基于Hopfield神經(jīng)網(wǎng)絡(luò)的企業(yè)創(chuàng)新能力評(píng)價(jià)*

□ 郭進(jìn)超

(中山大學(xué)新華學(xué)院，廣東 廣州 510520)

1 引言

十九大以來(lái)我國(guó)經(jīng)濟(jì)發(fā)展步入提質(zhì)增效的新時(shí)代，企業(yè)創(chuàng)新能力已成為產(chǎn)業(yè)轉(zhuǎn)型升級(jí)和結(jié)構(gòu)調(diào)整的首要?jiǎng)恿?。高新技術(shù)企業(yè)作為經(jīng)濟(jì)和科技發(fā)展緊密結(jié)合的重要載體，也是最主要的創(chuàng)新主體之一，其開(kāi)展創(chuàng)新活動(dòng)的水平和進(jìn)展不但反映我國(guó)創(chuàng)新質(zhì)量和效率的關(guān)鍵指標(biāo)，而且也是評(píng)估創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略執(zhí)行情況的主要手段。企業(yè)創(chuàng)新能力已經(jīng)成為市場(chǎng)競(jìng)爭(zhēng)的核心能力，是獲得持續(xù)發(fā)展和競(jìng)爭(zhēng)優(yōu)勢(shì)的籌碼，因此，企業(yè)管理者應(yīng)當(dāng)對(duì)本企業(yè)的創(chuàng)新能力做出準(zhǔn)確的評(píng)價(jià)，深刻理解和剖析企業(yè)創(chuàng)新能力的各項(xiàng)指標(biāo)，會(huì)對(duì)本企業(yè)今后的發(fā)展和提升起到關(guān)鍵的作用。

企業(yè)創(chuàng)新能力(Enterprise Innovation Capability)是一個(gè)動(dòng)態(tài)的過(guò)程，通常表現(xiàn)為資源投入能力、創(chuàng)新管理能力、創(chuàng)新激勵(lì)能力以及創(chuàng)新實(shí)現(xiàn)能力。圍繞企業(yè)創(chuàng)新能力的評(píng)價(jià)過(guò)程，目前不少國(guó)內(nèi)外學(xué)者已對(duì)其進(jìn)行了較為豐富的研究，評(píng)價(jià)方法主要包括AHP層次分析法、線性回歸分析法、多因子回歸分析等計(jì)量統(tǒng)計(jì)方法，在企業(yè)創(chuàng)新能力評(píng)價(jià)模型上已被廣泛應(yīng)用并取得了一定成效，但仍然存在很多不足的地方：①僅憑專家確定各項(xiàng)指標(biāo)的權(quán)重及主觀評(píng)判，因隨意性大導(dǎo)致評(píng)估結(jié)果誤差相對(duì)較大。②由于企業(yè)創(chuàng)新能力的因素較多且相互影響滲透，隨著時(shí)間的推移動(dòng)態(tài)發(fā)展，若用確定的傳統(tǒng)數(shù)學(xué)模型進(jìn)行假設(shè)計(jì)算，評(píng)價(jià)數(shù)據(jù)往往存在滯后性，獲得的評(píng)價(jià)結(jié)果客觀性較低?；诖耍疚慕⒕哂凶晕覍W(xué)習(xí)及訓(xùn)練功能的反饋性神經(jīng)元網(wǎng)絡(luò)——離散型Hopfield神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱DHNN)開(kāi)展企業(yè)創(chuàng)新能力評(píng)價(jià)研究，以2017-2018年珠三角地區(qū)尤其是廣州深圳科技創(chuàng)新走廊高新技術(shù)企業(yè)為樣本，進(jìn)行統(tǒng)計(jì)分析和實(shí)證研究。仿真結(jié)果表明，本模型能有效解決大規(guī)模非線性分布數(shù)據(jù)的預(yù)測(cè)評(píng)估問(wèn)題，能夠?yàn)檎疀Q策者和企業(yè)管理人員提供參考。

