基于组合模型的广东西北地区乡村企业法律风险评价

文川，纪广月

（广东工商职业技术大学，广东 肇庆 526020）

产业兴旺是乡村振兴的基础和关键，也是推进整个“三农”工作的重要抓手。而乡村企业不仅是乡村振兴战略实施产业兴旺的主力军，也是目前乡村振兴战略需要落到实处的短板。由于他们体量小、免疫力低，受市场萎缩、投资失败、资金链断裂、互保牵累等因素的影响，法律风险日增。因此建立高效的乡村企业法律风险识别与评价体系是乡村产业振兴战略实施的重要保障。部分学者对企业风险指标体系的构建与评估等进行了深入研究，邓江凌[1]依据企业管理的基本流程构建了确定目标、风险识别、风险分析、风险评价、风险应对、资讯与咨询、反馈与修正7个方面的法律风险指标体系；狄玉坤[2]和张学军[3]基于动态性控制和周期性循环理念角度，认为企业法律风险评价指标是由法律风险的分析、法律风险的控制、法律风险的实施评估和改进3个模块构成。黄正[4，5]基于波特的价值链理论，运用图论方法，遵循价值链过程的增值原理，提出了基于法律风险管理价值活动单元、法律安全资源、法律规范和风险管理方法以及输入输出风险4个要素实现价值链的法律风险评估模型。夏露[6]基于法律风险管理目标、管理要素、管理层级3个维度，构建企业法律风险评估模型，分析了企业法律风险管理维度关系。沈益等[7]以浙江中烟工业有限责任公司为考察对象，通过构建由法律风险清单、覆盖率指标、防控流程、实时监控、法律法规及案例5个主要功能模块构成的信息系统，有效提升了体系的运行效率、管理质量。郑冰洁[8]基于AHP-GRAM模型，构建了企业跨国并购法律风险评价机制，并通过实例对该评价机制进行了分析研究。虽然风险研究的国内文献较多，成果较为丰富，然而缺乏对企业法律风险识别与评价方面的研究。对于法律风险的研究，采用的方法主要为定性分析法，定量分析法较少，未能从数据角度深度分析企业法律风险，并且企业法律风险识别与评价体系也不够完善。法律风险识别与评价是法律风险管理的核心，其识别与评价的科学与合理程度直接关系企业风险防控能力，可以有效提高企业法律风险管理的针对性，为企业发展战略规划和经营方案制定提供科学决策依据。基于此，构建出乡村企业法律风险指标体系，运用层次分析法和专家打分法分别确定乡村企业法律风险指标的权重和各评价指标的得分以及乡村企业法律风险类型，将乡村企业法律风险评价转化为模式识别中的多分类问题，提出一种基于灰狼优化算法（GWO）、改进极限学习机（ELM）的乡村企业法律风险评价模型，将乡村企业法律风险评价问题由定性决策问题转化为定量决策问题。

1 数据来源

以广东西北地区67家乡村企业为研究对象，针对乡村企业法律风险指标体系中的8个一级指标和30个二级指标，邀请10名企业法律风险专家进行评价，将67组评价数据划分为训练集和测试集，其中训练集47组数据，测试集20组数据。

2 研究方法

根据数据特点，提出一种基于层次分析法（AHP）和基于灰狼优化算法改进的极限学习机（GWO-ELM）的乡村企业法律风险评价方法。层次分析法（APH）是解决多层次、多准则问题的一种决策分析方法[11]，通过计算判断矩阵的最大特征值和特征向量从而计算出不同评价指标或属性的权重，实现不同评价指标或属性之间的比较关系，具有计算简洁、形式简单的优点。极限学习机（ELM）是一种前馈单层神经网络，与传统神经网络相比，其随机产生输入层权值和隐含层偏置，训练过程无需迭代，具有计算速度快、泛化性能好、精度高的优点。然而，ELM模型评价结果受输入层权值和隐含层偏置选择的影响，运用灰狼优化算法改进ELM（GWO-ELM）。首先，结合乡村企业法律风险指标体系运用层次分析法、专家打分法分别确定乡村企业法律风险指标的权重、各评价指标得分以及乡村企业法律风险类型（低、中、高和较高），将乡村企业法律风险评价转化成为模式识别中的多分类问题；其次，将乡村企业法律风险评价各评价指标得分数据作为ELM的输入向量，乡村企业法律风险类型作为ELM的输出向量，建立乡村企业法律风险评价ELM模型；最后，运用GWO优化ELM模型的输入层权值和隐含层偏置，建立GWO-ELM的乡村企业法律风险评价模型。

