企業戰略創新能力的評價方法

靳 洪

（1.湖北經濟學院 工商管理學院，武漢 430205；2.湖北企業文化研究中心，武漢 430205）

當企業宏觀或微觀環境發生重大變化時，現在很多企業已經逐漸意識到已有的企業戰略需要進行調整或重新制定。然而企業在戰略創新過程中常常遇到各種創新障礙和阻力，甚至最終創新失敗，致使企業蒙受重大損失。企業若想使戰略創新變得更有效，突破現有競爭格局，就需要企業在戰略創新過程中具備多方面能力，以確保戰略創新能夠取得成功，最終完成企業和顧客的價值創造。本文從企業戰略創新過程視角，構建企業戰略創新能力評價指標體系，并建立基于Fuzzy-input BP神經網絡的企業戰略創新能力評價模型。

1 企業戰略創新能力評價指標體系設計

本文從戰略創新過程角度，將企業戰略創新能力從四個維度進行評價[1]，即創新戰略捕捉（ISC）、創新戰略設計（ISD）、創新戰略實施（ISI）和創新戰略變革（ISR）。這四個維度構成了企業戰略創新能力評價指標體系的一級指標，每一個一級指標又分別包括四個二級指標，如表1所示。

2 基于Fuzzy-input BP神經網絡的評價模型構建

2.1 評價模型構建的基本原理

神經網絡的種類非常多，常見的有根據感知器神經元變換函數、隱層數以及權值調整規則的不同而形成的前饋人工神經網絡—感知器神經網絡（PNN）；具有可以輸入任意值的線性激活函數的神經網絡線性神經網絡（LNN）；能夠對輸入模式進行自組織訓練和判斷并最終分為不同的類型的神經網絡—自組織競爭人工神經網絡（SOCANN）。除此之外，常用的還有BP神經網絡，這種反向傳播神經網絡結構一般由輸入層、輸出層和隱層神經元組成；學習過程由信號正向傳播與誤差反向回傳組成，若正向傳播輸出層與期望不符，則將誤差作為調整信號逐層反向回傳。正是由于反向傳播神經網絡原理相對簡單，其算法的基本思想是通過正向傳播和反向傳播的反復迭代使訓練誤差達到或接近期望誤差。本文所設計的企業戰略創新能力評價指標體系需要專家提供語言值信息，這需要將這些語言值信息通過隸屬度函數轉化為精準信息，所以采用了基于Fuzzy-input BP神經網絡方法進行企業戰略創新能力評價如圖1所示。

表1 企業戰略創新能力評價指標體系

圖1 基于Fuzzy-input BP神經網絡的企業戰略創新能力評價基本原理

2.2 模糊輸入精確化

本文所設計的企業戰略創新能力評價問卷中，每一個二級指標對應一個測量問題，例如指標“信息獲取”對應的測量問題是“本企業具有掌握內外部信息資源的能力”。模糊信息劃分為“強”、“中”、“弱”三個論域，專家在進行問卷調查時，根據實際情況將0.5～1之間認為最合適的隸屬程度取值填入最明顯論域中即可，例如對于上述測量問題的回答是“強”論域，并填寫上0.95值，如果是“中”論域則可以填寫0.7值。由于樣本數據都是屬于模糊信息很難直接用于BP神經網絡中，為了借助隸屬度函數將模糊信息轉化為精確信息，本文分別設定了強、中、弱三個論域的隸屬度函數：

其中“弱”、“中”、“強”論域所對應的隸屬度函數分別為公式（1）中的 f1(x)、f2(x)、f3(x)。在本文研究中，假設wc1=1.5與wc2=2.5，這兩個參數決定了三個論域所對應的隸屬度函數曲線的中心值，而wg1、wg2、wg3、wg4決定了三個論域函數曲線的陡峭程度。本研究假設：

從公式（2）可以看出第一條假設是“弱”論域隸屬度函數 f1與“強”論域隸屬度函數相對稱；同理，第二條假設代表“中”論域隸屬度函數 f2自身關于相對稱，因此：

上述分析不僅簡化了參數wgi，i=1，2，3，4的取值難度，同時有利于增強神經網絡的擬合能力，除此之外也使得隸屬度函數曲線顯得更加優美。然后，就只需要確定一個參數wg=wg2=wg3=wg4=-wg1，但這時必須考慮到樣本數據中輸出值能接受的最大值xMax，比如說，xMax=0.9，那么有：

當wc1=1.5，wc2=2.5時?(wg)的曲線如圖2所示。

圖2 ?(wg)曲線

從圖2可以看出，當專家給出的模糊信息變量大部分均小于0.9的話，則根據?(wg)曲線取wg=6，此時“強”、“中”、“弱”論域所對應的隸屬度函數曲線形狀如圖3所示。

圖3 隸屬度函數曲線

神經網絡的精確輸入值可以通過“強”、“中”、“弱”不同論域的隸屬度函數的反函數得到。例如，某樣本數據的輸入值落在“強”論域上，且隸屬函數值為0.8，則有f3(x)=0.8，根據公式（1）可計算精確輸入值為：

同理可計算“弱”論域的神經網絡精確輸入值，但值得注意的是，從“中”論域的隸屬度函數曲線可以發現，其精確輸入值有兩個，本文選擇數值較小的作為該論域的精確輸入值。

2.3 BP神經網絡結構及誤差學習算法

首先，建立一個包含輸入層、隱含層和輸出層的三層企業戰略創新能力評價模型網絡結構如圖4所示。規定企業戰略創新能力評價指標體系的二級指標作為網絡輸入，輸入層的神經元個數為16，采用對數函數Logsig；網絡輸出為企業戰略創新能力的評價結果，輸出的神經元個數為1，采用線性函數Purelin；隱含層的神經元個數根據經驗公式（其中 n=16,m=1,a=8），則確定為12個，采用對數函數Logsig。整個神經網絡的訓練函數采用動態梯度算法Traingdm。

