收稿日期：2020-08-01

基金項(xiàng)目：國(guó)家社會(huì)科學(xué)基金項(xiàng)目“學(xué)術(shù)評(píng)價(jià)與創(chuàng)新績(jī)效評(píng)價(jià)問(wèn)題研究”（項(xiàng)目編號(hào)：19FTQB011）;浙江省一流學(xué)科A類(lèi)項(xiàng)目（浙江工商大學(xué)統(tǒng)計(jì)學(xué)，管理科學(xué)與工程）;浙江省自然科學(xué)基金重點(diǎn)項(xiàng)目“制造業(yè)從數(shù)量型創(chuàng)新向質(zhì)量型創(chuàng)新轉(zhuǎn)型機(jī)制研究”（項(xiàng)目編號(hào)：Z21G030004）。

作者簡(jiǎn)介：俞立平（1967-），男，教授，博士，博士生導(dǎo)師，研究方向：技術(shù)經(jīng)濟(jì)、科技評(píng)價(jià)。

摘要：[目的/意義]多屬性評(píng)價(jià)方法在學(xué)術(shù)評(píng)價(jià)中應(yīng)用廣泛，其中以非線性評(píng)價(jià)方法為主，這些評(píng)價(jià)方法降低了權(quán)重的作用，使得評(píng)價(jià)指標(biāo)與評(píng)價(jià)結(jié)果的關(guān)系不直觀，也不利于對(duì)非線性評(píng)價(jià)方法進(jìn)行評(píng)估和比較。[方法/過(guò)程]本文以因子分析為例，基于JCR2017經(jīng)濟(jì)學(xué)期刊數(shù)據(jù)，分別采用多元回歸、嶺回歸、偏最小二乘法、BP神經(jīng)網(wǎng)絡(luò)計(jì)算模擬權(quán)重，以選取最優(yōu)模擬權(quán)重估計(jì)方法。[結(jié)果/結(jié)論]在學(xué)術(shù)評(píng)價(jià)中有必要測(cè)度非線性評(píng)價(jià)的模擬權(quán)重;BP神經(jīng)網(wǎng)絡(luò)是計(jì)算模擬權(quán)重的最有效手段;模擬權(quán)重可以用來(lái)進(jìn)行非線性學(xué)術(shù)評(píng)價(jià)方法的評(píng)估和選取;模擬權(quán)重的應(yīng)用嚴(yán)重依賴(lài)數(shù)據(jù)。

關(guān)鍵詞：學(xué)術(shù)評(píng)價(jià);因子分析;模擬權(quán)重;BP神經(jīng)網(wǎng)絡(luò)

DOI：10.3969/j.issn.1008-0821.2021.04.013

〔中圖分類(lèi)號(hào)〕G302〔文獻(xiàn)標(biāo)識(shí)碼〕A〔文章編號(hào)〕1008-0821（2021）04-0133-13

Research on Simulated Weights of Nonlinear Academic

Evaluation Index Based on Neural Network

Yu Liping

（School of Statistics and Mathematics，Zhejiang Gongshang University，Hangzhou 310018，China）

Abstract：[Purpose/Significance]Multi-attribute evaluation method is widely used in academic evaluation，among which the non-linear evaluation method is the main one.These evaluation methods reduce the role of weight，which makes the relationship between evaluation index and evaluation results not intuitive，and are not conducive to the evaluation and comparison of non-linear evaluation methods.[Method/Process]Taking factor analysis as an example，based on JCR2017 Economic Journal data，multiple regression，ridge regression，partial least square and BP neural network were used to calculate the simulated weights to select the optimal simulated weight estimation method.[Result/Conclusion]It is necessary to measure the simulated weight of nonlinear evaluation in academic evaluation;BP neural network is the most effective method to calculate the simulated weight;Simulated weight can be used to evaluate and select nonlinear academic evaluation methods;The application of simulated weight relies heavily on data.

Key words：academic evaluation;factor analysis;simulated weight;BP neural network

在學(xué)術(shù)評(píng)價(jià)中非線性評(píng)價(jià)方法是一種應(yīng)用非常廣泛的評(píng)價(jià)方法。從學(xué)術(shù)評(píng)價(jià)定量方法的角度，大致可以分為單指標(biāo)評(píng)價(jià)與多屬性評(píng)價(jià)兩大類(lèi)，如圖1所示。學(xué)術(shù)評(píng)價(jià)單指標(biāo)眾多，典型的有h指數(shù)、影響因子、特征因子、擴(kuò)散因子等。由于單指標(biāo)評(píng)價(jià)所能提供的信息量有限，因此指標(biāo)體系多屬性評(píng)價(jià)方法就得到了廣泛的應(yīng)用。目前的泰晤士報(bào)大學(xué)評(píng)價(jià)、美國(guó)新聞與世界報(bào)道周刊的大學(xué)評(píng)價(jià)、北京大學(xué)核心期刊評(píng)價(jià)、CSSCI核心期刊評(píng)價(jià)等，均采用多屬性評(píng)價(jià)方法。多屬性評(píng)價(jià)方法又分為兩大類(lèi)，一類(lèi)是加權(quán)匯總類(lèi)評(píng)價(jià)方法，如層次分析法、熵權(quán)法、概率權(quán)法、CRITIC等，其特征是評(píng)價(jià)值與評(píng)價(jià)指標(biāo)之間是精確相等的線性關(guān)系，該類(lèi)方法有數(shù)種;另一類(lèi)是非線性評(píng)價(jià)方法，評(píng)價(jià)值與評(píng)價(jià)指標(biāo)之間是相關(guān)關(guān)系，常見(jiàn)的主成分分析、因子分析、灰色關(guān)聯(lián)、TOPSIS、數(shù)據(jù)包絡(luò)分析等均屬于非線性評(píng)價(jià)方法[1]，該類(lèi)方法有幾十種甚至更多。目前在學(xué)術(shù)評(píng)價(jià)領(lǐng)域的數(shù)千篇多屬性評(píng)價(jià)論文中，采用非線性評(píng)價(jià)的論文占比超過(guò)80%。

指標(biāo)權(quán)重在不同多屬性評(píng)價(jià)方法中作用并不相同。評(píng)價(jià)指標(biāo)的權(quán)重?zé)o疑具有重要意義，從哲學(xué)角度，客觀權(quán)重是遵循自然規(guī)律的體現(xiàn)，主觀權(quán)重是主觀能動(dòng)性的體現(xiàn);從多屬性評(píng)價(jià)角度，權(quán)重是不同指標(biāo)之間的轉(zhuǎn)換系數(shù);從利益相關(guān)者角度，權(quán)重是管理者、評(píng)價(jià)機(jī)構(gòu)、領(lǐng)域?qū)＜?、公眾等利益相關(guān)者博弈的均衡結(jié)果;從管理角度，權(quán)重是管理目標(biāo)和改進(jìn)路徑的定量體現(xiàn)[2]。在線性評(píng)價(jià)中，權(quán)重的體現(xiàn)是清晰的，明確知道各指標(biāo)在評(píng)價(jià)中的意義及權(quán)重大小，但在非線性評(píng)價(jià)中，權(quán)重的體現(xiàn)是模糊的，或者說(shuō)非線性評(píng)價(jià)將權(quán)重問(wèn)題掩蓋了。

在非線性評(píng)價(jià)方法中權(quán)重問(wèn)題比較復(fù)雜。一些非線性評(píng)價(jià)方法在評(píng)價(jià)中會(huì)用到權(quán)重，比如TOPSIS評(píng)價(jià)、灰色關(guān)聯(lián)評(píng)價(jià)等盡管是非線性評(píng)價(jià)方法，但在評(píng)價(jià)模型的計(jì)算過(guò)程中可以對(duì)各指標(biāo)賦予權(quán)重。也有一些非線性評(píng)價(jià)方法，在評(píng)價(jià)中根本不需要權(quán)重，如主成分分析、因子分析、數(shù)據(jù)包絡(luò)分析等。對(duì)于非線性評(píng)價(jià)，無(wú)論是否用到權(quán)重，由于評(píng)價(jià)模型的復(fù)雜性，導(dǎo)致人們無(wú)法知道各指標(biāo)的實(shí)際重要性。非線性評(píng)價(jià)缺乏線性評(píng)價(jià)中評(píng)價(jià)指標(biāo)與評(píng)價(jià)值關(guān)系的直觀性。

