基于支持向量机的风险投资项目风险预警实证研究

李春宇(东北财经大学 统计学院，辽宁 大连 116025)

基于支持向量机的风险投资项目风险预警实证研究

李春宇
(东北财经大学 统计学院，辽宁 大连 116025)

风险投资是推动创新的重要力量。风险投资推动创新企业的发展，创造新的经济发展模式。但风险投资项目通常面对较高的风险，对其进行风险预警管理具有重要意义。本文在对风险投资项目进行充分的风险识别基础上，构建风险投资项目的风险预警指标体系，并利用支持向量机建立风险投资项目的风险预警模型，从而对风险投资项目进行风险预判，帮助项目管理者对较高风险项目进行风险防范和处理，避免风险发生或降低风险损失，保证风险资本收益。

风险投资；风险预警；支持向量机；风险资本

一、引 言

早在1912年，著名政治经济学家熊彼特就在其著作《经济发展理论》中指出，创新是经济发展的内在因素，在经济发展中起着决定性的作用。经过三十多年的发展，中国经济正在深深地验证着这一点。风险投资是促进创新的重要力量。风险投资作为创新的投融资机制，将资本、技术、管理与企业家精神等多种因素结合在一起，支持创新企业的发展。在过去的几十年里，世界范围内的风险投资业得到发展。在很多发展中国家和新兴国家，具有风险投资背景的企业已经成为全球技术创新、经济增长和提供就业的重要驱动力。而发达国家多年发展风险投资的经验表明，风险投资加速了企业创业创新的速度，促使新兴产业经济的发展，并形成了国家未来的经济竞争力。

美国是全球风险投资的领导者，具有很好的运行体系和市场体系支持风险投资的发展。著名学者Gompers等[1]研究发现风险资本的支持是过去近二十年美国新创企业促进创新增长的原因之一。Lerner[2]研究发现风险资本对美国技术创新的贡献大约是其他资本的3倍。而风险投资支持企业的研究与发展经费支出只占美国研究与发展经费支出的3%，但却带来14%的工业创新。许多大型的跨国公司，如微软、谷歌、英特尔、苹果、星巴克和Facebook等都是在风险投资基金支持下建立起来的。因此，风险投资被视为催生新产业、创造就业并促进经济增长的推进器。

由于风险投资主要投资于创新企业，而创新企业在其发展过程中将面对不同的风险，如技术是否能够开发成功，产品能否开发出来、能否生产出来、能否销售出去，企业家能否管理企业而实现收益。作为一种创新的投融资机制，风险投资最终追求的仍然是资本的增值。只有在合理管控风险的前提下，才能获得收益；只有合理防范风险和控制风险，才能获得与高风险相匹配的高收益。因此，风险投资的风险管理研究显得愈发重要。

相较于传统的亡羊补牢式的“回溯性”风险管理，对风险投资项目运行中可能出现的风险，采取超前的预先防范的管理方式，其重要意义在于防患于未然。因此，对风险投资项目进行风险预警意义重大。

国内一部分学者在研究风险投资运行机制、风险投资项目运行规律的基础上，提出了对风险投资项目进行风险预警。

部分学者讨论了对风险投资项目进行风险预警的不同理解。高维义等[3]认为风险预警是通过一系列技术手段对特定经济主体进行系统化连续监测，提早发现和判别风险来源、风险范围、风险程度和风险走势，并发出相应的风险预警信号。孙琪和陶学禹[4]认为风险投资的预警管理是运用风险投资和预警管理的基本原理，对风险投资运作过程中所出现的管理波动和管理失误进行监测、分析和控制。他们认为对风险投资进行风险预警管理的目的是在提示风险投资管理波动的基础上，构建风险投资的防错、纠错功能机制，为全方位地揭示风险投资活动的安全机理与成功机理，提供一种适用于各种境况变化的具有普遍适用意义的管理理论方法体系。

部分学者讨论通过建立风险投资项目风险预警系统对项目进行风险预警管理。如高维义等[3]和杨艳萍[5]认为应该对风险投资项目建立完整的风险预警系统。高维义等[3]认为在风险投资中应该引入风险预警系统，具有如下作用：第一，风险预警系统可以对风险状况进行动态、实时的监测；有效地弥补投资风险识别前的薄弱环节，提高风险识别与分析的效率和质量。第二，在危险信号出现时，预警系统可以及时报警，有效地提高风险监管效率及非现场监管的及时性和准确性，使风险管理具有前瞻性。第三，可以对警情做出准确、科学的判断。高维义等[3]和杨艳萍[5]分别对风险投资项目的风险预警系统进行了设计。高维义等[3]认为系统应该包括5个组成部分：风险信息系统、预警评价指标体系、预警评价与推断系统、报警系统，以及预警防范措施。杨艳萍[5]认为系统应该包括组织机构、指标体系、实施过程和应急措施等。

