基于BP-Markov模型的技術創(chuàng)新融資風險耦合分析

崔曉辰，陸國慶

（湖南大學 金融與統(tǒng)計學院，長沙 410006）

0 引言

隨著世界各國對于技術創(chuàng)新的重視，越來越多的產業(yè)創(chuàng)新面臨路徑選擇與風險控制的雙重壓力與挑戰(zhàn)。風險控制不僅僅是產業(yè)創(chuàng)新的重要改進突破口，更是創(chuàng)新主體如何進一步實現(xiàn)高效創(chuàng)新的關鍵。而對于廣大中小企業(yè)的技術創(chuàng)新而言，如何突破自身資金、技術支持與規(guī)模瓶頸，是實現(xiàn)技術創(chuàng)新與風險規(guī)避的本質內在[1]。何亞玲等（2015）[2]分別利用ANP模型對技術創(chuàng)新融資風險進行了測度分析。然而，BP神經訓練作為一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，將仿生學原理與數(shù)據測度分析結合，于1986年由Rumelhart和McCellandp[3]提出，之后由Sammut等（2011）[4]做出了模型的改進與參數(shù)選取的路徑修正，然而這一過程仍然存在選取指標與主體之間內部疊合作用對精度解釋的干擾。而利用BP框架進行降維是一個基于Markov機理框架的方法創(chuàng)新，利用兩者的耦合性可以提高不同指標在主體內部以及外部影響因素之間的關聯(lián)解釋能力[5]。另一方面，隨著神經訓練的仿生應用逐步推廣，BP神經網絡、遺傳算法、主成分分析逐步計入到跨學科應用的范疇。期間，BP神經網絡被提出與Markov鏈的結合，在軟件對樣本問題預測過程中的疊合信息剔除[6]；馬爾科夫鏈同時也在基礎BP架構的測度評估方法上獲得了指標選取的改良[7]。在這個基礎上，投資績效的預測、風險評估以及預測都成為BP神經訓練的主要應用范疇。但與一般的訓練預測和評估不同，創(chuàng)新的風險評估分析，往往側重風險與創(chuàng)新疊合的分值方向領域，這使得神經訓練應用更為細化。

本文將傳統(tǒng)BP神經訓練與Markov鏈進行結合，按照不同主體的評估賦值進行對比反饋信號差的分層分析；再結合馬爾科夫鏈將獲得BP訓練強信號指標進行量化分解；最終將獲得技術創(chuàng)新內源性風險控制與外部融資風險影響的關聯(lián)分離，從而解析技術創(chuàng)新對主體融資風險的影響。

1 BP神經網絡以及Markov改進模型

1.1 風險規(guī)避行為信號疊合處理的神經網絡訓練設定

首先，本文針對每個技術創(chuàng)新風險過程的評估按照Markob網絡結構進行分解，對每一個樣本通過技術創(chuàng)新能力、產品市場占有率、技術創(chuàng)新產權、政策支持進行隱含層節(jié)點數(shù)的確定。其中，每個隱含層輸入節(jié)點的對比反饋信號差的分層分析可以按照基本Markov適應度函數(shù)進行調用：

同時，為削減不同技術創(chuàng)新融資的風險影響，特別是其中技術創(chuàng)新主體自身對于風險識別乃至規(guī)避的行為，對于所選樣本指標的技術創(chuàng)新投入在主體自身規(guī)避風險過程中的投入，進行了樣本訓練基數(shù)的疊合剔除。即通過式（1）中的向量差接近值進行重累積，再按照式（2）進行向量差疊合誤差修正：

式（2）負責刻畫的是在每一個疊加信號序列中，按照樣本原始值與其在不同疊合樣本中存在不同向量矩陣對應系數(shù)的乘積累加。再通過層級累積，剔除每一層內原始樣本向量總輸出值與BP訓練輸出的信號彈性系數(shù)λn。

最后，對于經過層級累積后疊加信號序列進行結合馬爾科夫鏈將獲得BP訓練強信號指標進行量化分解：

該類分解基于基礎的BP神經網絡訓練獲得樣本信號值以及經過疊合剔除的神經訓練而成（見圖1）。

圖1 基于風險規(guī)避自主行為剔除的疊合處理BP訓練集

1.2 疊加剔除的BP-Markov歸一化處理

一般而言，適用于樣本反饋值靈敏度的Markov異步狀態(tài)是按照靈敏度矩陣獲得，即：

通過式（3）可以剔除對主體技術創(chuàng)新過程自身風險規(guī)避的行為對整個技術創(chuàng)新融資風險分析的影響。但剔除后經過BP神經網絡訓練的樣本對關聯(lián)信號的反饋形成了數(shù)據非歸一化的反饋特征，因此須進一步經過疊合剔除處理的樣本向量集進行歸一化矩陣處理：

