王笑笑 郝紅軍 張樹臣 王京

摘 要：大數(shù)據(jù)價值的評估對大數(shù)據(jù)的流通具有重要意義?，F(xiàn)階段對大數(shù)據(jù)價值的評估大多采用無形資產(chǎn)評估方法，由于大數(shù)據(jù)不滿足無形資產(chǎn)定義與確認條件，采用無形資產(chǎn)評估方法具有一定的局限性。本文通過對大數(shù)據(jù)價值影響因素進行分析，構(gòu)建大數(shù)據(jù)價值評估二級指標體系，將模糊綜合評價與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，運用人工神經(jīng)網(wǎng)絡(luò)確定指標權(quán)重，建立基于人工神經(jīng)網(wǎng)絡(luò)的大數(shù)據(jù)價值評估的模糊評價模型，為大數(shù)據(jù)價值評估提供新思路。

關(guān) 鍵 詞：大數(shù)據(jù);價值評估;人工神經(jīng)網(wǎng)絡(luò);模糊評價

DOI：10.16315/j.stm.2019.02.006

中圖分類號： F49

文獻標志碼： A

Abstract：The evaluation of Big Data value is of great significance to the circulation of Big Data. At present， most of the evaluation of Big Data value uses intangible assets evaluation method， because Big Data doesnt meet the definition and recognition conditions of intangible assets， the use of intangible assets evaluation method has certain limitations. Based on the analysis of the factors influencing the value of Big Data， this paper constructs the twolevel index system of Big Data value evaluation， combines fuzzy comprehensive evaluation with artificial neural network， uses artificial neural network to determine the index weight， establishes the fuzzy evaluation model of Big Data value evaluation based on artificial neural network， and provides a new idea for Big Data value evaluation.

Keywords：Big Data; value assessment; artificial neural network; fuzzy evaluation

隨著互聯(lián)網(wǎng)行業(yè)和移動通訊行業(yè)的快速發(fā)展，數(shù)據(jù)量迅猛增長，人類已進入大數(shù)據(jù)時代。數(shù)據(jù)的形式多樣，有收發(fā)信息、瀏覽網(wǎng)頁等主動創(chuàng)造的數(shù)據(jù)，還有位置定位、視頻監(jiān)控等被動獲取的數(shù)據(jù)。數(shù)據(jù)量的增長速度之快，體現(xiàn)在互聯(lián)網(wǎng)數(shù)據(jù)研究機構(gòu)We Are Social和Hootsuite共同發(fā)布的“數(shù)字2018”互聯(lián)網(wǎng)研究報告中，報告顯示在全世界人口達到76億的今天，全世界的網(wǎng)民總數(shù)已經(jīng)超過了40億（約為40.21億）。微信作為國內(nèi)最大的社交平臺，在騰訊公布的2018年第一季財報中顯示，微信用戶首次突破10億，達10.4億，超50%的用戶每天使用微信的時長達到了90 m，如此龐大的用戶量，必然產(chǎn)生海量數(shù)據(jù)。

