【正文】 ................................................................................1 第一章 緒論 .....................................................................................................................................2 企業(yè)評價的目的與意義 ...........................................................................................................2 企業(yè)評價方法 ...........................................................................................................................2 定性評價 法 .........................................................................................................................2 主成分分析法 .....................................................................................錯誤 !未定義書簽。人工神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用已經(jīng)滲透到多個領(lǐng)域，在計算機(jī)視覺、模式識別、智能控制、非線性優(yōu)化、自適應(yīng)濾波相信息處理、機(jī)器人等方面取得了可喜的進(jìn)展 [1]。到 80 年代中期，由于神經(jīng)網(wǎng)絡(luò)在理論上取得一些突破，如 BP（ 誤差反傳算法） 網(wǎng)、 Hopefield 網(wǎng)的出現(xiàn)，解決了多層神經(jīng)網(wǎng)的學(xué)習(xí)問題以及半導(dǎo)體技術(shù)的發(fā)展等問題。在此基礎(chǔ)上，許多學(xué)者提出了軟計算 (Soft Computing)、計算智能 (Computational Intelligence) 等新的計算概念，形成新的 計算領(lǐng)域，在某種程度上，極大地促進(jìn)神經(jīng)網(wǎng)絡(luò)計算技術(shù)的發(fā)展。 概率神經(jīng)網(wǎng)絡(luò)（ PNN）是 RBF 的變形，它是一種結(jié)構(gòu)簡單、訓(xùn)練簡潔、 應(yīng)用 非常 廣泛的人工神經(jīng)網(wǎng)絡(luò)，尤其在解決分類問題的應(yīng)用中。近二十年來，企業(yè)所處的經(jīng)營環(huán)境經(jīng)歷了很巨大的變化，今天的競爭焦點不再限于品質(zhì)、成本，靈活性和創(chuàng)新 。同時，企業(yè)的評價已從被動轉(zhuǎn)為主動，在企業(yè)外部評價與內(nèi)部評價日趨綜合的同時，實現(xiàn)自我評價逐漸成為一種企業(yè)分析自身優(yōu)勢和劣勢并追求持續(xù)改進(jìn)的重要手段。定性評價是利用專家的知識、經(jīng)驗和判斷通過記名表決進(jìn)行評審和比較的評標(biāo)方法。這些涉及的因素一般稱為指標(biāo)，在多元統(tǒng)計分析中也稱為變量。在數(shù)學(xué)變換中保持變量的總方差不變，使第一變量具有最大的方差，稱為第一主成分，第二變量的方差次大，并且和第一變量不相關(guān)，稱為第二主成分。 變量去解釋原來資料中的大部分變異，將我們手中許多相關(guān)性很高的變量轉(zhuǎn)化成彼此相互獨(dú)立或不相關(guān)的變量。