基于樣本加權(quán)SVM的科技型企業(yè)融資風(fēng)險(xiǎn)預(yù)警研究

（南京航空航天大學(xué)經(jīng)濟(jì)與管理學(xué)院，南京 211106）

引 言

在科技水平和產(chǎn)業(yè)革命快速發(fā)展、經(jīng)濟(jì)結(jié)構(gòu)迅速轉(zhuǎn)型的環(huán)境下，科技創(chuàng)新對(duì)經(jīng)濟(jì)發(fā)展的驅(qū)動(dòng)作用越來越明顯。2016年我國出臺(tái) 《國家創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略綱要》，提出 “三步走”戰(zhàn)略，在2020年進(jìn)入創(chuàng)新型國家行列，創(chuàng)新驅(qū)動(dòng)發(fā)展上升為國家戰(zhàn)略。在經(jīng)濟(jì)環(huán)境與政策的雙重導(dǎo)向下，科技型企業(yè)將成為產(chǎn)業(yè)結(jié)構(gòu)向高質(zhì)量轉(zhuǎn)型的沖鋒軍，并可能成為新經(jīng)濟(jì)增長點(diǎn)。

但是作為技術(shù)創(chuàng)新成果轉(zhuǎn)化的力量，科技型企業(yè)具有前期投入高、創(chuàng)新投資轉(zhuǎn)化時(shí)間長、投資回報(bào)高的特點(diǎn)，并且創(chuàng)新能力及創(chuàng)新成果轉(zhuǎn)化也存在諸多不確定性［1］。前期投入高、回報(bào)時(shí)間長的特征使金融機(jī)構(gòu)在降低自身風(fēng)險(xiǎn)的前提下，會(huì)提高科技型企業(yè)的融資門檻，帶來融資渠道少、融資成本高的問題。創(chuàng)新成果轉(zhuǎn)化的不確定性可能直接導(dǎo)致企業(yè)無法及時(shí)償付債務(wù)資本，較低的償債能力進(jìn)一步導(dǎo)致融資難度增加，資金循環(huán)進(jìn)入不良狀態(tài)［2］。因此，及時(shí)識(shí)別和預(yù)警融資風(fēng)險(xiǎn)，對(duì)科技型企業(yè)資金內(nèi)部流動(dòng)的良性循環(huán)起到重要作用。

近年來，國內(nèi)外學(xué)者對(duì)科技型企業(yè)融資問題的關(guān)注越來越多。國外學(xué)者主要從融資結(jié)構(gòu)理論和融資需求理論方面展開研究［3］。國內(nèi)學(xué)者主要關(guān)注于科技型企業(yè)融資難融資貴的問題，并以此為背景，針對(duì)融資現(xiàn)狀與特點(diǎn)、融資渠道、融資風(fēng)險(xiǎn)、融資效率的測度等多方面進(jìn)行研究。

針對(duì)科技型企業(yè)融資風(fēng)險(xiǎn)，學(xué)者們主要從風(fēng)險(xiǎn)的識(shí)別、度量和預(yù)警三方面進(jìn)行研究。束蘭根從生命周期的角度，研究科技型企業(yè)在種子期、初創(chuàng)期、成長期、成熟期和衰退期所面臨的融資風(fēng)險(xiǎn)［4］，劉玉敏等從融資方式的角度，研究債務(wù)融資、股權(quán)融資及內(nèi)源融資3種方式對(duì)企業(yè)融資風(fēng)險(xiǎn)的影響［5］。耿成軒等引入生態(tài)經(jīng)濟(jì)學(xué)的思想，從融資內(nèi)生態(tài)和融資外生態(tài)的角度，對(duì)企業(yè)融資問題展開研究［6］。王玉冬等在生態(tài)學(xué)的基礎(chǔ)上，基于資金在企業(yè)內(nèi)部的循環(huán)，從資金來源、使用、償還和分配4個(gè)維度，構(gòu)建了創(chuàng)新資金配置風(fēng)險(xiǎn)的評(píng)價(jià)體系［7］。

針對(duì)融資風(fēng)險(xiǎn)預(yù)警指標(biāo)的選取，譚超將文化類企業(yè)融資風(fēng)險(xiǎn)的影響因素總結(jié)為以下8個(gè)方面：管理風(fēng)險(xiǎn)、融資結(jié)構(gòu)、融資規(guī)模、融資成本、無形資產(chǎn)比率、營運(yùn)風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)和投資風(fēng)險(xiǎn)［8］。方先明和蘇曉珺對(duì)科技型企業(yè)融資風(fēng)險(xiǎn)進(jìn)行分類，分為市場風(fēng)險(xiǎn)、環(huán)境風(fēng)險(xiǎn)、生產(chǎn)經(jīng)營風(fēng)險(xiǎn)以及財(cái)務(wù)風(fēng)險(xiǎn)，綜合考慮了企業(yè)內(nèi)外部環(huán)境的影響［9］。

