高新技術(shù)企業(yè)研發(fā)成本的預測模型及方法探討

劉 颯， 萬 壽 義

(東北財經(jīng)大學 會計學院，遼寧 大連 116025)

一、引 言

高新技術(shù)企業(yè)一般是指國家重點支持的高新技術(shù)領域內(nèi)，持續(xù)開展研究開發(fā)與技術(shù)成果轉(zhuǎn)化并形成核心自主知識產(chǎn)權(quán)的經(jīng)濟實體。區(qū)別于傳統(tǒng)企業(yè)，高新技術(shù)企業(yè)具有風險高、投入大、收益好、成長快和競爭激烈等特點。新技術(shù)、新產(chǎn)品的研發(fā)和創(chuàng)造是高新技術(shù)企業(yè)發(fā)展的核心竟爭力。相比歐美國家，我國高新技術(shù)企業(yè)起步較晚，但近年來創(chuàng)新力量持續(xù)增強，相應制度建設也在不斷完善，高新技術(shù)企業(yè)在研發(fā)活動中的支出也呈現(xiàn)加速上升趨勢，因此，提升企業(yè)創(chuàng)新能力、加快產(chǎn)業(yè)升級、加大成本管控力度、促進可持續(xù)發(fā)展已成為高新技術(shù)企業(yè)的當務之急和必然選擇。隨著國家創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略的不斷推進實施，以及經(jīng)濟建設和社會發(fā)展對科技成果轉(zhuǎn)化的迫切需要，企業(yè)研發(fā)成本的管理與預測正在得到越來越多學者的廣泛關(guān)注和深入研究。

在成本管理方面，孫茂竹認為成本領先戰(zhàn)略依舊是企業(yè)爭奪市場、獲取競爭優(yōu)勢的基本手段之一。企業(yè)必須借助有效的價值測量、控制和管理系統(tǒng)促進研發(fā)投入的有效利用，從而促進績效的提升[1]。王迎迎基于研發(fā)項目的生命周期建立了成本管理模式，將研發(fā)成本劃分為戰(zhàn)略成本、風險成本、質(zhì)量成本和目標成本4個管理階段并分別開展成本研究[2]。Wang等人對資金來源與研發(fā)投入之間的關(guān)系進行研究，并通過實例表明了內(nèi)生融資利率與研發(fā)投資之間存在正相關(guān)關(guān)系[3]。賀佳歡構(gòu)建了研發(fā)成本管理模式，提出通過建立考核評價激勵機制等途徑提升研發(fā)成本管理效率[4]。李炳然分析研發(fā)費用核算與管理中存在的問題，提出了降低研發(fā)費用、提高研發(fā)效益的對策與方法[5]。梁萊歆等人考慮研發(fā)活動的不確定性及高風險性，將項目生命周期理論引入到研發(fā)成本管理中[6]。胡新武結(jié)合高新技術(shù)企業(yè)獨有的特點，提出一種包括戰(zhàn)略環(huán)境分析、戰(zhàn)略規(guī)劃、實施與控制、計量與評價4個方面的成本管理模式[7]。朱丹等利用激勵相容的相關(guān)模型分析了高新技術(shù)企業(yè)研發(fā)預算管理及其創(chuàng)新績效的關(guān)系[8]。Meng從內(nèi)、外兩方面找出影響高科技企業(yè)研發(fā)投入的因素，采用模糊綜合評價方法進行因素篩選，最終提出了企業(yè)在不同場景下應采取的研發(fā)投資策略[9]。

