基于微粒群算法的企业创新能力评价

张 勇

（成都信息工程学院 控制工程学院，成都 610225）

企业创新能力评价目前反映在两个主要方面，首先是评价以定性为主，但通过定性方式得到企业创新能力评价结果具有较强的主观性和随意性；二是创新能力评价指标设置不具有科学性，不能较为真实的反应企业创新能力的水平和状况[1]。在评价方法上目前运用数量的方法研究相对较少，如企业创新能力中有的指标具有模糊性，虽然模糊数学的方法能提供相应的便利，但在模糊综合评价中，其隶属度和权重的确定是一个难题。因此，本文从定量角度，引入微粒群算法确定指标权重，而隶属度采取隶属赋值方法尝试从客观、合理角度对企业创新能力做出评价。

1 微粒群算法在企业创新能力评价中的引入

微粒群算法作为一种群体智能搜索算法，在其发展和演变过程中逐渐引入了惯性权重以达到更好控制算法的开发与探索能力。该方法的智能学习能力使所得解相对精确可靠、操作较为简单[2]。

在微粒群算法中，每一个优化或评价问题的求解可称之为“微粒”，所有微粒集中在一起形成微粒群，且均存在一个被优化函数决定的适应值，各个微粒有一个决定其飞行方向和距离的速度，而后这些微粒围绕当前的最优微粒在解空间中不停的搜索[3]。微粒群算法依据每个微粒的适应值进行操作，并根据每个微粒的飞行经验和群体飞行经验进行调整。

若微粒i当前的位置表示为当前飞行速度为所经历过最好位置为为所有微粒所经过的最佳位置，则微粒算法进化方程可描述为：表达式中i、j分别表示微粒；t表示第t代；w表示惯性权重；C1、C2表示为加速度常数；rand1()、rand2()～U( )0,1为两个相互独立的随机函数[4]-【5】。

依据微粒算法的进化表达式，所涉及到的算法参数为：（1）群体规模。群体规模大小与算法速度成反向关系，而与微粒的最优适应值出现概率成正向关系，因此，合理的群体规模将会影响到算法结果的准确性。【6】依据函数测试的特点，对企业创新能力评价研究群体规模取为100。（2）惯性权重。作为微粒速度的一个重要函数，使算法在解空间寻找新的区域以保证算法随进化代数增加得出更优的适应值。企业创新能力评价中的表达式设定为随迭代代数逐步减少的线性函数，使进化方程在初期具有较强的全局收敛能力，在晚期具有较强的局部收敛能力，具体表现为w(t)=0.9-0.5×t/最大进化代数。（3）加速度常数C1、C2。若C1=0，该算法失去认知能力，若C2=0，微粒间无信息共享而失去社会认知能力。因此本文设定C1=C2=2。（4）最大进化代数（N）。该参数决定了算法寻优的效果，N越大，则寻优效果越好。本文取N=1000。

2 企业创新能力评价指标体系

企业创新能力，一般来说是指企业依靠着自己所拥有的资源来实现产品性能、技术方面的突破，以支撑企业的发展和壮大，在行业中起到一定程度的引领作用[7]。从企业角度来说，其创新能力是企业多种资源，多种能力复合的结果，包括企业对所拥有资源的掌握和运用能力，创新能力得到实现的载体能力和环境能力，成果创新能力和市场适应能力等。通过对不同企业的问卷调查和分析，将企业创新能力指标进行划分，得到如表1所示的创新指标体系。

表1 企业创新能力指标体系

3 企业创新能力模糊综合评价

3.1 指标隶属度的确定

依据表1中设定的企业创新能力指标体系，主要体现为差异性量纲及量纲单位，为消除由此差异所造成的不可公度性，以便于后续工作的计算，则对评价指标进行有效的转化。在转化过程中，用指标值与所有指标值中最优值进行比较构造出单价矩阵。在表一的评价指标中，一部分体现为正向指标，如企业拥有资金数量（x4），企业开发专利或非专利数量（x17）等，一部分体现为适度性指标，如企业进行创新活动的人数（x2），企业投入创新研究资金数量（x5）等。因而采用以下转换模型进行分析：【8】

