自然辩证法结课论文

论文题目：企业文化价值之我见 量预测研究

—基于支持向量机的企业文化价值

学院：能源与动力工程 专业：船舶与海洋工程 姓名： 学号：

基于支持向量机的企业文化价值量预测研究

摘要：众所周知，在当代社会，企业文化价值观对于企业的生存发展起着非常重要的作用，目前对于企业文化价值的描述仅仅局限在理论上，为了在数据分析上对其有一个精确的评价，本文利用支持向量机模式识别和回归估计基本原理，设计了企业文化价值量的支持向量机预测模型，实现了对企业文化价值量的准确预测，利用已知样本并对其训练建立支持向量回归机。结果表明，基于支持向量回归机的预测模型可以对企业文化价值量进行有效的预测，训练误差保持在10%以内。 关键词：企业文化价值;支持向量机;价值量预测;模式识别;回归估计

Corporate culture value prediction research based on support vector

machine (SVM)

Abstract:As is known to us all,in contemporary society,corporate culture values

has played a very important role for enterprise survival and development. For the description of the corporate culture value limites in theory at present,On data analysis in order to have an accurate evaluation on it，This paper, by using basic principle of support vector machine (SVM) pattern recognition and regression estimation，has designed of the support vector machine forecasting model of corporate culture value,implementing the corporate culture value accurately forecast,Using known samples and sets up the training of support vector regression machine.The results show that the prediction model based on support vector regression machine can effectively at an effective prediction value of enterprise culture,keeping training error within 10%.

Key words：corporate culture value;support vector machine (SVM);value prediction;Pattern recognition；regression estimate

0 引 言

数据挖掘源于数据库技术引发的海量数据和人们利用这些数据的愿望.数据的迅速增加与数据分析方法的滞后之间的矛盾越来越突出,人们也希望能够在对已有的大量数据分析的基础上进行科学研究、商业决策或者企业管理,但是有些数据分析工具很难对数据进行深层次的处理,使得人们只能望”数”兴叹.用数据管理系统存储数据,用机器学习的方法分析数据、挖掘海量数据背后的知识,便促成了数据挖掘(DataMining)的产生.概括地讲,数据挖掘的任务是从大型数据库或数据仓库中提取人们感兴趣、事先未知的、有用的或潜在有用的信息.

数据挖掘涉及的学科领域和方法很多,经典的是统计估计方法,比如回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等.它们共同的重要理论基础之一是统计学,在这些方法中,参数的相关形式是已知的,训练样本用来估计参数的值.这些方法需要事先知道样本的分布,而且传统统计学研究的是样本数目趋于无穷大时的渐近理论,现有学习方法也多是基于此假设.但在实际问题中,样本数却是有限的,因此一些理论上很优秀的学习方法实际中表现却可能不尽人意.机器学习也是数据挖掘的主要方法之一,它研究从观测数据(样本)出发寻找规律,利用这些规律对未来数据或无法观测的数据进行预测.比如人工神经网络(ANN),它利用已知样本建立非线性模型,克服了传统参数估计方法的困难.但这种方法缺乏一种统一的数学理论.支持向量机(SPuPortVectorMhacnies,SvMs)是数据挖掘中的新方法.它是建立在统计学习理论(StatsitcialLearningTheory,STL)基础之上的通用学习方法.统计学习理论是一种专门研究小样本情况下机器学习规律的理论,最初于20世纪90年代由VaPnik[1]提出.该理论针对小样本统计问题建立了一套新的理论体系,在这种体系下的统计推理规则不仅考虑了对渐近性能的要求,而且追求在现有有限信息的条件下得到最优结果.支持向量机已表现出很多优于已有方法的性能.它能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题,并可推广于预测和综合评价等领域.支持向量机借助于最优化方法解决机器学习问题,它开始成为克服”维数灾难”和”过学习”等传统困难的有力手段.虽然目前它在理论研究和实际应用两方面还处于飞速发展的阶段,但是它的理论基础和实现途径的基本框架已经形成.

