基于BP人工神经网络的企业环境绩效评价
基于深度神经网络的企业绩效评价指标体系构建的探究
基于深度神经网络的企业绩效评价指标体系构建的探究基于深度神经网络的企业绩效评价指标体系构建的探究第一章：绪论1.1 研究背景及意义企业绩效评价在企业管理中具有重要的作用，它不仅可以帮助企业管理者更好地了解企业的经营状况，还能为企业的决策提供有力支持。
然而，传统的企业绩效评价方法往往受制于主观评价、单一评价指标的局限性，无法真正反映企业的整体运营状况。
近年来，随着深度学习技术的发展，基于深度神经网络的企业绩效评价成为了研究的热点。
1.2 研究内容和目标本文旨在探究基于深度神经网络的企业绩效评价指标体系的构建方法。
通过深入分析企业绩效评价指标的特点和研究现状，设计一个基于深度神经网络的评价指标体系，并利用实际数据进行模型训练和验证，以期提高企业绩效评价的准确性和全面性。
第二章：深度学习基础2.1 深度神经网络的原理和结构首先介绍深度学习的基本概念和发展历程，然后详细介绍深度神经网络的原理和结构。
包括神经网络的基本组成部分及其功能，如输入层、隐藏层、输出层、激活函数等。
2.2 深度学习算法及其应用介绍常用的深度学习算法，如反向传播算法、卷积神经网络、循环神经网络等，并详细阐述它们在图像识别、自然语言处理等方面的应用。
第三章：企业绩效评价指标体系构建方法3.1 企业绩效评价指标的特点和分类分析企业绩效评价指标的特点，包括可度量性、相关性、管理可控性等，并根据指标的性质将其分类为财务指标、非财务指标和市场指标等。
3.2 深度神经网络在企业绩效评价中的应用探讨深度神经网络在企业绩效评价中的应用方法，包括数据预处理、模型选择和训练等方面。
详细介绍如何利用深度神经网络构建企业绩效评价模型，并如何通过调整网络参数来提高模型的准确性。
第四章：实证研究4.1 数据收集和处理选择一家具有代表性的企业作为研究对象，收集相应的财务数据、非财务数据和市场数据，并对数据进行预处理。
4.2 模型训练和验证基于收集到的数据，构建企业绩效评价指标体系，并利用深度神经网络对模型进行训练和验证。
(整理)基于BP神经网络的信用评级模型.
BP神经网络模型概要说明BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)（如图5.2所示）。
2.相关理论BP算法由数据流的前向计算（正向传播）和误差信号的反向传播两个过程构成。
正向传播时，传播方向为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。
若在输出层得不到期望的输出，则转向误差信号的反向传播流程。
通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。
1989年Robert Hecht—Nielon证明了对于任何在闭区间的一个连续函数都可以用一个隐层的BP网络来逼近，因而一个3层的BP网络可以完成任意的N维到M 维的映射，因此在BP网络中多采用单隐层网络。
下面我们以三层神经网络为例来说明BP 网络的标准学习算法。
BP 算法信号的正向传播设定BP 网络的输入层有n 个神经元，隐含层有p 个神经元,输出层有q 个神经元，输入层与隐层之间的权值为 ki ν，隐层与输出层之间的权值为 jk ω。
隐层的传递函数为f 1(·)，输出层的传递函数为f 2(·)，则隐层节点的输出为10()1,2,....n k ki i i z f x k ν===∑输出层节点的输出为：20()1,2,....q j jk k k y f z j ω===∑至此BP 网络就完成了n 维空间向量对m 维空间的近似映射。
基于BP神经网络的企业技术创新能力评价及应用研究_夏维力
第17卷第1期2005年2月研究与发展管理R＆D MANAGEM ENTVo.l17No.1Feb.2005文章编号:1004-8308(2005)01-0050-05基于BP神经网络的企业技术创新能力评价及应用研究 *夏维力,吕晓强(西北工业大学管理学院,西安 710072)摘 要:针对当前评价企业技术创新能力的方法所存在的不足,提出一种基于BP神经网络的企业技术创新能力评价方法。
首先建立企业技术创新能力评价指标体系,然后根据指标体系,设计BP神经网络模型,并给出可行的评价程序。
在计算方法上,用M ATLA B神经网络工具箱来进行网络设计和计算。
通过大量学习样本的训练和测试,使模型的误差达到预定的范围内。
最后,以实例验证了这种方法的准确性和可操作性。
关键词:技术创新能力;BP神经网络;MA TLAB神经网络工具箱中图分类号:F272.1 文献标识码:A企业技术创新能力是指企业在技术创新活动过程中所表现出来的技术开发与转化的条件和力量。
企业技术创新活动的进行,既有来自于市场的需求和竞争的压力,也有来自于企业内部的员工和企业整体的经济利益和精神追求的推动;技术创新活动也日益成为决定企业生存和发展的动力和源泉[1]。
目前,我国采用的评价企业技术创新能力的方法大多是美国著名运筹学家Saaty TL于20世纪70年代提出的层次分析法(AH P)。
其弊端集中体现在:①指标体系不够全面客观;②评价指标权重的确定缺乏理论依据,带有明显的主观臆断;③不能反映技术创新能力中随外界变化的动态因素。
因此,评价结果的准确程度和激励作用是有限的。
近十年来迅速发展的人工神经网络(A rtificia lNeuralN et w o r k,ANN)是非线性科学中的前沿热点。
它属于隐式数学处理方法,无须建立数学模型,而由网络训练从数据中概括出来的知识,以多组权值和阈值的形式,分别存储于各神经元中,构成网络知识,然后利用该知识来评价或预测相似因素的结果。
基于主成分和BP神经网络的创业板企业财务绩效评价
基于主成分和BP神经网络的创业板企业财务绩效评价内容摘要：本文从盈利能力、资产质量、债务风险和经营成长能力四个方面选取创业板企业财务绩效的评价指标，基于主成分分析法构建了其评价指标体系，通过BP神经网络建立了财务绩效的评价模型，最后对创业板企业财务绩效进行了实证分析，验证了模型的有效性。
关键词：创业板企业财务绩效主成分分析BP神经网络引言创业板企业财务绩效评价是对上市公司的获利情况、可持续发展能力和成长能力的评估，对减少投资风险、保证资金安全、获得预期收益起着重要的作用（徐胜男等，2011）。
关于企业财务绩效评价的研究主要包括评价指标体系和评价方法两个方面。
关于财务绩效评价指标体系的研究，夏秋（2007）从盈利能力、管理能力和风险控制能力三个方面衡量商业银行的财务绩效水平。
李庆东（2006）选取投资者获利能力、盈利能力、企业发展能力、经营效率、偿债能力等五个一级指标作为石油化工类上市公司综合财务绩效的评价指标体系。
