• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模研究

    2023-07-31 12:22:00陳思鳳
    企業(yè)科技與發(fā)展 2023年4期
    關(guān)鍵詞:預(yù)警模型風(fēng)險(xiǎn)預(yù)警

    陳思鳳

    摘要:建立科學(xué)的科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型對(duì)相關(guān)各方提高風(fēng)險(xiǎn)管理能力有著極為重要的作用。文章總結(jié)了科技型上市企業(yè)的風(fēng)險(xiǎn)因素及風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系,概述了建立科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型所面臨的挑戰(zhàn),歸納了需要解決的關(guān)鍵問(wèn)題并指出后續(xù)的研究方向。

    關(guān)鍵詞:科技型上市企業(yè);風(fēng)險(xiǎn)預(yù)警;預(yù)警模型

    中圖分類號(hào):F832.0? 文獻(xiàn)標(biāo)識(shí)碼:A? ?文章編號(hào):1674-0688(2023)04-0101-08

    0 引言

    一直以來(lái),我國(guó)經(jīng)濟(jì)和社會(huì)發(fā)展面臨著中小企業(yè)融資難和高新技術(shù)產(chǎn)業(yè)化步伐緩慢的難題,這制約著我國(guó)經(jīng)濟(jì)的可持續(xù)發(fā)展和國(guó)際競(jìng)爭(zhēng)力的提高[1]。發(fā)展創(chuàng)業(yè)投資為科技型企業(yè)提供投融資工具,成為解決這一難題的重要方法[2-4]。然而,我國(guó)傳統(tǒng)創(chuàng)業(yè)投資體系面臨著兩難困境:一方面是創(chuàng)業(yè)資本的有效供給不足,不能滿足高新技術(shù)產(chǎn)業(yè)化發(fā)展的需求,另一方面是社會(huì)資本大量閑置。鑒于此狀況,在學(xué)習(xí)借鑒西方及我國(guó)香港、臺(tái)灣等發(fā)達(dá)資本市場(chǎng)經(jīng)驗(yàn)的基礎(chǔ)上,我國(guó)內(nèi)地開始大力推進(jìn)創(chuàng)業(yè)板市場(chǎng)建設(shè)。2004年5月17日,經(jīng)國(guó)務(wù)院批準(zhǔn),中國(guó)證監(jiān)會(huì)正式發(fā)出批復(fù),同意深交所在主板塊市場(chǎng)內(nèi)設(shè)立中小企業(yè)板塊,并核準(zhǔn)了中小企業(yè)板塊實(shí)施方案。2004年6月25日,新和成等8家公司掛牌上市。2009年10月30日,28只創(chuàng)業(yè)板新股同時(shí)上市,標(biāo)志著我國(guó)創(chuàng)業(yè)板大幕正式拉開。2019年6月13日,科創(chuàng)板正式開板并試點(diǎn)注冊(cè)制,標(biāo)志著我國(guó)的創(chuàng)業(yè)投資體系進(jìn)入新的發(fā)展階段。2021年9月3日,北京證券交易所(簡(jiǎn)稱北交所)注冊(cè)成立,支持中小企業(yè)創(chuàng)新發(fā)展,深化新三板改革,國(guó)內(nèi)的科技型企業(yè)融資渠道得以進(jìn)一步拓寬。創(chuàng)業(yè)投資體系的建立和完善,對(duì)科技型上市企業(yè)彌補(bǔ)金融體系缺陷、推進(jìn)經(jīng)濟(jì)可持續(xù)發(fā)展、提高國(guó)際競(jìng)爭(zhēng)力具有非常重要的現(xiàn)實(shí)意義和戰(zhàn)略意義。

    然而,由于科技型上市企業(yè)的不成熟性、動(dòng)態(tài)性、前景不確定性及信息環(huán)境的復(fù)雜性等特征,使其風(fēng)險(xiǎn)更加受到市場(chǎng)的關(guān)注,因此需要建立一個(gè)科學(xué)的科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型,以幫助創(chuàng)業(yè)投資者、科技型上市企業(yè)及二級(jí)市場(chǎng)投資者準(zhǔn)確識(shí)別和預(yù)測(cè)風(fēng)險(xiǎn),提高企業(yè)的風(fēng)險(xiǎn)管理能力。企業(yè)風(fēng)險(xiǎn)預(yù)警建模是通過(guò)企業(yè)內(nèi)部及經(jīng)營(yíng)環(huán)境的可觀測(cè)信息,應(yīng)用領(lǐng)域知識(shí)、統(tǒng)計(jì)學(xué)方法和模式識(shí)別、機(jī)器學(xué)習(xí)及數(shù)據(jù)挖掘等人工智能方法,構(gòu)建評(píng)估、識(shí)別、預(yù)測(cè)企業(yè)風(fēng)險(xiǎn)的模型,并據(jù)此控制企業(yè)活動(dòng)的過(guò)程,目標(biāo)是通過(guò)合適的技術(shù)和方法得到結(jié)構(gòu)簡(jiǎn)單、泛化能力強(qiáng)、符合決策者風(fēng)險(xiǎn)偏好習(xí)慣、決策結(jié)果易于理解的用戶友好型決策支持系統(tǒng)。企業(yè)風(fēng)險(xiǎn)預(yù)警建模的關(guān)鍵是建立風(fēng)險(xiǎn)評(píng)估指標(biāo)體系和選擇適當(dāng)?shù)娘L(fēng)險(xiǎn)預(yù)警建模方法[5] 。本文首先通過(guò)分析風(fēng)險(xiǎn)來(lái)源、內(nèi)涵及現(xiàn)有研究成果,提出科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的統(tǒng)一分析架構(gòu)及關(guān)鍵指標(biāo)選擇方法;其次,通過(guò)總結(jié)分析,歸納適合科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法;最后,指出科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警研究所面臨的關(guān)鍵問(wèn)題及后續(xù)研究方向。

    1 科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系

    科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的構(gòu)建一般是通過(guò)風(fēng)險(xiǎn)情景分析,了解風(fēng)險(xiǎn)來(lái)源及其影響因素,從不同的視角研究風(fēng)險(xiǎn)因素之間的相互關(guān)系、關(guān)鍵影響指標(biāo),建立一套適合科技型上市企業(yè)特點(diǎn)的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。

    1.1 科技型上市企業(yè)風(fēng)險(xiǎn)源

    識(shí)別風(fēng)險(xiǎn)來(lái)源是構(gòu)建科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的基礎(chǔ),是影響科技型上市企業(yè)風(fēng)險(xiǎn)的因素,涉及戰(zhàn)略、技術(shù)、市場(chǎng)、融資、管理、法律、人力資源、文化、全球化、通訊等。國(guó)內(nèi)外學(xué)者對(duì)科技型企業(yè)的風(fēng)險(xiǎn)因素進(jìn)行了大量研究,有學(xué)者從單個(gè)因素的角度分析科技型企業(yè)的風(fēng)險(xiǎn),如財(cái)務(wù)因素[6]、企業(yè)主個(gè)人特征因素[7],但更多的是從內(nèi)部運(yùn)作管理、經(jīng)營(yíng)環(huán)境及產(chǎn)權(quán)組織等角度綜合分析多個(gè)風(fēng)險(xiǎn)因素。內(nèi)部運(yùn)作管理方面的風(fēng)險(xiǎn)來(lái)自影響企業(yè)邊界內(nèi)的資源轉(zhuǎn)換和協(xié)調(diào)過(guò)程的因素,如創(chuàng)業(yè)者本身因素、技術(shù)因素、競(jìng)爭(zhēng)能力、管理因素、財(cái)務(wù)因素、戰(zhàn)略目標(biāo)定位、多元化經(jīng)營(yíng)策略選擇等[8]。以創(chuàng)業(yè)者本身素質(zhì)為基礎(chǔ)的管理因素最為關(guān)鍵,因?yàn)榭萍夹推髽I(yè)所處的經(jīng)營(yíng)環(huán)境具有典型的高成長(zhǎng)性特征,經(jīng)常需要做出非結(jié)構(gòu)化的管理決策,以快速適應(yīng)變化的經(jīng)營(yíng)環(huán)境,管理團(tuán)隊(duì)的素質(zhì)和管理能力對(duì)科技型上市企業(yè)的持續(xù)發(fā)展起著關(guān)鍵性作用。經(jīng)營(yíng)環(huán)境方面的風(fēng)險(xiǎn)主要來(lái)自市場(chǎng)力量及其他社會(huì)經(jīng)濟(jì)因素變化引起的不確定性,客戶分布、市場(chǎng)份額、現(xiàn)有及潛在的競(jìng)爭(zhēng)者及原材料供應(yīng)狀況等幾個(gè)方面的變化都會(huì)給企業(yè)帶來(lái)風(fēng)險(xiǎn)[9],宏觀經(jīng)濟(jì)因素、資本市場(chǎng)、政策法律、行業(yè)狀況及文化教育等方面的不利變動(dòng)也會(huì)給科技型上市企業(yè)的生存帶來(lái)威脅[10]。由于我國(guó)內(nèi)地創(chuàng)業(yè)投資是在傳統(tǒng)經(jīng)濟(jì)制度內(nèi)通過(guò)政策扶持建立起來(lái)的,其發(fā)展路徑與美國(guó)等西方發(fā)達(dá)國(guó)家明顯不同,因此政策法律環(huán)境是降低科技型上市企業(yè)風(fēng)險(xiǎn)的一個(gè)重要因素。產(chǎn)權(quán)組織方面的風(fēng)險(xiǎn)主要來(lái)自投資參與各方的信息交換、資源分配及風(fēng)險(xiǎn)配置過(guò)程中的博弈,創(chuàng)業(yè)投資者上市后退出策略和股權(quán)結(jié)構(gòu)變化都是潛在的風(fēng)險(xiǎn)因素[4, 11]。

