4 基于人工神经网络的评价方法
互联网项目创业投资不仅促进了互联网企业的成长发展，也增加了国民生产总值。如今做强做大的互联网公司很多，例如百度、搜狐、阿里巴巴等，但是失败的例子也很多，例如即刻搜索，投资进去 20 亿而收效甚微；再如做 B2C 的初刻等等。如何将稀缺的资源投入到具有市场前景的项目，有效地利用资源，实现资源优化配置。需要专门的互联网项目评价模型。在第三章，我们筛选除了专门针对互联网项目的评价指标，这一章节我们将通过对项目评价方法的适用性分析，得到对互联网项目的评价方法，并建立互联网项目创业投资评价体系。
4.1 互联网项目创业投资评价方法的适用性
投资项目评价方法研究基本上可以分成四个阶段：最初是比较保守的净现值法（NPV）为主，可见起初的项目评价比较注重财务表现，并以此决策是否投资项目；第二阶段引入现代管理理论思想，如层次分析法，模糊评价法；第三阶段将金融资产定价模型运用到项目投资评价领域，虽然有了突破性进展，但是仍然较多的关注现财务指标；第四阶段的发展是基于第三阶段，加入新理论，例如博弈论、数学规划、灰色函数等。
以下对每个阶段的典型方法进行介绍，阐述其使用范围及优缺点。并最终得到适合互联网项目的创业投资评价方法。
4.1.1 投资项目评价方法的对比研究
首先将高技术项目投资评价方法进行分类，如图 4.1 所示。传统的分析方法主要包含第一阶段和第二阶段的现金流法和层次分析法；新方法是将三、四阶段融入的新理论进行拓展，包括神经网络和实物期权的评价方法。
（1）现金流法
现金流的评价方法主要关注的是项目的经济评价，从会计学角度分析项目是否值得投资，其本质是用收付实现制为基础进行编制的[56].可选择的度量指标有项目的回收期、会计收益率、净现值、内含报酬率等，其中最常用的又是净现值法（NPV），当项目的净现值大于零时项目可行，反之，项目投资会导致支出大于收入。但是这种方法的前提假设是项目定期可以收回假设收入，市场条件不会发生巨大改变，市场不会出现强有力的竞争对手等一系列苛刻的条件。因此，这种基于经济指标的评价方法对项目其他因素缺乏考虑。从互联网项目创业投资评价指标体系来看，这种进考察经济指标的评价方法显然不适用。
（2）层次分析法
层次分析法是由美国匹兹堡大学 T.L.Saaty 教授在 70 年代中期提出的。它的基本思想是把一个复杂的问题分解为各个组成因素，并将这些因素按支配关系分组，从而形成一个有序的递阶层次结构。通过两两比较的方式确定层次中诸因素的相对重要性，然后综合人的判断以确定决策诸因素相对重要性的总排序[57].层次分析法的出现给决策者解决那些难以定量描述的决策问题带来了极大的方便，从而使它的应用几乎涉及任何科学领域。
层次分析法的优点是，首先将目标分成几个小目标，再依次分成可以评价的次目标，分散目标层受主观因素的影响。是一种综合分析工具，将定量和定性方法综合起来。缺点是评价过程需要专家打分，不同的专家由于阅历、知识以及背景不同会持有不同观点，评价过程比较复杂。
在高技术项目投资评价是，指标及其权重带有极强的主观性，评价时间长，不适合规模评价，即不适合互联网项目的创业投资评价，
（3）模糊评估方法
模糊评估方法是一种用于针对涉及模糊因素的对象系统的综合评价方法，该方法对评价中因素的模糊性能很好的解决，从而较客观的反应出事物本身的特质[58].该方法的缺点是层次界限不清，指标之间的关系较模糊，不容易区分，进而产生误差。
（4）人工神经网络法
人工神经网络是一种模拟大脑神经突出连接的结构进行信息处理的数学模型，这种分析方法更加接近人脑思维模式。人工神经网络需要大量样本作为训练集训练网络模型，训练好的网络模型把专家评价思想以连接权的方式赋予网络上，利用计算机辅助设计便可实现模拟专家评价，这种依照专家的评定的工作方法既利用了专家评价思想又可避免人为失误。
人工神经网络的优点表现在，模型具有自学习功能、联想存储功能以及高速寻找优化解的能力[59].缺点就是事先进行的用已知样本对神经网络进行训练和学习，这些样本数量要充足、够典型且准确。带来的困难时数据收集和处理的难度。
（5）实物期权评价法
实物期权评价法本质上是现金流法，但是从应用广泛度和理论完善程度角度来看还属于一种新方法。其优点在于考虑了市场变化的因素影响，能较真实反应项目的价值。
缺点就是主要针对的是金融资产提出的，对于互联网项目投资评价不完全适用，而且期权定价模型需要历史数据支持，缺乏历史数据的支持，模型的有效性难以得到确认[60].
