集群企业协同创新伙伴选择研究——基于知识能力的评价指标体系和改进的ELMAN神经网络模型

(.太原理工大学 经济管理学院,山西 太原 03004; .山西财经大学 公共管理学院,山西 太原 030006)

1 引言

进入21世纪以来，产业集群这种介于企业和市场之间的经济组织形态愈发表现出对中国经济的巨大推动作用，同时产业集群作为区域创新引擎的重要地位也日趋显著。总体上看，产业集群内企业间存在多种类型的复杂关系，使集群从杂乱、零散状态逐渐走向有序化和系统化。而协同创新正是集群内复杂关系的一种重要形态，这种合作有利于分散企业资金压力和创新风险，特别是能够为合作企业带来技术累积效应和知识扩散效应[1～3]。此外，国外相关研究发现企业协同创新失败率大多在50%至60%之间[4～6]。Bronder和Pritzl[7]通过进一步研究认为，不恰当的伙伴选择是造成创新合作失败的一个重要原因。Mccalman等[8]进一步指出，选择不适当的伙伴很可能比单打独斗面临更高的创新风险。因此，制定一套科学的合作伙伴选择方法是集群企业间开展协同创新活动的前提。

目前关于企业协同创新伙伴选择的研究大体集中在两个方面。一是影响因素与指标体系设计。Li等[9]基于1159个研发联盟的数据，将潜在的合作伙伴划分为朋友、熟人和陌生人，研究了信任因素对企业合作伙伴评价的影响。Geum等[10]回顾了成功的研发合作开发伙伴选择标准的要素，利用美国专利和商标局(USPTO)和ISI Web数据库信息进行分析，设计了一个融合4大类14个指标的评价体系。张敬文等[11]在对协同创新伙伴技术生态位进行分析的基础上，构建基于技术生态位的联盟协同创新伙伴评价指标体系。二是评价测算方法研究。Liu等[12]将BP神经网络应用于集群企业知识共享伙伴选择过程中。Yoon和Song[13]利用专利信息数据生成拓扑图，然后采用文本挖掘技术确定合作必要的技术，最终通过计算确定潜在的合作伙伴。李柏洲和尹士[14]构建基于一致性的企业创新合作伙伴选择评价法，一定程度上解决了组合评价结论的非一致性问题。

综上所述，相关研究主要集中在影响因素与指标体系设计、评价测算方法研究两个方面。然而在指标体系设计方面，知识能力因素对于集群企业间协同创新伙伴选择的重要性尚未引起学术界足够重视。Fusfeld和Haklisch[15]认为各合作方通过协同创新整合知识资源可以得到自身不具备的知识与技能。借鉴已有研究成果，本文认为：知识的互补兼容、吸收、转化、创新等知识能力因素，是集群企业协同创新的主要动机和成功的关键因素。因此，本文从知识能力视角出发构建集群企业协同创新伙伴评价指标体系。评价测算方法研究方面，目前主要分两大类：一是主观赋权法，如层次分析法(AHP)、TOPSIS法等；二是客观赋权法，如模糊综合评价法(FSE)、灰色关联度法(GRA)、人工智能算法等。主观赋权法结果受人的影响较大，而客观赋权法通过数学或物理学方法计算指标权重，相对更加中性。作为客观赋权法里的常用方法，人工智能算法通过软件编程计算指标权重，因此更为简便和精确。在人工智能算法众多类型中，神经网络算法具有非线性自适应学习能力，在处理不完整或含糊信息等复杂情况下表现出独特优势。按照网络中信息流动方向，神经网络可以划分成前向型和反馈型，而ELMAN神经网络是一种典型的反馈型神经网络，拥有强大的知识记忆与处理能力，可以通过对已有评价信息的学习，模拟人的直觉思维，对各目标重要性进行自我识别与优化，最终得出合理的评估结果。为增强指标体系和测算方法的匹配性，本文拟合并调整ELMAN神经网络结构，调节相关参数以改进网络学习算法，并将其应用于集群企业协同创新伙伴的测度。

