基于組合模型的廣東西北地區(qū)鄉(xiāng)村企業(yè)法律風險評價

文川，紀廣月

（廣東工商職業(yè)技術(shù)大學，廣東 肇慶 526020）

產(chǎn)業(yè)興旺是鄉(xiāng)村振興的基礎(chǔ)和關(guān)鍵，也是推進整個“三農(nóng)”工作的重要抓手。而鄉(xiāng)村企業(yè)不僅是鄉(xiāng)村振興戰(zhàn)略實施產(chǎn)業(yè)興旺的主力軍，也是目前鄉(xiāng)村振興戰(zhàn)略需要落到實處的短板。由于他們體量小、免疫力低，受市場萎縮、投資失敗、資金鏈斷裂、互保牽累等因素的影響，法律風險日增。因此建立高效的鄉(xiāng)村企業(yè)法律風險識別與評價體系是鄉(xiāng)村產(chǎn)業(yè)振興戰(zhàn)略實施的重要保障。部分學者對企業(yè)風險指標體系的構(gòu)建與評估等進行了深入研究，鄧江凌[1]依據(jù)企業(yè)管理的基本流程構(gòu)建了確定目標、風險識別、風險分析、風險評價、風險應(yīng)對、資訊與咨詢、反饋與修正7個方面的法律風險指標體系；狄玉坤[2]和張學軍[3]基于動態(tài)性控制和周期性循環(huán)理念角度，認為企業(yè)法律風險評價指標是由法律風險的分析、法律風險的控制、法律風險的實施評估和改進3個模塊構(gòu)成。黃正[4，5]基于波特的價值鏈理論，運用圖論方法，遵循價值鏈過程的增值原理，提出了基于法律風險管理價值活動單元、法律安全資源、法律規(guī)范和風險管理方法以及輸入輸出風險4個要素實現(xiàn)價值鏈的法律風險評估模型。夏露[6]基于法律風險管理目標、管理要素、管理層級3個維度，構(gòu)建企業(yè)法律風險評估模型，分析了企業(yè)法律風險管理維度關(guān)系。沈益等[7]以浙江中煙工業(yè)有限責任公司為考察對象，通過構(gòu)建由法律風險清單、覆蓋率指標、防控流程、實時監(jiān)控、法律法規(guī)及案例5個主要功能模塊構(gòu)成的信息系統(tǒng)，有效提升了體系的運行效率、管理質(zhì)量。鄭冰潔[8]基于AHP-GRAM模型，構(gòu)建了企業(yè)跨國并購法律風險評價機制，并通過實例對該評價機制進行了分析研究。雖然風險研究的國內(nèi)文獻較多，成果較為豐富，然而缺乏對企業(yè)法律風險識別與評價方面的研究。對于法律風險的研究，采用的方法主要為定性分析法，定量分析法較少，未能從數(shù)據(jù)角度深度分析企業(yè)法律風險，并且企業(yè)法律風險識別與評價體系也不夠完善。法律風險識別與評價是法律風險管理的核心，其識別與評價的科學與合理程度直接關(guān)系企業(yè)風險防控能力，可以有效提高企業(yè)法律風險管理的針對性，為企業(yè)發(fā)展戰(zhàn)略規(guī)劃和經(jīng)營方案制定提供科學決策依據(jù)。基于此，構(gòu)建出鄉(xiāng)村企業(yè)法律風險指標體系，運用層次分析法和專家打分法分別確定鄉(xiāng)村企業(yè)法律風險指標的權(quán)重和各評價指標的得分以及鄉(xiāng)村企業(yè)法律風險類型，將鄉(xiāng)村企業(yè)法律風險評價轉(zhuǎn)化為模式識別中的多分類問題，提出一種基于灰狼優(yōu)化算法（GWO）、改進極限學習機（ELM）的鄉(xiāng)村企業(yè)法律風險評價模型，將鄉(xiāng)村企業(yè)法律風險評價問題由定性決策問題轉(zhuǎn)化為定量決策問題。

1 數(shù)據(jù)來源

以廣東西北地區(qū)67家鄉(xiāng)村企業(yè)為研究對象，針對鄉(xiāng)村企業(yè)法律風險指標體系中的8個一級指標和30個二級指標，邀請10名企業(yè)法律風險專家進行評價，將67組評價數(shù)據(jù)劃分為訓練集和測試集，其中訓練集47組數(shù)據(jù)，測試集20組數(shù)據(jù)。

