陳思鳳， 劉業(yè)政

（合肥工業(yè)大學(xué) 管理學(xué)院，安徽 合肥 230009）

我國(guó)經(jīng)濟(jì)和社會(huì)發(fā)展面臨著中小企業(yè)融資難和高新技術(shù)產(chǎn)業(yè)化步伐緩慢的難題。創(chuàng)業(yè)投資為解決這一難題提供了投融資工具，但傳統(tǒng)創(chuàng)業(yè)投資體系面臨著創(chuàng)業(yè)資本有效供給不足和社會(huì)資本大量閑置的難題。創(chuàng)業(yè)板市場(chǎng)則將創(chuàng)業(yè)投資與現(xiàn)代金融體系結(jié)合起來(lái)，在支持中小企業(yè)融資、促進(jìn)高新技術(shù)企業(yè)發(fā)展的過(guò)程中顯露出了極大的創(chuàng)造力。然而，由于創(chuàng)業(yè)板上市企業(yè)的不成熟性、動(dòng)態(tài)性、前景不確定性以及信息環(huán)境的復(fù)雜性等特征，使其風(fēng)險(xiǎn)問(wèn)題更加受到市場(chǎng)的關(guān)注，但現(xiàn)有文獻(xiàn)很少基于創(chuàng)業(yè)板市場(chǎng)來(lái)研究風(fēng)險(xiǎn)預(yù)警問(wèn)題。本文提出了一個(gè)創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警問(wèn)題的研究框架和風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的統(tǒng)一分析架構(gòu)及關(guān)鍵指標(biāo)選擇方法，歸納了適合創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警的建模方法，最后指出了創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警研究所面臨的關(guān)鍵問(wèn)題及后續(xù)研究方向。

1 相關(guān)概念及研究框架

1.1 創(chuàng)業(yè)投資及創(chuàng)業(yè)板市場(chǎng)

創(chuàng)業(yè)投資（Venture Capital）是在蘊(yùn)藏著較大失敗危險(xiǎn)的高新技術(shù)開發(fā)領(lǐng)域，向極具發(fā)展?jié)摿Φ?、新建企業(yè)或中小企業(yè)提供股權(quán)資本，以期獲取資本增值收益的投資方式［1－2］。創(chuàng)業(yè)板市場(chǎng)是將創(chuàng)業(yè)投資與現(xiàn)代金融體系相結(jié)合形成的證券交易市場(chǎng)，對(duì)中小企業(yè)融資和成長(zhǎng)有著不可替代的積極作用［2］，它從制度上解決了傳統(tǒng)創(chuàng)業(yè)投資環(huán)境下參與主體廣度不夠的缺陷，拓寬了創(chuàng)業(yè)投資循環(huán)的渠道，為改善高新技術(shù)產(chǎn)業(yè)及新興產(chǎn)業(yè)的可持續(xù)發(fā)展能力創(chuàng)造了必要的條件。

西方發(fā)達(dá)國(guó)家的創(chuàng)業(yè)板市場(chǎng)已趨于成熟［3］。20世紀(jì)90年代末以來(lái)，創(chuàng)業(yè)板市場(chǎng)一直是國(guó)內(nèi)創(chuàng)業(yè)投資領(lǐng)域研究的熱點(diǎn)，文獻(xiàn)［4－6］圍繞創(chuàng)業(yè)板市場(chǎng)的性質(zhì)、創(chuàng)業(yè)板市場(chǎng)與主板市場(chǎng)的差異及創(chuàng)業(yè)板市場(chǎng)建設(shè)等方面展開了廣泛的研究。研究表明，創(chuàng)業(yè)板市場(chǎng)及創(chuàng)業(yè)板市場(chǎng)上市企業(yè)具有不成熟性、前景不確定性、信息環(huán)境的復(fù)雜性和動(dòng)態(tài)性等特征?，F(xiàn)有文獻(xiàn)很少基于創(chuàng)業(yè)板市場(chǎng)來(lái)研究風(fēng)險(xiǎn)預(yù)警問(wèn)題，而構(gòu)建創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系依然是現(xiàn)有研究的難題。

