基于模糊GA算法的創新型產業集群成員選擇方法
——以安徽省蕪湖高新區新能源汽車產業集群為例

邱璜

（安徽工業經濟職業技術學院 機械與汽車工程學院，安徽合肥 230039）

隨著我國對環境問題的重視，具有節能、環保優勢的新能源汽車產業在各類政策的引導和扶持下，近年來得到了快速發展[1]。從全生命周期來看，新能源汽車產業涵蓋電機電控、零部件及整車、動力電池等的研發與制造，以及汽車金融、汽車后服務等多個領域[2-3]?？梢?，要實現新能源汽車產業技術水平的提升和產品市場競爭力的提高，合理選擇產業集群成員則是重要的因素[4]。

在產業集群的研究與評價方面，董磊[5]構建了產業入區評價指標體系，利用Lasso算法模型預處理相關數據，得到各評價指標系數，進而完成對產業集群的劃分?？墒?，由于Lasso算法模型具有多重共線性的特點，當輸入特征之間存在高度相關時，傾向于隨機選擇一個特征，并將其他相關特征的系數設置為零，從而降低了模型的穩定性。梁晨等人[6]根據產業集群特征來劃分類簇，運用KMeans算法對類簇進行最小化聚類誤差計算，獲得集聚水平表征結果。該方法需預先確定簇的數量并選擇初始質心。由于初始質心的選擇會對最終聚類結果產生較大的影響，因此算法的有效性需要進一步驗證。

在參考上述研究的基礎上，本文提出一種基于模糊GA算法（Genetic Algorithm，遺傳算法）的安徽省新能源汽車創新型產業集群成員選擇方法，希望能為地方新能源汽車產業的發展提供幫助。

1 基于泰爾指數嵌套分析法的成員選擇需求分析

在對新能源汽車創新型產業集群成員進行選擇前，首先需要對該產業的發展情況進行合理分析[7-8]。本文采用泰爾指數嵌套分析法對新能源汽車產業內不同類群與其總體發展的差異進行分析[9]。新能源汽車產業內差異可分為區域間集群差異P( xi)、同類間集群差異P( xij)和單一集群內差異P( xijk)三個部分[10]。通過對集群嵌套式分解計算[11]，得到集群在各尺度上的差異；根據差異數值獲取各集群在安徽省新能源汽車產業發展總差異中的比重參數[12]。具體算法為：

其中：P 為產業集群對應創新活動的總體差異；P( )xi為產業集群對應創新活動在區域間的差異；P( )xij為產業集群對應創新活動在同類集群間的差異；P( )

xijk為產業集群對應創新活動在自身內部存在的差異；x、xi、xij、xijk分別表示全國新能源汽車產業中各尺度創新發展水平的規模，i 為產業集群、ij 為i 產業集群中的j 發展要素、ijk為i 產業集群中j 發展要素的k 指標參數；y 、yi、yij、yijk分別表示安徽省新能源汽車產業中各尺度創新發展水平的規模。

從式（1）可以看出，新能源汽車產業集群在不同尺度上的規模差異是最能直觀體現其集群成員選擇目標的參數[13]。為此，本文分別利用變異系數與基尼系數作為測度指標，對新能源汽車產業的創新活動作進一步分析[14]。利用變異系數計算單一尺度上規模與平均值之間的差異，利用基尼系數計算不同尺度間在規模上的差異。根據變異系數與基尼系數的屬性，系數的計算結果越大，對應的規模差異也越大。其算式為：其中：c 表示新能源汽車產業的變異系數；表示新能源汽車產業中i 產業集群j 發展要素的k指標參數對應的創新活動規模均值；-x 表示新能源汽車產業中k 指標參數對應的創新活動規模均值；g 表示新能源汽車產業的基尼系數；n 表示新能源汽車產業集群的構成總數。

將新能源汽車產業的變異系數、基尼系數與該產業創新型發展需求之間的偏差，作為集群成員選擇的目標參數，結果表示為：

其中：ε 表示集群成員選擇需求，也就是后續模糊GA 算法執行的目標；C 和G 分別表示新能源汽車創新型產業發展需求下的理想變異系數與基尼系數。

2 基于模糊GA 算法的產業集群成員選擇

鑒于新能源汽車創新型產業集群成員多樣化的特征，如果以單一指標對其選擇，難以保證產業內外部創新網絡的可靠性；因此，需將新能源汽車創新型產業集群成員的選擇問題，采用模糊GA 算法轉化為對產業變異系數和基尼系數的優化問題。

