導語：種業企業并購數據挖掘決策分析一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：面對我國種業發展呈現出“多、小、散、亂”的特點，利用企業并購整合較之于依靠企業內部資金積累，具有更強的推動力。種業企業并購決策及其整合依賴于相關數據收集與整理。就種業企業并購及數據挖掘、并購數據結構、決策數據挖掘思路等問題進行研究，旨在提高并購整合效率，降低并購整合風險。

關鍵詞：種業企業；并購；數據挖掘；服務；決策

2012年12月國務院辦公廳印發了《全國現代農作物種業發展規劃（2012-2020》，提出了“鼓勵育繁推一體化”。但是我國種業企業在種子銷售方面，由于利潤空間較大，銷售公司遍地開花，經常會發生囤積堵售、哄抬價格等無序競爭，產業鏈條下游無序生長[1]。所以，我國種業企業需要進行適當的縱向整合，以此來優化產業結構，實現“育繁推一體化”。在種子的繁育環節，由于我國一直實行以農戶為主體的農業生產承包責任制，大多數種子生產繁育是通過分散的農戶在露天環境下進行的，這種小而散的種子繁育生產活動，與規模化雜交生產種植所要求的嚴格隔離、單品種（組合）成片種植標準相悖[2]。所以，我國種業企業同樣需要以擴大經營規模、減少固定成本為主的橫向并購。侯軍岐等[3]提出，我國目前的并購方式應是“縱向整合優先，橫向整合為主”。以最小的代價換取最大的收獲，發揮并購整合項目最大的價值，就需要在進行并購整合項目前，進行對企業的數據收集和挖掘，以此為基礎施行并購風險預測以及并購標選擇等并購決策工作，提高整合效率。

1數據挖掘技術主要的三大功能

1.1聚類功能。是通過對某些事物進行集合和分組，將類似的事物組成新的集合，并找到其中有價值的部分，根據事物的特征將其劃分為不同類別，便于數據后續查詢和應用管理。現階段數據挖掘領域中常用的聚類算法包括CURE算法、BICRCH算法以及STING算法[4]。1.2分類預測功能。數據挖掘技術可以總結數據的規律，分類和預測是數據挖掘過程的兩個重要步驟。首先，分類是進行數據挖掘的起始步驟，較為常見的方法為利用神經網絡或決策樹模型對可預測的數據按照數據相應的特征構建不同的集合，再利用回歸分析法對數據進行動態估計，以此來發揮數據挖掘的預測功能。1.3關聯分析功能從著名的沃爾瑪啤酒和尿布案例中可以看出各不同的事物之間具有盤根錯節的關聯，一件事情的發生，可能引起一系列不相關事件的發生。數據挖掘通過一系列事件發生的概率進行分析，找到這些隱性的關聯，利用發現的規律對未來可能發生的事件進行估計。

2種業企業并購數據結構

在進行數據挖掘時，不光要對企業的經營、財務狀況等企業數據進行挖掘、分析工作，還需對種子商品本身進行數據收集工作，因為種子作為一種特殊的商品，價值最終的實現除了種子自身品質外，還必須與外部的自然條件（溫度、濕度、水分、土壤等）、栽培技術、管理技術、加工工藝等相配套[5]。以種業價值鏈條來進行分析，種業大數據分為種子研發階段大數據、種子生產階段大數據和種子銷售階段大數據，每階段的數據信息不僅具有估計企業價值的作用，還具有挖掘和放大其他資源的價值能力，利用回歸分析等統計學方法可以分析出企業的盈利狀況、業未來發展情況。2.1種子研發階段大數據。種子研發是種業鏈條中的首要環節，該環節包括品種優化和新品種的開發等技術性工作，從種業企業的視角出發，育種科研是品種創新的源泉。其所產生的數據不僅包括品種對環境的適應情況，在不同陽光、水分和氧氣的環境下所表現出的生長情況等生長數據，還包括轉基因、新品種開發等技術數據。國際種業巨頭孟山都通過1996年開放大規模轉基因種植，逐步成為了種業行業的領頭羊。2.2種子生產階段大數據。種子生產環節決定著種子產品的質量，所以本環節的數據主要包括種子的質量指標，具體表現為所產出種子的純度、凈度和含水量。因為種子產品是有壽命的有機生命載體，所以種子的抗病性、抗旱性等一系列特性也是表現種子質量的重要數據指標。種子加工是提高種子質量，實現種子商品化的重要手段，種子加工需要針對不同的種子特性研究不同種子的處理方法，所以種子加工方式是否科學，也是種子生產階段的重要數據。2.3種子銷售階段大數據。銷售與收益直接掛鉤，所以銷售環節在種業產業鏈條中占重要地位。種子銷售階段大數據主要包括品種推廣、種子銷售及售后服務等服務信息和企業毛利潤、營業收入等財務信息。該階段是企業與種子消費者廣泛接觸的過程，其中所產生的數據主要體現種業企業的營銷能力、顧客對該企業產品的忠誠度和企業的盈利能力。

