蔣尹華　黃洪浪

摘要：文章嘗試將人工智能中的CBR技術(shù)運用于企業(yè)融資風險的預測過程，采用案例推理的方法資風險預測管理推理流程，并分別從案例檢索算法選擇，特征權(quán)值確定等方面提出具體的實（CBR），在分析融資各項風險的基礎(chǔ)上，通過構(gòu)建企業(yè)融資風險預測管理案例庫，建立融施方法，實現(xiàn)高科技中小企業(yè)的融資風險預測管理，為企業(yè)融資的各方提供決策依據(jù)。

關(guān)鍵詞：融資風險；案例推理；中小企業(yè)融資

中圖分類號：F276 文獻標識碼：A 文章編號：1009-2374（2014）03-0160-03

1 概述

高科技中小企業(yè)具有“技術(shù)性”和“中小規(guī)模”的特點，這種屬性就必然成為其自身障礙，融資過程中面臨更多困難。高科技中小企業(yè)其發(fā)展的最大瓶頸就是融資風險。對這類企業(yè)進行風險評估與分析，幫助企業(yè)實現(xiàn)財務(wù)結(jié)構(gòu)的合理化，并盡可能獲取合理的投資權(quán)益，對高新技術(shù)產(chǎn)業(yè)的發(fā)展和促進中國經(jīng)濟保持增長具有重要意義。

針對企業(yè)融資風險的分析，很多學者們通過定量的方法建立相關(guān)模型，建立股權(quán)資本期望報酬率服從正態(tài)分布下的融資風險定量模型；林志宏，董學晨通過研究基于粗糙集和熵模型的電力企業(yè)融資風險管理，同時從財務(wù)指標出發(fā)，評價企業(yè)融資風險狀況；馮日欣從企業(yè)融資的基本途徑出發(fā)，進而分析影響融資風險的決定因素，最后提出融資風險的衡量方法；CBR（Case-basedreasoning）方法，作為一個解決問題的方法，以模擬方式，以相似案例對當下問題進行求解，有助于提高效率和質(zhì)量。郭艷紅等人對基于案例推理的這種增量式的學習方法做了綜述性的研究。溫偉，杜云燕把CBR方法運用到珠江口土地利用變化的推測；周國柱采用案例推理方法建立解決船舶避碰問題的決策支持模型；戟曉峰，劉瀾提出基于CBR方法的解決交通擁堵問題的模型，通過從案例庫中找到最相似的案例和相應(yīng)的處置方案，解決現(xiàn)實問題。在近些年的發(fā)展過程中，該模型的應(yīng)用研究多集中于計算機數(shù)據(jù)分析與處理，利用軟計算方法進行的系統(tǒng)優(yōu)化與決策，分子生物學，機器人控制，地質(zhì)勘測等工程理論方面，而對于經(jīng)濟管理領(lǐng)域卻很少涉及，僅有的研究也只局限于生產(chǎn)鏈條的整體優(yōu)化。

基于此，本文從企業(yè)管理實踐的具體工作出發(fā)，探索CBR方法對于高科技中小企業(yè)融資風險預測方面所能發(fā)揮的重大作用。

2 基于CBR理論的高科技中小企業(yè)風險預測

圖1 基于CBR方法的融資風險預測管理推理過程

高科技中小企業(yè)融風險管理的主要功能是，把各企業(yè)的風險控制量化標準的相關(guān)信息作為信息的輸入，依據(jù)風險控制的相關(guān)屬性與特征在案例庫中尋找相關(guān)性較高的案例作比較，最后對輸入案例的風險程度作出預測。各高科技中小企業(yè)之間在生產(chǎn)經(jīng)營管理和外部環(huán)境方面具有典型的相似性，所面臨的各項風險相對固定，決定了在企業(yè)融資風險方面必然存在相似性，同時，對于具有內(nèi)在聯(lián)系的各影響因素的相關(guān)程度在不同企業(yè)之間同樣會表現(xiàn)出很大的相似性。顯然，通過分析廣泛的高科技中小企業(yè)融資過程中所面臨風險的歷史案例，可以指導性的解決當前企業(yè)的風險預測與控制的問題。基于CBR方法的高科技中小企業(yè)融資風險預測管理過程見圖1所示?？萍夹椭行∑髽I(yè)融資風險屬性通常包括但不限于以下各風險因素：支付風險，財務(wù)杠桿風險（DFL），企業(yè)運營活動風險，來自政府方面的風險，匯率風險，系統(tǒng)風險。

