神经网络量化综述范文

导语：如何才能写好一篇神经网络量化综述，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

1 用户感知评价体系概述

1.1 概念简述

用户感知是指客户对网络质量是可深入认识、感知的，良好的网络质量感知是企业核心竞争能力的直接表现。

用户感知在移动通信业务中是指用户在主观感受上对移动网络业务的使用满意程度，它反映了用户对网络和业务的感受优劣度，反映了该移动网络业务的质量与用户本身期待之间的差异。

1.2 用户感知发展现状

传统的网络优化方法主要包括基于网管指标、路测指标的网络优化。其中路测指标主要通过DT（dimension test）测试、CQT（Call Quality Test）测试获得，其特点是从终端侧收集数据，主要用于检测网络运行质量，反映测试路线上的网络情况。网络指标主要为网管KPI，获取方式是网管数据、告警数据、用户投诉数据等，该指标的特点是从网络侧收集数据，反映网络运行质量，统计不同范围的网络情况。传统用户感知模型如图1。传统用户感知模型只能够反映网络侧因素对用户体验质量的影响，片面的将网络设备状态当做用户的实际感受。

目前，移动网络技术广泛的应用于社会的各方各面，人们对移动业务质量也提出了更高的要求。现在的网络优化已经由过去的单纯优化网络性能，改变成优化用户的感知满意度。因此提出改进型的用户感知模型如图2。

2 用户感知模型的指标筛选

影响语音业务用户感知的相关指标比较多，但是并非每一个指标对用户体验质量都有着绝对的影响。为了建立科学客观的指标体系，本文采用最小距离聚类算法去除相关性较强的指标，并结合实际情况筛选出适合的语音业务用户感知的评价指标。

聚类法是研究多要素事物分类问题的数量方法。基本原理是根据样本自身的属性，用数学方法按照某种相似性或差异性指标，定量地确定样本之间的亲疏关系，并按这种亲疏关系程度对样本进行聚类筛选。

重复进行以上步骤可以得到最小距离聚类谱系图，如图3。

通过最小距离聚类谱系图可以筛选出六项评价指标：平均呼叫时长G1、切换成功率G8、呼叫建立时长G9、业务信道分配成功率G4、寻呼成功率G6、掉话率G3。

3 利用模糊神经网络建立评价模型

人工神经网络起源于模拟人脑神经元的工作方式。人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。人工神经网络具有很强的自适应与自组织特性以及泛化能力、非线性映射能力、高度并行性。

根据人工神经网络的特点，可以利用其建立用户感知评价模型，从用户角度分析所提供的服务的满意程度，为之后的网络优化提供支持。

T-S模糊神经网络分为输入层、模糊化层、模糊规则计算曾和输出层等四层。输入层与输入向量连接，节点数与输入向量的维数相同。

利用模糊神经网络建立语音业务用户感知体系KPI-QOE的映射模型，通过大量数据样本对模型进行训练自动调整权值使得模型的性能及误差等符合要求。建立用户感知模糊神经网络模型流程如图4。

4 结语  

我国通信领域正在进行日新月异的变化，而传统的无线网络优化技术已经难以满足当前技术革新的步伐。落后的用户感知评估体系滞后了用户体验对网络质量的直接影响，使得传统的QoE体系不能完全真实的反映用户感知，常常会出现网络的KPI情况很好，但是从用户的真实感受来看，网络的质量却不如人意。因此，改进用户体验评价体系是当务之急。一套合理有效的用户感知评价体系将成为企业改善服务质量，提升用户满意度，培养用户忠诚度的必然之选。

参考文献

[1]林闯，胡杰，孔祥震.用户体验质量（QOE）的模型与评价方法综述[J].计算机学报，2012（35）.

[2]冯国玲，徐旭东.用户感知评估体系的设计与实现[J].河北工业科技，2009（3）.

[3]李荣.浅析移动通信中的用户感知[J].电信快报，2008（5）.

篇2

关键词：LM-BP网络；粮食产量；预测

中图分类号：S11+4；TP183 文献标识码：A 文章编号：0439-8114（2012）23-5479-03

Forecasting Corn Production Based on LM-BP Neural Network

GUO Qing-chun1，3，4，HE Zhen-fang2，4，LI Li3

（1. Teaching Affairs Office， Shaanxi Radio & TV University， Xi’an 710068， China； 2. Cold and Arid Regions Environmental and Engineering Research Institute， Chinese Academy of Sciences， Lanzhou 730000， China； 3. Institute of Earth Environment Research， Chinese Academy of Sciences， Xi’an 710075， China； 4. Graduate University， Chinese Academy of Sciences， Beijing 100049， China）

Abstract： A corn production porecasting method based on improved LM-BP was proposed. According to measurement and agricultural significance principle， 9 factors of grain-sown area， fertilizer input， effective grain irrigated area， stricken area， rural electricity consumption， total agriculture mechanism power， the population engaged in agriculture， rural residents family productive assets， the average net income of rural households were extracted as the network input； corn production was extracted as the network output. The LM algorithm could minimize the error， and the modeling results were evaluated with the correlation coefficients， relative error， etc. For training sample set， the correlation coefficient between the simulated value and the actual value was 0.996， the average relative error was 0.47%； for testing sample set， the correlation coefficient between the forecasted value and the actual value was 0.994， the average relative error was 0.56%. The results showed that the improved LM-BP model could improve simulation precision and stability of the model. This method is effective and feasible for corn production prediction.

Key words： LM-BP network； corn production； forecast

粮食产量预测是复杂的农学和统计学问题，受自然环境、政策、资源投入等多因素的影响。国内外的相关研究中，不少学者构建了许多很有价值的理论假说和预测模型，主要有4类：投入产出模型、遥感技术预测模型、气候生产力模型及多元回归和因子分析模型，这些模型从不同角度对粮食产量预测进行了研究[1，2]。但这些模型多数采用传统的统计预测技术，如时间序列统计模型、定性与推断技术、因果关系方法。而粮食产量是受不确定性因素影响的，是一个复杂的非线性系统。

人工神经网络具有很强的处理大规模复杂非线性系统的能力。近年来，许多学者已将人工神经网络成功地应用于实际问题的预测中，取得了令人满意的结果[3-12]。为此，采用改进算法的神经网络建立了粮食产量预测系统，结果表明，基于改进算法的BP神经网络预测模型具有良好的预测精度、训练时间短、收敛速度快等特点。

1 仿真试验数据

1.1 预测因子的选择

根据能够计量及具有农学意义的原则，结合农业专家的意见，通过前期大量的影响因子分析[13-15]，选取1994-2009年的粮食总产量为输出因子，初步选取粮食作物播种面积、化肥施用量、粮食作物有效灌溉面积、受灾面积、农村用电量、农业机械总动力、从事农业的人口、农村居民家庭生产性固定资产原值、农村居民家庭平均纯收入9个因子作为输入因子构筑模型，原始数据来源于2010年《中国统计年鉴》。

1.2 网络输入的初始化

为了消除不同因子之间由于量纲和数值大小的差异而造成的误差，以及由于输入数值过大造成溢出，首先需要对数据进行标准化处理，即把输入数据转化为[0，1]或[-1，1]的数。通过公式y=（x-min（x））/（max（x）-min（x））对粮食产量进行处理，得到了符合网络要求的数据。减少了识别数据的动态范围，使预测成功的可能性得以提高。然后将数据分成两部分：网络的训练样本集（前11年的数据）和检测样本集（后5年的数据）。

2 预测仿真模型的建立

BP网络是误差反向传播（Back Propagation）人工神经网络的简称，是目前计算方法比较成熟、应用比较广泛、效果比较好、模拟生态经济系统的神经网络模型，但传统BP网络存在学习过程收敛慢，局部极小、鲁棒性不好、网络性能差等缺点。为了改进算法，引入Levenberg-Marquardt优化算法，其基本思路是使其每次迭代不再沿着单一的负梯度方向，而是允许误差沿着恶化的方向进行搜索，同时通过在最速梯度下降法和高斯-牛顿法之间自适应调整来优化网络权值，使网络能够有效收敛，大大提高网络的收敛速度和泛化能力，它能够降低网络对误差曲面局部细节的敏感性，有效抑制网络陷入局部极小。

Levenberg-Marquardt算法实际上是梯度下降法和拟牛顿法的结合，该算法期望在不计算Hessian矩阵的情况下获得高阶的训练速度，其公式表达为XK+1=XK-[JTJ+μI]-1JTe，其中，JT为雅克比矩阵，e是网络误差向量。如果μ=0的话，就变成采用近似Hessian矩阵的拟牛顿法；如果μ很大，即成为小步长的梯度下降法，由于牛顿法在误差极小点附近通常能够收敛得更快更准确，因此算法的目的就是尽快转换为牛顿法。如果某次迭代成功，误差性能函数减小，那么就减小μ值，而如果迭代失败，就增加μ值。如此可以使得误差性能函数随着迭代的进行而下降到极小值。Matlab工具箱提供了Trainlm 函数Levenberg-Marquardt算法的计算。

网络结构的选择是应用BP网络成功与否的关键因素之一，一个规模过大的神经网络容易造成网络容错性能下降、网络结构复杂、泛化能力较差等缺陷；而规模过小的神经网络往往对训练样本的学习较为困难，学习过程可能不收敛，影响网络的表现能力，降低网络应用的精度。理论研究表明，只要具有足够的隐层神经元，3层人工神经网络可以无限地逼近任何时间序列和函数，因此这里采用含有一个隐含层的3层神经网络结构。隐含层神经元数的选择较为复杂，它关系到整个BP网络的精确度和学习效率，但目前，它的选取尚无一般的指导原则，只能根据一些经验法则或通过试验来确定，如Hecht-Nielsen提出的“2N+1”法，由输入矩阵可以确定输入层节点数为9，根据“2N+1”这一经验，可确定隐含层节点数为19；输出层节点数为1，这样就构成了一个9-19-1的BP神经网络模型，其中，训练函数为Trainlm，输入层到隐含层以及隐含层到输出层的传递函数分别为Logsig和Purelm，最大训练次数Epochs为50 000次；训练误差精度Goal为0.001；训练时间间隔Show为5，学习步长Lc为0.5，动量因子Me为0.95，其他参数均选用缺省值。

3 仿真结果

取1994-2004年的11个实际产量作为训练样本集，将2005-2009年的5个实际产量作为预测效果检测样本集。将1994-2004年9个指标的原始数据作为BP神经网络的输入样本，粮食产量实际值作为输出样本，然后对网络进行训练，可得相应结点的权值与阈值，将2005-2009年9个指标的原始数据（检测样本）作为网络的仿真输入，得到最终预测结果，表1是1994-2009年中国粮食实际产量和神经网络方法模拟值对比分析结果。

从表1可以看出，训练样本集中拟合精度平均相对误差为0.47%，最大值为2004年的1.13%，模拟值和实际值的相关系数为0.996；检测样本集中，BP神经网络预测模型得到的预测值和实际值具有较好的拟合效果，平均相对误差为0.56%，最大相对误差为1.11%，最小相对误差仅为0.04%，模拟值和实际值的相关系数为0.994；2005-2009年的粮食产量预测值的相对误差均较小。这种改进后的方法比较有效，利用该算法获得的预测数据结果较好。

总之，由以上分析结果可以看出，无论是拟合精度还是预测5个独立样本，BP神经网络模型的精度都比较高。但从预测结果也可以看出，BP网络模型方法预测的平均相对误差为0.56%，平均预测精度仍有待提高。

4 小结与讨论

针对中国粮食产量预测问题，将BP神经网络应用于国家粮食安全预警系统中，采用1994-2004年的中国粮食产量和影响因子的历史数据建立模型，利用2005-2009年的数据检验模型，研究得出以下结论。

1）由于常规统计模型难以满足粮食产量的预测要求，提出的改进BP算法较好地解决了神经网络收敛慢和易陷入局部极小值的问题，通过建立预测模型，运用该改进方法对中国粮食产量进行了预测，实例证明，运用基于Levenberg-Marquardt算法的改进BP神经网络，无论从训练结果精度上还是在收敛性能上都表现出较好的效果，说明运用该方法来预测粮食产量是完全可行的，弥补了传统BP算法的不足，提高了预测精度，加快了收敛速度，而且具有很好的外延性。

2）BP神经网络模型的预测精度高，预测值和实际产量的拟合性好。BP神经网络法允许原始的随机数据或数据中含有较多的噪声，这是它区别于其他模型的最大优势，因而任何能用传统的模型分析或统计方法解决的问题，BP神经网络能处理得更好。在进行粮食产量预测时，BP神经网络法是一种非常理想的预测方法，但是在构造神经网络的预测模型时，要注意正确选择影响因素，不要漏掉对预测对象有重大影响的因素。

由于粮食产量受各种因素的影响，波动性较大，除了受到上述9种因素的影响外，在很大程度上还受国家宏观政策、作物品种、耕作技术等因素的影响，如何更全面地将难以量化的因素也纳入模型中进行考虑分析，从而不断地改进预测模型、提高预测精度，是需要进一步研究的工作。

参考文献：

[1] 和文超，师学义，邓青云，等.土地利用规划修编中粮食产量预测方法比较[J].农业工程学报，2011，27（12）：348-352.

