基于改進(jìn)PCA的高新企業(yè)核心技術(shù)創(chuàng)新與專業(yè)技能提升數(shù)據(jù)分析研究

張瑋

摘 要：針對(duì)企業(yè)創(chuàng)新創(chuàng)業(yè)技能提升影響因素多，各因素相關(guān)性強(qiáng)，傳統(tǒng)主成分分析不能夠很好地提取主要因素的問(wèn)題。通過(guò)隨機(jī)森林模型獲得最佳特征組合，采用信息熵對(duì)傳統(tǒng)主成分分析進(jìn)行改進(jìn)。對(duì)比主成分分析和改進(jìn)主成分分析結(jié)果，改進(jìn)主成分分析的前3個(gè)主成分包含了超過(guò)95%的信息量，而傳統(tǒng)主成分分析的前7個(gè)主成分所包含的信息量?jī)H為91.01%。結(jié)合主成分分析結(jié)果指出有效提升化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能必須強(qiáng)化員工技能培訓(xùn)，注重企校合作，打造創(chuàng)新創(chuàng)業(yè)平臺(tái)，這對(duì)化工企業(yè)轉(zhuǎn)型升級(jí)提供了數(shù)據(jù)支撐。

關(guān)鍵詞：隨機(jī)森林；主成分分析；信息熵；企業(yè)

中圖分類號(hào)：TP391;TQ050.8 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2023）06-0166-05

Research on improving innovation and entrepreneurship skills of enterprises based on improved PCA

ZHANG Wei

（Jiangsu Provincial High & New Technology Innovation Centre，Nanjing 210008，China）

Abstract：The traditional principal component analysis cannot effectively extract the main factors that affect the improvement of innovation and entrepreneurship skills in enterprises due to the multiple factors and strong correlation among them.The best feature combination is obtained through random forest model，and the traditional principal component analysis is improved by information entropy.Comparing the results of principal component analysis and improved principal component analysis，the first three principal components of improved principal component analysis contain over 95% information，while the first seven principal components of traditional principal component analysis only contain 91.01% information.Based on the results of principal component analysis，it is pointed out that effectively improving the innovation and entrepreneurship skills of chemical enterprises requires strengthening employee skill training，emphasizing enterprise school cooperation，and creating innovation and entrepreneurship platforms.This provides data support for the transformation and upgrading of chemical enterprises.

Key words：random forest;principal component analysis;information entropy;enterprise

環(huán)境污染、能源危機(jī)使得國(guó)民的環(huán)保意識(shí)不斷增強(qiáng)，化工企業(yè)傳統(tǒng)經(jīng)營(yíng)模式必須實(shí)施改革，通過(guò)提升企業(yè)的創(chuàng)新創(chuàng)業(yè)技能，確保自身市場(chǎng)競(jìng)爭(zhēng)力的持續(xù)提升［1］。影響化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能提升的因素是多方面的，提升企業(yè)創(chuàng)新創(chuàng)業(yè)技能必須抓取主要因素。主成分分析（PCA）在處理復(fù)雜影響因素且各種影響因素之間具有一定相關(guān)性的問(wèn)題中具有突出的優(yōu)勢(shì)，在許多領(lǐng)域得到了廣泛的應(yīng)用［2］。構(gòu)建了激光麥克風(fēng)語(yǔ)音信號(hào)特征提取的PCA模型，有效降低了計(jì)算成本和時(shí)間，并指出由第1主成分重構(gòu)的語(yǔ)音信號(hào)最為清晰［3］。采用PCA構(gòu)建了CFRP-鈦合金疊層材料制孔刀具健康指標(biāo)，其健康指標(biāo)具有良好單調(diào)性、趨勢(shì)性，能夠有效反應(yīng)制孔刀具加工過(guò)程的健康狀態(tài)，達(dá)到提升孔加工精度和加工質(zhì)量的目的［4］。為解決風(fēng)電齒輪箱故障診斷特征指標(biāo)之間存在的相互干擾、非線性分類困難問(wèn)題，采用PCA對(duì)數(shù)據(jù)降維處理，并結(jié)合支持向量機(jī)實(shí)現(xiàn)了對(duì)風(fēng)電齒輪箱故障高精度分類的目的［5］。采用PCA對(duì)小麥籽粒、面粉、面團(tuán)品質(zhì)指標(biāo)進(jìn)行分析，有效篩選出綜合性狀優(yōu)良的品種，實(shí)現(xiàn)了對(duì)優(yōu)質(zhì)強(qiáng)筋小麥品質(zhì)的改良［6］?？紤]到影響企業(yè)創(chuàng)新創(chuàng)業(yè)技能提升的因素是十分復(fù)雜的，且各因素之間存在相關(guān)性。對(duì)PCA進(jìn)行改進(jìn)，獲得影響企業(yè)創(chuàng)新創(chuàng)業(yè)技能提升的主要因素，從而達(dá)到提升企業(yè)創(chuàng)新創(chuàng)業(yè)技能的目的。

