科技型中小企业集群创新合作伙伴的选择——基于FCE与AHP的视角

冯朝军

(重庆电子工程职业学院 管理学院，重庆 401331)

一、引言

近年来，随着宏观经济增长速度由高速转向中高速发展，我国经济发展进入了“新常态”[1]，面对经济增长速度持续下行的压力以及供给侧改革的不断深入，我国企业的创新发展也面临着新的机遇和挑战。在“大众创业、万众创新”的时代背景下，作为企业群体中最具创新活力的广大科技型中小企业，对于推动国家宏观经济的发展、增加就业、实现国家产业结构的调整和促进科技成果产业化等方面发挥着不可估量的作用[2]。由于广大的科技型中小企业与生俱有的高投入、高风险、高成长和高收益等特点，在企业的发展过程中，单靠自身的资源和优势难以实现短期内的跨越式发展，必须和一定区域内的相关企业、高等院校和科研院所等单位紧密结合，利用集群的优势进行集群创新，进而实现优势互补和资源共享[3]。在当今时代世界经济一体化的条件下，企业之间的合作与竞争为企业共生提供了实现条件和物质基础，同时也将集群内企业的合作关系推向了新的阶段。在集群创新的过程中，中小企业如何充分利用外部资源，选择合适的合作伙伴，对于提高企业在合作中的竞争能力，保证创新活动的顺利开展具有重要意义。

二、企业合作伙伴选择的基本条件

集群创新的运作形式主要表现为合作创新，企业进行合作创新的一个关键问题就是关于合作伙伴的选择，合作伙伴选择的恰当程度直接影响到企业的创新效果和创新绩效，因此中小企业对合作伙伴的选择需要把握以下几点[4]：

第一，合作者必须具有积极的态度。企业潜在的合作伙伴必须对合作创新持积极的态度，对参与合作的各方必须怀有极大的热情和诚意，同时，对合作的创新项目要有浓厚的兴趣，在创新过程中要保证在时间、精力和创新资源方面的投入，这是企业进行合作创新的首要条件，也是合作创新能否顺利开展的前提和基础。

第二，合作者必须具有一定的创新能力。企业潜在的合作伙伴必须具备一定的创新能力，这是合作创新取得成功的前提条件，因为参与合作创新的企业需要从伙伴那里得到某些方面的协助和支撑，并且创新资源能够得到相互补充，如果合作者的一方的意愿总是无法得到满足，那么合作也就失去了意义。

第三，合作双方的目标必须相一致。企业潜在的合作伙伴的创新目标必须与本企业相一致，这样才能保证合作双方在共同的目标的指引下朝着同一个方向努力。目标的相互协同有利于组织的稳定，在创新过程中能够减少资源的浪费，促进合作达到预期的效果。

第四，合作双方必须有文化的相容性。在企业选择合作伙伴时，必须充分了解各方的文化上所存在的差异以及这些差异的可控性，只有合作双方在文化上的彼此认同，才能够在一定程度上降低合作过程中潜在的风险。只要合作双方能够适应对方的文化，能够互相尊重、求同存异，在合作过程中，相互学习和借鉴对方的优点，这样也有助于实现自身文化的提升，双方的合作会更加顺利[5]。

第五，合作者必须要有诚信。诚信是一个企业立身行事的根本，在企业的合作过程中尤为重要。如果潜在的合作者为追求自身的利益，不能够信守诺言，为了一方的私利而不择手段，那么合作也就失去了必要性。

因此，对合作伙伴的选择是集群创新过程中重要的一环，直接关系到创新活动的成败，企业在选择合作伙伴时必须把握好以上几项原则，只有选择了合适的合作伙伴，在合作过程中才能够彼此间达到默契，发挥集群创新的优势。

三、企业合作伙伴的选择

企业能够选择好合适的合作伙伴，是集群创新活动中各创新主体之间合作竞争进入实质性阶段的基础。对创新合作伙伴的选择是一个复杂的过程，需要考虑多种因素，如果仅仅用定性的方法来对合作伙伴进行评价，则主观性太强，容易造成评价结果的不准确。因此，企业应该根据自身的情况和创新网络的特点，采用定性和定量相结合的方法，采取适当的量化模型用以对潜在合作伙伴的创新能力进行综合评价。

目前常用的综合评价方法有很多，比如层次分析法、数据包络分析法、人工神经网络评价法、灰色综合评价法和模糊综合评价法等，这些评价方法各有所长，适用于不同的背景和条件。由于企业对合作创新伙伴的选择具有不确定性，影响企业进行选择的很多因素都是模糊的，再加上主观原因，不同的人对于某些影响因素的褒奖不一，所以很难用精确的统计方法确定这些因素的具体判断值。所以本文通过采用层次分析法(AHP)与模糊综合评价法(FCE)相集成的综合评价模型，对潜在的合作伙伴进行综合评价。

