基于Hopfield神經(jīng)網(wǎng)絡(luò)的企業(yè)創(chuàng)新能力評價*

□ 郭進(jìn)超

(中山大學(xué)新華學(xué)院，廣東 廣州 510520)

1 引言

十九大以來我國經(jīng)濟(jì)發(fā)展步入提質(zhì)增效的新時代，企業(yè)創(chuàng)新能力已成為產(chǎn)業(yè)轉(zhuǎn)型升級和結(jié)構(gòu)調(diào)整的首要動力。高新技術(shù)企業(yè)作為經(jīng)濟(jì)和科技發(fā)展緊密結(jié)合的重要載體，也是最主要的創(chuàng)新主體之一，其開展創(chuàng)新活動的水平和進(jìn)展不但反映我國創(chuàng)新質(zhì)量和效率的關(guān)鍵指標(biāo)，而且也是評估創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略執(zhí)行情況的主要手段。企業(yè)創(chuàng)新能力已經(jīng)成為市場競爭的核心能力，是獲得持續(xù)發(fā)展和競爭優(yōu)勢的籌碼，因此，企業(yè)管理者應(yīng)當(dāng)對本企業(yè)的創(chuàng)新能力做出準(zhǔn)確的評價，深刻理解和剖析企業(yè)創(chuàng)新能力的各項指標(biāo)，會對本企業(yè)今后的發(fā)展和提升起到關(guān)鍵的作用。

企業(yè)創(chuàng)新能力(Enterprise Innovation Capability)是一個動態(tài)的過程，通常表現(xiàn)為資源投入能力、創(chuàng)新管理能力、創(chuàng)新激勵能力以及創(chuàng)新實現(xiàn)能力。圍繞企業(yè)創(chuàng)新能力的評價過程，目前不少國內(nèi)外學(xué)者已對其進(jìn)行了較為豐富的研究，評價方法主要包括AHP層次分析法、線性回歸分析法、多因子回歸分析等計量統(tǒng)計方法，在企業(yè)創(chuàng)新能力評價模型上已被廣泛應(yīng)用并取得了一定成效，但仍然存在很多不足的地方：①僅憑專家確定各項指標(biāo)的權(quán)重及主觀評判，因隨意性大導(dǎo)致評估結(jié)果誤差相對較大。②由于企業(yè)創(chuàng)新能力的因素較多且相互影響滲透，隨著時間的推移動態(tài)發(fā)展，若用確定的傳統(tǒng)數(shù)學(xué)模型進(jìn)行假設(shè)計算，評價數(shù)據(jù)往往存在滯后性，獲得的評價結(jié)果客觀性較低。基于此，本文建立具有自我學(xué)習(xí)及訓(xùn)練功能的反饋性神經(jīng)元網(wǎng)絡(luò)——離散型Hopfield神經(jīng)網(wǎng)絡(luò)(簡稱DHNN)開展企業(yè)創(chuàng)新能力評價研究，以2017-2018年珠三角地區(qū)尤其是廣州深圳科技創(chuàng)新走廊高新技術(shù)企業(yè)為樣本，進(jìn)行統(tǒng)計分析和實證研究。仿真結(jié)果表明，本模型能有效解決大規(guī)模非線性分布數(shù)據(jù)的預(yù)測評估問題，能夠為政府決策者和企業(yè)管理人員提供參考。

2 研究方法

2.1 Hopfield神經(jīng)網(wǎng)絡(luò)概述

離散型Hopfield神經(jīng)網(wǎng)絡(luò)是一種典型的基于動力系統(tǒng)全連接的反饋型神經(jīng)網(wǎng)絡(luò)[5]，相對前饋神經(jīng)網(wǎng)絡(luò)來說，它具有更加強大的學(xué)習(xí)能力和自我訓(xùn)練的功能，即使在數(shù)據(jù)不完整和外界干擾的情形下，仍然具有自適應(yīng)、自學(xué)習(xí)的聯(lián)想記憶能力，并且可以識別和分辨各類事物。Hopfield神經(jīng)網(wǎng)絡(luò)是一種單層二值神經(jīng)元的循環(huán)網(wǎng)絡(luò)，從系統(tǒng)輸出到輸入過程都有動態(tài)反饋，其拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 離散Hopfield網(wǎng)絡(luò)結(jié)構(gòu)

