选择性社会服务分类

选择性社会服务分类（共7篇）

选择性社会服务分类 篇1

摘要：2015版美国卡内基选择性社会服务分类出现一些新动向:申请指南更加具体明确且导向性增强;申请报告着眼于社会服务活动的更新变化;制度性分类和描述性分类相融合;分类更加以高校为本,审核标准细化并有所提高。这些新变化在一定程度上产生了促进高校履行社会服务职能、改善高校社会服务评估状况、引导高校分类结果走向多元和推动高校制定专门社会服务政策等影响。它启示我们:社会服务也可作为分类依据;分类数据来源应多样化;应构建多元化动态性的高校分类指标体系;应制定社会服务导向政策促进教学以及高校科研和社会服务协调发展。

关键词：卡内基分类,高校分类,选择性社会服务分类

卡内基教学促进基金会(Carnegie Foundation for the Advancement of Teaching简称CFAT)是由安德鲁·卡内基于1905年建立,并于1906年由美国议会法案通过而设立的教育政策与研究中心,卡内基高等教育机构分类是其主要成就之一。[1]1973年,其首次发布了卡内基高等教育机构分类法,随后又在1976年、1987年、1994年、2000年、2005年、2010年、2015年对该分类标准进行了不同程度的更新与调整。2005年,卡内基教学促进基金会不仅对基本分类进行了调整,新增了五个相互独立的分类标准,[2]还发布了一种以院校自愿参与为前提的选择性分类(elective classification)标准。这种分类标准不同于以往综合性分类(all-inclusive classification)中依据高校职能、学位授予层次和学科覆盖度等标准对高校进行分类,这种选择性分类主要侧重于考察高等学校的社会服务职能,且根据院校提交的申请资料对其社会服务活动概况进行评审并据此对高校进行归类。卡内基选择性社会服务分类(Carnegie Community Engagement Classification)是需要院校提交申请报告并通过评审小组的审核而完成的一种分类形式。从2005年开始设计至今卡内基选择性社会服务分类共历经了三个版本:2005版、2010版和2015版,其中2005版选择性社会服务分类是于2006年和2008年两次完成的。2015版卡内基选择性社会服务分类的启动工作从2013年开始实施,并于2015年1月公布了240所高校的分类结果。卡内基选择性社会服务分类的整个过程由新英格兰高等教育资源中心(New England Resource Center For Higher Education简称NERCHE)直接管理,新英格兰高等教育资源中心与卡内基教学促进基金会在选择性社会服务分类上是一种长期的合作伙伴关系,并作为卡内基的“行政伙伴”运行和管理社会服务分类的过程,卡内基教学促进基金会不对该分类过程进行直接管理,仅是选择性社会服务分类的赞助者。[3]

一、卡内基选择性社会服务分类的新变化

卡内基选择性社会服务分类每5年一个更新周期,每10年进行一次重新分类。[4]2015版卡内基选择性社会服务分类提出了“首次参与分类”和“重新申请分类”的概念。“首次参与分类”是指之前没有参加过选择性社会服务分类,第一次提交申请报告并通过审核的高等学校的分类;“重新申请分类”是指在2006年和2008年已经完成选择性社会服务分类的院校根据其意愿重新提交申请报告且通过审核的高等学校的分类。2015版的卡内基选择性社会服务分类出现了以下一些新动向。

(一)分类的申请指南更加具体明确,导向性明显增强

卡内基选择性社会服务分类是基于院校自愿参与的原则,涉及院校社会服务数据的收集和学校身份、使命和责任说明的制度性分类。[5]《2015版卡内基选择性社会服务首次分类框架》指南和《2015版卡内基选择性社会服务重新分类框架》指南中分别有50多个问题涉及到学校的性质、责任、身份文化、领导机构、课程服务和对外拓展等,申请指南的内容更加具体明确,对申请人填写申请报告提供了有效建议,更加具有导向性。首先,第一次参与分类的院校和重新申请分类的院校可以分别根据首次申请分类框架和重新分类框架的指南填写申请报告。其次,新英格兰高等教育资源中心还专门提供了比较成功的社会服务分类报告实例供高校参考,如佛罗里达国际大学和考林大学的选择性社会服务分类申请报告。[6]最后,申请指南中不仅有详细的问题提示,还有明确的字数限制从而保证了申请报告能突出重点。[7]除了这两份申请指南之外,新英格兰高等教育资源中心还针对一些问题作了解答,如谁应该负责提交网上申请报告、如何及时有效地将申请信息输入到官方在线应用程序中、在哪里下载对外拓展的模版等。[8]之前有些高校提供的书面报告中采用不少类似“就职演说”或“采访套语”的话语来表达他们开展的社会服务活动。[9]2015版这两个申请指南的公布可以有效避免这些弊端,从而引导高校更好地描述社会服务活动状况。

