基于广义回归神经网络高校仪器设备使用绩效评价.docVIP

基于广义回归神经网络高校仪器设备使用绩效评价 　　摘 要：高校仪器设备使用绩效评价问题是资产管理人员研究的重要课题之一，对于充分发挥仪器设备使用绩效具有重要的理论和现实指导意义。采用广义回归神经网络方法对高校仪器设备使用绩效进行定量分析，建立指标体系与网络模型，并通过算例对数据样本进行训练与测试。对网络输出的结果数据进行分析，最终得出评价结论。 　　关键词：绩效评价；广义回归神经网络；仪器设备 　　仪器设备使用的绩效评价问题是高校资产管理的主要研究内容之一，是衡量高校仪器设备使用效益的重要工作，它不仅能够真实客观地反映资产使用现状，而且能够作为提高资产使用效益的理论依据，对于充分发挥仪器设备在教学科研中的重要作用具有理论及现实指导意义。绩效评价问题关键在于选择分析方法，这决定了评价过程的可行性以及评价结果的精确性。因此，选用科学、合理的评价分析方法至关重要。 　　1 评价方法的确立 　　目前最常用的仪器设备评价方法是专家打分的方法，这是一种定性分析方法，这种评价方法过程烦琐，耗费时间长，主观性较强，无法客观真实地反映仪器设备的使用现状。在信息化、大数据、大科技的社会背景下[1]，这种评价方法无法与应用各种不确定性与变化性的海量数据进行评价的方法的精确性相媲美。因此，需要采用一种新的量化方法（不仅仅局限于定性分析），实现仪器设备绩效评价问题的数据交换、整合与分析。仪器设备使用绩效评价应是循“数”的评价与分析，是通过相关数据的内在规律与关联体现进行计算与分析，而不是仅仅停留在定性分析与简单计算的阶段。因此，可采用智能优化算法中的广义回归神经网络方法进行量化分析与评价。 　　广义回归神经网络方法，是一种并行量化计算模型，既能全面、科学地反映数据内在结构、复杂特性和变化规律，又能根据已知数据进行快速学习、预测与评价，最终得出准确、客观的评价结论，为绩效评价提供数据支持与辅助决策，可作为高校仪器设备使用绩效评价较好的量化方法。 　　基于以上分析，我们采用广义回归神经网络方法进行高校仪器设备使用绩效评价。 　　1.1 广义回归神经网络的基本概念 　　广义回归神经网络（Generalized Regression Neural Network，GRNN），是径向基函数神经网络（Radical Basis Function，RBF）的一种[2]。在逼近能力与学习速度上较RBF网络有更强优势，在样本数量少或缺乏样本数据时也能具有较好的评价与预测效果，并且可以处理不稳定数据，适用于解决海量数据的非线性计算问题。仪器设备使用绩效评价问题属于非线性、海量数据计算问题范畴，并且在无法获得大量数据样本的情况下，使用这种方法，也可以获得较为准确的评价结论。 　　1.2 GRNN结构 　　GRNN由四层构成，分别为输入层（input layer）、模式层（pattern layer）、求和层（summation layer）和输出层 （output layer）。网络结构图如图1所示。 　　在图1[2]中，x1，x2，…xn为网络输入；y1，y2，…yn为网络输出；P1，P2，…Pn为模式层输出，并为求和层输入；SD，SN1，…SNT为求和层输出，并为输出层输入。 　　2 指标体系的确立 　　建立合理、正确的指标体系是绩效评价工作的前提条件，直接影响到绩效评价工作的顺利开展以及评价结果的准确性、科学性与可信性。指标体系是通过综合考虑高校各项机制、仪器设备的使用效率、产生的社会效益等综合因素[3]建立的，再结合各项因素所包含的具体内容，对指标逐层细化，最终形成绩效评价的指标体系。根据高校仪器设备绩效评价特点，将其指标体系[4]建立如下： 　　2.1 高校体制指标 　　高校体制也称高校教育体制或高校管理体制，是由教育实施机构与一定的规范相结合构成的，这个指标可反映体制是否规范。高校体制是仪器设备使用绩效评价的重要指标之一，其包含的二级指标主要有：管理机制、监督机制与激励机制。管理机制是指是否有相应的国有资产管理机制，机构设置科学、职责分配合理，有完整的国有资产管理制度，并且能够反映国有资产的增减等过程等；监督机制是指是否有完善的国有资产监督机制，能够及时发现问题、反馈问题和处理问题；激励机制是指是否有良好的激励机制，恰当的惩罚制度能够促进国有资产的管理效率提高。 　　2.2 资产运营效率指标 　　高校资产运营效率是高校运用有限资产在不断周转过程中获得的收益能力。资产运营效率是高校仪器设备使用绩效评价的重要指标，其包含的二级指标主要包括：直接用于教学科研的资产占总资产的比例、辅助教学科研的资产占总资产的比例、资产更新率、资产负债率、经费自给率、单台资产利用率、大型科研教学仪器共享率、服务性资产保值率、资产保值增值率、专用基金增