馬進(jìn)琴，封成智，2，丁宏斌，楊 蕾，張小榮

（1.甘肅省生產(chǎn)力促進(jìn)中心，甘肅 蘭州 730000；2.甘肅農(nóng)業(yè)大學(xué) 信息科學(xué)技術(shù)學(xué)院，甘肅 蘭州 730070；3.甘肅省農(nóng)業(yè)機(jī)械化技術(shù)推廣總站，甘肅 蘭州 730000）

一、引言

人工蜂群算法是2005 年由土耳其學(xué)者Karaboga D 和Akay B（2009）[1]提出的模擬蜜蜂群體采蜜的仿生智能計(jì)算方法，后來被廣泛應(yīng)用到通信工程、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘、農(nóng)田水利、電力系統(tǒng)、數(shù)值優(yōu)化等多個(gè)領(lǐng)域[2]。自ABC 算法提出以來，已引起大量學(xué)者的關(guān)注并產(chǎn)生諸多科研成果，胡珂等（2011）[3]構(gòu)造出具有引導(dǎo)趨勢(shì)的蜂群算法，避免了局部最優(yōu)解缺點(diǎn)，搜索性能明顯提高；黃玲玲等（2012）[4]分析提出了集成差分進(jìn)化算法和人工蜂群算法各自優(yōu)勢(shì)的混合算法；王志剛和夏慧明（2014）[5]將改進(jìn)后的算法應(yīng)用于求解多維背包問題，有效驗(yàn)證了算法的可行性。

BP 神經(jīng)網(wǎng)絡(luò)屬于多層前饋神經(jīng)網(wǎng)絡(luò)中的一類。Wang X G 等（2004）[6]基于誤差函數(shù)中隱藏層神經(jīng)元的飽和度問題，提出新的公式，有效避免了陷入局部最優(yōu)問題；Gao W（2003）[7]引入與進(jìn)化計(jì)算相關(guān)理論，進(jìn)而優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法；李杰和韓正之（2000）[8]設(shè)計(jì)了一個(gè)新的BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)函數(shù)，主要通過研究誤差函數(shù)及其泛化能力，明顯促進(jìn)了網(wǎng)絡(luò)的學(xué)習(xí)效果；李茂軍等（2004）[9]提出把人工免疫算法與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合從而優(yōu)化算法性能；彭喜元等（2003）[10]提出了BP 神經(jīng)網(wǎng)絡(luò)與ACO 算法相結(jié)合的改進(jìn)融合算法。

伴隨世界各國(guó)企業(yè)轉(zhuǎn)型的大環(huán)境，知識(shí)經(jīng)濟(jì)應(yīng)運(yùn)而生，Prahalad C K 和Hamel G（1990）[11]提出“核心競(jìng)爭(zhēng)力”的概念，此后各領(lǐng)域研究者將理論結(jié)合與各行各業(yè)實(shí)際，形成了不同的派別和觀點(diǎn)。Klein等（1998）[12]認(rèn)為個(gè)體優(yōu)勢(shì)碰撞后產(chǎn)生了核心競(jìng)爭(zhēng)力，個(gè)體優(yōu)勢(shì)在核心競(jìng)爭(zhēng)力中的作用不可或缺；周旭等（2007）[13]運(yùn)用D-S 證據(jù)理論對(duì)BP 神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型優(yōu)化后對(duì)輸出的結(jié)果調(diào)和，獲得最終評(píng)價(jià)的結(jié)果；蔡彬（2010）[14]在對(duì)重點(diǎn)競(jìng)爭(zhēng)力理論以及高新技術(shù)企業(yè)有關(guān)理論概括的根基上，創(chuàng)建出4 個(gè)評(píng)判要素、20 個(gè)評(píng)判目標(biāo)的高新技術(shù)企業(yè)重點(diǎn)競(jìng)爭(zhēng)力評(píng)判目標(biāo)體制，規(guī)劃是在L-M 算法的根基上更新BP 神經(jīng)網(wǎng)絡(luò)的評(píng)判辦法以及評(píng)價(jià)程序。

AHTE 由核心的技術(shù)、投資、管理知識(shí)三大要素任意組合成突出的知識(shí)結(jié)構(gòu)，這是企業(yè)知識(shí)創(chuàng)新的根本來源[15]。Babaev（2012）[16]研究了歐美發(fā)達(dá)國(guó)家農(nóng)業(yè)生態(tài)發(fā)展，介紹了創(chuàng)新后AHTE 與生態(tài)農(nóng)業(yè)發(fā)展的關(guān)系[17]。許桂紅和朱瑞（2003）[18]對(duì)AHTE 的特點(diǎn)進(jìn)行了總結(jié)，他認(rèn)為AHTE 具有投入較高、風(fēng)險(xiǎn)大、高收益、創(chuàng)新性四大特點(diǎn)；桑曉靖（2008）[19]在理論基礎(chǔ)上從融資、資本運(yùn)營(yíng)、技術(shù)創(chuàng)新、激勵(lì)政策、風(fēng)險(xiǎn)防范機(jī)制等五個(gè)方面對(duì)AHTE 經(jīng)營(yíng)機(jī)制進(jìn)行研究；孫養(yǎng)學(xué)（2006）[20]歸納了農(nóng)業(yè)新技術(shù)企業(yè)成的特征，闡述AHTE 成長(zhǎng)的本質(zhì)并建立了AHTE 評(píng)價(jià)指標(biāo)體系。