在對某一事 物 進(jìn)行評價時常會遇到這樣一類問題，由于評價事 物 是由多方面的因素所決定的，因而要對每一因素進(jìn)行評價；在每一因素作出 一個單獨(dú)評語的基礎(chǔ)上，如何考慮所有因素而作出一個綜合評語，這就是一個綜合評價問題。 (U ,V , R ) 則構(gòu)成了一個模糊綜合評判模型。具體步驟如下 : 第 l 步，確定評價指標(biāo)體系。 第 4 步，將各指標(biāo)量綱一化，公式為 ijijjXK X? （ 14） 其中 ijK 稱為 ijX 的折算指數(shù)。 第 7 步，排出綜合指數(shù) (或加權(quán)綜合指數(shù) )序，按其大小進(jìn)行排序，對參評對象做出評價。對所有的 , , 1, 2 ,i j i j m? ? ?，計算出 iX 和 jX 的灰色絕對關(guān)聯(lián)度，得上三角矩陣如下 ： 1 1 1 2 12 2 2........ . .. .mmmmA? ? ?????????????，其中 1, 1, 2,ii im? ? ? ? ， (17) 上述矩陣 A 稱為特征變量關(guān)聯(lián)矩陣 ， 取定臨界值 [0,1]r? ,一般要求 ? ，當(dāng)西安 **大學(xué)本科畢業(yè)設(shè)計 (論文 ) 6 ()ij r i j? ??時，則視 iX 和 jX 為同類特征。 TOPSIS 法 [8] TOPSIS（ Technique for Order Preference by Similarity to an Ideal Solution ）法是 和 于 1981 年首次提出， TOPSIS 法 是 根據(jù)有限個評價對象與理想化目標(biāo)的接近程度進(jìn)行排序的方法，是在現(xiàn)有的對象中進(jìn)行相對優(yōu)劣的評價。最劣解的各指標(biāo)值都達(dá)到各評價指標(biāo)的最差值。 數(shù)據(jù)包絡(luò)分析法 [9] 1978 年由 著名的運(yùn)籌學(xué)家 , 和 首先提出了一個被稱為數(shù)據(jù)包絡(luò)分析（ Data Envelopment Analysis，簡稱 DEA）的方法，去評價部門間的相對有效性（因此被稱為 DEA 有效）。 1985 年 Charnes,Cooper 和 , , 給出了西安 **大學(xué)本科畢業(yè)設(shè)計 (論文 ) 7 另一個模型（稱為 CCGSS 模型），這兩個模型是用來研究生產(chǎn)部門間技術(shù)有效性的。這些模型以及新的模型正在被不斷地進(jìn)行完善和進(jìn)一步發(fā)展。它是根據(jù)一組關(guān)于輸入－輸出的觀察值來估計有效生產(chǎn)前沿面的，在經(jīng)濟(jì)學(xué)和計量經(jīng)濟(jì)學(xué)中，估計有效生產(chǎn)前沿面，通常使用統(tǒng)計回歸以及其它的一些統(tǒng)計方法，這些方法估計出的生產(chǎn)函數(shù)并沒有表現(xiàn)出實際的前沿面，得出 的 函數(shù)實際上是非有效的。并且， DEA 方法不僅可以用線性規(guī)劃來判斷決策單元對應(yīng)的 點是否位于有效生產(chǎn)前沿面上，同時又可獲得許多有用的管理信息。運(yùn)用功效系數(shù)法進(jìn)行業(yè)績評價，企業(yè)中不同的業(yè)績因素得以綜合，包括財務(wù)的和非財務(wù)的、定向的和非定量的。 功效系數(shù)法雖然與我國當(dāng)前企業(yè)狀況和評價對象的復(fù)雜性相適應(yīng)，能夠較為合理評價我國目前企業(yè)的財務(wù)狀況和經(jīng)營成果，但是功效系數(shù)法也存在一些不足 ： 首先，單項得分的兩個評價標(biāo)準(zhǔn) —— 滿意值和不容許值的確定難度大，不容易操作，理論上就沒有明確的滿意值和不容許值。 綜合評價的目的：根據(jù)系統(tǒng)的屬性判斷確定這些系統(tǒng)的運(yùn)行（或發(fā)展）狀況哪個優(yōu)劣，即按優(yōu)劣對各被評價對象進(jìn) 行 排序或分類。 