基于ABC-BP 混合算法的农业高新技术企业核心竞争力研究

马进琴，封成智，2，丁宏斌，杨 蕾，张小荣

（1.甘肃省生产力促进中心，甘肃 兰州 730000；2.甘肃农业大学 信息科学技术学院，甘肃 兰州 730070；3.甘肃省农业机械化技术推广总站，甘肃 兰州 730000）

一、引言

人工蜂群算法是2005 年由土耳其学者Karaboga D 和Akay B（2009）[1]提出的模拟蜜蜂群体采蜜的仿生智能计算方法，后来被广泛应用到通信工程、神经网络、数据挖掘、农田水利、电力系统、数值优化等多个领域[2]。自ABC 算法提出以来，已引起大量学者的关注并产生诸多科研成果，胡珂等（2011）[3]构造出具有引导趋势的蜂群算法，避免了局部最优解缺点，搜索性能明显提高；黄玲玲等（2012）[4]分析提出了集成差分进化算法和人工蜂群算法各自优势的混合算法；王志刚和夏慧明（2014）[5]将改进后的算法应用于求解多维背包问题，有效验证了算法的可行性。

BP 神经网络属于多层前馈神经网络中的一类。Wang X G 等（2004）[6]基于误差函数中隐藏层神经元的饱和度问题，提出新的公式，有效避免了陷入局部最优问题；Gao W（2003）[7]引入与进化计算相关理论，进而优化BP 神经网络算法；李杰和韩正之（2000）[8]设计了一个新的BP 神经网络学习函数，主要通过研究误差函数及其泛化能力，明显促进了网络的学习效果；李茂军等（2004）[9]提出把人工免疫算法与BP 神经网络相结合从而优化算法性能；彭喜元等（2003）[10]提出了BP 神经网络与ACO 算法相结合的改进融合算法。

伴随世界各国企业转型的大环境，知识经济应运而生，Prahalad C K 和Hamel G（1990）[11]提出“核心竞争力”的概念，此后各领域研究者将理论结合与各行各业实际，形成了不同的派别和观点。Klein等（1998）[12]认为个体优势碰撞后产生了核心竞争力，个体优势在核心竞争力中的作用不可或缺；周旭等（2007）[13]运用D-S 证据理论对BP 神经网络评价模型优化后对输出的结果调和，获得最终评价的结果；蔡彬（2010）[14]在对重点竞争力理论以及高新技术企业有关理论概括的根基上，创建出4 个评判要素、20 个评判目标的高新技术企业重点竞争力评判目标体制，规划是在L-M 算法的根基上更新BP 神经网络的评判办法以及评价程序。

AHTE 由核心的技术、投资、管理知识三大要素任意组合成突出的知识结构，这是企业知识创新的根本来源[15]。Babaev（2012）[16]研究了欧美发达国家农业生态发展，介绍了创新后AHTE 与生态农业发展的关系[17]。许桂红和朱瑞（2003）[18]对AHTE 的特点进行了总结，他认为AHTE 具有投入较高、风险大、高收益、创新性四大特点；桑晓靖（2008）[19]在理论基础上从融资、资本运营、技术创新、激励政策、风险防范机制等五个方面对AHTE 经营机制进行研究；孙养学（2006）[20]归纳了农业新技术企业成的特征，阐述AHTE 成长的本质并建立了AHTE 评价指标体系。

二、人工蜂群算法优化BP 神经网络（ABC-BP）模型

ABC-BP 网络模型即在BP 神经网络中引入ABC 算法，并将训练与调整BP 神经网络权值和阈值的方式由ABC 算法替换最速下降梯度算法。将群体智能算法中的经典算法ABC 融入到BP 神经网络中，提高ABC-BP 网络的全局搜索能力，加快算法的收敛速度，防止算法陷入局部极值。