二、人工蜂群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)（ABC-BP）模型

ABC-BP 網(wǎng)絡(luò)模型即在BP 神經(jīng)網(wǎng)絡(luò)中引入ABC 算法，并將訓(xùn)練與調(diào)整BP 神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的方式由ABC 算法替換最速下降梯度算法。將群體智能算法中的經(jīng)典算法ABC 融入到BP 神經(jīng)網(wǎng)絡(luò)中，提高ABC-BP 網(wǎng)絡(luò)的全局搜索能力，加快算法的收斂速度，防止算法陷入局部極值。

（一）ABC-BP 網(wǎng)絡(luò)模型流程

ABC-BP 神經(jīng)網(wǎng)絡(luò)模型的具體操作步驟為：

Step1：確定網(wǎng)絡(luò)結(jié)構(gòu)，初始化參數(shù)；

Step2：產(chǎn)生初始種群；

Step3：進(jìn)入采蜜蜂階段，計(jì)算適應(yīng)度評(píng)估食物源質(zhì)量，并更新食物源；

Step4：進(jìn)入觀察蜂階段，根據(jù)每只觀察蜂與食物源適應(yīng)度值成比例的概率大小搜尋新的食物源，同時(shí)評(píng)估食物源質(zhì)量，并判斷是否需要更新當(dāng)前食物源；

Step5：進(jìn)入偵察蜂階段，當(dāng)搜索限制次數(shù)大于最大搜索限制次數(shù)時(shí)，立即放棄當(dāng)前食物源，繼續(xù)搜索全新的食物源；

Step6：判斷是否滿足終止條件（如iter＞maxCyc le）？若是，算法終止同時(shí)輸出最優(yōu)解，否則返回Step2；

Step7：將ABC 算法獲取的最優(yōu)解設(shè)置為BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，并運(yùn)用該網(wǎng)絡(luò)模型仿真實(shí)驗(yàn)。

ABC-BP 混合算法工作流程，如圖1 所示。

圖1 ABC-BP 神經(jīng)網(wǎng)絡(luò)混合算法流程圖

（二）ABC-BP 網(wǎng)絡(luò)模型優(yōu)點(diǎn)

建立ABC-BP 神經(jīng)網(wǎng)絡(luò)模型后，分析發(fā)現(xiàn)該模型具有以下優(yōu)點(diǎn)：

（1）避免網(wǎng)絡(luò)陷入停滯狀態(tài)，進(jìn)而陷入局部極值。在引入ABC 算法之后，網(wǎng)絡(luò)中權(quán)值和閾值調(diào)整的任務(wù)轉(zhuǎn)而由三種角色的蜜蜂分工協(xié)作完成，在一定程度上避免了網(wǎng)絡(luò)陷入停滯這一狀態(tài)的產(chǎn)生，最終使得網(wǎng)絡(luò)訓(xùn)練速率得到有效提高；

（2）改善了網(wǎng)絡(luò)記憶不穩(wěn)定導(dǎo)致的出現(xiàn)重復(fù)訓(xùn)練的情況。通常來說，BP 神經(jīng)網(wǎng)絡(luò)的記憶不固定又不穩(wěn)定，這就會(huì)造成網(wǎng)絡(luò)重復(fù)多次訓(xùn)練等的冗雜操作。根據(jù)ABC 算法原理，可知ABC 算法是一種具有良好記憶功能的優(yōu)化算法，因?yàn)樗惴ㄔ诿恳淮蔚潞缶鶗?huì)根據(jù)當(dāng)前狀態(tài)記錄的最優(yōu)解與上一次迭代產(chǎn)生的最優(yōu)解作比較，從而記錄截至目前產(chǎn)生的全局最優(yōu)解。ABC-BP 神經(jīng)網(wǎng)絡(luò)模型正是將ABC算法結(jié)束后產(chǎn)生的全局最優(yōu)解設(shè)為BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果，該機(jī)制能有效地改善網(wǎng)絡(luò)記憶不穩(wěn)定導(dǎo)致的出現(xiàn)重復(fù)訓(xùn)練的情況；

（3）保證了網(wǎng)絡(luò)權(quán)值和閾值的訓(xùn)練質(zhì)量。通過分析ABC 算法的分工協(xié)作機(jī)制，將ABC 算法引入到BP 神經(jīng)網(wǎng)絡(luò)中，采用智能優(yōu)化算法中的貪婪選擇策略，使最優(yōu)的解組成下一代的迭代群體。在ABC-BP 神經(jīng)網(wǎng)絡(luò)模型中，這樣可以在加快ABC 算法的收斂速度的同時(shí)更提升了BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，同時(shí)“優(yōu)勝劣汰”的種群競(jìng)爭(zhēng)機(jī)制，進(jìn)一步保證了網(wǎng)絡(luò)權(quán)值和閾值的訓(xùn)練質(zhì)量[21]。

