集群企業協同創新伙伴選擇研究
——基于知識能力的評價指標體系和改進的ELMAN神經網絡模型

(.太原理工大學 經濟管理學院,山西 太原 03004; .山西財經大學 公共管理學院,山西 太原 030006)

1 引言

進入21世紀以來，產業集群這種介于企業和市場之間的經濟組織形態愈發表現出對中國經濟的巨大推動作用，同時產業集群作為區域創新引擎的重要地位也日趨顯著。總體上看，產業集群內企業間存在多種類型的復雜關系，使集群從雜亂、零散狀態逐漸走向有序化和系統化。而協同創新正是集群內復雜關系的一種重要形態，這種合作有利于分散企業資金壓力和創新風險，特別是能夠為合作企業帶來技術累積效應和知識擴散效應[1～3]。此外，國外相關研究發現企業協同創新失敗率大多在50%至60%之間[4～6]。Bronder和Pritzl[7]通過進一步研究認為，不恰當的伙伴選擇是造成創新合作失敗的一個重要原因。Mccalman等[8]進一步指出，選擇不適當的伙伴很可能比單打獨斗面臨更高的創新風險。因此，制定一套科學的合作伙伴選擇方法是集群企業間開展協同創新活動的前提。

目前關于企業協同創新伙伴選擇的研究大體集中在兩個方面。一是影響因素與指標體系設計。Li等[9]基于1159個研發聯盟的數據，將潛在的合作伙伴劃分為朋友、熟人和陌生人，研究了信任因素對企業合作伙伴評價的影響。Geum等[10]回顧了成功的研發合作開發伙伴選擇標準的要素，利用美國專利和商標局(USPTO)和ISI Web數據庫信息進行分析，設計了一個融合4大類14個指標的評價體系。張敬文等[11]在對協同創新伙伴技術生態位進行分析的基礎上，構建基于技術生態位的聯盟協同創新伙伴評價指標體系。二是評價測算方法研究。Liu等[12]將BP神經網絡應用于集群企業知識共享伙伴選擇過程中。Yoon和Song[13]利用專利信息數據生成拓撲圖，然后采用文本挖掘技術確定合作必要的技術，最終通過計算確定潛在的合作伙伴。李柏洲和尹士[14]構建基于一致性的企業創新合作伙伴選擇評價法，一定程度上解決了組合評價結論的非一致性問題。

綜上所述，相關研究主要集中在影響因素與指標體系設計、評價測算方法研究兩個方面。然而在指標體系設計方面，知識能力因素對于集群企業間協同創新伙伴選擇的重要性尚未引起學術界足夠重視。Fusfeld和Haklisch[15]認為各合作方通過協同創新整合知識資源可以得到自身不具備的知識與技能。借鑒已有研究成果，本文認為：知識的互補兼容、吸收、轉化、創新等知識能力因素，是集群企業協同創新的主要動機和成功的關鍵因素。因此，本文從知識能力視角出發構建集群企業協同創新伙伴評價指標體系。評價測算方法研究方面，目前主要分兩大類：一是主觀賦權法，如層次分析法(AHP)、TOPSIS法等；二是客觀賦權法，如模糊綜合評價法(FSE)、灰色關聯度法(GRA)、人工智能算法等。主觀賦權法結果受人的影響較大，而客觀賦權法通過數學或物理學方法計算指標權重，相對更加中性。作為客觀賦權法里的常用方法，人工智能算法通過軟件編程計算指標權重，因此更為簡便和精確。在人工智能算法眾多類型中，神經網絡算法具有非線性自適應學習能力，在處理不完整或含糊信息等復雜情況下表現出獨特優勢。按照網絡中信息流動方向，神經網絡可以劃分成前向型和反饋型，而ELMAN神經網絡是一種典型的反饋型神經網絡，擁有強大的知識記憶與處理能力，可以通過對已有評價信息的學習，模擬人的直覺思維，對各目標重要性進行自我識別與優化，最終得出合理的評估結果。為增強指標體系和測算方法的匹配性，本文擬合并調整ELMAN神經網絡結構，調節相關參數以改進網絡學習算法，并將其應用于集群企業協同創新伙伴的測度。

