基于支持向量機的風險投資項目風險預警實證研究

李春宇(東北財經大學 統計學院，遼寧 大連 116025)

基于支持向量機的風險投資項目風險預警實證研究

李春宇
(東北財經大學 統計學院，遼寧 大連 116025)

風險投資是推動創新的重要力量。風險投資推動創新企業的發展，創造新的經濟發展模式。但風險投資項目通常面對較高的風險，對其進行風險預警管理具有重要意義。本文在對風險投資項目進行充分的風險識別基礎上，構建風險投資項目的風險預警指標體系，并利用支持向量機建立風險投資項目的風險預警模型，從而對風險投資項目進行風險預判，幫助項目管理者對較高風險項目進行風險防范和處理，避免風險發生或降低風險損失，保證風險資本收益。

風險投資；風險預警；支持向量機；風險資本

一、引 言

早在1912年，著名政治經濟學家熊彼特就在其著作《經濟發展理論》中指出，創新是經濟發展的內在因素，在經濟發展中起著決定性的作用。經過三十多年的發展，中國經濟正在深深地驗證著這一點。風險投資是促進創新的重要力量。風險投資作為創新的投融資機制，將資本、技術、管理與企業家精神等多種因素結合在一起，支持創新企業的發展。在過去的幾十年里，世界范圍內的風險投資業得到發展。在很多發展中國家和新興國家，具有風險投資背景的企業已經成為全球技術創新、經濟增長和提供就業的重要驅動力。而發達國家多年發展風險投資的經驗表明，風險投資加速了企業創業創新的速度，促使新興產業經濟的發展，并形成了國家未來的經濟競爭力。

美國是全球風險投資的領導者，具有很好的運行體系和市場體系支持風險投資的發展。著名學者Gompers等[1]研究發現風險資本的支持是過去近二十年美國新創企業促進創新增長的原因之一。Lerner[2]研究發現風險資本對美國技術創新的貢獻大約是其他資本的3倍。而風險投資支持企業的研究與發展經費支出只占美國研究與發展經費支出的3%，但卻帶來14%的工業創新。許多大型的跨國公司，如微軟、谷歌、英特爾、蘋果、星巴克和Facebook等都是在風險投資基金支持下建立起來的。因此，風險投資被視為催生新產業、創造就業并促進經濟增長的推進器。

由于風險投資主要投資于創新企業，而創新企業在其發展過程中將面對不同的風險，如技術是否能夠開發成功，產品能否開發出來、能否生產出來、能否銷售出去，企業家能否管理企業而實現收益。作為一種創新的投融資機制，風險投資最終追求的仍然是資本的增值。只有在合理管控風險的前提下，才能獲得收益；只有合理防范風險和控制風險，才能獲得與高風險相匹配的高收益。因此，風險投資的風險管理研究顯得愈發重要。

相較于傳統的亡羊補牢式的“回溯性”風險管理，對風險投資項目運行中可能出現的風險，采取超前的預先防范的管理方式，其重要意義在于防患于未然。因此，對風險投資項目進行風險預警意義重大。

國內一部分學者在研究風險投資運行機制、風險投資項目運行規律的基礎上，提出了對風險投資項目進行風險預警。

部分學者討論了對風險投資項目進行風險預警的不同理解。高維義等[3]認為風險預警是通過一系列技術手段對特定經濟主體進行系統化連續監測，提早發現和判別風險來源、風險范圍、風險程度和風險走勢，并發出相應的風險預警信號。孫琪和陶學禹[4]認為風險投資的預警管理是運用風險投資和預警管理的基本原理，對風險投資運作過程中所出現的管理波動和管理失誤進行監測、分析和控制。他們認為對風險投資進行風險預警管理的目的是在提示風險投資管理波動的基礎上，構建風險投資的防錯、糾錯功能機制，為全方位地揭示風險投資活動的安全機理與成功機理，提供一種適用于各種境況變化的具有普遍適用意義的管理理論方法體系。

