(.太原理工大學 經(jīng)濟管理學院,山西 太原 03004; .山西財經(jīng)大學 公共管理學院,山西 太原 030006)

1 引言

進入21世紀以來，產(chǎn)業(yè)集群這種介于企業(yè)和市場之間的經(jīng)濟組織形態(tài)愈發(fā)表現(xiàn)出對中國經(jīng)濟的巨大推動作用，同時產(chǎn)業(yè)集群作為區(qū)域創(chuàng)新引擎的重要地位也日趨顯著?？傮w上看，產(chǎn)業(yè)集群內(nèi)企業(yè)間存在多種類型的復雜關(guān)系，使集群從雜亂、零散狀態(tài)逐漸走向有序化和系統(tǒng)化。而協(xié)同創(chuàng)新正是集群內(nèi)復雜關(guān)系的一種重要形態(tài)，這種合作有利于分散企業(yè)資金壓力和創(chuàng)新風險，特別是能夠為合作企業(yè)帶來技術(shù)累積效應和知識擴散效應[1～3]。此外，國外相關(guān)研究發(fā)現(xiàn)企業(yè)協(xié)同創(chuàng)新失敗率大多在50%至60%之間[4～6]。Bronder和Pritzl[7]通過進一步研究認為，不恰當?shù)幕锇檫x擇是造成創(chuàng)新合作失敗的一個重要原因。Mccalman等[8]進一步指出，選擇不適當?shù)幕锇楹芸赡鼙葐未颡毝访媾R更高的創(chuàng)新風險。因此，制定一套科學的合作伙伴選擇方法是集群企業(yè)間開展協(xié)同創(chuàng)新活動的前提。

目前關(guān)于企業(yè)協(xié)同創(chuàng)新伙伴選擇的研究大體集中在兩個方面。一是影響因素與指標體系設計。Li等[9]基于1159個研發(fā)聯(lián)盟的數(shù)據(jù)，將潛在的合作伙伴劃分為朋友、熟人和陌生人，研究了信任因素對企業(yè)合作伙伴評價的影響。Geum等[10]回顧了成功的研發(fā)合作開發(fā)伙伴選擇標準的要素，利用美國專利和商標局(USPTO)和ISI Web數(shù)據(jù)庫信息進行分析，設計了一個融合4大類14個指標的評價體系。張敬文等[11]在對協(xié)同創(chuàng)新伙伴技術(shù)生態(tài)位進行分析的基礎上，構(gòu)建基于技術(shù)生態(tài)位的聯(lián)盟協(xié)同創(chuàng)新伙伴評價指標體系。二是評價測算方法研究。Liu等[12]將BP神經(jīng)網(wǎng)絡應用于集群企業(yè)知識共享伙伴選擇過程中。Yoon和Song[13]利用專利信息數(shù)據(jù)生成拓撲圖，然后采用文本挖掘技術(shù)確定合作必要的技術(shù)，最終通過計算確定潛在的合作伙伴。李柏洲和尹士[14]構(gòu)建基于一致性的企業(yè)創(chuàng)新合作伙伴選擇評價法，一定程度上解決了組合評價結(jié)論的非一致性問題。

