（南京航空航天大學經(jīng)濟與管理學院，南京 211106）

引 言

在科技水平和產(chǎn)業(yè)革命快速發(fā)展、經(jīng)濟結(jié)構(gòu)迅速轉(zhuǎn)型的環(huán)境下，科技創(chuàng)新對經(jīng)濟發(fā)展的驅(qū)動作用越來越明顯。2016年我國出臺 《國家創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略綱要》，提出 “三步走”戰(zhàn)略，在2020年進入創(chuàng)新型國家行列，創(chuàng)新驅(qū)動發(fā)展上升為國家戰(zhàn)略。在經(jīng)濟環(huán)境與政策的雙重導向下，科技型企業(yè)將成為產(chǎn)業(yè)結(jié)構(gòu)向高質(zhì)量轉(zhuǎn)型的沖鋒軍，并可能成為新經(jīng)濟增長點。

但是作為技術(shù)創(chuàng)新成果轉(zhuǎn)化的力量，科技型企業(yè)具有前期投入高、創(chuàng)新投資轉(zhuǎn)化時間長、投資回報高的特點，并且創(chuàng)新能力及創(chuàng)新成果轉(zhuǎn)化也存在諸多不確定性［1］。前期投入高、回報時間長的特征使金融機構(gòu)在降低自身風險的前提下，會提高科技型企業(yè)的融資門檻，帶來融資渠道少、融資成本高的問題。創(chuàng)新成果轉(zhuǎn)化的不確定性可能直接導致企業(yè)無法及時償付債務資本，較低的償債能力進一步導致融資難度增加，資金循環(huán)進入不良狀態(tài)［2］。因此，及時識別和預警融資風險，對科技型企業(yè)資金內(nèi)部流動的良性循環(huán)起到重要作用。

近年來，國內(nèi)外學者對科技型企業(yè)融資問題的關(guān)注越來越多。國外學者主要從融資結(jié)構(gòu)理論和融資需求理論方面展開研究［3］。國內(nèi)學者主要關(guān)注于科技型企業(yè)融資難融資貴的問題，并以此為背景，針對融資現(xiàn)狀與特點、融資渠道、融資風險、融資效率的測度等多方面進行研究。

針對科技型企業(yè)融資風險，學者們主要從風險的識別、度量和預警三方面進行研究。束蘭根從生命周期的角度，研究科技型企業(yè)在種子期、初創(chuàng)期、成長期、成熟期和衰退期所面臨的融資風險［4］，劉玉敏等從融資方式的角度，研究債務融資、股權(quán)融資及內(nèi)源融資3種方式對企業(yè)融資風險的影響［5］。耿成軒等引入生態(tài)經(jīng)濟學的思想，從融資內(nèi)生態(tài)和融資外生態(tài)的角度，對企業(yè)融資問題展開研究［6］。王玉冬等在生態(tài)學的基礎(chǔ)上，基于資金在企業(yè)內(nèi)部的循環(huán)，從資金來源、使用、償還和分配4個維度，構(gòu)建了創(chuàng)新資金配置風險的評價體系［7］。

針對融資風險預警指標的選取，譚超將文化類企業(yè)融資風險的影響因素總結(jié)為以下8個方面：管理風險、融資結(jié)構(gòu)、融資規(guī)模、融資成本、無形資產(chǎn)比率、營運風險、信用風險和投資風險［8］。方先明和蘇曉珺對科技型企業(yè)融資風險進行分類，分為市場風險、環(huán)境風險、生產(chǎn)經(jīng)營風險以及財務風險，綜合考慮了企業(yè)內(nèi)外部環(huán)境的影響［9］。

