成 青, 鄭 泰, 黃銀剛

(1浙江旅游職業(yè)學(xué)院,浙江 杭州 311231;2.浙江金融職業(yè)學(xué)院,浙江 杭州 310018;3.浙江工業(yè)大學(xué),浙江 杭州 310014)

0 引 言

隨著經(jīng)濟(jì)全球化的發(fā)展和市場(chǎng)競(jìng)爭(zhēng)的加劇,創(chuàng)業(yè)活動(dòng)日益發(fā)展成為社會(huì)經(jīng)濟(jì)發(fā)展中的重要因素,研究者普遍關(guān)注可培養(yǎng)的創(chuàng)業(yè)能力。對(duì)創(chuàng)業(yè)期企業(yè)而言,創(chuàng)業(yè)機(jī)會(huì)的識(shí)別與捕捉能力對(duì)于企業(yè)的生存和發(fā)展至關(guān)重要,本文則基于TBP理論,面向其預(yù)測(cè)機(jī)制,構(gòu)建支持向量機(jī)模型并驗(yàn)證這一預(yù)測(cè)能力。理論行為預(yù)測(cè)(Theory of Reasoned Action and Planned Behavior,TBP)是基于社會(huì)學(xué)和心理學(xué)理論的一種個(gè)體行為預(yù)測(cè)模型,在挖掘既有評(píng)價(jià)數(shù)據(jù)支持的決策行為機(jī)制中具有顯著應(yīng)用價(jià)值,支持向量機(jī)這一分析方法亦適應(yīng)于高維稀疏數(shù)據(jù),能夠?yàn)槎鄻踊疶BP理論框架下各類行為預(yù)測(cè)模型提供更加全面和精準(zhǔn)的支持。

1 文獻(xiàn)綜述

隨著經(jīng)濟(jì)不斷發(fā)展和市場(chǎng)競(jìng)爭(zhēng)的日益激烈,創(chuàng)業(yè)行為日益成為經(jīng)濟(jì)活動(dòng)中的重要因素,而創(chuàng)業(yè)者成功的內(nèi)在驅(qū)動(dòng)因素也得到了更多研究者的重視。具體而言,創(chuàng)業(yè)機(jī)會(huì)的掌握和捕捉是多數(shù)研究所討論的關(guān)鍵要素,對(duì)其構(gòu)成和影響因素進(jìn)行分析。蔣兵等(2023)對(duì)于創(chuàng)業(yè)機(jī)會(huì)識(shí)別與機(jī)會(huì)拼湊過(guò)程進(jìn)行分析,探討創(chuàng)業(yè)認(rèn)知中創(chuàng)業(yè)警覺(jué)等因素的積極影響[1]。駱鑫和張秀娥(2023)對(duì)創(chuàng)業(yè)機(jī)會(huì)開發(fā)課題進(jìn)行分析,探討創(chuàng)業(yè)學(xué)習(xí)對(duì)創(chuàng)業(yè)機(jī)會(huì)開發(fā)能力提升中的顯著積極影響,并驗(yàn)證創(chuàng)業(yè)機(jī)會(huì)識(shí)別在其間發(fā)揮中介作用[2]。杜晶晶和,郝喜玲(2023)對(duì)創(chuàng)業(yè)機(jī)會(huì)相關(guān)研究作綜述,分析了創(chuàng)業(yè)機(jī)會(huì)中數(shù)字創(chuàng)業(yè)影響創(chuàng)業(yè)機(jī)會(huì)概念和利用的研究現(xiàn)狀變化,并展望后續(xù)研究拓展[3]。趙富強(qiáng)等(2022)對(duì)創(chuàng)業(yè)警覺(jué)影響創(chuàng)業(yè)行為的作用機(jī)制進(jìn)行分析,構(gòu)建中介效應(yīng)模型驗(yàn)證創(chuàng)業(yè)意向等因素影響機(jī)制[4]。杜晶晶等(2022)對(duì)社會(huì)資本參與創(chuàng)業(yè)機(jī)會(huì)形成與發(fā)展機(jī)制進(jìn)行分析,構(gòu)建創(chuàng)業(yè)機(jī)會(huì)的內(nèi)容與合意等因素影響情況[5]?？傮w而言,創(chuàng)業(yè)機(jī)會(huì)捕捉是創(chuàng)業(yè)成功的關(guān)鍵因素之一,需要綜合考慮市場(chǎng)、技術(shù)、人才和資本等多個(gè)方面的因素共同考慮其影響機(jī)制?，F(xiàn)有研究從創(chuàng)業(yè)者個(gè)人內(nèi)在因素、社會(huì)環(huán)境和組織創(chuàng)新等多個(gè)層面入手,不斷完善理論,探尋創(chuàng)業(yè)機(jī)會(huì)捕捉的影響因素,形成了一定規(guī)模的研究成果積累。本文也即在這一研究現(xiàn)狀基礎(chǔ)上,對(duì)其中創(chuàng)業(yè)教育等行為調(diào)節(jié)和優(yōu)化的相關(guān)影響因素進(jìn)行分析,探討其對(duì)創(chuàng)業(yè)機(jī)會(huì)捕捉能力的實(shí)際影響。