三、農(nóng)業(yè)高新技術(shù)企業(yè)核心競(jìng)爭(zhēng)力指標(biāo)體系構(gòu)建

（一）評(píng)價(jià)指標(biāo)體系構(gòu)建影響因素

1.經(jīng)濟(jì)規(guī)模。經(jīng)濟(jì)規(guī)模是衡量AHTE 效益的關(guān)鍵指標(biāo)，資產(chǎn)總額體現(xiàn)企業(yè)資源控制能力和水平，總收入反映企業(yè)營(yíng)收實(shí)際狀況和規(guī)模，利稅總額反映企業(yè)的社會(huì)效益及總的經(jīng)濟(jì)效益水平。

2.研發(fā)能力。專業(yè)技術(shù)是AHTE 核心競(jìng)爭(zhēng)力的立根之本，企業(yè)技術(shù)研制與生產(chǎn)加工水平的實(shí)際大小可作為企業(yè)衡量自身實(shí)際的發(fā)展進(jìn)步能力的關(guān)鍵要素，在一定程度上直接影響著企業(yè)核心競(jìng)爭(zhēng)力水平的標(biāo)準(zhǔn)與可連續(xù)性發(fā)展進(jìn)步的發(fā)展?jié)摿?。研發(fā)的投入比例即反映了一個(gè)企業(yè)所能長(zhǎng)期發(fā)展的資金水平和市場(chǎng)競(jìng)爭(zhēng)力。通常而言，比例愈大，企業(yè)整體水平愈強(qiáng)。

3.管理創(chuàng)新。企業(yè)核心競(jìng)爭(zhēng)力和公司的運(yùn)營(yíng)管理機(jī)制相互作用相互影響，一個(gè)企業(yè)的高效組織管理能力可以煥發(fā)并激起企業(yè)員工在不同組織改革創(chuàng)新活動(dòng)的積極主動(dòng)性。管理改革創(chuàng)新的每一個(gè)工作環(huán)節(jié)能密切與企業(yè)內(nèi)部及外界之間聯(lián)系起來，達(dá)到進(jìn)一步交流溝通與合作的目的。當(dāng)然，一個(gè)企業(yè)能保持管理改革創(chuàng)新的高效性和持久性，將會(huì)是保障該企業(yè)在其所在市場(chǎng)競(jìng)爭(zhēng)領(lǐng)域長(zhǎng)久領(lǐng)先的重要影響因素。

4.發(fā)展能力。從財(cái)務(wù)管理角度表現(xiàn)一個(gè)企業(yè)核心競(jìng)爭(zhēng)力的影響因素，主要由資本效益率、融資綜合能力、應(yīng)收財(cái)務(wù)賬目周轉(zhuǎn)速率、成本利潤(rùn)率和存貨周轉(zhuǎn)速率綜合來表現(xiàn)，以此來衡量企業(yè)的盈利水平和工作效率等水平。這些指標(biāo)較好地反映發(fā)展能力強(qiáng)弱。

5.市場(chǎng)環(huán)境。市場(chǎng)環(huán)境都對(duì)企業(yè)的生存和發(fā)展產(chǎn)生著重要的影響，良好的市場(chǎng)環(huán)境對(duì)于AHTE 的發(fā)展起助推作用，糟糕的市場(chǎng)環(huán)境則會(huì)阻礙企業(yè)發(fā)展。市場(chǎng)環(huán)境包含眾多不確定的因素，所以選取一些有代表性且易量化因素作為指標(biāo)，包括品牌知名度、產(chǎn)業(yè)配套、行業(yè)資源等。

（二）評(píng)價(jià)指標(biāo)體系構(gòu)建內(nèi)容

在嚴(yán)格遵循企業(yè)核心競(jìng)爭(zhēng)力評(píng)價(jià)指標(biāo)系統(tǒng)構(gòu)建原則的基礎(chǔ)上，在對(duì)企業(yè)核心競(jìng)爭(zhēng)力評(píng)價(jià)判定基本要素、高新技術(shù)企業(yè)核心競(jìng)爭(zhēng)力基本特征要素與五個(gè)組成分布維度等多個(gè)方面展開研究分析的基礎(chǔ)之上根據(jù)標(biāo)準(zhǔn)系統(tǒng)綜合系統(tǒng)設(shè)計(jì)根本原則需求，同時(shí)將國(guó)內(nèi)外對(duì)企業(yè)評(píng)價(jià)判定標(biāo)準(zhǔn)系統(tǒng)的設(shè)計(jì)應(yīng)用模式與思路相結(jié)合，構(gòu)建評(píng)價(jià)指標(biāo)體系，具體如表1 所示。

表1 AHTE 核心競(jìng)爭(zhēng)力評(píng)價(jià)指標(biāo)體系

（三）基于ABC-BP 網(wǎng)絡(luò)模型評(píng)價(jià)及仿真

引入ABC 算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)模型優(yōu)化后，對(duì)AHTE 核心競(jìng)爭(zhēng)力進(jìn)行評(píng)價(jià)。基于ABC-BP 網(wǎng)絡(luò)模型評(píng)價(jià)過程如下：