在成本預測方面，李徑路等人根據(jù)創(chuàng)業(yè)板企業(yè)的自身特點，引入徑向基神經(jīng)網(wǎng)絡(RBF)和逆轉(zhuǎn)傳播神經(jīng)網(wǎng)絡(BP)進行研發(fā)預測[10]。陳會明指出成本預測的準確性將影響產(chǎn)品的成本，同時企業(yè)研發(fā)成本的諸多因素會影響成本預測的準確性,并將高技術(shù)企業(yè)研發(fā)成本預測視為由研發(fā)能力、生命周期、成本預測方法、新產(chǎn)品新技術(shù)增幅、外部環(huán)境5大子系統(tǒng)共同構(gòu)成的一個系統(tǒng)，利用系統(tǒng)動力學理論建立了系統(tǒng)分析模型，給出了改進企業(yè)研發(fā)成本預測的措施[11]。李曉婉等人針對國內(nèi)藥業(yè)成本控制環(huán)節(jié)薄弱、目標成本不明確等問題，提出應建立成本預測體系，促使資金運營更為合理、研發(fā)動力更為強大[12]。Dimasi等人匯集10家制藥公司共獲得106種隨機選擇的新藥的研發(fā)成本，利用這些數(shù)據(jù)估算了新藥和生物制劑開發(fā)的成本問題[13]。

綜上所述，現(xiàn)有文獻針對高新技術(shù)企業(yè)研發(fā)成本管理和預測的研究較多，但由于研發(fā)成本涉及的因素較多，以及自身保密性、不確定性強的特點，為學者對研發(fā)成本預測研究帶來較大困難。已有研究結(jié)果主要集中在闡述研發(fā)成本管理的意義、提出研發(fā)成本管理中的對策與方法等，主要關(guān)注有針對性的研發(fā)項目成本管理模式、以客戶為核心的研發(fā)成本管理模式與多平衡點的研發(fā)成本管理模式，產(chǎn)生了一些有價值的研究成果。但從內(nèi)容上看，研究者對成本管理和成本預測以模型與方法的角度加以系統(tǒng)研究的文獻較多。從方法上看，多數(shù)文獻對研發(fā)成本預測研究方法多為定性分析或定量研究，但將定性與定量相結(jié)合的研究方法較少。本文通過系統(tǒng)闡述高新技術(shù)企業(yè)成本特性與要素影響分析，運用主成分分析(PCA)提取關(guān)鍵影響因子，在此基礎上運用支持向量機(SVR)方法對研發(fā)成本進行預測，進而分析其變化趨勢，為企業(yè)未來經(jīng)營與管理提供科學決策支撐。

二、高新技術(shù)企業(yè)研發(fā)投入特性及影響因素分析

1.高新技術(shù)企業(yè)研發(fā)投入特性

高新技術(shù)企業(yè)資本高度集中，知識與技術(shù)相對密集，具有高風險和高潛能等特征。這此特征決定了其研發(fā)投入不僅要滿足產(chǎn)品、工藝的快速更新的需要，科技人才、創(chuàng)新環(huán)境不斷變化的需要，還要適應提升競爭力和開展國際合作等迫切要求。因此，與一般企業(yè)相比，高新技術(shù)企業(yè)研發(fā)投入具有以下3種特性：

(1)投入高

高新技術(shù)企業(yè)中存在研發(fā)技術(shù)難度大、科技人才激勵費用高、機器設備先進、試驗測試研發(fā)活動頻繁等特點。要保持企業(yè)可持續(xù)發(fā)展，需要不斷加大投入力度，不斷提高產(chǎn)品附加值，不斷滿足市場對產(chǎn)品的需要，保持競爭力。沒有研究開發(fā)中的高投入就無法維持高新技術(shù)企業(yè)的發(fā)展。

(2)周期長

高新技術(shù)企業(yè)研發(fā)投入是一種持續(xù)性的投資，既存在初始投入，又需進行后續(xù)投入。為保證產(chǎn)品的市場占有率以及企業(yè)的競爭優(yōu)勢，高新技術(shù)企業(yè)需對產(chǎn)品及生產(chǎn)鏈利用科學技術(shù)最新成果持續(xù)尋求技術(shù)升級，一旦停止后續(xù)投入，前期的投入成果可能面臨快速貶值甚至報廢。因此，根據(jù)高新技術(shù)企業(yè)的行業(yè)特點與市場環(huán)境，研發(fā)投入需貫穿產(chǎn)品全生命周期。