    1.2 科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系

    雖然多因素分析比單因素分析能更全面地反映科技型上市企業(yè)的風(fēng)險(xiǎn)狀況,但是已有文獻(xiàn)仍然缺乏綜合的概念框架指導(dǎo)人們從整體上描述風(fēng)險(xiǎn)因素和系統(tǒng)地觀察不同風(fēng)險(xiǎn)之間的關(guān)系。平衡計(jì)分卡既是一項(xiàng)戰(zhàn)略規(guī)劃工具,又是一個(gè)績(jī)效評(píng)價(jià)系統(tǒng),它通過(guò)財(cái)務(wù)層面、內(nèi)部流程層面、學(xué)習(xí)成長(zhǎng)層面及市場(chǎng)客戶層面等4個(gè)視角來(lái)體現(xiàn)企業(yè)績(jī)效,基于這4項(xiàng)指標(biāo),企業(yè)可以系統(tǒng)地解釋其策略執(zhí)行過(guò)程,通過(guò)互動(dòng)因果關(guān)系將企業(yè)的產(chǎn)出和績(jī)效驅(qū)動(dòng)因素串聯(lián)起來(lái),將組織的使命和策略轉(zhuǎn)變?yōu)橐惶浊昂筮B貫的績(jī)效評(píng)價(jià)指標(biāo)體系,把復(fù)雜的概念轉(zhuǎn)化為精確的目標(biāo),從而實(shí)現(xiàn)財(cái)務(wù)與非財(cái)務(wù)的指標(biāo)之間、短期與長(zhǎng)期的目標(biāo)之間、落后的與領(lǐng)先的指標(biāo)之間,以及外部與內(nèi)部績(jī)效之間的平衡。企業(yè)業(yè)績(jī)?cè)u(píng)價(jià)和企業(yè)風(fēng)險(xiǎn)管理是企業(yè)價(jià)值管理的兩個(gè)不同方面,兩者之間的差異只在于強(qiáng)調(diào)的重點(diǎn)不同,因此平衡計(jì)分卡也可以作為綜合風(fēng)險(xiǎn)因素的概念框架[12]。結(jié)合平衡計(jì)分卡原理可以從多個(gè)視角考察科技型企業(yè)風(fēng)險(xiǎn),如財(cái)務(wù)、內(nèi)部流程、學(xué)習(xí)成長(zhǎng)、市場(chǎng)客戶及經(jīng)營(yíng)環(huán)境等;每一個(gè)視角表現(xiàn)為一系列指標(biāo),如學(xué)習(xí)成長(zhǎng)層面通過(guò)員工滿意度、員工保持率、員工生產(chǎn)率及管理團(tuán)隊(duì)等幾個(gè)指標(biāo)來(lái)刻畫;指標(biāo)進(jìn)一步分解為可以測(cè)量的特征,如管理團(tuán)隊(duì)這一指標(biāo)可以用企業(yè)家年齡、企業(yè)家文化程度、企業(yè)家的行業(yè)經(jīng)歷及關(guān)鍵技術(shù)人才穩(wěn)定性等描述。

    科技型上市企業(yè)的行業(yè)分布、公司規(guī)模、收益結(jié)構(gòu)、所處的生命周期階段、公司治理結(jié)構(gòu)及穩(wěn)定性等方面都具有不同于主板上市企業(yè)的特征,因此風(fēng)險(xiǎn)預(yù)警指標(biāo)需考慮以下幾個(gè)方面的特性[13-14]:一是需要反映企業(yè)的技術(shù)狀況,重點(diǎn)分析企業(yè)核心技術(shù)的水平、技術(shù)受保護(hù)程度及技術(shù)和產(chǎn)品的持續(xù)發(fā)展能力。二是需要反映管理與團(tuán)隊(duì)中風(fēng)險(xiǎn)因素,重點(diǎn)分析企業(yè)家的素質(zhì)、核心技術(shù)人員的穩(wěn)定性、團(tuán)隊(duì)與企業(yè)利益的關(guān)聯(lián)程度及管理的開放性等關(guān)鍵因素。三是需要反映企業(yè)面臨的市場(chǎng)潛力及其開拓能力、市場(chǎng)進(jìn)入壁壘,競(jìng)爭(zhēng)優(yōu)劣程度及市場(chǎng)和收益的成長(zhǎng)狀況。四是需要反映企業(yè)抗擊環(huán)境不利沖擊的能力,特別是分析宏觀經(jīng)濟(jì)環(huán)境、行業(yè)狀況及政策法律等系統(tǒng)性變化給企業(yè)帶來(lái)的影響。

    1.3 科技型上市企業(yè)風(fēng)險(xiǎn)評(píng)估關(guān)鍵指標(biāo)選擇方法

    通過(guò)風(fēng)險(xiǎn)情景分析得到科技型上市企業(yè)風(fēng)險(xiǎn)因素全集,指標(biāo)數(shù)量繁多,這不僅提高了評(píng)價(jià)結(jié)果的不確定性,而且從管理上而言對(duì)所有指標(biāo)進(jìn)行監(jiān)測(cè)也難以實(shí)現(xiàn)。實(shí)際中往往選擇部分關(guān)鍵指標(biāo)進(jìn)行分析和管理,通常的關(guān)鍵指標(biāo)選擇方法可以分為兩類,一類是數(shù)據(jù)挖掘的方法,如統(tǒng)計(jì)方法[15]及人工智能方法[16],這類方法將關(guān)鍵指標(biāo)選擇看作風(fēng)險(xiǎn)預(yù)警模型的數(shù)據(jù)預(yù)處理步驟,其思想是在不影響預(yù)測(cè)能力的前提下選擇一個(gè)盡可能小的指標(biāo)子集。另一類是專家方法[17],在實(shí)際操作中,往往借助管理經(jīng)驗(yàn)和一些簡(jiǎn)單的準(zhǔn)則對(duì)得到的風(fēng)險(xiǎn)全集進(jìn)行初步過(guò)濾,然后采用定量分析的方法對(duì)剩余的風(fēng)險(xiǎn)因素進(jìn)行排序,最后根據(jù)成本效益原則從中選取部分關(guān)鍵指標(biāo)進(jìn)行管理。為確定風(fēng)險(xiǎn)指標(biāo)重要性排序,識(shí)別科技型上市企業(yè)的關(guān)鍵風(fēng)險(xiǎn),可以采用多屬性決策方法,最常用的方法是結(jié)合層次分析法(AHP)與多屬性效用理論,風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系包括多個(gè)視角,每一個(gè)視角表現(xiàn)為一系列指標(biāo) ,指標(biāo)進(jìn)一步分解為可以測(cè)量的特征,每個(gè)特征有一個(gè)相應(yīng)的權(quán)重 ,采用特征值方法可以得到下層對(duì)上層的貢獻(xiàn),并在此基礎(chǔ)上選擇關(guān)鍵因素進(jìn)行下一步分析?;谂判虻亩鄬傩詻Q策方法,也可以用來(lái)識(shí)別關(guān)鍵風(fēng)險(xiǎn)因素,如采用風(fēng)險(xiǎn)矩陣方法[18]、基于全息層次模型(Hierarchical Holographic Model,HHM )的風(fēng)險(xiǎn)過(guò)濾、排序和管理框架[19]。

    2 科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法

    依據(jù)建模的知識(shí)來(lái)源,企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法可分為數(shù)據(jù)驅(qū)動(dòng)方法、專家驅(qū)動(dòng)方法及集成方法三大類。本文將重點(diǎn)對(duì)數(shù)據(jù)驅(qū)動(dòng)方法、專家驅(qū)動(dòng)方法進(jìn)行綜述,并通過(guò)對(duì)所建模型的復(fù)雜性、預(yù)測(cè)能力及決策支持能力等特征的分析,指出相關(guān)建模方法的優(yōu)劣,進(jìn)而結(jié)合資本市場(chǎng)的特征給出適合科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模的有效方法。

    2.1 數(shù)據(jù)驅(qū)動(dòng)方法

    數(shù)據(jù)驅(qū)動(dòng)的方法是通過(guò)對(duì)歷史數(shù)據(jù)的學(xué)習(xí)得到企業(yè)風(fēng)險(xiǎn)的知識(shí),在此基礎(chǔ)上構(gòu)造風(fēng)險(xiǎn)預(yù)警模型,用得到的模型對(duì)測(cè)試樣本進(jìn)行風(fēng)險(xiǎn)識(shí)別,并對(duì)未見樣本的風(fēng)險(xiǎn)狀況進(jìn)行預(yù)測(cè),統(tǒng)計(jì)方法和人工智能方法是兩類常用的數(shù)據(jù)驅(qū)動(dòng)建模方法。

    2.1.1 統(tǒng)計(jì)方法

    由于具有堅(jiān)實(shí)的理論基礎(chǔ),單變量判別分析模型,基于多變量判別分析法的Z-Score模型和Zeta模型,線性概率回歸模型,多元累積和時(shí)間序列方法和生存分析等統(tǒng)計(jì)模型在企業(yè)風(fēng)險(xiǎn)預(yù)警中得到廣泛的應(yīng)用。這些模型的優(yōu)點(diǎn)是判別函數(shù)具有顯性的表達(dá),其參數(shù)也具有一定的涵義,因此決策過(guò)程更符合人們的思維習(xí)慣,決策結(jié)果易于為人們所理解,從而具有較強(qiáng)的可解釋性。

    (1)單變量判別分析。單變量判別分析模型(Univariate Analysis,UA)是最早用于企業(yè)風(fēng)險(xiǎn)預(yù)警領(lǐng)域的統(tǒng)計(jì)方法。1966年Beaver[20]運(yùn)用UA方法對(duì)財(cái)務(wù)比率與企業(yè)破產(chǎn)風(fēng)險(xiǎn)之間的關(guān)系進(jìn)行定量研究。這一模型的一個(gè)重大缺陷是忽略失敗的多維度特征,不能基于單變量模型對(duì)企業(yè)風(fēng)險(xiǎn)狀況給出一幅清晰的畫面,而且可能導(dǎo)致同一企業(yè)的不同比率上的分類結(jié)果沖突和產(chǎn)生混淆。