1 化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能影響指標(biāo)體系

化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能直接影響到企業(yè)的競(jìng)爭(zhēng)力，影響企業(yè)創(chuàng)新創(chuàng)業(yè)技能的因素是多方面的，同時(shí)各種影響因素之間往往存在一定的相關(guān)性。通過(guò)對(duì)創(chuàng)新創(chuàng)業(yè)技能的分析，構(gòu)建影響指標(biāo)體系，如圖1所示。

由圖1可知，從創(chuàng)新創(chuàng)業(yè)意識(shí)、創(chuàng)新創(chuàng)業(yè)環(huán)境、創(chuàng)新創(chuàng)業(yè)水平、創(chuàng)新創(chuàng)業(yè)制度4個(gè)角度構(gòu)建了包含16個(gè)指標(biāo)的企業(yè)創(chuàng)新創(chuàng)業(yè)技能影響體系。很明顯，16個(gè)指標(biāo)中部分指標(biāo)之間存在明顯的相關(guān)性，如主觀意愿和內(nèi)在動(dòng)力。只有具有比較強(qiáng)的主觀意愿，才能夠激發(fā)企業(yè)創(chuàng)新創(chuàng)業(yè)的內(nèi)在動(dòng)力，但是2者之間也存在差異。采取PCA來(lái)消除16個(gè)指標(biāo)之間的相關(guān)性，減少影響企業(yè)創(chuàng)新創(chuàng)業(yè)技能提升的指標(biāo)維度［7］。

2 化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能主因素提取模型

2.1 主成分分析

主成分分析的關(guān)鍵是降維，作為多元統(tǒng)計(jì)方法，其在處于具有比較強(qiáng)相關(guān)性的多指標(biāo)問(wèn)題中具有良好的效果［8］。影響化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能提升的指標(biāo)是多方面的，同時(shí)不同的指標(biāo)之間存在相關(guān)性且不同指標(biāo)對(duì)企業(yè)創(chuàng)新創(chuàng)業(yè)技能提升的影響也存在比較大的差別。通過(guò)PCA來(lái)獲取信息量大的主成分，確保所篩選出的評(píng)價(jià)指標(biāo)之間不相關(guān)，大大減少數(shù)據(jù)分析的工作量［9］。定義為化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能影響指標(biāo)集合，對(duì)各影響指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理消除評(píng)價(jià)指標(biāo)數(shù)據(jù)之間存在的量綱差異，即

3.3 結(jié)果分析

分別采用PCA和信息熵改進(jìn)PCA的特征信息融合模型進(jìn)行分析，結(jié)果如表1所示。

由表1可知，采用主成分分析，第1主成分特征值為1.236，方差占總方差的比重為26.45%，前7項(xiàng)主成分在總方差中的比重超過(guò)90%。采用信息熵改進(jìn)PCA的特征信息融合模型，第1主成分特征值為3.56，前3項(xiàng)主成分在總方差中的比重超過(guò)90%。由此可見(jiàn)，通過(guò)計(jì)算隨機(jī)森林模型對(duì)應(yīng)特征重要性指標(biāo)，以指標(biāo)篩選出的最佳特征組合使得算法的效率大大提升，通過(guò)前3個(gè)主成分就可以包含原有信息超過(guò)95%的信息量。獲取主成分載荷矩陣［20］，結(jié)果如表2所示。

由表2可知，對(duì)第1主成分影響比較大的是創(chuàng)新創(chuàng)業(yè)能力和創(chuàng)新創(chuàng)業(yè)環(huán)境；對(duì)第2主成分影響比較大的是創(chuàng)新創(chuàng)業(yè)定位和創(chuàng)新創(chuàng)業(yè)制度；對(duì)第3主成分影響比較大的是創(chuàng)新創(chuàng)業(yè)主觀意識(shí)。

