科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模研究

陳思鳳

摘要：建立科學(xué)的科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型對(duì)相關(guān)各方提高風(fēng)險(xiǎn)管理能力有著極為重要的作用。文章總結(jié)了科技型上市企業(yè)的風(fēng)險(xiǎn)因素及風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，概述了建立科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型所面臨的挑戰(zhàn)，歸納了需要解決的關(guān)鍵問(wèn)題并指出后續(xù)的研究方向。

關(guān)鍵詞：科技型上市企業(yè)；風(fēng)險(xiǎn)預(yù)警；預(yù)警模型

中圖分類號(hào)：F832.0? 文獻(xiàn)標(biāo)識(shí)碼：A? ?文章編號(hào)：1674-0688（2023）04-0101-08

0 引言

一直以來(lái)，我國(guó)經(jīng)濟(jì)和社會(huì)發(fā)展面臨著中小企業(yè)融資難和高新技術(shù)產(chǎn)業(yè)化步伐緩慢的難題，這制約著我國(guó)經(jīng)濟(jì)的可持續(xù)發(fā)展和國(guó)際競(jìng)爭(zhēng)力的提高［1］。發(fā)展創(chuàng)業(yè)投資為科技型企業(yè)提供投融資工具，成為解決這一難題的重要方法［2-4］。然而，我國(guó)傳統(tǒng)創(chuàng)業(yè)投資體系面臨著兩難困境：一方面是創(chuàng)業(yè)資本的有效供給不足，不能滿足高新技術(shù)產(chǎn)業(yè)化發(fā)展的需求，另一方面是社會(huì)資本大量閑置。鑒于此狀況，在學(xué)習(xí)借鑒西方及我國(guó)香港、臺(tái)灣等發(fā)達(dá)資本市場(chǎng)經(jīng)驗(yàn)的基礎(chǔ)上，我國(guó)內(nèi)地開始大力推進(jìn)創(chuàng)業(yè)板市場(chǎng)建設(shè)。2004年5月17日，經(jīng)國(guó)務(wù)院批準(zhǔn)，中國(guó)證監(jiān)會(huì)正式發(fā)出批復(fù)，同意深交所在主板塊市場(chǎng)內(nèi)設(shè)立中小企業(yè)板塊，并核準(zhǔn)了中小企業(yè)板塊實(shí)施方案。2004年6月25日，新和成等8家公司掛牌上市。2009年10月30日，28只創(chuàng)業(yè)板新股同時(shí)上市，標(biāo)志著我國(guó)創(chuàng)業(yè)板大幕正式拉開。2019年6月13日，科創(chuàng)板正式開板并試點(diǎn)注冊(cè)制，標(biāo)志著我國(guó)的創(chuàng)業(yè)投資體系進(jìn)入新的發(fā)展階段。2021年9月3日，北京證券交易所（簡(jiǎn)稱北交所）注冊(cè)成立，支持中小企業(yè)創(chuàng)新發(fā)展，深化新三板改革，國(guó)內(nèi)的科技型企業(yè)融資渠道得以進(jìn)一步拓寬。創(chuàng)業(yè)投資體系的建立和完善，對(duì)科技型上市企業(yè)彌補(bǔ)金融體系缺陷、推進(jìn)經(jīng)濟(jì)可持續(xù)發(fā)展、提高國(guó)際競(jìng)爭(zhēng)力具有非常重要的現(xiàn)實(shí)意義和戰(zhàn)略意義。

然而，由于科技型上市企業(yè)的不成熟性、動(dòng)態(tài)性、前景不確定性及信息環(huán)境的復(fù)雜性等特征，使其風(fēng)險(xiǎn)更加受到市場(chǎng)的關(guān)注，因此需要建立一個(gè)科學(xué)的科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型，以幫助創(chuàng)業(yè)投資者、科技型上市企業(yè)及二級(jí)市場(chǎng)投資者準(zhǔn)確識(shí)別和預(yù)測(cè)風(fēng)險(xiǎn)，提高企業(yè)的風(fēng)險(xiǎn)管理能力。企業(yè)風(fēng)險(xiǎn)預(yù)警建模是通過(guò)企業(yè)內(nèi)部及經(jīng)營(yíng)環(huán)境的可觀測(cè)信息，應(yīng)用領(lǐng)域知識(shí)、統(tǒng)計(jì)學(xué)方法和模式識(shí)別、機(jī)器學(xué)習(xí)及數(shù)據(jù)挖掘等人工智能方法，構(gòu)建評(píng)估、識(shí)別、預(yù)測(cè)企業(yè)風(fēng)險(xiǎn)的模型，并據(jù)此控制企業(yè)活動(dòng)的過(guò)程，目標(biāo)是通過(guò)合適的技術(shù)和方法得到結(jié)構(gòu)簡(jiǎn)單、泛化能力強(qiáng)、符合決策者風(fēng)險(xiǎn)偏好習(xí)慣、決策結(jié)果易于理解的用戶友好型決策支持系統(tǒng)。企業(yè)風(fēng)險(xiǎn)預(yù)警建模的關(guān)鍵是建立風(fēng)險(xiǎn)評(píng)估指標(biāo)體系和選擇適當(dāng)?shù)娘L(fēng)險(xiǎn)預(yù)警建模方法［5］ 。本文首先通過(guò)分析風(fēng)險(xiǎn)來(lái)源、內(nèi)涵及現(xiàn)有研究成果，提出科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的統(tǒng)一分析架構(gòu)及關(guān)鍵指標(biāo)選擇方法；其次，通過(guò)總結(jié)分析，歸納適合科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法；最后，指出科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警研究所面臨的關(guān)鍵問(wèn)題及后續(xù)研究方向。

1 科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系

科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的構(gòu)建一般是通過(guò)風(fēng)險(xiǎn)情景分析，了解風(fēng)險(xiǎn)來(lái)源及其影響因素，從不同的視角研究風(fēng)險(xiǎn)因素之間的相互關(guān)系、關(guān)鍵影響指標(biāo)，建立一套適合科技型上市企業(yè)特點(diǎn)的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。

