李春宇(東北財(cái)經(jīng)大學(xué) 統(tǒng)計(jì)學(xué)院，遼寧 大連 116025)

基于支持向量機(jī)的風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)預(yù)警實(shí)證研究

李春宇
(東北財(cái)經(jīng)大學(xué) 統(tǒng)計(jì)學(xué)院，遼寧 大連 116025)

風(fēng)險(xiǎn)投資是推動(dòng)創(chuàng)新的重要力量。風(fēng)險(xiǎn)投資推動(dòng)創(chuàng)新企業(yè)的發(fā)展，創(chuàng)造新的經(jīng)濟(jì)發(fā)展模式。但風(fēng)險(xiǎn)投資項(xiàng)目通常面對(duì)較高的風(fēng)險(xiǎn)，對(duì)其進(jìn)行風(fēng)險(xiǎn)預(yù)警管理具有重要意義。本文在對(duì)風(fēng)險(xiǎn)投資項(xiàng)目進(jìn)行充分的風(fēng)險(xiǎn)識(shí)別基礎(chǔ)上，構(gòu)建風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，并利用支持向量機(jī)建立風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)預(yù)警模型，從而對(duì)風(fēng)險(xiǎn)投資項(xiàng)目進(jìn)行風(fēng)險(xiǎn)預(yù)判，幫助項(xiàng)目管理者對(duì)較高風(fēng)險(xiǎn)項(xiàng)目進(jìn)行風(fēng)險(xiǎn)防范和處理，避免風(fēng)險(xiǎn)發(fā)生或降低風(fēng)險(xiǎn)損失，保證風(fēng)險(xiǎn)資本收益。

風(fēng)險(xiǎn)投資；風(fēng)險(xiǎn)預(yù)警；支持向量機(jī)；風(fēng)險(xiǎn)資本

一、引 言

早在1912年，著名政治經(jīng)濟(jì)學(xué)家熊彼特就在其著作《經(jīng)濟(jì)發(fā)展理論》中指出，創(chuàng)新是經(jīng)濟(jì)發(fā)展的內(nèi)在因素，在經(jīng)濟(jì)發(fā)展中起著決定性的作用。經(jīng)過(guò)三十多年的發(fā)展，中國(guó)經(jīng)濟(jì)正在深深地驗(yàn)證著這一點(diǎn)。風(fēng)險(xiǎn)投資是促進(jìn)創(chuàng)新的重要力量。風(fēng)險(xiǎn)投資作為創(chuàng)新的投融資機(jī)制，將資本、技術(shù)、管理與企業(yè)家精神等多種因素結(jié)合在一起，支持創(chuàng)新企業(yè)的發(fā)展。在過(guò)去的幾十年里，世界范圍內(nèi)的風(fēng)險(xiǎn)投資業(yè)得到發(fā)展。在很多發(fā)展中國(guó)家和新興國(guó)家，具有風(fēng)險(xiǎn)投資背景的企業(yè)已經(jīng)成為全球技術(shù)創(chuàng)新、經(jīng)濟(jì)增長(zhǎng)和提供就業(yè)的重要驅(qū)動(dòng)力。而發(fā)達(dá)國(guó)家多年發(fā)展風(fēng)險(xiǎn)投資的經(jīng)驗(yàn)表明，風(fēng)險(xiǎn)投資加速了企業(yè)創(chuàng)業(yè)創(chuàng)新的速度，促使新興產(chǎn)業(yè)經(jīng)濟(jì)的發(fā)展，并形成了國(guó)家未來(lái)的經(jīng)濟(jì)競(jìng)爭(zhēng)力。

美國(guó)是全球風(fēng)險(xiǎn)投資的領(lǐng)導(dǎo)者，具有很好的運(yùn)行體系和市場(chǎng)體系支持風(fēng)險(xiǎn)投資的發(fā)展。著名學(xué)者Gompers等[1]研究發(fā)現(xiàn)風(fēng)險(xiǎn)資本的支持是過(guò)去近二十年美國(guó)新創(chuàng)企業(yè)促進(jìn)創(chuàng)新增長(zhǎng)的原因之一。Lerner[2]研究發(fā)現(xiàn)風(fēng)險(xiǎn)資本對(duì)美國(guó)技術(shù)創(chuàng)新的貢獻(xiàn)大約是其他資本的3倍。而風(fēng)險(xiǎn)投資支持企業(yè)的研究與發(fā)展經(jīng)費(fèi)支出只占美國(guó)研究與發(fā)展經(jīng)費(fèi)支出的3%，但卻帶來(lái)14%的工業(yè)創(chuàng)新。許多大型的跨國(guó)公司，如微軟、谷歌、英特爾、蘋果、星巴克和Facebook等都是在風(fēng)險(xiǎn)投資基金支持下建立起來(lái)的。因此，風(fēng)險(xiǎn)投資被視為催生新產(chǎn)業(yè)、創(chuàng)造就業(yè)并促進(jìn)經(jīng)濟(jì)增長(zhǎng)的推進(jìn)器。

由于風(fēng)險(xiǎn)投資主要投資于創(chuàng)新企業(yè)，而創(chuàng)新企業(yè)在其發(fā)展過(guò)程中將面對(duì)不同的風(fēng)險(xiǎn)，如技術(shù)是否能夠開(kāi)發(fā)成功，產(chǎn)品能否開(kāi)發(fā)出來(lái)、能否生產(chǎn)出來(lái)、能否銷售出去，企業(yè)家能否管理企業(yè)而實(shí)現(xiàn)收益。作為一種創(chuàng)新的投融資機(jī)制，風(fēng)險(xiǎn)投資最終追求的仍然是資本的增值。只有在合理管控風(fēng)險(xiǎn)的前提下，才能獲得收益；只有合理防范風(fēng)險(xiǎn)和控制風(fēng)險(xiǎn)，才能獲得與高風(fēng)險(xiǎn)相匹配的高收益。因此，風(fēng)險(xiǎn)投資的風(fēng)險(xiǎn)管理研究顯得愈發(fā)重要。

相較于傳統(tǒng)的亡羊補(bǔ)牢式的“回溯性”風(fēng)險(xiǎn)管理，對(duì)風(fēng)險(xiǎn)投資項(xiàng)目運(yùn)行中可能出現(xiàn)的風(fēng)險(xiǎn)，采取超前的預(yù)先防范的管理方式，其重要意義在于防患于未然。因此，對(duì)風(fēng)險(xiǎn)投資項(xiàng)目進(jìn)行風(fēng)險(xiǎn)預(yù)警意義重大。