2 基于知识能力的集群企业协同创新伙伴评价指标体系构建

在协同创新过程中，知识能力使集群企业可以吸收和转化合作企业的知识资源，促进知识共享、流动和升级，提升合作企业知识的潜在价值，促进协同创新成果获得。集群企业协同创新伙伴选择的关键是相关主体间的适配度。从协同创新联盟的核心企业角度而言，需要选择具有较大知识互补性的企业，其能够为核心企业带来所需要的知识储备、技术能力和人力资源等，能够有效降低创新的不确定性。指标体系设计时应坚持3C原则，即兼容性(compatibility)、能力(capablity)、承诺(commitment)，充分考虑备选对象与核心企业在技术、知识等方面的兼容性，核心技术创新能力上的互补性，声誉以及在资源投入上的积极性，以期最大限度地实现创新上的协同效应。

2.1 指标体系构建原则

在现有协同创新伙伴选择和知识能力的相关研究基础上，结合本文研究目的，按照以下原则确定指标体系。(1)科学性: 选择的指标要符合集群企业的客观规律，指标概念准确、简明、清楚，便于收集、计算和评估。(2)重要性：突出知识能力和研发资源指标，忽略与本研究关联度不大的指标。(3)系统性：尽可能体现整体性、动态性，从多个角度反映备选集群企业的综合情况。(4)可比性：评价指标的范围、计算评估方法应保持一致或至少稳定，突出评价结果的可对比性。(5)定量和定性相结合: 基于知识能力的集群企业部分情况只能以定性指标来辅助描述，并加入定量指标，与之互为补充、相辅相成。

2.2 指标体系的构建

通过总结梳理国内外相关研究成果[16～25]，借鉴学术界成熟量表，结合本文研究目的，突出知识属性的重要性，进一步筛选核心指标并修正完善，构建指标体系。第一，准则层。包含知识能力、研发资源、合作情况。第二，指标层。知识能力包含知识互补兼容性、知识吸收能力、知识转化能力、知识创新能力；研发资源包含研发人员数量、研发人员素质、研发设备水平、研发投入；合作情况包含集群内合作次数、集群内合作态度、集群内合作声誉、集群内地理位置。第三，指标性质和测量方法。知识能力方面，知识创新能力是定量指标，用同一时间企业技术创新成果个数表示，个数越多代表创新能力越强；知识互补兼容性、知识吸收能力、知识转化能力是定性指标，分为5个等级：很弱、弱、一般、强、很强，对应赋值(1、3、5、7、9)。研发资源方面，研发人员数量、研发人员素质、研发设备水平、研发投入都是定量指标；研发投入用科研人员人均科研经费(万元/人)表示，人均经费越高说明投入越多；研发人员数量用同一时间企业科研人员数量表示；研发设备水平用企业研发设备折算资金(万元)表示，价值越高说明设备水平越高；研发人员素质用企业科研人员平均受教育年限表示，时间越长代表素质越高。合作情况方面，集群内合作次数是定量指标，用以往和本企业合作次数表示；集群内合作态度、集群内合作声誉是定性指标，分为5个等级，对应赋值同上；集群内地理位置适合程度是定性指标，考虑在产业集群所在地域范围内离核心主导企业距离越近越合适，分三个等级：不合适、基本合适、很合适，对应赋值(3、6、9)。

3 基于改进的ELMAN神经网络的集群企业协同创新伙伴评价模型构建

3.1 ELMAN神经网络原理

3.1.1 ELMAN神经网络结构的特点

ELMAN神经网络是Elman[26]在进行语音信息处理时提出的，该网络模型是局部反馈网络，它把一个承接层加入到神经网络的隐含层中，并从隐含层到承接层形成局部反馈，从而形成了具有延迟记忆功能的单元。因此，由于ELMAN神经网络可以存储内部状态，可以适应时变特性，具备了映射系统动态特征的能力。承接层单元起到存储隐含层单元前一时刻的输出值的作用，这种结构使该网络可以识别时变模式，并能够以极高的精度逼近任意函数，但其隐含层需要具有足够数量的神经元。目前在学术界应用较多的BP神经网络是一种典型的前向型神经网络，理论上来说，ELMAN神经网络较BP神经网络而言，不易落入局部最小，且收敛速度也较快。

3.1.2 ELMAN神经网络的数学模型

该网络的非线性表达式为

隐含层：h(k)=f(w1x(k-1)+w2hc(k))

(1)

承接层：hc(k)=h(k-1)

(2)

输出层：y(k)=g(w3h(k))

(3)