1.1 科技型上市企業(yè)風(fēng)險(xiǎn)源

識(shí)別風(fēng)險(xiǎn)來(lái)源是構(gòu)建科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的基礎(chǔ)，是影響科技型上市企業(yè)風(fēng)險(xiǎn)的因素，涉及戰(zhàn)略、技術(shù)、市場(chǎng)、融資、管理、法律、人力資源、文化、全球化、通訊等。國(guó)內(nèi)外學(xué)者對(duì)科技型企業(yè)的風(fēng)險(xiǎn)因素進(jìn)行了大量研究，有學(xué)者從單個(gè)因素的角度分析科技型企業(yè)的風(fēng)險(xiǎn)，如財(cái)務(wù)因素［6］、企業(yè)主個(gè)人特征因素［7］，但更多的是從內(nèi)部運(yùn)作管理、經(jīng)營(yíng)環(huán)境及產(chǎn)權(quán)組織等角度綜合分析多個(gè)風(fēng)險(xiǎn)因素。內(nèi)部運(yùn)作管理方面的風(fēng)險(xiǎn)來(lái)自影響企業(yè)邊界內(nèi)的資源轉(zhuǎn)換和協(xié)調(diào)過(guò)程的因素，如創(chuàng)業(yè)者本身因素、技術(shù)因素、競(jìng)爭(zhēng)能力、管理因素、財(cái)務(wù)因素、戰(zhàn)略目標(biāo)定位、多元化經(jīng)營(yíng)策略選擇等［8］。以創(chuàng)業(yè)者本身素質(zhì)為基礎(chǔ)的管理因素最為關(guān)鍵，因?yàn)榭萍夹推髽I(yè)所處的經(jīng)營(yíng)環(huán)境具有典型的高成長(zhǎng)性特征，經(jīng)常需要做出非結(jié)構(gòu)化的管理決策，以快速適應(yīng)變化的經(jīng)營(yíng)環(huán)境，管理團(tuán)隊(duì)的素質(zhì)和管理能力對(duì)科技型上市企業(yè)的持續(xù)發(fā)展起著關(guān)鍵性作用。經(jīng)營(yíng)環(huán)境方面的風(fēng)險(xiǎn)主要來(lái)自市場(chǎng)力量及其他社會(huì)經(jīng)濟(jì)因素變化引起的不確定性，客戶分布、市場(chǎng)份額、現(xiàn)有及潛在的競(jìng)爭(zhēng)者及原材料供應(yīng)狀況等幾個(gè)方面的變化都會(huì)給企業(yè)帶來(lái)風(fēng)險(xiǎn)［9］，宏觀經(jīng)濟(jì)因素、資本市場(chǎng)、政策法律、行業(yè)狀況及文化教育等方面的不利變動(dòng)也會(huì)給科技型上市企業(yè)的生存帶來(lái)威脅［10］。由于我國(guó)內(nèi)地創(chuàng)業(yè)投資是在傳統(tǒng)經(jīng)濟(jì)制度內(nèi)通過(guò)政策扶持建立起來(lái)的，其發(fā)展路徑與美國(guó)等西方發(fā)達(dá)國(guó)家明顯不同，因此政策法律環(huán)境是降低科技型上市企業(yè)風(fēng)險(xiǎn)的一個(gè)重要因素。產(chǎn)權(quán)組織方面的風(fēng)險(xiǎn)主要來(lái)自投資參與各方的信息交換、資源分配及風(fēng)險(xiǎn)配置過(guò)程中的博弈，創(chuàng)業(yè)投資者上市后退出策略和股權(quán)結(jié)構(gòu)變化都是潛在的風(fēng)險(xiǎn)因素［4， 11］。

1.2 科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系

雖然多因素分析比單因素分析能更全面地反映科技型上市企業(yè)的風(fēng)險(xiǎn)狀況，但是已有文獻(xiàn)仍然缺乏綜合的概念框架指導(dǎo)人們從整體上描述風(fēng)險(xiǎn)因素和系統(tǒng)地觀察不同風(fēng)險(xiǎn)之間的關(guān)系。平衡計(jì)分卡既是一項(xiàng)戰(zhàn)略規(guī)劃工具，又是一個(gè)績(jī)效評(píng)價(jià)系統(tǒng)，它通過(guò)財(cái)務(wù)層面、內(nèi)部流程層面、學(xué)習(xí)成長(zhǎng)層面及市場(chǎng)客戶層面等4個(gè)視角來(lái)體現(xiàn)企業(yè)績(jī)效，基于這4項(xiàng)指標(biāo)，企業(yè)可以系統(tǒng)地解釋其策略執(zhí)行過(guò)程，通過(guò)互動(dòng)因果關(guān)系將企業(yè)的產(chǎn)出和績(jī)效驅(qū)動(dòng)因素串聯(lián)起來(lái)，將組織的使命和策略轉(zhuǎn)變?yōu)橐惶浊昂筮B貫的績(jī)效評(píng)價(jià)指標(biāo)體系，把復(fù)雜的概念轉(zhuǎn)化為精確的目標(biāo)，從而實(shí)現(xiàn)財(cái)務(wù)與非財(cái)務(wù)的指標(biāo)之間、短期與長(zhǎng)期的目標(biāo)之間、落后的與領(lǐng)先的指標(biāo)之間，以及外部與內(nèi)部績(jī)效之間的平衡。企業(yè)業(yè)績(jī)?cè)u(píng)價(jià)和企業(yè)風(fēng)險(xiǎn)管理是企業(yè)價(jià)值管理的兩個(gè)不同方面，兩者之間的差異只在于強(qiáng)調(diào)的重點(diǎn)不同，因此平衡計(jì)分卡也可以作為綜合風(fēng)險(xiǎn)因素的概念框架［12］。結(jié)合平衡計(jì)分卡原理可以從多個(gè)視角考察科技型企業(yè)風(fēng)險(xiǎn)，如財(cái)務(wù)、內(nèi)部流程、學(xué)習(xí)成長(zhǎng)、市場(chǎng)客戶及經(jīng)營(yíng)環(huán)境等；每一個(gè)視角表現(xiàn)為一系列指標(biāo)，如學(xué)習(xí)成長(zhǎng)層面通過(guò)員工滿意度、員工保持率、員工生產(chǎn)率及管理團(tuán)隊(duì)等幾個(gè)指標(biāo)來(lái)刻畫；指標(biāo)進(jìn)一步分解為可以測(cè)量的特征，如管理團(tuán)隊(duì)這一指標(biāo)可以用企業(yè)家年齡、企業(yè)家文化程度、企業(yè)家的行業(yè)經(jīng)歷及關(guān)鍵技術(shù)人才穩(wěn)定性等描述。

科技型上市企業(yè)的行業(yè)分布、公司規(guī)模、收益結(jié)構(gòu)、所處的生命周期階段、公司治理結(jié)構(gòu)及穩(wěn)定性等方面都具有不同于主板上市企業(yè)的特征，因此風(fēng)險(xiǎn)預(yù)警指標(biāo)需考慮以下幾個(gè)方面的特性［13-14］：一是需要反映企業(yè)的技術(shù)狀況，重點(diǎn)分析企業(yè)核心技術(shù)的水平、技術(shù)受保護(hù)程度及技術(shù)和產(chǎn)品的持續(xù)發(fā)展能力。二是需要反映管理與團(tuán)隊(duì)中風(fēng)險(xiǎn)因素，重點(diǎn)分析企業(yè)家的素質(zhì)、核心技術(shù)人員的穩(wěn)定性、團(tuán)隊(duì)與企業(yè)利益的關(guān)聯(lián)程度及管理的開放性等關(guān)鍵因素。三是需要反映企業(yè)面臨的市場(chǎng)潛力及其開拓能力、市場(chǎng)進(jìn)入壁壘，競(jìng)爭(zhēng)優(yōu)劣程度及市場(chǎng)和收益的成長(zhǎng)狀況。四是需要反映企業(yè)抗擊環(huán)境不利沖擊的能力，特別是分析宏觀經(jīng)濟(jì)環(huán)境、行業(yè)狀況及政策法律等系統(tǒng)性變化給企業(yè)帶來(lái)的影響。