針對風險預警模型的研究，主要分為兩大類：（1）傳統(tǒng)的統(tǒng)計學方法，包括單一財務比率法、多元判別模型以及Logistic回歸模型； （2）基于數(shù)據(jù)驅(qū)動及機器學習的思想，將人工智能的方法運用到風險預警中，包括神經(jīng)網(wǎng)絡(luò)、遺傳算法、決策樹、以及支持向量機等。上世紀60年代，Beaver［10］提出利用單一財務比率來預測企業(yè)財務風險的方法，隨后，美國學者Altman［11］提出了多元判別分析模型 （MDA），該模型利用企業(yè)的各項財務指標，分別設(shè)置權(quán)重構(gòu)建判別函數(shù)。Martin［12］利用Logistic回歸模型預測銀行破產(chǎn)的概率。Logistic回歸模型假設(shè)因變量與自變量之間不存在非線性函數(shù)關(guān)系，且各自變量之間無多重共線性，當樣本數(shù)據(jù)不滿足這些假設(shè)時，預測結(jié)果將受到影響。 Rick和Sharda［13］最早將神經(jīng)網(wǎng)絡(luò) （ANN）運用到企業(yè)財務困境中，以等量的破產(chǎn)公司和財務健康公司為樣本，選取Altman的5項財務指標為預測變量，通過神經(jīng)網(wǎng)絡(luò)模型分析企業(yè)破產(chǎn)前1年的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)的預測準確率達到79.5%。支持向量機 （SVM）適合處理小樣本、非線性及高維數(shù)據(jù)，目前，該方法主要應用于模式識別、分類對比以及回歸估計等方面［14］。徐國祥和楊振建利用主成分分析法降低指標間的相關(guān)性，通過遺傳算法完成對懲罰系數(shù)C和核函數(shù)參數(shù)的動態(tài)尋優(yōu)，構(gòu)建了PCA-GA-SVM模型對滬深300指數(shù)進行預測［15］。吳沖等利用模糊C均值聚類 （FCM）與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法預測企業(yè)財務風險，使用優(yōu)化后的FCM對樣本進行選擇，解決了神經(jīng)網(wǎng)絡(luò)平滑參數(shù)的確定問題［16］。 楊海軍和太雷［17］運用模糊C均值算法，為樣本點賦予不同權(quán)重以確定每個樣本的隸屬度，實證證明增加了樣本隸屬度后的支持向量機解決了傳統(tǒng)SVM過擬合以及經(jīng)驗風險升高的問題。

綜上，我國對科技型企業(yè)融資風險的研究切入角度較多，對比企業(yè)不同生命周期、分析不同融資方式、分別考慮內(nèi)外部環(huán)境對融資風險的影響，從時間空間、縱向橫向都有全面研究。融資預警指標主要集中于企業(yè)財務指標，部分研究會增加融資結(jié)構(gòu)、融資成本以及公司治理指標。學者們對預警模型的改進和創(chuàng)新較多，往往使用多個模型的組合方式，克服單一模型的不足。但是，以上研究大多從靜態(tài)的角度分析融資風險的影響因素，而資金通常以資金流這一動態(tài)形式存在于企業(yè)內(nèi)部，對于科技型企業(yè)，其融資成本及結(jié)構(gòu)會影響企業(yè)的創(chuàng)新能力和經(jīng)營成果，創(chuàng)新能力及成果轉(zhuǎn)化水平會進一步影響企業(yè)債務資金的償還能力，良好的償債能力和盈利能力又會拓寬企業(yè)的融資渠道，降低融資成本，當資金在企業(yè)內(nèi)部實現(xiàn)良性循環(huán)時，融資風險就會保持在安全水平。在支持向量機預警模型優(yōu)化方面，更多研究是針對懲罰系數(shù)與核函數(shù)參數(shù)的優(yōu)化，很少考慮隸屬度的優(yōu)化問題，即認為每個數(shù)據(jù)點都具有相同的重要性，但是實際上，對位于類中心和偏離較大的樣本，這兩類樣本數(shù)據(jù)的重要程度是存在差異的。

