陈思凤

摘要：建立科学的科技型上市企业风险预警模型对相关各方提高风险管理能力有着极为重要的作用。文章总结了科技型上市企业的风险因素及风险评价指标体系，概述了建立科技型上市企业风险预警模型所面临的挑战，归纳了需要解决的关键问题并指出后续的研究方向。

关键词：科技型上市企业；风险预警；预警模型

中图分类号：F832.0  文献标识码：A   文章编号：1674-0688（2023）04-0101-08

0 引言

一直以来，我国经济和社会发展面临着中小企业融资难和高新技术产业化步伐缓慢的难题，这制约着我国经济的可持续发展和国际竞争力的提高［1］。发展创业投资为科技型企业提供投融资工具，成为解决这一难题的重要方法［2-4］。然而，我国传统创业投资体系面临着两难困境：一方面是创业资本的有效供给不足，不能满足高新技术产业化发展的需求，另一方面是社会资本大量闲置。鉴于此状况，在学习借鉴西方及我国香港、台湾等发达资本市场经验的基础上，我国内地开始大力推进创业板市场建设。2004年5月17日，经国务院批准，中国证监会正式发出批复，同意深交所在主板块市场内设立中小企业板块，并核准了中小企业板块实施方案。2004年6月25日，新和成等8家公司挂牌上市。2009年10月30日，28只创业板新股同时上市，标志着我国创业板大幕正式拉开。2019年6月13日，科创板正式开板并试点注册制，标志着我国的创业投资体系进入新的发展阶段。2021年9月3日，北京证券交易所（简称北交所）注册成立，支持中小企业创新发展，深化新三板改革，国内的科技型企业融资渠道得以进一步拓宽。创业投资体系的建立和完善，对科技型上市企业弥补金融体系缺陷、推进经济可持续发展、提高国际竞争力具有非常重要的现实意义和战略意义。

然而，由于科技型上市企业的不成熟性、动态性、前景不确定性及信息环境的复杂性等特征，使其风险更加受到市场的关注，因此需要建立一个科学的科技型上市企业风险预警模型，以帮助创业投资者、科技型上市企业及二级市场投资者准确识别和预测风险，提高企业的风险管理能力。企业风险预警建模是通过企业内部及经营环境的可观测信息，应用领域知识、统计学方法和模式识别、机器学习及数据挖掘等人工智能方法，构建评估、识别、预测企业风险的模型，并据此控制企业活动的过程，目标是通过合适的技术和方法得到结构简单、泛化能力强、符合决策者风险偏好习惯、决策结果易于理解的用户友好型决策支持系统。企业风险预警建模的关键是建立风险评估指标体系和选择适当的风险预警建模方法［5］ 。本文首先通过分析风险来源、内涵及现有研究成果，提出科技型上市企业风险评估指标体系的统一分析架构及关键指标选择方法；其次，通过总结分析，归纳适合科技型上市企业风险预警建模方法；最后，指出科技型上市企业风险预警研究所面临的关键问题及后续研究方向。

1 科技型上市企业风险评估指标体系

科技型上市企业风险评估指标体系的构建一般是通过风险情景分析，了解风险来源及其影响因素，从不同的视角研究风险因素之间的相互关系、关键影响指标，建立一套适合科技型上市企业特点的风险评估指标体系。

1.1 科技型上市企业风险源

识别风险来源是构建科技型上市企业风险评估指标体系的基础，是影响科技型上市企业风险的因素，涉及战略、技术、市场、融资、管理、法律、人力资源、文化、全球化、通讯等。国内外学者对科技型企业的风险因素进行了大量研究，有学者从单个因素的角度分析科技型企业的风险，如财务因素［6］、企业主个人特征因素［7］，但更多的是从内部运作管理、经营环境及产权组织等角度综合分析多个风险因素。内部运作管理方面的风险来自影响企业边界内的资源转换和协调过程的因素，如创业者本身因素、技术因素、竞争能力、管理因素、财务因素、战略目标定位、多元化经营策略选择等［8］。以创业者本身素质为基础的管理因素最为关键，因为科技型企业所处的经营环境具有典型的高成长性特征，经常需要做出非结构化的管理决策，以快速适应变化的经营环境，管理团队的素质和管理能力对科技型上市企业的持续发展起着关键性作用。经营环境方面的风险主要来自市场力量及其他社会经济因素变化引起的不确定性，客户分布、市场份额、现有及潜在的竞争者及原材料供应状况等几个方面的变化都会给企业带来风险［9］，宏观经济因素、資本市场、政策法律、行业状况及文化教育等方面的不利变动也会给科技型上市企业的生存带来威胁［10］。由于我国内地创业投资是在传统经济制度内通过政策扶持建立起来的，其发展路径与美国等西方发达国家明显不同，因此政策法律环境是降低科技型上市企业风险的一个重要因素。产权组织方面的风险主要来自投资参与各方的信息交换、资源分配及风险配置过程中的博弈，创业投资者上市后退出策略和股权结构变化都是潜在的风险因素［4， 11］。