4.1.2 评价方法的选择
互联网项目创业投资评价指标体系含有可以定量评价的指标，例如技术的先进性；更多的指标是需要定性描述。互联网项目的创业投资评价是结合定量指标与定性指标的综合评价，因此，选择的方法首先要能对定量与定性指标综合考量。
当今市场环境复杂多变，技术发展突飞猛进，各个影响因素对互联网项目成功的影响程度也非常不稳定，因此，评价方法的第二个要求是可以通入动态预测分析的功能。
基于以上两点的考虑，本文选择人工神经网络算法对互联网项目创业投资进行评价。人工神经网络是模拟人脑的神经元设计的模型，擅长在数据样本中寻找特定的模式，辨识输入和输出的因果关系，进而生成模糊逻辑关系；并且人工神经网络具有学习功能，能随着样本的变化进行动态改进。
4.2 人工神经网络算法介绍
人工神经网络（artificial neural network, ANN），也简称为神经网络（NN）或连接模型（connectionist model），它是一种通过模拟动物神经网络行为特征，并进行分布式并行信息处理的一种数学模型[61].人工神经网络的研究和发展是以关于大脑的生理研究成果为基础的，其目的在于模拟大脑的某些运行原理与机制，实现相应的人造智能系统。
互联网项目创业投资评价方法所利用的人工神经网络是误差反向传播神经网络的简称，是一种利用误差反向传播算法进行训练的多层前馈网络，属于有教师的学习方式，其基本思想是网络在外界输入样本的刺激下不断改变网络的连接权值，最终使得网络的输出不断地接近期望输出。
本文构建三层人工神经网络，包括输入层、隐含层、输出层结构。如图 4.2:
该三层人工神经网络的输入层有 n 个节点，隐含层有 p 个节点，输出层有 m 个节点，一般情况下 n>i>m.网络的输出量为 Y=[y1,y2,…，ym],期望的输出量为 E=[e1,e2,…，em],它们之间的误差向量为 D=[d1,d2,…，dm],人工神经网络就是利用该误差向量来调整网络的权值。
人工神经网络的学习规则是采用最速下降法，通过误差的反向传播来不断调整网络的权值和阈值，最终使得网络的误差平方和最小。人工算法的提出成功地解决了求解非线性连续函数的多层前馈神经网络的权值调节问题。
假定网络有 n 个输入 xi（ i=1,2,…，n），而网络的输出节点数为 m 个：yi（ i=1,2,…，m）网络的隐层为 p 个。
隐层的第 j 个节点的输入为
输出的反传误差信号为
4.3 基于人工神经网络的互联网项目创业投资评价方法
4.3.1 模型输入设计及量化
互联网项目创业投资评价的指标体系在第三部分已经得出，在人工神经网络模型中作为输入层的：
企业家因素：企业家人格特质、企业家动机和企业家决策水。
市场因素：市场规模、市场增长潜力和市场需求。
产品因素：产品被接受程度。
技术因素：技术知识产权保护、技术先进性和技术成熟度。
商业因素：商业模式和营销策略。
环境因素：社会人文环境。
利用人工人工神经网络进行互联网项目评价需要对已经投资的互联网项目相关数据样本来做训练。由于互联网项目发展 10 余年来成功的案例非常多，而且创业投资企业都会对项目背景资料进行存档，所以获得样本数据不是非常困难。现在又非常多的网站例如 IT 桔子、创业邦等专门关注创业投资项目发展，提供创业投资项目的相关资讯，因此，对已成熟的创业项目背景资料容易获得。本文的做法是：以 IT 桔子投资数据网为依托，选取发展好且已上市或完成 D 轮投资项目或企业，请三位专家对项目的 13 项指标打分，三位专家每项打分求平均作为输入值。即输入指标 xn（n=1,2,…，13）有十三项。本文的三位专家介绍具体如下：第一位是的嗨普帮科技的联合创始人，有五年互联网行业从业经验，曾任大街网无线产品经理、人人网运营专员等，对互联网项目创业有资深经验；第二位是中北大学经济与管理学院教授，具有多年项目投资评价研究经验，发表过《政府投资项目评价体系的选择与设计》、《企业投资项目评价指标选择》等专业学术论文；第三位为山西省某创业投资公司经理，其对创业投资风险具有多年研究经验，且从长期从事投资项目评级工作。
选出的企业包含京东商城、聚美优品、优酷、酷 6 网、58 同城、高德地图、去哪网、久邦数码等 36 项互联网项目进行专家打分。得到数据见表 4.1.