模擬權(quán)重的出現(xiàn)是非線性學(xué)術(shù)評(píng)價(jià)的重要進(jìn)步。為了解決無(wú)權(quán)重非線性評(píng)價(jià)或有權(quán)重非線性評(píng)價(jià)的指標(biāo)實(shí)際重要性問(wèn)題，就出現(xiàn)了模擬權(quán)重。所謂模擬權(quán)重，就是采取一定的統(tǒng)計(jì)方法，對(duì)非線性評(píng)價(jià)中各指標(biāo)的實(shí)際發(fā)揮作用大小進(jìn)行計(jì)算，得到的結(jié)果就是模擬權(quán)重[1]。模擬權(quán)重的計(jì)算意義重大：第一，對(duì)于非線性評(píng)價(jià)方法而言，模擬權(quán)重使得評(píng)價(jià)的主動(dòng)權(quán)又回歸到人，而非技術(shù)和方法。盡管主觀和客觀評(píng)價(jià)優(yōu)劣一直存在爭(zhēng)議，但主觀評(píng)價(jià)可能更重要。查閱辭海，評(píng)價(jià)的含義是“評(píng)估人、事、物的優(yōu)劣、善惡美丑或合不合理”。從其概念可以看出，評(píng)價(jià)是一種看法，本來(lái)就是主觀的。Polonsky M J等[3]指出，在評(píng)價(jià)學(xué)術(shù)期刊時(shí)，提出只有明確評(píng)價(jià)的價(jià)值取向，才能弄清楚測(cè)量期刊的什么屬性或特征。得到模擬權(quán)重后，評(píng)價(jià)者就可以進(jìn)一步分析該非線性評(píng)價(jià)方法的權(quán)重設(shè)置是否合理，能否達(dá)到評(píng)價(jià)目的。第二，可以方便對(duì)非線性評(píng)價(jià)方法進(jìn)行選取。非線性評(píng)價(jià)方法眾多，每種評(píng)價(jià)方法均有自己的優(yōu)點(diǎn)和特點(diǎn)，極少有評(píng)價(jià)方法需要進(jìn)行方法是否適用的統(tǒng)計(jì)檢驗(yàn)，所以實(shí)際選取往往非常困難。有了模擬權(quán)重，既可以根據(jù)某種非線性評(píng)價(jià)方法的優(yōu)點(diǎn)進(jìn)行選取，也可以參考模擬權(quán)重進(jìn)行選取。第三，模擬權(quán)重使得學(xué)術(shù)評(píng)價(jià)更加貼近大眾。對(duì)于線性學(xué)術(shù)評(píng)價(jià)方法，權(quán)重是確定的，公眾也非常容易理解，而對(duì)于非線性評(píng)價(jià)方法，由于其計(jì)算的復(fù)雜性，公眾往往不太了解，評(píng)價(jià)結(jié)果要得到公眾的接受往往比較困難，模擬權(quán)重的出現(xiàn)有效地解決了這個(gè)問(wèn)題。

優(yōu)化模擬權(quán)重的計(jì)算方法具有重要意義。目前的模擬權(quán)重估計(jì)，主要采用多元回歸、嶺回歸、偏最小二乘法等方法[1，4]，由于學(xué)術(shù)評(píng)價(jià)指標(biāo)之間往往高度相關(guān)，以學(xué)術(shù)期刊評(píng)價(jià)為例，影響因子、總被引頻次、5年影響因子、h指數(shù)等指標(biāo)之間一般相關(guān)度非常高，這樣就容易產(chǎn)生多重共線性，雖然可以采用嶺回歸、偏最小二乘法等進(jìn)行修正，但這種估計(jì)是有偏的，會(huì)出現(xiàn)擬合優(yōu)度降低、部分指標(biāo)的統(tǒng)計(jì)檢驗(yàn)不通過(guò)、部分指標(biāo)的回歸系數(shù)為負(fù)數(shù)等問(wèn)題，從而降低了模擬權(quán)重的估計(jì)精度，甚至無(wú)法進(jìn)行模擬權(quán)重估計(jì)。在這種情況下，借助人工神經(jīng)網(wǎng)絡(luò)技術(shù)估計(jì)模擬權(quán)重，就提供了一種新的思路。本文以學(xué)術(shù)評(píng)價(jià)中使用頻率較多的因子分析為非線性評(píng)價(jià)方法的代表，基于JCR2017經(jīng)濟(jì)學(xué)期刊數(shù)據(jù)，首先采用因子分析進(jìn)行評(píng)價(jià)，然后采用多元回歸、嶺回歸、偏最小二乘法、人工神經(jīng)網(wǎng)絡(luò)4種方法計(jì)算模擬權(quán)重，對(duì)其進(jìn)行比較，在此基礎(chǔ)上提出模擬權(quán)重估計(jì)方法選擇策略，并得出研究結(jié)論。本研究有利于拓展模擬權(quán)重的計(jì)算方法，解決傳統(tǒng)方法計(jì)算模擬權(quán)重可能出現(xiàn)的問(wèn)題，推進(jìn)非線性評(píng)價(jià)方法的評(píng)估與選取，從而推動(dòng)多屬性評(píng)價(jià)的理論研究，同時(shí)也使得評(píng)價(jià)技術(shù)更加為公眾所理解，有利于學(xué)術(shù)評(píng)價(jià)的公開(kāi)、公平、公正。

1文獻(xiàn)綜述

因子分析在科技評(píng)價(jià)領(lǐng)域應(yīng)用較廣，包括期刊評(píng)價(jià)、知識(shí)產(chǎn)權(quán)評(píng)價(jià)、科技成果轉(zhuǎn)化評(píng)價(jià)等。因子分析是Spearman C[5]提出的一種重要的客觀評(píng)價(jià)方法，具有能夠處理大量多指標(biāo)數(shù)據(jù)、便于提取少數(shù)公共因子等優(yōu)點(diǎn)。從因子分析的應(yīng)用范圍看，首先是采用因子分析進(jìn)行科技評(píng)價(jià)，趙蓉英等[6]采用因子分析，從多維度、多指標(biāo)融合的信息計(jì)量視角來(lái)綜合評(píng)價(jià)學(xué)術(shù)期刊影響力。王志娟等[7]運(yùn)用因子分析法對(duì)廣東省醫(yī)藥衛(wèi)生期刊影響力水平進(jìn)行綜合評(píng)價(jià)。馮煥華等[8]采用因子分析法對(duì)36種教育學(xué)核心期刊的學(xué)術(shù)水平進(jìn)行綜合評(píng)價(jià)。李華等[9]選取8個(gè)文獻(xiàn)計(jì)量指標(biāo)，用因子分析法評(píng)價(jià)15所大學(xué)學(xué)報(bào)。何莉等[10]選取11個(gè)文獻(xiàn)計(jì)量指標(biāo)，運(yùn)用因子分析法對(duì)安徽省高校自然科學(xué)學(xué)報(bào)的學(xué)術(shù)影響力進(jìn)行綜合評(píng)價(jià)。

