基于集成学习的科研计划项目绩效预测研究
CSTR:
作者单位:

上海大学管理学院

中图分类号:

TP393

基金项目:

国家自然科学基金项目“软件开发项目中数据驱动的资源均衡与鲁棒调度集成优化”(项目编号:71602106)、上海市“科技创新行动计划”软科学重点项目“数据驱动的科研计划项目预算配置方法研究”(项目编号:20692192400)


Performance prediction of scientific research projects based on ensemble learning
  • 摘要
  • | |
  • 访问统计
  • |
  • 参考文献 [26]
  • |
  • 相似文献 [20]
  • |
  • 引证文献
  • | |
  • 文章评论
    摘要:

    我国各级政府部门为促进科技创新,以科研计划项目的形式投入了大量资金。为了提高资金的使用效率,有效预测项目未来的绩效情况,是政府部门选择拟资助项目时的一项重要决策。本文提出了基于集成学习的项目绩效预测方法,利用多分类集成监督学习算法,对网络爬虫得到的已结题项目数据中隐含的关于项目绩效的信息进行有效挖掘,形成项目绩效预测模型。基于国家自然科学基金项目数据,利用多种指标对模型的性能进行评估,将本文模型对项目的绩效预测结果与专家的评估结果进行比较,结果显示了本文模型的有效性。

    Abstract:

    Chinese governments at all levels have invested a large amount of funds in the form of scientific research projects to promote scientific and technological innovation. In order to improve the efficiency of the use of the funds, it is an important decision for the government to effectively predict the projects performanc in the future when they select projects to be funded. This paper proposes a performance prediction method for scientific research projects based on ensemble learning. By using multi-classification ensemble learning algorithms, the project performance related information hidden in the completed project data is effectively mined using web crawlers to form a project performance prediction model. Using the Project data of the National Natural Science Foundation of China, this paper evaluates the performance of the proposed model based on several measures. The performance prediction results of the model are compared with the expert evaluation results, and the results show the effectiveness of the proposed model.

