基于集成权重和贝叶斯模型科技奖励评价.docVIP

基于集成权重和贝叶斯模型科技奖励评价 　　摘要：采用聚类分析法将多专家的动态综合评价转换为静态综合评价；引入横向拉开档次法对各指标客观赋权，结合指标主观权重，运用数学规划法得到指标的集成权重；采用贝叶斯网络模型对24项科技成果进行分类评价，对每一项成果获得某一等级奖项的可能性给出测度，并对每一类内的项目排序。实证分析表明：我国科研成果大部分具有研究价值，且成果丰硕，但突破性、创造性的研究成果较少。 　　关键词：贝叶斯网络；集成权重；拉开档次法；聚类分析法 　　中图分类号：G311 文献标识码：A 　　与2013年、2012年相比，2014年度国家科学技术奖授奖项目明显减少。对此，国家科技部奖励办表示，优化奖励结构、减少奖励数量，是为了突出鼓励自主创新成果和重大的发明创造科技成果。科技成果的评价作为科技奖励的前期工作，对科技奖励的最终决策有着举足轻重的作用，也是保证真正的重大创新项目获得应有奖励、鼓励科研人员进一步有所突破的关键。 　　目前，学者们对科技奖励综合评价体系的研究做了大量工作，部分研究成果已经投入实际应用。张立军等构建了基于路径系数权重体系的科技奖励评价模型。王瑛等提出了基于模糊多属性投影法的科技奖励模型和E-BP神经网络的科技奖励评价模型。黄卫春等提出了一种基于云模型的科技奖励评审模型，利用云模型描述项目评分在各属性下的分布情况，通过计算云模型参数来确定云模型数字特征图或云滴分布情况，并以此确定评价等级。王瑛、蒋晓东等提出了改进CRITIC法和云模型的科技奖励评价模型，既考虑评价过程中专家评分的模糊性和随机性，又考虑了定性语言与定量语言之问的转换。王瑛、王娜等提出了基于随机森林赋权和改进的ELECTRE-Ⅲ方法的科技奖励评价方法，既提高了权重估计的精确度和可信度，又解决了难以给定门槛值和不能完全排序的问题。朱紫巍等针对国内外科技评价方法，进行比较分析，提出了改革我国科技评价方法的建议。 　　针对科技奖励评价涉及多专家、多项目、多指标的特点，此前，学界的研究主要集中在评价指标的客观赋权法与主观赋权法的单方面研究，没有将这两方面有机结合起来；在评价方法上主要集中在数理统计和人工智能等方面，但对于评价结果的可靠性没有给出科学的测度。对此，本文提出一种集成权重的方法对科技奖励的评价指标进行综合赋权；应用概率论中的贝叶斯网络模型进行科技奖励综合评价，该方法不仅可实现对科技成果的分类评价，而且可对每一项科技成果获得某一等级奖项的可能性给出概率测度，并在分类评价的基础上，对每一类内的项目进行排序。 　　1集成权重的理论 　　评价指标权重的确定可分为主观赋权法和客观赋权法，两者各有千秋。本文采用一?N主、客观权重集成的方法，计算各评价指标的综合权重，该方法既能满足决策者的主观偏好，又能实现决策的客观性、真实性。 　　1.1基于聚类分析的专家权重理论 　　聚类分析方法是一种作为模式识别的分类方法，它常常被用来判断样品质量的好坏。把评审专家的个体排序向量看作是待识别的样品，对其进行聚类分析并判别其客观可信性，再根据聚类结果给专家赋权。 　　动态专家赋权坚持的是简单多数的基本原则，即一个评审结果体现的是整个专家群体的综合意见。因此，一个专家的个人评审意见和大多数专家的评审结果的吻合程度决定了该专家在整个综合评价中所占的分量。如果他的评价结果与大多数专家的结论基本一致，就可以给这一类专家赋以较大的权重；反之，其意见就值得怀疑，可以给这一类专家赋以较小的权重。 　　通过聚类分析，可以将个体排序向量划分成不同的类别，即将k个评审专家分成s类（s≤k），假设第l类（l≤s）内包含φl个个体排序向量，那么，第k位专家的权重ηk应该和他所在的类别中包含的专家人数φk成正比，其具体计算公式为： 　　（1）对ηk进行归一化处理，即可得到基于聚类分析的动态专家权重： 　　（2） 　　1.2拉开档次法的指标赋权理论 　　拉开档次法就是在使得各被评价对象之问的整体差异尽量拉大的条件下确定评价指标权重的方法。 　　对于静态综合评价问题，一般解决办法是取线性综合评价函数： 　　（3）式中：ωi为评价指标权重。 　　（4）式中： 　　当指标权重矩阵W为对称矩阵H的最大特征值对应的特征向量时，σ2取最大值。此时权重系数W最大可能地体现了各评价对象问的差异。 　　1.3基于数学规划法的集成权重理论 　　本文应用数学规划法在非线性约束条件下，求解线性目标函数的极值问题。该方法在科技奖励综合评价中的具体应用如下。 　　（5） 　　解得： 　　（6） 　　（7） （8） 　　（9） 　　（10） 　　由式（10）即可求得评价指标的集成权重。 　　2贝叶斯网络模型的理论 　　（11）式中：P（A|Bi）为条件概率