現行技術創新項目風險測度方法的分析

王 玨

[摘要]技術創新是企業獲得競爭優勢的根本源泉,然而,技術創新又是一項高風險活動,對風險問題的處理決策必須建立在對風險的科學度量基礎上。本文對現行技術創新項目風險測度的常用幾種方法進行了評述。

[關鍵詞]技術創新項目 風險 測度方法

在激烈的市場競爭條件下,技術創新是企業獲得競爭優勢的根本源泉,是企業求得生存和發展的重要基礎。一項成功的技術創新,經過技術擴散后,通常會導致產業結構、市場結構的變化,刺激新的市場需求,同時也為更高層次的技術創新奠定了基礎,從而形成一種良性循環,推動企業競爭力的不斷增長。但技術創新項目總是高收益與高風險并存的,一項技術創新成果,從其創意、構思到研究開發以至進入市場的過程中,需要經過許多環節,幾乎每個環節都有失敗的可能。企業在決定是否投資技術創新項目之前,需要對它的風險性進行全面的分析與評價。風險的測度是風險分析的核心內容,對風險問題的處理決策必須建立在對風險的科學度量基礎上。在這種情況下,如何運用科學的風險測度方法建立有效的技術創新項目風險測度體系,對企業和投資者來說就變得尤為重要。

風險測度方法的選擇主要取決于項目的規模、類型、性質以及可供信息的多少和可靠性。對于像技術創新這樣具有高風險—高收益特點的項目而言,其風險測度方法的選擇絕對不是簡單而為之的,必須根據風險特點,在全面分析風險因素的基礎上,建立科學的項目風險測度指標體系,運用合理的測度方法,權衡利弊,優化項目投資結構,提高項目投資效益。目前,技術創新風險測度的方法很多且各有特點,通過對國內外相關研究的分析,常用的幾種方法如下。

一、層次分析法

層次分析法是美國運籌學專家T.L.Satty于20世紀70年代初期提出來的一種多目標綜合評價方法。這是一種整理和綜合人們主觀判斷的方法,通過分析復雜系統所包含的所有因素及其相關關系,將問題分解為若干個互不相同的組成因素,根據各組成因素的隸屬關系,把各組成因素歸并為不同的層次,從而形成多層次的分析結構模型。運用層次分析法計算的結果反映的是各方案的相對風險大小,不能直接反映具體方案的真實風險程度。同時,應用層次分析法在確定各層次不同因素相對上一層各因素重要性權數時,利用了兩兩比較的方法,需要衡量判斷矩陣的一致性。當不滿足一致性指標時,則需對判斷矩陣作一定調整但調整又沒有固定的方法,而是憑著大致估計來調整。這樣處理帶有很大的盲目性,不能排除經過多次調整才能通過一致性檢驗的可能性,而且在解決群體專家權重評價時,沒有剔除個別偏差很大專家意見的干擾從而使結果出現較大的失真,往往只因為一兩個較大的離異意見而使最后的綜合權重面目全非。

二、模糊綜合評價法

1965年,美國控制論專家查德(L.A.Lazadch)創立了模糊數學方法。模糊綜合評價方法,是利用模糊數學原理,建立相對標準和切實可行的數學模型對影響風險的諸多風險因素進行綜合考慮,從每一個因素對風險的影響大小(或影響程度)以及就每一個因素風險所處的現狀來進行全面評價,從而得出風險的評價結果。模糊數學的優勢在于:它為現實世界中普通存在的模糊,不清晰的問題提供了一種充分的概念化結構,并以數學的語言去分析和解決它們,它特別適用于對具有大量模糊信息的對象進行評價。目前模糊綜合評價法已廣泛應用于各種經濟評價中。由于創新項目中潛含的各種風險因素很大一部分難以用數字來準確地加以定量描述,但都可以利用歷史經驗或專家知識,用語言生動地描述出它們的性質及其可能的影響結果。這種性質最適合于采用模糊數學來解決問題。但是當專家評判不一致時,用模糊綜合評價法計算得出的風險結果是非常值得懷疑的。

三、灰色綜合評價法

灰色系統理論是我國著名學者鄧聚龍教授在1982年創立的一門新興橫斷學科。它以“部分信息已知,部分信息未知”的“小樣本”,“貧信息”不確定性系統為研究對象,主要通過對“部分”已知信息的生成,開發,提取有價值的信息,實現對系統運行行為的正確認識和有效控制。灰色系統理論可以廣泛運用于機制復雜、層次較多、難以從定量角度建立精確模型的系統研究工作中。同時,由于灰色系統理論的數學方法是非統計方法,它尤其適用于系統數據較少和條件不滿足統計要求的情況。由于技術創新項目的復雜、信息殘缺、難以定量化等特點,故可以采用灰色系統理論方法對其風險進行測評。灰色綜合評判幾乎可以完全利用各個專家關于具體指標的全部信息,但運用該方法在獲取各評價指標的灰色評價權向量時,它是根據全體專家對該指標相對于某一灰類的隸屬度之和與相對于全體灰類的隸屬度之和的比值確定,這種處理方法也從無法衡量專家評判的一致性,導致最終評價結果的不精確。

四、人工神經網絡法

人工神經網絡法是一種交互式的評價方法,它可以根據用戶期望的輸出不斷修改指標的權重,直到用戶滿意為止。它主要克服了模糊綜合評價中指標權重依據主觀方法取得的缺點,因此,一般來說,人工神經網絡評價方法得到的結果會更符合實際情況。但是,人工神經網絡評價的缺點是需要的訓練樣本數據較多,模型的性能在很大程度上取決于訓練樣本的數量和質量,即不是所有的神經網絡都具有高的泛化性能,這在技術創新領域是很難做到的。同時,人工神經網絡模型難以解釋和給出實際的物理意義,特別是無法回答“why”和“how”等問題,加上由于技術創新風險的模糊性、難以定量性,運用神經網絡方法必須與專家系統結合起來,這又使整個系統過于復雜。在微觀方面,網絡結構的選擇,各層節點數,尤其是隱含層節點數的選擇,到目前為止還沒有很好的解決。另外,網絡收斂速度慢也極大地影響著評價工作的效率。需要指出的是,人工神經網絡計算結果的準確性也依賴于樣本數據的可靠性,如果采用沒有經過一致性檢驗的樣本數據進行人工神經網絡訓練,其得出的結果也是值得懷疑的。

參考文獻:

[1]陳紅川.高新技術企業技術風險研究.西南金融,2008,(7):59-60.

[2]趙凱.企業風險度量方法的選擇.商業文化,2007.9.

[3]鄭沖.若干風險度量方法的評介與比較.中國保險管理干部學院學報,2003,(3).

[4]孫威武.企業技術創新項目風險評價.中南財經政法大學學報,2004,(1):120-124.

[5]王達政.投資項目風險的層次灰色評價及其應用研究.科技進步與對策,2005,(4):69-71.