劉士偉 李丹

摘 要： 創(chuàng)業(yè)風險評估是大學創(chuàng)業(yè)過程一個重要研究內容，當前大學生創(chuàng)業(yè)風險評估算法存在評估精度低、誤差大的局限性為了獲得理想的大學生創(chuàng)業(yè)風險評估結果，提出基于大數據分析的大學生創(chuàng)業(yè)風險評估算法。首先對大學生創(chuàng)業(yè)風險評估國內外研究現狀進行分析，找到引起大學生創(chuàng)業(yè)風險評估錯誤率高的原因，然后根據大數據分析方法的支持向量機建立大學生創(chuàng)業(yè)風險評估模型，最后通過具體仿真對比實驗對算法的有效性和優(yōu)越性進行分析。實驗結果表明，所提算法提高了大學生創(chuàng)業(yè)風險評估精度，而且評估速度也大幅度加快，評估結果明顯優(yōu)于當前其他的大學生創(chuàng)業(yè)風險評估算法。

關鍵詞： 大學生創(chuàng)業(yè)； 風險評估； 模型； 支持向量機； 大數據分析； 評估結果

中圖分類號： TN911.1?34 文獻標識碼： A 文章編號： 1004?373X（2018）19?0125?04

Abstract： The entrepreneurial risk assessment is an important research content of the college students entrepreneurial process. Since the current risk assessment evaluation algorithm of college students entrepreneurship has the limitations of low precision and big error， a large data analysis based risk evaluation algorithm of college students entrepreneurship is proposed to obtain the ideal risk evaluation results of college students entrepreneurship. The research status of college students entrepreneurial risk assessment at home and abroad is analyzed to find the reason causing the high error rate of college students entrepreneurial risk assessment. The risk assessment model of college students entrepreneurship is established according to the support vector machine of large data analysis method. The validity and superiority of this algorithm are analyzed with the specific simulation. The results show that the algorithm improves the risk assessment accuracy of college students entrepreneurship， also quickens the evaluation speed greatly， and its evaluation results are significantly better than that of the current other risk assessment algorithms of college students entrepreneurship.

Keywords： college students entrepreneurship； risk assessment； model； support vector machine； large data analysis； assessment result

0 引 言

近年來，隨著我國高校教育從精英教育向大眾教育轉變，大學生就業(yè)形勢更加嚴峻，大學生自主創(chuàng)業(yè)是解決大學生就業(yè)問題的一種重要途徑[1?2]。在大學生自主創(chuàng)業(yè)過程中，由于大學生剛步入社會，經驗、意識等各方向的知識欠缺，創(chuàng)業(yè)風險相當高[3]。而大學生創(chuàng)業(yè)風險評估可以對未來的風險進行預估，根據預估結果采取有效的防范措施，因此如何提高大學生創(chuàng)業(yè)風險評估的準確性和客觀性是一個當前亟待解決的難題[4]。

大學生創(chuàng)業(yè)風險評估研究受到了高校教育工作的高度重視，最初通過人工方式對大學生創(chuàng)業(yè)風險進行評估，該方法的評估過程十分繁瑣，而且評估結果與實際風險等級偏離很大，評價結果的盲目性比較嚴重[5]。隨著計算機自動化技術的不斷發(fā)展，有學者提出基于專家系統(tǒng)的大學生創(chuàng)業(yè)風險評估方法，通過專家的知識和經驗對大學生創(chuàng)業(yè)風險進行分析，得到大學生創(chuàng)業(yè)風險評估結果，比人工方式的評估效率更高，而且大學生創(chuàng)業(yè)風險評估精度得以提升[6?7]。隨著機器學習算法的不斷發(fā)展，出現基于神經網絡的大學生創(chuàng)業(yè)風險評估算法，該算法通過神經網絡模擬大學生創(chuàng)業(yè)風險評價過程，對大學生創(chuàng)業(yè)風險評估結果進行高精度擬合，得到了不錯的大學生創(chuàng)業(yè)風險評估結果。然而神經網絡存在收斂速度慢，易得到“過擬合”大學生創(chuàng)業(yè)風險評估結果[8?9]。近年來，隨著大數據分析技術的不斷成熟，出現了支持向量機、層次分析等大數據分析技術，為大學生創(chuàng)業(yè)風險評估的研究提供了更多技術支撐[10]。

為了獲得理想的大學生創(chuàng)業(yè)風險評估結果，本文提出基于大數據分析的大學生創(chuàng)業(yè)風險評估算法，通過具體仿真對比實驗，對本文算法的有效性和優(yōu)越性進行分析。