國(guó)內(nèi)一部分學(xué)者在研究風(fēng)險(xiǎn)投資運(yùn)行機(jī)制、風(fēng)險(xiǎn)投資項(xiàng)目運(yùn)行規(guī)律的基礎(chǔ)上，提出了對(duì)風(fēng)險(xiǎn)投資項(xiàng)目進(jìn)行風(fēng)險(xiǎn)預(yù)警。

部分學(xué)者討論了對(duì)風(fēng)險(xiǎn)投資項(xiàng)目進(jìn)行風(fēng)險(xiǎn)預(yù)警的不同理解。高維義等[3]認(rèn)為風(fēng)險(xiǎn)預(yù)警是通過(guò)一系列技術(shù)手段對(duì)特定經(jīng)濟(jì)主體進(jìn)行系統(tǒng)化連續(xù)監(jiān)測(cè)，提早發(fā)現(xiàn)和判別風(fēng)險(xiǎn)來(lái)源、風(fēng)險(xiǎn)范圍、風(fēng)險(xiǎn)程度和風(fēng)險(xiǎn)走勢(shì)，并發(fā)出相應(yīng)的風(fēng)險(xiǎn)預(yù)警信號(hào)。孫琪和陶學(xué)禹[4]認(rèn)為風(fēng)險(xiǎn)投資的預(yù)警管理是運(yùn)用風(fēng)險(xiǎn)投資和預(yù)警管理的基本原理，對(duì)風(fēng)險(xiǎn)投資運(yùn)作過(guò)程中所出現(xiàn)的管理波動(dòng)和管理失誤進(jìn)行監(jiān)測(cè)、分析和控制。他們認(rèn)為對(duì)風(fēng)險(xiǎn)投資進(jìn)行風(fēng)險(xiǎn)預(yù)警管理的目的是在提示風(fēng)險(xiǎn)投資管理波動(dòng)的基礎(chǔ)上，構(gòu)建風(fēng)險(xiǎn)投資的防錯(cuò)、糾錯(cuò)功能機(jī)制，為全方位地揭示風(fēng)險(xiǎn)投資活動(dòng)的安全機(jī)理與成功機(jī)理，提供一種適用于各種境況變化的具有普遍適用意義的管理理論方法體系。

部分學(xué)者討論通過(guò)建立風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)預(yù)警系統(tǒng)對(duì)項(xiàng)目進(jìn)行風(fēng)險(xiǎn)預(yù)警管理。如高維義等[3]和楊艷萍[5]認(rèn)為應(yīng)該對(duì)風(fēng)險(xiǎn)投資項(xiàng)目建立完整的風(fēng)險(xiǎn)預(yù)警系統(tǒng)。高維義等[3]認(rèn)為在風(fēng)險(xiǎn)投資中應(yīng)該引入風(fēng)險(xiǎn)預(yù)警系統(tǒng)，具有如下作用：第一，風(fēng)險(xiǎn)預(yù)警系統(tǒng)可以對(duì)風(fēng)險(xiǎn)狀況進(jìn)行動(dòng)態(tài)、實(shí)時(shí)的監(jiān)測(cè)；有效地彌補(bǔ)投資風(fēng)險(xiǎn)識(shí)別前的薄弱環(huán)節(jié)，提高風(fēng)險(xiǎn)識(shí)別與分析的效率和質(zhì)量。第二，在危險(xiǎn)信號(hào)出現(xiàn)時(shí)，預(yù)警系統(tǒng)可以及時(shí)報(bào)警，有效地提高風(fēng)險(xiǎn)監(jiān)管效率及非現(xiàn)場(chǎng)監(jiān)管的及時(shí)性和準(zhǔn)確性，使風(fēng)險(xiǎn)管理具有前瞻性。第三，可以對(duì)警情做出準(zhǔn)確、科學(xué)的判斷。高維義等[3]和楊艷萍[5]分別對(duì)風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)預(yù)警系統(tǒng)進(jìn)行了設(shè)計(jì)。高維義等[3]認(rèn)為系統(tǒng)應(yīng)該包括5個(gè)組成部分：風(fēng)險(xiǎn)信息系統(tǒng)、預(yù)警評(píng)價(jià)指標(biāo)體系、預(yù)警評(píng)價(jià)與推斷系統(tǒng)、報(bào)警系統(tǒng)，以及預(yù)警防范措施。楊艷萍[5]認(rèn)為系統(tǒng)應(yīng)該包括組織機(jī)構(gòu)、指標(biāo)體系、實(shí)施過(guò)程和應(yīng)急措施等。

從為數(shù)不多的文獻(xiàn)中可以看出，當(dāng)前國(guó)內(nèi)外對(duì)于風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)預(yù)警的研究成果十分有限，基本上處于理論層面。而且對(duì)于風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)預(yù)警機(jī)制及風(fēng)險(xiǎn)預(yù)警系統(tǒng)各部分的具體組成、職能、在系統(tǒng)中的相互關(guān)系及相互作用等都需做進(jìn)一步的討論。同時(shí)，研究中所采取的方法主要是定性研究方法。這些都使風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)預(yù)警研究大大落后于中國(guó)當(dāng)前的風(fēng)險(xiǎn)投資實(shí)際需要。本文在已有研究的基礎(chǔ)上，對(duì)風(fēng)險(xiǎn)投資項(xiàng)目進(jìn)行充分的風(fēng)險(xiǎn)識(shí)別，構(gòu)建風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，在此基礎(chǔ)上利用支持向量機(jī)建立風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)預(yù)警模型，從而對(duì)研究的風(fēng)險(xiǎn)投資項(xiàng)目進(jìn)行風(fēng)險(xiǎn)預(yù)判，幫助項(xiàng)目管理者對(duì)于較高風(fēng)險(xiǎn)項(xiàng)目進(jìn)行風(fēng)險(xiǎn)防范和處理，避免風(fēng)險(xiǎn)發(fā)生或降低風(fēng)險(xiǎn)損失，保證風(fēng)險(xiǎn)資本收益。

二、風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)預(yù)警指標(biāo)體系構(gòu)建

風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)預(yù)警指標(biāo)體系要能夠及時(shí)、準(zhǔn)確地在風(fēng)險(xiǎn)發(fā)生之前對(duì)風(fēng)險(xiǎn)進(jìn)行預(yù)警，以便采取措施控制風(fēng)險(xiǎn)因素的發(fā)展變化，避免風(fēng)險(xiǎn)事件的發(fā)生；或提前有所準(zhǔn)備，控制并減少風(fēng)險(xiǎn)損失。

