陳思鳳， 劉業(yè)政

（合肥工業(yè)大學(xué) 管理學(xué)院，安徽 合肥 230009）

我國經(jīng)濟和社會發(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。創(chuàng)業(yè)投資為解決這一難題提供了投融資工具，但傳統(tǒng)創(chuàng)業(yè)投資體系面臨著創(chuàng)業(yè)資本有效供給不足和社會資本大量閑置的難題。創(chuàng)業(yè)板市場則將創(chuàng)業(yè)投資與現(xiàn)代金融體系結(jié)合起來，在支持中小企業(yè)融資、促進(jìn)高新技術(shù)企業(yè)發(fā)展的過程中顯露出了極大的創(chuàng)造力。然而，由于創(chuàng)業(yè)板上市企業(yè)的不成熟性、動態(tài)性、前景不確定性以及信息環(huán)境的復(fù)雜性等特征，使其風(fēng)險問題更加受到市場的關(guān)注，但現(xiàn)有文獻(xiàn)很少基于創(chuàng)業(yè)板市場來研究風(fēng)險預(yù)警問題。本文提出了一個創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警問題的研究框架和風(fēng)險評估指標(biāo)體系的統(tǒng)一分析架構(gòu)及關(guān)鍵指標(biāo)選擇方法，歸納了適合創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警的建模方法，最后指出了創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警研究所面臨的關(guān)鍵問題及后續(xù)研究方向。

1 相關(guān)概念及研究框架

1.1 創(chuàng)業(yè)投資及創(chuàng)業(yè)板市場

創(chuàng)業(yè)投資（Venture Capital）是在蘊藏著較大失敗危險的高新技術(shù)開發(fā)領(lǐng)域，向極具發(fā)展?jié)摿Φ?、新建企業(yè)或中小企業(yè)提供股權(quán)資本，以期獲取資本增值收益的投資方式［1－2］。創(chuàng)業(yè)板市場是將創(chuàng)業(yè)投資與現(xiàn)代金融體系相結(jié)合形成的證券交易市場，對中小企業(yè)融資和成長有著不可替代的積極作用［2］，它從制度上解決了傳統(tǒng)創(chuàng)業(yè)投資環(huán)境下參與主體廣度不夠的缺陷，拓寬了創(chuàng)業(yè)投資循環(huán)的渠道，為改善高新技術(shù)產(chǎn)業(yè)及新興產(chǎn)業(yè)的可持續(xù)發(fā)展能力創(chuàng)造了必要的條件。

西方發(fā)達(dá)國家的創(chuàng)業(yè)板市場已趨于成熟［3］。20世紀(jì)90年代末以來，創(chuàng)業(yè)板市場一直是國內(nèi)創(chuàng)業(yè)投資領(lǐng)域研究的熱點，文獻(xiàn)［4－6］圍繞創(chuàng)業(yè)板市場的性質(zhì)、創(chuàng)業(yè)板市場與主板市場的差異及創(chuàng)業(yè)板市場建設(shè)等方面展開了廣泛的研究。研究表明，創(chuàng)業(yè)板市場及創(chuàng)業(yè)板市場上市企業(yè)具有不成熟性、前景不確定性、信息環(huán)境的復(fù)雜性和動態(tài)性等特征?，F(xiàn)有文獻(xiàn)很少基于創(chuàng)業(yè)板市場來研究風(fēng)險預(yù)警問題，而構(gòu)建創(chuàng)業(yè)板上市企業(yè)風(fēng)險評估指標(biāo)體系依然是現(xiàn)有研究的難題。

國內(nèi)研究的主要局限是缺乏必要的實踐基礎(chǔ)，現(xiàn)有研究主要采用境外創(chuàng)業(yè)板市場數(shù)據(jù)、基于主板市場構(gòu)造的虛擬數(shù)據(jù)或中小板市場數(shù)據(jù)［5］。目前，雖然內(nèi)地創(chuàng)業(yè)板市場已正式開立，但由于市場運行時間很短，支持風(fēng)險建模的有效樣本依然貧乏。因此，選擇合適的風(fēng)險分析方法，構(gòu)造具有良好預(yù)測能力和穩(wěn)定性的決策支持系統(tǒng)是創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警的另一個難點。

