崔曉辰，陸國慶

（湖南大學(xué) 金融與統(tǒng)計學(xué)院，長沙 410006）

0 引言

隨著世界各國對于技術(shù)創(chuàng)新的重視，越來越多的產(chǎn)業(yè)創(chuàng)新面臨路徑選擇與風(fēng)險控制的雙重壓力與挑戰(zhàn)。風(fēng)險控制不僅僅是產(chǎn)業(yè)創(chuàng)新的重要改進突破口，更是創(chuàng)新主體如何進一步實現(xiàn)高效創(chuàng)新的關(guān)鍵。而對于廣大中小企業(yè)的技術(shù)創(chuàng)新而言，如何突破自身資金、技術(shù)支持與規(guī)模瓶頸，是實現(xiàn)技術(shù)創(chuàng)新與風(fēng)險規(guī)避的本質(zhì)內(nèi)在[1]。何亞玲等（2015）[2]分別利用ANP模型對技術(shù)創(chuàng)新融資風(fēng)險進行了測度分析。然而，BP神經(jīng)訓(xùn)練作為一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，將仿生學(xué)原理與數(shù)據(jù)測度分析結(jié)合，于1986年由Rumelhart和McCellandp[3]提出，之后由Sammut等（2011）[4]做出了模型的改進與參數(shù)選取的路徑修正，然而這一過程仍然存在選取指標與主體之間內(nèi)部疊合作用對精度解釋的干擾。而利用BP框架進行降維是一個基于Markov機理框架的方法創(chuàng)新，利用兩者的耦合性可以提高不同指標在主體內(nèi)部以及外部影響因素之間的關(guān)聯(lián)解釋能力[5]。另一方面，隨著神經(jīng)訓(xùn)練的仿生應(yīng)用逐步推廣，BP神經(jīng)網(wǎng)絡(luò)、遺傳算法、主成分分析逐步計入到跨學(xué)科應(yīng)用的范疇。期間，BP神經(jīng)網(wǎng)絡(luò)被提出與Markov鏈的結(jié)合，在軟件對樣本問題預(yù)測過程中的疊合信息剔除[6]；馬爾科夫鏈同時也在基礎(chǔ)BP架構(gòu)的測度評估方法上獲得了指標選取的改良[7]。在這個基礎(chǔ)上，投資績效的預(yù)測、風(fēng)險評估以及預(yù)測都成為BP神經(jīng)訓(xùn)練的主要應(yīng)用范疇。但與一般的訓(xùn)練預(yù)測和評估不同，創(chuàng)新的風(fēng)險評估分析，往往側(cè)重風(fēng)險與創(chuàng)新疊合的分值方向領(lǐng)域，這使得神經(jīng)訓(xùn)練應(yīng)用更為細化。

本文將傳統(tǒng)BP神經(jīng)訓(xùn)練與Markov鏈進行結(jié)合，按照不同主體的評估賦值進行對比反饋信號差的分層分析；再結(jié)合馬爾科夫鏈將獲得BP訓(xùn)練強信號指標進行量化分解；最終將獲得技術(shù)創(chuàng)新內(nèi)源性風(fēng)險控制與外部融資風(fēng)險影響的關(guān)聯(lián)分離，從而解析技術(shù)創(chuàng)新對主體融資風(fēng)險的影響。

1 BP神經(jīng)網(wǎng)絡(luò)以及Markov改進模型

1.1 風(fēng)險規(guī)避行為信號疊合處理的神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)定

首先，本文針對每個技術(shù)創(chuàng)新風(fēng)險過程的評估按照Markob網(wǎng)絡(luò)結(jié)構(gòu)進行分解，對每一個樣本通過技術(shù)創(chuàng)新能力、產(chǎn)品市場占有率、技術(shù)創(chuàng)新產(chǎn)權(quán)、政策支持進行隱含層節(jié)點數(shù)的確定。其中，每個隱含層輸入節(jié)點的對比反饋信號差的分層分析可以按照基本Markov適應(yīng)度函數(shù)進行調(diào)用：

同時，為削減不同技術(shù)創(chuàng)新融資的風(fēng)險影響，特別是其中技術(shù)創(chuàng)新主體自身對于風(fēng)險識別乃至規(guī)避的行為，對于所選樣本指標的技術(shù)創(chuàng)新投入在主體自身規(guī)避風(fēng)險過程中的投入，進行了樣本訓(xùn)練基數(shù)的疊合剔除。即通過式（1）中的向量差接近值進行重累積，再按照式（2）進行向量差疊合誤差修正：

