基于Hopfield神经网络的企业创新能力评价*

□ 郭进超

(中山大学新华学院，广东 广州 510520)

1 引言

十九大以来我国经济发展步入提质增效的新时代，企业创新能力已成为产业转型升级和结构调整的首要动力。高新技术企业作为经济和科技发展紧密结合的重要载体，也是最主要的创新主体之一，其开展创新活动的水平和进展不但反映我国创新质量和效率的关键指标，而且也是评估创新驱动发展战略执行情况的主要手段。企业创新能力已经成为市场竞争的核心能力，是获得持续发展和竞争优势的筹码，因此，企业管理者应当对本企业的创新能力做出准确的评价，深刻理解和剖析企业创新能力的各项指标，会对本企业今后的发展和提升起到关键的作用。

企业创新能力(Enterprise Innovation Capability)是一个动态的过程，通常表现为资源投入能力、创新管理能力、创新激励能力以及创新实现能力。围绕企业创新能力的评价过程，目前不少国内外学者已对其进行了较为丰富的研究，评价方法主要包括AHP层次分析法、线性回归分析法、多因子回归分析等计量统计方法，在企业创新能力评价模型上已被广泛应用并取得了一定成效，但仍然存在很多不足的地方：①仅凭专家确定各项指标的权重及主观评判，因随意性大导致评估结果误差相对较大。②由于企业创新能力的因素较多且相互影响渗透，随着时间的推移动态发展，若用确定的传统数学模型进行假设计算，评价数据往往存在滞后性，获得的评价结果客观性较低。基于此，本文建立具有自我学习及训练功能的反馈性神经元网络——离散型Hopfield神经网络(简称DHNN)开展企业创新能力评价研究，以2017-2018年珠三角地区尤其是广州深圳科技创新走廊高新技术企业为样本，进行统计分析和实证研究。仿真结果表明，本模型能有效解决大规模非线性分布数据的预测评估问题，能够为政府决策者和企业管理人员提供参考。

2 研究方法

2.1 Hopfield神经网络概述

离散型Hopfield神经网络是一种典型的基于动力系统全连接的反馈型神经网络[5]，相对前馈神经网络来说，它具有更加强大的学习能力和自我训练的功能，即使在数据不完整和外界干扰的情形下，仍然具有自适应、自学习的联想记忆能力，并且可以识别和分辨各类事物。Hopfield神经网络是一种单层二值神经元的循环网络，从系统输出到输入过程都有动态反馈，其拓扑结构如图1所示。

图1 离散Hopfield网络结构

由图1可知，模拟生物神经网络原理，把第0层作为拓扑网络结构的输入层，是原始代码的输入端口，通常代表若干个已假设好的研究指标，并且以神经元的形式存在。将第0层输入的量化指标与权重的乘积求和，第1层神经元开始执行运算任务，主要通过非线性阈值函数f处理数据，输出结果为相对应的阈值。神经元本身无法连接，但神经元之间通过wij的连接权值联结，并且利用阈值函数通过突触权值将信息传递给每一个神经元，因此，离散型Hopfield神经网络是一个单层输出为二值的反馈型神经网络。通过阈值函数输出两种不同状态：1(激活状态)或-1(抑制状态)，如果神经元输出结果大于阈值，则神经元的输出值为1，表示该企业创新能力强劲；如果小于阈值，那么神经元的输出值为-1，表示该企业创新能力状况不佳。

类似于人类的大脑功能，Hopfield神经网络学习与记忆活动是通过输入线性或非线性的矢量集，通常为各种类型n维企业数据样本，经过模型学习训练后再输出稳定状态的矢量集。实现上述过程需要经历学习训练和联想记忆两个阶段，即输入外界数据后，Hopfield网络系统会自行调节连接权值wij，经过联想记忆一系列的演化过程，最终达到稳定平衡的状态。其运行过程主要包括以下4个步骤：

步骤一，随机选取第0层网络结构中的神经元i ，计算其在t时刻的输入值：

(1)

式中，n为神经元的个数，神经元i到神经元j的连接权值为wij，yi表示外部输入，t时刻某个神经元的阈值为gi，其中xi(t)的表达式为：

(2)

步骤二，求出网络中神经元i在t+1时刻的值Bi(t+1)。按照时间节点的稳步推进，由连接权wij和阈值gi的参数值决定网络的运行状态。式中，Bi(t)可由步骤二得出，若Bi(t+1)为1则表示企业创新能力强劲，若Bi(t+1)为-1则表示企业创新能力状况不佳。具体运算公式如下：

