摘要：
文章在分析影响价值链的企业家心智因素过程中引入了ICA理论，对应用ICA理论进行企业家心智因素的提取进行了可行性分析。在实证研究中通过基于ICA理论的FastICA算法从一组观测数据中分离出了影响价值链波动的主要因素，经分析，企业家的认知结构对价值链的影响比较显著。该方法用于筛选企业家心智因素是可行的，为ICA理论用于价值链管理和优化提供了理论参考。
关键词：价值链;企业家心智;独立分量分析（ICA）;FastICA
中图分类号：F27291 文献标志码：A 文章编号：
一、问题的提出
欲通过改造企业家心智来提高价值链效益，必须首先能够证实企业家心智与价值链之间的相互关联，把握企业家心智的不同因素对价值链的影响情况。企业价值链的统计数据中包含着大量信息，能从中通过统计数据的波动情况挖掘出企业家心智对于价值链的影响，将会对企业通过企业家的改造来提升竞争力具有重要意义。
ICA可以从观测数据中分离出不同的影响因素，这与从价值链影响因素中分离企业家心智的不同方面的分析有相同的过程研究。针对价值链影响因素的特征，将ICA理论引入社会科学的数据处理中，以期加深对价值链受企业家心智影响的认识，为提高企业家对价值链的管理能力奠定一定的基础。
二、价值链与企业家的关联分析
（一）价值链的相关理论
价值链的概念由迈克尔・波特在20世纪80年代提出，最初是为了研究企业创造价值的过程。在迈克尔・波特《竞争优势》一书中企业的价值链是指企业基本活动与辅助活动在企业价值创造相互联系、相互依存的动态过程系统。其中，价值链基本活动是创造价值的必经过程，指的是从产品创造到产品销售转移以及后续售后服务;另外，从原料采购、企业基础设施建设到产品技术开发与人力资源管理的一系列价值链辅助活动是基本活动得以顺利完成的保证，也是价值增值、保值的核心。
时代在变革，价值链由传统价值链、虚拟价值链转向价值网，理论界对价值链研究也在不断创新[4-5]。毫无疑问，只有对价值链管理作出精准把握的企业才能取得价值最大化，才能始终在时代的变革中取得有利的竞争地位。
本文中企业家是指在固有心智模式下对战略形成有主导作用的各类群体，包括企业领导者、CEO、总经理、高级经理和其他专门人员，他们对整个价值链管理负有责任。
在价值链管理过程中，只有通过企业家的组织协同，整个企业流程才能达到最优运行效果[6]。企业家是企业持续发展的主导力，企业家是企业的管理者和战略者，因此，企业运行中价值链的优化更离不开企业家本身[7]。此外，企业获得或保持竞争优势主要取决于企业家对价值链的影响。可以说，企业的竞争优势取决于企业家认识和组织其企业自身价值链，也取决于企业家理解和适应整个产业的价值链[8]。因此，企业家寻求价值链核心创造力的过程就是企业家树立企业竞争地位的尝试[9]。可以说，企业家是战略决策的主体，也是企业价值链优化的主体。
（二）企业家心智的基本理论
上述研究认可了价值链中企业家主导作用的普遍存在，而随着研究的不断深入和实践的不断发展，一些研究发现，价值链管理失败的部分原因是企业家管理技术所无法分离出来的。汤姆・彼得斯认为管理的成功95%在于对不断变化的心理因素的把控，5%在于掌握的技术因素。又如张根明、陈才就企业家能力对企业竞争优势的影响所做的研究指出，企业家的决策可能由于企业家过于大胆的策略或是过程中的其他不可控因素导致不能取得满意的效果[14]。有鉴于此，一些研究人员逐渐拓展到企业家的心理层次，针对企业家心理的负面影响提出了问题和应对策略。如Antonio、Anna等则对企业家心智的影响进行了验证[15-16]。
彼得・圣吉认为“心智模式”是根深蒂固于每个人心中的，能够影响其认识世界和改造世界的种种假设、成见甚至图象、印象[17]。价值链中企业家心智的构建要素有很多，为了研究方便起见，本文对影响价值链的企业家心智主要构建了以下三个变量：企业家的情绪、认知结构和认知能力。
三、ICA的基本原理
X=ASt=mi=1aisi（1）
在此模型中混合矩阵记为A，ai表示A的m个行向量中第i个向量。此类问题的解决方法就是通常所说的ICA方法（也被称为BSS）。首先是根据观察向量计算出白化矩阵V，也就是将观察向量白化使得
Z=VX=VAS（2）
图1 ICA模型
但将观察向量白化只能去相关性，只有运用ICA寻求一可逆变换矩阵W、对Z施行线性变换才能输出n个相互独立的向量y，保证获得分量的独立性才有：
Y=WZ=WVAS（3）
其中Y表示源信号S的估计值。总之，数据分离就是确定一个关于分离矩阵W的目标函数用于衡量Yt中各个数据之间的独立性，当目标函数接近于最大或最小值时各个数据之间趋于相互独立，通过不断对W进行更新，使分离后的Yt为源数据St的准确估计。
ICA理论实现信号分离是假定混合的数据之间是相互独立的，并通过抽取满足统计独立的特征作为输入的表示。实质上，ICA的求解过程通常可以归结为两步[26]：一是确定度量统计独立性的目标函数，二是选择合适的优化方法对目标函数进行优化，如图1所示。
四、企业家心智和ICA模型
（一）价值链观测数据中的独立分量
X（t）=AS（t）+V（t）（4）
（二）ICA模型对价值链中企业家心智的解释
（一）价值链观测数据中的独立分量――企业家心智
（二）FastICA算法与价值链中企业家心智因素分析
为了避免企业产品分类和企业地理位置等固定因素的影响，FastICA算法要求观测数据满足零均值单位方差，因此，在对企业家心智因素进行提取之前，首先对销售统计数据进行预处理。零均值可通过观测数据减去统计均值实现。经白化后的信号满足单位方差的条件，具体通过销售统计数据X的协方差矩阵的特征值分解实现。
RX=1nni=1XiXiH=Mj=1λjvjvHj（6）
度量心智因素之间独立性的目标函数如下式：
FW=EGWTZ（7）
F（W）=E{Z・g（WTZ）}-βW（8）