因此，本文以資金流在企業(yè)內(nèi)部循環(huán)過程作為切入點，從資金籌集風險、資金使用風險以及資金償還風險3個維度出發(fā)，構(gòu)建科技型企業(yè)融資風險預警指標體系，在預警模型方面，對傳統(tǒng)支持向量機模型加以改進，利用模糊C均值聚類產(chǎn)生類中心，計算各樣本點到類中心的距離，實現(xiàn)對樣本的賦權(quán)，構(gòu)建樣本加權(quán)支持向量機模型，同時將改進后的模型推廣至多分類問題，最后將其應用于融資風險預警的實證分析中，以驗證優(yōu)化改進后的多分類樣本加權(quán)支持向量機具有更優(yōu)的預測能力。與以往文獻相比，本文具有三方面可能的創(chuàng)新點：（1）對企業(yè)融資風險預警不僅僅局限于一個時段，而是從動態(tài)的角度進行全局全面預警，相應地，在預警指標選取上，基于企業(yè)內(nèi)資金循環(huán)的過程，構(gòu)建出動態(tài)化的融資風險預警指標體系；（2）在預警模型優(yōu)化方面，不僅對懲罰系數(shù)和核函數(shù)參數(shù)進行優(yōu)化，而且也對樣本隸屬度進行優(yōu)化，為不同樣本點賦予不同權(quán)重，以區(qū)分位于類中心和偏離中心的點；（3）在以往二分類的基礎(chǔ)上實現(xiàn)三分類，在高風險與安全狀態(tài)之間增加低風險這一過渡期，能夠在企業(yè)未達到高風險狀態(tài)時及時識別，使預測更加及時有效。本文的技術(shù)路線圖如下。

圖1 技術(shù)路線圖

1 融資風險預警指標體系設(shè)計

學者們普遍認為融資風險是資金在籌集和償還過程中，由于信息不對稱以及對自身認識不足，導致籌措資金或償還本息面臨不確定性。本文在此基礎(chǔ)上，從動態(tài)的角度對企業(yè)資金流動全局全面預警，考慮了資金在企業(yè)內(nèi)部流動的過程，即資金循環(huán)形成的資金鏈。企業(yè)的生產(chǎn)運營需要獲得充足的資金支持，尤其是前期投入較大的科技型企業(yè)，資金籌集過程中的融資結(jié)構(gòu)和融資成本直接對生產(chǎn)經(jīng)營產(chǎn)生影響，經(jīng)營活動中資金的配置和使用效率的不確定性會使企業(yè)面臨資金使用風險，當資金在企業(yè)內(nèi)部完成循環(huán)，最終以償還債務或者利潤分配的形式流出企業(yè)，由于股權(quán)融資不具有強制償還性，此時，企業(yè)更多地面臨債務資金償還風險。同時，資金循環(huán)的3個階段具有動態(tài)聯(lián)動性，流入鏈、運營鏈和償還鏈可以相互影響、相互促進，形成良性的循環(huán)過程，而任何一環(huán)節(jié)風險過高，都會導致整條資金鏈斷裂。因此，本文基于動態(tài)資金流的視角，認為科技型企業(yè)融資風險主要是指難以適度成本籌集足夠資金、債務資本到期無法及時償還以及資金在創(chuàng)新成果轉(zhuǎn)化過程中存在的不確定性。

1.1 科技型企業(yè)融資風險的影響因素及預警指標

構(gòu)建融資風險預警指標是準確預警的重要基礎(chǔ)，根據(jù)上述分析，本文從企業(yè)資金籌集過程、資金使用過程以及資金償還過程3個階段分析科技型企業(yè)融資風險的影響因素。

（1）資金籌集風險

資金籌集風險是指企業(yè)在籌資活動中由于資本結(jié)構(gòu)不合理或融資成本過高而導致的不確定性。根據(jù)動態(tài)資本結(jié)構(gòu)權(quán)衡理論，企業(yè)存在一個區(qū)間式的最優(yōu)資本結(jié)構(gòu)，且該最優(yōu)資本結(jié)構(gòu)與企業(yè)價值存在一定關(guān)聯(lián)。科技型企業(yè)的蓬勃發(fā)展離不開資金支持，當企業(yè)增長速度高于其可持續(xù)增長率時，需要外部融資額作為補充，融資規(guī)模不足會制約企業(yè)發(fā)展，被迫放緩其成長速度，而過剩的資金會提高企業(yè)的融資成本。不同融資方式下的融資成本不同，通常股權(quán)融資成本高于債務融資，本文利用資本資產(chǎn)定價模型求得加權(quán)平均資本成本作為衡量指標。投資者在考慮未來投資回報的同時也要進行風險控制，項目風險越高，投資者要求的報酬率越高，企業(yè)將付出更高的成本，因此，采用企業(yè)風險系數(shù)β值作為風險水平的測度。