部分學者討論通過建立風險投資項目風險預警系統對項目進行風險預警管理。如高維義等[3]和楊艷萍[5]認為應該對風險投資項目建立完整的風險預警系統。高維義等[3]認為在風險投資中應該引入風險預警系統，具有如下作用：第一，風險預警系統可以對風險狀況進行動態、實時的監測；有效地彌補投資風險識別前的薄弱環節，提高風險識別與分析的效率和質量。第二，在危險信號出現時，預警系統可以及時報警，有效地提高風險監管效率及非現場監管的及時性和準確性，使風險管理具有前瞻性。第三，可以對警情做出準確、科學的判斷。高維義等[3]和楊艷萍[5]分別對風險投資項目的風險預警系統進行了設計。高維義等[3]認為系統應該包括5個組成部分：風險信息系統、預警評價指標體系、預警評價與推斷系統、報警系統，以及預警防范措施。楊艷萍[5]認為系統應該包括組織機構、指標體系、實施過程和應急措施等。

從為數不多的文獻中可以看出，當前國內外對于風險投資項目風險預警的研究成果十分有限，基本上處于理論層面。而且對于風險投資項目的風險預警機制及風險預警系統各部分的具體組成、職能、在系統中的相互關系及相互作用等都需做進一步的討論。同時，研究中所采取的方法主要是定性研究方法。這些都使風險投資項目的風險預警研究大大落后于中國當前的風險投資實際需要。本文在已有研究的基礎上，對風險投資項目進行充分的風險識別，構建風險投資項目的風險預警指標體系，在此基礎上利用支持向量機建立風險投資項目的風險預警模型，從而對研究的風險投資項目進行風險預判，幫助項目管理者對于較高風險項目進行風險防范和處理，避免風險發生或降低風險損失，保證風險資本收益。

二、風險投資項目風險預警指標體系構建

風險投資項目的風險預警指標體系要能夠及時、準確地在風險發生之前對風險進行預警，以便采取措施控制風險因素的發展變化，避免風險事件的發生；或提前有所準備，控制并減少風險損失。

依據于多種項目風險識別方法，秉承科學性、主動性、動態性和前瞻性等構建原則，通過閱讀大量的文獻資料并訪談專家學者，最終依據風險投資項目的風險來源，將風險投資項目的風險分為技術風險、生產風險、市場風險、管理風險、財務風險和環境風險[6]-[10]，并分別選取能夠反映相應風險因素的預警指標，最終構建了包括25個指標的風險投資項目風險預警指標體系。

技術風險是在風險投資項目運行過程中，由于技術本身的不確定性或出現可替代的新技術等技術因素導致項目創新失敗，風險投資無法收回的可能性。基于技術的社會屬性和自然屬性，分別從技術的社會環境適應性、技術成功的不確定性、技術優勢的不確定性和技術前景的不確定性等方面討論風險投資項目的技術風險，最終選取6個指標：技術政策及相關法律、法規的調整，技術對于自然環境造成破壞，技術較難掌握或較難實施，技術所在領域的技術積累和發展潛力不高，技術的專利和知識產權等保護不足，技術的競爭程度高。

生產風險是指風險投資項目的新產品開發成功之后，由于生產人員素質、生產設備水平、原材料與能源供應等因素而引起的投資項目預期生產能力的不確定性?；诟魃a要素對項目生產的支撐情況，最終選取2個指標：生產人員不能滿足生產的需要，原材料與能源供應不能滿足生產的需要。

市場風險是指由于風險投資項目產品自身或市場的不確定性而使產品難以銷售，使風險資本面臨虧損的可能性。市場風險大小取決于項目產品特性和市場的不確定性。一方面從產品獨特性、產品生命周期、產品可替代性等方面討論產品特性；另一方面從市場需求、市場容量、市場接受時間、市場擴散程度等方面討論市場的不確定性，最終選取5個指標：產品的獨特性不足，產品處于生命周期的前端、市場不了解產品，市場需求的不確定性高，市場接受時間的不確定性高，市場競爭的不確定性高。

管理風險是指風險企業經營過程中由于管理不善而使風險投資失敗的可能性。風險投資項目管理風險的大小，既取決于人的因素，也取決于制度因素。人的因素包括風險企業家和主要管理人員的經驗、個人能力、品格、身體健康狀況、追求成功的欲望等，以及整個管理團隊的構成及其合理性、和諧程度等[11]。制度因素則要考慮風險企業的組織結構、管理制度、決策過程、激勵機制等[12-13]，最終選取5個指標：風險企業家缺乏經驗，管理團隊專業知識及能力結構不合理，管理團隊凝聚力不足，風險企業的組織結構不合理，風險企業的決策過程缺乏有效性。