2 基于知識能力的集群企業協同創新伙伴評價指標體系構建

在協同創新過程中，知識能力使集群企業可以吸收和轉化合作企業的知識資源，促進知識共享、流動和升級，提升合作企業知識的潛在價值，促進協同創新成果獲得。集群企業協同創新伙伴選擇的關鍵是相關主體間的適配度。從協同創新聯盟的核心企業角度而言，需要選擇具有較大知識互補性的企業，其能夠為核心企業帶來所需要的知識儲備、技術能力和人力資源等，能夠有效降低創新的不確定性。指標體系設計時應堅持3C原則，即兼容性(compatibility)、能力(capablity)、承諾(commitment)，充分考慮備選對象與核心企業在技術、知識等方面的兼容性，核心技術創新能力上的互補性，聲譽以及在資源投入上的積極性，以期最大限度地實現創新上的協同效應。

2.1 指標體系構建原則

在現有協同創新伙伴選擇和知識能力的相關研究基礎上，結合本文研究目的，按照以下原則確定指標體系。(1)科學性: 選擇的指標要符合集群企業的客觀規律，指標概念準確、簡明、清楚，便于收集、計算和評估。(2)重要性：突出知識能力和研發資源指標，忽略與本研究關聯度不大的指標。(3)系統性：盡可能體現整體性、動態性，從多個角度反映備選集群企業的綜合情況。(4)可比性：評價指標的范圍、計算評估方法應保持一致或至少穩定，突出評價結果的可對比性。(5)定量和定性相結合: 基于知識能力的集群企業部分情況只能以定性指標來輔助描述，并加入定量指標，與之互為補充、相輔相成。

2.2 指標體系的構建

通過總結梳理國內外相關研究成果[16～25]，借鑒學術界成熟量表，結合本文研究目的，突出知識屬性的重要性，進一步篩選核心指標并修正完善，構建指標體系。第一，準則層。包含知識能力、研發資源、合作情況。第二，指標層。知識能力包含知識互補兼容性、知識吸收能力、知識轉化能力、知識創新能力；研發資源包含研發人員數量、研發人員素質、研發設備水平、研發投入；合作情況包含集群內合作次數、集群內合作態度、集群內合作聲譽、集群內地理位置。第三，指標性質和測量方法。知識能力方面，知識創新能力是定量指標，用同一時間企業技術創新成果個數表示，個數越多代表創新能力越強；知識互補兼容性、知識吸收能力、知識轉化能力是定性指標，分為5個等級：很弱、弱、一般、強、很強，對應賦值(1、3、5、7、9)。研發資源方面，研發人員數量、研發人員素質、研發設備水平、研發投入都是定量指標；研發投入用科研人員人均科研經費(萬元/人)表示，人均經費越高說明投入越多；研發人員數量用同一時間企業科研人員數量表示；研發設備水平用企業研發設備折算資金(萬元)表示，價值越高說明設備水平越高；研發人員素質用企業科研人員平均受教育年限表示，時間越長代表素質越高。合作情況方面，集群內合作次數是定量指標，用以往和本企業合作次數表示；集群內合作態度、集群內合作聲譽是定性指標，分為5個等級，對應賦值同上；集群內地理位置適合程度是定性指標，考慮在產業集群所在地域范圍內離核心主導企業距離越近越合適，分三個等級：不合適、基本合適、很合適，對應賦值(3、6、9)。

3 基于改進的ELMAN神經網絡的集群企業協同創新伙伴評價模型構建

3.1 ELMAN神經網絡原理

3.1.1 ELMAN神經網絡結構的特點

ELMAN神經網絡是Elman[26]在進行語音信息處理時提出的，該網絡模型是局部反饋網絡，它把一個承接層加入到神經網絡的隱含層中，并從隱含層到承接層形成局部反饋，從而形成了具有延遲記憶功能的單元。因此，由于ELMAN神經網絡可以存儲內部狀態，可以適應時變特性，具備了映射系統動態特征的能力。承接層單元起到存儲隱含層單元前一時刻的輸出值的作用，這種結構使該網絡可以識別時變模式，并能夠以極高的精度逼近任意函數，但其隱含層需要具有足夠數量的神經元。目前在學術界應用較多的BP神經網絡是一種典型的前向型神經網絡，理論上來說，ELMAN神經網絡較BP神經網絡而言，不易落入局部最小，且收斂速度也較快。

3.1.2 ELMAN神經網絡的數學模型

該網絡的非線性表達式為

隱含層：h(k)=f(w1x(k-1)+w2hc(k))

(1)

承接層：hc(k)=h(k-1)

(2)

輸出層：y(k)=g(w3h(k))

(3)

其中g(·)為輸出層的傳遞函數，f(·)是隱含層的傳遞函數。w1為輸入層和隱含層神經元之間的連接權矩陣，w2為隱含層和承接層神經元之間的連接權矩陣，w3為隱含層和輸出層神經元之間的連接權矩陣。x表示r維輸入向量，y表示m維輸出向量，h表示n維隱含層節點向量，hc表示n維反饋狀態向量。