1.2 研究框架

企業(yè)風(fēng)險預(yù)警是指應(yīng)用領(lǐng)域知識、統(tǒng)計學(xué)方法和模式識別、機器學(xué)習(xí)及數(shù)據(jù)挖掘等方法，構(gòu)建評估、識別、預(yù)測企業(yè)風(fēng)險的模型并據(jù)此控制企業(yè)活動的過程。文獻(xiàn)［7－8］圍繞風(fēng)險預(yù)警過程，從實證的角度對企業(yè)風(fēng)險判定準(zhǔn)則、預(yù)測指標(biāo)體系構(gòu)建、建模方法及其預(yù)警能力分析以及風(fēng)險管理等關(guān)鍵問題開展了廣泛的研究。圖1所示為創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警研究框架。

圖1 創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警研究框架

2 創(chuàng)業(yè)板上市企業(yè)風(fēng)險因素及指標(biāo)體系

創(chuàng)業(yè)板上市企業(yè)風(fēng)險評估指標(biāo)體系的構(gòu)建一般是根據(jù)創(chuàng)業(yè)板上市企業(yè)的特點，通過風(fēng)險情景分析，了解風(fēng)險來源及其影響因素，從不同的視角研究風(fēng)險因素之間的相互關(guān)系、關(guān)鍵影響指標(biāo)，最后建立一套適合創(chuàng)業(yè)板上市企業(yè)特點的風(fēng)險評估指標(biāo)體系。

2.1 創(chuàng)業(yè)板上市企業(yè)風(fēng)險源識別

識別風(fēng)險來源是構(gòu)建創(chuàng)業(yè)板上市企業(yè)風(fēng)險評估指標(biāo)體系的基礎(chǔ)，目前國內(nèi)外學(xué)者對創(chuàng)業(yè)企業(yè)的風(fēng)險因素進(jìn)行了大量一般性研究，例如，從內(nèi)部運作管理、經(jīng)營環(huán)境以及產(chǎn)權(quán)組織等角度綜合分析多個風(fēng)險因素。創(chuàng)業(yè)板上市企業(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)以及穩(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)險預(yù)警指標(biāo)需要反映企業(yè)的技術(shù)狀況、管理與團隊中包含的風(fēng)險因素、企業(yè)面臨的市場潛力及其開拓能力以及企業(yè)抗擊環(huán)境沖擊的能力，特別是分析宏觀經(jīng)濟環(huán)境、行業(yè)狀況以及政策法律等系統(tǒng)性變化給企業(yè)帶來的影響。

雖然多因素分析比單因素分析能更全面地反映創(chuàng)業(yè)板上市企業(yè)的風(fēng)險狀況，但已有文獻(xiàn)仍然缺乏一個綜合的概念框架來指導(dǎo)人們從整體上描述風(fēng)險來源和系統(tǒng)地觀察不同風(fēng)險之間的關(guān)系。平衡計分卡［9］既是一項戰(zhàn)略規(guī)劃工具，又是一個績效評價系統(tǒng)，它通過財務(wù)層面、內(nèi)部流程層面、學(xué)習(xí)成長層面以及市場客戶層面等4個視角來體現(xiàn)企業(yè)績效，基于這4項指標(biāo)，使得企業(yè)可以明晰和系統(tǒng)地解釋其策略執(zhí)行過程［10］。本文借助平衡計分卡的思想，結(jié)合創(chuàng)業(yè)板上市企業(yè)的特性，在總結(jié)創(chuàng)業(yè)企業(yè)風(fēng)險因素的基礎(chǔ)上給出了一個風(fēng)險預(yù)警指標(biāo)體系，見表1所列。

2.2 創(chuàng)業(yè)板上市企業(yè)風(fēng)險評估關(guān)鍵因素分析方法

通過風(fēng)險情景分析得到的是創(chuàng)業(yè)板上市企業(yè)風(fēng)險因素全集，指標(biāo)數(shù)量過于繁多，這不僅增加了評價結(jié)果的不確定性，對所有指標(biāo)進(jìn)行監(jiān)測在管理上也不可行。實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2類，一類是數(shù)據(jù)挖掘的方法，如統(tǒng)計方法［11］及人工智能方法［12］，另一類是專家方法［13－14］，最常用的方法是結(jié)合層次分析法（AHP）與多屬性效用理論。聯(lián)系平衡計分卡原理可以從多個視角（如財務(wù)、內(nèi)部流程、學(xué)習(xí)成長、市場客戶以及經(jīng)營環(huán)境等）考察創(chuàng)業(yè)企業(yè)風(fēng)險?；谂判虻亩鄬傩詻Q策方法，也可以用來識別關(guān)鍵風(fēng)險因素，比如采用風(fēng)險矩陣方法［15］、基于全息層次模型（hierarchical holographic model，簡稱 HHM）的風(fēng)險過濾、排序和管理框架［16］。