國(guó)內(nèi)研究的主要局限是缺乏必要的實(shí)踐基礎(chǔ)，現(xiàn)有研究主要采用境外創(chuàng)業(yè)板市場(chǎng)數(shù)據(jù)、基于主板市場(chǎng)構(gòu)造的虛擬數(shù)據(jù)或中小板市場(chǎng)數(shù)據(jù)［5］。目前，雖然內(nèi)地創(chuàng)業(yè)板市場(chǎng)已正式開立，但由于市場(chǎng)運(yùn)行時(shí)間很短，支持風(fēng)險(xiǎn)建模的有效樣本依然貧乏。因此，選擇合適的風(fēng)險(xiǎn)分析方法，構(gòu)造具有良好預(yù)測(cè)能力和穩(wěn)定性的決策支持系統(tǒng)是創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警的另一個(gè)難點(diǎn)。

1.2 研究框架

企業(yè)風(fēng)險(xiǎn)預(yù)警是指應(yīng)用領(lǐng)域知識(shí)、統(tǒng)計(jì)學(xué)方法和模式識(shí)別、機(jī)器學(xué)習(xí)及數(shù)據(jù)挖掘等方法，構(gòu)建評(píng)估、識(shí)別、預(yù)測(cè)企業(yè)風(fēng)險(xiǎn)的模型并據(jù)此控制企業(yè)活動(dòng)的過(guò)程。文獻(xiàn)［7－8］圍繞風(fēng)險(xiǎn)預(yù)警過(guò)程，從實(shí)證的角度對(duì)企業(yè)風(fēng)險(xiǎn)判定準(zhǔn)則、預(yù)測(cè)指標(biāo)體系構(gòu)建、建模方法及其預(yù)警能力分析以及風(fēng)險(xiǎn)管理等關(guān)鍵問(wèn)題開展了廣泛的研究。圖1所示為創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警研究框架。

圖1 創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警研究框架

2 創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)因素及指標(biāo)體系

創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的構(gòu)建一般是根據(jù)創(chuàng)業(yè)板上市企業(yè)的特點(diǎn)，通過(guò)風(fēng)險(xiǎn)情景分析，了解風(fēng)險(xiǎn)來(lái)源及其影響因素，從不同的視角研究風(fēng)險(xiǎn)因素之間的相互關(guān)系、關(guān)鍵影響指標(biāo)，最后建立一套適合創(chuàng)業(yè)板上市企業(yè)特點(diǎn)的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。

2.1 創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)源識(shí)別

識(shí)別風(fēng)險(xiǎn)來(lái)源是構(gòu)建創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的基礎(chǔ)，目前國(guó)內(nèi)外學(xué)者對(duì)創(chuàng)業(yè)企業(yè)的風(fēng)險(xiǎn)因素進(jìn)行了大量一般性研究，例如，從內(nèi)部運(yùn)作管理、經(jīng)營(yíng)環(huán)境以及產(chǎn)權(quán)組織等角度綜合分析多個(gè)風(fēng)險(xiǎn)因素。創(chuàng)業(yè)板上市企業(yè)的行業(yè)分布、公司規(guī)模、收益結(jié)構(gòu)、所處的生命周期階段、公司治理結(jié)構(gòu)以及穩(wěn)定性等方面都具有不同于主板上市企業(yè)的特征，因此風(fēng)險(xiǎn)預(yù)警指標(biāo)需要反映企業(yè)的技術(shù)狀況、管理與團(tuán)隊(duì)中包含的風(fēng)險(xiǎn)因素、企業(yè)面臨的市場(chǎng)潛力及其開拓能力以及企業(yè)抗擊環(huán)境沖擊的能力，特別是分析宏觀經(jīng)濟(jì)環(huán)境、行業(yè)狀況以及政策法律等系統(tǒng)性變化給企業(yè)帶來(lái)的影響。

雖然多因素分析比單因素分析能更全面地反映創(chuàng)業(yè)板上市企業(yè)的風(fēng)險(xiǎn)狀況，但已有文獻(xiàn)仍然缺乏一個(gè)綜合的概念框架來(lái)指導(dǎo)人們從整體上描述風(fēng)險(xiǎn)來(lái)源和系統(tǒng)地觀察不同風(fēng)險(xiǎn)之間的關(guān)系。平衡計(jì)分卡［9］既是一項(xiàng)戰(zhàn)略規(guī)劃工具，又是一個(gè)績(jī)效評(píng)價(jià)系統(tǒng)，它通過(guò)財(cái)務(wù)層面、內(nèi)部流程層面、學(xué)習(xí)成長(zhǎng)層面以及市場(chǎng)客戶層面等4個(gè)視角來(lái)體現(xiàn)企業(yè)績(jī)效，基于這4項(xiàng)指標(biāo)，使得企業(yè)可以明晰和系統(tǒng)地解釋其策略執(zhí)行過(guò)程［10］。本文借助平衡計(jì)分卡的思想，結(jié)合創(chuàng)業(yè)板上市企業(yè)的特性，在總結(jié)創(chuàng)業(yè)企業(yè)風(fēng)險(xiǎn)因素的基礎(chǔ)上給出了一個(gè)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，見表1所列。