    (2)多變量判別分析。多變量判別分析法(Multivariate Discriminant Analysis,MDA )的主要思想是最大化分類之間協(xié)方差的同時(shí)使每一類內(nèi)部特征協(xié)方差最?。?1]。MDA在企業(yè)風(fēng)險(xiǎn)預(yù)警中得到廣泛的應(yīng)用, 通常企業(yè)風(fēng)險(xiǎn)數(shù)據(jù)難于滿足類內(nèi)協(xié)方差矩陣相等的假設(shè),這種情況下可采用二次的MDA而不是線性的形式。此外,模型也不考慮有風(fēng)險(xiǎn)和無(wú)風(fēng)險(xiǎn)企業(yè)的先驗(yàn)概率及分類錯(cuò)誤代價(jià)的差異,使用模型截?cái)帱c(diǎn)得到的分類結(jié)果往往與決策者的風(fēng)險(xiǎn)偏好不一致,因此基于MDA方法的預(yù)警結(jié)果可能是有偏差的。

    (3)概率回歸模型。為解決MDA方法容易對(duì)截?cái)帱c(diǎn)附近企業(yè)誤判的問(wèn)題,可以采用線性概率回歸模型(Linear Probability Model,LPM),但0-1線性回歸無(wú)法保證結(jié)果在(0,1)區(qū)間,更多的學(xué)者運(yùn)用Probit函數(shù)和Logistic函數(shù)對(duì)LPM變換,得到Probit模型和Logit模型,其中Logit方法應(yīng)用更為普遍[22]。概率回歸模型可以在企業(yè)財(cái)務(wù)比率和風(fēng)險(xiǎn)事件的概率之間建立起聯(lián)系,使結(jié)果具有實(shí)際意義。這類模型的局限對(duì)多重共線性、離群點(diǎn)和丟失值極為敏感[23],但大多數(shù)風(fēng)險(xiǎn)預(yù)警模型都需要用到企業(yè)的財(cái)務(wù)比率數(shù)據(jù),這些數(shù)據(jù)之間往往是高度相關(guān)的,不同的指標(biāo)可能有同一個(gè)分子或分母,因此數(shù)據(jù)的多重共線性問(wèn)題很嚴(yán)重,限制了模型在風(fēng)險(xiǎn)預(yù)警中的運(yùn)用。

    (4)累積和時(shí)間序列方法

    通常企業(yè)風(fēng)險(xiǎn)是一個(gè)漸變的過(guò)程,而MDA、Logit和Probit使用截面財(cái)務(wù)數(shù)據(jù),忽略了前期財(cái)務(wù)信息的有用性,而累積和時(shí)間序列方法(Cumulative Sum,CUSUM)[24]則可以探測(cè)企業(yè)狀況由好轉(zhuǎn)壞的拐點(diǎn),對(duì)經(jīng)營(yíng)狀況惡化反應(yīng)敏感并具有記憶力,因此包括企業(yè)風(fēng)險(xiǎn)演化的動(dòng)態(tài)過(guò)程的信息。這一模型還可以區(qū)分預(yù)測(cè)變量變化的原因,識(shí)別導(dǎo)致企業(yè)風(fēng)險(xiǎn)的長(zhǎng)期結(jié)構(gòu)性因素,因此非常適合用于對(duì)企業(yè)風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)分析。

    (5)生存分析。生存分析(Survival Analysis,SA)是以財(cái)務(wù)比率為變量,度量企業(yè)壽命超過(guò)某段時(shí)間的概率。但這一方法需要大量樣本,并要求在研究時(shí)間窗內(nèi)樣本企業(yè)的生存時(shí)間特點(diǎn)具有一定相似性,因此對(duì)研究產(chǎn)業(yè)突變?cè)斐僧a(chǎn)業(yè)內(nèi)出現(xiàn)大量困境企業(yè)的情形非常有效,如銀行危機(jī)中的銀行破產(chǎn)預(yù)測(cè)、產(chǎn)業(yè)發(fā)展的某個(gè)時(shí)期中的中小企業(yè)破產(chǎn)預(yù)測(cè)等[25]。

    (6)統(tǒng)計(jì)方法的其他應(yīng)用。傳統(tǒng)的統(tǒng)計(jì)技術(shù)除用于預(yù)測(cè)企業(yè)風(fēng)險(xiǎn)以外,還用于模型輸入的預(yù)處理階段,目前最主要的應(yīng)用是特征選擇。特征選擇是從給定數(shù)據(jù)集中選擇更有代表性的數(shù)據(jù)以改善最終預(yù)測(cè)表現(xiàn)的一個(gè)重要步驟,風(fēng)險(xiǎn)預(yù)測(cè)中通常使用的特征選擇方法有5種,即t-檢驗(yàn)方法、相關(guān)矩陣方法、逐步回歸分析方法、主成分分析方法和要素分析方法。

    2.1.2 人工智能方法

    隨著信息技術(shù)的發(fā)展,人工智能模型被引入企業(yè)風(fēng)險(xiǎn)預(yù)警,并逐漸成為研究的熱點(diǎn),許多基于人工智能的風(fēng)險(xiǎn)預(yù)警模型在預(yù)測(cè)準(zhǔn)確率方面已超越傳統(tǒng)的基于統(tǒng)計(jì)技術(shù)的風(fēng)險(xiǎn)預(yù)警模型。人工神經(jīng)網(wǎng)絡(luò)、決策樹方法、模糊集理論、灰色理論、粗糙集理論及支持向量機(jī)都在企業(yè)風(fēng)險(xiǎn)預(yù)警領(lǐng)域得到應(yīng)用。

    (1)人工神經(jīng)網(wǎng)絡(luò)。20世紀(jì)90年代以來(lái),神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANN)被廣泛地運(yùn)用于信用風(fēng)險(xiǎn)和企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)警領(lǐng)域[26] ,并得到較好的效果。人工神經(jīng)網(wǎng)絡(luò)不需要對(duì)數(shù)據(jù)特征進(jìn)行假設(shè),減少了分布指定錯(cuò)誤對(duì)模型性能的影響,從而增強(qiáng)學(xué)習(xí)的模型對(duì)未見樣本的泛化能力;樣本特征對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)點(diǎn)以非線性的方式相互聯(lián)結(jié),并以并行的方式交換信息,符合企業(yè)風(fēng)險(xiǎn)的演化機(jī)制;神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的噪聲容忍能力,可以學(xué)習(xí)存在不完整和損壞數(shù)據(jù)的復(fù)雜系統(tǒng),因此比傳統(tǒng)的統(tǒng)計(jì)方法更為魯棒。與傳統(tǒng)的統(tǒng)計(jì)方法相比,人工神經(jīng)網(wǎng)絡(luò)更適合于處理企業(yè)風(fēng)險(xiǎn)預(yù)警這一類復(fù)雜問(wèn)題。

    盡管人工神經(jīng)網(wǎng)絡(luò)具有許多成功的應(yīng)用和特征,但它仍然存在許多不足,其在企業(yè)風(fēng)險(xiǎn)預(yù)警中的應(yīng)用還面臨諸多挑戰(zhàn)[27]。目前,還沒(méi)有理論解決ANN的網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化問(wèn)題;缺乏合適的標(biāo)準(zhǔn)控制學(xué)習(xí)時(shí)間,避免過(guò)度擬合帶來(lái)的泛化能力降低;決策過(guò)程的黑箱特征是神經(jīng)網(wǎng)絡(luò)的一個(gè)根本性缺陷,限制了神經(jīng)網(wǎng)絡(luò)在企業(yè)風(fēng)險(xiǎn)預(yù)警是的實(shí)際應(yīng)用價(jià)值。神經(jīng)網(wǎng)絡(luò)以一種隱式的方式表達(dá)風(fēng)險(xiǎn)企業(yè)特征與風(fēng)險(xiǎn)狀態(tài)之間的函數(shù)關(guān)系,推理過(guò)程及決策規(guī)則隱藏在學(xué)習(xí)到的網(wǎng)絡(luò)結(jié)構(gòu)之中,難以為用戶所理解,從而難以為風(fēng)險(xiǎn)企業(yè)風(fēng)險(xiǎn)控制給出有意義的決策建議,缺乏決策支持能力。

    (2)支持向量機(jī)方法。由V. Vapnik等[28]提出的支持向量機(jī)方法(Support Vector Machines, SVM)是從感知機(jī)發(fā)展而來(lái)的,其實(shí)質(zhì)是一個(gè)不包含隱藏層的神經(jīng)網(wǎng)絡(luò),基本思想是通過(guò)某種非線性映射將向量輸入映射到高維特征空間,從而可以使用線性模型實(shí)現(xiàn)非線性分類。SVM從理論上解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法的兩個(gè)根本問(wèn)題。首先,SVM采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則(SRM)而不是經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則(ERM),從理論上提供了控制網(wǎng)絡(luò)學(xué)習(xí)時(shí)間的方法,避免過(guò)度擬合降低泛化能力;其次,SVM只采用少數(shù)幾個(gè)富含信息的樣本特征即支持向量表示最優(yōu)分類超平面,SVM還在高維特征空間以線性方式展現(xiàn)了輸入特征與輸出之間的映射關(guān)系,這就為打開決策過(guò)程黑箱提供了分析的數(shù)學(xué)基礎(chǔ)。由于這些吸引人的特性,SVM在企業(yè)風(fēng)險(xiǎn)預(yù)警領(lǐng)域得到廣泛的應(yīng)用,并可得到優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型的性能。

