集群企業(yè)協(xié)同創(chuàng)新伙伴選擇研究
——基于知識(shí)能力的評(píng)價(jià)指標(biāo)體系和改進(jìn)的ELMAN神經(jīng)網(wǎng)絡(luò)模型

(.太原理工大學(xué) 經(jīng)濟(jì)管理學(xué)院,山西 太原 03004; .山西財(cái)經(jīng)大學(xué) 公共管理學(xué)院,山西 太原 030006)

1 引言

進(jìn)入21世紀(jì)以來，產(chǎn)業(yè)集群這種介于企業(yè)和市場之間的經(jīng)濟(jì)組織形態(tài)愈發(fā)表現(xiàn)出對(duì)中國經(jīng)濟(jì)的巨大推動(dòng)作用，同時(shí)產(chǎn)業(yè)集群作為區(qū)域創(chuàng)新引擎的重要地位也日趨顯著?？傮w上看，產(chǎn)業(yè)集群內(nèi)企業(yè)間存在多種類型的復(fù)雜關(guān)系，使集群從雜亂、零散狀態(tài)逐漸走向有序化和系統(tǒng)化。而協(xié)同創(chuàng)新正是集群內(nèi)復(fù)雜關(guān)系的一種重要形態(tài)，這種合作有利于分散企業(yè)資金壓力和創(chuàng)新風(fēng)險(xiǎn)，特別是能夠?yàn)楹献髌髽I(yè)帶來技術(shù)累積效應(yīng)和知識(shí)擴(kuò)散效應(yīng)[1～3]。此外，國外相關(guān)研究發(fā)現(xiàn)企業(yè)協(xié)同創(chuàng)新失敗率大多在50%至60%之間[4～6]。Bronder和Pritzl[7]通過進(jìn)一步研究認(rèn)為，不恰當(dāng)?shù)幕锇檫x擇是造成創(chuàng)新合作失敗的一個(gè)重要原因。Mccalman等[8]進(jìn)一步指出，選擇不適當(dāng)?shù)幕锇楹芸赡鼙葐未颡?dú)斗面臨更高的創(chuàng)新風(fēng)險(xiǎn)。因此，制定一套科學(xué)的合作伙伴選擇方法是集群企業(yè)間開展協(xié)同創(chuàng)新活動(dòng)的前提。

目前關(guān)于企業(yè)協(xié)同創(chuàng)新伙伴選擇的研究大體集中在兩個(gè)方面。一是影響因素與指標(biāo)體系設(shè)計(jì)。Li等[9]基于1159個(gè)研發(fā)聯(lián)盟的數(shù)據(jù)，將潛在的合作伙伴劃分為朋友、熟人和陌生人，研究了信任因素對(duì)企業(yè)合作伙伴評(píng)價(jià)的影響。Geum等[10]回顧了成功的研發(fā)合作開發(fā)伙伴選擇標(biāo)準(zhǔn)的要素，利用美國專利和商標(biāo)局(USPTO)和ISI Web數(shù)據(jù)庫信息進(jìn)行分析，設(shè)計(jì)了一個(gè)融合4大類14個(gè)指標(biāo)的評(píng)價(jià)體系。張敬文等[11]在對(duì)協(xié)同創(chuàng)新伙伴技術(shù)生態(tài)位進(jìn)行分析的基礎(chǔ)上，構(gòu)建基于技術(shù)生態(tài)位的聯(lián)盟協(xié)同創(chuàng)新伙伴評(píng)價(jià)指標(biāo)體系。二是評(píng)價(jià)測算方法研究。Liu等[12]將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于集群企業(yè)知識(shí)共享伙伴選擇過程中。Yoon和Song[13]利用專利信息數(shù)據(jù)生成拓?fù)鋱D，然后采用文本挖掘技術(shù)確定合作必要的技術(shù)，最終通過計(jì)算確定潛在的合作伙伴。李柏洲和尹士[14]構(gòu)建基于一致性的企業(yè)創(chuàng)新合作伙伴選擇評(píng)價(jià)法，一定程度上解決了組合評(píng)價(jià)結(jié)論的非一致性問題。

