靳 洪

（1.湖北經(jīng)濟(jì)學(xué)院 工商管理學(xué)院，武漢 430205；2.湖北企業(yè)文化研究中心，武漢 430205）

當(dāng)企業(yè)宏觀或微觀環(huán)境發(fā)生重大變化時(shí)，現(xiàn)在很多企業(yè)已經(jīng)逐漸意識到已有的企業(yè)戰(zhàn)略需要進(jìn)行調(diào)整或重新制定。然而企業(yè)在戰(zhàn)略創(chuàng)新過程中常常遇到各種創(chuàng)新障礙和阻力，甚至最終創(chuàng)新失敗，致使企業(yè)蒙受重大損失。企業(yè)若想使戰(zhàn)略創(chuàng)新變得更有效，突破現(xiàn)有競爭格局，就需要企業(yè)在戰(zhàn)略創(chuàng)新過程中具備多方面能力，以確保戰(zhàn)略創(chuàng)新能夠取得成功，最終完成企業(yè)和顧客的價(jià)值創(chuàng)造。本文從企業(yè)戰(zhàn)略創(chuàng)新過程視角，構(gòu)建企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)指標(biāo)體系，并建立基于Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)的企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)模型。

1 企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)指標(biāo)體系設(shè)計(jì)

本文從戰(zhàn)略創(chuàng)新過程角度，將企業(yè)戰(zhàn)略創(chuàng)新能力從四個(gè)維度進(jìn)行評價(jià)[1]，即創(chuàng)新戰(zhàn)略捕捉（ISC）、創(chuàng)新戰(zhàn)略設(shè)計(jì)（ISD）、創(chuàng)新戰(zhàn)略實(shí)施（ISI）和創(chuàng)新戰(zhàn)略變革（ISR）。這四個(gè)維度構(gòu)成了企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)指標(biāo)體系的一級指標(biāo)，每一個(gè)一級指標(biāo)又分別包括四個(gè)二級指標(biāo)，如表1所示。

2 基于Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)的評價(jià)模型構(gòu)建

2.1 評價(jià)模型構(gòu)建的基本原理

神經(jīng)網(wǎng)絡(luò)的種類非常多，常見的有根據(jù)感知器神經(jīng)元變換函數(shù)、隱層數(shù)以及權(quán)值調(diào)整規(guī)則的不同而形成的前饋人工神經(jīng)網(wǎng)絡(luò)—感知器神經(jīng)網(wǎng)絡(luò)（PNN）；具有可以輸入任意值的線性激活函數(shù)的神經(jīng)網(wǎng)絡(luò)線性神經(jīng)網(wǎng)絡(luò)（LNN）；能夠?qū)斎肽Ｊ竭M(jìn)行自組織訓(xùn)練和判斷并最終分為不同的類型的神經(jīng)網(wǎng)絡(luò)—自組織競爭人工神經(jīng)網(wǎng)絡(luò)（SOCANN）。除此之外，常用的還有BP神經(jīng)網(wǎng)絡(luò)，這種反向傳播神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般由輸入層、輸出層和隱層神經(jīng)元組成；學(xué)習(xí)過程由信號正向傳播與誤差反向回傳組成，若正向傳播輸出層與期望不符，則將誤差作為調(diào)整信號逐層反向回傳。正是由于反向傳播神經(jīng)網(wǎng)絡(luò)原理相對簡單，其算法的基本思想是通過正向傳播和反向傳播的反復(fù)迭代使訓(xùn)練誤差達(dá)到或接近期望誤差。本文所設(shè)計(jì)的企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)指標(biāo)體系需要專家提供語言值信息，這需要將這些語言值信息通過隸屬度函數(shù)轉(zhuǎn)化為精準(zhǔn)信息，所以采用了基于Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)如圖1所示。

表1 企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)指標(biāo)體系

圖1 基于Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)的企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)基本原理

