張 勇

（成都信息工程學(xué)院 控制工程學(xué)院，成都 610225）

企業(yè)創(chuàng)新能力評價目前反映在兩個主要方面，首先是評價以定性為主，但通過定性方式得到企業(yè)創(chuàng)新能力評價結(jié)果具有較強的主觀性和隨意性；二是創(chuàng)新能力評價指標(biāo)設(shè)置不具有科學(xué)性，不能較為真實的反應(yīng)企業(yè)創(chuàng)新能力的水平和狀況[1]。在評價方法上目前運用數(shù)量的方法研究相對較少，如企業(yè)創(chuàng)新能力中有的指標(biāo)具有模糊性，雖然模糊數(shù)學(xué)的方法能提供相應(yīng)的便利，但在模糊綜合評價中，其隸屬度和權(quán)重的確定是一個難題。因此，本文從定量角度，引入微粒群算法確定指標(biāo)權(quán)重，而隸屬度采取隸屬賦值方法嘗試從客觀、合理角度對企業(yè)創(chuàng)新能力做出評價。

1 微粒群算法在企業(yè)創(chuàng)新能力評價中的引入

微粒群算法作為一種群體智能搜索算法，在其發(fā)展和演變過程中逐漸引入了慣性權(quán)重以達(dá)到更好控制算法的開發(fā)與探索能力。該方法的智能學(xué)習(xí)能力使所得解相對精確可靠、操作較為簡單[2]。

在微粒群算法中，每一個優(yōu)化或評價問題的求解可稱之為“微?！?，所有微粒集中在一起形成微粒群，且均存在一個被優(yōu)化函數(shù)決定的適應(yīng)值，各個微粒有一個決定其飛行方向和距離的速度，而后這些微粒圍繞當(dāng)前的最優(yōu)微粒在解空間中不停的搜索[3]。微粒群算法依據(jù)每個微粒的適應(yīng)值進(jìn)行操作，并根據(jù)每個微粒的飛行經(jīng)驗和群體飛行經(jīng)驗進(jìn)行調(diào)整。

若微粒i當(dāng)前的位置表示為當(dāng)前飛行速度為所經(jīng)歷過最好位置為為所有微粒所經(jīng)過的最佳位置，則微粒算法進(jìn)化方程可描述為：表達(dá)式中i、j分別表示微粒；t表示第t代；w表示慣性權(quán)重；C1、C2表示為加速度常數(shù)；rand1()、rand2()～U( )0,1為兩個相互獨立的隨機函數(shù)[4]-【5】。

依據(jù)微粒算法的進(jìn)化表達(dá)式，所涉及到的算法參數(shù)為：（1）群體規(guī)模。群體規(guī)模大小與算法速度成反向關(guān)系，而與微粒的最優(yōu)適應(yīng)值出現(xiàn)概率成正向關(guān)系，因此，合理的群體規(guī)模將會影響到算法結(jié)果的準(zhǔn)確性?！?】依據(jù)函數(shù)測試的特點，對企業(yè)創(chuàng)新能力評價研究群體規(guī)模取為100。（2）慣性權(quán)重。作為微粒速度的一個重要函數(shù)，使算法在解空間尋找新的區(qū)域以保證算法隨進(jìn)化代數(shù)增加得出更優(yōu)的適應(yīng)值。企業(yè)創(chuàng)新能力評價中的表達(dá)式設(shè)定為隨迭代代數(shù)逐步減少的線性函數(shù)，使進(jìn)化方程在初期具有較強的全局收斂能力，在晚期具有較強的局部收斂能力，具體表現(xiàn)為w(t)=0.9-0.5×t/最大進(jìn)化代數(shù)。（3）加速度常數(shù)C1、C2。若C1=0，該算法失去認(rèn)知能力，若C2=0，微粒間無信息共享而失去社會認(rèn)知能力。因此本文設(shè)定C1=C2=2。（4）最大進(jìn)化代數(shù)（N）。該參數(shù)決定了算法尋優(yōu)的效果，N越大，則尋優(yōu)效果越好。本文取N=1000。