2 研究方法

根據(jù)數(shù)據(jù)特點，提出一種基于層次分析法（AHP）和基于灰狼優(yōu)化算法改進的極限學習機（GWO-ELM）的鄉(xiāng)村企業(yè)法律風險評價方法。層次分析法（APH）是解決多層次、多準則問題的一種決策分析方法[11]，通過計算判斷矩陣的最大特征值和特征向量從而計算出不同評價指標或?qū)傩缘臋?quán)重，實現(xiàn)不同評價指標或?qū)傩灾g的比較關(guān)系，具有計算簡潔、形式簡單的優(yōu)點。極限學習機（ELM）是一種前饋單層神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，其隨機產(chǎn)生輸入層權(quán)值和隱含層偏置，訓練過程無需迭代，具有計算速度快、泛化性能好、精度高的優(yōu)點。然而，ELM模型評價結(jié)果受輸入層權(quán)值和隱含層偏置選擇的影響，運用灰狼優(yōu)化算法改進ELM（GWO-ELM）。首先，結(jié)合鄉(xiāng)村企業(yè)法律風險指標體系運用層次分析法、專家打分法分別確定鄉(xiāng)村企業(yè)法律風險指標的權(quán)重、各評價指標得分以及鄉(xiāng)村企業(yè)法律風險類型（低、中、高和較高），將鄉(xiāng)村企業(yè)法律風險評價轉(zhuǎn)化成為模式識別中的多分類問題；其次，將鄉(xiāng)村企業(yè)法律風險評價各評價指標得分數(shù)據(jù)作為ELM的輸入向量，鄉(xiāng)村企業(yè)法律風險類型作為ELM的輸出向量，建立鄉(xiāng)村企業(yè)法律風險評價ELM模型；最后，運用GWO優(yōu)化ELM模型的輸入層權(quán)值和隱含層偏置，建立GWO-ELM的鄉(xiāng)村企業(yè)法律風險評價模型。

2.1 層次分析法（AHP）

層次分析法是對方案的多指標系統(tǒng)進行分析的一種層次化、結(jié)構(gòu)化決策方法，可以將決策者對復(fù)雜系統(tǒng)的決策思維過程模型化、數(shù)量化，決策者通過將復(fù)雜問題分解為若干層次和若干因素，在各因素之間進行簡單的比較和計算，就可以得出不同方案的權(quán)重，為最佳方案的選擇提供依據(jù)。

2.2 極限學習機（ELM）

假設(shè)存在N個訓練樣本（xi，ti）（i＝1，2，…，N），ELM模型的隱含層節(jié)點數(shù)為M，xi和ti分別為輸入矩陣和目標輸出矩陣，則ELM數(shù)學模型[13]如公式（1）所示：

其中，βj為隱含層與輸出層之間的連接權(quán)值；g（x）為激活函數(shù)；wj為輸入層權(quán)值；bj為隱含層閾值；οi為ELM模型的輸出，i=1，2，…，N。

假設(shè)存在βj、wj和bj使得所有樣本（xi，ti）可以零誤差逼近，則有：

式中，β＝［β1，β2，…，βM］T；T＝［t1，t2，…，tN］T；H為隱含層輸出矩陣。

一般地，在實際訓練中ELM模型隱含層的節(jié)點數(shù)小于訓練樣本數(shù)N，且wj和bj在訓練過程中是隨機產(chǎn)生的，則輸出權(quán)重β的最小二乘解為：

式中，H+為矩陣H的Moore-Penrose廣義逆陣。

2.3 灰狼優(yōu)化算法（GWO）

灰狼優(yōu)化算法是模仿灰狼等級劃分和灰狼捕食行為而提出的群智能搜索算法[14]。GWO算法中，灰狼個體分為α、β、δ和ω，其中，α負責狼群的決策與管理；β和δ為適應(yīng)度次于α的灰狼個體；ω為其他灰狼個體。GWO算法主要包括包圍、捕獵和攻擊3種行為。

2.3.1 包圍 在整個算法過程中，首先灰狼包圍獵物，數(shù)學模型如公式（5）～（6）所示：

的距離；t為當前迭代次數(shù)；為獵物所在位置；為當前狼群所在位置；r1、r2是［0，1］的隨機向量；α∈［2，0］。

2.3.2 捕獵 包圍獵物之后，狼群將捕獵獵物。假定α、β、δ分別為全局最優(yōu)解、全局第二解以及全局第三解，對α、β、δ重新定位：

2.3.3 攻擊 狼群捕食的最后階段就是攻擊捕獲獵物，攻擊過程主要通過調(diào)節(jié)參數(shù)a實現(xiàn)。當|A|≤1時，狼群將接近獵物（X*，Y*）集中攻擊獵物；當|A|＞1時，狼群將遠離獵物。