圖4 企業戰略創新能力評價模型的網絡結構圖

以基于Fuzzy-input BP神經網絡的企業戰略創新能力評價模型中的輸出層來說明Traingdm動態梯度算法：設定wij為輸出層的權值系數，xi（i=1，…，12）為隱含層的輸出，y為神經網絡的輸出，bi為偏移向量，f為轉換函數，那么則有：

輸出節點的誤差為：

進一步有：

為了使E按梯度下降，盡可能有效的減少訓練誤差，就必須按下式進行神經網絡權值調整：

公式（10）中η為學習效率，其它各層權值與輸出層有著相似的原理，在這里不再進行贅述。

2.4 BP神經網絡輸出結果轉換

企業戰略創新能力的評價等級是由樣本數據輸出值大小與BP神經網絡輸出值所反映出的。企業戰略創新能力的評價結果與BP神經網絡輸出值之間關系如表2所示，即根據輸出數值大小處于不同區間范圍對企業戰略創新能力進行評價。本研究將企業戰略創新能力評價等級以0.8、0.6、0.4三個綜合評價值為區間，分為了“優”、“良”、“中”、“差”四個等級。

表2 企業戰略創新能力評價等級

3 基于Fuzzy-input BP神經網絡的企業戰略創新能力評價

3.1 樣本數據收集與處理

針對不同行業的企業進行了問卷調查，在不同行業企業樣本中隨機抽取24企業樣本數據進行篩選分析。進行篩選分析的目的是為了盡可能降低網絡訓練數據與測試數據之間的誤差，因此，在初步的篩選分析過程中剔除了6組樣本，其原因為輸入值和輸出值隸屬大體上不一致。例如某高科技企業的樣本數據中，其大部分輸入值在“強”的模糊集合里，但輸出值卻為0.58，根據神經網絡輸出結果轉換，該高科技企業戰略創新能力評價等級卻為“中”。對最終選擇的18組樣本數據利用隸屬度函數進行模糊輸入精確化處理，同時，隨機將其中的14組樣本數據用于網絡訓練，剩下的4組作為測試樣本數據，如表3所示。

表3 經過隸屬度函數處理后的樣本數據

3.2 Fuzzy-input BP神經網絡訓練結構分析

選定神經網絡及對各項參數設定，采用MATLAB7.0軟件進行編程，將經過隸屬度函數處理后的14組數據進行訓練網絡，4組數據作為測試樣本，用來驗證Fuzzy-input BP神經網絡的準確性。利用軟件進行仿真網絡訓練4613次之后網絡訓練即終止，訓練誤差達到了期望誤差值，網絡收斂效果較好，得到14組學習訓練樣本的網絡收斂圖，如圖5所示。

圖5 網絡訓練的誤差下降曲線

通過學習訓練，神經網絡記憶每層的權值及規則，對未經訓練的4組測試樣本數據進行模型驗證，得到4組測試結果與專家評估的比較結果誤差較小如表4所示，企業戰略創新能力評價的結果和專家評估結果的誤差較小，并均在可接受范圍之內。圖6直觀的描繪出評價模型輸出結果同專家評估結果相對誤差小（圖形基本重合），都處于同一個評價等級內，表明基于Fuzzy-input BP神經網絡的企業戰略創新能力評價模型具有很好的泛化能力。因此，基于Fuzzy-input BP神經網絡的企業戰略創新能力評價模型在避免評價過程中的不確定性的基礎上，能夠很好地模擬專家對企業戰略創新能力進行評價，并只需輸入樣本數據即可得到評價結果。

表4 測試結果與專家評估結果比較

圖6 專家評估與網絡評估比較圖

3.3 Fuzzy-input BP神經網絡模擬

通過問卷調查得到某A企業原始數據，對其進行不同隸屬度函數處理，得到精確輸入值：[1.6070；1.3588；1.6460；1.3969；1.3588；1.6070；1.6910；1.3588；1.2109；1.3588；1.1338；1.2109；1.6070；1.2109；1.2690；1.690]，將其輸入到基于Fuzzy-input BP神經網絡的企業戰略創新能力評價模型中，可得到輸出值0.4973，根據企業戰略創新能力評價等級標準，該企業的戰略創新能力評價為中等，可以認為該企業的戰略創新能力還處于建設發展的初級階段。

4 結語

本文在企業戰略創新能力評價研究方面進行了初步的探索，提出了基于Fuzzy-input BP神經網絡的企業戰略創新能力評價模型。本研究不足之處在于樣本數據都是來自于對企業戰略創新能力的靜態描述，而企業戰略創新能力本身是隨時間變化的動態概念。因此，為了更好地反映企業的戰略創新能力是否能夠很好的支持企業戰略創新，在未來研究中將采用長期數據收集方式，對企業戰略創新能力的研究將采用動態研究方法。

[1]靳洪.企業戰略創新能力的結構分析[J].生產力研究,2011,(10).

[2]羅紅衛.基于AHP法的企業人力資源管理動態能力研究[J].統計與決策,2012,(16).

[3]王嵐.企業集群創新能力的模糊綜合評價[J].統計與決策,2009,(2).

[4]曾艷.基于DEA的軟件企業管理能力研究[J].統計與決策,2012,(19).

[5]朱霞，朱永躍.基于小波神經網絡的企業技術創新能力評價[J].統計與決策,2012,(1).