針對(duì)風(fēng)險(xiǎn)預(yù)警模型的研究，主要分為兩大類：（1）傳統(tǒng)的統(tǒng)計(jì)學(xué)方法，包括單一財(cái)務(wù)比率法、多元判別模型以及Logistic回歸模型； （2）基于數(shù)據(jù)驅(qū)動(dòng)及機(jī)器學(xué)習(xí)的思想，將人工智能的方法運(yùn)用到風(fēng)險(xiǎn)預(yù)警中，包括神經(jīng)網(wǎng)絡(luò)、遺傳算法、決策樹、以及支持向量機(jī)等。上世紀(jì)60年代，Beaver［10］提出利用單一財(cái)務(wù)比率來預(yù)測企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的方法，隨后，美國學(xué)者Altman［11］提出了多元判別分析模型 （MDA），該模型利用企業(yè)的各項(xiàng)財(cái)務(wù)指標(biāo)，分別設(shè)置權(quán)重構(gòu)建判別函數(shù)。Martin［12］利用Logistic回歸模型預(yù)測銀行破產(chǎn)的概率。Logistic回歸模型假設(shè)因變量與自變量之間不存在非線性函數(shù)關(guān)系，且各自變量之間無多重共線性，當(dāng)樣本數(shù)據(jù)不滿足這些假設(shè)時(shí)，預(yù)測結(jié)果將受到影響。 Rick和Sharda［13］最早將神經(jīng)網(wǎng)絡(luò) （ANN）運(yùn)用到企業(yè)財(cái)務(wù)困境中，以等量的破產(chǎn)公司和財(cái)務(wù)健康公司為樣本，選取Altman的5項(xiàng)財(cái)務(wù)指標(biāo)為預(yù)測變量，通過神經(jīng)網(wǎng)絡(luò)模型分析企業(yè)破產(chǎn)前1年的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率達(dá)到79.5%。支持向量機(jī) （SVM）適合處理小樣本、非線性及高維數(shù)據(jù)，目前，該方法主要應(yīng)用于模式識(shí)別、分類對(duì)比以及回歸估計(jì)等方面［14］。徐國祥和楊振建利用主成分分析法降低指標(biāo)間的相關(guān)性，通過遺傳算法完成對(duì)懲罰系數(shù)C和核函數(shù)參數(shù)的動(dòng)態(tài)尋優(yōu)，構(gòu)建了PCA-GA-SVM模型對(duì)滬深300指數(shù)進(jìn)行預(yù)測［15］。吳沖等利用模糊C均值聚類 （FCM）與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法預(yù)測企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)，使用優(yōu)化后的FCM對(duì)樣本進(jìn)行選擇，解決了神經(jīng)網(wǎng)絡(luò)平滑參數(shù)的確定問題［16］。 楊海軍和太雷［17］運(yùn)用模糊C均值算法，為樣本點(diǎn)賦予不同權(quán)重以確定每個(gè)樣本的隸屬度，實(shí)證證明增加了樣本隸屬度后的支持向量機(jī)解決了傳統(tǒng)SVM過擬合以及經(jīng)驗(yàn)風(fēng)險(xiǎn)升高的問題。

綜上，我國對(duì)科技型企業(yè)融資風(fēng)險(xiǎn)的研究切入角度較多，對(duì)比企業(yè)不同生命周期、分析不同融資方式、分別考慮內(nèi)外部環(huán)境對(duì)融資風(fēng)險(xiǎn)的影響，從時(shí)間空間、縱向橫向都有全面研究。融資預(yù)警指標(biāo)主要集中于企業(yè)財(cái)務(wù)指標(biāo)，部分研究會(huì)增加融資結(jié)構(gòu)、融資成本以及公司治理指標(biāo)。學(xué)者們對(duì)預(yù)警模型的改進(jìn)和創(chuàng)新較多，往往使用多個(gè)模型的組合方式，克服單一模型的不足。但是，以上研究大多從靜態(tài)的角度分析融資風(fēng)險(xiǎn)的影響因素，而資金通常以資金流這一動(dòng)態(tài)形式存在于企業(yè)內(nèi)部，對(duì)于科技型企業(yè)，其融資成本及結(jié)構(gòu)會(huì)影響企業(yè)的創(chuàng)新能力和經(jīng)營成果，創(chuàng)新能力及成果轉(zhuǎn)化水平會(huì)進(jìn)一步影響企業(yè)債務(wù)資金的償還能力，良好的償債能力和盈利能力又會(huì)拓寬企業(yè)的融資渠道，降低融資成本，當(dāng)資金在企業(yè)內(nèi)部實(shí)現(xiàn)良性循環(huán)時(shí)，融資風(fēng)險(xiǎn)就會(huì)保持在安全水平。在支持向量機(jī)預(yù)警模型優(yōu)化方面，更多研究是針對(duì)懲罰系數(shù)與核函數(shù)參數(shù)的優(yōu)化，很少考慮隸屬度的優(yōu)化問題，即認(rèn)為每個(gè)數(shù)據(jù)點(diǎn)都具有相同的重要性，但是實(shí)際上，對(duì)位于類中心和偏離較大的樣本，這兩類樣本數(shù)據(jù)的重要程度是存在差異的。

