大數據驅動預測下高校資產管理模式創新

張義俊

摘 要 高校資產使用效率低，閑置浪費現象嚴重，服務水平低，為廣大師生所詬病。當社會發展進入大數據時代，信息獲取和信息處理和之前相比產生數量級的變化。從大數據驅動預測出發，淺析如何利用大數據實現高校后勤資產的智能管理，提高資產效益。

關鍵詞 大數據；高校資產管理；智能管理

中圖分類號：G712 文獻標識碼：B

文章編號：1671-489X（2016）24-0062-03

Innovation of Asset Management Model in Colleges and Univer-sities under Forecast of big Data Driven//ZHANG Yijun

Abstract The low efficiency of the use of assets in Colleges and uni-

versities， the phenomenon of serious idle waste， low level of service is for the majority of teachers and students criticized. When the social

development into the era of big data， information access and infor-mation processing are compared with the previous generation of a

number of changes. This paper from the big data driven prediction， analysis of how to use big data to achieve the intelligent management

of college logistics assets.

Key words big data； asset management in colleges and univer-sities； intelligent management

1 引言

高校資產不僅是保障教育教學工作正常順利進行的物質基礎，也是高校后勤部門服務廣大師生的物質條件，更是保障高等教育事業可持續發展的物質基礎。然而近年來，由于管理水平不足，管理意識落后等原因，資產管理處于一種管理體制不完善、制度不健全的狀態。在大數據時代，提高管理水平、健全體制，進行資產管理模式的創新，實現高校資產的智能管理，發揮所有資產的應有作用，提高資產效益。

2 高校資產傳統管理模式

高校的資產定義會分為狹義和廣義兩部分。從狹義的層面來說，高校資產主要包括國家投資給高校的固定資產、低值易耗品等有形資產。廣義的資產除了狹義的內容之外，還包括各個高效的科技成果、研究成果、知識產權以及流動資產、中長期投資等。本文主要以高校的固定資產為研究對象。

我國高校的國有性質決定了高校資產所有權、管理權、使用權相分離。同時，高校的國有資產大部分是由資產管理部門、圖書館、各院系、房產部門、后勤部門等多頭管理，產權不明晰、運行機制不順暢、管理權分散等問題十分突出。這就造成管理上存在許多問題和缺陷，部分管理會出現交叉，但是某些方面又會出現管理上的真空，管理不到位等。

目前來說，雖然資產管理涉及眾多部門，但是由后勤部門統一調配使用，應該是最為高效的辦法。后勤部門直面各個院系部門和廣大師生，由后勤部門來協調管理高校中涉及服務師生等方面的資產會最為直接。

現階段而言，我國高校資產管理存在的主要問題集中于使用效率低、閑置率高、服務水平低。我國高校自20世紀90年代末期大量擴招，通過兼并、土地置換、改擴建等方法，均不同程度上擴大了學校規模，增加了資產。高校在改擴建的同時，力求上檔次，辦公樓、教學樓裝修要豪華，體育館設施要先進。

同時，各單位不顧自身實際情況，盲目地上項目、上設備，盲目攀比，要求不斷增加投入購置設備，還要求設備必須是最先進的，并且在幾年之內不能淘汰的，功能要多多益善。但這些設備實際上無論是從經濟功能，還是從實體功能，使用效率都極為低下。許多高校各院、系、部占有使用的資產，很難做到在全校范圍內調劑，加之高校每年的寒暑假，在此期間設備閑置、無人維護，減少了設備的使用壽命，大大降低了資產的使用效率。

除此之外，服務水平低也是為廣大師生所詬病的一點，特別是后勤部門。在宿舍維修維護、課室維護、物業管理服務，特別是飯堂餐廳管理等方面，很少有師生表示滿意。一方面，固然有服務師生眾多，難免顧此失彼的因素在；但另一方面，服務水平低是無法回避的事實。后勤部門也并非不想改善、不想作為，更多時候是苦于沒有合適的改善辦法和工具，不知道如何去改善。

3 大數據驅動預測以推動資產管理模式創新

當人類社會進步到大數據時代，大數據分析管理給后勤資產管理提供了新的參考和依據，能夠指引后勤部門更好地做好資產管理。

大數據預測下資產管理的未來管理模式 大數據帶給人們最直接的體驗和感受就是預測的準確性和管理的系統性。以往在各個領域雖然也有預測和管理，但大多數呈現零散的狀態，預測也不準確，大數據預測分析扭轉了這一局勢。這里最典型的應用就是2010年冰島火山爆發，歐洲大部分地區的航班取消。IBM的大數據分析指出受此影響，香港是這一情況下IBM供應鏈最重要的環節。這一結果看似荒謬，然而事實確證明了大數據分析的正確性。歐洲航班恢復時，IBM需要將大量延遲交付的產品從亞太地區的工廠送到顧客手中，如果香港航班沒有提前預訂，將使得IBM的供應鏈遭遇瓶頸。

這個例子充分說明，大數據分析能將影響結果的各種原因充分考慮，并且智能分析各種因素的重要性、影響大小，從而幫助人們做出更合理的決策。就資產管理而言，大數據智能分析將使得資產管理不再過度依賴經驗和直覺，而是分析和數據。一方面，大數據分析能夠清晰地讓人們知道什么地方需要什么樣的資產，怎么配置資產，這樣有效地避免了資產閑置和使用率低的問題；另一方面，大數據分析能夠讓后勤部門清晰地看到需要提供什么樣的服務，需要發揮資產的哪些作用來滿足相應的需求，提高服務水平和質量。

