企業知識資本運營風險預測與預警

杜智濤，李玲娟,付 宏

(1.北京市科學技術情報研究所，北京 100048；2.中國科學院研究生院，北京 100049)

0 引言

隨著知識經濟時代的到來，“知識”逐漸從其他生產要素中分離出來，獨立成為一種重要的生產要素，在經濟運行中發揮著主導作用。正如Drucker所言：知識生產力已經成為生產力、競爭力和經濟成就的關鍵，在這一改變的推動下，西方以工業社會為特征的資本主義社會將轉向以知識社會為特征的后資本主義社會[1]。在這種背景下，企業生產經營最重要的資本不再是物質資本，而是知識資本，如微軟公司的市值中有95%由知識資本構成；英特爾公司的知識資本占其市值的85%；可口可樂公司的知識資本占其市值的96%；默克制藥公司的標準年收益為55億美元，知識資本收益就達51億美元。可見，知識資本在現代企業中具有重要價值。如何對企業知識資本進行測度，準確把握其知識資本運營情況，最大化規避知識資本運營風險，是當前企業必須要面對的重要課題。本文通過構建一個企業知識資本運營風險預測和預警模型，力圖在此方面進行初步性的探索。

1 企業知識資本的定義及其評價指標體系

1.1 知識資本的定義及相關研究綜述

知識資本（Intellectual Capital，或智力資本）這個概念最早由Galbrainth提出，他認為知識資本不僅是靜態的知識，還是一種動態的知識性活動[2，3]。Edvinsson和Sullivan認為知識資本是所有對企業的市場競爭力做出貢獻的專業知識、應用經驗、組織技術、客戶關系和職業技巧，是企業市場價值與帳面價值之差，是企業物質資本和非物質資本的合成[4，5]。Sveiby等認為知識資本是企業和組織中有形資產以外的、以相對無限的知識為基礎的無形資產，它是企業的核心競爭能力[6]。 Ulrich提出“知識資本=能力×認同感”，式中，“×”表示組織中人力資本與結構資本間的互動[7]。Annie Brooking認為知識資本是對企業的所有無形資產之和，包括市場資產、知識產權資產、人才資產及基礎結構資產，企業=有形資產+知識資本[8]。Thomas A.Stewart指出知識資本是是企業最有價值的資產，是企業中所有成員所知曉的能為企業在市場上獲得競爭優勢的資產之和，并提出了H-S-C模型，即知識資本由人力資本(Human Capital)、結構資本（Structure Capital）和顧客資本（Customer Capital）構成[9，10]。Nick Bontis運用主成分分析法、偏最小二乘分析、路徑分析法等，對知識資本各組成部分的關系進行了實證研究，指出結構資本和顧客資本為人力資本提供了價值創造平臺，而結構資本和顧客資本又通過人力資本發揮作用，三者相互作用，共同實現企業價值增值[11]。Hiroyukij Itami通過對日本企業的研究，指出影響企業經營業績差異的根源在于企業的知識資產，它用途廣泛，可以創造出多種利潤[12]。申明指出知識資本是企業所有無形資產的總和，是公司維持正常運作不可或缺的因素[13]。

一些學者也提出了知識資本在企業價值創造中存在的問題，如Griffiths認為知識資產及其管理雖然是組織競爭優勢的主要來源，但其獲取和管理也是企業面臨的一大難題[14]。Mayo指出由于缺乏統一形式來表達知識資產，嚴重抑制了戰略、核心組織能力和流程之間的有效集成[15]。

盡管目前對于知識資本的認識還有較大的爭議，但至少有一點得到共識：知識資本是對廠房、機器設備、資金等傳統資本概念的有效擴充，它將企業信譽、商標、制度和文化、員工的知識和忠誠、顧客對企業的認同感、經營關系等被傳統管理所忽視、在傳統的企業財務報表上無法體現其價值但卻對企業經營管理至關重要的各種因素整合在一起，使企業的價值得到大幅提升。

