)的特點,將基于小波變換系數(shù)的門限方法應(yīng)用于電能質(zhì)量檢測數(shù)據(jù)的壓縮?；陔娔苜|(zhì)量檢測系統(tǒng)的組成部分和該系統(tǒng)不但能實現(xiàn)電網(wǎng)數(shù)據(jù)的精確采樣分析電網(wǎng)的各項電能質(zhì)量指標(biāo),并以直觀的圖形顯示出來。

3電能質(zhì)量新技術(shù)分析原理

電能質(zhì)量的分析計算涉及對各種干擾源和電力系統(tǒng)的數(shù)學(xué)算法,由于干擾源性質(zhì)各異,干擾的頻譜從0Hz到GHz的廣寬范圍內(nèi),建立干擾源和物聯(lián)網(wǎng)聚合電網(wǎng)元件準(zhǔn)確的數(shù)學(xué)模型有時困難很大,有賴于電網(wǎng)基礎(chǔ)資料的可信度。近年來,基于數(shù)字技術(shù)的各種分析方法已在以下電能質(zhì)量領(lǐng)域中得到應(yīng)用:分析諧波在網(wǎng)絡(luò)中的分布波形畸變及在網(wǎng)絡(luò)中的傳播;分析各種電能質(zhì)量控制裝置在解決相關(guān)問題方面的作用;多個控制裝置的協(xié)調(diào)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(zhì)量分析中的應(yīng)用最為廣泛,其主要的用途是利用各種時域仿真程序?qū)﹄娔苜|(zhì)量問題中的各種暫態(tài)現(xiàn)象進(jìn)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(fù)載的動態(tài)特性,常規(guī)的諧波潮流計算法基礎(chǔ)上,對非線性負(fù)載進(jìn)行仿真計算,從而得到動態(tài)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(jīng)典的信號分析方法Fourier變換具有正交、完備等許多優(yōu)點,而且有象FFT這樣的快速Fourier算法,因此已在電能質(zhì)量分析領(lǐng)域中得到廣泛應(yīng)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(wěn)態(tài)的、隨時間周期變化。

4電能質(zhì)量研究中的人工智能新技術(shù)

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

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

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

(4)序列法就是根據(jù)負(fù)荷的歷史資料設(shè)法建立時間序列的數(shù)學(xué)模型,并在該模型的基礎(chǔ)上建立負(fù)荷研究的數(shù)學(xué)表達(dá)式,對未來的負(fù)荷進(jìn)行研究。

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

第一,隱層節(jié)點的輸出

yj=f (wijxi-θj)=f (netj) (1)

其中netj=wijxi-θj (2)

輸出節(jié)點的計算輸出

zl=f(vljyj-θl)=f (netl) (3)

其中netl=vljyj-θl (4)

輸出節(jié)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(shù)對輸出節(jié)點求導(dǎo)

== (6)

E是多個zk的函數(shù)。但有一個zl與vlj有關(guān),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(shè)輸入節(jié)點誤差為

δl=(tl-zl)f '(netl) (10)

則=-δIyj (11)

第三,誤差函數(shù)對隱層節(jié)點求導(dǎo)

=Ij    (12)

E是多個zl的函數(shù),針對某一個wji,對應(yīng)一個yj,它與所有zl有關(guān),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(shè)隱層節(jié)點誤差為

δj'=f'(netj)δIvIj (17)

則=-δI'xi (18)

由于權(quán)值的修正Δvlj ,Δwji正比于誤差函數(shù)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(jié)點誤差δj'中的δlvlj表示輸出節(jié)點的zl的誤差,δl通過權(quán)值vlj向節(jié)點yj反向傳播,成為隱層節(jié)點的誤差。

第四,閾值θ也是變化值,在修正權(quán)值的同時也需要修正,原理同權(quán)值修正一樣。誤差函數(shù)對輸出節(jié)點閾值求導(dǎo):

= (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(shù)對隱層節(jié)點閾值求導(dǎo)=   (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(shù)f (x)的導(dǎo)數(shù)S型函數(shù)f (x)=

則f '(x)=f (x)[1-f (x)] (38)

f '(netk)=f (netk)[1-f (netk)] (39)

對輸出節(jié)點zl=f (netl) (40)

f (netj)=zl(1-zl) (41)

對輸出節(jié)點yj=f (netj) (42)

f (netj)=yj(1-yj) (43)

5結(jié)語

基于人工神經(jīng)網(wǎng)絡(luò)BP算法在電能質(zhì)量檢測分析監(jiān)控新技術(shù)應(yīng)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(zhì)量問題進(jìn)行識別和數(shù)據(jù)處理,從而實現(xiàn)全面的無人監(jiān)控功能;另一個則是通信技術(shù)遠(yuǎn)程化和同時針對每一分量混沌時間序列采用互信息法進(jìn)行最佳延遲時間的選擇,最優(yōu)嵌入維數(shù)則采用最小BP算法預(yù)測誤差法進(jìn)行確定。所以遠(yuǎn)程化就可以適應(yīng)不同層次的監(jiān)控要求,從而使電能質(zhì)量的監(jiān)控點能夠分布到電網(wǎng)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(wǎng)網(wǎng)絡(luò)技術(shù)的更新融合,為不同地點供電系統(tǒng)電能質(zhì)量的遠(yuǎn)程集中監(jiān)測和分析數(shù)據(jù)建立主要包括GPRS授時技術(shù)進(jìn)行與GIS多點同步采樣,同時建立WEB網(wǎng)絡(luò)平臺和大型數(shù)據(jù)庫管理供電網(wǎng)絡(luò)運行數(shù)據(jù)供電系統(tǒng)的穩(wěn)定。

參考文獻(xiàn)

[1] 林海雪.電能質(zhì)量的基本[J].電網(wǎng)技術(shù),2001,25(10).

[2] 奚.電能質(zhì)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(shù)[J].2000,

(19).

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

[5] 張朋.DSP在電能質(zhì)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(zhì)量監(jiān)測器的設(shè)計[J].繼電器,2003,31(5).

