王雷

（江南大學(xué)商學(xué)院，江蘇無錫214122）

聯(lián)合風險投資合作伙伴的選擇

王雷

（江南大學(xué)商學(xué)院，江蘇無錫214122）

合作伙伴選擇是聯(lián)合風險投資成功的關(guān)鍵環(huán)節(jié)。文章分析了主導(dǎo)型風險投資公司選擇聯(lián)合投資合作伙伴的影響因素，將粗糙集理論應(yīng)用于指標的約簡，建立了合作伙伴選擇的評價指標體系；運用神經(jīng)網(wǎng)絡(luò)法建立合作伙伴選擇的評價模型，為聯(lián)合風險投資選擇最佳合作伙伴。將粗糙集理論作為神經(jīng)網(wǎng)絡(luò)系統(tǒng)的預(yù)處理器，從中挖掘出反應(yīng)評價指標本質(zhì)關(guān)系的重要屬性與伙伴選擇知識規(guī)則，通過指標的約簡提高了神經(jīng)網(wǎng)絡(luò)的收斂速度與選擇的準確率。最后，實例驗證表明，該方法是正確有效的。

風險投資；聯(lián)合投資；粗糙集；神經(jīng)網(wǎng)絡(luò)模型；合作伙伴

0 引言

聯(lián)合風險投資通過對創(chuàng)業(yè)企業(yè)進行權(quán)益投資而結(jié)成共享收益、共擔風險、協(xié)同管理的利益共同體，是風險投資企業(yè)之間的一種戰(zhàn)略聯(lián)盟或動態(tài)聯(lián)盟[1]。在聯(lián)合風險投資聯(lián)盟中，通過成員在資金、管理人才、信息、技術(shù)等方面的資源優(yōu)勢互補，不僅能夠解決風險投資項目的巨額資金需求、分散項目風險，同時有利于減少投資中普遍存在的不對稱信息問題，提高投資項目的成功率，因而在風險投資領(lǐng)域發(fā)揮著越來越重要的作用。在風險投資最為發(fā)達的美國，最高年份的風險投資行業(yè)有將近65%的交易都是采用聯(lián)合投資完成的。據(jù)Zero2IPO清科公司的研究報告顯示，在2001年中國新增加的風險投資項目中，有近40%的項目采用聯(lián)合投資；2002年中國大陸地區(qū)有45.7%的風險投資項目采用了聯(lián)合投資形式；2003年采取聯(lián)合投資的項目所占的比例約占41.1%。

隨著聯(lián)合投資這種風險投資形式日益受到企業(yè)界和風險投資家的重視，合作伙伴的選擇作為建立聯(lián)合風險投資利益共同體的第一步，是聯(lián)合風險投資動態(tài)戰(zhàn)略聯(lián)盟建立的基礎(chǔ)和關(guān)鍵環(huán)節(jié)，慎重地選擇合作對象將是這一特殊聯(lián)盟順利發(fā)展的前提條件，也是風險投資成功與否的關(guān)鍵因素。

目前，關(guān)于聯(lián)盟合作伙伴評價與選擇的主要方法有層次分析法、遺傳算法、Agent法、證據(jù)推理法、模糊綜合評判法以及神經(jīng)網(wǎng)絡(luò)法等。本文將粗糙集理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合，應(yīng)用于聯(lián)合風險投資合作伙伴的選擇。將粗糙集作為神經(jīng)網(wǎng)絡(luò)的預(yù)處理器，通過指標約過濾數(shù)據(jù)庫中的冗余數(shù)據(jù)簡壓縮信息空間容量，簡化訓(xùn)練集，極大地縮短了訓(xùn)練時間并提高神經(jīng)網(wǎng)絡(luò)的預(yù)測精確度[2]，為解決聯(lián)合風險投資中合作伙伴的選擇問題提供了一個新的視角。

1 聯(lián)合風險投資合作伙伴選擇影響因素與評價指標

1.1 聯(lián)合風險投資合作伙伴選擇的影響因素

表1 聯(lián)合風險投資合作伙伴選擇的影響因素及其描述

本文假設(shè)聯(lián)合風險投資合作伙伴的選擇將受到聯(lián)合動機的影響。因此，聯(lián)合投資合作伙伴選擇將受到合作者財務(wù)狀況、資源特征、投資風格、公司聲譽等因素的影響，具體內(nèi)容見表1所示。