[2] 周永生，肖玉欢，黄润生. 基于多元线性回归的广西粮食产量预测[J]. 南方农业学报，2011，42（9）：1165-1167.

[3] 王巧华，文友先.基于BP神经网络的鸡蛋大小分级方法研究[J].湖北农业科学，2005（1）：97-99.

[4] 于平福，陆宇明，韦莉萍，等.基于小波广义回归神经网络的粮食产量预测模型[J].湖北农业科学，2011，50（10）：2135-2137.

[5] 李红平，魏振方，郭卫霞.小麦白粉病的数学模型预测[J].湖北农业科学，2011，50（17）：3611-3613.

[6] 李 艳，刘 军.农产品价格预测系统设计与实现[J].湖北农业科学，2011，50（14）：2976-2978.

[7] 黄 华，黎未然.人工神经网络在柚皮总黄酮提取中的应用[J].湖北农业科学，2011，50（10）：2088-2091.

[8] 汪东升，李小昱，李 鹏，等.基于小波和神经网络的柴油机失火故障检测[J].湖北农业科学，2011，50（15）：3181-3183.

[9] 梁 丹，李小昱，李培武，等.近红外光谱法对食用植物油品种的快速鉴别[J].湖北农业科学，2011，50（16）：3383-3385.

[10] 吴泽鑫，李小昱，王 为，等. 基于近红外光谱的番茄农药残留无损检测方法研究[J].湖北农业科学，2010，49（4）：961-963.

[11] 章 英.基于收购质量的烤烟烟叶无损检测技术研究综述[J].湖北农业科学，2011，50（7）：1297-1300.

[12] 李 哲，李干琼，董晓霞，等.农产品市场价格短期预测研究进展[J]. 湖北农业科学，2011，50（17）：3666-3675.

[13] 宰松梅，温 季，仵 峰，等.基于灰色关联分析的辽宁省粮食产量预测模型[J].节水灌溉，2011（5）：64-66.

篇3

关键词：创新能力 评价指标模型 人工神经网络测评方法

一、引言

如果从不同的角度或者不同的目的出发，创新的概念有着很多不同的定义。作为经济学家和创新理论的先驱，熊彼特认为创新就是对生产要素进行重新组合，就是要把一种从来没有的关于生产要素和生产条件的“新组合”引进生产体系中去，包括新产品、新的生产方法、新的市场、新的材料和新的组织形式。创新对某个具体企业一定是新的，但对整个市场不一定是新的，企业也不一定是第一个引入某个过程的。创新是由本企业还是由其他企业完成，并不重要。并且，创新绝不仅仅是技术层面的科学发现、技术发明，而是科学发现应用、技术发明的生产实现和市场实现；而在非技术性层面，创新包括了理念、管理、商业化方法等多元化的内容。

位于我国的西部地区，中小企业单位数量多，经济总量大，是内蒙古工业经济的重要支撑。据调查，2010年，全区中小企业50.12万户（含个体工商户）。其中，中小工业达到12.1万户，占全部工业户数的99.96％，完成现价工业总产值3791.86亿元，占全部工业的66.21％。规模以上中小工业企业2974户，占全部规模以上工业企业的92.36％；实现销售收入2682.66亿元，占全部规模以上工业企业的65.74％；实现利润255.92亿元，占全部规模以上工业企业的76.96％。全区中小工业吸纳的就业人数为130.5万人，占全部工业从业人数的80.21％。　“十一五”期间，中小企业在拉动经济增长、扩大就业、建立和谐社会等方面发挥了重要作用，为加快实现和谐内蒙古做出了突出贡献。然而，自治区的中小企业的发展仍然在发展战略、金融环境、人才资源、科研项目等方面存在问题，直接导致了内蒙古中小企业创新能力不强，进而滞延了很多中小企业的成长过程，制约着中小企业的进一步发展。针对内蒙古各类中小企业创新发展面临的共性问题，建立针对此类企业的创新能力评价指标模型，合理评价企业创新能力，从而为企业发展指明道路。

二、内蒙古中小企业创新能力评价指标设计

为了建立一个可行的基于过程模型的中小企业创新能力评价指标体系，首先要明确指标设计原则。中小企业创新能力评价指标体系不是一些指标的简单堆积和随意组合，而是根据某些原则而建立起来并能反映企业创新能力状况的指标集合。具体应遵循以下基本原则：

1.设计原则

（1）相关性。即选取的指标要能够直接反映中小企业创新能力，而不是将中小企业所有的经济指标和技术指标都予以罗列。

（2）系统性。多指标综合评价是一种全面性的评价，应当以能够增强中小企业创新能力作为考核对象，全面系统地选择反映中小企业创新能力的重要性指标，以保证评价的科学真实。

（3）可操作性。即选取的指标要求有代表性，而且应该具有可操作性。

2.指标内容

根据内蒙古中小企业创新能力评价的影响因素和指标的设计原则，结合相关文献中的研究成果，并且对内蒙古中小企业进行实地调研，本文拟出内蒙古中小企业创新能力评价体系，指标体系由六大类、23项相应的子指标构成，具体构成见表1。

表1　内蒙古中小企业创新能力评价指标体系

[总目标＼&一级目标＼&二级目标＼&内蒙古中小企业创新能力评价＼&管理能力创新＼&创新预测与评估能力＼&创新激励与协作能力＼&信息采集能力＼&企业创新效果实现效率＼&企业与外部力量合作能力＼&投入能力创新＼&研发资金投入强度＼&非研发资金投入强度＼&创新基础＼&研发人员素质＼&研发机构水平＼&技术应用水平＼&研究设备水平＼&生产制造能力创新＼&生产设备装备水平＼&生产设备新度＼&生产技术工人熟练程度＼&劳动生产率＼&市场营销能力创新＼&市场营销人员比重＼&市场研究水平＼&对客户的了解程度＼&产品的市场占有率＼&创新环境影响＼&内蒙古信息化程度＼&政府政策强度＼&市场竞争程度＼&金融环境＼&]3.评价指标的标准化

由于评价指标中既有定性指标又有定量指标，为使各指标在整个系统中具有可比性，必须对各指标进行标准化处理。

（1）定量指标

对于定量指标，因其衡量单位不同，级差有大有小，趋向也不一定一致，必须对其进行规范化和同趋化处理，处理方法如下：

当目标越大评价越好时，

其中，[Fj]是目标值xj的标准化值，xjmin是预先确定的第j个指标的最小值；xjmax是预先确定的第j个指标的最大值；j是评价指标的数目。

（2）定性指标

对于定性指标，应将其量化处理，其中量化处理的方法很多，较常用的是专家打分法。为了能与定量指标之间有可比性，必须将其再进行标准化处理。处理方法与上面的处理方法类似。

三、基于BP神经网络的内蒙古中小企业创新能力评价模型

1.人工神经网络方法

人工神经网络（简称神经网络）是一种通过模拟人脑神经细胞的结构和功能来进行信息处理的技术，由大量简单的神经元广泛互联而形成，具有学习、记忆、联想、归纳、概括和抽取、容错以及自学自适应的能力。

神经网络有多种类型，在各类神经网络模型中，误差反向传播前馈网络（BP）是应用最广泛的代表性网络，中小企业创新能力评价可以采用这种方法。该网络含有一个或多个隐含层，采用误差反向传播算法训练网络的权值和偏差，通过对若干样本的自学习，建立网络输入变量与输出变量之间的全局非线性映射关系。

BP网络一般包括三个层次，即网络的输入层、输出层，以及隐含层。输入层和输出层分别有与网络输入Ip（p=1，2，…P）及输出变量On（n=1，2，…N）相对应的P和N个神经元，隐含层为M个神经元。输入变量Ip将按式（1）分配到隐含层的第m个神经元，作为其输入dm　：

得到满足时，网络自学习终止。经学习后的BP网络，将可用于内蒙古中小企业创新能力的评价。

2.评价模型结构设计

根据上述的人工神经网络方法，可以将评价模型结构设计分成三部分进行：

（1）输入层。根据中小企业创新能力评价指标体系，可以将最低层指标数作为输入层神经元数，在这里为23，然后，按上述方法将指标标准化处理。将标准化处理后的指标值作为BP网络的学习样本。

（2）隐含层。隐含层神经元数的选取关系到整个BP网络的精确度和学习效率，因此，应结合理论分析和经验来选取隐含层神经元数，一般地，隐含层神经元数为10—15。

（3）输出层。对中小企业创新能力的评价是一个从定性到定量再到定性的过程，通过BP网络模型将定性转化为定量输出，然后综合评价集和输出结果，对中小企业创新能力作出定性评价。因此，将输出层神经元数设置一个；评价集是整个评价过程的关键，其设置的好坏将影响评价的客观性，一般地，将评价集设为好、较好、一般、较差、差等5个等级。根据专家的意见设定最高分和最低分，可用如下原则评价（O表示评分）：O≥4.5，好；3.5≤O

3.BP神经网络模型评价程序

依据模型结构设计，形成一个BP神经网络模型，对内蒙古中小企业创新能力进行评价的步骤如下：

（1）BP网络学习。按照前述的指标体系，搜集学习样本即不同企业的指标值，进行标准化处理，输入BP神经网络，按照BP算法，确定各层神经元之间的权重。

（2）收集评价企业的指标值{xi}。

（3）对{xi}进行规范化处理。

（4）将处理过的{xi}输入BP神经网络，按照前面确定的权重，计算输出。

（5）根据输出按评价标准对中小企业创新能力下评价结论。

四、结论

在以往的企业创新能力评价体系构建过程中，各个专家和学者更偏向于对东部沿海地区工业企业的创新能力进行评价，指标设计方面有经济发达地区的工业企业的特色，因此以往的评价体系不适合于对西部经济不发达地区中小类型企业的评价研究。本文旨在前人研究方法的基础上，建立适合内蒙古中小企业的创新能力评价指标体系，为内蒙古中小企业创新能力的评价打好坚实的基础，不断解决在创新中遇到的新问题，提高企业的发展水平，进而促进和推动内蒙古经济的腾飞。

参考文献：

[1]　伍艺，何玉梅.企业自主创新能力评测体系构建[J].企业管理，2008，（36）

[2]　杜栋，庞庆华.现代综合评价方法与案例精选[M].北京：清华大学出版社，2005：86-108

[3]　红艳，张树德，魏树琪.　蓄势待发竞风流——内蒙古中小企业发展综述[J].北方经济，2007　（6

[4]　温瑞　，龚建立，王黎娜.企业自主创新能力评价研究[J].集团经济研究，2005，（8）

篇4

关键词：客户服务能力 客户细分 电力企业 方法

随着我国改革开放的不断深入，我国的经济发展步入了一个新的时期。电力企业作为经济发展的保障性行业也迎来了新的发展契机。在新的时期中，电力企业不仅要注重供电可靠性，同时也要注重客户服务能力的提升。客户服务能力已经成为电力企业工作的一个十分重要的部分，如何提高电力企业的客户服务能力是摆在电力企业面前的一个问题。差异化的客户服务是电力企业提升客户服务能力的一个重要的手段。客户细分是差异化客户服务的基础，本文的主要工作是对客户细分的主要方法进行综述，为电力企业客户细分相关工作者提供一些启示。

1 心理细分

心理细分所建立的基础是对客户有充分的了解，通过对客户的充分了解可以找到更优的客户服务手段。心理细分主要分为两类，分别是基于客户价值的客户细分和基于客户生命周期的客户细分。基于客户价值的客户细分方法所依据的主要信息是客户的价值信息，客户价值是企业从客户那里获得的利润的总现值。基于客户价值的客户细分方法包括两种主要方法，分别是利润分类法和客户价值细分理论。基于客户生命周期的客户细分方法所依据的信息是客户生命周期，客户生命周期是指客户关系的水平随时间变化的发展轨迹，它描述了客户关系从一种状态或一个阶段向另一种状态或另一阶段运动的总体特征。基于客户生命周期的客户细分方法主要有两种，分别是忠诚度分类法和依据客户关系不同阶段的划分法。

2 统计细分

统计细分方法的原理是根据客户统计学方面的特性对客户进行细分。客户的统计特性主要包括客户的性别、年龄、职业、收入等等。统计细分方法的优点主要在于简单、易于实现，由于具有以上特点，统计细分方法在客户细分中应用的也较广泛。但是由于统计细分法较难反映客户需求、客户价值和客户关系等，该种方法也具有明显的不足，统计细分已逐渐被其它性能更优的客户细分方法所取代。

3 行为细分

行为细分方法是一种基于预测的细分方法，该种方法通过已有的行为模式来挖掘新的行为模式。客户已往的行为与他将来的行为之间有必然的相关性，过去的客户行为可以作为预测客户将来行为的依据。行为细分方法的基本原理就是根据客户过去的行为来对客户将来的行为进行预测。行为细分方法运用了人工智能的方法，一些人工智能中经典的方法被运用到行为细分中。行为细分方法包括很多的具体方法，下面将对主要的一些方法进行介绍。

3.1 RFM分析 RFM是在1994年由Hughes提出的一种行为细分方法。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。R代表最近一次消费（Recency），F代表消费频率（Frequency），M代表消费金额（Monetary）。RFM方法通过计算以上三个量的乘积，对三个量的乘积结果进行排序，将客户按20%、60%、20%进行分类，采用有区别的策略来对待不同的客户群。该种方法所存在的主要的不足是分析过程复杂、耗时，F和M两个量之间存在多重共线性。