支持向量机适合处理小样本，高维度，非线性的复杂问题，基于支持向量机的基本理论和算法可以对企业文化价值量进行预测。

本文结构安排：第一章，企业文化价值观[2,3,4]概论 第二章，支持向量[5,6,7]分类机[8]和回归机[9]原理 第三章，基于支持向量回归机的企业文化价值量预测实验研究 第四章，结论。

第一章 企业文化价值观

1.1 企业文化

企业文化是指在一定社会历史条件下，企业在生产经营，管理活动中所创造的物质文化和精神文化总和。具体地讲，就是指统一的员工意识、思想、行为的企业经营哲学、行为准则、道德规范、企业精神、价值观念、企业制度、文化环境、企业产品等，其中价值观念是企业文化的核心。 1.2五大功能

一般学者都认为它具有五大功能，即：目标导向的功能、凝聚的功能、融合的功能、约束的功能、激励的功能 1.3 树立企业文化的目的

企业文化的最终目的是营销。企业文化的营销功能是通过组成企业文化的几大核心要素从不同的角度和侧面综合体现出来的：

一、企业价值观念。企业的价值观念是企业文化的核心组成部分，它决定了企业的经营理念与风格，左右着企业的发展方向，它对企业外在形象的塑造影响深远，树立一个能被消费者所广泛认同的价值观念至关重要。比如“走向世界，为国争光”、“创建知名企业，振兴民族工业”、“诚信为先，回报社会”等优秀的企业价值观念都从不同的角度阐明了企业远大志向、博大胸怀、关爱民生的崇高精神境界，在很大程度上塑了良好的企业外在形象，对消费者来说极具亲和力和感染力，使消费者对企业、产品、品牌均能产生深刻的印象和持久的记忆，从而刺激了消费者的消费欲望。

二、 企业精神风貌。企业精神是企业文化的灵魂，良好的精神风貌是企业的活力之源，比如“团结奋斗、求实创新”、“成就伟业、缘于你我”；“学习进步、团结向上、热情互助、整体为先”等优秀的企业精神，都创造了一个良好的精神氛围，不但在员工之中产生强大的凝聚力，极大地提高员工工作的积极性和主动性，而且也提高了员工的素养，使员工逐渐形成举止规范、谈吐文明的行为，时时处处能体现出与众不同的一种精神风貌。员工在与其它社会群体交往过程中，易于给对方留下好感，容易得到认同和沟通，“只有优秀的人才能生产出优秀的产品”，最终会引伸到消费者对产品产生良好的印象，现实的消费者会变得更加忠诚，潜在的消费者会变成现实的消费者。

三、企业的视觉形象。企业的视觉形象是最直观、最易于向社会群体传播的企业文化要素。所有构成企业视觉认别的各种元素如企业注册商标、产品包装；各种用于宣传标语、文字、影相、图片材料；员工衣着、厂容厂貌等都直接体现了企业的视觉形象。社会群体通过这些要素会对企业产生一个直观的认识和印象，也是消费者认识企业和产品的最直接、最重要途径。而这种认识和印象的良好与否，直接关系到他们的购买行为。

四、 企业的质量文化。消费者对产品质量的信任度是影响消费者购买行为的最关键因素。企业产品过硬的质量水平、有效的质量保证体系和可信的质量承诺构成了企业优秀的质量文化，它的传播会提高消费者对产品质量的信任度，成为为消费者决定购买行为的重要参考要素，起到了引导消费者购买行为的作用。

五、 企业的服务文化。目前消费者消费水平和层次日益提高，在追求产品质量过硬的同时，对产品营销企业的服务质量如何也非常重视。随着科技的发展，产品质量上的差异会逐渐缩小，而服务质量之间的差异性却很大，消费者对产品的选择会集中到对服务质量的选择上来。免费送货、质量“三包”、定期走访、上门服务等构成企业良好的服务文化，它会在很大程度上影响消费者的购买行为。

六、 企业的信誉度。人品好的人，会等到大家的尊重和信任，乐于与期交往，会建立起良好的从际关系。同样，企业的“人品”好的话，也能得到广大消费者的认可与信任，从而乐于对其产品进行消费。企业的信誉如何，决定了企业