綜上所述，相關(guān)研究主要集中在影響因素與指標(biāo)體系設(shè)計(jì)、評(píng)價(jià)測算方法研究兩個(gè)方面。然而在指標(biāo)體系設(shè)計(jì)方面，知識(shí)能力因素對(duì)于集群企業(yè)間協(xié)同創(chuàng)新伙伴選擇的重要性尚未引起學(xué)術(shù)界足夠重視。Fusfeld和Haklisch[15]認(rèn)為各合作方通過協(xié)同創(chuàng)新整合知識(shí)資源可以得到自身不具備的知識(shí)與技能。借鑒已有研究成果，本文認(rèn)為：知識(shí)的互補(bǔ)兼容、吸收、轉(zhuǎn)化、創(chuàng)新等知識(shí)能力因素，是集群企業(yè)協(xié)同創(chuàng)新的主要?jiǎng)訖C(jī)和成功的關(guān)鍵因素。因此，本文從知識(shí)能力視角出發(fā)構(gòu)建集群企業(yè)協(xié)同創(chuàng)新伙伴評(píng)價(jià)指標(biāo)體系。評(píng)價(jià)測算方法研究方面，目前主要分兩大類：一是主觀賦權(quán)法，如層次分析法(AHP)、TOPSIS法等；二是客觀賦權(quán)法，如模糊綜合評(píng)價(jià)法(FSE)、灰色關(guān)聯(lián)度法(GRA)、人工智能算法等。主觀賦權(quán)法結(jié)果受人的影響較大，而客觀賦權(quán)法通過數(shù)學(xué)或物理學(xué)方法計(jì)算指標(biāo)權(quán)重，相對(duì)更加中性。作為客觀賦權(quán)法里的常用方法，人工智能算法通過軟件編程計(jì)算指標(biāo)權(quán)重，因此更為簡便和精確。在人工智能算法眾多類型中，神經(jīng)網(wǎng)絡(luò)算法具有非線性自適應(yīng)學(xué)習(xí)能力，在處理不完整或含糊信息等復(fù)雜情況下表現(xiàn)出獨(dú)特優(yōu)勢。按照網(wǎng)絡(luò)中信息流動(dòng)方向，神經(jīng)網(wǎng)絡(luò)可以劃分成前向型和反饋型，而ELMAN神經(jīng)網(wǎng)絡(luò)是一種典型的反饋型神經(jīng)網(wǎng)絡(luò)，擁有強(qiáng)大的知識(shí)記憶與處理能力，可以通過對(duì)已有評(píng)價(jià)信息的學(xué)習(xí)，模擬人的直覺思維，對(duì)各目標(biāo)重要性進(jìn)行自我識(shí)別與優(yōu)化，最終得出合理的評(píng)估結(jié)果。為增強(qiáng)指標(biāo)體系和測算方法的匹配性，本文擬合并調(diào)整ELMAN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，調(diào)節(jié)相關(guān)參數(shù)以改進(jìn)網(wǎng)絡(luò)學(xué)習(xí)算法，并將其應(yīng)用于集群企業(yè)協(xié)同創(chuàng)新伙伴的測度。

2 基于知識(shí)能力的集群企業(yè)協(xié)同創(chuàng)新伙伴評(píng)價(jià)指標(biāo)體系構(gòu)建

在協(xié)同創(chuàng)新過程中，知識(shí)能力使集群企業(yè)可以吸收和轉(zhuǎn)化合作企業(yè)的知識(shí)資源，促進(jìn)知識(shí)共享、流動(dòng)和升級(jí)，提升合作企業(yè)知識(shí)的潛在價(jià)值，促進(jìn)協(xié)同創(chuàng)新成果獲得。集群企業(yè)協(xié)同創(chuàng)新伙伴選擇的關(guān)鍵是相關(guān)主體間的適配度。從協(xié)同創(chuàng)新聯(lián)盟的核心企業(yè)角度而言，需要選擇具有較大知識(shí)互補(bǔ)性的企業(yè)，其能夠?yàn)楹诵钠髽I(yè)帶來所需要的知識(shí)儲(chǔ)備、技術(shù)能力和人力資源等，能夠有效降低創(chuàng)新的不確定性。指標(biāo)體系設(shè)計(jì)時(shí)應(yīng)堅(jiān)持3C原則，即兼容性(compatibility)、能力(capablity)、承諾(commitment)，充分考慮備選對(duì)象與核心企業(yè)在技術(shù)、知識(shí)等方面的兼容性，核心技術(shù)創(chuàng)新能力上的互補(bǔ)性，聲譽(yù)以及在資源投入上的積極性，以期最大限度地實(shí)現(xiàn)創(chuàng)新上的協(xié)同效應(yīng)。