綜上所述，在維持性血液透析治療中開展心理護理干預，有助于患者負性情緒的緩解和消除，在改善預后和確保治療的順利進行方面存在積極的影響。

由此，最終獲得包含樣本數(shù)據疊合行為分離的清晰信號值，將基于式（5）的疊合創(chuàng)新融資風險規(guī)避行為剔除后的樣本信號反饋進行重寫訓練向量方差累積，再以剔除后無疊合部分的非歸一化訓練樣本進行Markov驗證（見圖2）。圖2所示的訓練模式基于前一種訓練結果的訓練模式行為遞進剔除，形成了包含疊合單元剔除后完備且精簡的反饋信息。即可以直接對比的技術創(chuàng)新融資風險評估對象樣本整理集，確保每組信號值具備歸一化的信號向量矩陣。

2 技術創(chuàng)新融資風險評估指標

為進一步克服基礎BP神經網絡給技術創(chuàng)新融資風險驗證過程收斂趨同帶來的精度削減問題，本文將基礎BP神經網絡結合馬爾科夫進行基于樣本風險評估賦值的Markov鏈式遺傳算法閾值優(yōu)化。首先，確立技術創(chuàng)新能力、產品市場占有率、技術創(chuàng)新產權，以及政策支持作為技術創(chuàng)新的自我改進以及外部支持等方面的指標，具體測算方法如表1所示。

圖2 剔除疊合后的BP-Markov歸一化處理

表1 技術創(chuàng)新融資風險測度

同時，本文結合上市企業(yè)財務、技術顧問、管理層等人員針對所選指標對應的13個上市企業(yè)樣本進行技術創(chuàng)新融資風險評估賦值，表2對于以上融資風險相關指標分解進行了統(tǒng)計分析。

表2 樣本數(shù)據統(tǒng)計分析

從驗證樣本的綜合風險評估來看，僅有兩個上市樣本企業(yè)在選取指標的原始數(shù)據上報告低于0.05的風險評估賦值。說明就原始數(shù)據而言，大部分上市企業(yè)樣本對于選取指標一致認可。同時，從產品市場占有率這一選取指標的原始風險評估值來看，也僅有一個原始樣本上市企業(yè)有低于0.05的評估值，可以看出無論是技術創(chuàng)新能力、產品市場占有率，還是技術創(chuàng)新產權覆蓋率，以及政策支持都對技術創(chuàng)新的融資風險削減有同向原始信號關聯(lián)特征。

將上述13個上市樣本企業(yè)作為分析研究對象，并就其中的風險估值原始數(shù)據的累計貢獻率進行分析，結合SPSS21.0獲得各個影響企業(yè)技術創(chuàng)新融資風險指標的累計方差。簡單分析結果顯示，獲得80%以上累計方差貢獻率的樣本數(shù)量，占全部驗證樣本的65%以上。由此，本文以樣本所選取指標的方差以及累積方差貢獻率進行進一步測度。表3報告了基于SPSS21.0計算獲得的樣本企業(yè)平均累計方差結果。

表3 主成分分析

從表3可以看出，不論是技術創(chuàng)新能力、產品市場占有率，還是技術創(chuàng)新產權覆蓋和政策支持，各因子對應的風險評估基礎值的方差以及累積方差都表現(xiàn)出相對的獨立性，但是集中偏低的方差，并未直接指向累積方差貢獻率，說明上述因素的選擇也均存在相對獨立性。另外，技術創(chuàng)新產權覆蓋率成為樣本評估自選因素中的最高累計方差的選取指標，其累計方差貢獻率達到78.456%?？梢姼鱾€上市企業(yè)在自身產品的選擇以及總體均值表現(xiàn)出相對的發(fā)散，而不同指標之間的方差差值未超過15%，因此需要對不同選取指標進行進一步的特征向量矩陣標度分析。

3 技術創(chuàng)新融資風險耦合分析

根據上述分析，將各個具有顯著特征的指標，分別按照1～5劃分為完全不同意、不同意、可以、同意，以及完全同意五個指標判定等級，對應李克特五級量表。再按照13個樣本企業(yè)主體內部管理人員對于技術創(chuàng)新及其融資風險評估予以賦值，并對二級指標主成分進行分析，其中得分比重按照相應的指標體系進行向量集的隸屬度測度，即：

其中，oppro、opetp分別負責刻畫的是專家組以及13個樣本企業(yè)內部管理人員對于主體技術創(chuàng)新與融資風險的選取指標評估意見，按照1～5級進行比重的隸屬度測算如下：

通過每一樣本主體以及專家之間的評估向量隸屬度可以獲得經過修正的主成分分析指標信號，且按照信號強弱可以獲得如式（8）所示的向量指標矩陣。將其中存在自身組織風險和技術創(chuàng)新融資風險交疊的信號剔除，從而提升耦合BP-Markov對技術創(chuàng)新融資風險所選指標風險的BP訓練精度。式（6）和式（7）所得的技術創(chuàng)新指標可按照矩陣（8）進行進一步的BP訓練精度調整。