2 研究方法

2.1 Hopfield神經(jīng)網(wǎng)絡(luò)概述

離散型Hopfield神經(jīng)網(wǎng)絡(luò)是一種典型的基于動(dòng)力系統(tǒng)全連接的反饋型神經(jīng)網(wǎng)絡(luò)[5]，相對(duì)前饋神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，它具有更加強(qiáng)大的學(xué)習(xí)能力和自我訓(xùn)練的功能，即使在數(shù)據(jù)不完整和外界干擾的情形下，仍然具有自適應(yīng)、自學(xué)習(xí)的聯(lián)想記憶能力，并且可以識(shí)別和分辨各類事物。Hopfield神經(jīng)網(wǎng)絡(luò)是一種單層二值神經(jīng)元的循環(huán)網(wǎng)絡(luò)，從系統(tǒng)輸出到輸入過(guò)程都有動(dòng)態(tài)反饋，其拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 離散Hopfield網(wǎng)絡(luò)結(jié)構(gòu)

由圖1可知，模擬生物神經(jīng)網(wǎng)絡(luò)原理，把第0層作為拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)的輸入層，是原始代碼的輸入端口，通常代表若干個(gè)已假設(shè)好的研究指標(biāo)，并且以神經(jīng)元的形式存在。將第0層輸入的量化指標(biāo)與權(quán)重的乘積求和，第1層神經(jīng)元開(kāi)始執(zhí)行運(yùn)算任務(wù)，主要通過(guò)非線性閾值函數(shù)f處理數(shù)據(jù)，輸出結(jié)果為相對(duì)應(yīng)的閾值。神經(jīng)元本身無(wú)法連接，但神經(jīng)元之間通過(guò)wij的連接權(quán)值聯(lián)結(jié)，并且利用閾值函數(shù)通過(guò)突觸權(quán)值將信息傳遞給每一個(gè)神經(jīng)元，因此，離散型Hopfield神經(jīng)網(wǎng)絡(luò)是一個(gè)單層輸出為二值的反饋型神經(jīng)網(wǎng)絡(luò)。通過(guò)閾值函數(shù)輸出兩種不同狀態(tài)：1(激活狀態(tài))或-1(抑制狀態(tài))，如果神經(jīng)元輸出結(jié)果大于閾值，則神經(jīng)元的輸出值為1，表示該企業(yè)創(chuàng)新能力強(qiáng)勁；如果小于閾值，那么神經(jīng)元的輸出值為-1，表示該企業(yè)創(chuàng)新能力狀況不佳。

類似于人類的大腦功能，Hopfield神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與記憶活動(dòng)是通過(guò)輸入線性或非線性的矢量集，通常為各種類型n維企業(yè)數(shù)據(jù)樣本，經(jīng)過(guò)模型學(xué)習(xí)訓(xùn)練后再輸出穩(wěn)定狀態(tài)的矢量集。實(shí)現(xiàn)上述過(guò)程需要經(jīng)歷學(xué)習(xí)訓(xùn)練和聯(lián)想記憶兩個(gè)階段，即輸入外界數(shù)據(jù)后，Hopfield網(wǎng)絡(luò)系統(tǒng)會(huì)自行調(diào)節(jié)連接權(quán)值wij，經(jīng)過(guò)聯(lián)想記憶一系列的演化過(guò)程，最終達(dá)到穩(wěn)定平衡的狀態(tài)。其運(yùn)行過(guò)程主要包括以下4個(gè)步驟：

步驟一，隨機(jī)選取第0層網(wǎng)絡(luò)結(jié)構(gòu)中的神經(jīng)元i ，計(jì)算其在t時(shí)刻的輸入值：

(1)

式中，n為神經(jīng)元的個(gè)數(shù)，神經(jīng)元i到神經(jīng)元j的連接權(quán)值為wij，yi表示外部輸入，t時(shí)刻某個(gè)神經(jīng)元的閾值為gi，其中xi(t)的表達(dá)式為：

(2)

步驟二，求出網(wǎng)絡(luò)中神經(jīng)元i在t+1時(shí)刻的值Bi(t+1)。按照時(shí)間節(jié)點(diǎn)的穩(wěn)步推進(jìn)，由連接權(quán)wij和閾值gi的參數(shù)值決定網(wǎng)絡(luò)的運(yùn)行狀態(tài)。式中，Bi(t)可由步驟二得出，若Bi(t+1)為1則表示企業(yè)創(chuàng)新能力強(qiáng)勁，若Bi(t+1)為-1則表示企業(yè)創(chuàng)新能力狀況不佳。具體運(yùn)算公式如下：