第5篇：人工神經(jīng)網(wǎng)絡(luò)分析法范文

關(guān)鍵詞：科技計劃；立項評估；研究

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

科技計劃是貫徹科技發(fā)展規(guī)劃，配置科技資源的重要手段，是引導(dǎo)、支持全社會加強技術(shù)創(chuàng)新和推動科技進(jìn)步的一項重要的科技管理工作?？萍加媱濏椖苛㈨椩u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(jìn)行事先的評估。選擇科學(xué)的評估方法對合理配置科技資源，進(jìn)行有效的科技決策至關(guān)重要。

1 國內(nèi)外科技評估方法研究現(xiàn)狀

1.1 國外科技評估方法研究現(xiàn)狀

目前，已被世界各國應(yīng)用的科技評估方法種類較多，其中主要包括文獻(xiàn)計量分析法、案例分析法、同行評議法、回顧分析法、數(shù)據(jù)包絡(luò)分析法、層次分析法、投入產(chǎn)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(diào)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(xué)出版物；評定科研成果；評定學(xué)位與職稱；評議研究機構(gòu)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(jié)論具有很強的主觀性，且代表性不強。

文獻(xiàn)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(jīng)公開出版的論文、引用頻次及專利計數(shù)來進(jìn)行科技評估。發(fā)達(dá)國家早在70年代就開始對專利文獻(xiàn)做大量統(tǒng)計分析，進(jìn)行評估與預(yù)測的工作。這種方法的缺點是如果過分強調(diào)數(shù)次，就可能產(chǎn)生不良影響，人為地改變文獻(xiàn)被引頻次或者是增加其作品被引用和發(fā)表的機會。

層次分析法是目前較為科學(xué)合理、便于實施的一種確定指標(biāo)權(quán)重的方法，這種方法應(yīng)用網(wǎng)絡(luò)系統(tǒng)理論和多目標(biāo)綜合評價方法，提出一種層次權(quán)重決策分析方法。它能有效地將半定性、半定量的問題轉(zhuǎn)化為定量計算問題，體現(xiàn)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(tǒng)性贏得世界各國普遍采用。但由于建立層次結(jié)構(gòu)和構(gòu)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(nèi)科技評估方法研究現(xiàn)狀

科技評估在發(fā)展過程中形成了一些經(jīng)典的評估方法，據(jù)對收集到的文獻(xiàn)材料統(tǒng)計分析顯示，國內(nèi)科技評估方法主要有：

同行評議。同行評議指由從事某領(lǐng)域或接近該領(lǐng)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(biāo)體系評估法。指標(biāo)體系評估法一般都采用量化的方法，通過科學(xué)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(shè)計一個計算評分的數(shù)學(xué)模型，用于處理各指標(biāo)間的關(guān)系。

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

其他評估方法?？萍荚u估在研究發(fā)展的過程中還形成了人工神經(jīng)網(wǎng)絡(luò)分析法、統(tǒng)計分析法、主成分分析法、動態(tài)聚類法、模糊數(shù)學(xué)法、因子分析法、多維標(biāo)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(fā)展概述

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

這種方法是指由從事某領(lǐng)域或接近該領(lǐng)域的專家通過一組能顯示立項項目與當(dāng)年科技計劃項目申報指南的相符程度、項目的必要性、技術(shù)路線的可行性和創(chuàng)新程度、社會發(fā)展的可持續(xù)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(biāo)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(guān)科學(xué)真理性評價的制度，遵循了以科學(xué)界內(nèi)部的承認(rèn)為依據(jù)和前提的原則。這種立項評估方法通過權(quán)威專家根據(jù)科學(xué)的量化指標(biāo)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(xiàn)有的評估方法存在諸多缺陷，主要表現(xiàn)在： 評估專家數(shù)量有限，具有典型的“小樣本”特征，其結(jié)論具有很強的主觀性，且代表性不強，當(dāng)增加評估專家數(shù)量時又由于研究方向和觀點的不一致導(dǎo)致評估結(jié)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(yù)知性，再加上評審專家對評價標(biāo)準(zhǔn)掌握、理解不可能完全一致，難以給出確切的判斷，導(dǎo)致最終結(jié)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(jìn)

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(fā)凸顯，因此，建立符合我省各地市科技發(fā)展實情的評估方法尤為重要。這就要求加強對評估指標(biāo)體系設(shè)定及評審專家?guī)爝M(jìn)行更加深入的研究。通過嚴(yán)格的、科學(xué)的科技評估方法，監(jiān)督、保證科技評估活動健康有序地發(fā)展，真正做到客觀、公平、公正、科學(xué)。結(jié)合我省的省情，并借鑒國內(nèi)外科技項目的評估方法，得到以下啟示：

（1）結(jié)合我省各地市科技發(fā)展實際情況，對不同計劃類別的科技項目進(jìn)行分析，建立合理的立項評估指標(biāo)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(jìn)行評估時，一般都采用專家組按照既定的評估指標(biāo)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?guī)炖锩孢x擇來自被評估項目所屬領(lǐng)域的不同地方的權(quán)威專家進(jìn)行評價，必要時還需考慮財務(wù)類專家和管理類專家，這樣使得專家知識結(jié)構(gòu)合理化，使得評估結(jié)果更加可靠可信。

第6篇：人工神經(jīng)網(wǎng)絡(luò)分析法范文

【關(guān)鍵詞】高填方邊坡；穩(wěn)定性；對策

高填方是指根據(jù)需要將指定區(qū)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(shè)計。高填方邊坡就是用高填方設(shè)計方式加高的邊坡。由于高填方邊坡突出位置，其穩(wěn)定性不僅關(guān)系到邊坡的穩(wěn)固，而且一旦出現(xiàn)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(wěn)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(xiàn)已改名為翡翠變）的設(shè)計任務(wù)，負(fù)責(zé)該工程的‘三通一平’等施工圖紙的設(shè)計工作。220kV紅嶺變?yōu)閺V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(qū)域擬建成物流園區(qū)，站址緊臨城市政規(guī)劃路。220kV紅嶺變站區(qū)場地南面為填方段，按照場平標(biāo)高（56m-55.75m），紅嶺站址填土邊坡最高為26米。因此該工程初設(shè)階段考慮采用自然放坡和坦薩生態(tài)邊坡兩種方案。坦薩生態(tài)邊坡方案節(jié)省占地，由于進(jìn)行加筋處理，分層碾壓后能有效控制不均勻沉降?；靥钔练搅啃?，需要外購?fù)辽?，有效減少外運填料產(chǎn)生的費用。完工后與周圍環(huán)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(wěn)定性分析方法與加固技術(shù)的研究現(xiàn)狀

