基于SVM和粗糙集理論的董事會(huì)效率評(píng)價(jià)研究

張大光

(北京航空航天大學(xué)經(jīng)濟(jì)管理學(xué)院，北京100191)

一、引言

在現(xiàn)代企業(yè)制度建設(shè)及公司治理的實(shí)踐中，董事會(huì)是公司治理的核心，董事會(huì)的運(yùn)作效率直接關(guān)系到公司的經(jīng)營(yíng)業(yè)績(jī)、股東和其他利益相關(guān)者的利益。從公司治理的角度看，董事會(huì)作為聯(lián)結(jié)股東與經(jīng)理層的紐帶，可以看作一個(gè)受托的責(zé)任主體，它與股東全體間存在著委托-代理關(guān)系，董事會(huì)的決策能力和運(yùn)行效率決定了股東所承受風(fēng)險(xiǎn)的大小，而董事會(huì)的效率低下則會(huì)給股東帶來(lái)很高的成本;同時(shí)，董事會(huì)的效率水平還直接影響到公司的整體業(yè)績(jī)水平。因此，建立董事會(huì)自身的效率評(píng)價(jià)制度，科學(xué)、客觀、準(zhǔn)確地評(píng)價(jià)董事會(huì)的效率水平，有利于對(duì)董事會(huì)進(jìn)行合理的激勵(lì)，有利于促進(jìn)董事會(huì)提高自身的運(yùn)行效率，有利于提升整個(gè)公司的經(jīng)營(yíng)業(yè)績(jī)和競(jìng)爭(zhēng)能力，具有重大的現(xiàn)實(shí)意義。

目前，國(guó)內(nèi)外研究董事會(huì)效率的文獻(xiàn)并不多見(jiàn)。已有的研究大都從理論角度闡述影響董事會(huì)作用發(fā)揮的因素［1～3］，運(yùn)用案例和實(shí)證分析的方法，探討影響董事會(huì)作用發(fā)揮的各種因素［4～7］，如董事會(huì)規(guī)模、董事會(huì)構(gòu)成、獨(dú)立董事在董事會(huì)中所占比例、董事會(huì)持股、兩職狀態(tài)、董事會(huì)會(huì)議次數(shù)、董事會(huì)內(nèi)部委員會(huì)設(shè)置狀況等。國(guó)內(nèi)關(guān)于董事會(huì)效率的研究則更為少見(jiàn)，僅有的研究也大都停留在定性的分析上［8］，缺乏對(duì)董事會(huì)效率的有效量化分析模型和方法。本文旨在構(gòu)建出一套反映上市公司董事會(huì)效率的指標(biāo)體系，利用多分類支持向量機(jī)方法構(gòu)建董事會(huì)效率評(píng)價(jià)模型，科學(xué)、快速、方便地對(duì)上市公司的效率水平進(jìn)行評(píng)價(jià)。

二、支持向量機(jī)原理簡(jiǎn)介

傳統(tǒng)的支持向量機(jī)是由Vapnik(1995)等人最早提出的［9］，該算法一經(jīng)提出就引起了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。雖然支持向量機(jī)的研究已有十幾年，但如何面對(duì)復(fù)雜的數(shù)據(jù)形式不斷改進(jìn)模型算法來(lái)提高模型的預(yù)測(cè)精度，并進(jìn)一步擴(kuò)大其應(yīng)用范圍，仍然是研究的熱點(diǎn)。

(一)二分類支持向量機(jī)

二分類支持向量機(jī)算法可以簡(jiǎn)單描述如下:

考慮到樣本集往往是線性不可分的，于是引入非線性函數(shù)φ(*):Rn→Rd，將低維空間不可分的樣本集非線性映射到一個(gè)高維的特征空間中，使其成為線性可分問(wèn)題。此時(shí)，支持向量機(jī)(SVM)分類機(jī)滿足下列條件:

其中，ω代表權(quán)重向量，b是縱截距。公式(1)就是滿足SVM算法中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化的第一個(gè)條件:保證經(jīng)驗(yàn)風(fēng)險(xiǎn)最小。其中，使等號(hào)成立的那些樣本點(diǎn)即為支持向量。