“人品”的好坏，如果企业虽然产品质量很好，但总是大讲空话、假话，承诺不能得到很好的兑现，信誉不好，也就使其信任度降低，消费者会逐渐放弃对其产品的消费。如河南某名牌白酒企业产品质量上乘，多年受到广大消费者的喜爱，但在一次瓶盖兑奖活动中，向消费者所作的承诺没有兑现，使许多客户和消费者受到欺骗，某些客户事先已向消费者按企业承诺进行的兑现，因企业拒绝向客户兑现，经济损失惨重，企业因此而引发多场官司，均遭败诉，而且这一事件受到省内多家媒体的关注，从而使消费者对企业产生了信任危机，产品销量一落千丈，最后使企业陷入困境，难以自拔。 企业文化必将在企业营销中起到越来越重要的作用，如何有效发挥企业文化的营销功能也成为企业经营管理中的重要环节。有效发挥企业文化的营销功能就要从以下几方面着手：

一、 建设优秀的企业文化。没有优秀的企业文化，发挥企业文化的营销功能就无从谈起，所以企业文化的质量如何直接关系到企业文化的营销功能有效发挥。要有效发挥企业文化的营销功能最根本的就是要加强企业文化建设，提高企业文化的质量和层次。尤其是企业价值观念、精神风貌、视觉形象、质量文化、服务文化、企业信誉等方面都是建设和提高的重点，这是一个长期过程，企业不能急于求成，必须持之以恒。

二、重视企业文化的对外传播。企业文化只有通过对外传播，影响到消费群体，企业文化的营销功能才能体现出来。所以重视企业文化的对外传播是体现其营销功能的有效保障。企业文化对外传播的途径很多，但最主要集中于以下几个方面：

(一) 重视营销人员的传播作用。营销人员是企业中最直接与消费者和客户接触的人员，营销人员是他们对企业信息的了解的一个非常重要的窗口和途径。营销人员担负着传播企业文化的重要途径，通过积极传播企业文化也是促进自己销售工作的重要手段。所以营销人员能否把企业精神在消费者面前得到完美的体现和最大限度的传播，对企业精神对营销工作的促进事关重要。所以营销人员必须深刻认识和理解企业文化的内容和精髓，积极向消费者和客户宣传企业的价值观念、质量文化，时时处处体现出企业精神风貌、服务质量，言必行，行必果。

(二) 加强对外宣传力度。商业性广告的宣传，在提高消费者对企业和产品认知度方面作用巨大，但商业广告过分的功利性和消费者接受的被动性对企业文化的宣传却有非常大的局限性。所以企业文化的传播不能过分依赖于商业广告，而应开辟多种渠道，诸如积极开展各种公关活动、参与社会公益活动、向外界散发企业内刊、加强文字报道等软广告宣传，企业文化被溶于其中，这些活动也是企业文化的体现，充满浓浓的文化气息和人情味，更易于被消费者

所接受，企业文化出就能便捷准确地传播到消费者心中。

(三) 重视企业参观人员。每一位到企业参观的人员都会对企业产生很直观、深刻的印象，企业文化随之就进行零距离的传播与交流。企业如果给参观人员留下良好印象，美好的回忆，不但会刺激他们对产品的消费，而且他们会向周围的人群进行介绍和传播，会影响大批的潜在消费者。所以企业参观人员非常重要。企业接待人员的热情程度、服务质量、工作效率；企业现场管理水平；员工行为规范、精神风貌都是影响参观者对企业印象的重要因素，必须不断提高，做到尽善尽美。除了被动地接受参观人员外，企业可以通过各种方式邀请消费者或社会群体到企业参观，以此传播企业文化，影响他们的消费行为。如深圳金威啤酒有限公司实施的工业旅游，不但通过参观收入增加了企业经济效益，而且每一位参观者都为企业高度规范化、科学化、现代化、人文化的管理所惊叹，热情周到的服务所感动，为高质量的啤酒产品所折服，最终会被其优秀的企业文化所感染，对“金威”品牌产生良好的印象，消费忠诚度得到大大提高。其实金威实施工业旅游的举措，目的并不在于赚取参观利润，而是通过传播企业文化，促进销售的一种高明手段。

三、力塑良好的品牌形象。随着科学技术的发展和交流，产品质量上的差距会越来越小，企业之间的竞争将是文化的竞争，品牌是企业文化传播的最重要载体，企业文化最终体现到品牌的形象和内涵上，品牌营销时代已经到来，品牌形象如何越来越成为影响消费者购买行为的重要因素。品牌形象如何关系到企业文化营销功能实现的质量，同时企业文化质量如何也直接影响到品牌形象，二者是相辅相成的，互为促进的。塑造良好的品牌形象是极为重要的，也是最迫切的。

