为顺应世界经济社会发展趋势, 党中央在十八大做出了“实施创新驱动发展战略”的重大战略决策部署, 十九大报告再次明确指出“要坚定实施创新驱动发展战略, 提高全要素生产率, 加快建设创新型国家”, 将创新驱动发展战略作为我国经济社会发展的优先与主要战略。建筑业一直是我国传统支柱性产业, 经过三十多年的赶超式高速发展, 中国建筑业成就了今天“建造大国”的地位, 但是这种增长主要是投资、劳动投入等要素驱动的, 科技创新的贡献率一直处于较低水平, 尤其自2014年中国经济步入新常态后, 中国进入后工业化时代的趋势愈发明显, 资本、劳动等要素开始从建筑业等非服务业部门向服务业部门转移, 这使得建筑业传统的要素驱动增长模式难以为继。建筑企业是技术创新的主体, 在实施创新驱动发展、实现建筑业转型中起着重要的作用, 积极开展技术创新对于增强建筑业竞争优势、转变经济增长方式、提高整体素质十分重要。

引导建筑企业技术创新的首要工作需要对建筑企业技术创新能力进行评价, 运用科学合理的评价方法对建筑企业的技术创新能力进行评价, 有助于企业发现技术创新工作存在的不足之处, 为企业采取措施提供依据。根据创新系统论, 建筑企业技术创新是一个系统的过程, 它不仅本身包含着一定的流程, 而且受系统各要素的影响和制约, 只有尽量把系统各要素考虑在内, 才能构建合理的指标体系。在企业技术创新能力评价方面, 大部分研究都只对企业进行了综合评价, 然而, 综合评价的不足在于看不出技术创新能力强弱具体表现在哪些方面, 不能分析出是哪些因素制约了企业技术创新能力。

因此, 针对企业创新评价的不足, 本文拟从系统、全过程的角度构建评价指标体系。在评价方法方面, 本文拟构建BP-VIKOR方法对建筑企业技术创新能力进行评价。BP神经网络是一种综合评价方法, 通过累积专家的知识、经验、判断, 建立自然的非线性模型, 已被证明是具有较高的准确性, 可用于建筑企业技术创新能力评价。VIKOR法是一种折中的多属性决策方法, 其思想是通过计算各评价值与理想解的距离大小来排列各评估值的优先顺序。

根据创新系统论, 本文从建筑企业把握环境、制定战略、投入资源、研究开发、生产建造、获得产出的行为出发, 确定环境能力、战略能力、投入能力、研发能力、建设能力、产出能力六个二级指标, 参照文献选取相应的三级指标。

在此基础上, 为了保证选取指标的合理性, 根据建筑企业招投标的特点, 在建设能力中增加“复杂工程中标数”指标, 复杂工程如高层建筑、大型桥梁、深基坑工程等对建筑企业的技术水平要求较高, 复杂工程中标数越多代表企业的整体技术能力越强。企业在进行技术创新时往往忽略了对创新风险的评估, 使建筑企业处于危险边缘, 因此增加“技术风险控制办法”指标, 从战略层面评价企业对技术创新风险是否高度重视。“环境污染减少程度”虽然体现了对技术创新环境效益的重视, 但在实际中较难统计, 因此删去“环境污染减少程度”, 通过增加“原材料利用率”反映技术创新的经济效益, 以避免评价指标体系重经济效益轻视环境效益的问题。

综上, 得到一个包含1个一级指标、6个二级指标、19个三级指标的建筑企业技术创新能力评价指标体系, 指标及内涵见表1所示。

本文利用Python的机器学习库Scikit-learn进行评价模型的搭建。定义M_i为输入变量, N_j为输出变量, T_j为学习目标值, N_j与T_j之差E为误差值, ε为训练精度。利用神经网络评价步骤如下:

(1) 建立训练样本。对原始数据进行归一化处理, 将定性指标 (好、较好、一般、较差、差) 分别对应于 (0.9, 0.7, 0.5, 0.3, 0.1) , 定量指标用Min-Max scaling函数处理, 得到输入值M_i。采用专家评分值作为学习目标值T_j。

(2) 网络函数选择。采用拟牛顿法作为神经网络训练函数, 拟牛顿法是神经网络中常见的优化算法, 研究表明LBFGS算法在参数的维度小于10000维时迭代次数少, 收敛速度快, 可以达到全局最优点;采用L2正则对神经网络优化。L2正则化是机器学习中常用的防止过拟合技术, 可提高预测精度, 保证网络的泛化能力。

(3) 设置网络参数。按评价指标数设置输入数为19个, 输出变量根据目标值设置为1个, 隐含层个数根据经验公式为及实际实验效果确定。训练精度ε根据实际需要确定。正则化参数alpha的设置根据实际样本调适。

(4) 将训练样本分为训练组与实验组, 输入神经网络进行训练。

(5) 若E>ε, 返回到 (2) 重新调试网络参数。当误差值E<ε时, 输出神经网络的最终结果, 至此, 可以得到建筑企业的技术创新能力综合评价值。

(1) 按照VIKOR的评价步骤, 确定各指标评价值的正理想解与负理想解。

式中, f_ij为第j家备选建筑企业技术创新能力指标经标准化后第i个指标的评估值, f_i^*为备选建筑企业技术创新能力第i个指标的最大值, f_i^-表示备选建筑企业技术创

新能力第i个指标的最小值。

(2) 计算各指标评价值到理想解的距离。S_i表示第i个指标评估值到正理想解的加权距离, R_i表示第i个指标评估值到负理想解的加权距离, W_j为各企业对指标的权重值, 这里因各企业的重要性一致, 因此W_j取1。

(3) 计算各指标的VIKOR值。Q_i表示第i个指标的VIKOR值, Q_i值越大表示指标能力表现越差。其中S^*=min S_i, S^-=max S_i;R^*=min R_i, R^-=max R_i。即S^*为指标群体最大效用, R^*为指标群体最小遗憾, V为最大群体效用权重。为保证群体效用最大化和个体遗憾最小化原则, 把V设为0.5。

(4) 将Q_i值排序, 即可得到各评价指标能力的优劣顺序, Q值越高代表指标的表现越差, 进而以此分析建筑企业技术创新能力的综合评价结果。

为了使选取的样本具有同质性, 按施工总承包资质等级进行样本选取, 考虑到三级施工总承包建筑企业技术创新能力普遍较弱, 一级或特级建筑企业的技术创新能力较强, 而属于中型企业的二级施工总承包建筑企业得到的关注较少, 本文拟选取二级施工总承包建筑企业作为研究案例。据《福建省2017年统计年鉴》中统计数据推算出拥有二级施工总承包资质的企业约为200家。因此, 按照简单随机抽样的原则, 拟选取20家企业作为研究案例。通过问卷、访谈的形式收集资料, 最终得到18家完整的企业数据资料。18个案例企业规模不一, 资产总额区间较广, 样本分布均匀, 具有一定的代表性, 可以满足研究成果科学性的需要。为方便表示, 用Y_i作为企业代号。

(1) 数据处理

将原始数据归一化后得到相关数据。随机选取Y₁~Y₁₄作为训练样本, Y₁₄~Y₁₈作为检验样本。指标值Xi作为神经网络的输入值。同时邀请五位专家对各企业的技术创新能力进行打分, 专家根据回收问卷, 对每个指标进行打分, 期望值满分为5分, 将各个指标得分相加得到企业的总体得分, 取五位专家评分的平均值作为神经网络的学习目标值。

(2) 训练过程参数设置

经试验确定隐含层数为5层时效果最佳。设置初始学习率为1, tol=le-3, 最大迭代次数为200次。Alpha经试验表明取值小于0.00001时拟合精度基本不变, 因此选取alpha=0.00001。将训练结果分为5个水平, 大于0.9为好, 0.7~0.9为较好, 0.5~0.7为中等, 0.3~0.5为较差, 小于0.3为差。