3.2 客户价值矩阵 客户价值矩阵是由Marcus于1998年提出的一种客户细分方法。客户价值矩阵的最核心的思想是采用购买次数据F和平均购买额A构建二维的客户价值矩阵模型。所有的客户将被分类到通过采用购买次数据F和平均购买额A构建二维的客户价值矩阵模型的四个象限中，对四个象限中的不同用户采用不同的营销策略。该种方法最主要的问题在于其只能对已经拥有的客户进行定义和评价，而对于未知的用户该种方法则无能为力。

3.3 聚类分析 聚类分析是人工智能领域中一个概念，聚类分析属于无监督的学习方法。聚类方法的主要思想是把相似的样本归为一类，使得类内样本属性同质性较高，而类间的同质性较低。采用取类分析需要收集客户的属性值，通过属性值构建属性矩阵，再通过聚类分析方法对属性矩阵进行分析，从而达到对客户进行分群的目的。聚类方法主要包括的子方法有层次法、划分法、基于密度的方法、基于网格的方法以及基于模型的方法等等。

层次法对给定的数据集合进行层次的分解，分为凝聚的和分裂的。不管是在类的合并或分裂过程中，都需要考察类间的距离。划分法是在给定的k中先建立一个初始划分，再通过反复迭代改变其分组，达到同一分组中的距离越近越好，而不同分组中的距离越远越好。基于密度的方法不像其他类是基于对象之间的距离进行聚类，它们只能发现球状的类，而基于密度的方法却能够发现任意类型的类。它的基本指导思想是，只要邻近区域的密度超过某个阈值，就继续聚类。这样的方法可以发现任意形状的类，并且过滤掉噪声数据，但算法计算复杂度高，对于某些的数据集比如密度不均的往往得不到满意的聚类，结果。此方法属于聚类操作都是在把对象空间量化为有限数目的单元的网格结构中进行的。基于模型的方法是为每个类假定一个模型，再寻找对给定模型的最佳数据拟合。此类方法主要有两类，分别为统计学方法和神经网络方法。

3.4 人工神经网络 人工神经网络同聚类方法类似，相同点在于它是人工智能领域中的一个概念，不同点在于聚类分析是无监督的学习方法，而人工神经网络是一种有监督的学习方法。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

4 客户细分对电力企业的意义

电力企业的最主要的社会责任是保障人民的生产和生活用电，电力企业是一个服务性质的企业，客户服务质量对电力企业是尤为重要的，在现代，电力企业越来越看重客户服务质量。对于电力企业来说，用电客户是不同的，将用户客户进行分类，对属于不同类别的用电客户进行差异化服务是电力企业提高客户服务质量的一个有效的途径。

电力企业在进行客户线分析时，要根据企业自身的实际情况，有选择的使用已有的客户细分方法，必要时要根据实际情况对现有的细分方法进行调整以适应电力企业实际细分工作的开展。电力企业在进行客户细分工作时，要注重相关人才的培养，注重培养一批既懂业务又懂细分方法的人才，服务于电力企业客户细分工作。

客户细分不是一个一成不变的问题，客户的群属性是不断变化的。例如，某用客可能因为家庭收入的增加从小用电量客户变成为大用电量客户。电力企业要清楚的了解这一点，要周期性的对客户进行细分，保证客户都处于他们实际的群体中，从而使对客户的差异化服务做到准确无误。

5 结语

电力企业做为经济发展的保障性行业也迎来了新的发展契机。在新的时期中，电力企业不仅要注重供电可靠性，同时也要注重客户服务能力的提升。客户服务能力已经成为电力企业工作的一个十分重要的部分，如何提高电力企业的客户服务能力是摆在电力企业面前的一个问题。差异化的客户服务是电力企业提升客户服务能力的一个重要的手段。客户细分是差异化客户服务的基础，本文的主要工作是对客户细分的主要方法进行综述，为电力企业客户细分相关工作者提供一些启示。

参考文献：

[1]曾小青，徐秦，张丹，林大瀚.基于消费数据挖掘的多指标客户细分新方法[J].计算机应用研究，2013（10）.

[2]胡新杰，罗荣华，江明华，王汉生.基于高维0-1变量的EM算法在移动通信客户细分中的应用[J].数理统计与管理，2009（02）.

[3]彭凯，秦永彬，许道云.应用因子分析和K-MEANS聚类的客户分群建模[J].计算机科学，2011（05）.

[4]谢传胜，卢键明，胡笳，丁亚伟.基于ABC作业成本法的供电服务差异化选择策略[J].现代电力，2009（02）.

[5]曾鸣，杨素萍，杨鹏举，等.社会节能环境下电力客户价值评估研究[J].华东电力，2008（06）.

篇5

摘要：自适应共振模型是为了能够分类任意次序模拟输入模式而设计的，它可以按任意精度对输入的模拟观察矢量进行分类，较好地解决了前稳定性和灵活性问题，同时能够避免对网络先前所学的学习模式修改。本文将ART2模型应用于信用风险评估，通过实证比较研究，结果显示应用自适应共振模型进行信用风险评估在精度和准确性上，都优于其他神经网络模型和统计方法。

1统计方法用于信用风险分类评估存在的局限性

对信用风险评估一类主流方法是基于分类的方法，即把信用风险分析看成是模式识别中的一类分类问题—将企业划分为能够按期还本付息和违约两类。其具体做法是根据历史上每个类别（如期还本付息、违约）的若干样本，从已知的数据中发现其规律，从而总结出分类的规则，建立判别模型，用于对新样本的判别，这样信用评估就转化为统计中的分类问题。传统的统计模型主要基于多元统计分析方法，根据判别函数的形式和样本分布的假定不同，主要的模型有：多元回归分析模型、多元判别分析模型（MDA）、Logit分析模型、近邻法等。其中以多元判别分析模型和Logit分析模型应用最为广泛，已有大量商业化软件。

尽管这些方法在国外有大量应用，但是大量实证研究（Altman，1983；Tam & Kiang，1992；Altman，et al，1994）结果发现：（1）企业财务状况的评价可以看作是一类基于一系列独立变量基础上的分类问题；（2）企业财务状况好坏与

财务比率的关系常常是非线性的；（3）预测变量（财务比率）可能是高度相关的；（4）大量实证结果表明，许多指标不成正态分布。而统计的方法却不能很好地解决以上问题。由此可见统计模型的最大优点在于其具有明显的解释性，存在的缺陷是过于严格的前提条件。如多元判别分析模型（MDA），它要求数据服从多元正态分布、等协方差、已知先验概率和误判代价等要求，而现实中大量数据严重违背了这些假定（Eisenbeis，1997）。引入对数变化可在一定程度上改进数据的非正态分布，但一方面变换后的变量可能失去经济解释含义，另一方面仍没有满足等协方差的要求；应用二次差别分析（QDA）虽可解决等协方差问题，但一方面没有满足正态性假设，另一方面当数据样本小、维数高（指标多）时二次差别分析的性能明显下降，而样本少、维数高正是我国信用数据的显著特点。实证结果还表明二次差别分析对训练样本效果较好，而对测试样本并不理想。除此以外，多元判别分析模型适用于成熟行业的大中型企业，因为这些企业具有较强的稳定性和规范性，其发展有一定的规律可循，参数统计方法易于给出较准确的结果及合理的解释。然而这类方法是静态的，需要根据地区、行业经济情况的变化不断地调整参数，甚至进行变量的调整。

为了解决这些问题，引入了Logit分析模型和近邻法。Logit分析模型不需要假定任何概率分布，也不要求等协方差，但是当样本点存在完全分离时，模型参数的最大似然估计可能不存在，模型的有效性值得怀疑，另外该方法对中心区域的差别敏感性较强，导致判别结构的不稳定。近邻法不要求数据正态分布，但当数据的维数较高时，存在所谓的“维数祸根（Curse of dimensionality）”——对高维数据，即使样本量很大，其撒在高维空间中仍显得非常稀疏，绝大多数点附近根本没有样本点，这就使得“利用空间中每一附近的样本点来构造估计”的近邻法很难使用[4]。

2应用神经网络进行信用风险评估的意义

商业银行信用风险评估是复杂的过程，除了对企业的财务状况的各种特征的评估外，还须对企业的非财务状况进行评估，而且又涉及宏观经济环境和产业结构、产业周期的影响；除了客观的评估外，还依赖于专业人员依据经验进行主观评估。神经网络是一种具有模式识别能力，自组织，自适应，自学习特点的计算机制，它的知识编码于整个权值网络，呈分布式存储且具有一定容错能力。神经网络对数据的分布要求不严格，也不必要详细表述自变量与因变量之间的函数关系，神经网络的这些特征使之成为信用风险分析方法的一个热点。

建立商业银行信用风险评估模型必须依赖于一组已知的函数集合。要求这种函数集合在任意精度上可以逼近实际系统，从数学上讲，这就要求这个集合在连续函数空间上是致密的。目前已经从理论上严格证明了只用一个隐藏层的神经网络就可以唯一地逼进任何一个连续函数。多层神经网络为系统的辨识和建模，尤其是非线性动态映射系统提供了一条十分有效的途径。非线性动态映射系统的神经网络建模被认为是应用神经网络的最成功的范例。

影响商业银行信用风险评估的机理很复杂，无法建立精确的非线性动态模型，而人工神经网络擅长处理非线性的、关系不确定的十分复杂以至于数学模型难以描述的问题。对于分析时间序列数据，由于人工神经网络能识别和模拟数据间的非线性关系，不需要正态分布和先验概率等条件的约束，能针对新增样本灵活的训练再学习，因此优于其他统计方法，同时由于网络本身具有自学习的功能，预测结果相对精度较高而且稳定性好，因此应用神经网络可以通过对网络的训练，掌握借款人的财务特征的非线性函数关系。神经网络是由许多神经元构成的，它对系统特性的记忆表现为各个神经元之间的连接权值，单个神经元在整个系统中起不到决定性作用，一个经过训练的神经网络可以按相似的输入模式产生相似的输出模式，当商业银行信用风险评估系统因某些非财务风险因素和判断误差过大的财务风险因素造成输入模式变形时，网络仍可以保证稳定的输出。

神经网络可以逼进任意复杂的非线性系统，神经网络的转换函数能够非线性地响应冲击，例如，像覆盖比率这样的财务比率超过最低水平（如AAA级）时，超过这个阀值的增加值不会对信用质量有什么影响。线性回归不能以这样的方式限制响应程度，神经网络的转换函数却能实现。神经网络以并行的方式处理信息，具有很强的信息综合能力，因此神经网络理论在商业银行信用风险分析和实施对信用风险的主动控制中将会发挥更大的作用。

由神经网络构成的非线性模型具有较强的环境适应能力。在根据多个训练样本企业的财务特征建立神经网络非线性系统后，如果企业类型、财务特征和非财务特征发生变化，神经网络可以通过学习，建立企业信用的非线性函数关系，并且不需要改变网络的结构和算法。

综上所述，对于那些无法建立精确的动态判别函数模型的非线性商业银行信用风险评估，可以将神经网络理论应用于风险评估当中，撇开企业财务因素、非财务因素和企业信用状况复杂的非线性机理，建立起非线性风险映射近似的动态模型，使这个模型尽可能精确地反映风险映射关系非线性动态特征。通过该系统我们能够计算对各种输入的响应，预估商业银行信用风险状况及其发展趋势，进而能够使用各种信用工具对风险进行主动控制，促进商业银行的智能化风险管理系统的建设和发展完善。

3基于自适应共振理论的信用风险评估模型

一个公司财务状况的好坏往往是企业自身、投资者和债权人关注的焦点。因为一个营运良好、财务健康的公司可提高自身在市场上的信誉及扩展筹资渠道，以使投资者信心倍增。相反，一个陷入财务困境和濒临破产的企业不仅乏力吸引投资，还让原有投资者面临巨大的信用风险。

由上文的分析中我们知道，对企业财务指标的分析，传统的分类方法尽管有它的优点但本身也存在一些局限性。作为研究复杂系统的有力工具，神经网络能处理任意类型数据，这是许多传统方法无法比拟的。通过不断学习，能够从未知模式的大量复杂数据中发现其规律。神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非线性建模过程，毋需分清存在何种非线性关系，给建模与分析带来极大的方便。该方法用于企业财务状况研究时，一方面利用其映射能力，另一方面利用其泛化能力，即在经过一定数量的带有噪声的样本训练之后，网络可以抽取样本所隐含的特征关系，并对新情况下的数据进行内插和外推以推断其属性。

目前我国银行机构主要使用计算贷款风险度的方法进行信用风险评估——在对企业进行信用等级评定的基础上，考虑贷款方式、期限以及形式因素，进而确定贷款的风险度。其中作为核心的信用等级评定，是通过对企业的某些单一财务指标进行评价，而后加权平均确定的。该方法的最大缺陷在于指标和权重的确定带有很大的主观性，使得评级结果与企业的实际信用状况有很大出入，因此需要引入科学方法来确定有效指标，并建立准确的定量模型来解决信用评估问题。