从为数不多的文献中可以看出，当前国内外对于风险投资项目风险预警的研究成果十分有限，基本上处于理论层面。而且对于风险投资项目的风险预警机制及风险预警系统各部分的具体组成、职能、在系统中的相互关系及相互作用等都需做进一步的讨论。同时，研究中所采取的方法主要是定性研究方法。这些都使风险投资项目的风险预警研究大大落后于中国当前的风险投资实际需要。本文在已有研究的基础上，对风险投资项目进行充分的风险识别，构建风险投资项目的风险预警指标体系，在此基础上利用支持向量机建立风险投资项目的风险预警模型，从而对研究的风险投资项目进行风险预判，帮助项目管理者对于较高风险项目进行风险防范和处理，避免风险发生或降低风险损失，保证风险资本收益。

二、风险投资项目风险预警指标体系构建

风险投资项目的风险预警指标体系要能够及时、准确地在风险发生之前对风险进行预警，以便采取措施控制风险因素的发展变化，避免风险事件的发生；或提前有所准备，控制并减少风险损失。

依据于多种项目风险识别方法，秉承科学性、主动性、动态性和前瞻性等构建原则，通过阅读大量的文献资料并访谈专家学者，最终依据风险投资项目的风险来源，将风险投资项目的风险分为技术风险、生产风险、市场风险、管理风险、财务风险和环境风险[6]-[10]，并分别选取能够反映相应风险因素的预警指标，最终构建了包括25个指标的风险投资项目风险预警指标体系。

技术风险是在风险投资项目运行过程中，由于技术本身的不确定性或出现可替代的新技术等技术因素导致项目创新失败，风险投资无法收回的可能性。基于技术的社会属性和自然属性，分别从技术的社会环境适应性、技术成功的不确定性、技术优势的不确定性和技术前景的不确定性等方面讨论风险投资项目的技术风险，最终选取6个指标：技术政策及相关法律、法规的调整，技术对于自然环境造成破坏，技术较难掌握或较难实施，技术所在领域的技术积累和发展潜力不高，技术的专利和知识产权等保护不足，技术的竞争程度高。

生产风险是指风险投资项目的新产品开发成功之后，由于生产人员素质、生产设备水平、原材料与能源供应等因素而引起的投资项目预期生产能力的不确定性。基于各生产要素对项目生产的支撑情况，最终选取2个指标：生产人员不能满足生产的需要，原材料与能源供应不能满足生产的需要。

市场风险是指由于风险投资项目产品自身或市场的不确定性而使产品难以销售，使风险资本面临亏损的可能性。市场风险大小取决于项目产品特性和市场的不确定性。一方面从产品独特性、产品生命周期、产品可替代性等方面讨论产品特性；另一方面从市场需求、市场容量、市场接受时间、市场扩散程度等方面讨论市场的不确定性，最终选取5个指标：产品的独特性不足，产品处于生命周期的前端、市场不了解产品，市场需求的不确定性高，市场接受时间的不确定性高，市场竞争的不确定性高。

管理风险是指风险企业经营过程中由于管理不善而使风险投资失败的可能性。风险投资项目管理风险的大小，既取决于人的因素，也取决于制度因素。人的因素包括风险企业家和主要管理人员的经验、个人能力、品格、身体健康状况、追求成功的欲望等，以及整个管理团队的构成及其合理性、和谐程度等[11]。制度因素则要考虑风险企业的组织结构、管理制度、决策过程、激励机制等[12-13]，最终选取5个指标：风险企业家缺乏经验，管理团队专业知识及能力结构不合理，管理团队凝聚力不足，风险企业的组织结构不合理，风险企业的决策过程缺乏有效性。

财务风险是指风险企业在经营过程中因自身财务状况，如盈利能力差、营运能力较弱、无法偿还债务和缺乏增长能力等因素所引发的风险。分别从盈利能力、营运能力、偿债能力和增长能力等方面讨论风险企业的财务状况，并据此对风险企业的财务风险进行评价，最终选取4个指标：风险企业盈利能力不强，风险企业营运能力不强，风险企业偿债能力不强，风险企业增长能力不高。