1.1高填方邊坡穩(wěn)定性分析方法的研究現(xiàn)狀

滑坡現(xiàn)象在自然界中時常發(fā)生，也引起了人們廣泛的關(guān)注。早期人們應(yīng)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(wěn)定性的相關(guān)數(shù)據(jù)，只能大致確定是否穩(wěn)定。隨著人們對高填方邊坡穩(wěn)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(wěn)定性進(jìn)行研究，使得出的高填方邊坡穩(wěn)定性的結(jié)果得到數(shù)據(jù)支持。截止到目前，高填方邊坡穩(wěn)定性分析主要有定性分析法和定量分析法兩種方法。根據(jù)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(tǒng)、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(fā)展動態(tài)。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(shù)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(shù)法等方法，數(shù)值分析法包括有限元法（FEM）、有限差分法（FDM）、無界元法（IDEM）、數(shù)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(jīng)網(wǎng)絡(luò)分析法（ANN）、灰色系統(tǒng)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(shù)的研究現(xiàn)狀

高填方邊坡滑坡、坍塌等邊坡穩(wěn)定性不良帶來的危害會帶來經(jīng)濟損失，甚至造成不可逆轉(zhuǎn)的巨大災(zāi)害，因此，對高填方邊坡的加固技術(shù)進(jìn)行研究具有重要的現(xiàn)實意義和社會意義。隨著工程師應(yīng)對具有不同穩(wěn)定性的邊坡，截止到目前，已經(jīng)研究出了不少高填方邊坡的加固技術(shù)。高填方邊坡的加固技術(shù)主要包括重力式擋墻、抗滑樁、扶壁式擋墻錨桿技術(shù)、懸臂式擋墻、格構(gòu)加固、噴錨網(wǎng)支護(hù)、坡慮法、注漿加固、懸掛式擋墻等加固技術(shù)?，F(xiàn)有的高填方邊坡加固技術(shù)多種多樣，針對具有不同穩(wěn)定性的高填方邊坡，我們需要選擇合適的加固技術(shù)，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(chuàng)新或完善已有的邊坡加固技術(shù)，盡全力去消除可以避免安全隱患，以保障人類和財產(chǎn)等的安全。

2.高填方邊坡的穩(wěn)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(jié)合的方法對其的穩(wěn)定性進(jìn)行分析：（1）影響高填方邊坡的穩(wěn)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(zhì)、水文、邊坡成因等影響邊坡穩(wěn)定性因素，定量分析了邊坡的高度、面積、經(jīng)濟效益等影響邊坡穩(wěn)定性的因素。（2）影響高填方邊坡穩(wěn)定性因素的敏感性分析；灰色關(guān)聯(lián)度方法是研究相關(guān)因素曲線的變化趨勢、方向、大小、速度等變化態(tài)勢相似程度，越相似關(guān)聯(lián)度越大影響越大，反之越小。本項目中采取灰色關(guān)聯(lián)度的方法對找出的影響邊坡穩(wěn)定性的因數(shù)進(jìn)行主次分析，確定出最具影響力的幾個關(guān)鍵因素。（3）選取合適的高填方邊坡穩(wěn)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(jié)構(gòu)的邊界條件、橫截面的形狀、地質(zhì)屬性相關(guān)數(shù)據(jù)、承載能力等建立合適的模型。（5）確定處理方法；根據(jù)模型得出的相關(guān)數(shù)據(jù)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(jìn)行填土和其他材料，不斷重復(fù)直至結(jié)束。

3.高填方邊坡的治理對策

若高填方邊坡由于不穩(wěn)定的原因發(fā)生事故，后果甚至可能出人意料，對于高填方邊坡的穩(wěn)定性一旦發(fā)現(xiàn)問題，就應(yīng)當(dāng)采取合適的治理措施，以杜絕可以避免的安全隱患：（1）根據(jù)高填方邊坡所處的環(huán)境、機構(gòu)等影響邊坡穩(wěn)定性的因素，找出可以解決高填方邊坡穩(wěn)定性的一些備選方案，是一種多屬性決策的方法，可以根據(jù)影響因素的權(quán)重、主次等進(jìn)行對策選擇。（2）再根據(jù)實際情況從備選方案確定較優(yōu)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(hù)坡工程以及排水工程等措施，可以根據(jù)實際情況采取多種方案綜合實施。（3）從可行性方面、環(huán)境方面、工期方面、安全可靠方面、經(jīng)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(quán)多目標(biāo)優(yōu)選進(jìn)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(jìn)行設(shè)計實施；梧州市220kV紅嶺變電站站址附近區(qū)域擬建成物流園區(qū)，附近地區(qū)列入2013年度長洲區(qū)政府征地拆遷計劃任務(wù)，并希望于年底完成征地工作。經(jīng)過業(yè)主方，梧州市運行維護(hù)局多方協(xié)調(diào)，梧州市商貿(mào)物流園管理委員會同意配合本工程建設(shè)，將建設(shè)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(yuǎn)離高邊坡，以節(jié)省高邊坡的處理費用。故初設(shè)收口的站區(qū)土方按站區(qū)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(shè)三個馬道，馬道寬2.5米，馬道及邊坡外沿均設(shè)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(jié)

高填方邊坡的穩(wěn)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(yán)重?fù)p失，我們應(yīng)當(dāng)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(wěn)定性分析方法中選擇一個或多種方法組合，然后再根據(jù)實際情況從可行性、地質(zhì)水文、單元截面、經(jīng)濟效益等方面用定性和定量分析法結(jié)合的方法確定最優(yōu)方案，以將高填方邊坡的穩(wěn)定性提高到能提高的最高程度。

參考文獻(xiàn)：

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

[2] 靳付成.邊坡穩(wěn)定性分析方法的研究現(xiàn)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(wěn)定性分析[J].甘肅水利水電技術(shù).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(wěn)定分析[J].建筑工程.2009.

