聯(lián)合風(fēng)險(xiǎn)投資合作伙伴的選擇

王雷

（江南大學(xué)商學(xué)院，江蘇無錫214122）

聯(lián)合風(fēng)險(xiǎn)投資合作伙伴的選擇

王雷

（江南大學(xué)商學(xué)院，江蘇無錫214122）

合作伙伴選擇是聯(lián)合風(fēng)險(xiǎn)投資成功的關(guān)鍵環(huán)節(jié)。文章分析了主導(dǎo)型風(fēng)險(xiǎn)投資公司選擇聯(lián)合投資合作伙伴的影響因素，將粗糙集理論應(yīng)用于指標(biāo)的約簡(jiǎn)，建立了合作伙伴選擇的評(píng)價(jià)指標(biāo)體系；運(yùn)用神經(jīng)網(wǎng)絡(luò)法建立合作伙伴選擇的評(píng)價(jià)模型，為聯(lián)合風(fēng)險(xiǎn)投資選擇最佳合作伙伴。將粗糙集理論作為神經(jīng)網(wǎng)絡(luò)系統(tǒng)的預(yù)處理器，從中挖掘出反應(yīng)評(píng)價(jià)指標(biāo)本質(zhì)關(guān)系的重要屬性與伙伴選擇知識(shí)規(guī)則，通過指標(biāo)的約簡(jiǎn)提高了神經(jīng)網(wǎng)絡(luò)的收斂速度與選擇的準(zhǔn)確率。最后，實(shí)例驗(yàn)證表明，該方法是正確有效的。

風(fēng)險(xiǎn)投資；聯(lián)合投資；粗糙集；神經(jīng)網(wǎng)絡(luò)模型；合作伙伴

0 引言

聯(lián)合風(fēng)險(xiǎn)投資通過對(duì)創(chuàng)業(yè)企業(yè)進(jìn)行權(quán)益投資而結(jié)成共享收益、共擔(dān)風(fēng)險(xiǎn)、協(xié)同管理的利益共同體，是風(fēng)險(xiǎn)投資企業(yè)之間的一種戰(zhàn)略聯(lián)盟或動(dòng)態(tài)聯(lián)盟[1]。在聯(lián)合風(fēng)險(xiǎn)投資聯(lián)盟中，通過成員在資金、管理人才、信息、技術(shù)等方面的資源優(yōu)勢(shì)互補(bǔ)，不僅能夠解決風(fēng)險(xiǎn)投資項(xiàng)目的巨額資金需求、分散項(xiàng)目風(fēng)險(xiǎn)，同時(shí)有利于減少投資中普遍存在的不對(duì)稱信息問題，提高投資項(xiàng)目的成功率，因而在風(fēng)險(xiǎn)投資領(lǐng)域發(fā)揮著越來越重要的作用。在風(fēng)險(xiǎn)投資最為發(fā)達(dá)的美國(guó)，最高年份的風(fēng)險(xiǎn)投資行業(yè)有將近65%的交易都是采用聯(lián)合投資完成的。據(jù)Zero2IPO清科公司的研究報(bào)告顯示，在2001年中國(guó)新增加的風(fēng)險(xiǎn)投資項(xiàng)目中，有近40%的項(xiàng)目采用聯(lián)合投資；2002年中國(guó)大陸地區(qū)有45.7%的風(fēng)險(xiǎn)投資項(xiàng)目采用了聯(lián)合投資形式；2003年采取聯(lián)合投資的項(xiàng)目所占的比例約占41.1%。

隨著聯(lián)合投資這種風(fēng)險(xiǎn)投資形式日益受到企業(yè)界和風(fēng)險(xiǎn)投資家的重視，合作伙伴的選擇作為建立聯(lián)合風(fēng)險(xiǎn)投資利益共同體的第一步，是聯(lián)合風(fēng)險(xiǎn)投資動(dòng)態(tài)戰(zhàn)略聯(lián)盟建立的基礎(chǔ)和關(guān)鍵環(huán)節(jié)，慎重地選擇合作對(duì)象將是這一特殊聯(lián)盟順利發(fā)展的前提條件，也是風(fēng)險(xiǎn)投資成功與否的關(guān)鍵因素。