    在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則下,決策準(zhǔn)則是在最大化分類間隔的同時(shí)使得分類錯(cuò)誤數(shù)最小,分類錯(cuò)誤數(shù)最小化是NP完全的,因此標(biāo)準(zhǔn)SVM模型并不以分類錯(cuò)誤數(shù)最小化,而以分類錯(cuò)誤點(diǎn)到分類邊界的某種范數(shù)的距離最小化作為決策目標(biāo)[29],這種近似方法使得分類性能依賴于數(shù)據(jù)的分布,難以控制經(jīng)驗(yàn)風(fēng)險(xiǎn)水平。與決策準(zhǔn)則相關(guān)的另一個(gè)后果是標(biāo)準(zhǔn)SVM對(duì)離群點(diǎn)和噪聲數(shù)據(jù)極為敏感。當(dāng)錯(cuò)誤分類點(diǎn)在分類邊界附近分布稀薄,但存在少數(shù)離群點(diǎn)和噪聲數(shù)據(jù)時(shí),離群點(diǎn)或噪聲數(shù)據(jù)在最優(yōu)分類超平面的選擇過(guò)程中占據(jù)絕對(duì)優(yōu)勢(shì),導(dǎo)致可能丟棄效果好的預(yù)警模型。

    目前,絕大多數(shù)基于SVM的企業(yè)風(fēng)險(xiǎn)預(yù)警模型強(qiáng)調(diào)模型的預(yù)測(cè)能力,而忽視模型的決策支持能力,從而削弱風(fēng)險(xiǎn)預(yù)警模型的實(shí)際應(yīng)用價(jià)值。雖然SVM方法突破了部分神經(jīng)網(wǎng)絡(luò)所面臨的黑箱問(wèn)題,但它的運(yùn)作仍然是以數(shù)學(xué)和統(tǒng)計(jì)算法為基礎(chǔ),從其顯性的解析關(guān)系中仍然不能直接了解決策過(guò)程和得到數(shù)據(jù)中的所有有意義的和可解釋的規(guī)則。因此,在風(fēng)險(xiǎn)預(yù)警模型中提取滿足領(lǐng)域?qū)<业钠谕团d趣規(guī)則,揭示企業(yè)特征與風(fēng)險(xiǎn)之間的因果關(guān)系還需要借助其他符合人們思維習(xí)慣的技術(shù)和方法。通常的方法是將SVM與關(guān)聯(lián)規(guī)則結(jié)合起來(lái),采用基于關(guān)聯(lián)規(guī)則的分類框架[30],基本思想是基于訓(xùn)練樣本關(guān)聯(lián)規(guī)則判別能力生成一組特征向量代替原始訓(xùn)練數(shù)據(jù)?;谔卣飨蛄康囊?guī)則提供高質(zhì)量的知識(shí)來(lái)源,便于用戶解釋和理解所構(gòu)造的分類模型。

    (3) 遺傳算法。遺傳算法(Genetic Algorithm,GA)是利用模仿自然界生物遺傳進(jìn)化規(guī)律在大量復(fù)雜概念空間內(nèi)的隨機(jī)搜索技術(shù),尤其適合用于服從大量軟、硬約束目標(biāo)函數(shù)的多參數(shù)優(yōu)化問(wèn)題。遺傳算法在企業(yè)風(fēng)險(xiǎn)預(yù)警領(lǐng)域主要有兩方面的應(yīng)用:一是運(yùn)用遺傳算法以財(cái)務(wù)比率為基礎(chǔ)提取“if-then”判別規(guī)則,使建立的預(yù)警模型結(jié)構(gòu)清楚且容易理解[31]?,F(xiàn)有文獻(xiàn)更普遍的是將遺傳算法作為一種搜索技術(shù),優(yōu)化模型參數(shù)或選擇最優(yōu)特征子集,以提高模型的預(yù)測(cè)準(zhǔn)確率和泛化能力。

    (4) 粗糙集方法。粗糙集方法(Rough Set Theory,RST)被證明是能夠運(yùn)用一組多屬性的變量描述對(duì)象的有效工具,可以用來(lái)揭示相互關(guān)聯(lián)的風(fēng)險(xiǎn)因素與企業(yè)風(fēng)險(xiǎn)之間的關(guān)系。RST能夠發(fā)現(xiàn)隱藏在數(shù)據(jù)中的重要事實(shí),并能用自然語(yǔ)言表達(dá)成一組決策規(guī)則,每個(gè)決策規(guī)則都有案例支持;能結(jié)合使用定性變量和定量變量,無(wú)須統(tǒng)計(jì)約束和模糊隸屬度評(píng)價(jià):決策形成透明的過(guò)程,可以考慮決策者的知識(shí)背景,并可用于集成決策支持系統(tǒng)。

    (5) 基于案例推理方法。基于案例推理方法(Case-Based Reasoning,CBR)是在復(fù)雜變化的環(huán)境中解決問(wèn)題的決策方法,一般運(yùn)用K臨近算法對(duì)存貯的案例進(jìn)行分類,以此為基礎(chǔ)判別或預(yù)測(cè)新增案例的狀況,在企業(yè)風(fēng)險(xiǎn)預(yù)警研究領(lǐng)域也有應(yīng)用,在數(shù)據(jù)不充分的條件下使用具有一定優(yōu)勢(shì)[32]。CBR最重要的假設(shè)是相似的經(jīng)驗(yàn)可以指導(dǎo)未來(lái)的推理、問(wèn)題求解和學(xué)習(xí)。案例回溯通常被認(rèn)為是CBR系統(tǒng)中最重要的步驟,采用的相似性度量直接影響系統(tǒng)的回溯表現(xiàn),基于案例推理方法的企業(yè)風(fēng)險(xiǎn)預(yù)警系統(tǒng)方面的研究主要集中在這一問(wèn)題上,CBR方法的不足之處是預(yù)測(cè)的準(zhǔn)確率不高[33]。

    (6) 決策樹方法。從預(yù)測(cè)準(zhǔn)確率的角度來(lái)看,決策樹(Decision Tree, DT)要弱于神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)方法,但其優(yōu)勢(shì)是可以作為一種規(guī)則提取技術(shù),提取隨后用到的早期預(yù)警專家系統(tǒng)規(guī)則。但作為一種規(guī)則提取技術(shù),其局限是當(dāng)數(shù)據(jù)結(jié)構(gòu)復(fù)雜時(shí),容易導(dǎo)致規(guī)則爆炸性增長(zhǎng),需要消耗大量的計(jì)算資源[34]。

    (7) 模糊集理論。由Zadeh提出的模糊集理論已經(jīng)有了大量的應(yīng)用,它可以精確研究含糊、概念化現(xiàn)象的數(shù)學(xué)框架。雖然基于模糊規(guī)則的分類器在分類準(zhǔn)確率上不如神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)模型,但是基于模糊規(guī)則的分類器可以生成“if-then”判別規(guī)則可以用于“早期預(yù)警”模糊專家系統(tǒng),為分析師最終做出預(yù)測(cè)和建議提供參考。通過(guò)模糊規(guī)則建立風(fēng)險(xiǎn)預(yù)警指標(biāo)與企業(yè)風(fēng)險(xiǎn)之間的模糊映射以關(guān)系預(yù)測(cè)企業(yè)風(fēng)險(xiǎn),使得到的模型更符合人們的思考習(xí)慣,更易于理解和實(shí)際應(yīng)用[35]。

    (8) 灰色理論。我國(guó)學(xué)者鄧聚龍[36]率先提出灰色關(guān)聯(lián)分析(GRA),它的特點(diǎn)是在小樣本、貧信息(只有部分要素是已知的)的數(shù)據(jù)環(huán)境下具有良好的性能。企業(yè)風(fēng)險(xiǎn)預(yù)警是一個(gè)不完全信息復(fù)雜決策問(wèn)題,在許多量化屬性和企業(yè)風(fēng)險(xiǎn)之間存在灰關(guān)聯(lián)關(guān)系,因此這一方法也可以用于企業(yè)風(fēng)險(xiǎn)分析[37]。

    2.2 專家驅(qū)動(dòng)的建模方法和集成的建模方法

    基于歷史數(shù)據(jù)學(xué)習(xí)的方法依賴于一定的數(shù)據(jù)量,而且假設(shè)歷史數(shù)據(jù)中包含的模式在相當(dāng)一段時(shí)期內(nèi)可以保持穩(wěn)定,然而這些條件往往得不到滿足,在缺乏歷史信息和不穩(wěn)定的環(huán)境下可以采用專家驅(qū)動(dòng)的方法構(gòu)造預(yù)警模型。專家根據(jù)自身掌握的領(lǐng)域知識(shí)給出風(fēng)險(xiǎn)預(yù)警模型,并據(jù)此確定樣本特征與企業(yè)風(fēng)險(xiǎn)之間的函數(shù)關(guān)系。此外,當(dāng)財(cái)務(wù)信息與風(fēng)險(xiǎn)事件之間存在時(shí)滯、量化信息不可靠、系統(tǒng)風(fēng)險(xiǎn)特征發(fā)生顯著改變及其他難以度量的因素變化時(shí),企業(yè)風(fēng)險(xiǎn)預(yù)警模型就變得對(duì)財(cái)務(wù)等量化數(shù)據(jù)不敏感甚至無(wú)效[38]。此時(shí),專家利用其經(jīng)驗(yàn)和領(lǐng)域知識(shí)做出的預(yù)測(cè)則更為有效。企業(yè)風(fēng)險(xiǎn)預(yù)測(cè)是一個(gè)復(fù)雜的多屬性決策問(wèn)題,專家方法主要是通過(guò)結(jié)合層次分析法(AHP)和群決策方法(GDSS)實(shí)現(xiàn)模型構(gòu)造過(guò)程。目前,研究主要集中在專家意見表示、群內(nèi)專家的協(xié)商機(jī)制及專家意見的集結(jié)方式等方面。采用模糊理論、灰色理論等方法量化表達(dá)專家模糊意見是研究的一個(gè)熱點(diǎn)[39],然而如何根據(jù)風(fēng)險(xiǎn)預(yù)警問(wèn)題的復(fù)雜性、專家知識(shí)的有限性,確定合理的專家規(guī)模,簡(jiǎn)化模型結(jié)構(gòu),提高決策效率,增強(qiáng)基于群決策方法的風(fēng)險(xiǎn)預(yù)警模型泛化能力,學(xué)術(shù)界的研究則還少見。