赵息等（2012）采用代表盈利能力、偿债能力、营运能力、发展能力共计9项指标检验上市公司的并购绩效。
关于绩效评价方法，孙立成等（2012）运用因子分析模型对我国石油行业上市公司的财务绩效进行了综合评价。
徐胜男等（2011）基于LMBP神经网络对创业板企业财务绩效进行了评价。
张水英（2012）对指标进行综合评分，并对综合评分进行正态性检验，比较创业板上市公司与沪市A股的财务绩效。
杨自业和尹开国（2009）采用行为评估问卷调查方法来测度我国上市公司的社会绩效水平。
杨洪波（2012）等集成熵权法与改进的层次分析法对上市公司财务绩效进行评价。
李巍巍和吴冲（2012）通过集成层次分析法、灰色关联度法、因子分析法对上市运输类公司进行聚类分析。
目前的研究中，指标体系主要是通过主观经验建立，指标之间可能存在关联性。
绩效评价方法中对指标的评分也存在主观性因素。
因此，本文从盈利能力、资产质量、债务风险和经营成长能力四个方面，选取了销售净利率、流动资产周转率、速动比率等14个反映创业板企业财务绩效的指标，通过主成分分析法确定了创业板企业财务绩效的评价指标体系，并基于BP神经网络构建了创业板企业财务绩效的评价模型。
基于BP神经网络的创新绩效评价模型
基于BP神经网络的创新绩效评价模型作者：芦冬青来源：《现代电子技术》2017年第15期摘要：针对当前创新绩效评价模型存在收敛效率低以及泛化性能弱的缺陷，提出基于BP 神经网络的创新绩效评价模型。
对创新绩效评价的指标体系进行构建，并收集相应的创新绩效评价数据，采用BP神经网络模拟人脑对创新绩效数据进行训练，并采用梯度法确定BP神经网络的参数，建立创新绩效评价模型，最后通过仿真实验测试其性能。
实验结果表明，该模型提高了创新绩效评价的精度，而且评价速度得到大幅度提高，评价效果明显优于其他模型，具有更高的实际应用价值。
关键词： BP神经网络；评价模型；收敛效率；泛化性能中图分类号： TN711⁃34； TP183 文献标识码： A 文章编号： 1004⁃373X（2017）15⁃0056⁃03Abstract： Since the available innovation performance evaluation model has the defects of low convergence efficiency and weak generalization performance， an innovation performance evaluation model based on BP neural network is proposed. The index system of the innovation performance evaluation was constructed. The corresponding innovation performance evaluation data is collected，and trained with BP neural network simulating the human brain. The gradient method is used to determine the parameter of BP neural network. The innovation performance evaluation model was established， and its performance was tested with simulation experiment. The experimental results show that the model can improve the accuracy of innovation performance evaluation and evaluation speed， its evaluation effect is superior to other models， and has high practical application value.Keywords： BP neural network； evaluation model； convergence efficiency； generalization performance0 引言当前知识在人力资本和科技中具有较高的应用价值，是企业提升自身竞争力的关键。
基于BP神经网络的企业经营绩效分析模型
基于BP神经网络的企业经营绩效分析模型绪论企业的经营绩效是评估企业运营状况和发展潜力的重要指标。
为了提升企业的竞争力和盈利能力，许多研究者通过构建模型来预测和评估企业的经营绩效。
本文将介绍一种基于BP神经网络的企业经营绩效分析模型，探讨该模型在实际应用中的优势和潜在挑战。
一、BP神经网络简介BP神经网络是一种常用的人工神经网络模型，通过反向传播算法训练网络权值，实现对输入数据的模式识别和预测。
BP神经网络具有非线性、自适应和并行处理能力，能够应用于复杂问题的解决。
因此，它被广泛应用于企业的经营预测和绩效评估。
二、BP神经网络在企业经营绩效分析中的应用1. 数据收集和预处理在建立BP神经网络模型之前，需要收集并整理企业的经营数据。
这些数据可以包括营业收入、成本、净利润、资产负债表等信息。
同时，还需要进行数据预处理，包括数据清洗、特征提取和数据归一化等，以提高模型的准确性和鲁棒性。
2. 网络结构设计BP神经网络的网络结构对于模型的性能至关重要。
在企业经营绩效分析中，一般采用三层结构的BP神经网络，包括输入层、隐含层和输出层。
输入层接收经营数据作为网络的输入，隐含层用于处理数据特征的提取和映射，输出层给出对企业经营绩效的评估结果。
3. 训练和学习算法BP神经网络的学习过程包括正向传播和反向传播。
正向传播阶段将输入样本通过网络前向传递，生成输出结果。
反向传播阶段根据输出结果与实际值之间的误差，通过调整网络权值，更新网络参数，以实现权值的自适应调整和误差最小化。
4. 绩效预测和评估通过训练好的BP神经网络模型，可以对未来的企业经营绩效进行预测。
根据输入数据，通过网络的反向传播算法，可以得到与企业实际绩效相符的输出结果。
同时，还可以通过对网络权值和输出误差的分析，评估企业绩效的影响因素和关键驱动因素。
三、基于BP神经网络的企业经营绩效分析模型的优势1. 非线性建模能力BP神经网络模型具有强大的非线性建模能力，能够更好地适应复杂的经营环境和数据关系。
基于BP神经网络的企业虚拟度评价与实证分析
业虚拟化经 营程度即虚拟 度的研究则相对不足 。 的界定 ，在文献研究 的基础 上 ，根据虚拟 企业 的内涵特 征 ，本文 中的虚拟度是 指虚 拟企 业问合 作关系开 展的程 度 ，它标志着企业虚拟 化进程 的深度 和广 度 。所谓 的虚 拟化就是指企业从 实体企业 向虚拟企 业的演化 ，企业 的