綜上所述，相關(guān)研究主要集中在影響因素與指標體系設計、評價測算方法研究兩個方面。然而在指標體系設計方面，知識能力因素對于集群企業(yè)間協(xié)同創(chuàng)新伙伴選擇的重要性尚未引起學術(shù)界足夠重視。Fusfeld和Haklisch[15]認為各合作方通過協(xié)同創(chuàng)新整合知識資源可以得到自身不具備的知識與技能。借鑒已有研究成果，本文認為：知識的互補兼容、吸收、轉(zhuǎn)化、創(chuàng)新等知識能力因素，是集群企業(yè)協(xié)同創(chuàng)新的主要動機和成功的關(guān)鍵因素。因此，本文從知識能力視角出發(fā)構(gòu)建集群企業(yè)協(xié)同創(chuàng)新伙伴評價指標體系。評價測算方法研究方面，目前主要分兩大類：一是主觀賦權(quán)法，如層次分析法(AHP)、TOPSIS法等；二是客觀賦權(quán)法，如模糊綜合評價法(FSE)、灰色關(guān)聯(lián)度法(GRA)、人工智能算法等。主觀賦權(quán)法結(jié)果受人的影響較大，而客觀賦權(quán)法通過數(shù)學或物理學方法計算指標權(quán)重，相對更加中性。作為客觀賦權(quán)法里的常用方法，人工智能算法通過軟件編程計算指標權(quán)重，因此更為簡便和精確。在人工智能算法眾多類型中，神經(jīng)網(wǎng)絡算法具有非線性自適應學習能力，在處理不完整或含糊信息等復雜情況下表現(xiàn)出獨特優(yōu)勢。按照網(wǎng)絡中信息流動方向，神經(jīng)網(wǎng)絡可以劃分成前向型和反饋型，而ELMAN神經(jīng)網(wǎng)絡是一種典型的反饋型神經(jīng)網(wǎng)絡，擁有強大的知識記憶與處理能力，可以通過對已有評價信息的學習，模擬人的直覺思維，對各目標重要性進行自我識別與優(yōu)化，最終得出合理的評估結(jié)果。為增強指標體系和測算方法的匹配性，本文擬合并調(diào)整ELMAN神經(jīng)網(wǎng)絡結(jié)構(gòu)，調(diào)節(jié)相關(guān)參數(shù)以改進網(wǎng)絡學習算法，并將其應用于集群企業(yè)協(xié)同創(chuàng)新伙伴的測度。

2 基于知識能力的集群企業(yè)協(xié)同創(chuàng)新伙伴評價指標體系構(gòu)建

在協(xié)同創(chuàng)新過程中，知識能力使集群企業(yè)可以吸收和轉(zhuǎn)化合作企業(yè)的知識資源，促進知識共享、流動和升級，提升合作企業(yè)知識的潛在價值，促進協(xié)同創(chuàng)新成果獲得。集群企業(yè)協(xié)同創(chuàng)新伙伴選擇的關(guān)鍵是相關(guān)主體間的適配度。從協(xié)同創(chuàng)新聯(lián)盟的核心企業(yè)角度而言，需要選擇具有較大知識互補性的企業(yè)，其能夠為核心企業(yè)帶來所需要的知識儲備、技術(shù)能力和人力資源等，能夠有效降低創(chuàng)新的不確定性。指標體系設計時應堅持3C原則，即兼容性(compatibility)、能力(capablity)、承諾(commitment)，充分考慮備選對象與核心企業(yè)在技術(shù)、知識等方面的兼容性，核心技術(shù)創(chuàng)新能力上的互補性，聲譽以及在資源投入上的積極性，以期最大限度地實現(xiàn)創(chuàng)新上的協(xié)同效應。

2.1 指標體系構(gòu)建原則

在現(xiàn)有協(xié)同創(chuàng)新伙伴選擇和知識能力的相關(guān)研究基礎上，結(jié)合本文研究目的，按照以下原則確定指標體系。(1)科學性: 選擇的指標要符合集群企業(yè)的客觀規(guī)律，指標概念準確、簡明、清楚，便于收集、計算和評估。(2)重要性：突出知識能力和研發(fā)資源指標，忽略與本研究關(guān)聯(lián)度不大的指標。(3)系統(tǒng)性：盡可能體現(xiàn)整體性、動態(tài)性，從多個角度反映備選集群企業(yè)的綜合情況。(4)可比性：評價指標的范圍、計算評估方法應保持一致或至少穩(wěn)定，突出評價結(jié)果的可對比性。(5)定量和定性相結(jié)合: 基于知識能力的集群企業(yè)部分情況只能以定性指標來輔助描述，并加入定量指標，與之互為補充、相輔相成。