表1 創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警指標(biāo)體系

3 風(fēng)險預(yù)警建模方法

依據(jù)建模所基于的知識來源，企業(yè)風(fēng)險預(yù)警建模方法可分為數(shù)據(jù)驅(qū)動法、專家驅(qū)動法以及集成法3類。本文重點對數(shù)據(jù)驅(qū)動法、專家驅(qū)動方法進(jìn)行綜述，并通過對所建模型的復(fù)雜性、預(yù)測能力以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)合創(chuàng)業(yè)板市場的特征給出適合創(chuàng)業(yè)板風(fēng)險預(yù)警建模的有效方法，如圖2所示。

3.1 數(shù)據(jù)驅(qū)動的建模方法

數(shù)據(jù)驅(qū)動的方法是通過對歷史數(shù)據(jù)的學(xué)習(xí)得到企業(yè)風(fēng)險的知識，在此基礎(chǔ)上構(gòu)造風(fēng)險預(yù)警模型，用得到的模型對測試樣本進(jìn)行風(fēng)險識別并對未見樣本的風(fēng)險狀況進(jìn)行預(yù)測。

統(tǒng)計方法和人工智能方法是2類常用的數(shù)據(jù)驅(qū)動建模方法。

3.1.1 統(tǒng)計方法

（1）單變量判別分析。單變量判別分析模型（Univariate Analysis，簡稱 UA）是最早用于企業(yè)風(fēng)險預(yù)警領(lǐng)域的統(tǒng)計方法。文獻(xiàn)［17］運用UA方法對財務(wù)比率與企業(yè)破產(chǎn)風(fēng)險之間的關(guān)系進(jìn)行定量研究。這一模型的一個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企業(yè)風(fēng)險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， 簡 稱MDA）的主要思想是最大化分類之間協(xié)方差的同時使每一類內(nèi)部特征協(xié)方差最?。?8］。MDA在企業(yè)風(fēng)險預(yù)警中得到了廣泛的應(yīng)用，通常企業(yè)風(fēng)險數(shù)據(jù)難以滿足類內(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。另外模型也不考慮有風(fēng)險和無風(fēng)險企業(yè)的先驗概率以及分類錯誤代價的差異，使用模型截斷點得到的分類結(jié)果往往與決策者的風(fēng)險偏好不一致，因此基于MDA方法的預(yù)警結(jié)果可能是有偏的［19］。

圖2 常用的建模方法

（3）概率回歸模型。為解決MDA方法容易對截斷點附近企業(yè)誤判的問題，可以采用線性概率回歸模型（Linear Probability Model，簡 稱LPM）、Probit模型和 Logit模型［20］。概率回歸模型可以在企業(yè)財務(wù)比率和風(fēng)險事件的概率之間建立起聯(lián)系，使得結(jié)果具有實際意義。這類模型的的局限是對多重共線性、離群點和丟失值極為敏感［21］，但大多數(shù)風(fēng)險預(yù)警模型都需要用到企業(yè)的財務(wù)比率數(shù)據(jù)，限制了模型在風(fēng)險預(yù)警中的運用。

（4）累積和時間序列方法。通常企業(yè)風(fēng)險是一個漸變的過程，MDA、Logit和Probit使用截面財務(wù)數(shù)據(jù)，忽略了前期財務(wù)信息的有用性，而累積和時間序列方法（Cumulative Sum，簡稱CUSUM）［22］則可以探測企業(yè)狀況由好轉(zhuǎn)壞的拐點，對經(jīng)營狀況惡化反映敏感并具有記憶力，因此包括了企業(yè)風(fēng)險演化的動態(tài)過程的信息。這一模型還可以區(qū)分預(yù)測變量變化的原因，識別導(dǎo)致企業(yè)風(fēng)險的長期結(jié)構(gòu)性因素，因此，非常適合于對企業(yè)風(fēng)險進(jìn)行動態(tài)分析［23］。

3.1.2 人工智能方法

隨著信息技術(shù)的發(fā)展，近年來人工智能模型被引入企業(yè)風(fēng)險預(yù)警，并逐漸成為研究的熱點，許多基于人工智能的風(fēng)險預(yù)警模型在預(yù)測準(zhǔn)確率方面已超越傳統(tǒng)的基于統(tǒng)計技術(shù)的風(fēng)險預(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都在企業(yè)風(fēng)險預(yù)警領(lǐng)域得到了應(yīng)用。