因此，本文以資金流在企業(yè)內(nèi)部循環(huán)過程作為切入點(diǎn)，從資金籌集風(fēng)險(xiǎn)、資金使用風(fēng)險(xiǎn)以及資金償還風(fēng)險(xiǎn)3個(gè)維度出發(fā)，構(gòu)建科技型企業(yè)融資風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，在預(yù)警模型方面，對(duì)傳統(tǒng)支持向量機(jī)模型加以改進(jìn)，利用模糊C均值聚類產(chǎn)生類中心，計(jì)算各樣本點(diǎn)到類中心的距離，實(shí)現(xiàn)對(duì)樣本的賦權(quán)，構(gòu)建樣本加權(quán)支持向量機(jī)模型，同時(shí)將改進(jìn)后的模型推廣至多分類問題，最后將其應(yīng)用于融資風(fēng)險(xiǎn)預(yù)警的實(shí)證分析中，以驗(yàn)證優(yōu)化改進(jìn)后的多分類樣本加權(quán)支持向量機(jī)具有更優(yōu)的預(yù)測能力。與以往文獻(xiàn)相比，本文具有三方面可能的創(chuàng)新點(diǎn)：（1）對(duì)企業(yè)融資風(fēng)險(xiǎn)預(yù)警不僅僅局限于一個(gè)時(shí)段，而是從動(dòng)態(tài)的角度進(jìn)行全局全面預(yù)警，相應(yīng)地，在預(yù)警指標(biāo)選取上，基于企業(yè)內(nèi)資金循環(huán)的過程，構(gòu)建出動(dòng)態(tài)化的融資風(fēng)險(xiǎn)預(yù)警指標(biāo)體系；（2）在預(yù)警模型優(yōu)化方面，不僅對(duì)懲罰系數(shù)和核函數(shù)參數(shù)進(jìn)行優(yōu)化，而且也對(duì)樣本隸屬度進(jìn)行優(yōu)化，為不同樣本點(diǎn)賦予不同權(quán)重，以區(qū)分位于類中心和偏離中心的點(diǎn)；（3）在以往二分類的基礎(chǔ)上實(shí)現(xiàn)三分類，在高風(fēng)險(xiǎn)與安全狀態(tài)之間增加低風(fēng)險(xiǎn)這一過渡期，能夠在企業(yè)未達(dá)到高風(fēng)險(xiǎn)狀態(tài)時(shí)及時(shí)識(shí)別，使預(yù)測更加及時(shí)有效。本文的技術(shù)路線圖如下。

圖1 技術(shù)路線圖

1 融資風(fēng)險(xiǎn)預(yù)警指標(biāo)體系設(shè)計(jì)

學(xué)者們普遍認(rèn)為融資風(fēng)險(xiǎn)是資金在籌集和償還過程中，由于信息不對(duì)稱以及對(duì)自身認(rèn)識(shí)不足，導(dǎo)致籌措資金或償還本息面臨不確定性。本文在此基礎(chǔ)上，從動(dòng)態(tài)的角度對(duì)企業(yè)資金流動(dòng)全局全面預(yù)警，考慮了資金在企業(yè)內(nèi)部流動(dòng)的過程，即資金循環(huán)形成的資金鏈。企業(yè)的生產(chǎn)運(yùn)營需要獲得充足的資金支持，尤其是前期投入較大的科技型企業(yè)，資金籌集過程中的融資結(jié)構(gòu)和融資成本直接對(duì)生產(chǎn)經(jīng)營產(chǎn)生影響，經(jīng)營活動(dòng)中資金的配置和使用效率的不確定性會(huì)使企業(yè)面臨資金使用風(fēng)險(xiǎn)，當(dāng)資金在企業(yè)內(nèi)部完成循環(huán)，最終以償還債務(wù)或者利潤分配的形式流出企業(yè)，由于股權(quán)融資不具有強(qiáng)制償還性，此時(shí)，企業(yè)更多地面臨債務(wù)資金償還風(fēng)險(xiǎn)。同時(shí)，資金循環(huán)的3個(gè)階段具有動(dòng)態(tài)聯(lián)動(dòng)性，流入鏈、運(yùn)營鏈和償還鏈可以相互影響、相互促進(jìn)，形成良性的循環(huán)過程，而任何一環(huán)節(jié)風(fēng)險(xiǎn)過高，都會(huì)導(dǎo)致整條資金鏈斷裂。因此，本文基于動(dòng)態(tài)資金流的視角，認(rèn)為科技型企業(yè)融資風(fēng)險(xiǎn)主要是指難以適度成本籌集足夠資金、債務(wù)資本到期無法及時(shí)償還以及資金在創(chuàng)新成果轉(zhuǎn)化過程中存在的不確定性。

1.1 科技型企業(yè)融資風(fēng)險(xiǎn)的影響因素及預(yù)警指標(biāo)

構(gòu)建融資風(fēng)險(xiǎn)預(yù)警指標(biāo)是準(zhǔn)確預(yù)警的重要基礎(chǔ)，根據(jù)上述分析，本文從企業(yè)資金籌集過程、資金使用過程以及資金償還過程3個(gè)階段分析科技型企業(yè)融資風(fēng)險(xiǎn)的影響因素。

（1）資金籌集風(fēng)險(xiǎn)