(3)風險大

高新技術(shù)企業(yè)研發(fā)投入的高風險主要來自于技術(shù)不確定性與外部環(huán)境的多變性。由于高新技術(shù)企業(yè)產(chǎn)品技術(shù)復雜程度高、創(chuàng)新模式多樣、更新?lián)Q代較快、專業(yè)人才依賴度高等特點。同時，在研發(fā)的各環(huán)節(jié)中，高新技術(shù)企業(yè)還需面臨市場風險、國家政策變化、財務風險等影響。因此，高新技術(shù)企業(yè)承擔的研發(fā)風險較高于其他類型企業(yè)。

2.高新技術(shù)企業(yè)研發(fā)成本的影響因素分析

高新技術(shù)企業(yè)研發(fā)成本主要由新產(chǎn)品、新技術(shù)研發(fā)過程中產(chǎn)生的各項直接成本與間接成本構(gòu)成。依據(jù)高新技術(shù)企業(yè)研發(fā)活動的特性，并結(jié)合企業(yè)發(fā)展軌跡、科技進步水平、地區(qū)經(jīng)濟發(fā)展、政策落實狀況等實際情況，本文將影響高新技術(shù)企業(yè)研發(fā)成本預測的主要因素劃分為研發(fā)能力、生命周期和外部環(huán)境3個重要因素。

(1)研發(fā)能力

高新技術(shù)企業(yè)研發(fā)能力是衡量企業(yè)新產(chǎn)品開發(fā)、新知識應用、技術(shù)能力強度、研發(fā)資本成果的標準，對企業(yè)研發(fā)成本產(chǎn)生重要影響。本文充分考慮企業(yè)研發(fā)資金投入強度、研發(fā)團隊人員狀況、新產(chǎn)品平均研發(fā)周期、成果轉(zhuǎn)化情況、生產(chǎn)設備先進度、申請專利技術(shù)數(shù)、顧客滿意度、產(chǎn)權(quán)制度明晰度、員工創(chuàng)新意識、企業(yè)協(xié)調(diào)能力等因素，在此基礎上，本文確定選取團隊科研技術(shù)水平(X1)和創(chuàng)新能力(X2)為研發(fā)能力的代理指標。

(2)生命周期

與傳統(tǒng)企業(yè)相比，高新技術(shù)企業(yè)發(fā)展過程具有較強的階段特征。在生命周期的不同階段，企業(yè)的研發(fā)投入策略與經(jīng)濟效益存在較大差異。為了體現(xiàn)高新技術(shù)企業(yè)在生命周期各發(fā)展階段的特點，本文考慮了企業(yè)在不同階段投入成本的差異性、市場分析能力和企業(yè)實現(xiàn)發(fā)展目標能力，確定選取市場占有率(X3)、競爭者數(shù)量(X4)、市場規(guī)模(X5)、經(jīng)營現(xiàn)金流量(X6)為生命周期指標。

(3)外部環(huán)境

高新技術(shù)企業(yè)與傳統(tǒng)企業(yè)相比，其研發(fā)支出占企業(yè)總支出的比例較大，發(fā)生的直接成本費用相對較少，導致外部環(huán)境因素對高新技術(shù)企業(yè)影響程度較大。隨著經(jīng)濟全球化，特別是在日益激烈的市場競爭現(xiàn)實環(huán)境、信息技術(shù)的有機融合以及顧客精細服務需求背景趨勢下，高新技術(shù)企業(yè)更要注重對外部環(huán)境的科學分析，及時捕捉外部環(huán)境給企業(yè)帶來的創(chuàng)新發(fā)展機遇。本文在充分考慮GDP變化、經(jīng)濟投資預測、物價指數(shù)水平、法律對行業(yè)限制程度以及自然環(huán)境變化等因素，選定通貨膨脹率(X7)作為外部環(huán)境指標。