1 大學生創(chuàng)業(yè)風險評估算法的工作框架

大學生創(chuàng)業(yè)風險評估變化具有動態(tài)和非線性，同時受到許多因素的影響，如國家政策、大學生自身素質、資金等，導致大學生創(chuàng)業(yè)風險評估過程相當復雜。設大學生創(chuàng)業(yè)風險評估指標共有[m]個，表示為[{x1，x2，…，xm}]，那么大學生創(chuàng)業(yè)風險評估等級可以描述為：

從式（1）可知，建立性能更好的大學生創(chuàng)業(yè)風險評估模型，那么就要找最優(yōu)的[f（? ）]，該函數用于擬合大學生創(chuàng)業(yè)風險評估指標和大學生創(chuàng)業(yè)風險等級的變化?；诖髷祿治龅拇髮W生創(chuàng)業(yè)風險評估算法工作框架如圖1所示。

2 大學生創(chuàng)業(yè)風險評估算法的設計

2.1 層次分析法構建大學生創(chuàng)業(yè)風險評估指標

根據大學生創(chuàng)業(yè)風險評估判斷矩陣建立大學生創(chuàng)業(yè)風險評估指標的層次模型。

2.2 灰色關聯分析法分析大學生創(chuàng)業(yè)風險評估指標關系

根據灰色綜合關聯度的值得到大學生創(chuàng)業(yè)風險評估指標與大學生創(chuàng)業(yè)風險評估結果的影響程度，從而實現大學生創(chuàng)業(yè)風險評估指標的篩選。

2.3 支持向量機建立大學生創(chuàng)業(yè)風險評估模型

支持向量機是機器算法中的一種分類算法，分類目標是找到一個最優(yōu)分類超平面，把所有的大學生創(chuàng)業(yè)風險數據區(qū)分開來，而且使所有樣本與分類超平面之間距離最大，具體工作原理如圖2所示。

支持向量機建立大學生創(chuàng)業(yè)風險評估模型的工作步驟如下：

1） 收集大學生創(chuàng)業(yè)風險評估的指標進行分析，通過專家們建立大學生創(chuàng)業(yè)風險評估的指標體系。

2） 根據大學生創(chuàng)業(yè)風險評估的指標收集評估數據，并對評估指標做如下處理：

[x′i=xixmax] （14）

3） 采用層次分析法確定大學生創(chuàng)業(yè)風險評估的指標層次性，并通過灰色關聯分析對大學生創(chuàng)業(yè)風險評估的指標進行篩選，選擇對大學生創(chuàng)業(yè)風險評估結果有重要影響的指標。

4） 采用支持向量機對大學生創(chuàng)業(yè)風險評估訓練樣本進行學習，并確定相應的參數，建立大學生創(chuàng)業(yè)風險評估模型。

5） 采用大學生創(chuàng)業(yè)風險評估模型對相應的測試樣本進行測試，輸出大學生創(chuàng)業(yè)風險評估結果。

3 大學生創(chuàng)業(yè)風險評估有效性測試

為了測試大數據分析的大學生創(chuàng)業(yè)風險評估性能，選擇遼寧某大學的大學生創(chuàng)業(yè)數據作為研究對象，大學生創(chuàng)業(yè)風險評估指標分為：教育程度（[x1]）、創(chuàng)業(yè)基金支持（[x2]）、創(chuàng)業(yè)氛圍（[x3]）、市場因素（[x4]）、項目競爭力（[x5]）、大學生信用等級（[x6]）、潛在客戶（[x7]）、團隊規(guī)模（[x8]）、組織能力（[x9]）和個人性格（[x10]），收集了100個大學生創(chuàng)業(yè)風險評估數據，采用Matlab 2014a工具箱進行仿真實驗，具體數據如表1所示。

對圖3的實驗結果進行分析可以看出，本文算法的大學生創(chuàng)業(yè)風險評估值與實際得到的大學生創(chuàng)業(yè)風險值十分接近，幾乎沒有什么偏差，獲得了高精度的大學生創(chuàng)業(yè)風險評估結果。實驗結果表明，本文算法是一種性能優(yōu)異的大學生創(chuàng)業(yè)風險評估工具。

為了使本文算法的大學生創(chuàng)業(yè)風險評估結果更具說服力，將其與當前經典大學生創(chuàng)業(yè)風險評估算法——BP神經網絡進行對比測試，BP神經網絡的大學生創(chuàng)業(yè)風險評估結果變化曲線如圖4所示。