資金籌集風(fēng)險(xiǎn)是指企業(yè)在籌資活動(dòng)中由于資本結(jié)構(gòu)不合理或融資成本過高而導(dǎo)致的不確定性。根據(jù)動(dòng)態(tài)資本結(jié)構(gòu)權(quán)衡理論，企業(yè)存在一個(gè)區(qū)間式的最優(yōu)資本結(jié)構(gòu)，且該最優(yōu)資本結(jié)構(gòu)與企業(yè)價(jià)值存在一定關(guān)聯(lián)。科技型企業(yè)的蓬勃發(fā)展離不開資金支持，當(dāng)企業(yè)增長速度高于其可持續(xù)增長率時(shí)，需要外部融資額作為補(bǔ)充，融資規(guī)模不足會(huì)制約企業(yè)發(fā)展，被迫放緩其成長速度，而過剩的資金會(huì)提高企業(yè)的融資成本。不同融資方式下的融資成本不同，通常股權(quán)融資成本高于債務(wù)融資，本文利用資本資產(chǎn)定價(jià)模型求得加權(quán)平均資本成本作為衡量指標(biāo)。投資者在考慮未來投資回報(bào)的同時(shí)也要進(jìn)行風(fēng)險(xiǎn)控制，項(xiàng)目風(fēng)險(xiǎn)越高，投資者要求的報(bào)酬率越高，企業(yè)將付出更高的成本，因此，采用企業(yè)風(fēng)險(xiǎn)系數(shù)β值作為風(fēng)險(xiǎn)水平的測度。

（2）資金使用風(fēng)險(xiǎn)

資金使用風(fēng)險(xiǎn)是指資金在企業(yè)內(nèi)部流通中由于配置不合理導(dǎo)致經(jīng)營成果在規(guī)模和質(zhì)量上未達(dá)到目標(biāo)值。科技型企業(yè)集人才密集型和技術(shù)密集型為一體，研發(fā)人員的數(shù)量和質(zhì)量是創(chuàng)新的基礎(chǔ)，研發(fā)費(fèi)用占銷售額的比重也是衡量創(chuàng)新投入的指標(biāo)，該比率達(dá)到2%，企業(yè)才可生存，達(dá)到5%，在行業(yè)中才具有競爭力［18］，先進(jìn)的設(shè)備投入為創(chuàng)新提供硬件支持，因此，本文從人力資源、財(cái)力資源和設(shè)備資源三方面的投入和配置衡量創(chuàng)新投入水平。科技型企業(yè)的創(chuàng)新成果直接表現(xiàn)為無形資產(chǎn)和專利技術(shù)，這兩項(xiàng)指標(biāo)是過去創(chuàng)新能力的產(chǎn)物，而管理水平?jīng)Q定了企業(yè)能否從戰(zhàn)略層面計(jì)劃和組織創(chuàng)新活動(dòng)，是企業(yè)未來創(chuàng)新水平的體現(xiàn)，因此，本文用無形資產(chǎn)比率、人均專利技術(shù)和發(fā)明以及管理水平衡量創(chuàng)新實(shí)現(xiàn)水平。企業(yè)經(jīng)營成果最終表現(xiàn)形式是收益水平，較高的利潤水平使企業(yè)在債務(wù)資金償還方面以及股權(quán)融資吸引力方面具有優(yōu)勢(shì)，因此，選取凈資產(chǎn)收益率和營業(yè)利潤率反映盈利水平。

（3）資金償還風(fēng)險(xiǎn)

資金償還風(fēng)險(xiǎn)是指由于償債能力不足或者資金供應(yīng)不足導(dǎo)致債務(wù)資本到期無法及時(shí)償還而使企業(yè)在經(jīng)營中面臨的不確定性。企業(yè)償還能力直接關(guān)系到能否持續(xù)經(jīng)營，若無法償還債務(wù)，可能面臨訴訟風(fēng)險(xiǎn)，甚至被迫破產(chǎn)，也會(huì)對(duì)企業(yè)的信用評(píng)級(jí)以及企業(yè)聲譽(yù)產(chǎn)生負(fù)面影響，導(dǎo)致企業(yè)再融資的難度增加，良性循環(huán)鏈被打破。除了具備良好的償債能力，企業(yè)的現(xiàn)金支付能力決定著償債的可行性，變現(xiàn)水平較差同樣會(huì)導(dǎo)致資金鏈在償還環(huán)節(jié)斷裂。因此，在指標(biāo)選取上，考慮了企業(yè)的長期和短期償債能力、應(yīng)收賬款的變現(xiàn)水平以及現(xiàn)金流量相關(guān)指標(biāo)。

基于以上對(duì)融資風(fēng)險(xiǎn)影響因素的分析，本文從資金籌集風(fēng)險(xiǎn)、資金使用風(fēng)險(xiǎn)以及資金償還風(fēng)險(xiǎn)三方面構(gòu)建如表1所示預(yù)警指標(biāo)。

表1 科技型企業(yè)融資風(fēng)險(xiǎn)預(yù)警指標(biāo)

其中，技術(shù)密集度采用固定資產(chǎn)原值與年均職工人數(shù)的比值確定。

1.2 融資風(fēng)險(xiǎn)等級(jí)的確定

在企業(yè)財(cái)務(wù)危機(jī)預(yù)警的相關(guān)研究中，通常以企業(yè)是否被ST為劃分依據(jù)，將企業(yè)分為財(cái)務(wù)困境和財(cái)務(wù)健康兩類，但這種劃分方式忽略了企業(yè)財(cái)務(wù)狀況從健康轉(zhuǎn)到危機(jī)的過程，因此，本文將風(fēng)險(xiǎn)等級(jí)分為3類：高風(fēng)險(xiǎn)狀態(tài)、低風(fēng)險(xiǎn)狀態(tài)以及安全狀態(tài)。

