摘要：针对知识产权质押融资风险评价指标之间存在的交互性，引入信息集成能力较强的Choquet模糊积分构建大数据企业知识产权质押融资风险评价模型。首先，构建大数据企业知识产权质押融资风险评价指标体系；然后，采用基于指标权重和指标间交互度的默比乌斯变换系数计算2-可加模糊测度，其中，指标权重借助模糊层次分析法（AHP）确定，指标间的交互关系和交互度由专家确定；最后，利用Choquet模糊积分计算待评价大数据企业的综合评价值。以我国3家大数据产业上市公司为样本进行算例分析，结果证明了该模型的可行性和有效性。

关键词：大数据企业，知识产权质押融资，知识产权质押融资风险，2-可加模糊测度，Choquet模糊积分

1 研究综述

大数据产业属于知识产权密集型产业，开展知识产权质押融资业务有利于拓宽大数据企业融资渠道，加大对大数据企业的信贷支持力度。开展知识产权质押融资业务，需要建立健全知识产权质押融资风险管理机制。如何构建科学的知识产权质押融资风险评价体系，是建立健全知识产权质押融资风险管理机制的基础性和关键性课题，而知识产权质押融资风险评价方法又是其中的重要研究内容之一。

目前，已有文献中采用的知识产权质押融资风险评价方法主要有模糊综合分析法、因子分析法、基于可能度的多属性决策方法、VIKOR多属性决策方法、基于Vague集的逼近理想解排序法（TOPSIS）等^[1-5]。上述评价方法在不同程度上均假定指标间是相互独立的，且大多以加法性的方法为评价基础。但是在现实情况中，知识产权质押融资风险评价指标之间往往存在一定的交互关系，例如，企业经营风险与知识产权风险之间存在一定的重复性，而知识产权风险与质押管理和变现风险之间又存在一定的互补性，从而导致加法性方法的评价结果失真。

模糊积分是定义在模糊测度基础上的一种非线性函数^[6]。与经典的概率测度相比，模糊测度用约束条件较弱的单调性和连续性取代了可加性，能够作为衡量单个指标或指标集合重要程度的基础。模糊积分不需要假设指标间相互独立，适用于指标间存在交互关系的情形，能够更准确地反映人的主观评价意见，是一种非可加法的评价方法。有鉴于此，本文引入信息集成能力较强的Choquet模糊积分，构建大数据企业知识产权质押融资风险评价模型。其中，模糊测度选用能够较好解决复杂性和表现能力之间矛盾的2-可加模糊测度^[7]。考虑到指标权重的模糊性，指标权重借助模糊层次分析法（AHP）确定；指标间的交互关系和交互度由专家确定。

2 大数据企业知识产权质押融资风险评价指标体系构建

根据我国财政部等六部门发布的《关于加强知识产权质押融资与评估管理支持中小企业发展的通知》，知识产权质押融资是指：知识产权权利人将其合法拥有的，且目前仍有效的专利权、注册商标权、著作权等知识产权出质，从银行等金融机构取得资金，并按期偿还资金本息的一种融资方式。知识产权质押融资业务在运行中面临经营风险、侵权风险、估值风险、处置风险、法律风险等诸多风险^[8-11]。在有限理性假设前提下，银行在知识产权质押贷款评审时，首要考虑的是企业的第一还款来源，即企业的生产经营活动或其他相关活动产生的直接用于归还贷款本息的现金流量，其中企业经营活动产生的现金流是最基本的、最可靠的还款来源；其次考虑的是企业的第二还款来源，即当企业无法偿还贷款本息时，银行通过处置质押知识产权得到的款项，其中第一还款来源是合同履约的主要来源，第二还款来源是其补充和保障。由此可见，企业经营风险和知识产权自身风险是知识产权质押融资业务面临的主要风险。前者指某些对企业经营目标的实现可能造成负面影响的事项发生的可能性；后者指知识产权权属的不确定性、权利价值的波动性、与他人权利冲突的可能性、处置权利的不确定性等^[8]。

本文根据知识产权质押融资的内涵及其面临的主要风险，在前人研究的基础上，结合大数据企业特征（如技术创新能力、行业成长性等），遵循科学性、客观性、系统性、功能性、动态性、相对独立性、可行性（或可操作性）和可比性等评价指标的选取原则，从企业经营风险、知识产权风险、质押管理和变现风险3个方面构建了包含3个一级指标、12个二级指标和28个三级指标的大数据企业知识产权质押融资风险评价指标体系，如表1所示。

3 2-可加模糊测度与Choquet模糊积分

定义1：设X=｛χ₁，χ₂，…，χ_n｝为属性集，P（X）是X的幂集，集函数g：P（X）→[0，l]满足以下两个条件：（1）g（∅）=0，g（X）=l；（2）K∈P（X），T∈P（X），K⊆T，则g（K）≤g（T）。称g是P（X）上的一个模糊测度^[12]。