因子分析在科技評(píng)價(jià)中的另外一種應(yīng)用是結(jié)合其他非線性評(píng)價(jià)方法進(jìn)行評(píng)價(jià)，奉國(guó)和等[11]用熵權(quán)法和因子分析計(jì)算各指標(biāo)權(quán)重，然后通過(guò)TOPSIS法計(jì)算各年期刊綜合得分，對(duì)圖書(shū)館學(xué)情報(bào)學(xué)類(lèi)期刊進(jìn)行評(píng)價(jià)。劉蓮花[12]采用TOPSIS法、主成分分析法、因子分析法和加權(quán)算術(shù)平均法對(duì)預(yù)防醫(yī)學(xué)與衛(wèi)生學(xué)核心期刊進(jìn)行了綜合評(píng)價(jià)，然后利用Borda法、平均值法、Copeland法對(duì)4種單一評(píng)價(jià)結(jié)果進(jìn)行循環(huán)修正組合評(píng)價(jià)。張發(fā)明等[13]首先利用因子分析法來(lái)進(jìn)行學(xué)術(shù)期刊評(píng)價(jià)，然后利用誘導(dǎo)密度算子對(duì)評(píng)價(jià)信息進(jìn)行集結(jié)，再基于最小偏差法確定最終組合評(píng)價(jià)值并排序。王偉明等[14]首先利用改進(jìn)的因子分析法對(duì)學(xué)術(shù)期刊進(jìn)行靜態(tài)綜合評(píng)價(jià)，然后采用4種非線性評(píng)價(jià)方法對(duì)各年評(píng)價(jià)結(jié)果進(jìn)行組合評(píng)價(jià)，再基于最小偏差法得到最終評(píng)價(jià)結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)通過(guò)一整套簡(jiǎn)化、抽象的非線性動(dòng)力學(xué)系統(tǒng)來(lái)模擬復(fù)雜的人腦功能，在科技評(píng)價(jià)中也開(kāi)始得到廣泛應(yīng)用。李勤敏等[15]采用主成分分析法提取主成分，用加權(quán)秩和比法對(duì)作者影響力進(jìn)行評(píng)價(jià)，然后用神經(jīng)算法學(xué)習(xí)預(yù)測(cè)，得出預(yù)測(cè)模型。張瑾[16]將改進(jìn)BP網(wǎng)絡(luò)應(yīng)用到期刊論文的分類(lèi)領(lǐng)域中，嘗試進(jìn)行期刊論文的自動(dòng)分類(lèi)。張和平等[17]運(yùn)用BP神經(jīng)網(wǎng)絡(luò)DEMATEL模型，建立了綜合性人文社科期刊的評(píng)價(jià)模型。張洋等[18]應(yīng)用人工神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)30個(gè)學(xué)術(shù)網(wǎng)站，并將網(wǎng)站的總得分與其對(duì)應(yīng)PageRank值作相關(guān)分析。樓文高等[19]根據(jù)科技期刊學(xué)術(shù)水平評(píng)價(jià)指標(biāo)體系和評(píng)價(jià)標(biāo)準(zhǔn)，采用大樣本訓(xùn)練方法建立了學(xué)術(shù)期刊評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)模型。劉蕾等[20]采用BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)醫(yī)學(xué)類(lèi)微信公眾號(hào)學(xué)術(shù)知識(shí)獲取效果。李寧[21]采用神經(jīng)網(wǎng)絡(luò)研究了其他文獻(xiàn)計(jì)量指標(biāo)與影響因子之間的關(guān)系。李素英等[22]根據(jù)京津冀創(chuàng)業(yè)板上市公司數(shù)據(jù)，采用層次分析法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，對(duì)科技型中小企業(yè)創(chuàng)新能力進(jìn)行評(píng)價(jià)。周宏[23]采用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)高校科技成果轉(zhuǎn)化進(jìn)行綜合評(píng)價(jià)。曾莉等[24]建立BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)科技型中小企業(yè)知識(shí)產(chǎn)權(quán)質(zhì)押融資風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)。劉長(zhǎng)平[25]將數(shù)據(jù)包絡(luò)分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建了企業(yè)科技成果轉(zhuǎn)化綜合評(píng)價(jià)DEA-BP模型。

關(guān)于模擬權(quán)重的研究，趙宇等[26]設(shè)計(jì)一種基于權(quán)重和方法組合的評(píng)價(jià)導(dǎo)向隨機(jī)模擬算法，結(jié)合主成分分析和TOPSIS兩種評(píng)價(jià)方法，將二者的評(píng)估結(jié)果通過(guò)設(shè)置權(quán)重進(jìn)行加權(quán)綜合，使其接近專(zhuān)家評(píng)審結(jié)果。翟珊珊等[27]研究了組合預(yù)測(cè)中組合權(quán)重的確定問(wèn)題，分析了組合預(yù)測(cè)中幾種常用組合權(quán)重確定方法對(duì)提高預(yù)測(cè)精度的效果，并進(jìn)行仿真研究。俞立平[4]提出采用嶺回歸或偏最小二乘法在計(jì)算學(xué)術(shù)評(píng)價(jià)中的模擬權(quán)重。

從現(xiàn)有的研究看，關(guān)于因子分析在學(xué)術(shù)評(píng)價(jià)中的應(yīng)用研究成果比較豐富，既作為主要方法用于評(píng)價(jià)，也作為評(píng)價(jià)方法之一結(jié)合其他評(píng)價(jià)方法進(jìn)行綜合評(píng)價(jià)。關(guān)于非線性評(píng)價(jià)中的權(quán)重組合問(wèn)題，更多作為組合評(píng)價(jià)方法或?qū)δ撤N評(píng)價(jià)優(yōu)化方法進(jìn)行權(quán)重的擬合或仿真，只有少量研究關(guān)注非線性評(píng)價(jià)中的模擬權(quán)重問(wèn)題。神經(jīng)網(wǎng)絡(luò)在學(xué)術(shù)評(píng)價(jià)中的應(yīng)用已經(jīng)開(kāi)始，目前主要集中在評(píng)價(jià)與分類(lèi)，還沒(méi)有涉及模擬權(quán)重?？傮w上，在以下方面有待進(jìn)一步深入。

第一，學(xué)術(shù)評(píng)價(jià)中非線性科技評(píng)價(jià)方法眾多，因子分析方法僅僅是其中一個(gè)代表。權(quán)重在非線性科技評(píng)價(jià)中的地位被嚴(yán)重弱化，模擬權(quán)重的問(wèn)題沒(méi)有得到足夠的關(guān)注，迫切需要加強(qiáng)該方面的研究。

第二，從現(xiàn)有模擬權(quán)重的計(jì)算方法來(lái)看，主要采用多元回歸、嶺回歸、偏最小二乘法等進(jìn)行估計(jì)，存在著估計(jì)精度不高、部分學(xué)術(shù)評(píng)價(jià)指標(biāo)回歸系數(shù)可能出現(xiàn)負(fù)數(shù)、難以通過(guò)t檢驗(yàn)等問(wèn)題，其估計(jì)方法有待進(jìn)一步拓展。

第三，人工神經(jīng)網(wǎng)絡(luò)用于學(xué)術(shù)評(píng)價(jià)，其基本原理就是通過(guò)權(quán)重模擬實(shí)現(xiàn)的，當(dāng)然這些是隱含的?，F(xiàn)有研究主要關(guān)注采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)，而較少?gòu)哪M權(quán)重的角度來(lái)比較不同評(píng)價(jià)指標(biāo)的重要性。

第四，如果模擬權(quán)重的估計(jì)方法有多種，如何選擇最佳模擬權(quán)重估計(jì)方法，其選擇標(biāo)準(zhǔn)是什么？

2研究方法

2.1研究框架

本文針對(duì)學(xué)術(shù)評(píng)價(jià)中非線性評(píng)價(jià)指標(biāo)模擬權(quán)重問(wèn)題，首先要解決的是模擬權(quán)重的測(cè)度方法，選取出最佳測(cè)度方法，在得到模擬權(quán)重后進(jìn)行深度分析。分析視角包括兩個(gè)方面：第一是模擬權(quán)重測(cè)度方法的選擇依據(jù);第二是模擬權(quán)重得到后對(duì)非線性評(píng)價(jià)方法的選取以及學(xué)術(shù)評(píng)價(jià)產(chǎn)生的深度影響，其研究框架如圖2所示。

因子分析在非線性評(píng)價(jià)方法具有較好的代表性。非線性評(píng)價(jià)方法眾多，諸如模糊綜合評(píng)判法、主成分方法、因子分析法、灰色關(guān)聯(lián)評(píng)價(jià)、集對(duì)分析、數(shù)據(jù)包絡(luò)分析方法、遞階綜合評(píng)價(jià)方法、人工神經(jīng)網(wǎng)絡(luò)、康拓對(duì)角線法、證據(jù)理論、秩和比、突變論、支持向量機(jī)、TOPSIS、VIKOR、BORDA、TOPSIS、ELECTRE等。隨著管理科學(xué)與多元統(tǒng)計(jì)的發(fā)展，還會(huì)不斷涌現(xiàn)出新的評(píng)價(jià)方法。在學(xué)術(shù)評(píng)價(jià)中，因子分析應(yīng)用本來(lái)就較多，此外由于因子分析與主成分分析原理相近，選取因子分析作為非線性評(píng)價(jià)方法擁有更好的代表性。

在采用因子分析評(píng)價(jià)后，就可以進(jìn)行模擬權(quán)重的計(jì)算了。關(guān)于模擬權(quán)重的計(jì)算方法，可行的包括多元回歸、嶺回歸、偏最小二乘法等，這是傳統(tǒng)的基于回歸分析的方法。而人工神經(jīng)網(wǎng)絡(luò)是一種新的思路，實(shí)現(xiàn)的技術(shù)路徑與回歸完全不同，是一種嶄新的嘗試。

根據(jù)模擬權(quán)重的計(jì)算過(guò)程與計(jì)算結(jié)果，可以從3個(gè)視角分析：第一是模擬權(quán)重的計(jì)算方法比較，確定在各種情況下的篩選策略;第二是模擬權(quán)重估計(jì)結(jié)果的分析，可以深度分析因子分析方法的評(píng)價(jià)偏好、評(píng)價(jià)側(cè)重點(diǎn);第三是在此基礎(chǔ)上可以對(duì)因子分析是否適用于學(xué)術(shù)評(píng)價(jià)進(jìn)行評(píng)估。最后根據(jù)以上內(nèi)容得出研究結(jié)論。