（一）ABC-BP 网络模型流程

ABC-BP 神经网络模型的具体操作步骤为：

Step1：确定网络结构，初始化参数；

Step2：产生初始种群；

Step3：进入采蜜蜂阶段，计算适应度评估食物源质量，并更新食物源；

Step4：进入观察蜂阶段，根据每只观察蜂与食物源适应度值成比例的概率大小搜寻新的食物源，同时评估食物源质量，并判断是否需要更新当前食物源；

Step5：进入侦察蜂阶段，当搜索限制次数大于最大搜索限制次数时，立即放弃当前食物源，继续搜索全新的食物源；

Step6：判断是否满足终止条件（如iter＞maxCyc le）？若是，算法终止同时输出最优解，否则返回Step2；

Step7：将ABC 算法获取的最优解设置为BP 神经网络的权值和阈值，并运用该网络模型仿真实验。

ABC-BP 混合算法工作流程，如图1 所示。

图1 ABC-BP 神经网络混合算法流程图

（二）ABC-BP 网络模型优点

建立ABC-BP 神经网络模型后，分析发现该模型具有以下优点：

（1）避免网络陷入停滞状态，进而陷入局部极值。在引入ABC 算法之后，网络中权值和阈值调整的任务转而由三种角色的蜜蜂分工协作完成，在一定程度上避免了网络陷入停滞这一状态的产生，最终使得网络训练速率得到有效提高；

（2）改善了网络记忆不稳定导致的出现重复训练的情况。通常来说，BP 神经网络的记忆不固定又不稳定，这就会造成网络重复多次训练等的冗杂操作。根据ABC 算法原理，可知ABC 算法是一种具有良好记忆功能的优化算法，因为算法在每一次迭代更新后均会根据当前状态记录的最优解与上一次迭代产生的最优解作比较，从而记录截至目前产生的全局最优解。ABC-BP 神经网络模型正是将ABC算法结束后产生的全局最优解设为BP 神经网络的训练结果，该机制能有效地改善网络记忆不稳定导致的出现重复训练的情况；

（3）保证了网络权值和阈值的训练质量。通过分析ABC 算法的分工协作机制，将ABC 算法引入到BP 神经网络中，采用智能优化算法中的贪婪选择策略，使最优的解组成下一代的迭代群体。在ABC-BP 神经网络模型中，这样可以在加快ABC 算法的收敛速度的同时更提升了BP 神经网络的训练效率，同时“优胜劣汰”的种群竞争机制，进一步保证了网络权值和阈值的训练质量[21]。

三、农业高新技术企业核心竞争力指标体系构建

（一）评价指标体系构建影响因素

1.经济规模。经济规模是衡量AHTE 效益的关键指标，资产总额体现企业资源控制能力和水平，总收入反映企业营收实际状况和规模，利税总额反映企业的社会效益及总的经济效益水平。

2.研发能力。专业技术是AHTE 核心竞争力的立根之本，企业技术研制与生产加工水平的实际大小可作为企业衡量自身实际的发展进步能力的关键要素，在一定程度上直接影响着企业核心竞争力水平的标准与可连续性发展进步的发展潜力。研发的投入比例即反映了一个企业所能长期发展的资金水平和市场竞争力。通常而言，比例愈大，企业整体水平愈强。

3.管理创新。企业核心竞争力和公司的运营管理机制相互作用相互影响，一个企业的高效组织管理能力可以焕发并激起企业员工在不同组织改革创新活动的积极主动性。管理改革创新的每一个工作环节能密切与企业内部及外界之间联系起来，达到进一步交流沟通与合作的目的。当然，一个企业能保持管理改革创新的高效性和持久性，将会是保障该企业在其所在市场竞争领域长久领先的重要影响因素。

4.发展能力。从财务管理角度表现一个企业核心竞争力的影响因素，主要由资本效益率、融资综合能力、应收财务账目周转速率、成本利润率和存货周转速率综合来表现，以此来衡量企业的盈利水平和工作效率等水平。这些指标较好地反映发展能力强弱。

5.市场环境。市场环境都对企业的生存和发展产生着重要的影响，良好的市场环境对于AHTE 的发展起助推作用，糟糕的市场环境则会阻碍企业发展。市场环境包含众多不确定的因素，所以选取一些有代表性且易量化因素作为指标，包括品牌知名度、产业配套、行业资源等。

（二）评价指标体系构建内容

在严格遵循企业核心竞争力评价指标系统构建原则的基础上，在对企业核心竞争力评价判定基本要素、高新技术企业核心竞争力基本特征要素与五个组成分布维度等多个方面展开研究分析的基础之上根据标准系统综合系统设计根本原则需求，同时将国内外对企业评价判定标准系统的设计应用模式与思路相结合，构建评价指标体系，具体如表1 所示。