1.4 企业文化价值量影响因素分析 综上所述，影响因素：（1）价值观念（2）精神风貌（3）视觉形象（4）质量文化（5）服务文化（6）信誉度。

第二章 支持向量机

2.1支持向量分类机

支持向量机又称支持向量网络,它是一种建立在统计学习理论和结构风险最小化的原理上发展的新一代学习算法,其原理是根据有限的样本信息在训练样本的精度(即模型复杂性)和学习能力(无错误的识别样本的能力)之间寻求折衷。总而言之,SVM是先通过事先选择的非线性映射,将输入空间变换到一个高维特征空间中,也就是把非线性问题转换成高维特征空间中的线性问题进行分类,然后在这个新的空间中构造最优分类超平面的过程。

2.1.1线性可分和线性不可分

本文对支持向量机的基本原理算法通过线性可分和线性不可分两种情况进行阐述。 (1)线性可分

图 1

假

设该训练样本集可以被图中一个超平面线性划分,此时分类超平面可表示为:w*x+b=0。如果训练样本集中的所有样本都能够被超平面没有错误地进行划分 ,并且与超平面距离最近的两个向量之间的距离能够达到最大,也就是说在图1中超平面和H1、H2之间的距离达到了最大,那么我们距离最优超平面最近且平行于超平面H上的训练样本即为支持向量,它们满足:

(2.11)

一组支持向量能够唯一地确定一个超平面,分类间隔2/||w||就是两类支持向量间的距离。因此,求解分类间隔最优分类面的问题就转化如下的最小化的问题:

(2.12)

通过构造拉格朗日函数将上述问题转化为对偶问题。构造拉格朗日函数如下:

(2.13)

其中,a是拉格朗日算子且不小于0,所以只需要对w和b求

函数的极小值。分别对公式求a、w和b的偏微分并令它们为0,可以得 到:

(2.14)

经计算,最终可转换为求最优化问题的对偶问题:

(2.15)

因此其最优分类决策函数为:

(2.16)

（2）线性不可分

当样本是线性不可分的情况,即某些样本不能满足公式的时候,可以通过引入松弛项和惩罚系数来解决该问题,此时公式则改为:

(2.17)

C称为惩罚参数,它为某个大于零的指定常数,控制对错分样本惩罚的程度,用来调整置信范围和经验误差间的均衡。

2.1.2支持向量机核函数

如果训练样本非线性可分或者不可分，那么就不能在二维平面对其分类，必须要把训练样本从低维空间向高维空间映射，使训练样本能在高维空间线性可分。支持向量机中低维空间向量集映射到高维空间,那么它的计算复杂度就会随之变大,但是核函数的引入很好地解决了这方面的问题,只要能找到合适的核函数,就能够得到高维空间中的分类函数。核函数的引入不仅提高了学习机器的非线性处理能力,而且还保持了学习机器高维空间中的内在线性,使得学习很容易得到控制。支持向量机中可以采用不同的核函数构造实现输入空间不同类型的非线性决策面的学习机器。

常用的核函数有：

多项式核：k(x,x')(x,x'd)p,pN,d0; 高斯核：k(x,x')exp(xx'222);

RBF核：k(x,x')exp(xx'22);

B样条核：k(x,x')B2N1(xx');

1sin(N)(xx')2Fourier核：k(x,x'); 1sin(xx')22.2 支持向量回归机

支持向量回归机的前提是分类机，上文已经讲述。下面直接进入支持向量回归机的基本原理探讨。

SVM本身是针对经典的二分类问题提出的，支持向量回归机（Support Vector Regression，SVR）是支持向量在函数回归领域的应用。SVR与SVM分类有以下不同：SVM回归的样本点只有一类，所寻求的最优超平面不是使两类样本点分得“最开”，而是使所有样本点离超平面的“总偏差”最小。这时样本点都在两条边界线之间，求最优回归超平面同样等价于求最大间隔。