针对这种形势，根据我国商业银行的具体情况，结合国际上目前较为流行人工神经网络技术，本文设计了一种基于自适应共振理论的信用风险评估方法。

3.1自适应共振理论（ART）介绍

自适应共振理论（Adaptive Resonance Theory）简称ART，是于1976年由美国Boston大学S. Grossberg提出来的。他多年来一直潜心于研究用数学来描述人的心理和认知活动，试图为人类的心理和认知活动建立统一的数学理论，ART就是这一理论核心部分，又经过了多年的研究和不断发展，至今已经提出了ART1、ART2和ART3共三种结构。ART网络作为模式分类器较好地解决了前面提到的稳定性和灵活性问题。使用ART网络及算法具有较大的灵活性以适应新输入的模式，同时能够避免对网络先前所学的学习模式修改。ART是一种能自组织的产生对环境认识编码的神经网络理论模型，由于横向抑制是自组织网络的特性，ART采用了MAXNET子网结构，该网络采用横向抑制方法增强并能选择具有最大值输出的一个节点。

ART模型的算法过程如下：

第一， 将一个新样本X置入节点；

第二，采用自下而上的过程，求得： ；

第三，运用MAXNET网络，找到具有最大输出值的节点；

第四， 通过自上而下的检验，判断X是否属于第j类，即如果有 ，则X属于第j类， 是警戒参数。如果上式不成立，转到第六步，否则继续。

第五， 对于特定的j和所有的i更新 和 ，设t+1时刻 ， ， ， 。

第六， 无法判断X是否属于第j类，抑制该节点返回到第二步，执行另一个聚类的处理过程。

本文所使用的神经网络模型就是ART2神经网络模型。ART2神经网络是为了能够分类任意次序模拟输入模式而设计的。它可以按任意精度对输入的模拟观察矢量进行分类。

3.2应用ART2神经网络进行信用风险评估的可行性分析

通过上文对ART2神经网络的介绍，笔者认为将ART2神经网络应用于信用风险评估具有统计方法和其他神经网络算法无法比拟的优势。首先，ART2神经网络较好地解决了稳定性和灵活性问题，它可以在接受新模式的同时对旧模式也同样保持记忆，而其它类型神经网络所记忆的样本个数有限，由此可见，ART2神经网络随着输入样本数的增加，它作为模式分类器分类的精度也越高，所覆盖的样本空间也越大。其次，ART2神经网络是边学习边运行的无监督学习，所以它不存在像BP算法那样需要进行几小时甚至更长时间的训练过程，也就是说ART2网络具有较高的运行效率和较快的学习速率，这一点对于解决像信用风险评估这样的复杂问题来说是相当具有优势的。再次，ART2神经网络与人脑的某些功能类似，能够完成识别、补充和撤销的任务。这三种功能在英文中称为Recognition，Reinforcement和Recall，可简称为3R功能。识别功能在上文已经介绍过，下面对补充、撤销功能做些简单介绍。补充功能包含有以下几方面的内容：（1）每当ART2系统对输入矢量的类别作一次判决即是给出矢量所属类别的输出端编号，根据此判决，系统可以采取一种“行动”或者作出某种“响应”。这和人总是根据对外界情况的判断来决定自己的行动相似。（2）人在识别时对于所有被识别的类并不是一视同仁的，识别过程受到由上向下预期模式的很强制约。这样就会使得人们在某些情况下只关心几种类别，而对其他类别则“不闻不见”，这种集中注意力的本领可以使人们在混乱的背景中发现目标。在客体发生某种变形或缺损或者有强噪声情况仍能对其正确分类。我国商业银行进行信用风险分析的起步较晚，有关的信息往往残缺不全，ART2网络的这种在混乱中集中注意力发现目标的功能更适合我国的现实数据情况。撤消功能的作用与补充功能相反，这是指某些不同的观察矢量在初步分类时被划分成不同的类别，但是通过系统（主体）与客体相互作用的结果，又应判定它们属于同一类。由此可见基于ART2网络的这些功能，应用ART2神经网络进行信用风险评估相当于人类专家进行信用风险评估的建模过程，而且ART2神经网络与人类专家相比进行的评估更客观、更有效、更精确。最后，ART2神经网络可通过调整警戒线参数 （门限值）来调整模式的类数， 小，模式的类别少（对分类要求粗）， 大，模式的类别多（对分类的要求精细），这一点是其他方法无法比拟的，我们可以通过调整 值对输入网络的财务数据进行传统的两级分类（即违约、非违约两类），也可以通过提高 值对输入网络的财务数据进行国际通用的五级分类（即正常、关注、次级、可疑，损失五类）。Altman、Marco和Varetto与意大利银行联合会合作在其经济和金融信息系统中首次进行了将神经网络应用于企业的经济和金融问题诊断的试验，试验的研究结果表明，将企业的财务状况分为正常、关注和次级三类比分为正常和问题两类困难得多，而ART2神经网络却可以通过 值的调整灵活地实现该功能。

综上所述，笔者选择算法复杂的ART2神经网络进行信用风险评估。并且设计了一个自适应共振网络，对信用风险分析进行了实证研究。

3.3基于ART2模型的信用风险分析的实证研究

下面以某国有商业银行提供的90多家企业客户为对象，应用自适应共振理论对这些企业客户的财务数据进行信用风险评估。对于输入到神经网络的财务比率的选择，参照国内财政部考核企业财务状况及国外用于信用风险评估所使用的一些经典财务比率指标，一共挑选出包括企业盈利能力、企业营运效率、企业偿债能力及企业现金流量状况等二十余个指标，考虑到指标间的相关性，利用SAS统计分析软件进行回归分析，得出以下几个比率：

经营现金流量/资产总额（流动性）

保留盈余/资产总额 （增长性）

息税前利润/资产总额 （赢利性）

资产总额/ 总负债 （偿债性）

销售收入/资产总额 （速动性）

某国有商业银行提供的样本数据有90多家企业的财务数据，数据质量不高，有些企业财务数据缺失严重，经过对样本数据的初步审查，删除了不合格的样本40多个，最终得到有效的样本为55个，其中能够偿还贷款的企业34个，不能偿还贷款的企业21个。

评估的准确程度用两类错误来度量，在统计学中，第一类错误称为“拒真”，第二类错误称为“纳伪”。在信用风险评估中把第一类错误定义为把不能偿还贷款的企业误判为能偿还贷款的企业的错误，第二类错误定义为把能够偿还贷款的企业误判为不能偿还贷款的企业的错误。显然，第一类错误比第二类错误严重得多，犯第二类错误至多是损失一笔利息收入，而犯第一类错误则会造成贷款不能收回，形成呆帐。

在应用自适应共振模型进行信用风险评估的同时，笔者也使用了统计方法和经典的BP神经网络模型对同样的样本数据进行了信用风险评估，以便比较验证自适应共振模型的评估准确性。

统计方法使用的是可变类平均法，可变类平均法是由Lance和 Williams(1967)发展的，计算距离的组合公式为:

Djm=(Djk+DjL)(1-b)/2+DkLb （1）

参数b介于0到-1之间，DkL——是类Ck与CL之间的距离或非相似测度。笔者使用SAS统计软件中提供的可变类平均法对样本数据进行了聚类分析。

BP神经网络的结构包括输入层5个节点，用来输入5个财务指标比率，输出层1个节点（取值为1表示能偿还贷款，取值为0表示不能偿还贷款），另外还有一个隐层，隐层包括5个隐节点。网络的有效性采用K组交叉检验的方法进行验证，也就是将样本分为K组，其中K－1组为训练数据，第K组为检验数据，这里将样本数据分为两组，第一组用于训练网络，包括11个违约的企业和16个非违约的企业，第二组作为检验数据，包括10个违约企业，18个非违约企业。该方法使用MATLAB语言编程实现。

ART2模型包括输入层为5个节点，用来输入5个财务指标比率，输出层3个节点，分别表示信用风险的三个级别（正常，关注，可疑），这里应用ART2模型将信用风险分为三个级别有如下几个原因：（1）将信用风险分为三个级别，比前面使用统计方法和BP模型方法将信用风险简单分成两类（违约、非违约）更容易把握风险的程度，更接近实际信用风险评估的需要，也更贴近于国际通用的五级分类标准。（2）通过ART2网络门限值参数的调整可以将信用风险分为国际通用的五级分类标准，这也正是ART2模型的优势所在，但是ART2网络是信用风险分析混合专家系统的组成部分，它的评估结果要作为输入，输入到专家系统中，以便信用风险评估专家系统进行定性及定量的综合评估，考虑到专家系统的规则的数量和知识库的规模对系统执行效率的影响，因此这里将信用风险分为三类。有关专家系统的详细说明，将在下一节讨论。下面给出ART2模型网络的参数设置：a＝10，b＝10，c＝0.1，d＝0.9， ＝0.2， 。由于ART2模型是无教师指导的网络，因此不用训练，直接输入数据，网络自动进行信用风险评估。其中评估的结果：正常、关注两类属于非违约企业，可疑为违约企业。该方法使用C语言编程实现。

下面给出三种方法的最后评估结果见表1

表1 训练样本和测试样本的误判

训练样本 测试样本

第一类错误 第二类错误 总误判 第一类错误 第二类错误 总误判

统计模型 8(38.01%) 9(26.5%) 17(30.9%)

BP模型 2(18.1%) 1(6.1%) 3(11.1%) 3(30.0%) 4(22.2%) 7(25.0%)

ART2模型 4(19.1%) 5(14.7%) 9(16.3%)

通过表1的比较结果可以看出对于统计方法和BP模型自适应共振模型的误判率是最低的，说明了该方法的有效性和可靠性。

另外需要说明的一点是，这里所使用的企业样本数据偏少，而且噪声过多，数据的质量不是很好，这样的数据作为初始数据输入网络对网络的评估的准确性有一定的影响，虽然ART2这种集中注意力可以在混乱的背景中发现目标的特性使得它的评估的准确性比其它两种方法要高，但是笔者相信如果初始输入网络的数据质量再提高一些，网络的误判率会更低。

参考文献：

[1] 张维，李玉霜，商业银行信用风险分析综述，《管理科学学报》[J]，1998年第3期，20－27。

[2] 朱明，杨保安，基于知识的银行贷款分类系统，CJCAI2001[C]，231－235。

[3] 黄娟，冯玉强，王洪伟，基于联接归纳推理的信贷风险评估集成智能系统，《计算机应用研究》[J]，1999年第9期，74－16。

[4] 王春峰，万海晖，张维，商业银行信用风险评估及其实证研究，《管理科学学报》[J]，1998年第1期，68－72。

[5]（美）约翰.B.考埃特，爱德华.I.爱特曼，保罗.纳拉亚南著，石晓军等译，《演进着的信用风险管理》[M]，机械工业出版社，2001。

[6] 李志辉，《现代信用风险量化度量和管理研究》[M]，中国金融出版社，2001年。

[7] R.R.Trippi and E.Turban, Neural networks in finance and investing[M], chicago: Irwin professional publishing，1996。

[8] Dick San-Cheong cheung, Kwok-Wa Lam and Sheung-Lun Hung, neural networks for credit scoring model, intrlligent data engineering and learning perspectives on financial engineering and data mining[M], published by Springer，1998，55－62。

篇6

【摘要】在当前土地紧缺和城市更新背景下，各地政府急于对效率低下的土地进行收储盘活，而其核心是如何进行土地收储增值收益的合理分配。本文运用相关理论和数理模型对土地增值收益分配进行了定性和定量研究，并提出基于土地收储净收益阶梯分级方法。研究结果表明，在第一梯级原产权人分享比例为56.5%，在第二梯级其分享比例为45.6%，符合梯级分配比例设计中政府高梯级价段分享更高比例分配的基本原则，本文提出的阶梯分级方法能够减小增值收益的分配差异，保证了公平性，有助于深化完善土地增值收益分配机理理论，并为政府创新土地收储收益分配方式提供依据。

关键词 土地收储；增值收益；Bootstrap；Elman神经网络

【作者简介】符锦，澳门科技大学商学院博士研究生，研究方向：企业管理、金融服务业发展；吴文峻，澳门科技大学商学院博士研究生，研究方向：企业管理、房地产发展；徐剑，澳门科技大学商学院博士研究生，高级经济师，研究方向：企业管理与人力资源开发。

一、引言

实施城市土地的收储及招拍挂，在增加地方财政收入、改善城市基础设施建设、盘活城市存量建设用地、提高土地市场的公平性和透明性方面能起到积极作用，也是实现城市更新①的最重要途径。然而，随着《物权法》和《国有土地上房屋征收补偿办法》的颁布，通过征收拆迁补偿实施非公共利益的土地收储在制度上已受到制约，土地收储过程越来越呈现为政府与原土地使用权人的博弈过程。而博弈的核心问题就是政府与原土地使用者之间的利益如何分配。如何进行土地收储增值收益分配是我国土地再利用理论和实践上亟待解决的问题。目前，人们主要关注土地收储增值收益分配的概念界定与定性分析，而对土地收储增值收益分配的定量研究极少。本文将在增值收益分配理论分析的基础上，基于土地增值净收益角度，运用Bootstrap-Elman神经网络模型进行实证分析，求解增值收益分配比例，以深化土地增值收益分配机理理论，为政府创新土地收储收益分配方式提供依据。

二、理论分析和研究假设

土地增值收益是各利益相关者盘活存量土地的根本动因，因此土地收益的分配机制对各利益相关者发挥着关键性的激励作用。解决利益分配机制的关键在于分配原则和依据、分配对象和归属主体以及分配的管控手段。