1.2 基于粗糙集理論的聯(lián)合風險投資合作伙伴選擇評價指標體系的確立

（1）粗糙集理論確定評價指標的思想與步驟

粗糙集理論RST是波蘭科學(xué)家Z.Pawlak教授在1982年提出的一種數(shù)據(jù)推理方法。它不需提供問題所需處理的數(shù)據(jù)集合之外的任何先驗信息，僅根據(jù)觀測數(shù)據(jù)刪除冗余信息，分析不完整知識的程度—粗糙度—屬性間的依賴性與重要性，生成分類或決策規(guī)則等。

粗糙集理論的基本定義為：四元組S={U,A,V,f}是一個知識系統(tǒng)，其中U表示對象的非空有限集合，稱為論域，U={x1,x2,…,xn}；A=C∪D表示所有屬性的非空有限集合，其中子集C是條件屬性集，D={I}是決策屬性集，其中Va是屬性a的值域；f為一映射函數(shù)集，它確定對象的屬性所對應(yīng)的值，f={fi/U×A→Vi(i≤m)}。

粗糙集理論認為知識是基于對對象分類的能力，分類的過程是將相差不大的對象分為一類，它們的關(guān)系是不可分辨關(guān)系，也稱等價關(guān)系。約簡是能保證決策分類質(zhì)量的最小屬性集合，一族等價關(guān)系可能有多個約簡；核是不能去除的最重要的屬性集合，是構(gòu)成任何一個約簡的必須成分，全部約簡的交集定義為核。決策表的屬性核包含在所有約簡中，所以找出屬性核是約簡計算的基礎(chǔ)。目前，粗糙集理論已被成功地應(yīng)用于機器學(xué)習(xí)、決策分析、過程控制、模式識別與數(shù)據(jù)挖掘等領(lǐng)域[3]。本文應(yīng)用基于粗糙集理論和信息量的概念，構(gòu)造決策系統(tǒng)的可辨識矩陣和分辨函數(shù)，通過分辨矩陣的啟發(fā)式指標屬性約簡算法，進行指標優(yōu)化，得到伙伴選擇決策系統(tǒng)的核和約簡，最終確立聯(lián)合風險投資合作伙伴選擇的評價指標體系。

（2）應(yīng)用粗糙集理論確定評價指標

假設(shè)有n個愿意合作的風險投資構(gòu)成合作伙伴候選集U={x1,x2,…,xn}；前文探討了影響聯(lián)合風險投資合作伙伴選擇的主要因素，綜合Saxton(1997)、Cravens(2003)的研究成果以及文獻[4，5]分析，本文選取財務(wù)狀況a、資源狀況b、互補性c、聲譽與信任d、投資風格e、發(fā)展戰(zhàn)略f、綜合實力g、投資階段h共八個指標作為伙伴選擇的初選評價指標，這些評價指標作為條件屬性集C={a,b,c,d,e,f,g,h}；D={I}為伙伴選擇決策屬性集。合作伙伴選擇的決策系統(tǒng)可表示為S=(U,C∪D)，且C∩D=ф。由于每個指標重要性不盡相同，并且有些指標可能存在相關(guān)性，而指標綜合評價要求各指標之間應(yīng)該極大不相關(guān)。因此，對相關(guān)性較大的指標有必要進行篩選和約簡。

現(xiàn)取50組通過認定的數(shù)據(jù)作為學(xué)習(xí)樣本U={x1,x2,…,x50}，條件屬性C={a,b,c,d,e,f,g,h}。首先對連續(xù)屬性值進行離散化處理，本文采用等頻率區(qū)間法，制定劃分區(qū)間個數(shù)為5，用對象總數(shù)除以區(qū)間個數(shù)得到每個區(qū)間的樣本數(shù)，根據(jù)每個區(qū)間的樣本數(shù)確定區(qū)間邊界。對于定性屬性本文采用5個評價等級來描述，如綜合實力a={4，3，2，1，0}={重要，較重要，一般，較不重要，不重要}。將合作伙伴決策選擇分為重要合作伙伴2、一般合作伙伴1及不作為合作伙伴0，所以決策屬性為{p}={2，1，0}[6]。如表2所示：

表2 聯(lián)合風險投資候選合作伙伴統(tǒng)計決策表

計算其可分辨矩陣為：

由上述分辨矩陣可以得到其分辨函數(shù)F：

對分辨函數(shù)進行約簡，得到{a,b,d,c}，{a,b,d,e}，{a,b,d,g}三個簡式為條件屬性C對決策屬性{I}的約簡集。約簡集中沒有屬性f和h，由此可見，這里屬性f（發(fā)展戰(zhàn)略）與屬性h（投資階段）是決策的冗余屬性，去掉屬性f和h后并未改變決策系統(tǒng)的分類能力。經(jīng)過約簡最終得到財務(wù)狀況、資源狀況、互補性、聲譽與信任、投資風格與綜合實力六個指標。約簡的結(jié)果與實踐是一致的，因此，本文選擇這六個指標對候選合作伙伴進行評價。

