基于ABC-BP 混合算法的農業高新技術企業核心競爭力研究

馬進琴，封成智，2，丁宏斌，楊 蕾，張小榮

（1.甘肅省生產力促進中心，甘肅 蘭州 730000；2.甘肅農業大學 信息科學技術學院，甘肅 蘭州 730070；3.甘肅省農業機械化技術推廣總站，甘肅 蘭州 730000）

一、引言

人工蜂群算法是2005 年由土耳其學者Karaboga D 和Akay B（2009）[1]提出的模擬蜜蜂群體采蜜的仿生智能計算方法，后來被廣泛應用到通信工程、神經網絡、數據挖掘、農田水利、電力系統、數值優化等多個領域[2]。自ABC 算法提出以來，已引起大量學者的關注并產生諸多科研成果，胡珂等（2011）[3]構造出具有引導趨勢的蜂群算法，避免了局部最優解缺點，搜索性能明顯提高；黃玲玲等（2012）[4]分析提出了集成差分進化算法和人工蜂群算法各自優勢的混合算法；王志剛和夏慧明（2014）[5]將改進后的算法應用于求解多維背包問題，有效驗證了算法的可行性。

BP 神經網絡屬于多層前饋神經網絡中的一類。Wang X G 等（2004）[6]基于誤差函數中隱藏層神經元的飽和度問題，提出新的公式，有效避免了陷入局部最優問題；Gao W（2003）[7]引入與進化計算相關理論，進而優化BP 神經網絡算法；李杰和韓正之（2000）[8]設計了一個新的BP 神經網絡學習函數，主要通過研究誤差函數及其泛化能力，明顯促進了網絡的學習效果；李茂軍等（2004）[9]提出把人工免疫算法與BP 神經網絡相結合從而優化算法性能；彭喜元等（2003）[10]提出了BP 神經網絡與ACO 算法相結合的改進融合算法。

伴隨世界各國企業轉型的大環境，知識經濟應運而生，Prahalad C K 和Hamel G（1990）[11]提出“核心競爭力”的概念，此后各領域研究者將理論結合與各行各業實際，形成了不同的派別和觀點。Klein等（1998）[12]認為個體優勢碰撞后產生了核心競爭力，個體優勢在核心競爭力中的作用不可或缺；周旭等（2007）[13]運用D-S 證據理論對BP 神經網絡評價模型優化后對輸出的結果調和，獲得最終評價的結果；蔡彬（2010）[14]在對重點競爭力理論以及高新技術企業有關理論概括的根基上，創建出4 個評判要素、20 個評判目標的高新技術企業重點競爭力評判目標體制，規劃是在L-M 算法的根基上更新BP 神經網絡的評判辦法以及評價程序。

AHTE 由核心的技術、投資、管理知識三大要素任意組合成突出的知識結構，這是企業知識創新的根本來源[15]。Babaev（2012）[16]研究了歐美發達國家農業生態發展，介紹了創新后AHTE 與生態農業發展的關系[17]。許桂紅和朱瑞（2003）[18]對AHTE 的特點進行了總結，他認為AHTE 具有投入較高、風險大、高收益、創新性四大特點；桑曉靖（2008）[19]在理論基礎上從融資、資本運營、技術創新、激勵政策、風險防范機制等五個方面對AHTE 經營機制進行研究；孫養學（2006）[20]歸納了農業新技術企業成的特征，闡述AHTE 成長的本質并建立了AHTE 評價指標體系。

二、人工蜂群算法優化BP 神經網絡（ABC-BP）模型

ABC-BP 網絡模型即在BP 神經網絡中引入ABC 算法，并將訓練與調整BP 神經網絡權值和閾值的方式由ABC 算法替換最速下降梯度算法。將群體智能算法中的經典算法ABC 融入到BP 神經網絡中，提高ABC-BP 網絡的全局搜索能力，加快算法的收斂速度，防止算法陷入局部極值。