4.3.2 模型输出
互联网项目创业投资评是针对项目这个整体，是项目综合表现的判断，因此互联网项目的输出节点为一个，即输出 y 只有一项。输出向量的取值区间为[0,1].
4.3.3 模型构造及 MATLAB 的实现
经验表明，隐层节点的数目是根据设计者的经验和试验来决定的，不存在固定的计算公式。隐层的数目与模型中的输入个数、输出个数、要解决问题的本质有直接关系，过多或过少隐层个数都会影响判断效果，使结果失真。因此，本文采用实验的方法选定隐层节点数，选择 10、12、14 和 16 做试验，对比实验结果，得到隐层数目为 12 时效果最好。
用 1-33 项案例训练神经网络，34-36 做验证，以保证构建的神经网络模型的准确性。
下面是基于人工神经网络的互联网项目创业投资评价在 MATLAB7.0 中的实现。首先建立人工神经网络：
Threshold=[01;01;01;01;01;01;01;01;01;01;01;01;01];net=newff（threshold,[12,1],{'tansig','logsig'},'trainbpx‘）；Threshold 的功能是设定了 13 个输入向量且其取值范围是[0,1],网络的隐层节点数为 12 ,输出向量个数为 1;隐层传递函数为正切 S 型神经元求导函数 tansig;输出层的传递函数为对数 S 型传输函数 logsig;训练网络的函数为 trainbpx,该函数使用动量因子时，人工算法可以找到更好的解，且自适应学习率可以缩短训练时间。
第二，利用 33 个样本进行网络训练，设定训练次数为 1000 次，精度为 0.0001,其他参数不变。编程如下：
Net.trainParam.epochs=1000;Net.trainParam.goal=0.0001;Net=train（net,P,T）；P 和 T 代表网络的输出向量和期望输出量，训练结果如下图 4.3 所示。
第三，对 34-36 的样本数据输入进行测试，编码如下：
P_test=[0.8 0.6 0.8 0.8 0.8 0.8 0.8 0.6 0.8 0.8 0.8 0.8 0.8;0.8 0.8 0.8 0.6 0.8 0.8 0.8 0.7 1 0.8 0.8 0.6 0.8;0.6 0.6 0.6 0.4 0.6 0.6 0.8 0.2 0.6 0.6 0.4 0.6 0.6;]
Y=sim（net,P _test）测试结果见表 4.2.
可见该模型的准确性较高。
4.4 本章小结
本章对互联网项目的创业投资评价方法进行了对比，分析了每种方法的适用范围及优缺点，并结合本文研究对象特点选择了人工神经网络技术对互联网项目的创业投资进行评价。紧接着本文用 33 组数据对建立的人工神将网络进行训练，并用 5 组数据进行检测，检验结果认为构建的人工神经网络用于计算互联网项目的创业投资评价是可行的。第三章与第四章共同构建了互联网项目的创业投资评价体系。
