曹 艷,劉 強,胡 亮,胡 旭,劉遠利

(1.四川省農業(yè)科學院農業(yè)信息與農村經濟研究所,成都 610066;2.四川省農業(yè)科學院,成都 610066)

【研究意義】成果評價和估值是技術轉移過程中不可或缺的一環(huán),是確定轉化科技成果并進行產業(yè)化的基礎,同時也是進行對外商業(yè)化談判、確定許可費比例的前提,是發(fā)揮科技第一生產力作用的關鍵[1]?；跀?shù)據(jù)的客觀便捷的農業(yè)科技成果價值評估,是提高農業(yè)科技管理效率、科技投入產出效益、科技評價準確性和客觀性的基礎,是成果交易轉換中不可或缺的重要環(huán)節(jié)?！厩叭搜芯窟M展】國家標準化管理委員會于2015年12月10日發(fā)布了農業(yè)科技成果評價技術規(guī)范,明確了評價的原則、內容和程序,該規(guī)范主要從技術、效益和風險3個維度給出農業(yè)科技成果評價指標的定義及權重賦值。傳統(tǒng)的農業(yè)科技成果評價過于依賴專家的主觀判斷,和以數(shù)據(jù)為基礎的評價方式相比,更缺少客觀、公正,信息技術的發(fā)展給農業(yè)科技成果的交易估值帶來了新方法。神經網(wǎng)絡算法ANN(Artificial neural network)是一種模擬生物神經網(wǎng)絡的結構和功能的數(shù)學算法模型,具有分布式存儲、并行處理、自學習和自組織等優(yōu)勢,能夠適應復雜的非線性問題[2-3]。神經網(wǎng)絡由輸入層、隱藏層和輸出層組成,從輸入層輸入樣本特征值,經過隱藏層處理后傳輸給輸出層,由輸出層輸出最終的評估值。神經網(wǎng)絡算法ANN能從歷史數(shù)據(jù)中自學習規(guī)則,此外還有高速并行運算、多維度數(shù)據(jù)處理、分布式信息存儲等方面的優(yōu)勢[4-7]。神經網(wǎng)絡中的權值通過模型對樣本的學習得到,因此,使用神經網(wǎng)絡方法對農業(yè)科技成果價值進行評價,能夠有效避免人為賦予權重時的主觀影響[4]。在大樣本的支持下,研究者能夠建立對農業(yè)科技成果價值進行評估的綜合評價模型。模糊邏輯系統(tǒng)(Fuzzy logic system)[8-11]是綜合利用模糊概念和模糊邏輯構成的包含模糊輸入數(shù)據(jù)集、模糊規(guī)則庫、模糊推理機和模糊輸出數(shù)據(jù)集的系統(tǒng),它被廣泛用于現(xiàn)代控制系統(tǒng)中,如專家系統(tǒng)等[12-14]。模糊系統(tǒng)[15-16]是基于規(guī)則的系統(tǒng),可以模擬人的邏輯思考過程并定義大量規(guī)則,這些規(guī)則可以結合領域內的專家知識形成模糊規(guī)則集合。BP神經網(wǎng)絡作為應用最廣泛的神經網(wǎng)絡之一,被研究者用于科技成果價值評估的實踐中。專利是一種重要的科技成果,其價值主要由其帶來的未來收益所決定,受眾多因素影響,且影響因素間也可能存在相關性。BP神經網(wǎng)絡能夠很好地解決專利價值評估這一非線性且?guī)в兄饔^能動性的問題[17]。秦薇[18]以農業(yè)科技成果中植物新品種權為研究對象,通過對植物新品種權價值影響因素的確定、數(shù)據(jù)的獲取和BP神經網(wǎng)絡模型的訓練,得到基于BP神經網(wǎng)絡模型的植物新品種權價值評估方法。對成果價值具有影響的指標確定是建立評價體系的重要步驟,李雷霆[4]利用粗糙集理論對農業(yè)企業(yè)孵化器運營水平評價指標進行初步篩選,再使用RBF神經網(wǎng)絡進行評估,能夠有效降低神經網(wǎng)絡輸入維度,加速學習速度,提高評價效率。在實踐中,粗糙集理論與RBF神經網(wǎng)絡結合的R-RNN模型能夠準確評價農業(yè)企業(yè)孵化器目前所處的運營水平,為農業(yè)企業(yè)孵化器的進一步提高提供有力幫助。Li和Xu[19]用BP神經網(wǎng)絡對研究通過模糊綜合評價(FCE)和層次分析法(AHP)所建立的高?？萍汲晒D化模式的評估指標體系及其權重值進行驗證,結果顯示該評價模型的學習和預測能力都具有較好效果。【本研究切入點】突破固有的指標體系或權重不能完全脫離專家分析的依賴,直接從歷史交易數(shù)據(jù)提取指標并學習、存儲規(guī)則知識,同時用于價格預測?！緮M解決的關鍵問題】針對農業(yè)科技成果估值難題,基于農業(yè)科技成果歷史交易數(shù)據(jù),采用改進的五層模糊神經網(wǎng)絡IFNN(Improved fuzzy neural network)提取農業(yè)科技成果相關指標并學習、存儲其規(guī)則知識,應用于農業(yè)科技成果的估值,為農業(yè)科技成果轉化交易提供重要依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)篩選與預處理