2.1 指標(biāo)體系構(gòu)建原則

在現(xiàn)有協(xié)同創(chuàng)新伙伴選擇和知識(shí)能力的相關(guān)研究基礎(chǔ)上，結(jié)合本文研究目的，按照以下原則確定指標(biāo)體系。(1)科學(xué)性: 選擇的指標(biāo)要符合集群企業(yè)的客觀規(guī)律，指標(biāo)概念準(zhǔn)確、簡明、清楚，便于收集、計(jì)算和評(píng)估。(2)重要性：突出知識(shí)能力和研發(fā)資源指標(biāo)，忽略與本研究關(guān)聯(lián)度不大的指標(biāo)。(3)系統(tǒng)性：盡可能體現(xiàn)整體性、動(dòng)態(tài)性，從多個(gè)角度反映備選集群企業(yè)的綜合情況。(4)可比性：評(píng)價(jià)指標(biāo)的范圍、計(jì)算評(píng)估方法應(yīng)保持一致或至少穩(wěn)定，突出評(píng)價(jià)結(jié)果的可對(duì)比性。(5)定量和定性相結(jié)合: 基于知識(shí)能力的集群企業(yè)部分情況只能以定性指標(biāo)來輔助描述，并加入定量指標(biāo)，與之互為補(bǔ)充、相輔相成。

2.2 指標(biāo)體系的構(gòu)建

通過總結(jié)梳理國內(nèi)外相關(guān)研究成果[16～25]，借鑒學(xué)術(shù)界成熟量表，結(jié)合本文研究目的，突出知識(shí)屬性的重要性，進(jìn)一步篩選核心指標(biāo)并修正完善，構(gòu)建指標(biāo)體系。第一，準(zhǔn)則層。包含知識(shí)能力、研發(fā)資源、合作情況。第二，指標(biāo)層。知識(shí)能力包含知識(shí)互補(bǔ)兼容性、知識(shí)吸收能力、知識(shí)轉(zhuǎn)化能力、知識(shí)創(chuàng)新能力；研發(fā)資源包含研發(fā)人員數(shù)量、研發(fā)人員素質(zhì)、研發(fā)設(shè)備水平、研發(fā)投入；合作情況包含集群內(nèi)合作次數(shù)、集群內(nèi)合作態(tài)度、集群內(nèi)合作聲譽(yù)、集群內(nèi)地理位置。第三，指標(biāo)性質(zhì)和測量方法。知識(shí)能力方面，知識(shí)創(chuàng)新能力是定量指標(biāo)，用同一時(shí)間企業(yè)技術(shù)創(chuàng)新成果個(gè)數(shù)表示，個(gè)數(shù)越多代表創(chuàng)新能力越強(qiáng)；知識(shí)互補(bǔ)兼容性、知識(shí)吸收能力、知識(shí)轉(zhuǎn)化能力是定性指標(biāo)，分為5個(gè)等級(jí)：很弱、弱、一般、強(qiáng)、很強(qiáng)，對(duì)應(yīng)賦值(1、3、5、7、9)。研發(fā)資源方面，研發(fā)人員數(shù)量、研發(fā)人員素質(zhì)、研發(fā)設(shè)備水平、研發(fā)投入都是定量指標(biāo)；研發(fā)投入用科研人員人均科研經(jīng)費(fèi)(萬元/人)表示，人均經(jīng)費(fèi)越高說明投入越多；研發(fā)人員數(shù)量用同一時(shí)間企業(yè)科研人員數(shù)量表示；研發(fā)設(shè)備水平用企業(yè)研發(fā)設(shè)備折算資金(萬元)表示，價(jià)值越高說明設(shè)備水平越高；研發(fā)人員素質(zhì)用企業(yè)科研人員平均受教育年限表示，時(shí)間越長代表素質(zhì)越高。合作情況方面，集群內(nèi)合作次數(shù)是定量指標(biāo)，用以往和本企業(yè)合作次數(shù)表示；集群內(nèi)合作態(tài)度、集群內(nèi)合作聲譽(yù)是定性指標(biāo)，分為5個(gè)等級(jí)，對(duì)應(yīng)賦值同上；集群內(nèi)地理位置適合程度是定性指標(biāo)，考慮在產(chǎn)業(yè)集群所在地域范圍內(nèi)離核心主導(dǎo)企業(yè)距離越近越合適，分三個(gè)等級(jí)：不合適、基本合適、很合適，對(duì)應(yīng)賦值(3、6、9)。