依據(jù)于多種項(xiàng)目風(fēng)險(xiǎn)識(shí)別方法，秉承科學(xué)性、主動(dòng)性、動(dòng)態(tài)性和前瞻性等構(gòu)建原則，通過(guò)閱讀大量的文獻(xiàn)資料并訪談專家學(xué)者，最終依據(jù)風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)來(lái)源，將風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)分為技術(shù)風(fēng)險(xiǎn)、生產(chǎn)風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、管理風(fēng)險(xiǎn)、財(cái)務(wù)風(fēng)險(xiǎn)和環(huán)境風(fēng)險(xiǎn)[6]-[10]，并分別選取能夠反映相應(yīng)風(fēng)險(xiǎn)因素的預(yù)警指標(biāo)，最終構(gòu)建了包括25個(gè)指標(biāo)的風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)預(yù)警指標(biāo)體系。

技術(shù)風(fēng)險(xiǎn)是在風(fēng)險(xiǎn)投資項(xiàng)目運(yùn)行過(guò)程中，由于技術(shù)本身的不確定性或出現(xiàn)可替代的新技術(shù)等技術(shù)因素導(dǎo)致項(xiàng)目創(chuàng)新失敗，風(fēng)險(xiǎn)投資無(wú)法收回的可能性?；诩夹g(shù)的社會(huì)屬性和自然屬性，分別從技術(shù)的社會(huì)環(huán)境適應(yīng)性、技術(shù)成功的不確定性、技術(shù)優(yōu)勢(shì)的不確定性和技術(shù)前景的不確定性等方面討論風(fēng)險(xiǎn)投資項(xiàng)目的技術(shù)風(fēng)險(xiǎn)，最終選取6個(gè)指標(biāo)：技術(shù)政策及相關(guān)法律、法規(guī)的調(diào)整，技術(shù)對(duì)于自然環(huán)境造成破壞，技術(shù)較難掌握或較難實(shí)施，技術(shù)所在領(lǐng)域的技術(shù)積累和發(fā)展?jié)摿Σ桓撸夹g(shù)的專利和知識(shí)產(chǎn)權(quán)等保護(hù)不足，技術(shù)的競(jìng)爭(zhēng)程度高。

生產(chǎn)風(fēng)險(xiǎn)是指風(fēng)險(xiǎn)投資項(xiàng)目的新產(chǎn)品開(kāi)發(fā)成功之后，由于生產(chǎn)人員素質(zhì)、生產(chǎn)設(shè)備水平、原材料與能源供應(yīng)等因素而引起的投資項(xiàng)目預(yù)期生產(chǎn)能力的不確定性?；诟魃a(chǎn)要素對(duì)項(xiàng)目生產(chǎn)的支撐情況，最終選取2個(gè)指標(biāo)：生產(chǎn)人員不能滿足生產(chǎn)的需要，原材料與能源供應(yīng)不能滿足生產(chǎn)的需要。

市場(chǎng)風(fēng)險(xiǎn)是指由于風(fēng)險(xiǎn)投資項(xiàng)目產(chǎn)品自身或市場(chǎng)的不確定性而使產(chǎn)品難以銷售，使風(fēng)險(xiǎn)資本面臨虧損的可能性。市場(chǎng)風(fēng)險(xiǎn)大小取決于項(xiàng)目產(chǎn)品特性和市場(chǎng)的不確定性。一方面從產(chǎn)品獨(dú)特性、產(chǎn)品生命周期、產(chǎn)品可替代性等方面討論產(chǎn)品特性；另一方面從市場(chǎng)需求、市場(chǎng)容量、市場(chǎng)接受時(shí)間、市場(chǎng)擴(kuò)散程度等方面討論市場(chǎng)的不確定性，最終選取5個(gè)指標(biāo)：產(chǎn)品的獨(dú)特性不足，產(chǎn)品處于生命周期的前端、市場(chǎng)不了解產(chǎn)品，市場(chǎng)需求的不確定性高，市場(chǎng)接受時(shí)間的不確定性高，市場(chǎng)競(jìng)爭(zhēng)的不確定性高。

管理風(fēng)險(xiǎn)是指風(fēng)險(xiǎn)企業(yè)經(jīng)營(yíng)過(guò)程中由于管理不善而使風(fēng)險(xiǎn)投資失敗的可能性。風(fēng)險(xiǎn)投資項(xiàng)目管理風(fēng)險(xiǎn)的大小，既取決于人的因素，也取決于制度因素。人的因素包括風(fēng)險(xiǎn)企業(yè)家和主要管理人員的經(jīng)驗(yàn)、個(gè)人能力、品格、身體健康狀況、追求成功的欲望等，以及整個(gè)管理團(tuán)隊(duì)的構(gòu)成及其合理性、和諧程度等[11]。制度因素則要考慮風(fēng)險(xiǎn)企業(yè)的組織結(jié)構(gòu)、管理制度、決策過(guò)程、激勵(lì)機(jī)制等[12-13]，最終選取5個(gè)指標(biāo)：風(fēng)險(xiǎn)企業(yè)家缺乏經(jīng)驗(yàn)，管理團(tuán)隊(duì)專業(yè)知識(shí)及能力結(jié)構(gòu)不合理，管理團(tuán)隊(duì)凝聚力不足，風(fēng)險(xiǎn)企業(yè)的組織結(jié)構(gòu)不合理，風(fēng)險(xiǎn)企業(yè)的決策過(guò)程缺乏有效性。

財(cái)務(wù)風(fēng)險(xiǎn)是指風(fēng)險(xiǎn)企業(yè)在經(jīng)營(yíng)過(guò)程中因自身財(cái)務(wù)狀況，如盈利能力差、營(yíng)運(yùn)能力較弱、無(wú)法償還債務(wù)和缺乏增長(zhǎng)能力等因素所引發(fā)的風(fēng)險(xiǎn)。分別從盈利能力、營(yíng)運(yùn)能力、償債能力和增長(zhǎng)能力等方面討論風(fēng)險(xiǎn)企業(yè)的財(cái)務(wù)狀況，并據(jù)此對(duì)風(fēng)險(xiǎn)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)，最終選取4個(gè)指標(biāo)：風(fēng)險(xiǎn)企業(yè)盈利能力不強(qiáng)，風(fēng)險(xiǎn)企業(yè)營(yíng)運(yùn)能力不強(qiáng)，風(fēng)險(xiǎn)企業(yè)償債能力不強(qiáng)，風(fēng)險(xiǎn)企業(yè)增長(zhǎng)能力不高。