大數(shù)據(jù)作為一種新型資源，種類繁多，依據(jù)不同的分類標準可將大數(shù)據(jù)分為不同類型，從數(shù)據(jù)生成類型，可分為交易數(shù)據(jù)、交互數(shù)據(jù)和傳感數(shù)據(jù);從數(shù)據(jù)來源，可分為政府大數(shù)據(jù)、企業(yè)大數(shù)據(jù)、個人大數(shù)據(jù);從數(shù)據(jù)格式，可分為文本日志、圖片、音頻、視頻等;從數(shù)據(jù)關(guān)系，可分為結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)。本文以數(shù)據(jù)結(jié)構(gòu)化程度作為分類標準，將具有特定格式，便于人機交互的結(jié)構(gòu)化數(shù)據(jù)作為研究對象。大數(shù)據(jù)蘊含著大量可供挖掘的有用信息，廣泛應(yīng)用于各個領(lǐng)域。大數(shù)據(jù)最初應(yīng)用于互聯(lián)網(wǎng)行業(yè)，在電商領(lǐng)域?qū)τ脩艋拘畔⒓靶袨樾畔⒎诸愓?，向用戶推薦產(chǎn)品，進行個性化頁面展示。隨著大數(shù)據(jù)的快速發(fā)展，大數(shù)據(jù)的應(yīng)用領(lǐng)域也逐漸擴大，在交通旅游領(lǐng)域政府通過收集個體出行數(shù)據(jù)，掌握道路交通流量規(guī)律，進行針對性的交通部署;在金融行業(yè)方面，通過用戶畫像，進行精準營銷、風(fēng)險管控、運營優(yōu)化;在醫(yī)療行業(yè)方面，通過對眾多病人的病癥信息分析，可以實現(xiàn)流行病預(yù)測，為各類疾病的治療方案優(yōu)化提供數(shù)據(jù)支撐。大數(shù)據(jù)應(yīng)用領(lǐng)域還有電信、工業(yè)、教育等，隨著大數(shù)據(jù)覆蓋更多的行業(yè)，運用的范圍將更加廣闊。本文研究的主要目的是指導(dǎo)大數(shù)據(jù)定價，使大數(shù)據(jù)以一個合理的價值區(qū)間在交易平臺上進行交易，以期為交易雙方帶來合理的經(jīng)濟效益，因此本文對商業(yè)領(lǐng)域大數(shù)據(jù)的價值進行評估。數(shù)據(jù)交易市場上的數(shù)據(jù)價格是由供方定價，具有很大的主觀性，其定價依據(jù)是什么，價格是否與價值對等等問題都沒有客觀依據(jù)。目前對大數(shù)據(jù)價值進行評估的方法主要采用無形資產(chǎn)定價方式，即成本法、市場法、收益法。成本法雖能真實反映實際交易情況，但不能客觀反映資產(chǎn)真實價值，運用成本法易低估大數(shù)據(jù)價值。市場法能較合理的對大數(shù)據(jù)進行評價，卻很難實現(xiàn)。大數(shù)據(jù)這一時效性很強的數(shù)據(jù)產(chǎn)品，具有一定的獨特性，在同一市場的同一時期獲得同類數(shù)據(jù)的市場情況的幾率極低，因而適用性不高。收益法考慮了資產(chǎn)的時間價值，有利于決策者對資產(chǎn)進行合理估計，但收益法中重要參數(shù)折現(xiàn)率、收益期限和資產(chǎn)未來收益，大多是憑借對現(xiàn)狀的分析，人為估計參數(shù)值，主觀性太強，不能客觀反映資產(chǎn)帶來的價值。無形資產(chǎn)是指不具有實物形態(tài)，與該無形資產(chǎn)有關(guān)的經(jīng)濟利益很可能流入企業(yè)，并且該無形資產(chǎn)的成本能夠可靠地計量。大數(shù)據(jù)雖不具有實物形態(tài)，但是其價值具有不確定性，未必能為企業(yè)帶來經(jīng)濟利益。經(jīng)濟效益不穩(wěn)定，成本無法準確計量，使得大數(shù)據(jù)不等同于無形資產(chǎn)，因而成本法、市場法、收益法作為無形資產(chǎn)價值評估的常用方法，但在大數(shù)據(jù)價值評估方面具有一定的局限性，不是合適的評估方法。

基于此，本文轉(zhuǎn)向探索其他評估方法在大數(shù)據(jù)價值評估方面的適用性。大數(shù)據(jù)價值評估影響因素多樣，既有定量指標，又有定性因素，模糊綜合評價是根據(jù)模糊數(shù)學(xué)的隸屬度理論將定性評價轉(zhuǎn)為定量分析的綜合評價方法，適于解決難以量化的模糊問題。通過對大數(shù)據(jù)價值影響因素進行篩選，建立大數(shù)據(jù)價值評估指標體系。由于對指標權(quán)重的確定常采用專家打分法、德爾菲法、層次分析法等主觀意識較強的方法，為減少人為干預(yù)，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對人工神經(jīng)網(wǎng)絡(luò)進行有監(jiān)督式學(xué)習(xí)，訓(xùn)練網(wǎng)絡(luò)確定指標權(quán)重。然后將標準化后的指標值作為網(wǎng)絡(luò)輸入值，經(jīng)網(wǎng)絡(luò)計算，將輸出結(jié)果與指標評語集進行對比，確定評估結(jié)果，完成評估過程。此方法主觀性較弱，提高了評估結(jié)果的客觀性，對大數(shù)據(jù)價值評估有參考價值和實踐意義。

