一種基于BP神經網絡的轉型企業知識轉移風險評價模型研究

黃清鑫　郭東強

[摘要]市場經濟快速發展加速了企業轉型進度。轉型企業需要有效地吸收和轉化新進入產業的知識，識別轉型過程中存在的風險。積極促進企業正常轉型。結合轉型企業的組織特性以及企業特性，本文構建了轉型企業知識轉移的風險指標體系，引入BP神經網絡算法，提出基于BP神經網絡的轉型企業知識轉移風險評價模型，實驗結果證明該算法能夠很好地評估和預測企業知識轉移面臨的風險。

[關鍵詞]BP神經網絡；企業；知識轉移；風險評價

DOI：10.3969/j.issn.1008-0821.2015.01.021

[中圖分類號]F272.4 [文獻標識碼]A [文章編號]1008-0821（20t5）01-0108-06

隨著科學技術的發展，市場經濟競爭更加激烈，調整企業產業結構，適應市場經濟的發展，已經成為各大企業面臨的挑戰問題之一。在企業轉型過程中，知識轉移具有不可替代的作用，其可以有效的發掘企業的潛在資源，優化配置知識管理的有效性，企業轉型也能夠為高質高效地實現企業知識轉移和轉化提供良好的土壤，使得有價值和創造力的知識在組織之間得以共享，擴大共享知識圈，促進整個組織的知識存量增長，最終達到提升知識創新及能力創新。

企業知識轉移過程中，需要在原有企業積累的知識基礎上，吸收新的企業發展壯大的知識，以便能夠有效的改進企業經營、管理的狀況，因此，知識轉移過程具有復雜性、特殊性，其面臨著許多不確定的因素，將會給企業轉型帶來巨大的風險，常見的風險有知識產權侵權風險等。許多企業管理學者為了有效的規避知識轉移過程中發生風險，已經對其進行了許多研究，比如使用多元分析法、層次分析法、模糊綜合法等，識別、評估知識轉移面臨的風險。但是，目前的風險識別和評估方法應用過程中，依賴主觀經驗，要求評判人必須擁有許多的風險評估實際經驗，降低了決策的客觀性和準確度。為了解決上述問題，本文在知識轉移過程中引入BP神經網絡，提出基于BP神經網絡的轉型企業知識轉移風險評價模型，針對知識轉移過程中遇到的問題進行分析，實施預測和判斷，實驗結果證明該算法能夠很好地評估和預測企業知識轉移面臨的風險。

1.背景理論

1.1轉型企業知識轉移風險指標體系

經過多年的研究和實踐，許多學者已經提出了多種企業知識轉移過程風險識別方法，比如頭腦風暴法、德爾菲法、情景分析法、問卷調查法、座談法、核對表法和故障樹分析方法。因此，可以根據轉型企業的實際情況，選擇一種或多種風險識別方法，合理配置，對轉型企業的組織特性以及企業特性進行綜合考慮和測評，識別知識轉移存在的風險。

為了更加有效的識別企業知識轉移存在的分析，本文在實施問卷調查、情景分析法和核對表法的基礎上，使用SPSS10.0統計軟件對獲得的實證數據分別進行描述性統計，信效度分析，以對轉型企業知識轉移有顯著影響的關鍵風險因素進行分析，統計發現轉型企業外部知識轉移存在多種風險因素，并且結構不明確，增加了不確定性，并且許多風險可以歸為一類，因此可以對這些風險實施因子分析，以便能夠有效的降低風險因子數量，辨析風險結構，識別出關鍵風險因子。

因子分析是一種有效降維的統計分析手段，通過因子分析，可以將較多的因子降維成為少數幾個具有代表性的綜合因子，從而更便于對這些因子進行分析，以及之后的相關分析和因果分析。實施因子分析之前，需要確定這些因子之間是存在較強的相關性的，本文運用KMO樣本充足度測度以及巴特爾球度這兩種統計手段，對多個知識轉移風險因素進行相關分析，判別其是否適合進行因子分析。

KMO統計量的取值范圍介于0～1之間，其值越接近于1，表示變量間的相關性越強，越適合做因子分析；相反。KMO統計值越加接近于0，則越不適合做因子分析。通常，KMO≥0.9，是極為適合因子分析；0.8≤KMO<0.9，則是較為適合；0.7≤KMO<0.8，則是尚可；0.6≤KMO<0.7，則勉強可以進行因素分析；若0.65≤KMO<0.6，則不適合進行因子分析；小于0.50則是非常不適合。