2.2 創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)評(píng)估關(guān)鍵因素分析方法

通過(guò)風(fēng)險(xiǎn)情景分析得到的是創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)因素全集，指標(biāo)數(shù)量過(guò)于繁多，這不僅增加了評(píng)價(jià)結(jié)果的不確定性，對(duì)所有指標(biāo)進(jìn)行監(jiān)測(cè)在管理上也不可行。實(shí)際中往往選擇部分關(guān)鍵指標(biāo)進(jìn)行分析和管理，通常的關(guān)鍵指標(biāo)選擇方法可以分為2類，一類是數(shù)據(jù)挖掘的方法，如統(tǒng)計(jì)方法［11］及人工智能方法［12］，另一類是專家方法［13－14］，最常用的方法是結(jié)合層次分析法（AHP）與多屬性效用理論。聯(lián)系平衡計(jì)分卡原理可以從多個(gè)視角（如財(cái)務(wù)、內(nèi)部流程、學(xué)習(xí)成長(zhǎng)、市場(chǎng)客戶以及經(jīng)營(yíng)環(huán)境等）考察創(chuàng)業(yè)企業(yè)風(fēng)險(xiǎn)。基于排序的多屬性決策方法，也可以用來(lái)識(shí)別關(guān)鍵風(fēng)險(xiǎn)因素，比如采用風(fēng)險(xiǎn)矩陣方法［15］、基于全息層次模型（hierarchical holographic model，簡(jiǎn)稱 HHM）的風(fēng)險(xiǎn)過(guò)濾、排序和管理框架［16］。

表1 創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系

3 風(fēng)險(xiǎn)預(yù)警建模方法

依據(jù)建模所基于的知識(shí)來(lái)源，企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法可分為數(shù)據(jù)驅(qū)動(dòng)法、專家驅(qū)動(dòng)法以及集成法3類。本文重點(diǎn)對(duì)數(shù)據(jù)驅(qū)動(dòng)法、專家驅(qū)動(dòng)方法進(jìn)行綜述，并通過(guò)對(duì)所建模型的復(fù)雜性、預(yù)測(cè)能力以及決策支持能力等特征的分析，指出相關(guān)建模方法的優(yōu)劣，進(jìn)而結(jié)合創(chuàng)業(yè)板市場(chǎng)的特征給出適合創(chuàng)業(yè)板風(fēng)險(xiǎn)預(yù)警建模的有效方法，如圖2所示。

3.1 數(shù)據(jù)驅(qū)動(dòng)的建模方法

數(shù)據(jù)驅(qū)動(dòng)的方法是通過(guò)對(duì)歷史數(shù)據(jù)的學(xué)習(xí)得到企業(yè)風(fēng)險(xiǎn)的知識(shí)，在此基礎(chǔ)上構(gòu)造風(fēng)險(xiǎn)預(yù)警模型，用得到的模型對(duì)測(cè)試樣本進(jìn)行風(fēng)險(xiǎn)識(shí)別并對(duì)未見樣本的風(fēng)險(xiǎn)狀況進(jìn)行預(yù)測(cè)。

統(tǒng)計(jì)方法和人工智能方法是2類常用的數(shù)據(jù)驅(qū)動(dòng)建模方法。

3.1.1 統(tǒng)計(jì)方法

（1）單變量判別分析。單變量判別分析模型（Univariate Analysis，簡(jiǎn)稱 UA）是最早用于企業(yè)風(fēng)險(xiǎn)預(yù)警領(lǐng)域的統(tǒng)計(jì)方法。文獻(xiàn)［17］運(yùn)用UA方法對(duì)財(cái)務(wù)比率與企業(yè)破產(chǎn)風(fēng)險(xiǎn)之間的關(guān)系進(jìn)行定量研究。這一模型的一個(gè)重大缺陷是忽略失敗的多維度特征，不能基于單變量模型對(duì)企業(yè)風(fēng)險(xiǎn)狀況給出一幅清晰的畫面，而且可能導(dǎo)致同一企業(yè)的不同比率上的分類結(jié)果沖突和產(chǎn)生混淆。