目前，關(guān)于聯(lián)盟合作伙伴評(píng)價(jià)與選擇的主要方法有層次分析法、遺傳算法、Agent法、證據(jù)推理法、模糊綜合評(píng)判法以及神經(jīng)網(wǎng)絡(luò)法等。本文將粗糙集理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合，應(yīng)用于聯(lián)合風(fēng)險(xiǎn)投資合作伙伴的選擇。將粗糙集作為神經(jīng)網(wǎng)絡(luò)的預(yù)處理器，通過指標(biāo)約過濾數(shù)據(jù)庫中的冗余數(shù)據(jù)簡(jiǎn)壓縮信息空間容量，簡(jiǎn)化訓(xùn)練集，極大地縮短了訓(xùn)練時(shí)間并提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精確度[2]，為解決聯(lián)合風(fēng)險(xiǎn)投資中合作伙伴的選擇問題提供了一個(gè)新的視角。

1 聯(lián)合風(fēng)險(xiǎn)投資合作伙伴選擇影響因素與評(píng)價(jià)指標(biāo)

1.1 聯(lián)合風(fēng)險(xiǎn)投資合作伙伴選擇的影響因素

表1 聯(lián)合風(fēng)險(xiǎn)投資合作伙伴選擇的影響因素及其描述

本文假設(shè)聯(lián)合風(fēng)險(xiǎn)投資合作伙伴的選擇將受到聯(lián)合動(dòng)機(jī)的影響。因此，聯(lián)合投資合作伙伴選擇將受到合作者財(cái)務(wù)狀況、資源特征、投資風(fēng)格、公司聲譽(yù)等因素的影響，具體內(nèi)容見表1所示。

1.2 基于粗糙集理論的聯(lián)合風(fēng)險(xiǎn)投資合作伙伴選擇評(píng)價(jià)指標(biāo)體系的確立

（1）粗糙集理論確定評(píng)價(jià)指標(biāo)的思想與步驟

粗糙集理論RST是波蘭科學(xué)家Z.Pawlak教授在1982年提出的一種數(shù)據(jù)推理方法。它不需提供問題所需處理的數(shù)據(jù)集合之外的任何先驗(yàn)信息，僅根據(jù)觀測(cè)數(shù)據(jù)刪除冗余信息，分析不完整知識(shí)的程度—粗糙度—屬性間的依賴性與重要性，生成分類或決策規(guī)則等。

粗糙集理論的基本定義為：四元組S={U,A,V,f}是一個(gè)知識(shí)系統(tǒng)，其中U表示對(duì)象的非空有限集合，稱為論域，U={x1,x2,…,xn}；A=C∪D表示所有屬性的非空有限集合，其中子集C是條件屬性集，D={I}是決策屬性集，其中Va是屬性a的值域；f為一映射函數(shù)集，它確定對(duì)象的屬性所對(duì)應(yīng)的值，f={fi/U×A→Vi(i≤m)}。