环境风险是指风险投资项目受到超出其行为主体控制范围的经济、社会和法律政策等环境因素的影响而遭受损失的可能性。环境风险因素对于风险投资的影响路径，包括宏观路径和微观路径。在宏观上，环境风险因素会影响风险投资行业的发展，影响整个行业的规模和发展速度。在微观上，环境因素的变化会影响每个具体的风险投资项目的运行及收益实现，最终选取3个指标：资本市场发展不完善，社会信用水平不高，风险投资相关法律法规政策不健全。

三、基于非线性支持向量机的风险投资项目风险预警模型

风险投资项目风险预警要依托于项目的风险数据，而项目的风险数据通常都是保密的，这就决定了风险投资项目预警系统的建模在更多情况下是小样本、高维度、非线性和存在噪声的复杂的建模问题，基于支持向量机的理论基础及广泛应用，无疑是解决风险投资项目风险预警问题的重要方法和途径。

(一)支持向量机原理

支持向量机是基于统计学习理论的方法。统计学习理论是专门研究在小样本的情况下机器学习规律的理论。针对小样本统计问题，统计学习理论建立了一套全新的理论体系，该理论体系不仅考虑了对渐近性的要求，而且追求在有限样本条件下得到最优结果。

支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小化原理基础之上的，根据有限的样本信息在模型的复杂程度和学习能力之间寻求最佳的折中，希望获得最好的推广能力。在支持向量机中，引入了核函数，将原始空间中的数据非线性映射到一个高维特征空间中，在高维特征空间中构造线性函数进行判别。通过对训练样本进行学习，支持向量机可以自动找出那些对分类有较好区分能力的支持向量，由此构造出的分类器可使类与类之间的间隔达到最大，因而具有较好的推广能力和较高的识别率。支持向量机由各样本类所在区域的边界样本的类别来区别最后的分类结果，通过最大化类与类之间的间隔实现结构风险最小化。

支持向量机具有如下优点：第一，支持向量机是专门针对有限样本情况的方法。其目标是得到现有信息下的最优解，而不仅仅是样本数趋于无穷大时的最优解。第二，支持向量机的算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题。第三，通过引用核函数，支持向量机将实际问题通过非线性变换转换到高维特征空间(Feature Space)，在高维特征空间中构造线性判别函数来实现原空间中的非线性判别函数，能保证机器有较好的推广能力，同时它巧妙地解决了维数问题，其算法复杂度与样本维数无关。

(二)非线性支持向量机建模过程

用支持向量机解决非线性问题时，是将样本映射到高维特征空间，将高维特征空间中的内积用核函数代替。

设非线性映射为Φ：x→Φ(x)∈H，则高维特征空间的最优分类超平面为：

w∈Φ(x)+b=0

(1)

最优分类超平面用二次规划可以表示为：

ξi≥0，i=1，2，…，n

(2)

其中，C为惩罚参数，C值越大，表示对错误分类的惩罚越大。对应的拉格朗日函数为：

s.t.αi≥0，βi≥0

(3)

得到的对偶优化问题为：

(4)

用核函数代替内积，即k(xi，xj)=Φ(xi)·Φ(xj)，则有：

(5)

若a*为最优解，则判别函数为：

(6)

通过以上处理，就无需求解非线性映射Φ，即通过核函数避免了因为维数过高而产生的维数问题。

利用非线性支持向量机进行分类的具体步骤如下：第一步，选择参数C和核函数k。第二步，找出最优的a*和支持向量。第三步，计算b*。第四步，求得最优分类面函数f(x)。第五步，利用非线性支持向量机对测试样本进行分类，对模型预测效果进行评价。

四、数据搜集及数据处理

(一)数据搜集

由于风险投资机构所管理的风险资本具有不同的规模、运行周期，而且每个投资机构具有不同的行业倾向和阶段倾向，对于项目选择和管理具有不同的规则和要求，这些因素形成了机构的竞争力。基于以上原因，风险投资机构对于项目信息管理是比较严格的，这使得本文进行定量研究的数据主要通过访谈和调查问卷的形式获得。通过对风险投资及风险管理领域文献的大量阅读，对多位风险投资家和项目经理进行多次访谈，向风险投资领域的专家学者进行意见征寻，并进行小样本问卷测试，确定了最终的调查问卷。在调查问卷中主要利用李克特量表中最常用的5级量表，利用数值1到5表示各风险因素对于风险投资项目的影响由低到高，即代表该风险因素对项目的影响程度由最低到最高。