1.ABC-BP 網(wǎng)絡(luò)模型結(jié)構(gòu)的設(shè)計(jì)

（1）輸入層設(shè)計(jì)。指標(biāo)評(píng)價(jià)主要通過ABC-BP網(wǎng)絡(luò)模型的輸入層輸入，將選取的標(biāo)準(zhǔn)化后的AHTE 評(píng)價(jià)指標(biāo)數(shù)據(jù)與網(wǎng)絡(luò)模型相結(jié)合，根據(jù)AHTE 核心競(jìng)爭(zhēng)力的評(píng)價(jià)指標(biāo)體系，設(shè)計(jì)將三級(jí)指標(biāo)的28 個(gè)評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)化之后，作為輸入層的神經(jīng)元，以實(shí)現(xiàn)AHTE 核心競(jìng)爭(zhēng)力評(píng)價(jià)的目的。

（2）隱含層設(shè)計(jì)。對(duì)于神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的選取是一個(gè)比較復(fù)雜的問題，它的選取直接影響訓(xùn)練結(jié)果的輸出以及網(wǎng)絡(luò)的穩(wěn)健性。選取數(shù)量過大則導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)時(shí)間過長(zhǎng)，影響誤差；選取數(shù)量過小則會(huì)影響網(wǎng)絡(luò)訓(xùn)練的穩(wěn)健性。目前主要參考經(jīng)驗(yàn)公式（1）選取隱含層的節(jié)點(diǎn)數(shù)：

式（1）中，隱含層節(jié)點(diǎn)數(shù)目為N，輸入節(jié)點(diǎn)數(shù)目為m，輸出節(jié)點(diǎn)數(shù)目為n，a介于1～10 之間的常數(shù)。根據(jù)核心競(jìng)爭(zhēng)力評(píng)價(jià)指標(biāo)和網(wǎng)絡(luò)訓(xùn)練精度，經(jīng)過多次測(cè)試之后本文所設(shè)置的隱含層節(jié)點(diǎn)數(shù)目為15個(gè)。

（3）輸出層設(shè)計(jì)。通過對(duì)AHTE 的核心競(jìng)爭(zhēng)力進(jìn)行定性分析，接著將選取的企業(yè)評(píng)價(jià)指標(biāo)數(shù)據(jù)進(jìn)行定量輸入、輸出，最后根據(jù)網(wǎng)絡(luò)輸出結(jié)果和所設(shè)置的評(píng)價(jià)級(jí)對(duì)企業(yè)核心競(jìng)爭(zhēng)力進(jìn)行定性評(píng)價(jià)。

本文為滿足企業(yè)核心競(jìng)爭(zhēng)力評(píng)價(jià)和神經(jīng)網(wǎng)絡(luò)輸入的要求，設(shè)置相應(yīng)的評(píng)價(jià)級(jí)以反映AHTE 核心競(jìng)爭(zhēng)力的強(qiáng)弱，即分為（A+、A、B+、B、C+、C）等級(jí)。同時(shí)，為反映核心競(jìng)爭(zhēng)力的強(qiáng)弱狀態(tài)，進(jìn)一步劃分核心競(jìng)爭(zhēng)力狀態(tài)為強(qiáng)、較強(qiáng)、中等和弱四種。具體的企業(yè)核心競(jìng)爭(zhēng)力等級(jí)和狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)如表2 所示。

表2 企業(yè)核心競(jìng)爭(zhēng)力等級(jí)和狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)

2.本文所構(gòu)建的ABC-BP 神經(jīng)網(wǎng)絡(luò)模型根據(jù)網(wǎng)絡(luò)輸出結(jié)果實(shí)現(xiàn)對(duì)AHTE 核心競(jìng)爭(zhēng)力指標(biāo)的評(píng)價(jià)。

（1）根據(jù)構(gòu)建指標(biāo)體系涉及的核心競(jìng)爭(zhēng)力評(píng)價(jià)因素來分析、確定并收集測(cè)試樣本，在這里的樣本指的是所要評(píng)價(jià)的AHTE 評(píng)價(jià)指標(biāo)值{x1}。指標(biāo)值共計(jì)16 組，訓(xùn)練樣本11 個(gè)，測(cè)試樣本5 個(gè)；

（2）根據(jù)企業(yè)核心競(jìng)爭(zhēng)力評(píng)價(jià)和神經(jīng)網(wǎng)絡(luò)輸入的要求，對(duì)所確定的指標(biāo)值進(jìn)行標(biāo)準(zhǔn)化和無量綱化處理，并將處理后的指標(biāo)值{x1}范圍設(shè)置為[0，1]之間的數(shù)據(jù)；

（3）在網(wǎng)絡(luò)中將處理過的{}作為輸入值輸入，同時(shí)根據(jù)所確定的權(quán)值Wij，確定各層神經(jīng)元之間的權(quán)值Wij，不斷地進(jìn)行BP 網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練；