粗糙集理論認(rèn)為知識(shí)是基于對(duì)對(duì)象分類的能力，分類的過程是將相差不大的對(duì)象分為一類，它們的關(guān)系是不可分辨關(guān)系，也稱等價(jià)關(guān)系。約簡(jiǎn)是能保證決策分類質(zhì)量的最小屬性集合，一族等價(jià)關(guān)系可能有多個(gè)約簡(jiǎn)；核是不能去除的最重要的屬性集合，是構(gòu)成任何一個(gè)約簡(jiǎn)的必須成分，全部約簡(jiǎn)的交集定義為核。決策表的屬性核包含在所有約簡(jiǎn)中，所以找出屬性核是約簡(jiǎn)計(jì)算的基礎(chǔ)。目前，粗糙集理論已被成功地應(yīng)用于機(jī)器學(xué)習(xí)、決策分析、過程控制、模式識(shí)別與數(shù)據(jù)挖掘等領(lǐng)域[3]。本文應(yīng)用基于粗糙集理論和信息量的概念，構(gòu)造決策系統(tǒng)的可辨識(shí)矩陣和分辨函數(shù)，通過分辨矩陣的啟發(fā)式指標(biāo)屬性約簡(jiǎn)算法，進(jìn)行指標(biāo)優(yōu)化，得到伙伴選擇決策系統(tǒng)的核和約簡(jiǎn)，最終確立聯(lián)合風(fēng)險(xiǎn)投資合作伙伴選擇的評(píng)價(jià)指標(biāo)體系。

（2）應(yīng)用粗糙集理論確定評(píng)價(jià)指標(biāo)

假設(shè)有n個(gè)愿意合作的風(fēng)險(xiǎn)投資構(gòu)成合作伙伴候選集U={x1,x2,…,xn}；前文探討了影響聯(lián)合風(fēng)險(xiǎn)投資合作伙伴選擇的主要因素，綜合Saxton(1997)、Cravens(2003)的研究成果以及文獻(xiàn)[4，5]分析，本文選取財(cái)務(wù)狀況a、資源狀況b、互補(bǔ)性c、聲譽(yù)與信任d、投資風(fēng)格e、發(fā)展戰(zhàn)略f、綜合實(shí)力g、投資階段h共八個(gè)指標(biāo)作為伙伴選擇的初選評(píng)價(jià)指標(biāo)，這些評(píng)價(jià)指標(biāo)作為條件屬性集C={a,b,c,d,e,f,g,h}；D={I}為伙伴選擇決策屬性集。合作伙伴選擇的決策系統(tǒng)可表示為S=(U,C∪D)，且C∩D=ф。由于每個(gè)指標(biāo)重要性不盡相同，并且有些指標(biāo)可能存在相關(guān)性，而指標(biāo)綜合評(píng)價(jià)要求各指標(biāo)之間應(yīng)該極大不相關(guān)。因此，對(duì)相關(guān)性較大的指標(biāo)有必要進(jìn)行篩選和約簡(jiǎn)。

現(xiàn)取50組通過認(rèn)定的數(shù)據(jù)作為學(xué)習(xí)樣本U={x1,x2,…,x50}，條件屬性C={a,b,c,d,e,f,g,h}。首先對(duì)連續(xù)屬性值進(jìn)行離散化處理，本文采用等頻率區(qū)間法，制定劃分區(qū)間個(gè)數(shù)為5，用對(duì)象總數(shù)除以區(qū)間個(gè)數(shù)得到每個(gè)區(qū)間的樣本數(shù)，根據(jù)每個(gè)區(qū)間的樣本數(shù)確定區(qū)間邊界。對(duì)于定性屬性本文采用5個(gè)評(píng)價(jià)等級(jí)來描述，如綜合實(shí)力a={4，3，2，1，0}={重要，較重要，一般，較不重要，不重要}。將合作伙伴決策選擇分為重要合作伙伴2、一般合作伙伴1及不作為合作伙伴0，所以決策屬性為{p}={2，1，0}[6]。如表2所示：