本文在文献研究基础 上 ，借助企 业 内部调研 和专 家
咨询 ，遵循 科学 性 、规 范性 、系统 性 和可操 作 性 原则 ， 经过反复归纳 ，提 出了从 企业 经 营形式 、经 营理念 、企
影响企业虚拟化程度的各种 因素 ，构建企业虚拟度评价指标体 系，提 出了一种基 于 Ｂ Ｐ神经 网络 的企业 虚拟度评价方法。通过 Ｍ Ｔ Ａ Ａ Ｌ Ｂ神 经网络工具对其进行模拟计算 ，并 以浙江大唐袜 业集群 为例 验证 模型 的可靠性。实证 分析表明该方法为企业虚拟度评价提 供 了一种 有效 实用的方 法。
第 ２卷 ９
２０ 月 ０ 年５ １
第 ５期
工 业 技 术 经 济
Ｖ第．ｏ 总２ Ｎ５ ０９ ． １ ．
１９期 ９
基于 Ｂ Ｐ神 经 网络 的企 业 虚拟 度 评 价 与实 证 分 析
蒋杨永 刘春 艳 蒋建华
（ 浙江工 业大 学 ，杭 州 ３０２ ） １０４
［ 摘 要 ］ 虚拟企业是 ２ 世 纪企业的潜在发展模 式 ，在研 究企业虚拟度 内涵的基础上 ，全面考察 １
势 ，越来越多的企业 投入 了 “ 虚拟化”的进程 ，虚拟企业 也 日益成为管理学和经济学的研究焦点。国外研究多集 中 在技术实现方面 ，如 虚拟企业人力资 源管 理、内涵 界定、 信息平 台建设以及效率问题等－ ２，国内学者 的研究多集 】］ － 中于其组织与管理问题的研究 ，诸如虚拟企业的建立和过
基于BP神经网络的建筑施工企业信用评价模型研究
基于BP神经网络的建筑施工企业信用评价模型研究【摘要】本文通过基于BP神经网络的建筑施工企业信用评价模型研究，旨在提高建筑施工企业信用评价的准确性和效率。
首先介绍了研究的背景和目的，然后对建筑施工企业信用评价模型进行概述，并对BP神经网络的原理进行详细分析。
接着描述了模型的构建和训练过程，以及实证分析的结果和讨论。
总结了本研究的意义，指出存在的不足之处，并展望了未来研究的方向。
通过本研究可以为建筑施工企业信用评价提供参考，促进建筑行业的健康发展。
【关键词】建筑施工企业、信用评价、BP神经网络、模型研究、建设企业、信用评估、模型构建、训练、实证分析、结果讨论、研究意义、不足之处、展望未来1. 引言1.1 背景介绍建筑施工企业在社会经济活动中扮演着重要的角色，其信用评价对于企业的发展和经营至关重要。
由于建筑施工企业的复杂性和特殊性，传统的信用评价方法往往存在局限性和不足。
利用先进的技术和方法对建筑施工企业进行信用评价成为当务之急。
随着神经网络在各领域的广泛应用，基于BP神经网络的建筑施工企业信用评价模型受到了研究者们的关注。
BP神经网络具有强大的非线性映射能力和学习能力，能够对建筑施工企业的信用情况进行准确的评估和预测。
通过构建相应的神经网络模型，可以有效地提高信用评价的准确性和可靠性。
本研究旨在探讨基于BP神经网络的建筑施工企业信用评价模型，通过对BP神经网络原理的分析和模型的构建与训练，以及实证分析和结果讨论，深入研究建筑施工企业信用评价模型的有效性和实用性。
本研究还将探讨研究的意义、存在的不足之处，并展望未来的研究方向和发展趋势。
通过本研究的开展，有望为建筑施工企业信用评价提供新的思路和方法，促进建筑施工行业的可持续发展和健康发展。
1.2 研究目的：本研究旨在通过建立基于BP神经网络的建筑施工企业信用评价模型，来提高对施工企业信用状况的准确评估能力。
具体目的包括：一是探究BP神经网络在建筑施工企业信用评价中的应用效果，验证其在信用评价领域的可行性和有效性；二是通过分析建筑施工企业信用评价模型的构建过程和实证分析结果，为企业信用评估提供实用的参考和指导，从而提高评估的准确性和可靠性；三是总结研究结果和结论，探讨研究的意义和贡献，并指出模型研究中存在的不足之处，为未来研究提供展望和改进方向。
基于Matlab人工神经网络的企业环境绩效评价
Ｍａ工经络企环绩评 ａ 人神网的业境效价 ｔ Ｉ ｂ
文／ 张承煊
一
唐建荣
，
企业环境绩效的内涵与特征
权重 的主观色彩 ， 使企业环 境绩效评估 结果 更客 观 、 更科 企业环 境绩效评 估能规 范和促进 企业 加强污染 治理
环境 绩效指人们在 防治环境污染 、减少生态破坏 、 改 学 。 善环境质量方 面所取得 的成绩 。 企业环境绩效就 是通 过约 束或调整企业 的行 为， 控制企业活动对生态环境产生 的不 和生态保护 ， 是实现可持续发展 的重要举 措。企业环境绩 利影响 ， 并取得积极的成果。 现在两 个方面 ： 表 一是环境质 效评估指标体 系的研究 ， 是建立 我国企 业环境绩效评估标 量的变动 ， 境质量包括污染物排放水平 、 环 环境质量达标 、 准和评估体 系的重要实践过程和必要 的过渡 阶段 ， 在我 国 环境资源 （ 、 煤 、 水 电、 油等） 耗用量 、 有毒有 害物质 的使用 有着十分重要的理论和实践意义。考虑到指标的可采集 和保 管等方 面 ； 是环境质量变 动所 引起 的价值 （ 括经 性 ，笔者在 参考 国际企业环境 绩效评估 指标体系 的基 础 二 包 济价值和环境 价值） 变化 。企业的环境 绩效反映 了企 业的 上 ， 拟用五大类十五 个指标 建立企业环境绩效评价指标体 环境管理水平 。环 境绩效、 环境质量 与环境 管理 活动密切 系 ， 第一类 ， 经济社会 发展指标 ： 销售 收入增 长率 、 净资产
价系统包括了质量 、 服务和清洁生产措施等 内容 。企业环 经 网络模型 是采用 Ｂ Ｐ网络和它 的变 化形式 ， 它也是前 向
境 绩效 一般表 现为企业 的非财务绩 效形态 ，包 括环境 意 网络的核心部分 ， 体现了人工神 经网络最精华 的部分 。
BP神经网络在企业绩效评价中的应用
ＢＰ神经网络在企业绩效评价中的应用摘要：当今的企业绩效评价方法已经不适用于企业的发展，为了建立企业绩效综合评价模型，在由基本的财务指标构成的财务分析体系基础上，将BP神经网络应用于绩效综合评价中，以企业历史数据作为BP神经网络的训练样本，用训练好的BP网络评价企业当期各方面的绩效，能达到令人满意的评价效果。
关键词：神经网络；企业绩效；综合评价1. BP神经网络1.1 BP神经网络的模型BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。
由于权值的调整采用反向传播(Back Propagation)学习算法，因此也常称其为BP网络。
BP学习算法要求神经元模型的传递函数为有界连续可微函数，如sigmoid函数(形如f(χ)=(1+е-x)-1)。
由具有这种传递函数的神经元组成的网络，通过学习可以用一个连续的超曲面(而不仅仅是一个超平面)来完成划分输入样本空间的功能。