2.1 层次分析法（AHP）

层次分析法是对方案的多指标系统进行分析的一种层次化、结构化决策方法，可以将决策者对复杂系统的决策思维过程模型化、数量化，决策者通过将复杂问题分解为若干层次和若干因素，在各因素之间进行简单的比较和计算，就可以得出不同方案的权重，为最佳方案的选择提供依据。

2.2 极限学习机（ELM）

假设存在N个训练样本（xi，ti）（i＝1，2，…，N），ELM模型的隐含层节点数为M，xi和ti分别为输入矩阵和目标输出矩阵，则ELM数学模型[13]如公式（1）所示：

其中，βj为隐含层与输出层之间的连接权值；g（x）为激活函数；wj为输入层权值；bj为隐含层阈值；οi为ELM模型的输出，i=1，2，…，N。

假设存在βj、wj和bj使得所有样本（xi，ti）可以零误差逼近，则有：

式中，β＝［β1，β2，…，βM］T；T＝［t1，t2，…，tN］T；H为隐含层输出矩阵。

一般地，在实际训练中ELM模型隐含层的节点数小于训练样本数N，且wj和bj在训练过程中是随机产生的，则输出权重β的最小二乘解为：

式中，H+为矩阵H的Moore-Penrose广义逆阵。

2.3 灰狼优化算法（GWO）

灰狼优化算法是模仿灰狼等级划分和灰狼捕食行为而提出的群智能搜索算法[14]。GWO算法中，灰狼个体分为α、β、δ和ω，其中，α负责狼群的决策与管理；β和δ为适应度次于α的灰狼个体；ω为其他灰狼个体。GWO算法主要包括包围、捕猎和攻击3种行为。

2.3.1 包围 在整个算法过程中，首先灰狼包围猎物，数学模型如公式（5）～（6）所示：

的距离；t为当前迭代次数；为猎物所在位置；为当前狼群所在位置；r1、r2是［0，1］的随机向量；α∈［2，0］。

2.3.2 捕猎 包围猎物之后，狼群将捕猎猎物。假定α、β、δ分别为全局最优解、全局第二解以及全局第三解，对α、β、δ重新定位：

2.3.3 攻击 狼群捕食的最后阶段就是攻击捕获猎物，攻击过程主要通过调节参数a实现。当|A|≤1时，狼群将接近猎物（X*，Y*）集中攻击猎物；当|A|＞1时，狼群将远离猎物。

2.3.4 改进的GWO算法 由于标准的GWO算法是随机生成初始种群的，导致种群分布均匀性较差，直接影响算法的收敛速度和求解精度，为改善初始种群的分布均匀性，采用佳点集方法进行GWO算法初始化[15]。

在标准GWO算法中，收敛因子a由2线性递减到0，所以在GWO算法初始阶段，a的取值较大有利于全局搜索；GWO算法后期，a的取值较小有利于局部精细搜索。然而，实际寻优过程中，收敛因子a是非线性的，因此提出一种随机分布的收敛因子更新策略[16]：

式中，amax、amin分别为收敛因子a的最大值和最小值；rand（）、σrandn（）和σ分别为［0，1］均匀分布的随机数、［0，1］正态分布的随机数和方差。

为了验证IGWO算法的寻优性能，选择8个标准测试函数为测试对象（表1）。f1～f5为复杂单峰函数优化，f6～f8为多峰函数优化。

灰狼优化算法（GWO）：种群规模N＝10、最大迭代次数Tmax＝200；粒子群算法（PSO）：种群规模N=10、最大迭代次数Tmax＝200、惯性权重w＝0.2、学习因子c1＝c2＝2；花朵授粉算法[17]（FPA）：种群规模N=10、最大迭代次数Tmax＝200、转换概率P＝0.7；蝙蝠算法[18]（BA）：种群规模N＝10、最大迭代次数Tmax＝200、搜索脉冲频率范围［fmin，fmax］=［0，2］、最大声音响应A0＝0.25、脉冲速率r0＝0.5、响应衰减系数re＝0.9和脉冲速率的增强系数γ＝0.05；鲸鱼优化算法[19]（WOA）和正弦余弦算法[20]（SCA）：种群规模N＝10、最大迭代次数Tmax＝200；飞蛾火焰优化算法[21]（MFO）：种群规模N＝10、最大迭代次数Tmax＝200、最大火焰数量N＝50、螺旋形状常数b＝1.5。每个算法独立运行100次，取平均值作为最终结果，通过分析可知，IGWO算法具有更快的收敛速度和更小的适应度值，优于GWO、WOA、SCA、MFO、PSO、FPA和BA等算法。