如何提升知識資本是企業面臨的關鍵問題。Ross[16]和 Marr[17]等認為提升企業的知識資本要從知識資本確認、知識資本增值過程分析、知識資本計量與評價、知識資本構建、知識資本報告五個方面著手。在這五個方面中，知識資本的計量與評價是最核心的問題，只有準確對知識資本進行計量和評價，才能有效的開發與利用知識資本。關于知識資本的計量與評價方法，據Sveiby統計，迄今為止已經公開發表的大致有20種左右。這些方法可以分為三類：一是從企業宏觀層面研究知識資本的整體價值，包括市場和賬面價值法、托賓q值法、知識資本推算法、知識資本增值系數法（VAIC）、索洛余值法等。二是將企業知識資本細分為各子類，剖析企業知識資本的構成、各子類關系及提升策略，如“Skandia導航儀”模型、無形資產監視器模型、平衡記分卡法、指數法、知識資本審計測量模型、知識資本報表、價值鏈計分法等。三是將博弈論、期權理論及可拓學等新理論與新方法與知識資本評價相結合，如Smit和Ankum提出了博弈論和實物期權綜合評估模型[18]；Kossovksy提出了應用股票市場中的期權定價理論對知識資本進行評價的方法[19]；Stephen Chen從戰略視角說明了博弈論與期權相結合應用于知識資本評估的方法[20]；韓靜、付玉等將可拓學方法引入知識資本評價[21-22]；此外，還有一些學者運用模糊數學方法對知識資本進行了評價。

上述知識資本計量與評價方法使企業在利用知識資本上更有可操作性和實效性。但由于知識資本的評價指標較為復雜，且數據獲取不易，使得企業對知識資本評價的組織實施較為困難，企業無法對知識資本進行實時監控；而且上述知識資本評價方法往往是事后性的，當企業發現知識資本存在問題時，往往處于很難扭轉局面的境地。本研究針對這些問題，在對知識資本評價指標進行深入分析的基礎上，運用灰預測和模式識別方法建立了企業知識資本風險預測與預警模型，并提出了信息系統的實施方案，使企業能夠對知識資本進行實時性、前瞻性和引導性的動態監測與控制。

1.2 企業知識資本評價指標體系

借鑒Stewart的H-S-C模型，本文將企業的知識資本分為人力資本、市場資本和結構資本三類。通過對相關文獻資料的歸納與分析，將這三類進一步細分為46個子指標。在指標的構建中，將子指標分為增長與創新性指標、效率性指標和穩定性指標三個維度。指標的選取基于以下原則：一是系統性和綜合性，各指標應能從各個側面綜合反映企業知識資本的真實信息；二是可操作性和經濟性，確保數據采集能夠有效實施，且數據采集成本不高；三是穩定性，所選指標可以持續性進行數據采集和數據積累。然后，通過對涉及戰略管理、財務管理、知識管理及營銷管理等領域的19位專家進行問卷調查，評判這46個指標的重要性、可度量性和可獲得性，選出以下37個指標，如表1所示。

上述指標中，有些直接是企業的知識資本，如指標（1）、（2）、（4）、（23）、（33）等；有些雖然不是企業的知識資本，卻是企業知識資本利用后的效果，如指標（26）、（30）、（31）等。第（20）、（33）至（37）為定性指標，要通過likert七級量表轉化為定量指標。此外，由于指標量綱不同，必須要進行標準化處理。

2 企業知識資本運營風險預測與預警模型構建

企業知識資本運營風險預測與預警包括兩個階段：一是通過現有數據預測未來趨勢；二是根據一定的判別原則，基于上一階段的預測值判斷是否出現危機。本研究運用灰色預測方法進行第一階段的風險預測，運用模式識別方法進行第二階段的危機預警。

2.1 基于系統灰預測方法構建預測模型

表1 企業知識資本評價指標

在不確定性和信息不完備的環境下，處理數據、分析現象、預測趨勢、決策判斷需要用到灰色系統理論?；疑A測方法是灰色系統理論的重要內容，它利用灰色微分函數對信息不完備和不確性的系統發展變化進行分析和預測。其中，如果一個系統具有多種行為變量，則對此系統的預測需要用到系統灰預測方法。企業知識資本具有無形性、不確定性、信息不完整性和多指標性，因此需要運用系統灰預測方法建模。系統灰預測模型需要用到嵌套解法，即將GM（1，1）模型嵌入GM（1，N）模型求解，以獲得各行為變量的預測值。

