李曉峰,徐玖平,顏錦江

§經濟與管理學研究§

企業(yè)技術創(chuàng)新項目風險預警系統構建研究

李曉峰,徐玖平,顏錦江

(四川大學工商管理學院,四川成都610064)

企業(yè)進行技術創(chuàng)新是一項高風險活動,如果創(chuàng)新不當或創(chuàng)新過程中控制不力,便會為企業(yè)帶來不必要的損失。因此,構建科學的企業(yè)技術創(chuàng)新項目風險預警系統具有重要的現實意義。探討在建立企業(yè)技術創(chuàng)新風險預警指標體系的基礎上,采用基于粗糙神經網絡模型的方法設計企業(yè)技術創(chuàng)新項目風險預警系統。該風險預警系統不僅能夠提取企業(yè)技術創(chuàng)新項目風險的主要特征屬性,減少風險預警中的信息收集成本,提高預警效率,而且能克服傳統預警系統難以處理高度非線性模型、容錯性差、缺少自學習能力等缺陷。理論分析和實踐結果均表明所設計的技術創(chuàng)新項目風險預警系統具有可行性和有效性,這為企業(yè)技術創(chuàng)新風險管理提供了一條新的途徑。

企業(yè);技術創(chuàng)新;風險預警系統;粗糙神經網絡

一、引 言

技術創(chuàng)新是現代經濟增長的主要源泉,也是提高企業(yè)競爭力、促進企業(yè)持續(xù)發(fā)展的主要途徑。然而,技術創(chuàng)新是一項高風險活動,有可能由于外部環(huán)境的不確性、技術創(chuàng)新項目的難度與復雜性以及企業(yè)的能力與實力的有限性而導致技術創(chuàng)新活動延期、中止、失敗或達不到預期的技術經濟指標。這不僅會引發(fā)財務風險而導致企業(yè)發(fā)生有形的經濟損失,而且會導致時間損失、機會損失、管理損失等無形損失[1]。根據美國的一項資料表明,高科技企業(yè)只有60%左右的研究開發(fā)計劃在技術上獲得成功,而在技術上獲得成功的研究開發(fā)計劃中只有55%能夠推向市場,而推向市場的高科技產品中僅有40%最終獲得了成功[2]。我國企業(yè)技術創(chuàng)新項目的成功率則更低,能夠轉化為生產力的項目不足15%[3]。因此,建立科學的企業(yè)技術創(chuàng)新項目風險預警系統對技術創(chuàng)新風險進行管理是十分必要的。企業(yè)可以根據技術創(chuàng)新項目風險預警系統監(jiān)測、預測、警報項目風險,并根據警報大小采取相應的防范和控制措施處理風險,避免和減少損失,將威脅轉化為機會,保障企業(yè)技術創(chuàng)新項目的順利進行。

目前,企業(yè)技術創(chuàng)新風險預警系統已引起越來越多的重視和研究[4-7],但由于我國風險預警管理起步較晚,目前尚存在一些問題:(1)預警狀態(tài)偏重定量指標,忽視定性指標,因而易失去預警信息;(2)預警模型習慣于采用直線外推、指數平滑、回歸分析、移動平均、灰色預測等模型,而對高度非線性系統難以處理;(3)預警過程效率較低,不具備時變特性,缺乏自適應、自學習能力等。本文將粗糙集理論和人工神經網絡方法相結合,建立了企業(yè)技術創(chuàng)新項目風險預警的粗糙神經網絡模型,并在此基礎上構建企業(yè)技術創(chuàng)新項目風險預警系統。實證研究表明,該風險預警系統不僅能夠提取企業(yè)技術創(chuàng)新項目風險的主要特征屬性,刪除冗余的信息,減少風險預警中的信息收集成本,而且克服了傳統預警系統缺少自適應、自學習能力、難以處理高度非線性問題等困難,從而為預警走向實用化奠定了基礎。

