基于fussy-grnn网络的区域创新能力评价模型研究-韩春花.pdf

《基于fussy-grnn网络的区域创新能力评价模型研究-韩春花.pdf》由会员分享，可在线阅读，更多相关《基于fussy-grnn网络的区域创新能力评价模型研究-韩春花.pdf（6页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、2016年第14 Sci咖。肌d Te猫瑟焉聪。ment R雠眦hdoi：103969jissn1000-7695201614010基于FussyGRNN网络的区域创新能力评价模型研究韩春花1，佟泽华2(山东理工大学1商学院；2科技情报研究所，山东淄博255049)摘要：从区域创新产出能力、区域创新投入、区域创新环境水平等三个方面，构建区域创新能力的评价指标体系，并提出基于FussyGRNN的区域创新能力评价模型。进而，在分析分布密度(SPREAD)选取原则的基础上，利用该模型进行区域创新能力评价的实证分析。研究表明，“基于FussyGRNN的区域创新能力评价模型”具有较强的自学习能力、高度的

2、容错性和鲁棒性等、小样本适应性、训练速度快、模糊处理等特点，证明该模型的合理性和有效性。关键词：区域创新能力；FussyGRNN：SPREAD选取原雯Ij；小样本适应性中图分类号：F2731；C795 文献标志码：A 文章编号：10007695(2016)14005506Research on the Evaluation Model of Regional Innovation Capability Based on the Fussy-GRNN NetworkHAN Chunhual，TONG Zehua2(Shandong University of Technology：1School

3、 of Business；2Institute of Scientific&Technical Information，Zibo 255049，China)Abstract：This paper constructs the new index system for regional innovation capability evaluation from three aspects suchas regional innovation output capability，regional innovation input capability，and the level of region

4、al innovation environ-menL Then this paper proposes the regional innovation ability evaluation model based on the FussyGRNNThen，on thebasis of the analysis of the selection principle for distribution density(SPREAD)of GRNN，the paper makes an empiricalanalysis of regional innovation capacity evaluati

5、on by using the modelThis study shows that the model has advantages suchas good selflearning ability and nonlinear mapping ability，hish fault tolerance and robustness，adaptability of small sanlpie，faster training speed，fussy processing etcThis study also proves that the model of regional innovation

6、capacity evalua-tion based on FussyGRNN is rational and validKey words：regional innovation capability；FussyGRNN；selection principle of SPREAD；adaptability of small sample区域创新有利于提高区域竞争优势，进而促进区域经济的发展，因而正确评价区域创新能力具有重要的意义。本文在已有的研究基础上，构建了新的区域创新能力评价指标体系的基础，进而提出了“基于FussyGRNN的区域创新能力评价模型”。该模型一方面具有模糊理论的优点，同时又

7、具有自学习能力强、收敛速度快等优点，克服了已有方法的某些不足。l 文献回顾11 区域创新能力的概念COOKE P等指出，区域创新能力是指地理上分工不同而又相互关联的企业、研究院所以及高等教育机构等，进行区域化创新活动并获得创新成果的能力。MELKAS H&HARMAAKORP V旧1认为，区域创新能力是指在该区域创新系统中众多参与者(actors)以“知识”为核心要素，以获得“自我超越(selftranscending)”的知识为目标，共同进行网络化创新活动的能力。SCHIUMA G&LERRO A旧。指出，区域创新能力的要素涉及人力、关系、结构和社会资本为四个方面，并认为是一种以“知识资本”

8、为关键资源的动态能力。PECHLANER H等H J认为，区域创新能力是指区域内不同参与者通过整合不同的资源，进行协同创新活动并获得创新成果的能力。M1中国科技发展战略研究小组1认为，区域创新能力为一个地区将知识转化为新产品、新工艺、新服务的能力。詹湘东o认为，区域创新能力是指一个地区为实现新产品、新工艺、新服务的知识转化而营造相应配套政策环境的能力。综合上面的分析，本文认为区域创新能力(Regional Innovation Capability，RIC)是指一个地区内收稿日期：20150916，修回13期：20160l一15基金项目：国家社科基金项目“复杂动态环境下产业集群创新中的群体知识