2.1.1 構建系統灰預測模型

在N個變量系統中，系統灰預測模型為：

式中：(1)x(0)(k)為不同時刻的各變量觀察值序列，x(0)(k)=[x1(0)(k),x2(0)(k),…，xN(0)(k)]T

（2）x(1)(k)為x(0)(k)的一次累加生成序列（I-AGO），x(1)(k)=[x1(0)(k),x2(0)(k),…，xN(0)(k)]T

(3)z(1)(k)為x(1)(k)的均值序列，z(1)(k)=[z1(0)(k),z2(0)(k),…，zN(0)(k)]T，z(1)(k)=0.5(x(1)(k)+x(1)(k-1))

(4)參數A和B，b分別為發展系數矩陣、灰作用量矩陣

(5)參數向量為PGM(1,N)=[a1,b12,b13,…，b1N]T，其辨識算式采用最小二乘式，PGM(1,N)=(BTB)-1BTyN，B為高矩陣，行數大于列數：

2.1.2 系統灰預測模型嵌套求解步驟

求解方法：

式中，α1與β1i的求解方法與前述同理。

2.2 基于模式識別方法構建預警模型

根據預測值，按照一定的判別規則即可對未來風險進行危機預警。本文運用模式識別方法來建立預警模型。首先確定對預測值的分類規則，然后根據危機發生概率，識別預測值的危機等級。

2.2.1 確定分類規則

設企業知識資本運營狀態分為“安全、異常、危險”三類。用w表示分類狀態，w=w1表示安全，w=w2表示異常，w=w3表示危險。本研究是要對企業知識資本運營狀態的N個觀察量x1,x2,…，xN進行分析，這些特征的所有可能的取值構成了N維特征空間，x=[x1,x2,…，xN]T為N維特征向量。如果在特征空間有某一向量x就是N維特征空間上的某一個點，那么需要考慮的是：把x分到哪一類w才合適，即確定危機狀態的分類規則。為了盡量減少分類錯誤，采用基于最小錯誤率的貝葉斯決策方法作為判別依據。

得到的條件概率P(wi|x)稱為狀態的后驗概率。因此，貝葉斯公式實質上是通過觀察x，把狀態的先驗概率P(wi)轉化為狀態的后驗概率P(wi|x)。這樣，基于最小錯誤率的貝葉斯決策規則為：P(wi|x)=maxP(wj|x)若則x∈wi。

根據上述判別函數可以設計分類器（如圖1所示），先計算出判別函數gi(x)，再從中選出對應于判別函數為最大值的類作為決策結果。

2.2.2 多元正態分布的模式識別

N個特征觀察值x的分布預先可以通過大量的統計數據估算出，由于正態分布具有物理上的合理性和數學上的簡便性，這里考慮x呈正態分布時的計算方法。多元正態分布的概率密度函數為：

式中，μ=E{x}表示各分類x的N維均值向量，即μ=[μ1, μ2,…,μN]T；Σ是N×N維協方差矩陣，Σ=E{(x-μ)(x-μ）T}，Σ-1是Σ的逆矩陣，|Σ|是Σ的行列式。

在多元正態分布下，令最小錯誤率判別式為：

根據式（8）和式（9），在多元正態概率型（p(x|wi)～N(μi, Σi),i=1,2,3）下，得到判別函數：

上式中，N/21n2π與i無關，可忽略。因此簡化后得到：

2.2.3 模式識別錯誤率的估計

在模式識別分類過程中，用錯誤率來衡量分類器性能的優劣。由于本研究將危機分為“安全、異常、危險”三類，因此，特征空間可以分割成R1，R2，R3三個區域?？赡苠e分的情況很多，P(e)為平均錯誤率。

直接求P(e)的計算量較大，我們代之計算平均正確分類概率P(c),則：

2.3 模型應用舉例

2.3.1 分類選取訓練樣本

本研究從上市公司中抽取訓練樣本，這是因為上市公司的數據較易獲得，且運營較為規范。假設特別處理（ST）公司在經營上存在較大風險，因此本研究從滬深兩市2009年160家ST公司中選取經營最差的45家作為“危險”類企業訓練樣本；由于EVA評價企業績效比傳統財務指標更具有代表性，在非ST公司中，假設EVA排名越靠前的企業經營越好，根據思騰思特管理咨詢中國公司發布的“中國上市公司EVA排行榜”，選取2007～2009年A股連續三年在“創造價值”榜單上排位前100名的38家公司為“安全”類企業的訓練樣本；另外，選取2009年A股上市公司EVA價值毀損前60名中非ST公司中的50家為“異?！鳖惼髽I的訓練樣本。