1.2 科技型上市企业风险评估指标体系

虽然多因素分析比单因素分析能更全面地反映科技型上市企业的风险状况，但是已有文献仍然缺乏综合的概念框架指导人们从整体上描述风险因素和系统地观察不同风险之间的关系。平衡计分卡既是一项战略规划工具，又是一个绩效评价系统，它通过财务层面、内部流程层面、学习成长层面及市场客户层面等4个视角来体现企业绩效，基于这4项指标，企业可以系统地解释其策略执行过程，通过互动因果关系将企业的产出和绩效驱动因素串联起来，将组织的使命和策略转变为一套前后连贯的绩效评价指标体系，把复杂的概念转化为精确的目标，从而实现财务与非财务的指标之间、短期与长期的目标之间、落后的与领先的指标之间，以及外部与内部绩效之间的平衡。企业业绩评价和企业风险管理是企业价值管理的两个不同方面，两者之间的差异只在于强调的重点不同，因此平衡计分卡也可以作为综合风险因素的概念框架［12］。结合平衡计分卡原理可以从多个视角考察科技型企业风险，如财务、内部流程、学习成长、市场客户及经营环境等；每一个视角表现为一系列指标，如学习成长层面通过员工满意度、员工保持率、员工生产率及管理团队等几个指标来刻画；指标进一步分解为可以测量的特征，如管理团队这一指标可以用企业家年龄、企业家文化程度、企业家的行业经历及关键技术人才稳定性等描述。

科技型上市企业的行业分布、公司规模、收益结构、所处的生命周期阶段、公司治理结构及稳定性等方面都具有不同于主板上市企业的特征，因此风险预警指标需考虑以下几个方面的特性［13-14］：一是需要反映企业的技术状况，重点分析企业核心技术的水平、技术受保护程度及技术和产品的持续发展能力。二是需要反映管理与团队中风险因素，重点分析企业家的素质、核心技术人员的稳定性、团队与企业利益的关联程度及管理的开放性等关键因素。三是需要反映企业面临的市场潜力及其开拓能力、市场进入壁垒，竞争优劣程度及市场和收益的成长状况。四是需要反映企业抗击环境不利冲击的能力，特别是分析宏观经济环境、行业状况及政策法律等系统性变化给企业带来的影响。

1.3 科技型上市企业风险评估关键指标选择方法

通过风险情景分析得到科技型上市企业风险因素全集，指标数量繁多，这不仅提高了评价结果的不确定性，而且从管理上而言对所有指标进行监测也难以实现。实际中往往选择部分关键指标进行分析和管理，通常的关键指标选择方法可以分为两类，一类是数据挖掘的方法，如统计方法［15］及人工智能方法［16］，这类方法将关键指标选择看作风险预警模型的数据预处理步骤，其思想是在不影响预测能力的前提下选择一个尽可能小的指标子集。另一类是专家方法［17］，在实际操作中，往往借助管理经验和一些简单的准则对得到的风险全集进行初步过滤，然后采用定量分析的方法对剩余的风险因素进行排序，最后根据成本效益原则从中选取部分关键指标进行管理。为确定风险指标重要性排序，识别科技型上市企业的关键风险，可以采用多属性决策方法，最常用的方法是结合层次分析法（AHP）与多属性效用理论，风险评价指标体系包括多个视角，每一个视角表现为一系列指标 ，指标进一步分解为可以测量的特征，每个特征有一个相应的权重 ，采用特征值方法可以得到下层对上层的贡献，并在此基础上选择关键因素进行下一步分析。基于排序的多属性决策方法，也可以用来识别关键风险因素，如采用风险矩阵方法［18］、基于全息层次模型（Hierarchical Holographic Model，HHM ）的风险过滤、排序和管理框架［19］。