(二)申请报告着眼于高校社会服务活动的更新变化

2015年重新申请分类的院校提交的申请报告着眼于高校社会服务活动的更新变化。高校分类是对高校某一阶段的发展状况进行的分类,因而其分类结果具有一定的时效性,院校原先提交的申请报告已经不能准确描述高校当前社会服务活动概况。基于此,重新申请分类的院校需根据《2015版卡内基社会服务重新分类框架》指南填写申请报告,描述院校在课程服务和对外拓展方面与上次分类时相比有哪些变化,如在课程、教师、学生和奖励等方面发生了哪些变化,或者学校在与社区合作上又有哪些新的推广计划,院校根据上次参与分类的评估结果在课程服务和对外拓展上做了哪些改善等。[10]在申请报告内容的填写上,重新申请分类与首次参加分类最大的区别是:首次参与分类主要侧重于课程服务和对外拓展方面开展了哪些活动及活动概况,而重新申请分类则主要侧重于课程服务和对外拓展活动上的变化是什么及如何变化,从而使高校的社会服务评估状况得到及时的更新调整,使高校的社会服务分类结果更加新颖准确,方便学生和高校领导等做出选择。

(三)制度性分类和描述性分类进一步融合,更具灵活性

描述性分类是描述高校的发展状况,呈现高校的实然状态。描述性分类的目的是对高校的特征进行描述,以便对具有不同学校特征的高校进行区分。[11]卡内基综合性分类是一种描述性分类。制度性分类是基于证据的对机构实践状况的一种记录。卡内基选择性社会服务分类是一种“制度性”分类(institutional classification)。[4]2010年申请选择性社会服务分类并通过审核的院校就被定义为社会服务类院校,随后这些社会服务类院校又根据综合性分类中的指标被描述为其他类型,2015年时依然延续了这种方式,只是制度性分类和描述性分类融合的方式更加灵活,在分类结果中被描述的类别也更加多样,不仅根据高等学校的办学性质、基本分类和学校学制划分为公立或私立学校;研究型大学、硕士学位授予大学、学士学位授予机构、社区学院、专门机构(艺术、医药、保健专门学校);4年制或2年制学校等几种类型,而且还对基本分类下的院校有进一步的细化,如学士学位授予机构又被分为学士学位授予机构文理学院、学士学位授予机构多科学院等。综合性分类和制度性分类是卡内基高等教育机构分类的两种形式,将二者灵活融合可以更加清楚地描述高校的概况,该方式应该在以后的分类中得到继承。

(四)分类更加以高校为本,审核标准细化并有所提高

高校分类的主体是院校,若分类做到以高校为本则可以认为该分类具有科学性和可操作性。2015版的卡内基选择性社会服务分类不仅进一步细化了分类标准,如在课程服务和对外拓展等方面的具体内容上,课程服务注重教师、学生和社区在教学、学习和奖励等活动上的互惠伙伴关系;而对外拓展则重在描述学校资源在社区中的使用情况、学校与社区间在知识资源上的互惠交换应用情况。[10]而且将申请该分类的院校的审核标准提高,2015年参加首次分类的院校有133所,最后符合审核标准被分类的只有83所。与2010年参与分类的154所院校中被成功分类的115所院校的情况相比,审核通过率明显降低,审核标准更严格。为了体现以高校为本的思想,网站上还对未满足分类标准的原因从基本指标、课程服务、对外拓展三方面逐一做了详细的说明,[14]这为院校改进社会服务的活动措施及策略提供了一定的指导。

二、2015版卡内基选择性社会服务分类的影响

(一)分类框架指南的完善促进高校更好履行社会服务职能,使“社会化”大学理念更加深化

2015版的卡内基选择性社会服务分类指标涉及课程服务和对外拓展两个方面,且共同涵盖了如下几个方面的内容:教师教学和学生学习等活动对社区的影响及双方的合作关系;学校资源对社会服务活动和学校活动对社区发展的影响;学校的社会服务课程及投入的师生比例情况等。这些可以促进高校为提高自身社会服务分类状况而积极履行社会服务职能、促进高校教师和学生积极参与社会实践活动。20世纪70年代,联合国教科文组织报告曾指出:教育必须适应社会的需要,为经济社会发展和社会生活服务。[15]在知识经济迅猛发展的时代,社会对人才的需求不断增加,高校也不再是传统意义上的“象牙塔”,遵守“社会化”理念,履行社会服务的职能也是社会发展对高校的要求。2015版的卡内基选择性社会服务分类中有详细的分类框架指南,这不仅为高校申请社会服务分类提供了参考,也可以让高校更好了解自身社会服务活动情况,从而提出相应的改善措施,使高校履行“社会化”的发展理念。

(二)动态性分类改善高校社会服务的评估状况,为大学评估提供借鉴

在2015版的卡内基选择性社会服务分类中,一个比较明显的动向就是首次分类和重新分类相结合,高校重新分类说明分类结果不是一成不变的,它是随着高校的发展而不断地更新变化。重新分类的目的是为了了解院校在社会服务方面的变化,以便改善高校社会服务状况,并更新其分类结果。高校参加重新分类要在申请报告中叙述目前的社会服务状况、自上次分类后高校的社会服务发生的变化、相关的辅助证据等三方面内容,这样不仅可以改善高校在资格审核中的社会服务分类的评估,而且使院校更加深入具体了解自身的发展,并使重新分类的结果更加准确,从而也为高校评估提供了可借鉴之处。美国的大学评估指标多侧重于教学、科研、国际化等几个维度,较少涉及到具体的社会服务,一是因为高校的社会服务活动多难以被量化,二是因为以社会服务评估高校的标准不好设立。而用于卡内基社会服务分类的申请报告作为一个描述性的结果可以反映高校的社会服务概况,为评估高校的发展状况提供了重要参考。