2.3.2 確立訓練樣本的參數及判別函數

企業知識資本運營風險預測與預警指標有37項，即n= 37。經過參數估計，133個訓練樣本2009年知識資本運營指標均服從多元正態分布，先驗概率分別是：“安全”企業P（w1）=0.3；“異?！逼髽IP（w2）=0.4；“危險”企業P（w3）=0.3。條件概率密度函數P（x|wi）的參數Σ1、Σ2和Σ3分別是37×37矩陣，μ1,μ2,μ3均是37維列向量，由于數據量較大，僅列出部分數據。根據式（11）得出判別函數：

2.3.3 計算評價指標的預測值

以上市公司金風科技 (002202)為例，運用灰預測模型對該公司知識資本運營風險進行預測和預警。根據2.1節確定的37個指標，收集該公司2004～2009年6年數據，數據主要來源于公司網站、巨潮資訊網、中國上市公司資訊網、網易財經證券行情數據庫、正點財經數據庫及有關公司的相關公告。對于定性指標，通過問卷調查，運用里克特7級量表，請24位專家打分，形成定量指標。將數據代入式（1）～（5），求得2010和2011年預測值，部分數據如表2：

2.3.4 計算判別函數

將預測值代入式（15）、（16）、（17）中，比較各判別函數值的大小，若g1(x)值最大，則企業知識資本運營為“安全”狀態；若g2(x)為最大，則為“異常”狀態；若g3(x)為最大，則為“危險”狀態。經計算，金風科技2010年和2011年的知識資本運營狀態：2010年，g1(x)=3.21，g2(x)=3.05，g3(x)=2.89；2011年，g1(x)= 4.36，g2(x)=3.27，g3(x)=3.15?？梢?，2010年和2011年金風科技的知識資本運營都將處于“安全”狀態。這與金風科技近年來不斷加大研發投入、加強內部控制、積極拓展國際市場有很大關系。表2中“高學歷員工比例”和“技術型員工比例”兩個指標呈逐年遞減趨勢，是由于該企業生產規模的快速擴大而導致的人員總數的增加。

2.3.5 模式識別的錯誤率檢驗

將上述計算獲得的值代入式（13）和式（14），求得錯誤率P(e)=2.27%，我們認為最大出錯概率不超過5%為可接受程度。因此，運用上述模型對金風科技知識資本運營風險的預測和預警結論是可在置信的。

表2 金風科技知識資本運營風險預測值部分數據

3 企業知識資本運營風險預測與預警系統

企業知識資本運營風險預測與預警所需數據量大、計算復雜，必須要通過構建信息系統來進行數據處理。這一信息系統由信息采集、危機預測與預警、危機預控與處理三個子系統構成。如圖2所示。（1）信息采集子系統通過手動錄入和自動獲取兩種方式收集信息。企業信息集成平臺將企業內部異構信息整合生成業務數據庫，并通過ETL抽取形成數據倉庫；利用數據倉庫獲取數據，依據動態評價指標庫來明確數據采集范圍。（2）危機預測預警子系統包括信息預測和危機識別兩個主要模塊。預測模塊通過灰預測模型對企業知識資本運營未來趨勢進行預測；危機識別模塊基于對樣本的訓練確立判別規則，并建立分類器對預測值進行警級分類，然后對警級情況進行可視化表示。（3）危機預控與處理子系統是根據對危機預測預警結論，提出干預對策和建議。知識庫是儲存和管理危機案例的數據庫，由案例庫和方案集構成。當本企業知識資本發生危機時，系統從知識庫中尋找相似方案，若既有方案可用，則直接用于解決當前問題；若方案不可用，則運用推理技術產生新方案，并把新方案作為加入知識庫。

