基于TBP理论的支持向量机的创业机会捕捉能力识别①

成 青, 郑 泰, 黄银刚

(1浙江旅游职业学院,浙江 杭州 311231;2.浙江金融职业学院,浙江 杭州 310018;3.浙江工业大学,浙江 杭州 310014)

0 引 言

随着经济全球化的发展和市场竞争的加剧,创业活动日益发展成为社会经济发展中的重要因素,研究者普遍关注可培养的创业能力。对创业期企业而言,创业机会的识别与捕捉能力对于企业的生存和发展至关重要,本文则基于TBP理论,面向其预测机制,构建支持向量机模型并验证这一预测能力。理论行为预测(Theory of Reasoned Action and Planned Behavior,TBP)是基于社会学和心理学理论的一种个体行为预测模型,在挖掘既有评价数据支持的决策行为机制中具有显著应用价值,支持向量机这一分析方法亦适应于高维稀疏数据,能够为多样化TBP理论框架下各类行为预测模型提供更加全面和精准的支持。

1 文献综述

随着经济不断发展和市场竞争的日益激烈,创业行为日益成为经济活动中的重要因素,而创业者成功的内在驱动因素也得到了更多研究者的重视。具体而言,创业机会的掌握和捕捉是多数研究所讨论的关键要素,对其构成和影响因素进行分析。蒋兵等(2023)对于创业机会识别与机会拼凑过程进行分析,探讨创业认知中创业警觉等因素的积极影响[1]。骆鑫和张秀娥(2023)对创业机会开发课题进行分析,探讨创业学习对创业机会开发能力提升中的显著积极影响,并验证创业机会识别在其间发挥中介作用[2]。杜晶晶和,郝喜玲(2023)对创业机会相关研究作综述,分析了创业机会中数字创业影响创业机会概念和利用的研究现状变化,并展望后续研究拓展[3]。赵富强等(2022)对创业警觉影响创业行为的作用机制进行分析,构建中介效应模型验证创业意向等因素影响机制[4]。杜晶晶等(2022)对社会资本参与创业机会形成与发展机制进行分析,构建创业机会的内容与合意等因素影响情况[5]。总体而言,创业机会捕捉是创业成功的关键因素之一,需要综合考虑市场、技术、人才和资本等多个方面的因素共同考虑其影响机制。现有研究从创业者个人内在因素、社会环境和组织创新等多个层面入手,不断完善理论,探寻创业机会捕捉的影响因素,形成了一定规模的研究成果积累。本文也即在这一研究现状基础上,对其中创业教育等行为调节和优化的相关影响因素进行分析,探讨其对创业机会捕捉能力的实际影响。

2 概念与理论框架

2.1 TBP理论

TBP理论的核心是人们对特定行为的态度和社会资本规范,这两个因素共同影响人们的行为意愿和行为决定。态度是指个体对某个行为的评价,社会资本规范则是指个体认为人际交往环境中某些重要他人对特定行为的评价,两者共同构成行为决策的内部驱动因素。此外,行为控制也是影响行为的一个因素,它指的是个体对能够控制某个行为的因素的认知和信念。

TBP理论的应用广泛,可以用来解释或预测个体的各种行为,如购买行为、环保行为、健康行为等,本文则基于TBP理论对创业机会捕捉能力进行评价,具体通过问卷调查等手段来收集相关数据,并利用统计分析方法进行预测和验证。

2.2 支持向量机

支持向量机(Support Vector Machine,SVM)是一种有监督的机器学习算法,为二分类模型,目标是在解决复杂分类问题时找到一个最佳的超平面来分开不同的分类.

构建这一分离超平面有:

wx+b=0

SVM通过最大化分类边界(即不同类别之间的距离)并最小化分类错误率来识别模式,以此解决分类问题。

假设有训练数据集:

T={(x1,y1),(x2,y2),…,(xN,yN)}

其中,xi为第i个特征向量,yi为类标记,有:

xi∈n

yi∈{+1,-1}

i=1,2,…,N

则分离超平面与T的几何间隔有:

T中全部样本点与超平面间距离的几何间隔取最小值,有:

γ=minγi

i=1,2,…,N

该值也即支持向量到草坪面距离。由此,SVM对分割超平面求解问题转变为约束优化问题:

γ=minγi

i=1,2,…,N

在这一SVM模型的基础上,引入贝叶斯优化。

3 实证分析

3.1 变量设计

本文对创业教育等环境所提供创业机会捕捉能力影响因素进行构建,有:

表1 指标选取

为获得充分创业成功案例,本文选取创业辅导课程中的学员群体为研究对象,面向其导师对创业课程情况进行评价,从而尽可能获得更多、更全面的样本数据。其中,因变量作为虚拟变量区分样本数据特征,相应需要构建预测模型,适用于SVM模型特点。因此,本文基于TBP理论构建模型,旨在研究SVM在创业机会识别和捕捉中的预测能力,探索其应用前景和实践价值。

图1 模型预测结果

3.2 预测结果

对于其中市场调研和计划编制部分指标的预测结果进行整理,有:

如图1所示,预测结果中不同指标的预测正确性差距较大,提示投融资规划等关键指标的预测能力较强。

对于其中经营能力、创新能力、社会资本部分指标的预测结果进行整理,有:

如图2所示,不同指标的预测能力亦有一定差距,如团队管理能力等指标的预测价值较弱。

图2 模型预测结果(续)

图3 模型预测结果混淆矩阵

3.3 模型质量

总体而言,这一模型预测结果的准确性为78.4%,总误分类代价为40。整理模型预测有效性,构建混淆矩阵,有:

如图3所示,样本数据预测结果中的真正率为81%,相对较高,假负率亦达到76%,预测能力整体表现较好。

对其迭代中的性能表现进行整理,有:

图4 模型迭代结果

如图4所示,模型迭代至第五次后分类误差已显著下降,直至第26次迭代后模型达到最优水平。这一条件下模型最小分类误差低于0.22,迭代次数相对较少而相应耗时有限,进一步验证这一模型能够应用于更为广泛的多样化有关研究中,为相关分析提供材料基础。

整理ROC曲线,有:

图5 ROC曲线

如图5所示,模型检验结果显示模型优化结果呈现相对平滑的ROC曲线,当前分类器所取最优点下预测真正率为84%,假正率为27%。

总体而言,模型利用SVM模型,基于TBP理论的创业机会识别和捕捉能力预测具有较高的准确性和效率,能够有效地帮助创业教育优化自身评价机制、改善创业者能力培养具体措施,有一定实践应用价值。

4 结 语

现有研究有效构建了面向创业机会捕捉能力的预测模型,模型预测效果表现较好。基于TBP理论的SVM应用中,关键的技术难点包括数据预处理、变量选择、模型构建和评估等方面,需要不断加强计算机和数学等领域知识的融合。面向未来有关领域研究,基于TBP理论的SVM应用亦可以进一步优化和拓展,以适应不同领域的研究需求。