一、创新资金生态系统及控制分析

（一）创新资金及创新资金生态化控制的界定

1.创新资金的界定。对于如何界定发明创造以及技术创新，约瑟夫·阿洛伊斯·熊彼特认为技术创新为企业的生产奠定了基础，在此基础上，逐渐形成了狭义与广义两种创新理论：从有创新理念一直到落实到技术层面的过程就是狭义的技术创新理论；而广义的技术创新理论则是指从技术测试一直到市场化生产阶段。本文主要以广义的技术创新理论为基础进行探究。从整体性出发，将一切用于创新活动的资金都定义为创新资金，对企业用于创新的那部分资金的控制模式进行探讨。

2.创新资金生态化控制的界定。研究模式因探究阶段的不同而不同，开放式的控制模式是由因果导向所形成的，将此控制模式加入创新资金的概念，可以归纳出创新资金控制的概念，即高新技术企业对创新资金进行的战略控制。近年来，学术界提出了很多种不同的生态研究理论，而只有生态系统与生态特性被运用在经济学研究中。因此本文对加入生态系统及生态特性研究理论的资金控制进行了新的定义，概念为高新技术企业在收集与运用资金时，将与生态特性相统一、资金处于平衡状态作为控制的基础，再加入战略分析，进行协同的、动态的、循环的、系统的生态化资金控制。

（二）创新资金生态系统及特性分析

1.创新资金生态系统分析。生态特性在创新资金控制中十分重要，而生态系统是生态特性的研究基础。加入创新资金的生态系统是创新生态系统的一个分支，通过将其与自然生态系统相比较可以发现，生产者、消费者、分解者及生态环境四者构成了自然生态系统，这四者间的相互关系在创新资金生态系统中也有着近乎一样的体现，例如企业从筹集创新资金到技术创新一直到消费者购买创新产品，都是创新资金生态系统间各参与者的相互作用。在高新技术企业中也存在着和自然生态系统一样的协同性、进化性和动态性，因此系统中的各个角色需要好好配合，实现“1+1＞2”的效果。

2.创新资金生态系统的特性分析。

（1）协同进化性在创新资金生态系统中是指各部门及生态位之间的协同进化。前者体现为研发、生产、销售三部门间的协同性，后者是指各企业之间的互动进化。这也是企业高层管理好企业的一个重要手段。可见，协同进化性不仅可以加强企业对生态系统的控制，也可以改善控制环境。

（2）动态平衡特性是在动态调节中形成的一种平衡状态，生态系统自身处于动态平衡中。企业的风险抗压能力与稳定性具有正相关关系，在具有创新资金生态系统的企业中同样适用。企业可以利用内部调节规避外部风险所造成的改变。图1体现的是动态稳定，作用主要由投融资的平衡来体现。

图1 创新资金生态化控制动态稳定图

（3）资金循环特性体现为资金循环，在创新资金生态系统中相互作用，使资金也能够在其中得以循环。创新资金经过创新活动投入市场，将获取的收益继续投入到下一个创新活动中，持续循环。

（三）创新资金生态化控制的作用机理

预算是对创新资金实现生态化控制的基础，控制能力因资金的动态平衡而提高，所以创新资金生态化控制是重要前提。各控制要素在创新资金生态化系统中相互作用，实现动态平衡状态，可以使企业的控制能力迅速得到提高。对于高新技术企业而言，建立由政策环境、金融环境以及科技环境有机结合的创新资金生态系统十分必要。

二、高新技术企业创新资金生态化控制模式的设计

（一）创新资金生态化控制模式

创新资金生态化控制模式包含了生态特性、协同进化性、动态平衡性及资金循环性。在该生态系统中，首先要明确企业的生态位，从而制定出相应的战略，将动态平衡的理念运用到创新活动中，尤其是在编制预算时，需要随着时间的推移不断调节。通过运用循环理念，使创新资金实现良性循环，并加入评价机制，以逐渐改善进步。

（二）创新资金生态化控制模式的关键环节

1.编制创新资金预算是控制模式中的重要环节，创新活动的顺利进行可以反映出预算的作用，能够由此提升资金使用效率。在编制预算时，资金的供需情况也需纳入考虑，以提高资金利用率，避免资金浪费。

在编制投入创新的资金预算时，需要一并考虑时间与数量，本文还加入了空间维度，从三方面出发制定预算。在时间上做到各环节资金及时到位；在数量上做到避免浪费；在空间上做到创新活动中涉及到的各个主题都能够实现有机结合，成为相互协作的关系。这三者在具体的创新活动中的体现如图2所示。

图2 预算三维图

2.如何投放创新资金对控制模式来说十分重要，三个阶段中的投放方向分为市场调研、R&D人员薪酬、设备投资、市场开发以及流动资金五个方面。图3反映了创新资金的循环效果。

图3 创新资金循环效果图

三、创新资金生态化控制效果评价指标体系的构建

（一）指标体系的设计

将构建评价体系的原则与创新资金的生态化控制效果相结合，研究收益性、流动性、安全性、成长性四者的影响因素，选取重要指标，如下表所示。

创新资金生态化控制效果评价指标体系

（二）指标的测算

在对评价指标进行测算时，首先对没有出现在财务报表中的指标进行介绍，定义与公式如下：

1.知识与智力资产收益率。是指研发阶段的人员成本。企业对研发人员投入得越多，越能体现出企业对于技术创新研发的重视程度，这一指标数值较高，说明企业通过研发环节最终能够获得的收益也比较多。公式为：知识与智力收益率=知识与智力贡献价值/知识与智力产值×100%。