三、研究方法

高新技術(shù)企業(yè)研發(fā)成本預測涉及研發(fā)資金投入、創(chuàng)新轉(zhuǎn)化能力、市場分析能力、企業(yè)發(fā)展目標能力、市場環(huán)境、競爭環(huán)境、監(jiān)管環(huán)境等多方面內(nèi)容，其內(nèi)部構(gòu)成及變化受內(nèi)外界影響較大，因此，研究方法需考慮多變量并行處理、關(guān)鍵因素精準提取、跨維轉(zhuǎn)化能力強、計算求解相對簡單、預測精度高等因素，本文考慮將主成分分析和支持向量回歸結(jié)合起來，實現(xiàn)對高新技術(shù)企業(yè)研發(fā)成本有效預測的目的。

1.主成分分析(PCA)

對高新技術(shù)企業(yè)研發(fā)成本預測，通過研究對比了類比估算法、參數(shù)估計法、全面詳細估算法、軟件工具法等預測方法。考慮到高新技術(shù)企業(yè)研發(fā)成本影響因素多、數(shù)據(jù)類型復雜以及多重共線等問題，本文采用主成分分析(PCA)對數(shù)據(jù)進行降維來簡化數(shù)據(jù)結(jié)構(gòu)，通過將多個指標合成為具有代表性的少數(shù)幾個主成分實現(xiàn)降維，其中每個主成分所包含的信息各不相同，且能反映原始變量的絕大部分信息，在簡化問題的同時，獲得更加科學有效的數(shù)據(jù)信息。主要過程包括：

(1)將初始數(shù)據(jù)進行歸一化處理，得到矩陣X。

(2)計算協(xié)方差矩陣R。

(3)求出特征值(λi)及特征向量(αi)。特征向量(αi)為主成分方差貢獻率，反映了信息量的大小。

(4)計算主成分貢獻率和方差的累計貢獻率。

貢獻率公式：

(1)

累計貢獻率公式：

(2)

(5)選取主成分，滿足特征值>1或方差累計貢獻率>85%。

(6)計算主成分得分：

Fi=a1iX1+a2iX2+…+apiXp(i=1,2,3,…,m)

(3)

2.支持向量回歸(SVR)

支持向量回歸(SVR)是基于統(tǒng)計學的VC維理論和機構(gòu)風險最小原理，把實際問題通過非線性變換轉(zhuǎn)換到高維特征空間，在高維空間中構(gòu)造線性決策函數(shù)來實現(xiàn)線性回歸。由于選擇不同的核函數(shù)可生成不同的SVR，降低了算法的結(jié)構(gòu)風險。基于支持向量回歸建立研發(fā)成本預測模型的主要思路為：

指定一個訓練樣本，其中，xi和yi分別代表SVR的輸入和輸出數(shù)據(jù)，假設f(x)=ω·Φ(xi)+b，Φ(x)為映射函數(shù)，b為偏置，ω為權(quán)重。

(4)

C為懲罰函數(shù)，C值越大說明數(shù)據(jù)的擬合度越好。ε為不敏感函數(shù)，ξi為松弛變量。引入a∧,a∨≥0為拉格朗日乘子，將原問題求解轉(zhuǎn)化為對其對偶問題求解，K(xi,xj)=Φ(xi)·Φ(xj)為核函數(shù)，最終得到SVR模型如下：

(5)

3.PCA-SVR組合預測模型

基于企業(yè)研發(fā)投入是一個動態(tài)過程，本文構(gòu)建了PCA-SVR組合預測模型對高新技術(shù)企業(yè)研發(fā)成本進行預測，其基本思路是：

(1)對樣本數(shù)據(jù)進行離差標準化來消除指標變量在量綱上的差異。

(2)運用主成分分析法(PCA)對標準化之后的數(shù)據(jù)進行降維處理，提取影響企業(yè)研發(fā)成本的關(guān)鍵因子。

(3)將提取的因子作為SVR預測模型的樣本數(shù)據(jù)，隨機從中選取70%的樣本作為訓練集，30%的樣本作為測試集，然后選取合適的SVR核函數(shù)和參數(shù)，建立SVR預測模型。