1.评价指标体系的构建

为了科学合理地对潜在合作伙伴进行综合评价，需要在科学性、完整性、有效性和可操作性的原则基础上，建立一套客观而有科学的综合评价指标体系。结合企业选择合作伙伴的几个基本条件，根据模糊综合评价模型的需要，借鉴相关资料[6]，本文设计出如表 1 所示的评价指标体系。

该评价指标体系的目标层是潜在合作伙伴的合作潜力，主准则层大致分为五个方面，分别为现实创新能力、一致性、相容性、互补性和成长性，对于每一个方面，又可以进一步细分为若干项指标，本文将主准则层的五个大的指标细分为22个具体指标，这些细分具体指标构成分准则层。

表1 潜在合作伙伴合作潜力综合评价指标体系结构表

2.合作潜能的模糊综合评价模型

(1)模糊综合评价模型的构建

对于潜在合作伙伴合作潜力的评价，本文设计的评价指标体系属于一个三层体系，根据模糊评价理论，现将分准则层对主准则层的评判当作第一级评判，将主准则层对目标层的评判当作第二级评判，由此构建二级三层模糊综合评价模型[7]。具体操作步骤如下：

第一步， 首先将n个具体二级指标构成集合：U={U1，U2，…，Un}称作因素集(本文中n=22)；然后再将n个因素按其属性分作m个子集(本文中m=5)，满足条件：

Ui={ui1,ui2,…，uini}i=1，2，L，m

(1)

Ui∩Uj=φ，i，j=1，2，…，5且i≠j

第二步，对第一级指标进行评判，将因素集U的每一个子集Ui分别进行综合评判。

记V=(V1，V2，…，Vl)为评语集，l为评语的数目，Ui中各个指标因素的权数记作：

(2)

由此即可得到Ui的综合评判向量：VkBi=AiRi，i=1，2，…，m

(3)

本部分的中心工作在于模糊评价矩阵Ri的确定，此时可以做一个从因素集Ui到评语集V的一个模糊映射，如表 2 所示，其中rijk表示对某一评价对象作评价时，从因素集Ui中的第j个具体指标从属于第k种评语的模糊集的隶属度(其中i=1，2，…，m，j=1，2，…，ni，k=1，2，…，l)。

表2 因素集中个指标对应于中各评语的隶属度

这样便可得到模糊评价矩阵Ri：

然后，继续计算：Bi=Ai·Ri，i=1,2,…，m

(4)

第三步，开始对主准则层进行评判。此时，再将每一个Ui(i=1，2，…，m)看作一个因素，记作C={U1，U2，…，Um}，

(5)

此时C是一个因素集，它的模糊评价矩阵记作R，则

对于每一个Ui(i=1，2，…，m)，作为U的评价指标，根据其重要性，设计出其权重系数A=(a1，a2，…，am)，即可求出相对于主准则层的二级评判向量：

B=A·R=(b1，b2，…，bm)

(6)

记作Bk=max{b1，b2，…，bm} 即可得出对主准则层的模糊判断结果为Vk。

(2)在评判的过程中指标权重系数的确定

评价指标权重代表各项指标在评价指标集合中所占的比重，在评价的应用过程中具有重要的导向作用。在设定的指标体系下，指标权重的设置和改变将直接影响到评价的结果。在多指标评价体系中，由于各指标所代表的因素发展的不平衡性，导致各项指标的重要程度有所不同，为了能够区分不同的指标在评价过程中对结果的影响程度，需要事先对指标体系进行加权处理。在实际应用中加权处理方法较多，主要有定性的和定量等多种方法，如德尔菲法、功效系数法、层次分析法、寻踪投影法和变异权重法等，本文中采取定性和定量相结合的方法——层次分析法(AHP)来解决评价指标的权重问题[8]，其步骤如下：

① 构造两两比较判断矩阵。构造的两两比较判断矩阵在形式上是一个正互反矩阵，为了决定在指标体系中某层指标对上层指标的重要程度，首先需要行业专家对该层指标的重要程度进行两两比较，比较之后的结果就构成了判断矩阵[9]。为了将专家组对两项目指标的重要程度比较结果进行量化处理，本文采取经典的1～9 标度法进行表示，其数值的含义如表3所示：

表3 1～9标度法数字含义表

在1～9 标度法所构造的判断矩阵中，各元素的数值主要反映专家组对各因素的相对重要程度所进行的主观认识与比较。

② 计算单一准则下元素的相对权重。在1～9 标度法基础上根据特定的判断准则C构造出的两两比较判断矩阵A之后，计算得出此判断矩阵的最大特征根，同时得出最大特征根所对应的特征向量，然后将该特征向量采取归一化处理，归一化后的向量就可表示本层各项指标对上层某指标相对重要程度的权重向量，记作ω=(ω1，ω2，…，ωn)T。在模糊综合评价的应用方面，计算出对于每个上层元素的权重向量之后，再经过一致性检验，即可与模糊综合评价相结合来对合作伙伴进行评价。