（4）判斷是否達(dá)到網(wǎng)絡(luò)訓(xùn)練的收斂程度，衡量指標(biāo)一般為所設(shè)置的訓(xùn)練誤差是否達(dá)到目標(biāo)精度；

（5）最后將網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練得到的輸出結(jié)果按照核心競(jìng)爭(zhēng)力評(píng)價(jià)的指標(biāo)等級(jí)進(jìn)行評(píng)價(jià)。

在整個(gè)ABC-BP 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的學(xué)習(xí)訓(xùn)練過程中，由于常規(guī)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，因此對(duì)于神經(jīng)網(wǎng)絡(luò)的神經(jīng)元輸入節(jié)點(diǎn)數(shù)目、輸出節(jié)點(diǎn)數(shù)目、神經(jīng)元之間的傳遞函數(shù)以及學(xué)習(xí)訓(xùn)練次數(shù)等明確的規(guī)定方面，截至目前還未形成比較成熟的理論指導(dǎo)，以至于唯一的辦法是經(jīng)過大量的反復(fù)實(shí)驗(yàn)才可基本確定，于是對(duì)于神經(jīng)網(wǎng)絡(luò)在具體復(fù)雜實(shí)際中的應(yīng)用則存在計(jì)算量巨大等亟待解決的問題。本研究使用MATALB 對(duì)ABC-BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程進(jìn)行執(zhí)行，這就在很大程度上能解決常規(guī)網(wǎng)絡(luò)存在的諸多難以克服的問題，能進(jìn)一步推動(dòng)BP 神經(jīng)網(wǎng)絡(luò)和群體智能優(yōu)化算法在不同應(yīng)用領(lǐng)域研究。

四、實(shí)證研究

（一）AHTE 核心競(jìng)爭(zhēng)力的平均數(shù)據(jù)選取

本研究分析選用甘肅省不相同地區(qū)、不相同行業(yè)領(lǐng)域的具有代表性的16 家AHTE 展開分析研究，16 家AHTE 簡(jiǎn)要概況如下表3 所示。

表3 16 家AHTE 概況

本研究首先選用11 家AHTE 作為網(wǎng)絡(luò)學(xué)習(xí)樣本，5 家AHTE 作為樣本學(xué)習(xí)后的分析目標(biāo)對(duì)象，驗(yàn)證ABC-BP 神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)系統(tǒng)的高效實(shí)用性。指標(biāo)中的除去可量化的定量指標(biāo)外，其他定性指標(biāo)應(yīng)用采用德爾菲法，其中需要量化的指標(biāo)有D23、D31、D32、D34、D35、D46、D51、D53、D54、D56。流程如下：

（1）根據(jù)要評(píng)價(jià)的對(duì)象涉及的領(lǐng)域，選用在農(nóng)業(yè)經(jīng)濟(jì)管理、財(cái)務(wù)管理、企業(yè)核心競(jìng)爭(zhēng)力方面有專業(yè)知識(shí)和豐富經(jīng)驗(yàn)的10 名專家，組成專家組[14]。

（2）明確評(píng)價(jià)判定標(biāo)準(zhǔn)，做出評(píng)價(jià)判定標(biāo)準(zhǔn)的干擾因素與有關(guān)策略數(shù)據(jù)信息，綜合系統(tǒng)設(shè)計(jì)了評(píng)價(jià)判定目標(biāo)對(duì)象打分模式。

（3）最先一輪經(jīng)過匿名模式征詢各領(lǐng)域?qū)＜医ㄗh，每一個(gè)專家獨(dú)立的對(duì)每家公司的定性指標(biāo)標(biāo)準(zhǔn)展開打分，收集整理集合各位專家打分最終結(jié)果，并且將首輪打分最終結(jié)果信息反饋給打分專家組，在專家組展開探討之后再次打分，一直到最終結(jié)果一致。

（4）通過多輪循環(huán)的征詢與建議信息反饋之后，打分最終結(jié)果基本靠近，當(dāng)最大分差小于等于總分的1%的時(shí)候，取平均有效數(shù)值作為最后評(píng)價(jià)判定最終結(jié)果。

（5）所得每個(gè)AHTE 的標(biāo)準(zhǔn)數(shù)值根據(jù)對(duì)應(yīng)評(píng)價(jià)判定性影響因素集合，導(dǎo)入通過整理之后的數(shù)據(jù)信息D23、D31、D32、D34、D35、D46、D51、D53、D54、D56具體如表4所示。

為滿足系統(tǒng)深度學(xué)習(xí)與模擬仿真需要，需指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化模式分情況全面處理，當(dāng)目標(biāo)數(shù)值愈大愈好為準(zhǔn)則作為評(píng)價(jià)判定參考標(biāo)準(zhǔn)的時(shí)候，標(biāo)準(zhǔn)化數(shù)值根據(jù)運(yùn)算公式（2）的運(yùn)算方法獲取數(shù)值。