(三)描述性分类和制度性分类相融合,引导分类结果走向多元

2015年的选择性社会服务分类只有一个分类指标,即只要院校提交的申请报告符合分类标准且通过了审核即为社会服务类院校,这是一种制度性分类。为了更好地描述这些院校的活动概况,结合综合性分类指标体系又对其进行了描述性分类,每所高校不再只属于某类型院校而是依据不同的维度被描述为不同的类型。美国的高等教育机构体系复杂多样,一所高校不会仅属于某一种类型,从不同的维度和视角来划分,高校都可以被分为不同的类型,反映高校的复杂多样性也是美国卡内基高等教育机构分类的宗旨。描述性分类与制度性分类的融合也使这一宗旨得到更好的贯彻,这样的分类标准更加详细多样,从而也使得分类结果走向“多元”,参与社会服务分类的院校不再仅被分为社会服务类院校,而是在此基础上又以院校的活动概况特点,依据综合性分类中的各个子分类指标被进一步描述。

(四)审核标准的提高推动高校制定专门促进社会服务的政策

2015版卡内基选择性社会服务分类框架指南的公布不仅对分类结果和评估状况产生了影响,而且可以推动高校制定专门的促进社会服务发展的相关政策。卡内基选择性社会服务分类使社会服务作为高校的第三大职能受到越来越多的重视。审核标准的提高使高校为改善自身院校的社会服务评估状况而做出相关的政策调整。如佛罗里达国际大学在大学宪章中要求学校在教育学生、服务社会和国际化交流中突出社会服务,制定了在法律、医学、护理和公共卫生等专业课程上的教师招聘办法,并设立了专门的社会服务办公室办理相关事宜。[16]另外,还有院校制定了与社会服务相关的教师奖励办法以提高奖励制度的合法性,如教师的升职和任聘办法。[17]美国在《莫雷尔法案》之后就开始重视高校的社会服务职能,不但创办了社区大学及其他专门学校,高校还以各种各样的形式履行这一职能。2015版卡内基选择性社会服务分类中审核标准的提高,使得高校可以更好地履行社会服务的职能和改善社会服务分类的评估状况,并制定提高自身社会服务水平的措施以肯定和鼓励高校的社会服务行为。

三、对我国的启示

(一)坚持“社会化”的大学理念,探索性地将社会服务作为高校分类的依据之一

目前,我国的高校分类指标体系涉及到教学和科研方面,但是很少涉及社会服务。虽然也有国内学者提出要根据高等学校的社会服务职能进行分类,但是在分类时没有将社会服务职能与人才培养和科学研究这两个职能区分开来作为单独的分类标准,分类结果中也没有社会服务型院校,分类体系中也没有类似于卡内基分类中的专门关于社会服务分类的标准、指南和政策建议等。借鉴美国卡内基选择性社会服务分类的标准和内容框架指南,并结合我国高校实际情况探索性地将社会服务作为高校分类的依据之一,从而制定符合我国实际的高校分类标准,就显得十分有意义。以社会服务为标准对高校进行分类时可以根据高校与社会的互惠合作情况来构建高校分类的指标体系,如将高校的资政建议、院校的社会参与活动和科研成果转化情况等作为高校分类的指标。以社会服务为标准的高校分类不仅可以促进学校和社会的双向参与,而且可以全面反映高校的活动概况,增加高校分类指标体系的科学性和普适性。

(二)分类数据力图来源多样化:官方统计、自愿参与和大数据挖掘方式相结合

借鉴美国的卡内基选择性社会服务分类中院校自愿参与原则收集数据的方式,我国在对高校分类时要探索出适合我国国情的高校分类数据采集方式,即官方数据统计、院校自愿参与和大数据挖掘方式相结合的多样化数据采集方式。首先,官方的统计数据比较权威和准确,以此数据对高校进行分类的效度和信度都较高,应成为主要的数据收集方式。其次,一些在官方统计数据中难以得到的高校活动信息,可以以尊重高校的意愿为前提采取自愿参与的原则采集信息,这一方式可以作为收集信息的辅助手段。最后,由于我国的国情不同于西方国家,还可以在上述两种方式的基础上探索性地采取大数据挖掘的方式,开辟数据收集的新途径。大数据是以容量大、类型多、存取速度快、应用价值高为主要特征的数据。目前国家正在进行政府数据资源共享开放工程、国家大数据资源统筹发展工程、政府治理大数据工程等一些大数据项目。[18]这也为大数据挖掘方式收集高校的活动信息提供了可能,这一方式应成为数据收集方式的重要补充。

(三)构建多元化、动态性的高校分类指标体系

分类标准和结果都不是一成不变的,而应随着高校的发展而不断变化,从1976年以来卡内基高校分类标准的演变可以看出,分类标准要具有动态性才能适应高等教育机构的发展。但是,目前我国还没有全国统一权威的定期发布的高校分类体系,2010年发布的《国家中长期教育改革和发展规划纲要(2010~2020)》提出,要促进高校办出特色,建立高校分类体系。2015年10月,教育部新出台的文件《教育部、国家发展改革委、财政部关于引导部分地方普通本科高校向应用型转变的指导意见》推动地方院校向应用技术型院校转型,并以民办本科院校和独立学院作为试点,指出要建立高校分类体系,实行分类管理,制定应用型高校的设置标准。[19]在此基础上采用多元化及动态性的高校分类则显得十分有必要。目前我国的高校分类指标体系动态性特征不明显,这也是我国目前还没有全国公认的具有科学性和普适性的高校分类标准的原因之一。在制定我国高校分类标准时,应充分考虑分类标准具有动态性从而适应整个高等教育体系发展,构建多元化和动态性的高校分类指标体系迫在眉睫。

