大學(xué)生創(chuàng)新創(chuàng)業(yè)能力組合評(píng)價(jià)模型的研究*

高來(lái)鑫，樊富友，崔淑卿，葛 浩

(滁州學(xué)院 電子與電氣工程學(xué)院，安徽 滁州 239000)

科技創(chuàng)新是提高社會(huì)生產(chǎn)力和綜合國(guó)力的戰(zhàn)略支撐，將創(chuàng)新創(chuàng)業(yè)教育融入人才培養(yǎng)方案，培養(yǎng)大學(xué)生自主創(chuàng)新能力，鼓勵(lì)大學(xué)生積極參與“創(chuàng)新創(chuàng)業(yè)”熱潮，對(duì)進(jìn)一步推動(dòng)創(chuàng)新創(chuàng)業(yè)教育尤為重要。

對(duì)于創(chuàng)新創(chuàng)業(yè)領(lǐng)域的研究，國(guó)外學(xué)者的起步較早，Carl Rogers[1]認(rèn)為實(shí)現(xiàn)鼓勵(lì)創(chuàng)新人才的目標(biāo)，必需營(yíng)造一個(gè)開(kāi)放式溝通的環(huán)境。Gideon D.Markman[2]指出自我認(rèn)知、識(shí)別機(jī)會(huì)、意志力、社會(huì)資本以及卓越的社會(huì)技能對(duì)于創(chuàng)業(yè)者都至關(guān)重要。威廉·D·拜格雷夫等[3-6]認(rèn)為創(chuàng)業(yè)者的本質(zhì)內(nèi)涵是實(shí)現(xiàn)崗位就業(yè)、事業(yè)發(fā)展、拓展業(yè)務(wù)、建立新企業(yè)和不斷開(kāi)發(fā)新的就業(yè)崗位等。我國(guó)對(duì)于創(chuàng)新創(chuàng)業(yè)的研究較少，邢智強(qiáng)等[7]指出傳統(tǒng)文化、現(xiàn)行教育體制和教育觀念和教育者自身素質(zhì)等是影響大學(xué)生創(chuàng)新創(chuàng)業(yè)能力發(fā)展的主要方面。李玲純等[8-9]認(rèn)為應(yīng)該綜合應(yīng)用目標(biāo)激勵(lì)、成就激勵(lì)、榜樣激勵(lì)、情感激勵(lì)、公平激勵(lì)等措施激發(fā)學(xué)生的創(chuàng)新思維，并給出了創(chuàng)新能力評(píng)價(jià)指標(biāo)體系和激勵(lì)模型。

目前，國(guó)內(nèi)外研究的大學(xué)生創(chuàng)新創(chuàng)業(yè)綜合評(píng)價(jià)方法從確定權(quán)重的角度大致可分為主觀賦權(quán)法和客觀賦權(quán)法兩大類。主觀賦值法與專家打分法有一定的相似之處，如何計(jì)算權(quán)重是主觀賦權(quán)法的核心步驟，而層次分析法中的權(quán)重是對(duì)所得到的判斷矩陣進(jìn)行特征向量求解得來(lái)的?？陀^賦權(quán)法是通過(guò)具體指標(biāo)值進(jìn)行相關(guān)性分析來(lái)確定權(quán)重。熵值法是應(yīng)用最廣泛的客觀賦權(quán)法，該方法根據(jù)實(shí)際測(cè)量的各項(xiàng)指標(biāo)觀測(cè)值所提供信息量的大小來(lái)分配權(quán)重值。

本文提出了一種新的選取創(chuàng)新創(chuàng)業(yè)評(píng)價(jià)指標(biāo)權(quán)重的有效方法，既能克服主觀賦權(quán)法完全由人為主觀因素決定的缺陷，又能解決客觀賦權(quán)法并不一定體現(xiàn)指標(biāo)在系統(tǒng)中的實(shí)際地位的問(wèn)題， 即同時(shí)利用主觀信息和客觀信息的組合方法。該組合方法首先采用實(shí)測(cè)的指標(biāo)數(shù)據(jù)通過(guò)層次分析法來(lái)確定主觀權(quán)重，然后再采用熵值法來(lái)確定客觀權(quán)重，最后將主觀法求得的權(quán)重值和客觀法求得的權(quán)重值組合應(yīng)用于創(chuàng)新創(chuàng)業(yè)評(píng)價(jià)方案中，并采用遺傳神經(jīng)網(wǎng)絡(luò)法建立創(chuàng)新創(chuàng)業(yè)組合評(píng)價(jià)模型。