（2）資金使用風險

資金使用風險是指資金在企業(yè)內(nèi)部流通中由于配置不合理導致經(jīng)營成果在規(guī)模和質(zhì)量上未達到目標值?？萍夹推髽I(yè)集人才密集型和技術(shù)密集型為一體，研發(fā)人員的數(shù)量和質(zhì)量是創(chuàng)新的基礎(chǔ)，研發(fā)費用占銷售額的比重也是衡量創(chuàng)新投入的指標，該比率達到2%，企業(yè)才可生存，達到5%，在行業(yè)中才具有競爭力［18］，先進的設(shè)備投入為創(chuàng)新提供硬件支持，因此，本文從人力資源、財力資源和設(shè)備資源三方面的投入和配置衡量創(chuàng)新投入水平?？萍夹推髽I(yè)的創(chuàng)新成果直接表現(xiàn)為無形資產(chǎn)和專利技術(shù)，這兩項指標是過去創(chuàng)新能力的產(chǎn)物，而管理水平?jīng)Q定了企業(yè)能否從戰(zhàn)略層面計劃和組織創(chuàng)新活動，是企業(yè)未來創(chuàng)新水平的體現(xiàn)，因此，本文用無形資產(chǎn)比率、人均專利技術(shù)和發(fā)明以及管理水平衡量創(chuàng)新實現(xiàn)水平。企業(yè)經(jīng)營成果最終表現(xiàn)形式是收益水平，較高的利潤水平使企業(yè)在債務資金償還方面以及股權(quán)融資吸引力方面具有優(yōu)勢，因此，選取凈資產(chǎn)收益率和營業(yè)利潤率反映盈利水平。

（3）資金償還風險

資金償還風險是指由于償債能力不足或者資金供應不足導致債務資本到期無法及時償還而使企業(yè)在經(jīng)營中面臨的不確定性。企業(yè)償還能力直接關(guān)系到能否持續(xù)經(jīng)營，若無法償還債務，可能面臨訴訟風險，甚至被迫破產(chǎn)，也會對企業(yè)的信用評級以及企業(yè)聲譽產(chǎn)生負面影響，導致企業(yè)再融資的難度增加，良性循環(huán)鏈被打破。除了具備良好的償債能力，企業(yè)的現(xiàn)金支付能力決定著償債的可行性，變現(xiàn)水平較差同樣會導致資金鏈在償還環(huán)節(jié)斷裂。因此，在指標選取上，考慮了企業(yè)的長期和短期償債能力、應收賬款的變現(xiàn)水平以及現(xiàn)金流量相關(guān)指標。

基于以上對融資風險影響因素的分析，本文從資金籌集風險、資金使用風險以及資金償還風險三方面構(gòu)建如表1所示預警指標。

表1 科技型企業(yè)融資風險預警指標

其中，技術(shù)密集度采用固定資產(chǎn)原值與年均職工人數(shù)的比值確定。

1.2 融資風險等級的確定

在企業(yè)財務危機預警的相關(guān)研究中，通常以企業(yè)是否被ST為劃分依據(jù)，將企業(yè)分為財務困境和財務健康兩類，但這種劃分方式忽略了企業(yè)財務狀況從健康轉(zhuǎn)到危機的過程，因此，本文將風險等級分為3類：高風險狀態(tài)、低風險狀態(tài)以及安全狀態(tài)。

確定融資風險等級常用的方法包括：層次分析法、專家評價法以及熵權(quán)法。熵權(quán)法相比于層次分析法和專家評價法，可以對指標量化處理，且賦權(quán)過程中克服了主觀隨意性［19］，因此本文采用熵權(quán)法，具體步驟如下：