（1）人工神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡稱ANN）被廣泛地運用于信用風(fēng)險和企業(yè)經(jīng)營風(fēng)險預(yù)警領(lǐng)域［24－25］。人工神經(jīng)網(wǎng)絡(luò)不需要對數(shù)據(jù)特征進(jìn)行假設(shè)，增強了學(xué)習(xí)的模型對未見樣本的泛化能力；樣本特征對應(yīng)的網(wǎng)絡(luò)結(jié)點采取非線性聯(lián)結(jié)并且并行交換信息，符合企業(yè)風(fēng)險的演化機制；神經(jīng)網(wǎng)絡(luò)具有較強的噪聲容忍能力。與傳統(tǒng)的統(tǒng)計方法相比人工神經(jīng)網(wǎng)絡(luò)更適合于處理企業(yè)風(fēng)險預(yù)警這一類復(fù)雜問題。

（2）支持向量機方法。支持向量機方法（Support Vector Machines，簡稱 SVM）［26］是從感知機發(fā)展而來的，其實質(zhì)是一個不包含隱藏層的神經(jīng)網(wǎng)絡(luò)，基本思想是通過某種非線性映射將輸入映射到高維特征空間，從而可以使用線性模型實現(xiàn)非線性分類。目前絕大多數(shù)基于SVM的企業(yè)風(fēng)險預(yù)警模型強調(diào)模型的預(yù)測能力，而忽視模型的決策支持能力，從而削弱了風(fēng)險預(yù)警模型的實際應(yīng)用價值。

（3）遺傳算法。遺傳算法（Genetic Algorithm，簡稱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)的隨機搜索技術(shù)。遺傳算法在企業(yè)風(fēng)險預(yù)警領(lǐng)域主要有2方面的應(yīng)用：① 運用遺傳算法以財務(wù)比率為基礎(chǔ)提取ifthen判別規(guī)則，使得建立的預(yù)警模型容易理解；②現(xiàn)有文獻(xiàn)更普遍的是利用遺傳算法優(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)測準(zhǔn)確率和泛化能力［14］。

（4）基于案例推理方法?；诎咐评矸椒ǎ–ase－Based Reasoning，簡稱 CBR）是在復(fù)雜變化的環(huán)境中解決問題的決策方法，一般運用K臨近算法對存貯的案例分類，在企業(yè)風(fēng)險預(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［27］。案例回溯是CBR系統(tǒng)中最重要的步驟，基于案例推理方法的企業(yè)風(fēng)險預(yù)警系統(tǒng)方面的研究主要集中在這一問題上［28］。

此外，粗糙集理論、決策樹方法、模糊集理論和灰色理論在風(fēng)險預(yù)警建模方面均得到了廣泛應(yīng)用［29－31］。

3.2 專家驅(qū)動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)動的方法構(gòu)造預(yù)警模型。專家根據(jù)所掌握的領(lǐng)域知識先驗地給出風(fēng)險預(yù)警模型，并據(jù)此確定樣本特征與企業(yè)風(fēng)險之間的函數(shù)關(guān)系。

另外，當(dāng)財務(wù)信息與風(fēng)險事件之間存在時滯、量化信息不可靠、系統(tǒng)風(fēng)險特征發(fā)生顯著改變以及其他難以度量的因素變化時，企業(yè)風(fēng)險預(yù)警模型就變得對財務(wù)等量化數(shù)據(jù)不敏感甚至無效。此時專家利用其經(jīng)驗和領(lǐng)域知識做出的預(yù)測則更為有效。企業(yè)風(fēng)險預(yù)測是一個復(fù)雜的多屬性決策問題，專家方法主要是通過結(jié)合層次分析法（AHP）和群決策方法（GDSS）來實現(xiàn)模型構(gòu)造過程。目前研究主要集中在專家意見表示、群內(nèi)專家的協(xié)商機制以及專家意見的集結(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熱點［32］，然而根據(jù)風(fēng)險預(yù)警問題的復(fù)雜性、專家知識的有限性，確定合理的專家規(guī)模，簡化模型結(jié)構(gòu)，提高決策效率，增強基于群決策方法的風(fēng)險預(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)勢和局限，方法之間可能是互補的，集成方法即組合幾種數(shù)據(jù)驅(qū)動方法或是混合集成數(shù)據(jù)驅(qū)動方法和專家驅(qū)動的方法往往可以得到理想的效果。

