BP神经网络视角下我国油企技术创新效率分析

□ 文/钟书丽 杨洋 高庆欣 余晓钟

改革开放以来我国经济得到飞速发展，油气需求量不断攀升，国内产能无法满足消费需求。截至2018年，我国石油对外依存度已逼近70%，天然气对外依存度超过40%，超过美国成为世界第一大石油进口国。随着“一带一路”战略推进，我国石油企业要实现与富油国经贸合作，势必与跨国石油公司展开竞争，没有强大的技术实力是难以取胜的。石油属于技术和资金密集型行业，技术进步和创新对减少油气勘探开发与生产建设成本、安全成本、环境成本，以及提升开采效率和油品质量都是至关重要的。

本文以我国三大石油公司为研究对象，运用BP神经网络模型，从投入和产出两个角度选取指标体系，采用专家意见法和层次分析法确定指标及其权重，评价了三大石油公司技术创新效率高低。研究表明，我国三大石油公司技术创新效率处于中等略偏上水平并呈上升趋势，仍有极大提升空间。

一、效率评价指标体系理论来源

经济学家熊彼特首次提出技术创新理论，创新过程就是新生产函数确立过程，这包括5项内容：引进新产品、引入新技术、开辟新市场、获取新材料、采取新的企业组织形式。布朗（W.B.Brown）等提出创新目标、创新阶段和决策输入变量对技术创新的预测和评价。英国经济学家法瑞尔（Farrell）1957年在《生产效率度量》一文中从“投入”和“产出”角度，指出技术效率是在规模报酬不变条件下生产单位产品最小可能投入与实际投入的比率最理想状况。国内专家学者认为，企业技术创新效率是企业技术创新资源投入与产出的比率，反映了技术创新资源对技术创新产出的贡献。傅家骥教授基于中国国情创造性提出技术创新理论；马宁、官建成等学者通过调查研究，确立了企业技术创新效率指标影响因素。而对我国石油公司技术创新的研究还处于成长阶段。其中，丁浩、张星臣将石油企业特点融入技术进步模型中，建立了能够用于测算油田技术进步贡献率的模型和方法；罗东坤、闫娜根据石油行业科技创新效率特点，采用非参数估计方法将石油企业研发投入的经济效益，作为企业科研投入资金规模的决策条件。技术创新效率评价指标确立因评价主体、评价角度、评价对象差异而不同，所以没有形成一个学界公认的评价指标准则，且在测量过程中存在人为因素影响过大情况。总的来说，石油企业的技术创新效率，还存在很大研究空间。20世纪40年代，心理学家Mc Culloch和数学家Pitts合作首次提出神经计算数学模型即M-P模型，1986年Rumelhart提出BP算法，极大地推进了神经网络的发展。1986年钱学森主编的论文集《关于思维科学》，介绍了神经网络方面的研究成果，在国内学术界引起极大反响，之后BP神经网络广泛应用于各学科研究。

为此，石油企业技术创新效率评价指标体系的构建，要考虑石油企业的特殊性，需将其特点融入评价体系。指标选择过程中要兼顾数量恰当、分层明确，指标设计时要考虑数据收集的难易程度及完整性。因而本文将设计好的指标体系做成调查问卷，以网络调查问卷形式发给行业专家、从业人员及研究机构，征询意见并对各指标重要性进行排序，并在综合各专家意见后选择10个定量数据指标。

二、BP神经网络评价模型基本原理

人工神经网络（Artificial Neural Networks 简称 ANN）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。它依靠系统复杂程度，通过调整内部大量节点之间相互连接的关系处理信息。BP神经网络（Back-Propagation Network）是一种误差反向传播算法的多层前馈神经网络，一般分为输入层、隐含层和输出层3个层次，它能够学习和储存大量输入—输出模式，而不需要确定描述这种关系的数学方程。其工作原理是训练学习得到实际输出值与期望输出值之间的误差值，识别误差并通过反向传播反馈到输入层，以此不断调整和修正神经网络权值，最后得到误差在可接受范围的输出值。

图1 石油企业技术创新效率评价定量指标

BP神经网络自学习能力和非线性映射能力、对任意函数的逼近能力、并行计算能力和容错能力，为本文非线性指标数据模拟提供了有力保障。

三、BP神经网络模型在石油企业技术创新效率评价中的应用

第一，确立训练组和仿真组。将中国石油、中国石化和中国海油2007—2013年数据训练组输入向量p，由层次分析法（AHP）确立的权重得到各年指标期望值作为导师向量t。然后对所有数据归一化处理备用，图1为已经确定好的训练组输入向量p、仿真数据组p_test和期望输出向量t。第二，确定隐含层的节点数。通过训练时间和识别率来判断节点数的选择是否合适，在实际操作过程中采取经验公式或者与作为参考，其中m为输出神经元数，n为输入神经元数，为[1,10]之间的常数。本文10个指标作为输入层向量，输出层为1个，经过反复多次训练来比较隐含层的节点数对结果影响的误差值，选择使最终整体误差值最小的N作为隐含层神经元的个数。第三，确定网络训练的方法和具体代码。调用BP神经网络函数newff，设置输入层输入向量p，期望输出向量t，隐含层神经元个数为4个，采用10-4-1结构。中间隐含层采用tansig函数，输出层采用purelin函数，采用标准的梯度下降算法trainlm,目标误差为0.00001，误差显示步长25，最大训练步长数6000步。训练结果gradient是误差曲面的梯度，当梯度达到0.0000942时，训练结束。Mu是算法里面的一个参数，Performance是Mean Squared Error（均方误差），0.0145是初始值，训练过程迭代得到0.000000123，小于目标值0.00001，训练过程结束。第四，测试数据。比较BP神经网络训练的实际输出值与导师向量，误差在可接受范围之内，该网络可以用于仿真测试。对三大石油企业2014—2015年数据p_test进行逐一仿真，得到如表1结果。

表1 p_test仿真结果

四、评价结果分析

根据国内外专家学者对技术创新效率评价等级划分，可分为高（0.8-1）、较高（0.6-0.8）、中等（0.4-0.6）、较低（0.2-0.4）、低（0-0.2）几档。将测试结果结合评价等级，可以得出三大石油公司技术创新效率处于中上水平，并且2007—2015年技术创新效率呈持续上升趋势。三大公司成立时间相近，从企业规模和综合实力来看，中国石油排名第一，中国石化紧随其后，中国海油排名第三。三大石油公司之间的技术创新效率差距源于企业规模、研发资金投入及企业拥有的高素质人才数量，印证了著名的“熊彼特创新”假说。基于动态视角，认为企业规模与企业技术创新绩效呈正相关。

国外石油企业将赢得国际市场的突破点放在核心技术、首创技术应用和推广上。我国石油企业科技成果转化率约为35%，国外大型跨国石油企业如BP、壳牌、雪佛龙、康菲、埃克森美孚等为60%-80%；我国石油企业科技进步对经济增长贡献率为35%-50%，国外公司为80%。可见，我国石油公司技术创新效率仍有较大提升空间。

从研究结果来看，我国石油公司技术创新效率虽然有所提升，但还需要创造性地学习和借鉴国外先进管理方式方法，加大技术研发投入，引进高素质人才，创建高水平的技术研发团队，并与国内外科技公司、科研机构及高校达成合作协议，联合攻克技术难关；企业内部要加强自身建设，重视科技人才，完善人才招聘培训机制，建立科学的岗位管理制度和激励制度；企业员工要树立创新意识，将创新融入企业文化；企业要充分了解市场需求，促进研发成果转化、推广和应用，努力提高技术创新对企业盈利的贡献率。