對于巴特萊球度檢驗而言，當觀測值較大，對應概率P值小于給定顯著水平a時，認為適合做因子分析，否則不適合。本文通過SPSS10.0對轉型企業外部知識轉移風險因素的調查數據實施KMO和Bartlett球度檢驗可以得知，Bartlett球形度檢驗的si=0.000<0.01，顯著；且KMO=0.856>0.8，這就表明，適合做因子分析，具體檢驗結果如表1所示。

在對轉型企業外部知識轉移因子分析過程中，本文采用方差最大化正交旋轉法（Varimax）法的主成分分析（PCA）法，以相關矩陣（correlation matrix）為提取因子的依據，按特征根大于1的標準抽提因子。并且，為了保證因素的顯著性，根據Hair等人研究成果，以0.5作為因子載重系數臨界點。具體結果如表2所示。轉型企業外部知識轉移風險因子分析結果，表中顯示了所有的主成分及其因子載荷。從表2中可以得知，整個因子分析將所有的風險因素分為5個新的因子，且其特征值都大于1，全部累計方差的解釋率達到70.926。其中，第一個因子包括：企業主體的知識轉移能力低、對知識的過度保護、對知識的保護過低、參與知識轉移的企業數量太大、企業主體問的信任關系不強、企業主體間的信息不對稱以及轉移意愿不強，由于這些變量基本都與知識轉移的主體有關，本文將其命名為“知識轉移主體風險”；第二個公因子主要包括：知識的相關性差、知識的默會性高、知識的情境依賴性強、知識的專業性要求高，且這些變量都與知識的特性相關，所以將其命名為“知識轉移特性風險”；第三個公因子主要包括：知識產權法律的執法力度不夠、知識產權法律的不完善、企業的產權意識不強3個因素，且其反映的都是知識產權環境，所以本文將其命名為“知識轉移產權環境風險”；第四個公因子是知識背景的相差程度大，反映的是企業的內部環境，因此將其稱為“知識轉移內部環境風險”；第五個公因子主要包括：知識轉移方式與知識特性匹配程度不高、知識轉移媒體的富裕度低，因其都與知識轉移的方式相關，因而本文將其稱為“知識轉移方式風險”。

通過分析，本文識別出影響轉型企業外部知識轉移的5個關鍵風險因素和17個風險變量指標，其相關因素荷重，變量解釋和累積方差解釋。同時根據轉型企業的知識轉移風險的指標體系建立而言，將因子分析所得到的關鍵風險因素及其風險因素集作為備選指標，可知知識轉移的主體、知識特性、知識產權環境、知識轉移內部環境以及知識轉移方式等方面的因素已經較為全面的概括了轉型企業外部知識轉移的全部風險構成的各個方面；而且各個風險因子之間是無線性相關性，即有區別，不可相互替代，經過因子分析所識別出的關鍵風險要素和風險變量集作為轉型企業外部知識轉移風險的風險指標體系，具體如表3所示。

3.3實驗結果分析

BP神經網絡知識轉移風險評價模型實驗過程中，將表5中1～6樣本企業的數據作為訓練數據輸入到網絡模型中，表6中對應的數據作為輸出值。算法經過實施378次的迭代，誤差達到0.9967×10-5，滿足知識轉移風險評估的要求。

訓練學習步驟完成之后，將表5中編號7和8的數據輸入BP神經網絡模型中，最后執行結果分別是0.4001和0.5452，如表7所示。

根據預先設定的風險等級可以看到，樣本企業7面臨的知識轉移風險值0.4001位于0.3～0.5之間，表明該轉型企業外部知識轉移的風險較小，風險防控效果不錯。樣本企業8面臨的知識轉移風險值0.5452介于0.5～0.7之間，表明該轉型企業外部知識轉移的風險適中，需要采取一定措施對風險加以防控。BP神經網絡可以有效的識別、評估轉型企業的知識轉移風險，為企業轉型決策提供支撐依據。

4.結論

本文通過因子分析法構建了轉型企業知識轉移面臨的風險體系，引入BP神經網絡，構建神經網絡風險分析、評估模型，通過8個廣州地區轉型企業的數據進行實驗，實驗結果證明轉型企業知識轉移風險評價的神經網絡結構模型能夠有效的評估企業面臨的風險。未來主要工作是識別和評估風險之后，采取有效的風險防控策略，構建關鍵風險因子預警措施，降低風險發生的概率，為企業發展壯大做出積極的作用。endprint