国外的研究一般集中在土地增值的机理和增值收益的征收方式、管控手段等方面，国内学者更关注我国的具体国情和土地制度，反思土地利益分配存在的问题并寻求改进思路。对于土地增值收益的归属， 有三种观点： 一是“ 涨价归私”，即主张全部土地的自然增值归原土地所有者所有；二是“涨价归公”，即主张土地自然增值基本归国家所有；三是“涨价公私兼顾”，即主张在充分补偿失地者后剩余部分归国家所有。大部分学者支持依照土地增值的属性来区分利益归属。杜新波、孙习稳（2003） 认为，土地增值分为地租增值和土地资本增加，地租增值部分归国家所有，在土地资本投资收益中，遵循“谁投资，谁受益”的原则；张俊（2007） 认为，我国城市土地增值收益分配的本质是权利的界定与分配。并指出，土地人工增值应归土地使用者所有，自然增值应该由地方政府代为社会收回；莫俊文等（2004） 研究了城市土地置换开发收益的构成，认为城市土地在经过置换开发后，产生的投资性增值应归投资者所有，用途性增值归地方政府所有，由客观因素导致的自然增值应归国家所有。

原玉廷（2005） 提出按照所有者、管理者和使用者的“三权分离”体制来分配土地增值收入，绝对地租与级差地租分别归中央和地方政府，平均利润归实际使用者；何芳（1996） 从地价构成角度提出拆迁安置补偿费属于补偿性质，归原土地使用者，市政配套按照“谁投资，谁受益”原则归地方政府所有，出让金则属中央和市、区、县等各级政府。还有不少学者提出了增值利益分配的制度设计。如杨丽丽（2007） 从理论上分析了城市土地价值增值的原因，并从税费体系建设、土地增值计价及政府管理等方面提出了城市土地增值收益分配的改进思路；胡士戡等（2009） 指出，我国城市土地增值收益管理的实现形式主要包括地租、地税、地费、土地储备、土地规划等；沈守愚（1998） 等学者主张通过完善公共财政管理体制，建立城乡统一的土地发展权流转价格评估体系，完善财政转移支付制度，实现地区之间、中央与地方之间、政府和土地利用者之间的合理分配，但并没有给出发展权价值的归属。李文斌（2007） 是研究土地重建开发的收益分配的少数学者之一。他针对政府土地收储模式，将土地不同征收补偿形式和出让方式进行组合，归纳出七种不同收益分配模式，并对其市场效率进行了分析，得出以对土地开发净收益进行分成的模式最有效率的结论，但他并没有研究净收益如何分配。罗丹等（2004） 提出，要在不同利益主体之间进行利益分配，必须有客观、可行的利益分配标准，确保社会稳定和社会公正。综上研究，本研究将土地收储增值收益分成三个部分：土地的现状价值、土地新规划后价值增值与招拍挂溢价（图1）。

其中，土地收储增值系指因城市人口增长、社会经济发展、政策变化、土地供求变化、城市建设发展等系统性变化引起的土地整体性增值，笔者认为应该归原建设用地使用权人即用益物权人② 拥有； 土地个体增值系指因调整该地块用途、强度或对地块直接投入而导致的个别地块的非系统性增值，笔者认为由于用途与强度提升而带来的土地增值应由政府、产权人共享，其中的投资性增值则按照“谁投资，谁受益”的原则及级差地租2原理，应该归属投资者及土地所有权人拥有；招拍挂溢价是指在土地招拍挂过程中，由于开发商博弈互相竞争使得最终土地成交价高于底价而导致的土地增值。这一价值是土地储备制度框架下存在的特有价值，是土地一级垄断市场带来的土地再开发价值增值。这部分增值由于有政府公权力的干预影响结果，理论上应归属政府所有。经过以上分析，土地收储增值收益的主要对象为规划后价值增值部分，对于该部分如何分配，不同地区的土地收储中心有着不同的分配方法。本文提出一种基于土地收储净收益阶梯分级方法，即从效率与公平角度分配土地收储增值收益。该方法需先计算土地收储的净收益，需要将土地出让金扣除对原土地使用权人的现状补偿（包括原利用条件土地价格、房屋及室外工程现值、设备搬迁损失补偿价格、临时搬迁安置费、部分职工安置补偿费）、土地开发成本（土地整理费、基础设施与公益设施投资开发、环境污染治理费、管理费、利息）、税费、扣除的出让基金等（图2）。

需要注意的是，图2仅为示意图，不同收储案例的各项比例构成可能不一致，可能导致图2的形状发生变化。经过走访与问卷调查，原土地使用权人对土地用途增值分配诉求最低期望为20%。由此，本节模型测算基础是以原产权人享有现状容积率条件下的用途增值为20%。政府与原土地使用权人的增值利益分享博弈主要存在于对剩余增值的分配（图3）。

三、土地收储利益分配模型构建

（一） Bootstrap算法

早期人们所熟悉的统计方法是参数统计方法，是以大量样本为基础的，在进行计算时，一般假设总体分布呈正态分布。然而在现实中，总体的分布情况往往是未知的，这种假设是为了计算方便，由于当时计算能力有限，此类统计推断方法被广泛应用。后来，在统计分析领域出现了一些高效的统计推断方法，例如小样本的研究和似然（Likelihood） 估计等。随着计算机技术的发展，统计学从求解复杂的数学难题逐渐转变成基于大量计算的、面向应用的统计思维，即非参数的统计方法。具有更高可靠性和灵活性的统计推断方法应运而生，靴带抽样算法（Bootstrap） 就是其中的一种。靴带抽样算法的基本思想是：令是从分布未知的总体F 中随机抽取的n个随机样本，因此，是独立分布的随机变量。θ 表示来自未知总体F的一个未知参数，我们要解决的问题是寻找参数θ? 的分布特性以作为对未知参数θ 的一个估计。c 称之为原始样本，从样本c 中计算要估计的参数θ? ，则要进行靴带重抽样过程。即从原始样本c 中进行n 次有放回的独立抽样，产生一个新的样本，称为靴带重抽样样本（Felsenstein， 1985）。通常做B 次重采样，当重采样的次数B 达到1000时便可获得相当准确的估计。每一个重采样样本是从原样本X中经n 次有放回的随机抽样得到的，样本中每个变量被抽到的概率均为1/n ，对于每一个分别计算待估计参数然后用参数的分布特性逼近的分布。由此可见，靴带抽样算法的核心就在于重抽样技术，这得益于计算机技术的飞速发展，使得复杂而大量的数学计算变得简单易行。统计学家先后对这种重抽样技术的可靠性进行了验证和对比分析，结果发现，这种利用重抽样过程得到的抽样分布能很好地反映待估计参数的准确度，且比其他统计推断方法具有更好的精度。同时，Bootstrap方法并不需要对总体分布进行假设或事先推导估计量的解析式，它要做的仅仅是重构样本并不断计算估计值，在分布假设太牵强或者解析式太难推导时，Bootstrap也就为我们提供了解决问题的另一种思路。本书采用MATLAB R2013a软件进行靴带抽样，这样就达到了扩增样本的作用，使得本研究可以在采集少量土地收储案例数据的基础上完成。

（二） Elman神经网络

Elman 网络是一类有局部反馈的神经网络，最初是由Elman在1990年以Jordan 网络为基础提出来的。后来，Pham等人又在此基础上提出修正的Elman网络（Modified Elman Networks），现在多把这种网络作为标准的Elman网络，其结构如图4所示。Elman 神经网络一般分为四层， 即输入层、隐含层（中间层）、承接层和输出层。输入层、隐含层、输出层的连接类似于前馈式网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层又称为上下文层或者状态层，它用来记忆隐含层单元前一时刻的输出值并返回给网络的输入，可以认为是一个一步延时算子。Elman 神经网络的特点是隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入。这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到动态建模的目的。此外，Elman 神经网络能够以任意精度逼近任意非线性映射，可以不考虑外部噪声对系统影响的具体形式，如果给出系统的输入输出数据对，就可以对系统进行建模。

Elman网络的非线性状态空间表达式为：

其中，y、x、u、c x 分别为表示m 维输出结点向量、n维中间层结点单元向量、r维输入向量和n维反馈状态向量。W3，W2，W1分别表示中间层到输出层、输入层到中间层、承接层到中间层的连接权值。g (*) 为输出神经元的传递函数，是中间层输出的线性组合。f (*) 为中间层神经元的传递函数，常采用S函数。Elman神经网络也采用BP 算法进行权值修正，学习指标函数采用误差平方和函数。

（三） Bootstrap-Elman利益分配模型

通过上述理论部分阐述，将增值收益分配的研究聚焦到土地净收益分配比例问题。按照地域、时间、空间等选择一定量的工业用地收储案例，搜集与计算土地收储过程中地方政府、原土地使用权人双方投入部分、土地用途增值与强度增值、土地的净收益等，采用Bootstrap法进行样本扩增，将扩增样本中的政府投入、原土地使用权投入作为输入，将城市政府在除去第一阶梯20%净收益后的收益分配比例R作为输出，构建Elman 神经网络模型进行量化分析，得到符合市场模式下土地增值净收益阶梯分配比例（图5）。

本研究在上海浦东地区收集20个土地收储案例，通过Bootstrap技术扩增样本作为模型的训练数据，建立Bootstrap-Elman神经网络模型，完成土地收储各方对净收益阶梯分配比例研究。土地收储案例基本情况见表1。

利用Bootstrap方法计算政府投入、原土地使用权人投入与R 的相关关系与相关系数置信区间，通过重复再抽样计算，发现政府投入、原土地使用权人投入与R呈现一定的相关关系，但此种关系并非线性相关，需要使用Elman神经网络建模定量系统地探索这种关系。将20个案例利用Bootstrap 算法扩增1000 份，将其中600 份案例作为训练集合（Train set），200 份案例作为验证集合（Validation set）， 200 份案例作为测试集合（Test set），建立Elman神经网络模型进行量化分析。

Bootstrap-Elman 神经网络在训练结束后验证集合样本的误差不再下降，此时的误差已经接近零，同时网络梯度等参数在训练过程中逐渐下降，说明神经网络训练可以结束，此时模型已经训练完成，可以应用此模型针对土地收储下的净收益阶梯比例进行定量预测。经计算，R的均值为54.4%，说明收储模式下政府占据了多于1/2的土地收储净收益第二阶梯部分。同时，为了探求政府投入与原土地使用权人投入变化对分配比R的影响，本研究同时进行了模拟实验。采用固定训练数据中的原土地使用权人投入，将政府投入上下变动20% （每次变动1%），即[-20% 20%]，观察R值的变化情况；固定训练数据输入中的政府投入，将原土地使用权人投入上下变动20%（每次变动1%），即[-20% ，20%]，观察R值的变化情况并进行模拟仿真实验。

四、仿真实验

利用建立的Elman 神经网络模型对政府与原土地使用权人投入变化对土地增值分配R的影响进行仿真（图6、图7）。

由图6、图7可知，政府投入与R基本呈现部分规则变动关系，即政府投入越多，其占净收益部分越大；原土地使用权人投入与R关系为R随着其投入的增加先减小后增加最后逐渐趋于平稳。综上所述，原土地使用权人在土地净收益中获得的部分包括第一阶梯土地用途增值的20%部分与第一阶梯的剩下的51.8%部分，即获20%+80%×45.6%=56.5%的等容积率下用途改变增值，同时获得45.6%的第二阶梯增值。需要注意的是，部分土地收储案例可能存在着高土地用途增值与高净收益并存的情况，可以将原土地使用权人获得的第一、第二两阶梯部分加和后与土地用途增值比较，因为从理论上来说，原土地使用权人获得的土地增值净收益部分不会超过土地用途总增值。

五、利益分配结论

（一） 研究结论

综上，通过本节模型的实证研究得出土地利益分享结论如下。

1.出让收入首先将招拍挂溢价、出让金及出让基金（本次实证按照总收入30%计）、税（5.55%） 等归属政府。

2.将归属政府后余额再减去补偿成本之后的土地收储净收益分配设立两个阶梯，第一梯级为土地收储用途增值，该部分将56.5%归属土地使用权人以体现公平原则。按此测算，相当于在第一梯级原产权人分享比例为56.5%，大于第二梯级其分享比例45.6%，符合梯级分配比例设计中政府高梯级阶段分享更高比例分配的基本原则。3.第二梯级中政府分享占比54.4%，大于原产权人的分享比例45.6%。

4.探索政府与原土地使用权人投入变化对分配比R的影响，即政府投入越多，其占净收益第二阶梯部分越大；原土地使用权人投入与R关系为R随着其投入的增加先减小后增加，最后逐渐趋于平稳。

5.将案例按照净收益分级比例分成的方式倒算出原土地使用权人获得净收益，并将其转化为出让金比例分成方式，将模型结果与案例实际数据得到的出让金比例分成方式进行对比。

通过数据分析，如果按照净收益分级比例分成，原土地使用权人将能获得的总收益占土地出让金的比例均值为38.99%，且各案例分配比值波动不大，基本保持平稳；实际案例中原土地使用权人将能获得的总收益占土地出让金的比例均值为37.55%，且其分配比值围绕均值上下浮动。可见，采用净收益分级比例分成的方式能够缩小不同案例的分配差异，保证公平性，并且其分配比例与现行政策中原土地使用权人与政府四六分成的规定相契合，因此能很好地替代传统出让金比例分成的方式，是较为理想的分配模式。

