水利工程建設市場監管“雙隨機”抽檢均衡性方法

聶相田 范天雨 王博

摘要：針對目前我國水利工程建設市場“雙隨機一公開”監管制度實行中采用的常規隨機抽樣方法存在抽檢不均衡問題，提出一種均衡性改進的抽取方法。該方法在隨機抽取的基礎上，考慮被抽取對象的抽中次數，提高被抽取次數較少的對象的被抽中概率，使抽取結果趨于均衡;引入專家經驗系數來調整檢查人員抽取概率，改善抽取結果。根據檢查人員和被檢查對象的不同特點，分別建立不同的改進模型，并應用概率的方法對改善效果進行定量分析。

關鍵詞：雙隨機抽取;均衡性;概率;監督檢查;水利工程建設

中圖分類號：TV512

文獻標志碼：A

doi：10.3969/j .issn. 1000- 1379.2019.02.030

開展水利工程建設“雙隨機一公開”市場監管是目前全國水利行業推行的一項新的制度。隨機抽取檢查人員、隨機抽取檢查對象，以避免因信息過早泄露而發生腐敗現象，達到監督檢查的最優效果[1]。目前已有的隨機抽取方法，大多是直接使用某種隨機函數對抽取對象隨機排序，然后從中取出所需數量的對象[2]。這種方法雖然簡單易行，但在實際應用中卻會出現一種現象，即一段時間內某些對象被頻繁抽取，而另一部分對象被抽取的次數很少甚至一直未被抽中。這一現象令被抽取對象感到不公平，認為其被抽取的機會不平等，從而對抽取過程的公平公正性產生質疑。這種抽取結果不均衡的問題，是一般隨機抽取方法中的單純一次性隨機抽取造成的[3-7]。

基于此，筆者提出了均衡性改善系數的概念，通過均衡性改善系數來修正各個對象的被抽取概率，以保證抽取結果趨于均衡[8-9]。依據專家擅長領域與檢查工作的符合性制度，提出了專家經驗系數的概念，通過調整經驗系數來調整專家的被抽取概率，增加經驗豐富專家的被抽中概率，減少經驗欠缺的專家的被抽中概率，以達到監督檢查的最優效果[10-12]。在上述研究基礎上，運用概率理論對改進效果進行數據分析驗證[13-15]。

1 市場主體的抽取

“雙隨機一公開”監督檢查的對象是市場主體，如水利施工企業、水利監理企業和水利工程質量檢測企業等。該市場主體種類多、數量大，在抽取檢查對象的時候，不僅要做到隨機性還要有針對性，對有不良記錄對象（被投訴舉報過或有違法違規行為的檢查對象），隨機抽取時增加其被抽取的概率[16]。

1.1 均衡性抽取

在隨機抽取工作開始之前，將此前市場主體名錄庫中每個個體的被抽中次數作為影響因素，對每個市場主體的被抽中概率進行調節，增加之前被抽中次數較少的市場主體的被抽中概率，減少之前被抽中次數較多的市場主體的被抽中概率，通過此方法對隨機抽取工作進行改善，使隨機抽取的結果趨于均衡。針對有不良記錄的市場主體，可直接列為抽取對象，即其被抽中的概率為1，以保證及時查處存在問題的市場主體，達到良好的監管效果。

改進方法的具體步驟為：①統計各個市場主體被抽中的次數：②根據抽取次數求得各個市場主體的均衡性系數：③通過均衡性系數求出各個市場主體該次被抽中的概率;④按照概率進行最終隨機抽取工作。

設市場主體名錄庫中市場主體的數量為n，給每個市場主體進行編號，每次按要求從中抽取m個市場主體作為此次監督檢查的對象，有不良記錄的市場主體個數為α（αi

（t≤S，i=1，2，…，n），第s+l次抽取時，該市場主體被抽中的概率為P。若按照一般隨機抽取的方法開展抽取工作，則

t越大，則α越小，表示編號為i的市場主體之前被抽中的次數越多，均衡性改善系數越小，則此次該市場主體被抽中的概率越小。通過均衡性抽取，使得被抽取次數較少的市場主體的被抽中概率增大，以達到所有市場主體被抽取次數趨于均衡的目標，避免抽取結果出現極端情況。檢查對象均衡性抽取步驟見圖1。

對于檢查對象的抽取過程，首先要做到公平公正，因此全部抽取過程應留有痕跡，保證事后可查，在此基礎上需保證抽取工作的隨機性及抽取結果的均衡性，以滿足公平公正性。對n個市場主體編號，是為了便于操作：確定α個有不良記錄的市場主體，是做到對暴露出問題的市場主體及時檢查、及時處理，防止問題持續惡化對人民的生命財產造成重大損失：統計各市場主體的抽中次數，并由此求得各市場主體的均衡性改善系數，通過改善系數改變各市場主體的被抽中概率，按照改善后的概率進行隨機抽取，防止抽取結果極端化，保證隨機抽取的公平公正。