綜合評價的一般步驟：明確評價目的；確定被評價對象；建立評價指標(biāo)體系（包括評價指的原始值、評價指標(biāo)的若干預(yù)處理等）；確定與各項評價指標(biāo)相對應(yīng)的權(quán)重系數(shù)；選擇或構(gòu)造綜合評價模型；計算各系統(tǒng)的綜合評價值，并給出綜合評價結(jié)果。對于某個極小型指標(biāo) x ，則通過變換 ? ?139。對于某個中間 型指標(biāo)，則通過變換，公式如下： ? ? ? ?? ? ? ?2 1,.239。 1, .1 , .ax xacx a x bxb xbc?? ????? ? ??? ?? ??? (19) 其中 ? ?,ab 為指標(biāo) x 的最佳穩(wěn)定的區(qū)間 ? ?m a x ,c a m M b? ? ?， M 和 m 分別為指標(biāo) x 的可能取值 的最大值和最小值 ， 即可將區(qū)間型指標(biāo)極大化 ， 取適當(dāng)?shù)闹虚g值為最好 ， 區(qū)間型指標(biāo) ， 總是期望指標(biāo)的取值最好是落在某一個確定的區(qū)間內(nèi)為最好。 層次分析法 (AHP 法 ) 是一種解決多目標(biāo)的復(fù)雜問題的定性與定量相結(jié)合的決策分析方法。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。當(dāng)一對學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值，然后按減小希望輸出與實際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層。 主要 介紹的有關(guān)評價的數(shù)學(xué)方法包括 ： 定性評價法、主成分分析法、模糊綜合評價法、綜合指數(shù)法、灰色關(guān)西安 **大學(xué)本科畢業(yè)設(shè)計 (論文 ) 11 聯(lián)聚類法、 TOPSIS 法、數(shù)據(jù)包絡(luò)分析法、功效系數(shù)法、線性加權(quán)綜合法、層次分析法 和 BP神經(jīng)網(wǎng)絡(luò)評價法。 神經(jīng)網(wǎng)絡(luò)常用來依據(jù) 向?qū)嵗龑W(xué)習(xí)進(jìn)行模式分類。 可以表明，盡管最終得到的網(wǎng)絡(luò)在結(jié)構(gòu)上類似于反向傳播 ， 且其主要區(qū)別在于以統(tǒng)計方法推導(dǎo)的激活函數(shù)替代 S 形 激活函數(shù)，但這個網(wǎng)絡(luò)具有的特點是：在某些易滿足的條件下，以 PNN 實現(xiàn)的判別邊界漸進(jìn)地逼近貝葉斯最佳判定面。當(dāng)訓(xùn)練樣本數(shù)據(jù)足夠多時，概率神經(jīng)網(wǎng)絡(luò)收斂于一個貝葉斯分類器，而且推廣性良好。 假設(shè)有 兩 個 類 ， 已知類別狀態(tài) ? 為 A? 或 B? ， 如果想要根據(jù) P 維向量 1[ , , , , ]ipX X X X? ? ?描述一組測量結(jié)果，判定 ? = A? 或 ? = B? ，貝葉斯判定規(guī)則 為 ： ? ? ? ? ? ?? ? ? ? ? ? A A A A B B BB A A A B B Bd x h l f x h l f xd x h l f x h l f x???????????， 如 果， 如 果 式中， ??Afx、 ??Bfx分別為類別 A 和 B 的概率密度函數(shù)； Al 為 ? = A? 時判定 ? ? Bdx?? 的損失函數(shù)； Bl 為 ? = B? 時判定 ? ? Adx?? 的損失函數(shù)（取正確判定的損失等于 0）； A h 為類別 A 出現(xiàn)的先驗概率； 1BAhh?? 為類別 B 出現(xiàn)的先驗概率。通常，先驗概率為己知，或者可以準(zhǔn)確地加以估計，損失函數(shù)需要主觀估計。 Parzen論述如何構(gòu)造 ??fx的一 組 估 計 值， ? ?11 n Ainixxfx n ???????? ????? （ 23） 其在概率密度函數(shù)的所有點 x 上都是一致連續(xù)的。 