二、企業(yè)技術創(chuàng)新項目風險預警指標體系的構建

企業(yè)技術創(chuàng)新項目風險預警系統是根據所研究對象的特點,通過收集相關的資料信息,監(jiān)控風險因素的變動趨勢,并評價各種風險狀態(tài)偏離預警線的強弱程度,向決策層發(fā)出預警信號并提前采取預控對策的系統。因此,在設計企業(yè)技術創(chuàng)新項目風險預警系統前,必須先對企業(yè)技術創(chuàng)新過程中的各風險因素進行分析、識別,構建企業(yè)技術創(chuàng)新風險預警(風險因素)指標體系。影響企業(yè)技術創(chuàng)新項目的風險因素很多,各因素之間關系復雜,需要在構建風險預警指標體系時遵循以下原則:(1)系統全面性原則,即風險預警指標體系的設置應符合風險預警管理的目標,能夠全面、深刻、客觀地動態(tài)反映企業(yè)技術創(chuàng)新的各方面、各環(huán)節(jié)的風險水平。(2)簡明科學性原則,即風險預警指標體系的大小必須合適,力求指標體系完備,并盡量減少指標之間的交叉重復,使其簡繁適當。(3)可行有效性原則,即風險預警指標體系的設置要適合實際操作,既要考慮其比較、分析和綜合測評的功能性,還要考慮企業(yè)技術創(chuàng)新數據資料獲得的可能性和數據資料統計的有效性。(4)定量定性相結合的原則,即在風險預警指標體系的設置中既要考慮定量指標,也要考慮定性指標,不能忽視任何一個方面,需要它們相互配合。

將影響企業(yè)技術創(chuàng)新項目的風險因素劃分為六大類:政策因素、技術因素、生產因素、市場因素、財務因素、管理因素。首先,依照上述原則,并參考國內外眾多相關文獻[8-11],分別構造出這六大類風險因素的預警指標(風險因素指標);然后,通過專家調研、統計分析等方法,對構造出的指標體系進行細化、補充和刪除,最終建立起企業(yè)技術創(chuàng)新項目的風險預警指標體系。該風險預警指標體系包括48個風險因素指標,見表1。

表1 企業(yè)技術創(chuàng)新項目風險預警指標體系

企業(yè)生產規(guī)模x企業(yè)的管理能力x39產品對原材料或1零5部件的技術性能要求了解市場信息準確程度x40x16科學決策和民主決策水平x41生原材料及零部件供應難易程度x17管可行性論證與規(guī)劃x42產因生產新產品對現有設備與工藝的調整x18理因項目組的總體實力與能力x43素引進設備工藝困難程度x19素項目負責人的水平與能力x44新產品質量性能x20項目組織管理能力x45新產品生產成本x21項目進度控制能力x46新產品的生產周期x22技術開發(fā)人員的待遇x47上級領導的支持程度x48

三、企業(yè)技術創(chuàng)新項目風險預警系統的設計

根據企業(yè)技術創(chuàng)新項目風險預警管理的特點,并借鑒宏觀經濟系統、生態(tài)環(huán)境系統、軍事系統、氣象系統等領域的預警管理系統[12-15],設計了企業(yè)技術創(chuàng)新項目風險預警系統,見圖1。從圖1中可以看出,企業(yè)技術創(chuàng)新項目風險預警系統主要由四部分組成:(1)企業(yè)技術創(chuàng)新項目風險預警指標信息收集及量化處理;(2)企業(yè)技術創(chuàng)新項目風險預警的Rough—ANN(粗糙神經網絡)模型;(3)企業(yè)技術創(chuàng)新項目風險預警的判別及警報信息的輸出;(4)企業(yè)技術創(chuàng)新項目風險的控制。

圖1 企業(yè)技術創(chuàng)新項目風險預警管理系統基本構架

(一)企業(yè)技術創(chuàng)新項目風險預警指標的量化處理

將企業(yè)技術創(chuàng)新項目風險預警指標劃分為五個風險級別:一級風險、二級風險、三級風險、四級風險、五級風險,即低風險、較低風險、一般風險、較高風險、高風險,且各風險級別之間存在臨界值。當企業(yè)技術創(chuàng)新項目某一風險因素指標xi(i=1,2,…48)處于低風險(一級風險)時,其量化結果為模糊值XU2∈[0,1],當xi處于較低風險(二級風險)時,XU2∈[2,3];當xi處于一般風險(三級風險)時, XU2∈[2,3];當xi處于較高風險(四級風險)時,XU2∈[3,4];當xi處于高風險(五級風險)時,XU2∈[4,5]。