2 企業(yè)創(chuàng)新能力評價指標(biāo)體系

企業(yè)創(chuàng)新能力，一般來說是指企業(yè)依靠著自己所擁有的資源來實現(xiàn)產(chǎn)品性能、技術(shù)方面的突破，以支撐企業(yè)的發(fā)展和壯大，在行業(yè)中起到一定程度的引領(lǐng)作用[7]。從企業(yè)角度來說，其創(chuàng)新能力是企業(yè)多種資源，多種能力復(fù)合的結(jié)果，包括企業(yè)對所擁有資源的掌握和運用能力，創(chuàng)新能力得到實現(xiàn)的載體能力和環(huán)境能力，成果創(chuàng)新能力和市場適應(yīng)能力等。通過對不同企業(yè)的問卷調(diào)查和分析，將企業(yè)創(chuàng)新能力指標(biāo)進(jìn)行劃分，得到如表1所示的創(chuàng)新指標(biāo)體系。

表1 企業(yè)創(chuàng)新能力指標(biāo)體系

3 企業(yè)創(chuàng)新能力模糊綜合評價

3.1 指標(biāo)隸屬度的確定

依據(jù)表1中設(shè)定的企業(yè)創(chuàng)新能力指標(biāo)體系，主要體現(xiàn)為差異性量綱及量綱單位，為消除由此差異所造成的不可公度性，以便于后續(xù)工作的計算，則對評價指標(biāo)進(jìn)行有效的轉(zhuǎn)化。在轉(zhuǎn)化過程中，用指標(biāo)值與所有指標(biāo)值中最優(yōu)值進(jìn)行比較構(gòu)造出單價矩陣。在表一的評價指標(biāo)中，一部分體現(xiàn)為正向指標(biāo)，如企業(yè)擁有資金數(shù)量（x4），企業(yè)開發(fā)專利或非專利數(shù)量（x17）等，一部分體現(xiàn)為適度性指標(biāo)，如企業(yè)進(jìn)行創(chuàng)新活動的人數(shù)（x2），企業(yè)投入創(chuàng)新研究資金數(shù)量（x5）等。因而采用以下轉(zhuǎn)換模型進(jìn)行分析：【8】

正向指標(biāo)的隸屬度確定模型：

適度性指標(biāo)隸屬度模型：

其中Rij為第i個企業(yè)第j項指標(biāo)評價值，xij為第i個企業(yè)第j項指標(biāo)的原值數(shù)據(jù)值，xmaxj、xavej、xminj分別為各項指標(biāo)下的最大值、平均值和最小值。

3.2 創(chuàng)新能力評價指標(biāo)權(quán)重的計算

在指標(biāo)權(quán)重計算方面，常用的方法有層次分析法、德爾菲法、主觀賦值法，這些常用方法帶有較強的主觀性。而對企業(yè)創(chuàng)新能力指標(biāo)權(quán)重的計算，為減少其主觀因素的影響程度，采用與最優(yōu)和最劣對象距離之和最小為目標(biāo)的主觀賦權(quán)法進(jìn)行。

3.3 模糊綜合評價模型

依據(jù)所計算的隸屬度及指標(biāo)權(quán)重，采用模糊綜合評判模型進(jìn)行創(chuàng)新能力評價，其模型為：

其中“°”為模糊運算符，模糊綜合評價模型隨著運算符的變化而變化，文章采用模型其中“ ?”為實數(shù)乘法，“⊕”為有上界求和。

4 應(yīng)用實例

依據(jù)統(tǒng)計調(diào)查，本文選取靠近成都市三環(huán)四個方向（東、西、南、北）各兩家典型企業(yè)數(shù)據(jù)作為實例，在選取實例中，不考慮（1）企業(yè)成立時間差異對創(chuàng)新的影響；（2）企業(yè)類型和規(guī)模差異對創(chuàng)新的影響；（3）行業(yè)差別對企業(yè)創(chuàng)新的影響。對于統(tǒng)計調(diào)查所得原始數(shù)據(jù)暫不列出，通過對八家企業(yè)進(jìn)行的問卷調(diào)查所得結(jié)果運用模糊隸屬賦值方法對所得數(shù)據(jù)進(jìn)行無量綱處理，依據(jù)前文中權(quán)重確定的方法[9],應(yīng)用微粒算法計算得到權(quán)重。

在用微粒算法計算時，其相關(guān)參數(shù)確定為m=100，w采用線性迭代函數(shù)，C1=C2=2.0，N=1000。因此對企業(yè)創(chuàng)新能力評價計算以企業(yè)人力資源為例計算。企業(yè)創(chuàng)新人力資源無量綱矩陣

依據(jù)R人力矩陣，以與最優(yōu)和最劣對象距離之和最小為目標(biāo)，運用微粒算法得到其指標(biāo)權(quán)重為則8個企業(yè)人力資源綜合評價結(jié)果為：

