基于模糊GA算法的創(chuàng)新型產(chǎn)業(yè)集群成員選擇方法
——以安徽省蕪湖高新區(qū)新能源汽車產(chǎn)業(yè)集群為例

邱璜

（安徽工業(yè)經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院 機(jī)械與汽車工程學(xué)院，安徽合肥 230039）

隨著我國對環(huán)境問題的重視，具有節(jié)能、環(huán)保優(yōu)勢的新能源汽車產(chǎn)業(yè)在各類政策的引導(dǎo)和扶持下，近年來得到了快速發(fā)展[1]。從全生命周期來看，新能源汽車產(chǎn)業(yè)涵蓋電機(jī)電控、零部件及整車、動力電池等的研發(fā)與制造，以及汽車金融、汽車后服務(wù)等多個(gè)領(lǐng)域[2-3]。可見，要實(shí)現(xiàn)新能源汽車產(chǎn)業(yè)技術(shù)水平的提升和產(chǎn)品市場競爭力的提高，合理選擇產(chǎn)業(yè)集群成員則是重要的因素[4]。

在產(chǎn)業(yè)集群的研究與評價(jià)方面，董磊[5]構(gòu)建了產(chǎn)業(yè)入?yún)^(qū)評價(jià)指標(biāo)體系，利用Lasso算法模型預(yù)處理相關(guān)數(shù)據(jù)，得到各評價(jià)指標(biāo)系數(shù)，進(jìn)而完成對產(chǎn)業(yè)集群的劃分。可是，由于Lasso算法模型具有多重共線性的特點(diǎn)，當(dāng)輸入特征之間存在高度相關(guān)時(shí)，傾向于隨機(jī)選擇一個(gè)特征，并將其他相關(guān)特征的系數(shù)設(shè)置為零，從而降低了模型的穩(wěn)定性。梁晨等人[6]根據(jù)產(chǎn)業(yè)集群特征來劃分類簇，運(yùn)用KMeans算法對類簇進(jìn)行最小化聚類誤差計(jì)算，獲得集聚水平表征結(jié)果。該方法需預(yù)先確定簇的數(shù)量并選擇初始質(zhì)心。由于初始質(zhì)心的選擇會對最終聚類結(jié)果產(chǎn)生較大的影響，因此算法的有效性需要進(jìn)一步驗(yàn)證。

在參考上述研究的基礎(chǔ)上，本文提出一種基于模糊GA算法（Genetic Algorithm，遺傳算法）的安徽省新能源汽車創(chuàng)新型產(chǎn)業(yè)集群成員選擇方法，希望能為地方新能源汽車產(chǎn)業(yè)的發(fā)展提供幫助。

1 基于泰爾指數(shù)嵌套分析法的成員選擇需求分析

在對新能源汽車創(chuàng)新型產(chǎn)業(yè)集群成員進(jìn)行選擇前，首先需要對該產(chǎn)業(yè)的發(fā)展情況進(jìn)行合理分析[7-8]。本文采用泰爾指數(shù)嵌套分析法對新能源汽車產(chǎn)業(yè)內(nèi)不同類群與其總體發(fā)展的差異進(jìn)行分析[9]。新能源汽車產(chǎn)業(yè)內(nèi)差異可分為區(qū)域間集群差異P( xi)、同類間集群差異P( xij)和單一集群內(nèi)差異P( xijk)三個(gè)部分[10]。通過對集群嵌套式分解計(jì)算[11]，得到集群在各尺度上的差異；根據(jù)差異數(shù)值獲取各集群在安徽省新能源汽車產(chǎn)業(yè)發(fā)展總差異中的比重參數(shù)[12]。具體算法為：

其中：P 為產(chǎn)業(yè)集群對應(yīng)創(chuàng)新活動的總體差異；P( )xi為產(chǎn)業(yè)集群對應(yīng)創(chuàng)新活動在區(qū)域間的差異；P( )xij為產(chǎn)業(yè)集群對應(yīng)創(chuàng)新活動在同類集群間的差異；P( )

xijk為產(chǎn)業(yè)集群對應(yīng)創(chuàng)新活動在自身內(nèi)部存在的差異；x、xi、xij、xijk分別表示全國新能源汽車產(chǎn)業(yè)中各尺度創(chuàng)新發(fā)展水平的規(guī)模，i 為產(chǎn)業(yè)集群、ij 為i 產(chǎn)業(yè)集群中的j 發(fā)展要素、ijk為i 產(chǎn)業(yè)集群中j 發(fā)展要素的k 指標(biāo)參數(shù)；y 、yi、yij、yijk分別表示安徽省新能源汽車產(chǎn)業(yè)中各尺度創(chuàng)新發(fā)展水平的規(guī)模。