在输入样本空间复杂的情况下，可根据要求，采用n层网络结构，具有输入层、隐含层、输出层三个层次，各层间实现全连接，此时学习后的网络可以以n-1个超曲面构成一个符合曲面，完成复杂的分类任务，弥补了单层感知器的缺陷。
BP神经网络结构通过误差反向传播来消除误差。
在训练中通过计算输出值与期望值之间的误差，来求解输出层单元的一般化误差，再将误差进行反向传播，求出隐含层单元的一般化误差，调整输出层和隐含层及输入层之间的连接权值与隐含层、输出层的阈值，直到系统误差可以接受为止，此时的权值、阈值不再改变。
图1 前馈神经网络模型如图1所示的三层前馈网络中，第1层为输入层，第3层为输出层，中间层为隐含层，输入层神经元函数取f(x)=x，即输入层神经元将输入值不加处理地直接通过加权传送至隐含层神经元，隐含层和输出层神经元节点函数为Sigmoid型函数：f(χ)=(1+е-x)-1，该函数的特点是定义域为实数，取值范围为(0，1)，并且为非线性、可微、非递减函数，所有的神经元阀值都取为0。
BP神经网络在企业经营绩效评价中的应用
第15卷 第4期运 筹 与 管 理Vol.15,No.42006年8月OPERAT IO NS RESEARCH AN D M ANA GEM EN T SCI EN CE Aug.2006收稿日期:2005-11-18基金项目:教育部博士点基金资助项目(20040217005);国防科工委技术基础资助项目(C192005C001);黑龙江省自然科学基金资助项目(2004-25)作者简介:傅毓维(1940-),男,辽宁盖县人,哈尔滨工程大学经济管理学院教授,博士生导师,主要从事投资决策优化、项目可行性论证研究。
BP 神经网络在企业经营绩效评价中的应用傅毓维, 尹航, 杨贵彬(哈尔滨工程大学,经济管理学院黑龙江哈尔滨150001)摘 要:对企业经营绩效的评价主要采用线性和非线性两类评价模型,非线性评价模型能够更好地对经济现象进行仿真,评价结果客观、准确,更加具有实际参考价值。
本文从考核投入产出效率的角度出发,选取基本财务指标构成评价体系,在此基础上,建立基于误差逆传播人工神经网络(BP 神经网络)的高新技术企业绩效评价模型。
以医药行业2003年度22家上市公司财务数据作为神经网络的训练和测试样本,将训练好的BP 神经网络应用于企业绩效的当期评价和仿真预测,实证分析结果令人满意。
关键词:运筹学;综合评价;BP 神经网络;混合DEA 模型;经营绩效中图分类号:F270.3;F224.33 文章标识码:A 文章编号:1007-3221(2006)04-0137-04Application of BP N eu ral Network In EvaluatingEnterprise Operation PerformanceFU Yu -w ei,YIN Hang,YANG Gu-i bin(School of Economics and M anagement,H arbin Engineering Univer sity ,H ar bin 150001,China)Abstract:Two categories of evaluation model,linear model and non -linear model have been applied to evaluating enter -prise performanc e frequently.The simulation efficienc y of ec onomic phenomena through the application of non -linear model is satisfac tory.The result of evaluation is objective,scientific and more valuable for administrators a s reference.From the view of evaluating inpu-t output efficiency,the article constructs integrated indexes system by selecting basic financial indexe s.The back propagation neural network method is applied to the integrated evaluation ba sed on the 2003annual financial data of tw enty -two listed companie s in medicine industry.It can evaluate the enterprise perfor -mance and forec ast prospect through training formal fingers.The re sults show that the application of BP neutral net -works to evaluating the enterprise performance is satisfactory.Key words:operations research;integrated evaluation;BP neural networks;mixed DEA model;enterprise performance0 引言企业价值大小根据企业长期经营绩效而定。
基于BP神经网络的中小企业信用评价
网络评价模 型，该模型具有对 中小企业信用的预测功能。
【 关键词】企业信用
一
．
引言
Ｂ 神经网络用于中小企业信 用评价的原理 ： 中小企业信 用评 Ｐ 把
目前 ．中小企业 在我 国的经济发展 中 占有举足轻重 的地位 ． 价指标体 系的信息作 为神经网络的输入 向量 ｘ Ｘ．，Ａ． ）将 ＝（， ． Ｘ ： Ｘ
维普资讯
经 营 管 理
中小企业信用评价
懈 高丽 华
【 摘
朱邦毅
华东理 工大学商学 院
要】本文在分析信用评价重要 性的基础上 ，根据 中小企业信用评 价的指标体 系建立 了基于 Ｂ 神 经网络的 企业信 用三层神经 Ｐ
Ｂ 神经 网络 Ｐ 指标体 系
２ Ｂ 神 经网络模 型的构建 ．Ｐ （】 １层数 的设计 。１８ 年 Ｒ ｂｒ Ｈ ｃ ｔＮｅｓｎ 明了对 于闭 ９ ｏｅｔ ｅｈ— ｉｌ 证 ９ ｏ 区间内的任一连续 函数都可 以用一个 隐含层 的Ｂ 网络 来逼近 。 Ｐ 因 而一个三层的 Ｂ 网络可 以完成任意的 ｎ 到 ｍ维的映射。因此 ． Ｐ 维 本文选 用含有一个 隐含层 的三层 Ｂ 神经网路 Ｐ （） ２ 输入层的设计。 Ｐ Ｂ 神经 网络只能处理表示成 数值 的输入数
由 小
企
经营 ４ 流动资产周转率 ［ 售收～ 流动 舞产 平均采颧】 ｛ 自 能力 创利 能力 ５存赞周转率 售成本， 平均存货 】