3.3 風(fēng)險預(yù)警建模方法選擇及其評述

綜上所述，運用統(tǒng)計方法構(gòu)造企業(yè)風(fēng)險預(yù)警模型具有突出的優(yōu)點，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)測變量到預(yù)測結(jié)果的決策規(guī)則，因此決策過程更為符合人們的思維習(xí)慣，具有較強的可解釋性。

傳統(tǒng)的統(tǒng)計方法存在2個方面的根本缺陷：①對數(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；② 數(shù)據(jù)處理能力有限，缺乏處理非線性數(shù)據(jù)的能力。這些缺陷會導(dǎo)致嚴(yán)重的后果，如因分布指定錯誤導(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)險非線性演化機制，離群點、噪聲數(shù)據(jù)以及不完整數(shù)據(jù)的影響導(dǎo)致預(yù)警模型魯棒性差等弱點，因此對復(fù)雜的企業(yè)風(fēng)險預(yù)警問題往往得不到人們所期望的精度。

創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警模型往往需要處理高維數(shù)據(jù)，同時，從現(xiàn)實中收集的樣本數(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。SVM采用結(jié)構(gòu)風(fēng)險最小化原則，以較少的樣本即可獲得良好的泛化性能，為打開決策過程黑箱、幫助用戶理解和解釋決策結(jié)果提供了分析的數(shù)學(xué)基礎(chǔ)，因而更適合于創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警。

雖然應(yīng)用SVM作為用于創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警建模方法具有良好的前景，但仍然面臨一些挑戰(zhàn)。

（1）進(jìn)一步提高風(fēng)險預(yù)警模型的預(yù)警能力：① 克服先驗知識的影響，改善風(fēng)險預(yù)警模型的適應(yīng)能力；②克服建模樣本信息貧乏和創(chuàng)業(yè)板市場的動態(tài)特征的影響，使基于SVM的模型在缺乏歷史數(shù)據(jù)以及數(shù)據(jù)信息量不豐富的動態(tài)環(huán)境下仍然具備較好預(yù)警能力。

（2）開發(fā)結(jié)構(gòu)簡單的SVM風(fēng)險預(yù)警模型，增強模型的決策支持能力，以提高創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警模型的實用價值：① 在模型中融入領(lǐng)域知識，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；② 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)險管理措施，以提高企業(yè)風(fēng)險預(yù)警模型的實際應(yīng)用價值。

RST、FST、CBR、DT等人工智能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企業(yè)風(fēng)險預(yù)警問題進(jìn)行研究，因此更為符合客觀實際以及人們的思考習(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)險之間的關(guān)系正成為研究的熱點之一。

4 總結(jié)與展望

綜上所述，創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警研究需要解決以下幾個關(guān)鍵問題：

（1）理解創(chuàng)業(yè)板上市企業(yè)的風(fēng)險特征及其影響因素，進(jìn)而構(gòu)建創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警指標(biāo)體系是研究的關(guān)鍵，也是難點所在。

（2）避免樣本分布不平衡、樣本發(fā)展不成熟以及噪聲數(shù)據(jù)和離群點對模型泛化能力的不利影響，并考慮決策者風(fēng)險偏好，從而使得預(yù)警模型具有動態(tài)適應(yīng)性和交互能力。

（3）簡化預(yù)警模型結(jié)構(gòu)，理解和解釋預(yù)警模型的決策過程是風(fēng)險預(yù)警模型具有應(yīng)用價值的關(guān)鍵，采用合適的技術(shù)提取模型中隱含的規(guī)則并將其可視化是另一個值得研究的問題。

具體來講，基于SVM的創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警研究可從以下幾個方面展開：

（1）創(chuàng)業(yè)板上市企業(yè)風(fēng)險預(yù)警指標(biāo)體系研究。

（2）基于先驗知識的支持向量分類算法研究。

（3）風(fēng)險預(yù)警模型決策規(guī)則提取技術(shù)及可視化研究。

（4）應(yīng)用實例及專家方法與智能預(yù)警模型方法的融合研究。

［1］成思危.發(fā)展我國風(fēng)險投資的幾點戰(zhàn)略思考［J］.中國創(chuàng)業(yè)投資與高科技，2002（6）：10－14.

［2］Black G.Venture capital and the structure of capital markets：banks versus stock markets［J］.Journal of Financial Economics，1998，47：243－277.