從式（1）可以看出，新能源汽車產(chǎn)業(yè)集群在不同尺度上的規(guī)模差異是最能直觀體現(xiàn)其集群成員選擇目標(biāo)的參數(shù)[13]。為此，本文分別利用變異系數(shù)與基尼系數(shù)作為測度指標(biāo)，對新能源汽車產(chǎn)業(yè)的創(chuàng)新活動作進(jìn)一步分析[14]。利用變異系數(shù)計(jì)算單一尺度上規(guī)模與平均值之間的差異，利用基尼系數(shù)計(jì)算不同尺度間在規(guī)模上的差異。根據(jù)變異系數(shù)與基尼系數(shù)的屬性，系數(shù)的計(jì)算結(jié)果越大，對應(yīng)的規(guī)模差異也越大。其算式為：其中：c 表示新能源汽車產(chǎn)業(yè)的變異系數(shù)；表示新能源汽車產(chǎn)業(yè)中i 產(chǎn)業(yè)集群j 發(fā)展要素的k指標(biāo)參數(shù)對應(yīng)的創(chuàng)新活動規(guī)模均值；-x 表示新能源汽車產(chǎn)業(yè)中k 指標(biāo)參數(shù)對應(yīng)的創(chuàng)新活動規(guī)模均值；g 表示新能源汽車產(chǎn)業(yè)的基尼系數(shù)；n 表示新能源汽車產(chǎn)業(yè)集群的構(gòu)成總數(shù)。

將新能源汽車產(chǎn)業(yè)的變異系數(shù)、基尼系數(shù)與該產(chǎn)業(yè)創(chuàng)新型發(fā)展需求之間的偏差，作為集群成員選擇的目標(biāo)參數(shù)，結(jié)果表示為：

其中：ε 表示集群成員選擇需求，也就是后續(xù)模糊GA 算法執(zhí)行的目標(biāo)；C 和G 分別表示新能源汽車創(chuàng)新型產(chǎn)業(yè)發(fā)展需求下的理想變異系數(shù)與基尼系數(shù)。

2 基于模糊GA 算法的產(chǎn)業(yè)集群成員選擇

鑒于新能源汽車創(chuàng)新型產(chǎn)業(yè)集群成員多樣化的特征，如果以單一指標(biāo)對其選擇，難以保證產(chǎn)業(yè)內(nèi)外部創(chuàng)新網(wǎng)絡(luò)的可靠性；因此，需將新能源汽車創(chuàng)新型產(chǎn)業(yè)集群成員的選擇問題，采用模糊GA 算法轉(zhuǎn)化為對產(chǎn)業(yè)變異系數(shù)和基尼系數(shù)的優(yōu)化問題。

2.1 模糊邏輯的構(gòu)建

采用模糊遺傳算法對選擇范圍內(nèi)的企業(yè)組織機(jī)構(gòu)進(jìn)行分析，將每個(gè)企業(yè)組織機(jī)構(gòu)的單一指標(biāo)數(shù)據(jù)信息作為一個(gè)染色體，利用適應(yīng)度值對其進(jìn)行劃分處理，獲取差異數(shù)值較大的種群。通過這樣處理，能有效避免由于單種類型成員選擇較多，而導(dǎo)致的產(chǎn)業(yè)集群基因一致化的問題，確保選擇結(jié)果能夠最大限度地實(shí)現(xiàn)多樣性。由于交叉算子和變異算子對種群內(nèi)成員構(gòu)成的多樣性有直接的影響，因此構(gòu)建了模糊邏輯對交叉算子和變異算子進(jìn)行動態(tài)調(diào)節(jié)；并利用遺傳算法的運(yùn)算方式，將種群的適應(yīng)度值變化情況設(shè)置模糊邏輯，具體表示為：

其中：z( t )表示輸入遺傳算法中的變量信息，也就是可選擇的企業(yè)組織數(shù)據(jù)信息；t 表示遺傳算法執(zhí)行的代數(shù)；fmax( t )表示適應(yīng)度的最大值；favg( t )表示適應(yīng)度的平均值；fmin( t )表示適應(yīng)度的最小值。通過該方式對各個(gè)染色體進(jìn)行模糊化處理，為后續(xù)成員選擇提供可靠的數(shù)據(jù)基礎(chǔ)。