數(shù)據(jù)集采用四川農業(yè)科技成果交易歷史數(shù)據(jù)602條,其中,70%作為訓練集,20%的數(shù)據(jù)作為驗證集,10%用于測試[20]。

數(shù)據(jù)預處理:首先抽取評價對象相關的歷史交易信息和交易產品的屬性數(shù)據(jù),包括成果的名稱、所屬品類、歷史交易價格、抗性、平均產量、品質、階段(成熟度)、適應性等。

1.2 試驗方法

1.2.1 試驗流程 本研究的目標是實現(xiàn)農業(yè)成果交易價格預測,即通過農業(yè)成果多維度指標(包括產量、抗性、品質、階段等)來預測評估對象的交易價格。估值模型評估流程(圖1)主要包括以下4個步驟。

圖1 估值流程Fig.1 Evaluation flow

圖2 五層模糊神經網(wǎng)絡FNNFig.2 Example of the five layers FNN

1.2.2 數(shù)據(jù)抽取 抽取2011 年1 月1 日至2022年12 月31 日四川省農業(yè)科技成果數(shù)據(jù)。基于整理入庫的四川農業(yè)科技成果交易歷史數(shù)據(jù)項和四川省農業(yè)經濟學會發(fā)布的《農業(yè)科技成果應用價值評價種植類評價指標體系》(T/SAAE002—2022)選取與評價對象交易價格最相關的8個特征項,具體包括:名稱、類型、金額、時間、平均產量、品質、抗性、階段、適應性、品種權,數(shù)據(jù)集估值特征說明如表1所示。

表1 農業(yè)科技成果數(shù)據(jù)集估值特征釋義

1.2.3 數(shù)據(jù)預處理 先進行數(shù)據(jù)清洗,采用缺失值均值插補操作,然后進行特征構建工作,通過對特征特性等字段的內容識別提取多列字段通過基本運算生成對應的量化數(shù)據(jù),最后通過將數(shù)據(jù)按比例縮放,使之落入一個小的特征空間內。為了讓抽取得到的數(shù)據(jù)具備可比性,對抽取的歷史數(shù)據(jù)進行特征構建及標準化。采用歸一化處理,將數(shù)據(jù)統(tǒng)一映射到[0,1]區(qū)間上。Min-max標準化(Min-max normalization)亦稱離差標準化,是對原始數(shù)據(jù)的線性變換,使結果映射到[0,1]區(qū)間,對序列x1,x2,...,xn進行轉換的函數(shù)如下:

式中,max為樣本數(shù)據(jù)的最大值,min為樣本數(shù)據(jù)的最小值。

1.2.4 分析與建模 基于模糊神經網(wǎng)絡模型FNN進行價格預測,把模擬數(shù)據(jù)和實際數(shù)據(jù)進行預處理后,分別灌入估值模型的特征輸入層,模型根據(jù)數(shù)據(jù)特征自動提取規(guī)則和存儲知識,最后得到模擬訓練結果和實際訓練結果,用來支撐對比分析在模擬完備數(shù)據(jù)和缺失部分數(shù)據(jù)時,評估準確率的高低差別及原因,從而對模型和估值流程進行改進。

1.2.5 應用結果反饋 模型訓練階段,利用歷史成交數(shù)據(jù),進行模型訓練,得到的估值結果,和實際成交價格進行比較后,對模型進行糾偏。實際業(yè)務中,跟蹤曾經進行交易價格預測值的成果,收錄成果的最終成交價,用于模型優(yōu)化。

2 結果與分析

2.1 數(shù)據(jù)集歸一化處理

將數(shù)據(jù)集經過歸一化處理,得到數(shù)據(jù)集(表2),接著對模型進行訓練,并檢測模型的準確率,訓練數(shù)據(jù)模擬了數(shù)據(jù)集選擇性抽取對應的7個不同維度,其他特征數(shù)據(jù)為缺省狀態(tài)。

表2 數(shù)據(jù)集歸一化結果

2.2 實際業(yè)務數(shù)據(jù)集的抽取

抽取實際業(yè)務數(shù)據(jù)集,在農業(yè)科技成果數(shù)據(jù)中,選取農作物品種作為模型訓練樣本,首先進行數(shù)據(jù)清洗,提取農作物的數(shù)據(jù)。抽取得到的結果如表3所示,實際獲得的數(shù)據(jù)有不少字段缺失數(shù)據(jù)。

表3 作物品種量化數(shù)據(jù)集的抽取

以評估油菜品種價值為例,提取油菜品類及其主要屬性的樣本數(shù)據(jù),形成油菜品種量化數(shù)據(jù)集(表4)。

表4 油菜品種量化數(shù)據(jù)集

2.3 五層模糊神經網(wǎng)絡FNN訓練結果

神經網(wǎng)絡算法從歷史數(shù)據(jù)中歸納存在的模式或者與不同特征之間的關系,但它學習到的模式或特征關系難以解釋,結合模糊理論的優(yōu)勢,形成模糊神經網(wǎng)絡系統(tǒng),能夠把輸入特征數(shù)據(jù)轉化為模糊集合,結合不同規(guī)則形成結果,實現(xiàn)用模糊權重代替實數(shù)權重,可以讓計算過程不受限于專家主觀設定的參數(shù),并且讓網(wǎng)絡保持結果的可解釋性[21-22]。構建的五層模糊神經網(wǎng)絡算法FNN,第一層為輸入層,為精確值,節(jié)點個數(shù)為輸入變量的個數(shù)。第二層為輸入變量的隸屬函數(shù)層,實現(xiàn)輸入變量的模糊化。第三層為規(guī)則層,實現(xiàn)知識的創(chuàng)建與存儲。第四層為分類層,完成對成果的分類和預測。第五層為輸出層,完成交易價格的估值預測,并給出具體結果。

同類農業(yè)科技成果數(shù)據(jù)及其交易數(shù)據(jù)完備時,在抗性和適應性維度上,訓練結果未能明顯區(qū)分開,逐步加入質量、品種權、階段、平均產量等多個維度后,樣本產生了較大程度的聚類(圖3),模擬數(shù)據(jù)的模型訓練準確率能夠達到96%,在實際應用中,數(shù)據(jù)的準度、精度、密度、完整度都會影響評估結果的準確率。