2.2 模糊輸入精確化

本文所設(shè)計(jì)的企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)問卷中，每一個(gè)二級指標(biāo)對應(yīng)一個(gè)測量問題，例如指標(biāo)“信息獲取”對應(yīng)的測量問題是“本企業(yè)具有掌握內(nèi)外部信息資源的能力”。模糊信息劃分為“強(qiáng)”、“中”、“弱”三個(gè)論域，專家在進(jìn)行問卷調(diào)查時(shí)，根據(jù)實(shí)際情況將0.5～1之間認(rèn)為最合適的隸屬程度取值填入最明顯論域中即可，例如對于上述測量問題的回答是“強(qiáng)”論域，并填寫上0.95值，如果是“中”論域則可以填寫0.7值。由于樣本數(shù)據(jù)都是屬于模糊信息很難直接用于BP神經(jīng)網(wǎng)絡(luò)中，為了借助隸屬度函數(shù)將模糊信息轉(zhuǎn)化為精確信息，本文分別設(shè)定了強(qiáng)、中、弱三個(gè)論域的隸屬度函數(shù)：

其中“弱”、“中”、“強(qiáng)”論域所對應(yīng)的隸屬度函數(shù)分別為公式（1）中的 f1(x)、f2(x)、f3(x)。在本文研究中，假設(shè)wc1=1.5與wc2=2.5，這兩個(gè)參數(shù)決定了三個(gè)論域所對應(yīng)的隸屬度函數(shù)曲線的中心值，而wg1、wg2、wg3、wg4決定了三個(gè)論域函數(shù)曲線的陡峭程度。本研究假設(shè)：

從公式（2）可以看出第一條假設(shè)是“弱”論域隸屬度函數(shù) f1與“強(qiáng)”論域隸屬度函數(shù)相對稱；同理，第二條假設(shè)代表“中”論域隸屬度函數(shù) f2自身關(guān)于相對稱，因此：

上述分析不僅簡化了參數(shù)wgi，i=1，2，3，4的取值難度，同時(shí)有利于增強(qiáng)神經(jīng)網(wǎng)絡(luò)的擬合能力，除此之外也使得隸屬度函數(shù)曲線顯得更加優(yōu)美。然后，就只需要確定一個(gè)參數(shù)wg=wg2=wg3=wg4=-wg1，但這時(shí)必須考慮到樣本數(shù)據(jù)中輸出值能接受的最大值xMax，比如說，xMax=0.9，那么有：

當(dāng)wc1=1.5，wc2=2.5時(shí)?(wg)的曲線如圖2所示。

圖2 ?(wg)曲線

從圖2可以看出，當(dāng)專家給出的模糊信息變量大部分均小于0.9的話，則根據(jù)?(wg)曲線取wg=6，此時(shí)“強(qiáng)”、“中”、“弱”論域所對應(yīng)的隸屬度函數(shù)曲線形狀如圖3所示。

圖3 隸屬度函數(shù)曲線

神經(jīng)網(wǎng)絡(luò)的精確輸入值可以通過“強(qiáng)”、“中”、“弱”不同論域的隸屬度函數(shù)的反函數(shù)得到。例如，某樣本數(shù)據(jù)的輸入值落在“強(qiáng)”論域上，且隸屬函數(shù)值為0.8，則有f3(x)=0.8，根據(jù)公式（1）可計(jì)算精確輸入值為：

同理可計(jì)算“弱”論域的神經(jīng)網(wǎng)絡(luò)精確輸入值，但值得注意的是，從“中”論域的隸屬度函數(shù)曲線可以發(fā)現(xiàn)，其精確輸入值有兩個(gè)，本文選擇數(shù)值較小的作為該論域的精確輸入值。

2.3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及誤差學(xué)習(xí)算法

首先，建立一個(gè)包含輸入層、隱含層和輸出層的三層企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)模型網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。規(guī)定企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)指標(biāo)體系的二級指標(biāo)作為網(wǎng)絡(luò)輸入，輸入層的神經(jīng)元個(gè)數(shù)為16，采用對數(shù)函數(shù)Logsig；網(wǎng)絡(luò)輸出為企業(yè)戰(zhàn)略創(chuàng)新能力的評價(jià)結(jié)果，輸出的神經(jīng)元個(gè)數(shù)為1，采用線性函數(shù)Purelin；隱含層的神經(jīng)元個(gè)數(shù)根據(jù)經(jīng)驗(yàn)公式（其中 n=16,m=1,a=8），則確定為12個(gè)，采用對數(shù)函數(shù)Logsig。整個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)采用動態(tài)梯度算法Traingdm。