企業(yè)的技術創(chuàng)新項目風險預警指標對應的評價值由下述方法檢測確定:

請對企業(yè)的技術創(chuàng)新項目所屬領域熟悉的f位專家,給企業(yè)的技術創(chuàng)新項目風險預警指標xi評分。例如,第一位專家認為指標xi處于一級風險(低風險),則對該指標的評分值為u1(u1∈[0,1]),第二位專家認為指標xi處于二級風險(較低風險),則對該指標的評分值為u2(u2∈[1,2])。設第a位專家對風險指標xi的評分值為ua,則該風險指標xi的評價值vi為

(二)企業(yè)技術創(chuàng)新項目風險預警的方法

目前預警方法中經常采用直線外推、指數平滑、回歸分析、移動平均、灰色預測等模型,而對高度非線性系統難以處理,不具備時變特性,缺乏自適應、自學習能力。本文將粗糙集(Rough)理論和人工神經網絡(ANN)方法結合起來,建立企業(yè)技術創(chuàng)新項目風險預警的Rough—ANN(粗糙神經網絡)模型,利用該模型對企業(yè)技術創(chuàng)新項目綜合風險進行測度。

1.Rough集的知識約簡方法和人工神經網絡方法概述

(1)Rough集的知識約簡方法

Rough集理論是20世紀80年代初由波蘭數學家Z.Paw lak首先提出的一種分析數據的數學理論,它是一種新的處理模糊和不確定性知識的數學工具。Rough集理論已經在機器學習、從數據庫中發(fā)現知識、決策支持和分析等方面得到了廣泛應用。其主要思想是在保持分類能力不變的前提下,通過知識約簡導出問題的決策和分類規(guī)則。知識約簡方法是粗糙集理論的核心內容之一。知識庫中的知識(屬性)并不是同等重要的,甚至其中某些知識是冗余的[16]。所謂知識約簡就是保持知識庫分類能力不變的條件下,刪除其中不相關或不重要的知識。詳細的Rough集的知識約簡算法請參考李龍俯等人的文獻[17]。

(2)人工神經網絡方法

人工神經網絡是在現代神經科學研究成果的基礎上,依據人腦基本功能特征,試圖模仿生物神經系統的功能或結構發(fā)展起來的一種新型信息處理系統或計算體系。這種系統在處理各種模糊、隨機、量大、低精度信息等方面具有其獨特的功能:一是能對大量的專家評估結果精心學習,把專家頭腦中的評估方法量化、具體化,并把它應用到實際評估中去,減少人為的非理性因素的影響;二是能不斷地對新的樣本進行學習,不斷改進自身的評估方法,以動態(tài)的調整適應技術、經濟的不斷發(fā)展對評估對象的影響[18]。BP神經網絡模型是人工神經網絡的重要模型之一,它由輸入層、隱含層和輸出層構成。典型的三層前向型BP網絡的拓撲結構如圖2所示。

圖2 典型的三層BP網絡結構

傳統BP網絡模型把一組樣本的輸入/輸出問題變?yōu)橐粋€非線性優(yōu)化問題,使用了優(yōu)化中的最普通的梯度下降算法,對問題的識別具有很強的功能,對于復雜的非線性模型仿真從理論上來說其誤差可以達到任意小的程度。雖然它具有許多優(yōu)點,但仍存在一些不足[19]。筆者對傳統BP神經網絡結構參數的確定和學習速率的選取等方面進行了改進,提出了改進的BP算法,從而使得BP神經網絡具有良好的容錯能力、記憶能力、分類能力和動態(tài)推理性能[20]。