9、协同行为与机制研究”(13CGL012)；山东省高校人文社科计划项目“基于知识协同的产业集群创新模型研究”(J13WF03)项目来源：山东理工大学青年支持计划项目“动态环境下的产学研协同创新机制研究：基于微观视角的实证研究”(2014)万方数据56 韩春花等：基于FussyGRNN网络的区域创新能力评价模型研究的创新主体(包括企业、高校、科研院所等)，在政府、金融机构、中介机构等的支撑下，以“知识资本”为关键要素，整合区域内外的不同资源，进行协同化创新活动，并将创新成果转化为有价值的产品或服务，以获得竞争优势的动态能力。12 区域创新能力评价方法概述对于区域创新能力评价方法，众多学者也进行了相

10、关研究。孙锐和石金涛J、王鹏飞o、周立和吴玉鸣一。等利用因子分析方法和聚类分析方法对中国区域创新能力进行了分析和探讨。王晓光和方娅【j 0|、杨文和吴一丁1利用主成分分析方法对区域创新能力评价进行探讨。邹华等到利用熵值法对我国区域创新能力评价进行了研究。徐永智和华惠川引还提出了改进的TOPSIS方法，进而用于区域创新能力评价研究。马力和王燕燕141利用模糊综合评价法，进行了基于产业集群的区域创新能力评价研究。郭丽娟等5利用“主基底变量筛选方法”进行了区域创新能力评价研究。此外，赵希男叫利用“个性优势特征分析”方法进行了区域创新能力评价研究。胡蓓和古家军o利用BP神经网络对区域创新能力评价进行了

11、研究。以上关于区域创新能力评价方法的研究取得了一定成果。但是，通过分析我们可以发现，这些方法存在着人为确定权重、缺乏自学习能力、训练速度慢等不足。而GRNN不仅具有一般人工神经网络的自学习、并行处理等特点外，还具有高度的容错性、鲁棒性、收敛速度快等特点。同时，考虑到Fussy理论对模糊问题可以进行很好的描述，本文将GRNN和Fussy理论结合起来，构建了“基于FussyGRNN的区域创新能力评价模型”。2 区域创新能力评价指标体系的构建21评价指标的构建原则区域创新能力的评价指标体系应遵循以下原则：(1)系统性原则：区域创新能力指标体系应该具有系统性，这样才能比较合理、全面地评估区域创新能力。

12、(2)定量和定性相结合原则：本文在定量化数据采集基础上，对不同地区的各个指标采用专家打分的方法，这样既能从客观上反映区域创新能力，又能发挥专家调查的优势。(3)可操作性原则：区域创新能力指标数据采集应具有可行性，且要易于操作。22 区域创新能力评价指标体系关于区域创新能力评价指标体系，众多学者进行了相关研究。例如，甄峰等副从知识创新、技术创新、管理与制度创新、宏观经济与社会环境等四个方面构建了评价指标体系。中国科技发展战略研究小组列构建了包括知识创造、知识流动、技术创新能力、技术创新环境、技术创新绩效等5个方面的评价体系。侯风华等引构建了涉及当前或短期区域技术创新能力和区域创新环境两个方面的区

13、域创新能力评价指标体系。王晓光等1从产业集群的角度构建了评价指标体系。李良等旧从创新研究、投入、产出、支撑环境等四个方面构建了评价体系。张群等旧引构建了包括主体、环境和资源等三个方面因素的评价体系。杨中楷等旧副构建了基于有效专利指标的评价体系。以上为区域创新能力指标体系研究奠定了基础。结合已有的研究和前面给出的指标体系构建原则，本文构建了包括目标层、准则层、指标层等三个层次的指标体系，具体三个方面：区域创新产出能力包括创新经济产出能力(X1)、创新成果产出水平()(2)2个指标；区域创新投入能力包括创新人员投入水平(X3)、创新资金内部投入水平(x4)、创新资金外部投入水平(X5)等3个指标；