(四)制定专门的促进社会服务的政策,使高校教学、科研和社会服务协调发展

高等学校三大社会职能的历史发展顺序是人才培养、科学研究和社会服务,我国高校重科研、轻教学、忽视社会服务的情况十分突出。而欧美等高等教育强国已将社会服务职能作为其高校发展的重要导向,如社会服务型大学作为欧美高校分类中的一个新类别已成为国外高校分类的重要趋势。我国教育部发布的《国家中长期教育改革和发展规划纲要(2010~2020)》指出,高校要树立社会服务的意识,加快科技成果的转化,推进产学研相结合,增强高校的社会服务职能等。[20]基于此,我国可以进一步扩大高校社会服务促进政策,使教学、科研和社会服务在高校中协调发展。如国家制定专门的高校与社会合作和专利申请政策,高校建立教学、科研和生产相结合的体系促进校企合作,利用高校的人才优势增强学校的社会服务能力,从而实现学校和社会发展的双赢。

选择性社会服务分类 篇2

国际市场进入模式是指“将企业的产品、技术、人员技巧、管理或其他资源引入国外市场的一系列制度安排。” (1) 服务自身的特性以及企业在实践中面临的比制造业更大的不确定性给服务企业国际市场选择模式研究带来了诸多困难。目前大多数国内外学者的研究都集中在传统理论对服务企业国际市场进入模式的适用性研究以及影响因素等方面, 基于服务产品分类观点的研究比较少。Sivakumar在Foreign Market Entry Mode Choice of Service Firms:A Contingency Perspective (1998) 一文中以折衷理论作为基础, 提出了服务企业海外市场进入战略模型, 突出强调了广义的产品分类 (实体产品和服务) 对进入模式选择的重要作用。作者认为服务的分类在服务企业进行进入模式选择时起到了最为重要的作用, 采取的分类方法是Erramilli (1990) 对服务的分类:硬服务和软服务。区分这两类服务的基本指标是服务本身的无形性以及生产和消费的不可分离性。典型的硬服务无形性和不可分离性都比较低, 一般以包含服务内容的有形产品为载体表现出来, 如磁盘、CD唱片或图纸等。其进入模式选择表现出与典型制造业大致相同的方式。反之, 软服务例如咨询、医疗保健等, 无形性和不可分离性较高, 在进入模式的选择上, 不能通过出口方式, 可以选择契约或者对外直接投资方式。这种关于硬服务和软服务的服务分类在目前看来也是被国内学术界引用最多的一种分类。

此外, 其他文献中也提到了关于服务产品的分类。Schmenner (1986) 根据劳动密集程度和顾客互动与定制化程度两者的高低, 把服务划分为四类:即服务工厂 (service factory) 、服务商店 (service shop) 、大众服务 (mass servicse) 和专业化服务 (professional servicse) 。在此基础上, Davis Tim (1999) 进一步提出, 依据服务任务是标准化的过程还是个性化的知识, 以及服务的传递是一体化的还是分散化, 将服务分成服务工厂、服务商店、服务作坊和服务综合四类。Clark等人在Toward a theory of International Services:Marketing Intangibles in a world of Nations (1996) 一文中, 从服务国际化的角度, 确定了物体型服务 (object-based services) 、传输型服务 (vehicle-based services) 、接触型服务 (contact-based services) 、资产型服务 (asset-based services) 四种服务类型。笔者在下文中将对这四种类型的服务分进行详细的论述。

二、服务企业国际市场进入模式选择及其特性

国际市场进入模式描述的是企业对进入国际市场的产品、技术、管理方法或其他资源所进行的系统规划, 直接影响到企业进入国际市场之后的资源投入数量和经营活动方式。 (2) 一般情况下服务企业进入国际市场的模式主要有:出口进入模式、合同进入模式、投资进入模式和电子营销模式。电子营销模式是指服务企业通过国际互联网和先进的电子技术将产品或服务提供给消费者, 它随着电子商务的发展而兴起, 有效地规避了目标市场国的各种风险。

资料来源:作者整理

三、基于Clark等人的四种服务类型的国际市场进入模式选择

在Toward a theory of International Services:Marketing Intangibles in a world of Nations (1996) 一文中, Clark等人从服务国际化的角度, 基于服务提供的手段和方式, 确定了物体型服务 (object-based services) 、传输型服务 (vehicle-based services) 、接触型服务 (contact-based services) 、资产型服务 (asset-based services) 四种服务类型。尽管同一服务可以通过多种方式提供给国外消费者, 但正如笔者在文章开头指出, 只有通过对服务类型进行分类, 才能透过服务本身纷繁复杂的特性, 研究服务提供者--服务企业的国际市场进入模式选择。以上这种服务类型分类, 相比硬服务和软服务的分类更加深入和细致, 与服务贸易总协定规定的国际服务贸易四个方面的内容联系得也更为紧密。