2.2 設(shè)置染色體編碼

為模糊化處理后的每個(gè)染色體設(shè)置長度與之匹配的二進(jìn)制串，采用二進(jìn)制編碼方式對其進(jìn)行編碼處理。對于變量z( t )，定義其指標(biāo)參數(shù)的取值范圍均為（0，1）；在精度0.001的要求下，z( t )在對應(yīng)區(qū)間離散化的結(jié)果可表示為0.001，0.002，…，0.100。利用二進(jìn)制編碼方式對上述數(shù)據(jù)進(jìn)行表示時(shí)，編碼的長度取值結(jié)果為5。按照該方式，對每個(gè)變量進(jìn)行二進(jìn)制編碼后，就可以得到由n 個(gè)變量構(gòu)成的企業(yè)組織編碼信息，對應(yīng)的編碼長度表示為：

其中：d 表示單個(gè)可選擇企業(yè)組織的編碼長度；di表示企業(yè)組織單個(gè)染色體的編碼長度。在此基礎(chǔ)上，利用浮點(diǎn)數(shù)編碼的方式將變量z( )t 的指標(biāo)數(shù)據(jù)信息映射到遺傳算法的分析區(qū)間，作為計(jì)算適應(yīng)度值的基礎(chǔ)數(shù)據(jù)。

2.3 模式劃分

對編碼后的個(gè)體按照染色體的構(gòu)成進(jìn)行聚類，并以個(gè)體為基礎(chǔ)單元作初步劃分，計(jì)算方式為：

其中：κ 表示單一個(gè)體在種群中的適應(yīng)度值；d( z)表示變量z( t )的編碼信息；d( Z )表示變量z( t )所在種群的編碼信息均值；Z 表示變量z( t )所在的種群。運(yùn)用公式（10），可將適應(yīng)度值在種群允許范圍內(nèi)的個(gè)體劃分到對應(yīng)的種群中。

2.4 選擇操作

為避免尋優(yōu)結(jié)果陷入局部最優(yōu)，運(yùn)用輪盤賭選擇法對子種群與其適應(yīng)度值進(jìn)行匹配；將其中較高染色體所對應(yīng)的個(gè)體作為初代選擇，概率表示為：

其中：F ind( z )表示選擇算子匹配機(jī)制下，種群任意個(gè)體被選中的概率；∑Find( Z )表示種群中所有個(gè)體被選中的概率之和。

在初代目標(biāo)種群中，分別計(jì)算個(gè)體與選擇目標(biāo)間的適應(yīng)度值，直至種群中個(gè)體的適應(yīng)度不再隨著遺傳代數(shù)的增加而變化，將此時(shí)的個(gè)體作為最終的選擇結(jié)果。如此操作，能夠確保在成員之間關(guān)聯(lián)的前提下，最大限度彌補(bǔ)當(dāng)前產(chǎn)業(yè)集群構(gòu)成上存在的短板。

3 測試與分析

3.1 案例選擇

安徽省蕪湖高新區(qū)以奇瑞汽車為龍頭，已經(jīng)形成一定規(guī)模的新能源汽車產(chǎn)業(yè)集群。奇瑞新能源汽車雖然在產(chǎn)品質(zhì)量和新能源技術(shù)等方面取得了一些成績，但是其市場占有率仍存在進(jìn)一步提升的空間。通過對新能源汽車產(chǎn)業(yè)發(fā)展趨勢和消費(fèi)者購買需求的分析，從創(chuàng)新角度提出蕪湖高新區(qū)新能源汽車產(chǎn)業(yè)集群的優(yōu)化策略。

近年來，奇瑞新能源汽車的研發(fā)投入雖然在持續(xù)增長，但是與比亞迪、蔚來等同類企業(yè)相比，還是存在著明顯差距。研發(fā)投入的不足在一定程度上限制了蕪湖新能源汽車產(chǎn)業(yè)集群的創(chuàng)新發(fā)展。動力電池作為新能源汽車的核心構(gòu)件，其續(xù)航性能是新能源汽車重要的研發(fā)領(lǐng)域。此外，對電池的回收和循環(huán)利用研究，也是新能源汽車產(chǎn)業(yè)的重要組成部分。這三方面正是目前蕪湖高新區(qū)新能源汽車產(chǎn)業(yè)集群存在的不足，亟需通過優(yōu)化產(chǎn)業(yè)成員的構(gòu)成來補(bǔ)齊短板。