（2）多變量判別分析。多變量判別分析法（Multivariate Discriminant Analysis， 簡(jiǎn) 稱MDA）的主要思想是最大化分類之間協(xié)方差的同時(shí)使每一類內(nèi)部特征協(xié)方差最?。?8］。MDA在企業(yè)風(fēng)險(xiǎn)預(yù)警中得到了廣泛的應(yīng)用，通常企業(yè)風(fēng)險(xiǎn)數(shù)據(jù)難以滿足類內(nèi)協(xié)方差矩陣相等的假設(shè)，這種情況下可采用二次的MDA而不是線性的形式。另外模型也不考慮有風(fēng)險(xiǎn)和無(wú)風(fēng)險(xiǎn)企業(yè)的先驗(yàn)概率以及分類錯(cuò)誤代價(jià)的差異，使用模型截?cái)帱c(diǎn)得到的分類結(jié)果往往與決策者的風(fēng)險(xiǎn)偏好不一致，因此基于MDA方法的預(yù)警結(jié)果可能是有偏的［19］。

圖2 常用的建模方法

（3）概率回歸模型。為解決MDA方法容易對(duì)截?cái)帱c(diǎn)附近企業(yè)誤判的問(wèn)題，可以采用線性概率回歸模型（Linear Probability Model，簡(jiǎn) 稱LPM）、Probit模型和 Logit模型［20］。概率回歸模型可以在企業(yè)財(cái)務(wù)比率和風(fēng)險(xiǎn)事件的概率之間建立起聯(lián)系，使得結(jié)果具有實(shí)際意義。這類模型的的局限是對(duì)多重共線性、離群點(diǎn)和丟失值極為敏感［21］，但大多數(shù)風(fēng)險(xiǎn)預(yù)警模型都需要用到企業(yè)的財(cái)務(wù)比率數(shù)據(jù)，限制了模型在風(fēng)險(xiǎn)預(yù)警中的運(yùn)用。

（4）累積和時(shí)間序列方法。通常企業(yè)風(fēng)險(xiǎn)是一個(gè)漸變的過(guò)程，MDA、Logit和Probit使用截面財(cái)務(wù)數(shù)據(jù)，忽略了前期財(cái)務(wù)信息的有用性，而累積和時(shí)間序列方法（Cumulative Sum，簡(jiǎn)稱CUSUM）［22］則可以探測(cè)企業(yè)狀況由好轉(zhuǎn)壞的拐點(diǎn)，對(duì)經(jīng)營(yíng)狀況惡化反映敏感并具有記憶力，因此包括了企業(yè)風(fēng)險(xiǎn)演化的動(dòng)態(tài)過(guò)程的信息。這一模型還可以區(qū)分預(yù)測(cè)變量變化的原因，識(shí)別導(dǎo)致企業(yè)風(fēng)險(xiǎn)的長(zhǎng)期結(jié)構(gòu)性因素，因此，非常適合于對(duì)企業(yè)風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)分析［23］。

3.1.2 人工智能方法

隨著信息技術(shù)的發(fā)展，近年來(lái)人工智能模型被引入企業(yè)風(fēng)險(xiǎn)預(yù)警，并逐漸成為研究的熱點(diǎn)，許多基于人工智能的風(fēng)險(xiǎn)預(yù)警模型在預(yù)測(cè)準(zhǔn)確率方面已超越傳統(tǒng)的基于統(tǒng)計(jì)技術(shù)的風(fēng)險(xiǎn)預(yù)警模型。人工神經(jīng)網(wǎng)絡(luò)、決策樹方法、模糊集理論、灰色理論、粗糙集理論及支持向量機(jī)都在企業(yè)風(fēng)險(xiǎn)預(yù)警領(lǐng)域得到了應(yīng)用。

（1）人工神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡(jiǎn)稱ANN）被廣泛地運(yùn)用于信用風(fēng)險(xiǎn)和企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)警領(lǐng)域［24－25］。人工神經(jīng)網(wǎng)絡(luò)不需要對(duì)數(shù)據(jù)特征進(jìn)行假設(shè)，增強(qiáng)了學(xué)習(xí)的模型對(duì)未見樣本的泛化能力；樣本特征對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)點(diǎn)采取非線性聯(lián)結(jié)并且并行交換信息，符合企業(yè)風(fēng)險(xiǎn)的演化機(jī)制；神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的噪聲容忍能力。與傳統(tǒng)的統(tǒng)計(jì)方法相比人工神經(jīng)網(wǎng)絡(luò)更適合于處理企業(yè)風(fēng)險(xiǎn)預(yù)警這一類復(fù)雜問(wèn)題。