Grabisch^[13]从伪布尔函数和默比乌斯变换出发提出了k-可加模糊测度，并在此基础之上定义了2-可加模糊测度：

式（1）中：m_i为单个属性χ_i的默比乌斯变换系数，它是一种全局重要程度；m_ij为两两属性｛χ_i，χ_j｝的默比乌斯变换系数，它表示属性χ_i和χ_j之间的交互程度。

定义2：设X=｛χ₁，χ₂，…，χ_n｝为属性集，W=｛w₁，w₂，…w_n｝为属性集X的权重集，单个属性χ_i，和两两属性｛χ_i，χ_j｝的默比乌斯变换系数分别为^[14]：

式（2）中：，为所有单个属性χ_i和两两属性｛χ_i，χ_j｝的重要程度之和；ξ_ij为属性χ_i和χ_j之间的交互度，ξ_ij∈[-1，1]。

定义3：设为h：X→[0，1]为X上的一个可测函数，则h在集合X上关于模糊测度g的Choquet模糊积分值为^[15]：

（3）

式（3）中：（i）为按照h（χ_（1））≤h（χ_（2））≤…≤h（χ_（n））排序后的下标；X_（i）=｛χ_（i），χ_（i+1），…，χ_（n）｝；h（χ_（0））=0。

4 大数据企业知识产权质押融资风险评价模型

4.1 确定指标的模糊权重

大数据企业知识产权质押融资风险评价指标体系分为3个层次，即有：

式（4）至式（6）中：n为一级指标的个数；n_i为第i个一级指标下二级指标的个数；n_ik为第i个一级指标下第k个二级指标中三级指标的个数。

为体现专家主观判断的模糊性，专家采用了模糊标度^[16]，对指标两两重要性进行比较。模糊标度对应的语意含义及三角模糊数如表2所示。

根据表2，对一级指标构造模糊判断矩阵为：

      （7）

式（7）中：；m为专家人数；为第1，2，…，m位专家对指标i相对于指标j的重要性的模糊判断；满足。

对模糊判断矩阵采用几何平均法，计算一级指标模糊权重^[16]：

        （8）

式（8）中：。

则一级指标模糊权重向量为；同理可得二级指标模糊权重向量和三级指标模糊权重向量。

4.2 指标评价语意变量与三角模糊数

语意变量是以人类的自然语言中的语词为值，考虑到指标评价的模糊性和主观性，采用语意变量来表示。指标评价语意变量取7个等级：非常差、差、较差、一般、较好、好、非常好^[16]。指标评价语意变量与三角模糊数的对应关系如表3所示。

4.3 基于Choquet模糊积分的大数据企业知识产权质押融资风险评价步骤

设有待评价的大数据企业E，同时考虑n个一级指标，且每个一级指标有若干个二级指标和相应的三级指标，则大数据企业知识产权质押融资风险评价的具体步骤为：

步骤1：根据m位专家意见，计算得出一级指标模糊权重向量、二级指标模糊权重向量和三级指标模糊权重向量。

步骤2：针对企业E在各一级指标下的每个三级指标，由m位专家根据表3分别给出指标评价语意变量。采用算术平均法综合m位专家意见，得出企业E在第i个一级指标下第k个二级指标中第l个三级指标的指标评价模糊值，则企业E在第i个一级指标下的模糊评价值为：

    （9）

式（9）中，。

步骤3：利用模糊数相对距离公式，将模糊评价值解模糊化为明确值^[17]。公式如下：

（10）

式（10）中，a、b、c分别表示三角模糊数的下界、中值、上界。

步骤4：利用模糊数相对距离公式，将一级指标模糊权重值解模糊化为明确值。

步骤5：确定一级指标U_i和U_j（i≠j）之间的交互关系和交互度。根据专家经验和偏好对n个一级指标进行成对分析，若U_i和U_j之间具有互补性，则交互度ξ_ij＞0，且ξ_ij越大则互补性越强；若U_i和U_j之间具有重复性，则交互度ξ_ij＜0，且ξ_ij越小则重复性越强；若U_i和U_j之间相互独立，则交互度ξ_ij=0。两两指标间的交互度打分标准如表4所示^[14]。

步骤6：根据一级指标权重值、U_i和U_j之间的交互度ξ_ij，利用式（2）计算一级指标的默比乌斯变换系数m_i、m_ij。

步骤7：根据一级指标的默比乌斯变换系数m_i、m_ij，利用式（1）计算2-可加模糊测度g_K。

步骤8：将模糊评价值解模糊化为明确值，将（i=1，2，…，n）按从小到大重新排序，得到；将与2-可加模糊测度g_K代入式（3），求出待评价的大数据企业变量的Choquet模糊积分值日H_E，H_E∈[0，1]，H_E越大则知识产权质押融资风险越低。