刘士伟 李丹

摘 要： 创业风险评估是大学创业过程一个重要研究内容，当前大学生创业风险评估算法存在评估精度低、误差大的局限性为了获得理想的大学生创业风险评估结果，提出基于大数据分析的大学生创业风险评估算法。首先对大学生创业风险评估国内外研究现状进行分析，找到引起大学生创业风险评估错误率高的原因，然后根据大数据分析方法的支持向量机建立大学生创业风险评估模型，最后通过具体仿真对比实验对算法的有效性和优越性进行分析。实验结果表明，所提算法提高了大学生创业风险评估精度，而且评估速度也大幅度加快，评估结果明显优于当前其他的大学生创业风险评估算法。

关键词： 大学生创业； 风险评估； 模型； 支持向量机； 大数据分析； 评估结果

中图分类号： TN911.1?34 文献标识码： A 文章编号： 1004?373X（2018）19?0125?04

Abstract： The entrepreneurial risk assessment is an important research content of the college students entrepreneurial process. Since the current risk assessment evaluation algorithm of college students entrepreneurship has the limitations of low precision and big error， a large data analysis based risk evaluation algorithm of college students entrepreneurship is proposed to obtain the ideal risk evaluation results of college students entrepreneurship. The research status of college students entrepreneurial risk assessment at home and abroad is analyzed to find the reason causing the high error rate of college students entrepreneurial risk assessment. The risk assessment model of college students entrepreneurship is established according to the support vector machine of large data analysis method. The validity and superiority of this algorithm are analyzed with the specific simulation. The results show that the algorithm improves the risk assessment accuracy of college students entrepreneurship， also quickens the evaluation speed greatly， and its evaluation results are significantly better than that of the current other risk assessment algorithms of college students entrepreneurship.

Keywords： college students entrepreneurship； risk assessment； model； support vector machine； large data analysis； assessment result

0 引 言

近年來，随着我国高校教育从精英教育向大众教育转变，大学生就业形势更加严峻，大学生自主创业是解决大学生就业问题的一种重要途径[1?2]。在大学生自主创业过程中，由于大学生刚步入社会，经验、意识等各方向的知识欠缺，创业风险相当高[3]。而大学生创业风险评估可以对未来的风险进行预估，根据预估结果采取有效的防范措施，因此如何提高大学生创业风险评估的准确性和客观性是一个当前亟待解决的难题[4]。

大学生创业风险评估研究受到了高校教育工作的高度重视，最初通过人工方式对大学生创业风险进行评估，该方法的评估过程十分繁琐，而且评估结果与实际风险等级偏离很大，评价结果的盲目性比较严重[5]。随着计算机自动化技术的不断发展，有学者提出基于专家系统的大学生创业风险评估方法，通过专家的知识和经验对大学生创业风险进行分析，得到大学生创业风险评估结果，比人工方式的评估效率更高，而且大学生创业风险评估精度得以提升[6?7]。随着机器学习算法的不断发展，出现基于神经网络的大学生创业风险评估算法，该算法通过神经网络模拟大学生创业风险评价过程，对大学生创业风险评估结果进行高精度拟合，得到了不错的大学生创业风险评估结果。然而神经网络存在收敛速度慢，易得到“过拟合”大学生创业风险评估结果[8?9]。近年来，随着大数据分析技术的不断成熟，出现了支持向量机、层次分析等大数据分析技术，为大学生创业风险评估的研究提供了更多技术支撑[10]。

为了获得理想的大学生创业风险评估结果，本文提出基于大数据分析的大学生创业风险评估算法，通过具体仿真对比实验，对本文算法的有效性和优越性进行分析。

1 大学生创业风险评估算法的工作框架

大学生创业风险评估变化具有动态和非线性，同时受到许多因素的影响，如国家政策、大学生自身素质、资金等，导致大学生创业风险评估过程相当复杂。设大学生创业风险评估指标共有[m]个，表示为[{x1，x2，…，xm}]，那么大学生创业风险评估等级可以描述为：

从式（1）可知，建立性能更好的大学生创业风险评估模型，那么就要找最优的[f（? ）]，该函数用于拟合大学生创业风险评估指标和大学生创业风险等级的变化。基于大数据分析的大学生创业风险评估算法工作框架如图1所示。

2 大学生创业风险评估算法的设计

2.1 層次分析法构建大学生创业风险评估指标

根据大学生创业风险评估判断矩阵建立大学生创业风险评估指标的层次模型。

2.2 灰色关联分析法分析大学生创业风险评估指标关系

根据灰色综合关联度的值得到大学生创业风险评估指标与大学生创业风险评估结果的影响程度，从而实现大学生创业风险评估指标的筛选。

2.3 支持向量机建立大学生创业风险评估模型

支持向量机是机器算法中的一种分类算法，分类目标是找到一个最优分类超平面，把所有的大学生创业风险数据区分开来，而且使所有样本与分类超平面之间距离最大，具体工作原理如图2所示。