一般用pureline函數(純線性函數)作為輸出層的傳遞函數，tansig函數作為隱含層的傳遞函數，其表達式為

f(y)=2/(1+exp(-2y))-1

(4)

3.1.3 ELMAN神經網絡的學習算法

使用梯度下降法作為網絡中連接權矩陣的學習算法，公式如下

(5)

采用誤差平方和函數作為網絡學習指標函數，公式如下

(6)

3.1.4 ELMAN神經網絡的運行步驟

運行步驟如圖1所示

圖1 ELMAN神經網絡的運行步驟

3.2 模型結構設計

3.3 模型算法設計

第1步初始化ELMAN神經網絡連接權矩陣w1、w2、w3。

第2步在網絡的輸入層依次導入P個訓練樣本Xi=(xi1,xi2,…,xi12)，輸出層對應期望目標輸出值Yi=(y1,y2,…,yi)，i為[1,p]之間的正整數。

第3步計算隱含層、承接層和輸出層的輸出值，公式(1)～(3)。

第4步調節連接權矩陣w1、w2、w3。

①從輸入層至隱含層的連接權矩陣w1的調節公式

=-e(k)g′(w3h(k))·

w3f′(w2h(k-1)+w1(x(k-1)))x(k-1)

(7)

即可得連接權矩陣w1的第t+1次調節公式

w1(t+1)=w1(t)+ηe(k)w3x(k-1)·

g′(w3h(k))f′(w2h(k-1)+w1(x(k-1)))

(8)

②從承接層至隱含層的連接權矩陣w2的調節公式

=-e(k)g′(w3h(k))·

w3f′(w2h(k-1)+w1(x(k-1)))h(k-1)

(9)

即可得連接權矩陣w2的第t+1次調節公式

w2(t+1)=w2(t)+ηe(k)w3h(k-1)·

g′(w3h(k))f′(w2h(k-1)+w1(x(k-1)))

(10)

③從隱含層至輸出層的連接權矩陣w3的調節公式

(11)

即可得連接權矩陣w3的第t+1次調節公式

w3(t+1)=w3(t)+ηe(k)h(k)g′(w3h(k))

(12)

第5步學習算法的進一步改進

為進一步提高網絡的學習性能，自適應改變各參數的學習率以加快收斂速度，并使用附加動量法來抑制振蕩。

①自適應改變各參數的學習速率

η(t+1)=η(t)+ε(E(t)-E(t-1))/E(t-1)

(13)

其中ε為權值學習的自適應改變速率，0<ε<1，E(t)代表第t次的學習指標函數。

②附加動量項

為達到增大學習速率的同時能夠抑制振蕩的目的，在(5)式中增加一個阻尼項，公式如下

(14)

其中α被稱作阻尼系數，α[W(t)-W(t-1)]代表阻尼項。

經過以上計算，神經網絡不斷迭代并逐步優化，直到網絡的實際輸出值與期望目標值之間的誤差達到設定的網絡學習指標函數精度要求，此時ELMAN神經網絡滿足應用要求。

4 實例應用與分析

選取山西省某市級工業園區作為數據采集地，調查方法為問卷調查，調查時間為2018年12月至2019年3月，調查方式為郵寄發放和上門面談。調查步驟為：首先，選擇一個研發資金雄厚、產品附加值高的企業，作為未來形成的集群企業協同創新聯盟的核心企業。然后，設計基于知識能力的集群企業協同創新評價指標體系為基礎的量表，并發放問卷收集數據。最后，組建包含集群內非關聯企業的管理者、技術專家和高校專家的評價小組，并確定企業綜合評價值。調研共發放問卷107份，回收問卷59份，剔除無效問卷后，有效問卷50份。對有效問卷數據進行標準化處理，將50家企業的12項數據作為ELMAN神經網絡的輸入值，對應的企業綜合評價值作為期望目標輸出值。用MATLAB 2014a軟件進行編程和運行，網絡輸出值就是模型計算出的最終結果。

本文采用如下標準化數據處理公式

Fj=(Cj-Cjmin)/(Cjmax-Cjmin)

(15)

經標準化處理后的原始數據如表1所示。

表1 經過標準化處理后的50家企業的原始數據

將表1中前45家企業數據作為ELMAN神經網絡訓練樣本的輸入向量，將對應的綜合評價值作為神經網絡訓練樣本的目標輸出向量，用以訓練網絡各層的權值，訓練次數設定為1000次，訓練精度設定為0.001。同理調用BP神經網絡，訓練樣本及輸入和輸出數據作同樣處理，網絡收斂情況如圖2和圖3所示。