B人力=w人力°R人力=(0.7266,0.5258,0.1204,0.075,0.5867,0.1742,0.349,0.1283)以此類推得到其他指標(biāo)一級綜合評價結(jié)果如表2:

表2 一級綜合評價結(jié)果

在一級綜合評價基礎(chǔ)上，運用同樣方法進(jìn)行二級綜合評價，得到其權(quán)重向量分別為：w資源=(0.4793,0.5207，)得到二級綜合評價如表3：

表3 二級綜合評價結(jié)果

在二級綜合評價基礎(chǔ)上進(jìn)行三級綜合評價，其評價方法同法。三級綜合評價的權(quán)重向量w=(0.2347,0.2041,0.1321,0.2603,0.1688，)則得到所選取企業(yè)創(chuàng)新能力評價結(jié)果為：B=（0.6199,0.7064,0.2175,0.2352,0.5115,0.4784,0.2523,0.3209）。由最終評價結(jié)果來看，英特爾（外資）其創(chuàng)新能力最強（0.7064），其次是迪康藥業(yè)（0.6199），而紅旗連鎖的創(chuàng)新能力在綜合評價中最弱（0.2175），其原因在于電子產(chǎn)品的行業(yè)性質(zhì)決定其創(chuàng)新能力為其生存之本，而紅旗連鎖作為第三產(chǎn)業(yè)零售商，主要集中于服務(wù)而不是產(chǎn)品生產(chǎn)。這與目前實際中企業(yè)創(chuàng)新能力的評價和認(rèn)識具有一致性。

5 結(jié)束語

對于企業(yè)創(chuàng)新能力的評價指標(biāo)具有很大程度上的模糊性，因而為運用模糊綜合評價制造了條件，且實際可行，文章通過微粒群算法的學(xué)習(xí)能力，利用所得數(shù)據(jù)中包含的信息內(nèi)容確定其評價權(quán)重，減少了主觀性的影響，增加創(chuàng)新能力評價的客觀性，并運用對成都不同方位的企業(yè)調(diào)查數(shù)據(jù)進(jìn)行了實證分析，說明了該方法的科學(xué)合理性。但在運用該方法進(jìn)行企業(yè)創(chuàng)新能力評價時應(yīng)注意（1）企業(yè)創(chuàng)新能力評價指標(biāo)受到行業(yè)差別、地域差別的影響，在指標(biāo)設(shè)置中應(yīng)盡可能使得評價對象具有可比性；（2）微粒群算法的參數(shù)設(shè)置對評價結(jié)果有一定影響，在具體評價過程中結(jié)合評價企業(yè)類型及數(shù)量進(jìn)行參數(shù)的設(shè)定。

[1]徐冠華.把推動科技自主創(chuàng)新擺在全部科技評價工作的突出位置[J].中國軟科學(xué)，2005,（4）.

[2]Kennedy J,EberhartR.C.Particle Swarm Optimization[C].Proc IEEE Int’1 Conf Neural Networks Perth,1995.

[3]Gong Dun wei,Zhang Yong,Multi-Objective Particle Swarm Optimiza?tion Based on Minimal Particle Angle[J].Lecture Notes in Computer Science(S0202-9743),2005,3644(1).

[4]Eberhart R,ShiY.Particle Swarm Optimization:Development Appli?cations and Resources[C].Proceedings of the 2001 Congress on Evolutionary Computation,2001.

[5]Shi Y,Eberhart R.Empirical Study of Particle Swarm Optimization[C].Proceedings of the 1999 Con gress on Evolutionary Computation,1999.

[6]ShiY,Eberhart R.C.Empirical Study of Particle Swarm Optimization,In:Proc IEEE International Conference on Evolutionary Computation[C].Piscataway,DNJ,IEEE Service Center,1999.

[7]謝曉峰,張文俊,楊之廉.微粒群算法綜述[J].控制與決策,2003,18(2).

[8]李洪興等.工程模糊數(shù)學(xué)方法及應(yīng)用[M].天津:天津科學(xué)技術(shù)出版社,1991.

[9]郭華平，管良坤.企業(yè)業(yè)績評價指標(biāo)體系構(gòu)建及實證檢驗[J].求索，2011，（1）.

[10]張克勇.精通MARTLAB6.5版[M].北京：北京航天航空大學(xué)出版社，2003.