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

信息传媒
财经纵览

Business
!
·193·

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，联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%。
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（Licensor’sShareOnLicensee’sProfit）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
。
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MATLABＲ2012b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

2．1BP神经网络方法。BP（BackPropagation）神经网络由Ｒumel-
hart，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
x
ij
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
：

y
ij
=

x
ij

∑
n

1
x
2

ij

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
）。
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