2.2.1 SVR基本模型

对于线性情况，支持向量机函数拟合首先考虑用线性回归函数f(x)xb拟合

(xi,yi),i1,2,...,n，xiRn为输入量，yiR为输出量，即需要确定和b。

惩罚函数是学习模型在学习过程中对误差的一种度量，一般在模型学习前己经选定，不同的学习问题对应的损失函数一般也不同，同一学习问题选取不同的损失函数得到的模型也不一样。常用的惩罚函数形式及密度函数如表

表2-1 常用的损失函数和相应的密度函数

损失函数名称 损失函数表达式c(i) 噪声密度p(i) -不敏感 拉普拉斯 i i 1exp(i) 2(1)1exp(i) 2高斯 12i 212(),ifi;i2 ,otherwise;i21ippi21exp() 22i2exp(),ifi2 exp(),otherwisei2ppexp(i) 2(1/p)鲁棒损失 多项式 分段多项式 p1pp1i,ifi p1,otherwiseipip),ifiexp(p1p exp(p1),otherwiseip标准支持向量机采用-不灵敏度函数，即假设所有训练数据在精度下用线性函数拟合如图所示，

yif(xi)i*f(xi)yii*i,i0i1,2,...,n （2.21）

式中，i,i*是松弛因子，当划分有误差时，，i*都大于0，误差不存在取0。这时，该问题转化为求优化目标函数最小化问题：

n1R(,,)C(ii*) （2.22）

2i1*

式中第一项使拟合函数更为平坦，从而提高泛化能力；第二项为减小误差；常数C0表示对超出误差的样本的惩罚程度。求解上式可以看出，这是一个凸二次优化问题，所以引入Lagrange函数：

nn1*LC(ii)i[iyif(xi)]2i1i1i*[i*yif(xi)](iii*i*)i1i1nn (2.23)

式中，，i*0，i，i*0，为Lagrange乘数，i1,2,...,n。求函数L对，b，i，

i*的最小化，对i，i*，i，i*的最大化，代入Lagrange函数得到对偶形式，最大化

函数：

1nW(,)(ii*)(j*j)(xixj)2i1,j1*(ii*)yi(ii*)i1i1nn （2.24）

其约束条件为：

n*(ii)0 i1 （2.25） 0,*Cii

求解其实也是一个求解二次规划问题，由Kuhn-Tucker定理，在鞍点处有： 算法如下：

i[iyif(xi)]0i*[i*yif(xi)]0ii0

得出ii*0，表明i，i*不能同时为零，还可以得出：

i*i*0 （2.26）

(Ci)i0(Ci*)i*0

（2.27）

从上式可得出，当iC，或i*C时，f(xi)yi可能大于，与其对应的xi称为边界支持向量（Boundary Support Vector，BSV），对应图中虚线带以外的点；当

i*(0,C)时，f(xi)yi，即i0，i*0，与其对应的xi称为标准支持向量

（Normal Support Vector，NSV），落在管道上的数据点；当i＝0，i＝0时，与其对应的xi为非支持向量，对应图中管道内的点，它们对w没有贡献。因此越大，支持向量数越少。对于标准支持向量，如果0iC(i0)，此时i0，可以求出参数

b：

lbyi(jj)xjxij1yixjSV(jj)xjxi

同样，对于满足0iC(i0)的标准支持向量，有

byi

xjSV(jj)xjxi

一般对所有标准支持向量分别计算b的值，然后求平均值，即

b1NNSV{

0iC[yixjSV(jj*j*j)K(xj,xi)]0i*C[yixjSV( （2.28）

)K(xj,xi)]}因此根据样本点(xi,yi)求得的线性拟合函数为

f(x)xb(ii*)xixb （2.29）

i1n

非线性SVR的基本思想是通过事先确定的非线性映射将输入向量映射的一个高维特征空间（Hilbert空间）中，然后在此高维空间中再进行线性回归，从而取得在原空间非线性回归的效果。

n首先将输入量x通过映射:RH映射到高维特征空间H中用函数

f(x)(x)b拟合数据(xi,yi)，i1,2,...,n。则二次规划目标函数变为：

1nW(,)(ii*)(j*j)((xi)(xj))2i1,j1*

(i)yi(ii*)*ii1i1nn

式涉及到高维特征空间点积运算(xi)(xj)，而且函数是未知的，高维的。支持向量机理论只考虑高维特征空间的点积运算K(xi,xj)(xi)(xj)，而不直接使用函数

