中小企業(yè)成長性評價模型介紹

||（科技型）中小企業(yè)成長性評價 內(nèi)部資料-保密（科技型）中小企業(yè)成長性評價體系介紹成長性是企業(yè)持續(xù)經(jīng)營的前提，企業(yè)成長過程的外在表現(xiàn)是企業(yè)規(guī)模的由小到大，內(nèi)在表現(xiàn)是企業(yè)素質(zhì)的提高，是企業(yè)生存能力的由弱到強、企業(yè)素質(zhì)的由低到高、企業(yè)競爭力的由弱到強。成長性是指企業(yè)持續(xù)發(fā)展的能力，通過對中小企業(yè)成長性的評價，企業(yè)的管理層可以根據(jù)評價的結(jié)果了解企業(yè)經(jīng)營狀況和制定合理的計劃，投資者也可以利用評價結(jié)果，制定投資決策。對企業(yè)的成長性進行評價也成為了企業(yè)所有者、管理者和投資者等相關(guān)利益方共同關(guān)注的問題。（科技型）中小企業(yè)成長性評價模型從六個維度出發(fā)對企業(yè)進行評價，包括技術(shù)創(chuàng)新能力、盈利能力、發(fā)展?jié)摿?、管理能力、營運效率、企業(yè)信用風(fēng)險。o技術(shù)創(chuàng)新能力一一產(chǎn)品技術(shù)或創(chuàng)意創(chuàng)新性、先進性和可行性；o盈利能力一一產(chǎn)品開發(fā)策略合理性、產(chǎn)品獲利方式、未來的定位及發(fā)展規(guī)劃；o發(fā)展?jié)摿σ灰划a(chǎn)品市場需求程度、核心競爭優(yōu)勢、進入的難度；o管理能力一一創(chuàng)業(yè)團隊完整性、互補性、穩(wěn)定性和行業(yè)背景及資源整合能力；o營運效率一一財務(wù)合理性，如流動比例、資產(chǎn)負(fù)債率、速動比率、資產(chǎn)周轉(zhuǎn)率等；o信用風(fēng)險一一司法訴訟、欠稅、經(jīng)濟訴訟、重大事項等。成長性評價模型整體架構(gòu)成長性陰介模型框架成長性評價模型整體架構(gòu)成長性陰介模型框架建模方法介紹第一部分：基礎(chǔ)模型。成長性評價模型的基礎(chǔ)為迎算法，其它兩大模塊在此基礎(chǔ)上建立°GBRT算法具有精度高，泛化能力強，能處理非線性數(shù)據(jù)，

能處理多特征類型，對數(shù)據(jù)的清潔程度要求相對較低等優(yōu)點，非常適合成長性評價模型的需求和數(shù)據(jù)環(huán)境。（ 基礎(chǔ)模型：GBRTI 歷史數(shù)據(jù) 待評估企業(yè)敬據(jù)廠 、GBRT￡ '、佃E幻「?當(dāng)'家牝口.卒成長價報數(shù)據(jù)數(shù)g打分報數(shù)據(jù)數(shù)據(jù)值分第二部分：集成學(xué)習(xí)模塊。集成學(xué)習(xí)模塊采用stacking算法，進一步提升模型的精度，穩(wěn)定性及泛化能力。在有標(biāo)記樣本的數(shù)量較少的情況下，可能同時存在多個模型在訓(xùn)練集上具有良好的表現(xiàn)，并且表現(xiàn)相對較差的模型在實際使用時，可能相對訓(xùn)練集上表現(xiàn)更好的模型具有更高的精度。同時，樣本量較小的情況下，模型也更容易受極端值，異常點等影響。通過集成學(xué)習(xí)，綜合多個模型的預(yù)測結(jié)果，讓模型的預(yù)測能力更為穩(wěn)定可靠。第三部分：半監(jiān)督學(xué)習(xí)模塊。半監(jiān)督學(xué)習(xí)模塊采用Tri-training算法，充分利用未標(biāo)記樣本的信息。傳統(tǒng)建模方法訓(xùn)練模型不使用未標(biāo)記樣本，但實際上，未標(biāo)記樣本中同樣存在大量信息可用于訓(xùn)練模型，半監(jiān)督學(xué)習(xí)可以充分利用這些信息，進一步保障模型性能。/ 半監(jiān)督學(xué)習(xí)模塊：Co-training： ]I 歷史蕈據(jù)“ 待評估企業(yè)數(shù)據(jù)， 待評估企業(yè)數(shù)據(jù)， i企業(yè)上K-專家盤k金升到"企業(yè)上K-專家盤k金升到"w報敦?fù)?jù)數(shù)據(jù)打分□:膘據(jù)敷據(jù)Imhmm報數(shù)據(jù)數(shù)據(jù)以GBRT為基模型，在數(shù)據(jù)規(guī)模和質(zhì)量提升后，可以采用多種技術(shù)手段進一步提升模型的預(yù)測能力和穩(wěn)定性?？梢詮囊韵聝蓚€角度出發(fā)：半監(jiān)督學(xué)習(xí)一一半監(jiān)督學(xué)習(xí)可以充分利用未標(biāo)記樣本信息，提升模型預(yù)測能力。如協(xié)同訓(xùn)練(Co-train)，其基本原理是首先基于訓(xùn)練集產(chǎn)生兩個不同的模型(如GBRT和神經(jīng)網(wǎng)絡(luò))，兩個模型同時對測試集進行預(yù)測，比較預(yù)測結(jié)果，挑選預(yù)測結(jié)果最可信的樣本，將預(yù)測結(jié)果作為該樣本的標(biāo)簽，添加進訓(xùn)練集，根據(jù)擴大后的訓(xùn)練集訓(xùn)練出新的模型，然后重復(fù)此過程。集成學(xué)習(xí)集成學(xué)習(xí)可以通過集成多個模型提升模型性能。如stacking模型，其基本原理是基于訓(xùn)練集訓(xùn)練出多個模型，將每個模型的輸出作為輸入，訓(xùn)練出一個新的模型，新模型的輸出作為模型整體的輸出。通過這一過程可以讓多個模型互相修正，使模型的預(yù)測結(jié)果更穩(wěn)定可靠。在模型構(gòu)建過程中，采用10折交叉驗證檢驗?zāi)Ｐ皖A(yù)測性能，即每次抽取十分之九的樣本進行建模，對余下的十分之一的樣本進行預(yù)測，觀察預(yù)測效果，重復(fù)十次。驗證結(jié)果如下，mae(meanabsoluteerror)代表平均絕對誤差，test-mae-mean與test-mae-std分別代表十次交叉驗證獲得的mae的均值與標(biāo)準(zhǔn)差。從表中我們可以看到，采用GBRT不僅預(yù)測精度高，而且十折交叉驗證的標(biāo)準(zhǔn)差較小，說明預(yù)測性能穩(wěn)定可靠。評價維度迭代次數(shù)test-mae-meantest-mae-std營運效率601.66079820.195673901管理能力501.42258190.225093494技術(shù)創(chuàng)新501.73009860.274581483盈利能力601.59229980.183135358

信用風(fēng)險500.48764190.109909809發(fā)展?jié)摿?01.35234800.203