2.2傳統(tǒng)模擬權(quán)重估計(jì)方法簡(jiǎn)介

1）傳統(tǒng)回歸

當(dāng)學(xué)術(shù)評(píng)價(jià)指標(biāo)較少、指標(biāo)間相關(guān)度不高時(shí)，采用多元回歸就可以進(jìn)行模擬權(quán)重估計(jì)，其公式如下：

log（Y）=c0+c1log（X1）+c2log（X2）+…+cnlog（Xn）（1）

式（1）中，Y表示非線性評(píng)價(jià)值，Xi為評(píng)價(jià)指標(biāo)（0

將回歸系數(shù)ci進(jìn)行歸一化處理，就得到了各評(píng)價(jià)指標(biāo)的模擬權(quán)重ωi：

ωi=ci∑ni=1ci（2）

在計(jì)算模擬權(quán)重時(shí)，式（2）成立的前提條件是所有回歸系數(shù)必須大于0，因?yàn)闄?quán)重不能為負(fù)數(shù)，但是沒(méi)有哪種回歸方法可以提供這種保證。此外，如果回歸系數(shù)沒(méi)有通過(guò)統(tǒng)計(jì)檢驗(yàn)，從理論上說(shuō)，該評(píng)價(jià)指標(biāo)與評(píng)價(jià)結(jié)果無(wú)關(guān)，這也是一個(gè)問(wèn)題。

另外一個(gè)問(wèn)題是，當(dāng)學(xué)術(shù)評(píng)價(jià)指標(biāo)眾多，指標(biāo)之間容易存在高度多重共線性，傳統(tǒng)的刪除部分指標(biāo)、增加樣本量等降低多重共線性的方法又不能采用，在這種情況下，采用嶺回歸可以大幅降低多重共線性問(wèn)題。

2）嶺回歸

嶺回歸由Horel A E等[28]提出，本質(zhì)上是一種經(jīng)過(guò)優(yōu)化的最小二乘法，是一種專(zhuān)門(mén)用于共線性數(shù)據(jù)分析的有偏估計(jì)回歸方法。經(jīng)典的回歸是計(jì)算：

=（X′X）-1X′y（3）

當(dāng)變量存在多重共線性時(shí)，矩陣X′X幾乎是奇異的，會(huì)導(dǎo)致估計(jì)結(jié)果的方差非常高。解決方法是通過(guò)變換矩陣的特征值來(lái)回避這個(gè)問(wèn)題：

=（X′X+kI）-1X′y（4）

式（4）可以減少估計(jì)方差，但這種估計(jì)是有偏的。如果減少的方差遠(yuǎn)遠(yuǎn)高于增加的估計(jì)偏差，均方誤差減少了，那么嶺回歸就是有效的。嶺回歸就是用X′X+kI代替正規(guī)方程中的X′X，通過(guò)選擇合適的k，使方差較小估計(jì)的偏差也較小，一般通過(guò)作圖來(lái)選擇恰當(dāng)?shù)膮?shù)k。

從以上嶺回歸的原理可以看出，雖然大大降低了多重共線性問(wèn)題，但是回歸系數(shù)可能也會(huì)出現(xiàn)負(fù)數(shù)，也有可能無(wú)法通過(guò)統(tǒng)計(jì)檢驗(yàn)，并且?guī)X回歸也是有偏的，那么回歸系數(shù)就不是最佳的，由此也會(huì)帶來(lái)模擬權(quán)重精度下降。

3）偏最小二乘法

偏最小二乘法（Partial Least Squares，PLS）由Wold S等[29]提出，它結(jié)合了多元回歸、主成分分析、典型相關(guān)分析的優(yōu)點(diǎn)，尤其適用于變量存在多重共線性以及變量個(gè)數(shù)較多而樣本較少時(shí)的情況。

對(duì)于自變量X和因變量Y，首先基于主成分分析，從X中提取成分t1，從Y中提取成分u1，同時(shí)使得t1和u1的變異方差達(dá)到最大，即：

Var（t1）→max Var（u1）→max（5）

根據(jù)回歸建模的要求，同時(shí)考慮到t1對(duì)u1有最大解釋能力，基于典型相關(guān)分析，要求t1和u1的相關(guān)系數(shù)最大，即：

r（t1，u1）→max（6）

同時(shí)考慮以上兩方面因素，以t1和u1協(xié)方差最大作為提取條件：

Cov（t1，u1）=Var（t1）·Var（u1）·r（t1，u1）→max（7）

t1和u1提取后，分別進(jìn)行X對(duì)t1和Y對(duì)t1進(jìn)行回歸，如果回歸方程滿足PRESS精度，則算法終止，否則分別從殘余數(shù)據(jù)中繼續(xù)提取t2和u2，直到滿足PRESS精度要求。由于t和u是彼此正交的，因而大大克服了多重共線性問(wèn)題。

如果最終從X中提取了m個(gè)成分t1、t2…tm，從Y中提取了q個(gè)成分u1、u2…um，則進(jìn)行Yk對(duì)于t1、t2…tm的回歸，最后再將其轉(zhuǎn)換為Yk對(duì)于x1、x2…xm的方程。

2.3人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是一整套簡(jiǎn)化、抽象、模擬人腦功能的極其復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng)。BP神經(jīng)網(wǎng)絡(luò)模型是對(duì)人腦神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬，可以進(jìn)行分布式并行信息處理[30]。典型的人工神經(jīng)網(wǎng)絡(luò)由1個(gè)輸入層，若干個(gè)隱蔽層和1個(gè)輸出層構(gòu)成，如圖3所示，神經(jīng)網(wǎng)絡(luò)的大部分由隱蔽層構(gòu)成。每層單元節(jié)點(diǎn)數(shù)量均可以是多個(gè)，每層單元節(jié)點(diǎn)與它兩邊層的各個(gè)單元節(jié)點(diǎn)都是連通的。每個(gè)連接都賦予1個(gè)權(quán)重值，表明前一個(gè)單元的輸出對(duì)下一個(gè)單元輸出的影響力。

神經(jīng)網(wǎng)絡(luò)需要經(jīng)過(guò)訓(xùn)練和學(xué)習(xí)才能生成期望的輸出，其學(xué)習(xí)步驟如下：

1）設(shè)置初始參數(shù)，ω為初始權(quán)重，θ為臨界值，取隨機(jī)較小正數(shù)。

2）將樣本數(shù)據(jù)加載到神經(jīng)網(wǎng)絡(luò)，計(jì)算隱蔽層和輸出層的輸出，對(duì)于隱蔽層有：

yj=f∑mi-1ωkixi（8）

對(duì)于輸出層有：

O=f∑pk-1ωjkyj（9）

式（8）中，f（x）為單極Sigmoid函數(shù)。式（9）中，f（x）為純線性函數(shù);I、j、k分別為神經(jīng)網(wǎng)絡(luò)的輸入、輸出、隱蔽單元的代號(hào);m為輸入單元數(shù)、p為隱蔽單元數(shù);ωki為輸入神經(jīng)元i到隱含神經(jīng)元k的鏈接權(quán)重，ωjk為輸出神經(jīng)元j到隱含神經(jīng)元k的鏈接權(quán)重。

3）各層權(quán)重的調(diào)整量為：

Vω=ηδjyj（10）

式（10）中，η為學(xué)習(xí)率，也稱(chēng)為比例系數(shù)，一般?。?，1）區(qū)間中一個(gè)較小的數(shù);δj是一個(gè)與輸出偏差相關(guān)的數(shù)值，即dj-yj，dj表示期望輸出數(shù)據(jù)。

對(duì)于輸出節(jié)點(diǎn)有：

δj=ηj（1-yj）（dj-yj）（11）

對(duì)于隱蔽節(jié)點(diǎn)有：

δj=xi（1-xi）∑pk=1δkωki（12）

式（12）中，k指要把輸出層節(jié)點(diǎn)取遍，誤差δj是從輸出層反向逐層計(jì)算的。

4）各層神經(jīng)元調(diào)整后的權(quán)重為：

ωki（t）=ωki（t-1）+Vωki（13）

式（13）中，t為學(xué)習(xí)次數(shù)，其計(jì)算是個(gè)循環(huán)迭代過(guò)程，每輪計(jì)算均將各神經(jīng)元之間的權(quán)重調(diào)整一遍，直到輸出誤差小于某一允許范圍為止。