對n個樣本，m個指標，其數(shù)據(jù)集為R＝｛xij｝，xij為第i個樣本， 第j個指標， 其中i＝1，2，3，…，n；j＝1，2，3，…，m。

由于各指標單位不統(tǒng)一，在指標間運算時，先進行歸一化。

對于極大型指標：

對于極小型指標：

計算第i個樣本的第j個指標的權(quán)重：

不過，與其他城市相比，一線城市居民即便房租漲幅最大，他們也不太愿意降低母嬰消費品的檔次，愿意降低的占比雖有41%，但遠低于新一線城市的57%、三線城市的66%。

計算第j個指標的信息熵ej，dj為指標的信息效用值，該指標越大，說明指標重要性越高：

計算第j個指標的熵權(quán)Wj以及各樣本的綜合得分F。

根據(jù)綜合得分F，將樣本三等分，分別代表安全狀態(tài)、低風險狀態(tài)以及高風險狀態(tài)。

2 基于樣本加權(quán)支持向量機的融資風險預警模型

企業(yè)融資風險受多項指標影響，具有特征維度高的特點，支持向量機適合解決小樣本、高維度及非線性識別問題，且具有良好的泛化能力，因此，本文主要采用支持向量機的方法構(gòu)建預警模型。

2.1 SVM模型

支持向量機 （SVM）是通過建立一個分類超平面，將樣本分為正負兩類。不同于傳統(tǒng)機器學習經(jīng)驗風險最小化的目標，SVM的目標是最大化分類邊界，在保證經(jīng)驗風險最小化的基礎(chǔ)上最小化置信范圍，達到結(jié)構(gòu)風險最小化的目標。

支持向量機的目標函數(shù)如下：

為了求解w，將原問題轉(zhuǎn)為以W為目標函數(shù)的對偶問題，并引入拉格朗日乘子αi：

對于任意樣本點xi，SVM的分類判別模型為：

其中，αi為拉格朗日乘子。

在支持向量機中，C為確定的常數(shù)，這就使得不同樣本被賦予相同的懲罰度。但是企業(yè)融資風險會受非定性指標的影響，或者短期受到突發(fā)性事件的影響，這些難以衡量的因素僅存在于少數(shù)公司中，使得數(shù)據(jù)中存在具有特殊性的樣本，為了盡量減少此類樣本的干擾，根據(jù)每個樣本點相對于這一類別的重要程度，對每一樣本賦予不同的權(quán)重，以排除野點或噪聲的影響，提高分類的準確性。

本文采用樣本加權(quán)支持向量機，其原理是通過給不同樣本賦予不同權(quán)重，從而弱化不重要樣本點對分類結(jié)果的影響，在最大化分類間隔的同時，最小化分類誤差，其二次規(guī)劃形式如下：其中，ti代表每一樣本重要程度的權(quán)重，權(quán)重ti越大，意味著第i個樣本點對模型分類的影響越大。

支持向量機最初用于二分類問題，通過超平面將樣本分為 “正例”和 “負例”兩類，將SVM從二分類推廣到多分類，可以通過構(gòu)造多個分類器來實現(xiàn)，常用的方法有一對一的方法 （1-v-1）、一對多的方法 （1-v-r）以及二叉樹分類法（SVMDT）。本文將融資風險等級設(shè)為3級，采用1-v-1的模式構(gòu)建三分類支持向量機。首先，分別在類1和類2、類2和類3、類1和類3之間構(gòu)建3個分類器；接著，用以上3個分類器對測試數(shù)據(jù)進行預測，對于任意一個樣本點均有3個分類器對其投票，最終被劃分為哪一類，取決于哪一類的票數(shù)最多。

