產業集群創新能力評價指標體系的構建

王靜華

（寶雞文理學院 經濟管理系，陜西 寶雞 721013）

產業集群的創新能力一般是指集群內的企業在社會網絡系統中對學習能力、發展能力、競爭合作能力、創新能力的有機整合能力。整合的對象包括知識、技術、資金、關系、經驗等要素；整合的主體包括集群內的企業、大學、中介、科研院所等機構；整合的動力則是為了集群內企業和產業的可持續發展，提高其競爭能力。本文在BP神經網絡和DE算法的基礎上，建立了基于DE-BP神經網絡的產業集群創新能力分析系統，通過該分析系統可以計算出某產業集群的創新能力。通過對產業集群的創新能力進行分析和評價，根據評價結果制定出合理的戰略步驟，有利于保持和提高群內企業的競爭優勢，從而實現產業集群的快速發展。

1 創新能力評價指標體系

1.1 創新能力評價指標體系的建立

產業集群創新能力的評價指標體系是一個復雜的系統，必須對集群內的全部產業和周圍環境做一個較為全面的把握，即全面地評價產業集群的創新能力。因此，在建立指標體系的時候，一定要與提高創新能力的各種因素結合起來，以群內企業的技術創新為核心，并要考慮宏觀的社會經濟環境。同時，應嚴格保證該評價體系的客觀性和公正性。一般來說，在建立產業集群的創新能力評價指標體系時應包括公正性、科學性、簡單性三個原則。

1.2 創新能力評價指標體系的內容

結合上面的創新能力指標體系建立的原則，我們來構建產業集群創新能力的評價指標體系。在這個指標體系中，產業集群的創新能力主要包括企業的創新能力、知識的流動能力、創新環境以及創新的經濟績效，如表1所示。

1.3 指標值的確定及歸一化處理

在上述這些指標中，既有定性指標，也有定量指標。一般來說，定量指標又可以分為正向指標、適度指標和逆向指標。由于不同的指標可能所采用的量綱不同，從而可能導致無法對其進行比較。因此，考慮到神經網絡訓練的收斂性問題，以及最終評價值的確定，在進行評價之前我們需要對各項評價指標作標準化、正規化處理。

2 基于DE-BP神經網絡的產業集群創新能力分析系統

表1 產業集群創新能力評價指標

2.1 BP神經網絡模型

BP神經網絡算法是一種具有三層或者三層以上的階層型前向神經網絡（輸入層、中間層、輸出層）。在BP神經網絡模型中，它的主題思想是從后向前（反向）逐層傳播輸出層的誤差，通過這種方法間接算出隱含層的誤差。算法一般分為兩個重要階段：第一階段是從輸入層輸入信息，并經隱層逐層計算各單元的輸出值；第二階段是根據輸出誤差逐層向前算出隱層各單元的誤差，并利用此誤差來修正前層的權值。在此，我們采用三層結構網絡，如圖1所示。其輸入層包含n個結點，中間層包括p個結點，輸出層為m個結點。

BP神經網絡的訓練結果將生成4個矩陣：

(1)輸入層到中間層的權值矩陣W

圖1 三層BP神經網絡結構圖

(2)中間層到輸出層的權值矩陣V

(3)中間層的閾值矩陣T

(4)輸出層閾值矩陣S

2.2 DE算法

DE算法是基于實數編碼的演化算法，它與遺傳算法的主要區別則在于變異操作上，其變異操作是在染色體的差異向量上講行的。在運用DE算法對神經網絡的權值進行優化的時候，它可以克服遺傳算法的早熟現象，這也是DE算法的優越性之處，其主要步驟如下：

(1)種群初始化

利用DE算法對對W，V，T，S等四個矩陣優化，首先要將這四個矩陣映射到DE算法的染色體串，映射關系如圖2所示。

圖2 染色體與權值閾值的編碼映射

我們令Xi(t)代表第t代的第i個染色體，則Xi(t)=(xi1(t),xi2(t),…,xil(t))，i=1,2,…,M;t=1,2,…,tmax，其中l為染色體長度，M為種群的規模，tmax為最大的進化代數。

在進行種群初始化的時候，DE算法與其他演化算法相同。初始種群中的個體xij(0)設計變量取其上下邊界內均勻隨機分布的浮點數，即：

(2)變異操作

在進行變異操作時，DE算法是基于個體向量差講行的。假設當前的演化個體為Xi(t)，從該世代種群中隨機地選擇三個染色體，則取后兩個個體向量的差值，經討縮放后加到第一個個體向量上，則得到變異后的個體Ui(t+1)，即：

