基于粗糙集的大學生創(chuàng)新創(chuàng)業(yè)團隊評價模型的研究

江 偉，程 奉

(1.湖北科技學院 計算機科學與技術學院,湖北 咸寧 437100；2.湖北科技學院 外國語學院，湖北 咸寧 437005)

在當前高速發(fā)展的時代,我國鼓勵大眾創(chuàng)業(yè)，萬眾創(chuàng)新[1]。高校對創(chuàng)新、創(chuàng)業(yè)的大學生在硬件設備、場地空間、創(chuàng)業(yè)指導、資金支持、學分獎勵等方面，給予全方位的支持。在政策的推動激勵下、媒體的宣傳引導下，大學生的創(chuàng)業(yè)熱情也在持續(xù)升溫。

創(chuàng)業(yè)孵化園是集專業(yè)實踐實訓、就業(yè)指導、創(chuàng)業(yè)扶持等為一體的創(chuàng)業(yè)模式[2]。為更好地規(guī)范、引導、推動大學生的創(chuàng)新創(chuàng)業(yè)，高校紛紛成立了創(chuàng)業(yè)孵化器(園)。大學生要想創(chuàng)業(yè)，組建團隊并申請入駐孵化器是其成功的必要環(huán)節(jié)。因此，對申請入駐的團隊進行評價，并挑選優(yōu)秀的團隊進行孵化，是高校校園孵化器的重要工作。

當前對大學生創(chuàng)新創(chuàng)業(yè)團隊評價模型的研究，主要從二個方面展開：一方面是對創(chuàng)新創(chuàng)業(yè)團隊評價指標的研究。這類研究，主要集中在對創(chuàng)新創(chuàng)業(yè)能力的評價指標方面[3-4]，例如，創(chuàng)新思維、創(chuàng)新意識、開拓精神、溝通與合作能力、創(chuàng)業(yè)能力、企業(yè)家素養(yǎng)、學科競賽能力、科研能力、創(chuàng)業(yè)比賽能力等。對創(chuàng)業(yè)實踐的研究較少，特別是對項目的先進性以及項目開展情況的評價指標，幾乎沒有。另一方面是對數據的分析與評價模型的研究。這類研究有：基于模糊集理論的FCE法、MFCE法評價模型，基于信息學的熵權法、熵值法評價模型，基于粗糙集理論的評價模型，以及多學科整合的網絡層次分析法(ANP)評價模型等[5-8]。

上述文獻在構建大學生創(chuàng)新創(chuàng)業(yè)團隊評價指標體系時，對于團隊已開展的項目先進性及其開展情況，還未見有文獻將其納入評價指標體系。另一方面，比較多個文獻，僅有文獻[8]將Rough集理論運用在大學生創(chuàng)新創(chuàng)業(yè)團隊評價模型中。因此，基于Rough集理論的評價模型也有較大的研究空間。

本文在二個方面開展研究工作：一方面，完善大學生創(chuàng)新創(chuàng)業(yè)團隊評價指標體系；另一方面，利用Rough集理論，構建指標客觀權重的約簡算法，再將各指標的客觀權重與考慮經驗值的主觀權重，按比例結合起來得到一個評價模型，并按此模型計算出文中實例的評價結果。

一、Rough集的相關知識

Rough集由波蘭數學家Pawlak于1982年提出，它是一種數據分析理論，它最大的特點是不依賴先驗知識，就可以處理不確定、不精確信息，只需數據本身就可以提取出數據之間的內在規(guī)則?，F在有一些學者將粗糙集理論引入決策科學，利用粗糙集的這一特性，客觀地確定各種指標的權重[9]。

1.Rough集的基本概念

定義2[10]令P?A，P是屬性集A的子集，則ind(P)是屬性集P所有屬性關系的交集，也稱為不可區(qū)分關系：

ind(P)={(x,y)∈U×U|?a∈P,f(x,a)=f(y,a)}

(1)

U/ind(P)(簡記為U/P)表示不可區(qū)分關系在U上的劃分，有U/P={P1,P2,…，Pk}。其中任意元素Pi有：U=U{Pi∈U/P|Pi?U}。

特別的對于條件屬性集C，有U/ind(C)(簡記為U/C)。而U/(C-Ci)表示去掉條件屬性Ci后的不可區(qū)分關系在U上的劃分。

定義3[10]S=(U,R)是一個知識決策系統(tǒng)，令{X1，X2，…，Xm}為一簇集合，對于每一個子集Xi?U，設R是U上的等價關系，則有：

R(X)=∪{Y∈U/R|Y?X}

(2)

(3)

