企业技术创新项目风险预警系统构建研究

李晓峰,徐玖平,颜锦江

§经济与管理学研究§

企业技术创新项目风险预警系统构建研究

李晓峰,徐玖平,颜锦江

(四川大学工商管理学院,四川成都610064)

企业进行技术创新是一项高风险活动,如果创新不当或创新过程中控制不力,便会为企业带来不必要的损失。因此,构建科学的企业技术创新项目风险预警系统具有重要的现实意义。探讨在建立企业技术创新风险预警指标体系的基础上,采用基于粗糙神经网络模型的方法设计企业技术创新项目风险预警系统。该风险预警系统不仅能够提取企业技术创新项目风险的主要特征属性,减少风险预警中的信息收集成本,提高预警效率,而且能克服传统预警系统难以处理高度非线性模型、容错性差、缺少自学习能力等缺陷。理论分析和实践结果均表明所设计的技术创新项目风险预警系统具有可行性和有效性,这为企业技术创新风险管理提供了一条新的途径。

企业;技术创新;风险预警系统;粗糙神经网络

一、引 言

技术创新是现代经济增长的主要源泉,也是提高企业竞争力、促进企业持续发展的主要途径。然而,技术创新是一项高风险活动,有可能由于外部环境的不确性、技术创新项目的难度与复杂性以及企业的能力与实力的有限性而导致技术创新活动延期、中止、失败或达不到预期的技术经济指标。这不仅会引发财务风险而导致企业发生有形的经济损失,而且会导致时间损失、机会损失、管理损失等无形损失[1]。根据美国的一项资料表明,高科技企业只有60%左右的研究开发计划在技术上获得成功,而在技术上获得成功的研究开发计划中只有55%能够推向市场,而推向市场的高科技产品中仅有40%最终获得了成功[2]。我国企业技术创新项目的成功率则更低,能够转化为生产力的项目不足15%[3]。因此,建立科学的企业技术创新项目风险预警系统对技术创新风险进行管理是十分必要的。企业可以根据技术创新项目风险预警系统监测、预测、警报项目风险,并根据警报大小采取相应的防范和控制措施处理风险,避免和减少损失,将威胁转化为机会,保障企业技术创新项目的顺利进行。

目前,企业技术创新风险预警系统已引起越来越多的重视和研究[4-7],但由于我国风险预警管理起步较晚,目前尚存在一些问题:(1)预警状态偏重定量指标,忽视定性指标,因而易失去预警信息;(2)预警模型习惯于采用直线外推、指数平滑、回归分析、移动平均、灰色预测等模型,而对高度非线性系统难以处理;(3)预警过程效率较低,不具备时变特性,缺乏自适应、自学习能力等。本文将粗糙集理论和人工神经网络方法相结合,建立了企业技术创新项目风险预警的粗糙神经网络模型,并在此基础上构建企业技术创新项目风险预警系统。实证研究表明,该风险预警系统不仅能够提取企业技术创新项目风险的主要特征属性,删除冗余的信息,减少风险预警中的信息收集成本,而且克服了传统预警系统缺少自适应、自学习能力、难以处理高度非线性问题等困难,从而为预警走向实用化奠定了基础。

二、企业技术创新项目风险预警指标体系的构建

企业技术创新项目风险预警系统是根据所研究对象的特点,通过收集相关的资料信息,监控风险因素的变动趋势,并评价各种风险状态偏离预警线的强弱程度,向决策层发出预警信号并提前采取预控对策的系统。因此,在设计企业技术创新项目风险预警系统前,必须先对企业技术创新过程中的各风险因素进行分析、识别,构建企业技术创新风险预警(风险因素)指标体系。影响企业技术创新项目的风险因素很多,各因素之间关系复杂,需要在构建风险预警指标体系时遵循以下原则:(1)系统全面性原则,即风险预警指标体系的设置应符合风险预警管理的目标,能够全面、深刻、客观地动态反映企业技术创新的各方面、各环节的风险水平。(2)简明科学性原则,即风险预警指标体系的大小必须合适,力求指标体系完备,并尽量减少指标之间的交叉重复,使其简繁适当。(3)可行有效性原则,即风险预警指标体系的设置要适合实际操作,既要考虑其比较、分析和综合测评的功能性,还要考虑企业技术创新数据资料获得的可能性和数据资料统计的有效性。(4)定量定性相结合的原则,即在风险预警指标体系的设置中既要考虑定量指标,也要考虑定性指标,不能忽视任何一个方面,需要它们相互配合。