在本次调查中，分别向哈尔滨、苏州、上海、北京的风险投资机构发放问卷190份，回收问卷150份，有效问卷108份。问卷主要由风险投资家、风险投资机构中高级管理人员及项目经理填写，占比90%。项目中有95个项目是民营项目，占比88%。风险投资项目分布于不同的城市，苏州、哈尔滨、北京、上海、广州、杭州、深圳、南京、成都、厦门、无锡、武汉和昆明等，其中，苏州的项目有37个，占比34%，哈尔滨的项目有34个，占比31%，上海的项目有10个，占比10%，北京的项目有6个，占比6%。

项目分布于各个行业，包括互联网、高科技技术、高科技服务、消费产品和服务、生物医药、金融服务、媒体和娱乐业、医药保健、环保、计算机、农业和食品安全等。有关互联网的项目最多，项目涉及TMT、互联网教育、互联网旅游商务和移动互联网等，共包括23项，占比21%。高科技技术类项目共17项，包括生物科技、信息技术、新能源与高效节能技术等，占比17%。医药保健、高科技服务、消费产品和服务类项目分别为16项、15项和13项，共占比40%。

项目处于不同的阶段，处于管理阶段的项目为80个，占比74%。处于评估阶段、投资协议设计阶段和退出阶段的项目占比分别为9%、15%和2%。项目也处于不同的时期，种子期、创建期、成长期、扩张期和成熟期项目占比分别为20%、40%、26%、7%和7%。种子期和创建期项目的投资金额主要集中在100万元以下及100万元—300万元之间，占比为77%。处于成长期的项目其投资金额分布比较广泛，投资金额高的达到10 000万元以上，低的为100万元以下，与投资机构对项目的估值有关。处于扩张期和成熟期的项目投资金额普遍较高，处于3 000万元以上的项目占比为60%。

(二)构造训练样本集和测试样本集

构建支持向量机模型，需要利用训练样本集对模型进行学习训练，然后利用测试样本对模型效果进行评价。通常情况下，网络要具有较高的泛化能力，需要更大的训练样本。因此，对于收集到的108个风险投资项目的风险数据，选取其中在98个项目进行训练，利用10个样本进行测试，通过模型的预测结果与实际项目风险状况进行比较，评价模型的预测精度。

(三)数据的预处理

在模型构建中，是否对数据进行预处理以及采取什么方法对数据进行预处理会影响模型最终的预测分类准确率[14]。经过比较分析，利用最大最小法对108个风险投资项目的风险预警指标和风险后果指标数据进行归一化处理。最大最小归一化方法是对原始数据的线性变换，如式(7)所示：

(7)

其中，x和y是转换前和转换后的值，Amin和Amax分别为属性A的原始值中的最小值和最大值。最大最小法将指标A的原始值x映射到区间[newAmin,newAmax]，得到y。

五、警度分类、预警准则和样本警度预判

(一)警度分类

风险投资项目风险预警是对项目风险的警度进行预报。本文将风险投资项目风险的警度分为低度风险、中度风险和高度风险。低度风险是指风险投资项目运行状态良好，各项风险因素处于较低水平，项目在预期和计划内平稳运行。当项目处于低风险状态时，只需要对项目进行常规监测，预防某些风险因素向不利于项目的方向发展变化。中度风险是指某些风险因素的发展变化已经对项目造成一定的影响，虽然并没有造成严重的风险后果或项目运行对计划的偏离仍然在可接受的范围之内，但应该引起投资机构的重视。当项目处于中度风险状态时，应采取必要的风险控制策略，消除风险或控制风险进一步扩大。高度风险是指风险因素的发展变化已经严重影响项目运行，使项目偏离预期计划达到不可容忍的程度，将影响风险投资机构预期目标的实现。当项目处于高度风险状态时，可能直接导致项目失败，必须采取应急的风险控制措施阻止风险进一步恶化，如果措施无效，机构应考虑退出项目。

(二)预警准则

为了对项目的风险状态进行准确预报，首先应该明确预警的准则，即评价风险投资项目风险状况的原则和标准，用于指导在不同情况下预警系统是否应该发生警报及发出何种程度的警报。本文主要依据预警指标所反映的项目风险及项目运行状态与风险投资机构预期之间的差异程度确定项目风险的警度。具体的预警准则如下：