在保證了第一個(gè)條件的前提下，再來(lái)考慮SVM算法中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化的第二個(gè)條件:使分類間隔最大。公式(1)可以歸結(jié)為在特征空間的一個(gè)分離超平面(ωTφ(x)+b=0)的兩邊構(gòu)造兩個(gè)平行的邊界超平面，兩個(gè)超平面之間的距離(帶寬)等于2/(ω2)，即分類間隔為2/(ω2)，因此分類的間隔最大等價(jià)于最小。此外，即使在映射后的高維特征空間，在構(gòu)造線性分類面時(shí)，也可能由于特殊樣本點(diǎn)的存在導(dǎo)致樣本線性不可分。因此在約束條件中增加一個(gè)非負(fù)的松弛項(xiàng)ξi。此時(shí)，求解最優(yōu)超平面的優(yōu)化問(wèn)題為

其中，C∈R+是一個(gè)權(quán)衡帶寬與分類誤差重要性的調(diào)和超參數(shù)，代表著模型的推廣能力。

通過(guò)求解上述優(yōu)化問(wèn)題，最終得到的分類決策函數(shù)為

由式(3)可知，最終決策函數(shù)涉及到在映射后的高維空間做內(nèi)積運(yùn)算φ(xi)Tφ(xj)，如果非線性映射后空間的維數(shù)很高，會(huì)產(chǎn)生“維數(shù)災(zāi)難”。為解決這一難題，根據(jù)泛函理論，可以用滿足Mercer條件的核函數(shù)K(xi，xj)來(lái)代替高維特征空間的內(nèi)積運(yùn)算:

(二)“一對(duì)多”多分類支持向量機(jī)

支持向量機(jī)的產(chǎn)生最初是為了解決二分類問(wèn)題，但在實(shí)際應(yīng)用中往往要求算法可以對(duì)多于兩類的分類問(wèn)題，給出準(zhǔn)確的判斷，多分類支持向量機(jī)算法就此產(chǎn)生。多分類支持向量機(jī)包括“一對(duì)一”和“一對(duì)多”兩種算法。本文采用“一對(duì)多”多分類支持向量機(jī)。

一對(duì)多模型的主要思想是:對(duì)于k類分類問(wèn)題，構(gòu)造k個(gè)二分類器，每個(gè)二分類器應(yīng)用于所有樣本，第i個(gè)二分類器將第i類樣本看出A類，其他類看出B類，進(jìn)行訓(xùn)練，這k個(gè)二分類器組合起來(lái)就可以形成k分類的判決函數(shù)。當(dāng)一個(gè)樣本數(shù)據(jù)輸入時(shí)，依次用這k個(gè)二分類器進(jìn)行判斷，如果第i個(gè)二分類器的輸出是屬于第i類，而其他的分類器都輸出為其他類，則判斷該樣本屬于第i類。

多分類支持向量機(jī)算法最終轉(zhuǎn)化為求解如下優(yōu)化問(wèn)題:

其中向量vi∈Rk記錄分類結(jié)果，如果樣本xi屬于第j類，則向量vi為第j個(gè)元素為1，其他元素為，如樣本xi屬于第一類，則;且映射L(yi)為第j個(gè)元素為0，其他元素為1的向量。且滿足限定條件，該限制稱為零和約束。

其中K(xi，xj)為簡(jiǎn)化運(yùn)算的核函數(shù)。本文利用libsvm工具包［10］中 SVMtrain函數(shù)完成算法求解。

三、董事會(huì)效率評(píng)價(jià)指標(biāo)體系的構(gòu)建

影響董事會(huì)效率的因素究竟有哪些，國(guó)內(nèi)外學(xué)者觀點(diǎn)并不完全相同。Kose和Lemma認(rèn)為影響董事會(huì)效率的因素包括董事會(huì)規(guī)模、董事會(huì)的獨(dú)立性及其構(gòu)成、兩職狀態(tài)、內(nèi)部委員會(huì)設(shè)置狀況、董事會(huì)成員素質(zhì)狀況和董事薪酬結(jié)構(gòu)等［11］。Roberts，McNulty和Stiles則提出董事會(huì)效率取決于董事個(gè)體的態(tài)度和行為［12］。Chris通過(guò)逐步回歸分析表明，董事會(huì)規(guī)模、董事會(huì)會(huì)議頻率、經(jīng)常出席會(huì)議的董事會(huì)成員比例、董事的職責(zé)、董事的引進(jìn)和培訓(xùn)、董事任職時(shí)間和經(jīng)驗(yàn)等因素與董事會(huì)效率之間存在著重要的關(guān)系［13］。趙增耀認(rèn)為董事會(huì)的運(yùn)行效率主要受董事會(huì)構(gòu)成的影響，包括董事的年齡、性別、董事長(zhǎng)與CEO是否兼任、獨(dú)立董事比例等［14］。