（2）支持向量機(jī)方法。支持向量機(jī)方法（Support Vector Machines，簡(jiǎn)稱 SVM）［26］是從感知機(jī)發(fā)展而來(lái)的，其實(shí)質(zhì)是一個(gè)不包含隱藏層的神經(jīng)網(wǎng)絡(luò)，基本思想是通過(guò)某種非線性映射將輸入映射到高維特征空間，從而可以使用線性模型實(shí)現(xiàn)非線性分類。目前絕大多數(shù)基于SVM的企業(yè)風(fēng)險(xiǎn)預(yù)警模型強(qiáng)調(diào)模型的預(yù)測(cè)能力，而忽視模型的決策支持能力，從而削弱了風(fēng)險(xiǎn)預(yù)警模型的實(shí)際應(yīng)用價(jià)值。

（3）遺傳算法。遺傳算法（Genetic Algorithm，簡(jiǎn)稱GA）是利用模仿自然界生物遺傳進(jìn)化規(guī)律在大量復(fù)雜概念空間內(nèi)的隨機(jī)搜索技術(shù)。遺傳算法在企業(yè)風(fēng)險(xiǎn)預(yù)警領(lǐng)域主要有2方面的應(yīng)用：① 運(yùn)用遺傳算法以財(cái)務(wù)比率為基礎(chǔ)提取ifthen判別規(guī)則，使得建立的預(yù)警模型容易理解；②現(xiàn)有文獻(xiàn)更普遍的是利用遺傳算法優(yōu)化模型參數(shù)或選擇最優(yōu)特征子集，以提高模型的預(yù)測(cè)準(zhǔn)確率和泛化能力［14］。

（4）基于案例推理方法?；诎咐评矸椒ǎ–ase－Based Reasoning，簡(jiǎn)稱 CBR）是在復(fù)雜變化的環(huán)境中解決問(wèn)題的決策方法，一般運(yùn)用K臨近算法對(duì)存貯的案例分類，在企業(yè)風(fēng)險(xiǎn)預(yù)警研究領(lǐng)域也有應(yīng)用，在數(shù)據(jù)不充分的條件下使用具有一定優(yōu)勢(shì)［27］。案例回溯是CBR系統(tǒng)中最重要的步驟，基于案例推理方法的企業(yè)風(fēng)險(xiǎn)預(yù)警系統(tǒng)方面的研究主要集中在這一問(wèn)題上［28］。

此外，粗糙集理論、決策樹方法、模糊集理論和灰色理論在風(fēng)險(xiǎn)預(yù)警建模方面均得到了廣泛應(yīng)用［29－31］。

3.2 專家驅(qū)動(dòng)的建模方法和集成的建模方法

基于歷史數(shù)據(jù)學(xué)習(xí)的方法依賴于一定的數(shù)據(jù)量，而且假設(shè)歷史數(shù)據(jù)中包含的模式在相當(dāng)一段時(shí)期內(nèi)可以保持穩(wěn)定，然而這些條件往往得不到滿足，在缺乏歷史信息和不穩(wěn)定的環(huán)境下可以采用專家驅(qū)動(dòng)的方法構(gòu)造預(yù)警模型。專家根據(jù)所掌握的領(lǐng)域知識(shí)先驗(yàn)地給出風(fēng)險(xiǎn)預(yù)警模型，并據(jù)此確定樣本特征與企業(yè)風(fēng)險(xiǎn)之間的函數(shù)關(guān)系。