1.2 均衡性抽取改善效果分析

隨機抽取的均衡性改善是通過改變各市場主體的被抽取概率來實現的，因此可利用概率對均衡性隨機抽取的改善效果進行分析。

均衡性改善效果為均衡性抽取方法與一般隨機抽取方法相比所改變的幅度，定義為，，則

根據式（4）可知，均衡性改善幅度，的取值為[一1，0]，I等于0表示該市場主體在前s次抽取中均未被抽中，，小于0表示該主體在前s次抽取中最少被抽中過1次，I等于-1表示前s次抽取中該主體全部被抽中。

取n= 100，m=10，α=l，s=10，編號為i的市場主體被抽取次數ti不同時，均衡性改善系數、第s+l次的被抽中概率以及改善效果見表1。

根據表1可知，經過均衡性改進后，隨著被抽到次數的增加，均衡性改善系數逐漸減小，其被抽中的概率逐漸降低。當前10次全部被抽中時，則第11次被抽中的概率為0，均衡性改善幅度為-1，即第11次確定不檢查該對象。因此，在經過均衡性改進后，被抽到次數相對越多的對象在下次抽取時被抽中的概率就越小，通過這一方法使少量次的抽取情況下抽取結果較為均衡。

2 監督檢查人員的抽取

“雙隨機一公開”監督檢查工作的檢查人員的抽取是從檢查人員名錄庫中隨機抽取若干名專家。在抽取時不僅要考慮各專家被抽中的次數，還需考慮專家的經驗（即專家的專業水準），通過均衡性改善系數和專家經驗系數改變各專家的被抽中概率，以達到抽取結果均衡及專家最優的目的[17]。

具體抽取步驟為：對名錄庫中各專家進行編號處理，統計各專家的被抽中次數，計算均衡性改善系數及經驗系數，求出所有專家該次被抽中的概率，按照概率在名錄庫中隨機抽取若干名。設名錄庫中專家人數為n，每次從中隨機抽取m人組成監督檢查小組。

定義l：α為編號為i的專家的均衡性改善系數，具體含義及計算方法見1.1。

定義2：β為編號為i的專家的經驗系數，β的取值區間為（0，2）。當0<β<1時，該專家的經驗有所欠缺;當β =1時，該專家經驗未知或者經驗一般;當1<β<2時，該專家的經驗較為豐富。β越大則編號為i的專家經驗越豐富，β越小則該專家經驗越不足。β的值可通過專家打分法求出。

在隨機抽取時，同時考慮專家被抽中次數和專家經驗的影響。通過均衡性改善系數，減小被抽中次數較多的專家的被抽取概率，增大被抽中次數較少的專家的被抽取概率。通過專家經驗系數β，調整專家i的被抽中概率，對于經驗不足的專家（0<β<1），減小其被抽中的概率;對于經驗豐富的專家（1<β<2），增大其被抽中的概率。通過均衡性改善系數及專家經驗系數調整專家的被抽取概率，使隨機抽取工作能持續良好地進行。抽取步驟見圖2。

用簡單隨機抽取方法抽取時，編號為i的專家被抽到的概率為P，運用改進后的方法進行隨機抽取時，該專家被抽中的概率為P，均衡性改善幅度為I1，通過專家經驗系數的改善幅度為I2，總體改善幅度為I3，則

取n= 100、m=5、s=10，編號為i的專家被抽取次數t不同時，均衡性改善系數、第s+l次被抽中概率以及改進效果見表2。

從表2可以看出，經過均衡性改進后，隨著被抽中次數的增加，其被抽中概率是逐漸降低的;在被抽中次數相同的情況下，經過經驗系數的調整，可在一定范圍內增大經驗豐富的專家的被抽中概率，降低經驗不足的專家被抽中的概率;如果前s次全部被抽中，則不論該專家經驗豐富與否，在第s+l次抽取時被抽到的概率均為0。因此，通過均衡性系數減小被抽到的次數較多的專家此次被抽取的概率，通過經驗系數提高或降低專家被抽到的概率：在被抽中次數不太多的情況下，專家的經驗較為豐富，通過均衡性系數使概率減小的幅度可能會小于通過經驗系數增加的幅度，最終使其被抽中的概率增大。綜合來看，達到了抽取專家最優及抽取結果均衡的目的。

