医药类风险投资项目评估中AHP-ANN模型应用研究

ZhaoYiFan

摘 要：本文基于人工神经网络理论，吸收了层次分析法确定权值的方法，从理论的角度上，提出了一个新的基于AHP-ANN模型的对医药类风险投资项目进行评估的系统化、定量化的方法，与现有的评估方法相比具有优越性，也为风险投资评估机构提供了较为可靠和可操作的参照方法，具有良好的现实指导意义。

关键词：医药类 风险投资项目 AHP-ANN模型

医药类高科技领域是风险投资关注的三大领域之一。医药类风险投资项目评估就是指风险投资公司对医药类高科技项目进行综合评估以决定是否对其投入风险资金帮助其发展壮大。它是风险投资运作过程中的一个重要阶段，起着承上启下的作用。风险投资的成功与否，基本上取决于对风险投资项目的筛选和评估，它直接影响着风险投资决策行为。因此。如何提高风险投资项目选择的准确性，降低投资风险是所有风险投资公司都在关心和研究的问题。

近年来，关于风险投资项目评估的工作，许多专家、学者都作了大量的研究。在传统的投资项目评估的基础上，不同程度考虑了风险投的特点，对风险投资项目评估做出了积极的贡献。目前，项目评估方法主要有：非贴现法、贴现法专家法、层次分析法、决策树方法、模糊数学和期权定价模型等。但是，还没有形成一种权威的针对医药类高科技项目的评估方法。比较以上的评估方法，可能也没有哪-种是最适合医药类项目评估的。正是由于不同的评估方法各有利弊，而且医药类风险投资项目又有其自身的特殊性，所以对多种评估方法综合应用将有利于更加正确的进行医药类高科技项目评估。因此，本文就提出将层次分析法与人工神经网络相结合进行医药类高科技项目评估。

层次分析法（Analytic Hierarchy Porcess简称AHP）和人工神经网络（Artifieial Neural Nerworks简称ANN）都是系统化的研究方法。AHP是一套综合的评估系统，当决策者对多目标、多准测、多位决策者参与进行决策时，它可以用来处理直觉、理性或非理性的决策问题。

ANN则是模拟人脑神经元的-种计算方法，用于模拟人类大脑神经网络的结构和行为，通过样本的学习达到对指定问题的识别。尽管AHP和ANN都可以单独对风险投资的项目进行评估。但是都有-定的局限性。所以，本文设计将这两种方法有机的组合起来，取长补短，以期获得整合之功效。从理论上分析，构建医药类风险投资项目评估AHP-ANN模型将有以下优点。

（1）保持了AHP在方案大体确定的问题中优选的特点，可以首先得到人们对研究问题在主观认识上的-组粗略的优劣排序。（2）AHP-ANN模型具有很强的非线性映射能力，学习经验的能力强，分类、预测准确度高。（3）AHP-ANN模型自适应能力很强，能不断地接受新样本、不断学习，以调整模型。从而可以不断更新滚动数据来训练模型，形成动态评估过程，使评估结果更准确。（4）AHP-ANN模型仍然保持了AHP和ANN共有的系统性、实用性简洁性等特点。

一、构建风险投资项目评估的AHP-ANN模型

（1）建立风险投资项目评估层次结构模型

层次分析法是20世纪70年代由著名运筹学家TL.satty提出的。层次分析法是运用系统分析思想把复杂的问题分成若干联系的、有序的层次，对每一层次的相关因素进行比较分析，把各个因素的相对重要性定量化，再利用数学方法决定全部因素的重要性次序，并辅之以一致性检验，以保证评价人的思维判断符合实际，从而为选择最优方案提供依据的-种多目标评价方法。风险投资项目评估中需要考虑的因素非常多，归纳起来主要有以下几个方面：管理因素，技术和产品因素、市场和环境因素、财务因素。医药类高新技术企业又有着不同于其它类型高新企业的特点。一般说来，有效的医药产品消费弹性比较低，受宏观经济波动及社会因素影响比较小。

本文参考目前风险投资公司进行项目评价时的选取的主要指标，通过有关方面专家和风险投资机构的判断、打分，并且结合医药行业的自身发展规律和发展特点，从众多评价因素中选取了n个较为关键的评估因素作为AHP的方案层，分别是：管理者的经验与业绩，经营团队的合作性，技术成熟程度，产品技术含量，产品竞争力，市场增长潜力，市场需求，社会经济景气程度，国家经济及产业政策，预期投资报酬率，资金使用计划合理性。

（2）构建AHP-ANN评估模型

人工神经网络是一个非线性动力学系统，由大量本身很简单的处理单元广泛地互相连接而形成。这种系统在经过输人样本和预期理想输出按一定训练算法和足够次数的训练中，不断学习知识，在训练完成后，系统便可以求解相同的问题。在本模型中选择BP网络作为神经网络部分。反向传播神经网络（Backpropagation简称BP网络）是最著名的多层神经网络的训练方法，具有较好的自学习、自联想功能。

BP网络由三个神经元层次组成，分別是输入层、隐含层、输出层，各层次神经元相互联接，各层次内的神经元不存在相互联接。BP网络学习过程由四部分组成，由翰人层经隐层向输出层的

“正向传播”过程，网络的实际输出与期望输出之差的误差由输出层经隐层至输入层，逐层修正数值的“误差反向传播”，通过“正、逆传播”反复交替，进行的网络“记忆训练”，使得网络收敛及网络的全面误差趋向极小值的“学习”过程。

二 模型的应用体会

如前所述，AHP-ANN模型为11-22-1的网络拓扑结构，本文选择10个样本进行学习，另备5个样用来检验模型的精度。

当网络训练成功后，固定模型的权值和闹值，便可用于项目评价中。通过实际应用与比较。就本文提出的医药类高新技术项目评估方法还得到如下体会：

（1）本文模型首先在专家评议的基础上，利用AHP分析法获得了专家对项目的各关键因素的关注程度，从而获得重要度权值，这种权值对于后续的应用有着重大的意义。

（2）本文模型的输人数组由1个量组成。确定每一数组的理想输出往往不太容易。因此考虑到-致性，训练样本数并非越多越好。因此样本及样本数的选择非常重要。

（3）本模型在实际应用时，所采集的输人数据来源于专家的评分。但是由于专家自身的某些局限性，可能对最终评估结果带来影响。所以，怎样组成最科学的专家组还有待在实践中进-步探索。

（4）为了使评价结果更加的直观，本模型将最终输出与评估优良等级相对应。便于决策者更好的以此为依据进行决策。

参考文献

[1]程岩，解帆。基于不精确信息的科研项目评估的群决策模型研究[J]。科学学与科学技术管理。2003，（2）