第7篇：人工神經(jīng)網(wǎng)絡(luò)分析法范文

關(guān)鍵詞：資金鏈斷裂 應(yīng)收應(yīng)付項目 灰色關(guān)聯(lián)度分析

一、引言

資金是企業(yè)整體運營的“血液”，企業(yè)從事任何活動都離不開資金的運轉(zhuǎn)，資金鏈斷裂將會使企業(yè)的生產(chǎn)、營銷等各項工作中斷。2004年銀行緊縮德隆系貸款，導(dǎo)致了德隆系“老三股”湘火炬（000549）、合金投資（000633）、新疆屯河（600737）出現(xiàn)資金鏈問題，一個擁有177個子公司、58000員工、年納稅額高達(dá)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(chǎn)手機的生產(chǎn)企業(yè)給予沉重打擊。自2010年之后，非上市的民間企業(yè)資金鏈斷裂的事件頻繁發(fā)生，溫州、杭州、鄂爾多斯、鄭州等多個城市出現(xiàn)了大面積的企業(yè)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(yè)的生存帶來威脅，也對經(jīng)濟、社會發(fā)展產(chǎn)生巨大的影響，找到資金鏈斷裂的原因并提前加以預(yù)防，是一個非常重要的課題。導(dǎo)致企業(yè)資金鏈斷裂的原因很多，企業(yè)之間相互借貸、相互拖欠款項，形成了大量的應(yīng)收應(yīng)付款項，導(dǎo)致一個企業(yè)出現(xiàn)資金鏈斷裂帶動相關(guān)企業(yè)出現(xiàn)資金鏈斷裂，這是當(dāng)前在民營企業(yè)比較發(fā)達(dá)的地區(qū)大面積出現(xiàn)資金鏈問題的主要原因。這一結(jié)論是否成立有待理論研究的檢驗。

二、文獻(xiàn)綜述

（一）單變量預(yù)警分析方法 根據(jù)文獻(xiàn)記載最早開展財務(wù)預(yù)警研究的是Fitzpatrick（1932），之后美國財務(wù)專家威廉·比弗（William Beaver）于1966年建立了單變量財務(wù)預(yù)警模型，1968年美國《會計評論》首次發(fā)表了關(guān)于單變量財務(wù)預(yù)警模型的研究報告，發(fā)現(xiàn)最好的判別變量是債務(wù)保障率，其在公司破產(chǎn)的前一年的預(yù)測準(zhǔn)確率可達(dá)90%，其次是資產(chǎn)收益率和資產(chǎn)負(fù)債率。我國學(xué)者吳世農(nóng)、盧賢義（2001）也是應(yīng)用單變量判定分析方法建立了企業(yè)財務(wù)預(yù)警分析模型，他們經(jīng)過研究得出第一年的誤判率分別為：凈資產(chǎn)報酬率為9.35%；負(fù)債比例為24.46%；營運資產(chǎn)與總資產(chǎn)的比例為21.58%；；資產(chǎn)周轉(zhuǎn)率為29.50%。

（二）多變量財務(wù)風(fēng)險預(yù)警模型 Edward I. Altman（1968）運用多元判別分析法（Multiple discriminant Analysis）對財務(wù)危機預(yù)警的研究，得出Z系列模型。這個模型在財務(wù)風(fēng)險判別研究領(lǐng)域一直具有非常重要的影響力。Erik M.Vermeulen等（1998）運用多因素預(yù)測模型（Multi-factor model）建立了條件失敗預(yù)警模型。該模型與通常的預(yù)警模型不同之處在于，認(rèn)為破產(chǎn)取決于企業(yè)外部風(fēng)險因素值而不是取決于一系列“內(nèi)部的”財務(wù)比率。而且，該模型不僅僅把企業(yè)分類，還模擬外部風(fēng)險因素（通過敏感性）對企業(yè)現(xiàn)金流產(chǎn)生過程的影響。20世紀(jì)90年代起，國外一些學(xué)者開始運用神經(jīng)網(wǎng)絡(luò)在財務(wù)失敗預(yù)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(wù)比率基于神經(jīng)網(wǎng)絡(luò)方法建立了財務(wù)預(yù)警模型?；谝恍W(xué)者運用神經(jīng)網(wǎng)絡(luò)在財務(wù)失敗預(yù)警方面開展的研究，我國學(xué)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(jīng)網(wǎng)絡(luò)構(gòu)建的財務(wù)預(yù)警模型，李曉峰等（2004）運用粗糙集（Rough）和人工神經(jīng)網(wǎng)絡(luò)（ANN）理論建立的Rough-ANN模型等等。劉洪等（2004）學(xué)者運用神經(jīng)網(wǎng)絡(luò)建立的模型得到的估計樣本精確度達(dá)到95.7%，通過實證研究表明神經(jīng)網(wǎng)絡(luò)分析模型在判定財務(wù)風(fēng)險方面要優(yōu)于MDA模型和Logist模型。董妍慧（2008）利用LVQ神經(jīng)網(wǎng)絡(luò)構(gòu)建了上市公司財務(wù)預(yù)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(wù)指標(biāo)，以Matlab7.0為平臺，證明了LVQ神經(jīng)網(wǎng)絡(luò)可以成功的應(yīng)用在財務(wù)危機預(yù)警實踐中。Logit預(yù)警模型又稱Logistic回歸模型，是比利時學(xué)者P.F.Verhulst（1838）首次提出的。但最早采用該模型來研究財務(wù)危機預(yù)測問題的是Ohlson（1980）。張揚（2005）在對上市公司財務(wù)報告研究的基礎(chǔ)上，分別比較了適用于高新技術(shù)行業(yè)和傳統(tǒng)制造業(yè)的兩個行業(yè)的Logit回歸財務(wù)預(yù)警模型，兩個行業(yè)的財務(wù)指標(biāo)選擇是相同的，得出的預(yù)測結(jié)果并不相同，財務(wù)失敗概率的計算模型也不同，但是預(yù)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(wù)危機預(yù)測模型，選取2009年ST公司104家和相同數(shù)量的對照組公司，設(shè)定財務(wù)危機發(fā)生點為T，利用樣本中T-1，T-2，T-3年數(shù)據(jù)，利用主成分分析法篩選了9個具有顯著性的指標(biāo)作為模型自變量，得到回歸準(zhǔn)確率為84.62%，80.29%，71.63%。