(3)

步驟三，評(píng)判離散型Hopfield神經(jīng)網(wǎng)絡(luò)是否已經(jīng)趨向穩(wěn)定狀態(tài)。網(wǎng)絡(luò)神經(jīng)元穩(wěn)定狀態(tài)是從某一時(shí)刻t算起，若其狀態(tài)不會(huì)再發(fā)生變化，則可認(rèn)定其已經(jīng)達(dá)到穩(wěn)定狀態(tài)，即：

Bi(t+1)=Bi(t)

(4)

最后，如果網(wǎng)絡(luò)已經(jīng)趨向穩(wěn)定狀態(tài)，則輸出Bi(t+1)；否則返回步驟一，直到該網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)才停止循環(huán)。

2.2 Hopfield神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型步驟

企業(yè)創(chuàng)新能力評(píng)價(jià)是一種分類問(wèn)題，因此需要建立評(píng)價(jià)指標(biāo)體系并收集相關(guān)的數(shù)據(jù)，然后采用上述的數(shù)學(xué)算法構(gòu)建模型，最后運(yùn)用仿真系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行分析處理，力求得到客觀準(zhǔn)確的評(píng)價(jià)結(jié)果?；镜脑u(píng)價(jià)流程見(jiàn)圖2所示。

圖2 模型構(gòu)建流程圖

3 實(shí)證分析

3.1 評(píng)價(jià)指標(biāo)的選取及得分

從珠三角地區(qū)主要是廣深科創(chuàng)走廊選取了25 家有代表性的高新技術(shù)企業(yè)數(shù)據(jù)，隨機(jī)抽取其中的20個(gè)數(shù)據(jù)樣本作為學(xué)習(xí)訓(xùn)練的材料，余下的5個(gè)數(shù)據(jù)樣本作為檢驗(yàn)指標(biāo)，根據(jù)現(xiàn)有研究文獻(xiàn)成果的基礎(chǔ)上，本文將評(píng)價(jià)指標(biāo)體系劃分為反映企業(yè)創(chuàng)新能力的資源投入能力(A1)、創(chuàng)新管理能力(A2)、創(chuàng)新激勵(lì)能力(A3)以及創(chuàng)新實(shí)現(xiàn)能力(A4)的4大類指標(biāo)，共包含9項(xiàng)指標(biāo)見(jiàn)表1所示。由于有些指標(biāo)數(shù)據(jù)獲取較難，樣本的指標(biāo)只選取研究經(jīng)費(fèi)(B1)、科研人員比例(B2)、技術(shù)研發(fā)能力(B3)、產(chǎn)品設(shè)計(jì)能力(B4)、生產(chǎn)制造能力(B5)、營(yíng)銷能力(B6)、創(chuàng)新產(chǎn)出效益(B7)、成果轉(zhuǎn)化能力(B8)以及創(chuàng)新激勵(lì)能力(B9)共9項(xiàng)指標(biāo)。

經(jīng)過(guò)10位專家及前往相關(guān)企業(yè)進(jìn)行實(shí)地調(diào)研并收集數(shù)據(jù)，利用Delphi專家調(diào)查法對(duì)企業(yè)創(chuàng)新能力等級(jí)進(jìn)行訪談及有效評(píng)價(jià)。評(píng)價(jià)結(jié)果分為五個(gè)等級(jí)：優(yōu)秀(Ⅰ)、良好(Ⅱ)、一般(Ⅲ)、及格(Ⅳ)和不及格(Ⅴ)，級(jí)別越高，創(chuàng)新動(dòng)力越弱。具體結(jié)果如表1所示：

表1 企業(yè)各項(xiàng)指標(biāo)分?jǐn)?shù)