另外，當(dāng)財(cái)務(wù)信息與風(fēng)險(xiǎn)事件之間存在時(shí)滯、量化信息不可靠、系統(tǒng)風(fēng)險(xiǎn)特征發(fā)生顯著改變以及其他難以度量的因素變化時(shí)，企業(yè)風(fēng)險(xiǎn)預(yù)警模型就變得對(duì)財(cái)務(wù)等量化數(shù)據(jù)不敏感甚至無(wú)效。此時(shí)專家利用其經(jīng)驗(yàn)和領(lǐng)域知識(shí)做出的預(yù)測(cè)則更為有效。企業(yè)風(fēng)險(xiǎn)預(yù)測(cè)是一個(gè)復(fù)雜的多屬性決策問(wèn)題，專家方法主要是通過(guò)結(jié)合層次分析法（AHP）和群決策方法（GDSS）來(lái)實(shí)現(xiàn)模型構(gòu)造過(guò)程。目前研究主要集中在專家意見表示、群內(nèi)專家的協(xié)商機(jī)制以及專家意見的集結(jié)方式等方面。采用模糊理論、灰色理論等方法量化表達(dá)專家模糊意見是研究的一個(gè)熱點(diǎn)［32］，然而根據(jù)風(fēng)險(xiǎn)預(yù)警問(wèn)題的復(fù)雜性、專家知識(shí)的有限性，確定合理的專家規(guī)模，簡(jiǎn)化模型結(jié)構(gòu)，提高決策效率，增強(qiáng)基于群決策方法的風(fēng)險(xiǎn)預(yù)警模型泛化能力，學(xué)術(shù)界的研究則還少見。

由于不可能存在普適的決策技術(shù)，每一方法各有其適用的范圍、具有一定的優(yōu)勢(shì)和局限，方法之間可能是互補(bǔ)的，集成方法即組合幾種數(shù)據(jù)驅(qū)動(dòng)方法或是混合集成數(shù)據(jù)驅(qū)動(dòng)方法和專家驅(qū)動(dòng)的方法往往可以得到理想的效果。

3.3 風(fēng)險(xiǎn)預(yù)警建模方法選擇及其評(píng)述

綜上所述，運(yùn)用統(tǒng)計(jì)方法構(gòu)造企業(yè)風(fēng)險(xiǎn)預(yù)警模型具有突出的優(yōu)點(diǎn)，這些模型的判別函數(shù)具有顯性的表達(dá)，模型中變量的系數(shù)具有一定的涵義，判別函數(shù)可以充當(dāng)從預(yù)測(cè)變量到預(yù)測(cè)結(jié)果的決策規(guī)則，因此決策過(guò)程更為符合人們的思維習(xí)慣，具有較強(qiáng)的可解釋性。

傳統(tǒng)的統(tǒng)計(jì)方法存在2個(gè)方面的根本缺陷：①對(duì)數(shù)據(jù)環(huán)境有較為嚴(yán)格的要求，如應(yīng)用最多的MDA方法要求樣本數(shù)據(jù)服從正態(tài)分布、類內(nèi)協(xié)方差相等；② 數(shù)據(jù)處理能力有限，缺乏處理非線性數(shù)據(jù)的能力。這些缺陷會(huì)導(dǎo)致嚴(yán)重的后果，如因分布指定錯(cuò)誤導(dǎo)致的預(yù)警模型缺乏泛化能力，模型不能反映企業(yè)風(fēng)險(xiǎn)非線性演化機(jī)制，離群點(diǎn)、噪聲數(shù)據(jù)以及不完整數(shù)據(jù)的影響導(dǎo)致預(yù)警模型魯棒性差等弱點(diǎn)，因此對(duì)復(fù)雜的企業(yè)風(fēng)險(xiǎn)預(yù)警問(wèn)題往往得不到人們所期望的精度。

創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型往往需要處理高維數(shù)據(jù)，同時(shí)，從現(xiàn)實(shí)中收集的樣本數(shù)量有限，因此建模方法需要適應(yīng)“小樣本”數(shù)據(jù)環(huán)境。SVM采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，以較少的樣本即可獲得良好的泛化性能，為打開決策過(guò)程黑箱、幫助用戶理解和解釋決策結(jié)果提供了分析的數(shù)學(xué)基礎(chǔ)，因而更適合于創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警。

雖然應(yīng)用SVM作為用于創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法具有良好的前景，但仍然面臨一些挑戰(zhàn)。

（1）進(jìn)一步提高風(fēng)險(xiǎn)預(yù)警模型的預(yù)警能力：① 克服先驗(yàn)知識(shí)的影響，改善風(fēng)險(xiǎn)預(yù)警模型的適應(yīng)能力；②克服建模樣本信息貧乏和創(chuàng)業(yè)板市場(chǎng)的動(dòng)態(tài)特征的影響，使基于SVM的模型在缺乏歷史數(shù)據(jù)以及數(shù)據(jù)信息量不豐富的動(dòng)態(tài)環(huán)境下仍然具備較好預(yù)警能力。