圖3 訓練集維度空間Fig.3 Space graph of the training set dimension

運用實際業(yè)務數(shù)據(jù)訓練FNN模型,模型的訓練準確度達到80%(圖4)。

準確度:80.0%圖4 FNN模型訓練準確度Fig.4 Training accuracy of FNN Model

2.4 改進五層模糊神經網(wǎng)絡模型

2.4.1 采用FNN模型存在的問題 現(xiàn)有樣本數(shù)據(jù)和模型存在的問題是農業(yè)科技成果的交易信息具有動態(tài)增加的特點,因此需要模型具有接受增量數(shù)據(jù)進行增量學習并持續(xù)動態(tài)更新的能力;在不重新訓練模型的情況下持續(xù)接入增量樣本實現(xiàn)模型動態(tài)學習并形成新的模糊規(guī)則以提高模型在預測交易價格時的正確率和對增量樣本區(qū)間數(shù)據(jù)預測的適應性。但FNN模型在遇到增量數(shù)據(jù)時,需要重新學習包含增量數(shù)據(jù)在內的全部數(shù)據(jù),耗費大量時間和運算資源重新調整參數(shù),在實際業(yè)務場景下難以落地使用,為了提高估值模型的實用性,需要對FNN模型進行改進。

2.4.2 構建改進的五層模糊神經網(wǎng)絡 構建改進的五層模糊神經網(wǎng)絡IFNN(Improved fuzzy neural network)算法是在FNN算法基礎上增加增量學習(Incremental learning),以保證改進后的模糊系統(tǒng)能夠不斷從增量樣本中學習到新的知識和規(guī)則,并能在以前已經學習到的知識基礎上增加新知識。增量學習避免了重新學習的低效,類似人工學習模式,不斷地學習并接收新知識與規(guī)律的同時,模型的判斷識別能力和處理問題能力隨之增加。增量學習步驟(圖5)包括:①新增規(guī)則:根據(jù)新增樣本判斷是否已存在該分類樣本,如不存在,則創(chuàng)建一個新分類規(guī)則;如存在則執(zhí)行擴展操作,修正現(xiàn)有規(guī)則所適應的范圍;②重復檢查:對應新創(chuàng)建的或擴展后的分類與已有分類進行比對監(jiān)測,如存在重復會導致分類不唯一,則執(zhí)行消除操作;③消除操作:消除前計算各個維度的重疊值,并確定該值對應的最小維度后,再執(zhí)行消除操作。

圖5 增量學習步驟Fig.5 The steps of incremental learning

2.4.3 改進估值流程 模糊神經網(wǎng)絡和很多的機器學習算法類似,也是批處理學習(Batch learning)模式,即假設在訓練之前收集到所有的訓練樣本,通過學習這些樣本,完成學習任務,隨后便會應用到實際分類預測任務中。但農業(yè)科技成果交易數(shù)據(jù)會隨著時間不斷增加,不可能一次性訓練就讓估值模型持續(xù)適用。新增交易數(shù)據(jù)轉化成增量樣本對模型估值的準確性、動態(tài)適用性至關重要。新增的成果交易數(shù)據(jù)需要通過各種渠道,在交易實時發(fā)生后盡快入到樣本庫,同時,新增交易數(shù)據(jù)結構還會因數(shù)據(jù)規(guī)范更替而變化,增量數(shù)據(jù)在提供給IFNN算法進行增量學習前,須進行數(shù)據(jù)預處理。因此針對改進的五層模糊神經網(wǎng)絡IFNN,估值流程也需要改進(圖6)。

圖6 改進的估值流程Fig.6 Improved evaluation flow

改進的估值流程首先在完成從歷史數(shù)據(jù)抽取特征數(shù)據(jù)的同時,對數(shù)據(jù)源進行判斷,持續(xù)抽取新增信息,對得到的增量數(shù)據(jù)執(zhí)行數(shù)據(jù)清洗、特征構建和數(shù)據(jù)標準化,經過上述預處理后的增量數(shù)據(jù)提供給IFNN算法,實現(xiàn)增量學習。

