基于自組織神經網絡的建筑市場執業資格人員信用分類研究

范志清,王雪青,李寶龍

(1.國家開發銀行天津市分行,天津 300072;2.天津大學管理學院,天津 300072)

1 前言

改革開放30年,我國建筑業在國民經濟中的地位不斷增強,為適應社會經濟發展的需要,中華人民共和國住房和城鄉建設部在調研國外專業技術人員資格管理的經驗和做法的基礎上,會同中華人民共和國人力資源和社會保障部逐步建立了監理工程師、造價工程師、建造師等9項執業資格制度,為建筑業的快速發展做出了貢獻。但在取得成績的同時,部分執業資格人員信用缺失,導致任意撕毀合同、隨意跳槽、出借資質、以權謀私、高估冒算、侵權等行為屢見不鮮,給國家經濟造成巨大損失。因此,迫切需要建立有效的建筑市場執業資格人員信用評價體系,規范、調整和引導執業資格人員的守信意識和誠信行為將成為今后需要重點解決的問題。

總體而言,建筑市場執業資格人員信用評價方法可分為兩類。一類是在沒有系統評價標準下,統稱為聚類評價;另一類是在給定系統評價標準下,統稱為等級評價[1]。常用的方法有綜合評價法[2]、多元統計法[3]、BP(back propagation)神經網絡法[4]等。然而,在處理復雜的非線性函數逼近問題時,傳統的綜合評價法與多元統計法對執業資格人員信用的模擬具有難度,而BP網絡在處理該問題時,盡管理論上是可行的,但其學習效率低、收斂速度慢、易陷入局部極小狀態,并且網絡的泛化及適應能力都較差。

自組織神經網絡作為一種不需要教師信號的網絡,可以通過對輸入信號的競爭學習而將其劃歸不同的類別,從而克服了上述方法在此方面的不足。因此,在對建筑市場執業資格人員信用進行綜合評價時,運用自組織神經網絡的聚類分析是有效合理的途徑。鑒于自組織神經網絡的這些優良性能,筆者提出建筑市場執業資格人員信用識別的自組織神經網絡方法,通過算例研究,證明自組織神經網絡具有較好的執業資格人員信用識別效果。

2 自組織神經網絡模型

2.1 自組織競爭人工神經網絡

自組織競爭神經網絡作為一種無教師指導的訓練網絡,可以通過自身訓練,自動對輸入模式進行分類。它最早由Kohonen提出,此后被廣泛應用于模式識別和系統分類之中[5]。它通過側抑制作用促使神經元細胞之間產生競爭,進而得到一個獲勝的神經元,并對那些與獲勝神經元有關的各連接權朝著更有利于競爭的方向調整。其網絡結構如圖1所示。

圖1 自組織競爭神經網絡基本競爭結構Fig.1 The structure diagram of self-organizing neural network

2.2 自組織競爭神經網絡學習算法的構造

設網絡的輸入層有n個神經元,競爭層有m個神經元,輸入模式為:Pk=(,…,),與其對應的競爭層輸出模式為:Ak=(,…),其中k為T個學習模式中的一個,k=1,2,…,T。網絡的連接權為 {wij},i=1,2,…,n;j=1,2,…,m,且約束條件為[6]:

網絡學習算法的步驟為[7]:

1)初始化并賦予連接權在[0,1]區間內的隨機值,i=1,2,…,n;j=1,2,…,m。

2)任選T個學習模式中的一個模式Pk提供給網絡的輸入層。

3)計算競爭層各神經元的輸入值sj:

4)按照“勝者為王”的原則,sj(j=1,2,…,m)中最大值所對應的神經元為勝利者,輸出值為1,而其他所有神經元輸出值為0,即:

如果出現sj=si的情況,則統一約定取左邊的神經元為獲勝神經元。

5)對與獲勝神經元相連的各連接權值進行調整,而其他所有連接權值保持不變。競爭網絡權值修正的公式為:

式(4)中η為學習系數,0＜η＜1;m為第k個學習模式Pk=(,…)中元素為1的個數。

6)選取另一個學習模式,返回步驟3),直至T個學習模式全部提供給網絡。

7)返回步驟2),直至各連接權的調整量變得很小為止。

由此,通過這種無教師的學習,網絡不斷調整與獲勝神經元相連的權值,從而獲得穩定后的網絡輸入與其輸出的特征映射,進而實現網絡自動分類的目的。

3 執業資格人員信用的自組織聚類分析

3.1 執業資格人員信用影響因素的選擇

執業資格人員在執業過程中,影響其信用水平的因素眾多,國內外很多學者都在此方面進行過相關研究[8,9]。爭議頗多,目前尚無統一的標準。執業資格人員是受聘于一個建設工程相關單位,擔任施工單位項目負責人或從事相關活動的專業技術人員。一方面,他的執業行為代表了受聘單位的意志,表現了該執業資格人員的執業水平;另一方面,他在執業過程中不可避免地受個人信用因素的影響。所以,筆者認為,執業資格人員的信用評價應該包含兩方面內容:執業信用指標和個人信用指標。根據構建指標體系的科學性原則、全面性原則、獨立性原則、層次性原則與可操作性原則等,擬定專業技術職稱、專業本職工作年限、單位培訓情況、工作獲獎情況、處罰記錄、工程質量合格率、年齡、學歷、婚姻狀況、年收入水平、現有負債總額、信貸歷史記錄共12個指標來反映。問卷主要發放到浙江省和安徽省的建筑企業,發放總數100份,回收70份,其中,有效問卷61份。從返回問卷的背景材料看,填寫人主要具有國家級資質,且工作于人數在300人以上的大型建筑企業,填寫人從事該行業10年以上的居多。所從事的工程發包人最多的是企業,其次是政府機關。從61份調查問卷中隨機選取23份,對這23名執業資格人員的執業相關數據進行處理。其中,處罰記錄、現有負債總額、信貸歷史記錄這3個指標為越小越優型,其余9個指標為越大越優型,標準化處理用如下形式。