2.構造Rough—ANN模型的基本原理

影響企業(yè)技術創(chuàng)新項目的風險因素指標很多(見表1),這些指標量化后的數據(評價值)之間可能存在相關性,如果把它們都作為人工神經網絡的輸入變量,顯然會增加網絡的復雜度,降低網絡性能,大大增加計算運行的時間,影響計算的精度。Rough集理論中的知識約簡方法為解決這一難題提供了較好的思路。我們可以通過Rough集理論減少信息表達的屬性指標,去掉冗余的信息和指標,使神經網絡的訓練集簡化,減少神經網絡系統的復雜性和訓練時間。即先使用Rough集理論中的知識約簡方法“壓縮”企業(yè)技術創(chuàng)新項目風險預警指標,將簡化后的指標作為BP網絡的輸入變量,再用改進的BP算法進行學習。這樣做的目的在于,雖然Rough集理論能從數據的相關性出發(fā),發(fā)現數據模式,提取數據規(guī)則,約簡數據變量,但在知識推理和預測上不存在優(yōu)勢,而神經網絡的學習能力、推理能力和分類能力很強,善于從大量的數據中發(fā)現規(guī)則,提取信息,并具有良好的動態(tài)預測功能。因而,取長補短,將兩種方法有機地結合起來,從而增強了人工神經網絡處理像技術創(chuàng)新風險預警這類非結構化、非線性的復雜問題的能力。

3.Rough—ANN模型構造

根據傳統BP人工神經網絡結構,將企業(yè)技術創(chuàng)新項目風險預警的Rough—ANN模型結構設計為三層:

(1)輸入層:根據企業(yè)技術創(chuàng)新項目的風險預警指標體系,運用Rough集理論中的知識約簡方法去掉冗余指標,將剩余的指標作為神經網絡的輸入層變量。

(2)隱含層:至于隱含層的選取,按照改進的BP神經網絡動態(tài)調整學習算法,先將隱含層節(jié)點數設置大一些,讓網絡自調整學習,最終得到大小合適的隱層節(jié)點數。

(3)輸出層:對企業(yè)技術創(chuàng)新項目的風險進行測度是一個從定性到定量再到定性的過程。通過神經網絡模型將定性轉化為定量輸出,然后結合評價集和輸出結果,對企業(yè)技術創(chuàng)新項目的風險進行測度。由于將企業(yè)技術創(chuàng)新項目的風險級別分為五級:低風險、較低風險、一般風險、較高風險、高風險,在神經網絡中,分別使用輸出向量(0,0,0,0,1)、(0,0,0,1,0)、(0, 0,1,0,0)、(0,1,0,0,0),(1,0,0,0, 0)來表示,因此,神經網絡輸出層節(jié)點數為5。

(三)企業(yè)技術創(chuàng)新項目風險預警的模式

企業(yè)技術創(chuàng)新項目風險預警系統根據Rough—ANN模型對風險測度的結果,向企業(yè)決策者發(fā)出警報(輸出預警信號),其目的是引起決策者的注意,及時調整策略,預防和控制技術創(chuàng)新項目中的風險,使企業(yè)技術創(chuàng)新活動得以順利進行。

1.企業(yè)技術創(chuàng)新項目風險預警判別

企業(yè)技術創(chuàng)新過程中,并非技術項目的某一種風險因素一出現風險,預警系統就必須發(fā)出警報。警報是否發(fā)出以及發(fā)出何種程度的警報,主要取決于技術創(chuàng)新項目風險的整體水平,即技術創(chuàng)新項目的綜合風險等級的大小。

(1)當企業(yè)技術創(chuàng)新項目綜合風險處于一級風險→不發(fā)出警報→繼續(xù)監(jiān)測,項目照常進行;

(2)當企業(yè)技術創(chuàng)新項目綜合風險處于二級風險→發(fā)出一般警報→進行對策預控;

(3)當企業(yè)技術創(chuàng)新項目綜合風險處于三級風險→發(fā)出中度警報→進行對策預控;

(4)當企業(yè)技術創(chuàng)新項目綜合風險處于四級或四級以上風險→發(fā)出高度警報,進行對策預控。

2.企業(yè)技術創(chuàng)新項目風險預警信號輸出

在企業(yè)技術創(chuàng)新項目風險預警系統中,可以采取“亮燈”的方式,輸出預警信號:當風險等級為一級風險時,亮“綠燈”;當風險等級為二級風險時,亮“藍燈”;當風險等級為三級風險時,亮“黃燈”;當風險等級為四級風險時,亮“紅燈”;當風險等級為五級風險時,亮“紫燈”。如表2所示。