2.4期刊評(píng)價(jià)人工神經(jīng)網(wǎng)絡(luò)模型

本文基于JCR2017經(jīng)濟(jì)學(xué)期刊進(jìn)行研究，JCR公布的指標(biāo)包括總被引頻次、影響因子、他引影響因子、5年影響因子、即年指標(biāo)、載文量、被引半衰期、引用半衰期、特征因子、論文影響分值、文獻(xiàn)選出率、影響因子百分位、標(biāo)準(zhǔn)特征因子。這些指標(biāo)中，載文量和文獻(xiàn)選出率不能說(shuō)明期刊的影響力與學(xué)術(shù)質(zhì)量，不宜選取;影響因子百分位本質(zhì)上是排序，屬于非參數(shù)數(shù)據(jù)，當(dāng)然也不宜選取;標(biāo)準(zhǔn)特征因子是根據(jù)特征因子計(jì)算而來(lái)，信息有重復(fù)之處，也不宜選取。在刪除掉這些指標(biāo)后，實(shí)際采用余下的9個(gè)指標(biāo)，首先采用因子分析進(jìn)行評(píng)價(jià)，然后再采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，得到各指標(biāo)的模擬權(quán)重，并進(jìn)行后續(xù)分析。本文的學(xué)術(shù)期刊人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

根據(jù)Komogorov定理，對(duì)于任意連續(xù)函數(shù)，可以用三層網(wǎng)絡(luò)來(lái)精確實(shí)現(xiàn)，即只要用1個(gè)隱蔽層就可以。采用因子分析評(píng)價(jià)學(xué)術(shù)期刊，評(píng)價(jià)指標(biāo)與評(píng)價(jià)結(jié)果之間的關(guān)系總體不算復(fù)雜，并且評(píng)價(jià)結(jié)果值是連續(xù)的，因此選用3層網(wǎng)絡(luò)即包含1個(gè)隱蔽層的模型來(lái)進(jìn)行學(xué)習(xí)就足夠。

關(guān)于隱蔽層節(jié)點(diǎn)數(shù)量的確定，當(dāng)隱蔽層數(shù)量太少時(shí)，學(xué)習(xí)過(guò)程不容易收斂;但當(dāng)隱蔽層節(jié)點(diǎn)數(shù)太多時(shí)，網(wǎng)絡(luò)映射能力增強(qiáng)，容易收斂，但容易出現(xiàn)過(guò)度學(xué)習(xí)現(xiàn)象，即將異常點(diǎn)（隨機(jī)噪聲）也納入學(xué)習(xí)結(jié)果，從而導(dǎo)致容錯(cuò)率降低。隱含節(jié)點(diǎn)的選取方法有構(gòu)造法、刪除法、黃金分割法等，本文采用刪除法進(jìn)行逐步試算，以確定最佳隱蔽層數(shù)量。

3研究數(shù)據(jù)與實(shí)證結(jié)果

3.1研究數(shù)據(jù)

考慮到人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)需要的樣本數(shù)量不能太小，因此本文選取JCR2017中期刊數(shù)量相對(duì)較多的經(jīng)濟(jì)學(xué)期刊為例進(jìn)行研究。JCR2017共有期刊353種，在這些期刊中，5年影響因子有缺失的期刊13種，即年指標(biāo)有缺失的期刊1種，被引半衰期有缺失的期刊18種，引用半衰期有缺失的1種，論文影響分值有缺失的13種，當(dāng)然有些期刊的缺失指標(biāo)有多個(gè)。經(jīng)過(guò)數(shù)據(jù)清洗，刪除了32種期刊，余下321種期刊。評(píng)價(jià)指標(biāo)的數(shù)據(jù)描述統(tǒng)計(jì)如表1所示。

此外被引半衰期和引用半衰期屬于反向指標(biāo)，在評(píng)價(jià)以及做后續(xù)分析時(shí)必須進(jìn)行正向處理，本文采用用極大值減去各指標(biāo)值的方法先轉(zhuǎn)化為正向指標(biāo)，然后再采用傳統(tǒng)標(biāo)準(zhǔn)化方法進(jìn)行評(píng)價(jià)。

3.2因子分析評(píng)價(jià)

采用因子分析法對(duì)經(jīng)濟(jì)學(xué)期刊進(jìn)行評(píng)價(jià)，首先要進(jìn)行KMO檢驗(yàn)與Bartlett檢驗(yàn)，以決定是否能采用因子分析。KMO檢驗(yàn)值為0.778，Bartlett檢驗(yàn)值為3 312.777，p值為0.000，滿足進(jìn)行因子分析的前提條件，可以采用因子分析進(jìn)行評(píng)價(jià)。

因子旋轉(zhuǎn)矩陣如表2所示，采用最大方差法進(jìn)行旋轉(zhuǎn)，得到兩個(gè)公共因子，根據(jù)系數(shù)大小進(jìn)行分類(lèi)：第一公共因子由總被引頻次、影響因子、他引影響因子、5年影響因子、即年指標(biāo)、特征因子、論文影響分值7個(gè)指標(biāo)組成，可以將其命名為期刊影響力因子;第二公共因子由被引半衰期、引用半衰期兩個(gè)指標(biāo)組成，可以將其命名為期刊時(shí)效因子。

第一公共因子的方差貢獻(xiàn)率為58.790%，第二公共因子的方差貢獻(xiàn)率為14.503%，兩者一共解釋了原始數(shù)據(jù)的73.293%，總體上是有效的。根據(jù)方差貢獻(xiàn)率加權(quán)，得到因子分析的評(píng)價(jià)結(jié)果。

需要說(shuō)明的是，由于后續(xù)分析需要對(duì)因子分析的評(píng)價(jià)值取對(duì)數(shù)進(jìn)行回歸，而因子分析的評(píng)價(jià)值有負(fù)數(shù)，不能取對(duì)數(shù)，需要進(jìn)行進(jìn)一步處理。通過(guò)對(duì)因子分析評(píng)價(jià)值的分析，發(fā)現(xiàn)極小值為-0.931，因此對(duì)因子分析的評(píng)價(jià)值全部加上1，這樣就使得所有評(píng)價(jià)結(jié)果均為正值。

3.3基于回歸分析計(jì)算學(xué)術(shù)評(píng)價(jià)指標(biāo)模擬權(quán)重

首先采用多元回歸對(duì)因子分析的評(píng)價(jià)結(jié)果與評(píng)價(jià)指標(biāo)進(jìn)行回歸，結(jié)果如表3所示。模型的擬合優(yōu)度較高，R2為0.949。9個(gè)評(píng)價(jià)指標(biāo)中他引影響因子、被引半衰期沒(méi)有通過(guò)統(tǒng)計(jì)檢驗(yàn)，其他指標(biāo)均在1%的水平下通過(guò)了統(tǒng)計(jì)檢驗(yàn)。回歸系數(shù)較大的指標(biāo)主要是引用半衰期（1.151）、影響因子（0.227）。由于被引半衰期和特征因子的回歸系數(shù)為負(fù)數(shù)，所以無(wú)法進(jìn)一步根據(jù)回歸系數(shù)大小比例來(lái)計(jì)算模擬權(quán)重。

其次采用嶺回歸對(duì)因子分析的評(píng)價(jià)值與評(píng)價(jià)指標(biāo)進(jìn)行回歸，其嶺跡圖如圖5所示，當(dāng)k=0.2時(shí)，模型相對(duì)穩(wěn)定，回歸結(jié)果同樣如表3所示。模型的擬合優(yōu)度中等偏高，R2為0.823?；貧w系數(shù)較大的指標(biāo)是論文影響分值、總被引頻次、即年指標(biāo)、5年影響因子，這個(gè)結(jié)果比多元回歸有所改進(jìn)。但是由于影響因子、被引半衰期、引用半衰期、特征因子的回歸系數(shù)為負(fù)數(shù)，所以同樣不能進(jìn)一步計(jì)算模擬權(quán)重。

最后采用偏最小二乘法估計(jì)因子分析結(jié)果與評(píng)價(jià)指標(biāo)之間的關(guān)系，方差解釋比例如表4所示，隨著隱含成分的增加，其擬合優(yōu)度R2也在提高，因此選取隱含成分為5時(shí)的回歸結(jié)果，其擬合優(yōu)度為0.893，屬于偏高水平，回歸結(jié)果同樣如表3所示。

從偏最小二乘法的回歸結(jié)果看，即年指標(biāo)（1.290）、論文影響分值（1.198）、影響因子（1.176）、他引影響因子（1.146）等指標(biāo)的權(quán)重較大，而特征因子（0.367）、被引半衰期（0.650）、引用半衰期（0.676）的權(quán)重較小。所有的回歸系數(shù)均為正數(shù)，因此可以進(jìn)一步計(jì)算模擬權(quán)重，其結(jié)果如表5所示。