14、区域创新环境水平涉及创新环境水平(X6)1个指标，如图1所示。对于这6个指标，在参考数据层的基础上，通过专家打分来获得评价结果(数据层涉及36个具体数据，参见文后注释)。1 竺竺兰兰!竺竺! !：!：(亟亟亘互二卫(至亘堕匹二卫咂巫巫堕堕二卫匝亘函亟受二互图1 区域创新能力指标体系3模糊广义回归神经网络(FussyGRNN)理论概述31 Fussy理论Fussy理论即模糊理论(Fuzzy Set theory)，由Zadeh首先提出，用来表达人类生活中的模糊性或不确定性等问题。模糊理论可以对很多复杂的事物或系统可以进行很好的模糊度量，因而在很多领域得到了广泛应用。2“。Fussy理论具体描述如

15、下：若对于论域Y是x到0，1的一个映射，亦即：Y：x一0，1，x。Y(X)，则称Y为x上的Fussy集，其中函数Y(X)称为模糊集Y的隶属度函数，也称为X对Fussy集Y的隶属度。Y(X)越接近于1，表示X属于Y的程度越高，越接近于0表示X属于Y的程度越低。根据区域创新能力的特点，本文设定评价集Y最强，较强，中等，一般，较弱，进而依据“最大隶属度原则”来确定评价结果。“最大隶属度原则”即指以最大的“隶属度”所对应的元素作为评价结果的选取原则。32 GRNN网络理论概述GRNN(General Regression Neural Network)是RBF网络一种变化形式。GRNN由输入层、模式层

16、、万方数据韩春花等：基于FussyGRNN网络的区域创新能力评价模型研究 57求和层和输出层共四层构成孙2 6|，如图2所示：输入层 模式层 术和层输出是A “图2 GRNN的网络结构(1)输入层：该层神经元为简单分布单元，其输入变量直接传递给模式层。输入层神经元的数量且PtJII练样本指标的数量(如果是模糊数据则要考虑模糊集元素的数量)。(2)模式层：又称为隐含层，其神经元的个数即学习样本的数目n，神经元传递函数为：之间舻e印P神经元i的的欧式距离X，(XX L2仃? i=1，2，凡 (1)输出为输人变量与其对应的样本x平方的指数平方的指数形式。其中，x为输入变量；置为第i个神经元对应的学习

17、样本。(3)求和层：求和层使用以下公式进行求和：兰i=11 e印|堡学 U33 FussyGRNN模型“基于FussyGRNN的区域创新能力评价模型”涉及以下步骤：数据的模糊化处理：对不同地区的区域创新能力进行专家打分，得到模糊数据；模型训练：利用训练样本数据进行模型训练，从而得NiJll练好的GRNN网络；模型测试：利用训练好的GRNN网络，对测试样本进行测试并输出结果。本文中输入层神经元数量为30个，这是因为指标体系指标个数为6个，由于进行了模糊化，每个指标又有5个数据，所以输入层神经元总数量为6 X5=30个，隐含层神经元数量同样为30个，输出层神经元数量1 X 5=5个，如图3所示。出

18、处睡 -城照 I_I新 茸稚 娈n 掩蟪 蜘群f 挫数槲(2) 图3基于FussyGRNN的区域创新能力评价模型其中or即径向基函数的分布密度SPREAD。一般而言，SPREAD越大，误差增大；反之，误差减小。SPREAD取何值根据具体的情况而定(详细的分析见后面)。此公式对所有模式层神经元的输出进行求和，模式层与求和层各神经元的连接权值为1，传递函数为：s。=只 (3)J=l(4)输出层：该层神经元的数目等于样本中输出向量的维数，各神经元将求和层的输出相除，神经元j的输出对应估计结果，(一)的第歹个元素，即：”：孚，歹：1，2，q”2瞢，2，2， (4)4基于FussyGRNN网络的区域创新