1.3 科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估關(guān)鍵指標(biāo)選擇方法

通過(guò)風(fēng)險(xiǎn)情景分析得到科技型上市企業(yè)風(fēng)險(xiǎn)因素全集，指標(biāo)數(shù)量繁多，這不僅提高了評(píng)價(jià)結(jié)果的不確定性，而且從管理上而言對(duì)所有指標(biāo)進(jìn)行監(jiān)測(cè)也難以實(shí)現(xiàn)。實(shí)際中往往選擇部分關(guān)鍵指標(biāo)進(jìn)行分析和管理，通常的關(guān)鍵指標(biāo)選擇方法可以分為兩類，一類是數(shù)據(jù)挖掘的方法，如統(tǒng)計(jì)方法［15］及人工智能方法［16］，這類方法將關(guān)鍵指標(biāo)選擇看作風(fēng)險(xiǎn)預(yù)警模型的數(shù)據(jù)預(yù)處理步驟，其思想是在不影響預(yù)測(cè)能力的前提下選擇一個(gè)盡可能小的指標(biāo)子集。另一類是專家方法［17］，在實(shí)際操作中，往往借助管理經(jīng)驗(yàn)和一些簡(jiǎn)單的準(zhǔn)則對(duì)得到的風(fēng)險(xiǎn)全集進(jìn)行初步過(guò)濾，然后采用定量分析的方法對(duì)剩余的風(fēng)險(xiǎn)因素進(jìn)行排序，最后根據(jù)成本效益原則從中選取部分關(guān)鍵指標(biāo)進(jìn)行管理。為確定風(fēng)險(xiǎn)指標(biāo)重要性排序，識(shí)別科技型上市企業(yè)的關(guān)鍵風(fēng)險(xiǎn)，可以采用多屬性決策方法，最常用的方法是結(jié)合層次分析法（AHP）與多屬性效用理論，風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系包括多個(gè)視角，每一個(gè)視角表現(xiàn)為一系列指標(biāo) ，指標(biāo)進(jìn)一步分解為可以測(cè)量的特征，每個(gè)特征有一個(gè)相應(yīng)的權(quán)重 ，采用特征值方法可以得到下層對(duì)上層的貢獻(xiàn)，并在此基礎(chǔ)上選擇關(guān)鍵因素進(jìn)行下一步分析?；谂判虻亩鄬傩詻Q策方法，也可以用來(lái)識(shí)別關(guān)鍵風(fēng)險(xiǎn)因素，如采用風(fēng)險(xiǎn)矩陣方法［18］、基于全息層次模型（Hierarchical Holographic Model，HHM ）的風(fēng)險(xiǎn)過(guò)濾、排序和管理框架［19］。

2 科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法

依據(jù)建模的知識(shí)來(lái)源，企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法可分為數(shù)據(jù)驅(qū)動(dòng)方法、專家驅(qū)動(dòng)方法及集成方法三大類。本文將重點(diǎn)對(duì)數(shù)據(jù)驅(qū)動(dòng)方法、專家驅(qū)動(dòng)方法進(jìn)行綜述，并通過(guò)對(duì)所建模型的復(fù)雜性、預(yù)測(cè)能力及決策支持能力等特征的分析，指出相關(guān)建模方法的優(yōu)劣，進(jìn)而結(jié)合資本市場(chǎng)的特征給出適合科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模的有效方法。

2.1 數(shù)據(jù)驅(qū)動(dòng)方法

數(shù)據(jù)驅(qū)動(dòng)的方法是通過(guò)對(duì)歷史數(shù)據(jù)的學(xué)習(xí)得到企業(yè)風(fēng)險(xiǎn)的知識(shí)，在此基礎(chǔ)上構(gòu)造風(fēng)險(xiǎn)預(yù)警模型，用得到的模型對(duì)測(cè)試樣本進(jìn)行風(fēng)險(xiǎn)識(shí)別，并對(duì)未見樣本的風(fēng)險(xiǎn)狀況進(jìn)行預(yù)測(cè)，統(tǒng)計(jì)方法和人工智能方法是兩類常用的數(shù)據(jù)驅(qū)動(dòng)建模方法。

2.1.1 統(tǒng)計(jì)方法

由于具有堅(jiān)實(shí)的理論基礎(chǔ)，單變量判別分析模型，基于多變量判別分析法的Z-Score模型和Zeta模型，線性概率回歸模型，多元累積和時(shí)間序列方法和生存分析等統(tǒng)計(jì)模型在企業(yè)風(fēng)險(xiǎn)預(yù)警中得到廣泛的應(yīng)用。這些模型的優(yōu)點(diǎn)是判別函數(shù)具有顯性的表達(dá)，其參數(shù)也具有一定的涵義，因此決策過(guò)程更符合人們的思維習(xí)慣，決策結(jié)果易于為人們所理解，從而具有較強(qiáng)的可解釋性。

（1）單變量判別分析。單變量判別分析模型（Univariate Analysis，UA）是最早用于企業(yè)風(fēng)險(xiǎn)預(yù)警領(lǐng)域的統(tǒng)計(jì)方法。1966年Beaver［20］運(yùn)用UA方法對(duì)財(cái)務(wù)比率與企業(yè)破產(chǎn)風(fēng)險(xiǎn)之間的關(guān)系進(jìn)行定量研究。這一模型的一個(gè)重大缺陷是忽略失敗的多維度特征，不能基于單變量模型對(duì)企業(yè)風(fēng)險(xiǎn)狀況給出一幅清晰的畫面，而且可能導(dǎo)致同一企業(yè)的不同比率上的分類結(jié)果沖突和產(chǎn)生混淆。

（2）多變量判別分析。多變量判別分析法（Multivariate Discriminant Analysis，MDA ）的主要思想是最大化分類之間協(xié)方差的同時(shí)使每一類內(nèi)部特征協(xié)方差最?。?1］。MDA在企業(yè)風(fēng)險(xiǎn)預(yù)警中得到廣泛的應(yīng)用， 通常企業(yè)風(fēng)險(xiǎn)數(shù)據(jù)難于滿足類內(nèi)協(xié)方差矩陣相等的假設(shè)，這種情況下可采用二次的MDA而不是線性的形式。此外，模型也不考慮有風(fēng)險(xiǎn)和無(wú)風(fēng)險(xiǎn)企業(yè)的先驗(yàn)概率及分類錯(cuò)誤代價(jià)的差異，使用模型截?cái)帱c(diǎn)得到的分類結(jié)果往往與決策者的風(fēng)險(xiǎn)偏好不一致，因此基于MDA方法的預(yù)警結(jié)果可能是有偏差的。

（3）概率回歸模型。為解決MDA方法容易對(duì)截?cái)帱c(diǎn)附近企業(yè)誤判的問(wèn)題，可以采用線性概率回歸模型（Linear Probability Model，LPM），但0-1線性回歸無(wú)法保證結(jié)果在（0，1）區(qū)間，更多的學(xué)者運(yùn)用Probit函數(shù)和Logistic函數(shù)對(duì)LPM變換，得到Probit模型和Logit模型，其中Logit方法應(yīng)用更為普遍［22］。概率回歸模型可以在企業(yè)財(cái)務(wù)比率和風(fēng)險(xiǎn)事件的概率之間建立起聯(lián)系，使結(jié)果具有實(shí)際意義。這類模型的局限對(duì)多重共線性、離群點(diǎn)和丟失值極為敏感［23］，但大多數(shù)風(fēng)險(xiǎn)預(yù)警模型都需要用到企業(yè)的財(cái)務(wù)比率數(shù)據(jù)，這些數(shù)據(jù)之間往往是高度相關(guān)的，不同的指標(biāo)可能有同一個(gè)分子或分母，因此數(shù)據(jù)的多重共線性問(wèn)題很嚴(yán)重，限制了模型在風(fēng)險(xiǎn)預(yù)警中的運(yùn)用。