把16 家省內(nèi)AHTE 評(píng)價(jià)指標(biāo)數(shù)值數(shù)據(jù)信息通過標(biāo)準(zhǔn)化全面處理之后的各指標(biāo)數(shù)據(jù)信息都?xì)w一化到[0，1]，使用模糊評(píng)價(jià)判定法，通過專家的評(píng)價(jià)判定列出了神經(jīng)網(wǎng)絡(luò)系統(tǒng)學(xué)習(xí)的目標(biāo)數(shù)值。16 家AHTE 標(biāo)準(zhǔn)化數(shù)值樣本具體如表4 所示。

表4 16 家AHTE 評(píng)價(jià)指標(biāo)值歸一化數(shù)據(jù)表

在評(píng)價(jià)指標(biāo)體系構(gòu)建完成后，衡量指標(biāo)口徑不同，極差與趨向也大相徑庭，使得指標(biāo)的量綱存在差別，數(shù)值的量級(jí)相差懸殊，對(duì)上述定量和定性指標(biāo)數(shù)據(jù)進(jìn)行無量綱化處理勢(shì)在必行，使得歸一化的數(shù)據(jù)規(guī)范化[22]。

標(biāo)準(zhǔn)化取值為[0，1]：

其中，xjmin是指標(biāo)（第j個(gè)）的最小值，xj為目標(biāo)值，F(xiàn)j為標(biāo)準(zhǔn)化數(shù)值，xjmax是指標(biāo)（第j個(gè)）的最大值，j是指標(biāo)總的數(shù)量。

（二）ABC-BP 網(wǎng)絡(luò)評(píng)價(jià)模型和網(wǎng)絡(luò)訓(xùn)練

依據(jù)前面建立的AHTE 核心競(jìng)爭(zhēng)力評(píng)價(jià)指標(biāo)體系，文章在引進(jìn)ABC 的基礎(chǔ)上，采用ABC 優(yōu)化BP的三層神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)，按照指標(biāo)要素初步確定輸入層為28 個(gè)節(jié)點(diǎn)，初步確定隱含層為15 個(gè)節(jié)點(diǎn)，輸出層為1 個(gè)節(jié)點(diǎn)，組成28-15-1 的ABC-BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實(shí)驗(yàn)?zāi)Ｐ停罱K基于MATLAB R2018 對(duì)所選取的16 家AHTE 核心競(jìng)爭(zhēng)力進(jìn)行分析解讀評(píng)價(jià)。

評(píng)價(jià)中采用的數(shù)據(jù)為各評(píng)價(jià)指標(biāo)的歸一化標(biāo)準(zhǔn)數(shù)據(jù)信息，前11 家企業(yè)的網(wǎng)絡(luò)訓(xùn)練過程如下：

建立ABC-BP 神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)組成結(jié)構(gòu)如示意圖2 所示。自動(dòng)輸入分布向量作用范圍是[0，1]，自動(dòng)輸入隱含層節(jié)點(diǎn)為28，輸出層節(jié)點(diǎn)為1。

圖2 ABC-BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

在網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程中，遵循網(wǎng)絡(luò)訓(xùn)練模型結(jié)構(gòu)和學(xué)習(xí)精度規(guī)范，多次訓(xùn)練后得出結(jié)論，訓(xùn)練次數(shù)epochs=2000；有效誤差目標(biāo)數(shù)值goal=0.001，學(xué)習(xí)效率1r=0.01，蜂群規(guī)模NP=50，解（蜜源數(shù)量）=FoodNumber=NP=50，最大迭代次數(shù)maxCycle=1000，當(dāng)蜜源連續(xù)超過Limit次沒被更新，將初始化蜜源，最大搜索限制次數(shù)Limit=100。

依據(jù)上述設(shè)定后，ABC-BP 混合算法就開始對(duì)網(wǎng)絡(luò)的權(quán)值與閾值展開尋優(yōu)，該新型混合算法終止運(yùn)行的基本條件是發(fā)現(xiàn)全局最優(yōu)解，而后得到ABC-BP 的AHTE 評(píng)價(jià)分析模型。

網(wǎng)絡(luò)經(jīng)過6 次訓(xùn)練達(dá)到誤差要求，網(wǎng)絡(luò)輸出數(shù)值和期望值比較如表5 所示，期望值、BP 預(yù)測(cè)輸出和ABC-BP 預(yù)測(cè)輸出趨勢(shì)對(duì)比圖如表5 所示。行核心競(jìng)爭(zhēng)力評(píng)價(jià)。

表5 輸出結(jié)果和期望結(jié)果比較

（三）ABC-BP 網(wǎng)絡(luò)仿真實(shí)驗(yàn)

通過對(duì)第1～11 家AHTE 作為學(xué)習(xí)對(duì)象，第12～16家AHTE 作為研究分析目標(biāo)對(duì)象，用訓(xùn)練好的ABC-BP 神經(jīng)網(wǎng)絡(luò)展開學(xué)習(xí)仿真模擬計(jì)算。主要目的在于要經(jīng)過ABC-BP 神經(jīng)網(wǎng)絡(luò)模型輸出的評(píng)價(jià)結(jié)果和專家預(yù)測(cè)輸出值進(jìn)行對(duì)比，來論證ABC-BP混合神經(jīng)網(wǎng)絡(luò)系統(tǒng)在評(píng)價(jià)AHTE 核心競(jìng)爭(zhēng)力方面的合理性和有效性。