2.2 指標體系的構(gòu)建

通過總結(jié)梳理國內(nèi)外相關(guān)研究成果[16～25]，借鑒學術(shù)界成熟量表，結(jié)合本文研究目的，突出知識屬性的重要性，進一步篩選核心指標并修正完善，構(gòu)建指標體系。第一，準則層。包含知識能力、研發(fā)資源、合作情況。第二，指標層。知識能力包含知識互補兼容性、知識吸收能力、知識轉(zhuǎn)化能力、知識創(chuàng)新能力；研發(fā)資源包含研發(fā)人員數(shù)量、研發(fā)人員素質(zhì)、研發(fā)設備水平、研發(fā)投入；合作情況包含集群內(nèi)合作次數(shù)、集群內(nèi)合作態(tài)度、集群內(nèi)合作聲譽、集群內(nèi)地理位置。第三，指標性質(zhì)和測量方法。知識能力方面，知識創(chuàng)新能力是定量指標，用同一時間企業(yè)技術(shù)創(chuàng)新成果個數(shù)表示，個數(shù)越多代表創(chuàng)新能力越強；知識互補兼容性、知識吸收能力、知識轉(zhuǎn)化能力是定性指標，分為5個等級：很弱、弱、一般、強、很強，對應賦值(1、3、5、7、9)。研發(fā)資源方面，研發(fā)人員數(shù)量、研發(fā)人員素質(zhì)、研發(fā)設備水平、研發(fā)投入都是定量指標；研發(fā)投入用科研人員人均科研經(jīng)費(萬元/人)表示，人均經(jīng)費越高說明投入越多；研發(fā)人員數(shù)量用同一時間企業(yè)科研人員數(shù)量表示；研發(fā)設備水平用企業(yè)研發(fā)設備折算資金(萬元)表示，價值越高說明設備水平越高；研發(fā)人員素質(zhì)用企業(yè)科研人員平均受教育年限表示，時間越長代表素質(zhì)越高。合作情況方面，集群內(nèi)合作次數(shù)是定量指標，用以往和本企業(yè)合作次數(shù)表示；集群內(nèi)合作態(tài)度、集群內(nèi)合作聲譽是定性指標，分為5個等級，對應賦值同上；集群內(nèi)地理位置適合程度是定性指標，考慮在產(chǎn)業(yè)集群所在地域范圍內(nèi)離核心主導企業(yè)距離越近越合適，分三個等級：不合適、基本合適、很合適，對應賦值(3、6、9)。

3 基于改進的ELMAN神經(jīng)網(wǎng)絡的集群企業(yè)協(xié)同創(chuàng)新伙伴評價模型構(gòu)建

3.1 ELMAN神經(jīng)網(wǎng)絡原理

3.1.1 ELMAN神經(jīng)網(wǎng)絡結(jié)構(gòu)的特點

ELMAN神經(jīng)網(wǎng)絡是Elman[26]在進行語音信息處理時提出的，該網(wǎng)絡模型是局部反饋網(wǎng)絡，它把一個承接層加入到神經(jīng)網(wǎng)絡的隱含層中，并從隱含層到承接層形成局部反饋，從而形成了具有延遲記憶功能的單元。因此，由于ELMAN神經(jīng)網(wǎng)絡可以存儲內(nèi)部狀態(tài)，可以適應時變特性，具備了映射系統(tǒng)動態(tài)特征的能力。承接層單元起到存儲隱含層單元前一時刻的輸出值的作用，這種結(jié)構(gòu)使該網(wǎng)絡可以識別時變模式，并能夠以極高的精度逼近任意函數(shù)，但其隱含層需要具有足夠數(shù)量的神經(jīng)元。目前在學術(shù)界應用較多的BP神經(jīng)網(wǎng)絡是一種典型的前向型神經(jīng)網(wǎng)絡，理論上來說，ELMAN神經(jīng)網(wǎng)絡較BP神經(jīng)網(wǎng)絡而言，不易落入局部最小，且收斂速度也較快。

3.1.2 ELMAN神經(jīng)網(wǎng)絡的數(shù)學模型

該網(wǎng)絡的非線性表達式為

隱含層：h(k)=f(w1x(k-1)+w2hc(k))

(1)

承接層：hc(k)=h(k-1)

(2)

輸出層：y(k)=g(w3h(k))

(3)

其中g(shù)(·)為輸出層的傳遞函數(shù)，f(·)是隱含層的傳遞函數(shù)。w1為輸入層和隱含層神經(jīng)元之間的連接權(quán)矩陣，w2為隱含層和承接層神經(jīng)元之間的連接權(quán)矩陣，w3為隱含層和輸出層神經(jīng)元之間的連接權(quán)矩陣。x表示r維輸入向量，y表示m維輸出向量，h表示n維隱含層節(jié)點向量，hc表示n維反饋狀態(tài)向量。