（2）開發(fā)結(jié)構(gòu)簡(jiǎn)單的SVM風(fēng)險(xiǎn)預(yù)警模型，增強(qiáng)模型的決策支持能力，以提高創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型的實(shí)用價(jià)值：① 在模型中融入領(lǐng)域知識(shí)，使之符合決策者的偏好習(xí)慣，提高模型與決策者的交互能力；② 借助規(guī)則提取技術(shù)，從學(xué)習(xí)得到的SVM模型映射關(guān)系中了解分類器的決策過(guò)程、理解和解釋分類結(jié)果，指導(dǎo)人們根據(jù)預(yù)警結(jié)果制定正確的風(fēng)險(xiǎn)管理措施，以提高企業(yè)風(fēng)險(xiǎn)預(yù)警模型的實(shí)際應(yīng)用價(jià)值。

RST、FST、CBR、DT等人工智能方法可以生成推理規(guī)則，得到的結(jié)論易于為用戶解釋和理解。RST、FST、GRT可從不確定信息的角度對(duì)企業(yè)風(fēng)險(xiǎn)預(yù)警問(wèn)題進(jìn)行研究，因此更為符合客觀實(shí)際以及人們的思考習(xí)慣。目前，將上述方法與基于SVM模型融合，并采用不確定的方式表達(dá)企業(yè)特征與風(fēng)險(xiǎn)之間的關(guān)系正成為研究的熱點(diǎn)之一。

4 總結(jié)與展望

綜上所述，創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警研究需要解決以下幾個(gè)關(guān)鍵問(wèn)題：

（1）理解創(chuàng)業(yè)板上市企業(yè)的風(fēng)險(xiǎn)特征及其影響因素，進(jìn)而構(gòu)建創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系是研究的關(guān)鍵，也是難點(diǎn)所在。

（2）避免樣本分布不平衡、樣本發(fā)展不成熟以及噪聲數(shù)據(jù)和離群點(diǎn)對(duì)模型泛化能力的不利影響，并考慮決策者風(fēng)險(xiǎn)偏好，從而使得預(yù)警模型具有動(dòng)態(tài)適應(yīng)性和交互能力。

（3）簡(jiǎn)化預(yù)警模型結(jié)構(gòu)，理解和解釋預(yù)警模型的決策過(guò)程是風(fēng)險(xiǎn)預(yù)警模型具有應(yīng)用價(jià)值的關(guān)鍵，采用合適的技術(shù)提取模型中隱含的規(guī)則并將其可視化是另一個(gè)值得研究的問(wèn)題。

具體來(lái)講，基于SVM的創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警研究可從以下幾個(gè)方面展開：

（1）創(chuàng)業(yè)板上市企業(yè)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系研究。

（2）基于先驗(yàn)知識(shí)的支持向量分類算法研究。

（3）風(fēng)險(xiǎn)預(yù)警模型決策規(guī)則提取技術(shù)及可視化研究。

（4）應(yīng)用實(shí)例及專家方法與智能預(yù)警模型方法的融合研究。

［1］成思危.發(fā)展我國(guó)風(fēng)險(xiǎn)投資的幾點(diǎn)戰(zhàn)略思考［J］.中國(guó)創(chuàng)業(yè)投資與高科技，2002（6）：10－14.

［2］Black G.Venture capital and the structure of capital markets：banks versus stock markets［J］.Journal of Financial Economics，1998，47：243－277.

［3］Schultz P.Who makes markets［J］.Journal of Financial Markets，2003（6）：49－72.

［4］崔海萍.二板市場(chǎng)的建立對(duì)主板市場(chǎng)的影響［J］.北京證券研究季刊，2000（2）：5－8.

［5］李 波.從納斯達(dá)克看中國(guó)二板市場(chǎng)［J］.經(jīng)濟(jì)與管理研究，2001（2）：14－17.

［6］王國(guó)剛.創(chuàng)業(yè)投資高新技術(shù)產(chǎn)業(yè)化［J］.中國(guó)科技信息，2002（12）：20－21.

［7］Lennox C.Identifying failing companies：a reevaluation of the logit，probit and DA approaches［J］.Journal of Economics and Business，1999，51：347－364.

［8］王滿玲，楊德禮.國(guó)外公司財(cái)務(wù)困境預(yù)測(cè)研究進(jìn)展評(píng)述［J］.預(yù)測(cè)，2004，23（6）：16－21.