    由于不可能存在普適的決策技術(shù),每一方法各有其適用的范圍、具有一定的優(yōu)勢(shì)和局限,方法之間可能是互補(bǔ)的集成方法,即組合幾種數(shù)據(jù)驅(qū)動(dòng)方法或是混合集成數(shù)據(jù)驅(qū)動(dòng)方法和專家驅(qū)動(dòng)的方法往往可以得到理想的效果。

    2.3 科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法評(píng)述及其選擇

    綜上所述,運(yùn)用統(tǒng)計(jì)方法構(gòu)造企業(yè)風(fēng)險(xiǎn)預(yù)警模型具有突出的優(yōu)點(diǎn),這些模型的判別函數(shù)具有顯性的表達(dá),模型中變量的系數(shù)具有一定的涵義,判別函數(shù)可以充當(dāng)從預(yù)測(cè)變量到預(yù)測(cè)結(jié)果的決策規(guī)則,因此決策過(guò)程更符合人們的思維習(xí)慣,決策結(jié)果易于為人們所理解,從而具有較強(qiáng)的可解釋性。

    傳統(tǒng)的統(tǒng)計(jì)方法存在兩個(gè)方面的根本缺陷:一是對(duì)數(shù)據(jù)環(huán)境有較為嚴(yán)格的要求,如應(yīng)用最多的MDA方法要求樣本數(shù)據(jù)服從正態(tài)分布、類內(nèi)協(xié)方差相等;二是數(shù)據(jù)處理能力有限,統(tǒng)計(jì)推斷通常依賴大樣本數(shù)據(jù),其所依賴的技術(shù)從本質(zhì)上講是線性的,缺乏處理非線性數(shù)據(jù)的能力并可能面臨維數(shù)災(zāi)難的問(wèn)題。此外,與常用的量化分析模型一樣,這些模型通常假定兩類錯(cuò)誤分類成本相等、企業(yè)有風(fēng)險(xiǎn)和無(wú)風(fēng)險(xiǎn)的先驗(yàn)概率相等,而現(xiàn)實(shí)中許多數(shù)據(jù)難以滿足這些要求。

    這些缺陷會(huì)導(dǎo)致嚴(yán)重的后果,如因分布指定錯(cuò)誤導(dǎo)致的預(yù)警模型缺乏泛化能力,模型不能反映企業(yè)風(fēng)險(xiǎn)非線性演化機(jī)制,離群點(diǎn)、噪聲數(shù)據(jù)及不完整數(shù)據(jù)的影響導(dǎo)致預(yù)警模型魯棒性差等弱點(diǎn),因此對(duì)復(fù)雜的企業(yè)風(fēng)險(xiǎn)預(yù)警問(wèn)題往往得不到人們所期望的精度。雖然可以采用對(duì)數(shù)變換(如LPM模型)、二次判別分析(QDA模型)等一些必要的技術(shù)手段和方法加以改進(jìn),但是這些方法應(yīng)用的同時(shí)又會(huì)相應(yīng)地產(chǎn)生多重共線性、變量經(jīng)濟(jì)涵義不清等新的問(wèn)題。

    科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型往往需要處理高維數(shù)據(jù),同時(shí)從現(xiàn)實(shí)中收集的樣本數(shù)量有限,因此建模方法需要適應(yīng)“小樣本”數(shù)據(jù)環(huán)境,統(tǒng)計(jì)方法及ANN等一些建模方法都難以得到滿意的效果。而SVM采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,以較少的樣本即可獲得良好的泛化性能。同時(shí),SVM用少數(shù)支持向量表示最優(yōu)分類超平面,使得模型結(jié)構(gòu)相對(duì)簡(jiǎn)單。此外,SVM還在高維特征空間以線性方式展現(xiàn)輸入特征與輸出之間的映射關(guān)系,為打開決策過(guò)程黑箱、幫助用戶理解和解釋決策結(jié)果提供分析的數(shù)學(xué)基礎(chǔ),因而比神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的決策、支持能力,更適合于科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警。

    雖然應(yīng)用SVM作為用于科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警建模方法具有良好的前景,但是還面臨一些挑戰(zhàn)。一方面,如何進(jìn)一步提高風(fēng)險(xiǎn)預(yù)警模型的預(yù)警能力,如何克服先驗(yàn)知識(shí)的影響,改善風(fēng)險(xiǎn)預(yù)警模型的適應(yīng)能力。SVM在解決不平衡分類問(wèn)題時(shí)具有一定的魯棒性,但當(dāng)類分布嚴(yán)重偏斜時(shí),常用的SVM分類器也無(wú)法獲得滿意的結(jié)果。常用SVM對(duì)離群點(diǎn)和噪聲數(shù)據(jù)極為敏感,離群點(diǎn)或噪聲數(shù)據(jù)可能在最優(yōu)分類超平面的選擇過(guò)程中起主要作用,影響分類器的泛化能力。如何克服建模樣本信息貧乏和創(chuàng)業(yè)板市場(chǎng)的動(dòng)態(tài)特征的影響,使基于SVM的模型在缺乏歷史數(shù)據(jù)及數(shù)據(jù)信息量不豐富的動(dòng)態(tài)環(huán)境下仍然具備較好預(yù)警能力。另一方面,如何開發(fā)結(jié)構(gòu)簡(jiǎn)單的SVM風(fēng)險(xiǎn)預(yù)警模型,增強(qiáng)模型的決策支持能力,以提高科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型的實(shí)用價(jià)值,如何在模型中融入領(lǐng)域知識(shí),如分類錯(cuò)誤代價(jià)差異,使之符合決策者的偏好習(xí)慣,提高模型與決策者的交互能力。如何借助規(guī)則提取技術(shù),從學(xué)習(xí)得到的SVM模型映射關(guān)系中了解分類器的決策過(guò)程、理解和解釋分類結(jié)果,指導(dǎo)人們根據(jù)預(yù)警結(jié)果制定正確的風(fēng)險(xiǎn)管理措施,以提高企業(yè)風(fēng)險(xiǎn)預(yù)警模型的實(shí)際應(yīng)用價(jià)值。

    RST、FST、CBR、DT等人工智能方法雖然從預(yù)測(cè)能力的角度來(lái)看不如SVM,但是這些方法可以生成推理規(guī)則,得到的結(jié)論易于為用戶解釋和理解。RST、FST、GRT可從不確定信息的角度對(duì)企業(yè)風(fēng)險(xiǎn)預(yù)警問(wèn)題進(jìn)行研究,因此更符合客觀實(shí)際及人們的思考習(xí)慣。目前,將上述方法與基于SVM模型融合,并采用不確定的方式表達(dá)企業(yè)特征與風(fēng)險(xiǎn)之間的關(guān)系成為研究的熱點(diǎn)之一。

    3 總結(jié)及研究方向

    3.1 總結(jié)

    綜上所述,科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警研究需要解決以下幾個(gè)關(guān)鍵問(wèn)題。

    (1)理解科技型上市企業(yè)的風(fēng)險(xiǎn)特征及其影響因素,進(jìn)而構(gòu)建科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系是研究的關(guān)鍵,也是科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警難點(diǎn)所在。

    (2)避免樣本分布不平衡、樣本發(fā)展不成熟及噪聲數(shù)據(jù)和離群點(diǎn)對(duì)模型泛化能力的不利影響,并考慮決策者風(fēng)險(xiǎn)偏好,使預(yù)警模型具有動(dòng)態(tài)適應(yīng)性和交互能力。

    (3)簡(jiǎn)化預(yù)警模型結(jié)構(gòu),理解和解釋預(yù)警模型的決策過(guò)程是風(fēng)險(xiǎn)預(yù)警模型具有應(yīng)用價(jià)值的關(guān)鍵,采用合適的技術(shù)提取模型中隱含的規(guī)則并將其可視化。

    3.2 未來(lái)的研究方向

    具體來(lái)講,基于SVM的科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警研究可從以下幾個(gè)方面展開。

    (1)科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系研究。歸納科技型上市企業(yè)風(fēng)險(xiǎn)的影響因素,采用平衡計(jì)分卡的分析框架構(gòu)建初步的風(fēng)險(xiǎn)預(yù)警指標(biāo)體系,對(duì)初步確定的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系向?qū)<疫M(jìn)行問(wèn)卷調(diào)查,研究重要非財(cái)務(wù)指標(biāo)的量化表達(dá)方法,確定模型的最終輸入指標(biāo)。

    (2)基于先驗(yàn)知識(shí)的支持向量分類算法研究。研究數(shù)據(jù)集及兩類錯(cuò)誤分類成本不平衡情況下的模型性能度量指標(biāo),研究適合科技型上市企業(yè)正類樣本稀有、成功及失敗模式總體發(fā)展不成熟特點(diǎn)的支持向量分類算法,考慮決策者風(fēng)險(xiǎn)偏好,研究決策者與科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型之間的交互機(jī)制。將風(fēng)險(xiǎn)評(píng)估模型擴(kuò)展到多類的情況,研究多種分類情形下模型的有效性。

    (3)風(fēng)險(xiǎn)預(yù)警模型可解釋性研究。運(yùn)用離散化技術(shù)、決策樹方法、模糊集理論、關(guān)聯(lián)規(guī)則及聚類技術(shù),在支持向量分析的基礎(chǔ)上進(jìn)一步簡(jiǎn)化基于SVM的科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型的結(jié)構(gòu),提取反映預(yù)警模型分類過(guò)程的決策規(guī)則,并將提取的規(guī)則展示為決策表的形式。

    (4)專家方法與智能預(yù)警模型方法的融合研究。整合專家方法和數(shù)據(jù)驅(qū)動(dòng)方法模型,構(gòu)造更為有效的科技型上市企業(yè)風(fēng)險(xiǎn)預(yù)警模型,研究更為合理的決策成本形式,構(gòu)造基于非線性核函數(shù)SVM的主客觀融合模型,為決策者提供一套科學(xué)的方法,使其可以根據(jù)對(duì)群體意見的置信度或?qū)χ骺陀^方法的偏好更為合理地估計(jì)主觀約束區(qū)間寬度。

    4 參考文獻(xiàn)

    [1]王波,蔣玉娟,郭紅俠.新三板科技型中小企業(yè)融資能力評(píng)價(jià)體系與實(shí)證——以寧夏18家上市企業(yè)為例[J].科技與經(jīng)濟(jì),2021,34(3):6-10.