将影响企业技术创新项目的风险因素划分为六大类:政策因素、技术因素、生产因素、市场因素、财务因素、管理因素。首先,依照上述原则,并参考国内外众多相关文献[8-11],分别构造出这六大类风险因素的预警指标(风险因素指标);然后,通过专家调研、统计分析等方法,对构造出的指标体系进行细化、补充和删除,最终建立起企业技术创新项目的风险预警指标体系。该风险预警指标体系包括48个风险因素指标,见表1。

表1 企业技术创新项目风险预警指标体系

企业生产规模x企业的管理能力x39产品对原材料或1零5部件的技术性能要求了解市场信息准确程度x40x16科学决策和民主决策水平x41生原材料及零部件供应难易程度x17管可行性论证与规划x42产因生产新产品对现有设备与工艺的调整x18理因项目组的总体实力与能力x43素引进设备工艺困难程度x19素项目负责人的水平与能力x44新产品质量性能x20项目组织管理能力x45新产品生产成本x21项目进度控制能力x46新产品的生产周期x22技术开发人员的待遇x47上级领导的支持程度x48

三、企业技术创新项目风险预警系统的设计

根据企业技术创新项目风险预警管理的特点,并借鉴宏观经济系统、生态环境系统、军事系统、气象系统等领域的预警管理系统[12-15],设计了企业技术创新项目风险预警系统,见图1。从图1中可以看出,企业技术创新项目风险预警系统主要由四部分组成:(1)企业技术创新项目风险预警指标信息收集及量化处理;(2)企业技术创新项目风险预警的Rough—ANN(粗糙神经网络)模型;(3)企业技术创新项目风险预警的判别及警报信息的输出;(4)企业技术创新项目风险的控制。

图1 企业技术创新项目风险预警管理系统基本构架

(一)企业技术创新项目风险预警指标的量化处理

将企业技术创新项目风险预警指标划分为五个风险级别:一级风险、二级风险、三级风险、四级风险、五级风险,即低风险、较低风险、一般风险、较高风险、高风险,且各风险级别之间存在临界值。当企业技术创新项目某一风险因素指标xi(i=1,2,…48)处于低风险(一级风险)时,其量化结果为模糊值XU2∈[0,1],当xi处于较低风险(二级风险)时,XU2∈[2,3];当xi处于一般风险(三级风险)时, XU2∈[2,3];当xi处于较高风险(四级风险)时,XU2∈[3,4];当xi处于高风险(五级风险)时,XU2∈[4,5]。

企业的技术创新项目风险预警指标对应的评价值由下述方法检测确定:

请对企业的技术创新项目所属领域熟悉的f位专家,给企业的技术创新项目风险预警指标xi评分。例如,第一位专家认为指标xi处于一级风险(低风险),则对该指标的评分值为u1(u1∈[0,1]),第二位专家认为指标xi处于二级风险(较低风险),则对该指标的评分值为u2(u2∈[1,2])。设第a位专家对风险指标xi的评分值为ua,则该风险指标xi的评价值vi为

(二)企业技术创新项目风险预警的方法

目前预警方法中经常采用直线外推、指数平滑、回归分析、移动平均、灰色预测等模型,而对高度非线性系统难以处理,不具备时变特性,缺乏自适应、自学习能力。本文将粗糙集(Rough)理论和人工神经网络(ANN)方法结合起来,建立企业技术创新项目风险预警的Rough—ANN(粗糙神经网络)模型,利用该模型对企业技术创新项目综合风险进行测度。

