搜索
★★★文档资源★★★内容摘要：对于一个企业来说，选择一种恰当的预警方法是降低其风险的有效途径。粗集理论的引入是对BP神经网络预警方法的合理化补充。在分析了粗集-神经网络基本原理的基础上,介绍了运用粗集-神经网络进行战略风险预警的具体过程，这在理论和实践上，都将为企业战略风险预警提供一种新的研究思路和方法。关键词：预警粗集神经网络战略风险企业战略风险预警管理是战略风险管理理论的一种改进或延伸，通过提供可操作的预警分析方法与预控对策，在企业现有的职能的基础上，增设对未来的战略管理活动的监测、诊断、控制、矫正等预警职能，使企业的职能结构更完善、更合理。旨在战略风险发生以前，采取措施予以控制，尽可能地避免给企业带来更为严重的损失。选择恰当的预警方法将对预警结果起到关键的作用。目前国内外已有大量的预测、预警方法和模型，如人工神经网络(ANN)预警方法、模糊(FUZZY)预警、自回归条件异方差(ARCH)预警等。但每种方法都有自己的适用范围，因此在使用这些预警方法时就要根据具体问题进行分析和选择。神经网络是一种大规模并行的非线性动力系统，尽管它具有自组织、并行处理及容错能力等优点，但由于其自身的缺点，比如随着维数的增加,学习时间激剧增长和易陷入局部最小点等导致预警结果存在很大的偏差。而粗集方法的引入可以克服神经网络的不足，粗集方法在不改变原有决策规则的前提下，对原始数据进行属性和对象的约简，求出简化的决策规则，并应用此规则对神经网络的结构和层次进行简化，从而提高了神经网络的工作效率和工作质量。因此，对粗集与神经网络这两种方法进行优势互补，并将其用于企业战略风险预警的研究具有一定的可行性。本文提出基于粗集-神经网络的预警方法，为企业战略风险预警提供了一种新的研究思路和方法，同时也能更好地丰富和完善企业风险预警的理论与方法。粗集-神经网络的基本原理粗集理论和神经网络是智能信息处理的两种重要的方法,其任务是从大量观察和实验数据中获取知识、表达知识和推理决策规则。粗集理论是基于不可分辩性思想和知识简化方法,从数据中推理逻辑规则,适合于数据简化、数据相关性查找、发现数据模式、从数据中提取规则等。神经网络是利用非线性映射的思想和并行处理方法,用神经网络本身的结构表达输入与输出关联知识的隐函数编码,具有较强的并行处理、逼近和分类能力。在处理不准确、不完整的知识方面,粗集理论和神经网络都显示出较强的适应能力,然而两者处理信息的方法是不同的,粗集方法模拟人类的抽象逻辑思维,神经网络方法模拟形象直觉思维,具有很强的互补性。首先,通过粗集理论方法减少信息表达的属性数量,去掉冗余信息,使训练集简化,减少神经网络系统的复杂性和训练时间;其次利用神经网络优良的并行处理、逼近和分类能力来处理风险预警这类非线性问题,具有较强的容错能力;再次,粗集理论在简化知识的同时,很容易推理出决策规则,因而可以作为后续使用中的信息识别规则,将粗集得到的结果与神经网络得到的结果相比较,以便相互验证;最后,粗集理论的方法和结果简单易懂,而且以规则的形式给出,通过与神经网络结合,使神经网络也具有一定的解释能力。因此,粗集理论与神经网络融合方法具有许多优点,非常适合处理诸如企业战略风险预警这类非结构化、非线性的复杂问题。基于粗集－神经网络的战略风险预警方法的具体过程首先对所研究的战略风险的指标样本特征数据，用粗集进行预处理,进行属性约简,提取出重要的特征属性,然后对这些属性离散归一化，并经阀值处理成粗集方法所要求的0-1表，再对0-1表用粗集理论的方法进行数据约简与规则提取，对已提取的规则计算其精确度和覆盖度，以此来配置粗集-神经BP网络的隐层节点与初始连接权值，最后根据训练好的神经网络系统将训练结果作为输入数据进行识别和分类,以判断企业是否会发生战略风险。（基于粗集-神经网络构造图见图1所示）输入模块。这一阶段包括初始指标体系确定，根据所确定的指标体系而形成的数据采集系统及数据预处理。企业战略风险的初始评价指标如下：企业外部因素：政治环境(法律法规及其稳定性)，经济环境（社会总体收入水平，物价水平，经济增长率），产业结构（进入产业障碍，竞争对手数量及集中程度），市场环境（市场大小）。企业内部因素：企业盈利能力（销售利润率，企业利润增长率），产品竞争能力（产品销售率，市场占有率），技术开发能力（技术开发费比率，企业专业技术人才比重），资金筹措能力（融资率）,企业职工凝聚力（企业员工流动率），管理人才资源，信息资源；战略本身的风险因素（战略目标，战略重点，战略措施，战略方针）。本文所建立的预警指标系统是针对普遍意义上的企业，当该指标系统运用于实际企业时，需要对具体指标进行适当的增加或减少。因为各个企业有其具体的战略目标、经营活动等特性。计算处理模块。