3.4 企業(yè)創(chuàng)新創(chuàng)業(yè)技能提升建議

通過(guò)對(duì)化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能提升影響因素的主成分分析可知，提升創(chuàng)新創(chuàng)業(yè)技能的關(guān)鍵在于創(chuàng)新創(chuàng)業(yè)能力的提升與創(chuàng)新創(chuàng)業(yè)環(huán)境的改善。為了有效提升化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能，需要做到3個(gè)方面的內(nèi)容。

3.4.1 強(qiáng)化員工技能培訓(xùn)

化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能提升的關(guān)鍵在于員工技能的提升，必須強(qiáng)化對(duì)員工的技能培訓(xùn)。員工只有掌握了相應(yīng)的創(chuàng)新創(chuàng)業(yè)技能，才能夠更好地結(jié)合企業(yè)現(xiàn)有的資源實(shí)施創(chuàng)新創(chuàng)業(yè)，打造符合市場(chǎng)需求的高質(zhì)量產(chǎn)品。構(gòu)建對(duì)企業(yè)員工的完善培訓(xùn)體系，使得員工的個(gè)人發(fā)展和企業(yè)的發(fā)展之間實(shí)現(xiàn)雙贏。圖3為構(gòu)建的員工技能培訓(xùn)體系。

3.4.2 注重企校技術(shù)合作

企校合作是企業(yè)在發(fā)展的過(guò)程中有效借助專業(yè)高校的力量來(lái)促進(jìn)企業(yè)創(chuàng)新創(chuàng)業(yè)技能的提升，高校的發(fā)展離不開(kāi)企業(yè)，同樣企業(yè)的高質(zhì)量發(fā)展也離不開(kāi)高校。通過(guò)注重企校合作將高校先進(jìn)的技術(shù)應(yīng)用于企業(yè)實(shí)際生產(chǎn)中，提升企業(yè)產(chǎn)品的市場(chǎng)競(jìng)爭(zhēng)力。充分發(fā)揮企校合作在提升化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能方面所發(fā)揮的重要作用，具體如圖4所示。

3.4.3 打造創(chuàng)新創(chuàng)業(yè)平臺(tái)

打造創(chuàng)新創(chuàng)業(yè)平臺(tái)能夠有效改善化工企業(yè)創(chuàng)新創(chuàng)業(yè)環(huán)境，從而達(dá)到提升企業(yè)創(chuàng)新創(chuàng)業(yè)技能的目的。企業(yè)要加大對(duì)創(chuàng)新創(chuàng)業(yè)的支持力度，在整個(gè)企業(yè)內(nèi)部形成人人講創(chuàng)新創(chuàng)業(yè)的良好氛圍，對(duì)創(chuàng)新創(chuàng)業(yè)過(guò)程中存在的錯(cuò)誤給予最大程度的寬容，激發(fā)員工的創(chuàng)新創(chuàng)業(yè)潛能。

4 結(jié)語(yǔ)

創(chuàng)新創(chuàng)業(yè)技能的提升是化工企業(yè)轉(zhuǎn)型升級(jí)，更好迎合社會(huì)和市場(chǎng)發(fā)展需求的關(guān)鍵。構(gòu)建了包含16個(gè)指標(biāo)的企業(yè)創(chuàng)新創(chuàng)業(yè)技能影響指標(biāo)體系，采用信息熵改進(jìn)主成分分析，得到了對(duì)化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能影響大的主成分。通過(guò)和傳統(tǒng)主成分分析結(jié)果對(duì)比，改進(jìn)主成分分析模型能夠通過(guò)比較少的主成分來(lái)獲取原始數(shù)據(jù)中所包含有的超過(guò)95%的信息量。為提升化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能，要重點(diǎn)強(qiáng)化員工技能培訓(xùn)，注重企校合作，打造創(chuàng)新創(chuàng)業(yè)平臺(tái)，這對(duì)化工企業(yè)實(shí)施轉(zhuǎn)型升級(jí)，實(shí)現(xiàn)綠色、可持續(xù)發(fā)展提供了參考。

【參考文獻(xiàn)】

［1］屈永斌.面向化工企業(yè)的管理系統(tǒng)構(gòu)建及實(shí)現(xiàn)［J］.粘接，2021，47（7）：141-144.

［2］陳艷杰.HPLC法測(cè)定銀杏葉提取物中9種小分子有機(jī)酸類含量研究［J］.粘接，2021，48（12）：39-43.

［3］孫學(xué)明，張大華，周志全，等.基于主成分分析的激光麥克風(fēng)的語(yǔ)音信號(hào)提?。跩］.激光與紅外，2022，52（12）：1761-1767.

