网站首页  词典首页

请输入您要查询的论文:

 

标题 一种基于BP神经网络的转型企业知识转移风险评价模型研究
范文 黄清鑫 郭东强



[摘要]市场经济快速发展加速了企业转型进度。转型企业需要有效地吸收和转化新进入产业的知识,识别转型过程中存在的风险。积极促进企业正常转型。结合转型企业的组织特性以及企业特性,本文构建了转型企业知识转移的风险指标体系,引入BP神经网络算法,提出基于BP神经网络的转型企业知识转移风险评价模型,实验结果证明该算法能够很好地评估和预测企业知识转移面临的风险。
[关键词]BP神经网络;企业;知识转移;风险评价
DOI:10.3969/j.issn.1008-0821.2015.01.021
[中图分类号]F272.4 [文献标识码]A [文章编号]1008-0821(20t5)01-0108-06
随着科学技术的发展,市场经济竞争更加激烈,调整企业产业结构,适应市场经济的发展,已经成为各大企业面临的挑战问题之一。在企业转型过程中,知识转移具有不可替代的作用,其可以有效的发掘企业的潜在资源,优化配置知识管理的有效性,企业转型也能够为高质高效地实现企业知识转移和转化提供良好的土壤,使得有价值和创造力的知识在组织之间得以共享,扩大共享知识圈,促进整个组织的知识存量增长,最终达到提升知识创新及能力创新。
企业知识转移过程中,需要在原有企业积累的知识基础上,吸收新的企业发展壮大的知识,以便能够有效的改进企业经营、管理的状况,因此,知识转移过程具有复杂性、特殊性,其面临着许多不确定的因素,将会给企业转型带来巨大的风险,常见的风险有知识产权侵权风险等。许多企业管理学者为了有效的规避知识转移过程中发生风险,已经对其进行了许多研究,比如使用多元分析法、层次分析法、模糊综合法等,识别、评估知识转移面临的风险。但是,目前的风险识别和评估方法应用过程中,依赖主观经验,要求评判人必须拥有许多的风险评估实际经验,降低了决策的客观性和准确度。为了解决上述问题,本文在知识转移过程中引入BP神经网络,提出基于BP神经网络的转型企业知识转移风险评价模型,针对知识转移过程中遇到的问题进行分析,实施预测和判断,实验结果证明该算法能够很好地评估和预测企业知识转移面临的风险。
1.背景理论
1.1转型企业知识转移风险指标体系
经过多年的研究和实践,许多学者已经提出了多种企业知识转移过程风险识别方法,比如头脑风暴法、德尔菲法、情景分析法、问卷调查法、座谈法、核对表法和故障树分析方法。因此,可以根据转型企业的实际情况,选择一种或多种风险识别方法,合理配置,对转型企业的组织特性以及企业特性进行综合考虑和测评,识别知识转移存在的风险。
为了更加有效的识别企业知识转移存在的分析,本文在实施问卷调查、情景分析法和核对表法的基础上,使用SPSS10.0统计软件对获得的实证数据分别进行描述性统计,信效度分析,以对转型企业知识转移有显著影响的关键风险因素进行分析,统计发现转型企业外部知识转移存在多种风险因素,并且结构不明确,增加了不确定性,并且许多风险可以归为一类,因此可以对这些风险实施因子分析,以便能够有效的降低风险因子数量,辨析风险结构,识别出关键风险因子。
因子分析是一种有效降维的统计分析手段,通过因子分析,可以将较多的因子降维成为少数几个具有代表性的综合因子,从而更便于对这些因子进行分析,以及之后的相关分析和因果分析。实施因子分析之前,需要确定这些因子之间是存在较强的相关性的,本文运用KMO样本充足度测度以及巴特尔球度这两种统计手段,对多个知识转移风险因素进行相关分析,判别其是否适合进行因子分析。
KMO统计量的取值范围介于0~1之间,其值越接近于1,表示变量间的相关性越强,越适合做因子分析;相反。KMO统计值越加接近于0,则越不适合做因子分析。通常,KMO≥0.9,是极为适合因子分析;0.8≤KMO<0.9,则是较为适合;0.7≤KMO<0.8,则是尚可;0.6≤KMO<0.7,则勉强可以进行因素分析;若0.65≤KMO<0.6,则不适合进行因子分析;小于0.50则是非常不适合。