    [2]季向峰.科技創(chuàng)新型企業(yè)上市融資方式選擇研究[D].濟(jì)南:山東大學(xué),2020.

    [3]舒軻.新能源科技型企業(yè)融資方式研究[D].廣州:廣東財(cái)經(jīng)大學(xué),2019.

    [4]王昆.私募股權(quán)投資對(duì)科創(chuàng)板企業(yè)影響的實(shí)證研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2020.

    [5]LENNOX C.Identifying Failing Companies:A Reevaluation of the Logit,Probit and DA Approaches[J].Journal of Economics and Business,1999(51):347-364.

    [6]TONY BLACKWOOD.Expatriate-owned Small Businesses:Measuring and Accounting for Success[J].International Small Business Journal,2000,18(3):60-73.

    [7] GASKILL L R,VAN AUKEN H E.A factor analytic study of the perceived causes of small business failure.[J].Journal of Small Business,1993,31(4):18-31.

    [8]王迎軍.高科技企業(yè)技術(shù)風(fēng)險(xiǎn)的識(shí)別與防范[J].科學(xué)管理研究,1998,16(1):41-44.

    [9]KAKATI M.Success criteria in high-tech new ventures[J].Technovation,2003,23(5):447-457.

    [10]SUZUKIA K.Entrepreneurship in Japan and Silicon Valley:a comparative study[J].Technovation,2002,22(10):595-606.

    [11]喻凡,姚建峰,王曉明,等.股權(quán)結(jié)構(gòu)與科技型中小企業(yè)創(chuàng)新——基于創(chuàng)業(yè)板上市公司的實(shí)證研究[J].科技促進(jìn)發(fā)展.2021,17(4):690-700.

    [12]嚴(yán)復(fù)海,張冉.企業(yè)風(fēng)險(xiǎn)管理與業(yè)績(jī)?cè)u(píng)價(jià)整合:基于平衡計(jì)分卡的研究[J].北京工商大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2008,23(5):17-21.

    [13]潘文富,楊品瑞.R&D投入對(duì)企業(yè)科技創(chuàng)新的效應(yīng)研究——基于貴州省2009—2019年上市公司的面板數(shù)據(jù)[J].企業(yè)科技與發(fā)展,2021(8):7-9.

    [14]阮書藝,鮑新中,張浩娟.科技型企業(yè)知識(shí)產(chǎn)權(quán)信息披露及其影響因素實(shí)證分析[J].財(cái)務(wù)管理研究,2021(1):46-52.

    [15]TSAI C.Feature selection in bankruptcy prediction[J].Knowledge-Based Systems,2008,8(2):1-8.

    [16]LIN RONGHO,YAO-TIEN WANG,CHIH-HUNG WU,ET AL.Developing a business failure prediction model via RST,GRA and CBR[J].Expert Systems with Applications,2009(36):1593-1600.

    [17]MACMILLAN I C,ZEMANN L,SUBBANARASIMHA PN.Criteria distinguishing successful from unsuccessful ventures in the venture screening process[J].Jouumal of business Venturing,1987,2(2):123-137.

    [18]PAUL R,GARVEY P R,LANSDOWNE Z F.Risk mat rix:an approach for identifying,assessing,and ranking program risks[J].Air Force Journal of Logistics,1998(25):16-19.

    [19]HAIMES Y Y,KAPLAN S,LAMBERT J H.Risk Filtering,Ranking,and Management Framework Using Hierarchical Holographic Modeling[J].Risk Analysis,2002,22(2):383-397.

    [20]BEAVER W.Financial ratios as predictors of failure[J].Journal of accounting research,1966(4):71-111.

    [21]JAE H. MIN,YOUNG-CHAN LEE.Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters[J].Expert Systems with Applications,2005(28):603-614.

    [22]SJUR WESTGAARD,NICO VAN DER WIJST.Default probabilities in a corporate bank portfolio: a logistic model approach[J].Eur J Oper Res,2001,135(2):338-349.

    [23]DOUMPOS M,ZOPOUDINIS C.A multicriteria discrimination method for the prediction of financial distress:the case of Greece[J].Multinational Finance Journal,1999,3(2):71-101.

    [24]ANON.Predicting Shifts in the Mean of a Multivariate Time Series Process:An Application in Predicting Business Failures[J].Journal of the American Statistical Association,1993,88(422):441-449.

    [25]EVRENSEL A Y.Banking crisis and financial structure:A survival-time analysis[J].International Review of Economics and Finance,2008(17):589-602.

    [26]楊保安,季海.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行貸款風(fēng)險(xiǎn)預(yù)警研究[J].系統(tǒng)工程理論與實(shí)踐,2001(5):70-74.

    [27]吳今培,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.

    [28]VAPNIK V.The nature of statistical learning theory[M].New York:Springer,1995.

    [29]CHRISTOPHER J.C. Burges .A tutorial on support vector machines for pattern recognition[J].Data Mining and Knowledge Discovery,1998,(2):121-167.

    [30]DAVID MARTENS,BART BAESENS,TONY VAN GES-

    TEL,ET AL.Comprehensible credit scoring models using rule extraction from support vector machines[J].European Journal of Operational Research,2006,183(3):1466-1476.

    [31]KYUNG-SHIK SHIN,YONG-JOO LEE.A genetic algorithm application in bankruptcy prediction modeling[J].Expert Systems with Applications,2002,23(3):321-328.

    [32]柳炳祥,盛昭翰.基于案例推理的企業(yè)危機(jī)預(yù)警系統(tǒng)設(shè)計(jì)[J].中國(guó)軟科學(xué),2003(3):67-70.

    [33]LI SHENGTUN,HO HEIFONG.Predicting financial activity with evolutionary fuzzy case-based reasoning[J].Expert Systems with Applications,2009(1):411-422.

    [34]WANG S,YANG J.A Money Laundering Risk Evalution Method Based Oon Decision Tree:Proceedings of the Sixth International Conference on Machine Learning and Cybernetics[Z].Hong Kong:2007.

    [35]劉德學(xué),樊治平,王欣榮.風(fēng)險(xiǎn)投資公司經(jīng)營(yíng)能力的模糊評(píng)價(jià)方法[J].系統(tǒng)工程理論與實(shí)踐,2002(11):70-76.

    [36]DENG J.The introduction of grey system[J].Journal of Grey System,1989,1(1):1-24.

    [37]]吳明贊,陳淑燕,陳森發(fā).高新技術(shù)產(chǎn)品開發(fā)投資風(fēng)險(xiǎn)的多層次灰色評(píng)價(jià)[J].科研管理,2001(5):117-121.

    [38]JIE SUN,HUI LI.Financial distress early warning based on group decision making[J].Computers & Operations Research,2009,36(3):885-906.

    [39]朱建軍,王夢(mèng)光,劉士新.一種新型不確定AHP的研究與應(yīng)用[J].管理科學(xué)學(xué)報(bào),2005,8(5):15-20.