首先，依据项目运行状况与机构预期的差异程度进行判断。判断依据是项目风险状态的调查结果，即项目当前在技术、生产、市场和财务等领域运行水平与风险投资机构预期目标的差异程度。差异程度由小到大标记为1—5：1表示与预期目标无差异或基本无差异；2表示有差异但差异程度较小；3表示差异为中等程度，如果差异再增加就不能接受；4表示差异大且不能接受；5表示差异极大不能接受。如果在项目风险状态调查中，有一个或多个领域出现“差异大且不能接受”或“差异极大不能接受”，则判断项目处于高度风险状态。

其次，当项目风险状态没有显现上面陈述的情况时，主要根据项目预警指标所反映的风险情况进行判断。由于风险投资项目进入项目的时期不同，对于项目信息的掌握情况是不同的，种子期和创建期的信息不对称程度最高，其不确定性也是最高的。对于收集的108个项目信息进行均值分析，进一步验证了这个结论。

从总体上看，种子期项目各预警指标的均值最高，其次是创建期项目、成长期项目、扩张期和成熟期项目。从统计理论上，种子期项目、创建期项目、成长期项目及扩张期和成熟期项目全部的风险预警指标所构成的概率分布情况是未知的，所以对不同时期风险项目风险预警指标的均值进行非参数假设，检验均值样本是否来自于同一总体，在此基础上判断不同时期项目的风险水平是否一致。非参数检验方法主要利用多样本Kruskal-Wallis检验和中位数检验。前者是利用样本的平均秩进行检验，后者是比较多组样本的中位数是否存在显著性差异。非参数检验结果如表1所示。

表1 不同时期项目风险数据非参数检验结果1

从以上结果可以看出，在5%的显著性水平下，不同时期项目风险数据的分布和中位数相同的原假设都被拒绝了。不同时期项目风险数据具有不同的分布。而且不同时期项目风险数据也具有不同的中位数，如表2所示。

表2 不同时期项目风险数据非参数检验结果2

中位数种子期项目3 071创建期项目2 846成长期项目2 600扩张期和成熟期项目2 330全体中位数2 769

种子期项目风险预警指标数据的中位数是最高的，其次是创建期项目，而且处于这两个时期的项目风险预警指标的中位数要高于全体数据中位数。成长期项目以及扩张期和成熟期项目的中位数均低于前两类项目，也低于全体中位数，分析结果与表2是一致的。

不同时期项目风险是有所差异的。所以处于不同时期的项目，其风险状态应该和项目所处时期的其他项目进行比较，再进行判断。故对于并没有严重风险后果的项目，主要依据该项目与该项目所处时期的均值进行比较，如果高于均值，则认为项目处于中度风险状态；如果与均值无差异或低于均值，则认为项目处于低风险状态。

(三)样本警度预判

依据以上介绍的警度分类方法及风险预警准则，对收集到的108个风险投资项目风险状态进行风险预判。现在以项目6为例进行说明。项目6是位于苏州的所属行业为金融服务的种子期项目，目前处于管理阶段，投入金额为100万元以下。该项目的高层管理人员对项目当前风险状况进行评价。

根据上面确定的准则，该项目不属于高风险项目。考虑该高层管理人员对于项目各风险预警指标的评价，评价结果与所调查的所有种子期项目各预警指标平均取值的结果可绘成折线图。从图中可以看出，项目6风险预警指标体系中各指标值与种子期各风险预警指标均值相比，有的高于均值，有的低于均值。从图形上无法判断该项目属于中度风险或低度风险。基于不了解种子期项目风险指标的分布情况，利用非参数检验对项目6和种子期项目均值进行比较。采用的检验方法是Wilcoxon符号秩检验。该检验方法不仅考虑两个样本中配对数据之差的符号，而且充分利用差值的大小，检验效能较好。检验结果发现，项目6和种子期项目均值之间有显著差异，且项目6各风险预警指标的均值为2.7，低于项目均值的均值3.1，所以判断项目6为低风险项目。

依据以上标准，对108个项目的风险状况分别做出判断。有33个项目是低度风险项目，设为类别一；31个项目是中度风险项目，设为类别二；44个项目是高度风险项目，设为类别三。并据此构建风险投资项目的风险预警模型。