资料来源:作者整理

物体型服务是指通过各种技术手段, 将服务存储或转化为物质载体, 以有形物质产品的形式销售给国外消费者, 涉及国际服务贸易中的跨境支付。对于物体型服务的提供者来说, 由于这类服务具有和货物类似的特性, 故最合适的国际市场进入模式就是出口。在世界贸易组织框架内, 这类服务的出口属于跨境支付, 各成员国对跨境支付方式的市场准入和国民待遇承诺高于服务贸易的其他方式, 且服务企业可以通过出口的方式初步了解国外市场环境, 积累国际化经验。在出口方式的选择上, 通过间接出口的方式可以以较低的成本取得即期利润, 面临的风险也较小。采用直接出口方式, 则能够直接接触国外消费者, 逐步建立起自己的销售渠道。

当服务不经由物质载体而直接通过电话、广播、电视、网络和卫星传递给国外消费者时, 就属于传输型服务, 除涉及跨境交付外, 当服务提供者在服务接收者所在国投资建设自己的传输系统时, 亦涉及到商业存在。对于传输型服务而言, 从理论上来讲可以使得服务提供者不受国界限制, 到达任意广阔的市场。对于这类企业, 最宜选择的国际市场进入方式是通过电子营销模式, 以信号形式传输服务, 使服务企业在不跨越国家的情况下, 创造和存在于东道国同样的效果。对电子渠道本身的建设, 服务企业可以采取契约模式, 在目标市场国选择伙伴进行战略合作, 签订合作契约, 向相关企业出售服务。

接触型服务是指服务提供者或消费者跨越国境, 从事面对面的交易, 从人员移动的角度来看, 若是消费者流向提供者所在国, 则涉及境外消费、若是服务提供者流向消费者所在国, 且只是个体服务人员的流动, 则涉及自然人流动, 若需要建立机构, 则亦涉及商业存在。接触型服务的生产企业一般都要直接面对国际市场, 在只涉及到自然人流动的情况下, 如果是国外消费者跨越国境来到服务企业所在国, 服务企业一般是采取内向型的国际化方式, 加强对员工的跨文化培训, 增强对国外消费者的吸引力。同时也可以采取出口的方式, 派专业人员到国外为国外消费者提供定制服务, 这类出口和物体型服务有些类似, 只是承载服务本身的不是物而是自然人。在出口方式上除直接出口外, 也可以采取间接出口的方式, 例如, 当制造业企业向国际市场出口设备时, 工程服务、保险服务企业可以与其合作, 采用间接出口的方式进入国际市场。接触型服务企业对于拥有充裕劳动力资源以及高级技术人才的国家具有显著的贸易利益, 可以缓解国内的就业压力, 并带回国际市场经验。当接触型服务涉及到在国外建立一个机构时, 一般需采取直接投资的方式进入国际市场。

资产型服务是指服务提供者通过在国外建立和运营服务机构向国外消费者提供服务, 母国对东道国的机构实施控制。资产性服务的提供者必须在国外建立商业存在, 否则无法向国外消费者提供服务, 因此一般采取直接投资的方式进入国际市场, 将企业的生产经营活动转移到国外市场, 合理配置生产要素, 有效控制海外生产经营, 逐渐在国际市场上建立品牌影响力。尽管由于有资本的大量跨境交易, 企业的退出障碍相对较大, 但是一般不需对厂房、机器设备等固定资产进行大量投资, 并且由于服务生产与消费的互动本质, 因此为保证服务的质量, 企业一般需采用控制程度较高的方式即独资方式进入国际市场。但是目前国际市场上, 服务企业间的跨国并购趋势越来越明显, 采取这种国际市场进入模式, 可以更加快速地进入目标国市场, 获得已经建立起来的顾客关系和渠道。同时, 选择跨国并购模式的服务企业除出于企业本身的经营战略所需之外, 也受到某些特殊因素的影响, 例如服务企业所在国国家能力较强, 企业结构和运作模式代表着国际先进水平, 或是受文化因素的影响, 更加倾向于选择并购模式。

四、总结

随着服务业地位的不断上升和服务企业国际化的发展步伐加快, 由于服务本身的特殊性, 企业在选择国际市场进入模式时需要考虑复杂和多变的影响因素。由于服务产品的跨国提供者可以是自然人, 制造业或者服务业, 因此从合理的服务分类着手讨论服务企业国际市场进入模式选择不失为一种有效的开展理论研究和指导实践的手段。本文根据Clark等人在Toward a theory of International Services:Marketing Intangibles in a world of Nations (1996) 中提出的物体型服务、传输型服务、接触型服务、资产型服务四种服务类型简要阐述了适合各类型服务的提供者的国际市场进入模式。对于这四种类型的服务分类还有待于依据服务企业在选择国际市场进入模式时需要考虑的影响因素做进一步的深入细分。

摘要：在企业国际化经营成为世界经济发展重要特征的背景下, 服务企业走出国门, 进入国际市场显示了服务企业的能力, 有利于赢得客户的信任和塑造国际化的品牌形象, 而选择合适的国际市场进入模式对服务企业成功开展国际化运作则有着至关重要的意义。本文引入对服务企业提供的产品进行分类的观点, 讨论了各种类型服务产品的提供者应选择的国际市场进入模式。