这一模块主要包括粗集处理部分和神经网络处理部分。粗集处理阶段。根据粗集的简化规则及决策规则对数据进行约简，构造神经网络的初始结构，便于神经网络的训练。企业战略风险分析需要解决的问题是在保证对战略风险状态评价一致的情况下,选择最少的特征集,以便减少属性维数、降低计算工作量和减少不确定因素的影响,粗集理论中的属性约简算法可以很好地解决这个问题。粗集理论主要研究一个由对象集和属性集构成的数据结构,该数据结构通常称为决策表,其形式如表１所示。决策表中的对象集表示某些观察、个体或状态,属性集表示对象的描述,如特征、症状、症兆等。属性集分为条件属性和决策属性两大类。其中Ｕ={Ｘ1,Ｘ2,...,Ｘn}称为对象集,Ｃ={Ｆ1,Ｆ2,...,Ｆm}为条件属性集,Ｄ为决策属性;ｆij表示第i个对象的第ｊ个状态属性值,ｄi表示第ｉ个对象的决策属性值。通过观察发现，决策表是协调的，在去掉决策表中的冗余属性、冗余的对象的同时不会改变原有的决策规则。当U︱IND（F-Si）≠UIND（F）说明Si是不可约简的，反之则可约简。神经网络阶段。采用BP算法，对所输入数据进行训练，获取报警的知识。采用最常用的三层ＢＰ前向神经网络,网络各层之间完全连接,包括权矩阵Ｗ(1)连接的输入层Ｓ1与隐含层Ｓ2,权矩阵Ｗ(2)连接的隐含层Ｓ2与输出层Ｓ3,如图2所示。神经网络算法包括网络结构确定、网络参数(权矩阵Ｗ(1)和Ｗ(2)的初始值、学习率η、动量因子β、非线性函数参数α及误差阈值ε)确定、训练样本数据处理、权值计算、误差计算等步骤。（见图2）BP算法成功的关键在于权矩阵Ｗ(1)和Ｗ(2)的初始值、网络隐含层节点的个数以及学习因子等参数的选取,如果选择得不合适,可能会导致网络训练失败、陷入局部最优或得到比较差的分类结果,特别是权矩阵Ｗ(1)和Ｗ(2)的初始值的选取过程缺乏严格的理论依据,一般要根据经验及试验选取。权矩阵Ｗ(1)表示的是各项指标在整个指标体系的重要程度,其确定方法一般采用定性的方法,目前多采用层次分析法来确定权矩阵Ｗ(1),使指标权重的确定更具客观性。首先明确内部的层次结构关系及其各组成因素之间的相互关系,然后通过专家对两因素之间的相对重要程度的比较和判断,建立判断矩阵,运用相应的数学方法进行分析和处理,以得出不同指标间的相对重要性权重。权矩阵Ｗ(2)表示的是各个隐含层节点对输出层的影响程度,在大多数的有关神经网络的文献中，其初始值取0～0.1之间的很小的随机数,通过多次迭代学习,反复修改权值,一直到神经网络收敛为止。在选取Ｗ(2)的初始值时,首先根据经验初步选取Ｗ(2)的初始值,如全部设定为0.05,然后用一组实际的数据进行试验,如果输出结果与实际结果相差很多,则按照某种规则修改Ｗ(2)的初始值,再用另一组数据进行试验,一直到输出值与实际值小于给定的数值为止,最后确定出Ｗ(2)的初始值。输出模块。该模块是对将发生的战略风险问题发出警报。警限是划分不同警度的临界值，表现为某一预警指标在一定的警度下变化的最大允许的振幅，常以数量形式表现出来。按照战略风险大小强弱程度的不同，可将其分为三个层次。第一层次是轻微战略风险，是损失较小、后果不甚明显，对企业的战略管理活动不构成重要影响的各类风险。这类风险一般情况下无碍大局，仅对企业形成局部和微小的伤害。第二层次是一般战略风险，是损失适中、后果明显但不构成致命性威胁的各类风险。这类风险的直接后果使企业遭受一定损失，并对其战略管理的某些方面带来较大的不利影响或留有一定后遗症。第三层次是致命性战略风险，指损失较大，后果严重的风险。这类风险的直接后果往往会威胁企业的生存，导致重大损失，使之一时不能恢复或遭受破产。在实际操作中，每个企业应根据具体的状况，将这三个层次以具体的数值表现出来。为了简单明了的表述预警结果，可将企业的警度分为****:无警、轻警、重警，并用绿、黄、红三种颜色灯号表示。其中绿灯区表示企业综合指标所反映的实际运行值与目标值基本一致，运行良好;黄灯区表示企业综合指标所反映的实际运行值与目标值偏离较大，要引起企业的警惕。若采取一定的措施可转为绿灯区，若不重视可在短期内转为******;******则表示这种偏离超过企业接受的可能，并给企业带来整体性的重大损失。例如:销售利润率极低、资产负债率过高，资源配置不合理、缺乏发展后劲等，必须找出原因，继而采取有效措施，使企业的战略管理活动始终处于“安全”的状态。本文提出了粗集与神经网络融合进行企业战略风险的预警方法,通过粗集减少属性的数量,提取主要的特征属性,降低神经网络构成系统的复杂性及计算时间，结合神经网络系统的容错能力、并行处理能力、抗干扰能力及处理非线性问题能力,将粗集与神经网络进行串行结合,但这仅仅是在理论上的一种尝试，还需通过实证分析验证此方法的可行性和有效性。