19、能力评价实证分析41数据收集根据前面构建的评价指标体系，本文在搜集山东省统计年鉴2014等1 7个城市相关统计数据的基础上，通过专家打分获得数据，具体做法如下：聘请10个专家，对每个地区不同指标打分并归一化，给出“最强，较强，中等，一般，较弱”的评价结果，如表l所示。以“c3淄博”)【3为例，即有2个专家认为“较强”，8个认为“中等”，即评价集为0，02，08，0，0，根据最大隶属度原则为“中等”。表1中前12个为训练样本，后5个为测试样本。表1 区域创新能力指标打分结果cl济南Q青岛c3淄博c4枣庄c5东营c6烟台c7潍坊c8济宁c9泰安C10威海C11日照C12莱芜C13临沂C14德州C1

20、5聊城C16滨州C17菏泽01 09 O 0 0O 9 01 OO 00 OI O 7 0 O0 0 0 0 1 090 0 008 020 02 0 7 0 0 l0 01 07 o2 OO O 0 02 0 80 0 0 0l0 0 0 08 02000 0l0 0 0 02 08O 0 0 0 l 090 0 00l0 0 0 0l0 0 O O2 0 8O O 0 0l0 0 8 0 2 0 0l 0 0 OO0 0 l 0 9 0 00 0 0 0l0 O 0l 00 0 3 0 7 0 00 0 l 0 7 02 00 0 0 0l0 O 0 0 010 0 0 O7 03O 0

21、0 0 2 0 8000nl 090 0 0 0 2 08O 0 001 09O 0 0 01 090 0 O 0 1 090 0 0 0l0 0 9 01 0 00 8 0 2 0 0 00 0 2 0 8 0 00 0 O O 2 0 80 0 01 0 9 00 0 3 0，7 0 00 0I O7 02 00 0 0 0 3 0 70 0 0 0 3 0 70 0 0 09 0 l0 0 0 O I n 900 0 0l0 0 O 03 0 700 0 02 O 80 0 00 2 080 0 0 010 0 O 0】0 O 7 03 0 00 9 01 OO 00 03 0 7 0

22、00 0 0 0 l O 90 0 02 08 00 0 3 07 0 00 0 l 0 7 0 2 O0 0 0 l 0 l 080 0 0 0l0 0 0 0 8 0 20 0 0 0 2 08OO 0 01 090 0 0 02 080 0 0 0 l 0 90 0 00 l 090 0 0 0 3 0 70 0 0 0 1 0 90 2 08 O 0 00 9 01 00 00 O l O 9 0 00 O 0 O 3 O700 00 90 l0 0 3 07 0 00 0 l 0，7 O2 00 0 0 02 0 80 0 0 0 1 0 9O 0 0l 00 0 0 0l0 0 0

23、 0lO 0 01 01 080 O O 0l0 00 0l0 0 0 0 2 08O 0 O 010l 0 0 008 02 0 0 00 0l 0 00 0 0 0 2 08O 0 0 1 07 0 20 0 3 07 0 00 0 l 0 7 O 2 00 0 0 0 3 070 0 0 0 2 080 0 0 0 7 030 0 0 0 l 0 900 0 O l 0 90 0 O 01 090 0 O 0 1 0 90 0 0 0 1 090 0 0 0 1 090 0 0 0l0l 0 0 01 000 00 02 08 0 00 0 0 0l0 0 0l O0 0 3 07 0

24、00 OI O7 0 2 00 0 0 0 l 090 0 0 0 l 0 90 0 0 08 0 20 O 0 0 l 090 0 0 01较强晟强中等较弱一般中等中等较弱较弱一般较弱较弱万方数据58 韩春花等：基于FussyGRNN网络的区域创新能力评价模型研究42分布密度SPREAD值的选取SPREAD具体选取何值更加合理，需要通过实验来验证。因此，本文尝试用不同SPREAD值来进行测试：用newgrnn函数创建GRNN网络，分别设定SPREDAD=001，002，003，10等，利用前12个地区数据为训练样本，然后进行仿真，训练结果如表2所示(只给出部分)。表2基于FussyGRNN网