1.Rough集的知识约简方法和人工神经网络方法概述

(1)Rough集的知识约简方法

Rough集理论是20世纪80年代初由波兰数学家Z.Paw lak首先提出的一种分析数据的数学理论,它是一种新的处理模糊和不确定性知识的数学工具。Rough集理论已经在机器学习、从数据库中发现知识、决策支持和分析等方面得到了广泛应用。其主要思想是在保持分类能力不变的前提下,通过知识约简导出问题的决策和分类规则。知识约简方法是粗糙集理论的核心内容之一。知识库中的知识(属性)并不是同等重要的,甚至其中某些知识是冗余的[16]。所谓知识约简就是保持知识库分类能力不变的条件下,删除其中不相关或不重要的知识。详细的Rough集的知识约简算法请参考李龙俯等人的文献[17]。

(2)人工神经网络方法

人工神经网络是在现代神经科学研究成果的基础上,依据人脑基本功能特征,试图模仿生物神经系统的功能或结构发展起来的一种新型信息处理系统或计算体系。这种系统在处理各种模糊、随机、量大、低精度信息等方面具有其独特的功能:一是能对大量的专家评估结果精心学习,把专家头脑中的评估方法量化、具体化,并把它应用到实际评估中去,减少人为的非理性因素的影响;二是能不断地对新的样本进行学习,不断改进自身的评估方法,以动态的调整适应技术、经济的不断发展对评估对象的影响[18]。BP神经网络模型是人工神经网络的重要模型之一,它由输入层、隐含层和输出层构成。典型的三层前向型BP网络的拓扑结构如图2所示。

图2 典型的三层BP网络结构

传统BP网络模型把一组样本的输入/输出问题变为一个非线性优化问题,使用了优化中的最普通的梯度下降算法,对问题的识别具有很强的功能,对于复杂的非线性模型仿真从理论上来说其误差可以达到任意小的程度。虽然它具有许多优点,但仍存在一些不足[19]。笔者对传统BP神经网络结构参数的确定和学习速率的选取等方面进行了改进,提出了改进的BP算法,从而使得BP神经网络具有良好的容错能力、记忆能力、分类能力和动态推理性能[20]。

2.构造Rough—ANN模型的基本原理

影响企业技术创新项目的风险因素指标很多(见表1),这些指标量化后的数据(评价值)之间可能存在相关性,如果把它们都作为人工神经网络的输入变量,显然会增加网络的复杂度,降低网络性能,大大增加计算运行的时间,影响计算的精度。Rough集理论中的知识约简方法为解决这一难题提供了较好的思路。我们可以通过Rough集理论减少信息表达的属性指标,去掉冗余的信息和指标,使神经网络的训练集简化,减少神经网络系统的复杂性和训练时间。即先使用Rough集理论中的知识约简方法“压缩”企业技术创新项目风险预警指标,将简化后的指标作为BP网络的输入变量,再用改进的BP算法进行学习。这样做的目的在于,虽然Rough集理论能从数据的相关性出发,发现数据模式,提取数据规则,约简数据变量,但在知识推理和预测上不存在优势,而神经网络的学习能力、推理能力和分类能力很强,善于从大量的数据中发现规则,提取信息,并具有良好的动态预测功能。因而,取长补短,将两种方法有机地结合起来,从而增强了人工神经网络处理像技术创新风险预警这类非结构化、非线性的复杂问题的能力。

3.Rough—ANN模型构造

根据传统BP人工神经网络结构,将企业技术创新项目风险预警的Rough—ANN模型结构设计为三层:

(1)输入层:根据企业技术创新项目的风险预警指标体系,运用Rough集理论中的知识约简方法去掉冗余指标,将剩余的指标作为神经网络的输入层变量。

(2)隐含层:至于隐含层的选取,按照改进的BP神经网络动态调整学习算法,先将隐含层节点数设置大一些,让网络自调整学习,最终得到大小合适的隐层节点数。

(3)输出层:对企业技术创新项目的风险进行测度是一个从定性到定量再到定性的过程。通过神经网络模型将定性转化为定量输出,然后结合评价集和输出结果,对企业技术创新项目的风险进行测度。由于将企业技术创新项目的风险级别分为五级:低风险、较低风险、一般风险、较高风险、高风险,在神经网络中,分别使用输出向量(0,0,0,0,1)、(0,0,0,1,0)、(0, 0,1,0,0)、(0,1,0,0,0),(1,0,0,0, 0)来表示,因此,神经网络输出层节点数为5。