3 基于改進(jìn)的ELMAN神經(jīng)網(wǎng)絡(luò)的集群企業(yè)協(xié)同創(chuàng)新伙伴評(píng)價(jià)模型構(gòu)建

3.1 ELMAN神經(jīng)網(wǎng)絡(luò)原理

3.1.1 ELMAN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn)

ELMAN神經(jīng)網(wǎng)絡(luò)是Elman[26]在進(jìn)行語音信息處理時(shí)提出的，該網(wǎng)絡(luò)模型是局部反饋網(wǎng)絡(luò)，它把一個(gè)承接層加入到神經(jīng)網(wǎng)絡(luò)的隱含層中，并從隱含層到承接層形成局部反饋，從而形成了具有延遲記憶功能的單元。因此，由于ELMAN神經(jīng)網(wǎng)絡(luò)可以存儲(chǔ)內(nèi)部狀態(tài)，可以適應(yīng)時(shí)變特性，具備了映射系統(tǒng)動(dòng)態(tài)特征的能力。承接層單元起到存儲(chǔ)隱含層單元前一時(shí)刻的輸出值的作用，這種結(jié)構(gòu)使該網(wǎng)絡(luò)可以識(shí)別時(shí)變模式，并能夠以極高的精度逼近任意函數(shù)，但其隱含層需要具有足夠數(shù)量的神經(jīng)元。目前在學(xué)術(shù)界應(yīng)用較多的BP神經(jīng)網(wǎng)絡(luò)是一種典型的前向型神經(jīng)網(wǎng)絡(luò)，理論上來說，ELMAN神經(jīng)網(wǎng)絡(luò)較BP神經(jīng)網(wǎng)絡(luò)而言，不易落入局部最小，且收斂速度也較快。

3.1.2 ELMAN神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型

該網(wǎng)絡(luò)的非線性表達(dá)式為

隱含層：h(k)=f(w1x(k-1)+w2hc(k))

(1)

承接層：hc(k)=h(k-1)

(2)

輸出層：y(k)=g(w3h(k))

(3)

其中g(shù)(·)為輸出層的傳遞函數(shù)，f(·)是隱含層的傳遞函數(shù)。w1為輸入層和隱含層神經(jīng)元之間的連接權(quán)矩陣，w2為隱含層和承接層神經(jīng)元之間的連接權(quán)矩陣，w3為隱含層和輸出層神經(jīng)元之間的連接權(quán)矩陣。x表示r維輸入向量，y表示m維輸出向量，h表示n維隱含層節(jié)點(diǎn)向量，hc表示n維反饋狀態(tài)向量。

一般用pureline函數(shù)(純線性函數(shù))作為輸出層的傳遞函數(shù)，tansig函數(shù)作為隱含層的傳遞函數(shù)，其表達(dá)式為

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

(4)

3.1.3 ELMAN神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

使用梯度下降法作為網(wǎng)絡(luò)中連接權(quán)矩陣的學(xué)習(xí)算法，公式如下

(5)

采用誤差平方和函數(shù)作為網(wǎng)絡(luò)學(xué)習(xí)指標(biāo)函數(shù)，公式如下

(6)

3.1.4 ELMAN神經(jīng)網(wǎng)絡(luò)的運(yùn)行步驟

運(yùn)行步驟如圖1所示

圖1 ELMAN神經(jīng)網(wǎng)絡(luò)的運(yùn)行步驟

3.2 模型結(jié)構(gòu)設(shè)計(jì)

3.3 模型算法設(shè)計(jì)

第1步初始化ELMAN神經(jīng)網(wǎng)絡(luò)連接權(quán)矩陣w1、w2、w3。

第2步在網(wǎng)絡(luò)的輸入層依次導(dǎo)入P個(gè)訓(xùn)練樣本Xi=(xi1,xi2,…,xi12)，輸出層對(duì)應(yīng)期望目標(biāo)輸出值Yi=(y1,y2,…,yi)，i為[1,p]之間的正整數(shù)。