选择性社会服务分类 篇3

关键词：泸宁鸡,繁殖选育,综合选择,指数构建,聚类分析,繁殖选配群,试验

遗传现象在一切生物中是普遍存在的, 而畜禽的表型值, 是由遗传物质+环境→生物性状, 按照遗传原理, 在开展畜禽品种繁殖和选育工作中, 要提高性状的遗传水平离不开选种和选择工作;为了掌握地方泸宁鸡的选配效果, 对繁殖选配群进行了聚类分析的分类选择和综合指数的构建, 旨为泸宁鸡繁殖选育工作提供依据。

1 材料与方法

1.1 分析材料来源

在泸宁鸡繁殖中, 按公母1:10组群选配繁殖, 参照5周龄为最适选择期, 所获后代按繁育群和个体随机抽样测定5周龄体重和体尺性状, 作为制定综合指数和聚类分析材料。

1.2 综合指数制定方法

1.2.1 方法

按照综合指数的计算原理, 此例计算需要的基础数据, 以实例资料直接计算得到各性状的平均值 (pi) 和个体表型值 (pi) ;借鉴文献资料拟出各性状遗传力 (hi2) ;所需各性状加权值 (wi) ;用性状的表型值标准差作数据标准化处理, 并进行规一化处理, 使∑wi加权系数之和等于1。

1.2.2 计算a值

按下式计算a值, , 同时再把a值按比例分配给各性状, 分别求出a1, a2, a3, ……, an, 并要求各性状an值之和等于100。

1.2.3 计算选择指数

由下式计算选择指数, , 计算过程凡是下选性状应取反比值。

根据计算结果, 该例的指数式表示为:I=a1p1+a2p2+a3p3+a4p4+a5p5+a6p6+a7p7+a8p8。

1.3 分类选择计算

采用系统聚类分析法, 利用Spss软件作统计分析, 因此例主要是探讨选择指数, 仅用分类选择资料作比较, 其分类的计算过程此文省略。

2 结果与分析

2.1 选配繁殖群综合选择指数分析

经计算分别获得4个繁殖群36日龄性状的综合选择指数102.1500 (24号群) >102.0700 (27号群) >99.4000 (28号群) >94.7300 (26号群) , 按照选择指数标准为100, 4个选配群的选择指数有差异, 仅有24号群27号群达到选择标准指标, 说明要提高现有泸宁鸡遗传水平, 必须加强选择, 并应从个体优选开始, 通过选配效果的测试, 选优组织选配繁育工作是十分必要的。

2.2 综合指数的运用分析

根据计算所获指数计算结果是:I=2.02p1+1.5p2+0.9135p3+1.2p4+1.42p5+10.38p6+2.12p7+2.49p8, 进一步考察个体指数值, 利用其中达到平均指数100以上的27号群的个体性状指标, 代入所得指数计算式计算得到各个体的选择指数, 同时列入聚类分析类别 (见表2) 作比较分析。

其一, 从综合指数分析结果, 看出27号繁殖群39个后代, 达100选择指数标准的个体为15个占38.5%, 未达到标准有24个占61.5%, 一是表明选配群中有一定性状较优后代;二是还有大部分后代表现较差, 为优选和淘汰提供了依据, 其结果应该指出, 严格加强选择工作是提高泸宁鸡遗传性能的必要工作。

其二, 当采用聚类分析所划分的最优类, 次优类和较差类, 与所计算的选择指数作比较, 可看出最优类4个个体平均选择指数为106.9716, 全部达到指数选择标准;次优类20个个体平均选择指数100.3701, 达到选择标准, 但其中达到100指标标准的仅12个平均指数102.8600占60.0%;还有8个未达到选择标准;较差类15个个体的平均选择指数仅为92.9330, 无一达到100选择指标, 比优类和次优类选择指数明显要低, 表明采用聚类分析和指数分析结果优类完全吻合, 次优类基本吻合, 聚类分析可在选配工作前对选配鸡作选择, 可见对泸宁鸡作个体优选组织选配方案是必要的。

3 讨论与小结

(1) 该分析研究对泸宁鸡不同扩繁群进行体重、体尺性状综合指数统计分析, 结果4个选配群仅有二个选配群综合指数达到100选择标准, 选择指数是一个带育种性质的指标, 是一种有效的选择方法, 可见选配群的遗传水平可选性较低;同时将最高选择指数群按个体代入选择指数式作个体选择指数计算, 达到100选择指数个体只有38.5%, 说明未经优选选配组群选配效果较差, 只有加强选择工作的基础上开展选配工作才可能取得好的选育效果。

选择性社会服务分类 篇4

财务困境是指企业因遭受严重的外部挫折或内部财务活动失去控制而使得财务状况所处的危险或紧急状态, 一般包括流动性不足、无力支付到期债务、拖欠优先股股利、盈利能力实质性或持续性削弱、甚至破产等情形。它不但给公司本身带来各种直接或间接的成本甚至影响其生存和发展, 而且直接伤害到投资者的利益。进行企业财务困境预测 (Financial Distress Prediction, FDP) 能够在其财务状况陷入困境前予以警示。由于企业财务困境预测的关键是预测模型的构建, 如何构建准确、有效的财务困境预测模型一直属于该领域理论研究的热点问题。