一般用pureline函數(shù)(純線性函數(shù))作為輸出層的傳遞函數(shù)，tansig函數(shù)作為隱含層的傳遞函數(shù)，其表達式為

f(y)=2/(1+exp(-2y))-1

(4)

3.1.3 ELMAN神經(jīng)網(wǎng)絡的學習算法

使用梯度下降法作為網(wǎng)絡中連接權(quán)矩陣的學習算法，公式如下

(5)

采用誤差平方和函數(shù)作為網(wǎng)絡學習指標函數(shù)，公式如下

(6)

3.1.4 ELMAN神經(jīng)網(wǎng)絡的運行步驟

運行步驟如圖1所示

圖1 ELMAN神經(jīng)網(wǎng)絡的運行步驟

3.2 模型結(jié)構(gòu)設計

3.3 模型算法設計

第1步初始化ELMAN神經(jīng)網(wǎng)絡連接權(quán)矩陣w1、w2、w3。

第2步在網(wǎng)絡的輸入層依次導入P個訓練樣本Xi=(xi1,xi2,…,xi12)，輸出層對應期望目標輸出值Yi=(y1,y2,…,yi)，i為[1,p]之間的正整數(shù)。

第3步計算隱含層、承接層和輸出層的輸出值，公式(1)～(3)。

第4步調(diào)節(jié)連接權(quán)矩陣w1、w2、w3。

①從輸入層至隱含層的連接權(quán)矩陣w1的調(diào)節(jié)公式

=-e(k)g′(w3h(k))·

w3f′(w2h(k-1)+w1(x(k-1)))x(k-1)

(7)

即可得連接權(quán)矩陣w1的第t+1次調(diào)節(jié)公式

w1(t+1)=w1(t)+ηe(k)w3x(k-1)·

g′(w3h(k))f′(w2h(k-1)+w1(x(k-1)))

(8)

②從承接層至隱含層的連接權(quán)矩陣w2的調(diào)節(jié)公式

=-e(k)g′(w3h(k))·

w3f′(w2h(k-1)+w1(x(k-1)))h(k-1)

(9)

即可得連接權(quán)矩陣w2的第t+1次調(diào)節(jié)公式

w2(t+1)=w2(t)+ηe(k)w3h(k-1)·

g′(w3h(k))f′(w2h(k-1)+w1(x(k-1)))

(10)

③從隱含層至輸出層的連接權(quán)矩陣w3的調(diào)節(jié)公式

(11)

即可得連接權(quán)矩陣w3的第t+1次調(diào)節(jié)公式

w3(t+1)=w3(t)+ηe(k)h(k)g′(w3h(k))

(12)

第5步學習算法的進一步改進

為進一步提高網(wǎng)絡的學習性能，自適應改變各參數(shù)的學習率以加快收斂速度，并使用附加動量法來抑制振蕩。

①自適應改變各參數(shù)的學習速率

η(t+1)=η(t)+ε(E(t)-E(t-1))/E(t-1)

(13)

其中ε為權(quán)值學習的自適應改變速率，0<ε<1，E(t)代表第t次的學習指標函數(shù)。

②附加動量項

為達到增大學習速率的同時能夠抑制振蕩的目的，在(5)式中增加一個阻尼項，公式如下

(14)

其中α被稱作阻尼系數(shù)，α[W(t)-W(t-1)]代表阻尼項。

經(jīng)過以上計算，神經(jīng)網(wǎng)絡不斷迭代并逐步優(yōu)化，直到網(wǎng)絡的實際輸出值與期望目標值之間的誤差達到設定的網(wǎng)絡學習指標函數(shù)精度要求，此時ELMAN神經(jīng)網(wǎng)絡滿足應用要求。