2.2 傳統(tǒng)樣本權(quán)重的確定

針對支持向量機存在的如何區(qū)分樣本數(shù)據(jù)重要性的問題，Lin和Wang［20］提出了模糊支持向量機的方法 （FSVM），主要思想是為各樣本點相對于簇中心的不同位置賦予不同權(quán)重，對于靠近簇中心的點賦予較高權(quán)重，反之賦予較低權(quán)重。對加權(quán)方式，常見的是基于距離的權(quán)重確定方式，其隸屬度定義為：

其中，opon分別為GpGn的類中心。

2.3 FCM聚類確定樣本權(quán)重

本文使用模糊C均值聚類確定樣本權(quán)重。模糊C均值聚類是在給定分類數(shù)的情況下，尋找到對樣本最佳分類的方法。相比于其他硬聚類方法，F(xiàn)CM算法引入模糊思想，通過最小化各樣本點到各聚類中心的歐式距離及模糊隸屬度的加權(quán)和，不斷迭代產(chǎn)生新的聚類中心和隸屬度矩陣，直到小于設(shè)定的閾值［21］。該聚類方法屬于無監(jiān)督式的機器學習理論，不需要主觀確定分類邊界，有效避免了人為確定導致的主觀性。

設(shè)數(shù)據(jù)集中含有k個樣本，基于每個樣本的特征屬性，將各樣本劃分為m個集合，由于每個樣本不都是完全屬于某一集合，因此，會產(chǎn)生隸屬度矩陣wij來表示樣本xi屬于第j類的程度。FCM最優(yōu)聚類即其目標函數(shù)Jm：

其中，U為隸屬度矩陣，c為聚類中心，cj為第j個聚類中心，dist（xi，cj）為樣本xi到聚類中心的距離，p為加權(quán)指數(shù)。

FCM算法先隨機確定初始聚類中心，隨后通過迭代不斷修正聚類中心cj，同時，產(chǎn)生每一個樣本點的隸屬度矩陣wij。聚類中心cj的形式如下：

隸屬度wij表示樣本點i對于聚類中心j的隸屬度，其具體形式如下：

通過多次迭代，調(diào)整聚類中心和樣本隸屬度的值，使得目標函數(shù)小于一定閾值ε，此時完成對樣本的聚類，同時可以得到最優(yōu)的聚類中心和樣本隸屬度矩陣。

為描述各樣本點到每一類中心的接近程度，構(gòu)建樣本權(quán)重ti：

2.4 樣本加權(quán)支持向量機模型構(gòu)建

設(shè)樣本集S＝｛xi｝，xi∈RN， 其中包含了高風險狀態(tài)、低風險狀態(tài)以及安全狀態(tài)3類共i個樣本，則構(gòu)造樣本加權(quán)支持向量機模型的步驟如下：

第一步，根據(jù)資金動態(tài)循環(huán)過程，構(gòu)建科技型企業(yè)融資風險預警指標體系。

第二步，對樣本數(shù)據(jù)預處理。采用歸一化處理，消除數(shù)據(jù)量綱對模型結(jié)果的影響，將原始數(shù)據(jù)中的數(shù)值縮至［0，1］內(nèi)。采用主元分析法 （PCA）對初始指標體系提取關(guān)鍵特征，用更少的指標代替整個指標體系的信息，設(shè)置累計貢獻率為80%，得到最終預警指標體系。

第三步，利用FCM算法對3類樣本聚類，得到3個聚類中心c1、c2、c3以及每一樣本對各聚類中心的隸屬度矩陣wij。

第四步，計算樣本權(quán)重，根據(jù)式 （20）計算樣本點到每一類中心的接近程度，以此確定樣本權(quán)重ti。

第五步，通過交叉檢驗的方式尋找到最優(yōu)懲罰系數(shù)C（C為常數(shù)）以及核函數(shù)參數(shù)。

第六步，構(gòu)造式 （12） 的決策函數(shù)f（x），利用該決策函數(shù)對樣本進行分類得到y(tǒng)′i，將分類結(jié)果與實際的y相比較，即可確定分類的準確率。