［9］Kaplan R，Norton D.The balanced scorecard：measures that drive performance［J］.Harvard Business Review，1992（1）：71－79.

［10］嚴(yán)復(fù)海，張 冉.企業(yè)風(fēng)險(xiǎn)管理與業(yè)績(jī)?cè)u(píng)價(jià)整合：基于平衡計(jì)分卡的研究［J］.北京工商大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2008，23（5）：17－21.

［11］Tsai C.Feature selection in bankruptcy prediction［J］.Knowledge－Based Systems，2008，8（2）：1－8.

［12］Lin R，Wang Y，Wu C，et al.Developing a business failure prediction model via RST，GRA and CBR［J］.Expert Systems with Applications，2009，36：1593－1600.

［13］Macmillan I C，Zemann L，Subbanarasimha P N.Criteria distinguishing successful from unsuccessful ventures in the venture screening process［J］.Jouumal of Business Venturing，1987，2（2）：123－137.

［14］Pfeifer L R N.A crossnational prediction model for business success［J］.Journal of Small Business Management，2001，39（3）：228－229.

［15］Paul R，Garvey P R，Lansdowne Z F.Risk matrix：an approach for identifying，assessing，and ranking program risks［J］.Air Force Journal of Logistics，1998（25）：16－19.

［16］Haimes Y Y，Kaplan S，Lambert J H.Risk filtering，ranking，and management framework using hierarchical holographic modeling［J］.Risk Analysis，2002，22（2）：383－397.

［17］Beaver W.Financial ratios as predictors of failure［J］.Journal of Accounting Research，1966，4：71－111.

［18］Min J H，Lee Y.Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters［J］.Expert Systems with Applications，2005，28：603－614.

［19］Gu Z.Analyzing bankruptcy in the restaurant industry：a multiple discriminant model［J］.Hospitality Management，2002，21：25－42.

［20］Ohlson J.Financial ratios and the probabilistic prediction of bankruptcy［J］.Journal of Accounting Research，1980，18（1）：109－131.

［21］Doumpos M，Zopoudinis C.A multicriteria discrimination method for the prediction of financial distress：the case of Greece［J］.Multinational Finance Journal，1999，3（2）：71－101.

［22］Theodossiou P.Predicting shifts in the mean of a multivariate time series process：an application in predicting business failures［J］.Journal of the American Statistical Association，1993，88（422）：441－449.

［23］Kahya E，Theodossiou P.Predicting corporate financial distress：a time－series CUSUM methodology［J］.Review of Quantitative Finance and Accounting，1999，13：323－345.

［24］郭英見，吳 沖，于天軍.基于BP神經(jīng)網(wǎng)絡(luò)組和DS證據(jù)理論的信用風(fēng)險(xiǎn)評(píng)估算法［J］.合肥工業(yè)大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2009，23（5）：42－45.

［25］楊淑娥，王樂(lè)平.基于BP神經(jīng)網(wǎng)絡(luò)和面板數(shù)據(jù)的上市公司財(cái)務(wù)危機(jī)預(yù)警［J］.系統(tǒng)工程理論與實(shí)踐，2007（2）：61－66.

［26］Vapnik V.The nature of statistical learning theory［M］.New York：Springer，1995：80－100.

［27］柳炳祥，盛昭翰.基于案例推理的企業(yè)危機(jī)預(yù)警系統(tǒng)設(shè)計(jì)［J］.企業(yè)管理，2003（3）：7－10.

［28］Li H，Sun J，Sun B.Financial distress prediction based on OR－CBR in the principle of k－nearest neighbors［J］.Expert Systems with Applications，2009，36：643－659.

［29］Zimmermann H J.Fuzzy set theory and its applications［M］.London：Kluwer Academic Publishers，1996：40－56.

［30］Vigier H P，Terce?no A.A model for the prediction of“diseases”of firms by means of fuzzy relations［J］.Fuzzy Sets and Systems，2008，159：2299－2316.

［31］劉德學(xué)，樊治平，王欣榮.風(fēng)險(xiǎn)投資公司經(jīng)營(yíng)能力的模糊評(píng)價(jià)方法［J］.系統(tǒng)工程理論與實(shí)踐，2002，11：70－76.

［32］Sun J，Li H.Financial distress early warning based on group decision making［J］.Computers ＆ Operations Research，2009，36：885－906.