4 實例應用與分析

選取山西省某市級工業(yè)園區(qū)作為數(shù)據(jù)采集地，調(diào)查方法為問卷調(diào)查，調(diào)查時間為2018年12月至2019年3月，調(diào)查方式為郵寄發(fā)放和上門面談。調(diào)查步驟為：首先，選擇一個研發(fā)資金雄厚、產(chǎn)品附加值高的企業(yè)，作為未來形成的集群企業(yè)協(xié)同創(chuàng)新聯(lián)盟的核心企業(yè)。然后，設計基于知識能力的集群企業(yè)協(xié)同創(chuàng)新評價指標體系為基礎的量表，并發(fā)放問卷收集數(shù)據(jù)。最后，組建包含集群內(nèi)非關(guān)聯(lián)企業(yè)的管理者、技術(shù)專家和高校專家的評價小組，并確定企業(yè)綜合評價值。調(diào)研共發(fā)放問卷107份，回收問卷59份，剔除無效問卷后，有效問卷50份。對有效問卷數(shù)據(jù)進行標準化處理，將50家企業(yè)的12項數(shù)據(jù)作為ELMAN神經(jīng)網(wǎng)絡的輸入值，對應的企業(yè)綜合評價值作為期望目標輸出值。用MATLAB 2014a軟件進行編程和運行，網(wǎng)絡輸出值就是模型計算出的最終結(jié)果。

本文采用如下標準化數(shù)據(jù)處理公式

Fj=(Cj-Cjmin)/(Cjmax-Cjmin)

(15)

經(jīng)標準化處理后的原始數(shù)據(jù)如表1所示。

表1 經(jīng)過標準化處理后的50家企業(yè)的原始數(shù)據(jù)

將表1中前45家企業(yè)數(shù)據(jù)作為ELMAN神經(jīng)網(wǎng)絡訓練樣本的輸入向量，將對應的綜合評價值作為神經(jīng)網(wǎng)絡訓練樣本的目標輸出向量，用以訓練網(wǎng)絡各層的權(quán)值，訓練次數(shù)設定為1000次，訓練精度設定為0.001。同理調(diào)用BP神經(jīng)網(wǎng)絡，訓練樣本及輸入和輸出數(shù)據(jù)作同樣處理，網(wǎng)絡收斂情況如圖2和圖3所示。

如圖2和圖3所示，在同樣試驗環(huán)境下達到收斂，BP神經(jīng)網(wǎng)絡迭代了930多次，而ELMAN神經(jīng)網(wǎng)絡只迭代560多次，明顯用時較少。

圖2 BP神經(jīng)網(wǎng)絡訓練收斂

圖3 改進的ElMAN神經(jīng)網(wǎng)絡訓練收斂

為更加直觀地比較訓練好的兩種神經(jīng)網(wǎng)絡性能，將最后5家企業(yè)數(shù)據(jù)作為測試數(shù)據(jù)，命名為T1～T5，帶入仿真環(huán)境下進行檢測和對比。在MATLAB2014a的工具箱中點擊“Simulate”并輸入數(shù)據(jù)，改進的ELMAN神經(jīng)網(wǎng)絡評價結(jié)果如圖4所示。

由圖4可以看出5個測試樣本得分在0.8以上的只有T1和T3，T3評價值最高，可以列為核心企業(yè)的首選協(xié)同創(chuàng)新伙伴，T1評價值排位僅次于T3,可作為次選協(xié)同創(chuàng)新伙伴。測試結(jié)果表明產(chǎn)業(yè)集群內(nèi)核心企業(yè)在選擇協(xié)同創(chuàng)新伙伴時，在知識互補兼容性、知識吸收能力、知識轉(zhuǎn)化能力、知識創(chuàng)新能力方面表現(xiàn)好的企業(yè)，適合作為核心企業(yè)的協(xié)同創(chuàng)新伙伴。充分說明本文構(gòu)建的基于知識能力的集群企業(yè)協(xié)同創(chuàng)新伙伴選擇指標體系和計算方法的有效性。測試結(jié)果符合我們在入企面談調(diào)研時的直觀感受。

圖4 改進的ELMAN神經(jīng)網(wǎng)絡測試企業(yè)數(shù)據(jù)得分

為進一步驗證本文提出的改進的ELMAN神經(jīng)網(wǎng)絡算法的優(yōu)良性能，將其與BP神經(jīng)網(wǎng)絡算法測試結(jié)果和誤差進行對比。