樣本加權(quán)支持向量機模型構(gòu)建的核心步驟是確定每個樣本的權(quán)重。由于不同樣本對最終預測的貢獻程度不同，本文利用FCM算法確定類中心，并計算樣本點到類中心的接近程度。該模型能夠降低樣本中因偶然因素導致的噪聲或野點的干擾，進而提高融資風險預測準確率。

3 實證研究

3.1 樣本選取及數(shù)據(jù)來源

科技型企業(yè)是指以科技人員為主體，研制、開發(fā)、生產(chǎn)、銷售高新技術(shù)產(chǎn)品或大規(guī)模運用高新技術(shù)的企業(yè)，其以市場為導向，創(chuàng)新能力強，具有自主知識產(chǎn)權(quán)［22］。根據(jù)科技部的 《科技型中小企業(yè)技術(shù)創(chuàng)新基金若干重點項目指南》，基金支持對象的具體領(lǐng)域包括電子信息、新材料、節(jié)能環(huán)保、新能源、高技術(shù)服務業(yè)等行業(yè)。本文以上述五大行業(yè)為研究對象，選取行業(yè)中2018年具有高新技術(shù)認定的企業(yè)，除去數(shù)據(jù)不完整的部分企業(yè)，共篩選出264家企業(yè)，其中180家企業(yè)數(shù)據(jù)作為訓練集，84家企業(yè)數(shù)據(jù)作為測試集。以上述企業(yè)2018年數(shù)據(jù)為研究對象，數(shù)據(jù)來源為Wind數(shù)據(jù)庫。

圖2 基于樣本加權(quán)支持向量機的科技型企業(yè)融資風險預警模型

利用熵權(quán)法對264家企業(yè)指標賦權(quán)，根據(jù)式（7）求出各企業(yè)的綜合評分，并按三等分法，將企業(yè)的狀態(tài)劃分為安全狀態(tài)、低風險狀態(tài)以及高風險狀態(tài)。3種狀態(tài)企業(yè)的綜合評分區(qū)間依次為［0.068551，0.102606］、 ［0.102677，0.119831］和［0.120074，0.43691］，高風險狀態(tài)區(qū)間寬度最寬，說明被劃分入高風險狀態(tài)的企業(yè)分布更加分散，低風險狀態(tài)的區(qū)間寬度最窄，說明該狀態(tài)企業(yè)具有更高的相似度。

3.2 數(shù)據(jù)預處理及參數(shù)優(yōu)化

由于多個財務指標在數(shù)量級方面存在差異，且這些指標不服從正態(tài)分布，因此，采用無量綱化中區(qū)間縮放的方法，消除數(shù)據(jù)量綱對模型結(jié)果的影響。數(shù)學表達式為式 （1）及式 （2），通過區(qū)間縮放，將原始數(shù)據(jù)中的數(shù)值縮至［0，1］內(nèi)。

本文采用主元分析法 （PCA）提取特征值，設(shè)置累計貢獻率為80%，通過部分指標代替全部指標信息，從而壓縮原指標的維度。

有大量學者和研究證明，高斯徑向基核函數(shù)相比于其他核函數(shù)具有更強的學習能力，本文選擇 RBF核函數(shù)， 其表達式為：，其中，σ是待確定的參數(shù)。采用交叉驗證法尋優(yōu)，確定模型最優(yōu)懲罰系數(shù)C為16，最優(yōu)核函數(shù)參數(shù)g為0.0625。

3.3 模型結(jié)果及分析

將上述處理過的數(shù)據(jù)代入構(gòu)建的樣本加權(quán)支持向量機中，模型的預測結(jié)果如表2所示。

表2 樣本加權(quán)支持向量機預測結(jié)果

圖3 樣本加權(quán)支持向量機預測結(jié)果

從表2可以看出，樣本加權(quán)支持向量機模型對融資安全狀態(tài)、低風險狀態(tài)以及高風險狀態(tài)企業(yè)的預測準確率分別為96.43%、92.86%以及78.57%。