此方法將PCA的數(shù)據(jù)壓縮和降維功能與SVR非線性建模能力有效結(jié)合起來，大大提高了預測的精確性。其結(jié)構(gòu)如圖1所示，其中X1，…，X7為輸入層；PC1，…，PCk為隱藏層；w為輸出層。此后通過實例開展對比測試和應用研究。

圖1 PCA-SVR組合結(jié)構(gòu)圖

(6)

(7)

(8)

(9)

四、預測模型與應用

1.數(shù)據(jù)預處理

本文研究的數(shù)據(jù)集來自一家東北地區(qū)專業(yè)從事軟件開發(fā)、軟件定制、軟件實施的高新技術(shù)企業(yè)——A公司，主要由57個案例組成，本文剔除不完整案例3個，最后得到54個完整案例?？紤]到高新技術(shù)企業(yè)研發(fā)成本受到研發(fā)能力、生命周期與外部環(huán)境等方面的影響，選取以下數(shù)據(jù)：定性變量為團隊科研技術(shù)水平(X1)、創(chuàng)新能力(X2)，通過專家評價法或德爾菲法得到數(shù)據(jù)；定量變量數(shù)據(jù)包括市場占有率(X3)、競爭者數(shù)量(X4)、市場規(guī)模(X5)、經(jīng)營現(xiàn)金流量(X6)、通貨膨脹率(X7)，可從A公司和國家統(tǒng)計局相關(guān)報告獲得。

(1)離差標準化

由于研發(fā)成本各變量的性質(zhì)不同，通常具有不同的量綱和數(shù)量級。當各變量間的水平相差很大時，如果直接用原始指標值進行分析，就會突出數(shù)值較高的變量在綜合分析中的作用，削弱數(shù)值水平較低變量的作用。因此，為保證結(jié)果的可靠性，需對原始變量數(shù)據(jù)進行標準化處理，公式如下：

(10)

表1 離差標準化后的數(shù)據(jù)

PCA-SVR預測模型是對離差標準化后的高新技術(shù)企業(yè)研發(fā)成本進行預測的，因此需要對預測值進行還原，具體公式如下：

(11)

(2)降維

本文采用SPSS軟件對離差標準化后的數(shù)據(jù)進行降維處理，提取影響企業(yè)研發(fā)成本的關(guān)鍵影響因子。在進行降維前，對7個指標進行相關(guān)性分析，檢驗指標間是否存在信息冗余。結(jié)果如表2所示。

表2 特征值相關(guān)性矩陣

從相關(guān)系數(shù)矩陣可以看出，除了經(jīng)營現(xiàn)金流量(X6)這一指標變量與其余6個指標變量相關(guān)性較低之外，其余6個指標變量間的相關(guān)系數(shù)均在0.85以上，表明企業(yè)研發(fā)成本影響因素間存在較強的相關(guān)性，則說明存在著大量的信息冗余。為定量分析樣本特征的相關(guān)性，對樣本數(shù)據(jù)進行了KMO檢驗及Bartlett球形檢驗，結(jié)果如表3所示。

表3 KMO 和Bartlett 檢驗

根據(jù)表中數(shù)據(jù)可知，KMO檢驗值為0.824(P>0.5)，Bartlett球形檢驗顯著性水平為0.000(P<0.0001)，說明指標間信息重合程度較高。因此，有必要通過PCA方法對數(shù)據(jù)降維，消除指標變量間的信息冗余，簡化預測模型，提高模型預測效率。

從表4可知，前4個成分的累計貢獻率達到了99.116%，可以認為這4個主成分幾乎包含了原始數(shù)據(jù)中的全部信息。因此，本文提取4個主成分，并對其分別命名為P1、P2、P3、P4，將表1中的數(shù)據(jù)代入表5中可獲得7個影響因素提取主成分后的數(shù)值，將其作為SVR模型的輸入數(shù)據(jù)，離差標準化后的研發(fā)成本為SVR模型的輸出數(shù)據(jù)，如表6所示。

表4 主成分提取分析表

表5 初始因子載荷矩陣

表6 提取主成分后的數(shù)據(jù)