定義4[10]S=(U，C，D，V，f)是一個知識決策系統(tǒng)，令{X1，X2，…，Xm}為一簇集合，Xi?U，且U/C={X1，X2，…，Xm}，為條件屬性集C對論域U的一個劃分。U/D={D1,D2,…，Dn}表示決策屬性集D對論域U的一個劃分，則條件屬性集C在論域U關于決策屬性D的正域表示為：

(4)

其中CXi=U{Y∈U/C|Y?Xi}，CXi實質是條件屬性集C對U/D={D1,D2,…，Dm}的再劃分。

2.基于Rough集的屬性指標權重

定義5[10]S=U,C,D,V,f)是一個知識決策系統(tǒng)，如果ind(C)?ind)D)，則稱決策屬性D依賴于條件屬性C，γC(D)為其依賴程度，有：

κ=γC(D)=|POSC(D)|/|U|

(5)

其中|…|為集合基數運算符號。

σCD(Ci)=γC(D)-γC-Ci(D)

(6)

為條件屬性Ci的重要程度。

則條件屬性Ci所占權重比例的計算公式為:

(7)

二、大學生創(chuàng)業(yè)團隊評價指標

本文參照當前大學生創(chuàng)新創(chuàng)業(yè)能力的評價指標體系[3-8]，結合地方高校對應用型人才培養(yǎng)目標的要求，提出了較為全面地考慮主客觀要素的大學生創(chuàng)業(yè)團隊評價指標體系。在本文的指標體系中，創(chuàng)新性地增加了項目先進性和項目實施二個評價指標。見表1。

表1 校園孵化器入駐團隊評價指標

續(xù)表1 校園孵化器入駐團隊評價指標

三、基于Rough集的大學生創(chuàng)業(yè)團隊評價模型及實例驗證

下面以某高校校園孵化器遴選入駐大學生創(chuàng)業(yè)團隊為例，依據表1中的指標，給出基于Rough集的大學生創(chuàng)業(yè)團隊評價模型。表2 中，A1、A2、A3……A18是某高校申請入駐校園孵化器的創(chuàng)業(yè)團隊編號。

(1)構建論域U和屬性集合C

本例中論域U={A1,A2,A3,…，A18}。對于每個Ai構建條件屬性集{Ci-1,Ci-2,C1-3，…，Ci-11}：專家參照指標對材料進行評分。同時對數據進行離散化算處理，如(5，90以上；4，80—89； 3，70—79；2，60—69；1，50—59；0，50以下 )。表中科研與實踐、學科競賽、知識產權、比賽能力等指標的評分則是根據團隊的實際數據折算后的結果，例如1個省級獎牌等于3個校級獎牌，具體折算方案不在本文中贅述。結合前面的得分，再由審核組，對各個申請入駐團隊是否入駐孵化器，給于通過-3、暫緩-2、否決-1的意見，從而構建決策屬性集{D1,D2,…，D18}。最后形成一張二維知識表達評價決策表。數據見表2。