模擬仿真過程的自動(dòng)輸入分布向量為第12～16家公司歸一化全面處理后的標(biāo)準(zhǔn)指標(biāo)值P：

訓(xùn)練結(jié)束的網(wǎng)絡(luò)模擬輸出值為：

0.6573 0.7509 0.6471 0.9710 0.6974

為了結(jié)果更加客觀，對(duì)ABC-BP 神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行6 次調(diào)整，網(wǎng)絡(luò)輸出值與期望值相比較如表6至表8 所示。

表6 第12 家AHTE 測(cè)試結(jié)果

表7 第13 家AHTE 測(cè)試結(jié)果

表8 第14 家AHTE 測(cè)試結(jié)果

圖3 期望輸出、BP 預(yù)測(cè)輸出和ABC-BP 預(yù)測(cè)輸出趨勢(shì)對(duì)比圖

以上是ABC-BP 混合神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練全過程，網(wǎng)絡(luò)訓(xùn)練完成之后，網(wǎng)絡(luò)訓(xùn)練得知的最終結(jié)果精度較高，能夠參考依據(jù)前面建立核心競(jìng)爭(zhēng)力等級(jí)區(qū)間表對(duì)企業(yè)重要市場(chǎng)核心競(jìng)爭(zhēng)力展開基本等級(jí)評(píng)價(jià)，也可以用訓(xùn)練好的評(píng)價(jià)模型對(duì)其他企業(yè)進(jìn)

表9 第15 家AHTE 測(cè)試結(jié)果

表10 第16 家AHTE 測(cè)試結(jié)果

從網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練的結(jié)果可以看出，ABC-BP混合神經(jīng)網(wǎng)絡(luò)算法的更加穩(wěn)定，訓(xùn)練輸出結(jié)果要優(yōu)于單一BP 神經(jīng)網(wǎng)絡(luò)輸出值?？傮w來看，對(duì)企業(yè)的核心競(jìng)爭(zhēng)力評(píng)價(jià)輸出結(jié)果與專家分析的期望結(jié)果基本一致。

（四）評(píng)價(jià)結(jié)果分析

通過對(duì)11 個(gè)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練樣本AHTE 和5 個(gè)專家測(cè)試AHTE 的ABC-BP 神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)得出了甘肅省的16 家AHTE 的評(píng)價(jià)結(jié)果。根據(jù)ABC-BP混合神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)結(jié)果將以上16 家AHTE 核心競(jìng)爭(zhēng)力網(wǎng)絡(luò)輸值進(jìn)行匯總分析，按照上述確定的AHTE 核心競(jìng)爭(zhēng)力等級(jí)和狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)，得出各AHTE 核心競(jìng)爭(zhēng)力的等級(jí)和結(jié)果如表11 所示。

表11 AHTE 核心競(jìng)爭(zhēng)力的等級(jí)和結(jié)果

（一）AHTE 核心競(jìng)爭(zhēng)力評(píng)價(jià)結(jié)果分析

通過評(píng)價(jià)結(jié)果的統(tǒng)計(jì)，AHTE 核心競(jìng)爭(zhēng)力評(píng)價(jià)結(jié)果總結(jié)為：

第1、8、15 家企業(yè)的ABC-BP 網(wǎng)絡(luò)輸出評(píng)價(jià)值在[0.85～1]區(qū)間內(nèi)，核心競(jìng)爭(zhēng)力處于“強(qiáng)勢(shì)”狀態(tài)，而這三家企業(yè)都是在主板上市企業(yè)，經(jīng)濟(jì)體量大、研發(fā)能力強(qiáng)、具有現(xiàn)代企業(yè)管理創(chuàng)新能力、市場(chǎng)開拓能力強(qiáng)、企業(yè)品牌價(jià)值高，表明這三家公司能夠依靠自身技術(shù)與資本優(yōu)勢(shì)的市場(chǎng)競(jìng)爭(zhēng)力來規(guī)劃自身今后長(zhǎng)期的發(fā)展策略，例如采用對(duì)外擴(kuò)張型策略、多元化發(fā)展策略等來進(jìn)一步拓展公司規(guī)模與體量，鞏固加強(qiáng)自身實(shí)際的優(yōu)勢(shì)市場(chǎng)競(jìng)爭(zhēng)地位；

第10、11、13 家企業(yè)的ABC-BP 網(wǎng)絡(luò)輸出評(píng)價(jià)值在[0.7～0.85）區(qū)間內(nèi)，核心競(jìng)爭(zhēng)力處于“較強(qiáng)”狀態(tài)，這三家都是從事農(nóng)業(yè)種植和精深加工企業(yè)，在各自領(lǐng)域都有較強(qiáng)競(jìng)爭(zhēng)力，企業(yè)可選擇繼續(xù)加大研發(fā)中投入資金和人員力度、促成成果轉(zhuǎn)化、創(chuàng)新管理模式、引進(jìn)高素質(zhì)人才等形式增強(qiáng)企業(yè)整體競(jìng)爭(zhēng)力；