第3步計(jì)算隱含層、承接層和輸出層的輸出值，公式(1)～(3)。

第4步調(diào)節(jié)連接權(quán)矩陣w1、w2、w3。

①從輸入層至隱含層的連接權(quán)矩陣w1的調(diào)節(jié)公式

=-e(k)g′(w3h(k))·

w3f′(w2h(k-1)+w1(x(k-1)))x(k-1)

(7)

即可得連接權(quán)矩陣w1的第t+1次調(diào)節(jié)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從承接層至隱含層的連接權(quán)矩陣w2的調(diào)節(jié)公式

=-e(k)g′(w3h(k))·

w3f′(w2h(k-1)+w1(x(k-1)))h(k-1)

(9)

即可得連接權(quán)矩陣w2的第t+1次調(diào)節(jié)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從隱含層至輸出層的連接權(quán)矩陣w3的調(diào)節(jié)公式

(11)

即可得連接權(quán)矩陣w3的第t+1次調(diào)節(jié)公式

w3(t+1)=w3(t)+ηe(k)h(k)g′(w3h(k))

(12)

第5步學(xué)習(xí)算法的進(jìn)一步改進(jìn)

為進(jìn)一步提高網(wǎng)絡(luò)的學(xué)習(xí)性能，自適應(yīng)改變各參數(shù)的學(xué)習(xí)率以加快收斂速度，并使用附加動(dòng)量法來抑制振蕩。

①自適應(yīng)改變各參數(shù)的學(xué)習(xí)速率

η(t+1)=η(t)+ε(E(t)-E(t-1))/E(t-1)

(13)

其中ε為權(quán)值學(xué)習(xí)的自適應(yīng)改變速率，0<ε<1，E(t)代表第t次的學(xué)習(xí)指標(biāo)函數(shù)。

②附加動(dòng)量項(xiàng)

為達(dá)到增大學(xué)習(xí)速率的同時(shí)能夠抑制振蕩的目的，在(5)式中增加一個(gè)阻尼項(xiàng)，公式如下

(14)

其中α被稱作阻尼系數(shù)，α[W(t)-W(t-1)]代表阻尼項(xiàng)。

經(jīng)過以上計(jì)算，神經(jīng)網(wǎng)絡(luò)不斷迭代并逐步優(yōu)化，直到網(wǎng)絡(luò)的實(shí)際輸出值與期望目標(biāo)值之間的誤差達(dá)到設(shè)定的網(wǎng)絡(luò)學(xué)習(xí)指標(biāo)函數(shù)精度要求，此時(shí)ELMAN神經(jīng)網(wǎng)絡(luò)滿足應(yīng)用要求。

4 實(shí)例應(yīng)用與分析

選取山西省某市級(jí)工業(yè)園區(qū)作為數(shù)據(jù)采集地，調(diào)查方法為問卷調(diào)查，調(diào)查時(shí)間為2018年12月至2019年3月，調(diào)查方式為郵寄發(fā)放和上門面談。調(diào)查步驟為：首先，選擇一個(gè)研發(fā)資金雄厚、產(chǎn)品附加值高的企業(yè)，作為未來形成的集群企業(yè)協(xié)同創(chuàng)新聯(lián)盟的核心企業(yè)。然后，設(shè)計(jì)基于知識(shí)能力的集群企業(yè)協(xié)同創(chuàng)新評(píng)價(jià)指標(biāo)體系為基礎(chǔ)的量表，并發(fā)放問卷收集數(shù)據(jù)。最后，組建包含集群內(nèi)非關(guān)聯(lián)企業(yè)的管理者、技術(shù)專家和高校專家的評(píng)價(jià)小組，并確定企業(yè)綜合評(píng)價(jià)值。調(diào)研共發(fā)放問卷107份，回收問卷59份，剔除無效問卷后，有效問卷50份。對(duì)有效問卷數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將50家企業(yè)的12項(xiàng)數(shù)據(jù)作為ELMAN神經(jīng)網(wǎng)絡(luò)的輸入值，對(duì)應(yīng)的企業(yè)綜合評(píng)價(jià)值作為期望目標(biāo)輸出值。用MATLAB 2014a軟件進(jìn)行編程和運(yùn)行，網(wǎng)絡(luò)輸出值就是模型計(jì)算出的最終結(jié)果。