1 大數(shù)據(jù)價值評估文獻回顧

自2008年《Nature》首次出版“Big Data”專刊，大數(shù)據(jù)逐漸成為政界、學(xué)術(shù)界、實務(wù)界的關(guān)注焦點，如2011年《Science》出版的?？癉ealing with Data”和2012年達沃斯世界經(jīng)濟論壇發(fā)布的報告“Big Data，big impact：New possibilities for international development”等。大數(shù)據(jù)之所以能夠如此迅猛的發(fā)展，在于其不斷被分析挖掘出可用信息，這就是大數(shù)據(jù)的價值所在。自2009年IBM首次提出“智慧星球”概念，人們開始關(guān)注大數(shù)據(jù)的開發(fā)應(yīng)用。Dynamic Markets研究結(jié)果顯示，英國已有五分之一的企業(yè)將大數(shù)據(jù)作為資產(chǎn)進行計量，全球范圍內(nèi)對大數(shù)據(jù)進行計量的大企業(yè)占了三分之一。Wendy[1]對從大數(shù)據(jù)中實現(xiàn)價值做了文獻綜述，從6個方面揭示大數(shù)據(jù)價值?，F(xiàn)階段國外對大數(shù)據(jù)的關(guān)注點主要是如何將大數(shù)據(jù)作為資產(chǎn)進行管理、變現(xiàn)，但是由于標準化計量工具的缺乏，使得大數(shù)據(jù)價值難以評估。國內(nèi)對大數(shù)據(jù)價值的評估大多是以資產(chǎn)形式對大數(shù)據(jù)進行定價計量。王玉林等[2]通過對大數(shù)據(jù)法律屬性的探討，結(jié)合大數(shù)據(jù)交易實踐研究，揭示大數(shù)據(jù)是具有財產(chǎn)屬性的無形資產(chǎn)。徐漪[3]通過對大數(shù)據(jù)價值構(gòu)成和影響因素進行分析，提出數(shù)據(jù)資產(chǎn)的3種計量方式，收益現(xiàn)值法、市場價值法、重置成本法。劉文光[4]認為數(shù)據(jù)資產(chǎn)與無形資產(chǎn)在會計核算方法、獨特性、確認內(nèi)容等方面有著本質(zhì)性區(qū)別，對數(shù)據(jù)資產(chǎn)的評估方式采用初始計量法，將生產(chǎn)數(shù)據(jù)過程中的數(shù)據(jù)加工成本、數(shù)據(jù)分析成本、數(shù)據(jù)收集成本三者加權(quán)平均值作為初始確認金額。上述所提出的評估方法多是基于無形資產(chǎn)評估方法而確定的，由于大數(shù)據(jù)與無形資產(chǎn)并不等同，采用無形資產(chǎn)評估方法對大數(shù)據(jù)進行評估會產(chǎn)生一定的誤差。

人工神經(jīng)網(wǎng)絡(luò)具有強大的特征提取與抽象能力，能夠整合多源信息，處理異構(gòu)數(shù)據(jù)，捕捉變化動態(tài)，是大數(shù)據(jù)實現(xiàn)價值轉(zhuǎn)化的橋梁[5]。人工神經(jīng)網(wǎng)絡(luò)在評估方面具有高速的自學(xué)習(xí)、自適應(yīng)能力，但當(dāng)評估對象影響因素、水平層級過多時，隨著訓(xùn)練次數(shù)的增加，很可能會出現(xiàn)過擬合，進而無法得出準確評估結(jié)果的情況[6]。黃越等[7]通過利用模糊綜合評判法結(jié)合相關(guān)資料建立樣本數(shù)據(jù)，將模糊數(shù)學(xué)理論、主成分分析法與神經(jīng)網(wǎng)絡(luò)相結(jié)合建立了風(fēng)險評估模型，選取45座公路隧道施工實例作為樣本進行訓(xùn)練，以另外5座隧道作為評估目標進行評估，證明模糊神經(jīng)網(wǎng)絡(luò)比模糊層次綜合評判法在評估公路隧道洞口施工風(fēng)險時誤差更小。陳靜[8]提出基于神經(jīng)網(wǎng)絡(luò)的高校學(xué)生信用模糊綜合評價模型，利用神經(jīng)網(wǎng)絡(luò)的高度非線性、高容錯性等特點，通過反復(fù)對網(wǎng)絡(luò)進行訓(xùn)練，減少了高校學(xué)生信用評價時的工作量，提高了評價結(jié)果的可靠性。杜義賢等[9]運用神經(jīng)網(wǎng)絡(luò)確定模糊綜合評價中的權(quán)值，利用6臺HYD200型液壓鑿巖機的性能數(shù)據(jù)，測試基于神經(jīng)網(wǎng)絡(luò)的模糊綜合評價方法的適用性及準確性。模糊綜合評價法與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合，使得具有復(fù)雜多因素、多變量、多層級的評估對象能夠獲得較為準確的評估值。