表1 AHTE 核心竞争力评价指标体系

（三）基于ABC-BP 网络模型评价及仿真

引入ABC 算法对BP 神经网络模型优化后，对AHTE 核心竞争力进行评价。基于ABC-BP 网络模型评价过程如下：

1.ABC-BP 网络模型结构的设计

（1）输入层设计。指标评价主要通过ABC-BP网络模型的输入层输入，将选取的标准化后的AHTE 评价指标数据与网络模型相结合，根据AHTE 核心竞争力的评价指标体系，设计将三级指标的28 个评价指标标准化之后，作为输入层的神经元，以实现AHTE 核心竞争力评价的目的。

（2）隐含层设计。对于神经网络隐含层节点数的选取是一个比较复杂的问题，它的选取直接影响训练结果的输出以及网络的稳健性。选取数量过大则导致网络学习时间过长，影响误差；选取数量过小则会影响网络训练的稳健性。目前主要参考经验公式（1）选取隐含层的节点数：

式（1）中，隐含层节点数目为N，输入节点数目为m，输出节点数目为n，a介于1～10 之间的常数。根据核心竞争力评价指标和网络训练精度，经过多次测试之后本文所设置的隐含层节点数目为15个。

（3）输出层设计。通过对AHTE 的核心竞争力进行定性分析，接着将选取的企业评价指标数据进行定量输入、输出，最后根据网络输出结果和所设置的评价级对企业核心竞争力进行定性评价。

本文为满足企业核心竞争力评价和神经网络输入的要求，设置相应的评价级以反映AHTE 核心竞争力的强弱，即分为（A+、A、B+、B、C+、C）等级。同时，为反映核心竞争力的强弱状态，进一步划分核心竞争力状态为强、较强、中等和弱四种。具体的企业核心竞争力等级和状态评价标准如表2 所示。

表2 企业核心竞争力等级和状态评价标准

2.本文所构建的ABC-BP 神经网络模型根据网络输出结果实现对AHTE 核心竞争力指标的评价。

（1）根据构建指标体系涉及的核心竞争力评价因素来分析、确定并收集测试样本，在这里的样本指的是所要评价的AHTE 评价指标值{x1}。指标值共计16 组，训练样本11 个，测试样本5 个；

（2）根据企业核心竞争力评价和神经网络输入的要求，对所确定的指标值进行标准化和无量纲化处理，并将处理后的指标值{x1}范围设置为[0，1]之间的数据；

（3）在网络中将处理过的{}作为输入值输入，同时根据所确定的权值Wij，确定各层神经元之间的权值Wij，不断地进行BP 网络学习训练；

（4）判断是否达到网络训练的收敛程度，衡量指标一般为所设置的训练误差是否达到目标精度；

（5）最后将网络学习训练得到的输出结果按照核心竞争力评价的指标等级进行评价。

在整个ABC-BP 神经网络模型结构的学习训练过程中，由于常规的神经网络结构比较复杂，因此对于神经网络的神经元输入节点数目、输出节点数目、神经元之间的传递函数以及学习训练次数等明确的规定方面，截至目前还未形成比较成熟的理论指导，以至于唯一的办法是经过大量的反复实验才可基本确定，于是对于神经网络在具体复杂实际中的应用则存在计算量巨大等亟待解决的问题。本研究使用MATALB 对ABC-BP 神经网络学习训练过程进行执行，这就在很大程度上能解决常规网络存在的诸多难以克服的问题，能进一步推动BP 神经网络和群体智能优化算法在不同应用领域研究。

四、实证研究

（一）AHTE 核心竞争力的平均数据选取

本研究分析选用甘肃省不相同地区、不相同行业领域的具有代表性的16 家AHTE 展开分析研究，16 家AHTE 简要概况如下表3 所示。

表3 16 家AHTE 概况

本研究首先选用11 家AHTE 作为网络学习样本，5 家AHTE 作为样本学习后的分析目标对象，验证ABC-BP 神经网络评价系统的高效实用性。指标中的除去可量化的定量指标外，其他定性指标应用采用德尔菲法，其中需要量化的指标有D23、D31、D32、D34、D35、D46、D51、D53、D54、D56。流程如下：

（1）根据要评价的对象涉及的领域，选用在农业经济管理、财务管理、企业核心竞争力方面有专业知识和丰富经验的10 名专家，组成专家组[14]。

（2）明确评价判定标准，做出评价判定标准的干扰因素与有关策略数据信息，综合系统设计了评价判定目标对象打分模式。

（3）最先一轮经过匿名模式征询各领域专家建议，每一个专家独立的对每家公司的定性指标标准展开打分，收集整理集合各位专家打分最终结果，并且将首轮打分最终结果信息反馈给打分专家组，在专家组展开探讨之后再次打分，一直到最终结果一致。