三、研究設(shè)計

（一）研究方法 本文采用灰色關(guān)聯(lián)度分析方法?；疑到y(tǒng)理論是20世紀(jì)80年代，由鄧聚龍首先提出并創(chuàng)立的多因素統(tǒng)計分析方法，是以各因素的樣本數(shù)據(jù)為依據(jù)用灰色關(guān)聯(lián)度分析方法得出的結(jié)論來描述因素間關(guān)系的強弱。其實質(zhì)是求各個方案與最佳指標(biāo)組成的理想方案的關(guān)聯(lián)系數(shù)，由關(guān)聯(lián)系數(shù)得到關(guān)聯(lián)度，再按照關(guān)聯(lián)度排序來確定關(guān)聯(lián)程度。因為灰色理論融合了多個學(xué)科和理論體系的思想和方法，可以運用較少數(shù)量的已知信息去揭示系統(tǒng)的規(guī)律?；疑Ｐ徒r對數(shù)據(jù)的數(shù)量要求比較低，并且不必知道原始數(shù)據(jù)分布的特征，通過有限次的處理便可轉(zhuǎn)化為有規(guī)則的序列，這樣就很容易找到變化規(guī)律?；疑P(guān)聯(lián)分析對樣本數(shù)據(jù)的時間區(qū)間要求也不是很高，而且計算量比較小，預(yù)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(biāo)體系建立和因變量確定 目前國內(nèi)針對應(yīng)收應(yīng)付項目的研究主要集中在信用銷售，基本上都是應(yīng)收賬款的管理、質(zhì)押以及風(fēng)險管理等。針對應(yīng)收應(yīng)付項目的定量研究和實證研究更少。信用銷售形成應(yīng)收賬款，在對方就形成應(yīng)付賬款。這部分被對方占用的資產(chǎn)，雖然本企業(yè)擁有債權(quán)，但事實上無法支配，企業(yè)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(yè)帶來資金困難，就有可能導(dǎo)致資金鏈斷裂。主要有以下可能：（1）應(yīng)收項目占流動資產(chǎn)比例過大，造成企業(yè)資金鏈危機。應(yīng)收項目是企業(yè)應(yīng)收而未收的款項，這些資金雖然屬于企業(yè)的資產(chǎn)，但是被其他企業(yè)或個人占用，并不能夠為企業(yè)隨意支配。應(yīng)收項目總體主要由應(yīng)收賬款、應(yīng)收票據(jù)、預(yù)付賬款和其他應(yīng)付款組成。流動資產(chǎn)項目可以區(qū)分為貨幣性資產(chǎn)和經(jīng)營性資產(chǎn)，貨幣資金和交易性金融資產(chǎn)的變現(xiàn)能力很強，可以稱為貨幣性資產(chǎn)。其他的流動資產(chǎn)項目的變現(xiàn)能力要弱一些，可以稱為經(jīng)營性資產(chǎn)。應(yīng)收項目正是經(jīng)營性資產(chǎn)的主要構(gòu)成項目。相對而言變現(xiàn)能力弱，但占有較大比重，如果應(yīng)收項目占流動資產(chǎn)的比例過大，就會對企業(yè)的短期資金造成很大的壓力，很可能面對短期債務(wù)而措手不及，所以應(yīng)收應(yīng)付項目占流動資產(chǎn)比率也是衡量應(yīng)收項目對企業(yè)資金鏈斷裂影響的重要指標(biāo)。（2）賒賬銷售過度，應(yīng)收賬款過多，回收率低。企業(yè)為了擴大銷售，大量賒銷商品，形成了應(yīng)收賬款。如果貨款可以及時收回，企業(yè)資金可以良性循環(huán)；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(yè)資金短缺，嚴(yán)重的話導(dǎo)致資金鏈斷裂，企業(yè)經(jīng)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(yè)的資金周轉(zhuǎn)，就會給生產(chǎn)、經(jīng)營等環(huán)節(jié)造成影響，影響企業(yè)的資金鏈。衡量企業(yè)的應(yīng)收賬款回收情況，通常采用應(yīng)收賬款回收率指標(biāo)。（3）應(yīng)收賬款周轉(zhuǎn)速度太慢，影響企業(yè)資金周轉(zhuǎn)。相對于一般企業(yè)而言，應(yīng)收賬款都比較重要，在應(yīng)收項目中起著舉足輕重的作用，應(yīng)收賬款周轉(zhuǎn)率是指在一定時期內(nèi)應(yīng)收賬款轉(zhuǎn)化為現(xiàn)金的平均次數(shù)。應(yīng)收賬款周轉(zhuǎn)率主要是衡量企業(yè)應(yīng)收賬款管理水平的重要指標(biāo)，企業(yè)不但要控制好應(yīng)收賬款的規(guī)模，也要控制好應(yīng)收賬款的周轉(zhuǎn)速度。當(dāng)今的市場競爭環(huán)境是比較嚴(yán)峻的，一般企業(yè)都會采取放慢應(yīng)收賬款的周轉(zhuǎn)速度而獲得更多的市場份額，這就會有很多企業(yè)因為應(yīng)收賬款問題而導(dǎo)致企業(yè)資金鏈吃緊，甚至斷裂而影響企業(yè)的正常經(jīng)營。應(yīng)收賬款周轉(zhuǎn)率是衡量企業(yè)對資金鏈影響的重要指標(biāo)。（4）應(yīng)付賬款周轉(zhuǎn)速度快。應(yīng)付項目是指企業(yè)應(yīng)付而未付的款項，應(yīng)付賬款是應(yīng)付項目的主要組成部分，也是衡量應(yīng)付項目對企業(yè)資金鏈影響的重要科目。應(yīng)付賬款是企業(yè)可以臨時占用供應(yīng)商企業(yè)的資金，如果應(yīng)付賬款的周轉(zhuǎn)速度慢，就意味著企業(yè)占用供應(yīng)商企業(yè)的資金周期長，對于企業(yè)的資金可以起到緩解的作用。（5）企業(yè)整體債務(wù)過高。資產(chǎn)負(fù)債率是衡量企業(yè)整體債務(wù)水平的重要指標(biāo)，用負(fù)債總額與資產(chǎn)總額的比率表示。一般企業(yè)在初創(chuàng)期間，運營資金多來自于股東的投資，但是當(dāng)企業(yè)進(jìn)入快速發(fā)展階段，自有資金已經(jīng)不足以滿足其快速擴張的速度，負(fù)債將成為維持企業(yè)快速發(fā)展的主要資金來源。但是負(fù)債與權(quán)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(chǎn)生的利息。如果企業(yè)發(fā)展戰(zhàn)略安排的不合理，一味大量外債支持企業(yè)擴張，卻沒有及時現(xiàn)金流回籠去清償?shù)狡诘膫鶆?wù)，就會讓企業(yè)陷入無力償還到期債務(wù)的境地，甚至資不抵債而被迫破產(chǎn)清算。所以，資產(chǎn)負(fù)債率是衡量企業(yè)償債能力、防范資金鏈斷裂風(fēng)險的重要指標(biāo)。