1 組合權(quán)重模型構(gòu)建

組合權(quán)重模型是將熵值法權(quán)重和主觀法權(quán)重相結(jié)合確定創(chuàng)新創(chuàng)業(yè)評(píng)價(jià)模型各指標(biāo)權(quán)重值的方法，具體步驟如圖1所示。首先以調(diào)研所得數(shù)據(jù)為基礎(chǔ)，用熵值賦權(quán)方法求得創(chuàng)新創(chuàng)業(yè)指標(biāo)體系中各指標(biāo)的熵值法權(quán)重；然后由方案工作人員根據(jù)個(gè)人經(jīng)驗(yàn)和背景知識(shí)判斷各指標(biāo)對(duì)方案不同的重要性進(jìn)行評(píng)分并計(jì)算得到主觀權(quán)重；最后，將通過(guò)熵值法獲得的客觀權(quán)重和決策人員主觀判斷的權(quán)重以最佳的比例配合應(yīng)用到組合權(quán)重。

圖1 組合權(quán)重模型構(gòu)建流程圖Fig.1 Combination weight model construction flow chart

(1) 建立評(píng)價(jià)向量矩陣。評(píng)價(jià)向量矩陣可表示為m*n的矩陣，其中m表示評(píng)價(jià)指標(biāo)數(shù)，n表示方案數(shù)：

其中，xij是第i個(gè)指標(biāo)，第j個(gè)方案的指標(biāo)值；i=1，2，…，m；j=1，2，…，n。

(2) 指標(biāo)歸一化。對(duì)于越大越優(yōu)指標(biāo)：

對(duì)于越小越優(yōu)指標(biāo):

對(duì)于中間優(yōu)指標(biāo):

其中，yij表示第j個(gè)方案中的第i個(gè)指標(biāo)的評(píng)價(jià)系數(shù)；xij是調(diào)研指標(biāo)值；max(xi)，min(xi)分別為各指標(biāo)的上限值和下限值；各指標(biāo)的權(quán)重值既不是越大越好也不是越小越好，一般取各指標(biāo)的中間值為最佳。

第i項(xiàng)指標(biāo)的信息熵值可定義為

(4) 基于改進(jìn)層次分析法的主觀權(quán)重。首先根據(jù)評(píng)價(jià)體系中各指標(biāo)的影響力將一致性判斷矩陣R=(rij)m×m表示為

然后以上述一致性判斷矩陣R為基礎(chǔ)通過(guò)數(shù)學(xué)計(jì)算得到其反對(duì)稱矩陣，再求得最優(yōu)傳遞矩陣和擬優(yōu)化一致矩陣。

(5) 組合權(quán)重。各評(píng)價(jià)指標(biāo)的組合權(quán)重W=(w1，w2，…,wm)可計(jì)算為

2 遺傳神經(jīng)網(wǎng)絡(luò)模型

構(gòu)建了基于信息熵原理的組合權(quán)重模型以后，將選用遺傳神經(jīng)網(wǎng)絡(luò)建立創(chuàng)新創(chuàng)業(yè)綜合評(píng)價(jià)模型。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的主要步驟如下：

(1) 設(shè)定網(wǎng)絡(luò)隱含層，以及在每層當(dāng)中的節(jié)點(diǎn)數(shù)，然后將設(shè)定好的節(jié)點(diǎn)數(shù)進(jìn)行編碼，便在網(wǎng)絡(luò)中形成了N個(gè)編碼的染色體。