25、络的区域创新能力模型不同SRPEAD值的评价结果(部分)SPREAD=0 0l 0 02 O03C13C14C15C16C17误差数量级评价效果SPREAD=C13C14C15C16C17误差数量级评价效果NaN NaN NaN NaN NaNO O O 00500 0 9500000 0咖09500NaN NaN NaN NaN NaN0 O O Ol 0000极小、接近于0少部分不确定值00 0 00000 100000 0 0 0050(I巡0 0 0 00500Q墅000n0500堕2塑000n0500吐!塑0 0 0 0 0000 100000 0 0 0 0000型0 0 0000

26、幽极小、接近于0完全准确100E一054完全准确100 0005 0 0013 00029 01228 Q堕00321 00558 00874 0 1923咝00808 01297 01793 02164幽00003 0 O006 00013 01119幽00291 0 0499 00763 01748巡0傩07 012N4 01787 02156 Q立丛0 0003 00006 00013 01119幽00291 0 0499 0 063 017411幽0 0807 01294 01787 0 2156螋00004 000lo 0 0022 01124吐!幽0 0314 0 0539 008

27、30 01863 06453 00808 0 1296 01790 02162 039440 0002 00004 0 0009 0 1014吐塑00273 00468 0 0710 01633坠!坐006 0 1293 01785 0 2150吐墅O 00E+000准确0 00E+000 0 00E+000基本准确 基本准确注：表中带下划线的数字为最大隶属度值，下同。从表中可以看出，当SPREDAD=001时，误差数量级非常小(在MATLAB中误差值error显示为0，即数量级非常小)，有3个测试样本的测试结果评价准确，而有2个测试样本出现了“NaN”值(数据不确定)；当SPREDAD=00

28、2时，误差仍接近于0，且不再有“数据不确定”的情况，根据最大隶属度原则此时评价结果“完全准确”(可参考“系统聚类分析结果”)；当SPREDAD=003时，评价结果同样是“完全准确”，误差数量级为100e一054；当SPREDAD=004、005、006、009、01、09时，误差数量级逐步增加，测试结果也都是“完全准确”的；而当SPREAD=l、2、10时，虽然根据最大隶属度原则，测试结果“准确”或“基本准确”，但与前面相比，最大隶属度值逐渐变小，以C17为例，当SPREAD=10时评价集 为 00806， O1293，01785，02150，03966，最大隶属度值为03966，很显然不如S

29、PREAD=002时的评价效果，并且误差逐步增大。以上测试误差如图4所示。通过分析可以看出，可以得出SPREAD值的选择原则：即“尽可能选取不出现NaN值的最小SPREAD值”。由此，本文选取SPREAD=002。图4不同SPREAD时的误差结果图43 与BP神经网络、系统聚类分析评价结果的比较分析431与BP神经网络评价结果的比较分析。为了进一步说明本文模型的合理性，本文又与BP网络进行了比较分析：设定goal为1e一006，lr为00l，最大epochs为10000步，并利用不同的学习算法进行仿真，如表3所示。万方数据韩春花等：基于FussyGRNN网络的区域创新能力评价模型研究 59表3

30、 BP神经网络评价结果(部分) 最速下降法tmir唧 动tl梯度算法traingdra 有自适应Ir的算法trainsoaC13 0 1194 0 0624 0 0042-0 0182型0 0嗍5 0 0198 00600 0 0162幽0 15990 1766一n0518 0 0339 O9792C14 0 0044 0(X123 00305 0 0113呸堡坠0644 0 0685一n 0490n058310680 00600一0 0295 0 01460 0749 L!墅C15 0 0044n 0023 0 0305nOll3 O9683 0 0644 0 06850 0490 0 05

