基于BP-Markov模型的技术创新融资风险耦合分析

崔晓辰，陆国庆

（湖南大学 金融与统计学院，长沙 410006）

0 引言

随着世界各国对于技术创新的重视，越来越多的产业创新面临路径选择与风险控制的双重压力与挑战。风险控制不仅仅是产业创新的重要改进突破口，更是创新主体如何进一步实现高效创新的关键。而对于广大中小企业的技术创新而言，如何突破自身资金、技术支持与规模瓶颈，是实现技术创新与风险规避的本质内在[1]。何亚玲等（2015）[2]分别利用ANP模型对技术创新融资风险进行了测度分析。然而，BP神经训练作为一种按误差逆传播算法训练的多层前馈网络，将仿生学原理与数据测度分析结合，于1986年由Rumelhart和McCellandp[3]提出，之后由Sammut等（2011）[4]做出了模型的改进与参数选取的路径修正，然而这一过程仍然存在选取指标与主体之间内部叠合作用对精度解释的干扰。而利用BP框架进行降维是一个基于Markov机理框架的方法创新，利用两者的耦合性可以提高不同指标在主体内部以及外部影响因素之间的关联解释能力[5]。另一方面，随着神经训练的仿生应用逐步推广，BP神经网络、遗传算法、主成分分析逐步计入到跨学科应用的范畴。期间，BP神经网络被提出与Markov链的结合，在软件对样本问题预测过程中的叠合信息剔除[6]；马尔科夫链同时也在基础BP架构的测度评估方法上获得了指标选取的改良[7]。在这个基础上，投资绩效的预测、风险评估以及预测都成为BP神经训练的主要应用范畴。但与一般的训练预测和评估不同，创新的风险评估分析，往往侧重风险与创新叠合的分值方向领域，这使得神经训练应用更为细化。

本文将传统BP神经训练与Markov链进行结合，按照不同主体的评估赋值进行对比反馈信号差的分层分析；再结合马尔科夫链将获得BP训练强信号指标进行量化分解；最终将获得技术创新内源性风险控制与外部融资风险影响的关联分离，从而解析技术创新对主体融资风险的影响。

1 BP神经网络以及Markov改进模型

1.1 风险规避行为信号叠合处理的神经网络训练设定

首先，本文针对每个技术创新风险过程的评估按照Markob网络结构进行分解，对每一个样本通过技术创新能力、产品市场占有率、技术创新产权、政策支持进行隐含层节点数的确定。其中，每个隐含层输入节点的对比反馈信号差的分层分析可以按照基本Markov适应度函数进行调用：

同时，为削减不同技术创新融资的风险影响，特别是其中技术创新主体自身对于风险识别乃至规避的行为，对于所选样本指标的技术创新投入在主体自身规避风险过程中的投入，进行了样本训练基数的叠合剔除。即通过式（1）中的向量差接近值进行重累积，再按照式（2）进行向量差叠合误差修正：

式（2）负责刻画的是在每一个叠加信号序列中，按照样本原始值与其在不同叠合样本中存在不同向量矩阵对应系数的乘积累加。再通过层级累积，剔除每一层内原始样本向量总输出值与BP训练输出的信号弹性系数λn。

最后，对于经过层级累积后叠加信号序列进行结合马尔科夫链将获得BP训练强信号指标进行量化分解：

该类分解基于基础的BP神经网络训练获得样本信号值以及经过叠合剔除的神经训练而成（见图1）。

图1 基于风险规避自主行为剔除的叠合处理BP训练集

1.2 叠加剔除的BP-Markov归一化处理

一般而言，适用于样本反馈值灵敏度的Markov异步状态是按照灵敏度矩阵获得，即：

通过式（3）可以剔除对主体技术创新过程自身风险规避的行为对整个技术创新融资风险分析的影响。但剔除后经过BP神经网络训练的样本对关联信号的反馈形成了数据非归一化的反馈特征，因此须进一步经过叠合剔除处理的样本向量集进行归一化矩阵处理：

综上所述，在维持性血液透析治疗中开展心理护理干预，有助于患者负性情绪的缓解和消除，在改善预后和确保治疗的顺利进行方面存在积极的影响。

由此，最终获得包含样本数据叠合行为分离的清晰信号值，将基于式（5）的叠合创新融资风险规避行为剔除后的样本信号反馈进行重写训练向量方差累积，再以剔除后无叠合部分的非归一化训练样本进行Markov验证（见图2）。图2所示的训练模式基于前一种训练结果的训练模式行为递进剔除，形成了包含叠合单元剔除后完备且精简的反馈信息。即可以直接对比的技术创新融资风险评估对象样本整理集，确保每组信号值具备归一化的信号向量矩阵。

2 技术创新融资风险评估指标

为进一步克服基础BP神经网络给技术创新融资风险验证过程收敛趋同带来的精度削减问题，本文将基础BP神经网络结合马尔科夫进行基于样本风险评估赋值的Markov链式遗传算法阈值优化。首先，确立技术创新能力、产品市场占有率、技术创新产权，以及政策支持作为技术创新的自我改进以及外部支持等方面的指标，具体测算方法如表1所示。

图2 剔除叠合后的BP-Markov归一化处理

表1 技术创新融资风险测度

同时，本文结合上市企业财务、技术顾问、管理层等人员针对所选指标对应的13个上市企业样本进行技术创新融资风险评估赋值，表2对于以上融资风险相关指标分解进行了统计分析。