本文采用如下標(biāo)準(zhǔn)化數(shù)據(jù)處理公式

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

(15)

經(jīng)標(biāo)準(zhǔn)化處理后的原始數(shù)據(jù)如表1所示。

表1 經(jīng)過標(biāo)準(zhǔn)化處理后的50家企業(yè)的原始數(shù)據(jù)

將表1中前45家企業(yè)數(shù)據(jù)作為ELMAN神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的輸入向量，將對(duì)應(yīng)的綜合評(píng)價(jià)值作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的目標(biāo)輸出向量，用以訓(xùn)練網(wǎng)絡(luò)各層的權(quán)值，訓(xùn)練次數(shù)設(shè)定為1000次，訓(xùn)練精度設(shè)定為0.001。同理調(diào)用BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練樣本及輸入和輸出數(shù)據(jù)作同樣處理，網(wǎng)絡(luò)收斂情況如圖2和圖3所示。

如圖2和圖3所示，在同樣試驗(yàn)環(huán)境下達(dá)到收斂，BP神經(jīng)網(wǎng)絡(luò)迭代了930多次，而ELMAN神經(jīng)網(wǎng)絡(luò)只迭代560多次，明顯用時(shí)較少。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂

圖3 改進(jìn)的ElMAN神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂

為更加直觀地比較訓(xùn)練好的兩種神經(jīng)網(wǎng)絡(luò)性能，將最后5家企業(yè)數(shù)據(jù)作為測試數(shù)據(jù)，命名為T1～T5，帶入仿真環(huán)境下進(jìn)行檢測和對(duì)比。在MATLAB2014a的工具箱中點(diǎn)擊“Simulate”并輸入數(shù)據(jù)，改進(jìn)的ELMAN神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)結(jié)果如圖4所示。

由圖4可以看出5個(gè)測試樣本得分在0.8以上的只有T1和T3，T3評(píng)價(jià)值最高，可以列為核心企業(yè)的首選協(xié)同創(chuàng)新伙伴，T1評(píng)價(jià)值排位僅次于T3,可作為次選協(xié)同創(chuàng)新伙伴。測試結(jié)果表明產(chǎn)業(yè)集群內(nèi)核心企業(yè)在選擇協(xié)同創(chuàng)新伙伴時(shí)，在知識(shí)互補(bǔ)兼容性、知識(shí)吸收能力、知識(shí)轉(zhuǎn)化能力、知識(shí)創(chuàng)新能力方面表現(xiàn)好的企業(yè)，適合作為核心企業(yè)的協(xié)同創(chuàng)新伙伴。充分說明本文構(gòu)建的基于知識(shí)能力的集群企業(yè)協(xié)同創(chuàng)新伙伴選擇指標(biāo)體系和計(jì)算方法的有效性。測試結(jié)果符合我們?cè)谌肫竺嬲務(wù){(diào)研時(shí)的直觀感受。

圖4 改進(jìn)的ELMAN神經(jīng)網(wǎng)絡(luò)測試企業(yè)數(shù)據(jù)得分

為進(jìn)一步驗(yàn)證本文提出的改進(jìn)的ELMAN神經(jīng)網(wǎng)絡(luò)算法的優(yōu)良性能，將其與BP神經(jīng)網(wǎng)絡(luò)算法測試結(jié)果和誤差進(jìn)行對(duì)比。

表2 改進(jìn)的ElMAN和BP神經(jīng)網(wǎng)絡(luò)測試結(jié)果及誤差

從表2中也可以看出，改進(jìn)的ElMAN神經(jīng)網(wǎng)絡(luò)算法的評(píng)價(jià)誤差絕對(duì)值小于BP神經(jīng)網(wǎng)絡(luò)。

實(shí)證結(jié)果說明，本文構(gòu)建的基于知識(shí)能力的伙伴選擇評(píng)價(jià)指標(biāo)體系，可以為核心企業(yè)選出開展協(xié)同創(chuàng)新活動(dòng)所需要的合作伙伴；本文改進(jìn)的ElMAN神經(jīng)網(wǎng)絡(luò)算法相較于BP神經(jīng)網(wǎng)絡(luò)算法，在評(píng)價(jià)測算時(shí)，計(jì)算速度更快、精度更高。因此，本文提出的方法可為一般的多元主體合作創(chuàng)新伙伴選擇問題提供比較準(zhǔn)確的參考。