６应收账软周转率【 赊销收入净额， 应收账敝 平均采额】
输 入层
媳 台 层
Ｂ 神经闫络结构图 Ｐ
输 出层
业 信 用 评
价
７销售利澜率【 销售利悯， 销售收入】 ８赉报酬率【 净利悯， 费产总额】 ９全员劳动生产翠［ 人】 元／
浅析基于BP神经网络的科技型创业企业信用评价研究
浅析基于BP神经网络的科技型创业企业信用评价研究BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络模型拓扑结构包括输入层(input)、隐层(hidden layer)和输出层(output layer)。
摘要：由于在市场经济中时常出现信息不对称现象，致使融资难题难以解决。
首先结合科技型创业企业的特征构建了适合科技型创业企业信用评价的指标体系，然后以选取的100家在创业板和新三板上市的科技型创业企业的财务数据为样本，运用因子分析法提取出影响企业信用状况的公因子，将其作为评价模型的变量指标，最后，建立了适合科技型创业企业信用评价的BP神经网络模型。
实证结果表明，BP神经网络模型处理企业信用评价问题具有较高的准确性。
关键词：科技型创业企业;BP神经网络;信用评价一、引言目前，科技型创业企业已成为推动国民经济持续健康发展的重要动力之一，然而在其发展和壮大过程中也最容易出现制约其发展的问题。
由于科技型创业企业需要大量的资金投入，融资问题已成为影响其是否取得成功的关键因素。
在国内企业取得融资的有限渠道中，银行和金融市场起着至关重要的作用，但往往由于市场信息的不对称以及企业信息不透明等因素的限制，出于规避高昂的监督成本和收益的高度不确定性等风险，银行和金融机构在放贷额度中给予科技型创业企业的融资额度相对有限。
由于科技型创业企业的研发周期长，在缺乏有效的外部融资的状况下，即使项目有大好投资前景，企业也有较大的失败风险，最终无法发挥出科技型创业企业对企业技术创新的促进作用。
基于BP神经网络的上市公司绩效评价指标构建
基于ＢＰ神经网络的上市公司绩效评价指标构建作者：王家清卢春兰江峻茂来源：《金融经济·学术版》2008年第11期一、BP神经网络在绩效评价中的应用概述BP神经网络是由大量神经元相互联接而成的自适应非线性动态系统，具有强大的非线性处理能力，因其广泛的适应能力、学习能力和映射能力，在多变量非线性系统的建模方面有着广泛的应用。
目前神经网络已经被成功地应用于金融、保险、证券等领域，用来进行证券分级、市场预测、信贷咨询等。
BP神经网络所擅长的是处理那种规律稳含在一大堆数据中的映射副近问题，其非线性高度逼近能力是解决该问题的有效方法。
近年来，国内外学者对将神经网络应用于绩效评价领域进行了大量的研究，并取得了较好的结果和进展。
二、我国上市公司绩效评价指标综述我国对上市公司绩效评价是参照国有企业绩效评价指标体系，而我国国有企业绩效评价大致经过了以下几个发展时期。
一是计划经济时期，我国借鉴苏联的做法，形成了一套与计划管理相应的国有企业财务管理体系。
该体系对企业财务业绩评价所采用的指标主要有：固定资产产值率、定额流动资金周转天数、可比产品成本降低率、利润总额完成率、销售成本利润率、销售利润率、资金利润率等。
这一指标体系主要以资产管理、成本管理和利润管理为主要内容。
二是1992年，国家计委、国务院生产办和国家统计局提出了6项考核工业企业经济效益的指标。
这6项指标是：产品销售率、资金利税率、成本费用利润率、全员劳动生产率、流动资金周转率、净产值率（后改为增加值率）。
这一指标体系主要是从企业各项生产要素的投入产出对比关系以及工业产品满足社会需要等方面进行设计的。
三是1993年财政部出台了《企业财务通则》，该通则规定：企业业绩评价指标体系由8个指标组成。
这8个指标分别为流动比率、速动比率、应收帐款周转率、存货周转率、资产负债率、资本金利润率、营业收入利税率、成本费用利润率。
这一指标体系分别从偿债能力、营运能力和获利能力方面对企业的经营业绩进行全面、综合的评价。
基于BP神经网络模型的中小企业信用评价体系研究
贷款，从而提高收益。
对政府和监管部门的启示
完善政策法规
政府和监管部门可以通过该评价体系研究和分析中小企 业信用状况，从而制定更加科学合理的政策法规。
优化金融市场
通过该评价体系，政府和监管部门可以更好地了解和掌 握金融市场的运行状况和发展趋势，从而制定更加有效 的监管政策和措施。
促进经济发展
通过支持中小企业发展，政府和监管部门可以促进经济 增长和社会就业，从而实现经济可持续发展目标。
模型评估与结果分析
模型评估
将测试集输入到训练好的模型中，对模型进行评估，计算模 型的准确率、精确率、召回率等指标。
结果分析
通过对模型评估结果的分析，发现模型在某些情况下存在一 定的偏差，需要进一步优化模型参数和结构。此外，还需要 加强数据质量和完整性的管理，以提高模型的准确性和可靠 性。
04
基于BP神经网络模型的中小企业信用评
05
基于BP神经网络模型的中小企业信用评
价体系的未来研究方向
完善模型算法和优化模型结构
改进优化算法
研究更有效的优化算法，如遗传算法、粒子群优化算法等，用于寻找最优解 ，提高模型训练效率和准确性。
优化模型结构
研究更合适的网络结构，如深度神经网络、卷积神经网络等，以更好地捕捉 和表达复杂的信用评价特征。
价体系的应用价值
对中小企业的意义
提升信用评价水平
通过BP神经网络模型，中小企业可以获得更准确、更客观的信用评价结果，进而提高其在 金融机构的信用评级和融资能力。
降低融资成本
准确客观的信用评价可以帮助中小企业在融资过程中获得更优惠的利率和更短的融资周期 ，从而降低其融资成本。
提高市场竞争力
有效的信用评价可以使中小企业更容易获得商业合作伙伴的信任和合作机会，从而扩大市 场份额，提高市场竞争力。
BP神经网络的企业信用评价模型
图 1 BP 网络结构上管 理 荟 萃基于 BP 神经网络的企业信用评价模型王桂娟市 公 司 信 用 （财 务 状 况 ）的 好 坏 ，直接 影 响 到银行贷款的风险大小， 也影响到其他金 融机构或个人对该公司投资的决策。
更重要的是公司根据此信用情况可以清楚地看到公司经营状况，及时调整以适应市场需求，建立一个科学合理的企业信用评 价系统，对于我国当今金融市场的发展具有重要意义。
一、信用风险评价企业信用风险是指购买方不能按期偿还贷款或劳务费， 或供应方不能按约定收到贷款或劳务报酬。
对企业而言，信 用等级的高低直接影响企业在资本市场中的地位；对金融机 构而言，信用等级评估可以帮助中介机构在证券经营中进行 风险管理和市场定价；许多监管机构也利用独立的信用评价 来对其所负责的银行、 保险公司和公用事业公司进行监管， 保证其有健康的财务状况。