基于式（8），除完全不同意之外的四層級對比中顯著一方要素的重新耦合模式訓練成分分析結果如表4所示。

表4 基于耦合BP-Markov改進的主成分分析結果

從表4可以看出，每一層指標的主成分分析對應的專家意見以及參與樣本主體的技術創(chuàng)新內部管理都獲得了較為平穩(wěn)的驗證序列結果。其中標準差和方差貢獻率都為技術創(chuàng)新融資風險的關聯(lián)解釋構造出趨減的改進主成分分析結果。并且相較于方差貢獻率，標準差（從2.165降至0.582）具備的意見級差要相對較小；方差貢獻率在1級和2級表現(xiàn)出相對接近的主成分分析結構。由于標準差在遞推一級的評估估計賦值中有類似的表現(xiàn)，表明按照耦合BP-Markov在完全不同意、不同意的評估賦值表述、不同意與可以的評估賦值上有待進一步細化。

而與此同時，累計貢獻率則逐步趨增，說明耦合BP-Markov在技術創(chuàng)新能力、產品市場占有率以及技術創(chuàng)新產權覆蓋率方面形成與技術創(chuàng)新融資風險的同向關聯(lián)。

圖3 基于耦合BP-Markov修正的技術創(chuàng)新融資風險評估量化

最后，本文選擇將所選技術創(chuàng)新樣本主體按照相對緊逼的專家、測度樣本主體內部管理層意見進行耦合BP-Markov精度調整。從圖3評估量化結果來看，技術創(chuàng)新能力、政策支持都表現(xiàn)出與驗證主體創(chuàng)新風險的相對弱關聯(lián)。經過量化的技術創(chuàng)新能力在專利新增以及政府的技術創(chuàng)新補貼等方面未直接對技術創(chuàng)新主體的融資獲得產生阻滯作用，且政府支持在總體上的量化均值為19.81，技術創(chuàng)新能力的量化均值為34.44。

相比之下，技術創(chuàng)新產權在所選技術創(chuàng)新樣本主體中，超過50的耦合BP-Markov主成分分析量化值占到9個，覆蓋率為64.3%，且量化均值為69.1。說明技術創(chuàng)新專利作為反復主成分分析后，仍然保持對技術創(chuàng)新融資風險關聯(lián)的顯著解釋，且其對于兩者的解釋量化關聯(lián)程度要高于技術創(chuàng)新能力、產品市場占有率和政策支持指標。因此，對于技術創(chuàng)新而言，在謀求內部管理的融資風險控制的同時，應注意及時控制創(chuàng)新形成的專利等成果，從而提升技術創(chuàng)新主體所獲的融資風險控制效果。

4 結束語

通過改進后訓練步長對比進行相應的技術創(chuàng)新融資風險評估驗證證實，技術創(chuàng)新能力、產品市場占有率、技術創(chuàng)新產權覆蓋率具備同向關聯(lián)性質的信號反饋。但在基礎BP訓練中反饋的技術創(chuàng)新與融資風險強度相對獨立，而在專家以及技術創(chuàng)新主體內部管理層評估分值緊逼的意見層中選取的指標，對于技術創(chuàng)新的融資風險解釋更具備耦合BP-Markov信號精度。從檢驗的結果來看，目前階段我國企業(yè)自身創(chuàng)新能力與金融支持的預期效應差距、政府期望都是影響融資主體抵御風險的主要因素；而對于創(chuàng)新產權糾紛的有效處理，也是制約企業(yè)成功獲得融資的重要前提。

參考文獻：

[1]黃福寧.技術創(chuàng)新投融資風險狀態(tài)的識別研究[J].科學管理研究,2009,27(4).

[2]何亞玲.甘肅省中小企業(yè)技術創(chuàng)新融資風險的ANP評價[J].蘭州文理學院學報：社會科學版,2015,31(4).

[3]Mcclelland J,Rumelhart D.Open Questions About Computation in Cerebral Cortex[M].Massachusetts：MIT Press,1987.

[4]Sammut C.Generalized Delta Rule[J].Encyclopedia of Machine Learning,2011.

[5]周方明,張明媛,袁永博.基于PCA-GA-BP的工程項目工期風險預測研究[J].工程管理學報,2011,25(5).

[6]Sadeghi B H M.A BP-neural Network Predictor Model for Plastic Injection Molding Process[J].Journal of Materials Processing Technology,2000,103(3).

[7]Tang Q,Dai J,Liu J,et al.Quantitative Detection of Defects Based on Markov-PCA-BP Algorithm Using Pulsed Infrared Thermography Technology[J].Infrared Physics&Technology,2016.