2 科技型上市企业风险预警建模方法

依据建模的知识来源，企业风险预警建模方法可分为数据驱动方法、专家驱动方法及集成方法三大类。本文将重点对数据驱动方法、专家驱动方法进行综述，并通过对所建模型的复杂性、预测能力及决策支持能力等特征的分析，指出相关建模方法的优劣，进而结合资本市场的特征给出适合科技型上市企业风险预警建模的有效方法。

2.1 数据驱动方法

数据驱动的方法是通过对历史数据的学习得到企业风险的知识，在此基础上构造风险预警模型，用得到的模型对测试样本进行风险识别，并对未见样本的风险状况进行预测，统计方法和人工智能方法是两类常用的数据驱动建模方法。

2.1.1 统计方法

由于具有坚实的理论基础，单变量判别分析模型，基于多变量判别分析法的Z-Score模型和Zeta模型，线性概率回归模型，多元累积和时间序列方法和生存分析等统计模型在企业风险预警中得到广泛的应用。这些模型的优点是判别函数具有显性的表达，其参数也具有一定的涵义，因此决策过程更符合人们的思维习惯，决策结果易于为人们所理解，从而具有較强的可解释性。

（1）单变量判别分析。单变量判别分析模型（Univariate Analysis，UA）是最早用于企业风险预警领域的统计方法。1966年Beaver［20］运用UA方法对财务比率与企业破产风险之间的关系进行定量研究。这一模型的一个重大缺陷是忽略失败的多维度特征，不能基于单变量模型对企业风险状况给出一幅清晰的画面，而且可能导致同一企业的不同比率上的分类结果冲突和产生混淆。

（2）多变量判别分析。多变量判别分析法（Multivariate Discriminant Analysis，MDA ）的主要思想是最大化分类之间协方差的同时使每一类内部特征协方差最小［21］。MDA在企业风险预警中得到广泛的应用， 通常企业风险数据难于满足类内协方差矩阵相等的假设，这种情况下可采用二次的MDA而不是线性的形式。此外，模型也不考虑有风险和无风险企业的先验概率及分类错误代价的差异，使用模型截断点得到的分类结果往往与决策者的风险偏好不一致，因此基于MDA方法的预警结果可能是有偏差的。

（3）概率回归模型。为解决MDA方法容易对截断点附近企业误判的问题，可以采用线性概率回归模型（Linear Probability Model，LPM），但0-1线性回归无法保证结果在（0，1）区间，更多的学者运用Probit函数和Logistic函数对LPM变换，得到Probit模型和Logit模型，其中Logit方法应用更为普遍［22］。概率回归模型可以在企业财务比率和风险事件的概率之间建立起联系，使结果具有实际意义。这类模型的局限对多重共线性、离群点和丢失值极为敏感［23］，但大多数风险预警模型都需要用到企业的财务比率数据，这些数据之间往往是高度相关的，不同的指标可能有同一个分子或分母，因此数据的多重共线性问题很严重，限制了模型在风险预警中的运用。

（4）累积和时间序列方法

通常企业风险是一个渐变的过程，而MDA、Logit和Probit使用截面财务数据，忽略了前期财务信息的有用性，而累积和时间序列方法（Cumulative Sum，CUSUM）［24］则可以探测企业状况由好转坏的拐点，对经营状况恶化反应敏感并具有记忆力，因此包括企业风险演化的动态过程的信息。这一模型还可以区分预测变量变化的原因，识别导致企业风险的长期结构性因素，因此非常适合用于对企业风险进行动态分析。

（5）生存分析。生存分析（Survival Analysis，SA）是以财务比率为变量，度量企业寿命超过某段时间的概率。但这一方法需要大量样本，并要求在研究时间窗内样本企业的生存时间特点具有一定相似性，因此对研究产业突变造成产业内出现大量困境企业的情形非常有效，如银行危机中的银行破产预测、产业发展的某个时期中的中小企业破产预测等［25］。