31、83幽0 06C00 0295 0 01460910206C16 0 0238 0 04480 0116 0 1143坠墨卫 一0 0910 0 0312 0 0652n0584盟!墅 一00786 0 0179一nol“0 1709 O917207 0 07810 0223 0 05930 0618 10894 0 1081 0 0360一00470n0255幽 一0 0306 00677n05710 1731I0445训练步敬(epoch) 执行100(30步仍未收敛 执行10D步仍未收敛 7174步收敛评价结果 接近准确，但有偏差 部分不准确偏差较大 准确，有一定偏差从表中可以看出：采用

32、最速下降法(traingd)，经过10000步仍未达到设定的收敛目标，与FussyGRNN相比，明显效率较低，评价结果也出现了一定“偏差”。例如C17的评价集为一0078100223 0059300618 10894。偏差增加，并且在评价集中出现了负值或大于1的情况。采用动量梯度算法(traingdm)同样经过10000步仍未收敛，也出现了“偏差”；自适应lr的算法(traingda)同样经过7174步收敛，评价结果同样存在偏差。此外，采用共轭梯度法(traincgf)等也都存在一定的偏差。可以看出，与FussyGRNN相比，BP网络训练效率低且“偏差”大，同时存在着训练结果“不稳定”的情况，

33、而FussyGRNN则非常稳定，并显示出更强的“容错性和鲁棒性”及“自学习能力”。同时也可以看出，在“小样本”情况下，FussyGRNN评价结果更好，即具有更好的“小样本适应性”。432与系统聚类分析结果的比较。系统聚类分析(Hierarchical Cluster Analysis，HCA)又称为层次聚类分析7|。系统聚类分析分为Q型和R型聚类，其中Q型是对个案(case)进行的分类，即将特点相类似的聚集到一起并形成一个类(cluster)。在本文中，使用Q型系统聚类分析，结果如表4所示。表4系统聚类分析结果(Q型聚类)与“基于FussyGRNN的区域创新能力评价结果”比较案例系茎；：篇毙篓

34、i 基黧篇慧兰篡?力从表中可以看出，“基于FussyGRNN的区域创新能力评价模型”的评价结果与系统聚类分析结果是完全一致的，这说明了本文模型的合理性和准确性。44 结果讨论综合前面的结果(SPREAD=002)，下面进行总体分析：第1类：仅有济南一个城市。不难看出，该类城市的区域创新能力较强，这类城市的特点是有部分指标值最高，而其他指标大部分较强。分析济南市，作为省会城市以及政治、经济、文化、科教等的中心，各方面发展居前列，但在高新技术总产值、地区生产总值等方面都没有达到最优，这决定了其区域创新能力处于较强的地位，但没有达到最强的水平。第2类：仅有青岛市。从表3中可以看出，该类城市的综合创新

35、能力最强。分析青岛市，其作为山东半岛蓝色经济区规划的核心区域和龙头城市，在教育、科技、交通等在山东省处于领先水平，国内知名的大中型企业众多，相比于其它地区而言，在区域创新资金投入、创新环境投入等多个方面都具有明显优势，因而使得青岛成为区域创新能力最强的地区。第3类：有淄博市、烟台、潍坊，可以看出，该类城市的区域创新能力处于中等，其大部分指标处于中等偏上的水平，而少部分指标处于较强的水平。以淄博市为例，其在石油化工、精细化工、机电装备、医药、纺织、建材等方面发展迅速，但在创新资金投入、创新环境等方面有所欠缺，也缺乏地域优势，这些方面决定了其区域创新能力处于中等的水平。第4类：包括枣庄、济宁、泰安