(3) 仿真与训练

将训练样本与检验样本输入搭建的神经网络进行训练, 仿真结果如图1、表2所示。通过结果可看出, 神经网络经过25次迭代, 预测精度达到99.46%, 最大误差为0.018, 可见经优化后的神经网络在极少的迭代次数下达到了很高的精度。同时利用标准的BP神经网络 (初始学习率0.01, 采用SGD训练函数, 其余值不变) 进行训练, 得到结果如图2所示, 通过对比可以发现优化后的神经网络预测精度及速度都由于标准的BP神经网络。证明经训练后的神经网络可用于建筑企业技术创新能力评价。

(1) BP神经网络评价结果

根据神经网络得出的评分, 进行评价结果的分类, 从表3中可看出, 表现优秀的企业为0家, 表现中等及以下的企业有16家, 整体技术创新能力处于较弱水平。

(2) VIKOR法评价结果

按式 (1) ~ (3) 计算得各指标S值、R值及Q值, 如表4所示。

将各指标的Q值按对应的二级指标加总, 得到二级指标优劣排序, 表现最差的依次为投入能力、研发能力、环境能力, 如图3所示。

将各指标进行排序, 得到Q值最高即表现最差的六项指标, 如图4所示。

从图3可以看出, 投入能力与研发能力的Q值最高, 说明投入能力与研发能力表现最差, 阻碍了建筑企业进行技术创新。从图4可以看出, 企业的信息化建设投入水平低, 说明企业不能很好地适应建筑信息化这一新趋势;对外合作项目比重低, 说明企业产学研水平低, 与科研高校的交流较少;对新技术、新工艺的吸收能力较低, 说明企业没有及时地进行对新技术新工艺的学习;技术创新风险控制办法制定的不完善体现了建筑企业在创新风险意识方面的缺乏;近五年标准与工法完成数量较少说明了企业的研发成果较少。

从指标分析的结果来看, 研发投入的不足使得建筑企业缺失了进行技术创新的经济基础, 而在产学研、信息化建设等方面的不足又使得建筑企业缺失了进行技术创新的环境基础与技术基础, 从而无法获得技术创新的产出, 解释了福建省中型建筑企业技术创新能力呈现出总体较弱的原因。

基于此, 本文提出以下几点建议:首先, 加大研发经费的投入, 为企业进行技术创新提供资金支持, 同时企业可以积极获取政府的扶持, 以减少资金压力。其次, 加强与高校、科研院所的合作。国务院在《国家中长期科学和技术发展规划纲要 (2006~2020年) 》中指出:到2020年我国要建设以企业为主体、产学研结合的技术创新体系, 产学研合作是企业实现持续续创新的能力、引进技术的消化、吸收和再创新的重要途径。最后, 加强企业信息化建设。信息技术是推动传统产业不断升级、优化资源配置、提高社会劳动生产率的新动力。近年来无论是BIM还是VR等技术的兴起, 都说明信息化是建筑业未来新兴的方向之一。建筑企业可根据自身情况积极响应住建部在《2016~2020年建筑业信息化发展纲要》中提出的对建筑施工企业进行信息化建设的要求。

(1) 本文提出了基于BP-VIKOR的建筑企业技术创新能力评价模型。将BP-VIKOR法结合, 一方面可以对企业进行综合评价, 另一方面可通过指标能力排序分析建筑企业在技术创新方面存在的具体问题, 克服了综合评价只能从整体上评价企业创新能力的不足, 具有较强的实际应用价值。在实际应用中, 样本数量越多得到的评价结果越准确。

(2) 通过案例分析, 得出福建省二级施工总承包企业建筑企业技术创新能力较弱的主要原因在于研发经费投入不足、产学研及信息化建设水平低。