式（2）負責(zé)刻畫的是在每一個疊加信號序列中，按照樣本原始值與其在不同疊合樣本中存在不同向量矩陣對應(yīng)系數(shù)的乘積累加。再通過層級累積，剔除每一層內(nèi)原始樣本向量總輸出值與BP訓(xùn)練輸出的信號彈性系數(shù)λn。

最后，對于經(jīng)過層級累積后疊加信號序列進行結(jié)合馬爾科夫鏈將獲得BP訓(xùn)練強信號指標進行量化分解：

該類分解基于基礎(chǔ)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得樣本信號值以及經(jīng)過疊合剔除的神經(jīng)訓(xùn)練而成（見圖1）。

圖1 基于風(fēng)險規(guī)避自主行為剔除的疊合處理BP訓(xùn)練集

1.2 疊加剔除的BP-Markov歸一化處理

一般而言，適用于樣本反饋值靈敏度的Markov異步狀態(tài)是按照靈敏度矩陣獲得，即：

通過式（3）可以剔除對主體技術(shù)創(chuàng)新過程自身風(fēng)險規(guī)避的行為對整個技術(shù)創(chuàng)新融資風(fēng)險分析的影響。但剔除后經(jīng)過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本對關(guān)聯(lián)信號的反饋形成了數(shù)據(jù)非歸一化的反饋特征，因此須進一步經(jīng)過疊合剔除處理的樣本向量集進行歸一化矩陣處理：

綜上所述，在維持性血液透析治療中開展心理護理干預(yù)，有助于患者負性情緒的緩解和消除，在改善預(yù)后和確保治療的順利進行方面存在積極的影響。

由此，最終獲得包含樣本數(shù)據(jù)疊合行為分離的清晰信號值，將基于式（5）的疊合創(chuàng)新融資風(fēng)險規(guī)避行為剔除后的樣本信號反饋進行重寫訓(xùn)練向量方差累積，再以剔除后無疊合部分的非歸一化訓(xùn)練樣本進行Markov驗證（見圖2）。圖2所示的訓(xùn)練模式基于前一種訓(xùn)練結(jié)果的訓(xùn)練模式行為遞進剔除，形成了包含疊合單元剔除后完備且精簡的反饋信息。即可以直接對比的技術(shù)創(chuàng)新融資風(fēng)險評估對象樣本整理集，確保每組信號值具備歸一化的信號向量矩陣。

2 技術(shù)創(chuàng)新融資風(fēng)險評估指標

為進一步克服基礎(chǔ)BP神經(jīng)網(wǎng)絡(luò)給技術(shù)創(chuàng)新融資風(fēng)險驗證過程收斂趨同帶來的精度削減問題，本文將基礎(chǔ)BP神經(jīng)網(wǎng)絡(luò)結(jié)合馬爾科夫進行基于樣本風(fēng)險評估賦值的Markov鏈式遺傳算法閾值優(yōu)化。首先，確立技術(shù)創(chuàng)新能力、產(chǎn)品市場占有率、技術(shù)創(chuàng)新產(chǎn)權(quán)，以及政策支持作為技術(shù)創(chuàng)新的自我改進以及外部支持等方面的指標，具體測算方法如表1所示。

圖2 剔除疊合后的BP-Markov歸一化處理

表1 技術(shù)創(chuàng)新融資風(fēng)險測度

同時，本文結(jié)合上市企業(yè)財務(wù)、技術(shù)顧問、管理層等人員針對所選指標對應(yīng)的13個上市企業(yè)樣本進行技術(shù)創(chuàng)新融資風(fēng)險評估賦值，表2對于以上融資風(fēng)險相關(guān)指標分解進行了統(tǒng)計分析。

表2 樣本數(shù)據(jù)統(tǒng)計分析

從驗證樣本的綜合風(fēng)險評估來看，僅有兩個上市樣本企業(yè)在選取指標的原始數(shù)據(jù)上報告低于0.05的風(fēng)險評估賦值。說明就原始數(shù)據(jù)而言，大部分上市企業(yè)樣本對于選取指標一致認可。同時，從產(chǎn)品市場占有率這一選取指標的原始風(fēng)險評估值來看，也僅有一個原始樣本上市企業(yè)有低于0.05的評估值，可以看出無論是技術(shù)創(chuàng)新能力、產(chǎn)品市場占有率，還是技術(shù)創(chuàng)新產(chǎn)權(quán)覆蓋率，以及政策支持都對技術(shù)創(chuàng)新的融資風(fēng)險削減有同向原始信號關(guān)聯(lián)特征。

