企业战略创新能力的评价方法

靳 洪

（1.湖北经济学院 工商管理学院，武汉 430205；2.湖北企业文化研究中心，武汉 430205）

当企业宏观或微观环境发生重大变化时，现在很多企业已经逐渐意识到已有的企业战略需要进行调整或重新制定。然而企业在战略创新过程中常常遇到各种创新障碍和阻力，甚至最终创新失败，致使企业蒙受重大损失。企业若想使战略创新变得更有效，突破现有竞争格局，就需要企业在战略创新过程中具备多方面能力，以确保战略创新能够取得成功，最终完成企业和顾客的价值创造。本文从企业战略创新过程视角，构建企业战略创新能力评价指标体系，并建立基于Fuzzy-input BP神经网络的企业战略创新能力评价模型。

1 企业战略创新能力评价指标体系设计

本文从战略创新过程角度，将企业战略创新能力从四个维度进行评价[1]，即创新战略捕捉（ISC）、创新战略设计（ISD）、创新战略实施（ISI）和创新战略变革（ISR）。这四个维度构成了企业战略创新能力评价指标体系的一级指标，每一个一级指标又分别包括四个二级指标，如表1所示。

2 基于Fuzzy-input BP神经网络的评价模型构建

2.1 评价模型构建的基本原理

神经网络的种类非常多，常见的有根据感知器神经元变换函数、隐层数以及权值调整规则的不同而形成的前馈人工神经网络—感知器神经网络（PNN）；具有可以输入任意值的线性激活函数的神经网络线性神经网络（LNN）；能够对输入模式进行自组织训练和判断并最终分为不同的类型的神经网络—自组织竞争人工神经网络（SOCANN）。除此之外，常用的还有BP神经网络，这种反向传播神经网络结构一般由输入层、输出层和隐层神经元组成；学习过程由信号正向传播与误差反向回传组成，若正向传播输出层与期望不符，则将误差作为调整信号逐层反向回传。正是由于反向传播神经网络原理相对简单，其算法的基本思想是通过正向传播和反向传播的反复迭代使训练误差达到或接近期望误差。本文所设计的企业战略创新能力评价指标体系需要专家提供语言值信息，这需要将这些语言值信息通过隶属度函数转化为精准信息，所以采用了基于Fuzzy-input BP神经网络方法进行企业战略创新能力评价如图1所示。

表1 企业战略创新能力评价指标体系

图1 基于Fuzzy-input BP神经网络的企业战略创新能力评价基本原理

2.2 模糊输入精确化

本文所设计的企业战略创新能力评价问卷中，每一个二级指标对应一个测量问题，例如指标“信息获取”对应的测量问题是“本企业具有掌握内外部信息资源的能力”。模糊信息划分为“强”、“中”、“弱”三个论域，专家在进行问卷调查时，根据实际情况将0.5～1之间认为最合适的隶属程度取值填入最明显论域中即可，例如对于上述测量问题的回答是“强”论域，并填写上0.95值，如果是“中”论域则可以填写0.7值。由于样本数据都是属于模糊信息很难直接用于BP神经网络中，为了借助隶属度函数将模糊信息转化为精确信息，本文分别设定了强、中、弱三个论域的隶属度函数：

其中“弱”、“中”、“强”论域所对应的隶属度函数分别为公式（1）中的 f1(x)、f2(x)、f3(x)。在本文研究中，假设wc1=1.5与wc2=2.5，这两个参数决定了三个论域所对应的隶属度函数曲线的中心值，而wg1、wg2、wg3、wg4决定了三个论域函数曲线的陡峭程度。本研究假设：

从公式（2）可以看出第一条假设是“弱”论域隶属度函数 f1与“强”论域隶属度函数相对称；同理，第二条假设代表“中”论域隶属度函数 f2自身关于相对称，因此：

上述分析不仅简化了参数wgi，i=1，2，3，4的取值难度，同时有利于增强神经网络的拟合能力，除此之外也使得隶属度函数曲线显得更加优美。然后，就只需要确定一个参数wg=wg2=wg3=wg4=-wg1，但这时必须考虑到样本数据中输出值能接受的最大值xMax，比如说，xMax=0.9，那么有：

当wc1=1.5，wc2=2.5时ϑ(wg)的曲线如图2所示。

图2 ϑ(wg)曲线

从图2可以看出，当专家给出的模糊信息变量大部分均小于0.9的话，则根据ϑ(wg)曲线取wg=6，此时“强”、“中”、“弱”论域所对应的隶属度函数曲线形状如图3所示。

图3 隶属度函数曲线

神经网络的精确输入值可以通过“强”、“中”、“弱”不同论域的隶属度函数的反函数得到。例如，某样本数据的输入值落在“强”论域上，且隶属函数值为0.8，则有f3(x)=0.8，根据公式（1）可计算精确输入值为：

同理可计算“弱”论域的神经网络精确输入值，但值得注意的是，从“中”论域的隶属度函数曲线可以发现，其精确输入值有两个，本文选择数值较小的作为该论域的精确输入值。

2.3 BP神经网络结构及误差学习算法

首先，建立一个包含输入层、隐含层和输出层的三层企业战略创新能力评价模型网络结构如图4所示。规定企业战略创新能力评价指标体系的二级指标作为网络输入，输入层的神经元个数为16，采用对数函数Logsig；网络输出为企业战略创新能力的评价结果，输出的神经元个数为1，采用线性函数Purelin；隐含层的神经元个数根据经验公式（其中 n=16,m=1,a=8），则确定为12个，采用对数函数Logsig。整个神经网络的训练函数采用动态梯度算法Traingdm。