(2) 用BP-NN當(dāng)中的連接權(quán)量對(duì)每個(gè)網(wǎng)絡(luò)進(jìn)行改進(jìn)和優(yōu)化。

(3) 在相應(yīng)的編碼下確定網(wǎng)絡(luò)的誤差大小，再得到染色體中的每個(gè)適應(yīng)值。

(4) 選取種群個(gè)體當(dāng)中適應(yīng)量最高的為父本。

(5) 將上一代群體進(jìn)行交叉、變異處理，生成新一代的種群，產(chǎn)生新的適應(yīng)能力更高的種群個(gè)體。

(6) 然后重復(fù)(2)—(5)的步驟一直到產(chǎn)生新個(gè)體滿足設(shè)定要求。

GA算法進(jìn)行改進(jìn)BP-NN算法的主要過(guò)程如圖2所示。

圖2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程圖Fig.2 The flow chart of GA optimizing BP neural network

3 實(shí)例分析

3.1 評(píng)價(jià)指標(biāo)體系的構(gòu)建

大學(xué)生創(chuàng)新創(chuàng)業(yè)能力評(píng)價(jià)指標(biāo)體系的構(gòu)建應(yīng)該遵守科學(xué)性、全面性、動(dòng)態(tài)性和可操作性的原則。指標(biāo)的選擇不是越多越好，因此選擇合理的評(píng)價(jià)指標(biāo)是關(guān)鍵步驟。

本文在國(guó)內(nèi)外研究的基礎(chǔ)上，以安徽省滁州市某應(yīng)用型本科院校電子與電氣工程學(xué)院學(xué)生為研究對(duì)象，對(duì)其進(jìn)行訪談，了解被調(diào)查對(duì)象自身的因素及發(fā)展現(xiàn)狀，以教育者的角度從大學(xué)生自身的特點(diǎn)出發(fā)來(lái)設(shè)計(jì)問(wèn)卷。經(jīng)過(guò)對(duì)調(diào)查結(jié)果的分析確定評(píng)價(jià)一級(jí)指標(biāo)為個(gè)體實(shí)踐能力、創(chuàng)新創(chuàng)業(yè)知識(shí)能力、創(chuàng)新創(chuàng)業(yè)平臺(tái)、創(chuàng)新創(chuàng)業(yè)品質(zhì)，建立的大學(xué)生創(chuàng)新創(chuàng)業(yè)能力評(píng)價(jià)指標(biāo)選擇具體如表1所示。

表1 應(yīng)用型高校大學(xué)生創(chuàng)新創(chuàng)業(yè)能力評(píng)價(jià)指標(biāo)體系Table 1 Evaluation system of applicative university students' innovation and entrepreneurship

3.2 改進(jìn)的層次分析法確定評(píng)價(jià)指標(biāo)的權(quán)重

根據(jù)上述表1中的創(chuàng)新創(chuàng)業(yè)評(píng)價(jià)指標(biāo)數(shù)據(jù)，根據(jù)改進(jìn)的層次分析法建立比較矩陣A，打分的規(guī)則采用1-9 的比例標(biāo)度法，然后再分別按照層次分析法的步驟構(gòu)造判斷矩陣B、傳遞矩陣C、最優(yōu)傳遞矩陣D和擬優(yōu)一致矩陣BT，具體數(shù)值如表2—表5所示：

表2 準(zhǔn)則層相對(duì)于目標(biāo)層的比較矩陣Table 2 Comparison matrix of criterion layer with respect to target layer

表3 判斷矩陣BTable 3 Judgment matrix B

表4 傳遞矩陣CTable 4 Transfer matrix C

表5 最優(yōu)傳遞矩陣 DTable 5 Optimal transfer matrix D

最后對(duì)擬優(yōu)一致矩陣的特征向量進(jìn)行歸一化處理得權(quán)值向量λ=(0.520.360.93) 。已構(gòu)建的創(chuàng)新創(chuàng)業(yè)指標(biāo)層中其他各個(gè)因素的權(quán)重可通過(guò)同樣的方法得到，權(quán)值向量為λ1=(0.088 90.232 60.064 6)，λ2=(0.058 50.274 70.058 5)，λ3=(0.045 70.045 70.015 2)，λ4=(0. 015 20.009 10.032 6)。