（一）ABC-BP 網絡模型流程

ABC-BP 神經網絡模型的具體操作步驟為：

Step1：確定網絡結構，初始化參數；

Step2：產生初始種群；

Step3：進入采蜜蜂階段，計算適應度評估食物源質量，并更新食物源；

Step4：進入觀察蜂階段，根據每只觀察蜂與食物源適應度值成比例的概率大小搜尋新的食物源，同時評估食物源質量，并判斷是否需要更新當前食物源；

Step5：進入偵察蜂階段，當搜索限制次數大于最大搜索限制次數時，立即放棄當前食物源，繼續搜索全新的食物源；

Step6：判斷是否滿足終止條件（如iter＞maxCyc le）？若是，算法終止同時輸出最優解，否則返回Step2；

Step7：將ABC 算法獲取的最優解設置為BP 神經網絡的權值和閾值，并運用該網絡模型仿真實驗。

ABC-BP 混合算法工作流程，如圖1 所示。

圖1 ABC-BP 神經網絡混合算法流程圖

（二）ABC-BP 網絡模型優點

建立ABC-BP 神經網絡模型后，分析發現該模型具有以下優點：

（1）避免網絡陷入停滯狀態，進而陷入局部極值。在引入ABC 算法之后，網絡中權值和閾值調整的任務轉而由三種角色的蜜蜂分工協作完成，在一定程度上避免了網絡陷入停滯這一狀態的產生，最終使得網絡訓練速率得到有效提高；

（2）改善了網絡記憶不穩定導致的出現重復訓練的情況。通常來說，BP 神經網絡的記憶不固定又不穩定，這就會造成網絡重復多次訓練等的冗雜操作。根據ABC 算法原理，可知ABC 算法是一種具有良好記憶功能的優化算法，因為算法在每一次迭代更新后均會根據當前狀態記錄的最優解與上一次迭代產生的最優解作比較，從而記錄截至目前產生的全局最優解。ABC-BP 神經網絡模型正是將ABC算法結束后產生的全局最優解設為BP 神經網絡的訓練結果，該機制能有效地改善網絡記憶不穩定導致的出現重復訓練的情況；

（3）保證了網絡權值和閾值的訓練質量。通過分析ABC 算法的分工協作機制，將ABC 算法引入到BP 神經網絡中，采用智能優化算法中的貪婪選擇策略，使最優的解組成下一代的迭代群體。在ABC-BP 神經網絡模型中，這樣可以在加快ABC 算法的收斂速度的同時更提升了BP 神經網絡的訓練效率，同時“優勝劣汰”的種群競爭機制，進一步保證了網絡權值和閾值的訓練質量[21]。

三、農業高新技術企業核心競爭力指標體系構建

（一）評價指標體系構建影響因素

1.經濟規模。經濟規模是衡量AHTE 效益的關鍵指標，資產總額體現企業資源控制能力和水平，總收入反映企業營收實際狀況和規模，利稅總額反映企業的社會效益及總的經濟效益水平。

2.研發能力。專業技術是AHTE 核心競爭力的立根之本，企業技術研制與生產加工水平的實際大小可作為企業衡量自身實際的發展進步能力的關鍵要素，在一定程度上直接影響著企業核心競爭力水平的標準與可連續性發展進步的發展潛力。研發的投入比例即反映了一個企業所能長期發展的資金水平和市場競爭力。通常而言，比例愈大，企業整體水平愈強。

3.管理創新。企業核心競爭力和公司的運營管理機制相互作用相互影響，一個企業的高效組織管理能力可以煥發并激起企業員工在不同組織改革創新活動的積極主動性。管理改革創新的每一個工作環節能密切與企業內部及外界之間聯系起來，達到進一步交流溝通與合作的目的。當然，一個企業能保持管理改革創新的高效性和持久性，將會是保障該企業在其所在市場競爭領域長久領先的重要影響因素。

4.發展能力。從財務管理角度表現一個企業核心競爭力的影響因素，主要由資本效益率、融資綜合能力、應收財務賬目周轉速率、成本利潤率和存貨周轉速率綜合來表現，以此來衡量企業的盈利水平和工作效率等水平。這些指標較好地反映發展能力強弱。

5.市場環境。市場環境都對企業的生存和發展產生著重要的影響，良好的市場環境對于AHTE 的發展起助推作用，糟糕的市場環境則會阻礙企業發展。市場環境包含眾多不確定的因素，所以選取一些有代表性且易量化因素作為指標，包括品牌知名度、產業配套、行業資源等。

（二）評價指標體系構建內容

在嚴格遵循企業核心競爭力評價指標系統構建原則的基礎上，在對企業核心競爭力評價判定基本要素、高新技術企業核心競爭力基本特征要素與五個組成分布維度等多個方面展開研究分析的基礎之上根據標準系統綜合系統設計根本原則需求，同時將國內外對企業評價判定標準系統的設計應用模式與思路相結合，構建評價指標體系，具體如表1 所示。