2.模型優(yōu)化

本文模型優(yōu)化是指從線性核函數(shù)(Linear Kernel)、多項式核函數(shù)(Polynomial Kernel)、徑向基核函數(shù)(Radial Basis Function)3種核函數(shù)中選擇出最適合樣本數(shù)據(jù)結(jié)構(gòu)的核函數(shù)以及相對應的核參數(shù)來進行預測。其主要思路為在某種規(guī)則下將原始數(shù)據(jù)分為訓練集和驗證集，首先利用訓練集對分類器進行訓練，然后通過驗證集對訓練得到的模型進行測試，分析分類器的性能指標。

LinearSVR：

K(xi,xj)=xi·xj

(12)

PloySVR：

K(xi,xj)=(γxi·xj+r)d

(13)

RBFSVR：

K(xi,xj)=exp(-γ‖xi-xj‖2)

(14)

本文使用K—折交叉驗證，其基本思路是在某種規(guī)則下將原始數(shù)據(jù)分為訓練集和檢驗集，首先利用訓練集對分類器進行訓練，然后通過驗證集對訓練得到的模型進行測試，分析分類器的性能指標。該方法可有效避免欠學習和過學習的狀態(tài)發(fā)生，得到的結(jié)果具有科學性。

采用交叉檢驗的方法對3種不同核函數(shù)的SVR模型進行評估，當采取徑向基核函數(shù)時，(懲罰因子C=100，參數(shù)gamma=0.1)，SVR模型評分最高，結(jié)果如圖2所示，因此，SVR模型采用徑向基核函數(shù)，C=100，gamma=0.1。

圖2 徑向基核函數(shù)模型評估圖

3.應用結(jié)果與分析

將主成分分析后的數(shù)據(jù)作為樣本數(shù)據(jù)，從中隨機選取70%的數(shù)據(jù)作為訓練集，建立預測模型，剩余30%作為測試集，檢驗模型的精確度和推廣能力。SVR模型在訓練集和測試集上的預測效果分別如圖3與圖4所示。

圖3 SVR模型在訓練集預測效果

圖4 SVR模型在測試集預測效果

由圖3和圖4可見，SVR模型在訓練樣本及測試樣本上的擬合較好，真實值與預測值曲線基本重合，誤差較小。其中，模型在訓練集和測試集上的均方誤差分別0.009 06和0.006 30。

為檢驗該模型的預測精確度，本文將PCA-SVR模型與貝葉斯嶺回歸模型(Bayesian Ridge)，梯度增強回歸模型(Gradient Boosting Reg ressor)以及決策樹化回歸模型(DTR)進行對比，結(jié)果如圖5所示。

由圖5可知，PCA-SVR模型得到的高新技術(shù)企業(yè)研發(fā)成本預測值曲線與真實值曲線基本重合，擬合效果好，而其他模型的預測曲線與真實值之間在一定程度上有較大的差異。為分析各個模型預測效果與真實值之間的偏差程度，本文分析了前文介紹的4個指標(公式(6)～(9))，結(jié)果如表7所示。

表7 指標對比

圖5 各個模型的對比

根據(jù)表7數(shù)據(jù)，PCA-SVR模型的EV、R2值在4個模型中都是最大的且接近于1，MAE、MSE的值在4個模型中是最小的，進一步證明了PCA-SVR模型在高新技術(shù)企業(yè)研發(fā)成本預測中的有效性、精準性。此模型能夠為高新技術(shù)企業(yè)研發(fā)成本預測提供中長期的技術(shù)支持。

綜上，在考慮了高新技術(shù)企業(yè)的特性與研發(fā)成本的影響因素的基礎上，PCA-SVR模型能夠?qū)Ω咝录夹g(shù)企業(yè)研發(fā)成本進行準確預測。因此，本文根據(jù)相關(guān)數(shù)據(jù)，運用PCA-SVR模型對樣本A公司2019～2022年研發(fā)成本(萬元)進行預測，結(jié)果表明：2019年至2022年，研發(fā)成本分別為1 200萬元、1 254萬元、1 278萬元和1 309萬元。從預測結(jié)果可以看出，2019年至2022年A企業(yè)的總體研發(fā)成本逐年增加，但增加幅度呈現(xiàn)先增后減趨勢。這表現(xiàn)出一定的波動性，符合研發(fā)活動的特征。