3.4人工神經(jīng)網(wǎng)絡(luò)模擬權(quán)重估計(jì)

通過(guò)試算，確定隱蔽層為1層，4個(gè)隱含指標(biāo)，基于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，迭代次數(shù)選擇1 000次，擬合曲線如圖6所示。最終BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型中，評(píng)價(jià)值與評(píng)價(jià)指標(biāo)的相關(guān)系數(shù)為0.994，擬合優(yōu)度R2為0.988，具有極好的擬合效果。

BP神經(jīng)網(wǎng)絡(luò)得到模擬權(quán)重如表6所示。引用半衰期的權(quán)重?fù)碛薪^對(duì)支配地位，為0.772，影響因子、5年影響因子、他引影響因子的權(quán)重在同一數(shù)量級(jí)，分別為0.074、0.059、0.045，其他指標(biāo)的權(quán)重則不高。為了進(jìn)行比較，將BP神經(jīng)網(wǎng)絡(luò)的權(quán)重與偏最小二乘法計(jì)算的權(quán)重同時(shí)呈現(xiàn)在表6中。

從表6可以看出，由于模擬權(quán)重估計(jì)的方法完全不同，模擬權(quán)重的結(jié)果也相差較大。偏最小二乘法模擬權(quán)重結(jié)果中，被引半衰期的權(quán)重僅為0.077，完全可以忽略不計(jì)。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)模擬結(jié)果中，被引半衰期的權(quán)重卻高達(dá)0.772，完全處于主宰地位。由于這兩種模擬權(quán)重結(jié)果相差較大，因此只能選取其中的一種來(lái)進(jìn)行深度分析。

3.5幾個(gè)問(wèn)題的討論

1）模擬權(quán)重估計(jì)方法的選擇問(wèn)題

幾種模擬權(quán)重方法的比較如表7所示。從方法應(yīng)用的前提條件看，分析視角可以從樣本大小、數(shù)據(jù)分布與多重共線性處理、指標(biāo)相關(guān)度4個(gè)方面進(jìn)行。

從樣本大小看，多元回歸和嶺回歸適用于中等樣本，必須達(dá)到回歸的基本要求，而偏最小二乘法可以適用于小樣本，BP神經(jīng)網(wǎng)絡(luò)由于要進(jìn)行機(jī)器學(xué)習(xí)，所以必須是中等以上樣本。

從評(píng)價(jià)指標(biāo)的數(shù)據(jù)分布看，多元回歸與嶺回歸必須服從正態(tài)分布，而偏最小二乘法與BP神經(jīng)網(wǎng)絡(luò)沒(méi)有數(shù)據(jù)分布要求。本文JCR2017經(jīng)濟(jì)學(xué)期刊的所有評(píng)價(jià)指標(biāo)以及評(píng)價(jià)結(jié)果均不服從正態(tài)分布，從這個(gè)角度，無(wú)法采用多元回歸和嶺回歸來(lái)計(jì)算模擬權(quán)重。文獻(xiàn)計(jì)量指標(biāo)往往呈現(xiàn)偏態(tài)分布或冪律分布，并不服從正態(tài)分布[31-32]。

從多重共線性的處理看，多元回歸對(duì)多重共線性的處理辦法較差，因?yàn)椴荒軇h除任何評(píng)價(jià)指標(biāo)，也不能方便地增加樣本數(shù)量。嶺回歸對(duì)多重共線性的處理方法較好，極大地進(jìn)行了改進(jìn)，而偏最小二乘法則較好解決了多重共線性問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)則根本不考慮多重共線性問(wèn)題，是終極解決方案。

指標(biāo)相關(guān)這個(gè)要求比較有趣，在回歸中，最不希望出現(xiàn)的就是指標(biāo)間相關(guān)，容易產(chǎn)生多重共線性，對(duì)于多元回歸、嶺回歸均是如此，而偏最小二乘法涉及主成分分析，其前提條件指標(biāo)間必須相關(guān)，也就是說(shuō)，如果指標(biāo)間相關(guān)度不高時(shí)，是不適合采用偏最小二乘法估計(jì)模擬權(quán)重的。BP神經(jīng)網(wǎng)絡(luò)對(duì)此沒(méi)有要求，自由度較大。

從模擬權(quán)重的計(jì)算過(guò)程看，分析視角又可以從回歸系數(shù)（權(quán)重）的符號(hào)、回歸系數(shù)（權(quán)重）檢驗(yàn)、回歸系數(shù)（權(quán)重）準(zhǔn)確度這3個(gè)方面展開(kāi)。

在模擬權(quán)重估計(jì)中，基于回歸分析的估計(jì)方法必須保證回歸系數(shù)為正數(shù)，但多元回歸、嶺回歸均不能提供這種保證，偏最小二乘法雖然也不能提供這種保證，但在大概率的情況下，可以保證回歸系數(shù)為正。而人工神經(jīng)網(wǎng)絡(luò)模擬權(quán)重則永遠(yuǎn)為正，根本不需要考慮正負(fù)問(wèn)題。

基于回歸分析的模擬權(quán)重估計(jì)同樣要兼顧回歸系數(shù)的統(tǒng)計(jì)檢驗(yàn)問(wèn)題，因?yàn)槿绻u(píng)價(jià)指標(biāo)的回歸系數(shù)沒(méi)有通過(guò)統(tǒng)計(jì)檢驗(yàn)，說(shuō)明該指標(biāo)與評(píng)價(jià)值無(wú)關(guān)。多元回歸、嶺回歸、偏最小二乘法均有評(píng)價(jià)指標(biāo)回歸系數(shù)的統(tǒng)計(jì)檢驗(yàn)問(wèn)題，而人工神經(jīng)網(wǎng)絡(luò)沒(méi)有。當(dāng)然，對(duì)回歸系數(shù)的統(tǒng)計(jì)檢驗(yàn)這個(gè)要求可以適當(dāng)放寬，但不能沒(méi)有，從這個(gè)角度，人工神經(jīng)網(wǎng)絡(luò)最優(yōu)，沒(méi)有任何問(wèn)題。

最后是權(quán)重模擬精度問(wèn)題，多元回歸采用最小二乘法進(jìn)行估計(jì)，其精度是最好的。而嶺回歸和偏最小二乘法均是有偏估計(jì)，也就是說(shuō)回歸系數(shù)是有誤差的。BP神經(jīng)網(wǎng)絡(luò)是通過(guò)機(jī)器學(xué)習(xí)來(lái)擬合權(quán)重，每次學(xué)習(xí)結(jié)果均不一樣，所以其精度也會(huì)有所損失。一種改進(jìn)方法是通過(guò)多次學(xué)習(xí)，取每次學(xué)習(xí)結(jié)果權(quán)重的平均值作為模擬權(quán)重結(jié)果。

從整個(gè)模型的擬合結(jié)果角度，可以通過(guò)擬合優(yōu)度來(lái)加以判斷，在同等情況下，多元回歸、嶺回歸、偏最小二乘法的擬合優(yōu)度一般，而人工神經(jīng)網(wǎng)絡(luò)的擬合優(yōu)度往往很高，而且可以通過(guò)改進(jìn)學(xué)習(xí)參數(shù)加以控制。本文偏最小二乘法的擬合優(yōu)度為0.869，而人工神經(jīng)網(wǎng)絡(luò)擬合優(yōu)度高達(dá)0.988，所以采用人工神經(jīng)網(wǎng)絡(luò)計(jì)算模擬權(quán)重最佳。

基于以上分析，非線性評(píng)價(jià)方法模擬權(quán)重估計(jì)方法的選擇策略如下：

第一，一般情況下，沒(méi)有必要選擇多元回歸和嶺回歸。

第二，樣本很小情況下，無(wú)法計(jì)算模擬權(quán)重。

第三，小樣本情況下，當(dāng)指標(biāo)相關(guān)度較高時(shí)，可以采用偏最小二乘法計(jì)算模擬權(quán)重，一旦發(fā)現(xiàn)回歸系數(shù)出現(xiàn)負(fù)數(shù)，則采用BP神經(jīng)網(wǎng)絡(luò)。當(dāng)然，在這種情況下，模型的估計(jì)精度會(huì)受到影響。

第四，中等及以上樣本情況下，首選人工神經(jīng)網(wǎng)絡(luò)計(jì)算模擬權(quán)重，可以通過(guò)多次機(jī)器學(xué)習(xí)取平均值的方法來(lái)提高模擬權(quán)重的精度。