為檢驗樣本加權(quán)支持向量機的預測結(jié)果，用相同的樣本數(shù)據(jù)，選擇目前運用范圍較廣的基于距離的加權(quán)SVM模型、未經(jīng)樣本加權(quán)的SVM模型以及Logistic回歸模型分別與樣本加權(quán)支持向量機模型作對比，測試結(jié)果如表3所示。

表3 3種模型預測結(jié)果對比 單位：%

可以看出，樣本加權(quán)SVM模型的預測準確率最高，尤其對于高風險狀態(tài)的預測，準確率較基于距離加權(quán)模型高近7%，較未加權(quán)SVM模型高14%。根據(jù)熵權(quán)法綜合得分將企業(yè)劃分為安全、中風險以及高風險狀態(tài)，為了獲得3類平衡樣本，區(qū)間設(shè)置分別為［0.068551，0.102606］、 ［0.102677，0.119831］和［0.120074，0.43691］， 可以看出， 高風險狀態(tài)的區(qū)間范圍最大，說明該類型的數(shù)據(jù)更加零散，即樣本加權(quán)SVM模型對于分布零散的數(shù)據(jù)有更好的預測效果。此處的高風險狀態(tài)是指該企業(yè)對樣本企業(yè)的相對高風險，當企業(yè)融資處于相對于行業(yè)的高風險狀態(tài)時，管理者應及時關(guān)注并采取適當措施，因此對于高風險狀態(tài)的預測最為重要，樣本加權(quán)SVM模型能夠?qū)μ幱诟唢L險狀態(tài)的企業(yè)有效監(jiān)控，具有一定的現(xiàn)實意義。

4 結(jié) 論

2020年是我國建成創(chuàng)新型國家的關(guān)鍵之年，資金的籌集和使用是決定科技型企業(yè)發(fā)展的重要因素，確保科技型企業(yè)穩(wěn)步發(fā)展最關(guān)鍵的是實現(xiàn)資金在企業(yè)內(nèi)的良性循環(huán)。本文引入資金動態(tài)循環(huán)思想，構(gòu)建科技型企業(yè)融資風險評價體系。根據(jù)樣本相對于類中心的接近程度確定樣本權(quán)重，構(gòu)建樣本加權(quán)支持向量機模型。最后，通過2018年科技型企業(yè)的融資數(shù)據(jù)，對比基于距離加權(quán)的SVM模型以及未加權(quán)模型，證明了樣本加權(quán)支持向量機模型在融資風險預警方面具有更高的準確性。具體結(jié)論如下：

（1）融資風險的預警是一個動態(tài)循壞的過程，恰當?shù)闹笜嗽u價體系是準確預警的前提。本文基于動態(tài)循環(huán)的思想，從資金籌集過程、資金使用過程以及資金償還過程3個維度，并針對科技型企業(yè)創(chuàng)新性強的特征，構(gòu)建了科技型企業(yè)融資風險指標評價體系。

（2）提高支持向量機預測的準確性，可以從參數(shù)尋優(yōu)以及樣本數(shù)據(jù)處理兩個角度入手。在參數(shù)尋優(yōu)方面，本文利用交叉驗證的方式對參數(shù)尋優(yōu)；在樣本數(shù)據(jù)處理方面，基于樣本數(shù)據(jù)在高風險狀態(tài)分布零散的特征，為不同樣本確定權(quán)重，提高了模型的預測性能。

（3）實證分析的結(jié)果表明，樣本加權(quán)支持向量機模型能夠高效、及時地對企業(yè)融資風險進行監(jiān)測，有利于企業(yè)及時采取應對措施，對于監(jiān)管機構(gòu)及投資者，有利于完善企業(yè)融資信用評價體系，加強風險監(jiān)督及風險管理。

隨著互聯(lián)網(wǎng)金融的迅速發(fā)展，科技型企業(yè)在提高核心競爭力和創(chuàng)造力的同時，也要利用好政策優(yōu)勢，主動尋找新型融資渠道。政府及金融機構(gòu)也應加快金融創(chuàng)新，開拓以知識產(chǎn)權(quán)、無形資產(chǎn)等抵押或質(zhì)押貸款等特色融資渠道。