2 文献回顾

财务困境预测建模方法基本的研究进展可以简要概括为:从单变量分析到多变量预测, 从传统统计方法到基于人工智能的机器学习方法, 以及从单一分类器独立预测到多分类器组合预测。Kumar和Ravi (2007) 在对1968～2005年的破产预测方法进行综述的文献中指出:组合模型往往能够弥补各单一分类方法的不足, 充分利用各自的信息优势, 进而提高组合系统的预测精度。并且他们指出构建新颖的或者更加合理的组合系统将是未来财务困境预测研究的热点问题[1]。此后, 利用各种新颖的分类算法和融合技术进行FDP组合研究的成果越来越丰富。构造多分类器系统的方法非常多, 但大致可以分为两类:分类器扰动和样例扰动。分类器扰动即利用分类学习算法的不稳定性或利用多种算法在一个数据集构造多分类器系统。Sun和Li (2008) 以先验分类性能为权重, 对各基本分类器的预测结果进行加权投票融合, Cho等 (2009) 利用人工神经网络对各基本分类器进行赋权融合, 实验结果均表明多分类器系统在准确率和稳定性上均优于单分类器模型[2,3];Li和Sun (2009) 利用基于不同度量的CBR模型构造组合模型, 比较多数投票和加权多数投票的融合结果, 并与MDA和Logit模型比较, 实验结果证明了基于加权多数投票的多案例推理分类器系统的可行性和有效性[4]。样本扰动又可以分为两种, 一种是利用不同的训练样本子集获得基本分类器, 如Bagging方法和boosting方法;另一种是利用数据集的不同特征子空间构建基本分类器, 如随机特征子空间法 (Random Subspace Technique) 。Tsai和Wu (2008) 分别在同一数据集上、多个数据集上构造神经网络多分类器系统, 实验结果表明组合分类器的性能并没有优于单一分类器, 他们认为其构造的多分类器系统可能并不适用于二元分类[5]。利用与Tsai和Wu相同的数据集, Nanni和Lumini (2009) 比较了各种多分类器构造方法, 认为基于Leveberg-Marquardt神经网络的随机特征子空间方法优于其它多分类器模型[6]。国内学者孙洁等 (2009) 提出了FDP的多分类器混合组合模型, 采用差异化原则和个体优化原则作为选择基本分类器的标准, 首次将组合模型结构选择引入FDP研究之中, 实验结果表明该模型显著优于单分类器FDP模型[7]。

目前模式识别领域有关多分类器系统的研究普遍认为:组合自身分类精度高且个体之间差异大的多个分类器能形成强大的分类系统[8,9];此外, 挑选部分分类器进行融合分类效果比组合全部分类器更好[10]。当可供选择的基本分类器较多时, 如何从中选择一部分分类器进行集成, 形成一个简洁高效的组合分类系统, 本文将其定义为选择性集成问题。针对上述问题, 目前国内外的FDP研究鲜有涉及, 文献[7]采用差异化和个体优化的策略选择基本分类器, 但是该种方法也没有得到一致有效的结果, 并且如何定义基本分类器之间的差异也还存在分歧[11]。

遗传算法 (Genetic Algorithm, GA) 是由Holland教授在20世纪60～70年代发展起来的一种全局优化自适应概率搜索算法。它使用群体搜索技术, 通过对当前群体施加选择、交叉、变异等一系列操作来产生出下一代群体, 从而使群体逐步进化到包含或者接近最优解得状态[12]。在FDP领域, GA应用成果丰富, 如Shin和Lee (2002) 使用GA提取破产模型的判别规则[13], 但更多的是利用GA进行特征子集的选择或模型参数的优化[14,15,16,17]。对于利用GA进行最优组合多分类系统搜索的可行性, 目前尚缺乏有效的证据予以支持。

在FDP研究的环境下, 与多数文献事先静态给定组合系统的基本分类器构成不同, 本文利用GA从众多基本分类器中进行最优组合系统的动态集成, 该方法无需计算分类器之间的差异性, 从而形成一种新的财务困境组合预测方法。实证研究中, 利用中国上市公司的实际数据对该模型的应用效果进行实验和验证, 证明了该方法在中国上市公司FDP方面具有可操作性和有效性。

3 GA选择性集成多分类器系统基本原理

3.1 设计思路及模型构架

利用GA进行多分类器系统的选择性集成需要三个步骤:①备选基本分类器库的构建;②利用GA从基本分类器库中对最优组合系统进行动态挖掘, 即选择性集成过程;③最优组合系统内部各基本分类器信息融合机制。其基本结构如图1所示。

步骤1:对包含N个财务指标的初始数据集进行特征提取, n种不同的方法可以获得n个相异的特征子集, 它们包含了企业财务困境的不同信息侧面, 是进行信息融合的基础;对于某一特征子集, 分别使用m种不同的学习算法训练基本分类器, 这样可获得的备选基本分类器个数=m×n;由于它们或是基于不同特征空间构建, 或是基于不同学习算法训练而成, 因此一定是差异性基本分类器, 满足构建组合系统的基本前提。

步骤2:针对步骤1所构建的基本分类器库, 利用GA搜索最优基本分类器组合, 该方法直接以组合系统预测精度为优化目标, 通过引入自然界的适者生存和优胜劣汰机制, 逐步进化到最优解或满意解。