表2 創(chuàng)業(yè)團隊二維知識表達評價決策表

(2)構建基于條件屬性和決策屬性的論域等價類。

為了簡潔，將U={A1,A2,A3,…，A18}改寫成U={1，2，3，…，18}。

U/C1={{1,7,8,9,10},{2,3,5,15,17,18},{4,6,11,12,13,14,16}}

U/C2={2,3,5,8,10,14,16},{1,7,9,13,15},{4,6,11,12,17,18}}

U/C3={{2,7,8,9,10,14,16},{1,4,6,11,12,13,},{3,5,15,17,18}}

U/C4={{2,7,8,9,14,16},{1,3,5,10,13,15},{11.12},{4,6,17,18}}

U/C5={{8,10},{1,7,9,17},{3,5,13,18},{2,4,6,14,16},{11,12,15}}

U/C6={{3,5,8,10},{2,7,14,16},{1,9,11,12},{4,6,13,15,17,18}}

U/C7={{1,3,5},{8,10,11,13},{2,14,15,16 },{7,9,12},{ 4,6,17,18}}

U/C8={{8,10,17,18},{3,5,11,12,13,15},{1,2,4,6,7,9,14,16}}

U/C9={{2,3,5,8,10,14},{1,7,9,11,12,17,18},{4,6,13,15,16}}

U/C10={{7,9},{1,3,8,10},{6,11,12,13,15},{2,4,5,14,16},{17,18}}

U/C11={{1,3,5,7,9,11,12,15,17,18},{2,4,6,8,10,13,14,16}}

U/C={{1},{2},{3},{4},{5},{6},{7},{8},{9},{10},{11},{12},{13},{14},{15},{16},{17},{18}}

U/D={{1,2,5,7,8,15},{3,4,9,10,12,13,14,17},{6,11,16,18}}

(3)計算決策屬性集對于條件屬性集的依賴程度

POSC(D)={1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18}

(4)構建約簡條件屬性C-Ci基于論域U的等價劃分

U/(C-C1) = {{1},{2,14},{3},{4},{5},{6},{7},{8},{9},{10},{11},{12},{13},{15},{16},{17},{18}}

U/(C-C2) = {{1},{2},{3},{4},{5},{6},{7},{8,},{9},{10},{11},{12},{13},{14},{15},{16},{17},{18}}}

U/(C-C3) = {{1},{2},{3},{4},{5},{6},{7},{8,},{9},{10},{11},{12},{13},{14},{15},{16},{17},{18}}

U/(C-C4) = {{1},{2},{3},{4},{5},{6},{7},{8,10},{9},{11},{12},{13},{14},{15},{16},{17},{18}}

U/(C-C5) = {{1},{2},{3},{4},{5},{6},{7},{8,},{9},{10},{11},{12},{13},{14},{15},{16},{17,18}}

U/(C-C6) = {{1},{2},{3},{4},{5},{6},{7,9},{8,},{10},{11},{12},{13},{14},{15},{16},{17},{18}}

U/(C-C7) = {{1},{2},{3},{4},{5},{6},{7},{8,},{9},{10},{11,12},{13},{14},{15},{16},{17},{18}}

U/(C-C8) = {{1},{2},{3},{4},{5},{6},{7},{8,},{9},{10},{11},{12},{13},{14},{15},{16},{17},{18}}

U/(C-C9) = {{1},{2},{3},{4},{5},{6},{7},{8,},{9},{10},{11},{12},{13},{14,16},{15},{17},{18}}

U/(C-C10) = {{1},{2},{3,5},{4,6},{7},{8,},{9},{10},{11},{12},{13},{14},{15},{16},{17},{18}}

U/(C-C11) = {{1},{2},{3},{4},{5},{6},{7},{8,},{9},{10},{11},{12},{13},{14},{15},{16},{17},{18}}

(5)計算條件屬性中Ci的重要程度

1)POSC-C1(D)={1,3,4,5,6,7,8,9,10,11,12,13,15,16,17,18}

POSC-C2(D)={1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18}

POSC-C10(D){1,2,7,8,9,10,11,12,13,14,15,16,17,18}

3)同理可確定其余指標的重要程度：

σCD(C3)=0，σCD(C4)=0.11，σCD(C5)=0.11，σCD(C6)=0.11，σCD(C7)=0.11，σCD(C8)=0，σCD(C9)=0.11，σCD(C11)=0。

由各個σCD(Ci)數據可知，條件屬性中Ci的重要程度排序為：

C10>C1=C4=C5=C6=C9>C2=C3=C8=C11=0，并且C2、C3、C8、C11等條件屬性對于決策屬性D來說是不重要，也是不必要的。

4)計算條件屬性Ci的客觀權重

根據公式(6)可得C10的權重，ω10=0.25，C1，C4，C5，C6，C7，C9對應的權重ω1，ω4，ω5，ω6，ω7，ω9等為0.125。C2，C3，C8，C11對應的權重ω2，ω3，ω8，ω11為0。

在上述例子中，我們看到，如果評價的對象在某個屬性指標上，都取得一樣或相近的數據，那么該屬性指標對于決策結果的重要程度就會為零或者很小。例如，上例中，C2、C3、C8、C11等屬性指標重要程度就為0。這是因為在這18個創(chuàng)業(yè)團隊中，他們在C2、C3、C8、C11評價指標上取得的成績是相近的，所以這些指標就會在這次評價過程中，被降低權重，甚至給予0權重。這既是粗糙集屬性約簡算法的優(yōu)點，也是它的缺點。優(yōu)點是：在基于粗糙集的指標權重模型構建完成后，根據每次參評對象所取得的成績，粗糙集屬性約簡算法可以動態(tài)地自適應調整各個指標的權重。缺點是：粗糙集屬性約簡算法很容易將一些指標的重要性給忽略，給出明顯違反直覺的結論。上例中，指標C8-比賽能力，作為大學生創(chuàng)新創(chuàng)業(yè)團隊來說是一項重要的技能，賦給權重值不應該為0。這和我們的直覺不相符。因此，有必要對這一問題開展研究。

(6)確定條件屬性指標的綜合權重

在多屬性指標模糊綜合評價中，對于指標權重的確定有三類方法：主觀賦權法、客觀賦權法和主客觀組合賦權法。客觀賦權法的缺點是忽視了決策者的主觀知識與經驗等主觀偏好信息，有時會出現權重系數不合理的現象[11]。客觀賦權法主要包括：熵權法[12]、DEA 法[13]、主成分分析法[14]、離差最大化法[15]、均方差法[16]和基尼系數賦權[17]等。主觀賦權法的缺點是受到專家的心理因素和經驗知識等的局限，僅僅根據專家的某一次判斷而給定權重有時不可靠[18]。主觀賦權法主要包括：環(huán)比評分法、Fuzzy子集法、二項系數法、專家調查法、屬性重要性排序法、判斷矩陣法、比較矩陣法和點估計值法等[9]。因此，李剛在文[19]中指出：很多時候不能單純只考慮指標本身的重要性(主觀權重)，還應該考慮指標的數據信息(客觀權重)。而主客觀組合賦權法的出現解決了上述存在的問題[18]。目前主客觀組合賦權方法有：客觀修正主觀、級差最大化、線性加法合成、乘法合成等組合賦權法[19]。