環(huán)境風(fēng)險(xiǎn)是指風(fēng)險(xiǎn)投資項(xiàng)目受到超出其行為主體控制范圍的經(jīng)濟(jì)、社會(huì)和法律政策等環(huán)境因素的影響而遭受損失的可能性。環(huán)境風(fēng)險(xiǎn)因素對(duì)于風(fēng)險(xiǎn)投資的影響路徑，包括宏觀路徑和微觀路徑。在宏觀上，環(huán)境風(fēng)險(xiǎn)因素會(huì)影響風(fēng)險(xiǎn)投資行業(yè)的發(fā)展，影響整個(gè)行業(yè)的規(guī)模和發(fā)展速度。在微觀上，環(huán)境因素的變化會(huì)影響每個(gè)具體的風(fēng)險(xiǎn)投資項(xiàng)目的運(yùn)行及收益實(shí)現(xiàn)，最終選取3個(gè)指標(biāo)：資本市場(chǎng)發(fā)展不完善，社會(huì)信用水平不高，風(fēng)險(xiǎn)投資相關(guān)法律法規(guī)政策不健全。

三、基于非線性支持向量機(jī)的風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)預(yù)警模型

風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)預(yù)警要依托于項(xiàng)目的風(fēng)險(xiǎn)數(shù)據(jù)，而項(xiàng)目的風(fēng)險(xiǎn)數(shù)據(jù)通常都是保密的，這就決定了風(fēng)險(xiǎn)投資項(xiàng)目預(yù)警系統(tǒng)的建模在更多情況下是小樣本、高維度、非線性和存在噪聲的復(fù)雜的建模問(wèn)題，基于支持向量機(jī)的理論基礎(chǔ)及廣泛應(yīng)用，無(wú)疑是解決風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)預(yù)警問(wèn)題的重要方法和途徑。

(一)支持向量機(jī)原理

支持向量機(jī)是基于統(tǒng)計(jì)學(xué)習(xí)理論的方法。統(tǒng)計(jì)學(xué)習(xí)理論是專門研究在小樣本的情況下機(jī)器學(xué)習(xí)規(guī)律的理論。針對(duì)小樣本統(tǒng)計(jì)問(wèn)題，統(tǒng)計(jì)學(xué)習(xí)理論建立了一套全新的理論體系，該理論體系不僅考慮了對(duì)漸近性的要求，而且追求在有限樣本條件下得到最優(yōu)結(jié)果。

支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)之上的，根據(jù)有限的樣本信息在模型的復(fù)雜程度和學(xué)習(xí)能力之間尋求最佳的折中，希望獲得最好的推廣能力。在支持向量機(jī)中，引入了核函數(shù)，將原始空間中的數(shù)據(jù)非線性映射到一個(gè)高維特征空間中，在高維特征空間中構(gòu)造線性函數(shù)進(jìn)行判別。通過(guò)對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，支持向量機(jī)可以自動(dòng)找出那些對(duì)分類有較好區(qū)分能力的支持向量，由此構(gòu)造出的分類器可使類與類之間的間隔達(dá)到最大，因而具有較好的推廣能力和較高的識(shí)別率。支持向量機(jī)由各樣本類所在區(qū)域的邊界樣本的類別來(lái)區(qū)別最后的分類結(jié)果，通過(guò)最大化類與類之間的間隔實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化。

支持向量機(jī)具有如下優(yōu)點(diǎn)：第一，支持向量機(jī)是專門針對(duì)有限樣本情況的方法。其目標(biāo)是得到現(xiàn)有信息下的最優(yōu)解，而不僅僅是樣本數(shù)趨于無(wú)窮大時(shí)的最優(yōu)解。第二，支持向量機(jī)的算法最終將轉(zhuǎn)化成為一個(gè)二次型尋優(yōu)問(wèn)題，從理論上說(shuō)，得到的將是全局最優(yōu)點(diǎn)，解決了在神經(jīng)網(wǎng)絡(luò)方法中無(wú)法避免的局部極值問(wèn)題。第三，通過(guò)引用核函數(shù)，支持向量機(jī)將實(shí)際問(wèn)題通過(guò)非線性變換轉(zhuǎn)換到高維特征空間(Feature Space)，在高維特征空間中構(gòu)造線性判別函數(shù)來(lái)實(shí)現(xiàn)原空間中的非線性判別函數(shù)，能保證機(jī)器有較好的推廣能力，同時(shí)它巧妙地解決了維數(shù)問(wèn)題，其算法復(fù)雜度與樣本維數(shù)無(wú)關(guān)。

(二)非線性支持向量機(jī)建模過(guò)程

用支持向量機(jī)解決非線性問(wèn)題時(shí)，是將樣本映射到高維特征空間，將高維特征空間中的內(nèi)積用核函數(shù)代替。

設(shè)非線性映射為Φ：x→Φ(x)∈H，則高維特征空間的最優(yōu)分類超平面為：

w∈Φ(x)+b=0

(1)

最優(yōu)分類超平面用二次規(guī)劃可以表示為：

ξi≥0，i=1，2，…，n

(2)

其中，C為懲罰參數(shù)，C值越大，表示對(duì)錯(cuò)誤分類的懲罰越大。對(duì)應(yīng)的拉格朗日函數(shù)為：

s.t.αi≥0，βi≥0

(3)

得到的對(duì)偶優(yōu)化問(wèn)題為：

(4)

用核函數(shù)代替內(nèi)積，即k(xi，xj)=Φ(xi)·Φ(xj)，則有：

(5)

若a*為最優(yōu)解，則判別函數(shù)為：

(6)

通過(guò)以上處理，就無(wú)需求解非線性映射Φ，即通過(guò)核函數(shù)避免了因?yàn)榫S數(shù)過(guò)高而產(chǎn)生的維數(shù)問(wèn)題。

利用非線性支持向量機(jī)進(jìn)行分類的具體步驟如下：第一步，選擇參數(shù)C和核函數(shù)k。第二步，找出最優(yōu)的a*和支持向量。第三步，計(jì)算b*。第四步，求得最優(yōu)分類面函數(shù)f(x)。第五步，利用非線性支持向量機(jī)對(duì)測(cè)試樣本進(jìn)行分類，對(duì)模型預(yù)測(cè)效果進(jìn)行評(píng)價(jià)。