3.2 數(shù)據(jù)的收集與處理

鑒于新能源汽車產(chǎn)業(yè)發(fā)展中產(chǎn)業(yè)鏈與創(chuàng)新鏈緊密聯(lián)系的特點(diǎn)，本研究對蕪湖高新區(qū)新能源汽車產(chǎn)業(yè)集群成員的選擇，涵蓋了以產(chǎn)品創(chuàng)新為核心的企業(yè)、高校及專門的研究機(jī)構(gòu)。在對相關(guān)成員進(jìn)行數(shù)據(jù)采集時(shí)，除了直接可以獲取的數(shù)據(jù)外，對于無法直接獲取數(shù)據(jù)的成員，則借助關(guān)系型數(shù)據(jù)，采用基于提名法的滾雪球抽樣方式進(jìn)行采集。比如，利用組織與蕪湖高新區(qū)新能源汽車產(chǎn)業(yè)集群中重點(diǎn)企業(yè)技術(shù)部門的技術(shù)合作關(guān)系進(jìn)行篩選，對滿足要求的組織展開數(shù)據(jù)調(diào)查。為了最大限度地吸納有實(shí)際創(chuàng)新技術(shù)和能力的成員，以上述組織為基礎(chǔ)，逐級向下做了深入的數(shù)據(jù)采集。采集數(shù)據(jù)的內(nèi)容如表1所示。

表1 數(shù)據(jù)采集內(nèi)容

針對滾雪球抽樣方法對企業(yè)、高校及專門研究機(jī)構(gòu)數(shù)據(jù)采集深度和廣度的不足，按照固定抽樣搜索深度，對采集到的數(shù)據(jù)結(jié)果進(jìn)行剪枝處理，確保統(tǒng)計(jì)到的關(guān)系型數(shù)據(jù)具有更高的有效性。最終，篩選出336 個(gè)成員單位，涵蓋了新能源汽車產(chǎn)業(yè)的各個(gè)方面。

3.3 測試結(jié)果與分析

在上述所得數(shù)據(jù)的基礎(chǔ)上，分別采用本文方法、文獻(xiàn)[5]方法和文獻(xiàn)[6]方法，對新能源汽車創(chuàng)新型產(chǎn)業(yè)集群成員進(jìn)行選擇，并根據(jù)所選成員之間的關(guān)系，構(gòu)建起產(chǎn)業(yè)集群創(chuàng)新網(wǎng)絡(luò)。三種方法選擇的有效成員數(shù)量均為126個(gè)，對應(yīng)形成的產(chǎn)業(yè)集群規(guī)模也均為126 個(gè)。以主要核心成員為基礎(chǔ)形成的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其中，網(wǎng)絡(luò)節(jié)點(diǎn)表示成員在集群中的中介性，節(jié)點(diǎn)鏈越多表明中介性越強(qiáng)，即與其存在關(guān)聯(lián)的組織越多。對圖1中的網(wǎng)絡(luò)參數(shù)進(jìn)行統(tǒng)計(jì)，得到的數(shù)據(jù)信息如表2 所示。其中，“邊數(shù)”是指網(wǎng)絡(luò)中連接節(jié)點(diǎn)間線段的數(shù)量；“平均度”是指網(wǎng)絡(luò)中與節(jié)點(diǎn)相連邊數(shù)的平均值；“密度”是指網(wǎng)絡(luò)中實(shí)際存在邊數(shù)與可能存在邊數(shù)的比例；“平均聚集系數(shù)”是衡量網(wǎng)絡(luò)內(nèi)部連接緊密程度的指標(biāo)。

表2 不同創(chuàng)新網(wǎng)絡(luò)的特征參數(shù)信息

分析圖1、表2所顯示的三種選擇方法下產(chǎn)業(yè)集群創(chuàng)新網(wǎng)絡(luò)的相關(guān)信息可知：運(yùn)用文獻(xiàn)[5]方法構(gòu)建的網(wǎng)絡(luò)在平均度上數(shù)值明顯偏低，這會導(dǎo)致整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)出現(xiàn)一定的偏置，若以此指導(dǎo)新能源汽車產(chǎn)業(yè)集群的創(chuàng)新發(fā)展，則會引起產(chǎn)業(yè)集群內(nèi)發(fā)展的不平衡，直接影響該產(chǎn)業(yè)的綜合創(chuàng)新能力；運(yùn)用文獻(xiàn)[6]方法構(gòu)建的網(wǎng)絡(luò)在邊數(shù)上相對較少，這就意味著其選擇的成員之間合作關(guān)系相對較弱，會間接影響新能源汽車產(chǎn)業(yè)集群的創(chuàng)新能力；運(yùn)用本文方法構(gòu)建的成員網(wǎng)絡(luò)，邊數(shù)、平均度、密度和平均聚集系數(shù)都是最高的，表明各成員的分布不僅較為平均，而且合作關(guān)系也更為緊密，以此指導(dǎo)新能源汽車產(chǎn)業(yè)集群的建設(shè)，也更能有效促進(jìn)產(chǎn)業(yè)的創(chuàng)新性發(fā)展水平。