將上述13個上市樣本企業(yè)作為分析研究對象，并就其中的風(fēng)險估值原始數(shù)據(jù)的累計貢獻率進行分析，結(jié)合SPSS21.0獲得各個影響企業(yè)技術(shù)創(chuàng)新融資風(fēng)險指標的累計方差。簡單分析結(jié)果顯示，獲得80%以上累計方差貢獻率的樣本數(shù)量，占全部驗證樣本的65%以上。由此，本文以樣本所選取指標的方差以及累積方差貢獻率進行進一步測度。表3報告了基于SPSS21.0計算獲得的樣本企業(yè)平均累計方差結(jié)果。

表3 主成分分析

從表3可以看出，不論是技術(shù)創(chuàng)新能力、產(chǎn)品市場占有率，還是技術(shù)創(chuàng)新產(chǎn)權(quán)覆蓋和政策支持，各因子對應(yīng)的風(fēng)險評估基礎(chǔ)值的方差以及累積方差都表現(xiàn)出相對的獨立性，但是集中偏低的方差，并未直接指向累積方差貢獻率，說明上述因素的選擇也均存在相對獨立性。另外，技術(shù)創(chuàng)新產(chǎn)權(quán)覆蓋率成為樣本評估自選因素中的最高累計方差的選取指標，其累計方差貢獻率達到78.456%。可見各個上市企業(yè)在自身產(chǎn)品的選擇以及總體均值表現(xiàn)出相對的發(fā)散，而不同指標之間的方差差值未超過15%，因此需要對不同選取指標進行進一步的特征向量矩陣標度分析。

3 技術(shù)創(chuàng)新融資風(fēng)險耦合分析

根據(jù)上述分析，將各個具有顯著特征的指標，分別按照1～5劃分為完全不同意、不同意、可以、同意，以及完全同意五個指標判定等級，對應(yīng)李克特五級量表。再按照13個樣本企業(yè)主體內(nèi)部管理人員對于技術(shù)創(chuàng)新及其融資風(fēng)險評估予以賦值，并對二級指標主成分進行分析，其中得分比重按照相應(yīng)的指標體系進行向量集的隸屬度測度，即：

其中，oppro、opetp分別負責(zé)刻畫的是專家組以及13個樣本企業(yè)內(nèi)部管理人員對于主體技術(shù)創(chuàng)新與融資風(fēng)險的選取指標評估意見，按照1～5級進行比重的隸屬度測算如下：

通過每一樣本主體以及專家之間的評估向量隸屬度可以獲得經(jīng)過修正的主成分分析指標信號，且按照信號強弱可以獲得如式（8）所示的向量指標矩陣。將其中存在自身組織風(fēng)險和技術(shù)創(chuàng)新融資風(fēng)險交疊的信號剔除，從而提升耦合BP-Markov對技術(shù)創(chuàng)新融資風(fēng)險所選指標風(fēng)險的BP訓(xùn)練精度。式（6）和式（7）所得的技術(shù)創(chuàng)新指標可按照矩陣（8）進行進一步的BP訓(xùn)練精度調(diào)整。

基于式（8），除完全不同意之外的四層級對比中顯著一方要素的重新耦合模式訓(xùn)練成分分析結(jié)果如表4所示。

表4 基于耦合BP-Markov改進的主成分分析結(jié)果

從表4可以看出，每一層指標的主成分分析對應(yīng)的專家意見以及參與樣本主體的技術(shù)創(chuàng)新內(nèi)部管理都獲得了較為平穩(wěn)的驗證序列結(jié)果。其中標準差和方差貢獻率都為技術(shù)創(chuàng)新融資風(fēng)險的關(guān)聯(lián)解釋構(gòu)造出趨減的改進主成分分析結(jié)果。并且相較于方差貢獻率，標準差（從2.165降至0.582）具備的意見級差要相對較??；方差貢獻率在1級和2級表現(xiàn)出相對接近的主成分分析結(jié)構(gòu)。由于標準差在遞推一級的評估估計賦值中有類似的表現(xiàn)，表明按照耦合BP-Markov在完全不同意、不同意的評估賦值表述、不同意與可以的評估賦值上有待進一步細化。