人工神經(jīng)網(wǎng)絡(luò)和模糊綜合評價相結(jié)合的方法在很多方面都有應(yīng)用，但在大數(shù)據(jù)價值評估方面鮮有人涉足。本文將采用基于人工神經(jīng)網(wǎng)絡(luò)的模糊綜合評價法，對大數(shù)據(jù)價值進行評估，以期帶來合理的評估結(jié)果，如圖1所示。

2 大數(shù)據(jù)價值評估指標體系構(gòu)建

2.1 大數(shù)據(jù)價值評估指標體系

大數(shù)據(jù)價值難以評估，主要在于影響因素眾多，有成本因素、數(shù)據(jù)本身因素、數(shù)據(jù)使用因素等，但并非所有的因素都對大數(shù)據(jù)價值有重要影響。考慮到大數(shù)據(jù)價值的特殊性和人工神經(jīng)網(wǎng)絡(luò)的適用性，選取大數(shù)據(jù)價值關(guān)鍵影響因素時需要滿足以下要求：一是要反映大數(shù)據(jù)獲取價值過程中所花費的成本;并非所有的數(shù)據(jù)都是有用的，從海量數(shù)據(jù)中篩選出所需數(shù)據(jù)，再對數(shù)據(jù)進行處理得到高精度的信息，處理后的數(shù)據(jù)需要存儲，這一系列操作所產(chǎn)生的費用應(yīng)該包含在大數(shù)據(jù)價值中[10]。二是要判斷大數(shù)據(jù)的質(zhì)量[11]。大數(shù)據(jù)具有很強的時效性，數(shù)據(jù)的有效性會隨著時間的變化而變化，而且數(shù)據(jù)是否完整、是否過于冗余，都會影響到數(shù)據(jù)價值;三是數(shù)據(jù)使用情況的不同會帶來不同的價值[12]。數(shù)據(jù)使用次數(shù)的增加會使得數(shù)據(jù)中潛在信息被更深入的挖掘，價值隨之提高。大數(shù)據(jù)的產(chǎn)權(quán)直接影響大數(shù)據(jù)的使用情況，買方獲得的權(quán)利越大，大數(shù)據(jù)的評估值就越高。不同的數(shù)據(jù)使用者將數(shù)據(jù)用于不同方面，使得數(shù)據(jù)帶來的價值也不盡相同。

經(jīng)以上分析可知，大數(shù)據(jù)價值由數(shù)據(jù)各項成本、數(shù)據(jù)本身和使用數(shù)據(jù)所帶來的效用體現(xiàn)，因而本文選取大數(shù)據(jù)的成本、質(zhì)量、使用情況3個因素作為大數(shù)據(jù)價值評估過程中的一級評價指標，構(gòu)建大數(shù)據(jù)價值評估指標體系，如表1所示。

2.2 大數(shù)據(jù)價值評語集的選取

評語集合是對每個評估指標進行評估的集合，涵蓋評估目標所有可能的結(jié)果，需要對每個評估指標的重要度設(shè)立不同的評語等級，規(guī)定評估因素可能符合的評估結(jié)果的選擇范圍。