第五，中等及以上樣本情況下，如果指標(biāo)間相關(guān)度高，偏最小二乘法擬合優(yōu)度很高，回歸系數(shù)也全部為正數(shù)，可以考慮采用偏最小二乘法模擬權(quán)重與BP神經(jīng)網(wǎng)絡(luò)模擬權(quán)重的均值作為模擬權(quán)重的結(jié)果。

2）模擬權(quán)重結(jié)果的分析

基于以上分析選擇策略，本文由于采用大樣本，偏最小二乘法的回歸系數(shù)均為正數(shù)，但由于其擬合優(yōu)度遠(yuǎn)低于BP神經(jīng)網(wǎng)絡(luò)，KMO值不高，即指標(biāo)間相關(guān)度中等，所以最終采取BP神經(jīng)網(wǎng)絡(luò)來(lái)計(jì)算模擬權(quán)重。

本文至此通過(guò)幾種模擬權(quán)重估計(jì)方法的比較，最終根據(jù)BP神經(jīng)網(wǎng)絡(luò)得出了評(píng)價(jià)指標(biāo)的模擬權(quán)重。或者說(shuō)，模擬權(quán)重提供了反映因子分析評(píng)價(jià)特點(diǎn)的另外一個(gè)視角，并且更加直觀，其最大特點(diǎn)是引用半衰期的權(quán)重極高。

下面的分析思路從兩個(gè)角度展開(kāi)：第一，如果這種結(jié)果可以進(jìn)一步進(jìn)行驗(yàn)證，并且可以得到合理的解釋?zhuān)敲凑f(shuō)明采用因子分析是合適的，可以對(duì)因子分析的評(píng)價(jià)特點(diǎn)進(jìn)行進(jìn)一步的分析;第二，如果結(jié)果難以得到進(jìn)一步的驗(yàn)證，無(wú)論能否找到合理的解釋?zhuān)敲纯赡芫褪欠蔷€性評(píng)價(jià)方法存在問(wèn)題，說(shuō)明不適合采用因子分析來(lái)評(píng)價(jià)經(jīng)濟(jì)學(xué)期刊。

評(píng)價(jià)指標(biāo)及評(píng)價(jià)結(jié)果的相關(guān)系數(shù)如表8所示。引用半衰期與評(píng)價(jià)值的相關(guān)系數(shù)偏低，引用半衰期與因子分析評(píng)價(jià)值的相關(guān)系數(shù)為0.483，低于5年影響因子（0.905）、影響因子（0.884）、他引影響因子（0.873）、論文影響分值（0.773）、總被引頻次（0.738）、特征因子（0.629）。并且這些相關(guān)系數(shù)均通過(guò)了統(tǒng)計(jì)檢驗(yàn)，說(shuō)明從統(tǒng)計(jì)意義上，這些評(píng)價(jià)指標(biāo)與評(píng)價(jià)值是相關(guān)的。

當(dāng)然還有另外一個(gè)原因會(huì)導(dǎo)致引用半衰期與因子分析評(píng)價(jià)值相關(guān)度偏低，那就是它們之間可能存在非線性相關(guān)，繼續(xù)引入引用半衰期的2次項(xiàng)、3次項(xiàng)進(jìn)行回歸，結(jié)果如下：

log（y）=-28.614+24.300log（CHL2）-7.337log2（CHL2）+0.746log3（CHL3）（14）

（0.815）（-0.867）（0.967）R2=0.291 n=321

回歸結(jié)果表明，引用半衰期與因子分析評(píng)價(jià)值之間并不存在非線性關(guān)系，所有回歸系數(shù)均沒(méi)有通過(guò)統(tǒng)計(jì)檢驗(yàn)，擬合優(yōu)度R2很低，只有0.291。所以可以得出結(jié)論，采用因子分析來(lái)評(píng)價(jià)2016年JCR經(jīng)濟(jì)學(xué)期刊是不合適的。這個(gè)結(jié)論是通過(guò)BP神經(jīng)網(wǎng)絡(luò)計(jì)算模擬權(quán)重得出的，如果不計(jì)算模擬權(quán)重，根本無(wú)法對(duì)因子分析評(píng)價(jià)方法是否適用于學(xué)術(shù)評(píng)價(jià)進(jìn)行深度討論，本文提供了一個(gè)新的視角，拓展了前人的研究。

4研究結(jié)論

4.1在學(xué)術(shù)評(píng)價(jià)中有必要測(cè)度非線性評(píng)價(jià)方法的模擬權(quán)重

在學(xué)術(shù)評(píng)價(jià)中，多屬性評(píng)價(jià)方法得到了廣泛的應(yīng)用，其中以大量的非線性評(píng)價(jià)方法為主，因子分析僅僅是其中一個(gè)重要的代表。非線性評(píng)價(jià)方法種類(lèi)繁多，原理不一，但其共性是降低甚至消除了多屬性評(píng)價(jià)中指標(biāo)權(quán)重的地位和作用。評(píng)價(jià)指標(biāo)的權(quán)重問(wèn)題是多屬性評(píng)價(jià)的基礎(chǔ)問(wèn)題，忽視這個(gè)問(wèn)題必然對(duì)學(xué)術(shù)評(píng)價(jià)帶來(lái)不良影響。模擬權(quán)重是評(píng)估非線性學(xué)術(shù)評(píng)價(jià)指標(biāo)重要性的重要手段，必將對(duì)非線性評(píng)價(jià)在學(xué)術(shù)評(píng)價(jià)中的應(yīng)用產(chǎn)生深遠(yuǎn)的影響。

4.2BP神經(jīng)網(wǎng)絡(luò)是估計(jì)學(xué)術(shù)評(píng)價(jià)指標(biāo)模擬權(quán)重的最有效手段

本文在對(duì)多元回歸、嶺回歸、偏最小二乘法、人工神經(jīng)網(wǎng)絡(luò)4種模擬權(quán)重估計(jì)方法原理分析的基礎(chǔ)上，從樣本大小、數(shù)據(jù)分布、多重共線性處理、指標(biāo)相關(guān)度、回歸系數(shù)符號(hào)、回歸系數(shù)統(tǒng)計(jì)檢驗(yàn)、回歸系數(shù)估計(jì)精度、擬合優(yōu)度等方面對(duì)4種方法進(jìn)行了比較，以因子分析作為非線性評(píng)價(jià)方法的代表，采用JCR經(jīng)濟(jì)學(xué)期刊進(jìn)行了實(shí)證研究，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)是這4種方法中最合適的模擬權(quán)重估計(jì)方法。

4.3模擬權(quán)重可以用來(lái)進(jìn)行非線性學(xué)術(shù)評(píng)價(jià)方法的評(píng)估和選取非線性評(píng)價(jià)方法原理眾多，評(píng)價(jià)指標(biāo)與評(píng)價(jià)值的關(guān)系復(fù)雜，不同非線性評(píng)價(jià)方法之間的比較十分困難。一旦計(jì)算出模擬權(quán)重，就可以和線性評(píng)價(jià)方法一樣，對(duì)各指標(biāo)的重要性進(jìn)行分析評(píng)估，一方面可以分析某種非線性評(píng)價(jià)方法的特點(diǎn)，評(píng)估各指標(biāo)的重要性;另一方面可以用來(lái)對(duì)非線性評(píng)價(jià)方法進(jìn)行選取。如果模擬權(quán)重配置和管理需要與專(zhuān)家意見(jiàn)基本相當(dāng)，說(shuō)明采用該非線性評(píng)價(jià)方法較好，如果偏差較大，則說(shuō)明這個(gè)非線性評(píng)價(jià)方法根本不適用于該評(píng)價(jià)。在面臨多種非線性評(píng)價(jià)方法可以選取的情況下，模擬權(quán)重提供了一種非常有效的比較手段。對(duì)于任何學(xué)科的期刊評(píng)價(jià)，如果采用非線性評(píng)價(jià)方法，都有必要采用本文的方法進(jìn)行進(jìn)一步的篩選和比較。

4.4模擬權(quán)重的應(yīng)用嚴(yán)重依賴(lài)數(shù)據(jù)

本文采用因子分析作為非線性評(píng)價(jià)方法之一，基于JCR2017經(jīng)濟(jì)學(xué)期刊進(jìn)行實(shí)證研究，通過(guò)模擬權(quán)重的計(jì)算和分析，發(fā)現(xiàn)因子分析并不適用于評(píng)價(jià)經(jīng)濟(jì)學(xué)期刊。需要注意的是，并不是說(shuō)因子分析不能用來(lái)評(píng)價(jià)其他學(xué)術(shù)期刊，甚至也不能說(shuō)因子分析不能用于評(píng)價(jià)2016年經(jīng)濟(jì)學(xué)期刊，只能說(shuō)不能采用因子分析評(píng)價(jià)2017年JCR經(jīng)濟(jì)學(xué)期刊。因?yàn)槟M權(quán)重的計(jì)算是嚴(yán)重依賴(lài)數(shù)據(jù)的，從方法論的角度具有通用性，從應(yīng)用的角度具有特殊性，應(yīng)該結(jié)合具體數(shù)據(jù)來(lái)進(jìn)行分析。