3數據挖掘決策思路及改進建議

決策是指面對困難通過信息收集加工，做出判斷得出結論的過程，而數據挖掘技術是采取一定的方法，從信息時代中形形色色的數據提煉出那一部分有用的信息，二者相輔相成。隨著大數據時代的到來，人類與自然之間的信息溝通方式有進一步的革新，通過新一代的信息技術如MapReduce、BSP等計算機模型，對數據進行計算，利用人工神經網絡系統對數據進行處理分析，可以更加“智慧”地挖掘信息。在經濟、信息化和互聯網為特征的現代經濟背景下，企業競爭日益激烈，當市場環境越復雜，市場動態性越高，企業業務差距越大，企業整合風險就會越大，種子產品本身具有價值鏈長、涉及環節多、時間跨度大等特點，大大增加了種業企業整合風險[6]。以往的企業決策，更多的是依靠管理者的經驗，數據收集及數據分析等前期準備工作不足，這樣的方式面對當下市場愈加多變的博弈要素難以做出正確的決策。國內家電巨頭TCL收購湯姆遜公司，TCL在并購前期對湯姆遜公司的信息收集及數據分析不足，并購后產業競爭力不足、品牌整合乏力、文化整合受阻，導致企業經營前期巨額虧損。所以要利用數據挖掘技術提高決策效率和成功率，加快企業的響應速度和反應能力，利用數據挖掘技術的聚類、預測等功能結合種業企業大數據，進行種業企業并購風險評估，預測企業并購整合可能發生的事件，對項目進行整改，保證并購整合項目的成功率。首先，在進行并購整合項目前，針對并購標的種業價值鏈的三大階段，收集企業近10年或近20年的種子研發階段大數據、種子生產階段大數據、種子銷售階段大數據，再利用MapReduce等計算機模型對數據進行計算，可得到表現出企業經營狀況、收益情況、品種創新情況、顧客忠誠度等企業經營情況的實時數據，利用回歸分析等方法，對數據進行動態估計，預測企業并購后的收益情況，并估計出相應的概率。根據數據專家、學者和種業企業管理者對企業在收益、品種創新和顧客忠誠度方面的表現情況進行打分，將數據構建成兩兩對比矩陣，將多家公司進行對比，找出最適宜的并購公司，做出最佳選擇，也可利用人工神經網絡、決策樹等模型，幫助企業進行并購決策。

目前，數據挖掘技術在種業并購項目的應用方面依然存在許多問題。因為品種的生命周期往往呈幾何級數增長，倘若多個階段的資金擠壓，會給企業帶來難以估計的財務隱患，且種子產品受諸多外界因素影響，如天氣、政策等，以現階段的模型以及計算方法對種子這種長周期、高風險的產品預測出的數據很可能會和現實狀況不匹配。面對這樣的情況，專家、學者以及種業企業工作人員應該根據種子的特殊性，建立專業的種業企業并購數據挖掘以及預測模型，數據的收集不應局限于傳統的企業收益以及管理和銷售情況，應從種業價值鏈條的三大階段入手，收集大數據。如新種品的開發，應由專業人士評估該品種未來的價值，以此來建立專業的種業企業估價模型，盡可能地縮短模型預測結果和現實情況的差距。

參考文獻

[1]侯軍岐．中國種業調研報告．北京：中國農業出版社，2018

[2]侯軍岐，黃美霞．我國種業整合服務平臺建設與管理研究．農業經濟問題，2017（1）：75-82，111

[3]侯軍岐，牛學讓．我國種業整合模式與研究途徑．西北農林科技大學學報：社會科學版，2008，8（3）：58-61

[4]曲萍．基于大時代的數據挖掘．高新技術，2019（2）：20-21

[5]曹海艷．基于價值鏈的我國種業整合模式研究．價值工程，2015（20）：238-240

[6]侯軍岐，黃美霞，史春曉．我國種業整合風險及其管理研究．吉首大學學報：社會科學版，2017，38（1）：103-106

作者:馬玉璞 侯軍岐 單位:北京信息科技大學經管學院