對價值的描述常采用高低，從高到低對價值進行評價[13]，因此本文將大數(shù)據(jù)價值評估指標分為5個等級，設(shè)V={v1，v2，v3，v4，v5}={極高價值，高價值，中價值，低價值，極低價值}。極高價值描述的是花費成本較大，運用很高的技術(shù)水平，在市場上具有較高的壟斷性，時效性很強，價值稍縱即逝的數(shù)據(jù);高價值大數(shù)據(jù)是指能為企業(yè)帶來較高價值，但數(shù)據(jù)時效性較強，具有一定壟斷性的大數(shù)據(jù);中價值大數(shù)據(jù)指市場上對此類數(shù)據(jù)的供需基本持平，需要一定的技術(shù)對數(shù)據(jù)進行搜集處理，具有一定的收益風(fēng)險;低價值大數(shù)據(jù)的取得不需要先進的技術(shù)，但數(shù)據(jù)質(zhì)量不高，有時是數(shù)據(jù)殘缺，有時是數(shù)據(jù)冗余，收益風(fēng)險也比具有一般價值的數(shù)據(jù)高;極低價值大數(shù)據(jù)是指經(jīng)過處理達到交易要求所花費的成本較其獲得的收益高，且處理后的數(shù)據(jù)在市場上很難找到購買方。

3 基于人工神經(jīng)網(wǎng)絡(luò)的大數(shù)據(jù)價值指標權(quán)重矩陣確定

目前對模糊綜合評價法中權(quán)重的確定多采用層次分析法或?qū)＜掖蚍址ǖ戎饔^人為確定的方法，但這些方法受主觀影響較大，不能保證評估結(jié)果的準確性。人工神經(jīng)網(wǎng)絡(luò)是一種仿照生物神經(jīng)網(wǎng)絡(luò)處理信息的數(shù)學(xué)模型，依托系統(tǒng)節(jié)點的連接關(guān)系進行調(diào)整，進而實現(xiàn)信息處理，具有很強的自學(xué)習(xí)和自適應(yīng)能力;因此，本文采用人工神經(jīng)網(wǎng)絡(luò)確定大數(shù)據(jù)價值權(quán)重。人工神經(jīng)網(wǎng)絡(luò)由輸入值、節(jié)點、連接、輸出值構(gòu)成。標準化后的大數(shù)據(jù)價值評估指標作為人工神經(jīng)網(wǎng)絡(luò)的輸入，經(jīng)隸屬函數(shù)計算得到隸屬度，將神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與預(yù)期結(jié)果進行比較，調(diào)整權(quán)值，直至網(wǎng)絡(luò)收斂，最后采用合適的模糊合成算子將隸屬度與權(quán)值結(jié)合得出模糊綜合評價結(jié)果，減少人為干預(yù)，提高結(jié)果的準確性。

3.1 構(gòu)造人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在對指標進行標準化，確定隸屬函數(shù)，根據(jù)平均值法確定各級權(quán)重初始值后，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)完成建立。網(wǎng)絡(luò)輸入值的類指標共有p個，第i類指標中共有q個下層元素，有5個評語等級，即有5個輸出。人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，如圖2所示。整個網(wǎng)絡(luò)共有4層，第一層是輸入層，第二層是隸屬度層，第三層是二級合成評價層，第四層是一級合成評價層。

3.3 大數(shù)據(jù)價值綜合評估

得到模糊關(guān)系矩陣和指標權(quán)重矩陣后，需要將模糊關(guān)系矩陣和指標權(quán)重矩陣進行結(jié)合，得到綜合評估矩陣。模糊合成算子決定了模糊關(guān)系矩陣和指標權(quán)重矩陣的結(jié)合方式，模糊合成算子選取的適當(dāng)與否會直接影響到評估的最終結(jié)果。

相乘求和型模糊合成算子是將權(quán)重向量與模糊關(guān)系矩陣分量先兩兩相乘，再將乘積相加得到結(jié)果，若得到的結(jié)果大于1，則輸出的最終結(jié)果為1。此模型綜合考慮了所有指標對結(jié)果的影響，適用于綜合所有指標及單因素評價結(jié)果的情況。