表2 聯(lián)合風(fēng)險(xiǎn)投資候選合作伙伴統(tǒng)計(jì)決策表

計(jì)算其可分辨矩陣為：

由上述分辨矩陣可以得到其分辨函數(shù)F：

對(duì)分辨函數(shù)進(jìn)行約簡(jiǎn)，得到{a,b,d,c}，{a,b,d,e}，{a,b,d,g}三個(gè)簡(jiǎn)式為條件屬性C對(duì)決策屬性{I}的約簡(jiǎn)集。約簡(jiǎn)集中沒有屬性f和h，由此可見，這里屬性f（發(fā)展戰(zhàn)略）與屬性h（投資階段）是決策的冗余屬性，去掉屬性f和h后并未改變決策系統(tǒng)的分類能力。經(jīng)過約簡(jiǎn)最終得到財(cái)務(wù)狀況、資源狀況、互補(bǔ)性、聲譽(yù)與信任、投資風(fēng)格與綜合實(shí)力六個(gè)指標(biāo)。約簡(jiǎn)的結(jié)果與實(shí)踐是一致的，因此，本文選擇這六個(gè)指標(biāo)對(duì)候選合作伙伴進(jìn)行評(píng)價(jià)。

2 聯(lián)合風(fēng)險(xiǎn)投資合作伙伴選擇的BP神經(jīng)網(wǎng)絡(luò)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由于在理論上已經(jīng)證明了具有三層結(jié)構(gòu)（只有一個(gè)隱層）的BP網(wǎng)絡(luò)能夠逼近任何有理函數(shù)。因此，這里采用三層BP算法。輸入層節(jié)點(diǎn)的個(gè)數(shù)與評(píng)價(jià)指標(biāo)個(gè)數(shù)相對(duì)應(yīng)，本文采用六個(gè)指標(biāo)對(duì)聯(lián)合風(fēng)險(xiǎn)投資候選合作伙伴進(jìn)行評(píng)價(jià)，這樣網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)數(shù)為6。由于該網(wǎng)絡(luò)輸出結(jié)果只有一個(gè)指標(biāo)即候選伙伴各指標(biāo)的綜合評(píng)價(jià)值，因此網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)為1。實(shí)驗(yàn)中隱含層的初選節(jié)點(diǎn)可按i=（輸入層節(jié)點(diǎn)數(shù)+輸出層節(jié)點(diǎn)數(shù)）1/2計(jì)算，考慮到單隱含層網(wǎng)絡(luò)的非線性映射能力較弱，為了達(dá)到預(yù)定的映射關(guān)系，隱含層要多一點(diǎn)，因此最終確定隱含層節(jié)點(diǎn)個(gè)數(shù)為8。由此得到一個(gè)第一層含有6個(gè)輸入神經(jīng)元、隱含層含有8個(gè)神經(jīng)元、輸出層含有一個(gè)神經(jīng)元的三層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，見圖1所示。

以Inij和Oij分別表示第i層第j個(gè)神經(jīng)元的輸入與輸出。

（1）第一層

c1j和σ1j分別為聚類中心和方差，Oij為模式x屬于聚類j的隸屬度，即Oij=UFj(x)，H為聚類數(shù)。

（2）第二層

（3）第三層

2.2 網(wǎng)絡(luò)參數(shù)確定和模擬訓(xùn)練算法

神經(jīng)網(wǎng)絡(luò)中需要學(xué)習(xí)的權(quán)重參數(shù)主要是輸出層的連接權(quán)重wij(i=1,2,…,m;j=1,2,…,n)，以及隱含層中隸屬度函數(shù)的中心值cij和方差σij(i=1,2,…,m;j=1,2,…,n)。

定義單個(gè)誤差代價(jià)函數(shù)為[8]：

系統(tǒng)平均誤差為：

式中，α為動(dòng)量因子，β為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的學(xué)習(xí)率，0<β<1；wij(k+1)和wij(k)分別表示第k+1和第k次迭代時(shí)的權(quán)值。

由于輸入數(shù)據(jù)在[0,1]之間，所以隱含層采用Tans ig轉(zhuǎn)換函數(shù)，輸出層采用Logsig轉(zhuǎn)換函數(shù)，并且采用帶有動(dòng)量的梯度下降法訓(xùn)練網(wǎng)絡(luò)。選取50個(gè)樣本，循環(huán)訓(xùn)練網(wǎng)絡(luò)100次，模型的實(shí)現(xiàn)過程利用Ma t l ab7.0語言編程實(shí)現(xiàn)。