2 概念與理論框架

2.1 TBP理論

TBP理論的核心是人們對(duì)特定行為的態(tài)度和社會(huì)資本規(guī)范,這兩個(gè)因素共同影響人們的行為意愿和行為決定。態(tài)度是指?jìng)€(gè)體對(duì)某個(gè)行為的評(píng)價(jià),社會(huì)資本規(guī)范則是指?jìng)€(gè)體認(rèn)為人際交往環(huán)境中某些重要他人對(duì)特定行為的評(píng)價(jià),兩者共同構(gòu)成行為決策的內(nèi)部驅(qū)動(dòng)因素。此外,行為控制也是影響行為的一個(gè)因素,它指的是個(gè)體對(duì)能夠控制某個(gè)行為的因素的認(rèn)知和信念。

TBP理論的應(yīng)用廣泛,可以用來(lái)解釋或預(yù)測(cè)個(gè)體的各種行為,如購(gòu)買行為、環(huán)保行為、健康行為等,本文則基于TBP理論對(duì)創(chuàng)業(yè)機(jī)會(huì)捕捉能力進(jìn)行評(píng)價(jià),具體通過(guò)問(wèn)卷調(diào)查等手段來(lái)收集相關(guān)數(shù)據(jù),并利用統(tǒng)計(jì)分析方法進(jìn)行預(yù)測(cè)和驗(yàn)證。

2.2 支持向量機(jī)

支持向量機(jī)(Support Vector Machine,SVM)是一種有監(jiān)督的機(jī)器學(xué)習(xí)算法,為二分類模型,目標(biāo)是在解決復(fù)雜分類問(wèn)題時(shí)找到一個(gè)最佳的超平面來(lái)分開不同的分類.

構(gòu)建這一分離超平面有:

wx+b=0

SVM通過(guò)最大化分類邊界(即不同類別之間的距離)并最小化分類錯(cuò)誤率來(lái)識(shí)別模式,以此解決分類問(wèn)題。

假設(shè)有訓(xùn)練數(shù)據(jù)集:

T={(x1,y1),(x2,y2),…,(xN,yN)}

其中,xi為第i個(gè)特征向量,yi為類標(biāo)記,有:

xi∈n

yi∈{+1,-1}

i=1,2,…,N

則分離超平面與T的幾何間隔有:

T中全部樣本點(diǎn)與超平面間距離的幾何間隔取最小值,有:

γ=minγi

i=1,2,…,N

該值也即支持向量到草坪面距離。由此,SVM對(duì)分割超平面求解問(wèn)題轉(zhuǎn)變?yōu)榧s束優(yōu)化問(wèn)題:

γ=minγi

i=1,2,…,N

在這一SVM模型的基礎(chǔ)上,引入貝葉斯優(yōu)化。

3 實(shí)證分析

3.1 變量設(shè)計(jì)

本文對(duì)創(chuàng)業(yè)教育等環(huán)境所提供創(chuàng)業(yè)機(jī)會(huì)捕捉能力影響因素進(jìn)行構(gòu)建,有:

表1 指標(biāo)選取

為獲得充分創(chuàng)業(yè)成功案例,本文選取創(chuàng)業(yè)輔導(dǎo)課程中的學(xué)員群體為研究對(duì)象,面向其導(dǎo)師對(duì)創(chuàng)業(yè)課程情況進(jìn)行評(píng)價(jià),從而盡可能獲得更多、更全面的樣本數(shù)據(jù)。其中,因變量作為虛擬變量區(qū)分樣本數(shù)據(jù)特征,相應(yīng)需要構(gòu)建預(yù)測(cè)模型,適用于SVM模型特點(diǎn)。因此,本文基于TBP理論構(gòu)建模型,旨在研究SVM在創(chuàng)業(yè)機(jī)會(huì)識(shí)別和捕捉中的預(yù)測(cè)能力,探索其應(yīng)用前景和實(shí)踐價(jià)值。