(3)

步骤三，评判离散型Hopfield神经网络是否已经趋向稳定状态。网络神经元稳定状态是从某一时刻t算起，若其状态不会再发生变化，则可认定其已经达到稳定状态，即：

Bi(t+1)=Bi(t)

(4)

最后，如果网络已经趋向稳定状态，则输出Bi(t+1)；否则返回步骤一，直到该网络达到稳定状态才停止循环。

2.2 Hopfield神经网络评价模型步骤

企业创新能力评价是一种分类问题，因此需要建立评价指标体系并收集相关的数据，然后采用上述的数学算法构建模型，最后运用仿真系统对数据进行分析处理，力求得到客观准确的评价结果。基本的评价流程见图2所示。

图2 模型构建流程图

3 实证分析

3.1 评价指标的选取及得分

从珠三角地区主要是广深科创走廊选取了25 家有代表性的高新技术企业数据，随机抽取其中的20个数据样本作为学习训练的材料，余下的5个数据样本作为检验指标，根据现有研究文献成果的基础上，本文将评价指标体系划分为反映企业创新能力的资源投入能力(A1)、创新管理能力(A2)、创新激励能力(A3)以及创新实现能力(A4)的4大类指标，共包含9项指标见表1所示。由于有些指标数据获取较难，样本的指标只选取研究经费(B1)、科研人员比例(B2)、技术研发能力(B3)、产品设计能力(B4)、生产制造能力(B5)、营销能力(B6)、创新产出效益(B7)、成果转化能力(B8)以及创新激励能力(B9)共9项指标。

经过10位专家及前往相关企业进行实地调研并收集数据，利用Delphi专家调查法对企业创新能力等级进行访谈及有效评价。评价结果分为五个等级：优秀(Ⅰ)、良好(Ⅱ)、一般(Ⅲ)、及格(Ⅳ)和不及格(Ⅴ)，级别越高，创新动力越弱。具体结果如表1所示：

表1 企业各项指标分数

3.2 理想评价指标编码

根据上文对离散型Hopfield神经网络定义，神经元的状态采用数值1和-1来表示，因此，根据实际情况建立起来的各项有效评价指标，采用一定规则对神经元所处的状态进行编码。编码规则的主要形式为：根据前面所设定的阈值，以参考值为某项等级的评价指标的比较项，若待评价指标值大于参考值，则映射出来的神经元状态为“1”，用符号“●”的形式表示；反之则设置为“-1”，以符号“○”的形式表示。以下为5个理想的等级评价指标得分及编码，如下表2和图3所示：

表2 五个等级理想的评价指标

图3 理想的5个等级评价指标编码

3.3 待分类的企业评价指标编码

依据表3数据，把待评价的5家企业的指标值进行有效编码，如图4 所示：把5所待分类的高校的等级评价指标根据编码规则设置相应的编码。也就是把待评价的数据根据上述编码规则进行编码并保存在sim.mat文件中。

表3 待分类的企业等级评价指标

图4 五家待分类的企业等级评价指标编码

创建好神经元平衡点P后，利用Matlab神经网络工具箱函数newhop建立离散型Hopfield网络函数net=newhop(P)，然后把待评价指标的编码输入，经过自身多次反复训练和学习记忆，最终输出相应的仿真实验结果，如图5所示。

图5 评价指标仿真结果

4 研究结论

本文基于具有学习记忆功能的反馈型离散神经网络开展高新技术企业创新能力评价研究，在30个企业中随机选取了25个企业数据用于创建神经元拓扑网络，把余下的5个企业数据作为测试数据进行评判，且进行多次学习训练。实验结果显示：第一，创新仍然局限在少数企业，如华为、中兴、腾讯等高新技术企业，投入和产出比质量都落后于欧美一些先进国家；其次，目前企业创新的经济效益还不太显著，对企业利润的贡献率有待提高；最后，同一经济区域内不同企业制度、不同规模以及不同行业间的创新能力差距较大，如国企的创新动力不如股份制私企。在研究中，本文设定的等级指标和分值仍然需要借助人工的主观评判处理相关数据，导致数据的滞后性和成本较高，因此，在下一阶段的研究中将考虑设计借助企业历史数据迭代求解典型理想等级的阈值，进一步提高模型的智能性和自适应性。