营商环境指标体系的构建依据
营商环境的水平关乎城市发展方向和城市发展的未来,科学的全面的营商环境发展综合评价体系可以引导城市营商环境的发展,使得城市的经济社会得到全面、可持续的发展。因此,建立一套完整有效的营商环境总体发展评价体系,通过建立全新的营商环境政务考核体系,促进政府营商环境方面的工作,推动经济、社会和资源环境等各个方面的协调发展。全新的评价体系一方面可以为各级政府部门决策提供依据,同时还可以向社会公众定期发布,形成对政府工作的有效监督。
之所以要建立全面发展综合指标,其初衷是通过采集汇总与营商环境有关的经济社会发展综合性数据,形成多维度指标,更为准确的反映出各个地区的营商环境的实际情况、未来发展空间和政策可能性。
近年来,学界在营商环境方面提出了诸多具有评价意涵的指数。但是,这些指数通常使用的是统计方面的数据,统计数据无法实现对企业在地区发展情况进行全景性的衡量评价。因此,应当建立基于统计和调查等多元化指标体系,通过对涉及企业活动的多个维度的测量和评价,得以实现对企业发展情况进行综合性、科学性的全面描述。(见表)
指标体系算法的建立
(一)算法综合评述。采用算法包括神经网络(主要使用的算法)和聚类投射算法等细分模型。神经网络的优势在于智能性,可以帮助我们研究复杂数据之间的结构关系。智能化既可以减少人为干预模型的训练过程,以增加训练识别微观信息的能力,提高准确率,又可以增加定制化的网络结构调整功能,对复杂的网络进行分析等,尤其是在多维度建模情况下,实现了调查经验知识与统计方法的融合。但这种分析方法本身存在的缺点也很多,比如预分析中需要考虑缺省值填补、异常值设限等技术。此外构建模型后,影响因素与被预测变量间的关系比较模糊,难以对现有的需求给与准确的决策支持,很难做出准确判断,而聚类投射模型等模型可以有效解析以上问题。(如图所示)
(二)主要采用的神经网络模型详述。构建模型之前需要将大部分时间花在数据清理或预分析之上,预分析的每个环节都需要调查数据与统计数据的相结合,实现缺省值填补、异常值设限、特征变换等技术。
图 神经网络模型
从具体指标权重的计算上,首先通过建立数据标准化矩阵,对原始数据进行去量纲化处理,作为神经网络模型的输入变量,形成权重矩阵,并对不同营商环境指标的影响效应的相对权重进行分析。
对于营商环境指标评估模型,采用了多层感知等模型,从神经网络结构来说,我们进一步定义了输入层、隐含层和输出层。其中,输入层是原始数据的标准化矩阵,隐含层主要处理非线性数据,输出层则输出权重结果。从模型说,假设输入与输出之间存在的映射关系为F(x),直接找到这一映射关系往往是十分困难的。我们采用深度学习将数据的表示分层,高层的表示建立在低层的表示之上,神经网络能够从数据简单的表示中来学习更为复杂的表示,即用深度学习把一个复杂的表示学习问题分成一系列嵌套的简单的表示学习问题,F(x)= F 1(F 2(F 3(x)))这一架构中,每一层都是较为简单的运算关系, 但是多层结合起来将展示出模型强大的力量。本课题采用的网络模型,包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。该算法的本质是将输入/输出映射编码为一个多层感知器的突触权值和阈值。突触权值和阈值构成网络参数的集合,学习过程是要选择符合某个标准的“最好”的一组参数。
输入信号包含与营商环境次级指标有关的基础信息,即政务环境、经验环境、社会环境、法治环境、开放环境等调查数据和统计数据。具体数据见表。
整体来说,运用神经网络模型可实现函数逼近、数据聚类、模式分类等功能,模型整合人工智能、机器学习、统计学等知识,全面对营商环境各个多维指标进行分类评价,并对各个指标的影响因素进行权重分析,更为准确全面的进行分析。
神经网络同样具有较高的准确率,学习能力较强,对噪声有较强的鲁棒性和容错能力,能充分逼近复杂的非线性关系。当然,神经网络存在一些问题,例如需要大量参数设定,如网络拓扑结构、权值和阈值的初始值;学习过程相对来说无法解构,输出结果难以解释。
(三)研究方法基本结论。通过大数据机器学习和神经网络算法,对营商环境指标体系进行评估。具体来说,神经网络是一种模拟神经网络行为特征,进行分布式并行信息处理的算法。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。就神经网络网络基础构成来说,网络是由大量简单的基础神经元相互连接,通过模拟神经处理信息的方式,进行信息的并行处理和非线性转化。神经网络算法能够比较轻松地实现非线性映射过程,具有大规模的计算能力,能够利用计算机语言模拟决策的过程,从而有效的对数据进行处理,并具有较强的预测能力。
针对传统指标体系评估准确率低、主观性强、维度单一的问题,采用数据融合和数据挖掘等技术,基于神经网络的权值分析的影响效应分析技术,提高指标体系的科学性建立和指标体系的高准确率评估。