3 周期性改善效果分析

隨機抽取改善效果指的是單次抽取的改善效果，即經過前s次抽取后，第s+l次抽取時的改善效果;周期性均衡性改善效果指的是在一段時期進行多次抽取活動后，對抽取結果的總體改善情況[8，18]。

由表3可知，隨著被抽中次數的增多，該專家的被抽中概率變小，改善幅度加大;當被抽中次數及專家經驗系數一定時，隨著抽取次數的增加，改善幅度逐漸減小，專家被抽中的概率逐漸增大;抽中次數和抽取次數不變的情況下，專家的經驗系數越大，被抽中的概率越大。如前文所述，導致抽取結果不均衡的主要原因是抽取活動次數太少，當抽取的次數增加，用本文改進方法的效果會相應減弱;對經驗豐富的專家，通過經驗系數，能明顯提高其被抽中概率，對經驗欠缺的專家則相反。因此，通過本文提出的改進方法，能在短期內使隨機抽取的結果更加均衡，抽取的專家更有經驗，進而使“雙隨機一公開”監督檢查工作能持續良好地進行下去。

4 結論

針對市場主體的隨機抽取，考慮其被抽取次數，提出了均衡性改善系數，并以此對市場主體的隨機抽取方法進行改進，保證了隨機抽取結果的均衡性：針對監督檢查人員，考慮專家被抽取次數和專家經驗系數綜合影響，提出了隨機抽取的改進方法，降低了被抽中次數較多的專家的被抽中的概率，同時提高了經驗豐富專家的被抽中的概率。通過概率的方法對改進效果進行分析，結果表明該均衡性改進方法效果良好。

參考文獻：

[1] 王雪芬，基于社會網絡的科技咨詢專家庫構建及其可視化研究[D].南京：南京理工大學，2010：27-37.

[2] 牛勇，劉海雄，青海省政府采購專家管理系統中專家庫的抽取方法[J].青海大學學報（自然科學版），2008，26（4）：27-31.

[3]劉丹，國內同行評議專家庫研究綜述[J].重慶大學學報（社會科學版），2012，18（5）：87-91.

[4] SUN W， LIN A，YU H，et al.All-Dimension NeighborhoodBased Particle Swarm Optimization with Randomly SelectedNeighbors[J]. Information Sciences， 2017， 405： 141-156.

[5] JIANG L，CAI Z，ZHANG H，et al.Not So Greedy： Ran-domly Selected Naive Bayes[ J]. Expert Systems with Appli-cations， 2012， 39（12）： 11022-11028.

[6] QIU C， JIANC L，LI C.Randomly Selected Decision Treefor Test-Cost Sensitive Leaming[J]. Applied SoftComputing， 2017， 53：27-33.

[7] BIENVENU L，MERKIE W. Effective Randomness for Com-putable Probability Measures[J]. Electronic Notes inTheoretical Computer Science， 2007， 167：117-130.

[8]卓澤強，概率思想在數學證明和計算中的應用[J].數學的實踐與認識，2007 ，37（13）：189-192.

[9] 孟陶然，高學東，印澤斌，評審專家隨機抽取過程中的均衡性改善方法[J].數學的實踐與認識，2010，40（13）： 37-42.

[10] 楊東風，馮海燕，職稱評審評委隨機抽取系統的設計與實現[J].現代電子技術，2015，38（14）：85-88.

[11]江卓軍，陳璇，蘇曉蘭，等，一種復雜約束下的采購評審專家自動抽取算法[J].現代電子技術，2018，41（3）：75-79.

[12] 范聰，李建增，張巖，基于采樣優化的隨機抽取一致性算法[J/OL].電光與控制：l-6[2018-07-27].http：//kns.cnki. net/kcms/detail/41. 1227. TN. 201 80418. 14 12. 026. ht- ml.

[13] CHERNOV A， SHEN A， VERESHCHAGIN N， et al.On-Line Probability， Complexity and Randomness[C]//Algo-rithniic Learning Theory. Berlin Heidelberg： Springer，2008：138-153.

[14]HOYRUP M.Randomness on Computable Probability Spaces：A Dynamical Point of View[M]. New York：Springer VerlagNew York Inc.， 2011： 43-67.

[15]CULVER Q.Topics in Algorithmic Randomness and EffectiveProbability[J].Indiana： University of Notre Dame， 2015： 7-23.

[16] 劉源，尹慧萍，朱建平，基于隨機抽取的AR模型定階和參數評估[J].統計與決策，2016（24）：16-18.

[17] 馬恩強，建立“雙隨機一公開”消防監督檢查制度的思考[J].消防科學與技術，2016，35（9）：1309-1311.

[18] 王巍，趙鐵軍，辛國棟，等，基于條件隨機域模型的比較要素抽取研究[J].自動化學報，2015，41（8）：1385-1393.