中小型高新技術(shù)企業(yè)初創(chuàng)期融資風(fēng)險(xiǎn)評價(jià)——基于模糊支持向量機(jī)融資風(fēng)險(xiǎn)評價(jià)方法

黃祺HUANG Qi

（湖南交通職業(yè)技術(shù)學(xué)院物流管理學(xué)院，長沙410132）

0 引言

目前，對高新技術(shù)企業(yè)融資風(fēng)險(xiǎn)評價(jià)的研究越來越受到學(xué)術(shù)界關(guān)注。蔣尹華、黃洪浪將人工智能中的案例推理技術(shù)運(yùn)用于科技型中小企業(yè)融資風(fēng)險(xiǎn)的預(yù)測過程，通過構(gòu)建融資風(fēng)險(xiǎn)預(yù)測管理案例庫，從算法選擇和關(guān)鍵特征值分析，制定合理方法實(shí)現(xiàn)融資風(fēng)險(xiǎn)預(yù)測管理的智能化[1]。黃德春、徐敏、馬慧妍從IT風(fēng)險(xiǎn)投資項(xiàng)目融資風(fēng)險(xiǎn)識別出發(fā)，建立起了IT風(fēng)險(xiǎn)投資項(xiàng)目融資風(fēng)險(xiǎn)評價(jià)指標(biāo)，并應(yīng)用網(wǎng)絡(luò)層次分析法模型解決評價(jià)過程中指標(biāo)之間的依存和相互支配作用，通過細(xì)分風(fēng)險(xiǎn)的優(yōu)勢度比較，可以得到比較滿意的風(fēng)險(xiǎn)管理指南[2]。黃福寧通過巴特萊特球性檢驗(yàn)（Bartlett Sphericity Test，BST）及因子分析，對技術(shù)創(chuàng)新投融資風(fēng)險(xiǎn)進(jìn)行實(shí)證研究，得到貢獻(xiàn)較高的公共因子以及各個(gè)指標(biāo)對公共因子的貢獻(xiàn)度，從而實(shí)現(xiàn)對指標(biāo)體系的有效篩選[3]。

本文提出了基于模糊支持向量機(jī)的中小型高新技術(shù)企業(yè)初創(chuàng)期融資風(fēng)險(xiǎn)評價(jià)方法，在分析融資風(fēng)險(xiǎn)多樣化、復(fù)雜化的同時(shí)研究融資問題的模糊邊界，巧妙地解決了維數(shù)問題，將風(fēng)險(xiǎn)的復(fù)雜非線性問題轉(zhuǎn)化為高維線性空間中的簡單問題，增強(qiáng)了風(fēng)險(xiǎn)評價(jià)的可靠性和控制力，為其控制與規(guī)避融資風(fēng)險(xiǎn)提供了參考依據(jù)。

1 中小型高新技術(shù)企業(yè)融資風(fēng)險(xiǎn)評價(jià)指標(biāo)體系

本文綜合國內(nèi)外中小型高新技術(shù)企業(yè)融資實(shí)踐中遇到的風(fēng)險(xiǎn)，運(yùn)用層析分析法將中小型高新技術(shù)企業(yè)初創(chuàng)期融資風(fēng)險(xiǎn)分為3個(gè)基本類型和10個(gè)小類[3-4]，其風(fēng)險(xiǎn)指標(biāo)體系如表1所示。

2 中小型高新技術(shù)企業(yè)初創(chuàng)期融資風(fēng)險(xiǎn)評價(jià)模型構(gòu)建

表1 中小型高新技術(shù)企業(yè)初創(chuàng)期融資風(fēng)險(xiǎn)評價(jià)指標(biāo)體系

式中FSVM中使用的懲罰因子常數(shù)C與標(biāo)準(zhǔn)SVM相比，si越小，ξi可以更大，則說明相應(yīng)的樣本xi對優(yōu)化問題（1）所起的作用就越小。