本文參考國(guó)內(nèi)外董事會(huì)效率影響因素的相關(guān)研究，從董事會(huì)組成結(jié)構(gòu)、獨(dú)立性狀況、董事會(huì)成員與運(yùn)行狀況指標(biāo)以及激勵(lì)狀況4個(gè)方面，構(gòu)建了董事會(huì)效率評(píng)價(jià)的指標(biāo)體系。

(一)董事會(huì)組成結(jié)構(gòu)指標(biāo)

(1)董事會(huì)規(guī)模。董事會(huì)的規(guī)模常常被視為影響董事會(huì)效率的關(guān)鍵因素。依據(jù)代理理論和組織行為學(xué)的觀點(diǎn)，就一定規(guī)模的公司來(lái)講，規(guī)模過(guò)大的董事會(huì)不能發(fā)揮最優(yōu)的功效，或者說(shuō)，規(guī)模大的董事會(huì)不如規(guī)模小的董事會(huì)更有效率。這主要是由于董事數(shù)量過(guò)多，會(huì)導(dǎo)致董事會(huì)在溝通與協(xié)調(diào)上產(chǎn)生問(wèn)題，造成董事會(huì)的功能紊亂。本文用公司年報(bào)中披露的公司董事人數(shù)來(lái)表示當(dāng)年度的董事會(huì)規(guī)模。

(2)是否設(shè)置專業(yè)委員會(huì)。專業(yè)委員會(huì)的設(shè)置體現(xiàn)了董事會(huì)的分工情況，能夠增強(qiáng)董事會(huì)戰(zhàn)略決策和監(jiān)督能力，提高董事效率。

(3)職工和中小股東董事比例。職工和中小股東加入董事會(huì)能夠使董事會(huì)及時(shí)獲取到公司底層相關(guān)信息，從而提高決策的有效性。

(二)獨(dú)立性狀況指標(biāo)

獨(dú)立性狀況指標(biāo)是影響公司董事會(huì)效率高低的重要因素。董事會(huì)的獨(dú)立性對(duì)董事會(huì)效率有顯著的促進(jìn)作用。一方面，公司的董事越獨(dú)立，對(duì)于董事長(zhǎng)或大股東的監(jiān)督性就越強(qiáng)，能夠更好地避免個(gè)人駕馭整個(gè)董事會(huì)，利用公司獲取私利，起到監(jiān)督制衡的作用;另一方面，在一個(gè)獨(dú)立性較高的董事會(huì)中，往往會(huì)引進(jìn)獨(dú)立董事，而獨(dú)立董事要求具有豐富的職業(yè)背景、專業(yè)背景和學(xué)歷背景，因此，這樣的董事做出的決策往往更加科學(xué)、合理。

(1)CEO是否兼任董事長(zhǎng)。董事長(zhǎng)與總經(jīng)理是否分離影響到董事會(huì)能否對(duì)CEO和經(jīng)理層起到有效地監(jiān)督作用。該指標(biāo)在董事長(zhǎng)與CEO為同一人時(shí)為1，否則為0。董事長(zhǎng)與CEO兩職兼任往往被認(rèn)為是阻礙董事會(huì)效率和公司績(jī)效提高的一個(gè)重要因素。

(2)獨(dú)立董事比例。實(shí)行獨(dú)立董事制度，是我國(guó)上市公司治理機(jī)制改革過(guò)程中的一項(xiàng)重要舉措。董事作為股東及其他利益相關(guān)者的信托人，其獨(dú)立性是保證公司有效運(yùn)作的基礎(chǔ)。獨(dú)立董事是體現(xiàn)董事會(huì)獨(dú)立性的重要方面。相對(duì)于獨(dú)立董事來(lái)說(shuō)，因?yàn)榭偨?jīng)理對(duì)他們的職務(wù)有重大的影響，內(nèi)部董事很少會(huì)對(duì)總經(jīng)理提出異議。