［3］Schultz P.Who makes markets［J］.Journal of Financial Markets，2003（6）：49－72.

［4］崔海萍.二板市場的建立對主板市場的影響［J］.北京證券研究季刊，2000（2）：5－8.

［5］李 波.從納斯達(dá)克看中國二板市場［J］.經(jīng)濟與管理研究，2001（2）：14－17.

［6］王國剛.創(chuàng)業(yè)投資高新技術(shù)產(chǎn)業(yè)化［J］.中國科技信息，2002（12）：20－21.

［7］Lennox C.Identifying failing companies：a reevaluation of the logit，probit and DA approaches［J］.Journal of Economics and Business，1999，51：347－364.

［8］王滿玲，楊德禮.國外公司財務(wù)困境預(yù)測研究進(jìn)展評述［J］.預(yù)測，2004，23（6）：16－21.

［9］Kaplan R，Norton D.The balanced scorecard：measures that drive performance［J］.Harvard Business Review，1992（1）：71－79.

［10］嚴(yán)復(fù)海，張 冉.企業(yè)風(fēng)險管理與業(yè)績評價整合：基于平衡計分卡的研究［J］.北京工商大學(xué)學(xué)報：社會科學(xué)版，2008，23（5）：17－21.

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

［12］Lin R，Wang Y，Wu C，et al.Developing a business failure prediction model via RST，GRA and CBR［J］.Expert Systems with Applications，2009，36：1593－1600.

［13］Macmillan I C，Zemann L，Subbanarasimha P N.Criteria distinguishing successful from unsuccessful ventures in the venture screening process［J］.Jouumal of Business Venturing，1987，2（2）：123－137.

［14］Pfeifer L R N.A crossnational prediction model for business success［J］.Journal of Small Business Management，2001，39（3）：228－229.

［15］Paul R，Garvey P R，Lansdowne Z F.Risk matrix：an approach for identifying，assessing，and ranking program risks［J］.Air Force Journal of Logistics，1998（25）：16－19.

［16］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.

［17］Beaver W.Financial ratios as predictors of failure［J］.Journal of Accounting Research，1966，4：71－111.

［18］Min J H，Lee Y.Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters［J］.Expert Systems with Applications，2005，28：603－614.

［19］Gu Z.Analyzing bankruptcy in the restaurant industry：a multiple discriminant model［J］.Hospitality Management，2002，21：25－42.

［20］Ohlson J.Financial ratios and the probabilistic prediction of bankruptcy［J］.Journal of Accounting Research，1980，18（1）：109－131.

［21］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.

［22］Theodossiou P.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.

［23］Kahya E，Theodossiou P.Predicting corporate financial distress：a time－series CUSUM methodology［J］.Review of Quantitative Finance and Accounting，1999，13：323－345.

［24］郭英見，吳 沖，于天軍.基于BP神經(jīng)網(wǎng)絡(luò)組和DS證據(jù)理論的信用風(fēng)險評估算法［J］.合肥工業(yè)大學(xué)學(xué)報：社會科學(xué)版，2009，23（5）：42－45.

［25］楊淑娥，王樂平.基于BP神經(jīng)網(wǎng)絡(luò)和面板數(shù)據(jù)的上市公司財務(wù)危機預(yù)警［J］.系統(tǒng)工程理論與實踐，2007（2）：61－66.

［26］Vapnik V.The nature of statistical learning theory［M］.New York：Springer，1995：80－100.

［27］柳炳祥，盛昭翰.基于案例推理的企業(yè)危機預(yù)警系統(tǒng)設(shè)計［J］.企業(yè)管理，2003（3）：7－10.

［28］Li H，Sun J，Sun B.Financial distress prediction based on OR－CBR in the principle of k－nearest neighbors［J］.Expert Systems with Applications，2009，36：643－659.

［29］Zimmermann H J.Fuzzy set theory and its applications［M］.London：Kluwer Academic Publishers，1996：40－56.

［30］Vigier H P，Terce?no A.A model for the prediction of“diseases”of firms by means of fuzzy relations［J］.Fuzzy Sets and Systems，2008，159：2299－2316.

［31］劉德學(xué)，樊治平，王欣榮.風(fēng)險投資公司經(jīng)營能力的模糊評價方法［J］.系統(tǒng)工程理論與實踐，2002，11：70－76.

［32］Sun J，Li H.Financial distress early warning based on group decision making［J］.Computers ＆ Operations Research，2009，36：885－906.