基于數據挖掘的政府采購方案評價模型

李雨田, 宋昊澄, 陳衛衛, 杜金麗

(西安航空職業技術學院 1.國有資產管理處； 2.后勤管理處； 3.現代教育技術中心, 陜西 西安 710089)

0 引言

隨著信息技術的不斷發展，政府采購的透明性越來越高，為了更加科學、準確地實現政府采購，減少政府采購成本，提高政府采購質量，需要對政府采購方案進行高精度的評價。因此，政府采購方案評價研究具有十分重要的意義，成為當前研究的重點[1-3]。

針對政府采購方案評價問題，許多學者投入了大量的時間、精力進行了深入的研究，涌出了許多有效的政府采購方案評價模型。當前政府采購方案評價模型可以劃分為兩類：一種是定性分析的政府采購方案評價模型;另一種是定量分析的政府采購方案評價模型[4]，其中定性分析方法主要通過專家系統對政府采購方案評價進行研究，該方法評價的結果主觀性強、偏差大、耗時長，無法滿足現代政府采購方案評價研究[5-7]；定量分析方法主要有多元線性回歸的政府采購方案評價模型；層次分析法的政府采購方案評價模型；人工神經網絡的政府采購方案評價模型等，其中多元線性回歸、層次分析法屬于線性建模方法，而政府采購方案的優劣與多種因素相關，如渠道來源、社會效率、地方經濟，具有明顯的隨機性、時變性，因此它們的政府采購方案評價誤差大[8-10]；人工神經網絡雖然具有較強的非線性建模能力，但收斂速度慢、結構復雜，使得政府采購方案評價結果極不穩定，缺陷十分明顯。同時在當前政府采購方案評價過程中，認為每一個指標對政府采購方案評價結果的貢獻是一樣的，這與實際不相符，使得政府采購方案評價精度有待進一步提高[11]。

為了獲得理想的政府采購方案評價結果，設計了數據挖掘的政府采購方案評價模型，該模型集成了灰色關聯分析法、支持向量機等優點，測試結果表明，本文方法可以很好地描述政府采購方案的變化特點，提高政府采購方案評價精度，改善政府采購方案評價效率，具有明顯的優勢。

1 數據挖掘的政府采購方案評價模型

1.1 層次分析法建立政府采購方案評價指標體系

為了對政府采購方案進行高精度評價，要建立良好的評價指標體系，政府采購方案評價指標較多，基于科學性、客觀性、可操作性、全面性的原則，建立了政府采購方案評價指標體系，如表1所示。

表1 政府采購方案評價指標體系

1.2 灰色關聯分析確定政府采購方案評價指標權重

在政府采購方案評價過程中，每一個指標對評價的結果貢獻程度不一樣，傳統模型沒有考慮指標之間的差異性，使得政府采購方案評價結果達不到最優。因此，本文引入灰色關聯分析法確定政府采購方案評價指標的權重。

灰色關聯分析方法對指標的相關系數進行分析，計算指標的關聯度，并依據關聯度大小進行排序[12-14]，具體步驟如下。

(1) 分別將政府采購方案的得分和評價指標作為參考數列y(k)和比較序列xi(k)。

(2) 政府采購方案評價指標的單位各異，數值的范圍大，因此對其進行歸一化處理，并仍記為xi(t),如式(1)。

(1)

(3) 采用式(2)計算參考數列與比較序列間的關聯系數。

ξi(k)=

(2)

式中，ρ為分辨系數。

(4) 采用式(3)計算政府采購方案評價指標關聯度。

(3)

(5) 根據關聯度對評價指標進行排序，并選擇關聯度較大的指標進行政府采購方案評價建模。

(6) 關聯度刻畫了指標對政府采購方案評價結果的貢獻，根據關聯度對政府采購方案評價指標賦予權值，描述政府采購方案評價指標的重要性。

1.3 支持向量機

支持向量機是一種數據挖掘算法，采用結構風險最小化原則進行訓練，不存在人工神經網絡收斂速度慢的弊端，建模效果更優[15]。

對于政府采購方案評價樣本集合為{(xi,yi)|i=1,2,…,l};xi為政府采購方案評價的指標;yi為政府采購方案的得分，采用函數φ()將政府采購方案評價樣本映射到高維特間進行回歸，如式(4)。

f(x)=wTφ(x)+b

(4)

式(4)的求解過程復雜，影響政府采購方案評價效率，為此對式(4)進行變換，得到對偶形式，如式(5)。

s.t.