（4）通过多轮循环的征询与建议信息反馈之后，打分最终结果基本靠近，当最大分差小于等于总分的1%的时候，取平均有效数值作为最后评价判定最终结果。

（5）所得每个AHTE 的标准数值根据对应评价判定性影响因素集合，导入通过整理之后的数据信息D23、D31、D32、D34、D35、D46、D51、D53、D54、D56具体如表4所示。

为满足系统深度学习与模拟仿真需要，需指标数据进行标准化模式分情况全面处理，当目标数值愈大愈好为准则作为评价判定参考标准的时候，标准化数值根据运算公式（2）的运算方法获取数值。

把16 家省内AHTE 评价指标数值数据信息通过标准化全面处理之后的各指标数据信息都归一化到[0，1]，使用模糊评价判定法，通过专家的评价判定列出了神经网络系统学习的目标数值。16 家AHTE 标准化数值样本具体如表4 所示。

表4 16 家AHTE 评价指标值归一化数据表

在评价指标体系构建完成后，衡量指标口径不同，极差与趋向也大相径庭，使得指标的量纲存在差别，数值的量级相差悬殊，对上述定量和定性指标数据进行无量纲化处理势在必行，使得归一化的数据规范化[22]。

标准化取值为[0，1]：

其中，xjmin是指标（第j个）的最小值，xj为目标值，Fj为标准化数值，xjmax是指标（第j个）的最大值，j是指标总的数量。

（二）ABC-BP 网络评价模型和网络训练

依据前面建立的AHTE 核心竞争力评价指标体系，文章在引进ABC 的基础上，采用ABC 优化BP的三层神经网络系统结构，按照指标要素初步确定输入层为28 个节点，初步确定隐含层为15 个节点，输出层为1 个节点，组成28-15-1 的ABC-BP 神经网络结构实验模型，最终基于MATLAB R2018 对所选取的16 家AHTE 核心竞争力进行分析解读评价。

评价中采用的数据为各评价指标的归一化标准数据信息，前11 家企业的网络训练过程如下：

建立ABC-BP 神经网络，网络组成结构如示意图2 所示。自动输入分布向量作用范围是[0，1]，自动输入隐含层节点为28，输出层节点为1。

图2 ABC-BP 神经网络结构图

在网络学习训练过程中，遵循网络训练模型结构和学习精度规范，多次训练后得出结论，训练次数epochs=2000；有效误差目标数值goal=0.001，学习效率1r=0.01，蜂群规模NP=50，解（蜜源数量）=FoodNumber=NP=50，最大迭代次数maxCycle=1000，当蜜源连续超过Limit次没被更新，将初始化蜜源，最大搜索限制次数Limit=100。

依据上述设定后，ABC-BP 混合算法就开始对网络的权值与阈值展开寻优，该新型混合算法终止运行的基本条件是发现全局最优解，而后得到ABC-BP 的AHTE 评价分析模型。

网络经过6 次训练达到误差要求，网络输出数值和期望值比较如表5 所示，期望值、BP 预测输出和ABC-BP 预测输出趋势对比图如表5 所示。行核心竞争力评价。

表5 输出结果和期望结果比较

（三）ABC-BP 网络仿真实验

通过对第1～11 家AHTE 作为学习对象，第12～16家AHTE 作为研究分析目标对象，用训练好的ABC-BP 神经网络展开学习仿真模拟计算。主要目的在于要经过ABC-BP 神经网络模型输出的评价结果和专家预测输出值进行对比，来论证ABC-BP混合神经网络系统在评价AHTE 核心竞争力方面的合理性和有效性。

模拟仿真过程的自动输入分布向量为第12～16家公司归一化全面处理后的标准指标值P：

训练结束的网络模拟输出值为：

0.6573 0.7509 0.6471 0.9710 0.6974

为了结果更加客观，对ABC-BP 神经网络参数进行6 次调整，网络输出值与期望值相比较如表6至表8 所示。

表6 第12 家AHTE 测试结果

表7 第13 家AHTE 测试结果

表8 第14 家AHTE 测试结果

图3 期望输出、BP 预测输出和ABC-BP 预测输出趋势对比图

以上是ABC-BP 混合神经网络的学习训练全过程，网络训练完成之后，网络训练得知的最终结果精度较高，能够参考依据前面建立核心竞争力等级区间表对企业重要市场核心竞争力展开基本等级评价，也可以用训练好的评价模型对其他企业进