(三)董事會(huì)成員與運(yùn)行狀況指標(biāo)

董事會(huì)成員的素質(zhì)直接影響到董事會(huì)能否健康、良好、規(guī)范、有序地運(yùn)行，從而影響到董事會(huì)的效率水平。反映董事會(huì)成員素質(zhì)和運(yùn)行狀況的指標(biāo)包括:

(1)董事會(huì)成員學(xué)歷狀況。博士學(xué)歷為2，碩士學(xué)歷為1，本科及以下為0，計(jì)算董事會(huì)全部成員的簡(jiǎn)單平均值，作為董事會(huì)的整體學(xué)歷狀況。

(2)董事長(zhǎng)學(xué)歷狀況。董事長(zhǎng)的學(xué)歷水平為博士學(xué)歷的為2;碩士學(xué)歷為1;本科及以下的為0。

(3)董事長(zhǎng)擔(dān)任大型企業(yè)高管的年限。董事長(zhǎng)擔(dān)任大型企業(yè)高管的年限越長(zhǎng)，說(shuō)明其在公司治理、董事會(huì)運(yùn)作等方面經(jīng)驗(yàn)豐富，能夠有效地發(fā)揮董事會(huì)的作用，提高公司績(jī)效。

(4)董事會(huì)每年的培訓(xùn)次數(shù)。董事會(huì)的培訓(xùn)能夠提高董事會(huì)成員的能力，促進(jìn)董事成員之間的交流和溝通，提高董事會(huì)運(yùn)作效率。

(5)董事會(huì)每年的會(huì)議次數(shù)。董事會(huì)會(huì)議次數(shù)也是影響董事會(huì)效率的一個(gè)因素。董事會(huì)會(huì)議次數(shù)較多可以在一定程度上說(shuō)明董事會(huì)工作的投入。通常，在經(jīng)過(guò)高頻率的董事會(huì)會(huì)議應(yīng)對(duì)公司危機(jī)之后，公司績(jī)效會(huì)得到一定程度的提高。

(四)激勵(lì)狀況指標(biāo)

(1)董事年度報(bào)酬。董事作為股東的代理人，起著監(jiān)控經(jīng)理人行為和制定公司發(fā)展戰(zhàn)略的重要作用，董事的薪酬也應(yīng)該與公司業(yè)績(jī)和對(duì)董事的考核結(jié)果掛鉤，只有董事的報(bào)酬能夠充分補(bǔ)償董事的勞動(dòng)，才能對(duì)董事起到激勵(lì)作用，才能避免董事在其位而不謀其政的現(xiàn)象出現(xiàn)。

(2)董事會(huì)持股比例。董事會(huì)持股是激勵(lì)董事關(guān)注公司業(yè)績(jī)、提高董事會(huì)工作效率的一項(xiàng)重要措施。從董事的角度來(lái)看，如果薪酬只是基本工資和對(duì)已完成業(yè)績(jī)的年度獎(jiǎng)勵(lì)的話，他們必將會(huì)追求短期的利益，勢(shì)必不能最大化股東的財(cái)富;讓董事?lián)碛羞m度的持股權(quán)，可以緩和他們與股東之間的利益沖突，使他們?yōu)槠髽I(yè)的長(zhǎng)遠(yuǎn)發(fā)展考慮。因此，董事持股是協(xié)調(diào)董事與股東利益的關(guān)鍵機(jī)制，可以以盡可能低的成本激勵(lì)董事為最大化股東價(jià)值而行動(dòng)。

表1 備選指標(biāo)列表

(3)持股董事比例。持股董事占全部董事的比例指標(biāo)能夠反映出公司的激勵(lì)制度對(duì)于全部董事會(huì)成員的覆蓋程度。

本文將上述可能董事會(huì)效率的主要指標(biāo)整理如表1，作為備選指標(biāo)集。

四、實(shí)證研究:董事會(huì)效率評(píng)價(jià)與分析

本節(jié)將一對(duì)多多分類支持向量機(jī)模型和其他已有方法(神經(jīng)網(wǎng)絡(luò)算法、Logic模型)在董事會(huì)效率評(píng)價(jià)問(wèn)題中的判別效果進(jìn)行對(duì)比分析。