由模糊合成算子對指標權(quán)重矩陣和模糊關(guān)系矩陣進行計算，得到的結(jié)果是大數(shù)據(jù)價值的綜合評估矩陣，即評價對象對評語集的隸屬矩陣，根據(jù)最大隸屬度原則確定大數(shù)據(jù)價值評估的最終結(jié)果。

4 數(shù)多多數(shù)據(jù)交易平臺大數(shù)據(jù)價值評估

4.1 數(shù)據(jù)收集與整理

數(shù)多多（www.DataDuoDuo.com）是由深圳視界信息技術(shù)有限公司自主研發(fā)的數(shù)據(jù)共享與交易平臺。本文采用數(shù)多多數(shù)據(jù)市場上電子商務(wù)類別下展示的數(shù)據(jù)，通過對用戶展示的數(shù)據(jù)基本信息分析，使用Python程序?qū)?shù)據(jù)信息進行深度挖掘，首先將收集到的數(shù)據(jù)按照以下規(guī)則篩選：當(dāng)數(shù)據(jù)屬性信息缺失時，若是主要字段信息缺失，數(shù)據(jù)已經(jīng)不能反應(yīng)其所代表的信息，則將此數(shù)據(jù)刪除;若是一般屬性值缺失，可利用默認值來代替缺失的信息，或是使用同類型樣本預(yù)測值補全缺失值;當(dāng)數(shù)據(jù)重復(fù)時，即同一發(fā)布者發(fā)布的同類型同價格數(shù)據(jù)，或是不同發(fā)布者發(fā)布的同類型價格相近數(shù)據(jù)，則只隨機選取其中一條數(shù)據(jù)作為數(shù)據(jù)文件，其余數(shù)據(jù)刪除;異常數(shù)據(jù)是指數(shù)據(jù)實際價值與標價嚴重不符的數(shù)據(jù)信息，若出現(xiàn)異常數(shù)據(jù)則刪除。然后從篩選后的數(shù)據(jù)中隨機抽取其中200條數(shù)據(jù)作為基于模糊神經(jīng)網(wǎng)絡(luò)的大數(shù)據(jù)價值評估模型的訓(xùn)練數(shù)據(jù)及測試數(shù)據(jù)，其中160條作為訓(xùn)練樣本，40條作為測試樣本。以10條數(shù)據(jù)文件為例，如表2所示。

4.2 隸屬函數(shù)參數(shù)的確定

本文采用等分區(qū)間法確定隸屬函數(shù)參數(shù)值，在前文已對隸屬函數(shù)分析介紹，根據(jù)隸屬函數(shù)的中心及寬度確定的參數(shù)值，如表4所示。

在MATLAB2016b中，使用函數(shù)newff創(chuàng)建基于結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)的大數(shù)據(jù)價值評估模型結(jié)構(gòu)為945155（即輸入層神經(jīng)元數(shù)目45，隸屬度層神經(jīng)元數(shù)為45，二級合成評價層神經(jīng)元數(shù)目為15，輸出層神經(jīng)元數(shù)目為5），輸入層函數(shù)為標準化函數(shù)，隸屬度層函數(shù)為隸屬函數(shù)，后兩層激勵函數(shù)為logsig，函數(shù)輸出值在＼[0，1]內(nèi)，符合輸出值要求。學(xué)習(xí)函數(shù)是梯度下降動量學(xué)習(xí)函數(shù)learngdm，學(xué)習(xí)速率初始值選擇范圍為＼[0.01，0.5]，使用traingda函數(shù)訓(xùn)練網(wǎng)絡(luò)，設(shè)置最大迭代次數(shù)為1 000，當(dāng)訓(xùn)練次數(shù)達1 000次或網(wǎng)絡(luò)輸出誤差小于10-5時，訓(xùn)練完成。經(jīng)過368次迭代后，網(wǎng)絡(luò)輸出誤差值e=9.027×10-6在預(yù)期誤差10-5內(nèi)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖4所示，確定的權(quán)重值，如表5所示。