四、數(shù)據(jù)搜集及數(shù)據(jù)處理

(一)數(shù)據(jù)搜集

由于風(fēng)險(xiǎn)投資機(jī)構(gòu)所管理的風(fēng)險(xiǎn)資本具有不同的規(guī)模、運(yùn)行周期，而且每個(gè)投資機(jī)構(gòu)具有不同的行業(yè)傾向和階段傾向，對(duì)于項(xiàng)目選擇和管理具有不同的規(guī)則和要求，這些因素形成了機(jī)構(gòu)的競(jìng)爭(zhēng)力?；谝陨显?，風(fēng)險(xiǎn)投資機(jī)構(gòu)對(duì)于項(xiàng)目信息管理是比較嚴(yán)格的，這使得本文進(jìn)行定量研究的數(shù)據(jù)主要通過(guò)訪談和調(diào)查問(wèn)卷的形式獲得。通過(guò)對(duì)風(fēng)險(xiǎn)投資及風(fēng)險(xiǎn)管理領(lǐng)域文獻(xiàn)的大量閱讀，對(duì)多位風(fēng)險(xiǎn)投資家和項(xiàng)目經(jīng)理進(jìn)行多次訪談，向風(fēng)險(xiǎn)投資領(lǐng)域的專家學(xué)者進(jìn)行意見(jiàn)征尋，并進(jìn)行小樣本問(wèn)卷測(cè)試，確定了最終的調(diào)查問(wèn)卷。在調(diào)查問(wèn)卷中主要利用李克特量表中最常用的5級(jí)量表，利用數(shù)值1到5表示各風(fēng)險(xiǎn)因素對(duì)于風(fēng)險(xiǎn)投資項(xiàng)目的影響由低到高，即代表該風(fēng)險(xiǎn)因素對(duì)項(xiàng)目的影響程度由最低到最高。

在本次調(diào)查中，分別向哈爾濱、蘇州、上海、北京的風(fēng)險(xiǎn)投資機(jī)構(gòu)發(fā)放問(wèn)卷190份，回收問(wèn)卷150份，有效問(wèn)卷108份。問(wèn)卷主要由風(fēng)險(xiǎn)投資家、風(fēng)險(xiǎn)投資機(jī)構(gòu)中高級(jí)管理人員及項(xiàng)目經(jīng)理填寫，占比90%。項(xiàng)目中有95個(gè)項(xiàng)目是民營(yíng)項(xiàng)目，占比88%。風(fēng)險(xiǎn)投資項(xiàng)目分布于不同的城市，蘇州、哈爾濱、北京、上海、廣州、杭州、深圳、南京、成都、廈門、無(wú)錫、武漢和昆明等，其中，蘇州的項(xiàng)目有37個(gè)，占比34%，哈爾濱的項(xiàng)目有34個(gè)，占比31%，上海的項(xiàng)目有10個(gè)，占比10%，北京的項(xiàng)目有6個(gè)，占比6%。

項(xiàng)目分布于各個(gè)行業(yè)，包括互聯(lián)網(wǎng)、高科技技術(shù)、高科技服務(wù)、消費(fèi)產(chǎn)品和服務(wù)、生物醫(yī)藥、金融服務(wù)、媒體和娛樂(lè)業(yè)、醫(yī)藥保健、環(huán)保、計(jì)算機(jī)、農(nóng)業(yè)和食品安全等。有關(guān)互聯(lián)網(wǎng)的項(xiàng)目最多，項(xiàng)目涉及TMT、互聯(lián)網(wǎng)教育、互聯(lián)網(wǎng)旅游商務(wù)和移動(dòng)互聯(lián)網(wǎng)等，共包括23項(xiàng)，占比21%。高科技技術(shù)類項(xiàng)目共17項(xiàng)，包括生物科技、信息技術(shù)、新能源與高效節(jié)能技術(shù)等，占比17%。醫(yī)藥保健、高科技服務(wù)、消費(fèi)產(chǎn)品和服務(wù)類項(xiàng)目分別為16項(xiàng)、15項(xiàng)和13項(xiàng)，共占比40%。

項(xiàng)目處于不同的階段，處于管理階段的項(xiàng)目為80個(gè)，占比74%。處于評(píng)估階段、投資協(xié)議設(shè)計(jì)階段和退出階段的項(xiàng)目占比分別為9%、15%和2%。項(xiàng)目也處于不同的時(shí)期，種子期、創(chuàng)建期、成長(zhǎng)期、擴(kuò)張期和成熟期項(xiàng)目占比分別為20%、40%、26%、7%和7%。種子期和創(chuàng)建期項(xiàng)目的投資金額主要集中在100萬(wàn)元以下及100萬(wàn)元—300萬(wàn)元之間，占比為77%。處于成長(zhǎng)期的項(xiàng)目其投資金額分布比較廣泛，投資金額高的達(dá)到10 000萬(wàn)元以上，低的為100萬(wàn)元以下，與投資機(jī)構(gòu)對(duì)項(xiàng)目的估值有關(guān)。處于擴(kuò)張期和成熟期的項(xiàng)目投資金額普遍較高，處于3 000萬(wàn)元以上的項(xiàng)目占比為60%。

(二)構(gòu)造訓(xùn)練樣本集和測(cè)試樣本集

構(gòu)建支持向量機(jī)模型，需要利用訓(xùn)練樣本集對(duì)模型進(jìn)行學(xué)習(xí)訓(xùn)練，然后利用測(cè)試樣本對(duì)模型效果進(jìn)行評(píng)價(jià)。通常情況下，網(wǎng)絡(luò)要具有較高的泛化能力，需要更大的訓(xùn)練樣本。因此，對(duì)于收集到的108個(gè)風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)數(shù)據(jù)，選取其中在98個(gè)項(xiàng)目進(jìn)行訓(xùn)練，利用10個(gè)樣本進(jìn)行測(cè)試，通過(guò)模型的預(yù)測(cè)結(jié)果與實(shí)際項(xiàng)目風(fēng)險(xiǎn)狀況進(jìn)行比較，評(píng)價(jià)模型的預(yù)測(cè)精度。

(三)數(shù)據(jù)的預(yù)處理

在模型構(gòu)建中，是否對(duì)數(shù)據(jù)進(jìn)行預(yù)處理以及采取什么方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理會(huì)影響模型最終的預(yù)測(cè)分類準(zhǔn)確率[14]。經(jīng)過(guò)比較分析，利用最大最小法對(duì)108個(gè)風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)預(yù)警指標(biāo)和風(fēng)險(xiǎn)后果指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理。最大最小歸一化方法是對(duì)原始數(shù)據(jù)的線性變換，如式(7)所示：

(7)

其中，x和y是轉(zhuǎn)換前和轉(zhuǎn)換后的值，Amin和Amax分別為屬性A的原始值中的最小值和最大值。最大最小法將指標(biāo)A的原始值x映射到區(qū)間[newAmin,newAmax]，得到y(tǒng)。

