崔晓辰，陆国庆

（湖南大学 金融与统计学院，长沙 410006）

0 引言

随着世界各国对于技术创新的重视，越来越多的产业创新面临路径选择与风险控制的双重压力与挑战。风险控制不仅仅是产业创新的重要改进突破口，更是创新主体如何进一步实现高效创新的关键。而对于广大中小企业的技术创新而言，如何突破自身资金、技术支持与规模瓶颈，是实现技术创新与风险规避的本质内在[1]。何亚玲等（2015）[2]分别利用ANP模型对技术创新融资风险进行了测度分析。然而，BP神经训练作为一种按误差逆传播算法训练的多层前馈网络，将仿生学原理与数据测度分析结合，于1986年由Rumelhart和McCellandp[3]提出，之后由Sammut等（2011）[4]做出了模型的改进与参数选取的路径修正，然而这一过程仍然存在选取指标与主体之间内部叠合作用对精度解释的干扰。而利用BP框架进行降维是一个基于Markov机理框架的方法创新，利用两者的耦合性可以提高不同指标在主体内部以及外部影响因素之间的关联解释能力[5]。另一方面，随着神经训练的仿生应用逐步推广，BP神经网络、遗传算法、主成分分析逐步计入到跨学科应用的范畴。期间，BP神经网络被提出与Markov链的结合，在软件对样本问题预测过程中的叠合信息剔除[6]；马尔科夫链同时也在基础BP架构的测度评估方法上获得了指标选取的改良[7]。在这个基础上，投资绩效的预测、风险评估以及预测都成为BP神经训练的主要应用范畴。但与一般的训练预测和评估不同，创新的风险评估分析，往往侧重风险与创新叠合的分值方向领域，这使得神经训练应用更为细化。……