[摘要]技术创新是企业获得竞争优势的根本源泉,然而,技术创新又是一项高风险活动,对风险问题的处理决策必须建立在对风险的科学度量基础上。本文对现行技术创新项目风险测度的常用几种方法进行了评述。
[关键词]技术创新项目 风险 测度方法
在激烈的市场竞争条件下,技术创新是企业获得竞争优势的根本源泉,是企业求得生存和发展的重要基础。一项成功的技术创新,经过技术扩散后,通常会导致产业结构、市场结构的变化,刺激新的市场需求,同时也为更高层次的技术创新奠定了基础,从而形成一种良性循环,推动企业竞争力的不断增长。但技术创新项目总是高收益与高风险并存的,一项技术创新成果,从其创意、构思到研究开发以至进入市场的过程中,需要经过许多环节,几乎每个环节都有失败的可能。企业在决定是否投资技术创新项目之前,需要对它的风险性进行全面的分析与评价。风险的测度是风险分析的核心内容,对风险问题的处理决策必须建立在对风险的科学度量基础上。在这种情况下,如何运用科学的风险测度方法建立有效的技术创新项目风险测度体系,对企业和投资者来说就变得尤为重要。
风险测度方法的选择主要取决于项目的规模、类型、性质以及可供信息的多少和可靠性。对于像技术创新这样具有高风险—高收益特点的项目而言,其风险测度方法的选择绝对不是简单而为之的,必须根据风险特点,在全面分析风险因素的基础上,建立科学的项目风险测度指标体系,运用合理的测度方法,权衡利弊,优化项目投资结构,提高项目投资效益。目前,技术创新风险测度的方法很多且各有特点,通过对国内外相关研究的分析,常用的几种方法如下。LoCalhoST

一、层次分析法

层次分析法是美国运筹学专家t.l.satty于20世纪70年代初期提出来的一种多目标综合评价方法。这是一种整理和综合人们主观判断的方法,通过分析复杂系统所包含的所有因素及其相关关系,将问题分解为若干个互不相同的组成因素,根据各组成因素的隶属关系,把各组成因素归并为不同的层次,从而形成多层次的分析结构模型。运用层次分析法计算的结果反映的是各方案的相对风险大小,不能直接反映具体方案的真实风险程度。同时,应用层次分析法在确定各层次不同因素相对上一层各因素重要性权数时,利用了两两比较的方法,需要衡量判断矩阵的一致性。当不满足一致性指标时,则需对判断矩阵作一定调整但调整又没有固定的方法,而是凭着大致估计来调整。这样处理带有很大的盲目性,不能排除经过多次调整才能通过一致性检验的可能性,而且在解决群体专家权重评价时,没有剔除个别偏差很大专家意见的干扰从而使结果出现较大的失真,往往只因为一两个较大的离异意见而使最后的综合权重面目全非。

二、模糊综合评价法

1965年,美国控制论专家查德(l.a.lazadch)创立了模糊数学方法。模糊综合评价方法,是利用模糊数学原理,建立相对标准和切实可行的数学模型对影响风险的诸多风险因素进行综合考虑,从每一个因素对风险的影响大小(或影响程度)以及就每一个因素风险所处的现状来进行全面评价,从而得出风险的评价结果。模糊数学的优势在于:它为现实世界中普通存在的模糊,不清晰的问题提供了一种充分的概念化结构,并以数学的语言去分析和解决它们,它特别适用于对具有大量模糊信息的对象进行评价。目前模糊综合评价法已广泛应用于各种经济评价中。由于创新项目中潜含的各种风险因素很大一部分难以用数字来准确地加以定量描述,但都可以利用历史经验或专家知识,用语言生动地描述出它们的性质及其可能的影响结果。这种性质最适合于采用模糊数学来解决问题。但是当专家评判不一致时,用模糊综合评价法计算得出的风险结果是非常值得怀疑的。

三、灰色综合评价法

灰色系统理论是我国著名学者邓聚龙教授在1982年创立的一门新兴横断学科。它以“部分信息已知,部分信息未知”的“小样本”,“贫信息”不确定性系统为研究对象,主要通过对“部分”已知信息的生成,开发,提取有价值的信息,实现对系统运行行为的正确认识和有效控制。灰色系统理论可以广泛运用于机制复杂、层次较多、难以从定量角度建立精确模型的系统研究工作中。同时,由于灰色系统理论的数学方法是非统计方法,它尤其适用于系统数据较少和条件不满足统计要求的情况。由于技术创新项目的复杂、信息残缺、难以定量化等特点,故可以采用灰色系统理论方法对其风险进行测评。灰色综合评判几乎可以完全利用各个专家关于具体指标的全部信息,但运用该方法在获取各评价指标的灰色评价权向量时,它是根据全体专家对该指标相对于某一灰类的隶属度之和与相对于全体灰类的隶属度之和的比值确定,这种处理方法也从无法衡量专家评判的一致性,导致最终评价结果的不精确。

四、人工神经网络法

人工神经网络法是一种交互式的评价方法,它可以根据用户期望的输出不断修改指标的权重,直到用户满意为止。它主要克服了模糊综合评价中指标权重依据主观方法取得的缺点,因此,一般来说,人工神经网络评价方法得到的结果会更符合实际情况。但是,人工神经网络评价的缺点是需要的训练样本数据较多,模型的性能在很大程度上取决于训练样本的数量和质量,即不是所有的神经网络都具有高的泛化性能,这在技术创新领域是很难做到的。同时,人工神经网络模型难以解释和给出实际的物理意义,特别是无法回答“why”和“how”等问题,加上由于技术创新风险的模糊性、难以定量性,运用神经网络方法必须与专家系统结合起来,这又使整个系统过于复杂。在微观方面,网络结构的选择,各层节点数,尤其是隐含层节点数的选择,到目前为止还没有很好的解决。另外,网络收敛速度慢也极大地影响着评价工作的效率。需要指出的是,人工神经网络计算结果的准确性也依赖于样本数据的可靠性,如果采用没有经过一致性检验的样本数据进行人工神经网络训练,其得出的结果也是值得怀疑的

[1] [2] 下一页