36、、日照、莱芜、临沂、德州、聊城、滨州、菏泽共10个城市，区域创新能力处于较弱的水平。这类城市大部分指标水平都相对较弱。以“枣庄市”为例，其高新技术比重、高新技术总产值、发明授权专利数、R&D人员折合全时当量等指标都处于较弱的水平。由此，决定了此类城市的区域创新能力为较弱的水平。第5类：东营、威海市，可以看出，该类产生的区域创新能力一般，其指标大部分为中等，而部分偏弱，只有极少部分指标较强。以“东营市”为例，该市有较强的地理位置优势，并且矿产资源丰富(尤其是石油)，但是存在着“资源依赖”的状况，在近几年的经济发展已显露出不足，区域创新能力增长乏力，因而其目前的区域创新能力处于一般的水平。搬髋帱蝴

37、谁帱蜡蝴溯谁蝴媚黼蝴桷娟l蚕一姗净五臻哩赢一一吡蚋一一一一一一叭叭叭一一一一一一一一叭帅帅吣一槲姐艇帱褥谁帱帱蝻辐谁躺辐酾蛹蝴蝙蛹一懒瓣罴篡篡燕盐r一的k孔孔钆孔乱L钆钆m他H坫幅仃一结万方数据韩春花等：基于FussyGRNN网络的区域创新能力评价模型研究5结论通过本文的分析可以得出以下结论：(1)由区域创新产出能力、区域创新投入能力、区域创新环境水平等三个方面构成的区域创新能力指标体系很好地反映了区域创新能力的特点。其中区域创新产出能力包括创新经济产出能力、创新成果产出水平等两个指标；区域创新投入能力包括创新人员投人水平、创新资金内部投入水平等三个指标；区域创新环境水平涉及区域创新环境水平一

38、个指标。(2)分布密度SPREAD值的选取是利用FussyGRNN进行区域创新能力正确评价的关键。本文验证了如下规律：随着SPREAD值的增加，测试结果“准确”程度逐步下降；随着SPREAD值的减小，测试结果“准确”程度逐步增强，但到一定程度，出现“NaN值”的情况。由此，SPREAD值的选取原则即“尽可能选取不出现NaN值的最小SPREAD值”。(3)“基于FussyGRNN的区域创新能力评价模型”具有更快的收敛速度、更强的“小样本适应性”、高度的“容错性和鲁棒性”、很好的模糊处理能力。与BP网络相比，基于FussyGRNN区域创新能力评价模型具有更好的“小样本适应性”，收敛速度更快，训练结

39、果也更加稳定，表现出更强的“容错性和鲁棒性”。此外，由于GRNN和Fussy理论的有效结合，从而具备了解决模糊问题的能力。注：其中：创新经济产出能力(x。)可参考高新技术总产值(规模以上工业企业，亿元)、高新技术总产值比重(占规模以上工业企业，)、地区生产总值(亿元)、地区第二产业产值(亿元)、地区第三产业产值(亿元)等数据，并在此基础上进行专家打分(下同)。创新成果产出水平(x2)可参考专利授权总数量(件)、发明授权专利数量(件)、实用新型授权专利数量(件)等。创新人员投入水平(x，)可参考R&D人员折合全时当量(人年)、R&D基础研究人员折合全时当量(人年)、R&D应用研究人员折合全时当量

40、(人年)、R&D试验发展人员折合全时当量(人年)、有研究开发活动单位数(个)、研究与试验发展人员(个)、R&D人员全时人员数量(个)、R&D人员非全时人员数量(个)、R&D人员博士毕业数量(个)、R&D人员硕士毕业数量(个)等。创新资金内部投入水平(x。)可参考R&D内部支出总量(万元)、R&D内部基础研究支出(万元)、R&D内部应用研究支出(万元)、R&D内部试验发展支出(万元)、R&D政府资金投入(万元)、R&D企业资金投入(万元)、R&D国外资金投入(万元)等。创新资金外部投人水平(X，)可参考R&D外部支出总量(万元)、R&D对国内研究机构的支出(万元)、R&D对国内高等学校支出(万元