对于巴特莱球度检验而言,当观测值较大,对应概率P值小于给定显著水平a时,认为适合做因子分析,否则不适合。本文通过SPSS10.0对转型企业外部知识转移风险因素的调查数据实施KMO和Bartlett球度检验可以得知,Bartlett球形度检验的si=0.000<0.01,显著;且KMO=0.856>0.8,这就表明,适合做因子分析,具体检验结果如表1所示。
在对转型企业外部知识转移因子分析过程中,本文采用方差最大化正交旋转法(Varimax)法的主成分分析(PCA)法,以相关矩阵(correlation matrix)为提取因子的依据,按特征根大于1的标准抽提因子。并且,为了保证因素的显著性,根据Hair等人研究成果,以0.5作为因子载重系数临界点。具体结果如表2所示。转型企业外部知识转移风险因子分析结果,表中显示了所有的主成分及其因子载荷。从表2中可以得知,整个因子分析将所有的风险因素分为5个新的因子,且其特征值都大于1,全部累计方差的解释率达到70.926。其中,第一个因子包括:企业主体的知识转移能力低、对知识的过度保护、对知识的保护过低、参与知识转移的企业数量太大、企业主体问的信任关系不强、企业主体间的信息不对称以及转移意愿不强,由于这些变量基本都与知识转移的主体有关,本文将其命名为“知识转移主体风险”;第二个公因子主要包括:知识的相关性差、知识的默会性高、知识的情境依赖性强、知识的专业性要求高,且这些变量都与知识的特性相关,所以将其命名为“知识转移特性风险”;第三个公因子主要包括:知识产权法律的执法力度不够、知识产权法律的不完善、企业的产权意识不强3个因素,且其反映的都是知识产权环境,所以本文将其命名为“知识转移产权环境风险”;第四个公因子是知识背景的相差程度大,反映的是企业的内部环境,因此将其称为“知识转移内部环境风险”;第五个公因子主要包括:知识转移方式与知识特性匹配程度不高、知识转移媒体的富裕度低,因其都与知识转移的方式相关,因而本文将其称为“知识转移方式风险”。
通过分析,本文识别出影响转型企业外部知识转移的5个关键风险因素和17个风险变量指标,其相关因素荷重,变量解释和累积方差解释。同时根据转型企业的知识转移风险的指标体系建立而言,将因子分析所得到的关键风险因素及其风险因素集作为备选指标,可知知识转移的主体、知识特性、知识产权环境、知识转移内部环境以及知识转移方式等方面的因素已经较为全面的概括了转型企业外部知识转移的全部风险构成的各个方面;而且各个风险因子之间是无线性相关性,即有区别,不可相互替代,经过因子分析所识别出的关键风险要素和风险变量集作为转型企业外部知识转移风险的风险指标体系,具体如表3所示。
3.3实验结果分析
BP神经网络知识转移风险评价模型实验过程中,将表5中1~6样本企业的数据作为训练数据输入到网络模型中,表6中对应的数据作为输出值。算法经过实施378次的迭代,误差达到0.9967×10-5,满足知识转移风险评估的要求。
训练学习步骤完成之后,将表5中编号7和8的数据输入BP神经网络模型中,最后执行结果分别是0.4001和0.5452,如表7所示。
根据预先设定的风险等级可以看到,样本企业7面临的知识转移风险值0.4001位于0.3~0.5之间,表明该转型企业外部知识转移的风险较小,风险防控效果不错。样本企业8面临的知识转移风险值0.5452介于0.5~0.7之间,表明该转型企业外部知识转移的风险适中,需要采取一定措施对风险加以防控。BP神经网络可以有效的识别、评估转型企业的知识转移风险,为企业转型决策提供支撑依据。
4.结论
本文通过因子分析法构建了转型企业知识转移面临的风险体系,引入BP神经网络,构建神经网络风险分析、评估模型,通过8个广州地区转型企业的数据进行实验,实验结果证明转型企业知识转移风险评价的神经网络结构模型能够有效的评估企业面临的风险。未来主要工作是识别和评估风险之后,采取有效的风险防控策略,构建关键风险因子预警措施,降低风险发生的概率,为企业发展壮大做出积极的作用。
随便看

 

科学优质学术资源、百科知识分享平台,免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。

 

Copyright © 2004-2023 puapp.net All Rights Reserved
更新时间:2025/3/17 1:18:49