二、人工神经网络人工神经网络（Artifica l Neural Network ，ANN ）技 术 是 基 于神经科学研究成果发展起来的新兴边缘科学，是以工程技 术手段模拟人脑神经网络的结构与功能特征的一种技术系 统。
利用大量的非线性并行处理器来模拟人脑众多神经元， 利用处理器间错综灵活的连接关系来模拟人脑神经元间的 突触行为。
从本质上讲，人工神经网络是种大规模并行的非 线性动力学系统，在人工神经网络中，BP 算法是使用率最高 的算法，也是比较成熟的算法。
1.BP 神经网络BP 神经网络模型是由输入层、 输出层和若干个隐含层 组成的多层前馈网络模型，误差反向传播（BP ）算法是训练前 馈网络模型的最常用的算法。
在 BP 网络模型中，同层各神经元互不连接，相邻层的神经元通过权值连接。
2.BP 网络结构BP 网络是一单向传播的多层前向网络， 可看作是一个 从输入层到输出层的高速非线性影射， 其基本结构如图 1。
在 BP 网络结构中，输入信号从输入层结点，依次传过各隐含层结点，传到输出层结点 ，每一层结点的输出只影响下一层 结点的输入，每个结点都是一个神经元结构。
基于人工神经网络的企业绩效评估方法及其应用研究
基于人工神经网络的企业绩效评估方法及其应用研究随着中国市场的不断发展，企业绩效评价成为了企业管理不可或缺的一部分。
而基于人工神经网络的企业绩效评估方法，可以更加准确地帮助企业了解自身的优势和劣势，为企业发展提供指导，成为了当前热门的研究方向。
一、人工神经网络简介人工神经网络是模拟生物神经网络的计算模型，它由许多简单的神经元组成，这些神经元像传统逻辑门一样相互连接，可以对输入数据进行处理并输出结果。
人工神经网络可以学习和适应新数据，具有强大的自适应能力，是目前进行预测和分类的优秀工具。
二、基于人工神经网络的企业绩效评估方法基于人工神经网络的企业绩效评估方法首先需要以企业为研究对象，从财务指标、市场指标和管理指标等多方面收集相关数据，构建一套完整的数据集。
在这个过程中，考虑到数据的质量和实用性，需要严格筛选和验证数据的真实性和可靠性。
接下来，采用BP神经网络模型对所得到的数据进行训练。
训练模型的目的是更好地描述数据之间的联系和影响，并优化模型的各项指标。
这个过程中，需要进行多次训练、测试和调整，以达到最优化的结果。
最后，将训练好的模型应用到实际的企业绩效评估中，计算出企业的指标值，并进行评估和分析。
评估结果展示了企业运营、管理和市场竞争等方面的绩效表现，可以为企业提供有力的参考和指导，促进企业的不断发展和进步。
三、基于人工神经网络的企业绩效评估方法的优势与传统的评估方法相比，基于人工神经网络的企业绩效评估方法具有以下优势：1.更准确的预测能力，能够理解和处理更高维度、更复杂的数据；2.更广泛的适用性，对不同行业、不同规模的企业都有很强的适应性；3.更好的自适应能力，能够随时对数据的变化进行调整和优化；4.更灵活的应用方式，可以应用于单一指标的评估，也可以同时评估多个指标；5.较少的人为干扰和误差，不容易受到主观因素影响，使评估结果更客观和准确。
四、基于人工神经网络的企业绩效评估方法的应用研究基于人工神经网络的企业绩效评估方法在实践中的应用也取得了很多成功的案例。
基于BP神经网络的“互联网+农业”上市公司绩效评价
基于BP神经网络的“互联网+农业”上市公司绩效评价随着互联网+时代的到来，农业领域也迎来了新的发展机遇。
许多农业企业利用互联网技术，开展“互联网+农业”业务，提高农业生产效率和质量，推动农业现代化。
这些企业中的一些上市公司，通过实施“互联网+农业”战略，取得了可观的业绩。
本文旨在基于BP神经网络，对这些上市公司的绩效进行评价，帮助投资者更好地了解这些公司的经营状况。
一、BP神经网络简介BP神经网络是一种常见的人工神经网络，具有较好的分类和预测能力。
它由输入层、隐层和输出层构成，通过不断地调整权值和阈值，使网络能够学习和记忆样本数据，从而实现对未知数据的预测和分类。
BP神经网络在金融、经济、企业管理等领域都有着广泛的应用，能够有效地对企业业绩进行评价和预测。
二、“互联网+农业”上市公司绩效评价指标体系在进行“互联网+农业”上市公司绩效评价时，可以考虑以下指标：销售收入、净利润、市场份额、研发投入、资产负债率、现金流等。
这些指标可以从财务和市场两个方面来评价公司的经营情况，全面地反映企业的经营状况。
1. 数据准备需要收集各家“互联网+农业”上市公司的相关财务和市场数据，建立BP神经网络的数据集。
数据集中应包含销售收入、净利润、市场份额、研发投入、资产负债率、现金流等指标，以及这些指标对应的公司名称和时间。
在收集数据时，要确保数据的真实性和可靠性，避免出现数据的误差。
2. 网络构建在数据准备好后，可以开始构建BP神经网络。
根据数据集的结构，确定网络的输入层、隐层和输出层的节点数，并初始化权值和阈值。
在构建网络时，需要考虑不同指标之间的关联性和影响因素，合理地设置网络的结构和参数，以确保网络能够有效地学习和记忆数据。
3. 网络训练构建好网络后，可以开始对网络进行训练。
将数据集中的数据输入到网络中，通过调整权值和阈值，使网络逐渐逼近训练数据的输出。
在网络训练过程中，需要注意防止网络出现过拟合和欠拟合的情况，及时调整学习率和停止条件，确保网络的训练效果。
基于BP神经网络的环境质量评估
地表水
0 . 100 0 0 . 102 4 0 . 215 6 0 . 109 4 0 . 149 6 0 . 286 4 0 . 175 5 0 . 286 4 0 . 262 8 0 . 159 0 0 . 522 4 0 . 185 0 0 . 168 4 0 . 151 9 0 . 900 0 0 . 744 2 0 . 522 4 0 . 333 6 0 . 149 6 0 . 133 0
第 2 卷第 4 期 2005 年 12 月
长沙理工大学学报 (自然科学版) Journal of Changsha University of Science and Technology( Natural Science)
Vol. 2 No. 4 Dec. 2005
文章编号 :1672 - 9331 (2005) 04 - 0093 - 04
节点和输出层 k 节点的连接权值 ; W ij 为输入层节点 i ( i = 1 , 2 , …, M ) 和隐层 j 节点的连接权值 ; x i 为输入 层节点 i 处的特征矢量 .
4) 计算网络输入矢量 y k 与训练样本的目标矢量 Tk 的误差信号 :
δ k =
y k - Tk y k 1 - y k
收稿日期 :2005 - 05 - 11 基金项目 : 国家 “十五” 重点科研资助项目 (MKPT2002006 - 2) 作者简介 : 张国栋 (1980 - ) ,男 ,四川合江人 ,中南大学硕士研究生 ,主要从事经济数学及其应用方面的研究 .