財務風險是指風險企業在經營過程中因自身財務狀況，如盈利能力差、營運能力較弱、無法償還債務和缺乏增長能力等因素所引發的風險。分別從盈利能力、營運能力、償債能力和增長能力等方面討論風險企業的財務狀況，并據此對風險企業的財務風險進行評價，最終選取4個指標：風險企業盈利能力不強，風險企業營運能力不強，風險企業償債能力不強，風險企業增長能力不高。

環境風險是指風險投資項目受到超出其行為主體控制范圍的經濟、社會和法律政策等環境因素的影響而遭受損失的可能性。環境風險因素對于風險投資的影響路徑，包括宏觀路徑和微觀路徑。在宏觀上，環境風險因素會影響風險投資行業的發展，影響整個行業的規模和發展速度。在微觀上，環境因素的變化會影響每個具體的風險投資項目的運行及收益實現，最終選取3個指標：資本市場發展不完善，社會信用水平不高，風險投資相關法律法規政策不健全。

三、基于非線性支持向量機的風險投資項目風險預警模型

風險投資項目風險預警要依托于項目的風險數據，而項目的風險數據通常都是保密的，這就決定了風險投資項目預警系統的建模在更多情況下是小樣本、高維度、非線性和存在噪聲的復雜的建模問題，基于支持向量機的理論基礎及廣泛應用，無疑是解決風險投資項目風險預警問題的重要方法和途徑。

(一)支持向量機原理

支持向量機是基于統計學習理論的方法。統計學習理論是專門研究在小樣本的情況下機器學習規律的理論。針對小樣本統計問題，統計學習理論建立了一套全新的理論體系，該理論體系不僅考慮了對漸近性的要求，而且追求在有限樣本條件下得到最優結果。

支持向量機方法是建立在統計學習理論的VC維理論和結構風險最小化原理基礎之上的，根據有限的樣本信息在模型的復雜程度和學習能力之間尋求最佳的折中，希望獲得最好的推廣能力。在支持向量機中，引入了核函數，將原始空間中的數據非線性映射到一個高維特征空間中，在高維特征空間中構造線性函數進行判別。通過對訓練樣本進行學習，支持向量機可以自動找出那些對分類有較好區分能力的支持向量，由此構造出的分類器可使類與類之間的間隔達到最大，因而具有較好的推廣能力和較高的識別率。支持向量機由各樣本類所在區域的邊界樣本的類別來區別最后的分類結果，通過最大化類與類之間的間隔實現結構風險最小化。

支持向量機具有如下優點：第一，支持向量機是專門針對有限樣本情況的方法。其目標是得到現有信息下的最優解，而不僅僅是樣本數趨于無窮大時的最優解。第二，支持向量機的算法最終將轉化成為一個二次型尋優問題，從理論上說，得到的將是全局最優點，解決了在神經網絡方法中無法避免的局部極值問題。第三，通過引用核函數，支持向量機將實際問題通過非線性變換轉換到高維特征空間(Feature Space)，在高維特征空間中構造線性判別函數來實現原空間中的非線性判別函數，能保證機器有較好的推廣能力，同時它巧妙地解決了維數問題，其算法復雜度與樣本維數無關。

(二)非線性支持向量機建模過程

用支持向量機解決非線性問題時，是將樣本映射到高維特征空間，將高維特征空間中的內積用核函數代替。

設非線性映射為Φ：x→Φ(x)∈H，則高維特征空間的最優分類超平面為：

w∈Φ(x)+b=0

(1)

最優分類超平面用二次規劃可以表示為：

ξi≥0，i=1，2，…，n

(2)

其中，C為懲罰參數，C值越大，表示對錯誤分類的懲罰越大。對應的拉格朗日函數為：

s.t.αi≥0，βi≥0

(3)

得到的對偶優化問題為：

(4)

用核函數代替內積，即k(xi，xj)=Φ(xi)·Φ(xj)，則有：

(5)

若a*為最優解，則判別函數為：

(6)

通過以上處理，就無需求解非線性映射Φ，即通過核函數避免了因為維數過高而產生的維數問題。

利用非線性支持向量機進行分類的具體步驟如下：第一步，選擇參數C和核函數k。第二步，找出最優的a*和支持向量。第三步，計算b*。第四步，求得最優分類面函數f(x)。第五步，利用非線性支持向量機對測試樣本進行分類，對模型預測效果進行評價。