4 結語

本文在構建了企業知識資本評價指標體系的基礎上，運用灰預測和模式識別方法建立了企業知識資本風險預測與預警模型，并以上市公司為訓練樣本，進行了應用舉例。同時，為解決該模型數據量大、計算復雜的問題，提出了企業知識資本運營風險預測與預警信息系統的建設方案。本文突破了知識資本評估傳統方法的事后性特點，通過前瞻性的預測、實時性的評估和基于大樣本統計的科學判斷，使企業知識資本的管理更加具有可行性和實用性，提升了企業知識資本的利用效果。應用本模型應注意以下幾點：一是由于評價指標的合理性是確保預測準確性的關鍵，因此在選擇評價指標上應慎重，盡可能選擇具有代表性和關鍵性的指標。同時，應尋找那些在組間差別盡可能大、而在組內差別盡可能小的指標變量。二是本文為簡化處理，設指標變量x呈多元正態分布，若指標變量呈均勻分布、卡方分布等其他函數分布時，也可以類似地求解。三是由于訓練樣本的選擇決定著預警過程中的分類規劃，因此訓練樣本數量應盡可能的多，且分布盡可能均衡，盡可能具有代表性。

[1]Peter F.Drucker.Post-Capitalist Society[M].New York:Harper Collins Publishers Inc.,1993.

[2]Galbraith J.K.The Affluent Society[M].Boston:Houghton Mifflin, 1969.

[3]Galbraith J.K.The Anatomy of Power[M].Boston:Houghton Mifflin,1983.

[4]Edvinsson L.,Sullivan P.Developing a Model for Management Intellectual Capital[J].European Management Journal,1996,4(14).

[5]Edvinsson L.，Malone M.S.Intellectual Capital:Realizing Your Company's True Value by Finding Its Hidden Brainpower[M].New York:Harper Business,1997.

[6]Karl Erik Sveiby.The New Organizational Wealth-Managing and Measuring Knowledge Based Assets[M].Berrett Koehler Publication, 1997.

[7]Ulrich D.Intellectual Capital=Competence×Commitment[J].Sloan Management Review,winter,1998,6(3).

[8]Annie Brooking.Intellectual Capital:Core Asset for the Third Millennium[M].New York:International Thomson Business Press,1996.

[9]Stewart T A.Brainpower:How Intellectual Capital is Becoming America's Most Valuable Asset[J].Fortune,June3,1991.

[10]Thomas A.Stewart.Intellectual Capital-The New Wealth of Organization[M].Doubleday/Currency Publication,1997.

[11]Nick Bontis.Intellectual Capital:An Exploratory Study that Develops Measure and Model[J].Management Decision,1998,36(2).

[12]Hiroyuki Itami,Thomas W.Roehl.Mobilizing Invisible Assets [M].Cambridge:Harvard University Press,1987.

[13]申明.知識資本運營論[M].北京：企業管理出版社，1998.

[14]Griffiths D M,Boisot V.Mole.Strategies for Managing Knowledge Assets:A Tale of Two Companies[J].Technovation,1998,18 (8/9).

[15]Mayo A.The Human Value of the Enterprise:Valuing People as Assets:Monitoring,Measuring,Managing[M].London:Nicholas Brealey Publishing,2001.

[16]Pike S,Roos G.Mathematics and Modern Business Management [J].Journal of Intellectual Capital,2001,2.

[17]Marr B,Gupta G,Pike S.Intellectual Capital and Knowledge Management Effectiveness[J].Management Decision,2003,8

[18]Smit H T,Ankum L A.A Real Options and Game-theoretic Approach to Corporate Investment Strategy under Competition[J]. Financial Management,1993,8.

[19]Kossovksy N.Fair Value of Intellectual Property:an Optionsbased Valuation of Nearly 8000 Intellectual Property Assets[J]. Journal of Intellectual Capital,2002,3.

[20]Stephen Chen.Valuing Intellectual Capital Using Game Theory [J].Journal of Intellectual Capital,2003，4（2）.

[21]韓靜,胡漢輝,吳應宇.基于可拓方法的企業知識資本風險綜合評價研究[J].研究與發展管理,2008,12(6).

[22]付玉,袁林.物元模型在知識資本評價中的應用[J].科技進步與對策,2006,（1）.