（4）累積和時(shí)間序列方法

通常企業(yè)風(fēng)險(xiǎn)是一個(gè)漸變的過(guò)程，而MDA、Logit和Probit使用截面財(cái)務(wù)數(shù)據(jù)，忽略了前期財(cái)務(wù)信息的有用性，而累積和時(shí)間序列方法（Cumulative Sum，CUSUM）［24］則可以探測(cè)企業(yè)狀況由好轉(zhuǎn)壞的拐點(diǎn)，對(duì)經(jīng)營(yíng)狀況惡化反應(yīng)敏感并具有記憶力，因此包括企業(yè)風(fēng)險(xiǎn)演化的動(dòng)態(tài)過(guò)程的信息。這一模型還可以區(qū)分預(yù)測(cè)變量變化的原因，識(shí)別導(dǎo)致企業(yè)風(fēng)險(xiǎn)的長(zhǎng)期結(jié)構(gòu)性因素，因此非常適合用于對(duì)企業(yè)風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)分析。

（5）生存分析。生存分析（Survival Analysis，SA）是以財(cái)務(wù)比率為變量，度量企業(yè)壽命超過(guò)某段時(shí)間的概率。但這一方法需要大量樣本，并要求在研究時(shí)間窗內(nèi)樣本企業(yè)的生存時(shí)間特點(diǎn)具有一定相似性，因此對(duì)研究產(chǎn)業(yè)突變?cè)斐僧a(chǎn)業(yè)內(nèi)出現(xiàn)大量困境企業(yè)的情形非常有效，如銀行危機(jī)中的銀行破產(chǎn)預(yù)測(cè)、產(chǎn)業(yè)發(fā)展的某個(gè)時(shí)期中的中小企業(yè)破產(chǎn)預(yù)測(cè)等［25］。

（6）統(tǒng)計(jì)方法的其他應(yīng)用。傳統(tǒng)的統(tǒng)計(jì)技術(shù)除用于預(yù)測(cè)企業(yè)風(fēng)險(xiǎn)以外，還用于模型輸入的預(yù)處理階段，目前最主要的應(yīng)用是特征選擇。特征選擇是從給定數(shù)據(jù)集中選擇更有代表性的數(shù)據(jù)以改善最終預(yù)測(cè)表現(xiàn)的一個(gè)重要步驟，風(fēng)險(xiǎn)預(yù)測(cè)中通常使用的特征選擇方法有5種，即t-檢驗(yàn)方法、相關(guān)矩陣方法、逐步回歸分析方法、主成分分析方法和要素分析方法。

2.1.2 人工智能方法

隨著信息技術(shù)的發(fā)展，人工智能模型被引入企業(yè)風(fēng)險(xiǎn)預(yù)警，并逐漸成為研究的熱點(diǎn)，許多基于人工智能的風(fēng)險(xiǎn)預(yù)警模型在預(yù)測(cè)準(zhǔn)確率方面已超越傳統(tǒng)的基于統(tǒng)計(jì)技術(shù)的風(fēng)險(xiǎn)預(yù)警模型。人工神經(jīng)網(wǎng)絡(luò)、決策樹方法、模糊集理論、灰色理論、粗糙集理論及支持向量機(jī)都在企業(yè)風(fēng)險(xiǎn)預(yù)警領(lǐng)域得到應(yīng)用。

（1）人工神經(jīng)網(wǎng)絡(luò)。20世紀(jì)90年代以來(lái)，神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks， ANN）被廣泛地運(yùn)用于信用風(fēng)險(xiǎn)和企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)警領(lǐng)域［26］ ，并得到較好的效果。人工神經(jīng)網(wǎng)絡(luò)不需要對(duì)數(shù)據(jù)特征進(jìn)行假設(shè)，減少了分布指定錯(cuò)誤對(duì)模型性能的影響，從而增強(qiáng)學(xué)習(xí)的模型對(duì)未見樣本的泛化能力；樣本特征對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)點(diǎn)以非線性的方式相互聯(lián)結(jié)，并以并行的方式交換信息，符合企業(yè)風(fēng)險(xiǎn)的演化機(jī)制；神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的噪聲容忍能力，可以學(xué)習(xí)存在不完整和損壞數(shù)據(jù)的復(fù)雜系統(tǒng)，因此比傳統(tǒng)的統(tǒng)計(jì)方法更為魯棒。與傳統(tǒng)的統(tǒng)計(jì)方法相比，人工神經(jīng)網(wǎng)絡(luò)更適合于處理企業(yè)風(fēng)險(xiǎn)預(yù)警這一類復(fù)雜問(wèn)題。

盡管人工神經(jīng)網(wǎng)絡(luò)具有許多成功的應(yīng)用和特征，但它仍然存在許多不足，其在企業(yè)風(fēng)險(xiǎn)預(yù)警中的應(yīng)用還面臨諸多挑戰(zhàn)［27］。目前，還沒(méi)有理論解決ANN的網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化問(wèn)題；缺乏合適的標(biāo)準(zhǔn)控制學(xué)習(xí)時(shí)間，避免過(guò)度擬合帶來(lái)的泛化能力降低；決策過(guò)程的黑箱特征是神經(jīng)網(wǎng)絡(luò)的一個(gè)根本性缺陷，限制了神經(jīng)網(wǎng)絡(luò)在企業(yè)風(fēng)險(xiǎn)預(yù)警是的實(shí)際應(yīng)用價(jià)值。神經(jīng)網(wǎng)絡(luò)以一種隱式的方式表達(dá)風(fēng)險(xiǎn)企業(yè)特征與風(fēng)險(xiǎn)狀態(tài)之間的函數(shù)關(guān)系，推理過(guò)程及決策規(guī)則隱藏在學(xué)習(xí)到的網(wǎng)絡(luò)結(jié)構(gòu)之中，難以為用戶所理解，從而難以為風(fēng)險(xiǎn)企業(yè)風(fēng)險(xiǎn)控制給出有意義的決策建議，缺乏決策支持能力。