通過以上案例分析，證明了PCA-SVR模型在實際應用上能夠?qū)ρ邪l(fā)成本實現(xiàn)準確預測。此外，對于以A公司為代表的高新技術(shù)企業(yè)，PCA-SVR模型不僅能夠為其預測未來研發(fā)成本的走勢，并且能夠幫助企業(yè)篩選影響研發(fā)成本的關(guān)鍵因素，為管理者制定未來的研發(fā)預算決策提供重要依據(jù)，以便合理、有效地利用有限資源，進而為企業(yè)帶來更大的利潤空間。

五、結(jié)論與管理建議

研發(fā)活動是高新技術(shù)企業(yè)發(fā)展的基礎，更是創(chuàng)新的源泉。因此，對研發(fā)活動支出的準確預測，能夠提升企業(yè)研發(fā)活動的成功率，從而降低研發(fā)風險。同時，也能為高新技術(shù)企業(yè)的決策者提供有效的決策依據(jù)與技術(shù)支持，進而為企業(yè)實現(xiàn)經(jīng)濟效益最大化制定科學、正確的管理方案。

本文針對高新技術(shù)企業(yè)研發(fā)活動中的成本規(guī)劃問題和現(xiàn)有成本預測方法存在的不足，分析確定了高新技術(shù)企業(yè)研發(fā)成本主要影響因素，針對要素復雜、隨機性強、預測難度大的情況，設計并使用主成分分析與支持向量機相結(jié)合，構(gòu)建了高新技術(shù)企業(yè)研發(fā)成本PCA-SVR預測模型。預測過程中考慮了團隊科研技術(shù)水平、創(chuàng)新能力、市場占有率、競爭者數(shù)量、市場規(guī)模、經(jīng)營現(xiàn)金流量與通貨膨脹率等變量之間的內(nèi)在關(guān)系，通過模型優(yōu)化選擇最適合樣本數(shù)據(jù)結(jié)構(gòu)的預測模型。應用分析結(jié)果表明，預測值與真實值擬合效果良好，準確驗證了本文所構(gòu)建模型的適用性和精確性，為高新技術(shù)企業(yè)研發(fā)成本預測在理論分析和實際應用上提供有益的參考和借鑒。

此外，由于收集的數(shù)據(jù)精準度與范圍有限以及模型自身的局限性，預測誤差會在一定區(qū)間內(nèi)波動，并且在實際應用方面還不成熟。因此，對于高新技術(shù)企業(yè)研發(fā)成本的預測還需要更深入的研究與更全面的考量。

鑒于本文的預測和分析結(jié)果，為高新技術(shù)企業(yè)研發(fā)成本預測提出了如下建議：第一，企業(yè)要注重研發(fā)能力在成本預測中的關(guān)鍵作用。本文分析的研發(fā)能力標志著企業(yè)的核心競爭力，體現(xiàn)在研發(fā)團隊的創(chuàng)新成果上，貫穿于企業(yè)生產(chǎn)的創(chuàng)新實踐中。構(gòu)建適應團隊發(fā)展的創(chuàng)新人才培育體系，形成產(chǎn)學協(xié)同創(chuàng)新機制，將逐漸成為高新技術(shù)企業(yè)提升研發(fā)能力的有效途徑與方法。第二，在生命周期的不同階段實施差異化研發(fā)投入政策。高新技術(shù)企業(yè)研發(fā)投入具有較強的不確定性，并呈現(xiàn)波動性特征，不同生命周期階段投入成本的差異性很大，要緊密結(jié)合市場占有率、競爭者數(shù)量等市場特征，準確預測研發(fā)成本，有效規(guī)避投入風險，為企業(yè)精準施策提供數(shù)據(jù)支撐。