3 高科技中小企業(yè)風險的案例表示與案例檢索

案例的表示必須要遵循一定的規(guī)則，形成規(guī)范的結(jié)構(gòu)，以便于案例的檢索和適配。在實際應(yīng)用中，不可能做到案例庫覆蓋整個問題所有風險因素，只能做到盡可能去涵蓋各個問題區(qū)域，本文根據(jù)風險管理基本思想，通過風險管控、案例問題域存儲結(jié)構(gòu)（如表1），通過擬定案例庫中的屬性，構(gòu)建案例庫管理模型，并對目前企業(yè)風險狀況給予分析評估，預測風險，得出結(jié)果。

案例檢索是從案例庫中找出與當前案例相似的案例?？茖W的檢索方法可以提高檢索效率，保證檢索質(zhì)量。本文按照檢索中的最近相鄰原則，通過累加目標案例，檢索案例庫中案例的每個字段的相似度，進而計算出總體相似度。結(jié)合案例表示的本質(zhì)，案例特征由各項特征屬性組構(gòu)成，通常先對案例屬性進行比對，從各個比對點進行核算，進而匯總各項屬性計算結(jié)果，最終匯總得出各案例間的相似度：

（1）數(shù)值型屬性的相似度。設(shè)案例Ci與案例Cj的第k個屬性值為數(shù)值屬性，其屬性值分別記為Vik和Vjk，對屬性值進行歸一化處理，使得Vik和Vjk∈[0，1]，則案例Ci和案例Cj的第k個屬性值的相似度為：

式中，表示案例Ci和案例Cj在第k個屬性上的距離絕對值，

（2）數(shù)值區(qū)間型屬性的相似度。區(qū)間型屬性可用模糊區(qū)間或模糊中心數(shù)表示，設(shè)案例Ci的第k個屬性值Vik為數(shù)值區(qū)間型，Vik表示成模糊區(qū)間數(shù)的形式為，

其中和分別為區(qū)間下限值和上限值。案例Cj的第k個屬性值Vjk表示為模糊區(qū)間數(shù)，對區(qū)間數(shù)進行歸一化處理后，案例Ci和案例Cj的第k個屬性值的相似

度為：

式中，表示案例Ci和案例Cj在第k個屬性上的平均歐式距離，

（3）枚舉型屬性的相似度。枚舉型屬性的相似度計算相對簡便，只要兩個案例的屬性值相同，兩者的相似度為1，否則為0。

在計算出案例各屬性值的相似度以后，就可以計算案例之間的相似度。由于各屬性對案例整體上的相似度有不同的貢獻，因此兩個案例之間的相似度為：

式中，wk為第個屬性的權(quán)重，且。

理論上，案例推理檢索出的融資風險管理案例模型可以在企業(yè)初期進行融資風險的預估與判定，但實際需要解決的問題與模型必然存在相當差異。通過對案例進行修正與改進，以達到適應(yīng)具體案例的目標。同時，通過不斷修正調(diào)整每次案例預測的過程必然形成新的案例，這種自學習的過程促進了案例的積累與豐富，提高了企業(yè)系統(tǒng)解決問題的能力。

4 實例分析

以某中小技術(shù)型企業(yè)的上年度各項指標為基礎(chǔ)進行該企業(yè)的融資風險程度預測，利用CBR方法推求適用的企業(yè)融資管理模型和方案。通過對企業(yè)年末財務(wù)報表的各項數(shù)據(jù)的提取，其特征可描述為