(一)樣本選擇及數(shù)據(jù)來(lái)源說(shuō)明

本文選擇的樣本為制造業(yè)的機(jī)械、設(shè)備、儀表板塊的上市公司，共177家。樣本的相關(guān)指標(biāo)數(shù)據(jù)來(lái)源為北京色諾芬信息服務(wù)有限公司提供的CCER數(shù)據(jù)庫(kù)和上海萬(wàn)得資訊科技有限公司提供的wind金融數(shù)據(jù)庫(kù)，以及樣本企業(yè)的年度財(cái)務(wù)報(bào)告。

由于不同指標(biāo)的量綱不同，數(shù)值差異較大，直接輸入上述指標(biāo)，相當(dāng)于在訓(xùn)練時(shí)對(duì)指標(biāo)賦予了不同的權(quán)重，會(huì)產(chǎn)生較大的預(yù)測(cè)誤差。因此，對(duì)于非歸一化指標(biāo)，本文將其歸一化處理至區(qū)間［0，1］，從而確保較大值的輸入指標(biāo)不會(huì)覆蓋較小值指標(biāo)，有助于較少預(yù)測(cè)誤差。具體的歸一化公式為

(二)最優(yōu)輸入指標(biāo)選擇

將支持向量機(jī)應(yīng)用在董事會(huì)效率評(píng)價(jià)問(wèn)題時(shí)，關(guān)鍵的一步在于作為解釋變量的輸入指標(biāo)的選擇。指標(biāo)選擇的太少，算法的預(yù)測(cè)效果就不好，而指標(biāo)選擇過(guò)多則容易出現(xiàn)“過(guò)度擬合”問(wèn)題，即在樣本內(nèi)檢驗(yàn)效果較好而在樣本外的判別效果較差。

本文采用粗糙集理論的屬性約簡(jiǎn)方法來(lái)確定最優(yōu)的輸入指標(biāo)集合。粗糙集理論是由波蘭數(shù)學(xué)家Z.Pawlak(1982)提出的一種數(shù)據(jù)推理方法［15］，為處理不精確、不確定與不完全數(shù)據(jù)并從數(shù)據(jù)中挖掘出需要的知識(shí)，提供了一種有效的途徑，其主要思想就是在保持分類能力不變的前提下，通過(guò)知識(shí)約簡(jiǎn)，導(dǎo)出問(wèn)題的決策或分類規(guī)則。目前，它已在數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)與知識(shí)發(fā)現(xiàn)、決策支持與分析等領(lǐng)域得到了廣泛的應(yīng)用。本文將粗糙集理論作為支持向量機(jī)分類模型的前置系統(tǒng)，通過(guò)粗糙集的屬性約簡(jiǎn)方法來(lái)消除董事會(huì)效率評(píng)價(jià)系統(tǒng)的冗余指標(biāo)，得到最小數(shù)量的必要條件屬性(評(píng)價(jià)指標(biāo))，以提高模型的判別精度。

對(duì)于分類來(lái)說(shuō)，并非決策信息表中所有的條件屬性(即評(píng)價(jià)指標(biāo))都是必要的，去除這些多余屬性不會(huì)影響原有的表達(dá)效果。所謂屬性約簡(jiǎn)，就是在保持知識(shí)庫(kù)分類能力不變的條件下，刪除其中不相關(guān)或不重要的知識(shí)，而最小約簡(jiǎn)就是要從條件屬性集中最大限度地去掉一些冗余屬性，計(jì)算出最小數(shù)量的必要條件屬性。

本文對(duì)表1中的13個(gè)備選指標(biāo)進(jìn)行屬性約簡(jiǎn)后，最終得到的最小約簡(jiǎn)指標(biāo)集包括董事會(huì)規(guī)模、CEO是否兼任董事長(zhǎng)、獨(dú)立董事比例、董事長(zhǎng)學(xué)歷狀況、董事長(zhǎng)擔(dān)任大型企業(yè)高管的年限、董事會(huì)每年的會(huì)議次數(shù)和董事會(huì)持股比例7個(gè)指標(biāo)，作為支持向量機(jī)的輸入指標(biāo)集。