表2 企業(yè)技術創(chuàng)新項目風險等級及其預警信號

(四)企業(yè)技術創(chuàng)新項目風險控制對企業(yè)技術創(chuàng)新項目風險進行控制,應從兩方面采取措施:第一,對技術創(chuàng)新項目的風險進行預控;第二,對技術項目的創(chuàng)新過程進行跟蹤監(jiān)控。

1.風險預控

風險預控是指企業(yè)在技術創(chuàng)新項目實施前,預先制定的多種風險狀態(tài)下的備選對策及防范風險的方案構思或框架——風險對策庫。當預警系統發(fā)出警報時,可調用或參考相應的對策、方案或思路。技術創(chuàng)新風險對策庫的建立有賴于企業(yè)技術創(chuàng)新實踐經驗的積累。

2.跟蹤監(jiān)控

跟蹤監(jiān)控指企業(yè)在技術創(chuàng)新項目實施過程中,對項目的進度、費用、困難、成功可能性、風險隱患等進行跟蹤監(jiān)控。這不僅包括發(fā)現創(chuàng)新過程中的新信息,而且包括將影響程度發(fā)生變化的風險因素交由粗糙神經網絡模型進行風險再次測度,以及針對某些明顯的風險狀態(tài)向預控對策庫尋求防范與處理方法。通過跟蹤監(jiān)控,企業(yè)可以逐步發(fā)現風險因素的作用規(guī)律和技術創(chuàng)新的進展趨勢,并由此做出合適的預警判別。

四、實證研究

成都前鋒電子公司是目前全國名列前三位的燃氣熱水器生產廠家,是成都市高新技術企業(yè)和工業(yè)支柱企業(yè)。自1982年以來,成都前鋒電子公司開發(fā)了一系列燃氣熱水器產品。下面,我們運用文中設計的企業(yè)技術創(chuàng)新風險預警系統,對成都前鋒電子公司目前正在從事的技術創(chuàng)新項目P(恒溫冷凝QFM 0568A型)進行預警管理。

選取近10年來成都前鋒電子公司在燃氣熱水器方面的典型的12個技術創(chuàng)新項目作為風險預警系統中Rough—ANN模型的學習樣本,待網絡訓練好后對技術創(chuàng)新項目P(恒溫冷凝QFM 0568A型)進行風險測度和預警。選擇的技術創(chuàng)新項目有:項目1(煙道式QFM 0601YD型)、項目2(普通強排式QFM 0807YQ型)、項目3(薄巧QFM 1061D型)、項目4(標準QF0971D型)、項目5(智能恒溫QFM 1062TQ型)、項目6(數碼恒溫QFM 1601Q型)、項目7 (強排星QF1051Q型)、項目8(大眼睛QF1011型)、項目9(戶外式QF119型)、項目10(無氧紫銅QFM 1021D型)、項目11(自動QFM 1051D型)、項目12(全自動QF139型)。

(一)企業(yè)技術創(chuàng)新項目風險預警指標的量化處理及知識約簡

首先,使用文中第三部分第(一)節(jié)所描述方法,得到成都前鋒電子公司技術創(chuàng)新項目1至項目12的48個風險預警指標的評價值。然后,根據Rough集理論中的知識約簡算法去掉冗余指標。從最終的約簡結果(限于篇幅,計算過程略)可以看出,原先的48個風險預警指標,被約簡為25個風險預警指標。這25個風險預警指標分別是:宏觀經濟形勢變動、進口產品的沖擊程度、技術成熟程度、技術先進程度、技術復雜程度與難度、技術積累程度、技術的可替代性、科技人員實力、產品對原材料或零部件的技術性能要求、原材料及零部件供應難易程度、引進設備工藝困難程度、新產品質量性能、新產品生產成本、競爭對手實力、競爭者的不正當競爭行為、用戶對產品的要求、消費者需求變動、企業(yè)信譽與知名度、信貸資金來源難易程度、創(chuàng)新資金需求量大小、企業(yè)資金實力、企業(yè)的管理能力、可行性論證與規(guī)劃、項目負責人的水平與能力、項目組織管理能力。