由圖1可知，模擬生物神經(jīng)網(wǎng)絡(luò)原理，把第0層作為拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)的輸入層，是原始代碼的輸入端口，通常代表若干個已假設(shè)好的研究指標(biāo)，并且以神經(jīng)元的形式存在。將第0層輸入的量化指標(biāo)與權(quán)重的乘積求和，第1層神經(jīng)元開始執(zhí)行運算任務(wù)，主要通過非線性閾值函數(shù)f處理數(shù)據(jù)，輸出結(jié)果為相對應(yīng)的閾值。神經(jīng)元本身無法連接，但神經(jīng)元之間通過wij的連接權(quán)值聯(lián)結(jié)，并且利用閾值函數(shù)通過突觸權(quán)值將信息傳遞給每一個神經(jīng)元，因此，離散型Hopfield神經(jīng)網(wǎng)絡(luò)是一個單層輸出為二值的反饋型神經(jīng)網(wǎng)絡(luò)。通過閾值函數(shù)輸出兩種不同狀態(tài)：1(激活狀態(tài))或-1(抑制狀態(tài))，如果神經(jīng)元輸出結(jié)果大于閾值，則神經(jīng)元的輸出值為1，表示該企業(yè)創(chuàng)新能力強勁；如果小于閾值，那么神經(jīng)元的輸出值為-1，表示該企業(yè)創(chuàng)新能力狀況不佳。

類似于人類的大腦功能，Hopfield神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與記憶活動是通過輸入線性或非線性的矢量集，通常為各種類型n維企業(yè)數(shù)據(jù)樣本，經(jīng)過模型學(xué)習(xí)訓(xùn)練后再輸出穩(wěn)定狀態(tài)的矢量集。實現(xiàn)上述過程需要經(jīng)歷學(xué)習(xí)訓(xùn)練和聯(lián)想記憶兩個階段，即輸入外界數(shù)據(jù)后，Hopfield網(wǎng)絡(luò)系統(tǒng)會自行調(diào)節(jié)連接權(quán)值wij，經(jīng)過聯(lián)想記憶一系列的演化過程，最終達(dá)到穩(wěn)定平衡的狀態(tài)。其運行過程主要包括以下4個步驟：

步驟一，隨機選取第0層網(wǎng)絡(luò)結(jié)構(gòu)中的神經(jīng)元i ，計算其在t時刻的輸入值：

(1)

式中，n為神經(jīng)元的個數(shù)，神經(jīng)元i到神經(jīng)元j的連接權(quán)值為wij，yi表示外部輸入，t時刻某個神經(jīng)元的閾值為gi，其中xi(t)的表達(dá)式為：

(2)

步驟二，求出網(wǎng)絡(luò)中神經(jīng)元i在t+1時刻的值Bi(t+1)。按照時間節(jié)點的穩(wěn)步推進(jìn)，由連接權(quán)wij和閾值gi的參數(shù)值決定網(wǎng)絡(luò)的運行狀態(tài)。式中，Bi(t)可由步驟二得出，若Bi(t+1)為1則表示企業(yè)創(chuàng)新能力強勁，若Bi(t+1)為-1則表示企業(yè)創(chuàng)新能力狀況不佳。具體運算公式如下：

(3)

步驟三，評判離散型Hopfield神經(jīng)網(wǎng)絡(luò)是否已經(jīng)趨向穩(wěn)定狀態(tài)。網(wǎng)絡(luò)神經(jīng)元穩(wěn)定狀態(tài)是從某一時刻t算起，若其狀態(tài)不會再發(fā)生變化，則可認(rèn)定其已經(jīng)達(dá)到穩(wěn)定狀態(tài)，即：

Bi(t+1)=Bi(t)

(4)

最后，如果網(wǎng)絡(luò)已經(jīng)趨向穩(wěn)定狀態(tài)，則輸出Bi(t+1)；否則返回步驟一，直到該網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)才停止循環(huán)。

2.2 Hopfield神經(jīng)網(wǎng)絡(luò)評價模型步驟

企業(yè)創(chuàng)新能力評價是一種分類問題，因此需要建立評價指標(biāo)體系并收集相關(guān)的數(shù)據(jù)，然后采用上述的數(shù)學(xué)算法構(gòu)建模型，最后運用仿真系統(tǒng)對數(shù)據(jù)進(jìn)行分析處理，力求得到客觀準(zhǔn)確的評價結(jié)果。基本的評價流程見圖2所示。

圖2 模型構(gòu)建流程圖

3 實證分析

3.1 評價指標(biāo)的選取及得分

從珠三角地區(qū)主要是廣深科創(chuàng)走廊選取了25 家有代表性的高新技術(shù)企業(yè)數(shù)據(jù)，隨機抽取其中的20個數(shù)據(jù)樣本作為學(xué)習(xí)訓(xùn)練的材料，余下的5個數(shù)據(jù)樣本作為檢驗指標(biāo)，根據(jù)現(xiàn)有研究文獻(xiàn)成果的基礎(chǔ)上，本文將評價指標(biāo)體系劃分為反映企業(yè)創(chuàng)新能力的資源投入能力(A1)、創(chuàng)新管理能力(A2)、創(chuàng)新激勵能力(A3)以及創(chuàng)新實現(xiàn)能力(A4)的4大類指標(biāo)，共包含9項指標(biāo)見表1所示。由于有些指標(biāo)數(shù)據(jù)獲取較難，樣本的指標(biāo)只選取研究經(jīng)費(B1)、科研人員比例(B2)、技術(shù)研發(fā)能力(B3)、產(chǎn)品設(shè)計能力(B4)、生產(chǎn)制造能力(B5)、營銷能力(B6)、創(chuàng)新產(chǎn)出效益(B7)、成果轉(zhuǎn)化能力(B8)以及創(chuàng)新激勵能力(B9)共9項指標(biāo)。