    猜你喜歡
    預(yù)警模型風(fēng)險(xiǎn)預(yù)警
    我國(guó)上市公司財(cái)務(wù)預(yù)警分析
    基于AHP—模糊綜合分析的移動(dòng)社交網(wǎng)絡(luò)輿情預(yù)警模型研究
    基于RS—ANN的大學(xué)生心理危機(jī)預(yù)警模型構(gòu)建與應(yīng)用
    考試周刊(2016年103期)2017-01-23 17:18:13
    以運(yùn)營(yíng)動(dòng)態(tài)為載體,推動(dòng)地市運(yùn)監(jiān)工作實(shí)用開展
    高校財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)的建立與應(yīng)用研究
    基于模糊分析法的高校專利初級(jí)預(yù)警模型的研究
    農(nóng)村消失的影響因素及建模研究
    科技視界(2016年22期)2016-10-18 15:00:50
    財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究綜述
    行政事業(yè)單位的內(nèi)部控制問(wèn)題以及解決策略思考
    商(2016年27期)2016-10-17 04:56:52
    信息化手段實(shí)現(xiàn)檢驗(yàn)檢疫工作風(fēng)險(xiǎn)管理的可行性探討
    科技視界(2016年2期)2016-03-30 11:10:50
    我的老师免费观看完整版| 国产精品亚洲一级av第二区| 91字幕亚洲| 免费av毛片视频| 一区二区三区四区激情视频 | 久久热精品热| 男女下面进入的视频免费午夜| 最近视频中文字幕2019在线8| 嫁个100分男人电影在线观看| 亚洲人成网站在线播| 欧美乱色亚洲激情| 美女免费视频网站| 午夜福利免费观看在线| 热99re8久久精品国产| 亚洲av电影不卡..在线观看| 国产色婷婷99| 九色成人免费人妻av| 午夜福利在线观看免费完整高清在 | 老司机深夜福利视频在线观看| 在线十欧美十亚洲十日本专区| 亚洲午夜理论影院| 真人做人爱边吃奶动态| 99久久精品一区二区三区| 中文字幕免费在线视频6| 日本一本二区三区精品| 赤兔流量卡办理| 99久久九九国产精品国产免费| 亚洲中文字幕一区二区三区有码在线看| 12—13女人毛片做爰片一| 亚洲精品成人久久久久久| 日韩欧美一区二区三区在线观看| 亚洲精品粉嫩美女一区| 精品人妻视频免费看| 国产主播在线观看一区二区| 久久精品综合一区二区三区| 亚洲熟妇中文字幕五十中出| 五月玫瑰六月丁香| 在线观看一区二区三区| 国产高清激情床上av| 久久精品影院6| 成人午夜高清在线视频| 久久久色成人| 老司机福利观看| 脱女人内裤的视频| 久久久久久九九精品二区国产| 日本精品一区二区三区蜜桃| 国产人妻一区二区三区在| 久久久精品大字幕| 亚洲av成人不卡在线观看播放网| 少妇的逼好多水| 国产精品久久视频播放| bbb黄色大片| 三级毛片av免费| 日本黄色片子视频| bbb黄色大片| 桃色一区二区三区在线观看| 国产精品永久免费网站| 亚洲成av人片在线播放无| 久久久久久久久中文| 欧美不卡视频在线免费观看| 国产精品综合久久久久久久免费| 丁香欧美五月| 日本精品一区二区三区蜜桃| 国产高清有码在线观看视频| 亚洲成av人片免费观看| 亚洲欧美激情综合另类| 国产精品一区二区免费欧美| 亚洲av中文字字幕乱码综合| a级一级毛片免费在线观看| 99久久99久久久精品蜜桃| 一级黄色大片毛片| 亚洲av二区三区四区| 日韩精品青青久久久久久| 国产午夜精品久久久久久一区二区三区 | 少妇被粗大猛烈的视频| 长腿黑丝高跟| 岛国在线免费视频观看| 久99久视频精品免费| 国产精品久久电影中文字幕| 午夜免费男女啪啪视频观看 | 少妇人妻精品综合一区二区 | 麻豆一二三区av精品| 99久久九九国产精品国产免费| 亚洲中文字幕一区二区三区有码在线看| 国产高清视频在线播放一区| 男女下面进入的视频免费午夜| 舔av片在线| 好男人在线观看高清免费视频| 国产精品久久久久久久久免 | 99视频精品全部免费 在线| 不卡一级毛片| av在线观看视频网站免费| 亚洲av美国av| 日韩欧美免费精品| 精品欧美国产一区二区三| 中文字幕精品亚洲无线码一区| 日本撒尿小便嘘嘘汇集6| 国产aⅴ精品一区二区三区波| 成人永久免费在线观看视频| 免费在线观看影片大全网站| 国产免费av片在线观看野外av| 国产免费av片在线观看野外av| www日本黄色视频网| 国产黄a三级三级三级人| 丝袜美腿在线中文| 免费在线观看成人毛片| 老女人水多毛片| 国产成+人综合+亚洲专区| 国产极品精品免费视频能看的| 亚洲成人精品中文字幕电影| 天堂√8在线中文| 欧美成人a在线观看| 无人区码免费观看不卡| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 成人特级黄色片久久久久久久| 色在线成人网| 国产成人福利小说| 国产美女午夜福利| 午夜精品久久久久久毛片777| 色综合欧美亚洲国产小说| 国产精品一区二区免费欧美| 国产毛片a区久久久久| 亚洲av成人不卡在线观看播放网| 久久精品国产清高在天天线| 亚洲七黄色美女视频| 18禁黄网站禁片午夜丰满| 亚洲第一电影网av| 国产精品99久久久久久久久| 成人毛片a级毛片在线播放| 久久99热这里只有精品18| 一级毛片久久久久久久久女| 最近在线观看免费完整版| 久久伊人香网站| 成人永久免费在线观看视频| 日韩免费av在线播放| 欧美+日韩+精品| 欧美极品一区二区三区四区| 免费在线观看日本一区| 在线a可以看的网站| 久久国产乱子伦精品免费另类| 精品午夜福利在线看| 成人午夜高清在线视频| 成年免费大片在线观看| 国产欧美日韩精品一区二区| 一区二区三区激情视频| 国内揄拍国产精品人妻在线| 国产一区二区三区在线臀色熟女| 欧美成狂野欧美在线观看| 国产在视频线在精品| 成人国产综合亚洲| 午夜影院日韩av| 国产精品爽爽va在线观看网站| 男人和女人高潮做爰伦理| 99久久成人亚洲精品观看| 国产精品国产高清国产av| 欧美bdsm另类| 91在线精品国自产拍蜜月| 免费在线观看亚洲国产| 日韩大尺度精品在线看网址| av福利片在线观看| 久久香蕉精品热| 精华霜和精华液先用哪个| 日韩欧美免费精品| 久久99热6这里只有精品| av专区在线播放| 小说图片视频综合网站| 婷婷六月久久综合丁香| 国产蜜桃级精品一区二区三区| 黄色配什么色好看| 成年女人看的毛片在线观看| 男女下面进入的视频免费午夜| 观看美女的网站| 亚洲人成伊人成综合网2020| 天堂av国产一区二区熟女人妻| 一区二区三区高清视频在线| 亚洲av电影在线进入| 婷婷丁香在线五月| 国产爱豆传媒在线观看| 在线观看午夜福利视频| 国产精品人妻久久久久久| 少妇丰满av| www.www免费av| 午夜久久久久精精品| 亚洲专区国产一区二区| 一级a爱片免费观看的视频| 亚洲最大成人av| 狂野欧美白嫩少妇大欣赏| 日日夜夜操网爽| 又紧又爽又黄一区二区| 中文字幕人成人乱码亚洲影| 国内毛片毛片毛片毛片毛片| 男人狂女人下面高潮的视频| 特级一级黄色大片| 美女免费视频网站| 深爱激情五月婷婷| 色视频www国产| 老熟妇乱子伦视频在线观看| 亚洲熟妇中文字幕五十中出| 久久草成人影院| 国产一级毛片七仙女欲春2| 欧美性感艳星| 国产av麻豆久久久久久久| 欧美在线黄色| 1024手机看黄色片| 国语自产精品视频在线第100页| 久久精品影院6| 色综合欧美亚洲国产小说| 免费在线观看影片大全网站| 两个人视频免费观看高清| 亚洲欧美日韩高清在线视频| 无遮挡黄片免费观看| 十八禁人妻一区二区| 搡老熟女国产l中国老女人| 国产私拍福利视频在线观看| 国产亚洲欧美98| 亚洲 欧美 日韩 在线 免费| 欧美性猛交╳xxx乱大交人| 国产综合懂色| 久久精品夜夜夜夜夜久久蜜豆| 久99久视频精品免费| 老熟妇乱子伦视频在线观看| 国产精品日韩av在线免费观看| 亚洲不卡免费看| 大型黄色视频在线免费观看| 99久久无色码亚洲精品果冻| 国产在线男女| 天堂动漫精品| av黄色大香蕉| av国产免费在线观看| 精品一区二区三区视频在线| 欧美激情久久久久久爽电影| 女生性感内裤真人,穿戴方法视频| 亚洲男人的天堂狠狠| 日韩精品青青久久久久久| 最后的刺客免费高清国语| 日日摸夜夜添夜夜添av毛片 | a级毛片免费高清观看在线播放| 亚洲国产精品久久男人天堂| 午夜福利在线在线| 99国产精品一区二区蜜桃av| 日本在线视频免费播放| 国产极品精品免费视频能看的| 国产国拍精品亚洲av在线观看| 久久草成人影院| 12—13女人毛片做爰片一| 99久久无色码亚洲精品果冻| 欧美高清成人免费视频www| 色吧在线观看| 一级av片app| 1000部很黄的大片| 天天躁日日操中文字幕| 老司机深夜福利视频在线观看| 哪里可以看免费的av片| 国产综合懂色| 国产精品久久久久久精品电影| 国产日本99.