(二)Rough—ANN模型的建立

根據風險預警指標知識約簡的結果,可以確定神經網絡采用25個輸入變量(即輸入層取25個節(jié)點),中間隱層取大一些,這里取60個節(jié)點,輸出層為5個節(jié)點,則網絡結構為25—60—5。對網絡進行初始化(取誤差上限ε=0. 0002,學習速率η=0.5,慣性參數a=0.1),將12個技術創(chuàng)新項目的25個風險預警指標(經知識約簡后剩余的風險預警指標)的評價值轉化為[0,1]之間(各評價值分別除以10),將處理后的數據作為學習樣本數據輸入到神經網絡中,按改進的BP算法訓練網絡。神經網絡經過訓練后,網絡結構自動調整為25—32—5(輸入層節(jié)點數為25,隱層節(jié)點數為32,輸出層節(jié)點數為5),同時得到最優(yōu)化的網絡權值距陣。

學習樣本的網絡推理結果(輸出結果)見表3。從表中可以看出,學習樣本的網絡推理結果和實際結果完全一致。這表明企業(yè)技術創(chuàng)新風險預警的Rough—ANN模型具有可行性和有效性。

表3 網絡推理輸出

(三)企業(yè)技術創(chuàng)新項目的風險預警

運用訓練好的神經網絡,對成都前鋒電子公司目前正在從事的技術創(chuàng)新項目P(恒溫冷凝QFM 0568A型)進行風險測度。

首先,使用文中第三部分第(一)節(jié)所描述方法,得到成都前鋒電子公司的技術創(chuàng)新項目P的25個風險預警指標(經知識約簡后剩余的風險預警指標)評價值。然后,將該項目的風險預警指標評價值轉化為[0,1]之間(各評價值分別除以10),將處理后的數據輸入到訓練好的神經網絡中進行計算,得到該項目的輸出結果,見表3最后一行。根據最大隸屬度原則,可知技術創(chuàng)新項目P的綜合風險級別為一般風險(三級風險)。

根據企業(yè)技術創(chuàng)新風險預警的模式可知,成都前鋒電子公司目前正在從事的技術創(chuàng)新項目P綜合風險處于三級風險時,預警系統將發(fā)出中度警報(預警信號顯示“黃燈”),需進行風險控制。

(四)企業(yè)技術創(chuàng)新項目的風險控制

對成都前鋒電子公司目前正在從事的技術創(chuàng)新項目P(恒溫冷凝QFM 0568A型)的25個風險預警指標進行認真分析后,可以發(fā)現某些指標(風險因素)風險較大。這些指標有:技術成熟程度、技術復雜程度與難度、產品對原材料或零部件的技術性能要求、新產品質量性能、新產品生產成本、消費者需求變動、創(chuàng)新資金需求量大小等。對這些風險較大的指標需要跟蹤監(jiān)督,并采取相應的對策進行風險控制,力爭降低項目P的整體風險水平,使其處于正常風險狀態(tài)。

五、結束語

技術創(chuàng)新是一項高風險活動,如何對技術創(chuàng)新項目風險進行預警是長期困擾企業(yè)發(fā)展的一個難題。本文基于Rough(粗糙)集理論和ANN (人工神經網絡)方法建立了企業(yè)技術創(chuàng)新項目風險預警系統,不僅解決了傳統預警系統難以處理非結構化、非線性的復雜問題,而且克服了傳統預警系統缺少自適應、自學習能力,費時、效率低等困難,顯示出粗糙神經網絡是進行風險預警的一種比較好的應用工具,從而為預警走向實用化奠定了基礎。在文末,給出了一個基于Rough—ANN模型的企業(yè)技術創(chuàng)新風險預警實例。實驗結果表明,該系統可行、有效,為技術創(chuàng)新項目風險的動態(tài)預警提供了一條新的途徑。

[1]許慶瑞,主編.研究、發(fā)展與技術創(chuàng)新管理[M].北京:高等教育出版社,2000.

[2]MOTIAR R M,KUMARASWAM Y M.Risk management trends in the construction industry:moving towards joint risk management[J].Engineering Construction and A rchitectural Management,2003,(3):79-86.

[3]吳貴生.技術創(chuàng)新管理[M].北京:清華大學出版社,2000.