灰色關(guān)聯(lián)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(yīng)該如何設(shè)定呢？本文所要研究的問題是揭示應(yīng)收應(yīng)付項目的財務(wù)指標(biāo)與企業(yè)資金鏈斷裂的關(guān)系，而資金鏈斷裂并不是一個比較容易量化的指標(biāo)。在對指標(biāo)數(shù)據(jù)的無量綱化處理過程中，可以將參考序列的數(shù)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(wù)預(yù)警指標(biāo)即應(yīng)收項目占流動資產(chǎn)比例、應(yīng)收賬款周轉(zhuǎn)率、應(yīng)收賬款回收率、應(yīng)付賬款周轉(zhuǎn)率和資產(chǎn)負(fù)債率的數(shù)據(jù)序列初始化到1和0之間。這些財務(wù)預(yù)警指標(biāo)的變化趨勢與企業(yè)資金鏈斷裂趨勢是有規(guī)律可尋的，比如應(yīng)收應(yīng)付項目占流動資產(chǎn)比例越大，企業(yè)資金鏈斷裂的風(fēng)險越大，也就是規(guī)范化后的指標(biāo)值越接近于1，資金鏈斷裂的風(fēng)險越大，1就是資金鏈斷裂風(fēng)險的極差值，灰色關(guān)聯(lián)度主要是尋求各影響因素與理想?yún)⒖贾笜?biāo)的關(guān)聯(lián)系數(shù)，因此將模型的因變量定為1是比較合適的。資產(chǎn)負(fù)債率和應(yīng)付賬款周轉(zhuǎn)率都是與資金鏈斷裂風(fēng)險同向變化的，比例數(shù)值越大資金鏈斷裂的風(fēng)險越大。應(yīng)收賬款周轉(zhuǎn)率和應(yīng)收賬款回收率的變化趨勢是與資金鏈斷裂風(fēng)險相反的，比例數(shù)值越小，資金鏈斷裂的風(fēng)險越大?？梢酝ㄟ^無量綱化處理，將其變化方向調(diào)整為與資金鏈斷裂關(guān)系變化方向相同。

（三）樣本選取和數(shù)據(jù)來源 國內(nèi)外學(xué)術(shù)界在做財務(wù)困境、財務(wù)失敗和風(fēng)險預(yù)警等方面的實證研究時采用的樣本設(shè)計方法主要是根據(jù)ST公司與非ST公司在財務(wù)狀況方面顯著的差異性，通過設(shè)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(biāo)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(xiàn)財務(wù)狀況或其他狀況異常而被特殊處理的企業(yè)，公司連續(xù)虧損但還沒有達(dá)到退市的地步。雖然有些企業(yè)虧損但是不一定資金鏈斷裂，有的企業(yè)還是能夠正常運營的。針對于資金鏈斷裂而言把退市企業(yè)作為樣本更合適，退市是上市公司由于未滿易所有關(guān)財務(wù)等其他上市標(biāo)準(zhǔn)而終止上市的情形，既由一家上市公司變?yōu)榉巧鲜泄尽Ｕ＝?jīng)營的上市企業(yè)，沒有愿意被特殊處理而退市的，如果是財務(wù)原因?qū)е碌?，肯定是出現(xiàn)了嚴(yán)重的財務(wù)危機，資金鏈斷裂，企業(yè)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(yè)才被迫接受退市的處罰。因此將退市企業(yè)作為資金鏈斷裂的樣本企業(yè)是比較準(zhǔn)確的。選擇中國A股退市的42家企業(yè)作為本文的樣本企業(yè)。本文所選擇的上市公司數(shù)據(jù)來源于Wind數(shù)據(jù)庫。財務(wù)風(fēng)險預(yù)警模型是利用歷史財務(wù)數(shù)據(jù)對企業(yè)未來的情況進(jìn)行預(yù)測和判斷，所以在樣本數(shù)據(jù)的時間選擇上也是至關(guān)重要的。本文采用了距今最近可獲得的財務(wù)數(shù)據(jù)為研究樣本，主要選取退市的企業(yè)在退市之前被ST之后的第一年、第二年和第三年的財務(wù)數(shù)據(jù)，作為資金鏈斷裂狀態(tài)時的樣本數(shù)據(jù)。之所以要分別推三年，而不在同一年選取，是為了達(dá)到退市前的財務(wù)預(yù)警目的，也是為了消除由于外部環(huán)境的差異而可能導(dǎo)致缺乏可比性，而且選擇前三年的數(shù)據(jù)來進(jìn)行預(yù)測更為全面。

四、實證檢驗分析

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

（二）分辨系數(shù)的確定 分辨系數(shù)的確定要根據(jù)觀測序列的情況，當(dāng)觀測序列數(shù)據(jù)差距比較大，而且出現(xiàn)奇異值，變異系數(shù)應(yīng)取較小值，離散掉差異對結(jié)果的影響；當(dāng)觀測序列數(shù)據(jù)差距比較小，而且變化比較平穩(wěn)時，變異系數(shù)應(yīng)取較大值，充分體現(xiàn)其整體性、規(guī)范性。分辨系數(shù)ρ在（0，1）內(nèi)取值。對于ρ的取值一般根據(jù)經(jīng)驗取值0.5，但是這樣處理降低了模型的準(zhǔn)確性。因為分辨系數(shù)的取值大小，直接決定著對關(guān)聯(lián)度的貢獻(xiàn)大小。ρ的取值并不是靜態(tài)不變的，應(yīng)該根據(jù)數(shù)據(jù)序列的性質(zhì)，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(jù)數(shù)據(jù)的變化而賦予ρ值動態(tài)的取值范圍。針對公式中用到的分辨系數(shù)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(guān)聯(lián)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(shù)據(jù)進(jìn)行處理，分別得出資產(chǎn)負(fù)債率、應(yīng)收項目占流動資產(chǎn)比、應(yīng)收賬款周轉(zhuǎn)率、應(yīng)收賬款回收率、應(yīng)付賬款周轉(zhuǎn)率五個自變量對于因變量的灰色關(guān)聯(lián)度。關(guān)聯(lián)度值如表（2）所示。通過對樣本企業(yè)退市前三年財務(wù)風(fēng)險預(yù)警指標(biāo)的觀察和分析可以看出，本文選取的財務(wù)風(fēng)險預(yù)警指標(biāo)中有兩個指標(biāo)與企業(yè)資金鏈斷裂的關(guān)聯(lián)度數(shù)值很高，分別是應(yīng)收賬款周轉(zhuǎn)率和應(yīng)收項目占流動資產(chǎn)比，也就是說這兩個財務(wù)風(fēng)險預(yù)警指標(biāo)與企業(yè)資金鏈斷裂的關(guān)聯(lián)性很強。每一年中財務(wù)指標(biāo)與財務(wù)指標(biāo)之間還是存在差距的，應(yīng)收賬款周轉(zhuǎn)率的關(guān)聯(lián)度數(shù)值要高于其他財務(wù)指標(biāo)，而且數(shù)值差距很大；其次是應(yīng)收項目占流動資產(chǎn)比，數(shù)值也偏高于其他三個財務(wù)指標(biāo)，數(shù)值的差距較大；應(yīng)收賬款回收率、資產(chǎn)負(fù)債率和應(yīng)付賬款周轉(zhuǎn)率指標(biāo)之間差距較小，而且關(guān)聯(lián)度數(shù)值也相對較低。觀察每個指標(biāo)的三個年度的關(guān)聯(lián)度數(shù)值，發(fā)現(xiàn)每個指標(biāo)的關(guān)聯(lián)度數(shù)值變化較小，根據(jù)每年的財務(wù)數(shù)據(jù)得出的關(guān)聯(lián)度數(shù)值都是非常接近的。本文實證研究通過選取退市企業(yè)在退市前，被ST之后三年的財務(wù)數(shù)據(jù)分別計算關(guān)聯(lián)度數(shù)值，充分證明了灰色關(guān)聯(lián)度計算的穩(wěn)定性和準(zhǔn)確性，這個結(jié)果也充分肯定了本文研究得出結(jié)論的可靠性。