图1 BP 神经网络结构图
94
长沙理工大学学报 (自然科学版)
7) 用 γ j 向减少误差方向调整权值 W ij 和阈值θ j:
( 6) ( 7)
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
统计与决策２００６年１１月（下）配对样本均值比较结果表明，我国Ａ股市场控制权转移公司和未转移公司在管理层激励、公司治理结构、管理者绩效、股权结构、公司规模和资本结构方面均值存在显著差异。
主要差异如下：控制权转移的公司管理绩效低下，表现在公司净资产收益率、每股收益和主营业务利润率较差；公司治理结构不合理，存在较强的内部人控制；股权集中度较高，第一大股东持股比例较高，第二大股东持股比例较低；公司规模较小，资产负债率较高。
Ｌｏｇｉｓｔｉｃ回归结果显示，控制权转移过程中，控制权收益激励大、内部人控制严重、股权结构集中的公司，管理层抵抗的可能性越大；而管理绩效较好、资产负债率高的公司，管理层抵抗的可能性越小。
参考文献：［１］李善民，曾昭灶．控制权转移的制度背景与控制权转移公司特征的研究［Ｊ］．经济研究，２００３，（１１）．［２］赵勇、朱武祥．上市公司兼并收购可预测性［Ｊ］．经济研究，２０００，（４）．（责任编辑／易永生）摘要：本文通过企业环境绩效指标体系的构建并借助于ＢＰ人工神经网络方法实现了企业环境绩效的综合评价。
ＢＰ人工神经网络评价方法通过学习和训练的自组织功能，科学合理确定各指标的权重进而达到评价目的。
聚类分析的结果进一步验证了ＢＰ人工神经网络评价的合理性；其分析结果为政府激励、扶持或抑制等相关政策的制定提供了理论依据和实践基础。
关键词：ＢＰ人工神经网络；聚类分析；环境绩效中图分类号：２７２．５文献标识码：Ａ文章编号：１００２－６４８７（２００６）１１－０１６１－０２基于ＢＰ人工神经网络的企业环境绩效评价唐建荣１，２，张承煊２（１．南京大学，南京２１００９３；２．江南大学商学院，江苏无锡２１４１２２）１企业环境绩效及其评价指标体系环境绩效指人们在防治环境污染、减少生态破坏、改善环境质量方面所取得的成绩。
企业环境绩效即是通过约束或调整企业行为，控制企业活动对生态环境产生的不利影响，并取得积极的成果：一是环境质量的改善，包括污染物排放水平、环境质量达标、环境资源（水、电、煤、油等）耗用量、有毒有害物质的使用和保管等方面的变化；二是环境质量变动所引起的价值（包括经济价值和环境价值）增值。
本文讨论的企业环境绩效包括财务绩效和非财务绩效两方面内容。
企业环境绩效评估能规范和促进企业加强污染治理和生态保护，是实现可持续发展的重要举措。
企业环境绩效评估指标体系的研究，是建立我国企业环境绩效评估标准和评估体系的重要实践过程和必要的过渡阶段，有着十分重要的理论和实践意义。
为了真实反映经济、环境等因素的作用，同时兼顾到指标的代表性、可比性、可采集性和指标体系的简约性，本文在参考国际企业环境绩效评估指标体系的基础上，拟用五大类十五个指标建立企业环境绩效评价指标体系：第一类，经济社会发展指标：销售收入增长率％（ｘ１）、净资产报酬率％（ｘ２）、流动资产周转率％（ｘ３）、资产负债率％（ｘ４）、资金增值率％（ｘ５）、资金利税率％（ｘ６）；第二类，资源减量投入指标：综合能耗（千吨标准煤，ｘ７）；第三类，污染减量排放指标：万元ＧＤＰ废气排放量（百立方米，ｘ８）、万元ＧＤＰ废水排放量（百立方米，ｘ９）、万元ＧＤＰ空气污染物排放量（百吨，ｘ１０）、万元ＧＤＰ水污染物排放量（百吨，ｘ１１）、万元ＧＤＰ废渣排放量（百吨，ｘ１２）；第四类，资源再利用指标：“三废”综合利用产值占ＧＤＰ％（ｘ１３）；第五类，生态环境质量指标：环保事件投诉（件，ｘ１４）、环保投资额占ＧＤＰ％（ｘ１５）。
２ＢＰ人工神经网络及其评价方法基于ＢＰ神经网络的企业环境绩效综合评价，即是通过学习和训练的自组织功能拟合各指标的最佳权数，以达到评价的目的。
ＢＰ网络是典型的多层网络，分为输入层、隐含层和输出层，层与层之间多采用全互连方式，同一层单元之间不存在相互连接。
合理确定网络层数及各网络层的神经元数是成功应用ＢＰ网络模型的关键。
理论上已经证明：对于任何在闭区间内的一个连续函数都可以一个隐含层的ＢＰ网络来逼近，因而一个三层的ＢＰ网络可以完成任意ｎ维到ｍ维的映射。
采用二层以上的隐含层几乎没有任何益处，且采用的隐含层，训练的时间就会急剧增加，这是因为：（１）隐含层越多，误差向后传播的过程计算就越复杂，使训练时间急剧增加；（２）隐含层增加后，局部最小误差也会增加。
网络在训练过程１６１统计与决策２００６年１１月（下）中，往往热闹故意陷入局部最小误差而无法摆脱，致使网络的权重难以调整到最小误差处。
因此，我们选择隐含层数为一层。
对于隐含层单元数的选择是一个十分复杂的问题。
迄今为止还没有很好的解析表达式，可以说隐含层单元数与问题的要求，输入输出单元的多少都有直接的关系。
如果隐含层单元数选用太少，会降低神经网络的容错性，网络难以处理较复杂的问题，即训练不出理想的结果；但是如果隐含层单元数选用过多，将使网络训练时间急剧增加，而且过多的处理单元容易使网络具有过多的信息处理能力，甚至将训练数据中没有意义的信息也记住，这时网络就难以分辨数据中真正的模式。
根据本问题的要求，我们将隐含层单元数设置为５。