[4]PARNELL G S,FRIM PON M.Safety risk analysisof an innovative environmental technology[J].Risk Analysis, 2003,23(1):143-155.

[5]黃繼鴻,柯孔林.基于集值統計的技術創(chuàng)新風險度量及其預警[J].科學學研究,2005,(2).

[6]王立新,李勇,任榮明.基于灰色多層次方法的企業(yè)技術創(chuàng)新風險評估研究[J].系統工程理論與實踐,2006, (7).

[7]尚慶琛,覃正.基于隸屬概率算法的新產品開發(fā)風險因素診斷[J].統計與決策,2008,(21).

[8]RUBENSTEIN A H,CHA KRABARTIA K.Facto rs Influencing Innovation Success at the Project Level[J].Research M anagement,1976,(19).

[9]COOPER R G.Identifying Industrial Product Success and Failure[J].Ind.Market.Manag.,1979,(8).

[10]BENAROCH M.Op tion-based managementof technology investment risk[J].IEEE Transactionson Engineering Management,2001,48(4).

[11]王宗軍,楊萍.企業(yè)自主技術創(chuàng)新風險的影響因素研究[J].技術經濟,2008,27(4).

[12]杜丹麗,肖燕紅,龍想平.船舶工業(yè)企業(yè)技術創(chuàng)新風險評價研究[J].中國造船,2009,503:158-164.

[13]趙海信.企業(yè)技術創(chuàng)新風險預警管理研究[J].科技進步與對策,2006,(8).

[14]劉洪渭,丁德臣.基于ERM框架的保險公司全面風險預警系統研究[J].統計與決策,2009,(20).

[15]柴國榮,高旭,周福洲.基于界面集成的供應鏈全生命周期風險預警模式研究[J].科技進步與對策,2009, 26(2).

[16]PAWLA K Z.Rough set theory and its app lications to data analysis[J].Cybernetics and Systems,1998,29 (1).

[17]李龍俯,程慧霞,盧冰原.基于凸Rough集的數據約簡和規(guī)則發(fā)現研究[J].東南大學學報,2002,32(6).

[18]張乃堯,閻平凡.神經網絡與模糊控制[M].北京:清華大學出版社,1998.

[19]ERGEZINGER S,TOMSEN E.An accelerated algo rithm for multiplayer perceptions op timization layer by laye [J].IEEE Transactions Neural Networks,2001,(6):31-42.

[20]李曉峰,徐玖平.動態(tài)全參數自調整BP神經網絡模型的改進[J].中國管理科學,2004,12(6).

Study on the Construction of Risk Early Warning System for Enterprise Technological Innovation Projects

L I Xiaofeng,XU Jiuping,YAN Jinjiang

(Business school,Sichuan University,Chengdu 610064,Sichuan,China)

Technological innovation is a high-risk activity.If it is postponed,or terminated,or failed,or the innovation p rocess is imp roperly controlled,it w ill cause unnecessary losses to enterp rises.Therefore,it isof great significance to construct a scientific risk p re-warning system of technology innovation.In this paper,the establishment of the system based on system index and Rough ANN model w ill be discussed.The system can not only identify themain attributesof technological innovation risk,reduce the cost of information accumulation in risk early warning,imp rove the p re-warning efficiency,but also overcomemany limitationsof traditionalwarning system,including highly non-linear model,bad performances of fault tolerance,lack of self-learning,etc..Both theoretical analyses and experimental results show the feasibility and validity of the risk early w arning system,pointing a new way for risk management of enterp rise technological innovation.

enterp rise,technological innovation,risk early warning system,Rough-ANN

book=88,ebook=79

F273.1

A

1006-0766(2010)05-0088-08

(責任編輯:慧 宇)

2009-12-14

國家自然科學基金項目(70672014);四川大學青年基金資助項目。

李曉峰(1972—),男,陜西西安人。四川大學博士,副教授,主研方向:技術創(chuàng)新風險管理;徐玖平(1963—),男,重慶人。四川大學教授,博士生導師,主研方向:現代企業(yè)管理技術與方法;顏錦江(1973—),男,江蘇鹽城人。四川大學博士生,講師,主研方向:企業(yè)信息管理。