3.2 理想評(píng)價(jià)指標(biāo)編碼

根據(jù)上文對(duì)離散型Hopfield神經(jīng)網(wǎng)絡(luò)定義，神經(jīng)元的狀態(tài)采用數(shù)值1和-1來(lái)表示，因此，根據(jù)實(shí)際情況建立起來(lái)的各項(xiàng)有效評(píng)價(jià)指標(biāo)，采用一定規(guī)則對(duì)神經(jīng)元所處的狀態(tài)進(jìn)行編碼。編碼規(guī)則的主要形式為：根據(jù)前面所設(shè)定的閾值，以參考值為某項(xiàng)等級(jí)的評(píng)價(jià)指標(biāo)的比較項(xiàng)，若待評(píng)價(jià)指標(biāo)值大于參考值，則映射出來(lái)的神經(jīng)元狀態(tài)為“1”，用符號(hào)“●”的形式表示；反之則設(shè)置為“-1”，以符號(hào)“○”的形式表示。以下為5個(gè)理想的等級(jí)評(píng)價(jià)指標(biāo)得分及編碼，如下表2和圖3所示：

表2 五個(gè)等級(jí)理想的評(píng)價(jià)指標(biāo)

圖3 理想的5個(gè)等級(jí)評(píng)價(jià)指標(biāo)編碼

3.3 待分類的企業(yè)評(píng)價(jià)指標(biāo)編碼

依據(jù)表3數(shù)據(jù)，把待評(píng)價(jià)的5家企業(yè)的指標(biāo)值進(jìn)行有效編碼，如圖4 所示：把5所待分類的高校的等級(jí)評(píng)價(jià)指標(biāo)根據(jù)編碼規(guī)則設(shè)置相應(yīng)的編碼。也就是把待評(píng)價(jià)的數(shù)據(jù)根據(jù)上述編碼規(guī)則進(jìn)行編碼并保存在sim.mat文件中。

表3 待分類的企業(yè)等級(jí)評(píng)價(jià)指標(biāo)

圖4 五家待分類的企業(yè)等級(jí)評(píng)價(jià)指標(biāo)編碼

創(chuàng)建好神經(jīng)元平衡點(diǎn)P后，利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)newhop建立離散型Hopfield網(wǎng)絡(luò)函數(shù)net=newhop(P)，然后把待評(píng)價(jià)指標(biāo)的編碼輸入，經(jīng)過(guò)自身多次反復(fù)訓(xùn)練和學(xué)習(xí)記憶，最終輸出相應(yīng)的仿真實(shí)驗(yàn)結(jié)果，如圖5所示。

圖5 評(píng)價(jià)指標(biāo)仿真結(jié)果

4 研究結(jié)論

本文基于具有學(xué)習(xí)記憶功能的反饋型離散神經(jīng)網(wǎng)絡(luò)開(kāi)展高新技術(shù)企業(yè)創(chuàng)新能力評(píng)價(jià)研究，在30個(gè)企業(yè)中隨機(jī)選取了25個(gè)企業(yè)數(shù)據(jù)用于創(chuàng)建神經(jīng)元拓?fù)渚W(wǎng)絡(luò)，把余下的5個(gè)企業(yè)數(shù)據(jù)作為測(cè)試數(shù)據(jù)進(jìn)行評(píng)判，且進(jìn)行多次學(xué)習(xí)訓(xùn)練。實(shí)驗(yàn)結(jié)果顯示：第一，創(chuàng)新仍然局限在少數(shù)企業(yè)，如華為、中興、騰訊等高新技術(shù)企業(yè)，投入和產(chǎn)出比質(zhì)量都落后于歐美一些先進(jìn)國(guó)家；其次，目前企業(yè)創(chuàng)新的經(jīng)濟(jì)效益還不太顯著，對(duì)企業(yè)利潤(rùn)的貢獻(xiàn)率有待提高；最后，同一經(jīng)濟(jì)區(qū)域內(nèi)不同企業(yè)制度、不同規(guī)模以及不同行業(yè)間的創(chuàng)新能力差距較大，如國(guó)企的創(chuàng)新動(dòng)力不如股份制私企。在研究中，本文設(shè)定的等級(jí)指標(biāo)和分值仍然需要借助人工的主觀評(píng)判處理相關(guān)數(shù)據(jù)，導(dǎo)致數(shù)據(jù)的滯后性和成本較高，因此，在下一階段的研究中將考慮設(shè)計(jì)借助企業(yè)歷史數(shù)據(jù)迭代求解典型理想等級(jí)的閾值，進(jìn)一步提高模型的智能性和自適應(yīng)性。