（6）统计方法的其他应用。传统的统计技术除用于预测企业风险以外，还用于模型输入的预处理阶段，目前最主要的应用是特征选择。特征选择是从给定数据集中选择更有代表性的数据以改善最终预测表现的一个重要步骤，风险预测中通常使用的特征选择方法有5种，即t-检验方法、相关矩阵方法、逐步回归分析方法、主成分分析方法和要素分析方法。

2.1.2 人工智能方法

随着信息技术的发展，人工智能模型被引入企业风险预警，并逐渐成为研究的热点，许多基于人工智能的风险预警模型在预测准确率方面已超越传统的基于统计技术的风险预警模型。人工神经网络、决策树方法、模糊集理论、灰色理论、粗糙集理论及支持向量机都在企业风险预警领域得到应用。

（1）人工神经网络。20世纪90年代以来，神经网络（Artificial Neural Networks， ANN）被广泛地运用于信用风险和企业经营风险预警领域［26］ ，并得到较好的效果。人工神经网络不需要对数据特征进行假设，减少了分布指定错误对模型性能的影响，从而增强学习的模型对未见样本的泛化能力；样本特征对应的网络结点以非线性的方式相互联结，并以并行的方式交换信息，符合企业风险的演化机制；神经网络具有较强的噪声容忍能力，可以学习存在不完整和损坏数据的复杂系统，因此比传统的统计方法更为鲁棒。与传统的统计方法相比，人工神经网络更适合于处理企业风险预警这一类复杂问题。

尽管人工神经网络具有许多成功的应用和特征，但它仍然存在许多不足，其在企业风险预警中的应用还面临诸多挑战［27］。目前，还没有理论解决ANN的网络结构优化问题；缺乏合适的标准控制学习时间，避免过度拟合带来的泛化能力降低；决策过程的黑箱特征是神经网络的一个根本性缺陷，限制了神经网络在企业风险预警是的实际应用价值。神经网络以一种隐式的方式表达风险企业特征与风险状态之间的函数关系，推理过程及决策规则隐藏在学习到的网络结构之中，难以为用户所理解，从而难以为风险企业风险控制给出有意义的决策建议，缺乏决策支持能力。

（2）支持向量机方法。由V. Vapnik等［28］提出的支持向量机方法（Support Vector Machines， SVM）是从感知机发展而来的，其实质是一个不包含隐藏层的神经网络，基本思想是通过某种非线性映射将向量输入映射到高维特征空间，从而可以使用线性模型实现非线性分类。SVM从理论上解决了传统神经网络方法的两个根本问题。首先，SVM采用结构风险最小化原则（SRM）而不是经验风险最小化原则（ERM），从理论上提供了控制网络学习时间的方法，避免过度拟合降低泛化能力；其次，SVM只采用少数几个富含信息的样本特征即支持向量表示最优分类超平面，SVM还在高维特征空间以线性方式展现了输入特征与输出之间的映射关系，这就为打开决策过程黑箱提供了分析的数学基础。由于这些吸引人的特性，SVM在企业风险预警领域得到广泛的应用，并可得到优于BP神经网络模型的性能。

在结构风险最小化原则下，决策准则是在最大化分类间隔的同时使得分类错误数最小，分类错误数最小化是NP完全的，因此标准SVM模型并不以分类错误数最小化，而以分类错误点到分类边界的某种范数的距离最小化作为决策目标［29］，这种近似方法使得分类性能依赖于数据的分布，難以控制经验风险水平。与决策准则相关的另一个后果是标准SVM对离群点和噪声数据极为敏感。当错误分类点在分类边界附近分布稀薄，但存在少数离群点和噪声数据时，离群点或噪声数据在最优分类超平面的选择过程中占据绝对优势，导致可能丢弃效果好的预警模型。

目前，绝大多数基于SVM的企业风险预警模型强调模型的预测能力，而忽视模型的决策支持能力，从而削弱风险预警模型的实际应用价值。虽然SVM方法突破了部分神经网络所面临的黑箱问题，但它的运作仍然是以数学和统计算法为基础，从其显性的解析关系中仍然不能直接了解决策过程和得到数据中的所有有意义的和可解释的规则。因此，在风险预警模型中提取满足领域专家的期望和兴趣规则，揭示企业特征与风险之间的因果关系还需要借助其他符合人们思维习惯的技术和方法。通常的方法是将SVM与关联规则结合起来，采用基于关联规则的分类框架［30］，基本思想是基于训练样本关联规则判别能力生成一组特征向量代替原始训练数据。基于特征向量的规则提供高质量的知识来源，便于用户解释和理解所构造的分类模型。