(三)支持向量機(jī)核函數(shù)選取

在支持向量機(jī)模型中，首先要考慮核函數(shù)的選擇。目前核函數(shù)的選擇依據(jù)尚沒(méi)有定論，在有監(jiān)督的學(xué)習(xí)模型中，核函數(shù)可以用多次試驗(yàn)方法來(lái)選取，不過(guò)多次試驗(yàn)方法耗時(shí)過(guò)長(zhǎng)，比較復(fù)雜。在實(shí)際應(yīng)用中，最常用的核函數(shù)是高斯核函數(shù)，因?yàn)槠鋵?duì)應(yīng)的特征空間是無(wú)窮維的，可以確保有限的樣本在該特征空間里一定是線性可分的。因此，本文選取高斯核函數(shù)(RBF)，其定義如下:

(四)評(píng)價(jià)結(jié)果分析

本文將董事會(huì)效率分為高、較高、一般、較差和差五個(gè)類別。采用專家打分方法，得到樣本企業(yè)董事會(huì)的先驗(yàn)效率類別。為比較多分類支持向量機(jī)的分類效果，采用神經(jīng)網(wǎng)絡(luò)方法和Logic模型進(jìn)行對(duì)比試驗(yàn)。在多分類支持向量機(jī)方法中，分別采用核寬分別為1、2、3時(shí)的高斯核函數(shù)。

在實(shí)驗(yàn)過(guò)程中，為了確保實(shí)驗(yàn)結(jié)果的穩(wěn)健性，本文采用5組交叉驗(yàn)證方法(5-fold cross Validation)測(cè)試各個(gè)模型的分類結(jié)果，即將數(shù)據(jù)集分成5組，輪流將其中4組做訓(xùn)練，1組做測(cè)試，5次判別結(jié)果的均值作為對(duì)算法精度的估計(jì)。

最終，本文得到的評(píng)價(jià)結(jié)果如表2。

表2 董事會(huì)效率判別結(jié)果

其中，精度的計(jì)算方法為:

通過(guò)實(shí)驗(yàn)可以看出，不同核寬的多分類支持向量機(jī)模型的分類精度都在80%以上，比Logic模型和神經(jīng)網(wǎng)絡(luò)算法的分類精度要高得多。

(五)對(duì)模型進(jìn)一步改進(jìn)

在上述的實(shí)驗(yàn)中均假設(shè)對(duì)錯(cuò)誤分類的懲罰是一致的，但這并不符合實(shí)際情況，不同的分類錯(cuò)誤的嚴(yán)重程度可能會(huì)有所不同。例如一種錯(cuò)誤是將效率好的董事會(huì)錯(cuò)分到效率較好的董事會(huì)，另一種錯(cuò)誤是將效率好的董事會(huì)錯(cuò)分到效率差的董事會(huì)。在如上的算法模型中，這兩種錯(cuò)誤被視為無(wú)差異，并被賦予相同的懲罰因子。但事實(shí)上，這兩種錯(cuò)誤的程度顯然不一樣，即第二種錯(cuò)誤較第一種錯(cuò)誤來(lái)說(shuō)要嚴(yán)重些。因此，考慮對(duì)多分類支持向量機(jī)的懲罰矩陣進(jìn)行調(diào)整。

調(diào)整前的懲罰矩陣

調(diào)整后的懲罰矩陣

調(diào)整后的懲罰矩陣的含義為:當(dāng)將效率為第i類的董事會(huì)正確判判定為第i類時(shí)，懲罰因子為0;當(dāng)將效率為第i類的董事會(huì)正確判判定為第j類時(shí)，為了進(jìn)一步區(qū)分不同錯(cuò)誤的嚴(yán)重程度，將懲罰因子設(shè)定為，其中ε為外生參數(shù)。

本文將調(diào)整后的懲罰矩陣(10)中的參數(shù)ε取值為0.1，訓(xùn)練后得到新的分類器，用于對(duì)董事會(huì)的效率水平進(jìn)行評(píng)價(jià)，實(shí)驗(yàn)結(jié)果如表3所示。