2.4基于AHP和IGWO-ELM的乡村企业法律风险评价

2.4.1 构建乡村企业法律风险评价指标体系 乡村企业法律风险指标体系是其法律风险识别与评价的前提条件，科学、合理和全面的法律风险指标体系直接影响法律风险识别与评价的效果。乡村企业属于较为特殊的企业类型，不仅具备一般企业所涉及的法律风险，同时也具有自身的特殊性法律风险。基于已有研究成果[9，10]，结合我国企业法律风险指标体系和乡村企业的实际情况，从主体法律风险、知识产权法律风险、财务税收法律风险、合同法律风险、投资融资法律风险、人力资源管理法律风险、保密风险以及外部风险8个方面构建乡村企业法律风险指标体系（图1）。

2.4.2 目标函数 由于ELM模型训练过程中随机产生输入层权值和隐含层偏置，导致ELM模型结果稳定性较差且精度相对较低，运用IGWO优化ELM模型的输入层权值和隐含层偏置。针对乡村企业法律风险评价属于模式识别中的多分类问题，选择错误率作为乡村企业法律风险评价的目标函数[22]：

式中，Mr和MT分别为乡村企业法律风险评价结果正确的样本数和总样本数。

2.4.3 算法流程 首先，结合乡村企业法律风险指标体系运用层次分析法、专家打分法分别确定乡村企业法律风险指标的权重、各评价指标的得分以及乡村企业法律风险类型（低、中、较高和高），将乡村企业法律风险评价转化成为模式识别中的多分类问题；其次，将乡村企业法律风险评价各评价指标得分数据作为ELM的输入向量，乡村企业法律风险类型作为ELM的输出向量，建立乡村企业法律风险评价ELM模型；最后，运用IGWO优化ELM模型的输入层权值和隐含层偏置，建立IGWO-ELM的乡村企业法律风险评价模型。基于GWO-ELM的乡村企业法律风险评价算法流程如图2所示：

图1 乡村企业法律风险指标体系Fig.1 Legal risk index system of rural enterprises

图2 算法流程图Fig.2 Algorithm flow chart

步骤1：读取乡村企业法律风险评价的各个评价指标数据和乡村企业法律风险类型（低、中、较高和高），划分训练集和测试集并归一化数据：

式中，x’为归一化之后的数据；a、b为归一化之后的最小值和最大值；x、xmax和xmin分别原始数据、原始数据中的最大值和最小值，a＝-1，b＝1。

步骤2：GWO算法初始化。设定灰狼种群数量N、最大迭代次数Maxgen和参数维度D、并初始化灰狼种群位置X＝（X1，X2，……，XN）和灰狼个体的位置Xi＝（Xi1，Xi2，……，XiD），其中i∈｛1，2，3，……，N｝。

步骤3：计算不同灰狼个体的适应度值fi并排序，将适应度值前三位的灰狼个体的位置分别记作为Xα、Xβ、Xδ。

步骤4：按式（10）分别计算各ω狼与α、β、δ狼之间的近似距离，并按公式（11）～（12）更新α、β、δ狼的位置和猎物的位置。

步骤5：更新参数a、A和C。

步骤6：判断算法终止条件：若达到最大迭代次数，则输出ELM模型的最优值输入层权值和隐含层偏置，否则返回步骤3。

步骤7：将最优值输入层权值和隐含层偏置代入ELM模型进行乡村企业法律风险评价。

3 结果与分析

3.1 原因度分析

为分析不同评价指标对乡村企业法律风险的影响，运用DEMATEL模型[23，24]对乡村企业法律风险关键影响因素进行分析，分析得出13个关键影响因素，其中管理队伍建设风险（X15）、知识产权权属认定风险（X21）、劳动合同履行与变更风险（X62）、技术保障风险（X74）、政策变动风险（X83）和新冠疫情与经济危机影响风险（X81）6个指标的原因度＞0，正向影响乡村企业法律风险；领导干预风险（X11）、相关制度的执行与完善风险（X13）、知识产权侵权风险（X22）、合同履行法律风险（X42）、银行贷款融资风险（X53）、人员保密管理风险（X71）和核心数据管控风险（X73）7个指标的原因度＜0，负向影响乡村企业法律风险（图3）。