。称K(xi,xj)为核函数，核函数的选取应使其为高维特征空间的一个点积，核函数的类型有多种，常用的核函数有：

多项式核：k(x,x')(x,x'd)p,pN,d0; 高斯核：k(x,x')exp(RBF核：k(x,x')exp(xx'222);

xx'22);

B样条核：k(x,x')B2N1(xx');

1sin(N)(xx')2Fourier核：k(x,x'); 1sin(xx')2因此变成

1nW(,)(ii*)(j*j)K(xxi)2i1,j1*(i)yi(ii*)*ii1i1nn

可求的非线性拟合函数的表示式为：

f(x)(x)b(ii*)K(x,xi)bi1n

2.2.2支持向量回归机算法总结

（1）给定训练集T,x是训练样本，y为输出。 （2）选取适当的核函数以及适当的精度和惩罚系数。

（3）构造并求解凸二次规划问题即求拉格朗日乘子的最小值（在约束条件下）。 （4）计算权向量w和阈值b。

（5）构造决策函数即支持向量回归机。

第三章 基于支持向量机的预测模型实验

一、实验步骤： 3.1特征向量的提取

在构造支持向量回归机的分类超平面之前，首先要对已知样本进行挑选和训练，因为并不是所有的已知样本都要映射到高维平面上，支撑最优分类面的只是少量的样本——支持向量。无用的已知样本会增加解题的难度，应首先对其优化选择，尽量选择超平面附近的一些样本，并建立最优超平面。

预测企业文化价值的已知样本是各个影响因素的权重。例如，海尔集团的企业文化价值的价值量是96，其中，价值观念是86，精神风貌是90，视觉形象是94，质量文化是94，服务文化是85，信誉度是90.这样一组数据就可以组成一个样本向量（86,90,94,94,85,90），输出是价值量96。 3.2核函数和相关参数的选取

核函数和惩罚系数的选取对实验的结果有一个很大的影响（论文提到）。借助前人的研究成果，本文选择最安全准确的高斯径向基核函数，惩罚系数是1000，并且选择不敏感损失函数来判定样本有无损失。 3.3求解拉格朗日乘子

求解二次凸规划问题的拉格朗日乘子的最小值 3.4求解权向量w和阈值b. 3.5代入求得最优决策函数

3.6把待检测价值量的一组企业文化价值向量代入决策函数，得出输出值即为价值量的大小（见下表）。

表3.1 预测结果

第四章 结论

通过以上支持向量机建模实验结果表明：支持向量回归机可以对企业文化价值量进行有效的预测。在已知企业文化价值量的影响因素下，采用支持向量机的基本原理直接客观的预测企业文化价值量。

参考文献：

[1]VapnikV.TheNatureofstatistieallearningtheo仔.Springer,NY,1995.张学工译,统计学习理论的本质,北京:清华大学出版社,2000

[2]刘光明编著《企业文化》,经济管理出版社1999年版 [3]罗长海:《企业文化学》,中国人民大学出版社1991年版 [4]华锐:《新世纪中国企业文化》,企业管理出版社2000年版

[5]张春华.支持向量机中最优化问题的研究.阵士学位论刘,北京:中国农业大学,2004

[6]BoserBE,GuyonIM,vapnikV.Atrainingalgorithmofroptimalmarginelassifiers.InHausslerD,editor,proeeedingsQfthesthAnnualACMWOrkshoponComputationalLearningTheorpittsburgh,PA,ACMPress,July1992,144一152

[7]KuhnH,TuerA.Nnoliearprmaming.In:Proeeedinof2ndBerke1yeSymposiumnoMathmeatiealStatistinadPrboballisties.UnivesriytofCaliofrniaPress,1931,481一492

[8]KuhnHW.NonlinearPorgrmaming:AHistoriealNote.In:HistoryofMathematiealProgramming.JK.Lnesrta,A.H.G.nnoyoKna,nadA.Schrijver(editors),North-Hollnad,Amsterdma,1991,82 [9]VtkinsC.Kernelsfrommatehingoperations.TeehniealReportCRTR9807,RalHolloway,Uni- versityofLondon,ComputerSeieneeDepartment,July1999