(三)企业技术创新项目风险预警的模式

企业技术创新项目风险预警系统根据Rough—ANN模型对风险测度的结果,向企业决策者发出警报(输出预警信号),其目的是引起决策者的注意,及时调整策略,预防和控制技术创新项目中的风险,使企业技术创新活动得以顺利进行。

1.企业技术创新项目风险预警判别

企业技术创新过程中,并非技术项目的某一种风险因素一出现风险,预警系统就必须发出警报。警报是否发出以及发出何种程度的警报,主要取决于技术创新项目风险的整体水平,即技术创新项目的综合风险等级的大小。

(1)当企业技术创新项目综合风险处于一级风险→不发出警报→继续监测,项目照常进行;

(2)当企业技术创新项目综合风险处于二级风险→发出一般警报→进行对策预控;

(3)当企业技术创新项目综合风险处于三级风险→发出中度警报→进行对策预控;

(4)当企业技术创新项目综合风险处于四级或四级以上风险→发出高度警报,进行对策预控。

2.企业技术创新项目风险预警信号输出

在企业技术创新项目风险预警系统中,可以采取“亮灯”的方式,输出预警信号:当风险等级为一级风险时,亮“绿灯”;当风险等级为二级风险时,亮“蓝灯”;当风险等级为三级风险时,亮“黄灯”;当风险等级为四级风险时,亮“红灯”;当风险等级为五级风险时,亮“紫灯”。如表2所示。

表2 企业技术创新项目风险等级及其预警信号

(四)企业技术创新项目风险控制对企业技术创新项目风险进行控制,应从两方面采取措施:第一,对技术创新项目的风险进行预控;第二,对技术项目的创新过程进行跟踪监控。

1.风险预控

风险预控是指企业在技术创新项目实施前,预先制定的多种风险状态下的备选对策及防范风险的方案构思或框架——风险对策库。当预警系统发出警报时,可调用或参考相应的对策、方案或思路。技术创新风险对策库的建立有赖于企业技术创新实践经验的积累。

2.跟踪监控

跟踪监控指企业在技术创新项目实施过程中,对项目的进度、费用、困难、成功可能性、风险隐患等进行跟踪监控。这不仅包括发现创新过程中的新信息,而且包括将影响程度发生变化的风险因素交由粗糙神经网络模型进行风险再次测度,以及针对某些明显的风险状态向预控对策库寻求防范与处理方法。通过跟踪监控,企业可以逐步发现风险因素的作用规律和技术创新的进展趋势,并由此做出合适的预警判别。

四、实证研究

成都前锋电子公司是目前全国名列前三位的燃气热水器生产厂家,是成都市高新技术企业和工业支柱企业。自1982年以来,成都前锋电子公司开发了一系列燃气热水器产品。下面,我们运用文中设计的企业技术创新风险预警系统,对成都前锋电子公司目前正在从事的技术创新项目P(恒温冷凝QFM 0568A型)进行预警管理。

选取近10年来成都前锋电子公司在燃气热水器方面的典型的12个技术创新项目作为风险预警系统中Rough—ANN模型的学习样本,待网络训练好后对技术创新项目P(恒温冷凝QFM 0568A型)进行风险测度和预警。选择的技术创新项目有:项目1(烟道式QFM 0601YD型)、项目2(普通强排式QFM 0807YQ型)、项目3(薄巧QFM 1061D型)、项目4(标准QF0971D型)、项目5(智能恒温QFM 1062TQ型)、项目6(数码恒温QFM 1601Q型)、项目7 (强排星QF1051Q型)、项目8(大眼睛QF1011型)、项目9(户外式QF119型)、项目10(无氧紫铜QFM 1021D型)、项目11(自动QFM 1051D型)、项目12(全自动QF139型)。