三层前馈神经网络是典型的ＢＰ网络，其训练步骤为：（１）首先赋予网络相邻层间节点的连接权值以及隐含层和输出层节点的阈值为（－１，１）之间的随机量；（２）从网络输入层节点输入训练样本的特征矢量；（３）输入信息正向传播过程中，经过Ｓ型激活函数ｆ（ｘ）＝１／（１＋ｅ－ｘ）（１）作用后，输出层节点ｋ（ｋ＝１，２，…，Ｈ）得到输出矢量：ｙｋ＝ｆＬｊ＝１!μｊｋｙ＇ｊ－"ｋ"#（２）ｙ＇ｊ＝ｆＭｉ＝１!Ｗｉｊｘｉ－θｊ"$（３）式中：ｙｊ＇为隐层节点ｊ（ｊ＝１，２，…，Ｌ）的输出矢量，φｋ和θｋ分别为输出节点ｋ和隐层节点ｊ的阈值，μｉｊ为稳层节点ｊ和输出层ｋ节点的连接权值，Ｗｉｊ为输入层节点ｉ（ｉ＝１，２，…，Ｍ）和隐层节点ｊ的连接权值，ｘｉ为输入层节点处的特征矢量；（４）计算网络输入矢量ｙｋ与训练样本的目标矢量的误差信号：δｋ＝（ｙｋ－Ｔｋ）ｙｋ（１－ｙｋ）（４）（５）将δｋ从输出层向隐含层和输入层反向传播，计算引起的隐含层误差信号：γｋ＝Ｈｋ＝１!δｋμｊｋ%$ｙｊ＇（１－ｙｊ＇）（５）（６）用δｋ向减少误差方向调整权值μｊｋ和阈值"ｋ：μｊｋ＋１＝μｊｋ＋ｃδｋ＇ｙｉ＇（６）"ｋ＋１＝"ｋ＋ｄδｋ（７）式中：ｃ和ｄ为学习参数，一般取０．１￣０．５；（７）用γｊ向减少误差方向调整权值Ｗｉｊ和阈值θｊ：Ｗｉｊ＋１＝Ｗｉｊ＋ｃγｊｘｉ（８）θｊ＋１＝*ｊ＋ｄγｊ（９）（８）对训练样本集中的每个样本，反复上述学习过程，直至整个样本集的均方误差：Ｅ＝１ＮＭｌ＝１!（ｙｌｋ－Ｔｋ）２（１０）达到给定的精度要求，即Ｅ＜α（预先给定的精度）为止。
学习结束，输出此时调整后的权值和阈值。
其中式（１０）中的ｙｌｋ表示第ｌ次学习过程结束得到的输出值。
根据以上的分析，企业环境绩效评价的神经网络模型设计为１６－５－１即输入层单元数为１６项，隐含层单元数为５，输出层单元数为１，人工神经网络层数为３。
３企业环境绩效评价的实证分析样本的有效性是确保评价科学合理的基本条件。
通过比较筛选并充分利用相关统计数据，本文采集了无锡地区２００５年２０个企业的样本指标。
经标准化处理后的样本数据指标见表１。
由于系统是非线性的，初始值对于学习是否达到局部最小和是否能收敛的关系很大，一个重要的要求是希望初始权在输入累加时使每个神经元的状态值接近于零。
利用前１０个公司对神经网络进行训练，以确定权值与阈值。
网络结构模型由３层组成，输入层节点数为１６，输出层节点数为１，包含１个隐含层，隐含层节点数为５。
训练参数：最高迭代次数为１００００次，目标误差为１ｅ－５，训练函数为ｔｒａｉｎｃｇｂ（Ｐｏｗｅｌｌ－Ｂｅａｌｅ算法），动量系数ｍｃ为０．０９，网络学习率ｌｒ为０．０５。
当程序迭代０次时，误差为７．４５４２４ｅ－００５；当程序迭代４０次后，误差达到４．４５３１６ｅ－００５；当程序迭代５５次时，误差达到９．２３３８８ｅ－００６，达到设计要求。
我们利用神经网络模型训练得到的理论权值和阈值，对后１０公司进行仿真后得到表２的评价结果。
表１样本数据表ｘ１１０．８９０．２２０．８９１０．８９０．６７０．７８０．５６０．４４０．３３０．３３０．２２０．１１０．５６０．６７０．８９０．６７０．６７０．８９ｘ２１０．５０．７５０．７５１０．８０．７５０．７５０．５０．５０．５０．２５０．２０．１０．２５１０．７５０．５０．５０．７５ｘ３１０．８７０．９３０．８０．９６０．７３０．７３０．８０．６０．４７０．４０．３３０．２０．０７０．９３０．７３０．６０．４０．８０．７３ｘ４０．５８０．４６０．４０．５３０．５０．４６０．３８０．４１０．３１０．２５０．２１０．１２０．０８００．４２０．５２０．３８０．１５０．２８０．４ｘ５１０．７５１０．７５０．９２０．７５０．７５０．７５０．５０．５０．５０．２５０．２０．１２０．２５０．７５０．７５０．５０．７５０．５ｘ６１０．３３０．７１１０．８８０．６７０．６５０．６７０．３３０．３３０．３３０．１７０．１０．３３０．８５０．３３０．３０．７０．３５ｘ７０．９５０．７０．７７０．９２０．９３０．８４０．６３０．９１０．５３０．４０．２６０．１６０．０７００．５３０．８７０．８３０．４４０．７７０．６７ｘ０．８６０．４３０．４９０．７７０．８０．７１０．２９０．７４０．２９０．１４０．０９０．０３０００．３１０．７１０．５７０．２３０．５７０．４９ｘ９０．９０．６０．５７０．８２０．８２０．７７０．３５０．７７０．３０．２５０．２２０．１７０．１２００．４２０．７０．６５０．３７０．７５０．６７ｘ１００．９０．４７０．５３０．８３０．８７０．７０．３３０．７３０．２３０．２３０．１７０．１７０．１３００．３３０．７０．５７０．２７０．５７０．５７ｘ１１０．９３０．５３０．６０．８０．８３０．８０．４０．８０．２７０．１７０．０７０．０３０．１００．４０．７３０．４７０．３３０．５３０．４ｘ１２０．９１０．６３０．６９０．８６０．８６０．８０．４９０．８３０．３１０．２６０．１４０．１１０．０６００．４６０．７７０．６０．４６０．６６０．６ｘ１３１０．４４０．４８０．８４１０．７６０．５２０．８４０．４４０．３６０．３２０．４０．３２０．２０．４４０．８８０．７２０．５２０．８０．６４ｘ１４１０．５０．４２０．９２０．９２０．７５０．４２０．５８０．３３０．１７０．２５０．４２０．５００．５８０．６７０．６７０．５０．７５０．５３ｘ１５１０．２１０．１５０．７４０．９３０．３７０．１３０．３０．１０．０７０．０７０．１０．１０．０４０．２６０．４１０．３３０．３００．４４０．３指标公司公司１公司２公司３公司４公司５公司６公司７公司８公司９公司１０公司１１公司１２公司１３公司１４公司１５公司１６公司１７公司１８公司１９公司２０注：原始数据进行标准化后，用１减去负相关指标转化为０－１正相关指标，所有数据均采用四舍五入法保留小数点后两位１６２统计与决策２００６年１１月（下）为了验证基于人工神经网络ＢＰ算法的企业环境绩效评价的客观性、准确性与科学性，笔者进一步将公司１１～公司２０数据进行最小距离法聚类分析，其结果经整理如表３。