如圖2和圖3所示，在同樣試驗環境下達到收斂，BP神經網絡迭代了930多次，而ELMAN神經網絡只迭代560多次，明顯用時較少。

圖2 BP神經網絡訓練收斂

圖3 改進的ElMAN神經網絡訓練收斂

為更加直觀地比較訓練好的兩種神經網絡性能，將最后5家企業數據作為測試數據，命名為T1～T5，帶入仿真環境下進行檢測和對比。在MATLAB2014a的工具箱中點擊“Simulate”并輸入數據，改進的ELMAN神經網絡評價結果如圖4所示。

由圖4可以看出5個測試樣本得分在0.8以上的只有T1和T3，T3評價值最高，可以列為核心企業的首選協同創新伙伴，T1評價值排位僅次于T3,可作為次選協同創新伙伴。測試結果表明產業集群內核心企業在選擇協同創新伙伴時，在知識互補兼容性、知識吸收能力、知識轉化能力、知識創新能力方面表現好的企業，適合作為核心企業的協同創新伙伴。充分說明本文構建的基于知識能力的集群企業協同創新伙伴選擇指標體系和計算方法的有效性。測試結果符合我們在入企面談調研時的直觀感受。

圖4 改進的ELMAN神經網絡測試企業數據得分

為進一步驗證本文提出的改進的ELMAN神經網絡算法的優良性能，將其與BP神經網絡算法測試結果和誤差進行對比。

表2 改進的ElMAN和BP神經網絡測試結果及誤差

從表2中也可以看出，改進的ElMAN神經網絡算法的評價誤差絕對值小于BP神經網絡。

實證結果說明，本文構建的基于知識能力的伙伴選擇評價指標體系，可以為核心企業選出開展協同創新活動所需要的合作伙伴；本文改進的ElMAN神經網絡算法相較于BP神經網絡算法，在評價測算時，計算速度更快、精度更高。因此，本文提出的方法可為一般的多元主體合作創新伙伴選擇問題提供比較準確的參考。

5 結論與建議

5.1 研究結論

本文構建了基于知識能力的集群企業協同創新伙伴選擇評價指標體系，提出了改進的ElMAN神經網絡模型，并將其應用于上述指標體系下的備選合作企業的評價測度。實證結果表明，該模型相較于BP神經網絡模型，訓練時間短、計算精度高。總體而言，本文提出的方法充分考慮了知識能力對于集群企業協同創新的重要性，為知識經濟時代下集群企業科學選擇協同創新伙伴提供了一種新思路。

5.2 管理建議

從本文實證研究過程可以看出，伙伴選擇流程對最終評價結果具有重要影響，因此有必要規范相關流程，根據需要及時調整戰略目標，形成正反饋選擇機制。調研中還發現，集群企業間普遍存在競爭和合作關系，部分企業對協同創新持懷疑和觀望態度，因此增強合作意愿有利于提高集群企業參與協同創新的積極性。無論是從核心企業自身出發，還是從處理好與合作伙伴關系角度出發，完善保障機制對伙伴關系深化乃至協同創新的成功至關重要。

(1)規范選擇流程。首先，核心企業對自身物質資源、技術儲備、創新能力等進行綜合分析研判基礎上，制定協同創新的明確戰略目標，并對目標及具體項目進行分解。其次，根據已經制定的目標，確定所需要的知識、資源和能力組合及合作方式。最后，對協同創新的備選伙伴進行評估，確定合作企業伙伴。如無合格伙伴，則擴大選擇范圍或進一步對目標或項目修正調整，重新啟動伙伴選擇流程，直到最終選出與核心企業最匹配的合作方。

(2)增強合作意愿。依托園區管委會、行業協會等組織，定期開展集群企業間的技術觀摩和研討交流活動，舉辦科技成果推介會和評比表彰活動，促進集群企業間不斷溝通和交流，增進彼此間互信。集中報道一批協同創新的成功企業和先進人物的光榮事跡，在產業集群內樹立和營造尊重知識、崇尚創新、誠信合作的文化氛圍。

(3)完善保障機制。參考美國《拜杜法案》、《國家合作研究法》等國外發達國家成熟的法律法規，探索建立適合中國集群企業協同創新的法律制度體系。制定公平公正的協同創新利益協調和風險防范機制。切實履行協同創新契約合同的法律效應，加大對尋租、搭便車等非法和不道德行為的懲罰。