(一)企业技术创新项目风险预警指标的量化处理及知识约简

首先,使用文中第三部分第(一)节所描述方法,得到成都前锋电子公司技术创新项目1至项目12的48个风险预警指标的评价值。然后,根据Rough集理论中的知识约简算法去掉冗余指标。从最终的约简结果(限于篇幅,计算过程略)可以看出,原先的48个风险预警指标,被约简为25个风险预警指标。这25个风险预警指标分别是:宏观经济形势变动、进口产品的冲击程度、技术成熟程度、技术先进程度、技术复杂程度与难度、技术积累程度、技术的可替代性、科技人员实力、产品对原材料或零部件的技术性能要求、原材料及零部件供应难易程度、引进设备工艺困难程度、新产品质量性能、新产品生产成本、竞争对手实力、竞争者的不正当竞争行为、用户对产品的要求、消费者需求变动、企业信誉与知名度、信贷资金来源难易程度、创新资金需求量大小、企业资金实力、企业的管理能力、可行性论证与规划、项目负责人的水平与能力、项目组织管理能力。

(二)Rough—ANN模型的建立

根据风险预警指标知识约简的结果,可以确定神经网络采用25个输入变量(即输入层取25个节点),中间隐层取大一些,这里取60个节点,输出层为5个节点,则网络结构为25—60—5。对网络进行初始化(取误差上限ε=0. 0002,学习速率η=0.5,惯性参数a=0.1),将12个技术创新项目的25个风险预警指标(经知识约简后剩余的风险预警指标)的评价值转化为[0,1]之间(各评价值分别除以10),将处理后的数据作为学习样本数据输入到神经网络中,按改进的BP算法训练网络。神经网络经过训练后,网络结构自动调整为25—32—5(输入层节点数为25,隐层节点数为32,输出层节点数为5),同时得到最优化的网络权值距阵。

学习样本的网络推理结果(输出结果)见表3。从表中可以看出,学习样本的网络推理结果和实际结果完全一致。这表明企业技术创新风险预警的Rough—ANN模型具有可行性和有效性。

表3 网络推理输出

(三)企业技术创新项目的风险预警

运用训练好的神经网络,对成都前锋电子公司目前正在从事的技术创新项目P(恒温冷凝QFM 0568A型)进行风险测度。

首先,使用文中第三部分第(一)节所描述方法,得到成都前锋电子公司的技术创新项目P的25个风险预警指标(经知识约简后剩余的风险预警指标)评价值。然后,将该项目的风险预警指标评价值转化为[0,1]之间(各评价值分别除以10),将处理后的数据输入到训练好的神经网络中进行计算,得到该项目的输出结果,见表3最后一行。根据最大隶属度原则,可知技术创新项目P的综合风险级别为一般风险(三级风险)。

根据企业技术创新风险预警的模式可知,成都前锋电子公司目前正在从事的技术创新项目P综合风险处于三级风险时,预警系统将发出中度警报(预警信号显示“黄灯”),需进行风险控制。

(四)企业技术创新项目的风险控制

对成都前锋电子公司目前正在从事的技术创新项目P(恒温冷凝QFM 0568A型)的25个风险预警指标进行认真分析后,可以发现某些指标(风险因素)风险较大。这些指标有:技术成熟程度、技术复杂程度与难度、产品对原材料或零部件的技术性能要求、新产品质量性能、新产品生产成本、消费者需求变动、创新资金需求量大小等。对这些风险较大的指标需要跟踪监督,并采取相应的对策进行风险控制,力争降低项目P的整体风险水平,使其处于正常风险状态。

五、结束语

技术创新是一项高风险活动,如何对技术创新项目风险进行预警是长期困扰企业发展的一个难题。本文基于Rough(粗糙)集理论和ANN (人工神经网络)方法建立了企业技术创新项目风险预警系统,不仅解决了传统预警系统难以处理非结构化、非线性的复杂问题,而且克服了传统预警系统缺少自适应、自学习能力,费时、效率低等困难,显示出粗糙神经网络是进行风险预警的一种比较好的应用工具,从而为预警走向实用化奠定了基础。在文末,给出了一个基于Rough—ANN模型的企业技术创新风险预警实例。实验结果表明,该系统可行、有效,为技术创新项目风险的动态预警提供了一条新的途径。

[1]许庆瑞,主编.研究、发展与技术创新管理[M].北京:高等教育出版社,2000.