其中g(·)为输出层的传递函数，f(·)是隐含层的传递函数。w1为输入层和隐含层神经元之间的连接权矩阵，w2为隐含层和承接层神经元之间的连接权矩阵，w3为隐含层和输出层神经元之间的连接权矩阵。x表示r维输入向量，y表示m维输出向量，h表示n维隐含层节点向量，hc表示n维反馈状态向量。

一般用pureline函数(纯线性函数)作为输出层的传递函数，tansig函数作为隐含层的传递函数，其表达式为

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

(4)

3.1.3 ELMAN神经网络的学习算法

使用梯度下降法作为网络中连接权矩阵的学习算法，公式如下

(5)

采用误差平方和函数作为网络学习指标函数，公式如下

(6)

3.1.4 ELMAN神经网络的运行步骤

运行步骤如图1所示

图1 ELMAN神经网络的运行步骤

3.2 模型结构设计

3.3 模型算法设计

第1步初始化ELMAN神经网络连接权矩阵w1、w2、w3。

第2步在网络的输入层依次导入P个训练样本Xi=(xi1,xi2,…,xi12)，输出层对应期望目标输出值Yi=(y1,y2,…,yi)，i为[1,p]之间的正整数。

第3步计算隐含层、承接层和输出层的输出值，公式(1)～(3)。

第4步调节连接权矩阵w1、w2、w3。

①从输入层至隐含层的连接权矩阵w1的调节公式

=-e(k)g′(w3h(k))·

w3f′(w2h(k-1)+w1(x(k-1)))x(k-1)

(7)

即可得连接权矩阵w1的第t+1次调节公式

w1(t+1)=w1(t)+ηe(k)w3x(k-1)·

g′(w3h(k))f′(w2h(k-1)+w1(x(k-1)))

(8)

②从承接层至隐含层的连接权矩阵w2的调节公式

=-e(k)g′(w3h(k))·

w3f′(w2h(k-1)+w1(x(k-1)))h(k-1)

(9)

即可得连接权矩阵w2的第t+1次调节公式

w2(t+1)=w2(t)+ηe(k)w3h(k-1)·

g′(w3h(k))f′(w2h(k-1)+w1(x(k-1)))

(10)

③从隐含层至输出层的连接权矩阵w3的调节公式

(11)

即可得连接权矩阵w3的第t+1次调节公式

w3(t+1)=w3(t)+ηe(k)h(k)g′(w3h(k))

(12)

第5步学习算法的进一步改进

为进一步提高网络的学习性能，自适应改变各参数的学习率以加快收敛速度，并使用附加动量法来抑制振荡。

①自适应改变各参数的学习速率

η(t+1)=η(t)+ε(E(t)-E(t-1))/E(t-1)

(13)

其中ε为权值学习的自适应改变速率，0<ε<1，E(t)代表第t次的学习指标函数。

②附加动量项

为达到增大学习速率的同时能够抑制振荡的目的，在(5)式中增加一个阻尼项，公式如下

(14)

其中α被称作阻尼系数，α[W(t)-W(t-1)]代表阻尼项。

经过以上计算，神经网络不断迭代并逐步优化，直到网络的实际输出值与期望目标值之间的误差达到设定的网络学习指标函数精度要求，此时ELMAN神经网络满足应用要求。

4 实例应用与分析

选取山西省某市级工业园区作为数据采集地，调查方法为问卷调查，调查时间为2018年12月至2019年3月，调查方式为邮寄发放和上门面谈。调查步骤为：首先，选择一个研发资金雄厚、产品附加值高的企业，作为未来形成的集群企业协同创新联盟的核心企业。然后，设计基于知识能力的集群企业协同创新评价指标体系为基础的量表，并发放问卷收集数据。最后，组建包含集群内非关联企业的管理者、技术专家和高校专家的评价小组，并确定企业综合评价值。调研共发放问卷107份，回收问卷59份，剔除无效问卷后，有效问卷50份。对有效问卷数据进行标准化处理，将50家企业的12项数据作为ELMAN神经网络的输入值，对应的企业综合评价值作为期望目标输出值。用MATLAB 2014a软件进行编程和运行，网络输出值就是模型计算出的最终结果。

本文采用如下标准化数据处理公式

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

(15)

经标准化处理后的原始数据如表1所示。

表1 经过标准化处理后的50家企业的原始数据

将表1中前45家企业数据作为ELMAN神经网络训练样本的输入向量，将对应的综合评价值作为神经网络训练样本的目标输出向量，用以训练网络各层的权值，训练次数设定为1000次，训练精度设定为0.001。同理调用BP神经网络，训练样本及输入和输出数据作同样处理，网络收敛情况如图2和图3所示。