第2、4、7、12、14、16 家企業(yè)的ABC-BP 網(wǎng)絡(luò)輸出評(píng)價(jià)值在[0.55～0.7）區(qū)間內(nèi)，核心競(jìng)爭(zhēng)力處于“中等”狀態(tài)，這6 家企業(yè)在各自行業(yè)領(lǐng)域規(guī)模較大，各具特色，可以通過進(jìn)一步加強(qiáng)制度創(chuàng)新、引進(jìn)人才、加強(qiáng)研發(fā)投入、增強(qiáng)市場(chǎng)開拓能力，采取占領(lǐng)行業(yè)中端市場(chǎng)的策略；

第3、5、9 家企業(yè)的ABC-BP 網(wǎng)絡(luò)輸出評(píng)價(jià)值在[0.4～0.55）區(qū)間內(nèi)，核心競(jìng)爭(zhēng)力處于“中等”狀態(tài)，但是整體競(jìng)爭(zhēng)力狀態(tài)偏弱，企業(yè)可以嘗試打造幾款有競(jìng)爭(zhēng)力的產(chǎn)品，注重品牌打造，從而進(jìn)一步提升產(chǎn)品品牌知名度，提高企業(yè)產(chǎn)品市場(chǎng)占有率；

第6 家企業(yè)的ABC-BP 網(wǎng)絡(luò)輸出評(píng)價(jià)值在[0.25～0.4）區(qū)間內(nèi)，核心競(jìng)爭(zhēng)力處于“較弱”狀態(tài)，企業(yè)綜合分值較低，綜合收入低，核心競(jìng)爭(zhēng)力不明顯，企業(yè)應(yīng)根據(jù)自身發(fā)展戰(zhàn)略需要調(diào)整經(jīng)營(yíng)模式，提升核心競(jìng)爭(zhēng)力。

五、應(yīng)用延伸

本研究的評(píng)價(jià)模型和方法還可以通過以下幾種方式進(jìn)行AHTE 競(jìng)爭(zhēng)力評(píng)價(jià)和識(shí)別的延伸應(yīng)用：

（1）訓(xùn)練好的ABC-BP 混合神經(jīng)網(wǎng)絡(luò)系統(tǒng)實(shí)驗(yàn)?zāi)Ｐ?，能夠橫向地應(yīng)用在其他用于其他AHTE 的核心競(jìng)爭(zhēng)力評(píng)價(jià)判定分析研究。在根據(jù)綜合系統(tǒng)設(shè)計(jì)的評(píng)價(jià)指標(biāo)獲得相對(duì)應(yīng)公司數(shù)據(jù)信息以后經(jīng)過可復(fù)制的網(wǎng)絡(luò)仿真模擬運(yùn)行操作步驟就能夠?qū)ζ渌鸄HTE 展開評(píng)價(jià)判定分析研究，因此這種方法具備很好的普適性和可推廣性。

（2）訓(xùn)練好的ABC-BP 神經(jīng)網(wǎng)絡(luò)系統(tǒng)實(shí)驗(yàn)?zāi)Ｐ湍軌蚩v向垂直方向的應(yīng)用在AHTE 市場(chǎng)競(jìng)爭(zhēng)力評(píng)價(jià)判定分析研究。僅僅需要將公司變化以后的評(píng)價(jià)判定其中所需要的數(shù)據(jù)信息導(dǎo)入輸入網(wǎng)絡(luò)，方便快捷的獲取公司重要市場(chǎng)競(jìng)爭(zhēng)力實(shí)際情況的全新數(shù)值，進(jìn)而評(píng)價(jià)判定公司重要市場(chǎng)競(jìng)爭(zhēng)力的全新分布狀態(tài)，從而此模式具備確定的延展性可以完成不同程度上的追蹤評(píng)價(jià)判定。

（3）能夠應(yīng)用訓(xùn)練好的網(wǎng)絡(luò)實(shí)驗(yàn)?zāi)Ｐ驼归_公司的重要市場(chǎng)競(jìng)爭(zhēng)力的辨別方面的分析研究。例如經(jīng)過加大或者降低某一個(gè)或某多個(gè)標(biāo)準(zhǔn)指標(biāo)的數(shù)值、自動(dòng)輸入網(wǎng)絡(luò)、觀測(cè)網(wǎng)絡(luò)自動(dòng)輸出最終結(jié)果的改變。假設(shè)某一項(xiàng)或者某些特定輸入標(biāo)準(zhǔn)的變化對(duì)自動(dòng)輸出最終結(jié)果影響比較大，表明這個(gè)標(biāo)準(zhǔn)在公司重要市場(chǎng)競(jìng)爭(zhēng)力的強(qiáng)弱里占據(jù)有最為關(guān)鍵的影響地位公司，能夠?qū)?yīng)采用相對(duì)應(yīng)的措施手段來培育與不斷加強(qiáng)類似關(guān)鍵能力。