图3 原因度分析结果Fig.3 Cause analysis results

3.2 有效性分析

为验证IGWO-ELM进行乡村企业法律风险评价的有效性，将其与GWO-ELM、PSO-ELM、GAELM和ELM进行对比[25，26]，不同算法参数设置如表2所示。根据Kolmogorov定理，ELM隐含层神经元个数N2＝2N1＋1，由于乡村企业法律风险的关键影响因素为13个，则ELM隐含层神经元个数设定为27个。

表2 不同算法参数Table 2 Parameters of different algorithms

将乡村企业法律风险评价各评价指标得分数据作为ELM的输入向量，乡村企业法律风险类型作为ELM的输出向量，建立乡村企业法律风险评价ELM模型；运用IGWO优化ELM模型的输入层权值和隐含层偏置，建立IGWO-ELM的乡村企业法律风险评价模型。为提高乡村企业法律风险评价的可靠性和稳定性，每种算法独立运行10次，得到寻优曲线、准确率曲线和平均准确率。

IGWO-ELM迭代65次时出现开始收敛，且具有更低的适应度，更快的收敛速度，说明IGWO优化ELM进行乡村企业法律风险评价具有更低的评价误差和更快的收敛速度，效果较好（图4）；IGWO-ELM进行乡村企业法律风险评价的准确率整体明显优于GWO-ELM、PSO-ELM、GA-ELM和ELM（图5），且IGWO-ELM算法的准确率最高，较GWO-ELM、PSO-ELM、GA-ELM和ELM分别提高5.35%、5.92%、5.23%和16.23%（表3）。

通过IGWO、GWO、PSO和GA等智能算法优化ELM模型的输入层权值和隐含层偏置，ELM模型的乡村企业法律风险评价准确率具有了较大程度的提升，从而证明IGWO-ELM方法在进行乡村企业法律风险评价时的有效性，可以在相关领域进行推广应用。

图4 寻优曲线对比图Fig.4 Comparison diagram of optimization curve

图5 运行次数的准确率对比Fig.5 Comparison of accuracy rates of different running times

表3 不同算法平均准确率Table 3 Average accuracy of different algorithms（%）

4 主要结论与启示

4.1 主要结论

结合我国企业法律风险指标体系研究成果，从主体法律风险、知识产权法律风险、财务税收法律风险、合同法律风险、投资融资法律风险、人力资源管理法律风险、保密风险以及外部风险8个方面构建乡村企业法律风险指标体系，在层次分析法和专家打分法的基础上，运用DEMATEL模型分析出影响乡村企业法律风险的决定性因素和负向影响因素。

结合乡村企业法律风险指标体系运用层次分析法和专家打分法分别确定乡村企业法律风险指标的权重和各评价指标的得分以及乡村企业法律风险类型（低、中、较高和高），将乡村企业法律风险评价转化成为模式识别中的多分类问题，将乡村企业法律风险评价各评价指标得分数据作为ELM的输入向量，乡村企业法律风险类型作为ELM的输出向量，提出一种基于IGWO-ELM的乡村企业法律风险评价模型，对提高乡村企业法律风险防控能力提供了重要参考和理论依据。

4.2 启示

通过乡村企业法律风险评价研究得到如下启示：（1）加强乡村企业主体法律风险控制，协调好企业领导对企业的干预，降低乡村企业领导对企业的干预风险，同时需要加强乡村企业员工的法律素质和意识，提升法律风险防控意识。（2）加强乡村企业合同法律风险管理，做好合同管理的基础性工作。（3）加强知识产权管理和保护水平，建立健全乡村企业知识产权保护机制，普及和深化知识产权保护意识，防止知识产权侵犯行为的发生。（4）建立外部风险分析和防范机制，提高应对外部风险能力与水平。