確定融資風(fēng)險(xiǎn)等級(jí)常用的方法包括：層次分析法、專家評(píng)價(jià)法以及熵權(quán)法。熵權(quán)法相比于層次分析法和專家評(píng)價(jià)法，可以對(duì)指標(biāo)量化處理，且賦權(quán)過程中克服了主觀隨意性［19］，因此本文采用熵權(quán)法，具體步驟如下：

對(duì)n個(gè)樣本，m個(gè)指標(biāo)，其數(shù)據(jù)集為R＝｛xij｝，xij為第i個(gè)樣本， 第j個(gè)指標(biāo)， 其中i＝1，2，3，…，n；j＝1，2，3，…，m。

由于各指標(biāo)單位不統(tǒng)一，在指標(biāo)間運(yùn)算時(shí)，先進(jìn)行歸一化。

對(duì)于極大型指標(biāo)：

對(duì)于極小型指標(biāo)：

計(jì)算第i個(gè)樣本的第j個(gè)指標(biāo)的權(quán)重：

不過，與其他城市相比，一線城市居民即便房租漲幅最大，他們也不太愿意降低母嬰消費(fèi)品的檔次，愿意降低的占比雖有41%，但遠(yuǎn)低于新一線城市的57%、三線城市的66%。

計(jì)算第j個(gè)指標(biāo)的信息熵ej，dj為指標(biāo)的信息效用值，該指標(biāo)越大，說明指標(biāo)重要性越高：

計(jì)算第j個(gè)指標(biāo)的熵權(quán)Wj以及各樣本的綜合得分F。

根據(jù)綜合得分F，將樣本三等分，分別代表安全狀態(tài)、低風(fēng)險(xiǎn)狀態(tài)以及高風(fēng)險(xiǎn)狀態(tài)。

2 基于樣本加權(quán)支持向量機(jī)的融資風(fēng)險(xiǎn)預(yù)警模型

企業(yè)融資風(fēng)險(xiǎn)受多項(xiàng)指標(biāo)影響，具有特征維度高的特點(diǎn)，支持向量機(jī)適合解決小樣本、高維度及非線性識(shí)別問題，且具有良好的泛化能力，因此，本文主要采用支持向量機(jī)的方法構(gòu)建預(yù)警模型。

2.1 SVM模型

支持向量機(jī) （SVM）是通過建立一個(gè)分類超平面，將樣本分為正負(fù)兩類。不同于傳統(tǒng)機(jī)器學(xué)習(xí)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的目標(biāo)，SVM的目標(biāo)是最大化分類邊界，在保證經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的基礎(chǔ)上最小化置信范圍，達(dá)到結(jié)構(gòu)風(fēng)險(xiǎn)最小化的目標(biāo)。

支持向量機(jī)的目標(biāo)函數(shù)如下：

為了求解w，將原問題轉(zhuǎn)為以W為目標(biāo)函數(shù)的對(duì)偶問題，并引入拉格朗日乘子αi：

對(duì)于任意樣本點(diǎn)xi，SVM的分類判別模型為：

其中，αi為拉格朗日乘子。

在支持向量機(jī)中，C為確定的常數(shù)，這就使得不同樣本被賦予相同的懲罰度。但是企業(yè)融資風(fēng)險(xiǎn)會(huì)受非定性指標(biāo)的影響，或者短期受到突發(fā)性事件的影響，這些難以衡量的因素僅存在于少數(shù)公司中，使得數(shù)據(jù)中存在具有特殊性的樣本，為了盡量減少此類樣本的干擾，根據(jù)每個(gè)樣本點(diǎn)相對(duì)于這一類別的重要程度，對(duì)每一樣本賦予不同的權(quán)重，以排除野點(diǎn)或噪聲的影響，提高分類的準(zhǔn)確性。

本文采用樣本加權(quán)支持向量機(jī)，其原理是通過給不同樣本賦予不同權(quán)重，從而弱化不重要樣本點(diǎn)對(duì)分類結(jié)果的影響，在最大化分類間隔的同時(shí)，最小化分類誤差，其二次規(guī)劃形式如下：其中，ti代表每一樣本重要程度的權(quán)重，權(quán)重ti越大，意味著第i個(gè)樣本點(diǎn)對(duì)模型分類的影響越大。

支持向量機(jī)最初用于二分類問題，通過超平面將樣本分為 “正例”和 “負(fù)例”兩類，將SVM從二分類推廣到多分類，可以通過構(gòu)造多個(gè)分類器來實(shí)現(xiàn)，常用的方法有一對(duì)一的方法 （1-v-1）、一對(duì)多的方法 （1-v-r）以及二叉樹分類法（SVMDT）。本文將融資風(fēng)險(xiǎn)等級(jí)設(shè)為3級(jí)，采用1-v-1的模式構(gòu)建三分類支持向量機(jī)。首先，分別在類1和類2、類2和類3、類1和類3之間構(gòu)建3個(gè)分類器；接著，用以上3個(gè)分類器對(duì)測試數(shù)據(jù)進(jìn)行預(yù)測，對(duì)于任意一個(gè)樣本點(diǎn)均有3個(gè)分類器對(duì)其投票，最終被劃分為哪一類，取決于哪一類的票數(shù)最多。