Murthy 放寬了分布 ??fx絕對連續(xù)的假定，并指明，類別估計器仍然一致地估計連續(xù)分布 ? ?fX所有點的密度，這里密度 ??fx也是連續(xù)的。 ??Afx簡單地為中心位于每個訓(xùn)練樣本的小的多變量 Gaussian 分布之和。 第 1 層為輸入層，計算輸入向量與訓(xùn)練樣本之間的距離，第一層的輸出向量表示輸出向量與訓(xùn)練樣本之間的接近程度。P ，經(jīng)過 dist 計算，第一層輸出向量表示輸入向量與訓(xùn)練樣本向量接近程度，然后與閥值向量相乘，在經(jīng)過徑向傳遞函數(shù)計算。至此 PNN 網(wǎng)絡(luò)就能夠完成對輸入向量的分類。我們預(yù)先選取與凈收益率 有 顯著關(guān)系的以下指標(biāo)：每股凈資產(chǎn)、凈資產(chǎn)收益率、每股經(jīng)營現(xiàn)金、每股公積金、每股未分配、股東權(quán)益比、凈利潤同比、主營收入同比、銷售毛利率、 固定資產(chǎn)比、負(fù)債比、資本公積金比 。將以上 12 個指標(biāo)數(shù)據(jù)和相應(yīng)的 每股 收益率輸入 SPSS，進(jìn)入線性回歸界面，并將它們選入相應(yīng)的變量框，然后在 “方法 ”對話框中點 擊 逐步回歸，選取顯著性水平 ?進(jìn) ， ?出 。 d. 預(yù)測變量 : (常量 ), 主營收入同比 , 每股凈資產(chǎn) , 固定資產(chǎn)比 , 銷售毛利率。 PNN 網(wǎng)絡(luò)模型仿真 網(wǎng)絡(luò)層數(shù)的確定 構(gòu)造一個具有輸入層，隱層，輸出層的 3 層 PNN 網(wǎng)絡(luò) 來解決 兩類模式分類問題，一類為 經(jīng)營 “好 ”的 企業(yè)，一類為 經(jīng)營 “差 ”的 企業(yè)。 網(wǎng)絡(luò)模型 根據(jù)圖 31 網(wǎng)絡(luò)結(jié)構(gòu)，建立基于 PNN 的兩類 模式分類的 企業(yè)評價模型如下： 2211e x p 2h i p iiy w x c????? ? ?????? (31) 式中 ? ?1 2 3 4, , , Tp p p ppx x x x x? ——第 個輸入樣本 。 在表 32 中， 序號 130 的網(wǎng)絡(luò)輸出值是 經(jīng)營“好” 的企業(yè) 的 網(wǎng)絡(luò)輸出 ，即類 1 所對應(yīng)的網(wǎng)絡(luò)輸出，從網(wǎng)絡(luò)輸出值上看， 序號 130 的網(wǎng)絡(luò)輸出值等于 1； 序號 3160 的網(wǎng)絡(luò)輸出值是是 經(jīng)營“差” 的企業(yè) 的 網(wǎng)絡(luò)輸出 ,即類 2 所對應(yīng)的網(wǎng)絡(luò)輸出，從網(wǎng)絡(luò)輸出值上看， 序號 31601234xxxx y t （期望輸出 ） e 西安 **大學(xué)本科畢業(yè)設(shè)計 (論文 ) 21 的網(wǎng)絡(luò)輸出值都等于 2。 測試 樣本的正確識別個數(shù)及識別率見表 35，從表 35 可 以 看出 ， 上面所建立的基于 PNN網(wǎng)絡(luò)的 企業(yè)評價 模型對 測試 樣本集的分類準(zhǔn)確率達(dá)到 90%。 西安 **大學(xué)本科畢業(yè)設(shè)計 (論文 ) 24 第四章 結(jié)論 對企業(yè)的正確評價可以為我們的投資決策起指導(dǎo)作用，還可以為我們提前預(yù)警可能的風(fēng)險。最后，對訓(xùn)練樣本和測試樣本進(jìn)行了仿真，仿真結(jié)果表明：利用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行企業(yè)分類評價的是一種非常有效的方法。因此，后面的研究可以嘗試與其他方法相結(jié)合來達(dá)到更省時、更精 確的目的。當(dāng)訓(xùn)練樣本數(shù)據(jù)足夠多時，概率神經(jīng)網(wǎng)絡(luò)收斂于一個貝葉斯分類器，而且推廣性良好。