醫藥類風險投資項目評估中AHP-ANN模型應用研究

ZhaoYiFan

摘 要：本文基于人工神經網絡理論，吸收了層次分析法確定權值的方法，從理論的角度上，提出了一個新的基于AHP-ANN模型的對醫藥類風險投資項目進行評估的系統化、定量化的方法，與現有的評估方法相比具有優越性，也為風險投資評估機構提供了較為可靠和可操作的參照方法，具有良好的現實指導意義。

關鍵詞：醫藥類 風險投資項目 AHP-ANN模型

醫藥類高科技領域是風險投資關注的三大領域之一。醫藥類風險投資項目評估就是指風險投資公司對醫藥類高科技項目進行綜合評估以決定是否對其投入風險資金幫助其發展壯大。它是風險投資運作過程中的一個重要階段，起著承上啟下的作用。風險投資的成功與否，基本上取決于對風險投資項目的篩選和評估，它直接影響著風險投資決策行為。因此。如何提高風險投資項目選擇的準確性，降低投資風險是所有風險投資公司都在關心和研究的問題。

近年來，關于風險投資項目評估的工作，許多專家、學者都作了大量的研究。在傳統的投資項目評估的基礎上，不同程度考慮了風險投的特點，對風險投資項目評估做出了積極的貢獻。目前，項目評估方法主要有：非貼現法、貼現法專家法、層次分析法、決策樹方法、模糊數學和期權定價模型等。但是，還沒有形成一種權威的針對醫藥類高科技項目的評估方法。比較以上的評估方法，可能也沒有哪-種是最適合醫藥類項目評估的。正是由于不同的評估方法各有利弊，而且醫藥類風險投資項目又有其自身的特殊性，所以對多種評估方法綜合應用將有利于更加正確的進行醫藥類高科技項目評估。因此，本文就提出將層次分析法與人工神經網絡相結合進行醫藥類高科技項目評估。

層次分析法（Analytic Hierarchy Porcess簡稱AHP）和人工神經網絡（Artifieial Neural Nerworks簡稱ANN）都是系統化的研究方法。AHP是一套綜合的評估系統，當決策者對多目標、多準測、多位決策者參與進行決策時，它可以用來處理直覺、理性或非理性的決策問題。

ANN則是模擬人腦神經元的-種計算方法，用于模擬人類大腦神經網絡的結構和行為，通過樣本的學習達到對指定問題的識別。盡管AHP和ANN都可以單獨對風險投資的項目進行評估。但是都有-定的局限性。所以，本文設計將這兩種方法有機的組合起來，取長補短，以期獲得整合之功效。從理論上分析，構建醫藥類風險投資項目評估AHP-ANN模型將有以下優點。

（1）保持了AHP在方案大體確定的問題中優選的特點，可以首先得到人們對研究問題在主觀認識上的-組粗略的優劣排序。（2）AHP-ANN模型具有很強的非線性映射能力，學習經驗的能力強，分類、預測準確度高。（3）AHP-ANN模型自適應能力很強，能不斷地接受新樣本、不斷學習，以調整模型。從而可以不斷更新滾動數據來訓練模型，形成動態評估過程，使評估結果更準確。（4）AHP-ANN模型仍然保持了AHP和ANN共有的系統性、實用性簡潔性等特點。

一、構建風險投資項目評估的AHP-ANN模型

（1）建立風險投資項目評估層次結構模型

層次分析法是20世紀70年代由著名運籌學家TL.satty提出的。層次分析法是運用系統分析思想把復雜的問題分成若干聯系的、有序的層次，對每一層次的相關因素進行比較分析，把各個因素的相對重要性定量化，再利用數學方法決定全部因素的重要性次序，并輔之以一致性檢驗，以保證評價人的思維判斷符合實際，從而為選擇最優方案提供依據的-種多目標評價方法。風險投資項目評估中需要考慮的因素非常多，歸納起來主要有以下幾個方面：管理因素，技術和產品因素、市場和環境因素、財務因素。醫藥類高新技術企業又有著不同于其它類型高新企業的特點。一般說來，有效的醫藥產品消費彈性比較低，受宏觀經濟波動及社會因素影響比較小。

本文參考目前風險投資公司進行項目評價時的選取的主要指標，通過有關方面專家和風險投資機構的判斷、打分，并且結合醫藥行業的自身發展規律和發展特點，從眾多評價因素中選取了n個較為關鍵的評估因素作為AHP的方案層，分別是：管理者的經驗與業績，經營團隊的合作性，技術成熟程度，產品技術含量，產品競爭力，市場增長潛力，市場需求，社會經濟景氣程度，國家經濟及產業政策，預期投資報酬率，資金使用計劃合理性。

（2）構建AHP-ANN評估模型

人工神經網絡是一個非線性動力學系統，由大量本身很簡單的處理單元廣泛地互相連接而形成。這種系統在經過輸人樣本和預期理想輸出按一定訓練算法和足夠次數的訓練中，不斷學習知識，在訓練完成后，系統便可以求解相同的問題。在本模型中選擇BP網絡作為神經網絡部分。反向傳播神經網絡（Backpropagation簡稱BP網絡）是最著名的多層神經網絡的訓練方法，具有較好的自學習、自聯想功能。

BP網絡由三個神經元層次組成，分別是輸入層、隱含層、輸出層，各層次神經元相互聯接，各層次內的神經元不存在相互聯接。BP網絡學習過程由四部分組成，由翰人層經隱層向輸出層的

“正向傳播”過程，網絡的實際輸出與期望輸出之差的誤差由輸出層經隱層至輸入層，逐層修正數值的“誤差反向傳播”，通過“正、逆傳播”反復交替，進行的網絡“記憶訓練”，使得網絡收斂及網絡的全面誤差趨向極小值的“學習”過程。

二 模型的應用體會

如前所述，AHP-ANN模型為11-22-1的網絡拓撲結構，本文選擇10個樣本進行學習，另備5個樣用來檢驗模型的精度。

當網絡訓練成功后，固定模型的權值和鬧值，便可用于項目評價中。通過實際應用與比較。就本文提出的醫藥類高新技術項目評估方法還得到如下體會：

（1）本文模型首先在專家評議的基礎上，利用AHP分析法獲得了專家對項目的各關鍵因素的關注程度，從而獲得重要度權值，這種權值對于后續的應用有著重大的意義。

（2）本文模型的輸人數組由1個量組成。確定每一數組的理想輸出往往不太容易。因此考慮到-致性，訓練樣本數并非越多越好。因此樣本及樣本數的選擇非常重要。

（3）本模型在實際應用時，所采集的輸人數據來源于專家的評分。但是由于專家自身的某些局限性，可能對最終評估結果帶來影響。所以，怎樣組成最科學的專家組還有待在實踐中進-步探索。

（4）為了使評價結果更加的直觀，本模型將最終輸出與評估優良等級相對應。便于決策者更好的以此為依據進行決策。

參考文獻

[1]程巖，解帆。基于不精確信息的科研項目評估的群決策模型研究[J]。科學學與科學技術管理。2003，（2）