五、警度分類、預(yù)警準(zhǔn)則和樣本警度預(yù)判

(一)警度分類

風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)預(yù)警是對(duì)項(xiàng)目風(fēng)險(xiǎn)的警度進(jìn)行預(yù)報(bào)。本文將風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)的警度分為低度風(fēng)險(xiǎn)、中度風(fēng)險(xiǎn)和高度風(fēng)險(xiǎn)。低度風(fēng)險(xiǎn)是指風(fēng)險(xiǎn)投資項(xiàng)目運(yùn)行狀態(tài)良好，各項(xiàng)風(fēng)險(xiǎn)因素處于較低水平，項(xiàng)目在預(yù)期和計(jì)劃內(nèi)平穩(wěn)運(yùn)行。當(dāng)項(xiàng)目處于低風(fēng)險(xiǎn)狀態(tài)時(shí)，只需要對(duì)項(xiàng)目進(jìn)行常規(guī)監(jiān)測(cè)，預(yù)防某些風(fēng)險(xiǎn)因素向不利于項(xiàng)目的方向發(fā)展變化。中度風(fēng)險(xiǎn)是指某些風(fēng)險(xiǎn)因素的發(fā)展變化已經(jīng)對(duì)項(xiàng)目造成一定的影響，雖然并沒(méi)有造成嚴(yán)重的風(fēng)險(xiǎn)后果或項(xiàng)目運(yùn)行對(duì)計(jì)劃的偏離仍然在可接受的范圍之內(nèi)，但應(yīng)該引起投資機(jī)構(gòu)的重視。當(dāng)項(xiàng)目處于中度風(fēng)險(xiǎn)狀態(tài)時(shí)，應(yīng)采取必要的風(fēng)險(xiǎn)控制策略，消除風(fēng)險(xiǎn)或控制風(fēng)險(xiǎn)進(jìn)一步擴(kuò)大。高度風(fēng)險(xiǎn)是指風(fēng)險(xiǎn)因素的發(fā)展變化已經(jīng)嚴(yán)重影響項(xiàng)目運(yùn)行，使項(xiàng)目偏離預(yù)期計(jì)劃達(dá)到不可容忍的程度，將影響風(fēng)險(xiǎn)投資機(jī)構(gòu)預(yù)期目標(biāo)的實(shí)現(xiàn)。當(dāng)項(xiàng)目處于高度風(fēng)險(xiǎn)狀態(tài)時(shí)，可能直接導(dǎo)致項(xiàng)目失敗，必須采取應(yīng)急的風(fēng)險(xiǎn)控制措施阻止風(fēng)險(xiǎn)進(jìn)一步惡化，如果措施無(wú)效，機(jī)構(gòu)應(yīng)考慮退出項(xiàng)目。

(二)預(yù)警準(zhǔn)則

為了對(duì)項(xiàng)目的風(fēng)險(xiǎn)狀態(tài)進(jìn)行準(zhǔn)確預(yù)報(bào)，首先應(yīng)該明確預(yù)警的準(zhǔn)則，即評(píng)價(jià)風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)狀況的原則和標(biāo)準(zhǔn)，用于指導(dǎo)在不同情況下預(yù)警系統(tǒng)是否應(yīng)該發(fā)生警報(bào)及發(fā)出何種程度的警報(bào)。本文主要依據(jù)預(yù)警指標(biāo)所反映的項(xiàng)目風(fēng)險(xiǎn)及項(xiàng)目運(yùn)行狀態(tài)與風(fēng)險(xiǎn)投資機(jī)構(gòu)預(yù)期之間的差異程度確定項(xiàng)目風(fēng)險(xiǎn)的警度。具體的預(yù)警準(zhǔn)則如下：

首先，依據(jù)項(xiàng)目運(yùn)行狀況與機(jī)構(gòu)預(yù)期的差異程度進(jìn)行判斷。判斷依據(jù)是項(xiàng)目風(fēng)險(xiǎn)狀態(tài)的調(diào)查結(jié)果，即項(xiàng)目當(dāng)前在技術(shù)、生產(chǎn)、市場(chǎng)和財(cái)務(wù)等領(lǐng)域運(yùn)行水平與風(fēng)險(xiǎn)投資機(jī)構(gòu)預(yù)期目標(biāo)的差異程度。差異程度由小到大標(biāo)記為1—5：1表示與預(yù)期目標(biāo)無(wú)差異或基本無(wú)差異；2表示有差異但差異程度較??；3表示差異為中等程度，如果差異再增加就不能接受；4表示差異大且不能接受；5表示差異極大不能接受。如果在項(xiàng)目風(fēng)險(xiǎn)狀態(tài)調(diào)查中，有一個(gè)或多個(gè)領(lǐng)域出現(xiàn)“差異大且不能接受”或“差異極大不能接受”，則判斷項(xiàng)目處于高度風(fēng)險(xiǎn)狀態(tài)。

其次，當(dāng)項(xiàng)目風(fēng)險(xiǎn)狀態(tài)沒(méi)有顯現(xiàn)上面陳述的情況時(shí)，主要根據(jù)項(xiàng)目預(yù)警指標(biāo)所反映的風(fēng)險(xiǎn)情況進(jìn)行判斷。由于風(fēng)險(xiǎn)投資項(xiàng)目進(jìn)入項(xiàng)目的時(shí)期不同，對(duì)于項(xiàng)目信息的掌握情況是不同的，種子期和創(chuàng)建期的信息不對(duì)稱程度最高，其不確定性也是最高的。對(duì)于收集的108個(gè)項(xiàng)目信息進(jìn)行均值分析，進(jìn)一步驗(yàn)證了這個(gè)結(jié)論。

從總體上看，種子期項(xiàng)目各預(yù)警指標(biāo)的均值最高，其次是創(chuàng)建期項(xiàng)目、成長(zhǎng)期項(xiàng)目、擴(kuò)張期和成熟期項(xiàng)目。從統(tǒng)計(jì)理論上，種子期項(xiàng)目、創(chuàng)建期項(xiàng)目、成長(zhǎng)期項(xiàng)目及擴(kuò)張期和成熟期項(xiàng)目全部的風(fēng)險(xiǎn)預(yù)警指標(biāo)所構(gòu)成的概率分布情況是未知的，所以對(duì)不同時(shí)期風(fēng)險(xiǎn)項(xiàng)目風(fēng)險(xiǎn)預(yù)警指標(biāo)的均值進(jìn)行非參數(shù)假設(shè)，檢驗(yàn)均值樣本是否來(lái)自于同一總體，在此基礎(chǔ)上判斷不同時(shí)期項(xiàng)目的風(fēng)險(xiǎn)水平是否一致。非參數(shù)檢驗(yàn)方法主要利用多樣本Kruskal-Wallis檢驗(yàn)和中位數(shù)檢驗(yàn)。前者是利用樣本的平均秩進(jìn)行檢驗(yàn)，后者是比較多組樣本的中位數(shù)是否存在顯著性差異。非參數(shù)檢驗(yàn)結(jié)果如表1所示。