2 聯(lián)合風險投資合作伙伴選擇的BP神經(jīng)網(wǎng)絡(luò)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由于在理論上已經(jīng)證明了具有三層結(jié)構(gòu)（只有一個隱層）的BP網(wǎng)絡(luò)能夠逼近任何有理函數(shù)。因此，這里采用三層BP算法。輸入層節(jié)點的個數(shù)與評價指標個數(shù)相對應(yīng)，本文采用六個指標對聯(lián)合風險投資候選合作伙伴進行評價，這樣網(wǎng)絡(luò)輸入層的節(jié)點數(shù)為6。由于該網(wǎng)絡(luò)輸出結(jié)果只有一個指標即候選伙伴各指標的綜合評價值，因此網(wǎng)絡(luò)輸出節(jié)點數(shù)為1。實驗中隱含層的初選節(jié)點可按i=（輸入層節(jié)點數(shù)+輸出層節(jié)點數(shù)）1/2計算，考慮到單隱含層網(wǎng)絡(luò)的非線性映射能力較弱，為了達到預(yù)定的映射關(guān)系，隱含層要多一點，因此最終確定隱含層節(jié)點個數(shù)為8。由此得到一個第一層含有6個輸入神經(jīng)元、隱含層含有8個神經(jīng)元、輸出層含有一個神經(jīng)元的三層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，見圖1所示。

以Inij和Oij分別表示第i層第j個神經(jīng)元的輸入與輸出。

（1）第一層

c1j和σ1j分別為聚類中心和方差，Oij為模式x屬于聚類j的隸屬度，即Oij=UFj(x)，H為聚類數(shù)。

（2）第二層

（3）第三層

2.2 網(wǎng)絡(luò)參數(shù)確定和模擬訓(xùn)練算法

神經(jīng)網(wǎng)絡(luò)中需要學(xué)習(xí)的權(quán)重參數(shù)主要是輸出層的連接權(quán)重wij(i=1,2,…,m;j=1,2,…,n)，以及隱含層中隸屬度函數(shù)的中心值cij和方差σij(i=1,2,…,m;j=1,2,…,n)。

定義單個誤差代價函數(shù)為[8]：

系統(tǒng)平均誤差為：

式中，α為動量因子，β為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的學(xué)習(xí)率，0<β<1；wij(k+1)和wij(k)分別表示第k+1和第k次迭代時的權(quán)值。

由于輸入數(shù)據(jù)在[0,1]之間，所以隱含層采用Tans ig轉(zhuǎn)換函數(shù)，輸出層采用Logsig轉(zhuǎn)換函數(shù)，并且采用帶有動量的梯度下降法訓(xùn)練網(wǎng)絡(luò)。選取50個樣本，循環(huán)訓(xùn)練網(wǎng)絡(luò)100次，模型的實現(xiàn)過程利用Ma t l ab7.0語言編程實現(xiàn)。

訓(xùn)練網(wǎng)絡(luò)的具體程序命令如下：

設(shè)定目標值為10-2，訓(xùn)練過程見如圖2所示曲線，當訓(xùn)練3594步之后，系統(tǒng)顯示“Performance goal met”，網(wǎng)絡(luò)訓(xùn)練誤差下降到目標值，網(wǎng)絡(luò)停止訓(xùn)練。

2.3 基于粗糙集——神經(jīng)網(wǎng)絡(luò)模型的聯(lián)合風險投資合作伙伴選擇應(yīng)用實例

設(shè)某主導(dǎo)型風險投資公司初步選定A，B，C和D四家候選風險投資公司，需要再從中選擇出一家最優(yōu)的合作伙伴。通過粗糙集指標的刪選，最終選擇合作伙伴現(xiàn)有的綜合實力、資源狀況、互補性、投資風格、公司聲譽與信任、財務(wù)狀況等六個重要評價指標。為了便于評價，應(yīng)將各指標轉(zhuǎn)換成具體的可測度的操作變量。這里，公司綜合實力用公司競爭地位、公司規(guī)模和經(jīng)營效率三個可測變量來反映；投資風格用投資領(lǐng)域、投資階段和風險偏好三個可測變量來反映；資源狀況用社會網(wǎng)絡(luò)、人力資源狀況和技術(shù)水平三個可測變量來反映；公司聲譽與信任用商業(yè)信譽和歷史業(yè)績兩個可測變量來反映；財務(wù)狀況用公司注冊資產(chǎn)、流動資產(chǎn)和投資能力三個可測變量來反映；互補性用互補性技巧和資源互補率兩個可測變量來反映。