表1 AHTE 核心競爭力評價指標體系

（三）基于ABC-BP 網絡模型評價及仿真

引入ABC 算法對BP 神經網絡模型優化后，對AHTE 核心競爭力進行評價。基于ABC-BP 網絡模型評價過程如下：

1.ABC-BP 網絡模型結構的設計

（1）輸入層設計。指標評價主要通過ABC-BP網絡模型的輸入層輸入，將選取的標準化后的AHTE 評價指標數據與網絡模型相結合，根據AHTE 核心競爭力的評價指標體系，設計將三級指標的28 個評價指標標準化之后，作為輸入層的神經元，以實現AHTE 核心競爭力評價的目的。

（2）隱含層設計。對于神經網絡隱含層節點數的選取是一個比較復雜的問題，它的選取直接影響訓練結果的輸出以及網絡的穩健性。選取數量過大則導致網絡學習時間過長，影響誤差；選取數量過小則會影響網絡訓練的穩健性。目前主要參考經驗公式（1）選取隱含層的節點數：

式（1）中，隱含層節點數目為N，輸入節點數目為m，輸出節點數目為n，a介于1～10 之間的常數。根據核心競爭力評價指標和網絡訓練精度，經過多次測試之后本文所設置的隱含層節點數目為15個。

（3）輸出層設計。通過對AHTE 的核心競爭力進行定性分析，接著將選取的企業評價指標數據進行定量輸入、輸出，最后根據網絡輸出結果和所設置的評價級對企業核心競爭力進行定性評價。

本文為滿足企業核心競爭力評價和神經網絡輸入的要求，設置相應的評價級以反映AHTE 核心競爭力的強弱，即分為（A+、A、B+、B、C+、C）等級。同時，為反映核心競爭力的強弱狀態，進一步劃分核心競爭力狀態為強、較強、中等和弱四種。具體的企業核心競爭力等級和狀態評價標準如表2 所示。

表2 企業核心競爭力等級和狀態評價標準

2.本文所構建的ABC-BP 神經網絡模型根據網絡輸出結果實現對AHTE 核心競爭力指標的評價。

（1）根據構建指標體系涉及的核心競爭力評價因素來分析、確定并收集測試樣本，在這里的樣本指的是所要評價的AHTE 評價指標值{x1}。指標值共計16 組，訓練樣本11 個，測試樣本5 個；

（2）根據企業核心競爭力評價和神經網絡輸入的要求，對所確定的指標值進行標準化和無量綱化處理，并將處理后的指標值{x1}范圍設置為[0，1]之間的數據；

（3）在網絡中將處理過的{}作為輸入值輸入，同時根據所確定的權值Wij，確定各層神經元之間的權值Wij，不斷地進行BP 網絡學習訓練；

（4）判斷是否達到網絡訓練的收斂程度，衡量指標一般為所設置的訓練誤差是否達到目標精度；

（5）最后將網絡學習訓練得到的輸出結果按照核心競爭力評價的指標等級進行評價。

在整個ABC-BP 神經網絡模型結構的學習訓練過程中，由于常規的神經網絡結構比較復雜，因此對于神經網絡的神經元輸入節點數目、輸出節點數目、神經元之間的傳遞函數以及學習訓練次數等明確的規定方面，截至目前還未形成比較成熟的理論指導，以至于唯一的辦法是經過大量的反復實驗才可基本確定，于是對于神經網絡在具體復雜實際中的應用則存在計算量巨大等亟待解決的問題。本研究使用MATALB 對ABC-BP 神經網絡學習訓練過程進行執行，這就在很大程度上能解決常規網絡存在的諸多難以克服的問題，能進一步推動BP 神經網絡和群體智能優化算法在不同應用領域研究。

四、實證研究

（一）AHTE 核心競爭力的平均數據選取

本研究分析選用甘肅省不相同地區、不相同行業領域的具有代表性的16 家AHTE 展開分析研究，16 家AHTE 簡要概況如下表3 所示。

表3 16 家AHTE 概況

本研究首先選用11 家AHTE 作為網絡學習樣本，5 家AHTE 作為樣本學習后的分析目標對象，驗證ABC-BP 神經網絡評價系統的高效實用性。指標中的除去可量化的定量指標外，其他定性指標應用采用德爾菲法，其中需要量化的指標有D23、D31、D32、D34、D35、D46、D51、D53、D54、D56。流程如下：

（1）根據要評價的對象涉及的領域，選用在農業經濟管理、財務管理、企業核心競爭力方面有專業知識和豐富經驗的10 名專家，組成專家組[14]。

（2）明確評價判定標準，做出評價判定標準的干擾因素與有關策略數據信息，綜合系統設計了評價判定目標對象打分模式。

（3）最先一輪經過匿名模式征詢各領域專家建議，每一個專家獨立的對每家公司的定性指標標準展開打分，收集整理集合各位專家打分最終結果，并且將首輪打分最終結果信息反饋給打分專家組，在專家組展開探討之后再次打分，一直到最終結果一致。