（2）支持向量機(jī)方法。由V. Vapnik等［28］提出的支持向量機(jī)方法（Support Vector Machines， SVM）是從感知機(jī)發(fā)展而來(lái)的，其實(shí)質(zhì)是一個(gè)不包含隱藏層的神經(jīng)網(wǎng)絡(luò)，基本思想是通過(guò)某種非線性映射將向量輸入映射到高維特征空間，從而可以使用線性模型實(shí)現(xiàn)非線性分類。SVM從理論上解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法的兩個(gè)根本問(wèn)題。首先，SVM采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則（SRM）而不是經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則（ERM），從理論上提供了控制網(wǎng)絡(luò)學(xué)習(xí)時(shí)間的方法，避免過(guò)度擬合降低泛化能力；其次，SVM只采用少數(shù)幾個(gè)富含信息的樣本特征即支持向量表示最優(yōu)分類超平面，SVM還在高維特征空間以線性方式展現(xiàn)了輸入特征與輸出之間的映射關(guān)系，這就為打開決策過(guò)程黑箱提供了分析的數(shù)學(xué)基礎(chǔ)。由于這些吸引人的特性，SVM在企業(yè)風(fēng)險(xiǎn)預(yù)警領(lǐng)域得到廣泛的應(yīng)用，并可得到優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型的性能。

在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則下，決策準(zhǔn)則是在最大化分類間隔的同時(shí)使得分類錯(cuò)誤數(shù)最小，分類錯(cuò)誤數(shù)最小化是NP完全的，因此標(biāo)準(zhǔn)SVM模型并不以分類錯(cuò)誤數(shù)最小化，而以分類錯(cuò)誤點(diǎn)到分類邊界的某種范數(shù)的距離最小化作為決策目標(biāo)［29］，這種近似方法使得分類性能依賴于數(shù)據(jù)的分布，難以控制經(jīng)驗(yàn)風(fēng)險(xiǎn)水平。與決策準(zhǔn)則相關(guān)的另一個(gè)后果是標(biāo)準(zhǔn)SVM對(duì)離群點(diǎn)和噪聲數(shù)據(jù)極為敏感。當(dāng)錯(cuò)誤分類點(diǎn)在分類邊界附近分布稀薄，但存在少數(shù)離群點(diǎn)和噪聲數(shù)據(jù)時(shí)，離群點(diǎn)或噪聲數(shù)據(jù)在最優(yōu)分類超平面的選擇過(guò)程中占據(jù)絕對(duì)優(yōu)勢(shì)，導(dǎo)致可能丟棄效果好的預(yù)警模型。

目前，絕大多數(shù)基于SVM的企業(yè)風(fēng)險(xiǎn)預(yù)警模型強(qiáng)調(diào)模型的預(yù)測(cè)能力，而忽視模型的決策支持能力，從而削弱風(fēng)險(xiǎn)預(yù)警模型的實(shí)際應(yīng)用價(jià)值。雖然SVM方法突破了部分神經(jīng)網(wǎng)絡(luò)所面臨的黑箱問(wèn)題，但它的運(yùn)作仍然是以數(shù)學(xué)和統(tǒng)計(jì)算法為基礎(chǔ)，從其顯性的解析關(guān)系中仍然不能直接了解決策過(guò)程和得到數(shù)據(jù)中的所有有意義的和可解釋的規(guī)則。因此，在風(fēng)險(xiǎn)預(yù)警模型中提取滿足領(lǐng)域?qū)＜业钠谕团d趣規(guī)則，揭示企業(yè)特征與風(fēng)險(xiǎn)之間的因果關(guān)系還需要借助其他符合人們思維習(xí)慣的技術(shù)和方法。通常的方法是將SVM與關(guān)聯(lián)規(guī)則結(jié)合起來(lái)，采用基于關(guān)聯(lián)規(guī)則的分類框架［30］，基本思想是基于訓(xùn)練樣本關(guān)聯(lián)規(guī)則判別能力生成一組特征向量代替原始訓(xùn)練數(shù)據(jù)?；谔卣飨蛄康囊?guī)則提供高質(zhì)量的知識(shí)來(lái)源，便于用戶解釋和理解所構(gòu)造的分類模型。

（3） 遺傳算法。遺傳算法（Genetic Algorithm，GA）是利用模仿自然界生物遺傳進(jìn)化規(guī)律在大量復(fù)雜概念空間內(nèi)的隨機(jī)搜索技術(shù)，尤其適合用于服從大量軟、硬約束目標(biāo)函數(shù)的多參數(shù)優(yōu)化問(wèn)題。遺傳算法在企業(yè)風(fēng)險(xiǎn)預(yù)警領(lǐng)域主要有兩方面的應(yīng)用：一是運(yùn)用遺傳算法以財(cái)務(wù)比率為基礎(chǔ)提取“if-then”判別規(guī)則，使建立的預(yù)警模型結(jié)構(gòu)清楚且容易理解［31］?，F(xiàn)有文獻(xiàn)更普遍的是將遺傳算法作為一種搜索技術(shù)，優(yōu)化模型參數(shù)或選擇最優(yōu)特征子集，以提高模型的預(yù)測(cè)準(zhǔn)確率和泛化能力。

（4） 粗糙集方法。粗糙集方法（Rough Set Theory，RST）被證明是能夠運(yùn)用一組多屬性的變量描述對(duì)象的有效工具，可以用來(lái)揭示相互關(guān)聯(lián)的風(fēng)險(xiǎn)因素與企業(yè)風(fēng)險(xiǎn)之間的關(guān)系。RST能夠發(fā)現(xiàn)隱藏在數(shù)據(jù)中的重要事實(shí)，并能用自然語(yǔ)言表達(dá)成一組決策規(guī)則，每個(gè)決策規(guī)則都有案例支持；能結(jié)合使用定性變量和定量變量，無(wú)須統(tǒng)計(jì)約束和模糊隸屬度評(píng)價(jià)：決策形成透明的過(guò)程，可以考慮決策者的知識(shí)背景，并可用于集成決策支持系統(tǒng)。

（5） 基于案例推理方法。基于案例推理方法（Case-Based Reasoning，CBR）是在復(fù)雜變化的環(huán)境中解決問(wèn)題的決策方法，一般運(yùn)用K臨近算法對(duì)存貯的案例進(jìn)行分類，以此為基礎(chǔ)判別或預(yù)測(cè)新增案例的狀況，在企業(yè)風(fēng)險(xiǎn)預(yù)警研究領(lǐng)域也有應(yīng)用，在數(shù)據(jù)不充分的條件下使用具有一定優(yōu)勢(shì)［32］。CBR最重要的假設(shè)是相似的經(jīng)驗(yàn)可以指導(dǎo)未來(lái)的推理、問(wèn)題求解和學(xué)習(xí)。案例回溯通常被認(rèn)為是CBR系統(tǒng)中最重要的步驟，采用的相似性度量直接影響系統(tǒng)的回溯表現(xiàn)，基于案例推理方法的企業(yè)風(fēng)險(xiǎn)預(yù)警系統(tǒng)方面的研究主要集中在這一問(wèn)題上，CBR方法的不足之處是預(yù)測(cè)的準(zhǔn)確率不高［33］。

（6） 決策樹方法。從預(yù)測(cè)準(zhǔn)確率的角度來(lái)看，決策樹（Decision Tree， DT）要弱于神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)方法，但其優(yōu)勢(shì)是可以作為一種規(guī)則提取技術(shù)，提取隨后用到的早期預(yù)警專家系統(tǒng)規(guī)則。但作為一種規(guī)則提取技術(shù)，其局限是當(dāng)數(shù)據(jù)結(jié)構(gòu)復(fù)雜時(shí)，容易導(dǎo)致規(guī)則爆炸性增長(zhǎng)，需要消耗大量的計(jì)算資源［34］。