六、实证结果分析

根据对108个风险投资项目的风险预判，选择其中的98个项目训练样本，10个作为预测样本。主要利用svmtrain函数进行非线性支持向量机预警模型的训练和预测。所采用的核函数是径向基函数，惩罚参数C和核函数参数是按照如下原则确定的：即让惩罚参数C和核函数参数在某一范围内离散取值，取使得最终测试集分类准确率最高的值作为最佳的参数。最终确定惩罚参数值为2，核函数参数值为1。

模型经过43次迭代后得到训练集的拟合准确率为100%，测试集预测准确率为80%。测试样本3和样本9的预测结果与实际结果有偏误。基于抽样代表性的考虑，仍然采取随机样本分配，将以上结果整理如表3所示。

表3 SVM分类器分类结果与实际对比

从表3可以看出，在测试的10个随机样本中，低度风险、中度风险和高度风险的项目分别有1项、3项和6项，其中，中度风险项目的预测准确率为100%，6个高度风险项目中有5个预测是准确的，1个低度风险项目被错误识别为中度风险项目。可以看出，中度风险和高度风险项目的预测准确性还是比较高的。

利用非线性支持向量机模型对风险投资项目进行风险预警，具有较高的预测准确性，且训练样本集的拟合精度是完全准确的，其经验风险是最小的。该模型不仅较好地说明了训练样本的变动，且具有较好的推广能力，可以比较好地解决风险投资项目风险分类及预警。

任何模型的应用都是对现实的模拟和简化，没有任何一个模型能够完美地诠释现实情况。对于任何一个风险投资项目，影响其变动的风险因素是众多的、复杂的、时刻变动的，要捕捉到风险因素变动对项目风险的影响不能仅仅依靠一个模型，要不断地根据所研究的项目自身特点优化风险预警指标体系，从而得到更加精确的预测结果，更有助于确定项目的风险状态。可以避免将低风险项目高风险化，提高监管成本；更重要的是避免将高风险项目低风险化，这将导致错失及时实施相应风险应对策略的时机，导致风险恶化，甚至导致项目失败。

[1] Gompers,P.，Kovner,A.，Lerner,J . Venture Capital Investment Cycles:The Impact of Public Markets[J].Journal of Financial Economics，2005，87(1)：1-23.

[2] Lerner，J.Economics:The Problematic Venture Capitalist[M].New York：AMER ASSOC Advancement Science, 2000.98-108.

[3] 高维义，钱刚毅，谢科范.中国风险投资监控管理模式分析[J].科技进步与对策，2002，(8)：74-75.

[4] 孙琪，陶学禹. 风险投资预警管理的预控对策[J]. 经济管理，2004，(7)：52-54.

[5] 杨艳萍.风险投资的风险识别、评估与控制分析[J].经济师，2003，(7)：34-35.

[6] Macmillan,L .C.，Zemann,L .，Subbanarasimha, P.N. Criteria Distinguishing Successful from Unsuccessful Ventures in the Venture Screening Process[J].Journal of Business Venturing ,1987，2 (2): 123-137.

[7] Eckhardt, J.T.， Shane,S.，Delmar，F. Multistage Selection and the Financing of New Venture[J].Management Science，2006，52(2):220-232.

[8] 钱水土，周春喜.风险投资的风险综合评价研究[J].数量经济技术经济研究，2002，(5)：45-48.

[9] 魏星，夏恩群，李全兴.风险投资项目决策中的风险综合评价[J].中国软科学，2004，(2)：153-157.

[10] 候文祥.高新技术产业风险投资的风险评价及防范[J].改革与战略，2013，(6)：55-57.

[11] Llies,R.，Scott,B.A, Judge,T.A.The Interactive Effects of Personal Traits and Experienced States on Intraindividual Patterns of Citizenship Behavior[J].Academy of Management Journal，2006，49(3)：561-575.

[12] Ployhart,R.E.，Baughman,K.The Structure and Function of Human Capital Emergence：A Multilevel Examination of the Attraction-Selection-Attrition Model[J]. Academy of Management Journal，2006，49(4)：661-677.

[13] Ballinger， G.A.，Schoorman, F.D.Individual Reactions to Leadership Succession in Work Groups[J]. Academy of Management Review，2007，32(1)：118-136.

[14] 王小川. Matlab神经网络43个案例分析[M]. 北京：北京航空航天大学出版社，2013.188-190.

(责任编辑：韩淑丽)

2016-12-16

李春宇(1981-)，女，黑龙江巴彦人，讲师，博士研究生，主要从事风险投资和城镇化研究。E-mail:happychunyu@sohu.com

F832.5

A

1008-4096(2017)02-0075-07