圖4 企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)模型的網(wǎng)絡(luò)結(jié)構(gòu)圖

以基于Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)的企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)模型中的輸出層來說明Traingdm動態(tài)梯度算法：設(shè)定wij為輸出層的權(quán)值系數(shù)，xi（i=1，…，12）為隱含層的輸出，y為神經(jīng)網(wǎng)絡(luò)的輸出，bi為偏移向量，f為轉(zhuǎn)換函數(shù)，那么則有：

輸出節(jié)點(diǎn)的誤差為：

進(jìn)一步有：

為了使E按梯度下降，盡可能有效的減少訓(xùn)練誤差，就必須按下式進(jìn)行神經(jīng)網(wǎng)絡(luò)權(quán)值調(diào)整：

公式（10）中η為學(xué)習(xí)效率，其它各層權(quán)值與輸出層有著相似的原理，在這里不再進(jìn)行贅述。

2.4 BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果轉(zhuǎn)換

企業(yè)戰(zhàn)略創(chuàng)新能力的評價(jià)等級是由樣本數(shù)據(jù)輸出值大小與BP神經(jīng)網(wǎng)絡(luò)輸出值所反映出的。企業(yè)戰(zhàn)略創(chuàng)新能力的評價(jià)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)輸出值之間關(guān)系如表2所示，即根據(jù)輸出數(shù)值大小處于不同區(qū)間范圍對企業(yè)戰(zhàn)略創(chuàng)新能力進(jìn)行評價(jià)。本研究將企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)等級以0.8、0.6、0.4三個(gè)綜合評價(jià)值為區(qū)間，分為了“優(yōu)”、“良”、“中”、“差”四個(gè)等級。

表2 企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)等級

3 基于Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)的企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)

3.1 樣本數(shù)據(jù)收集與處理

針對不同行業(yè)的企業(yè)進(jìn)行了問卷調(diào)查，在不同行業(yè)企業(yè)樣本中隨機(jī)抽取24企業(yè)樣本數(shù)據(jù)進(jìn)行篩選分析。進(jìn)行篩選分析的目的是為了盡可能降低網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)之間的誤差，因此，在初步的篩選分析過程中剔除了6組樣本，其原因?yàn)檩斎胫岛洼敵鲋惦`屬大體上不一致。例如某高科技企業(yè)的樣本數(shù)據(jù)中，其大部分輸入值在“強(qiáng)”的模糊集合里，但輸出值卻為0.58，根據(jù)神經(jīng)網(wǎng)絡(luò)輸出結(jié)果轉(zhuǎn)換，該高科技企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)等級卻為“中”。對最終選擇的18組樣本數(shù)據(jù)利用隸屬度函數(shù)進(jìn)行模糊輸入精確化處理，同時(shí)，隨機(jī)將其中的14組樣本數(shù)據(jù)用于網(wǎng)絡(luò)訓(xùn)練，剩下的4組作為測試樣本數(shù)據(jù)，如表3所示。

表3 經(jīng)過隸屬度函數(shù)處理后的樣本數(shù)據(jù)

3.2 Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)分析

選定神經(jīng)網(wǎng)絡(luò)及對各項(xiàng)參數(shù)設(shè)定，采用MATLAB7.0軟件進(jìn)行編程，將經(jīng)過隸屬度函數(shù)處理后的14組數(shù)據(jù)進(jìn)行訓(xùn)練網(wǎng)絡(luò)，4組數(shù)據(jù)作為測試樣本，用來驗(yàn)證Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。利用軟件進(jìn)行仿真網(wǎng)絡(luò)訓(xùn)練4613次之后網(wǎng)絡(luò)訓(xùn)練即終止，訓(xùn)練誤差達(dá)到了期望誤差值，網(wǎng)絡(luò)收斂效果較好，得到14組學(xué)習(xí)訓(xùn)練樣本的網(wǎng)絡(luò)收斂圖，如圖5所示。