2.3.4 改進的GWO算法 由于標準的GWO算法是隨機生成初始種群的，導致種群分布均勻性較差，直接影響算法的收斂速度和求解精度，為改善初始種群的分布均勻性，采用佳點集方法進行GWO算法初始化[15]。

在標準GWO算法中，收斂因子a由2線性遞減到0，所以在GWO算法初始階段，a的取值較大有利于全局搜索；GWO算法后期，a的取值較小有利于局部精細搜索。然而，實際尋優(yōu)過程中，收斂因子a是非線性的，因此提出一種隨機分布的收斂因子更新策略[16]：

式中，amax、amin分別為收斂因子a的最大值和最小值；rand（）、σrandn（）和σ分別為［0，1］均勻分布的隨機數(shù)、［0，1］正態(tài)分布的隨機數(shù)和方差。

為了驗證IGWO算法的尋優(yōu)性能，選擇8個標準測試函數(shù)為測試對象（表1）。f1～f5為復(fù)雜單峰函數(shù)優(yōu)化，f6～f8為多峰函數(shù)優(yōu)化。

灰狼優(yōu)化算法（GWO）：種群規(guī)模N＝10、最大迭代次數(shù)Tmax＝200；粒子群算法（PSO）：種群規(guī)模N=10、最大迭代次數(shù)Tmax＝200、慣性權(quán)重w＝0.2、學習因子c1＝c2＝2；花朵授粉算法[17]（FPA）：種群規(guī)模N=10、最大迭代次數(shù)Tmax＝200、轉(zhuǎn)換概率P＝0.7；蝙蝠算法[18]（BA）：種群規(guī)模N＝10、最大迭代次數(shù)Tmax＝200、搜索脈沖頻率范圍［fmin，fmax］=［0，2］、最大聲音響應(yīng)A0＝0.25、脈沖速率r0＝0.5、響應(yīng)衰減系數(shù)re＝0.9和脈沖速率的增強系數(shù)γ＝0.05；鯨魚優(yōu)化算法[19]（WOA）和正弦余弦算法[20]（SCA）：種群規(guī)模N＝10、最大迭代次數(shù)Tmax＝200；飛蛾火焰優(yōu)化算法[21]（MFO）：種群規(guī)模N＝10、最大迭代次數(shù)Tmax＝200、最大火焰數(shù)量N＝50、螺旋形狀常數(shù)b＝1.5。每個算法獨立運行100次，取平均值作為最終結(jié)果，通過分析可知，IGWO算法具有更快的收斂速度和更小的適應(yīng)度值，優(yōu)于GWO、WOA、SCA、MFO、PSO、FPA和BA等算法。

2.4基于AHP和IGWO-ELM的鄉(xiāng)村企業(yè)法律風險評價

2.4.1 構(gòu)建鄉(xiāng)村企業(yè)法律風險評價指標體系 鄉(xiāng)村企業(yè)法律風險指標體系是其法律風險識別與評價的前提條件，科學、合理和全面的法律風險指標體系直接影響法律風險識別與評價的效果。鄉(xiāng)村企業(yè)屬于較為特殊的企業(yè)類型，不僅具備一般企業(yè)所涉及的法律風險，同時也具有自身的特殊性法律風險。基于已有研究成果[9，10]，結(jié)合我國企業(yè)法律風險指標體系和鄉(xiāng)村企業(yè)的實際情況，從主體法律風險、知識產(chǎn)權(quán)法律風險、財務(wù)稅收法律風險、合同法律風險、投資融資法律風險、人力資源管理法律風險、保密風險以及外部風險8個方面構(gòu)建鄉(xiāng)村企業(yè)法律風險指標體系（圖1）。

2.4.2 目標函數(shù) 由于ELM模型訓練過程中隨機產(chǎn)生輸入層權(quán)值和隱含層偏置，導致ELM模型結(jié)果穩(wěn)定性較差且精度相對較低，運用IGWO優(yōu)化ELM模型的輸入層權(quán)值和隱含層偏置。針對鄉(xiāng)村企業(yè)法律風險評價屬于模式識別中的多分類問題，選擇錯誤率作為鄉(xiāng)村企業(yè)法律風險評價的目標函數(shù)[22]：