［4］王賢鋒，王守文，張烘州，等.基于主成分分析的CFRP—鈦合金疊層材料制孔刀具健康指標(biāo)構(gòu)建［J］.工具技術(shù)，2022，56（11）：128-132.

［5］黃宇斐，石新發(fā)，賀石中，等.一種基于主成分分析與支持向量機(jī)的風(fēng)電齒輪箱故障診斷方法［J］.熱能動(dòng)力工程，2022，37（10）：175-181.

［6］李曉麗，姜蘭芳，馬小飛，等.基于主成分分析的強(qiáng)筋小麥加工品質(zhì)綜合評(píng)價(jià)［J］.麥類作物學(xué)報(bào)，2022，42（12）：1473-1483.

［7］張賤根，劉均華，劉知遠(yuǎn)，等.基于相關(guān)性和主成分分析的上猶名優(yōu)綠茶品質(zhì)評(píng)價(jià)［J］.食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2023，14（3）：285-292.

［8］劉青，張浩然，尚英強(qiáng)，等.基于主成分分析法的高壓服役電纜主絕緣老化狀態(tài)評(píng)估［J］.絕緣材料，2022，55（11）：56-62.

［9］鄭自強(qiáng)，李凌，喬宇，等.基于主成分分析的目標(biāo)熱紅外偽裝效果評(píng)價(jià)研究［J］.激光與紅外，2023，53（3）：431-438.

［10］孫強(qiáng)，王麗艷，荊瑞勇，等.不同品種亞麻籽8種生物活性物質(zhì)含量及其主成分分析［J］.食品與機(jī)械，2022，38（9）：40-45.

［11］滑小贊，程濱，趙瑞芬，等.基于主成分分析的山西省油桃主產(chǎn)區(qū)土壤肥力評(píng)價(jià)［J］.北方園藝，2023，524（5）：77-84.

［12］陳偉，陳紹安，羅婷，等.思茅松產(chǎn)脂量相關(guān)生態(tài)因子的主成分分析［J］.西部林業(yè)科學(xué)，2023，52（1）：27-33.

［13］梁良，杜雨馨，楊子建.基于主成分分析的有機(jī)化合物吸收光譜識(shí)別方法［J］.激光雜志，2022，43（9）：183-187.

［14］鄧智廣，譚振鵬.基于機(jī)器學(xué)習(xí)的智能電網(wǎng)調(diào)度控制系統(tǒng)在線健康度評(píng)價(jià)研究［J］.粘接，2021，48（12）：158-161.

［15］陳薛輝，馮燕，錢(qián)權(quán).差分隱私保護(hù)的隨機(jī)森林算法及在鋼材料上的應(yīng)用［J］.工程科學(xué)學(xué)報(bào)，2023，45（7）：1194-1204.

［16］李順勇，許曉麗.基于信息熵加權(quán)的多視圖子空間聚類算法［J］.陜西科技大學(xué)學(xué)報(bào)，2023，41（2）：207-214.

［17］楊軍，張敏敏.利用模型相似性的三維模型簇協(xié)同分割［J］.光學(xué)精密工程，2021，29（10）：2504-2516.

［18］王小剛，閆光輝，周寧.多階鄰接分布熵下的復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)相似性分析方法［J］.控制理論與應(yīng)用，2021，38（6）：739-747.

［19］潘婷婷，張楓，邢昆明，等.不同儲(chǔ)層相對(duì)滲透率曲線歸一化方法評(píng)價(jià)［J］.大慶石油地質(zhì)與開(kāi)發(fā)，2016，35（3）：78-82.

［20］閆春曉，周聰，王德華，等.基于主成分分析玫瑰露酒感官特征與偏好性關(guān)系［J］.食品研究與開(kāi)發(fā)，2023，44（1）：83-88.

收稿日期：2023-01-20；修回日期：2023-04-20

作者簡(jiǎn)介：張 瑋（1981-），男，碩士，副研究員，研究方向：科技管理；E-mail：zhweizq_zh@sina.com。

基金項(xiàng)目：江蘇省高新技術(shù)創(chuàng)業(yè)服務(wù)中心自立項(xiàng)目（項(xiàng)目編號(hào)：CY202105）。

引文格式：張 瑋.基于改進(jìn)PCA的高新企業(yè)核心技術(shù)創(chuàng)新與專業(yè)技能提升數(shù)據(jù)分析研究[J].粘接，2023，50（6）：166-170.