（4）通過多輪循環的征詢與建議信息反饋之后，打分最終結果基本靠近，當最大分差小于等于總分的1%的時候，取平均有效數值作為最后評價判定最終結果。

（5）所得每個AHTE 的標準數值根據對應評價判定性影響因素集合，導入通過整理之后的數據信息D23、D31、D32、D34、D35、D46、D51、D53、D54、D56具體如表4所示。

為滿足系統深度學習與模擬仿真需要，需指標數據進行標準化模式分情況全面處理，當目標數值愈大愈好為準則作為評價判定參考標準的時候，標準化數值根據運算公式（2）的運算方法獲取數值。

把16 家省內AHTE 評價指標數值數據信息通過標準化全面處理之后的各指標數據信息都歸一化到[0，1]，使用模糊評價判定法，通過專家的評價判定列出了神經網絡系統學習的目標數值。16 家AHTE 標準化數值樣本具體如表4 所示。

表4 16 家AHTE 評價指標值歸一化數據表

在評價指標體系構建完成后，衡量指標口徑不同，極差與趨向也大相徑庭，使得指標的量綱存在差別，數值的量級相差懸殊，對上述定量和定性指標數據進行無量綱化處理勢在必行，使得歸一化的數據規范化[22]。

標準化取值為[0，1]：

其中，xjmin是指標（第j個）的最小值，xj為目標值，Fj為標準化數值，xjmax是指標（第j個）的最大值，j是指標總的數量。

（二）ABC-BP 網絡評價模型和網絡訓練

依據前面建立的AHTE 核心競爭力評價指標體系，文章在引進ABC 的基礎上，采用ABC 優化BP的三層神經網絡系統結構，按照指標要素初步確定輸入層為28 個節點，初步確定隱含層為15 個節點，輸出層為1 個節點，組成28-15-1 的ABC-BP 神經網絡結構實驗模型，最終基于MATLAB R2018 對所選取的16 家AHTE 核心競爭力進行分析解讀評價。

評價中采用的數據為各評價指標的歸一化標準數據信息，前11 家企業的網絡訓練過程如下：

建立ABC-BP 神經網絡，網絡組成結構如示意圖2 所示。自動輸入分布向量作用范圍是[0，1]，自動輸入隱含層節點為28，輸出層節點為1。

圖2 ABC-BP 神經網絡結構圖

在網絡學習訓練過程中，遵循網絡訓練模型結構和學習精度規范，多次訓練后得出結論，訓練次數epochs=2000；有效誤差目標數值goal=0.001，學習效率1r=0.01，蜂群規模NP=50，解（蜜源數量）=FoodNumber=NP=50，最大迭代次數maxCycle=1000，當蜜源連續超過Limit次沒被更新，將初始化蜜源，最大搜索限制次數Limit=100。

依據上述設定后，ABC-BP 混合算法就開始對網絡的權值與閾值展開尋優，該新型混合算法終止運行的基本條件是發現全局最優解，而后得到ABC-BP 的AHTE 評價分析模型。

網絡經過6 次訓練達到誤差要求，網絡輸出數值和期望值比較如表5 所示，期望值、BP 預測輸出和ABC-BP 預測輸出趨勢對比圖如表5 所示。行核心競爭力評價。

表5 輸出結果和期望結果比較

（三）ABC-BP 網絡仿真實驗

通過對第1～11 家AHTE 作為學習對象，第12～16家AHTE 作為研究分析目標對象，用訓練好的ABC-BP 神經網絡展開學習仿真模擬計算。主要目的在于要經過ABC-BP 神經網絡模型輸出的評價結果和專家預測輸出值進行對比，來論證ABC-BP混合神經網絡系統在評價AHTE 核心競爭力方面的合理性和有效性。

模擬仿真過程的自動輸入分布向量為第12～16家公司歸一化全面處理后的標準指標值P：

訓練結束的網絡模擬輸出值為：

0.6573 0.7509 0.6471 0.9710 0.6974

為了結果更加客觀，對ABC-BP 神經網絡參數進行6 次調整，網絡輸出值與期望值相比較如表6至表8 所示。

表6 第12 家AHTE 測試結果

表7 第13 家AHTE 測試結果

表8 第14 家AHTE 測試結果

圖3 期望輸出、BP 預測輸出和ABC-BP 預測輸出趨勢對比圖

以上是ABC-BP 混合神經網絡的學習訓練全過程，網絡訓練完成之后，網絡訓練得知的最終結果精度較高，能夠參考依據前面建立核心競爭力等級區間表對企業重要市場核心競爭力展開基本等級評價，也可以用訓練好的評價模型對其他企業進