（二） 有待未来完善和深化的方向

本文得出了一些有意义的结论，但在研究过程中仍存在一些局限，有待未来完善和深化。1.虽然Bootstrap 再抽样是在样本总体状况未知下的最佳抽样方式，但其结果仅是对土地收储市场状况的反应，故本文所得的结论都是基于当前土地收储一般状况，而这种状况受着不同时期的经济、社会、政策影响，因此使用本研究模型时需要根据环境的变化进行更新。

2.由于地价水平与区位、用途关系很大，本文建立的模型仿真结果只是针对案例所在区域为工业用途转为住宅用途的特定案例研究，其定量成果的应用普适性尚需进一步研究论证。未来应将针对不同区域、不同用途转化增值做系列分配比例的比较研究，以便更深入地研究城市土地收储增值收益的分配规律。

注释

①城市更新是一种将城市中已经不适应现代化城市社会生活的地区做必要的、有计划的改建活动。1858 年8 月，在荷兰召开的第一次城市更新研讨会上，对城市更新做了有关的说明：生活在城市中的人，对于自己所居住的建筑物、周围的环境或出行、购物、娱乐及其他生活活动有各种不同的期望和不满；对于自己所居住的房屋的修理改造，对于街道、公园、绿地和不良住宅区等环境的改善有要求及早施行，以形成舒适的生活环境和美丽的市容抱有很大的希望。包括所有这些内容的城市建设活动都是城市更新。

②用益物权是指在法律规定的范围内，对他人所有的不动产，享有占有、使用和收益的权利。包括土地承包经营权、建设用地使用权、宅基地使用权等。《物权法》第一百一十七条规定，用益物权人对他人所有的不动产或者动产，依法享有占有、使用和收益的权利。用益物权的自然人即为用益物权人。

参考文献

[1]杜新波,孙习稳.城市土地增值原理与收益分配分析[J].中国房地产,2003,(8).

[2]张俊.我国城市土地增值收益分配理论与制度架构[J].安徽农业科学,2007,35(35).

[3]莫俊文,赵延龙.城市土地置换开发收益及分配研究——以兰州市南河道周边土地置换开发为例[J].中国国土资源经济,2004.

[4]原玉廷.城市土地管理:“三权分离”与收益分配[J].经济问题,2005,(1).

[5]何芳.论建立现代企业制度中的土地处置和土地资产显化分配[J].经济与管理研究,1996,(3).

[6]杨丽丽.城市土地价值增值的原因及收益分配探微[J].财会月刊,2007,(18).

[7]胡士戡,石来德,胡际峰.城市土地增值收益管理研究综述与经验借鉴[J].经济论坛,2009,(4).

[8]沈守愚.论设立农地发展权的理论基础和重要意义[J].中国土地科学,1998,12(1).

[9]李文斌.城市土地出让的收益分配与土地市场效率[J].山东财政学院学报,2007,(3).

[10]罗丹,严瑞珍.不同农村土地非农化模式的利益分配机制比较研究[J].管理世界,2004,(9).

[11]B.Efron,R.Tibshirani.Bootstrap Methods for Standard Errors,Confidence Intervals,and Other Measures of Statistical Accuracy[J].Statist.sci,2011,(1).

[12]Bradley Efron.Better Bootstrap Confidence Intervals[J].Journal of the American Statistical Association,2010,(82).

[13]李栋,何英磊.城镇化与城乡一体化[J].技术经济与管理研究,2014,(6).

篇7

论文关键词：适宜性评价，土地适宜性，GIS

0引言

土地适宜性评价作为土地评价的重要组成部分，是根据土地的自然和社会经济属性，研究土地对某一现状用途或预定用途的适宜程度。1976年联合国粮农组织（FAO）正式公布的《土地评价纲要》是最为典型的土地适宜性评价指南。由于土地适宜性评价针对性强，实用性大，应用很广，适宜性评价方法也不断有新的进展。

1评价方法

1.1经验法

评价人员与当地科技人员和有实际经验的人讨论，并依据研究区的具体情况和自己多年土地利用的经验，决定如何将各单项土地质量的适宜等级综合为总的土地适宜等级。该方法的优点是能考虑数学方法所不能包括的各种非数量因子及具体变化情况，缺点是要求评价者对当地条件、土地质量状况和作物生物学特性具有丰富的知识，才能做出正确的判断（夏敏，2000），而且不可避免的是易造成评价结果的主观性。由于这些局限加上新方法、新技术的发展，经验法的受用面越来越小。

徐樵利（1994）在湖北省宜昌县完成的适种柑橘的土地评价系统就采用经验法，参照《土地评价纲要》建立起来的。首先确定影响柑橘生长的限制因素，然后逐项对它们进行分级，最后再综合成总的土地适宜等级。同时，在评价过程中适当考虑管理、投资和柑橘产量等社会经济因素。李秀斌(1989)对黄淮海平原土地做的农业适宜性评价也采用了此法。

1.2极限条件法

该方法主要强调主导因子的作用，运用“木桶原理”，将单项因子评价中的最低等级直接作为综合评价的等级（黑龙江省农、林、牧土地适宜性评价，赵松乔等；江苏省宜兴市南部丘陵山区的土地适宜性评价，倪绍祥）。极限条件法简单易操作，能很好体现个别极端决定土地利用适宜性的因素，但该方法未考虑到在一些情况下，土地某种性质的不足可为其他部分所弥补（陈建飞等GIS，1999），因此得出的结论偏于草率和绝对，而且在多数情况下，综合评定出的土地等级偏低。

1.3数学方法

数学方法以权重法为中心，即确定各个参评因子及其权重，然后对两者的乘积加总，以和作为分等级的根据。主要分为多因素综合评定法和模糊综合评判法。

1.3.1多因素综合评定法（指数和法）

该方法将各参评因子按其对土地适宜性贡献或限制的大小进行经验分级或统计分级并赋值，然后用各参评因子指数之和来表示土地适宜性的高低。最后按照指数和大小排序，以经验确定指数和的分等界线。其中各参评因子及其权重系数的确定可依据回归分析法、层次分析法、专家征询法（Delphi）等。采用这些数学方法的目的都是为了获得尽量准确的权重和指数和，以期尽量准确地评价适宜性等级（夏敏，2000），而且非数量化质量性状数量化和不同计量单元无量纲化使得各参评因子间具有了明显的可比性（何敦煌，1994），缺点在于较极限条件法需增加大量计算过程，在地类复杂、评价单元数量较多的区域工作量明显增加（何敦煌，1994），同时不能考虑到非数量因子的具体变化情况（夏敏，2000），而以和值计算土地质量综合指数往往会掩盖某些特别限制因子对评价目标所造成的质的影响（徐丽莎，2008），层次分析法、Delphi法在确定权重系数时主观性过大。

刘胤汉等（1995）在陕西采用专家征询法对农业土地资源作了综合性适宜性评价，经过两轮征询后确定了坡度、高程等6个指标极其权重系数，最后将农业土地分为最佳适宜、中等适宜和临界适宜三等，并按此法对水稻作了单向性土地适宜性评价。吴燕辉等（2008）以湖北省潜江市为研究范围，在GIS技术的支持下，阐述了如何用层次分析法进行土地适宜性评价，得到了潜江市的适宜性等级图，并单独对农用地、林地、建设用地的适宜性评价结果作了分析。

1.3.2模糊综合评判法

这种方法用于评价的原理，是对参评因子和适宜性等级建立隶属函数，对参评因子的评价由参评因子对每一个适宜性等级的隶属度构成，评定结果是参评因子对适宜性等级的隶属值矩阵；参评因子对适宜性的影响大小用权重系数表示，构成权重矩阵，将权重矩阵与隶属值矩阵进行复合运算，得到一个综合评价矩阵，表示该土地单元对每一个适宜性等级的隶属度。模糊综合评判方法较好地体现了主导因素和综合分析的相结合，比较符合客观实际，通过对参评因素隶属度的计算和模糊矩阵的复合运算得出评价单元对应于各等级的隶属度，其计算过程无需再掺入人为因素，减少了主观性的干扰（陈建飞等，1999）。但是根据实地采集的调查数据对模糊综合评判模型进行验证，会发现模型存在一定的误差，有一部分正确的样本数据却得不到正确的结果（焦利民等，2004）。

E. Van Ranst等（1994）采用该法对泰国半岛的橡胶生产区做了土地适宜性评价。他们创新地根据每个因素对产量的影响赋予一定的权重系数，并将单项因子的适宜性评价与综合的土地适宜等级结合起来。最后将评价结果与常规的极 限条件法、参数法和多元线性回归的评价结果相比较，得出模糊综合评价法的准确性较好，从而证明了该法的潜力。P.A.BURROUGH等（1992）采用加拿大阿尔伯塔农业实验农场的数据，分别用布尔数学法和模糊分类法对每个细胞的土地属性进行分类，得出布尔方法比模糊分类拒绝更多的细胞GIS，选取的细胞也不够毗连。而模糊分类法在所有的阶段都获得更多的有效信息，分类的连续变化性也更好。

姚建民（1994）在典型的黄土残塬沟壑区——隰县针对如何利用农作物、果树、林木和牧草开发土地资源问题，重点筛选出原土地利用类型、坡度、坡向和海拔高程4个指标，运用模糊综合评判法进行适宜性评价，划分出土地适宜性开发类型区。刘耀林等（1995）在十堰市土地利用现状调查的基础上，针对现有坡荒地，通过对制约土地的自然因素和社会经济条件的综合分析，依照土地质量满足对预定用途要求的程度，采用模糊数学的方法完成了坡荒地的宜农、宜林、宜牧、宜园4个适宜类的评价。陈建飞等（1999）应用模糊综合评判(Fuzzy Set)法、经验指数和法、极限条件法进行长乐市土地适宜性评价，对不同方法及结果进行对比分析，得出模糊综合评判的结果与经验指数和的结果有较大的相似性、极限条件法的结论往往过于简单，着重探讨了模糊综合评判方法的优点——合理、客观。

1.4人工智能方法

人工智能方法基于自学习、自适应系统的样本学习机制，如人工神经网络方法、遗传算法、元胞自动机等。刘耀林、焦利民（2004）基于神经网络来构造模糊系统，建立了土地适宜性评价的模糊神经网络模型；根据神经网络误差反向修正的原理，设计和推导了该模型的学习算法，并通过实验证明该模型应用于土地适宜性评价具有高效、客观、准确等优点。次年（2005），两人将计算智能理论引入土地评价领域，构建了一个全新的土地适宜性评价模型：首先基于模糊逻辑和人工神经网络构造了一个模糊神经网络模型，然后采用改进的遗传算法进行训练，能够快速收敛到最优解，对初始的规则库进行修正，形成了一个自学习、自适应的评价系统。

1.5改进后的方法

以上介绍了在土地适宜性评价中常用的基本方法。近年来，鉴于各种方法本身的局限性，很多学者提出了各种方法相互结合或对原方法加以改进的评价方案，并应用于某地的土地适宜性评价，取得了较好的结果。

厦门大学何敦煌（1994）在福建龙海适宜性评价中尝试采用了极限条件法和指数和法相结合的两次评价，即用极限条件法评价土地适宜类，用极限条件法和指数和法评价土地适宜等并确定土地限制性（适宜级）是同时进行的。这一方法不仅克服了极限条件法和指数和法的缺点，还相互间起了交叉检验的作用。

南京大学彭补拙等在做中亚热带北缘青梅土地适宜性评价时对盛花期温度和土壤PH值这两项对青梅生产发育有重要限制作用的因素采用极限条件法，对其余的评价因子采用逐步回归分析法进行分析，作必要的因子剔除，得到它们的总适宜等级，最后再对这三项评价的结果按极限条件法进行归总，得到该土地利用方式的适宜性等级最后评价结果，该结合体现各土地构成要素的不同贡献，提高评价结果的科学性和合理性。

北大的杜红悦等以攀枝花为例，用模糊数学方法对FAO的农业生态地带法(AEZ)进行改进，并将GIS技术应用于AEZ法中；欧阳进良等针对不同作物进行土地适宜性评价，并据评价结果、各类土地的特点及区位和经济因素进行作物种植分区。

2新技术的应用

随着数学方法的改进和新技术如3S（遥感技术RS、全球定位系统GPS和地理信息系统GIS）、ES（专家系统）的应用，给土地评价，尤其是土地适宜性评价带来了飞跃，它们在数据的获得、处理、分析上的强大功能不仅使工作效率大大提高，还使基于大范围的调查评价成为可能。

Jacek Malczewski (2004)对基于GIS的土地适宜型分析做了系统全面的梳理，他先从历史的角度介绍了GIS的知识及其发展过程，然后回顾了基于GIS的土地适宜型评价的相关方法和技术，最后分析了其存在的挑战、未来趋势和前景。胡小华等（1995）通过专家系统的引入、层次分析法的应用以及如何借助地理信息系统强大的空间分析功能及图形和属性的结合，实现了多目标土地适宜性的评价。张红旗（1998）在评价柑桔土地适宜性时，结合GIS技术GIS，改变以往仅考虑自然条件的做法，分别建立柑桔土地的自然、经济、社会属性适宜性评价模型及综合评价模型，提高评价结果的科学性和合理性，也为其他类型的单作物(广义)土地适宜性评价提供了一个可行的模式。