訓(xùn)練網(wǎng)絡(luò)的具體程序命令如下：

設(shè)定目標(biāo)值為10-2，訓(xùn)練過程見如圖2所示曲線，當(dāng)訓(xùn)練3594步之后，系統(tǒng)顯示“Performance goal met”，網(wǎng)絡(luò)訓(xùn)練誤差下降到目標(biāo)值，網(wǎng)絡(luò)停止訓(xùn)練。

2.3 基于粗糙集——神經(jīng)網(wǎng)絡(luò)模型的聯(lián)合風(fēng)險(xiǎn)投資合作伙伴選擇應(yīng)用實(shí)例

設(shè)某主導(dǎo)型風(fēng)險(xiǎn)投資公司初步選定A，B，C和D四家候選風(fēng)險(xiǎn)投資公司，需要再?gòu)闹羞x擇出一家最優(yōu)的合作伙伴。通過粗糙集指標(biāo)的刪選，最終選擇合作伙伴現(xiàn)有的綜合實(shí)力、資源狀況、互補(bǔ)性、投資風(fēng)格、公司聲譽(yù)與信任、財(cái)務(wù)狀況等六個(gè)重要評(píng)價(jià)指標(biāo)。為了便于評(píng)價(jià)，應(yīng)將各指標(biāo)轉(zhuǎn)換成具體的可測(cè)度的操作變量。這里，公司綜合實(shí)力用公司競(jìng)爭(zhēng)地位、公司規(guī)模和經(jīng)營(yíng)效率三個(gè)可測(cè)變量來反映；投資風(fēng)格用投資領(lǐng)域、投資階段和風(fēng)險(xiǎn)偏好三個(gè)可測(cè)變量來反映；資源狀況用社會(huì)網(wǎng)絡(luò)、人力資源狀況和技術(shù)水平三個(gè)可測(cè)變量來反映；公司聲譽(yù)與信任用商業(yè)信譽(yù)和歷史業(yè)績(jī)兩個(gè)可測(cè)變量來反映；財(cái)務(wù)狀況用公司注冊(cè)資產(chǎn)、流動(dòng)資產(chǎn)和投資能力三個(gè)可測(cè)變量來反映；互補(bǔ)性用互補(bǔ)性技巧和資源互補(bǔ)率兩個(gè)可測(cè)變量來反映。

在這里就是要收集反映A，B，C和D四家風(fēng)險(xiǎn)投資公司綜合實(shí)力、投資風(fēng)格、資源狀況、聲譽(yù)與信任、財(cái)務(wù)狀況、互補(bǔ)性六個(gè)評(píng)價(jià)指標(biāo)的可操作變量的評(píng)價(jià)值，見表3所示。

表3 四家風(fēng)險(xiǎn)投資公司評(píng)價(jià)指標(biāo)數(shù)據(jù)表

首先計(jì)算A的評(píng)價(jià)值，將綜合實(shí)力、投資風(fēng)格、資源狀況、聲譽(yù)信任、財(cái)務(wù)狀況和互補(bǔ)性歸一化處理后作為BP神經(jīng)網(wǎng)絡(luò)的輸入，即把0.6528，0.6883，0.6626，0.7133，0.6266和0.6314輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，得到的輸出結(jié)果為0.6233。同樣可以得到B，C，D公司的綜合評(píng)價(jià)值為0.6813，0.6911和0.6221，各公司詳細(xì)數(shù)據(jù)見表4所示。

表4 四家風(fēng)險(xiǎn)投資公司綜合評(píng)價(jià)數(shù)據(jù)表

可以看出公司C的綜合值最大，其次為公司B，得出的初步結(jié)論是公司C為最優(yōu)公司。為使結(jié)果準(zhǔn)確可靠，可以將公司C和公司B的具體資料提交給有關(guān)專家進(jìn)行最后的判斷。