2.4.4 改進評估流程得到的訓練結果 選取10條油菜實際業(yè)務樣本數(shù)據(jù)作為增量數(shù)據(jù),IFNN通過增量學習后,其估值準確率達到86.67%(圖7),與FNN的估值準確率80%相比,提高6.67%(表5)。證明通過改進支持增量學習構建的IFNN算法能夠在不重新對全部數(shù)據(jù)進行學習的情況下,優(yōu)化模型并漸進地進行知識更新,提高估值準確率,同時降低了模型對時間和運算資源的需求,更適應實際業(yè)務要求。

表5 IFNN與FNN模型訓練準確度對比

準確度:86.67%圖7 模型訓練準確度Fig.7 Model training accuracy

2.5 交易價格預測實例驗證

估值實例選擇實際已經成交的品種綿油328,用以驗證模型準確度。綿油328的詳細信息中,提取出農作物名稱:綿油328,類型:油菜,時間:20171128,階段:可量產,品種權:無,品質:種子芥酸含量51.3%,商品菜籽硫苷含量129.72 μmol/g,含油率44.57%,平均產量:198.19 kg,抗性:抗菌核病。經FNN和IFNN模型估值模型運算,均得到預測價格為50萬,與實際成交價格相同(圖8)。

圖8 綿油328交易價格預測結果Fig.8 Prediction result of transaction price of Mianyang Petro328

3 討 論

農業(yè)科技成果價值評估是成果轉化交易的前提。在采用實際業(yè)務數(shù)據(jù)訓練時,IFNN模型估值準確度比FNN模型提高6.67%,在新增樣本量僅增加10個的情況下,已經顯著提高。選取15個油菜品種,對比FNN和IFNN模型估值結果(表6),除中油雜39 和中油雜27兩個品種的估值,FNN和IFNN模糊隸屬度不同,其他估值結果相同。中油雜39估值中,兩個模型估值均偏離實際成交價格較多;中油雜27的IFNN估值準確,FNN估值偏離較多。表明,實際業(yè)務估值時,IFNN估值準確度高于FNN。

表6 FNN和IFNN模型估值結果對比

IFNN模型從算法上滿足了估值準確度隨增量學習持續(xù)提高的要求。但為了進一步提高估值準確度,還需要更完備的訓練數(shù)據(jù)。訓練數(shù)據(jù)主要存在三個方面的問題:一是現(xiàn)實采集到的農業(yè)科技成果缺失較多數(shù)據(jù)項;二是成果描述大多采用文字描述,需要量化,但數(shù)據(jù)的量化未標準化,計算機自動提取困難;三是獲得成果的說明大多是描寫成果優(yōu)秀之處,缺點少或無。因此,要獲得農業(yè)科技成果評估的完備數(shù)據(jù),需要在成果研發(fā)和管理過程中,遵守治理數(shù)據(jù)的規(guī)范,實時生產存儲高質量數(shù)據(jù),從而為實現(xiàn)農業(yè)科技成果價值評估的實時性、動態(tài)性提供更有利的數(shù)據(jù)支撐。

4 結 論

本研究針對農業(yè)科技成果估值的難點,提出一種基于改進的五層模糊神經網(wǎng)絡IFNN的農業(yè)科技成果動態(tài)估值方法,在四川農業(yè)科技成果交易數(shù)據(jù)集上進行試驗,本方法估值準確率達到86.7%。在成果各個階段,及時對成果做出高效便捷的價值評估,能為其進一步投入、轉化交易提供依據(jù)。盡管實際業(yè)務數(shù)據(jù)預測準確度(86.7%)與模擬完備數(shù)據(jù)預測準確度(96%)有一定的差距,但隨著農業(yè)科技成果交易數(shù)據(jù)增加,IFNN模型估值準確度能夠在持續(xù)增量學習下不斷提高,IFNN估值模型具有可操作性和現(xiàn)實意義,適用于實際業(yè)務下農業(yè)科技成果價值評估。