而與此同時，累計貢獻率則逐步趨增，說明耦合BP-Markov在技術(shù)創(chuàng)新能力、產(chǎn)品市場占有率以及技術(shù)創(chuàng)新產(chǎn)權(quán)覆蓋率方面形成與技術(shù)創(chuàng)新融資風(fēng)險的同向關(guān)聯(lián)。

圖3 基于耦合BP-Markov修正的技術(shù)創(chuàng)新融資風(fēng)險評估量化

最后，本文選擇將所選技術(shù)創(chuàng)新樣本主體按照相對緊逼的專家、測度樣本主體內(nèi)部管理層意見進行耦合BP-Markov精度調(diào)整。從圖3評估量化結(jié)果來看，技術(shù)創(chuàng)新能力、政策支持都表現(xiàn)出與驗證主體創(chuàng)新風(fēng)險的相對弱關(guān)聯(lián)。經(jīng)過量化的技術(shù)創(chuàng)新能力在專利新增以及政府的技術(shù)創(chuàng)新補貼等方面未直接對技術(shù)創(chuàng)新主體的融資獲得產(chǎn)生阻滯作用，且政府支持在總體上的量化均值為19.81，技術(shù)創(chuàng)新能力的量化均值為34.44。

相比之下，技術(shù)創(chuàng)新產(chǎn)權(quán)在所選技術(shù)創(chuàng)新樣本主體中，超過50的耦合BP-Markov主成分分析量化值占到9個，覆蓋率為64.3%，且量化均值為69.1。說明技術(shù)創(chuàng)新專利作為反復(fù)主成分分析后，仍然保持對技術(shù)創(chuàng)新融資風(fēng)險關(guān)聯(lián)的顯著解釋，且其對于兩者的解釋量化關(guān)聯(lián)程度要高于技術(shù)創(chuàng)新能力、產(chǎn)品市場占有率和政策支持指標。因此，對于技術(shù)創(chuàng)新而言，在謀求內(nèi)部管理的融資風(fēng)險控制的同時，應(yīng)注意及時控制創(chuàng)新形成的專利等成果，從而提升技術(shù)創(chuàng)新主體所獲的融資風(fēng)險控制效果。

4 結(jié)束語

通過改進后訓(xùn)練步長對比進行相應(yīng)的技術(shù)創(chuàng)新融資風(fēng)險評估驗證證實，技術(shù)創(chuàng)新能力、產(chǎn)品市場占有率、技術(shù)創(chuàng)新產(chǎn)權(quán)覆蓋率具備同向關(guān)聯(lián)性質(zhì)的信號反饋。但在基礎(chǔ)BP訓(xùn)練中反饋的技術(shù)創(chuàng)新與融資風(fēng)險強度相對獨立，而在專家以及技術(shù)創(chuàng)新主體內(nèi)部管理層評估分值緊逼的意見層中選取的指標，對于技術(shù)創(chuàng)新的融資風(fēng)險解釋更具備耦合BP-Markov信號精度。從檢驗的結(jié)果來看，目前階段我國企業(yè)自身創(chuàng)新能力與金融支持的預(yù)期效應(yīng)差距、政府期望都是影響融資主體抵御風(fēng)險的主要因素；而對于創(chuàng)新產(chǎn)權(quán)糾紛的有效處理，也是制約企業(yè)成功獲得融資的重要前提。

參考文獻：

[1]黃福寧.技術(shù)創(chuàng)新投融資風(fēng)險狀態(tài)的識別研究[J].科學(xué)管理研究,2009,27(4).

[2]何亞玲.甘肅省中小企業(yè)技術(shù)創(chuàng)新融資風(fēng)險的ANP評價[J].蘭州文理學(xué)院學(xué)報：社會科學(xué)版,2015,31(4).

[3]Mcclelland J,Rumelhart D.Open Questions About Computation in Cerebral Cortex[M].Massachusetts：MIT Press,1987.

[4]Sammut C.Generalized Delta Rule[J].Encyclopedia of Machine Learning,2011.

[5]周方明,張明媛,袁永博.基于PCA-GA-BP的工程項目工期風(fēng)險預(yù)測研究[J].工程管理學(xué)報,2011,25(5).

[6]Sadeghi B H M.A BP-neural Network Predictor Model for Plastic Injection Molding Process[J].Journal of Materials Processing Technology,2000,103(3).

[7]Tang Q,Dai J,Liu J,et al.Quantitative Detection of Defects Based on Markov-PCA-BP Algorithm Using Pulsed Infrared Thermography Technology[J].Infrared Physics&Technology,2016.