什么是大數據資產管理智能模式 大數據是非常新鮮的概念，一般認為起源于2012年2月13日Steve Lohr在The New York Times網站上所發表的一篇題為“the Age of

Big Data”的專欄文章。Steve Lohr在文中稱：大數據時代已經來領，在商業等領域中，決策將不再基于經驗和直覺，而是日益基于數據和分析。

那么，究竟什么是大數據呢？大數據是一個相對而言較為寬泛的概念，但所有定義毫無異議地均突出了“大”這一重要特征。這種“大”不僅體現為數據量上的龐大，更體現為數據應用的“大價值”。 一般而言，大數據有“4V”特征，即Volume（容量）、Variety（種類）、Velocity（速度）和 Value（價值）。

大數據資產管理就是利用這4個特征進行運作，充分發揮和利用資產，實現資產的最優配置。高校資產不同于企業資產，高校資產存在的目的就是保障教學工作，充分發揮資產的作用，做到充分使用的同時又集約使用，所有資產出現在應該出現的位置，并且保持正常可使用的狀態。

大數據預測的具體應用方法 要使用大數據預測進行管理，首先要進行大數據管理的基礎設施建設。大數據預測的資產管理離不開進行大數據收集、存儲、分析的硬件設施。前文已經解釋過，大數據不同于以往的數據分析，具有海量和高速等特征。因此，要進行大數據分析預測管理，首先就要對硬件設備進行升級更新。現在可以借助專業公司的云計算平臺，但是一方面租用費用高昂，另一方面租用的平臺對于運算法則的設計和自由使用有所限制。此外也要考慮保密情況，租用的云平臺等有泄密風險。

對于一些敏感專業和特殊專業、學校等，可以考慮自行建設數據存儲設備、運算設備、決策工具等，這都要在原有基礎上進行提升，服務器的建設甚至要使用X86架構的高端機型，甚至Power機型才能滿足運算需求。

在完成了硬件設施的建設后，結合后勤資產管理的特點和需求，本文認為采用多層次因果分析法進行資產智能管理是目前最合適的方法。

多層次因果分析法先利用一系列定量分析方法，測算出不同的資產組合和搭配方式對教學需求和師生需求的影響，然后通過執行不同的what-if方案，利用需求模型系數對需求進行預測。最后，根據預測的結果，將資產供應和需求進行匹配和關聯，給出最優化的資產管理解決方案。

本文以高校計算機機房的教學設備科學配備為例，說明多層次因果分析法的具體應用。具體而言，需要進行以下7個步驟。

第一步，確定需求和資產供應之間的所有相關數據需求。后勤部門和師生代表、其他管理部門的代表等，共同確定機房設備供應和實際需求之間相關的全部數據需求。

教學所需的設備需求可以表述為：

需求（D）=β0常數項+β1師資配備+β2機房容量+β3專業課程沖突+β4學生分組方式+β5教學方式+β6設備完好率+...+βn

第二步，利用數據集合建立模型，感知需求。利用初步數據和確認的需求相關因素，初步搭建各個因素和最終需求之間的關系模型（圖1）。根據第一步完成的需求分析，結合現有設備資產供應情況，建立供應和單個需求因素之間的線性回歸模型并運算。

第三步，利用新數據或其他相關數據，檢驗需求模型的準確性。這一步是對第二步的驗證，確保第二步模型建立的正確和數據有效，需要利用不同的數據進行。

第四步，利用全部數據整合需求預測方案。將所有的需求感知模型整合在一起，形成一個一體化的方案，充分發揮相關因素的影響作用。與第二步類似，將不同的需求預測整合在一起，建立綜合考慮各方因素的需求預測模型方案。

第五步，運行需求預測方案，修正方案參數，保證正確性。根據第四步完成的綜合方案，按照規則運行，生產預測需求結果。

第六步，依據需求預測選定資產供應配置方案。根據需求，調節相應的資產配置，同時保證合適的資產出現在合適的地方，提供合適的服務。

第七步，持續監測方案，持續依據情況變化進行方案修正。需求和實際情況在不停變化，需要持續監測方案的有效性。在有效性明顯降低的情況下，需要分析原因，重新修正（圖2）。

智能管理資產管理預期效果 多層次因果分析法能簡單地通過一些普通因素，將一系列因果模型與需求供應進行關聯并建立模型和運行，是個簡潔有效的決策系統。這個決策辦法為后勤部門的管理者提供了多種決策方案和優化可能。同時，這一套智能預測系統甚至可以實現自我優化，根據需求預測進行資產使用的自我提升和優化。

4 結語

大數據驅動預測下高校后勤資產管理不是個單一的問題，而是一個系統性、持續性的問題。一方面有賴于大數據應用和開發的技術進步，另一方面有賴于高校管理層面的制度革新和權責重新劃分。但只要堅持在新技術運用的道路上走下去，一定能利用大數據帶來的優勢，從“需求反應”到“主動預測”，從“主觀判斷”到“客觀預算”，從“小數據”參考到“大數據”應用，從“被動申請”到“主動服務”等，實現高校資產的智能管理，發揮所有資產的應有作用，提高資產管理服務的水平和保障能力。