[2]MOTIAR R M,KUMARASWAM Y M.Risk management trends in the construction industry:moving towards joint risk management[J].Engineering Construction and A rchitectural Management,2003,(3):79-86.

[3]吴贵生.技术创新管理[M].北京:清华大学出版社,2000.

[4]PARNELL G S,FRIM PON M.Safety risk analysisof an innovative environmental technology[J].Risk Analysis, 2003,23(1):143-155.

[5]黄继鸿,柯孔林.基于集值统计的技术创新风险度量及其预警[J].科学学研究,2005,(2).

[6]王立新,李勇,任荣明.基于灰色多层次方法的企业技术创新风险评估研究[J].系统工程理论与实践,2006, (7).

[7]尚庆琛,覃正.基于隶属概率算法的新产品开发风险因素诊断[J].统计与决策,2008,(21).

[8]RUBENSTEIN A H,CHA KRABARTIA K.Facto rs Influencing Innovation Success at the Project Level[J].Research M anagement,1976,(19).

[9]COOPER R G.Identifying Industrial Product Success and Failure[J].Ind.Market.Manag.,1979,(8).

[10]BENAROCH M.Op tion-based managementof technology investment risk[J].IEEE Transactionson Engineering Management,2001,48(4).

[11]王宗军,杨萍.企业自主技术创新风险的影响因素研究[J].技术经济,2008,27(4).

[12]杜丹丽,肖燕红,龙想平.船舶工业企业技术创新风险评价研究[J].中国造船,2009,503:158-164.

[13]赵海信.企业技术创新风险预警管理研究[J].科技进步与对策,2006,(8).

[14]刘洪渭,丁德臣.基于ERM框架的保险公司全面风险预警系统研究[J].统计与决策,2009,(20).

[15]柴国荣,高旭,周福洲.基于界面集成的供应链全生命周期风险预警模式研究[J].科技进步与对策,2009, 26(2).

[16]PAWLA K Z.Rough set theory and its app lications to data analysis[J].Cybernetics and Systems,1998,29 (1).

[17]李龙俯,程慧霞,卢冰原.基于凸Rough集的数据约简和规则发现研究[J].东南大学学报,2002,32(6).

[18]张乃尧,阎平凡.神经网络与模糊控制[M].北京:清华大学出版社,1998.

[19]ERGEZINGER S,TOMSEN E.An accelerated algo rithm for multiplayer perceptions op timization layer by laye [J].IEEE Transactions Neural Networks,2001,(6):31-42.

[20]李晓峰,徐玖平.动态全参数自调整BP神经网络模型的改进[J].中国管理科学,2004,12(6).

Study on the Construction of Risk Early Warning System for Enterprise Technological Innovation Projects

L I Xiaofeng,XU Jiuping,YAN Jinjiang

(Business school,Sichuan University,Chengdu 610064,Sichuan,China)

Technological innovation is a high-risk activity.If it is postponed,or terminated,or failed,or the innovation p rocess is imp roperly controlled,it w ill cause unnecessary losses to enterp rises.Therefore,it isof great significance to construct a scientific risk p re-warning system of technology innovation.In this paper,the establishment of the system based on system index and Rough ANN model w ill be discussed.The system can not only identify themain attributesof technological innovation risk,reduce the cost of information accumulation in risk early warning,imp rove the p re-warning efficiency,but also overcomemany limitationsof traditionalwarning system,including highly non-linear model,bad performances of fault tolerance,lack of self-learning,etc..Both theoretical analyses and experimental results show the feasibility and validity of the risk early w arning system,pointing a new way for risk management of enterp rise technological innovation.

enterp rise,technological innovation,risk early warning system,Rough-ANN

book=88,ebook=79

F273.1

A

1006-0766(2010)05-0088-08

(责任编辑:慧 宇)

2009-12-14

国家自然科学基金项目(70672014);四川大学青年基金资助项目。

李晓峰(1972—),男,陕西西安人。四川大学博士,副教授,主研方向:技术创新风险管理;徐玖平(1963—),男,重庆人。四川大学教授,博士生导师,主研方向:现代企业管理技术与方法;颜锦江(1973—),男,江苏盐城人。四川大学博士生,讲师,主研方向:企业信息管理。