《表5 20家中小企业成长性综合评价值及相应排序与分类》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于大数据技术的中小企业成长性评价方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了检验本文第二部分构建的中小企业成长性评价模型及第三部分的指标测度方法的有效性，除模型1以外，本文还依次列出了如下7个中小企业成长性评价（预测）模型结果，并将结果报告在表5中。模型2为表1去除5个定性指标后20家中小企业的成长性排名，通过结果可以发现排序结果发生了较大变化，说明本文加入的定性信息对中小企业成长性评价结论具有较大影响。为了进一步验证本文建立的评价模型的有效性，本文利用国家经贸委等（1999）及赵志伟（2018）的研究成果对本文20个企业样本展开评价[7]。最终结果分别为模型3和模型4的排序，比较发现虽然模型1、3和4均为中小企业成长性评价，但评价结论表现出一定的差异。那么实践中到底采用哪个评价模型指导投资决策呢?由此引出评价结论的检验问题，这是当前综合评价方法研究始终面临的一个难题。更为重要的是，虽然评价模型1-4均给出了20家中小企业的成长性排序，但依然无法为决策者提供出哪些企业是否具备高成长性的建议，因为即使排名第1的企业也不一定具备高成长型。上述两方面问题降低了综合评价方法对于实践工作的指导价值。为此，本文利用第四部分构建的基于4种机器学习分类模型对评价结论进行检验，结果如表5模型5-8所示，分别为随机森林、Adaboost、支持向量机与朴素贝叶斯四种算法。通过结果比较发现，前三种分类算法结论较为一致，且与本文构建的综合评价模型结论（模型1）更为接近:模型1排名前7位的企业几乎均被三种算法视为高成长型企业，排名后5位也被三种算法视为非高成长型企业。