在這里就是要收集反映A，B，C和D四家風險投資公司綜合實力、投資風格、資源狀況、聲譽與信任、財務(wù)狀況、互補性六個評價指標的可操作變量的評價值，見表3所示。

表3 四家風險投資公司評價指標數(shù)據(jù)表

首先計算A的評價值，將綜合實力、投資風格、資源狀況、聲譽信任、財務(wù)狀況和互補性歸一化處理后作為BP神經(jīng)網(wǎng)絡(luò)的輸入，即把0.6528，0.6883，0.6626，0.7133，0.6266和0.6314輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，得到的輸出結(jié)果為0.6233。同樣可以得到B，C，D公司的綜合評價值為0.6813，0.6911和0.6221，各公司詳細數(shù)據(jù)見表4所示。

表4 四家風險投資公司綜合評價數(shù)據(jù)表

可以看出公司C的綜合值最大，其次為公司B，得出的初步結(jié)論是公司C為最優(yōu)公司。為使結(jié)果準確可靠，可以將公司C和公司B的具體資料提交給有關(guān)專家進行最后的判斷。

3 結(jié)束語

聯(lián)合風險投資合作伙伴選擇是個相對復(fù)雜的決策過程。本文分析了主導(dǎo)型風險投資公司選擇聯(lián)合風險投資合作伙伴的影響因素，使用粗糙集理論確定合作伙伴選擇的評價指標，利用神經(jīng)網(wǎng)絡(luò)法建立合作伙伴選擇模型，主導(dǎo)者可以通過衡量跟隨者聲譽、合作雙方的互補性以及相容性的等方面的水平，做出最優(yōu)的決策選擇。將粗糙集理論與人工神經(jīng)網(wǎng)絡(luò)進行有機結(jié)合，可以有效彌補兩種方法各自的缺陷，提高選擇的速度與準確率。但需要注意的是，由于評價指標中存在許多難以量化的指標，給合作伙伴選擇最優(yōu)化決策帶來了困難。同時，對神經(jīng)網(wǎng)絡(luò)模型來說，訓(xùn)練數(shù)據(jù)的合理性至關(guān)重要。不合理的數(shù)據(jù)會影響訓(xùn)練結(jié)果，影響網(wǎng)絡(luò)參數(shù)的確定，進而必將影響應(yīng)用效果。所以，探討應(yīng)用粗糙集理論確定訓(xùn)練數(shù)據(jù)集，剔除不合理的數(shù)據(jù)，增加合理的數(shù)據(jù)，不斷調(diào)整——訓(xùn)練數(shù)據(jù)，可以達到較好的應(yīng)用效果，這些問題都需要在后續(xù)的研究中做進一步深入地探討。

[1]陳明，劉仲英.從動態(tài)聯(lián)盟角度對聯(lián)合風險投資的探討[J].經(jīng)濟論壇，2005，(5).

[2]Ren Puli,Zheng Ouwang.Mining Classification Rules Using Rough Sets and Neural Networks[J].European Journal of Operational Research,2004,(157).

[3]吳金培，孫德山.現(xiàn)代數(shù)據(jù)分析[M].北京：機械工業(yè)出版社，2006.

[4]Johanna Pynna.Motivation for Syndication of Venture Capital Investments[Z].Tu-91.167 Seminar in Business Strategy and International Business,2004.

[5]盧燕，湯建影等.合作研發(fā)伙伴選擇影響因素的實證研究[J].研究與發(fā)展管理,2006,18(1).

[6]周慶敏，殷晨波.虛擬企業(yè)伙伴選擇的粗糙集方法[J].控制與決策，2005，(9).

[7]張東波.一種新型模糊-粗神經(jīng)網(wǎng)絡(luò)及其在元音識別中的應(yīng)用[J].控制與決策，2006，21（2）.

[8]吳沖，呂靜潔，潘啟樹，劉云濤.基于模糊神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風險評估模型研究[J].系統(tǒng)工程理論與實踐，2004，(11).

F830.5

A

1002-6487（2011）07-0183-04

教育部人文社科基金資助項目（10YJC630241）；江南大學(xué)引進人才項目

王雷(1979-)，男，安徽宿州人，博士，講師，研究方向：創(chuàng)業(yè)投資與項目融資風險管理。

（責任編輯/浩天）