如图2和图3所示，在同样试验环境下达到收敛，BP神经网络迭代了930多次，而ELMAN神经网络只迭代560多次，明显用时较少。

图2 BP神经网络训练收敛

图3 改进的ElMAN神经网络训练收敛

为更加直观地比较训练好的两种神经网络性能，将最后5家企业数据作为测试数据，命名为T1～T5，带入仿真环境下进行检测和对比。在MATLAB2014a的工具箱中点击“Simulate”并输入数据，改进的ELMAN神经网络评价结果如图4所示。

由图4可以看出5个测试样本得分在0.8以上的只有T1和T3，T3评价值最高，可以列为核心企业的首选协同创新伙伴，T1评价值排位仅次于T3,可作为次选协同创新伙伴。测试结果表明产业集群内核心企业在选择协同创新伙伴时，在知识互补兼容性、知识吸收能力、知识转化能力、知识创新能力方面表现好的企业，适合作为核心企业的协同创新伙伴。充分说明本文构建的基于知识能力的集群企业协同创新伙伴选择指标体系和计算方法的有效性。测试结果符合我们在入企面谈调研时的直观感受。

图4 改进的ELMAN神经网络测试企业数据得分

为进一步验证本文提出的改进的ELMAN神经网络算法的优良性能，将其与BP神经网络算法测试结果和误差进行对比。

表2 改进的ElMAN和BP神经网络测试结果及误差

从表2中也可以看出，改进的ElMAN神经网络算法的评价误差绝对值小于BP神经网络。

实证结果说明，本文构建的基于知识能力的伙伴选择评价指标体系，可以为核心企业选出开展协同创新活动所需要的合作伙伴；本文改进的ElMAN神经网络算法相较于BP神经网络算法，在评价测算时，计算速度更快、精度更高。因此，本文提出的方法可为一般的多元主体合作创新伙伴选择问题提供比较准确的参考。

5 结论与建议

5.1 研究结论

本文构建了基于知识能力的集群企业协同创新伙伴选择评价指标体系，提出了改进的ElMAN神经网络模型，并将其应用于上述指标体系下的备选合作企业的评价测度。实证结果表明，该模型相较于BP神经网络模型，训练时间短、计算精度高。总体而言，本文提出的方法充分考虑了知识能力对于集群企业协同创新的重要性，为知识经济时代下集群企业科学选择协同创新伙伴提供了一种新思路。

5.2 管理建议

从本文实证研究过程可以看出，伙伴选择流程对最终评价结果具有重要影响，因此有必要规范相关流程，根据需要及时调整战略目标，形成正反馈选择机制。调研中还发现，集群企业间普遍存在竞争和合作关系，部分企业对协同创新持怀疑和观望态度，因此增强合作意愿有利于提高集群企业参与协同创新的积极性。无论是从核心企业自身出发，还是从处理好与合作伙伴关系角度出发，完善保障机制对伙伴关系深化乃至协同创新的成功至关重要。

(1)规范选择流程。首先，核心企业对自身物质资源、技术储备、创新能力等进行综合分析研判基础上，制定协同创新的明确战略目标，并对目标及具体项目进行分解。其次，根据已经制定的目标，确定所需要的知识、资源和能力组合及合作方式。最后，对协同创新的备选伙伴进行评估，确定合作企业伙伴。如无合格伙伴，则扩大选择范围或进一步对目标或项目修正调整，重新启动伙伴选择流程，直到最终选出与核心企业最匹配的合作方。

(2)增强合作意愿。依托园区管委会、行业协会等组织，定期开展集群企业间的技术观摩和研讨交流活动，举办科技成果推介会和评比表彰活动，促进集群企业间不断沟通和交流，增进彼此间互信。集中报道一批协同创新的成功企业和先进人物的光荣事迹，在产业集群内树立和营造尊重知识、崇尚创新、诚信合作的文化氛围。

(3)完善保障机制。参考美国《拜杜法案》、《国家合作研究法》等国外发达国家成熟的法律法规，探索建立适合中国集群企业协同创新的法律制度体系。制定公平公正的协同创新利益协调和风险防范机制。切实履行协同创新契约合同的法律效应，加大对寻租、搭便车等非法和不道德行为的惩罚。