C={20，3，20，0.023，42，一般，0.02～0.04，一般}

通過初步檢索，從案例庫中得到一組與該企業(yè)各項風險控制指標基本相關(guān)的匹配案例，為了更加直觀起見，初步檢索出的案例用Ci表示，見表1。

計算案例的相似度的步驟如下：

（1）確定各特征屬性的權(quán)重。用層次分析法計算出各特征屬性的權(quán)重，見表2。

（2）計算各特征屬性的相似度，首先對案例的特征屬性值進行歸一化處理，然后根據(jù)公式1～3分別計算各特征屬性之間的相似度。以C0和C1為例，說明特征屬性相似度的計算方法。

（3）計算案例相似度。得到案例各特征屬性的相似度后，可由式（4）計算案例相似度。當前問題C0與C1之間的相似度為：。同理，可求得案例C0與其余案例各特征屬性的相似度和案例間相似度，計算結(jié)果見表5。

表5給出了當前企業(yè)融資風險問題和從案例庫中檢索出來的5個案例之間的相似度，由表5中最后一列可以看出，當前融資風險預測問題與案例C5最相似（大于文本中給定的閾值0.95），因此該科技型中小企業(yè)的融資風險水平與企業(yè)C5的融資風險最為接近，我們可以近似的認為該企業(yè)的風險融資水平為。需要指出的是，如果沒有相似度接近的特征屬性，可以崇相似的較大的案例開始修正，先修正局部相似度，后調(diào)整整體相似度，已解決當前問題。

5 結(jié)語

為應(yīng)對科技型中小企業(yè)融資困境，預測企業(yè)融資風險很有必要。本文嘗試基于CBR方法預測評估企業(yè)融資風險，建立了基于CBR方法的融資風險預測管理推理流程（圖1），并分別從算法選擇和關(guān)鍵特征值分析，確定科學的方案，制定合理方法。實例證明CBR可以滿足此類企業(yè)在融資過程中的風險預控要求，從成功的融資案例中進行比較分析，給出相對客觀的風險預測水平，從而實現(xiàn)融資風險預測管理的智能化，知識化與科

學化。

參考文獻

[1] 杜云艷，周成虎，邵全琴，等.地理案例推理及其應(yīng)用[J].地理學報，2002，57（2）：151-158.

[2] RAINER.S，LOTHAR.G.Case based reasoning for antibiotics therapy advice： an investigation of retrieval algorithms and prototypes [J].Artificial Intelligence in Medicine， 2001，23（2） 171-186.

[3] 梁萊歆，王正兵.高科技企業(yè)融資風險定量模型及其實證研究[J].系統(tǒng)工程，2004，22（12）.

[4] 馮日欣.企業(yè)融資風險研究[J].山東財政學院學報，2003，（3）.

[5] 戟曉峰，劉瀾.基于案例推理的交通擁擠管理方法[J].西南交通大學學報，2009，44（3）.

[6] 寧鐘，孫薇，謝筱玲.基于案例推理的供應(yīng)鏈突發(fā)危機應(yīng)急處理原型系統(tǒng)研究[J].管理學家：學術(shù)版，2011（3）：3-13.

[7] 余祥，李強，孫勝軍.基于TCBR的測試用例復用方法研究[J].計算機工程與設(shè)計，2012，33（11）：4230-4234，4313.

[8] 劉曉文，于瑾.融合RBR和CBR的旅游服務(wù)企業(yè)自動談判系統(tǒng)研究[J].計算機工程與設(shè)計，2012，33（12）：4696-4700.

[9] 宋璇，肖建武.企業(yè)融資風險的預控分析[J].會計之友，2012（4）：114-116.

[10] 吳宏遠.中小企業(yè)融資風險防范—基于民間金融的視角[J].財會通訊：綜合（中），2012，（10）：137-138.

[11] 王艷林.中小企業(yè)融資風險影響因素實證分析—來自中小板上市公司數(shù)據(jù)的檢驗[J].財會通訊：綜合（下），2012，（10）：117-119.

作者簡介：蔣尹華（1987—），男，湖北公安人，供職于武漢工程大學教務(wù)處，講師，博士，研究方向：人力資本與技術(shù)創(chuàng)新；黃洪浪（1972—），女，湖南長沙人，供職于北大縱橫管理咨詢有限公司，研究方向：人力資本與技術(shù)創(chuàng)新。