基于微粒群算法的企業創新能力評價

張 勇

（成都信息工程學院 控制工程學院，成都 610225）

企業創新能力評價目前反映在兩個主要方面，首先是評價以定性為主，但通過定性方式得到企業創新能力評價結果具有較強的主觀性和隨意性；二是創新能力評價指標設置不具有科學性，不能較為真實的反應企業創新能力的水平和狀況[1]。在評價方法上目前運用數量的方法研究相對較少，如企業創新能力中有的指標具有模糊性，雖然模糊數學的方法能提供相應的便利，但在模糊綜合評價中，其隸屬度和權重的確定是一個難題。因此，本文從定量角度，引入微粒群算法確定指標權重，而隸屬度采取隸屬賦值方法嘗試從客觀、合理角度對企業創新能力做出評價。

1 微粒群算法在企業創新能力評價中的引入

微粒群算法作為一種群體智能搜索算法，在其發展和演變過程中逐漸引入了慣性權重以達到更好控制算法的開發與探索能力。該方法的智能學習能力使所得解相對精確可靠、操作較為簡單[2]。

在微粒群算法中，每一個優化或評價問題的求解可稱之為“微?！?，所有微粒集中在一起形成微粒群，且均存在一個被優化函數決定的適應值，各個微粒有一個決定其飛行方向和距離的速度，而后這些微粒圍繞當前的最優微粒在解空間中不停的搜索[3]。微粒群算法依據每個微粒的適應值進行操作，并根據每個微粒的飛行經驗和群體飛行經驗進行調整。

若微粒i當前的位置表示為當前飛行速度為所經歷過最好位置為為所有微粒所經過的最佳位置，則微粒算法進化方程可描述為：表達式中i、j分別表示微粒；t表示第t代；w表示慣性權重；C1、C2表示為加速度常數；rand1()、rand2()～U( )0,1為兩個相互獨立的隨機函數[4]-【5】。

依據微粒算法的進化表達式，所涉及到的算法參數為：（1）群體規模。群體規模大小與算法速度成反向關系，而與微粒的最優適應值出現概率成正向關系，因此，合理的群體規模將會影響到算法結果的準確性?！?】依據函數測試的特點，對企業創新能力評價研究群體規模取為100。（2）慣性權重。作為微粒速度的一個重要函數，使算法在解空間尋找新的區域以保證算法隨進化代數增加得出更優的適應值。企業創新能力評價中的表達式設定為隨迭代代數逐步減少的線性函數，使進化方程在初期具有較強的全局收斂能力，在晚期具有較強的局部收斂能力，具體表現為w(t)=0.9-0.5×t/最大進化代數。（3）加速度常數C1、C2。若C1=0，該算法失去認知能力，若C2=0，微粒間無信息共享而失去社會認知能力。因此本文設定C1=C2=2。（4）最大進化代數（N）。該參數決定了算法尋優的效果，N越大，則尋優效果越好。本文取N=1000。

2 企業創新能力評價指標體系

企業創新能力，一般來說是指企業依靠著自己所擁有的資源來實現產品性能、技術方面的突破，以支撐企業的發展和壯大，在行業中起到一定程度的引領作用[7]。從企業角度來說，其創新能力是企業多種資源，多種能力復合的結果，包括企業對所擁有資源的掌握和運用能力，創新能力得到實現的載體能力和環境能力，成果創新能力和市場適應能力等。通過對不同企業的問卷調查和分析，將企業創新能力指標進行劃分，得到如表1所示的創新指標體系。

表1 企業創新能力指標體系

3 企業創新能力模糊綜合評價

3.1 指標隸屬度的確定

依據表1中設定的企業創新能力指標體系，主要體現為差異性量綱及量綱單位，為消除由此差異所造成的不可公度性，以便于后續工作的計算，則對評價指標進行有效的轉化。在轉化過程中，用指標值與所有指標值中最優值進行比較構造出單價矩陣。在表一的評價指標中，一部分體現為正向指標，如企業擁有資金數量（x4），企業開發專利或非專利數量（x17）等，一部分體現為適度性指標，如企業進行創新活動的人數（x2），企業投入創新研究資金數量（x5）等。因而采用以下轉換模型進行分析：【8】

正向指標的隸屬度確定模型：

適度性指標隸屬度模型：

其中Rij為第i個企業第j項指標評價值，xij為第i個企業第j項指標的原值數據值，xmaxj、xavej、xminj分別為各項指標下的最大值、平均值和最小值。

3.2 創新能力評價指標權重的計算

在指標權重計算方面，常用的方法有層次分析法、德爾菲法、主觀賦值法，這些常用方法帶有較強的主觀性。而對企業創新能力指標權重的計算，為減少其主觀因素的影響程度，采用與最優和最劣對象距離之和最小為目標的主觀賦權法進行。