四、數據搜集及數據處理

(一)數據搜集

由于風險投資機構所管理的風險資本具有不同的規模、運行周期，而且每個投資機構具有不同的行業傾向和階段傾向，對于項目選擇和管理具有不同的規則和要求，這些因素形成了機構的競爭力?；谝陨显颍L險投資機構對于項目信息管理是比較嚴格的，這使得本文進行定量研究的數據主要通過訪談和調查問卷的形式獲得。通過對風險投資及風險管理領域文獻的大量閱讀，對多位風險投資家和項目經理進行多次訪談，向風險投資領域的專家學者進行意見征尋，并進行小樣本問卷測試，確定了最終的調查問卷。在調查問卷中主要利用李克特量表中最常用的5級量表，利用數值1到5表示各風險因素對于風險投資項目的影響由低到高，即代表該風險因素對項目的影響程度由最低到最高。

在本次調查中，分別向哈爾濱、蘇州、上海、北京的風險投資機構發放問卷190份，回收問卷150份，有效問卷108份。問卷主要由風險投資家、風險投資機構中高級管理人員及項目經理填寫，占比90%。項目中有95個項目是民營項目，占比88%。風險投資項目分布于不同的城市，蘇州、哈爾濱、北京、上海、廣州、杭州、深圳、南京、成都、廈門、無錫、武漢和昆明等，其中，蘇州的項目有37個，占比34%，哈爾濱的項目有34個，占比31%，上海的項目有10個，占比10%，北京的項目有6個，占比6%。

項目分布于各個行業，包括互聯網、高科技技術、高科技服務、消費產品和服務、生物醫藥、金融服務、媒體和娛樂業、醫藥保健、環保、計算機、農業和食品安全等。有關互聯網的項目最多，項目涉及TMT、互聯網教育、互聯網旅游商務和移動互聯網等，共包括23項，占比21%。高科技技術類項目共17項，包括生物科技、信息技術、新能源與高效節能技術等，占比17%。醫藥保健、高科技服務、消費產品和服務類項目分別為16項、15項和13項，共占比40%。

項目處于不同的階段，處于管理階段的項目為80個，占比74%。處于評估階段、投資協議設計階段和退出階段的項目占比分別為9%、15%和2%。項目也處于不同的時期，種子期、創建期、成長期、擴張期和成熟期項目占比分別為20%、40%、26%、7%和7%。種子期和創建期項目的投資金額主要集中在100萬元以下及100萬元—300萬元之間，占比為77%。處于成長期的項目其投資金額分布比較廣泛，投資金額高的達到10 000萬元以上，低的為100萬元以下，與投資機構對項目的估值有關。處于擴張期和成熟期的項目投資金額普遍較高，處于3 000萬元以上的項目占比為60%。

(二)構造訓練樣本集和測試樣本集

構建支持向量機模型，需要利用訓練樣本集對模型進行學習訓練，然后利用測試樣本對模型效果進行評價。通常情況下，網絡要具有較高的泛化能力，需要更大的訓練樣本。因此，對于收集到的108個風險投資項目的風險數據，選取其中在98個項目進行訓練，利用10個樣本進行測試，通過模型的預測結果與實際項目風險狀況進行比較，評價模型的預測精度。

(三)數據的預處理

在模型構建中，是否對數據進行預處理以及采取什么方法對數據進行預處理會影響模型最終的預測分類準確率[14]。經過比較分析，利用最大最小法對108個風險投資項目的風險預警指標和風險后果指標數據進行歸一化處理。最大最小歸一化方法是對原始數據的線性變換，如式(7)所示：

(7)

其中，x和y是轉換前和轉換后的值，Amin和Amax分別為屬性A的原始值中的最小值和最大值。最大最小法將指標A的原始值x映射到區間[newAmin,newAmax]，得到y。