表1 不同時(shí)期項(xiàng)目風(fēng)險(xiǎn)數(shù)據(jù)非參數(shù)檢驗(yàn)結(jié)果1

從以上結(jié)果可以看出，在5%的顯著性水平下，不同時(shí)期項(xiàng)目風(fēng)險(xiǎn)數(shù)據(jù)的分布和中位數(shù)相同的原假設(shè)都被拒絕了。不同時(shí)期項(xiàng)目風(fēng)險(xiǎn)數(shù)據(jù)具有不同的分布。而且不同時(shí)期項(xiàng)目風(fēng)險(xiǎn)數(shù)據(jù)也具有不同的中位數(shù)，如表2所示。

表2 不同時(shí)期項(xiàng)目風(fēng)險(xiǎn)數(shù)據(jù)非參數(shù)檢驗(yàn)結(jié)果2

中位數(shù)種子期項(xiàng)目3 071創(chuàng)建期項(xiàng)目2 846成長(zhǎng)期項(xiàng)目2 600擴(kuò)張期和成熟期項(xiàng)目2 330全體中位數(shù)2 769

種子期項(xiàng)目風(fēng)險(xiǎn)預(yù)警指標(biāo)數(shù)據(jù)的中位數(shù)是最高的，其次是創(chuàng)建期項(xiàng)目，而且處于這兩個(gè)時(shí)期的項(xiàng)目風(fēng)險(xiǎn)預(yù)警指標(biāo)的中位數(shù)要高于全體數(shù)據(jù)中位數(shù)。成長(zhǎng)期項(xiàng)目以及擴(kuò)張期和成熟期項(xiàng)目的中位數(shù)均低于前兩類項(xiàng)目，也低于全體中位數(shù)，分析結(jié)果與表2是一致的。

不同時(shí)期項(xiàng)目風(fēng)險(xiǎn)是有所差異的。所以處于不同時(shí)期的項(xiàng)目，其風(fēng)險(xiǎn)狀態(tài)應(yīng)該和項(xiàng)目所處時(shí)期的其他項(xiàng)目進(jìn)行比較，再進(jìn)行判斷。故對(duì)于并沒(méi)有嚴(yán)重風(fēng)險(xiǎn)后果的項(xiàng)目，主要依據(jù)該項(xiàng)目與該項(xiàng)目所處時(shí)期的均值進(jìn)行比較，如果高于均值，則認(rèn)為項(xiàng)目處于中度風(fēng)險(xiǎn)狀態(tài)；如果與均值無(wú)差異或低于均值，則認(rèn)為項(xiàng)目處于低風(fēng)險(xiǎn)狀態(tài)。

(三)樣本警度預(yù)判

依據(jù)以上介紹的警度分類方法及風(fēng)險(xiǎn)預(yù)警準(zhǔn)則，對(duì)收集到的108個(gè)風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)狀態(tài)進(jìn)行風(fēng)險(xiǎn)預(yù)判。現(xiàn)在以項(xiàng)目6為例進(jìn)行說(shuō)明。項(xiàng)目6是位于蘇州的所屬行業(yè)為金融服務(wù)的種子期項(xiàng)目，目前處于管理階段，投入金額為100萬(wàn)元以下。該項(xiàng)目的高層管理人員對(duì)項(xiàng)目當(dāng)前風(fēng)險(xiǎn)狀況進(jìn)行評(píng)價(jià)。

根據(jù)上面確定的準(zhǔn)則，該項(xiàng)目不屬于高風(fēng)險(xiǎn)項(xiàng)目?？紤]該高層管理人員對(duì)于項(xiàng)目各風(fēng)險(xiǎn)預(yù)警指標(biāo)的評(píng)價(jià)，評(píng)價(jià)結(jié)果與所調(diào)查的所有種子期項(xiàng)目各預(yù)警指標(biāo)平均取值的結(jié)果可繪成折線圖。從圖中可以看出，項(xiàng)目6風(fēng)險(xiǎn)預(yù)警指標(biāo)體系中各指標(biāo)值與種子期各風(fēng)險(xiǎn)預(yù)警指標(biāo)均值相比，有的高于均值，有的低于均值。從圖形上無(wú)法判斷該項(xiàng)目屬于中度風(fēng)險(xiǎn)或低度風(fēng)險(xiǎn)?；诓涣私夥N子期項(xiàng)目風(fēng)險(xiǎn)指標(biāo)的分布情況，利用非參數(shù)檢驗(yàn)對(duì)項(xiàng)目6和種子期項(xiàng)目均值進(jìn)行比較。采用的檢驗(yàn)方法是Wilcoxon符號(hào)秩檢驗(yàn)。該檢驗(yàn)方法不僅考慮兩個(gè)樣本中配對(duì)數(shù)據(jù)之差的符號(hào)，而且充分利用差值的大小，檢驗(yàn)效能較好。檢驗(yàn)結(jié)果發(fā)現(xiàn)，項(xiàng)目6和種子期項(xiàng)目均值之間有顯著差異，且項(xiàng)目6各風(fēng)險(xiǎn)預(yù)警指標(biāo)的均值為2.7，低于項(xiàng)目均值的均值3.1，所以判斷項(xiàng)目6為低風(fēng)險(xiǎn)項(xiàng)目。

依據(jù)以上標(biāo)準(zhǔn)，對(duì)108個(gè)項(xiàng)目的風(fēng)險(xiǎn)狀況分別做出判斷。有33個(gè)項(xiàng)目是低度風(fēng)險(xiǎn)項(xiàng)目，設(shè)為類別一；31個(gè)項(xiàng)目是中度風(fēng)險(xiǎn)項(xiàng)目，設(shè)為類別二；44個(gè)項(xiàng)目是高度風(fēng)險(xiǎn)項(xiàng)目，設(shè)為類別三。并據(jù)此構(gòu)建風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)預(yù)警模型。

六、實(shí)證結(jié)果分析

根據(jù)對(duì)108個(gè)風(fēng)險(xiǎn)投資項(xiàng)目的風(fēng)險(xiǎn)預(yù)判，選擇其中的98個(gè)項(xiàng)目訓(xùn)練樣本，10個(gè)作為預(yù)測(cè)樣本。主要利用svmtrain函數(shù)進(jìn)行非線性支持向量機(jī)預(yù)警模型的訓(xùn)練和預(yù)測(cè)。所采用的核函數(shù)是徑向基函數(shù)，懲罰參數(shù)C和核函數(shù)參數(shù)是按照如下原則確定的：即讓懲罰參數(shù)C和核函數(shù)參數(shù)在某一范圍內(nèi)離散取值，取使得最終測(cè)試集分類準(zhǔn)確率最高的值作為最佳的參數(shù)。最終確定懲罰參數(shù)值為2，核函數(shù)參數(shù)值為1。