2.2 傳統(tǒng)樣本權(quán)重的確定

針對(duì)支持向量機(jī)存在的如何區(qū)分樣本數(shù)據(jù)重要性的問題，Lin和Wang［20］提出了模糊支持向量機(jī)的方法 （FSVM），主要思想是為各樣本點(diǎn)相對(duì)于簇中心的不同位置賦予不同權(quán)重，對(duì)于靠近簇中心的點(diǎn)賦予較高權(quán)重，反之賦予較低權(quán)重。對(duì)加權(quán)方式，常見的是基于距離的權(quán)重確定方式，其隸屬度定義為：

其中，opon分別為GpGn的類中心。

2.3 FCM聚類確定樣本權(quán)重

本文使用模糊C均值聚類確定樣本權(quán)重。模糊C均值聚類是在給定分類數(shù)的情況下，尋找到對(duì)樣本最佳分類的方法。相比于其他硬聚類方法，F(xiàn)CM算法引入模糊思想，通過最小化各樣本點(diǎn)到各聚類中心的歐式距離及模糊隸屬度的加權(quán)和，不斷迭代產(chǎn)生新的聚類中心和隸屬度矩陣，直到小于設(shè)定的閾值［21］。該聚類方法屬于無監(jiān)督式的機(jī)器學(xué)習(xí)理論，不需要主觀確定分類邊界，有效避免了人為確定導(dǎo)致的主觀性。

設(shè)數(shù)據(jù)集中含有k個(gè)樣本，基于每個(gè)樣本的特征屬性，將各樣本劃分為m個(gè)集合，由于每個(gè)樣本不都是完全屬于某一集合，因此，會(huì)產(chǎn)生隸屬度矩陣wij來表示樣本xi屬于第j類的程度。FCM最優(yōu)聚類即其目標(biāo)函數(shù)Jm：

其中，U為隸屬度矩陣，c為聚類中心，cj為第j個(gè)聚類中心，dist（xi，cj）為樣本xi到聚類中心的距離，p為加權(quán)指數(shù)。

FCM算法先隨機(jī)確定初始聚類中心，隨后通過迭代不斷修正聚類中心cj，同時(shí)，產(chǎn)生每一個(gè)樣本點(diǎn)的隸屬度矩陣wij。聚類中心cj的形式如下：

隸屬度wij表示樣本點(diǎn)i對(duì)于聚類中心j的隸屬度，其具體形式如下：

通過多次迭代，調(diào)整聚類中心和樣本隸屬度的值，使得目標(biāo)函數(shù)小于一定閾值ε，此時(shí)完成對(duì)樣本的聚類，同時(shí)可以得到最優(yōu)的聚類中心和樣本隸屬度矩陣。

為描述各樣本點(diǎn)到每一類中心的接近程度，構(gòu)建樣本權(quán)重ti：

2.4 樣本加權(quán)支持向量機(jī)模型構(gòu)建

設(shè)樣本集S＝｛xi｝，xi∈RN， 其中包含了高風(fēng)險(xiǎn)狀態(tài)、低風(fēng)險(xiǎn)狀態(tài)以及安全狀態(tài)3類共i個(gè)樣本，則構(gòu)造樣本加權(quán)支持向量機(jī)模型的步驟如下：

第一步，根據(jù)資金動(dòng)態(tài)循環(huán)過程，構(gòu)建科技型企業(yè)融資風(fēng)險(xiǎn)預(yù)警指標(biāo)體系。

第二步，對(duì)樣本數(shù)據(jù)預(yù)處理。采用歸一化處理，消除數(shù)據(jù)量綱對(duì)模型結(jié)果的影響，將原始數(shù)據(jù)中的數(shù)值縮至［0，1］內(nèi)。采用主元分析法 （PCA）對(duì)初始指標(biāo)體系提取關(guān)鍵特征，用更少的指標(biāo)代替整個(gè)指標(biāo)體系的信息，設(shè)置累計(jì)貢獻(xiàn)率為80%，得到最終預(yù)警指標(biāo)體系。

第三步，利用FCM算法對(duì)3類樣本聚類，得到3個(gè)聚類中心c1、c2、c3以及每一樣本對(duì)各聚類中心的隸屬度矩陣wij。

第四步，計(jì)算樣本權(quán)重，根據(jù)式 （20）計(jì)算樣本點(diǎn)到每一類中心的接近程度，以此確定樣本權(quán)重ti。

第五步，通過交叉檢驗(yàn)的方式尋找到最優(yōu)懲罰系數(shù)C（C為常數(shù)）以及核函數(shù)參數(shù)。

第六步，構(gòu)造式 （12） 的決策函數(shù)f（x），利用該決策函數(shù)對(duì)樣本進(jìn)行分類得到y(tǒng)′i，將分類結(jié)果與實(shí)際的y相比較，即可確定分類的準(zhǔn)確率。