五、警度分類、預警準則和樣本警度預判

(一)警度分類

風險投資項目風險預警是對項目風險的警度進行預報。本文將風險投資項目風險的警度分為低度風險、中度風險和高度風險。低度風險是指風險投資項目運行狀態良好，各項風險因素處于較低水平，項目在預期和計劃內平穩運行。當項目處于低風險狀態時，只需要對項目進行常規監測，預防某些風險因素向不利于項目的方向發展變化。中度風險是指某些風險因素的發展變化已經對項目造成一定的影響，雖然并沒有造成嚴重的風險后果或項目運行對計劃的偏離仍然在可接受的范圍之內，但應該引起投資機構的重視。當項目處于中度風險狀態時，應采取必要的風險控制策略，消除風險或控制風險進一步擴大。高度風險是指風險因素的發展變化已經嚴重影響項目運行，使項目偏離預期計劃達到不可容忍的程度，將影響風險投資機構預期目標的實現。當項目處于高度風險狀態時，可能直接導致項目失敗，必須采取應急的風險控制措施阻止風險進一步惡化，如果措施無效，機構應考慮退出項目。

(二)預警準則

為了對項目的風險狀態進行準確預報，首先應該明確預警的準則，即評價風險投資項目風險狀況的原則和標準，用于指導在不同情況下預警系統是否應該發生警報及發出何種程度的警報。本文主要依據預警指標所反映的項目風險及項目運行狀態與風險投資機構預期之間的差異程度確定項目風險的警度。具體的預警準則如下：

首先，依據項目運行狀況與機構預期的差異程度進行判斷。判斷依據是項目風險狀態的調查結果，即項目當前在技術、生產、市場和財務等領域運行水平與風險投資機構預期目標的差異程度。差異程度由小到大標記為1—5：1表示與預期目標無差異或基本無差異；2表示有差異但差異程度較??；3表示差異為中等程度，如果差異再增加就不能接受；4表示差異大且不能接受；5表示差異極大不能接受。如果在項目風險狀態調查中，有一個或多個領域出現“差異大且不能接受”或“差異極大不能接受”，則判斷項目處于高度風險狀態。

其次，當項目風險狀態沒有顯現上面陳述的情況時，主要根據項目預警指標所反映的風險情況進行判斷。由于風險投資項目進入項目的時期不同，對于項目信息的掌握情況是不同的，種子期和創建期的信息不對稱程度最高，其不確定性也是最高的。對于收集的108個項目信息進行均值分析，進一步驗證了這個結論。

從總體上看，種子期項目各預警指標的均值最高，其次是創建期項目、成長期項目、擴張期和成熟期項目。從統計理論上，種子期項目、創建期項目、成長期項目及擴張期和成熟期項目全部的風險預警指標所構成的概率分布情況是未知的，所以對不同時期風險項目風險預警指標的均值進行非參數假設，檢驗均值樣本是否來自于同一總體，在此基礎上判斷不同時期項目的風險水平是否一致。非參數檢驗方法主要利用多樣本Kruskal-Wallis檢驗和中位數檢驗。前者是利用樣本的平均秩進行檢驗，后者是比較多組樣本的中位數是否存在顯著性差異。非參數檢驗結果如表1所示。

表1 不同時期項目風險數據非參數檢驗結果1

從以上結果可以看出，在5%的顯著性水平下，不同時期項目風險數據的分布和中位數相同的原假設都被拒絕了。不同時期項目風險數據具有不同的分布。而且不同時期項目風險數據也具有不同的中位數，如表2所示。

表2 不同時期項目風險數據非參數檢驗結果2

中位數種子期項目3 071創建期項目2 846成長期項目2 600擴張期和成熟期項目2 330全體中位數2 769

種子期項目風險預警指標數據的中位數是最高的，其次是創建期項目，而且處于這兩個時期的項目風險預警指標的中位數要高于全體數據中位數。成長期項目以及擴張期和成熟期項目的中位數均低于前兩類項目，也低于全體中位數，分析結果與表2是一致的。

不同時期項目風險是有所差異的。所以處于不同時期的項目，其風險狀態應該和項目所處時期的其他項目進行比較，再進行判斷。故對于并沒有嚴重風險后果的項目，主要依據該項目與該項目所處時期的均值進行比較，如果高于均值，則認為項目處于中度風險狀態；如果與均值無差異或低于均值，則認為項目處于低風險狀態。

(三)樣本警度預判

依據以上介紹的警度分類方法及風險預警準則，對收集到的108個風險投資項目風險狀態進行風險預判?，F在以項目6為例進行說明。項目6是位于蘇州的所屬行業為金融服務的種子期項目，目前處于管理階段，投入金額為100萬元以下。該項目的高層管理人員對項目當前風險狀況進行評價。