2.1 模糊邏輯的構建

采用模糊遺傳算法對選擇范圍內的企業組織機構進行分析，將每個企業組織機構的單一指標數據信息作為一個染色體，利用適應度值對其進行劃分處理，獲取差異數值較大的種群。通過這樣處理，能有效避免由于單種類型成員選擇較多，而導致的產業集群基因一致化的問題，確保選擇結果能夠最大限度地實現多樣性。由于交叉算子和變異算子對種群內成員構成的多樣性有直接的影響，因此構建了模糊邏輯對交叉算子和變異算子進行動態調節；并利用遺傳算法的運算方式，將種群的適應度值變化情況設置模糊邏輯，具體表示為：

其中：z( t )表示輸入遺傳算法中的變量信息，也就是可選擇的企業組織數據信息；t 表示遺傳算法執行的代數；fmax( t )表示適應度的最大值；favg( t )表示適應度的平均值；fmin( t )表示適應度的最小值。通過該方式對各個染色體進行模糊化處理，為后續成員選擇提供可靠的數據基礎。

2.2 設置染色體編碼

為模糊化處理后的每個染色體設置長度與之匹配的二進制串，采用二進制編碼方式對其進行編碼處理。對于變量z( t )，定義其指標參數的取值范圍均為（0，1）；在精度0.001的要求下，z( t )在對應區間離散化的結果可表示為0.001，0.002，…，0.100。利用二進制編碼方式對上述數據進行表示時，編碼的長度取值結果為5。按照該方式，對每個變量進行二進制編碼后，就可以得到由n 個變量構成的企業組織編碼信息，對應的編碼長度表示為：

其中：d 表示單個可選擇企業組織的編碼長度；di表示企業組織單個染色體的編碼長度。在此基礎上，利用浮點數編碼的方式將變量z( )t 的指標數據信息映射到遺傳算法的分析區間，作為計算適應度值的基礎數據。

2.3 模式劃分

對編碼后的個體按照染色體的構成進行聚類，并以個體為基礎單元作初步劃分，計算方式為：

其中：κ 表示單一個體在種群中的適應度值；d( z)表示變量z( t )的編碼信息；d( Z )表示變量z( t )所在種群的編碼信息均值；Z 表示變量z( t )所在的種群。運用公式（10），可將適應度值在種群允許范圍內的個體劃分到對應的種群中。

2.4 選擇操作

為避免尋優結果陷入局部最優，運用輪盤賭選擇法對子種群與其適應度值進行匹配；將其中較高染色體所對應的個體作為初代選擇，概率表示為：

其中：F ind( z )表示選擇算子匹配機制下，種群任意個體被選中的概率；∑Find( Z )表示種群中所有個體被選中的概率之和。

在初代目標種群中，分別計算個體與選擇目標間的適應度值，直至種群中個體的適應度不再隨著遺傳代數的增加而變化，將此時的個體作為最終的選擇結果。如此操作，能夠確保在成員之間關聯的前提下，最大限度彌補當前產業集群構成上存在的短板。

3 測試與分析

3.1 案例選擇

安徽省蕪湖高新區以奇瑞汽車為龍頭，已經形成一定規模的新能源汽車產業集群。奇瑞新能源汽車雖然在產品質量和新能源技術等方面取得了一些成績，但是其市場占有率仍存在進一步提升的空間。通過對新能源汽車產業發展趨勢和消費者購買需求的分析，從創新角度提出蕪湖高新區新能源汽車產業集群的優化策略。

近年來，奇瑞新能源汽車的研發投入雖然在持續增長，但是與比亞迪、蔚來等同類企業相比，還是存在著明顯差距。研發投入的不足在一定程度上限制了蕪湖新能源汽車產業集群的創新發展。動力電池作為新能源汽車的核心構件，其續航性能是新能源汽車重要的研發領域。此外，對電池的回收和循環利用研究，也是新能源汽車產業的重要組成部分。這三方面正是目前蕪湖高新區新能源汽車產業集群存在的不足，亟需通過優化產業成員的構成來補齊短板。

3.2 數據的收集與處理

鑒于新能源汽車產業發展中產業鏈與創新鏈緊密聯系的特點，本研究對蕪湖高新區新能源汽車產業集群成員的選擇，涵蓋了以產品創新為核心的企業、高校及專門的研究機構。在對相關成員進行數據采集時，除了直接可以獲取的數據外，對于無法直接獲取數據的成員，則借助關系型數據，采用基于提名法的滾雪球抽樣方式進行采集。比如，利用組織與蕪湖高新區新能源汽車產業集群中重點企業技術部門的技術合作關系進行篩選，對滿足要求的組織展開數據調查。為了最大限度地吸納有實際創新技術和能力的成員，以上述組織為基礎，逐級向下做了深入的數據采集。采集數據的內容如表1所示。