3.3 模糊綜合評價模型

依據所計算的隸屬度及指標權重，采用模糊綜合評判模型進行創新能力評價，其模型為：

其中“°”為模糊運算符，模糊綜合評價模型隨著運算符的變化而變化，文章采用模型其中“ ?”為實數乘法，“⊕”為有上界求和。

4 應用實例

依據統計調查，本文選取靠近成都市三環四個方向（東、西、南、北）各兩家典型企業數據作為實例，在選取實例中，不考慮（1）企業成立時間差異對創新的影響；（2）企業類型和規模差異對創新的影響；（3）行業差別對企業創新的影響。對于統計調查所得原始數據暫不列出，通過對八家企業進行的問卷調查所得結果運用模糊隸屬賦值方法對所得數據進行無量綱處理，依據前文中權重確定的方法[9],應用微粒算法計算得到權重。

在用微粒算法計算時，其相關參數確定為m=100，w采用線性迭代函數，C1=C2=2.0，N=1000。因此對企業創新能力評價計算以企業人力資源為例計算。企業創新人力資源無量綱矩陣

依據R人力矩陣，以與最優和最劣對象距離之和最小為目標，運用微粒算法得到其指標權重為則8個企業人力資源綜合評價結果為：

B人力=w人力°R人力=(0.7266,0.5258,0.1204,0.075,0.5867,0.1742,0.349,0.1283)以此類推得到其他指標一級綜合評價結果如表2:

表2 一級綜合評價結果

在一級綜合評價基礎上，運用同樣方法進行二級綜合評價，得到其權重向量分別為：w資源=(0.4793,0.5207，)得到二級綜合評價如表3：

表3 二級綜合評價結果

在二級綜合評價基礎上進行三級綜合評價，其評價方法同法。三級綜合評價的權重向量w=(0.2347,0.2041,0.1321,0.2603,0.1688，)則得到所選取企業創新能力評價結果為：B=（0.6199,0.7064,0.2175,0.2352,0.5115,0.4784,0.2523,0.3209）。由最終評價結果來看，英特爾（外資）其創新能力最強（0.7064），其次是迪康藥業（0.6199），而紅旗連鎖的創新能力在綜合評價中最弱（0.2175），其原因在于電子產品的行業性質決定其創新能力為其生存之本，而紅旗連鎖作為第三產業零售商，主要集中于服務而不是產品生產。這與目前實際中企業創新能力的評價和認識具有一致性。

5 結束語

對于企業創新能力的評價指標具有很大程度上的模糊性，因而為運用模糊綜合評價制造了條件，且實際可行，文章通過微粒群算法的學習能力，利用所得數據中包含的信息內容確定其評價權重，減少了主觀性的影響，增加創新能力評價的客觀性，并運用對成都不同方位的企業調查數據進行了實證分析，說明了該方法的科學合理性。但在運用該方法進行企業創新能力評價時應注意（1）企業創新能力評價指標受到行業差別、地域差別的影響，在指標設置中應盡可能使得評價對象具有可比性；（2）微粒群算法的參數設置對評價結果有一定影響，在具體評價過程中結合評價企業類型及數量進行參數的設定。

[1]徐冠華.把推動科技自主創新擺在全部科技評價工作的突出位置[J].中國軟科學，2005,（4）.

[2]Kennedy J,EberhartR.C.Particle Swarm Optimization[C].Proc IEEE Int’1 Conf Neural Networks Perth,1995.

[3]Gong Dun wei,Zhang Yong,Multi-Objective Particle Swarm Optimiza?tion Based on Minimal Particle Angle[J].Lecture Notes in Computer Science(S0202-9743),2005,3644(1).

[4]Eberhart R,ShiY.Particle Swarm Optimization:Development Appli?cations and Resources[C].Proceedings of the 2001 Congress on Evolutionary Computation,2001.

[5]Shi Y,Eberhart R.Empirical Study of Particle Swarm Optimization[C].Proceedings of the 1999 Con gress on Evolutionary Computation,1999.

[6]ShiY,Eberhart R.C.Empirical Study of Particle Swarm Optimization,In:Proc IEEE International Conference on Evolutionary Computation[C].Piscataway,DNJ,IEEE Service Center,1999.

[7]謝曉峰,張文俊,楊之廉.微粒群算法綜述[J].控制與決策,2003,18(2).

[8]李洪興等.工程模糊數學方法及應用[M].天津:天津科學技術出版社,1991.

[9]郭華平，管良坤.企業業績評價指標體系構建及實證檢驗[J].求索，2011，（1）.

[10]張克勇.精通MARTLAB6.5版[M].北京：北京航天航空大學出版社，2003.