创新型企业资本运营风险评价研究
时间：2021-01-22 12:01:32 来源：雅意学习网 本文已影响 人 
摘要：本文从客观风险、系统风险和特质风险三个方面，对创新型企业资本运营风险进行识别和评价，建立了创新型企业资本运营风险评价指标体系，并采用分层聚类法对各风险评价指标进行量化。从黑龙江省17家国家级创新型企业中选取25个创新项目作为研究对象，构建了基于模糊BP神经网络的创新型企业资本运营风险评价模型，并运用项目数据对模型进行训练与验证。结果表明，该模型具有较高的预测准确性和较强的自主学习能力。
关键词：创新型企业 资本运营风险 指标体系 风险评价模型
一、引言
创新型企业是建设创新型国家的主体，因此，创新型企业持续健康发展对实现建设创新型国家这一目标尤为重要。通过大量整理阅读文献和调查访问发现，对资本运营风险的评价很难找到具体的定量指标进行衡量，大多是定性指标；再加之创新型企业自身的特点使其资本运营风险更加复杂化，具有主观性较强和风险模糊性的特点。本文选择模糊BP神经网络法对资本运营风险的定性指标进行量化，该方法的优势在于具有强大的自学能力和模糊数学定量化的能力。在对风险指标量化的基础上通过BP神经网络对给定训练样本的学习，建立符合预期误差的创新型企业资本运营风险评价模型，再用测试样本对其进行验证，最终得出一个符合逻辑具有较强可信性的创新型企业资本运营风险评价模型。
二、创新型企业资本运营风险识别和评价
所谓创新型资本运营风险是指创新型企业在资本运营过程中，客观上由于外部环境的不确定性，主观上对环境的认知能力的有限性，而使资本运营活动达不到预期目标或导致资本运营失败。创新型企业资本运营风险并不是指某一种具体特定的风险，而是包含一系列具体的风险。因此，对创新型企业资本运营风险评价时，应充分考虑到指标选取的完整性原则，同时应按照一定的标准对风险进行分类。
从不同侧面对风险指标进行分类，可分为客观风险指标、系统性风险指标和特质风险指标（或称非系统风险）。客观风险是外部环境不确定性、资本运营活动复杂性和企业自身客观环境引起的风险；系统性风险是所有从事该项资本运营活动的企业都会存在的风险，具有普遍性，主要包括市场风险、管理风险、自然风险、政策及经济风险；而特质风险，是专门对创新型企业而言的，根据创新型企业的特征识别出来的创新型企业特有的资本运营风险，主要有创新风险、技术风险和时滞风险。本文在3大类一级风险指标下设9类二级风险指标，又通过调查走访，通过与创新型企业资本运营项目负责人沟通和参考创新型企业研究领域权威专家的意见，识别出创新型企业资本运营成败的主要影响指标，并总结出29个三级风险指标用于以下模型的建立，创新型企业资本运营风险评价指标体系框架如图1。
三、建立创新型企业BP神经网络资本运营风险评价模型
（一）模糊BP神经网络的特点
模糊神经网络理论在近些年逐渐发展成熟，它结合了神经网络的自主学习的优点，与模糊逻辑的不确定性问题处理能力，使得其在商业及经济估算、专家系统、语音处理、优化问题等领域得到了很好的应用。
因此本文采用模糊BP神经网络对创新型企业资本运营风险进行评价。构建一个包含输入层、模糊化层、模糊推理层和输出层四个层次的模糊神经网络，输入层的每一个节点是一个风险指标，其作为输入层的输入变量；模糊化层将输入变量进行模糊化；模糊推理层又叫隐含层，该层可以实现神经网络由输入层到输出层的映射；输出层是神经网络模糊评价的结果，反复训练以期达到输出值与训练信号之间的误差在预期误差允许范围内。如图2所示。
（二）数据集
本文数据来源于《2012年中国创新型企业发展报告》中认定的三批黑龙江省国家级创新型企业7家（其中第一批2家、第二批2家、第三批3家），及选取黑龙江省2012、2013年国家级创新型（试点）企业分别为3家和7家，共计黑龙江省17家创新型及创新型（试点）企业，涉及到25个资本运营的创新型项目的研究调查。按照《国民经济行业分类与代码》的两位数分类，17家企业中医药制造业有6家，占比35.29%；电气机械及器材制造业3家，占比17.65%；还包括通信设备制造业、电信和其他信息传输服务业、金属冶炼工业、软件业等多个行业，数据选取具有代表性。
围绕前述的29个资本运营风险指标，根据风险程度的5个等级（低、较低、中等、较高、高）设计了针对25个创新项目评价的调查问卷，进行为期2个月的创新型学者专家走访、黑龙江省内创新型企业调查。面向黑龙江省创新型企业以电子邮件、实地考察、现场发放问卷的形式进行调查问卷的发放工作；收集到32份调查问卷，对收回来的问卷进行筛选，有4份不合格问卷，最后形成28份有效问卷，涉及到黑龙江省17家创新型及试点企业25个创新型项目。
对27份有效的调查问卷进行整理，将25个创新项目分别标号为项目1、项目2、……、项目25，随机抽取2个项目（项目7和项目13）作为测试样本，其余的23个项目作为训练样本。同时对调查问卷中的风险等级分别赋以模糊分值，赋值情况。
将23个训练样本29个风险指标组成23×29阶矩阵作为模糊BP神经网络的输入数据。
（三）样本模糊处理
（四）BP神经网络训练
将经过模糊化处理的数据集23×145阶矩阵作为输入数据，进行模糊BP神经网络的学习和训练。根据实际的不断学习情况，确定模糊推理层的节点个数和层数，并适当选择映射函数，最终实现输入到输出的映射。输出层为1个节点，直接输出风险值，可以根据输出值与5个风险等级数值进行比较（即0.1、0.3、0.5、0.7、0.9），最终得到被评估项目的风险系数。
应用Matlab软件对模糊化后的23个训练样本进行BP神经网络的学习和训练，学习率为0.1，精度为0.001，最大训练步数为3 000，通过反复的学习训练，发现当BP网络模糊推理层节点（神经元）为50，训练1 442次后，均方误差达到了精度0.001的要求，学习效果比较成功。学习收敛图如图4。