圖1 模型預(yù)測(cè)結(jié)果

3.2 預(yù)測(cè)結(jié)果

對(duì)于其中市場(chǎng)調(diào)研和計(jì)劃編制部分指標(biāo)的預(yù)測(cè)結(jié)果進(jìn)行整理,有:

如圖1所示,預(yù)測(cè)結(jié)果中不同指標(biāo)的預(yù)測(cè)正確性差距較大,提示投融資規(guī)劃等關(guān)鍵指標(biāo)的預(yù)測(cè)能力較強(qiáng)。

對(duì)于其中經(jīng)營(yíng)能力、創(chuàng)新能力、社會(huì)資本部分指標(biāo)的預(yù)測(cè)結(jié)果進(jìn)行整理,有:

如圖2所示,不同指標(biāo)的預(yù)測(cè)能力亦有一定差距,如團(tuán)隊(duì)管理能力等指標(biāo)的預(yù)測(cè)價(jià)值較弱。

圖2 模型預(yù)測(cè)結(jié)果(續(xù))

圖3 模型預(yù)測(cè)結(jié)果混淆矩陣

3.3 模型質(zhì)量

總體而言,這一模型預(yù)測(cè)結(jié)果的準(zhǔn)確性為78.4%,總誤分類代價(jià)為40。整理模型預(yù)測(cè)有效性,構(gòu)建混淆矩陣,有:

如圖3所示,樣本數(shù)據(jù)預(yù)測(cè)結(jié)果中的真正率為81%,相對(duì)較高,假負(fù)率亦達(dá)到76%,預(yù)測(cè)能力整體表現(xiàn)較好。

對(duì)其迭代中的性能表現(xiàn)進(jìn)行整理,有:

圖4 模型迭代結(jié)果

如圖4所示,模型迭代至第五次后分類誤差已顯著下降,直至第26次迭代后模型達(dá)到最優(yōu)水平。這一條件下模型最小分類誤差低于0.22,迭代次數(shù)相對(duì)較少而相應(yīng)耗時(shí)有限,進(jìn)一步驗(yàn)證這一模型能夠應(yīng)用于更為廣泛的多樣化有關(guān)研究中,為相關(guān)分析提供材料基礎(chǔ)。

整理ROC曲線,有:

圖5 ROC曲線

如圖5所示,模型檢驗(yàn)結(jié)果顯示模型優(yōu)化結(jié)果呈現(xiàn)相對(duì)平滑的ROC曲線,當(dāng)前分類器所取最優(yōu)點(diǎn)下預(yù)測(cè)真正率為84%,假正率為27%。

總體而言,模型利用SVM模型,基于TBP理論的創(chuàng)業(yè)機(jī)會(huì)識(shí)別和捕捉能力預(yù)測(cè)具有較高的準(zhǔn)確性和效率,能夠有效地幫助創(chuàng)業(yè)教育優(yōu)化自身評(píng)價(jià)機(jī)制、改善創(chuàng)業(yè)者能力培養(yǎng)具體措施,有一定實(shí)踐應(yīng)用價(jià)值。

4 結(jié) 語(yǔ)

現(xiàn)有研究有效構(gòu)建了面向創(chuàng)業(yè)機(jī)會(huì)捕捉能力的預(yù)測(cè)模型,模型預(yù)測(cè)效果表現(xiàn)較好?；赥BP理論的SVM應(yīng)用中,關(guān)鍵的技術(shù)難點(diǎn)包括數(shù)據(jù)預(yù)處理、變量選擇、模型構(gòu)建和評(píng)估等方面,需要不斷加強(qiáng)計(jì)算機(jī)和數(shù)學(xué)等領(lǐng)域知識(shí)的融合。面向未來(lái)有關(guān)領(lǐng)域研究,基于TBP理論的SVM應(yīng)用亦可以進(jìn)一步優(yōu)化和拓展,以適應(yīng)不同領(lǐng)域的研究需求。