表3 調(diào)整后的判別結(jié)果

可以看出，經(jīng)過(guò)調(diào)整懲罰矩陣后的多分類支持向量機(jī)的判別精度得到了顯著改進(jìn)。

五、結(jié)論

準(zhǔn)確地對(duì)董事會(huì)的運(yùn)行效率進(jìn)行評(píng)價(jià)，可以有效地促進(jìn)董事會(huì)主動(dòng)提高自身的運(yùn)行效率，從而有利于提升企業(yè)的經(jīng)營(yíng)業(yè)績(jī)和競(jìng)爭(zhēng)能力。針對(duì)董事會(huì)效率評(píng)價(jià)問(wèn)題定量研究的匱乏和不足，本文在梳理國(guó)內(nèi)外關(guān)于董事會(huì)效率影響因素的基礎(chǔ)上，構(gòu)建了董事會(huì)效率影響因素的指標(biāo)體系，并通過(guò)機(jī)器學(xué)習(xí)領(lǐng)域的支持向量機(jī)方法建立了董事會(huì)效率評(píng)價(jià)的五級(jí)分類模型，特別是首次采用粗糙集理論的屬性約簡(jiǎn)方法來(lái)確定最優(yōu)的輸入指標(biāo)組合。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的Logic模型和神經(jīng)網(wǎng)絡(luò)方法相比，本文構(gòu)建的針對(duì)董事會(huì)效率評(píng)價(jià)的一對(duì)多多分類支持向量機(jī)模型的判別精度更高;而通過(guò)對(duì)懲罰矩陣進(jìn)行合理的調(diào)整，評(píng)價(jià)模型的判別結(jié)果可以得到進(jìn)一步提高。在未來(lái)的研究中，對(duì)董事會(huì)效率的影響因素進(jìn)行挖掘、完善，以及對(duì)多分類支持向量機(jī)的懲罰矩陣進(jìn)一步進(jìn)行優(yōu)化設(shè)定，都是值得探討的問(wèn)題。

［1］Jay，John.Outside Directors and Corporate Board Decisions［J］.Journal of Corporate Finance，2005(11):37-60.

［2］Cascio.Board Governance:A Social Systems Perspective［J］.Academy of Management Executive，2004，18(1):97-100.

［3］Morck，Shleife，Vishny.Management Ownership and Market Valuation:An Empirical Analysis［J］.Journal of Financial Economics，1998(20):298-302.

［4］Edward，et al.Corporate Boards:Keys to Effectiveness［J］.Organizational Dynamics，2002，30(4):310-324.

［5］Yermack.Remuneration，Retention，and Reputation Incentives for Outside Directors［J］.Journal of Finance，2004，(59):56-63.

［6］Richard，David，Kristen.Minority Membership on Boards of Directors:The Case for Requiring Pictures of Boards in Annual Reports［J］.Critical Perspectives on Accounting，2005(16):1019-1033.

［7］Denis，McConnell.International Corporate Governance［J］.Journal of Financial and Quantitative Analysis，2003.(38):1-36.

［8］于東智.董事會(huì)與公司治理［M］.北京:清華大學(xué)出版社，2004，39-64.

［9］Vapnik V N.The Nature of Statistical Learning Theory［M］.New York:Springer，1995.

［10］Chih-Chung Chang，Chih-Jen Lin.LIBSVM:A Library for Support Vector Machines，2001 ［EB/OL］.http://www.csie.ntu.edu.tw/～cjlin/libsvm。

［11］Kose，Lemma.Corporate Governance and Board Effectiveness［J］.Journal of Banking and Finance，1998(22):371-403.

［12］Roberts，McNulty，Stiles.Beyond Agency Conceptions of the Work of the Non-Executive Director:Creating Accountability in the Boardroom［J］.British Journal of Management，2005(16):5-26.

［13］Chris C.What Makes Boards Effective?An Examination of the Relationship between Board Inputs，Structures，Processes and Effectiveness in Non-profit Organizations［J］.Corporate Governance，2001，9(3):217-226.

［14］趙增耀.董事會(huì)的構(gòu)成與其職能發(fā)揮［J］.管理世界，2002(3):125-130.

［15］Pawlak.Rough Sets［J］.International Journal of Computer Information Science，1982，11(5):341-356