5 結(jié)論與建議

5.1 研究結(jié)論

本文構(gòu)建了基于知識(shí)能力的集群企業(yè)協(xié)同創(chuàng)新伙伴選擇評(píng)價(jià)指標(biāo)體系，提出了改進(jìn)的ElMAN神經(jīng)網(wǎng)絡(luò)模型，并將其應(yīng)用于上述指標(biāo)體系下的備選合作企業(yè)的評(píng)價(jià)測度。實(shí)證結(jié)果表明，該模型相較于BP神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練時(shí)間短、計(jì)算精度高?？傮w而言，本文提出的方法充分考慮了知識(shí)能力對(duì)于集群企業(yè)協(xié)同創(chuàng)新的重要性，為知識(shí)經(jīng)濟(jì)時(shí)代下集群企業(yè)科學(xué)選擇協(xié)同創(chuàng)新伙伴提供了一種新思路。

5.2 管理建議

從本文實(shí)證研究過程可以看出，伙伴選擇流程對(duì)最終評(píng)價(jià)結(jié)果具有重要影響，因此有必要規(guī)范相關(guān)流程，根據(jù)需要及時(shí)調(diào)整戰(zhàn)略目標(biāo)，形成正反饋選擇機(jī)制。調(diào)研中還發(fā)現(xiàn)，集群企業(yè)間普遍存在競爭和合作關(guān)系，部分企業(yè)對(duì)協(xié)同創(chuàng)新持懷疑和觀望態(tài)度，因此增強(qiáng)合作意愿有利于提高集群企業(yè)參與協(xié)同創(chuàng)新的積極性。無論是從核心企業(yè)自身出發(fā)，還是從處理好與合作伙伴關(guān)系角度出發(fā)，完善保障機(jī)制對(duì)伙伴關(guān)系深化乃至協(xié)同創(chuàng)新的成功至關(guān)重要。

(1)規(guī)范選擇流程。首先，核心企業(yè)對(duì)自身物質(zhì)資源、技術(shù)儲(chǔ)備、創(chuàng)新能力等進(jìn)行綜合分析研判基礎(chǔ)上，制定協(xié)同創(chuàng)新的明確戰(zhàn)略目標(biāo)，并對(duì)目標(biāo)及具體項(xiàng)目進(jìn)行分解。其次，根據(jù)已經(jīng)制定的目標(biāo)，確定所需要的知識(shí)、資源和能力組合及合作方式。最后，對(duì)協(xié)同創(chuàng)新的備選伙伴進(jìn)行評(píng)估，確定合作企業(yè)伙伴。如無合格伙伴，則擴(kuò)大選擇范圍或進(jìn)一步對(duì)目標(biāo)或項(xiàng)目修正調(diào)整，重新啟動(dòng)伙伴選擇流程，直到最終選出與核心企業(yè)最匹配的合作方。

(2)增強(qiáng)合作意愿。依托園區(qū)管委會(huì)、行業(yè)協(xié)會(huì)等組織，定期開展集群企業(yè)間的技術(shù)觀摩和研討交流活動(dòng)，舉辦科技成果推介會(huì)和評(píng)比表彰活動(dòng)，促進(jìn)集群企業(yè)間不斷溝通和交流，增進(jìn)彼此間互信。集中報(bào)道一批協(xié)同創(chuàng)新的成功企業(yè)和先進(jìn)人物的光榮事跡，在產(chǎn)業(yè)集群內(nèi)樹立和營造尊重知識(shí)、崇尚創(chuàng)新、誠信合作的文化氛圍。

(3)完善保障機(jī)制。參考美國《拜杜法案》、《國家合作研究法》等國外發(fā)達(dá)國家成熟的法律法規(guī)，探索建立適合中國集群企業(yè)協(xié)同創(chuàng)新的法律制度體系。制定公平公正的協(xié)同創(chuàng)新利益協(xié)調(diào)和風(fēng)險(xiǎn)防范機(jī)制。切實(shí)履行協(xié)同創(chuàng)新契約合同的法律效應(yīng)，加大對(duì)尋租、搭便車等非法和不道德行為的懲罰。