    参考文献
    [1] 李荣, 刘静, 李梦辉等. 基于基金项目数据的人工智能技术前沿性测度研究——技术创新决策视角分析[J]. 情报杂志,2020,39 (9): 81-87.
    [2] 国家自然科学基金委员会. 国家自然科学基金投入总量30年增长300倍[EB/OL]. [2016-06-16]. http://www.nsfc.gov.cn/publish/portal0/tab440/info55794.htm.
    [3] 国家自然科学基金委员会. 我国科学基金资助产出的高被引论文量占全球 14.03%居世界科学资助机构之首[EB/OL]. [2018-06-21]. http://www.nsfc.gov.cn/publish/portal0/tab440/info73876.htm.
    [4] 国家自然科学基金委员会. 2019年度国家自然科学基金委共接收各类项目申请25万余项 比上年增幅11.25%[EB/OL]. [2020-06-15]. http://www.nsfc.gov.cn/publish/portal0/tab440/info78062.htm.
    [5] 许大英, 田晓琴. R D 投入强度的演变规律及预测研究[J]. 科技管理研究, 2021, 3: 46-52.
    [6] Balachandra, R., Friar, J. H. Factors for success in R D projects and new product innovation: a contextual framework[J]. IEEE Transactions on Engineering management, 1997, 44 (3): 276-287.
    [7] Cho, J., Lee, J. Development of a new technology product evaluation model for assessing commercialization opportunities using Delphi method and fuzzy AHP approach[J]. Expert Systems with Applications, 2013, 40: 5314-5330.
    [8] 刘华海.科研项目绩效评价模型和指标体系的构建[J].科研管理, 2016, 37(S1): 19-24.
    [9] 尚虎平, 赵盼盼.项目申请者的哪些特征影响科研绩效提升? ——一个面向国家自然科学基金产出的倒序评估[J].科学学研究, 2014, 32(9): 1378-1389.
    [10] 淮孟姣, 潘云涛, 袁军鹏. 科研项目负责人的信用评价指标体系建设研究[J]. 数据分析与知识发现, 2017, 1(11): 94-102.
    [11] Talias, M. A. Optimal decision indices for R D project evaluation in the pharmaceutical industry: Pearson index versus Gittins index[J]. European Journal of Operational Research, 2007, 177(2): 1105-1112.
    [12] Galbraith, C. S.,DeNoble, A. F.,Ehrlich, S. B.,et al. Can experts really assess future technology success?A neural network and Bayesian analysis of early stage technology proposals[J]. The Journal of High Technology Management Research, 2007, 17 (2): 125-137.
    [13] 向永坤, 彭颖, 崔学峰. 基于模糊语义算法的科研项目立项评估模型[J].科技管理研究, 2020, 17: 204-209.
    [14] Wang, Y. R., Gibson Jr, G. E. A study of preproject planning and project success using ANNs and regression models[J]. Automation in Construction, 2010, 19 (3): 341-346.
    [15] Wang, Y. R., Yu, C. Y., Chan, H. H. Predicting construction cost and schedule success using artificial neural networks ensemble and support vector machines classification models[J]. International Journal of Project Management, 2012, 30(4): 470-478.
    [16] 张亚平, 张立伟. 基于径向基函数神经网络的投资预测模型[J]. 吉林师范大学学报, 2011, 32 (2): 75-78.
    [17] Costantino, F., Di Gravio, G., Nonino, F. Project selection in project portfolio management: An artificial neural network model based on critical success factors[J]. International Journal of Project Management, 2015, 33 (8): 1744-1754.
    [18] Jang, H. A decision support framework for robust R D budget allocation using machine learning and optimization[J]. Decision Support Systems, 2019, 121: 1-12.
    [19] 周志华. 机器学习[M]. 北京:清华大学出版社, 2016: 171.
    [20] 孙安, 于英香, 罗永刚等. 序列标注模型中不同输入特征组合的集成学习与直推学习方法研究——以CCKS-2018电子病历命名实体识别任务为例[J]. 情报杂志, 2019, 38 (10): 176-199.
    [21] Breiman L. Random forests[J]. Machine Learning, 2001, 45 (1): 5-32.
    [22] Breiman L. Bagging predictors[J]. Machine Learning, 1996, 24 (2): 123-140.
    [23] Freund, Y., Schapire, R.E. A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 1997, 55 (1): 119-139.
    [24] 周寄中,杨列勋,许治.关于国家自然科学基金管理科学部资助项目后评估的研究[J].管理评论,2007,19(03):13-19.
    [25] 舒予. 基于因子分析和方差最大化模型的科研评价指标体系构建. 情报杂志, 2015, 34 (12): 33-37.
    [26] 禾雪瑶, 马廷灿, 岳名亮等. 国家自然科学基金资助论文的高被引率变化研究. 数据分析与知识发现, 2020, 10 (30).
    引证文献
    网友评论
    网友评论
    分享到微博
    发 布
引用本文

李洪波,闫鑫,姚博文.基于集成学习的科研计划项目绩效预测研究[J].,2021,(21).

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2021-03-18
  • 最后修改日期:2021-05-14
  • 录用日期:2021-06-04
  • 在线发布日期: 2021-11-22
文章二维码

联系电话:020-37635126(一、三、五)/83568469(二、四)(查稿)、37674300/82648174(编校)、37635521/82640284(财务)、83549092(传真)

联系地址:广东省广州市先烈中路100号大院60栋3楼302室(510070) 广东省广州市越秀区东风西路207-213星河亚洲金融中心A座8楼(510033)

邮箱:kjgl83568469@126.com kjgl@chinajournal.net.cn

科技管理研究 ® 2025 版权所有
技术支持:北京勤云科技发展有限公司
请使用 Firefox、Chrome、IE10、IE11、360极速模式、搜狗极速模式、QQ极速模式等浏览器,其他浏览器不建议使用!
关闭
关闭