（7） 模糊集理論。由Zadeh提出的模糊集理論已經(jīng)有了大量的應(yīng)用，它可以精確研究含糊、概念化現(xiàn)象的數(shù)學(xué)框架。雖然基于模糊規(guī)則的分類器在分類準(zhǔn)確率上不如神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)模型，但是基于模糊規(guī)則的分類器可以生成“if-then”判別規(guī)則可以用于“早期預(yù)警”模糊專家系統(tǒng)，為分析師最終做出預(yù)測(cè)和建議提供參考。通過(guò)模糊規(guī)則建立風(fēng)險(xiǎn)預(yù)警指標(biāo)與企業(yè)風(fēng)險(xiǎn)之間的模糊映射以關(guān)系預(yù)測(cè)企業(yè)風(fēng)險(xiǎn)，使得到的模型更符合人們的思考習(xí)慣，更易于理解和實(shí)際應(yīng)用［35］。

（8） 灰色理論。我國(guó)學(xué)者鄧聚龍［36］率先提出灰色關(guān)聯(lián)分析（GRA），它的特點(diǎn)是在小樣本、貧信息（只有部分要素是已知的）的數(shù)據(jù)環(huán)境下具有良好的性能。企業(yè)風(fēng)險(xiǎn)預(yù)警是一個(gè)不完全信息復(fù)雜決策問(wèn)題，在許多量化屬性和企業(yè)風(fēng)險(xiǎn)之間存在灰關(guān)聯(lián)關(guān)系，因此這一方法也可以用于企業(yè)風(fēng)險(xiǎn)分析［37］。

2.2 專家驅(qū)動(dòng)的建模方法和集成的建模方法

基于歷史數(shù)據(jù)學(xué)習(xí)的方法依賴于一定的數(shù)據(jù)量，而且假設(shè)歷史數(shù)據(jù)中包含的模式在相當(dāng)一段時(shí)期內(nèi)可以保持穩(wěn)定，然而這些條件往往得不到滿足，在缺乏歷史信息和不穩(wěn)定的環(huán)境下可以采用專家驅(qū)動(dòng)的方法構(gòu)造預(yù)警模型。專家根據(jù)自身掌握的領(lǐng)域知識(shí)給出風(fēng)險(xiǎn)預(yù)警模型，并據(jù)此確定樣本特征與企業(yè)風(fēng)險(xiǎn)之間的函數(shù)關(guān)系。此外，當(dāng)財(cái)務(wù)信息與風(fēng)險(xiǎn)事件之間存在時(shí)滯、量化信息不可靠、系統(tǒng)風(fēng)險(xiǎn)特征發(fā)生顯著改變及其他難以度量的因素變化時(shí)，企業(yè)風(fēng)險(xiǎn)預(yù)警模型就變得對(duì)財(cái)務(wù)等量化數(shù)據(jù)不敏感甚至無(wú)效［38］。此時(shí)，專家利用其經(jīng)驗(yàn)和領(lǐng)域知識(shí)做出的預(yù)測(cè)則更為有效。企業(yè)風(fēng)險(xiǎn)預(yù)測(cè)是一個(gè)復(fù)雜的多屬性決策問(wèn)題，專家方法主要是通過(guò)結(jié)合層次分析法（AHP）和群決策方法（GDSS）實(shí)現(xiàn)模型構(gòu)造過(guò)程。目前，研究主要集中在專家意見表示、群內(nèi)專家的協(xié)商機(jī)制及專家意見的集結(jié)方式等方面。采用模糊理論、灰色理論等方法量化表達(dá)專家模糊意見是研究的一個(gè)熱點(diǎn)［39］，然而如何根據(jù)風(fēng)險(xiǎn)預(yù)警問(wèn)題的復(fù)雜性、專家知識(shí)的有限性，確定合理的專家規(guī)模，簡(jiǎn)化模型結(jié)構(gòu)，提高決策效率，增強(qiáng)基于群決策方法的風(fēng)險(xiǎn)預(yù)警模型泛化能力，學(xué)術(shù)界的研究則還少見。

由于不可能存在普適的決策技術(shù)，每一方法各有其適用的范圍、具有一定的優(yōu)勢(shì)和局限，方法之間可能是互補(bǔ)的集成方法，即組合幾種數(shù)據(jù)驅(qū)動(dòng)方法或是混合集成數(shù)據(jù)驅(qū)動(dòng)方法和專家驅(qū)動(dòng)的方法往往可以得到理想的效果。

2.3 科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法評(píng)述及其選擇

綜上所述，運(yùn)用統(tǒng)計(jì)方法構(gòu)造企業(yè)風(fēng)險(xiǎn)預(yù)警模型具有突出的優(yōu)點(diǎn)，這些模型的判別函數(shù)具有顯性的表達(dá)，模型中變量的系數(shù)具有一定的涵義，判別函數(shù)可以充當(dāng)從預(yù)測(cè)變量到預(yù)測(cè)結(jié)果的決策規(guī)則，因此決策過(guò)程更符合人們的思維習(xí)慣，決策結(jié)果易于為人們所理解，從而具有較強(qiáng)的可解釋性。

傳統(tǒng)的統(tǒng)計(jì)方法存在兩個(gè)方面的根本缺陷：一是對(duì)數(shù)據(jù)環(huán)境有較為嚴(yán)格的要求，如應(yīng)用最多的MDA方法要求樣本數(shù)據(jù)服從正態(tài)分布、類內(nèi)協(xié)方差相等；二是數(shù)據(jù)處理能力有限，統(tǒng)計(jì)推斷通常依賴大樣本數(shù)據(jù)，其所依賴的技術(shù)從本質(zhì)上講是線性的，缺乏處理非線性數(shù)據(jù)的能力并可能面臨維數(shù)災(zāi)難的問(wèn)題。此外，與常用的量化分析模型一樣，這些模型通常假定兩類錯(cuò)誤分類成本相等、企業(yè)有風(fēng)險(xiǎn)和無(wú)風(fēng)險(xiǎn)的先驗(yàn)概率相等，而現(xiàn)實(shí)中許多數(shù)據(jù)難以滿足這些要求。

這些缺陷會(huì)導(dǎo)致嚴(yán)重的后果，如因分布指定錯(cuò)誤導(dǎo)致的預(yù)警模型缺乏泛化能力，模型不能反映企業(yè)風(fēng)險(xiǎn)非線性演化機(jī)制，離群點(diǎn)、噪聲數(shù)據(jù)及不完整數(shù)據(jù)的影響導(dǎo)致預(yù)警模型魯棒性差等弱點(diǎn)，因此對(duì)復(fù)雜的企業(yè)風(fēng)險(xiǎn)預(yù)警問(wèn)題往往得不到人們所期望的精度。雖然可以采用對(duì)數(shù)變換（如LPM模型）、二次判別分析（QDA模型）等一些必要的技術(shù)手段和方法加以改進(jìn)，但是這些方法應(yīng)用的同時(shí)又會(huì)相應(yīng)地產(chǎn)生多重共線性、變量經(jīng)濟(jì)涵義不清等新的問(wèn)題。

