基于BP神经网络的专利技术分成率计算研究与应用

冯文娟　张昕

作者简介：冯文娟，东南大学经济管理学院硕士研究生在读。

张昕，东南大学经济管理学院副教授，导师。

摘要：针对当前专利技术分成率评估方法出现的问题，引入BP神经网络方法来计算专利技术分成率。第一步是建立指标体系。第二步是训练样本的选取以及数据标准化处理。第三步是完成模型误差调优。最后，通过实例验证了使用BP神经网络方法评估专利技术分成率是可行的。

关键词：技术分成率；专利；BP神经网络； MATLAB

专利技术分成率在利用收益法评估专利的价值中起到重要作用，同时也是专利资产评估过程中的难点，至今尚未有统一的计算标准。在实际评估工作中，关于分成率，聯合国工业发展组织对印度等发展中国家引进技术价格的分析后，给出合理的分成率区间为16%～27%；1972年在挪威召开的许可贸易执行协会上，25%左右被认为是合理的；在美国，认可的分成率取值区间是10%～30%；而在我国，通常采用的参考取值是25%～33%。但是，针对具体行业中的具体资产，分成率的计算都需要针对实际情况展开分析，并且准确性与合理性都得不到保证。

针对此现状，近年来许多学者展开了针对无形资产分成率的研究，主要包括定性分析与定量分析，比较有代表性的研究方法主要有层次分析法，LSLP（Licensors Share On Licensees Profit）与RR法，模糊综合评判法，灰色系统理论聚类法，边际分析法，约当投资分析法，期权定价模型法等。这些方法的缺陷是：一方面指标体系不够全面，没有综合评估对象资产的各种属性；另一方面，权重的设置中存在人为主观成分较大，无法客观地评价，可靠性不高，将影响资产价值评估。

专利技术分成率问题属于非线性问题，而人工神经网络是非线性问题的流行方法。通过反复的机器学习，神经网络模型不断调整各层神经元之间权重和阈值，直至将误差降低到设定误差以下得到的模型。这种方法得到的结果中去除了大量的主观因素，因此得到的结果科学性较强。下文将利用BP神经网络中机器学习理论，通过MATLAB R2012b中的神经网络工具箱来构建、初始化以及训练出BP模型，并通过测试样本数据仿真，对比与实际采用的分成率之间的误差。结果表明，学习出的BP模型是可靠的。

1.专利技术分成率指标体系的建立

目前，许多学者对分成率指标的设置展开研究，这些指标体系既体现各自的侧重点，又具有一定的共同性。本文在参考国内外的研究，并且遵循指标体系建立的科学性、可操作性、数字化、层次性、完整性、公平性以及重要性等原则的基础之上[5-6]，建立专利技术分成率指标体系（包括专利类型、法律状态、保护范围、侵权判定、技术所属领域、专利技术水平高低、专利技术新颖程度、专利技术成熟程度、替代技术的多少、专利技术与企业利润相关性、应用范围、市场需求供应比、技术研发成本、技术机会成本、行业地位、相关政策以及社会环境共计17个指标）。

为了能全面可观的评价专利技术在企业利润中的分成率，上述指标体系中既包含技术研发成本、机会成本等定量分析指标，也包括各种定性指标。定量指标数据的获得来自企业历史财务数据，定性指标取值主要通过专家打分法来获得。

2.专利技术分成率的BP神经网络评价模型

2.1 BP神经网络方法。BP（Back Propagation）神经网络由Rumelhart，McCelland等人在1986年研究中提出，是一种反向传播的多层前馈神经网络BP神经网络具有学习、记忆、归纳、联想、抽取、概括、容错以及自适应的能力。通常BP网络由三层结构构成：输入层、隐含层和输出层。BP网络的学习过程是由正向传播最速下降发和通过反向传播不断调整网络的权值和阈值两部分组成。

