融合自适应遗传算法与BP神经网络的企业数据资产价值评估方法

《Systems and Soft Computing》：Company Data Assets Value Assessment Method Integrating Adaptive Genetic Algorithm and BP Neural Network

　　

数据资产已成为数字经济时代的关键生产要素，其价值评估对交易定价和资产管理具有重要支撑作用。为了将数据资产价值评估从单点估计转变为以共识区间为核心的分布式输出，研究人员提出了一种融合自适应遗传算法（AGA）和反向传播（BP）神经网络的估值方法。通过具有多样性惩罚的自适应进化机制，在权重空间中挖掘高适应度精英解集，并构建低维共识流形。然后，在流形约束下实施去中心化集成训练，通过精度损失、聚合惩罚和退火分岔激励的联合优化，实现估值共识与多样性的动态平衡。实验在两个独立数据集上进行，这两个数据集分别来源于国内主要数据交易平台的公开挂牌信息和上市公司的公开披露数据。在交易平台数据集（Dataset-A）和上市公司披露数据集（Dataset-B）上，所提方法取得的平均绝对百分比误差（MAPE）分别为5.82%和7.35%，均方根误差（RMSE）分别为0.0342和0.0398，决定系数（R²）分别为0.9514和0.9128，均优于对比方法，相对于次优的无流形配置的AGA-Ens，MAPE分别降低了约28.6%和32.3%。在跨数据集泛化测试中，RMSE的相对增加仅为16.4%，比次优方法低约15%，比特征标记器-Transformer（FT-Transformer）低约48%（33.2%）。消融实验证实，共识流形约束、退火调度和凝聚惩罚均对预测精度有正向贡献。研究结果为量化数据资产估值中的估值不确定性提供了技术路径。结果表明，所提方法在两个数据集上的MAPE分别为5.82%和7.35%，RMSE分别为0.0342和0.0398，R²分别为0.9514和0.9128，均优于对比方法。

在数字经济时代，数据资产已成为关键生产要素，其价值评估对交易定价和资产管理至关重要。然而，数据资产具有非实物性、价值可变性和多异质性等特征，传统基于成本和收益的评估框架难以精确捕捉其动态价值。目前，大多数数据驱动估值方法仍局限于单点估计输出，缺乏对估值共识区域的系统性挖掘，未能有效利用高适应度解在参数空间中的几何结构信息来指导集成估值的不确定性量化。因此，研究人员提出了融合自适应遗传算法（Adaptive Genetic Algorithm，AGA）和反向传播（Backpropagation，BP）神经网络的分布式估值方法，旨在实现从单点估计到以共识区间为核心的分布式输出，促进数据资产估值范式的转变。该研究发表在《Systems and Soft Computing》。

研究人员使用的主要关键技术方法包括：自适应遗传算法（AGA），通过多样性惩罚和自适应交叉变异操作，驱动种群进化并挖掘高适应度精英解集；利用主成分分析（Principal Component Analysis，PCA）构建低维共识流形（二维仿射平面）；在流形约束下初始化集成成员（S=5个BP网络），通过去中心化集成训练联合优化精度损失、凝聚惩罚（权重到流形中心的欧氏距离）和退火分岔激励（预测差异奖励），采用Adam优化器迭代更新。实验数据集来源：Dataset-A来自国内三大数据交易平台（贵阳、北京国际、上海数据交易所）的公开挂牌信息，共362个有效样本；Dataset-B来自沪深两市34家上市公司公开披露的数据，共411个有效样本。

研究结果如下：

**3.1. 数据集与实验设置**
通过收集两个独立数据集（Dataset-A和Dataset-B）并进行预处理，采用75%/25%划分训练集和测试集。BP网络隐藏层节点数通过五折交叉验证确定为6，所有模型使用Adam优化器，学习率10^?4，批量大小32，最大训练轮数500。主要超参数通过预实验确定，如种群规模M=80，精英集大小K=15，集成规模S=5等。

**3.2. AGA-BP机制验证与消融分析**
通过对比AGA与标准GA在100代进化中的动态指标，发现AGA的最优适应度（83.51±3.25 vs 51.51±4.49，p<0.001）和平均适应度（35.48±2.83 vs 20.85±3.68）均显著高于GA，且精英预测分歧Ψ(E)逐渐下降但保持适度（0.0256±0.0041），方差解释比r达到0.7843±0.0441，远超阈值0.6，满足低维流形构建条件。AGA精英解集在PCA投影中形成紧凑簇（凸包面积0.038±0.012），预测行为高度一致（中位数标准差0.018±0.006）。消融实验通过八种配置比较，发现完整模型RMSE最低（0.0342±0.0041），去除凝聚惩罚、分歧激励或退火调度均导致性能显著下降（p<0.001），证实各组件均对预测精度有正向贡献。

**3.3. 方法对比与跨数据集泛化验证**
在Dataset-A和Dataset-B上，所提方法在RMSE、MAPE、R²和期望校准误差（Expected Calibration Error，ECE）上均优于BP、GA-BP、支持向量回归（SVR）、随机森林（RF）、极限梯度提升（XGBoost）、FT-Transformer、自然梯度提升（NGBoost）、共识感知变分贝叶斯神经网络（CAVB-BNN）和无流形配置的AGA-Ens。具体地，MAPE分别为5.82%±0.93%和7.35%±1.12%，R²分别为0.9514±0.0078和0.9128±0.0096，ECE分别为0.0312±0.0058和0.0385±0.0068。跨数据集泛化测试中，RMSE相对增加仅为16.4%，显著低于FT-Transformer（33.2%）和CAVB-BNN（32.7%）。预测不确定性排序与绝对误差的Spearman相关系数为0.782，高于CAVB-BNN（0.658）和NGBoost（0.614）。超参数敏感性分析表明，所有参数的最大相对变化率小于10%，方法稳健。

在讨论部分，研究人员对多组分协同效应进行了三个层面的解释：第一，精英解集几何紧凑性与预测一致性的分离表明，AGA保留了功能等价但参数不同的解，映射到估值场景中不同实体可采用不同因子侧重路径，但最终价值共识落在较窄区间，符合数据资产多异质性和多方博弈定价现实；第二，去中心化集成训练中退火调度的分岔激励实现了从探索到收敛的阶段转换，早期高分歧强制成员在流形内横向扩展，后期精度和凝聚主导优化，解释了移除退火调度后性能下降最显著的原因；第三，跨数据集泛化衰减率显著降低表明共识流形约束可能识别出对域偏移鲁棒的参数子空间，该子空间对应误差曲面中对数据扰动不敏感的鞍脊区域。此外，研究人员指出局限性：共识流形依赖二维仿射子空间假设，当精英离散曲率较高时可能遗漏非线性结构；计算开销较大（Dataset-A平均训练时间428.5秒）。未来方向包括动态维度选择、纳入负相关学习（Negative Correlation Learning，NCL）基线、替换基学习器等。

研究结论部分被翻译如下：本研究提出了一种融合AGA和BP神经网络的分布式估值方法，以量化数据资产的估值不确定性。在方法论上，通过具有多样性惩罚的自适应进化和在共识流形约束下的去中心化集成训练，实现了从单点估计到共识区间输出的转变。在实证上，所提方法在预测精度、跨域泛化衰减率和校准误差三个维度上均显著优于对比方法。值得注意的是，跨数据集的RMSE相对增加仅为16.4%，比次优方法低约15%。此外，消融分析证实，共识流形约束、分岔激励退火调度和凝聚惩罚均对性能有正向贡献。因此，研究结果为数据资产定价、交易评估和信息披露提供了可量化的估值不确定性的稳健技术路径。