4.4 網(wǎng)絡(luò)輸出

網(wǎng)絡(luò)完成訓(xùn)練后，將40條測試數(shù)據(jù)輸入網(wǎng)絡(luò)，由Matlab軟件sim函數(shù)進行測試，測試數(shù)據(jù)的誤差范圍均在可接受范圍10-5內(nèi)，其中10條測試結(jié)果，如表6所示。根據(jù)最大隸屬度原則，將輸入向量對應(yīng)評語集中的最大權(quán)重作為輸出結(jié)果，進而確定網(wǎng)絡(luò)輸出的最終結(jié)果。

5 結(jié)論

在大數(shù)據(jù)蓬勃發(fā)展的時代，大數(shù)據(jù)價值評估對大數(shù)據(jù)的流通具有重要作用。由于常用無形資產(chǎn)評估方法對大數(shù)據(jù)價值進行評估，導(dǎo)致結(jié)果不夠準確，本文探索了將人工神經(jīng)網(wǎng)絡(luò)與模糊綜合評價法結(jié)合，對大數(shù)據(jù)價值進行評估的合理性。首先對大數(shù)據(jù)價值影響因素進行分析，選取大數(shù)據(jù)成本、數(shù)據(jù)質(zhì)量、數(shù)據(jù)使用情況作為關(guān)鍵影響因素，構(gòu)建大數(shù)據(jù)價值評估指標體系;為減少人為干預(yù)，提高評估結(jié)果的準確性，通過運用大量樣本對人工神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，確定大數(shù)據(jù)價值評估指標權(quán)重，構(gòu)建基于人工神經(jīng)網(wǎng)絡(luò)的大數(shù)據(jù)價值評估模型;最后以數(shù)多多數(shù)據(jù)交易平臺為實證對象進行實證，證實此方法的適用性及準確性，為大數(shù)據(jù)價值評估合理化提供參考。

參考文獻：

[1] WENDY A G，MOHAMMAD H.REZAZADE M.Debating big data：a literature review on realizing value from big data＼[J].Journal of Strategic Information Systems.2017（26）：191.

[2] 王玉林，高富平.大數(shù)據(jù)的財產(chǎn)屬性研究＼[J].圖書與情報，2016（1）：29.

[3] 徐漪.大數(shù)據(jù)的資產(chǎn)屬性與價值評估＼[J].產(chǎn)業(yè)與科技論壇，2017（16）：97.

[4] 劉文光.大數(shù)據(jù)資產(chǎn)的確認與計量研究＼[J].經(jīng)貿(mào)實踐，2017（22）：322.

[5] 章毅，郭泉，王建勇.大數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)方法＼[J].工程科學(xué)與技術(shù)，2017，49（01）：9.

[6] 朱慶鋒，徐中平，王力.基于模糊綜合評價法和BP神經(jīng)網(wǎng)絡(luò)法的企業(yè)控制活動評價及比較分析＼[J].管理評論，2013，25（8）：113.

[7] 黃越，龔珍，鄧祥輝，等.基于模糊神經(jīng)網(wǎng)絡(luò)的公路隧道洞口段施工階段風(fēng)險評估＼[J].工程管理學(xué)報，2018，32（03）：119.

[8] 陳靜.基于神經(jīng)網(wǎng)絡(luò)的高校學(xué)生信用模糊綜合評價模型研究＼[M].長春：東北大學(xué)出版社，2007：5.

[9] 杜義賢，田啟華.基于神經(jīng)網(wǎng)絡(luò)的模糊綜合評價方法＼[J].系統(tǒng)工程與電子技術(shù)，2005（9）：1583.

[10] 石艾鑫，郜鼎，謝婧.互聯(lián)網(wǎng)企業(yè)數(shù)據(jù)資產(chǎn)價值評估體系的構(gòu)建＼[J].時代金融，2017（14）：109.

[11] 李永紅，張淑雯.數(shù)據(jù)資產(chǎn)價值評估模型構(gòu)建＼[J].財會月刊，2018（9）：30.

[12] 張志剛，楊棟樞，吳紅俠.數(shù)據(jù)資產(chǎn)價值評估模型研究與應(yīng)用＼[J].現(xiàn)代電子技術(shù)，2015，38（20）：44.

[13] 冷雄輝，翟富源.基于模糊綜合評價法的發(fā)明專利價值評估研究＼[J].贛南師范大學(xué)學(xué)報，2017，38（3）：26.

[編輯：厲艷飛]