在多數參考文獻中，如文[20]、[21]，將專家團隊的經驗知識當作主觀權重的首選。這些權重賦權方法實質上還是從管理者視角看問題，存在一定的片面性。黃昱方在文[7]中提出，創(chuàng)業(yè)者是創(chuàng)業(yè)過程中最為主動、最活躍、最重要的因素，他們往往具有良好的技術背景和創(chuàng)新意識。一名成功的創(chuàng)業(yè)者更能深刻了解創(chuàng)業(yè)者的所應具備的要素。因此，本文將創(chuàng)業(yè)團隊的需求和認知經驗也納入指標權重的構建中。表3中各個條件屬性指標下的主觀權重，分別由專家權重和創(chuàng)業(yè)代表權重組成。

綜上所述，本文將由Rough集約簡算法確定的客觀權重與主觀權重組合一起，構建一個主客觀線性組合的組合賦權評價方法。計算公式如下：

Wi=(Ci)=αλi+βγi+(1-α-β)ωi

(7)

其中,λi為主觀權重中的專家權重。γi為主觀權重中的創(chuàng)業(yè)代表權重，ωi為Rough集的約簡算法確定的客觀權重；α,β和1-α-β分別為λi,γi和ωi的權重占比，是對主觀認知和客觀數據認知的深刻程度。α和β越大說明決策者認為評委主觀認知深刻，能夠給出準確的評價，而1-α-β越大說明決策者認為評委主觀認知不足，需要更多依賴于客觀數據的分析。各個指標對應的綜合權重見表3。

表3 各項指標的綜合權重(百分制)

(7)根據綜合權重計算最終評價結果

1)對數據進行標準化處理

在多屬性指標的決策過程中，由于各個屬性指標的評價單位的量綱不一樣，會造成錯誤的評價結果。例如，如果某個指標的數量級較大，雖然其指標的權重很小，也會對結果造成很大的偏差。本文選擇極差化方法。[22]公式如下：

(8)

其中, min(xj)為指標k的最小值，max(xj)為指標j的最大值。該方法的特點是：標準化后指標最小值為0，最大值為1，但是對于指標值恒定的情況不適用。

第一步，由表2構建創(chuàng)業(yè)團隊知識表達二維矩陣：

第二步，利用公式(8)對矩陣A中數據進行標準化。得到矩陣B。B矩陣的具體二維數據見表4。

表4 創(chuàng)業(yè)團隊條件屬性二維知識數據標準化表

2)計算評價結果

由表3構建綜合權重矩陣：

W=[W1,W2,…，W11]=[0.095,0.0325,…，0.04]

則最終評價結果為：

表5 各申報團隊評價結果

根據表5，申報團隊的排序：A8，A10，A3，A7，A1，A5，A9，A2，A14，A16，A11，A13，A15，A12，A17，A18，A6，A4。

根據上述評價結果，管理層根據排序可以靈活地選擇入駐團隊、觀察團隊和否決團隊。

四、結論

本文通過集體座談、問卷調查和文獻分析等手段，凝練出校園孵化器遴選大學生創(chuàng)新創(chuàng)業(yè)團隊的評價指標體系。該指標體系包括團隊品質、團隊素質、創(chuàng)新能力、創(chuàng)業(yè)技能、創(chuàng)業(yè)實踐等5個要素11個評估點。并給出一套基于Rough集理論約簡算法的主客觀組合賦權的決策模型。通過實例驗證，該模型具有如下特點：

(1) 模型中指標的客觀權重是基于Rough集理論的約簡算法得出，能夠體現數據之間的規(guī)律，也是基于數據的約簡規(guī)則表達，具有非常好的數據科學性。

(2) 對于模型中指標的主觀權重，本文首次基于創(chuàng)業(yè)團隊的視角，充分考慮了被評價對象的需求和認知經驗，并與專家經驗一起構建主觀權重，具有一定創(chuàng)新性。

(3) 在構建指標體系中，首次在創(chuàng)業(yè)實踐要素中考慮了項目先進性和開展情況。這樣，會遴選出兼具社會價值與經濟價值、新穎、先進的項目，也將為當前火熱的“互聯網+” 大學生創(chuàng)新創(chuàng)業(yè)大賽提供更多的資源。