支持向量机建立大学生创业风险评估模型的工作步骤如下：

1） 收集大学生创业风险评估的指标进行分析，通过专家们建立大学生创业风险评估的指标体系。

2） 根据大学生创业风险评估的指标收集评估数据，并对评估指标做如下处理：

[x′i=xixmax] （14）

3） 采用层次分析法确定大学生创业风险评估的指标层次性，并通过灰色关联分析对大学生创业风险评估的指标进行筛选，选择对大学生创业风险评估结果有重要影响的指标。

4） 采用支持向量机对大学生创业风险评估训练样本进行学习，并确定相应的参数，建立大学生创业风险评估模型。

5） 采用大学生创业风险评估模型对相应的测试样本进行测试，输出大学生创业风险评估结果。

3 大学生创业风险评估有效性测试

为了测试大数据分析的大学生创业风险评估性能，选择辽宁某大学的大学生创业数据作为研究对象，大学生创业风险评估指标分为：教育程度（[x1]）、创业基金支持（[x2]）、创业氛围（[x3]）、市场因素（[x4]）、项目竞争力（[x5]）、大学生信用等级（[x6]）、潜在客户（[x7]）、团队规模（[x8]）、组织能力（[x9]）和个人性格（[x10]），收集了100个大学生创业风险评估数据，采用Matlab 2014a工具箱进行仿真实验，具体数据如表1所示。

对图3的实验结果进行分析可以看出，本文算法的大学生创业风险评估值与实际得到的大学生创业风险值十分接近，几乎没有什么偏差，获得了高精度的大学生创业风险评估结果。实验结果表明，本文算法是一种性能优异的大学生创业风险评估工具。

为了使本文算法的大学生创业风险评估结果更具说服力，将其与当前经典大学生创业风险评估算法——BP神经网络进行对比测试，BP神经网络的大学生创业风险评估结果变化曲线如图4所示。

从图4可知，虽然BP神经网络得到了较高精度的大学生创业风险评估结果，但是评估精度低于本文算法，同时在测试过程中发现，本文算法的大学生创业风险评估结果时间要少于BP神经网络，改善了大学生创业风险评估效率。

4 结 语

创业风险评估结果可以为大学创业提供指导意见，本文针对当前大学生创业风险评估算法存在的不足，结合大学生创业风险评估的特点，提出基于大数据分析的大学生创业风险评估算法。建立大学生创业风险评估指标，并收集大学生创业风险评估数据，对大学生创业风险评估进行预处理，并采用大数据分析方法的支持向量机建立大学生创业风险评估模型。实验测试结果表明，本文算法提高了大学生创业风险评估精度，评估速度快，解决了当前大学生创业风险评估过程中存在的问题，具有较高的实际应用价值。

参考文献

[1] 赵国钦，韩天实.大学生创业的政策扶持体系：文本分析、感知评价和优化建议[J].中国人力资源开发，2016（15）：79?86.

ZHAO Guoqin， HAN Tianshi. The policy support system of college student entrepreneurship： text analysis， perception evaluation and optimization path [J]. Human resource development of China， 2016（15）： 79?86.

[2] TRABELSI S， ELOUEDI Z， MELLOULI K. Pruning belief decision tree methods in averaging and conjunctive approaches [J]. International journal of approximate reasoning， 2007， 46（3）： 568?595.

[3] 郭宏.创业板上市公司基于新指标视角的发展能力评价模型及应用研究[J].工业技术经济，2016，35（12）：76?83.

GUO Hong. The development capability evaluation model based on the new index of GEM listing corporation application research [J]. Industrial technology & economy， 2016， 35（12）： 76?83.

[4] 钟云华，罗茜.大学生创业能力的影响因素及提升路径[J].现代教育管理，2016（3）：124?128.

ZHONG Yunhua， LUO Xi. Influence factors and improving path of college students′ entrepreneurial ability [J]. Modern education management， 2016（3）： 124?128.

[5] 范俊峰，郭婷婷.一带一路背景下大学生创业能力评估模型仿真[J].计算机仿真，2017，34（8）：228?232.

FAN Junfeng， GUO Tingting. Simulation of undergraduates′ entrepreneurial competence evaluation model in the background of along the way back [J]. Computer simulation， 2017， 34（8）： 228?232.

[6] 张元鸣，陈苗，陆佳炜，等.基于MapReduce的Bagging决策树优化算法[J].计算机工程与科学，2017，39（5）：841?848.

ZHANG Yuanming， CHEN Miao， LU Jiawei， et al. An optimized Bagging decision tree algorithm based on MapReduce [J]. Computer engineering and science， 2017， 39（5）： 841?848.

[7] 程玮.大学生创业能力结构模型的建构[J].黑龙江高教研究，2017（5）：133?136.

CHENG Wei. Construction of entrepreneurial ability structure model of university students [J]. Heilongjiang researches on higher education， 2017（5）： 133?136.

[8] 杜岸政.认知视野下创业风险感知影响因素及评估[J].华北水利水电大学学报（社会科学版），2014，30（4）： 142?144.

DU Anzheng. The cognitive factors of influencing entrepreneurial risk perception and evaluating [J]. Journal of North China University of Water Resources and Electric Power （social sciences edition）， 2014， 30（4）： 142?144.

[9] 吴斌叶，马小龙，方佳威，等.基于模糊综合评价法的大学生网上创业风险评估[J].湖州师范学院学报，2013，35（6）：29?34.

WU Binye， MA Xiaolong， FANG Jiawei， et al. Risk assessment research of college students′ innovative undertaking based on fuzzy comprehensive evaluation [J]. Journal of Huzhou Teachers College， 2013， 35（6）： 29?34.

[10] 李雪竹，陈国龙.基于智能最小二乘支持向量机的大数据分析与预测[J].计算机工程，2015，41（6）：38?42.

LI Xuezhu， CHEN Guolong. Big data analysis and forecasting based on intelligent least square support vector machine [J]. Computer engineering， 2015， 41（6）： 38?42.