3.3 組合法確定的權(quán)重值

綜合考慮創(chuàng)新創(chuàng)業(yè)指標(biāo)體系中各指標(biāo)主觀權(quán)重w(j)(j=1，2，…，n)，根據(jù)最小相對(duì)信息熵原理有：

(1)

上述優(yōu)化問(wèn)題式(1)采用拉格朗日乘子法解可表示為

(2)

由式(2)可知在利用拉格朗日乘子法對(duì)組合權(quán)重系數(shù)進(jìn)行優(yōu)化求解時(shí)，兩個(gè)權(quán)重值的系數(shù)取相等時(shí)所需的信息量最少，而其他比例的系數(shù)組合都會(huì)或多或少地增加信息量。計(jì)算出基于熵值法的權(quán)重和綜合權(quán)重如表6所示。

表6 創(chuàng)新創(chuàng)業(yè)能力評(píng)價(jià)方案指標(biāo)權(quán)重Table 6 Index Weight of innovation and entrepreneurial ability evaluation plan

3.4 遺傳神經(jīng)網(wǎng)絡(luò)算法實(shí)例應(yīng)用

在項(xiàng)目的綜合評(píng)價(jià)指標(biāo)當(dāng)中，選擇20個(gè)作為輸入樣本，首先將這些數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，把每一個(gè)值標(biāo)準(zhǔn)化到[0 1]之間，將各種指標(biāo)的標(biāo)準(zhǔn)值作為訓(xùn)練樣本，其中的評(píng)測(cè)等級(jí)分成4個(gè)，并且對(duì)神經(jīng)網(wǎng)絡(luò)的輸出做出以下的規(guī)定:優(yōu)秀為(1，0，0，0)，良好為(0，1，0，0)，合格為(0，0，1，0)，差為(0，0，0，1)，4個(gè)項(xiàng)目作為測(cè)試樣本。

采用遺傳神經(jīng)網(wǎng)絡(luò)算法對(duì)前面提到的數(shù)據(jù)樣本進(jìn)行訓(xùn)練，其中的輸入樣本數(shù)據(jù)定為指標(biāo)值與權(quán)重值的乘積，并進(jìn)行算法的參數(shù)初始化，用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)和權(quán)值，并通過(guò)訓(xùn)練得到該智能算法的誤差圖像。這里的遺傳算法選擇初始參數(shù)Pop=20，ε=5.00；BP算法的err_goal=0.000 01，lr=0.1。

通過(guò)對(duì)表1中3種不同方案的創(chuàng)新創(chuàng)業(yè)指標(biāo)的仿真分析結(jié)果可知：方案一、方案二和方案三的綜合評(píng)分分別為0.536，0.392和0.485，顯然方案一最佳。

4 結(jié) 論

用改進(jìn)的層次分析法和熵值法結(jié)合確定指標(biāo)權(quán)重，可以充分發(fā)揮兩者各自的優(yōu)勢(shì)，避免了主觀因素過(guò)量的影響。

將遺傳神經(jīng)網(wǎng)絡(luò)模型用于創(chuàng)新創(chuàng)業(yè)方案評(píng)價(jià)，通過(guò)學(xué)習(xí)來(lái)確定網(wǎng)絡(luò)最優(yōu)的結(jié)構(gòu)和權(quán)值，具有更好的網(wǎng)絡(luò)性能，使網(wǎng)絡(luò)中的自由參數(shù)、網(wǎng)絡(luò)的逼近能力達(dá)到最優(yōu)，避免產(chǎn)生過(guò)擬合或欠擬合。

構(gòu)建了基于信息熵原理的組合權(quán)重模型，通過(guò)遺傳神經(jīng)網(wǎng)絡(luò)建立創(chuàng)新創(chuàng)業(yè)綜合評(píng)價(jià)模型，組合權(quán)重計(jì)算結(jié)果顯示：實(shí)踐成果、創(chuàng)新創(chuàng)業(yè)競(jìng)賽次數(shù)、創(chuàng)新創(chuàng)業(yè)獲獎(jiǎng)在方案優(yōu)選中是最重要的指標(biāo)。