產(chǎn)業(yè)集群在實(shí)際運(yùn)行中，會受到外生性風(fēng)險(xiǎn)和內(nèi)生性風(fēng)險(xiǎn)的沖擊，因此，對所構(gòu)建創(chuàng)新網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行測度是非常必要的。本文采用仿真模擬的方式，運(yùn)用Matlab2010b 軟件對不同集群創(chuàng)新網(wǎng)絡(luò)在沖擊影響下的動態(tài)發(fā)展過程進(jìn)行測度，選取創(chuàng)新網(wǎng)絡(luò)的“有效規(guī)模”和“有效效能”作為測度指標(biāo)。其中，網(wǎng)絡(luò)有效規(guī)模即產(chǎn)業(yè)集群中成員的總數(shù)。網(wǎng)絡(luò)有效效能的計(jì)算方式為：

其中：E表示產(chǎn)業(yè)集群創(chuàng)新網(wǎng)絡(luò)的有效效能；γij表示網(wǎng)絡(luò)中任意兩個(gè)成員i和j的關(guān)聯(lián)度；G表示產(chǎn)業(yè)集群創(chuàng)新網(wǎng)絡(luò)；N表示產(chǎn)業(yè)集群創(chuàng)新網(wǎng)絡(luò)中有效成員總數(shù)。

為最大限度消除隨機(jī)誤差對測試結(jié)果的影響，對三種方法構(gòu)建的創(chuàng)新網(wǎng)絡(luò)各進(jìn)行10 次風(fēng)險(xiǎn)動態(tài)沖擊測試，將10次的均值作為測試結(jié)果，數(shù)據(jù)信息如圖2所示。

圖2 風(fēng)險(xiǎn)沖擊下創(chuàng)新網(wǎng)絡(luò)穩(wěn)定性測度

從圖2 可以看出，隨著沖擊時(shí)間的延長，三種創(chuàng)新網(wǎng)絡(luò)的有效規(guī)模和有效效能均呈下降趨勢。其中，運(yùn)用文獻(xiàn)[5]、文獻(xiàn)[6]方法構(gòu)建的網(wǎng)絡(luò)分別受內(nèi)生性風(fēng)險(xiǎn)和外生性風(fēng)險(xiǎn)的影響最為明顯，而運(yùn)用本文方法所構(gòu)建的創(chuàng)新網(wǎng)絡(luò)在內(nèi)外部風(fēng)險(xiǎn)的沖擊下表現(xiàn)最為穩(wěn)定。從而表明，運(yùn)用本文方法選擇成員并構(gòu)成的新能源汽車產(chǎn)業(yè)集群，具有較強(qiáng)的風(fēng)險(xiǎn)抵御能力，可以最大限度地保證其創(chuàng)新能力。因此，該方法更符合蕪湖高新區(qū)新能源汽車創(chuàng)新型產(chǎn)業(yè)集群建設(shè)對成員選擇和產(chǎn)業(yè)集聚形態(tài)構(gòu)設(shè)的需求。

4 結(jié)語

為了增強(qiáng)地方新能源汽車產(chǎn)業(yè)在市場競爭中的優(yōu)勢，構(gòu)建可靠的產(chǎn)業(yè)集群至關(guān)重要。本文提出了一種基于模糊GA 算法的創(chuàng)新型產(chǎn)業(yè)集群成員選擇方法，在分析新能源汽車產(chǎn)業(yè)發(fā)展現(xiàn)狀的基礎(chǔ)上，設(shè)定了產(chǎn)業(yè)集群成員的選擇目標(biāo)；借助模糊GA 算法對企業(yè)組織與選擇目標(biāo)間的擬合度進(jìn)行了計(jì)算，并根據(jù)選擇結(jié)果構(gòu)建了新能源汽車產(chǎn)業(yè)集群創(chuàng)新網(wǎng)絡(luò)模式。該模式不僅體現(xiàn)出較高的綜合創(chuàng)新能力，而且在不同類型風(fēng)險(xiǎn)的沖擊下具有較高的穩(wěn)定性。本研究可為安徽省蕪湖高新區(qū)新能源汽車產(chǎn)業(yè)集群的創(chuàng)新發(fā)展提供有效的參考，也有望在更多類型的產(chǎn)業(yè)集群建設(shè)和優(yōu)化中推廣。