免费观看| 国产极品精品免费视频能看的| 亚洲av熟女| 麻豆一二三区av精品| 久久精品国产清高在天天线| 中出人妻视频一区二区| 村上凉子中文字幕在线| 免费在线观看亚洲国产| 中文字幕av成人在线电影| 亚洲精品久久国产高清桃花| 日本熟妇午夜| 我要搜黄色片| 亚洲中文日韩欧美视频| 色哟哟·www| 天堂影院成人在线观看| 日韩成人在线观看一区二区三区| 可以在线观看的亚洲视频| 欧美日韩综合久久久久久 | 日韩欧美精品免费久久 | 欧美乱妇无乱码| 国产白丝娇喘喷水9色精品| 亚洲狠狠婷婷综合久久图片| 久久久精品大字幕| 在线免费观看的www视频| 亚洲欧美精品综合久久99| 欧美又色又爽又黄视频| 热99re8久久精品国产| 国产午夜福利久久久久久| 天天躁日日操中文字幕| 欧美不卡视频在线免费观看| 欧美性感艳星| 91九色精品人成在线观看| 国产黄a三级三级三级人| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 久久九九热精品免费| 国产乱人伦免费视频| 欧美日韩乱码在线| 欧美+日韩+精品| 成人特级av手机在线观看| 亚洲在线观看片| 国产免费av片在线观看野外av| 国产精品久久久久久久久免 | 欧美一区二区国产精品久久精品| 中文字幕免费在线视频6| 欧美日本亚洲视频在线播放| 能在线免费观看的黄片| 欧美一区二区精品小视频在线| 男插女下体视频免费在线播放| 国产白丝娇喘喷水9色精品| 欧美日韩乱码在线| 亚洲欧美日韩高清在线视频| av在线观看视频网站免费| 天天躁日日操中文字幕| 窝窝影院91人妻| 日韩中字成人| 日韩欧美精品免费久久 | 又粗又爽又猛毛片免费看| 露出奶头的视频| 亚洲av不卡在线观看| 夜夜看夜夜爽夜夜摸| 欧美性猛交黑人性爽| 欧美另类亚洲清纯唯美| 免费在线观看影片大全网站| 日韩欧美免费精品| 亚洲天堂国产精品一区在线| 午夜福利高清视频| 亚洲av第一区精品v没综合| 午夜久久久久精精品| 日韩精品青青久久久久久| 国产精品久久视频播放| 久久久精品大字幕| 2021天堂中文幕一二区在线观| 有码 亚洲区| 很黄的视频免费| 99国产精品一区二区三区| 丰满人妻一区二区三区视频av| 国产成人av教育| 伦理电影大哥的女人| 天堂动漫精品| 亚洲精品456在线播放app | 精品国产三级普通话版| 日韩欧美在线二视频| 美女免费视频网站| 中文字幕免费在线视频6| 五月伊人婷婷丁香| 欧美成人免费av一区二区三区| 亚洲欧美日韩无卡精品| 婷婷丁香在线五月| 日本 av在线| 欧美另类亚洲清纯唯美| 黄色女人牲交| 亚洲天堂国产精品一区在线| 香蕉av资源在线| 黄色丝袜av网址大全| 久久精品国产亚洲av香蕉五月| 亚洲久久久久久中文字幕| 国产不卡一卡二| 如何舔出高潮| 久久亚洲精品不卡| 日韩欧美国产在线观看| 国产成年人精品一区二区| av在线老鸭窝| АⅤ资源中文在线天堂| 可以在线观看毛片的网站| 国产成人福利小说| 亚洲av中文字字幕乱码综合| 久久久久久久午夜电影| 韩国av一区二区三区四区| 国产精品自产拍在线观看55亚洲| 中文字幕高清在线视频| 中文字幕熟女人妻在线| 久久久久免费精品人妻一区二区| 乱人视频在线观看| 日本熟妇午夜| 色精品久久人妻99蜜桃| 国产精品久久久久久久电影| 青草久久国产| 国内少妇人妻偷人精品xxx网站| 欧美色视频一区免费| 永久网站在线| 精品人妻熟女av久视频| 欧美又色又爽又黄视频| 男人狂女人下面高潮的视频| 无遮挡黄片免费观看| 国产精品伦人一区二区| 男女下面进入的视频免费午夜| 亚洲avbb在线观看| 国产主播在线观看一区二区| 国产av一区在线观看免费| 热99在线观看视频| 久久人妻av系列| 黄片小视频在线播放| 观看免费一级毛片| АⅤ资源中文在线天堂| 欧美高清成人免费视频www| 久久久久久大精品| 搞女人的毛片| 日本 欧美在线| 免费av不卡在线播放| 丝袜美腿在线中文| 九九在线视频观看精品| 日本一二三区视频观看| 人妻夜夜爽99麻豆av| 久99久视频精品免费| 男人舔奶头视频| 国产精品美女特级片免费视频播放器| 午夜免费成人在线视频| 一级av片app| 亚洲精品日韩av片在线观看| 亚洲人成网站在线播| 久久99热这里只有精品18| 精品人妻一区二区三区麻豆 | 99视频精品全部免费 在线| www.www免费av| 一个人看的www免费观看视频| 亚洲aⅴ乱码一区二区在线播放| 欧美乱色亚洲激情| 91久久精品国产一区二区成人| 波野结衣二区三区在线| 禁无遮挡网站| 亚洲精品一卡2卡三卡4卡5卡| 亚洲国产精品成人综合色| 免费无遮挡裸体视频| 嫩草影院入口| 色哟哟哟哟哟哟| 别揉我奶头~嗯~啊~动态视频| 欧美+亚洲+日韩+国产| 最新在线观看一区二区三区| 丁香欧美五月| av黄色大香蕉| 国产欧美日韩精品亚洲av| 成人精品一区二区免费| 欧美一区二区亚洲| 日韩精品中文字幕看吧| 十八禁人妻一区二区| 不卡一级毛片| 日本撒尿小便嘘嘘汇集6| 丁香欧美五月| 国产大屁股一区二区在线视频| 欧美午夜高清在线| 日日摸夜夜添夜夜添小说| 极品教师在线免费播放| 国产精品国产高清国产av| 亚洲精品久久国产高清桃花| 身体一侧抽搐| 99热这里只有是精品在线观看 | 国产色爽女视频免费观看| 亚洲18禁久久av| 成人精品一区二区免费| 男女之事视频高清在线观看| 老熟妇乱子伦视频在线观看| 国产黄色小视频在线观看| 国产精品99久久久久久久久| 国产精品久久视频播放| 一进一出抽搐gif免费好疼| 99热这里只有是精品在线观看 | 国产在视频线在精品| 高清日韩中文字幕在线| 亚洲av中文字字幕乱码综合| 最近中文字幕高清免费大全6 | 91午夜精品亚洲一区二区三区 | 国内精品一区二区在线观看| 亚洲欧美清纯卡通| 久久热精品热| 欧美成人免费av一区二区三区| 欧美午夜高清在线| 成人精品一区二区免费| 女人十人毛片免费观看3o分钟| 欧美区成人在线视频| 日韩有码中文字幕| 一级a爱片免费观看的视频| 尤物成人国产欧美一区二区三区| 国产成人福利小说| 99国产精品一区二区三区| 亚洲精品久久国产高清桃花| ponron亚洲| 一级av片app| 久久久久久久久大av| 成人一区二区视频在线观看| 一个人免费在线观看电影| 一个人看的www免费观看视频| 精品欧美国产一区二区三| 亚洲真实伦在线观看| 成熟少妇高潮喷水视频| 亚洲国产欧洲综合997久久,| 国产伦一二天堂av在线观看| 最后的刺客免费高清国语| 日本免费一区二区三区高清不卡| 91麻豆av在线| 中文字幕av在线有码专区| 在线观看美女被高潮喷水网站 | 国产黄色小视频在线观看| 麻豆成人av在线观看| 精品人妻熟女av久视频| 欧美bdsm另类| 国产探花在线观看一区二区| 国产伦人伦偷精品视频| 欧美最新免费一区二区三区 | 成人特级黄色片久久久久久久| 国产成人av教育| 少妇丰满av| 色尼玛亚洲综合影院| 国产主播在线观看一区二区| 亚洲男人的天堂狠狠| 最新中文字幕久久久久| 亚洲欧美精品综合久久99| 国产三级在线视频| 久久99热6这里只有精品| av在线观看视频网站免费| 久久久久性生活片| 午夜福利在线在线| 一级黄片播放器| 国产av在哪里看| 最新在线观看一区二区三区| 精品久久久久久,| 性欧美人与动物交配| 亚洲国产精品999在线| 男人狂女人下面高潮的视频| 欧美日本亚洲视频在线播放| 日本三级黄在线观看| 国产一区二区在线av高清观看| 搞女人的毛片| 久久久色成人| 五月伊人婷婷丁香| 国产探花在线观看一区二区| а√天堂www在线а√下载| 亚洲中文字幕一区二区三区有码在线看| 夜夜夜夜夜久久久久| 国产私拍福利视频在线观看| 久久久久免费精品人妻一区二区| 久久久久九九精品影院| 欧美日本亚洲视频在线播放| 国产高清三级在线| 99国产综合亚洲精品| 欧美日韩综合久久久久久 | 亚洲男人的天堂狠狠| 九色成人免费人妻av| 久久久久国产精品人妻aⅴ院| 精品一区二区三区视频在线| 国产一区二区在线观看日韩| 国产av麻豆久久久久久久| 久久久久久久精品吃奶| 日本免费一区二区三区高清不卡| 国产成人啪精品午夜网站| 国产精品日韩av在线免费观看| 看十八女毛片水多多多| 亚洲人与动物交配视频| 国产免费av片在线观看野外av| 成人精品一区二区免费| 最近视频中文字幕2019在线8| 国产成+人综合+亚洲专区| 噜噜噜噜噜久久久久久91| 日本熟妇午夜| 国产人妻一区二区三区在| 欧美bdsm另类| 波多野结衣巨乳人妻| 午夜福利在线观看吧| 午夜免费成人在线视频| 国产高清三级在线| а√天堂www在线а√下载| 在线天堂最新版资源| 亚洲最大成人手机在线| 国产高潮美女av| 51国产日韩欧美| 最好的美女福利视频网| 亚洲精品456在线播放app | 99在线人妻在线中文字幕| 少妇的逼水好多| 少妇裸体淫交视频免费看高清| 国产精品乱码一区二三区的特点| 亚洲精品影视一区二区三区av| 久久热精品热| av黄色大香蕉| 国产黄色小视频在线观看| 悠悠久久av| 亚洲美女搞黄在线观看 | 白带黄色成豆腐渣| 亚洲成人久久爱视频| 色综合亚洲欧美另类图片| 亚洲一区二区三区不卡视频| 亚洲av熟女| 日韩精品中文字幕看吧| 91字幕亚洲| 在线看三级毛片| 人人妻,人人澡人人爽秒播| 久久久国产成人精品二区| 日韩欧美精品v在线| 性欧美人与动物交配| 日韩成人在线观看一区二区三区| 精品午夜福利视频在线观看一区| 久久国产乱子免费精品| 国产单亲对白刺激| 亚洲 国产 在线| 老司机福利观看| 色噜噜av男人的天堂激情| 精品久久久久久久久久免费视频| 淫秽高清视频在线观看| 熟妇人妻久久中文字幕3abv| 亚洲黑人精品在线| 永久网站在线| 非洲黑人性xxxx精品又粗又长| 深夜a级毛片| 级片在线观看| 精品久久久久久久久av| 亚洲一区二区三区不卡视频| 国产精品久久久久久人妻精品电影| 亚洲国产高清在线一区二区三| 亚洲人成电影免费在线| 久久国产乱子伦精品免费另类| 尤物成人国产欧美一区二区三区| 免费高清视频大片| 99国产精品一区二区三区| 久久午夜亚洲精品久久| 色在线成人网| 亚洲第一电影网av| 久久精品国产亚洲av香蕉五月| 高清在线国产一区| 国产一区二区激情短视频| 99国产精品一区二区三区| 毛片一级片免费看久久久久 |