2.2评价指标标准化。通常的评价指标体系中都同时含有定性指标和定量指标两种指标既有又有，为了统一度量标准，必须首先将每个指标者进行标准化。

1）对于定量指标，因其衡量单位、级差、趋向等不同，要先进行标准化处理。本文出现的指标xij都是正向指标，所以可以采用比重法将评价指标标准化，具体如下：

yij = xij ∑n1x2ij

2） 定性指标标准化处理，本文研究先获得专家对17个指标的打分，然后对打分数据进行标准化处理，处理方法与2.2节中定量标准所用方法相同。

2.3 构建专利技术分成率的BP神经网络评价模型

专利技术分成率的BP神经网络估算模型步骤如下：

1） BP神经网络模型的设计

①输入层：专利技术分成的评价指标体系中最低层指标数即为输入层神经元数，即，21个；②隐含层：为了确保BP神经网络模型的精确度和高运算效率，研究中结合前人经验，将隐含层神经元数定为15；③输出层：本文是利用定量的方法估算专利的技术分成率，因此输出层神经元是1个，即，专利技术分成率。

2） BP神经网络模型的构建与优化；3） 获取专利技术分成指标体系中17个指标的值；4） 将17个指标变量标准化数据输入BP神经网络模型，计算输出；5） 根据输出按照评价标准对专利技术分成率下结论

3.MATLAB仿真

神经网络工具箱是MATLAB环境下所开发出来的许多工具箱之一，此次仿真实验使用的是MATLAB神经网络工具箱图形用户界面。在上述指标体系的基础之上，建立三层结构的神经网络，即，输入层（共有21个神经元）、隐含层（共有15个神经元）和输出层（仅有1个神经元）。

允许最大训练步数2000步，训练目标最小误差0.001每间隔100步显示一次训练结果，学习速率0.05输入。经专家打分法评定的学习样本18例，测试样本10例。学习样本18例数据结构是：学习样本自变量（包括专利类型、法律状态、保护范围、侵权判定、技术所属领域、专利技术水平高低、专利技术新颖程度、专利技术成熟程度、替代技术的多少、专利技术与企业利润相关性、应用范围、市场需求供应比、技术研发成本、技术机会成本、行业地位、相关政策以及社会环境共17个训练变量）与学习样本因变量（即，技术分成率）。

在BP神经网络经过初始化以及反复机器训练后，当BP神经网络模型的误差达到程序预先设定的要求时，标志着专利技术分成率的BP神经网络评价模型建成。

4.实例应用

某企业有关专利分成率的影响因素指标规范范化后的值如下：

专利类型（9分）、法律状态（5分）、保护范围（5分）、侵权判定（6分）、技术领域（4分）、替代技术（5分）、技术水平（7分）、成熟程度（6分）、技术独特性（8分）、利润相关性（2分）、应用范围（6分）、市场需求供应比（7分）、技术研发成本（8分）、技术机会成本（9分）、行业地位（7分）、相关政策（6分）以及社会环境（7分）。

然后将这17个指标的值作为专利技术分成率的BP神经网络评价模型的输入变量，输入后得到的输出结果是0.3656，即该企业所拥有的专利技术分成率是36.56%，对其企业价值的贡献度是36.56%。

5.结束语

本文所采用的BP神经网络方法，尽管评价指标中的一些定性元素仍然要通过专家打分获得，但在计算技术分成率的过程中不须人为确定指标权重，在某种程度上提高了评价的可靠性，使评价结果更有效、更客观。采用BP神经网络方法计算专利技术分成率，结果是否精确或精确的程度如何，有待将来继续研究。（作者单位：东南大学经济管理学院）

参考文献：

[1]韩力群. 人工神经网络理论设计及应用[M]. 北京：化学工业出版社， 2002.

[2]许东，吴铮. 基于MATLAB的系统分析与设计—神经网络[M]. 西安：西安电子科技大学出版社， 2002.

[3]郭红珍，黄文杰.技术分成理论与模型研究[J]. 中国资产评估，2004，（12）：35-41