圖5 網(wǎng)絡(luò)訓(xùn)練的誤差下降曲線

通過學(xué)習(xí)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)記憶每層的權(quán)值及規(guī)則，對未經(jīng)訓(xùn)練的4組測試樣本數(shù)據(jù)進(jìn)行模型驗(yàn)證，得到4組測試結(jié)果與專家評估的比較結(jié)果誤差較小如表4所示，企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)的結(jié)果和專家評估結(jié)果的誤差較小，并均在可接受范圍之內(nèi)。圖6直觀的描繪出評價(jià)模型輸出結(jié)果同專家評估結(jié)果相對誤差?。▓D形基本重合），都處于同一個(gè)評價(jià)等級內(nèi)，表明基于Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)的企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)模型具有很好的泛化能力。因此，基于Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)的企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)模型在避免評價(jià)過程中的不確定性的基礎(chǔ)上，能夠很好地模擬專家對企業(yè)戰(zhàn)略創(chuàng)新能力進(jìn)行評價(jià)，并只需輸入樣本數(shù)據(jù)即可得到評價(jià)結(jié)果。

表4 測試結(jié)果與專家評估結(jié)果比較

圖6 專家評估與網(wǎng)絡(luò)評估比較圖

3.3 Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)模擬

通過問卷調(diào)查得到某A企業(yè)原始數(shù)據(jù)，對其進(jìn)行不同隸屬度函數(shù)處理，得到精確輸入值：[1.6070；1.3588；1.6460；1.3969；1.3588；1.6070；1.6910；1.3588；1.2109；1.3588；1.1338；1.2109；1.6070；1.2109；1.2690；1.690]，將其輸入到基于Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)的企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)模型中，可得到輸出值0.4973，根據(jù)企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)等級標(biāo)準(zhǔn)，該企業(yè)的戰(zhàn)略創(chuàng)新能力評價(jià)為中等，可以認(rèn)為該企業(yè)的戰(zhàn)略創(chuàng)新能力還處于建設(shè)發(fā)展的初級階段。

4 結(jié)語

本文在企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)研究方面進(jìn)行了初步的探索，提出了基于Fuzzy-input BP神經(jīng)網(wǎng)絡(luò)的企業(yè)戰(zhàn)略創(chuàng)新能力評價(jià)模型。本研究不足之處在于樣本數(shù)據(jù)都是來自于對企業(yè)戰(zhàn)略創(chuàng)新能力的靜態(tài)描述，而企業(yè)戰(zhàn)略創(chuàng)新能力本身是隨時(shí)間變化的動態(tài)概念。因此，為了更好地反映企業(yè)的戰(zhàn)略創(chuàng)新能力是否能夠很好的支持企業(yè)戰(zhàn)略創(chuàng)新，在未來研究中將采用長期數(shù)據(jù)收集方式，對企業(yè)戰(zhàn)略創(chuàng)新能力的研究將采用動態(tài)研究方法。

[1]靳洪.企業(yè)戰(zhàn)略創(chuàng)新能力的結(jié)構(gòu)分析[J].生產(chǎn)力研究,2011,(10).

[2]羅紅衛(wèi).基于AHP法的企業(yè)人力資源管理動態(tài)能力研究[J].統(tǒng)計(jì)與決策,2012,(16).

[3]王嵐.企業(yè)集群創(chuàng)新能力的模糊綜合評價(jià)[J].統(tǒng)計(jì)與決策,2009,(2).

[4]曾艷.基于DEA的軟件企業(yè)管理能力研究[J].統(tǒng)計(jì)與決策,2012,(19).

[5]朱霞，朱永躍.基于小波神經(jīng)網(wǎng)絡(luò)的企業(yè)技術(shù)創(chuàng)新能力評價(jià)[J].統(tǒng)計(jì)與決策,2012,(1).