根據上面確定的準則，該項目不屬于高風險項目?？紤]該高層管理人員對于項目各風險預警指標的評價，評價結果與所調查的所有種子期項目各預警指標平均取值的結果可繪成折線圖。從圖中可以看出，項目6風險預警指標體系中各指標值與種子期各風險預警指標均值相比，有的高于均值，有的低于均值。從圖形上無法判斷該項目屬于中度風險或低度風險。基于不了解種子期項目風險指標的分布情況，利用非參數檢驗對項目6和種子期項目均值進行比較。采用的檢驗方法是Wilcoxon符號秩檢驗。該檢驗方法不僅考慮兩個樣本中配對數據之差的符號，而且充分利用差值的大小，檢驗效能較好。檢驗結果發現，項目6和種子期項目均值之間有顯著差異，且項目6各風險預警指標的均值為2.7，低于項目均值的均值3.1，所以判斷項目6為低風險項目。

依據以上標準，對108個項目的風險狀況分別做出判斷。有33個項目是低度風險項目，設為類別一；31個項目是中度風險項目，設為類別二；44個項目是高度風險項目，設為類別三。并據此構建風險投資項目的風險預警模型。

六、實證結果分析

根據對108個風險投資項目的風險預判，選擇其中的98個項目訓練樣本，10個作為預測樣本。主要利用svmtrain函數進行非線性支持向量機預警模型的訓練和預測。所采用的核函數是徑向基函數，懲罰參數C和核函數參數是按照如下原則確定的：即讓懲罰參數C和核函數參數在某一范圍內離散取值，取使得最終測試集分類準確率最高的值作為最佳的參數。最終確定懲罰參數值為2，核函數參數值為1。

模型經過43次迭代后得到訓練集的擬合準確率為100%，測試集預測準確率為80%。測試樣本3和樣本9的預測結果與實際結果有偏誤。基于抽樣代表性的考慮，仍然采取隨機樣本分配，將以上結果整理如表3所示。

表3 SVM分類器分類結果與實際對比

從表3可以看出，在測試的10個隨機樣本中，低度風險、中度風險和高度風險的項目分別有1項、3項和6項，其中，中度風險項目的預測準確率為100%，6個高度風險項目中有5個預測是準確的，1個低度風險項目被錯誤識別為中度風險項目。可以看出，中度風險和高度風險項目的預測準確性還是比較高的。

利用非線性支持向量機模型對風險投資項目進行風險預警，具有較高的預測準確性，且訓練樣本集的擬合精度是完全準確的，其經驗風險是最小的。該模型不僅較好地說明了訓練樣本的變動，且具有較好的推廣能力，可以比較好地解決風險投資項目風險分類及預警。

任何模型的應用都是對現實的模擬和簡化，沒有任何一個模型能夠完美地詮釋現實情況。對于任何一個風險投資項目，影響其變動的風險因素是眾多的、復雜的、時刻變動的，要捕捉到風險因素變動對項目風險的影響不能僅僅依靠一個模型，要不斷地根據所研究的項目自身特點優化風險預警指標體系，從而得到更加精確的預測結果，更有助于確定項目的風險狀態?？梢员苊鈱⒌惋L險項目高風險化，提高監管成本；更重要的是避免將高風險項目低風險化，這將導致錯失及時實施相應風險應對策略的時機，導致風險惡化，甚至導致項目失敗。

[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] 高維義，錢剛毅，謝科范.中國風險投資監控管理模式分析[J].科技進步與對策，2002，(8)：74-75.

[4] 孫琪，陶學禹. 風險投資預警管理的預控對策[J]. 經濟管理，2004，(7)：52-54.

[5] 楊艷萍.風險投資的風險識別、評估與控制分析[J].經濟師，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] 錢水土，周春喜.風險投資的風險綜合評價研究[J].數量經濟技術經濟研究，2002，(5)：45-48.

[9] 魏星，夏恩群，李全興.風險投資項目決策中的風險綜合評價[J].中國軟科學，2004，(2)：153-157.

[10] 候文祥.高新技術產業風險投資的風險評價及防范[J].改革與戰略，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神經網絡43個案例分析[M]. 北京：北京航空航天大學出版社，2013.188-190.

(責任編輯：韓淑麗)

2016-12-16

李春宇(1981-)，女，黑龍江巴彥人，講師，博士研究生，主要從事風險投資和城鎮化研究。E-mail:happychunyu@sohu.com

F832.5

A

1008-4096(2017)02-0075-07