PSO-ELM的绩效管理评价研究

PSO-ELM的绩效管理评价研究

摘要:为了实现医院绩效管理评价,借鉴平衡记分卡法从医院财务指标、医疗服务效率指标、医院发展指标以及服务满意度构建医院绩效评价指标体系,针对ELM模型的性能受初始权重Wi和隐含层偏置bi的影响,提出了种基于PSO-ELM的医院绩效管理评价模型。将26个医院绩效管理评价的二级指标和医院绩效评价综合得分分别作为PSO-ELM模型的输入和输出,建立PSO-ELM的医院绩效管理评价模型。研究结果表明,与ELM和SVM相比,PSO-ELM的医院绩效管理评价精度最高,为医院绩效管理提供了新的方法。

关键词:极限学习机;粒子群优化算法;绩效管理;医疗卫生;评价指标

0引言

随着医疗卫生体制改革的推进,对医院效率、资源管理、人才管理以及消费者反应性等问题提出了更高要求。医院不但面临体制改革,而且需要适应医疗保障制度的改革和卫生服务体制的改革。医院作为卫生系统的主体和主要功能的承担者,如何客观评价医院工作绩效对提高医院的工作效率和增强医院的综合竞争力具有重要意义[1-2]。目前工作绩效管理评价的方法主要有平衡记分卡法、关键业绩指标法和目标管理法[3-5]。这些方法虽然取得了一定效果,但是存在评价指标片面、流于形式和激励效果不明显的缺点。借鉴平衡记分卡法从医院财务指标、医疗服务效率指标、医院发展指标以及服务满意度构建医院绩效评价指标体系,本文针对极限学习机(ExtremeLearningMachine,ELM)模型性能受其初始权值Wi和隐含层偏置bi选择的影响,运用粒子群算法(ParticleSwarmOptimizationAlgo-rithm,PSO)优化选择ELM模型的初始权值Wi和隐含层偏置bi,提出一种基于PSO-ELM的医院绩效管理评价模型。研究结果表明,与ELM和支持向量机(SupportVectorMa-chine,SVM)相比,PSO-ELM的医院绩效管理评价精度最高,为医院绩效管理提供了新的方法和途径。

1ELM模型

ELM模型为一种全新的前馈神经网络,由于其为单隐含层网络,因此具有训练速度快和复杂度较低的优点[6-7],ELM模型结构图,如图1所示。若有N个训练样本(Xi,Yi),训练样本的输入向量和目标向量分别为Xi=[xi1,xi2,…,xin]T∈Rn和Ti=[ti1,ti2,…,tin]T∈Rm。X和T矩阵大小分别为n×Q维和m×Q维,Q为训练样本数量。假设ELM模型的隐含层节点数为L,则ELM模型的输出,如式(1)。式中,βi为ELM模型的输出权值;g(x)为ELM模型的激励函数;Wi=[wi1,wi2,…,win]T为ELM模型的输入权值;Wi·Xj为Wi和Xj的内积;bi为ELM模型的第i个隐含层节点的偏置。式(1)矩阵形式如式(2)。式中,β为ELM模型的输出权值;H为ELM模型的隐含层节点的输出。为了保证ELM模型误差最小,存在一组参数^βi、^Wi和^bi[8],如式(3)。

2医院绩效管理评价指标

为了客观全面地评价医院绩效管理水平,综合文献[9-10]的基础上,借鉴平衡记分卡法从医院财务指标、医疗服务效率指标、医院发展指标以及服务满意度指标构建医院绩效评价指标体系,医院绩效评价指标体系,如图2所示。

3基于PSO-ELM的医院绩效管理评价

3.1粒子群算法。PSO[11]是根据粒子群群体之间的竞争与协作进行寻优搜索的,其速度和位置更新公式,如式(6)。式中,xk+1i、vk+1i分别为在第k+1次迭代中的第i个粒子的位置与速度;w为惯性权重;c1、c2为学习因子;ggbest和gibest分别为当前的全局最优解和当前的个体最优解。

3.2适应度函数。针对ELM模型性能受其初始权值Wi和隐含层偏置bi选择的影响,运用PSO优化选择ELM模型的初始权值Wi和隐含层偏置bi,提出一种基于PSO-ELM的医院绩效管理评价模型,适应度函数如式(7)。式中,yi和Oi分别为绩效综合得分预测值和绩效综合得分实际值;n为训练集样本数量。

3.3算法流程。基于PSO-ELM的医院绩效管理评价可详细描述如下。Step1:读取医院绩效管理评价指标数据和绩效综合得分数据,划分数据集为训练集和测试集并归一化处理;Step2:初始化PSO参数和变量优化范围:种群规模N、最大迭代次数T、学习因子c1和c2、惯性权重w、第i个粒子位置Xi=[W11,W21,…,Wh1,…,W1n,b1,b2,b3,…,bh];Step3:将粒子位置Xi和训练集代入公式(7)计算适应度函数值,找到个体最优解和全局最优解;Step4:更新PSO算法的粒子速度和位置;Step5:计算PSO算法粒子速度和位置更新后的适应度值,并更新个体最优解和全局最优解;Step6:若当前迭代次数t>T,则输出粒子最优位置,最优位置就是ELM模型的最优初始权值和阈值,带入ELM模型运用测试集进行医院绩效管理评价。反之,返回Step3。基于PSO-ELM医院绩效管理评价流程图,如图3所示。

4实证分析

4.1数据来源。为了验证医院绩效管理进行PSO-ELM评价的效果,选择陕西省11家公立医院绩效管理数据为研究对象[11],运用专家评价法获取各评价指标的得分和医院绩效管理评价综合得分。医院绩效管理各个评价指标得分分为4个等级,分别为优、好、中、较差和差,对应得分分别为1、0.7、0.5、0.3和0.1。医院绩效管理综合得分与评价标准,如表1所示。

4.2评价指标。选择均方根误差(RootMeanSquareError,RMSE)和平均绝对误差(MeanAbsoluteError,MAE)当作医院绩效管理效果的评价指标[12-13]如式(8)、式(9)。RMSE=式中,n为样本集的数量;xk、^xk分别为第k个样本的实际值和预测值。RMSE和MAE数值越小,说明模型评价效果越好。反之,评价效果越差。

4.3结果分析。本研究选择Matlab2015a为软件平台,电脑操作系统为Windows7,PC机配置为CPU的主频为2.60GHz、内存8GB、中央处理器为Intel(R)Core(TM)i5-24004-core。通过专家打分法获得11家医院绩效管理评价数据,前7组作为训练集和后4组为测试集。PSO算法参数设定如下:学习因子c1=c2=2,种群规模N=10,最大迭代次数T=100,惯性权重w=0.2,测试集医院绩效评价结果,如图4和表2所示。由图4、图5和表2可知,与SVM和ELM相比,PSO-ELM医院绩效管理评价精度最高,为医院绩效管理提供了新的方法。

5总结

为实现医院绩效管理评价,针对ELM模型的性能受初始权重Wi和隐含层偏置bi的影响,提出一种基于PSO-ELM的医院绩效管理评价模型。将26个医院绩效管理评价的二级指标和医院绩效评价综合得分分别作为PSO-ELM模型的输入和输出,建立SSA-SVR的医院绩效管理评价模型。研究结果表明,与ELM和SVM相比,PSO-ELM的医院绩效管理评价精度最高,为医院绩效管理提供了新的方法。

作者:张一 单位:商洛职业技术学院人文管理系