S.Kalogirou (2002)运用专家系统和地理信息系统技术，建立了支持实证研究的土地适宜性评价模型——LEIGIS软件。该模型基于联合国粮农组织的作物土地分类，分为物理评价和经济评价。物理评估选用了17种指标因子，采用布尔分类法，包括了一般种植作物和5种特定作物（小麦，大麦，玉米，棉花种子，甜菜）的评价模型。经济评价考虑了市场限制下的收入最大化问题。专家系统使得评价不同作物时规则可以适当改变，地理信息系统使得空间数据的管理和结果可视化成为可能。该软件支持任何空间数据集的评价和介绍，而且不需要评价者掌握特殊的电脑技能。夏敏（2000）在其硕士论文里探讨了以地理信息系统和专家系统为技术支持，开发农地适宜性评价专家系统的可行性，在Mapinfo地理信息系统的支持下，建立了一个具有一定通用性的农地适宜性评价专家系统，并通过了在邳州市的实证研究。

3结论

我国的土地适宜性评价始于50年代，综合的土地适宜性评价从70年代末全面展开，近l0年来，土地适宜性评价得到了更快的发展，更重视定性与定量相结合、针对特定目标或对象。经验法、极限条件法、多因素综合评定法法、层次分析法等继续得到使用，但通常做适当的改进或与其他方法相结合，弥补各自的缺陷。模糊综合评价法、灰色关联度分析法仍然得到了很广的应用，神经网络模型、遗传算法等新方法开始尝试性应用。科技的发展使得3S技术和专家系统等新技术广泛用于土地评价，尤其给土地适宜性评价中带来了质的飞跃，接下来的土地适宜性评价仍基于上述技术的支持是必然的趋势。

参考文献

[1]Burrough Pa， Macmillan Ra and Vandeursen W. 1992. Fuzzy Classification Methodsfor Determining Land Suitability from Soil-profile Observations and Topography[J].Journal of Soil Science， 43(2)， pp. 193-210

[2]E. Van Ranst， H. Tang， R. Groenemam andS. Sinthurahat. 1996. Application of Fuzzy Logic to Land Suitability for RubberProduction in Peninsular Thailand[J]. Geoderma， 70(1)， pp. 1-19

[3]FAO. A Framwork for Land Evaluation[S]. FAO Soil Bulletin32，Rome， 1976

[4]Jacek Malczewski. 2004. GIS-basedLand-use Suitability Analysis: a CriticalOverview[J]. Progress in Planning， 62(1)， pp. 3-65

[5]S. Kalogirou. 2002. Expert Systems and GIS: an Applicationof Land Suitability Evaluation[J]. Computers， Environment and Urban Systems， 26( 2-3)， pp. 89-112

[6]陈建飞，刘卫民.Fuzzy综合评判在土地适宜性评价中应用[J].资源科学，1999，21（4）：71-74

[7]杜红悦等.土地农业适宜性评价方法研究与系统实现——以攀枝花为例[J].资源科学，2001，23（5）：41-45

[8]何敦煌.关于土地适宜性评价工作的几个问题探讨[J].中国土地科学，1994，8（6）：11-15

[9]胡小华等.GIS支持的多目标土地适宜性评价[J].中国土地科学，1995，9（5）：33-37

[10]焦利民，刘耀林.土地适宜性评价的模糊神经网络模型[J].武汉大学学报·信息科学版，2004，29（6）：513-516

[11]李秀斌等.黄淮海平原土地农业适应性评价[J].自然资源，1989，（4）：32-38

[12]刘胤汉等.农业土地资源适宜性评价的理论和方法[J].地域研究与开发，1995，14（3）：11-16

[13]刘耀林等.模糊综合评判在土地适宜性评价中应用研究[J].武汉测绘大学学报，1995，20（1）：71-75

[14]刘耀林，焦利民.基于计算智能的土地适宜性评价模型[J].武汉大学学报·信息科学版，2005，30（4）：283-287

[15]倪绍祥著.土地类型与土地评价概论[M].高等教育出版社，1999

[16]倪绍祥.近10年来中国土地评价研究的进展[J].自然资源学报，2003，18（6）：672-683

[17]欧阳进良，宇振荣.基于GIS的县域不同作物土地综合生产力评价[J].农业现代化研究，2002，23(2)：97-10

[18]彭补拙等.中亚热带北缘青梅土地适宜性评价方法探讨[J].自然资源，1994，（2）：14-21

[19]邱炳文等.GIS在土地适宜性评价中的应用与展望[J].地理与地理信息科学，2004，（5）：20-23，44

[20]钱海滨等.土地资源合理利用评价研究综述[J].中国土地科学，2001，15（2）：14-19

[21]吴燕辉等.土地利用规划中的土地适宜性评价[J].农业系统科学与综合研究，2008，24（2）：232-235，242

[22]徐丽莎.土地适应性评价的理论与评价方法综述[J].今日南国，2008，（9）：18-20

[23]夏敏.农地适宜性评价专家系统研究[D].南京农业大学硕士论文.2000

[24]徐樵利，谭传凤等.山地地理系统综论[M].华东师范大学出版社，1994

篇8

[关键词]网络安全态势;模型;感知

引言

目前应用最为广泛的IDS系统只是运用Agent获取数据再经过融合分析后检测到相关攻击行为，当网络带宽提高后，IDS很难检测到攻击内容，同时误报率也较高。而网络安全态势感知技术综合了多种技术更加突出了整体特征，如IDS，杀毒软件以及防火墙等，对网络进行实时检测和快速预警。网络安全态势感知评估运行网络的安全情况并且可以做出未来一段时间的变化趋势，提高处理安全威胁的能力。

1、网络安全态势感知概述

1.1网络态势感知定义

1988年，endsley率先提出针对航空领域人为因素的态势感知的定义，态势感知是指“在一定的时空范围内，认知、理解环境因素，并且对未来的发展趋势进行预测”。直到1999年，bass等指出，“下一代网络入侵检测系统应该融合从大量的异构分布式网络传感器采集的数据，实现网络空间的态势感知。常见的网络态势主要有安全态势、拓扑态势和传输态势等，但目前学者主要研究网络的安全态势感知的。

1.2网络安全态势概念

所谓网络安全态势就是对在多种网络设备处于工作状态、网络变化以及用户的动作等安全态势出现变化的状态信息进行理解，分析处理及评估，从而对发展趋势进行预测。网络安全态势强调的是一个整体的概念，包含了当前的状态，历史的状态和对未来的状态预测。根据研究重点的不同，给出的概念也不尽一致。

1.3网络安全态势感知体系构成

（1）网络安全态势要素的提取。要素的提取主要通过杀毒软件、防火墙、入侵检测系统、流量控制、日志审计等收集整理数据信息，经筛选后提出特征信息。

（2）网络安全态势的评估。根据选择的指标体系定性和定量分析，搜素其中的关系，得出安全态势图，找到薄弱环节并制定出解决方案。

（3）网络安全态势的预测。根据已有的安全态势图，分析原始的数据信息，预测未来一段时间的运行状态和趋势，给出预警方案，达到最终的网络安全的目的。

2、网络安全态势要素提取技术

由于网络的庞大、复杂以及动态的变化，要素的提取面临很大的困难，根据要素信息来源的不同进行分类提取，可以分为网络环境、网络漏洞和网络攻击等，生成网路安全态势感知指标体系，并根据指标体系来获取网络的信息可以有效的保证信息的全面性、准确性和模型化。

安全态势要素提取技术是态势感知的第一步，意义重大。TimBasst首先提出了多传感器数据融合的网络态势感知框架，进行数据精炼、对象精炼以及态势精炼三个步骤的抽象获取态势感知要素。卡内基梅隆大学开发了SILK系统，将数据转化为高效的二进制数据用分析软件来发现其中的攻击行为。国内此项研究起步晚，只是在聚类分析和分类分析上取得了一点进展。在提取要素过程中，属性约简和分类识别是这一过程中的最基础的步骤。使用粗糙集等理论对数据进行属性约简，并形成了算法。针对神经网络的收敛慢，易入局部最小值等特点设计了遗传算法来进行分类识别。

3、网络安全态势的评估技术

影响网络网络安全的评价有许多因素，各因素的作用不同且具有时变性，相互之间也不具有线性的关系，因此不能用精确的数学模型来表示。分析获取的要素，必须要对其融合，以便得到整体的安全态势，需要宏观上把握网络安全状态，获得有效的综合评价达到帮助网络管理人员的目的。从上可以看出融合技术是关键。目前常用的数据融合技术有以下几种：

（1）基于逻辑关系的融合方法根据信息的内在逻辑，对信息进行融和。优点是可以直观地反映网络的安全态势。缺点有确定逻辑难度大，不少如单一来源的数据。

（2）基于数学模型的融合方法综合考虑影响态势的各项因素，构造评估函数，建立态势因素集合到态势空间映射关系。优点是可以轻松的确定各种态势因素之间的数值比重关系，但是比重没有标准。而且获取的各个态势因素可能还存在矛盾，无法处理。

（3）基于概率统计的融合方法根据经验数据的概率特性，结合信息的不确定性，建立的模型然后通过模型评估网络的安全态势，贝叶斯网络、隐马尔可夫模型最常见。优点是可以融合最新的证据信息和经验数据，推理过程清晰。但是该模型需要的数据量大易产生维数爆炸进而影响实时性，而且特征的提取及经验数据的获取都存在一定的困难。

（4）基于规则推理的融合方法对多类别多属性信息的不确定性进行量化，再根据已有的规则进行逻辑推理，达到评估目的。目前d-s证据组合方法和模糊逻辑是研究热点。当经验数据难以获取而且不要精准的解概率分布，可以使用，但是需要复杂的计算。

4、网络安全态势的预测

预测是根据当前的网络状况，找出大量的网络安全隐患，进行分析，对未来一定时间内的安全趋势进行判断，给出相应的解决方法。网络预测技术目前也取得了重要的进展，主要有神经网络、时间序列预测法和支持向量机等方法。神经网络算法参数的选择缺乏理论基础，预测精度也不高。时间序列预测法由于网络状态的变化不是线性的，而且难以描述当前状态和未来状态的关系，导致预测精度不理想。支持向量机基于结构风险最小化原则，解决了小样本、非线性、高维度问题，绝对误差小，保证了预测的正确趋势率，能准确预测网络态势的发展趋势。

5、结束语

本文介绍了网络安全态势感知的概念，并分别就要素的获取、态势的评估和网络安全态势的预测所使用的技术进行了探讨，引导网络安全管理员研究和使用各种新技术关注网络安全隐患，保证网络安全运营。

参考文献

[1]席荣荣，云晓春，金舒原，张永铮.网络安全态势感知研究综述.计算机应用，2012年1期.

[2]郭剑.网络安全态势感知中态势要素获取技术的研究[学位论文] 计算机软件与理论.东北大学，2011.

篇9

论文提要：从企业产生财务困境的角度出发，介绍当前各种财务预警模型，并做优劣对比分析，对企业财务预警机制的建设提出建议。

一、引言

企业作为一个法人个体，不可避免的问题是生存、发展和获利。由于企业所面临宏观经济、政治、法律等往往具有不可控性，同时企业也因资本结构不够合理及其他企业自身问题，使企业面临各种潜在的风险。如何顺利地化解这些风险为企业发展保驾护航，是每个企业高管们不得不关注的焦点。本文立足于财务角度，结合当前国内外一些上市公司财务预警机制建设研究的成果，探讨建立企业财务预警机制途径。

二、企业发生财务困境的原因分析

企业发生财务困境，起初通常表现为企业短期资金周转不灵，进而由于处理不当，而给企业带来一系列的连锁反应，最终导致入不敷出，甚至资不抵债。结合国内外一些企业走上了“绝路”的案例，通常造成财务危机的原因可以归结为以下几个方面：

1、资金回收引起的财务危机。资金回收引起的财务危机是企业在产品销售或对外提供服务过程中，由于收回资金的时间和收回资金的数额不确定而引起。在激烈的市场竞争中，赊销是企业促销和占领市场份额的主要手段，但同时也要承担他人占用企业运营资金的机会成本及到期不能收回货款的坏账损失。长期以来，在“权责发生制”的会计确认原则下，企业只注重账面利润，而不注重现金流量，更多的资金被客户占用，使利润虚增，企业陷入严重的资金短缺或不能周转的困境之中。

2、融资引起的财务危机。融资引起的财务危机是由于企业利用负债筹资而引起到期不能偿还债务本息的可能性。其原因有以下两个方面：首先，企业在筹资时未能把握好负债规模、利率和期限，使其在银行或其他机构的不良贷款不断堆积，负债累累，从而造成财务危机。其次，是企业经营不善，经营活动现金净流量和流动资产中的速动资产不足﹑速动比率过低引起的。

3、投资引起的财务危机。投资引起的财务危机是指企业对内或对外有关项目进行投资时，由于各种不确定因素的影响，使原投资额不能按期收回，或根本无法收回而使企业遭受损失。这种危机主要是企业不能准确预计投资项目的现金流量导致决策失误形成的，这种失误严重时直接危机企业的生存与发展。通常过度扩张引起的财务危机在国内时有发生，比较典型的是巨人集团的轰然倒塌。