下面將這五個財務(wù)指標(biāo)三年的關(guān)聯(lián)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(jié)果如表（3）。通過樣本數(shù)據(jù)關(guān)聯(lián)度排序計算結(jié)果列表可以看出每個指標(biāo)對資金鏈斷裂影響的排列順序為：應(yīng)收賬款周轉(zhuǎn)率≥應(yīng)收項目占流動資產(chǎn)比≥應(yīng)收賬款回收率≥資產(chǎn)負(fù)債率≥應(yīng)付賬款周轉(zhuǎn)率。對于灰色關(guān)聯(lián)度方法排列的順序可以得出以下結(jié)論：（1）應(yīng)收賬款周轉(zhuǎn)率與企業(yè)資金鏈斷裂的關(guān)系最為緊密，對于企業(yè)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(yīng)收應(yīng)付項目中包含的每個財務(wù)科目，應(yīng)收賬款是其中最重要的，討論信用銷售所引起的應(yīng)收應(yīng)付項目管理問題，主要是針對應(yīng)收賬款的管理。應(yīng)收賬款周轉(zhuǎn)率是衡量應(yīng)收賬款對企業(yè)資金鏈影響的重要指標(biāo)。應(yīng)收賬款的周轉(zhuǎn)速度越快，給企業(yè)造成的資金壓力就越小。在很多企業(yè)應(yīng)收賬款占流動資產(chǎn)的比例都很高，如果周轉(zhuǎn)速度太慢，將大大降低企業(yè)資金的使用效率，影響企業(yè)的營業(yè)周期。很多企業(yè)都制定了有效的應(yīng)收賬款內(nèi)部控制制度以及財務(wù)指標(biāo)衡量體系，有效地控制和監(jiān)督應(yīng)收賬款的周轉(zhuǎn)情況，并在由應(yīng)收賬款引起的資金吃緊與獲利之間權(quán)衡利弊。由本文的實證分析可得出應(yīng)收賬款周轉(zhuǎn)率與企業(yè)資金鏈斷裂的關(guān)系很緊密，控制好應(yīng)收賬款周轉(zhuǎn)速度是企業(yè)資金鏈正常運轉(zhuǎn)的有力保證。（2）應(yīng)收項目指標(biāo)中應(yīng)收項目占流動資產(chǎn)比與企業(yè)資金鏈斷裂的關(guān)系也很緊密，對企業(yè)資金鏈斷裂的影響也很強。從這個指標(biāo)可以看出，企業(yè)應(yīng)收而未收的款項對企業(yè)資金的大量占用是導(dǎo)致企業(yè)資金鏈斷裂的重要原因。流動資產(chǎn)是維系企業(yè)經(jīng)營活動正常開展的主要資金。應(yīng)收項目的款項雖是企業(yè)的資產(chǎn)，但企業(yè)卻不能支配，應(yīng)收項目占流動資產(chǎn)的比例過高意味著企業(yè)經(jīng)營活動的資金大量被企業(yè)不能控制的、應(yīng)收款項占用，企業(yè)經(jīng)營活動資金緊張。流動資產(chǎn)也是企業(yè)變現(xiàn)能力較強的資產(chǎn)，如果流動資產(chǎn)大量被企業(yè)不能控制的、表現(xiàn)能力不確定的應(yīng)收款項占用，會帶來支付和還債困難，也會導(dǎo)致資金鏈斷裂。因此，實證檢驗結(jié)果將應(yīng)收項目占流動資產(chǎn)的比例排在導(dǎo)致企業(yè)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(yīng)收賬款回收率與企業(yè)資金鏈斷裂的關(guān)系相對前兩個指標(biāo)較弱，應(yīng)收賬款回收率直接關(guān)系到企業(yè)的營業(yè)收入收回情況。首先，說明資金的回收時間長，給企業(yè)帶來的資金困難和資金壓力較大且持續(xù)時間較長。其次，如果回收率低，長期應(yīng)收賬款無法收回，公司只有賬面的收入，卻沒有實質(zhì)的現(xiàn)金流入。而且如果長時間不能收回的應(yīng)收賬款變成壞賬，會給企業(yè)直接造成現(xiàn)金損失，容易引起資金鏈斷裂，所以企業(yè)也應(yīng)該予以重視。（4）資產(chǎn)負(fù)債率與企業(yè)資金鏈斷裂的關(guān)系相對較弱。資產(chǎn)負(fù)債率是衡量企業(yè)整體償債能力的財務(wù)判定指標(biāo)。很多企業(yè)盲目擴張，過分依賴舉借外債來充實企業(yè)擴張所需要的資金，這就給企業(yè)埋下了隱患，經(jīng)營中的某個環(huán)節(jié)出現(xiàn)問題，企業(yè)無力償還到期債務(wù)，將會導(dǎo)致資金鏈斷裂，甚至破產(chǎn)倒閉。從企業(yè)整體來看，資金缺口可以從三個部分來考慮，即經(jīng)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(yè)的經(jīng)營和投資，但并不會導(dǎo)致企業(yè)資金鏈的斷裂，而還債資金出現(xiàn)缺口對企業(yè)而言是十分嚴(yán)重的，企業(yè)無力償還到期債務(wù)，債權(quán)人還可以申請強制執(zhí)行措施，這就會導(dǎo)致企業(yè)的資金鏈斷裂。雖然實證檢驗結(jié)果資產(chǎn)負(fù)債率對資金鏈斷裂的警示能力較弱，但是也是衡量企業(yè)整體償債能力的評價指標(biāo)之一。（5）應(yīng)付賬款周轉(zhuǎn)率與企業(yè)資金鏈斷裂的關(guān)系于其他指標(biāo)相比較最弱，應(yīng)付賬款本身是衡量企業(yè)占用其他企業(yè)資金的指標(biāo)，對于企業(yè)而言，遠(yuǎn)遠(yuǎn)不及應(yīng)收賬款對企業(yè)的資金鏈影響程度也是符合實際情況的。