（3） 遗传算法。遗传算法（Genetic Algorithm，GA）是利用模仿自然界生物遗传进化规律在大量复杂概念空间内的随机搜索技术，尤其适合用于服从大量软、硬约束目标函数的多参数优化问题。遗传算法在企业风险预警领域主要有两方面的应用：一是运用遗传算法以财务比率为基础提取“if-then”判别规则，使建立的预警模型结构清楚且容易理解［31］。现有文献更普遍的是将遗传算法作为一种搜索技术，优化模型参数或选择最优特征子集，以提高模型的预测准确率和泛化能力。

（4） 粗糙集方法。粗糙集方法（Rough Set Theory，RST）被证明是能够运用一组多属性的变量描述对象的有效工具，可以用来揭示相互关联的风险因素与企业风险之间的关系。RST能够发现隐藏在数据中的重要事实，并能用自然语言表达成一组决策规则，每个决策规则都有案例支持；能结合使用定性变量和定量变量，无须统计约束和模糊隶属度评价：决策形成透明的过程，可以考虑决策者的知识背景，并可用于集成决策支持系统。

（5） 基于案例推理方法。基于案例推理方法（Case-Based Reasoning，CBR）是在复杂变化的环境中解决问题的决策方法，一般运用K临近算法对存贮的案例进行分类，以此为基础判别或预测新增案例的状况，在企业风险预警研究领域也有应用，在数据不充分的条件下使用具有一定优势［32］。CBR最重要的假设是相似的经验可以指导未来的推理、问题求解和学习。案例回溯通常被认为是CBR系统中最重要的步骤，采用的相似性度量直接影响系统的回溯表现，基于案例推理方法的企业风险预警系统方面的研究主要集中在这一问题上，CBR方法的不足之处是预测的准确率不高［33］。

（6） 决策树方法。从预测准确率的角度来看，决策树（Decision Tree， DT）要弱于神经网络及支持向量机方法，但其优势是可以作为一种规则提取技术，提取随后用到的早期预警专家系统规则。但作为一种规则提取技术，其局限是当数据结构复杂时，容易导致规则爆炸性增长，需要消耗大量的计算资源［34］。

（7） 模糊集理论。由Zadeh提出的模糊集理论已经有了大量的应用，它可以精确研究含糊、概念化现象的数学框架。虽然基于模糊规则的分类器在分类准确率上不如神经网络或支持向量机模型，但是基于模糊规则的分类器可以生成“if-then”判别规则可以用于“早期预警”模糊专家系统，为分析师最终做出预测和建议提供参考。通过模糊规则建立风险预警指标与企业风险之间的模糊映射以关系预测企业风险，使得到的模型更符合人们的思考习惯，更易于理解和实际应用［35］。

（8） 灰色理论。我国学者邓聚龙［36］率先提出灰色关联分析（GRA），它的特点是在小样本、贫信息（只有部分要素是已知的）的数据环境下具有良好的性能。企业风险预警是一个不完全信息复杂决策问题，在许多量化属性和企业风险之间存在灰关联关系，因此这一方法也可以用于企业风险分析［37］。

2.2 专家驱动的建模方法和集成的建模方法

基于历史数据学习的方法依赖于一定的数据量，而且假设历史数据中包含的模式在相当一段时期内可以保持稳定，然而这些条件往往得不到满足，在缺乏历史信息和不稳定的环境下可以采用专家驱动的方法构造预警模型。专家根据自身掌握的领域知识给出风险预警模型，并据此确定样本特征与企业风险之间的函数关系。此外，当财务信息与风险事件之间存在时滞、量化信息不可靠、系统风险特征发生显著改变及其他难以度量的因素变化时，企业风险预警模型就变得对财务等量化数据不敏感甚至无效［38］。此时，专家利用其经验和领域知识做出的预测则更为有效。企业风险预测是一个复杂的多属性决策问题，专家方法主要是通过结合层次分析法（AHP）和群决策方法（GDSS）实现模型构造过程。目前，研究主要集中在专家意见表示、群内专家的协商机制及专家意见的集结方式等方面。采用模糊理论、灰色理论等方法量化表达专家模糊意见是研究的一个热点［39］，然而如何根据风险预警问题的复杂性、专家知识的有限性，确定合理的专家规模，简化模型结构，提高决策效率，增强基于群决策方法的风险预警模型泛化能力，学术界的研究则还少见。