表2 样本数据统计分析

从验证样本的综合风险评估来看，仅有两个上市样本企业在选取指标的原始数据上报告低于0.05的风险评估赋值。说明就原始数据而言，大部分上市企业样本对于选取指标一致认可。同时，从产品市场占有率这一选取指标的原始风险评估值来看，也仅有一个原始样本上市企业有低于0.05的评估值，可以看出无论是技术创新能力、产品市场占有率，还是技术创新产权覆盖率，以及政策支持都对技术创新的融资风险削减有同向原始信号关联特征。

将上述13个上市样本企业作为分析研究对象，并就其中的风险估值原始数据的累计贡献率进行分析，结合SPSS21.0获得各个影响企业技术创新融资风险指标的累计方差。简单分析结果显示，获得80%以上累计方差贡献率的样本数量，占全部验证样本的65%以上。由此，本文以样本所选取指标的方差以及累积方差贡献率进行进一步测度。表3报告了基于SPSS21.0计算获得的样本企业平均累计方差结果。

表3 主成分分析

从表3可以看出，不论是技术创新能力、产品市场占有率，还是技术创新产权覆盖和政策支持，各因子对应的风险评估基础值的方差以及累积方差都表现出相对的独立性，但是集中偏低的方差，并未直接指向累积方差贡献率，说明上述因素的选择也均存在相对独立性。另外，技术创新产权覆盖率成为样本评估自选因素中的最高累计方差的选取指标，其累计方差贡献率达到78.456%。可见各个上市企业在自身产品的选择以及总体均值表现出相对的发散，而不同指标之间的方差差值未超过15%，因此需要对不同选取指标进行进一步的特征向量矩阵标度分析。

3 技术创新融资风险耦合分析

根据上述分析，将各个具有显著特征的指标，分别按照1～5划分为完全不同意、不同意、可以、同意，以及完全同意五个指标判定等级，对应李克特五级量表。再按照13个样本企业主体内部管理人员对于技术创新及其融资风险评估予以赋值，并对二级指标主成分进行分析，其中得分比重按照相应的指标体系进行向量集的隶属度测度，即：

其中，oppro、opetp分别负责刻画的是专家组以及13个样本企业内部管理人员对于主体技术创新与融资风险的选取指标评估意见，按照1～5级进行比重的隶属度测算如下：

通过每一样本主体以及专家之间的评估向量隶属度可以获得经过修正的主成分分析指标信号，且按照信号强弱可以获得如式（8）所示的向量指标矩阵。将其中存在自身组织风险和技术创新融资风险交叠的信号剔除，从而提升耦合BP-Markov对技术创新融资风险所选指标风险的BP训练精度。式（6）和式（7）所得的技术创新指标可按照矩阵（8）进行进一步的BP训练精度调整。

基于式（8），除完全不同意之外的四层级对比中显著一方要素的重新耦合模式训练成分分析结果如表4所示。

表4 基于耦合BP-Markov改进的主成分分析结果

从表4可以看出，每一层指标的主成分分析对应的专家意见以及参与样本主体的技术创新内部管理都获得了较为平稳的验证序列结果。其中标准差和方差贡献率都为技术创新融资风险的关联解释构造出趋减的改进主成分分析结果。并且相较于方差贡献率，标准差（从2.165降至0.582）具备的意见级差要相对较小；方差贡献率在1级和2级表现出相对接近的主成分分析结构。由于标准差在递推一级的评估估计赋值中有类似的表现，表明按照耦合BP-Markov在完全不同意、不同意的评估赋值表述、不同意与可以的评估赋值上有待进一步细化。

而与此同时，累计贡献率则逐步趋增，说明耦合BP-Markov在技术创新能力、产品市场占有率以及技术创新产权覆盖率方面形成与技术创新融资风险的同向关联。

图3 基于耦合BP-Markov修正的技术创新融资风险评估量化

最后，本文选择将所选技术创新样本主体按照相对紧逼的专家、测度样本主体内部管理层意见进行耦合BP-Markov精度调整。从图3评估量化结果来看，技术创新能力、政策支持都表现出与验证主体创新风险的相对弱关联。经过量化的技术创新能力在专利新增以及政府的技术创新补贴等方面未直接对技术创新主体的融资获得产生阻滞作用，且政府支持在总体上的量化均值为19.81，技术创新能力的量化均值为34.44。

相比之下，技术创新产权在所选技术创新样本主体中，超过50的耦合BP-Markov主成分分析量化值占到9个，覆盖率为64.3%，且量化均值为69.1。说明技术创新专利作为反复主成分分析后，仍然保持对技术创新融资风险关联的显著解释，且其对于两者的解释量化关联程度要高于技术创新能力、产品市场占有率和政策支持指标。因此，对于技术创新而言，在谋求内部管理的融资风险控制的同时，应注意及时控制创新形成的专利等成果，从而提升技术创新主体所获的融资风险控制效果。

4 结束语

通过改进后训练步长对比进行相应的技术创新融资风险评估验证证实，技术创新能力、产品市场占有率、技术创新产权覆盖率具备同向关联性质的信号反馈。但在基础BP训练中反馈的技术创新与融资风险强度相对独立，而在专家以及技术创新主体内部管理层评估分值紧逼的意见层中选取的指标，对于技术创新的融资风险解释更具备耦合BP-Markov信号精度。从检验的结果来看，目前阶段我国企业自身创新能力与金融支持的预期效应差距、政府期望都是影响融资主体抵御风险的主要因素；而对于创新产权纠纷的有效处理，也是制约企业成功获得融资的重要前提。

参考文献：

[1]黄福宁.技术创新投融资风险状态的识别研究[J].科学管理研究,2009,27(4).

[2]何亚玲.甘肃省中小企业技术创新融资风险的ANP评价[J].兰州文理学院学报：社会科学版,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,张明媛,袁永博.基于PCA-GA-BP的工程项目工期风险预测研究[J].工程管理学报,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.