表9 第15 家AHTE 測試結果

表10 第16 家AHTE 測試結果

從網絡學習和訓練的結果可以看出，ABC-BP混合神經網絡算法的更加穩定，訓練輸出結果要優于單一BP 神經網絡輸出值。總體來看，對企業的核心競爭力評價輸出結果與專家分析的期望結果基本一致。

（四）評價結果分析

通過對11 個網絡學習訓練樣本AHTE 和5 個專家測試AHTE 的ABC-BP 神經網絡評價得出了甘肅省的16 家AHTE 的評價結果。根據ABC-BP混合神經網絡模型評價結果將以上16 家AHTE 核心競爭力網絡輸值進行匯總分析，按照上述確定的AHTE 核心競爭力等級和狀態評價標準，得出各AHTE 核心競爭力的等級和結果如表11 所示。

表11 AHTE 核心競爭力的等級和結果

（一）AHTE 核心競爭力評價結果分析

通過評價結果的統計，AHTE 核心競爭力評價結果總結為：

第1、8、15 家企業的ABC-BP 網絡輸出評價值在[0.85～1]區間內，核心競爭力處于“強勢”狀態，而這三家企業都是在主板上市企業，經濟體量大、研發能力強、具有現代企業管理創新能力、市場開拓能力強、企業品牌價值高，表明這三家公司能夠依靠自身技術與資本優勢的市場競爭力來規劃自身今后長期的發展策略，例如采用對外擴張型策略、多元化發展策略等來進一步拓展公司規模與體量，鞏固加強自身實際的優勢市場競爭地位；

第10、11、13 家企業的ABC-BP 網絡輸出評價值在[0.7～0.85）區間內，核心競爭力處于“較強”狀態，這三家都是從事農業種植和精深加工企業，在各自領域都有較強競爭力，企業可選擇繼續加大研發中投入資金和人員力度、促成成果轉化、創新管理模式、引進高素質人才等形式增強企業整體競爭力；

第2、4、7、12、14、16 家企業的ABC-BP 網絡輸出評價值在[0.55～0.7）區間內，核心競爭力處于“中等”狀態，這6 家企業在各自行業領域規模較大，各具特色，可以通過進一步加強制度創新、引進人才、加強研發投入、增強市場開拓能力，采取占領行業中端市場的策略；

第3、5、9 家企業的ABC-BP 網絡輸出評價值在[0.4～0.55）區間內，核心競爭力處于“中等”狀態，但是整體競爭力狀態偏弱，企業可以嘗試打造幾款有競爭力的產品，注重品牌打造，從而進一步提升產品品牌知名度，提高企業產品市場占有率；

第6 家企業的ABC-BP 網絡輸出評價值在[0.25～0.4）區間內，核心競爭力處于“較弱”狀態，企業綜合分值較低，綜合收入低，核心競爭力不明顯，企業應根據自身發展戰略需要調整經營模式，提升核心競爭力。

五、應用延伸

本研究的評價模型和方法還可以通過以下幾種方式進行AHTE 競爭力評價和識別的延伸應用：

（1）訓練好的ABC-BP 混合神經網絡系統實驗模型，能夠橫向地應用在其他用于其他AHTE 的核心競爭力評價判定分析研究。在根據綜合系統設計的評價指標獲得相對應公司數據信息以后經過可復制的網絡仿真模擬運行操作步驟就能夠對其他AHTE 展開評價判定分析研究，因此這種方法具備很好的普適性和可推廣性。

（2）訓練好的ABC-BP 神經網絡系統實驗模型能夠縱向垂直方向的應用在AHTE 市場競爭力評價判定分析研究。僅僅需要將公司變化以后的評價判定其中所需要的數據信息導入輸入網絡，方便快捷的獲取公司重要市場競爭力實際情況的全新數值，進而評價判定公司重要市場競爭力的全新分布狀態，從而此模式具備確定的延展性可以完成不同程度上的追蹤評價判定。

（3）能夠應用訓練好的網絡實驗模型展開公司的重要市場競爭力的辨別方面的分析研究。例如經過加大或者降低某一個或某多個標準指標的數值、自動輸入網絡、觀測網絡自動輸出最終結果的改變。假設某一項或者某些特定輸入標準的變化對自動輸出最終結果影響比較大，表明這個標準在公司重要市場競爭力的強弱里占據有最為關鍵的影響地位公司，能夠對應采用相對應的措施手段來培育與不斷加強類似關鍵能力。