图4 企业战略创新能力评价模型的网络结构图

以基于Fuzzy-input BP神经网络的企业战略创新能力评价模型中的输出层来说明Traingdm动态梯度算法：设定wij为输出层的权值系数，xi（i=1，…，12）为隐含层的输出，y为神经网络的输出，bi为偏移向量，f为转换函数，那么则有：

输出节点的误差为：

进一步有：

为了使E按梯度下降，尽可能有效的减少训练误差，就必须按下式进行神经网络权值调整：

公式（10）中η为学习效率，其它各层权值与输出层有着相似的原理，在这里不再进行赘述。

2.4 BP神经网络输出结果转换

企业战略创新能力的评价等级是由样本数据输出值大小与BP神经网络输出值所反映出的。企业战略创新能力的评价结果与BP神经网络输出值之间关系如表2所示，即根据输出数值大小处于不同区间范围对企业战略创新能力进行评价。本研究将企业战略创新能力评价等级以0.8、0.6、0.4三个综合评价值为区间，分为了“优”、“良”、“中”、“差”四个等级。

表2 企业战略创新能力评价等级

3 基于Fuzzy-input BP神经网络的企业战略创新能力评价

3.1 样本数据收集与处理

针对不同行业的企业进行了问卷调查，在不同行业企业样本中随机抽取24企业样本数据进行筛选分析。进行筛选分析的目的是为了尽可能降低网络训练数据与测试数据之间的误差，因此，在初步的筛选分析过程中剔除了6组样本，其原因为输入值和输出值隶属大体上不一致。例如某高科技企业的样本数据中，其大部分输入值在“强”的模糊集合里，但输出值却为0.58，根据神经网络输出结果转换，该高科技企业战略创新能力评价等级却为“中”。对最终选择的18组样本数据利用隶属度函数进行模糊输入精确化处理，同时，随机将其中的14组样本数据用于网络训练，剩下的4组作为测试样本数据，如表3所示。

表3 经过隶属度函数处理后的样本数据

3.2 Fuzzy-input BP神经网络训练结构分析

选定神经网络及对各项参数设定，采用MATLAB7.0软件进行编程，将经过隶属度函数处理后的14组数据进行训练网络，4组数据作为测试样本，用来验证Fuzzy-input BP神经网络的准确性。利用软件进行仿真网络训练4613次之后网络训练即终止，训练误差达到了期望误差值，网络收敛效果较好，得到14组学习训练样本的网络收敛图，如图5所示。

图5 网络训练的误差下降曲线

通过学习训练，神经网络记忆每层的权值及规则，对未经训练的4组测试样本数据进行模型验证，得到4组测试结果与专家评估的比较结果误差较小如表4所示，企业战略创新能力评价的结果和专家评估结果的误差较小，并均在可接受范围之内。图6直观的描绘出评价模型输出结果同专家评估结果相对误差小（图形基本重合），都处于同一个评价等级内，表明基于Fuzzy-input BP神经网络的企业战略创新能力评价模型具有很好的泛化能力。因此，基于Fuzzy-input BP神经网络的企业战略创新能力评价模型在避免评价过程中的不确定性的基础上，能够很好地模拟专家对企业战略创新能力进行评价，并只需输入样本数据即可得到评价结果。

表4 测试结果与专家评估结果比较

图6 专家评估与网络评估比较图

3.3 Fuzzy-input BP神经网络模拟

通过问卷调查得到某A企业原始数据，对其进行不同隶属度函数处理，得到精确输入值：[1.6070；1.3588；1.6460；1.3969；1.3588；1.6070；1.6910；1.3588；1.2109；1.3588；1.1338；1.2109；1.6070；1.2109；1.2690；1.690]，将其输入到基于Fuzzy-input BP神经网络的企业战略创新能力评价模型中，可得到输出值0.4973，根据企业战略创新能力评价等级标准，该企业的战略创新能力评价为中等，可以认为该企业的战略创新能力还处于建设发展的初级阶段。

4 结语

本文在企业战略创新能力评价研究方面进行了初步的探索，提出了基于Fuzzy-input BP神经网络的企业战略创新能力评价模型。本研究不足之处在于样本数据都是来自于对企业战略创新能力的静态描述，而企业战略创新能力本身是随时间变化的动态概念。因此，为了更好地反映企业的战略创新能力是否能够很好的支持企业战略创新，在未来研究中将采用长期数据收集方式，对企业战略创新能力的研究将采用动态研究方法。

[1]靳洪.企业战略创新能力的结构分析[J].生产力研究,2011,(10).

[2]罗红卫.基于AHP法的企业人力资源管理动态能力研究[J].统计与决策,2012,(16).

[3]王岚.企业集群创新能力的模糊综合评价[J].统计与决策,2009,(2).

[4]曾艳.基于DEA的软件企业管理能力研究[J].统计与决策,2012,(19).

[5]朱霞，朱永跃.基于小波神经网络的企业技术创新能力评价[J].统计与决策,2012,(1).