科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型往往需要處理高維數(shù)據(jù)，同時(shí)從現(xiàn)實(shí)中收集的樣本數(shù)量有限，因此建模方法需要適應(yīng)“小樣本”數(shù)據(jù)環(huán)境，統(tǒng)計(jì)方法及ANN等一些建模方法都難以得到滿意的效果。而SVM采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，以較少的樣本即可獲得良好的泛化性能。同時(shí)，SVM用少數(shù)支持向量表示最優(yōu)分類超平面，使得模型結(jié)構(gòu)相對(duì)簡(jiǎn)單。此外，SVM還在高維特征空間以線性方式展現(xiàn)輸入特征與輸出之間的映射關(guān)系，為打開決策過(guò)程黑箱、幫助用戶理解和解釋決策結(jié)果提供分析的數(shù)學(xué)基礎(chǔ)，因而比神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的決策、支持能力，更適合于科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警。

雖然應(yīng)用SVM作為用于科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法具有良好的前景，但是還面臨一些挑戰(zhàn)。一方面，如何進(jìn)一步提高風(fēng)險(xiǎn)預(yù)警模型的預(yù)警能力，如何克服先驗(yàn)知識(shí)的影響，改善風(fēng)險(xiǎn)預(yù)警模型的適應(yīng)能力。SVM在解決不平衡分類問(wèn)題時(shí)具有一定的魯棒性，但當(dāng)類分布嚴(yán)重偏斜時(shí)，常用的SVM分類器也無(wú)法獲得滿意的結(jié)果。常用SVM對(duì)離群點(diǎn)和噪聲數(shù)據(jù)極為敏感，離群點(diǎn)或噪聲數(shù)據(jù)可能在最優(yōu)分類超平面的選擇過(guò)程中起主要作用，影響分類器的泛化能力。如何克服建模樣本信息貧乏和創(chuàng)業(yè)板市場(chǎng)的動(dòng)態(tài)特征的影響，使基于SVM的模型在缺乏歷史數(shù)據(jù)及數(shù)據(jù)信息量不豐富的動(dòng)態(tài)環(huán)境下仍然具備較好預(yù)警能力。另一方面，如何開發(fā)結(jié)構(gòu)簡(jiǎn)單的SVM風(fēng)險(xiǎn)預(yù)警模型，增強(qiáng)模型的決策支持能力，以提高科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型的實(shí)用價(jià)值，如何在模型中融入領(lǐng)域知識(shí)，如分類錯(cuò)誤代價(jià)差異，使之符合決策者的偏好習(xí)慣，提高模型與決策者的交互能力。如何借助規(guī)則提取技術(shù)，從學(xué)習(xí)得到的SVM模型映射關(guān)系中了解分類器的決策過(guò)程、理解和解釋分類結(jié)果，指導(dǎo)人們根據(jù)預(yù)警結(jié)果制定正確的風(fēng)險(xiǎn)管理措施，以提高企業(yè)風(fēng)險(xiǎn)預(yù)警模型的實(shí)際應(yīng)用價(jià)值。

RST、FST、CBR、DT等人工智能方法雖然從預(yù)測(cè)能力的角度來(lái)看不如SVM，但是這些方法可以生成推理規(guī)則，得到的結(jié)論易于為用戶解釋和理解。RST、FST、GRT可從不確定信息的角度對(duì)企業(yè)風(fēng)險(xiǎn)預(yù)警問(wèn)題進(jìn)行研究，因此更符合客觀實(shí)際及人們的思考習(xí)慣。目前，將上述方法與基于SVM模型融合，并采用不確定的方式表達(dá)企業(yè)特征與風(fēng)險(xiǎn)之間的關(guān)系成為研究的熱點(diǎn)之一。

3 總結(jié)及研究方向

3.1 總結(jié)

綜上所述，科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警研究需要解決以下幾個(gè)關(guān)鍵問(wèn)題。

（1）理解科技型上市企業(yè)的風(fēng)險(xiǎn)特征及其影響因素，進(jìn)而構(gòu)建科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系是研究的關(guān)鍵，也是科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警難點(diǎn)所在。

（2）避免樣本分布不平衡、樣本發(fā)展不成熟及噪聲數(shù)據(jù)和離群點(diǎn)對(duì)模型泛化能力的不利影響，并考慮決策者風(fēng)險(xiǎn)偏好，使預(yù)警模型具有動(dòng)態(tài)適應(yīng)性和交互能力。

（3）簡(jiǎn)化預(yù)警模型結(jié)構(gòu)，理解和解釋預(yù)警模型的決策過(guò)程是風(fēng)險(xiǎn)預(yù)警模型具有應(yīng)用價(jià)值的關(guān)鍵，采用合適的技術(shù)提取模型中隱含的規(guī)則并將其可視化。

3.2 未來(lái)的研究方向

具體來(lái)講，基于SVM的科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警研究可從以下幾個(gè)方面展開。

（1）科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系研究。歸納科技型上市企業(yè)風(fēng)險(xiǎn)的影響因素，采用平衡計(jì)分卡的分析框架構(gòu)建初步的風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，對(duì)初步確定的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系向?qū)＜疫M(jìn)行問(wèn)卷調(diào)查，研究重要非財(cái)務(wù)指標(biāo)的量化表達(dá)方法，確定模型的最終輸入指標(biāo)。

（2）基于先驗(yàn)知識(shí)的支持向量分類算法研究。研究數(shù)據(jù)集及兩類錯(cuò)誤分類成本不平衡情況下的模型性能度量指標(biāo)，研究適合科技型上市企業(yè)正類樣本稀有、成功及失敗模式總體發(fā)展不成熟特點(diǎn)的支持向量分類算法，考慮決策者風(fēng)險(xiǎn)偏好，研究決策者與科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型之間的交互機(jī)制。將風(fēng)險(xiǎn)評(píng)估模型擴(kuò)展到多類的情況，研究多種分類情形下模型的有效性。

（3）風(fēng)險(xiǎn)預(yù)警模型可解釋性研究。運(yùn)用離散化技術(shù)、決策樹方法、模糊集理論、關(guān)聯(lián)規(guī)則及聚類技術(shù)，在支持向量分析的基礎(chǔ)上進(jìn)一步簡(jiǎn)化基于SVM的科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型的結(jié)構(gòu)，提取反映預(yù)警模型分類過(guò)程的決策規(guī)則，并將提取的規(guī)則展示為決策表的形式。

（4）專家方法與智能預(yù)警模型方法的融合研究。整合專家方法和數(shù)據(jù)驅(qū)動(dòng)方法模型，構(gòu)造更為有效的科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型，研究更為合理的決策成本形式，構(gòu)造基于非線性核函數(shù)SVM的主客觀融合模型，為決策者提供一套科學(xué)的方法，使其可以根據(jù)對(duì)群體意見的置信度或?qū)χ骺陀^方法的偏好更為合理地估計(jì)主觀約束區(qū)間寬度。

4 參考文獻(xiàn)

［1］王波，蔣玉娟，郭紅俠.新三板科技型中小企業(yè)融資能力評(píng)價(jià)體系與實(shí)證——以寧夏18家上市企業(yè)為例［J］.科技與經(jīng)濟(jì)，2021，34（3）：6-10.