五、結(jié)論

本文研究得出如下結(jié)論：（1）國內(nèi)外針對應(yīng)收應(yīng)付項目與企業(yè)資金鏈斷裂關(guān)系的研究文獻(xiàn)非常少，而由于應(yīng)收應(yīng)付項目異常導(dǎo)致企業(yè)資金鏈斷裂、破產(chǎn)的案例很多，首次對這二者之間的關(guān)系進(jìn)行了研究。（2）總結(jié)了資金鏈斷裂、財務(wù)風(fēng)險預(yù)警的方法和模型，并且對各個方法和模型的優(yōu)缺點進(jìn)行了比較分析。根據(jù)本文的研究目的，選擇了灰色關(guān)聯(lián)度模型進(jìn)行實證檢驗，灰色理論雖然已比較完善、應(yīng)用廣泛，但將其應(yīng)用到財務(wù)風(fēng)險預(yù)警領(lǐng)域問題研究的文獻(xiàn)也幾乎沒有。本文在新方法應(yīng)用上也進(jìn)行了有益的探索。（3）研究結(jié)果還表明，與資金鏈斷裂最為相關(guān)的財務(wù)指標(biāo)依次是：應(yīng)收賬款周轉(zhuǎn)率、應(yīng)收項目占流動資產(chǎn)比、應(yīng)收賬款回收率、資產(chǎn)負(fù)債率、應(yīng)付賬款周轉(zhuǎn)率。排序結(jié)果表明：導(dǎo)致資金鏈斷裂的原因中，影響營業(yè)周期的資產(chǎn)周轉(zhuǎn)速度排在第一位；其次是流動資產(chǎn)的可控性和可變現(xiàn)性；再次是銷售貨款等回收情況；企業(yè)整體償債能力和應(yīng)付賬款的周轉(zhuǎn)情況與資金鏈的斷裂的關(guān)系相對較弱。（4）檢驗結(jié)果表明，應(yīng)收應(yīng)付項目中應(yīng)收賬款周轉(zhuǎn)率與應(yīng)收項目占企業(yè)流動資產(chǎn)的比例這兩個財務(wù)指標(biāo)與企業(yè)資金鏈斷裂的關(guān)系度很強，特別是應(yīng)收賬款周轉(zhuǎn)率。表明企業(yè)應(yīng)收應(yīng)付項目中的這兩個指標(biāo)與企業(yè)資金鏈斷裂存在著關(guān)聯(lián)性，可以對企業(yè)資金鏈斷裂起到風(fēng)險預(yù)警作用。并且，通過三年的實證研究結(jié)果可以看出，財務(wù)指標(biāo)各年份的關(guān)聯(lián)度數(shù)值穩(wěn)定，證明了方法的適用性和實證結(jié)果的準(zhǔn)確性。

參考文獻(xiàn)：

[1]趙睿：《金融控股公司的風(fēng)險及其監(jiān)管研究》，《山東大學(xué)碩士學(xué)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(xué)碩士學(xué)位論文》2004年。

[3]吳世農(nóng)、盧賢義：《我國上市公司財務(wù)困境的預(yù)測模型研究》，《經(jīng)濟研究》2001年第6期。

[4]周首華、楊濟華、王平：《論財務(wù)危機的預(yù)警分析——F分?jǐn)?shù)模式》，《會計研究》1996年第8期。

[5]嚴(yán)瑾孟：《具有新型預(yù)測能力的財務(wù)困境模型研究——Logistic模型的加權(quán)極大似然法》，《西南財經(jīng)大學(xué)碩士學(xué)位論文》2008年。

[6]段小存等：《公司財務(wù)危機預(yù)警研究的述評》，《經(jīng)濟師》2008年第7期。

[7]張祥等：《財務(wù)預(yù)警模型的變遷》，《華中科技大學(xué)學(xué)報（社會科學(xué)版）》2003年第4期。

[8]董妍慧：《我國上市公司財務(wù)危機預(yù)警的實證研究》，《大連海事大學(xué)碩士學(xué)位論文》2008年。

[9]張揚：《上市公司財務(wù)預(yù)警模型統(tǒng)計實證分析》，《首都經(jīng)濟貿(mào)易大學(xué)碩士論文》2005年。

[10]李曉奇：《上市公司財務(wù)風(fēng)險預(yù)警Logistic模型的研究》，《北京交通大學(xué)碩士學(xué)位論文》2011年。

[11]崔玉衛(wèi)：《應(yīng)收賬款周轉(zhuǎn)率指標(biāo)計算改進(jìn)探討》，《財會通訊》2010年第9期。

[12]尹蘇紅：《企業(yè)應(yīng)付賬款管理存在的問題及解決措施》，《經(jīng)濟技術(shù)協(xié)作信息》2010年第35期。

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

[14]王小軍：《上市公司經(jīng)營業(yè)績的灰色多層次綜合評價》，《天津大學(xué)碩士學(xué)位論文》2007年。

[15]東亞斌等：《灰色關(guān)聯(lián)度分辨系數(shù)的一種新的確定方法》，《西安建筑科技大學(xué)學(xué)報（自然科學(xué)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.