樣本加權(quán)支持向量機(jī)模型構(gòu)建的核心步驟是確定每個(gè)樣本的權(quán)重。由于不同樣本對(duì)最終預(yù)測的貢獻(xiàn)程度不同，本文利用FCM算法確定類中心，并計(jì)算樣本點(diǎn)到類中心的接近程度。該模型能夠降低樣本中因偶然因素導(dǎo)致的噪聲或野點(diǎn)的干擾，進(jìn)而提高融資風(fēng)險(xiǎn)預(yù)測準(zhǔn)確率。

3 實(shí)證研究

3.1 樣本選取及數(shù)據(jù)來源

科技型企業(yè)是指以科技人員為主體，研制、開發(fā)、生產(chǎn)、銷售高新技術(shù)產(chǎn)品或大規(guī)模運(yùn)用高新技術(shù)的企業(yè)，其以市場為導(dǎo)向，創(chuàng)新能力強(qiáng)，具有自主知識(shí)產(chǎn)權(quán)［22］。根據(jù)科技部的 《科技型中小企業(yè)技術(shù)創(chuàng)新基金若干重點(diǎn)項(xiàng)目指南》，基金支持對(duì)象的具體領(lǐng)域包括電子信息、新材料、節(jié)能環(huán)保、新能源、高技術(shù)服務(wù)業(yè)等行業(yè)。本文以上述五大行業(yè)為研究對(duì)象，選取行業(yè)中2018年具有高新技術(shù)認(rèn)定的企業(yè)，除去數(shù)據(jù)不完整的部分企業(yè)，共篩選出264家企業(yè)，其中180家企業(yè)數(shù)據(jù)作為訓(xùn)練集，84家企業(yè)數(shù)據(jù)作為測試集。以上述企業(yè)2018年數(shù)據(jù)為研究對(duì)象，數(shù)據(jù)來源為Wind數(shù)據(jù)庫。

圖2 基于樣本加權(quán)支持向量機(jī)的科技型企業(yè)融資風(fēng)險(xiǎn)預(yù)警模型

利用熵權(quán)法對(duì)264家企業(yè)指標(biāo)賦權(quán)，根據(jù)式（7）求出各企業(yè)的綜合評(píng)分，并按三等分法，將企業(yè)的狀態(tài)劃分為安全狀態(tài)、低風(fēng)險(xiǎn)狀態(tài)以及高風(fēng)險(xiǎn)狀態(tài)。3種狀態(tài)企業(yè)的綜合評(píng)分區(qū)間依次為［0.068551，0.102606］、 ［0.102677，0.119831］和［0.120074，0.43691］，高風(fēng)險(xiǎn)狀態(tài)區(qū)間寬度最寬，說明被劃分入高風(fēng)險(xiǎn)狀態(tài)的企業(yè)分布更加分散，低風(fēng)險(xiǎn)狀態(tài)的區(qū)間寬度最窄，說明該狀態(tài)企業(yè)具有更高的相似度。

3.2 數(shù)據(jù)預(yù)處理及參數(shù)優(yōu)化

由于多個(gè)財(cái)務(wù)指標(biāo)在數(shù)量級(jí)方面存在差異，且這些指標(biāo)不服從正態(tài)分布，因此，采用無量綱化中區(qū)間縮放的方法，消除數(shù)據(jù)量綱對(duì)模型結(jié)果的影響。數(shù)學(xué)表達(dá)式為式 （1）及式 （2），通過區(qū)間縮放，將原始數(shù)據(jù)中的數(shù)值縮至［0，1］內(nèi)。

本文采用主元分析法 （PCA）提取特征值，設(shè)置累計(jì)貢獻(xiàn)率為80%，通過部分指標(biāo)代替全部指標(biāo)信息，從而壓縮原指標(biāo)的維度。

有大量學(xué)者和研究證明，高斯徑向基核函數(shù)相比于其他核函數(shù)具有更強(qiáng)的學(xué)習(xí)能力，本文選擇 RBF核函數(shù)， 其表達(dá)式為：，其中，σ是待確定的參數(shù)。采用交叉驗(yàn)證法尋優(yōu)，確定模型最優(yōu)懲罰系數(shù)C為16，最優(yōu)核函數(shù)參數(shù)g為0.0625。

3.3 模型結(jié)果及分析

將上述處理過的數(shù)據(jù)代入構(gòu)建的樣本加權(quán)支持向量機(jī)中，模型的預(yù)測結(jié)果如表2所示。

表2 樣本加權(quán)支持向量機(jī)預(yù)測結(jié)果

圖3 樣本加權(quán)支持向量機(jī)預(yù)測結(jié)果

從表2可以看出，樣本加權(quán)支持向量機(jī)模型對(duì)融資安全狀態(tài)、低風(fēng)險(xiǎn)狀態(tài)以及高風(fēng)險(xiǎn)狀態(tài)企業(yè)的預(yù)測準(zhǔn)確率分別為96.43%、92.86%以及78.57%。

為檢驗(yàn)樣本加權(quán)支持向量機(jī)的預(yù)測結(jié)果，用相同的樣本數(shù)據(jù)，選擇目前運(yùn)用范圍較廣的基于距離的加權(quán)SVM模型、未經(jīng)樣本加權(quán)的SVM模型以及Logistic回歸模型分別與樣本加權(quán)支持向量機(jī)模型作對(duì)比，測試結(jié)果如表3所示。