本文首次將BP人工神經(jīng)網(wǎng)絡(luò)用于非線性評(píng)價(jià)的模擬權(quán)重估計(jì)，提供了一種新的分析非線性評(píng)價(jià)方法的手段。本文提出的研究方法不僅可以應(yīng)用在學(xué)術(shù)評(píng)價(jià)中，也廣泛適用于其他領(lǐng)域的評(píng)價(jià)。期待有更多的非線性評(píng)價(jià)模擬權(quán)重估計(jì)方法出現(xiàn)，共同推進(jìn)多屬性評(píng)價(jià)的進(jìn)展。

參考文獻(xiàn)

[1]俞立平，宋夏云.期刊評(píng)價(jià)中非線性評(píng)價(jià)方法選取的檢驗(yàn)研究[J].中國(guó)科技期刊研究，2014，25（8）：1063-1067.

[2]俞立平，宋夏云，鄒文璨，等.科技評(píng)價(jià)權(quán)重的本質(zhì)研究[J].情報(bào)雜志，2018，37（2）：117-121.

[3]Polonsky M J，Whitelaw P.What Are We Measuring When We Evaluate Journals？[J].Journal of Marketing Education，2005，27（2）：189- 201.

[4]俞立平.科技評(píng)價(jià)中關(guān)鍵指標(biāo)的測(cè)度方法研究——以學(xué)術(shù)期刊評(píng)價(jià)為例[J].圖書(shū)情報(bào)工作，2017，61（18）：93-97.

[5]Spearman C.The Proof and Measurement of Association Between Two Things.By C.Spearman，1904[J].American Journal of Psychology，1987，100（3/4）：441-471.

[6]趙蓉英，王旭.多維信息計(jì)量視角下學(xué)術(shù)期刊影響力評(píng)價(jià)研究——以國(guó)際LIS期刊為例[J].中國(guó)科技期刊研究，2019，30（7）：773-781.

[7]王志娟，姚亞楠，楊克魁.基于因子分析法的科技期刊學(xué)術(shù)影響力綜合評(píng)價(jià)及發(fā)展建議——以廣東省醫(yī)藥衛(wèi)生期刊為統(tǒng)計(jì)源[J].中國(guó)科技期刊研究，2018，29（10）：1036-1041.

[8]馮煥華，任博.基于因子分析的教育學(xué)期刊學(xué)術(shù)水平綜合評(píng)價(jià)研究[J].軟件導(dǎo)刊（教育技術(shù)），2017，16（9）：4-6.

[9]李華，李政.基于因子分析法評(píng)價(jià)期刊的學(xué)術(shù)影響力[J].南通職業(yè)大學(xué)學(xué)報(bào)，2010，24（2）：72-75.

[10]何莉，董梅生，丁吉海，等.安徽省高校自然科學(xué)學(xué)報(bào)學(xué)術(shù)影響力綜合評(píng)價(jià)分析——基于因子分析法[J].中國(guó)科技期刊研究，2014，25（3）：427-431.

[11]奉國(guó)和，周榕鑫，武佳佳.基于熵權(quán)TOPSIS及因子分析的學(xué)術(shù)期刊綜合評(píng)價(jià)研究[J].圖書(shū)情報(bào)工作，2018，62（17）：84-95.

[12]劉蓮花.基于循環(huán)修正思路的科技期刊綜合評(píng)價(jià)[J].中國(guó)科技期刊研究，2016，27（6）：645-649.

[13]張發(fā)明，王偉明.基于因子分析和誘導(dǎo)密度算子的學(xué)術(shù)期刊組合評(píng)價(jià)[J].情報(bào)雜志，2018，37（3）：165-166，170，167-169.

[14]王偉明，徐海燕.基于最小偏差法的學(xué)術(shù)期刊動(dòng)態(tài)組合評(píng)價(jià)[J].情報(bào)雜志，2019，38（5）：102-108.

[15]李勤敏，郭進(jìn)利.基于主成分分析和神經(jīng)網(wǎng)絡(luò)對(duì)作者影響力的評(píng)估[J].情報(bào)學(xué)報(bào)，2019，38（7）：709-715.

[16]張瑾.基于改進(jìn)BP網(wǎng)絡(luò)的中文期刊論文分類(lèi)方法[J].河南圖書(shū)館學(xué)刊，2014，34（5）：61-63.

[17]張和平，陳齊海.期刊學(xué)術(shù)影響力測(cè)度指標(biāo)結(jié)構(gòu)關(guān)系研究——基于BP神經(jīng)網(wǎng)絡(luò)DEMATEL模型的實(shí)證[J].現(xiàn)代情報(bào)，2018，38（1）：87-91，99.

[18]張洋，梁麗，黃亞明.學(xué)術(shù)網(wǎng)絡(luò)資源評(píng)價(jià)指標(biāo)體系的構(gòu)建——應(yīng)用人工神經(jīng)網(wǎng)絡(luò)制定學(xué)術(shù)網(wǎng)站評(píng)價(jià)指標(biāo)體系[J].中國(guó)科技信息，2009，（12）：316-318.

[19]樓文高，張衛(wèi)，楊雪梅.科技期刊學(xué)術(shù)水平綜合評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)模型[J].情報(bào)雜志，2009，28（9）：73-77.

[20]劉蕾，于國(guó)泳，林鑫，等.基于BP神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)類(lèi)微信公眾號(hào)學(xué)術(shù)知識(shí)獲取效果評(píng)價(jià)模型構(gòu)建[J].中華醫(yī)學(xué)圖書(shū)情報(bào)雜志，2019，28（2）：35-44.

[21]李寧.基于BP神經(jīng)網(wǎng)絡(luò)的管理類(lèi)期刊影響因子的影響因素分析[J].陜西教育學(xué)院學(xué)報(bào)，2007，（3）：83-86.

[22]李素英，王貝貝，馮雯.基于AHP-BP的科技型中小企業(yè)創(chuàng)新能力評(píng)價(jià)研究——以京津冀創(chuàng)業(yè)板上市公司數(shù)據(jù)為樣本[J].會(huì)計(jì)之友，2017，（24）：60-64.

[23]周宏.基于BP神經(jīng)網(wǎng)絡(luò)的高?？萍汲晒D(zhuǎn)化的綜合評(píng)價(jià)[J].統(tǒng)計(jì)與決策，2009，（17）：79-81.

[24]曾莉，王明.基于BP神經(jīng)網(wǎng)絡(luò)的科技型中小企業(yè)知識(shí)產(chǎn)權(quán)質(zhì)押融資風(fēng)險(xiǎn)評(píng)價(jià)[J].科技管理研究，2016，36（23）：164-167.

[25]劉長(zhǎng)平.基于DEA和BP神經(jīng)網(wǎng)絡(luò)的企業(yè)科技成果轉(zhuǎn)化綜合評(píng)價(jià)及實(shí)證分析[J].科技和產(chǎn)業(yè)，2015，15（8）：98-101.

[26]趙宇，王晶華，黃思明，等.基于后評(píng)估的科技成果評(píng)價(jià)導(dǎo)向模擬分析研究[J].中國(guó)管理科學(xué)，2014，22（S1）：90-94.

[27]翟珊珊，段婕.組合權(quán)重確定方法的仿真對(duì)比分析[J].統(tǒng)計(jì)與決策，2015，（24）：83-85.

[28]Hoerl A E，Kennard R W.Ridge Regression：Biased Estimation for Nonorthogonal Problems[J].Technometrics，1970，（12）：55-67.

[29]Wold S，Martens H，Wold H.The Multivariate Calibration Problem in Chemistry Solved By the PLS Method[J].Springer-Verlag，Heidelberg，1983：286-293.

[30]Rumelhart D E，Hinton G E，Williams R J.Learning Representations By Back-propagation Error[J].Nature，1998，323（9）：533-536.

[31]Vinkler P.Introducing the Current Contribution Index for Characterizing the Recent，Relevant Impact of Journals，Scientometrics，2008，79（2）：409-420.

[32]Seglen P O.The Skewness of Science[J].Journal of the American Society for Information Science，1992，43（9）：628-638.

（責(zé)任編輯：孫國(guó)雷）