正向指标的隶属度确定模型：

适度性指标隶属度模型：

其中Rij为第i个企业第j项指标评价值，xij为第i个企业第j项指标的原值数据值，xmaxj、xavej、xminj分别为各项指标下的最大值、平均值和最小值。

3.2 创新能力评价指标权重的计算

在指标权重计算方面，常用的方法有层次分析法、德尔菲法、主观赋值法，这些常用方法带有较强的主观性。而对企业创新能力指标权重的计算，为减少其主观因素的影响程度，采用与最优和最劣对象距离之和最小为目标的主观赋权法进行。

3.3 模糊综合评价模型

依据所计算的隶属度及指标权重，采用模糊综合评判模型进行创新能力评价，其模型为：

其中“∘”为模糊运算符，模糊综合评价模型随着运算符的变化而变化，文章采用模型其中“ ∙”为实数乘法，“⊕”为有上界求和。

4 应用实例

依据统计调查，本文选取靠近成都市三环四个方向（东、西、南、北）各两家典型企业数据作为实例，在选取实例中，不考虑（1）企业成立时间差异对创新的影响；（2）企业类型和规模差异对创新的影响；（3）行业差别对企业创新的影响。对于统计调查所得原始数据暂不列出，通过对八家企业进行的问卷调查所得结果运用模糊隶属赋值方法对所得数据进行无量纲处理，依据前文中权重确定的方法[9],应用微粒算法计算得到权重。

在用微粒算法计算时，其相关参数确定为m=100，w采用线性迭代函数，C1=C2=2.0，N=1000。因此对企业创新能力评价计算以企业人力资源为例计算。企业创新人力资源无量纲矩阵

依据R人力矩阵，以与最优和最劣对象距离之和最小为目标，运用微粒算法得到其指标权重为则8个企业人力资源综合评价结果为：

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)以此类推得到其他指标一级综合评价结果如表2:

表2 一级综合评价结果

在一级综合评价基础上，运用同样方法进行二级综合评价，得到其权重向量分别为：w资源=(0.4793,0.5207，)得到二级综合评价如表3：

表3 二级综合评价结果

在二级综合评价基础上进行三级综合评价，其评价方法同法。三级综合评价的权重向量w=(0.2347,0.2041,0.1321,0.2603,0.1688，)则得到所选取企业创新能力评价结果为：B=（0.6199,0.7064,0.2175,0.2352,0.5115,0.4784,0.2523,0.3209）。由最终评价结果来看，英特尔（外资）其创新能力最强（0.7064），其次是迪康药业（0.6199），而红旗连锁的创新能力在综合评价中最弱（0.2175），其原因在于电子产品的行业性质决定其创新能力为其生存之本，而红旗连锁作为第三产业零售商，主要集中于服务而不是产品生产。这与目前实际中企业创新能力的评价和认识具有一致性。

5 结束语

对于企业创新能力的评价指标具有很大程度上的模糊性，因而为运用模糊综合评价制造了条件，且实际可行，文章通过微粒群算法的学习能力，利用所得数据中包含的信息内容确定其评价权重，减少了主观性的影响，增加创新能力评价的客观性，并运用对成都不同方位的企业调查数据进行了实证分析，说明了该方法的科学合理性。但在运用该方法进行企业创新能力评价时应注意（1）企业创新能力评价指标受到行业差别、地域差别的影响，在指标设置中应尽可能使得评价对象具有可比性；（2）微粒群算法的参数设置对评价结果有一定影响，在具体评价过程中结合评价企业类型及数量进行参数的设定。

[1]徐冠华.把推动科技自主创新摆在全部科技评价工作的突出位置[J].中国软科学，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]谢晓峰,张文俊,杨之廉.微粒群算法综述[J].控制与决策,2003,18(2).

[8]李洪兴等.工程模糊数学方法及应用[M].天津:天津科学技术出版社,1991.

[9]郭华平，管良坤.企业业绩评价指标体系构建及实证检验[J].求索，2011，（1）.

[10]张克勇.精通MARTLAB6.5版[M].北京：北京航天航空大学出版社，2003.