對于越小越優型指標:

對于越大越優型指標:

3.2 網絡的訓練和測試

網絡的訓練步數對于網絡性能的影響比較大,這里首先將訓練步數設置為 300、500、700、1 000、2 000,分別觀察其分類性能。結果發現,當訓練步數達到1 000步后,分類結果趨于穩定,故選定訓練步數為1 000。然后調整網絡結構,觀察不同網絡維數對神經網絡分類數的影響,其運行結果見表1。

表1 基于自組織競爭神經網絡的分類結果Table 1 The classification results of self-organizing neural network for the testing samples

當網絡維數較小時,隨著維數的增加,分類數也隨之增加,當網絡維數增加到[4 1]以后,分類數并不像維數較小時一樣明顯增加,而是出現了平穩性。與此同時,網絡的權值改變不大,對輸入樣本的靈敏度降低,也就是說,網絡不能更進一步地從輸入樣本中識別出各自的差異,故網絡對執業資格人員信用的有效聚類結果為4類,這里取上文中選定的4作為聚類數,故網絡維數為[4 1]。

3.3 分類結果

根據表1所顯示的網絡分類的結果,結合實際調研情況的分析,對這23名執業資格人員信用劃分為4類:第一類為{1 2 3 9 13 14};第二類為{4 11 12 21 22 23};第三類為{5 6 7 15 16 17};第四類為{8 10 18 19 20}。相應地,其信用情況分別為優、良、中、差。據此,雇主在對執業資格人員進行監督過程中,便可以有的放矢,根據不同分類情況采取有針對性的措施,從而達到提高執業資格人員信用水平的目的。

3.4 分類應用

根據網絡獲得相應的分類結果后,雇主可以記錄執業資格人員日常的執業活動,并與分類結果相對照,當所建立的網絡分類結果與日常監督記錄結果大部分相同時,則說明此網絡能準確反映執業資格人員信用的一定規律。此時,運用自組織神經網絡能夠預測和反映新的執業資格人員的信用狀況。根據已有執業資格人員信用數據庫,對一名新的執業資格人員進行信用分類。這里假設另有一名執業資格人員,其相應的輸入指標為 [4,13,3,3,4,3,37,3,1,50 000,0,2],此時,運用表1的分類結果,網絡便可根據其輸入對其進行預測分類,最終分類結果屬于第二等級,即這名執業資格人員信用等級為良,從而為雇主有針對性地管理這名執業資格人員奠定基礎。

4 結語

執業資格人員信用評價在我國尚處于探索的階段,要幫助建筑企業實施執業資格人員信用評價,建立一套實用、完善、可操作的評價方案具有很強的實際指導意義。文章鑒于自組織神經網絡是一種無監督的神經網絡學習算法,建立了基于自組織神經網絡的建筑市場執業資格人員信用分類模型,并進行了實證研究,提出了預測執業資格人員信用水平的相關方法。自組織神經網絡既能有效區分執業資格人員的不同信用狀況,又有效地將定性與定量分析結合起來,對于指導執業資格人員信用管理具有重要的借鑒意義。但同時也存在一些問題,如在指標選取時,盡管采取了一定的處理方法,但仍然在一定程度上不全面和帶有主觀性。需要在以后的研究中進一步地完善和發展,以提高執業資格人員信用分類的精度和準度。

[1]金菊良,張禮兵,魏一鳴.水資源可持續利用評價的改進層次分析法[J].水科學進展,2004,15(2):227-232.

[2]石慶焱,靳云匯.多種個人信用評分模型在中國應用的比較研究[J].統計研究,2004(6):43-47.

[3]Enached,Bonnet.Analyzing credit risk data—a comparison of logistic discrimination,classification tree analysis and feed-forward networks[J].Computational Statistics,1997(12):293-310.

[4]王雪青,喻 剛,孟海濤.基于GA改進BP神經網絡的建設工程投標報價研究[J].土木工程學報,2007,40(7):93-98.

[5]徐 芃,徐士進,周會群,等.基于自組織競爭人工神經網絡的抽油系統故障診斷[J].計算機應用與軟件,2006,23(4):48-50.

[6]劉占軍,王鐵麗,吳 鋼,等.自組織競爭神經網絡板材拉深材料參數識別[J].鍛壓技術,2006(4):17-19.

[7]張金屯,楊洪曉.自組織特征人工神經網絡在龐泉溝自然保護區植物群落分類中的應用[J].生態學報,2007,27(3):1005-1010.

[8]郭樹榮.建筑市場執業資格人員信用體系建設[J].建筑經濟,2005(11):18-20.

[9]Nicholas J,Edwards D J.A model to evaluate materials suppliers’and contractors’business interactions[J].Construction Management and Economics,2003(21):237-245.