黃清鑫　郭東強

[摘要]市場經濟快速發(fā)展加速了企業(yè)轉型進度。轉型企業(yè)需要有效地吸收和轉化新進入產業(yè)的知識，識別轉型過程中存在的風險。積極促進企業(yè)正常轉型。結合轉型企業(yè)的組織特性以及企業(yè)特性，本文構建了轉型企業(yè)知識轉移的風險指標體系，引入BP神經網絡算法，提出基于BP神經網絡的轉型企業(yè)知識轉移風險評價模型，實驗結果證明該算法能夠很好地評估和預測企業(yè)知識轉移面臨的風險。

[關鍵詞]BP神經網絡；企業(yè)；知識轉移；風險評價

DOI：10.3969/j.issn.1008-0821.2015.01.021

[中圖分類號]F272.4 [文獻標識碼]A [文章編號]1008-0821（20t5）01-0108-06

隨著科學技術的發(fā)展，市場經濟競爭更加激烈，調整企業(yè)產業(yè)結構，適應市場經濟的發(fā)展，已經成為各大企業(yè)面臨的挑戰(zhàn)問題之一。在企業(yè)轉型過程中，知識轉移具有不可替代的作用，其可以有效的發(fā)掘企業(yè)的潛在資源，優(yōu)化配置知識管理的有效性，企業(yè)轉型也能夠為高質高效地實現(xiàn)企業(yè)知識轉移和轉化提供良好的土壤，使得有價值和創(chuàng)造力的知識在組織之間得以共享，擴大共享知識圈，促進整個組織的知識存量增長，最終達到提升知識創(chuàng)新及能力創(chuàng)新。

企業(yè)知識轉移過程中，需要在原有企業(yè)積累的知識基礎上，吸收新的企業(yè)發(fā)展壯大的知識，以便能夠有效的改進企業(yè)經營、管理的狀況，因此，知識轉移過程具有復雜性、特殊性，其面臨著許多不確定的因素，將會給企業(yè)轉型帶來巨大的風險，常見的風險有知識產權侵權風險等。許多企業(yè)管理學者為了有效的規(guī)避知識轉移過程中發(fā)生風險，已經對其進行了許多研究，比如使用多元分析法、層次分析法、模糊綜合法等，識別、評估知識轉移面臨的風險。但是，目前的風險識別和評估方法應用過程中，依賴主觀經驗，要求評判人必須擁有許多的風險評估實際經驗，降低了決策的客觀性和準確度。為了解決上述問題，本文在知識轉移過程中引入BP神經網絡，提出基于BP神經網絡的轉型企業(yè)知識轉移風險評價模型，針對知識轉移過程中遇到的問題進行分析，實施預測和判斷，實驗結果證明該算法能夠很好地評估和預測企業(yè)知識轉移面臨的風險。

1.背景理論

1.1轉型企業(yè)知識轉移風險指標體系

經過多年的研究和實踐，許多學者已經提出了多種企業(yè)知識轉移過程風險識別方法，比如頭腦風暴法、德爾菲法、情景分析法、問卷調查法、座談法、核對表法和故障樹分析方法。因此，可以根據(jù)轉型企業(yè)的實際情況，選擇一種或多種風險識別方法，合理配置，對轉型企業(yè)的組織特性以及企業(yè)特性進行綜合考慮和測評，識別知識轉移存在的風險。

為了更加有效的識別企業(yè)知識轉移存在的分析，本文在實施問卷調查、情景分析法和核對表法的基礎上，使用SPSS10.0統(tǒng)計軟件對獲得的實證數(shù)據(jù)分別進行描述性統(tǒng)計，信效度分析，以對轉型企業(yè)知識轉移有顯著影響的關鍵風險因素進行分析，統(tǒng)計發(fā)現(xiàn)轉型企業(yè)外部知識轉移存在多種風險因素，并且結構不明確，增加了不確定性，并且許多風險可以歸為一類，因此可以對這些風險實施因子分析，以便能夠有效的降低風險因子數(shù)量，辨析風險結構，識別出關鍵風險因子。

因子分析是一種有效降維的統(tǒng)計分析手段，通過因子分析，可以將較多的因子降維成為少數(shù)幾個具有代表性的綜合因子，從而更便于對這些因子進行分析，以及之后的相關分析和因果分析。實施因子分析之前，需要確定這些因子之間是存在較強的相關性的，本文運用KMO樣本充足度測度以及巴特爾球度這兩種統(tǒng)計手段，對多個知識轉移風險因素進行相關分析，判別其是否適合進行因子分析。

KMO統(tǒng)計量的取值范圍介于0～1之間，其值越接近于1，表示變量間的相關性越強，越適合做因子分析；相反。KMO統(tǒng)計值越加接近于0，則越不適合做因子分析。通常，KMO≥0.9，是極為適合因子分析；0.8≤KMO<0.9，則是較為適合；0.7≤KMO<0.8，則是尚可；0.6≤KMO<0.7，則勉強可以進行因素分析；若0.65≤KMO<0.6，則不適合進行因子分析；小于0.50則是非常不適合。