經(jīng)過10位專家及前往相關(guān)企業(yè)進(jìn)行實地調(diào)研并收集數(shù)據(jù)，利用Delphi專家調(diào)查法對企業(yè)創(chuàng)新能力等級進(jìn)行訪談及有效評價。評價結(jié)果分為五個等級：優(yōu)秀(Ⅰ)、良好(Ⅱ)、一般(Ⅲ)、及格(Ⅳ)和不及格(Ⅴ)，級別越高，創(chuàng)新動力越弱。具體結(jié)果如表1所示：

表1 企業(yè)各項指標(biāo)分?jǐn)?shù)

3.2 理想評價指標(biāo)編碼

根據(jù)上文對離散型Hopfield神經(jīng)網(wǎng)絡(luò)定義，神經(jīng)元的狀態(tài)采用數(shù)值1和-1來表示，因此，根據(jù)實際情況建立起來的各項有效評價指標(biāo)，采用一定規(guī)則對神經(jīng)元所處的狀態(tài)進(jìn)行編碼。編碼規(guī)則的主要形式為：根據(jù)前面所設(shè)定的閾值，以參考值為某項等級的評價指標(biāo)的比較項，若待評價指標(biāo)值大于參考值，則映射出來的神經(jīng)元狀態(tài)為“1”，用符號“●”的形式表示；反之則設(shè)置為“-1”，以符號“○”的形式表示。以下為5個理想的等級評價指標(biāo)得分及編碼，如下表2和圖3所示：

表2 五個等級理想的評價指標(biāo)

圖3 理想的5個等級評價指標(biāo)編碼

3.3 待分類的企業(yè)評價指標(biāo)編碼

依據(jù)表3數(shù)據(jù)，把待評價的5家企業(yè)的指標(biāo)值進(jìn)行有效編碼，如圖4 所示：把5所待分類的高校的等級評價指標(biāo)根據(jù)編碼規(guī)則設(shè)置相應(yīng)的編碼。也就是把待評價的數(shù)據(jù)根據(jù)上述編碼規(guī)則進(jìn)行編碼并保存在sim.mat文件中。

表3 待分類的企業(yè)等級評價指標(biāo)

圖4 五家待分類的企業(yè)等級評價指標(biāo)編碼

創(chuàng)建好神經(jīng)元平衡點P后，利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)newhop建立離散型Hopfield網(wǎng)絡(luò)函數(shù)net=newhop(P)，然后把待評價指標(biāo)的編碼輸入，經(jīng)過自身多次反復(fù)訓(xùn)練和學(xué)習(xí)記憶，最終輸出相應(yīng)的仿真實驗結(jié)果，如圖5所示。

圖5 評價指標(biāo)仿真結(jié)果

4 研究結(jié)論

本文基于具有學(xué)習(xí)記憶功能的反饋型離散神經(jīng)網(wǎng)絡(luò)開展高新技術(shù)企業(yè)創(chuàng)新能力評價研究，在30個企業(yè)中隨機選取了25個企業(yè)數(shù)據(jù)用于創(chuàng)建神經(jīng)元拓?fù)渚W(wǎng)絡(luò)，把余下的5個企業(yè)數(shù)據(jù)作為測試數(shù)據(jù)進(jìn)行評判，且進(jìn)行多次學(xué)習(xí)訓(xùn)練。實驗結(jié)果顯示：第一，創(chuàng)新仍然局限在少數(shù)企業(yè)，如華為、中興、騰訊等高新技術(shù)企業(yè)，投入和產(chǎn)出比質(zhì)量都落后于歐美一些先進(jìn)國家；其次，目前企業(yè)創(chuàng)新的經(jīng)濟(jì)效益還不太顯著，對企業(yè)利潤的貢獻(xiàn)率有待提高；最后，同一經(jīng)濟(jì)區(qū)域內(nèi)不同企業(yè)制度、不同規(guī)模以及不同行業(yè)間的創(chuàng)新能力差距較大，如國企的創(chuàng)新動力不如股份制私企。在研究中，本文設(shè)定的等級指標(biāo)和分值仍然需要借助人工的主觀評判處理相關(guān)數(shù)據(jù)，導(dǎo)致數(shù)據(jù)的滯后性和成本較高，因此，在下一階段的研究中將考慮設(shè)計借助企業(yè)歷史數(shù)據(jù)迭代求解典型理想等級的閾值，進(jìn)一步提高模型的智能性和自適應(yīng)性。