表3 3種模型預(yù)測結(jié)果對(duì)比 單位：%

可以看出，樣本加權(quán)SVM模型的預(yù)測準(zhǔn)確率最高，尤其對(duì)于高風(fēng)險(xiǎn)狀態(tài)的預(yù)測，準(zhǔn)確率較基于距離加權(quán)模型高近7%，較未加權(quán)SVM模型高14%。根據(jù)熵權(quán)法綜合得分將企業(yè)劃分為安全、中風(fēng)險(xiǎn)以及高風(fēng)險(xiǎn)狀態(tài)，為了獲得3類平衡樣本，區(qū)間設(shè)置分別為［0.068551，0.102606］、 ［0.102677，0.119831］和［0.120074，0.43691］， 可以看出， 高風(fēng)險(xiǎn)狀態(tài)的區(qū)間范圍最大，說明該類型的數(shù)據(jù)更加零散，即樣本加權(quán)SVM模型對(duì)于分布零散的數(shù)據(jù)有更好的預(yù)測效果。此處的高風(fēng)險(xiǎn)狀態(tài)是指該企業(yè)對(duì)樣本企業(yè)的相對(duì)高風(fēng)險(xiǎn)，當(dāng)企業(yè)融資處于相對(duì)于行業(yè)的高風(fēng)險(xiǎn)狀態(tài)時(shí)，管理者應(yīng)及時(shí)關(guān)注并采取適當(dāng)措施，因此對(duì)于高風(fēng)險(xiǎn)狀態(tài)的預(yù)測最為重要，樣本加權(quán)SVM模型能夠?qū)μ幱诟唢L(fēng)險(xiǎn)狀態(tài)的企業(yè)有效監(jiān)控，具有一定的現(xiàn)實(shí)意義。

4 結(jié) 論

2020年是我國建成創(chuàng)新型國家的關(guān)鍵之年，資金的籌集和使用是決定科技型企業(yè)發(fā)展的重要因素，確保科技型企業(yè)穩(wěn)步發(fā)展最關(guān)鍵的是實(shí)現(xiàn)資金在企業(yè)內(nèi)的良性循環(huán)。本文引入資金動(dòng)態(tài)循環(huán)思想，構(gòu)建科技型企業(yè)融資風(fēng)險(xiǎn)評(píng)價(jià)體系。根據(jù)樣本相對(duì)于類中心的接近程度確定樣本權(quán)重，構(gòu)建樣本加權(quán)支持向量機(jī)模型。最后，通過2018年科技型企業(yè)的融資數(shù)據(jù)，對(duì)比基于距離加權(quán)的SVM模型以及未加權(quán)模型，證明了樣本加權(quán)支持向量機(jī)模型在融資風(fēng)險(xiǎn)預(yù)警方面具有更高的準(zhǔn)確性。具體結(jié)論如下：

（1）融資風(fēng)險(xiǎn)的預(yù)警是一個(gè)動(dòng)態(tài)循壞的過程，恰當(dāng)?shù)闹笜?biāo)評(píng)價(jià)體系是準(zhǔn)確預(yù)警的前提。本文基于動(dòng)態(tài)循環(huán)的思想，從資金籌集過程、資金使用過程以及資金償還過程3個(gè)維度，并針對(duì)科技型企業(yè)創(chuàng)新性強(qiáng)的特征，構(gòu)建了科技型企業(yè)融資風(fēng)險(xiǎn)指標(biāo)評(píng)價(jià)體系。

（2）提高支持向量機(jī)預(yù)測的準(zhǔn)確性，可以從參數(shù)尋優(yōu)以及樣本數(shù)據(jù)處理兩個(gè)角度入手。在參數(shù)尋優(yōu)方面，本文利用交叉驗(yàn)證的方式對(duì)參數(shù)尋優(yōu)；在樣本數(shù)據(jù)處理方面，基于樣本數(shù)據(jù)在高風(fēng)險(xiǎn)狀態(tài)分布零散的特征，為不同樣本確定權(quán)重，提高了模型的預(yù)測性能。

（3）實(shí)證分析的結(jié)果表明，樣本加權(quán)支持向量機(jī)模型能夠高效、及時(shí)地對(duì)企業(yè)融資風(fēng)險(xiǎn)進(jìn)行監(jiān)測，有利于企業(yè)及時(shí)采取應(yīng)對(duì)措施，對(duì)于監(jiān)管機(jī)構(gòu)及投資者，有利于完善企業(yè)融資信用評(píng)價(jià)體系，加強(qiáng)風(fēng)險(xiǎn)監(jiān)督及風(fēng)險(xiǎn)管理。

隨著互聯(lián)網(wǎng)金融的迅速發(fā)展，科技型企業(yè)在提高核心競爭力和創(chuàng)造力的同時(shí)，也要利用好政策優(yōu)勢(shì)，主動(dòng)尋找新型融資渠道。政府及金融機(jī)構(gòu)也應(yīng)加快金融創(chuàng)新，開拓以知識(shí)產(chǎn)權(quán)、無形資產(chǎn)等抵押或質(zhì)押貸款等特色融資渠道。