從圖4可知，雖然BP神經網絡得到了較高精度的大學生創(chuàng)業(yè)風險評估結果，但是評估精度低于本文算法，同時在測試過程中發(fā)現，本文算法的大學生創(chuàng)業(yè)風險評估結果時間要少于BP神經網絡，改善了大學生創(chuàng)業(yè)風險評估效率。

4 結 語

創(chuàng)業(yè)風險評估結果可以為大學創(chuàng)業(yè)提供指導意見，本文針對當前大學生創(chuàng)業(yè)風險評估算法存在的不足，結合大學生創(chuàng)業(yè)風險評估的特點，提出基于大數據分析的大學生創(chuàng)業(yè)風險評估算法。建立大學生創(chuàng)業(yè)風險評估指標，并收集大學生創(chuàng)業(yè)風險評估數據，對大學生創(chuàng)業(yè)風險評估進行預處理，并采用大數據分析方法的支持向量機建立大學生創(chuàng)業(yè)風險評估模型。實驗測試結果表明，本文算法提高了大學生創(chuàng)業(yè)風險評估精度，評估速度快，解決了當前大學生創(chuàng)業(yè)風險評估過程中存在的問題，具有較高的實際應用價值。

參考文獻

[1] 趙國欽，韓天實.大學生創(chuàng)業(yè)的政策扶持體系：文本分析、感知評價和優(yōu)化建議[J].中國人力資源開發(fā)，2016（15）：79?86.

ZHAO Guoqin， HAN Tianshi. The policy support system of college student entrepreneurship： text analysis， perception evaluation and optimization path [J]. Human resource development of China， 2016（15）： 79?86.

[2] TRABELSI S， ELOUEDI Z， MELLOULI K. Pruning belief decision tree methods in averaging and conjunctive approaches [J]. International journal of approximate reasoning， 2007， 46（3）： 568?595.

[3] 郭宏.創(chuàng)業(yè)板上市公司基于新指標視角的發(fā)展能力評價模型及應用研究[J].工業(yè)技術經濟，2016，35（12）：76?83.

GUO Hong. The development capability evaluation model based on the new index of GEM listing corporation application research [J]. Industrial technology & economy， 2016， 35（12）： 76?83.

[4] 鐘云華，羅茜.大學生創(chuàng)業(yè)能力的影響因素及提升路徑[J].現代教育管理，2016（3）：124?128.

ZHONG Yunhua， LUO Xi. Influence factors and improving path of college students′ entrepreneurial ability [J]. Modern education management， 2016（3）： 124?128.

[5] 范俊峰，郭婷婷.一帶一路背景下大學生創(chuàng)業(yè)能力評估模型仿真[J].計算機仿真，2017，34（8）：228?232.

FAN Junfeng， GUO Tingting. Simulation of undergraduates′ entrepreneurial competence evaluation model in the background of along the way back [J]. Computer simulation， 2017， 34（8）： 228?232.

[6] 張元鳴，陳苗，陸佳煒，等.基于MapReduce的Bagging決策樹優(yōu)化算法[J].計算機工程與科學，2017，39（5）：841?848.

ZHANG Yuanming， CHEN Miao， LU Jiawei， et al. An optimized Bagging decision tree algorithm based on MapReduce [J]. Computer engineering and science， 2017， 39（5）： 841?848.

[7] 程瑋.大學生創(chuàng)業(yè)能力結構模型的建構[J].黑龍江高教研究，2017（5）：133?136.

CHENG Wei. Construction of entrepreneurial ability structure model of university students [J]. Heilongjiang researches on higher education， 2017（5）： 133?136.

[8] 杜岸政.認知視野下創(chuàng)業(yè)風險感知影響因素及評估[J].華北水利水電大學學報（社會科學版），2014，30（4）： 142?144.

DU Anzheng. The cognitive factors of influencing entrepreneurial risk perception and evaluating [J]. Journal of North China University of Water Resources and Electric Power （social sciences edition）， 2014， 30（4）： 142?144.

[9] 吳斌葉，馬小龍，方佳威，等.基于模糊綜合評價法的大學生網上創(chuàng)業(yè)風險評估[J].湖州師范學院學報，2013，35（6）：29?34.

WU Binye， MA Xiaolong， FANG Jiawei， et al. Risk assessment research of college students′ innovative undertaking based on fuzzy comprehensive evaluation [J]. Journal of Huzhou Teachers College， 2013， 35（6）： 29?34.

[10] 李雪竹，陳國龍.基于智能最小二乘支持向量機的大數據分析與預測[J].計算機工程，2015，41（6）：38?42.

LI Xuezhu， CHEN Guolong. Big data analysis and forecasting based on intelligent least square support vector machine [J]. Computer engineering， 2015， 41（6）： 38?42.