求解最優(yōu)化模型（1），可以先構(gòu)造下面的拉格朗日函數(shù)，即：

根據(jù)KKT條件，可以得到：

將方程式（3）、（4）和（5）帶入（2），則求最優(yōu)化問題（1）變成求解下面的二次規(guī)劃問題：

可以利用某一個(gè)支持向量機(jī)可得到：

得到模糊最優(yōu)分類函數(shù)：

從互補(bǔ)松弛條件（7）可以看出αi=0對應(yīng)的訓(xùn)練樣本點(diǎn)xi是被完全正確分類，0<αi

3 基于模糊支持向量的物流企業(yè)融資風(fēng)險(xiǎn)評價(jià)實(shí)證分析

評價(jià)樣本選取來自于2011-2013年某商業(yè)銀行524家中小型高新技術(shù)企業(yè)貸款數(shù)據(jù)，采用基于模糊支持向量機(jī)的方法對融資風(fēng)險(xiǎn)進(jìn)行評價(jià)。在FSVM中，每一個(gè)樣本不再精確屬于兩類中的哪一類，即每個(gè)風(fēng)險(xiǎn)樣本有一個(gè)模糊區(qū)間0

其中，1，-1分別表示訓(xùn)練樣本中接受與拒絕的樣本數(shù)。設(shè)中小型高新技術(shù)企業(yè)初創(chuàng)期融資風(fēng)險(xiǎn)因素中模糊支持向量機(jī)輸入變量為15個(gè)，輸出變量為1個(gè)。從樣本資料中選擇141個(gè)接受和379個(gè)拒絕樣本。設(shè)實(shí)驗(yàn)參數(shù)為：C=2，ξ=0.001，σ=3，利用改進(jìn)的粒子群優(yōu)化模糊支持向量機(jī)的核參數(shù)和懲罰因子，從而獲得最優(yōu)的核參數(shù)和懲罰因子。

圖1 改進(jìn)的粒子群獲得最優(yōu)FSVM的核參數(shù)和懲罰參數(shù)

圖2 在最優(yōu)核參數(shù)和懲罰參數(shù)下FSVM與SVM的精度比較

通過對比模糊支持向量機(jī)與標(biāo)準(zhǔn)支持向量機(jī)方法，并結(jié)合圖1可以看出，模型的核參數(shù)選擇非常關(guān)鍵，利用改進(jìn)的粒子群算法優(yōu)化模糊支持向量機(jī)數(shù)據(jù)描述的核參數(shù)，可以有效提高模糊支持向量機(jī)描述的泛化能力，從而界定風(fēng)險(xiǎn)模糊邊界，以反映風(fēng)險(xiǎn)變化和控制訓(xùn)練樣本規(guī)模。

4 結(jié)論

①針對中小型高新技術(shù)企業(yè)融資過程中存在的模糊性和不確定性，提出基于模糊支持向量機(jī)的融資風(fēng)險(xiǎn)評價(jià)方法。

②通過改進(jìn)的粒子群算法獲得FSVM的最優(yōu)懲罰參數(shù)和核參數(shù)。采用該方法對中小型高新技術(shù)企業(yè)初創(chuàng)期融資風(fēng)險(xiǎn)過程進(jìn)行評價(jià)的實(shí)驗(yàn)結(jié)果表明，該方法能有效對融資風(fēng)險(xiǎn)進(jìn)行評價(jià)，為防范和規(guī)避融資風(fēng)險(xiǎn)提供依據(jù)。

[1]蔣尹華，黃洪浪.基于案例推理（CBR）的科技型中小企業(yè)融資風(fēng)險(xiǎn)研究[J].中國高新技術(shù)企業(yè)，2014（3）：160-163.

[2]黃德春，徐敏，馬慧妍.基于ANP（Analytic Network Process）的IT風(fēng)險(xiǎn)投資項(xiàng)目的融資風(fēng)險(xiǎn)評價(jià)研究[J].科技與經(jīng)濟(jì)，2011，（1）：71-74.

[3]黃福寧.構(gòu)建技術(shù)創(chuàng)新投融資風(fēng)險(xiǎn)評價(jià)有效指標(biāo)體系的實(shí)證研究[J].同濟(jì)大學(xué)學(xué)報(bào)（社會科學(xué)版），2009（8）：114-116.

[4]黃德紅，郭蓉.成長期科技型中小企業(yè)財(cái)務(wù)特征及融資策略研究[J].財(cái)會研究，2013（11）：51-52.