對于巴特萊球度檢驗而言，當觀測值較大，對應概率P值小于給定顯著水平a時，認為適合做因子分析，否則不適合。本文通過SPSS10.0對轉型企業(yè)外部知識轉移風險因素的調查數(shù)據(jù)實施KMO和Bartlett球度檢驗可以得知，Bartlett球形度檢驗的si=0.000<0.01，顯著；且KMO=0.856>0.8，這就表明，適合做因子分析，具體檢驗結果如表1所示。

在對轉型企業(yè)外部知識轉移因子分析過程中，本文采用方差最大化正交旋轉法（Varimax）法的主成分分析（PCA）法，以相關矩陣（correlation matrix）為提取因子的依據(jù)，按特征根大于1的標準抽提因子。并且，為了保證因素的顯著性，根據(jù)Hair等人研究成果，以0.5作為因子載重系數(shù)臨界點。具體結果如表2所示。轉型企業(yè)外部知識轉移風險因子分析結果，表中顯示了所有的主成分及其因子載荷。從表2中可以得知，整個因子分析將所有的風險因素分為5個新的因子，且其特征值都大于1，全部累計方差的解釋率達到70.926。其中，第一個因子包括：企業(yè)主體的知識轉移能力低、對知識的過度保護、對知識的保護過低、參與知識轉移的企業(yè)數(shù)量太大、企業(yè)主體問的信任關系不強、企業(yè)主體間的信息不對稱以及轉移意愿不強，由于這些變量基本都與知識轉移的主體有關，本文將其命名為“知識轉移主體風險”；第二個公因子主要包括：知識的相關性差、知識的默會性高、知識的情境依賴性強、知識的專業(yè)性要求高，且這些變量都與知識的特性相關，所以將其命名為“知識轉移特性風險”；第三個公因子主要包括：知識產權法律的執(zhí)法力度不夠、知識產權法律的不完善、企業(yè)的產權意識不強3個因素，且其反映的都是知識產權環(huán)境，所以本文將其命名為“知識轉移產權環(huán)境風險”；第四個公因子是知識背景的相差程度大，反映的是企業(yè)的內部環(huán)境，因此將其稱為“知識轉移內部環(huán)境風險”；第五個公因子主要包括：知識轉移方式與知識特性匹配程度不高、知識轉移媒體的富裕度低，因其都與知識轉移的方式相關，因而本文將其稱為“知識轉移方式風險”。

通過分析，本文識別出影響轉型企業(yè)外部知識轉移的5個關鍵風險因素和17個風險變量指標，其相關因素荷重，變量解釋和累積方差解釋。同時根據(jù)轉型企業(yè)的知識轉移風險的指標體系建立而言，將因子分析所得到的關鍵風險因素及其風險因素集作為備選指標，可知知識轉移的主體、知識特性、知識產權環(huán)境、知識轉移內部環(huán)境以及知識轉移方式等方面的因素已經較為全面的概括了轉型企業(yè)外部知識轉移的全部風險構成的各個方面；而且各個風險因子之間是無線性相關性，即有區(qū)別，不可相互替代，經過因子分析所識別出的關鍵風險要素和風險變量集作為轉型企業(yè)外部知識轉移風險的風險指標體系，具體如表3所示。

3.3實驗結果分析

BP神經網絡知識轉移風險評價模型實驗過程中，將表5中1～6樣本企業(yè)的數(shù)據(jù)作為訓練數(shù)據(jù)輸入到網絡模型中，表6中對應的數(shù)據(jù)作為輸出值。算法經過實施378次的迭代，誤差達到0.9967×10-5，滿足知識轉移風險評估的要求。

訓練學習步驟完成之后，將表5中編號7和8的數(shù)據(jù)輸入BP神經網絡模型中，最后執(zhí)行結果分別是0.4001和0.5452，如表7所示。

根據(jù)預先設定的風險等級可以看到，樣本企業(yè)7面臨的知識轉移風險值0.4001位于0.3～0.5之間，表明該轉型企業(yè)外部知識轉移的風險較小，風險防控效果不錯。樣本企業(yè)8面臨的知識轉移風險值0.5452介于0.5～0.7之間，表明該轉型企業(yè)外部知識轉移的風險適中，需要采取一定措施對風險加以防控。BP神經網絡可以有效的識別、評估轉型企業(yè)的知識轉移風險，為企業(yè)轉型決策提供支撐依據(jù)。

4.結論

本文通過因子分析法構建了轉型企業(yè)知識轉移面臨的風險體系，引入BP神經網絡，構建神經網絡風險分析、評估模型，通過8個廣州地區(qū)轉型企業(yè)的數(shù)據(jù)進行實驗，實驗結果證明轉型企業(yè)知識轉移風險評價的神經網絡結構模型能夠有效的評估企業(yè)面臨的風險。未來主要工作是識別和評估風險之后，采取有效的風險防控策略，構建關鍵風險因子預警措施，降低風險發(fā)生的概率，為企業(yè)發(fā)展壯大做出積極的作用。endprint