基于TBP理論的支持向量機的創業機會捕捉能力識別①

成 青, 鄭 泰, 黃銀剛

(1浙江旅游職業學院,浙江 杭州 311231;2.浙江金融職業學院,浙江 杭州 310018;3.浙江工業大學,浙江 杭州 310014)

0 引 言

隨著經濟全球化的發展和市場競爭的加劇,創業活動日益發展成為社會經濟發展中的重要因素,研究者普遍關注可培養的創業能力。對創業期企業而言,創業機會的識別與捕捉能力對于企業的生存和發展至關重要,本文則基于TBP理論,面向其預測機制,構建支持向量機模型并驗證這一預測能力。理論行為預測(Theory of Reasoned Action and Planned Behavior,TBP)是基于社會學和心理學理論的一種個體行為預測模型,在挖掘既有評價數據支持的決策行為機制中具有顯著應用價值,支持向量機這一分析方法亦適應于高維稀疏數據,能夠為多樣化TBP理論框架下各類行為預測模型提供更加全面和精準的支持。

1 文獻綜述

隨著經濟不斷發展和市場競爭的日益激烈,創業行為日益成為經濟活動中的重要因素,而創業者成功的內在驅動因素也得到了更多研究者的重視。具體而言,創業機會的掌握和捕捉是多數研究所討論的關鍵要素,對其構成和影響因素進行分析。蔣兵等(2023)對于創業機會識別與機會拼湊過程進行分析,探討創業認知中創業警覺等因素的積極影響[1]。駱鑫和張秀娥(2023)對創業機會開發課題進行分析,探討創業學習對創業機會開發能力提升中的顯著積極影響,并驗證創業機會識別在其間發揮中介作用[2]。杜晶晶和,郝喜玲(2023)對創業機會相關研究作綜述,分析了創業機會中數字創業影響創業機會概念和利用的研究現狀變化,并展望后續研究拓展[3]。趙富強等(2022)對創業警覺影響創業行為的作用機制進行分析,構建中介效應模型驗證創業意向等因素影響機制[4]。杜晶晶等(2022)對社會資本參與創業機會形成與發展機制進行分析,構建創業機會的內容與合意等因素影響情況[5]?？傮w而言,創業機會捕捉是創業成功的關鍵因素之一,需要綜合考慮市場、技術、人才和資本等多個方面的因素共同考慮其影響機制?，F有研究從創業者個人內在因素、社會環境和組織創新等多個層面入手,不斷完善理論,探尋創業機會捕捉的影響因素,形成了一定規模的研究成果積累。本文也即在這一研究現狀基礎上,對其中創業教育等行為調節和優化的相關影響因素進行分析,探討其對創業機會捕捉能力的實際影響。

2 概念與理論框架

2.1 TBP理論

TBP理論的核心是人們對特定行為的態度和社會資本規范,這兩個因素共同影響人們的行為意愿和行為決定。態度是指個體對某個行為的評價,社會資本規范則是指個體認為人際交往環境中某些重要他人對特定行為的評價,兩者共同構成行為決策的內部驅動因素。此外,行為控制也是影響行為的一個因素,它指的是個體對能夠控制某個行為的因素的認知和信念。

TBP理論的應用廣泛,可以用來解釋或預測個體的各種行為,如購買行為、環保行為、健康行為等,本文則基于TBP理論對創業機會捕捉能力進行評價,具體通過問卷調查等手段來收集相關數據,并利用統計分析方法進行預測和驗證。

2.2 支持向量機

支持向量機(Support Vector Machine,SVM)是一種有監督的機器學習算法,為二分類模型,目標是在解決復雜分類問題時找到一個最佳的超平面來分開不同的分類.

構建這一分離超平面有:

wx+b=0

SVM通過最大化分類邊界(即不同類別之間的距離)并最小化分類錯誤率來識別模式,以此解決分類問題。

假設有訓練數據集:

T={(x1,y1),(x2,y2),…,(xN,yN)}

其中,xi為第i個特征向量,yi為類標記,有:

xi∈n

yi∈{+1,-1}

i=1,2,…,N

則分離超平面與T的幾何間隔有:

T中全部樣本點與超平面間距離的幾何間隔取最小值,有:

γ=minγi

i=1,2,…,N

該值也即支持向量到草坪面距離。由此,SVM對分割超平面求解問題轉變為約束優化問題:

γ=minγi

i=1,2,…,N

在這一SVM模型的基礎上,引入貝葉斯優化。

3 實證分析

3.1 變量設計

本文對創業教育等環境所提供創業機會捕捉能力影響因素進行構建,有:

表1 指標選取

為獲得充分創業成功案例,本文選取創業輔導課程中的學員群體為研究對象,面向其導師對創業課程情況進行評價,從而盡可能獲得更多、更全面的樣本數據。其中,因變量作為虛擬變量區分樣本數據特征,相應需要構建預測模型,適用于SVM模型特點。因此,本文基于TBP理論構建模型,旨在研究SVM在創業機會識別和捕捉中的預測能力,探索其應用前景和實踐價值。

圖1 模型預測結果

3.2 預測結果

對于其中市場調研和計劃編制部分指標的預測結果進行整理,有:

如圖1所示,預測結果中不同指標的預測正確性差距較大,提示投融資規劃等關鍵指標的預測能力較強。

對于其中經營能力、創新能力、社會資本部分指標的預測結果進行整理,有:

如圖2所示,不同指標的預測能力亦有一定差距,如團隊管理能力等指標的預測價值較弱。

圖2 模型預測結果(續)

圖3 模型預測結果混淆矩陣

3.3 模型質量

總體而言,這一模型預測結果的準確性為78.4%,總誤分類代價為40。整理模型預測有效性,構建混淆矩陣,有:

如圖3所示,樣本數據預測結果中的真正率為81%,相對較高,假負率亦達到76%,預測能力整體表現較好。

對其迭代中的性能表現進行整理,有:

圖4 模型迭代結果

如圖4所示,模型迭代至第五次后分類誤差已顯著下降,直至第26次迭代后模型達到最優水平。這一條件下模型最小分類誤差低于0.22,迭代次數相對較少而相應耗時有限,進一步驗證這一模型能夠應用于更為廣泛的多樣化有關研究中,為相關分析提供材料基礎。

整理ROC曲線,有:

圖5 ROC曲線

如圖5所示,模型檢驗結果顯示模型優化結果呈現相對平滑的ROC曲線,當前分類器所取最優點下預測真正率為84%,假正率為27%。

總體而言,模型利用SVM模型,基于TBP理論的創業機會識別和捕捉能力預測具有較高的準確性和效率,能夠有效地幫助創業教育優化自身評價機制、改善創業者能力培養具體措施,有一定實踐應用價值。

4 結 語

現有研究有效構建了面向創業機會捕捉能力的預測模型,模型預測效果表現較好?；赥BP理論的SVM應用中,關鍵的技術難點包括數據預處理、變量選擇、模型構建和評估等方面,需要不斷加強計算機和數學等領域知識的融合。面向未來有關領域研究,基于TBP理論的SVM應用亦可以進一步優化和拓展,以適應不同領域的研究需求。