表9 第15 家AHTE 测试结果

表10 第16 家AHTE 测试结果

从网络学习和训练的结果可以看出，ABC-BP混合神经网络算法的更加稳定，训练输出结果要优于单一BP 神经网络输出值。总体来看，对企业的核心竞争力评价输出结果与专家分析的期望结果基本一致。

（四）评价结果分析

通过对11 个网络学习训练样本AHTE 和5 个专家测试AHTE 的ABC-BP 神经网络评价得出了甘肃省的16 家AHTE 的评价结果。根据ABC-BP混合神经网络模型评价结果将以上16 家AHTE 核心竞争力网络输值进行汇总分析，按照上述确定的AHTE 核心竞争力等级和状态评价标准，得出各AHTE 核心竞争力的等级和结果如表11 所示。

表11 AHTE 核心竞争力的等级和结果

（一）AHTE 核心竞争力评价结果分析

通过评价结果的统计，AHTE 核心竞争力评价结果总结为：

第1、8、15 家企业的ABC-BP 网络输出评价值在[0.85～1]区间内，核心竞争力处于“强势”状态，而这三家企业都是在主板上市企业，经济体量大、研发能力强、具有现代企业管理创新能力、市场开拓能力强、企业品牌价值高，表明这三家公司能够依靠自身技术与资本优势的市场竞争力来规划自身今后长期的发展策略，例如采用对外扩张型策略、多元化发展策略等来进一步拓展公司规模与体量，巩固加强自身实际的优势市场竞争地位；

第10、11、13 家企业的ABC-BP 网络输出评价值在[0.7～0.85）区间内，核心竞争力处于“较强”状态，这三家都是从事农业种植和精深加工企业，在各自领域都有较强竞争力，企业可选择继续加大研发中投入资金和人员力度、促成成果转化、创新管理模式、引进高素质人才等形式增强企业整体竞争力；

第2、4、7、12、14、16 家企业的ABC-BP 网络输出评价值在[0.55～0.7）区间内，核心竞争力处于“中等”状态，这6 家企业在各自行业领域规模较大，各具特色，可以通过进一步加强制度创新、引进人才、加强研发投入、增强市场开拓能力，采取占领行业中端市场的策略；

第3、5、9 家企业的ABC-BP 网络输出评价值在[0.4～0.55）区间内，核心竞争力处于“中等”状态，但是整体竞争力状态偏弱，企业可以尝试打造几款有竞争力的产品，注重品牌打造，从而进一步提升产品品牌知名度，提高企业产品市场占有率；

第6 家企业的ABC-BP 网络输出评价值在[0.25～0.4）区间内，核心竞争力处于“较弱”状态，企业综合分值较低，综合收入低，核心竞争力不明显，企业应根据自身发展战略需要调整经营模式，提升核心竞争力。

五、应用延伸

本研究的评价模型和方法还可以通过以下几种方式进行AHTE 竞争力评价和识别的延伸应用：

（1）训练好的ABC-BP 混合神经网络系统实验模型，能够横向地应用在其他用于其他AHTE 的核心竞争力评价判定分析研究。在根据综合系统设计的评价指标获得相对应公司数据信息以后经过可复制的网络仿真模拟运行操作步骤就能够对其他AHTE 展开评价判定分析研究，因此这种方法具备很好的普适性和可推广性。

（2）训练好的ABC-BP 神经网络系统实验模型能够纵向垂直方向的应用在AHTE 市场竞争力评价判定分析研究。仅仅需要将公司变化以后的评价判定其中所需要的数据信息导入输入网络，方便快捷的获取公司重要市场竞争力实际情况的全新数值，进而评价判定公司重要市场竞争力的全新分布状态，从而此模式具备确定的延展性可以完成不同程度上的追踪评价判定。

（3）能够应用训练好的网络实验模型展开公司的重要市场竞争力的辨别方面的分析研究。例如经过加大或者降低某一个或某多个标准指标的数值、自动输入网络、观测网络自动输出最终结果的改变。假设某一项或者某些特定输入标准的变化对自动输出最终结果影响比较大，表明这个标准在公司重要市场竞争力的强弱里占据有最为关键的影响地位公司，能够对应采用相对应的措施手段来培育与不断加强类似关键能力。