由于不可能存在普适的决策技术，每一方法各有其适用的范围、具有一定的优势和局限，方法之间可能是互补的集成方法，即组合几种数据驱动方法或是混合集成数据驱动方法和专家驱动的方法往往可以得到理想的效果。

2.3 科技型上市企业风险预警建模方法评述及其选择

综上所述，运用统计方法构造企业风险预警模型具有突出的优点，这些模型的判别函数具有显性的表达，模型中变量的系数具有一定的涵义，判别函数可以充当从预测变量到预测结果的决策规则，因此决策过程更符合人们的思维习惯，决策结果易于为人们所理解，从而具有较强的可解释性。

传统的统计方法存在两个方面的根本缺陷：一是对数据环境有较为严格的要求，如应用最多的MDA方法要求样本数据服从正态分布、类内协方差相等；二是数据处理能力有限，统计推断通常依赖大样本数据，其所依赖的技术从本质上讲是线性的，缺乏处理非线性数据的能力并可能面临维数灾难的问题。此外，与常用的量化分析模型一样，这些模型通常假定两类错误分类成本相等、企业有风险和无风险的先验概率相等，而现实中许多数据难以满足这些要求。

这些缺陷会导致严重的后果，如因分布指定错误导致的预警模型缺乏泛化能力，模型不能反映企业风险非线性演化机制，离群点、噪声数据及不完整数据的影响导致预警模型鲁棒性差等弱点，因此对复杂的企业风险预警问题往往得不到人们所期望的精度。虽然可以采用对数变换（如LPM模型）、二次判别分析（QDA模型）等一些必要的技术手段和方法加以改进，但是这些方法应用的同时又会相应地产生多重共线性、变量经济涵义不清等新的问题。

科技型上市企业风险预警模型往往需要处理高维数据，同时从现实中收集的样本数量有限，因此建模方法需要适应“小样本”数据环境，统计方法及ANN等一些建模方法都难以得到满意的效果。而SVM采用结构风险最小化原则，以较少的样本即可获得良好的泛化性能。同时，SVM用少数支持向量表示最优分类超平面，使得模型结构相对简单。此外，SVM还在高维特征空间以线性方式展现输入特征与输出之间的映射关系，为打开决策过程黑箱、帮助用户理解和解释决策结果提供分析的数学基础，因而比神经网络具有更强的决策、支持能力，更适合于科技型上市企业风险预警。

虽然应用SVM作为用于科技型上市企业风险预警建模方法具有良好的前景，但是还面临一些挑战。一方面，如何进一步提高风险预警模型的预警能力，如何克服先验知识的影响，改善风险预警模型的适应能力。SVM在解决不平衡分类问题时具有一定的鲁棒性，但当类分布严重偏斜时，常用的SVM分类器也无法获得满意的结果。常用SVM对离群点和噪声数据极为敏感，离群点或噪声数据可能在最优分类超平面的选择过程中起主要作用，影响分类器的泛化能力。如何克服建模样本信息贫乏和创业板市场的动态特征的影响，使基于SVM的模型在缺乏历史数据及数据信息量不丰富的动态环境下仍然具备较好预警能力。另一方面，如何开发结构简单的SVM风险预警模型，增强模型的决策支持能力，以提高科技型上市企业风险预警模型的实用价值，如何在模型中融入领域知识，如分类错误代价差异，使之符合决策者的偏好习惯，提高模型与决策者的交互能力。如何借助規则提取技术，从学习得到的SVM模型映射关系中了解分类器的决策过程、理解和解释分类结果，指导人们根据预警结果制定正确的风险管理措施，以提高企业风险预警模型的实际应用价值。

RST、FST、CBR、DT等人工智能方法虽然从预测能力的角度来看不如SVM，但是这些方法可以生成推理规则，得到的结论易于为用户解释和理解。RST、FST、GRT可从不确定信息的角度对企业风险预警问题进行研究，因此更符合客观实际及人们的思考习惯。目前，将上述方法与基于SVM模型融合，并采用不确定的方式表达企业特征与风险之间的关系成为研究的热点之一。