4、资产跌价引起的财务危机。资产跌价引起的财务危机通常是由于宏观方面各种不确定的因素，如通货膨胀、政策变化、法律约束及科学技术发展等原因，使投资者投入的资产遭受跌价、贬值的损失，从而导致资不抵债。

5、利润分配引起的财务危机。利润分配引起的财务危机是由于企业决策者制定分配政策不当，给企业未来生产经营活动带来不利的影响。如，股利分配率过高，虽短期可刺激股价上升，但却给企业带来偿债能力和筹资能力的下降，给企业未来的发展造成了一定制约。

三、财务预警模型分析综述

通常企业的财务危机的形成，是一个由量变到质变的过程，量变阶段具有潜在性、不易发觉，而到了质变阶段往往又是“病入膏肓”、回天乏术。如何对企业潜在的财务危机正确预测，把企业的财务危机消除在最初阶段一直是一个值得思索、探讨的问题。综合国内外实证研究成果，财务预警模型可以归结为以下几个方面：

1、一元判别模型。一元判别模型是指将某一项财务指标作为判别标准来判断企业是处于破产状态还是非破产状态的一种预测模型。一元判别模型的主要思想是通过比较财务困境企业和非财务困境企业之间某个财务指标的显著差异，从而对财务困境企业提出预警。最早的财务危机预警研究就是fitzpatrick所做的单变量破产预测模型。但是，由于该模型利用单一指标作为衡量企业财务困境的指标，很难具有代表性，很容易造成以一带全。因此，该模型应用的范围很小。

2、多元线型判断模型。多元线性函数模型是对企业多个财务比率进行汇总， 求出一个总判别分值来预测企业财务危机的模型。它从总体的、综合的角度来检查企业的财务状况，未雨绸缪，做好财务危机的规避或延缓财务危机的发生。多元线性函数模型中应用最广的是z分数模型。

3、多元逻辑回归模型。多元逻辑回归模型的目标在于寻求观察对象的条件概率，从而据以判断观察对象的财务状况和经营风险。它是建立在累计概率函数的基础上，不需要自变量服从多元正态分布和两组间协方差相等的假设条件。ohlson 第一次采用多元逻辑回归模型进行破产预测。他通过分析样本公司在破产概率区间上的分布以及两类错误和分割点之间的关系，发现至少存在四类影响公司破产概率的变量：公司规模、资本结构、业绩和当前的融资能力。

4、多元概率比回归模型。多元概率比回归模型也假定企业破产的概率为p，并假设企业样本服从标准正态分布，其概率函数的p分位数可以用财务指标线性解释。其计算方法和多元逻辑回归方法很类似，先是确定企业样本的极大似然函数，然后通过求似然函数的极大值就可以得到相关参数的值，接下来就可以利用推算出来的多元概率回归模型求出企业破产的概率。与上面其他模型不同的是，该模型主要是利用p值的大小作为判断企业破产的界限。

5、人工神经网络模型。人工神经网络模型，是一种通过非财务指标建立的，主要是将神经网络分类方法应用于财务预警的模型。人工神经网络是一种平行分散处理模式，其构建原理是基于对人类大脑神经运作的模拟。人工神经网络具有较好的模式识别能力，还可以克服统计等方法的限制，因它具有容错能力，对数据的分布要求不严格，不需要考虑是否符合正态分布的假设，具有处理自律遗漏或是错误的能力，而且可以处理非量化的变量，最重要的一点是人工神经网络具有学习能力，可随时依据新准备数据资料进行自我学习训练，调整其内部的储存权重参数以对应多变的企业运作环境。

四、企业财务预警机制建议

正是因为企业产生财务危机的原因、企业财务预警模型多样性，因此企业在决策财务预警机制时具有多重可选择性。

1、企业应当根据自己的实际情况，合理地选择预测财务指标。不同企业、不同发展时期面临的风险是不同的，正确地根据企业自己的情况选择合理指标是至关重要的一步，如在急速扩张阶段就得注意负债规模的大小，那么就得更多地考虑用负债规模来进行财务预警。

2、模型的选择上，也应当根据企业自己实际能够获得的数据进行选择。不同类型企业的财务数据往往是有很大差别的，同时有的数据可能被人为地更改过，这些数据就失去实际意义，就需要剔除以提高预警的正确性。

3、企业应当注意定性分析和定量分析的结合。定量分析往往具有客观、易于度量的特点，定性分析则是主观性、模糊性的特点。企业面临的风险和危机与日俱增，这时的预警功能决不仅仅是计算几个比率，对比几个指标所能实现的，必须创建系统的方法库和模型库，全面使用现代计算机技术、网络通信技术、数据库技术以及管理学、财务学、统计学等，在重视定量分析的同时加强定性分析方法的应用。

篇10

近几年，我国医学院校实验室安全管理工作得到了很大的发展，许多医学院校通过专门的实验室安全管理机构，启动了实验室安全操作的培训教育工作，通过制定了相应的实验室管理规则，来确保安全技能的掌握、安全意识及安全文明习惯的养成以及实验室的使用者对实验室安全知识的学习，但在具体的执行过程中，尚存在责任人的追溯不力，实验室管理评价体系宏观的管理平台建设不完善等诸多问题，还需高度重视。主要问题如下。1）目前没有适合于医学院校实验室安全管理的风险评价方法。目前，医学院校实验室安全管理的现状为国外关于解决实验环境中风险的资料均集中于风险管理方面。而国内与医学院校实验室风险评估方面有关的资料尚很少。2）在评价体系的建设上，用于安全管理评估的具体安全管理方法不完善。目前，国内关于实验室管理的文献，其研究重点主要在安全管理方法方面。但其管理措施内容常宽泛，操作性很差。在实际应用中，常常会因为管理内容太宏观而难以落实。3）许多医学院校目前实验室安全检查表检查项目不齐全，定量分析不足。大多数医学院校实验室安全管理目前没有专门的安全检查表。而现有的年度实验室工作检查表中所覆盖范围严重不足，评估标准也是以定性为主，存在很大的主观性。

2医学院校实验室安全管理评价体系的建立

2.1安全检查表法在安全评估中的应用

安全检查表法简便、易于掌握，是常用的分析风险的方法之一，目前也有打分的检查表法。可实现半定量评价。该检查方法的计分方法是根据实际检查结果对安全检查表所有的评价项目分别赋予“优秀”“良好”“中等”“较差”等不同的定性等级，同时对相关等级赋予相应的权重，对权重进行累计求和，得到实际评价值。然查询预先设定好的安全级别表，确定评价值在安全级别表中的位置，得到安全等级。检查表的内容在符合相关安全要求的前提下，还应该简明扼要，切合实际，层次分明，重点突出，在实际操作过程中，应依据以下三点制定安全检查表[5]：1）要严格执行国家和地方的相关安全法律法规、规范、标准以及行业、企业的规章制度和标准等。2）要根据以往国内、外相关实验室的安全管理经验来编撰安全检查表。在编撰安全表时要对国内、外的实验室的相关安全检查经验进行总结，详细分析已经发生过的安全事故，总结和罗列出发生原因，力求将尽可能多的因素均列入到安全检查表中。3）在编撰安全检查表时尚需结合各自单位和实验室的实际情况，采纳安全管理相关专家和本单位和实验室从业人员的建议，分析各种内、外部相关条件，在总结实际安全管理经验的基础上，编制出内容完善且切实可行的安全检查表。

2.2安全检查表指标的纳入原则

1）科学性原则：科学性是原则是指标体系可信度和可操作性的基础。实验室安全检查表管理指标的选取、安全权重的设置都必须以安全评价理论为根据，分析国内相关安全检查经验为前提，总结本实验室的安全特征为根本，这样构建的指标体系才客观、可靠而具有评价效果。2）全面性原则：高校实验室安全管理体系应该是力求囊括尽可能多的多指标的评价体系，在制定安全检查表时，为了确保评价指标没有遗漏，一方面，应该全面查阅国内、外相关实验室的安全管理手册，同时，还要参考我国实验室安全管理的有关法律、法规，并结合本实验室具体情况来编撰安全检查表。3）针对性原则：目前的安全检查表多用于工业安全评价方面，在编撰医学院校实验室安全表时，而应该结合医学院校实验室的自身特点编撰，使得评价指标更具有针对性。4）可操作性原则：在编撰安全检查表时，要使其纳入指标具有代表性，且概念清晰便于理解，同时也要考虑到指标的实际可操作性。才能这样，才能确保后续应用中评价过程能顺利进行。5）可比性原则：在编撰安全检查表时要考虑到不同类型的医学院校实验室之间安全风险的差异而使得纳入指标有普遍使用性。

2.3多因素分析方法的选择

由于医学院校实验室的特殊性，安全评价检查表的制定中必须力求尽可能多地囊括那些既相对独立又相互影响的与实验室安全相关的指标，并对这些指标进行综合考虑。这就涉及多因素指标的分析及其方法的遴选，因此，与安全检查表方法结合，选择一种合适的多指标综合评价方法来计算安全检查表各指标权重系数，定性定量地研究实验室安全管理，对提高评价的准确性和客观性就非常重要。目前主要的多因素分析方法主要有以下四种：1）主成分分析法：主成分分析是一种能够保持原指标大多数信息的同时将多个评价指标简化为少数几个综合指标的统计方法[6]。该方法强调了评价的客观性，具备实用性强和全面性、可比性的特点。其缺点为，当对多个主成分指标进行加权综合分析时，其评价函数的有效度将会降低，同时该方法还容易受到指标间的信息重叠的影响。2）人工神经网络法：人工神经网络法是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。通过确定网络的局部空间结构以及被评价系统的指标的节点和权重，而建立以权重描述各纳入安全指标之间关系的非线性模型的方法。这种方法具有自适应、自组织和实时学习的特点。但该方法的难点在于学习样本的选择和收集。3）层次分析加权法：所谓层次加权分析法，是指将一个复杂的多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标的若干层次，通过定性指标模糊量化方法算出层次单排序和总排序，以作为目标、多方案优化决策的系统方法。该方法能够理清具有多条件、多指标的复杂系统的层次关系，同时能够把定量和定性分析有机地结合起来，有助于高效地解决指标之间互相干扰和影响的复杂问题。层次加权分析法缺点有，评价的主观臆断性及其过程的随机性，从而使得结果的可信度降低。此外，当判断因素较多时，常常会因为层次分解和赋值的不一致而出现判断矩阵不一致的现象。4）模糊综合评价法：模糊综合评价法是一种基于模糊数学的综合评价方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。该方法可分为单层和多层次模糊综合评判[7]。基于模糊数学的综合评价法主要是利用诸如人工神经网络法、层次分析加权法等其它方法来获取各指标权重或是模糊评判矩阵。然后再通过模糊综合评价法进行综合评价。基于模糊数学法具有适应性广的特点。通过对以上几种多指标评价方法的介绍及其优、缺点的分析和对比，在实际选择时，我们根据医学院校实验室安全管理的特点，多采用层次分析法和模糊综合评价法结合来对高校实验室安全管理情况进行评价。模糊逻辑理论对重点分析医学院校实验室危险物质或风险非常有用。医学院校实验室引发危险的因素有以下特点，如危险的不确定性，从事实验人员培训的不全面系统性，实验室化学药品等危险物质的多样性和复杂性。这些因素造成的危险程度往往很难量化，不能简单的用一个分数来描述，而需层次加权分析和模糊综合评价分析等语言来表达模糊的概念，进而描述和分析这些因素的危险性。

3统计分析工具的应用

上述遴选的模糊算法在实际运用过程中存在大量的计算过程，出于工作量和计算准确度的考虑，不可能采用手工计算。因此，在实际操作过程中，我们常常借助Matlab和社会科学统计分析软件包（spss）等统计分析软件进行相对繁琐的运算，对于相对简单的计算要求，也可以运用办公软件MicrosoftExcel进行，此软件使用起来相对便捷。综上所述，通过分析目前全国医学院校实验室安全管理硬、软件飞速发展与实验室管理体系落后之间的矛盾日益突出的现状，建议运用安全检查表法建立科学、全面、具有针对的可操作性的医学院校实验室安全管理评价指标体系。同时，通过对主成分分析法、人工神经网络、层次分析加权法和模糊综合评价法等多指标综合评价方法优劣点的比较，提出建立结合应用层次加权分析与模糊综合评价法对高校实验室安全管理情况进行多指标综合评价体系的探索。希望为我国医学院校的实验安全评价体系提供思路。

参考文献

[1]张志强.日本高校实验室安全与环境保护考察及启示[J].实验技术与管理，2010，27（7）：164-167．

[2]赵庆双，李明，闻星火.加强安全教育是保障高校实验室安全的关键[J].实验技术与管理，2007，24（9）：8-11．

[3]王森，汪进前，叶秉良，等.高校实验室安全管理的研究与实践[J].实验室研究与探索，2011，30（12）：190-192．

[4]鲍敏秦.新时期高校实验室安全管理探析[J].实验室研究与探索，2011，30（11）：188-190，193．

[5]刘明礼，李明，周大为.安全评价中安全检查表的编制[J].石油与天然气化工，2003，32（5）：323-326.