41、)、R&D对国内企业支出(万元)、R&D对境外支出(万元)等。创新环境水平(x。)可参考居民消费水平(元)、互联网宽带接入用户(万户)、普通高等院校数量(个)、金融机构各项存款余额(亿元)等。Systems：The Role of Governance in a Globalized WorldLondonRoutledge：2004，27(6)：9449492MELKAS H，HARMAAKORPI VData，information and knowledgein regional innovation networksJEuropean Journal of InnovationMana

42、gement，2008，11(1)：1031243SCHIUMA G，LERRO AKnowledgebased capital in building re-gional innovation capacityJJOURNAL 0F KNOWLEDGE MANAGEMENT，2008，12(5)：1211364PECHLANER H，HERNTREI M，PICHLER S，et a1From destination management towards governance of regional innovation systemsthe case ofSouth Tyrol，Italy

43、JTOURISM REVIEW，2012，67(2)：22335中国科技发展战略研究小组2002年中国区域创新能力评价J科学学与科学技术管理，2003(04)：5一ll6詹湘东基于知识管理的区域创新能力评价研究J科技进步与对策，2008(04)：1171217孙锐，石金涛基于因子和聚类分析的区域创新能力再评价J科学学研究，2006(06)：9859908王鹏飞，石林芬基于因子分析的大中型工业企业区域创新能力评价研究J科技管理研究，2008(05)：1131159周立，吴玉鸣中国区域创新能力：因素分析与聚类研究兼论区域创新能力综合评价的因素分析替代方法J中国软科学，2006(08)：961031

44、0王晓光，方娅基于主成分分析的黑龙江省区域创新能力评价J科技管理研究，2009(06)：9810011杨文，吴一丁基于主成分分析的区域创新能力评价以新疆为例J山西财经大学学报，2008(s1)：697012邹华，徐玢玢，杨朔基于熵值法的我国区域创新能力评价研究J科技管理研究，2013(23)：566113徐永智，华惠川基于改进的TOPSIS法的东部省市的区域创新能力评价J科技管理研究，2009(08)：17317514马力，王燕燕基于产业集群的区域创新能力评价体系研究J统计与决策，2007(10)：636415郭丽娟，仪彬，关蓉，等简约指标体系下的区域创新能力评价基于主基底变量筛选和主成分分析

45、方法J系统工程，2011(07)：344016赵希男，温馨，王艳梅基于个性优势特征分析的区域创新能力评价与分析f J科学学研究，2009(03)：47348017胡蓓，古家军基于BP神经网络的产业集群创新能力评价实证研究J科技进步与对策，2008(07)：1“一14718甄峰，黄朝永，罗守贵区域创新能力评价指标体系研究J科学管理研究，2000(06)：5819侯风华，赵国杰我国东部省市的区域创新能力评价研究J科学管理研究，2008(02)：212320王晓光，方娅基于产业集群的哈大齐工业走廊区域创新能力评价J科技进步与对策，2010(10)：10010321李良，王慧基于因子分析与ESDA的山

46、东省区域创新能力实证研究J鲁东大学学报(自然科学版)，2014(04)：35435922张群，吴石磊，郭艳区域创新能力评价研究以齐齐哈尔市为例J哈尔滨商业大学学报(社会科学版)，2013(01)：879323杨中楷，沈露威基于有效专利指标的区域创新能力评价J科技与经济，2010(01)：30一3324胡宝清模糊理论基础M北京：武汉大学出版社，200425葛哲学，孙志强神经网络理论与MATLAB R2007实现M北京：电子工业出版社26周开利，康耀红神经网络模型及其MATLAB仿真程序设计M北京：清华大学出版社，2005：737427邓维斌，唐兴艳，胡大权SPsSl9统计分析实用教程M北京：电子工业出版社，2013：213作者简介：韩春花(1979一)，硕士，讲师，主要研究方向为企业管参考文献： 理等；佟泽华(1975一)，通信作者，博士，副教授，主要研究方向1COOKE P，HEIDENREICH M，BRACZYK H JRegional Innovation 为知识管理等。万方数据