模型經(jīng)過(guò)43次迭代后得到訓(xùn)練集的擬合準(zhǔn)確率為100%，測(cè)試集預(yù)測(cè)準(zhǔn)確率為80%。測(cè)試樣本3和樣本9的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果有偏誤?；诔闃哟硇缘目紤]，仍然采取隨機(jī)樣本分配，將以上結(jié)果整理如表3所示。

表3 SVM分類器分類結(jié)果與實(shí)際對(duì)比

從表3可以看出，在測(cè)試的10個(gè)隨機(jī)樣本中，低度風(fēng)險(xiǎn)、中度風(fēng)險(xiǎn)和高度風(fēng)險(xiǎn)的項(xiàng)目分別有1項(xiàng)、3項(xiàng)和6項(xiàng)，其中，中度風(fēng)險(xiǎn)項(xiàng)目的預(yù)測(cè)準(zhǔn)確率為100%，6個(gè)高度風(fēng)險(xiǎn)項(xiàng)目中有5個(gè)預(yù)測(cè)是準(zhǔn)確的，1個(gè)低度風(fēng)險(xiǎn)項(xiàng)目被錯(cuò)誤識(shí)別為中度風(fēng)險(xiǎn)項(xiàng)目?？梢钥闯?，中度風(fēng)險(xiǎn)和高度風(fēng)險(xiǎn)項(xiàng)目的預(yù)測(cè)準(zhǔn)確性還是比較高的。

利用非線性支持向量機(jī)模型對(duì)風(fēng)險(xiǎn)投資項(xiàng)目進(jìn)行風(fēng)險(xiǎn)預(yù)警，具有較高的預(yù)測(cè)準(zhǔn)確性，且訓(xùn)練樣本集的擬合精度是完全準(zhǔn)確的，其經(jīng)驗(yàn)風(fēng)險(xiǎn)是最小的。該模型不僅較好地說(shuō)明了訓(xùn)練樣本的變動(dòng)，且具有較好的推廣能力，可以比較好地解決風(fēng)險(xiǎn)投資項(xiàng)目風(fēng)險(xiǎn)分類及預(yù)警。

任何模型的應(yīng)用都是對(duì)現(xiàn)實(shí)的模擬和簡(jiǎn)化，沒(méi)有任何一個(gè)模型能夠完美地詮釋現(xiàn)實(shí)情況。對(duì)于任何一個(gè)風(fēng)險(xiǎn)投資項(xiàng)目，影響其變動(dòng)的風(fēng)險(xiǎn)因素是眾多的、復(fù)雜的、時(shí)刻變動(dòng)的，要捕捉到風(fēng)險(xiǎn)因素變動(dòng)對(duì)項(xiàng)目風(fēng)險(xiǎn)的影響不能僅僅依靠一個(gè)模型，要不斷地根據(jù)所研究的項(xiàng)目自身特點(diǎn)優(yōu)化風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，從而得到更加精確的預(yù)測(cè)結(jié)果，更有助于確定項(xiàng)目的風(fēng)險(xiǎn)狀態(tài)?？梢员苊鈱⒌惋L(fēng)險(xiǎn)項(xiàng)目高風(fēng)險(xiǎn)化，提高監(jiān)管成本；更重要的是避免將高風(fēng)險(xiǎn)項(xiàng)目低風(fēng)險(xiǎn)化，這將導(dǎo)致錯(cuò)失及時(shí)實(shí)施相應(yīng)風(fēng)險(xiǎn)應(yīng)對(duì)策略的時(shí)機(jī)，導(dǎo)致風(fēng)險(xiǎn)惡化，甚至導(dǎo)致項(xiàng)目失敗。

[1] Gompers,P.，Kovner,A.，Lerner,J . Venture Capital Investment Cycles:The Impact of Public Markets[J].Journal of Financial Economics，2005，87(1)：1-23.

[2] Lerner，J.Economics:The Problematic Venture Capitalist[M].New York：AMER ASSOC Advancement Science, 2000.98-108.

[3] 高維義，錢剛毅，謝科范.中國(guó)風(fēng)險(xiǎn)投資監(jiān)控管理模式分析[J].科技進(jìn)步與對(duì)策，2002，(8)：74-75.

[4] 孫琪，陶學(xué)禹. 風(fēng)險(xiǎn)投資預(yù)警管理的預(yù)控對(duì)策[J]. 經(jīng)濟(jì)管理，2004，(7)：52-54.

[5] 楊艷萍.風(fēng)險(xiǎn)投資的風(fēng)險(xiǎn)識(shí)別、評(píng)估與控制分析[J].經(jīng)濟(jì)師，2003，(7)：34-35.

[6] Macmillan,L .C.，Zemann,L .，Subbanarasimha, P.N. Criteria Distinguishing Successful from Unsuccessful Ventures in the Venture Screening Process[J].Journal of Business Venturing ,1987，2 (2): 123-137.

[7] Eckhardt, J.T.， Shane,S.，Delmar，F(xiàn). Multistage Selection and the Financing of New Venture[J].Management Science，2006，52(2):220-232.

[8] 錢水土，周春喜.風(fēng)險(xiǎn)投資的風(fēng)險(xiǎn)綜合評(píng)價(jià)研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2002，(5)：45-48.

[9] 魏星，夏恩群，李全興.風(fēng)險(xiǎn)投資項(xiàng)目決策中的風(fēng)險(xiǎn)綜合評(píng)價(jià)[J].中國(guó)軟科學(xué)，2004，(2)：153-157.

[10] 候文祥.高新技術(shù)產(chǎn)業(yè)風(fēng)險(xiǎn)投資的風(fēng)險(xiǎn)評(píng)價(jià)及防范[J].改革與戰(zhàn)略，2013，(6)：55-57.

[11] Llies,R.，Scott,B.A, Judge,T.A.The Interactive Effects of Personal Traits and Experienced States on Intraindividual Patterns of Citizenship Behavior[J].Academy of Management Journal，2006，49(3)：561-575.

[12] Ployhart,R.E.，Baughman,K.The Structure and Function of Human Capital Emergence：A Multilevel Examination of the Attraction-Selection-Attrition Model[J]. Academy of Management Journal，2006，49(4)：661-677.

[13] Ballinger， G.A.，Schoorman, F.D.Individual Reactions to Leadership Succession in Work Groups[J]. Academy of Management Review，2007，32(1)：118-136.

[14] 王小川. Matlab神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M]. 北京：北京航空航天大學(xué)出版社，2013.188-190.

(責(zé)任編輯：韓淑麗)

2016-12-16

李春宇(1981-)，女，黑龍江巴彥人，講師，博士研究生，主要從事風(fēng)險(xiǎn)投資和城鎮(zhèn)化研究。E-mail:happychunyu@sohu.com

F832.5

A

1008-4096(2017)02-0075-07