3 結(jié)束語

聯(lián)合風(fēng)險(xiǎn)投資合作伙伴選擇是個(gè)相對(duì)復(fù)雜的決策過程。本文分析了主導(dǎo)型風(fēng)險(xiǎn)投資公司選擇聯(lián)合風(fēng)險(xiǎn)投資合作伙伴的影響因素，使用粗糙集理論確定合作伙伴選擇的評(píng)價(jià)指標(biāo)，利用神經(jīng)網(wǎng)絡(luò)法建立合作伙伴選擇模型，主導(dǎo)者可以通過衡量跟隨者聲譽(yù)、合作雙方的互補(bǔ)性以及相容性的等方面的水平，做出最優(yōu)的決策選擇。將粗糙集理論與人工神經(jīng)網(wǎng)絡(luò)進(jìn)行有機(jī)結(jié)合，可以有效彌補(bǔ)兩種方法各自的缺陷，提高選擇的速度與準(zhǔn)確率。但需要注意的是，由于評(píng)價(jià)指標(biāo)中存在許多難以量化的指標(biāo)，給合作伙伴選擇最優(yōu)化決策帶來了困難。同時(shí)，對(duì)神經(jīng)網(wǎng)絡(luò)模型來說，訓(xùn)練數(shù)據(jù)的合理性至關(guān)重要。不合理的數(shù)據(jù)會(huì)影響訓(xùn)練結(jié)果，影響網(wǎng)絡(luò)參數(shù)的確定，進(jìn)而必將影響應(yīng)用效果。所以，探討應(yīng)用粗糙集理論確定訓(xùn)練數(shù)據(jù)集，剔除不合理的數(shù)據(jù)，增加合理的數(shù)據(jù)，不斷調(diào)整——訓(xùn)練數(shù)據(jù)，可以達(dá)到較好的應(yīng)用效果，這些問題都需要在后續(xù)的研究中做進(jìn)一步深入地探討。

[1]陳明，劉仲英.從動(dòng)態(tài)聯(lián)盟角度對(duì)聯(lián)合風(fēng)險(xiǎn)投資的探討[J].經(jīng)濟(jì)論壇，2005，(5).

[2]Ren Puli,Zheng Ouwang.Mining Classification Rules Using Rough Sets and Neural Networks[J].European Journal of Operational Research,2004,(157).

[3]吳金培，孫德山.現(xiàn)代數(shù)據(jù)分析[M].北京：機(jī)械工業(yè)出版社，2006.

[4]Johanna Pynna.Motivation for Syndication of Venture Capital Investments[Z].Tu-91.167 Seminar in Business Strategy and International Business,2004.

[5]盧燕，湯建影等.合作研發(fā)伙伴選擇影響因素的實(shí)證研究[J].研究與發(fā)展管理,2006,18(1).

[6]周慶敏，殷晨波.虛擬企業(yè)伙伴選擇的粗糙集方法[J].控制與決策，2005，(9).

[7]張東波.一種新型模糊-粗神經(jīng)網(wǎng)絡(luò)及其在元音識(shí)別中的應(yīng)用[J].控制與決策，2006，21（2）.

[8]吳沖，呂靜潔，潘啟樹，劉云濤.基于模糊神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型研究[J].系統(tǒng)工程理論與實(shí)踐，2004，(11).

F830.5

A

1002-6487（2011）07-0183-04

教育部人文社科基金資助項(xiàng)目（10YJC630241）；江南大學(xué)引進(jìn)人才項(xiàng)目

王雷(1979-)，男，安徽宿州人，博士，講師，研究方向：創(chuàng)業(yè)投資與項(xiàng)目融資風(fēng)險(xiǎn)管理。

（責(zé)任編輯/浩天）