2.EVA。等于税后净利润与资本成本之间的差额，体现了企业能否对资金实现有效控制。公式为：EVA=税后净营业利润-资产总额×加权平均资本成本。

3.新产品销售利润率。是指投入市场化销售后，企业获得的营业收入与利润之间的比值。这一指标数值越高，体现出企业获得的利润越多，而高利润又反映出企业对创新资金的控制十分有效。公式为：新产品销售利润=（利润总额÷新产品销售收入）×100%。

4.R&D经费投入强度。体现的是企业对于研究开发的投入，体现了企业对于研发的重视程度，该指标数值越高，说明企业越重视研发能力，能够得到发展。公式为：R&D投入强度=本期研究开发经费/本期销售收入总额×100%。

5.科技人员占比。是指研发人员与企业总员工人数之间的比值，企业对研发能力越关注、越重视，投入越高，那么企业的成长速度也就越快，该指标数值越高。公式为：科技人员占比=研发人员数/企业员工总数。

6.新产品广告支出强度。是指企业对投入市场的创新产品投放的宣传成本。公式为：新产品广告支出强度=新产品广告费用支出/销售收入总额×100%。

四、基于PSO-BP神经网络的控制效果评价模型

（一）基于PSO-BP神经网络的控制效果评价的优势

Rumelhart和McCelland提出反向传播神经网络法，在模仿人脑机能的基础上进行简化和抽象，使用频率较高。BP神经网络能够实现输入到输出的非线性映射，不断循环，一直到能够明确每一个神经元的相应权重。BP神经网络的适应性较高，规避了很多人为过错。同时，BP神经网络的容错机制能够尽可能避免专家打分形成的人为误差，更具有客观性。为了更好地研究创新资金生态化系统的控制效果，本文将经过改善的BP神经网络理论运用到对创新资金控制效果的评价机制中。

（二）基于PSO-BP神经网络的控制效果评价模型

BP神经网络是现如今使用频率最高、运用范围最广的一项神经网络研究，但存在低收敛速度等局限性。为了更好地对BP神经网络进行改善优化，本文结合PSO学习算法，构建一种新的评价模型。Kolmogorv法指出，三层的BP神经网络结构在合理设置隐含层节点的基础上，能够实现相应的研究目的。从这一角度出发，本文将高新技术企业创新资金生态化控制效果评价的基础结构设定为同时具有输入层、单隐含层、输出层的三层BP神经网络。

1.BP神经网络结构的设计。

（1）就输入层来说，明确输入层与输出层的节点，相应评价机制中评价指标的数量决定了该神经元节点的数量，就本文而言，有13个创新资金生态化控制效果评价指标，由此可知，也就有13个神经元节点。就输出层来说，本文在评价高新技术企业的创新资金生态化控制效果时运用的是专家综合评价法，最终评价的结果分数就是神经网络的输出。由此可知，输出层神经元节点是1。

（2）以现有研究成果来说，仍然有一些关于如何确定神经网络隐含层的相关理论没有得到落实。如果隐含层的节点数很大的话，就神经网络来说，很可能会发生过度拟合，但如果节点数过小的话，则会加大学习误差。因此，隐含层节点数在本文中是通过网络结果的误差对比选优确定的。

（3）线性函数和非线性函数是比较常见的两种激活函数。为了凸显研究效果，本文选取非线性激活函数来进行研究。在非线性函数中，分为对数函数和正切函数两种激活函数。对于正切函数而言，输出数据映射在（-1，1）的区间内。本文的激活函数采用Sigmoid函数，该函数的表达式如下：

2.BP神经网络算法的优化。一种比较新颖的进化算法叫做粒子群优化（PSO）算法，从这一算法被提出至今，一直深受好评，应用范围非常广泛。将粒子群（PSO）算法与遗传算法相比较，粒子群（PSO）算法具有简便运算的优势，而遗传算法则需要浪费很多时间在交叉和变异上，因此粒子群（PSO）算法在时间和效率上都占优势，能够找到最合适的解法。同时易操作和易理解也是粒子群（PSO）算法的一大优势。在面临优化非线性以及网络泛化能力的增强时，粒子群（PSO）算法都具有十分明显的积极影响，因此利用它来对网络实现优化学习算法，网络的泛化能力也能得到十分显著的提高。

粒子群（PSO）算法是将初始化设置先应用于一群粒子上，这些粒子在不断更新交替后找到最优解。这些粒子在实现更新交替时，主要是通过追踪个体极值Pbest和群体极值Gbest来做到自身位置的迭代。在确定了两者最优值之后，粒子用以下公式来更新自己的速度与位置。

式中，w为惯性权重，v为粒子的速度，k为当前粒子的迭代次数，c1和c2为加速因子，通常c1=c2=2，r1和r2是介于0和1之间的随机数，Pp和Pg分别表示个体极值和全局极值，X为当前粒子的位置。

本文在BP神经网络算法中引入粒子群（PSO）算法，并具体应用于创新资金控制效果评价中。首先依据模型选取样本，然后对样本进行标准化处理，借助matlab软件进行PSO-PB模型的训练，结合节点渐减法求出隐层节点数量，按照7:3的比例将样本分为训练数据与仿真测试数据。通过对比实际输出值和仿真测试输出值可以发现，基于PSOBP神经网络的创新资金控制效果评价结果是比较准确的。