表2 改進的ElMAN和BP神經(jīng)網(wǎng)絡測試結(jié)果及誤差

從表2中也可以看出，改進的ElMAN神經(jīng)網(wǎng)絡算法的評價誤差絕對值小于BP神經(jīng)網(wǎng)絡。

實證結(jié)果說明，本文構(gòu)建的基于知識能力的伙伴選擇評價指標體系，可以為核心企業(yè)選出開展協(xié)同創(chuàng)新活動所需要的合作伙伴；本文改進的ElMAN神經(jīng)網(wǎng)絡算法相較于BP神經(jīng)網(wǎng)絡算法，在評價測算時，計算速度更快、精度更高。因此，本文提出的方法可為一般的多元主體合作創(chuàng)新伙伴選擇問題提供比較準確的參考。

5 結(jié)論與建議

5.1 研究結(jié)論

本文構(gòu)建了基于知識能力的集群企業(yè)協(xié)同創(chuàng)新伙伴選擇評價指標體系，提出了改進的ElMAN神經(jīng)網(wǎng)絡模型，并將其應用于上述指標體系下的備選合作企業(yè)的評價測度。實證結(jié)果表明，該模型相較于BP神經(jīng)網(wǎng)絡模型，訓練時間短、計算精度高。總體而言，本文提出的方法充分考慮了知識能力對于集群企業(yè)協(xié)同創(chuàng)新的重要性，為知識經(jīng)濟時代下集群企業(yè)科學選擇協(xié)同創(chuàng)新伙伴提供了一種新思路。

5.2 管理建議

從本文實證研究過程可以看出，伙伴選擇流程對最終評價結(jié)果具有重要影響，因此有必要規(guī)范相關(guān)流程，根據(jù)需要及時調(diào)整戰(zhàn)略目標，形成正反饋選擇機制。調(diào)研中還發(fā)現(xiàn)，集群企業(yè)間普遍存在競爭和合作關(guān)系，部分企業(yè)對協(xié)同創(chuàng)新持懷疑和觀望態(tài)度，因此增強合作意愿有利于提高集群企業(yè)參與協(xié)同創(chuàng)新的積極性。無論是從核心企業(yè)自身出發(fā)，還是從處理好與合作伙伴關(guān)系角度出發(fā)，完善保障機制對伙伴關(guān)系深化乃至協(xié)同創(chuàng)新的成功至關(guān)重要。

(1)規(guī)范選擇流程。首先，核心企業(yè)對自身物質(zhì)資源、技術(shù)儲備、創(chuàng)新能力等進行綜合分析研判基礎上，制定協(xié)同創(chuàng)新的明確戰(zhàn)略目標，并對目標及具體項目進行分解。其次，根據(jù)已經(jīng)制定的目標，確定所需要的知識、資源和能力組合及合作方式。最后，對協(xié)同創(chuàng)新的備選伙伴進行評估，確定合作企業(yè)伙伴。如無合格伙伴，則擴大選擇范圍或進一步對目標或項目修正調(diào)整，重新啟動伙伴選擇流程，直到最終選出與核心企業(yè)最匹配的合作方。

(2)增強合作意愿。依托園區(qū)管委會、行業(yè)協(xié)會等組織，定期開展集群企業(yè)間的技術(shù)觀摩和研討交流活動，舉辦科技成果推介會和評比表彰活動，促進集群企業(yè)間不斷溝通和交流，增進彼此間互信。集中報道一批協(xié)同創(chuàng)新的成功企業(yè)和先進人物的光榮事跡，在產(chǎn)業(yè)集群內(nèi)樹立和營造尊重知識、崇尚創(chuàng)新、誠信合作的文化氛圍。

(3)完善保障機制。參考美國《拜杜法案》、《國家合作研究法》等國外發(fā)達國家成熟的法律法規(guī)，探索建立適合中國集群企業(yè)協(xié)同創(chuàng)新的法律制度體系。制定公平公正的協(xié)同創(chuàng)新利益協(xié)調(diào)和風險防范機制。切實履行協(xié)同創(chuàng)新契約合同的法律效應，加大對尋租、搭便車等非法和不道德行為的懲罰。