式中，Mr和MT分別為鄉(xiāng)村企業(yè)法律風險評價結(jié)果正確的樣本數(shù)和總樣本數(shù)。

2.4.3 算法流程 首先，結(jié)合鄉(xiāng)村企業(yè)法律風險指標體系運用層次分析法、專家打分法分別確定鄉(xiāng)村企業(yè)法律風險指標的權(quán)重、各評價指標的得分以及鄉(xiāng)村企業(yè)法律風險類型（低、中、較高和高），將鄉(xiāng)村企業(yè)法律風險評價轉(zhuǎn)化成為模式識別中的多分類問題；其次，將鄉(xiāng)村企業(yè)法律風險評價各評價指標得分數(shù)據(jù)作為ELM的輸入向量，鄉(xiāng)村企業(yè)法律風險類型作為ELM的輸出向量，建立鄉(xiāng)村企業(yè)法律風險評價ELM模型；最后，運用IGWO優(yōu)化ELM模型的輸入層權(quán)值和隱含層偏置，建立IGWO-ELM的鄉(xiāng)村企業(yè)法律風險評價模型。基于GWO-ELM的鄉(xiāng)村企業(yè)法律風險評價算法流程如圖2所示：

圖1 鄉(xiāng)村企業(yè)法律風險指標體系Fig.1 Legal risk index system of rural enterprises

圖2 算法流程圖Fig.2 Algorithm flow chart

步驟1：讀取鄉(xiāng)村企業(yè)法律風險評價的各個評價指標數(shù)據(jù)和鄉(xiāng)村企業(yè)法律風險類型（低、中、較高和高），劃分訓練集和測試集并歸一化數(shù)據(jù)：

式中，x’為歸一化之后的數(shù)據(jù)；a、b為歸一化之后的最小值和最大值；x、xmax和xmin分別原始數(shù)據(jù)、原始數(shù)據(jù)中的最大值和最小值，a＝-1，b＝1。

步驟2：GWO算法初始化。設(shè)定灰狼種群數(shù)量N、最大迭代次數(shù)Maxgen和參數(shù)維度D、并初始化灰狼種群位置X＝（X1，X2，……，XN）和灰狼個體的位置Xi＝（Xi1，Xi2，……，XiD），其中i∈｛1，2，3，……，N｝。

步驟3：計算不同灰狼個體的適應(yīng)度值fi并排序，將適應(yīng)度值前三位的灰狼個體的位置分別記作為Xα、Xβ、Xδ。

步驟4：按式（10）分別計算各ω狼與α、β、δ狼之間的近似距離，并按公式（11）～（12）更新α、β、δ狼的位置和獵物的位置。

步驟5：更新參數(shù)a、A和C。

步驟6：判斷算法終止條件：若達到最大迭代次數(shù)，則輸出ELM模型的最優(yōu)值輸入層權(quán)值和隱含層偏置，否則返回步驟3。

步驟7：將最優(yōu)值輸入層權(quán)值和隱含層偏置代入ELM模型進行鄉(xiāng)村企業(yè)法律風險評價。

3 結(jié)果與分析

3.1 原因度分析

為分析不同評價指標對鄉(xiāng)村企業(yè)法律風險的影響，運用DEMATEL模型[23，24]對鄉(xiāng)村企業(yè)法律風險關(guān)鍵影響因素進行分析，分析得出13個關(guān)鍵影響因素，其中管理隊伍建設(shè)風險（X15）、知識產(chǎn)權(quán)權(quán)屬認定風險（X21）、勞動合同履行與變更風險（X62）、技術(shù)保障風險（X74）、政策變動風險（X83）和新冠疫情與經(jīng)濟危機影響風險（X81）6個指標的原因度＞0，正向影響鄉(xiāng)村企業(yè)法律風險；領(lǐng)導干預(yù)風險（X11）、相關(guān)制度的執(zhí)行與完善風險（X13）、知識產(chǎn)權(quán)侵權(quán)風險（X22）、合同履行法律風險（X42）、銀行貸款融資風險（X53）、人員保密管理風險（X71）和核心數(shù)據(jù)管控風險（X73）7個指標的原因度＜0，負向影響鄉(xiāng)村企業(yè)法律風險（圖3）。

圖3 原因度分析結(jié)果Fig.3 Cause analysis results

3.2 有效性分析

為驗證IGWO-ELM進行鄉(xiāng)村企業(yè)法律風險評價的有效性，將其與GWO-ELM、PSO-ELM、GAELM和ELM進行對比[25，26]，不同算法參數(shù)設(shè)置如表2所示。根據(jù)Kolmogorov定理，ELM隱含層神經(jīng)元個數(shù)N2＝2N1＋1，由于鄉(xiāng)村企業(yè)法律風險的關(guān)鍵影響因素為13個，則ELM隱含層神經(jīng)元個數(shù)設(shè)定為27個。

