企业战略-企业战略风险预警新思路

★★★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）