表1 數據采集內容

針對滾雪球抽樣方法對企業、高校及專門研究機構數據采集深度和廣度的不足，按照固定抽樣搜索深度，對采集到的數據結果進行剪枝處理，確保統計到的關系型數據具有更高的有效性。最終，篩選出336 個成員單位，涵蓋了新能源汽車產業的各個方面。

3.3 測試結果與分析

在上述所得數據的基礎上，分別采用本文方法、文獻[5]方法和文獻[6]方法，對新能源汽車創新型產業集群成員進行選擇，并根據所選成員之間的關系，構建起產業集群創新網絡。三種方法選擇的有效成員數量均為126個，對應形成的產業集群規模也均為126 個。以主要核心成員為基礎形成的網絡結構如圖1所示。其中，網絡節點表示成員在集群中的中介性，節點鏈越多表明中介性越強，即與其存在關聯的組織越多。對圖1中的網絡參數進行統計，得到的數據信息如表2 所示。其中，“邊數”是指網絡中連接節點間線段的數量；“平均度”是指網絡中與節點相連邊數的平均值；“密度”是指網絡中實際存在邊數與可能存在邊數的比例；“平均聚集系數”是衡量網絡內部連接緊密程度的指標。

表2 不同創新網絡的特征參數信息

分析圖1、表2所顯示的三種選擇方法下產業集群創新網絡的相關信息可知：運用文獻[5]方法構建的網絡在平均度上數值明顯偏低，這會導致整個網絡結構出現一定的偏置，若以此指導新能源汽車產業集群的創新發展，則會引起產業集群內發展的不平衡，直接影響該產業的綜合創新能力；運用文獻[6]方法構建的網絡在邊數上相對較少，這就意味著其選擇的成員之間合作關系相對較弱，會間接影響新能源汽車產業集群的創新能力；運用本文方法構建的成員網絡，邊數、平均度、密度和平均聚集系數都是最高的，表明各成員的分布不僅較為平均，而且合作關系也更為緊密，以此指導新能源汽車產業集群的建設，也更能有效促進產業的創新性發展水平。

產業集群在實際運行中，會受到外生性風險和內生性風險的沖擊，因此，對所構建創新網絡的穩定性進行測度是非常必要的。本文采用仿真模擬的方式，運用Matlab2010b 軟件對不同集群創新網絡在沖擊影響下的動態發展過程進行測度，選取創新網絡的“有效規?！焙汀坝行堋弊鳛闇y度指標。其中，網絡有效規模即產業集群中成員的總數。網絡有效效能的計算方式為：

其中：E表示產業集群創新網絡的有效效能；γij表示網絡中任意兩個成員i和j的關聯度；G表示產業集群創新網絡；N表示產業集群創新網絡中有效成員總數。

為最大限度消除隨機誤差對測試結果的影響，對三種方法構建的創新網絡各進行10 次風險動態沖擊測試，將10次的均值作為測試結果，數據信息如圖2所示。

圖2 風險沖擊下創新網絡穩定性測度

從圖2 可以看出，隨著沖擊時間的延長，三種創新網絡的有效規模和有效效能均呈下降趨勢。其中，運用文獻[5]、文獻[6]方法構建的網絡分別受內生性風險和外生性風險的影響最為明顯，而運用本文方法所構建的創新網絡在內外部風險的沖擊下表現最為穩定。從而表明，運用本文方法選擇成員并構成的新能源汽車產業集群，具有較強的風險抵御能力，可以最大限度地保證其創新能力。因此，該方法更符合蕪湖高新區新能源汽車創新型產業集群建設對成員選擇和產業集聚形態構設的需求。

4 結語

為了增強地方新能源汽車產業在市場競爭中的優勢，構建可靠的產業集群至關重要。本文提出了一種基于模糊GA 算法的創新型產業集群成員選擇方法，在分析新能源汽車產業發展現狀的基礎上，設定了產業集群成員的選擇目標；借助模糊GA 算法對企業組織與選擇目標間的擬合度進行了計算，并根據選擇結果構建了新能源汽車產業集群創新網絡模式。該模式不僅體現出較高的綜合創新能力，而且在不同類型風險的沖擊下具有較高的穩定性。本研究可為安徽省蕪湖高新區新能源汽車產業集群的創新發展提供有效的參考，也有望在更多類型的產業集群建設和優化中推廣。