3 总结及研究方向

3.1 总结

综上所述，科技型上市企业风险预警研究需要解决以下几个关键问题。

（1）理解科技型上市企业的风险特征及其影响因素，进而构建科技型上市企业风险预警指标体系是研究的关键，也是科技型上市企业风险预警难点所在。

（2）避免样本分布不平衡、样本发展不成熟及噪声数据和离群点对模型泛化能力的不利影响，并考虑决策者风险偏好，使预警模型具有动态适应性和交互能力。

（3）简化预警模型结构，理解和解释预警模型的决策过程是风险预警模型具有应用价值的关键，采用合适的技术提取模型中隐含的规则并将其可视化。

3.2 未来的研究方向

具体来讲，基于SVM的科技型上市企业风险预警研究可从以下几个方面展开。

（1）科技型上市企业风险预警指标体系研究。归纳科技型上市企业风险的影响因素，采用平衡计分卡的分析框架构建初步的风险预警指标体系，对初步确定的风险评估指标体系向专家进行问卷调查，研究重要非财务指标的量化表达方法，确定模型的最终输入指标。

（2）基于先验知识的支持向量分类算法研究。研究数据集及两类错误分类成本不平衡情况下的模型性能度量指标，研究适合科技型上市企业正类样本稀有、成功及失败模式总体发展不成熟特点的支持向量分类算法，考虑决策者风险偏好，研究决策者与科技型上市企业风险预警模型之间的交互机制。将风险评估模型扩展到多类的情况，研究多种分类情形下模型的有效性。

（3）風险预警模型可解释性研究。运用离散化技术、决策树方法、模糊集理论、关联规则及聚类技术，在支持向量分析的基础上进一步简化基于SVM的科技型上市企业风险预警模型的结构，提取反映预警模型分类过程的决策规则，并将提取的规则展示为决策表的形式。

（4）专家方法与智能预警模型方法的融合研究。整合专家方法和数据驱动方法模型，构造更为有效的科技型上市企业风险预警模型，研究更为合理的决策成本形式，构造基于非线性核函数SVM的主客观融合模型，为决策者提供一套科学的方法，使其可以根据对群体意见的置信度或对主客观方法的偏好更为合理地估计主观约束区间宽度。

4 参考文献

［1］王波，蒋玉娟，郭红侠.新三板科技型中小企业融资能力评价体系与实证——以宁夏18家上市企业为例［J］.科技与经济，2021，34（3）：6-10.

［2］季向峰.科技创新型企业上市融资方式选择研究［D］.济南：山东大学，2020.

［3］舒轲.新能源科技型企业融资方式研究［D］.广州：广东财经大学，2019.

［4］王昆.私募股权投资对科创板企业影响的实证研究［D］.哈尔滨：哈尔滨工业大学，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］王迎军.高科技企业技术风险的识别与防范［J］.科学管理研究，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，王晓明，等.股权结构与科技型中小企业创新——基于创业板上市公司的实证研究［J］.科技促进发展.2021，17（4）：690-700.

［12］严复海，张冉.企业风险管理与业绩评价整合：基于平衡计分卡的研究［J］.北京工商大学学报（社会科学版），2008，23（5）：17-21.

［13］潘文富，杨品瑞.R&D投入对企业科技创新的效应研究——基于贵州省2009—2019年上市公司的面板数据［J］.企业科技与发展，2021（8）：7-9.

［14］阮书艺，鲍新中，张浩娟.科技型企业知识产权信息披露及其影响因素实证分析［J］.财务管理研究，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.基于人工神经网络的商业银行贷款风险预警研究［J］.系统工程理论与实践，2001（5）：70-74.

［27］吴今培，孙德山.现代数据分析［M］.北京：机械工业出版社，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.基于案例推理的企业危机预警系统设计［J］.中国软科学，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］刘德学，樊治平，王欣荣.风险投资公司经营能力的模糊评价方法［J］.系统工程理论与实践，2002（11）：70-76.

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

［37］］吴明赞，陈淑燕，陈森发.高新技术产品开发投资风险的多层次灰色评价［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］朱建军，王梦光，刘士新.一种新型不确定AHP的研究与应用［J］.管理科学学报，2005，8（5）：15-20.