式中η為縮放因子。

(3)交叉操作

變異后的個體和種群中當前的演化個體Xi(t)以離散交叉方式講行交叉操作，生成交叉個體Ci(t+1)，以增加種群的多樣性，該個體的第j個分量表示為：

其中randij(0,1)為區間[0,1]內的隨機數，CR為交叉的概率，且CR∈[0,1],rand(i)為區間[1,l]內的隨機整數，該交叉方法能夠保證Xi(t+1)至少有一個分量是由Xi(t)相應的分量貢獻。

(4)適應度函數

為了進行適應度評價，我們采用誤差平方測度，其形式如下：

其中m為輸出層節點個數，P為訓練樣本個數，yj為節點j的理想輸出，為節點j的實際輸出。

(5)選擇操作

當前個體Xi(t)和交叉個體Ci(t+1)通過對適應度函數的比較，利用貪婪的方式講行優先選擇，即：

反復執行步驟(2)～(5)，若達到最大進化代數tmax，則停止。

2.3DE-BP神經網絡模型及其應用

從本質上看，BP神經網絡模型的訓練討程就是對上述四個矩陣的調整過程?，F在，當BP神經網絡和DE算法相結合之后，就是運用DE操作來保證搜索是在整個解空間上進行，同時，尋找最優的討程并不依賴于種群的初始值選擇，將閾值和權值精確到較小的范圍內，通過BP操作來保證得到精確的權值。DE-BP算法的流程如圖2所示。

3 應用分析

當基于DE-BP神經網絡的產業集群創新能力分析系統建立之后，我們可以將產業集群的創新能力評價指標對應的具體值經輸入層進入網絡，網絡便用訓練好的權值進行運作，最后輸出層的值就是某產業集群的創新能力，再與評價時規定的創新能力標準進行比較，即可確定其創新能力的類別。在這一評價過程中，也可以求得影響產業集群創新能力各指標的權重，這樣，即可進行產業集群創新能力評價，也可比較容易得到各指標對于產業集群創新能力的權重排序，并得到對產業集群創新能力影響最大的因素，即敏感性因素或主導性因素，為提升產業集群創新能力提供理論依據。

圖2 DE-BP神經網絡算法流程圖

下面，我們對北京、浙江、廣東等地的產業,進行實地訪談和問卷調查,選取中關村軟件產業集群、溫州皮革產業集群、順德家電產業集群等3個產業集群作為研究對象,并參考政府統計部門的數據,應用上述評價模型對其創新能力進行評價分析。首先，我們將得到的這三個產業集群各項數據進行歸一化，如表2所示。

表2 產業集群創新（歸一化）數據

然后，將歸一化的數據進行訓練，最后運用基于DE-BP神經網絡模型的產業集群創新能力分析評價系統，可以得到這三個集群的創新能力的具體指標，如表3所示。

通過上述實例分析可以看出，基于DE-BP神經網絡模型的產業集群創新能力分析系統能夠獲得滿意的結果。DE-BP神經網絡模型不僅可以模擬專家對產業集群創新能力進行評價，而且還能夠避免評價過程中的一些不確定性。從被測試的三個產業集群創新能力輸出結果看出，中關村軟件產業集群的創新能力最強，溫州皮革產業集群的創新能力居第二，順德家電產業集群的創新能力排名第三。我們從這個結果可以看出來，基本符合這三個集群創新的實際情況。由此可見，本文所建立的基于DE-BP神經網絡產業集群創新能力評價模型是可信的，可以應用于對不同產業集群創新能力的評價。

表3 三個產業集群創新能力輸出結果數據

[1] 黨建武.神經網絡技術及其應用[M].北京∶中國鐵道出版社,2000.

[2] 張文修.遺傳算法的數學基礎[M].西安∶西安交通大學出版社,2003.

[3] Kenneth P,Rainer M,Jouni A L.Differential Evolution：A Practical Approach to Global Optimization(Natural Computing Series)[M].Berlin∶Springer,2004.

[4] 錢平凡.基于產業集群的我國科技創新的戰略研究[J].中國科技論壇,2004,(2).

[5] 梁宏,姜振寰.產業集群競爭力評價研究[J].自然辯證法研究,2007,(2).

[6] 王淑英.基于BP神經網絡模型的產業集群綜合績效評價[J].河南社會科學,2010,18(5).