若对于合作伙伴的各项评价指标值都是采取精确数值表示，就需要层层累进，计算出每项指标相对于总体目标的合成排序权重，对各层元素的局部权重再进行进一步的合成计算所得到，具体过程如下：

将计算出的第k-1层nk-1个元素相对于总体目标的排序权重向量记作：

(7)

第k层的nk个元素相对于第k-1层第j个元素的排序向量记作：

则P(k)为nk×nk-1阶矩阵，表示第k层元素相对于第k-1层各元素的重要性排序，则第k层元素相对于总目标的综合合成向量w(k)可以表示为：

(8)

(9)

且ω(k)=p(k)p(k-1)…p(3)ω(2)，此处ω(2)表示第二层元素对总体目标的排序向量。

3.两两比较矩阵一致性检验。

在理想状态下，如果专家在对指标的比较过程中，能够满足前后比较的一致性要求，判断矩阵只能计算出一个特征根，也是其最大特征根λmax=n，其余的特征根均为0，表明两两比较判断矩阵能够满足矩阵的正互反性质及一致性要求，但是，由于专家在对指标进行两两比较判断时，难以保证比较方法的前后一致性，若一致性不能够完全满足，其最大特征根λmax将不一定等于n，此时，只要矩阵无明显违背指标重要性的传递规律，则仍可采用λmax及其相应的ω来表示权重向量，但要求判断矩阵的一致性不可超过一定的限度，该一致性叫满意一致性，要达到此项要求，还需作矩阵的一致性检验：

(1)首先计算判断矩阵的最大特征值λmax，同时将其特征向量进行归一化处理，得到向量ω；

(2)然后计算一致性指标(ConsistencyIndex)

(3)对比一致性指标数值。由于随机性导致了一致性偏差，因此需要查验如表4所示的相应n的平均随机一致性指标R.I.(RondomIndex)[10]：

表4 随机一致性指标数值表

表4中数据显示，随着矩阵阶数的增大，一致性随机偏差的可能性也会增大，因此在检验判断矩阵的满意一致性时，需将计算出的一致性指标C.I.和平均随机一致性指标R.I.进行比较，从而计算出对应一致性比率C.R.(Consistency Rate),

(4)进行判断：若C.R.<0.1，即可认为判断矩阵的一致性可以接受，具有满意一致性；若C.R.>0.1，则可以认为判断矩阵不满足满意一致性，需要重新修正判断矩阵，从而确保一定程度上的满意一致性。

3.模糊综合评价法应用

根据本文中所设计的对合作伙伴合作潜力的评价指标体系，利用模糊综合评价方法，对某一潜在的合作伙伴进行评价。由于本部分的重心在与模糊综合评价方法的应用，考虑到层次分析法已经非常成熟，其各项指标的权重向量计算方法在本部分省略。

第一步，计算出相应的权重向量

总目标的五个一级指标的权重向量为：ω=(0.25，0.20，0.15，0.25，0.15)；

现实创新能力的5个二级指标的权重向量为：ω1=(0.20，0.20，0.15，0.25，0.20)；

一致性的4个二级指标的权重向量为：ω2=(0.30，0.25，0.20，0.25)；

相容性的4个二级指标的权重向量为：ω3=(0.25，0.20，0.35，0.20)；

互补性的4个二级指标的权重向量为：ω4=(0.35，0.20，0.30，0.15)；

成长性的5个二级指标的权重向量为：ω5=(0.30，0.20，0.15，0.15，0.20).

第二步，确定评语集：V=V1，V2，V3，V4，V5=(很好，较好，一般，较差，很差)。

第三步，邀请专家按照上述评语集对U1-U5中各项具体指标进行评价，本课题邀请了20位专家进行评价，根据专家的意见，将给出每项评语的专家人数占总专家人数的比重记作该项评语的得分，由此得到模糊评判矩阵为：

第四步，根据以上专家评出的矩阵进行综合，得到：

B1=ω1·R1=

(0.2575，0.23，0.20，0.215，0.0975)；

B2=ω2·R2=

(0.15，0.1975，0.245，0.2425，0.1275)；

B3=ω3·R3=

(0.175，0.14，0.22，0.23，0.235)；

B4=ω4·R4=

(0.1525，0.205，0.1675，0.27，0.165)；

B5=ω5·R5=

(0.2175，0.1775，0.2075，0.185，0.2125).

于是便可以得到主准则层的模糊评价矩阵：

所以，B=ωR=

(0.191375，0.184375，0.195，0.23155，0.15825)，

Bk=max{b1，b2，…，bm}=

max{0.191375，0.184375，0.195，0.23155，0.15825}

=0.23155=B4

所以，评价结果对评语V4的隶属度最大，即可以认为该潜在的合作伙伴的创新潜力较差。

四、结语