表2 不同算法參數(shù)Table 2 Parameters of different algorithms

將鄉(xiāng)村企業(yè)法律風險評價各評價指標得分數(shù)據(jù)作為ELM的輸入向量，鄉(xiāng)村企業(yè)法律風險類型作為ELM的輸出向量，建立鄉(xiāng)村企業(yè)法律風險評價ELM模型；運用IGWO優(yōu)化ELM模型的輸入層權(quán)值和隱含層偏置，建立IGWO-ELM的鄉(xiāng)村企業(yè)法律風險評價模型。為提高鄉(xiāng)村企業(yè)法律風險評價的可靠性和穩(wěn)定性，每種算法獨立運行10次，得到尋優(yōu)曲線、準確率曲線和平均準確率。

IGWO-ELM迭代65次時出現(xiàn)開始收斂，且具有更低的適應(yīng)度，更快的收斂速度，說明IGWO優(yōu)化ELM進行鄉(xiāng)村企業(yè)法律風險評價具有更低的評價誤差和更快的收斂速度，效果較好（圖4）；IGWO-ELM進行鄉(xiāng)村企業(yè)法律風險評價的準確率整體明顯優(yōu)于GWO-ELM、PSO-ELM、GA-ELM和ELM（圖5），且IGWO-ELM算法的準確率最高，較GWO-ELM、PSO-ELM、GA-ELM和ELM分別提高5.35%、5.92%、5.23%和16.23%（表3）。

通過IGWO、GWO、PSO和GA等智能算法優(yōu)化ELM模型的輸入層權(quán)值和隱含層偏置，ELM模型的鄉(xiāng)村企業(yè)法律風險評價準確率具有了較大程度的提升，從而證明IGWO-ELM方法在進行鄉(xiāng)村企業(yè)法律風險評價時的有效性，可以在相關(guān)領(lǐng)域進行推廣應(yīng)用。

圖4 尋優(yōu)曲線對比圖Fig.4 Comparison diagram of optimization curve

圖5 運行次數(shù)的準確率對比Fig.5 Comparison of accuracy rates of different running times

表3 不同算法平均準確率Table 3 Average accuracy of different algorithms（%）

4 主要結(jié)論與啟示

4.1 主要結(jié)論

結(jié)合我國企業(yè)法律風險指標體系研究成果，從主體法律風險、知識產(chǎn)權(quán)法律風險、財務(wù)稅收法律風險、合同法律風險、投資融資法律風險、人力資源管理法律風險、保密風險以及外部風險8個方面構(gòu)建鄉(xiāng)村企業(yè)法律風險指標體系，在層次分析法和專家打分法的基礎(chǔ)上，運用DEMATEL模型分析出影響鄉(xiāng)村企業(yè)法律風險的決定性因素和負向影響因素。

結(jié)合鄉(xiāng)村企業(yè)法律風險指標體系運用層次分析法和專家打分法分別確定鄉(xiāng)村企業(yè)法律風險指標的權(quán)重和各評價指標的得分以及鄉(xiāng)村企業(yè)法律風險類型（低、中、較高和高），將鄉(xiāng)村企業(yè)法律風險評價轉(zhuǎn)化成為模式識別中的多分類問題，將鄉(xiāng)村企業(yè)法律風險評價各評價指標得分數(shù)據(jù)作為ELM的輸入向量，鄉(xiāng)村企業(yè)法律風險類型作為ELM的輸出向量，提出一種基于IGWO-ELM的鄉(xiāng)村企業(yè)法律風險評價模型，對提高鄉(xiāng)村企業(yè)法律風險防控能力提供了重要參考和理論依據(jù)。

4.2 啟示

通過鄉(xiāng)村企業(yè)法律風險評價研究得到如下啟示：（1）加強鄉(xiāng)村企業(yè)主體法律風險控制，協(xié)調(diào)好企業(yè)領(lǐng)導對企業(yè)的干預(yù)，降低鄉(xiāng)村企業(yè)領(lǐng)導對企業(yè)的干預(yù)風險，同時需要加強鄉(xiāng)村企業(yè)員工的法律素質(zhì)和意識，提升法律風險防控意識。（2）加強鄉(xiāng)村企業(yè)合同法律風險管理，做好合同管理的基礎(chǔ)性工作。（3）加強知識產(chǎn)權(quán)管理和保護水平，建立健全鄉(xiāng)村企業(yè)知識產(chǎn)權(quán)保護機制，普及和深化知識產(chǎn)權(quán)保護意識，防止知識產(chǎn)權(quán)侵犯行為的發(fā)生。（4）建立外部風險分析和防范機制，提高應(yīng)對外部風險能力與水平。