［2］季向峰.科技創(chuàng)新型企業(yè)上市融資方式選擇研究［D］.濟(jì)南：山東大學(xué)，2020.

［3］舒軻.新能源科技型企業(yè)融資方式研究［D］.廣州：廣東財(cái)經(jīng)大學(xué)，2019.

［4］王昆.私募股權(quán)投資對(duì)科創(chuàng)板企業(yè)影響的實(shí)證研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2020.

［5］LENNOX C.Identifying Failing Companies：A Reevaluation of the Logit，Probit and DA Approaches［J］.Journal of Economics and Business，1999（51）：347-364.

［6］TONY BLACKWOOD.Expatriate-owned Small Businesses：Measuring and Accounting for Success［J］.International Small Business Journal，2000，18（3）：60-73.

［7］ GASKILL L R，VAN AUKEN H E.A factor analytic study of the perceived causes of small business failure.［J］.Journal of Small Business，1993，31（4）：18-31.

［8］王迎軍.高科技企業(yè)技術(shù)風(fēng)險(xiǎn)的識(shí)別與防范［J］.科學(xué)管理研究，1998，16（1）：41-44.

［9］KAKATI M.Success criteria in high-tech new ventures［J］.Technovation，2003，23（5）：447-457.

［10］SUZUKIA K.Entrepreneurship in Japan and Silicon Valley：a comparative study［J］.Technovation，2002，22（10）：595-606.

［11］喻凡，姚建峰，王曉明，等.股權(quán)結(jié)構(gòu)與科技型中小企業(yè)創(chuàng)新——基于創(chuàng)業(yè)板上市公司的實(shí)證研究［J］.科技促進(jìn)發(fā)展.2021，17（4）：690-700.

［12］嚴(yán)復(fù)海，張冉.企業(yè)風(fēng)險(xiǎn)管理與業(yè)績(jī)?cè)u(píng)價(jià)整合：基于平衡計(jì)分卡的研究［J］.北京工商大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2008，23（5）：17-21.

［13］潘文富，楊品瑞.R&D投入對(duì)企業(yè)科技創(chuàng)新的效應(yīng)研究——基于貴州省2009—2019年上市公司的面板數(shù)據(jù)［J］.企業(yè)科技與發(fā)展，2021（8）：7-9.

［14］阮書藝，鮑新中，張浩娟.科技型企業(yè)知識(shí)產(chǎn)權(quán)信息披露及其影響因素實(shí)證分析［J］.財(cái)務(wù)管理研究，2021（1）：46-52.

［15］TSAI C.Feature selection in bankruptcy prediction［J］.Knowledge-Based Systems，2008，8（2）：1-8.

［16］LIN RONGHO，YAO-TIEN WANG，CHIH-HUNG WU，ET AL.Developing a business failure prediction model via RST，GRA and CBR［J］.Expert Systems with Applications，2009（36）：1593-1600.

［17］MACMILLAN I C，ZEMANN L，SUBBANARASIMHA PN.Criteria distinguishing successful from unsuccessful ventures in the venture screening process［J］.Jouumal of business Venturing，1987，2（2）：123-137.

［18］PAUL R，GARVEY P R，LANSDOWNE Z F.Risk mat rix：an approach for identifying，assessing，and ranking program risks［J］.Air Force Journal of Logistics，1998（25）：16-19.

［19］HAIMES Y Y，KAPLAN S，LAMBERT J H.Risk Filtering，Ranking，and Management Framework Using Hierarchical Holographic Modeling［J］.Risk Analysis，2002，22（2）：383-397.

［20］BEAVER W.Financial ratios as predictors of failure［J］.Journal of accounting research，1966（4）：71-111.

［21］JAE H. MIN，YOUNG-CHAN LEE.Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters［J］.Expert Systems with Applications，2005（28）：603-614.

［22］SJUR WESTGAARD，NICO VAN DER WIJST.Default probabilities in a corporate bank portfolio： a logistic model approach［J］.Eur J Oper Res，2001，135（2）：338-349.

［23］DOUMPOS M，ZOPOUDINIS C.A multicriteria discrimination method for the prediction of financial distress：the case of Greece［J］.Multinational Finance Journal，1999，3（2）：71-101.

［24］ANON.Predicting Shifts in the Mean of a Multivariate Time Series Process：An Application in Predicting Business Failures［J］.Journal of the American Statistical Association，1993，88（422）：441-449.

［25］EVRENSEL A Y.Banking crisis and financial structure：A survival-time analysis［J］.International Review of Economics and Finance，2008（17）：589-602.

［26］楊保安，季海.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行貸款風(fēng)險(xiǎn)預(yù)警研究［J］.系統(tǒng)工程理論與實(shí)踐，2001（5）：70-74.

［27］吳今培，孫德山.現(xiàn)代數(shù)據(jù)分析［M］.北京：機(jī)械工業(yè)出版社，2006.

［28］VAPNIK V.The nature of statistical learning theory［M］.New York：Springer，1995.

［29］CHRISTOPHER J.C. Burges .A tutorial on support vector machines for pattern recognition［J］.Data Mining and Knowledge Discovery，1998，（2）：121-167.

［30］DAVID MARTENS，BART BAESENS，TONY VAN GES-

TEL，ET AL.Comprehensible credit scoring models using rule extraction from support vector machines［J］.European Journal of Operational Research，2006，183（3）：1466-1476.

［31］KYUNG-SHIK SHIN，YONG-JOO LEE.A genetic algorithm application in bankruptcy prediction modeling［J］.Expert Systems with Applications，2002，23（3）：321-328.

［32］柳炳祥，盛昭翰.基于案例推理的企業(yè)危機(jī)預(yù)警系統(tǒng)設(shè)計(jì)［J］.中國(guó)軟科學(xué)，2003（3）：67-70.

［33］LI SHENGTUN，HO HEIFONG.Predicting financial activity with evolutionary fuzzy case-based reasoning［J］.Expert Systems with Applications，2009（1）：411-422.

［34］WANG S，YANG J.A Money Laundering Risk Evalution Method Based Oon Decision Tree：Proceedings of the Sixth International Conference on Machine Learning and Cybernetics［Z］.Hong Kong：2007.

［35］劉德學(xué)，樊治平，王欣榮.風(fēng)險(xiǎn)投資公司經(jīng)營(yíng)能力的模糊評(píng)價(jià)方法［J］.系統(tǒng)工程理論與實(shí)踐，2002（11）：70-76.

［36］DENG J.The introduction of grey system［J］.Journal of Grey System，1989，1（1）：1-24.

［37］］吳明贊，陳淑燕，陳森發(fā).高新技術(shù)產(chǎn)品開發(fā)投資風(fēng)險(xiǎn)的多層次灰色評(píng)價(jià)［J］.科研管理，2001（5）：117-121.

［38］JIE SUN，HUI LI.Financial distress early warning based on group decision making［J］.Computers & Operations Research，2009，36（3）：885-906.

［39］朱建軍，王夢(mèng)光，劉士新.一種新型不確定AHP的研究與應(yīng)用［J］.管理科學(xué)學(xué)報(bào)，2005，8（5）：15-20.