式中，β=EWT0Z・gWT0Z为拉格朗日乘子，W0是W的初值， g（・）是G（・）的导数。
基于式（9）所示的牛顿迭代法对新的目标函数进行优化，得W的迭代式如式（10）。
Wk+1=Wk-F（Wk）F′（Wk）（9）
Wk+1=EZ・gWTkZ-Eg′WTkZ・Wk（10）
式中，k表示迭代次数，g′（・）是g（・）的导数。
基于式（10）所示的迭代式可求得用于心智因素提取的分离矩阵W，再经Y=W・Z分离出影响因素，将上面的销售数据输入到ICA分析程序中去，程序流程图如图3。
经过ICA算法处理后得到如图4所示结果。
图3 ICA程序流程图
图4 影响因素估计结果
（三）价值链提取影响因素的结果评价
通过分析可以得到如下结论：在图4销售量影响因素分析中第一、第三波形表示企业家情绪和能力，企业家的认知结构是第二个波形。最终实验成功获得影响销售量的深层次因素，制定相应的、更具针对性的战略政策就可以事半功倍，使企业家能够更好地管理自身和企业价值链。根据以上分析，可知对价值链管理和优化的关键是分析企业家心智的有效性，而形成良好的心智首先是要保证情绪、认知结构、能力成为管理的推动力，使企业家心智和价值链优化可以互相优化。价值链优化离不开企业家的主导，这就要求企业首先要了解企业家心智中对该价值链影响最大的因素，通过建立ICA模型能迅速调动和监督该因素，进而提高价值链优化的效率。企业家心智模式应根据价值链的性质来选择，其具体决定因素可以通过类似销售数据的统计加以确定。
价值链影响因素的提取不同于企业资金和地理位置等固定因素的确定，信息提取结果很难在单个企业家自身下进行验证，也缺少相对应的信息比较。只能通过身边的企业家和企业经营状况，结合设计好的企业家心智方面的调查问卷进行分析验证，或是实证验证。将此次经ICA提取的价值链影响因素的结果与该企业企业家做好的调查问卷进行叠加分析，得到以下结果：对于同一个企业家，经ICA提取的企业家心智因素与已知的企业销售额吻合良好，在企业家心智因素提取中，ICA所提取的价值链代表销售额均分布在企业家心智因素变化范围内。经专家访谈下的问卷调查，证实了经ICA提取的企业家心智影响因素的有效性。
六、结束语
由于价值链优化涉及信息众多，决定了企业家心智的状态及其演变方向的复杂性。本文利用ICA的思想从观测数据X（价值链）分离出独立分量Y（企业家心智）的具体因素，对企业的价值链管理和优化提供了指引。虽然由于ICA的局限性，Y只是S波动情况的估计，无法反映S的幅值，但研究结论表明，通过分析企业家心智中影响因素波动与销售统计波动之间的关系可以很好地帮助企业进行价值链优化。由于篇幅所限，本文所论述的企业家心智的选择范围具有一定的局限性，还需要在以后的研究中进一步深入探究。 参考文献：
[2]胡善珍.基于提升企业核心能力的价值链管理研究[J].华东经济管理，2006，20（7）：94-98.
[3]王核成.基于动态能力观的企业竞争力及其演化研究[D].杭州：浙江大学，2005：4.
[4]李鹏云.基于价值链的企业营运资金管理研究――以海尔集团为例[D].青岛：中国海洋大学，2011：5.
[5]戈来英.基于价值分析的莱钢集团公司竞争优势分析研究[D].南京：南京工业大学，2005：5.
[6]高雅翠.国有纺织企业价值链管理问题探讨[J].商场现代化，2007（9）：70-71.
[7]李振兴.基于价值链的优化增强我国钢铁企业竞争优势研究[D].湘潭：湘潭大学，2004：4.
[8]曾忠禄.从企业价值链看战略联盟优势[J].当代财经，2001（1）：61-65
[17]彼得・圣吉.第五项修炼[M].郭进隆，译.上海：上海三联出版社，1990.
[20] KOELLINGER P，MINNITI M，SCHADE C.“I think I can，I think I can”：Overconfidence and entrepreneurial behavior[J].Journal of Economic Psychology，2007，28（4）：502-527.
[22]BINGHAM E. Advances in independent component analysis with applications to data mining[D].Helsinki：Helsinki University of Technology，2003.
[23]KICILUOTO K，OJA E.Independent component analysis for financial time series[C]//Adaptive Systems for Signal Processing，Communications and Control Symposium 2000，2000：111-116.
[24]MAKEIG S，BELL A J，JUNG T P，et al.Indepengent coponentanalsis of electroencephalographic data，advances in neural information processing systems，first application of ICA to EEG data analysis[M]. Cambridge，MA：MIT Press，1996：145-151.
[26]HYVARINEN A，KARHUNEN J，OJA E.Independent component analysis[M].New York：John Wiley，2001.
[27]HYVARINEN A，OJA E.Independent component analysis：Atutorial[J].Neural Networks，2000，13：411-430.