(5)

式中，C為懲罰參數。

采用拉格朗日方法對式(5)進行求解，建立如下的拉格朗日函數，如式(6)。

L(w,b,e,α)=

(6)

式中，αi為拉格朗日乘子。

對式(6)的w，b，ei，αi進行求偏導，并使它們的偏導為0，如式(7)。

(7)

消去w和ei，建立矩陣形式，如式(8)。

(8)

式中，E=[1,…,1]T，α=[α1,…,αl]T，y=[y1,…,yl]T，Ωil=φ(xi)φ(xl)。

采用核函數代替內積操作，即：K(xi,xl)=φ(xi)φ(xl)，得式(9)。

(9)

根據Q=Ω+C-1I，得式(10)。

(10)

最后，基于支持向量機的政府采購方案評價函數，如式(11)。

(11)

核函數定義，如式(12)。

(12)

1.4 數據挖掘的政府采購方案評價步驟

(1) 構建政府采購方案評價指標，并收集相應的政府采購方案評價指標數據。

(2) 采用灰色關聯分析方法確定政府采購方案評價指標的權值，去掉了一些不重要評價指標。

(3) 采用專家為政府采購方案進行打分，并將其作為支持向量機的輸出，政府采購方案評價指標作為支持向量機輸入，構建政府采購方案評價建模的學習樣本。

(4) 采用支持向量機對學習樣本進行訓練，通過10折交叉驗證算法確定最優參數，建立政府采購方案評價指標評價模型。具體流程如圖1所示。

圖1 數據挖掘的政府采購方案評價流程

2 數據挖掘的政府采購方案評價模型性能的測試

2.1 測試環境

為了測試數據挖掘的政府采購方案評價模型性能，對其進行仿真實驗，仿真硬件和軟件環境參數，如表1所示。

表1 數據挖掘的政府采購方案評價的仿真環境

選擇BP神經網絡數據挖掘的政府采購方案評價模型、RBF神經網絡數據挖掘的政府采購方案評價模型在相同仿真測試環境下進行對比實驗。

2.2 測試數據

選擇150個政府采購方案作為測試對象，首先采集評價指標數據，由于評價指數據較多，在此不列出，然后采用專家對每一個政府采購方案進行打分，得到的分值，如圖2所示。

圖2 政府采購方案評價實驗的樣本數據

2.3 政府采購方案評價指標的權值

采用灰色關聯分析方法對政府采購方案評價指標進行處理，計算它們的關聯度，然后根據關聯度得到政府采購方案評價指標的權值。得到結果，如圖3所示。

圖3 政府采購方案評價指的權值

從圖3可以發現，不同的采購方案評價指標它們權值差異性大，即對采購方案評價結果的影響程度不一樣，考慮采購方案評價的效率，去掉一些權值較小的指標，因此它們對采購方案評價結果的影響不大，得到6個權值大指標作為支持向量機的輸入向量，和圖2采購方案得分組成樣本集合，每一種模型均進行5次仿真實驗，訓練樣本和測試樣本的數量采用4∶1的方式，每次采用隨機方式進行選擇，以體現實驗結果的公平性。

2.4 結果與分析

統計3種模型對政府采購方案訓練樣本和測試樣本的評價，統計每一次實驗評價精度的平均值，如圖4、圖5所示。

對圖4、圖5的政府采購方案評價精度進行對比分析可以發現，訓練樣本的政府采購方案評價精度要高于測試樣本，這與實際情況相符，證明了本文設計的政府采購方案評價模型是有效的。

圖4 訓練樣本的政府采購方案評價精度

圖5 測試樣本的政府采購方案評價精度

相對于對比模型，本文模型的政府采購方案評價精度更高，有效減少了政府采購方案評價誤差，這是因為本文模型引入了灰色關聯分析方法確定不同指標權值，體現了它們的差異性，并引入了建模性能更優的支持向量機對政府采購方案變化特點進行擬合，克服了對比模型的弊端，證明了本文政府采購方案評價模型的優越性。

統計不同模型的政府采購方案評價訓練和測試總時間(秒)，如表2所示。

表2 不同模型的政府采購方案評價時間對比

從表2可以看出，本文模型由于采用灰色關聯分析方法選擇一些重要政府采購方案評價指標進行建模，減少了政府采購方案評價模型的輸入向量，降低了政府采購方案評價復雜度，減少了政府采購方案評價時間，提升了政府采購方案評價效率。

3 總結

為了提高政府采購方案評價精度，針對當前政府采購方案評價過程中存在的問題，提出了基于數據挖掘的政府采購方案評價模型，并通過仿真實驗得到如下結論。

(1) 利用灰色關聯分析方法對政府采購方案評價指標的權值進行確定，并去除一些不重要的評價指標，可以改善政府采購方案評價效率。

(2) 采用支持向量機建立政府采購方案評價識別模型，提高了政府采購方案評價的準確性。