步骤3:对经过GA选择得到的最优基本分类器组合进行预测结果集成, 得到经优化的组合系统。本文采用目前较为常用的加权多数投票方式。由于步骤2中直接以组合系统预测精度为优化目标, 过程涉及大量基本分类器组合寻优, 所以步骤3中所使用的加权多数投票方法在2中亦有所体现。

步骤2是该方法的核心部分, 下面详细予以讨论。

3.2 GA搜索最优系统算法设计

遗传算法可定义为一个8元组:

$SGA=(C,E,{\rm P}{}_0,{\rm M},\Phi ,\Gamma ,\Psi ,{\rm T})(1)$

其中:C为个体的编码方法;E为个体适应度评价函数;P0为初始种群;M为种群规模;Φ为选择算子;Γ为交叉算子;Ψ为变异算子;T为遗传运算终止条件。

(1) 个体编码方法

遗传算法使用固定长度的二进制基因符号串来表示群体中的个体染色体 (Uk, k=1, 2, …, M) , 其等位基因由{0, 1}所组成。备选基本分类器个数为m×n, 则每一个可能的多分类器系统 (即Uk) 可由m×n位二进制的基因符号串来编码, 每个等位基因与一个备选基本分类器相对应。基因值为1表示该等位基因对应的基本分类器被包含进组合系统之中, 为0则表示不被选中。

(2) 个体适应度函数

个体适应度用来度量群体中各个个体在优化计算中能达到或接近于最优解得优良程度。适应度较高的个体遗传到下一代的概率就较大;而适应度较低的个体遗传到下一代的概率就相对小一些。度量个体适应度的函数称为适应度函数。对于多分类器系统选择性集成问题, 由于我们的目标是选择出泛化性能优良的组合系统作为最终结果, 因此可以将群体中个体染色体 (多分类器系统) 的v折交叉验证[18]5种特征提取方法在数据集U′t-2和U′t-3上进行特征提取。在数据集U′t-2上, t检验和ANOVA的显著性水平设定为1%, U′t-3数据集设定为5%; NRS的邻域度量设定为δ=0.15, 停止准则为特征子集的显著性增量ΔSIG≤0.001。特征提取结果如表2所示, 除t检验和ANOVA特征提取结果相同外, 其它特征提取方法结果差异较大。

(2) 备选基本分类器库构建

基本分类器学习算法选择目前财务困境预测领域较为流行的4种方法:包括支持向量机 (SVM) 、多元判别分析 (MDA) 、逻辑回归 (Logit) 、决策树 (CART) 。针对某一数据集U′t-x, 在3.3 (1) 所获4个相异特征子集和原始特征集上分别利用上述4种方法构建基本分类器, 故备选基本分类器个数=5 (特征子集个数) ×4 (分类学习算法数) =20。20个基本分类器的10折交叉验证预测准确率列于表3和表4。

(3) GA搜索最优系统参数设置及实验结果

在GA搜索最优组合系统的实验中, 根据遗传算法参数的经验范围并经多次实验, 最终选定参数如下:群体规模M=50, 交叉概率Pc=0.8, 变异概率Pm=0.1, 个体染色体基因串长度=5×4=20, 民终止代数T=150; 同时, 以表3和表4所示的准确率作为权重对组合系统内各基本分类器的预测结果进行加权多数投票集成, 例如, 若 (t-2) 数据集的SLR+SVM基本分类器被选中, 则对其预测结果赋权89%, 而对相反结果赋权11%, 组合预测结果为系统内获取较大权重和的类别预测结果。按照上述参数在两个数据集上分别进行实验的结果如图3、图4、表5所示。同时, 在 (t-2) 年和 (t-3) 年分别利用GA选择最优组合系统的基本分类器构成如表3和表4中黑体所示。

4.4 实验结果分析及讨论

① 如表3、表4所示, (t-2) 模型的准确率普遍高于 (t-3) 模型的准确率, 说明越临近困境点, 企业状况在财务指标上所反映的恶化征兆越明显, 因此构建的模型预测能力越强。从横向均值的比较来看, SVM都具有最优的预测准确率, MDA和Logit性能接近, 而CART则最差。纵向均值反映各种特征提取方法挖掘分类信息的能力, 从中可以看出:各种特征提取方法构建的模型均优于原始特征集, 说明了财务困境特征提取的重要性;各种方法所获特征子集差异较大, 但均具有较强的预测性能, 满足组合系统对基本分类器准确性的要求。

② 如表5所示, 将20个基本分类器全部集成的组合系统预测准确率低于基本分类器最优准确率, 下降幅度分别为 (t-2) 数据集0.5%、 (t-3) 数据集0.75%, 而利用GA选择性集成系统预测准确率分别达到91.25%和80.75%, 较之全集成分别提高了2%和3.75%, 可见组合并不一定会带来系统预测准确率的提升以及选择性集成的必要性。从图3和图4的种群适应度最大值曲线来看, 其形状大致呈阶梯上升趋势, 并在100代左右收敛;从适应度均值曲线可见, 其大部分高于基本分类器最优线, 说明了设计良好的组合系统确实可以提高预测性能, 其大致向上的进化方向也说明了GA选择性集成的有效性。从表3和表4阴影所示的组合系统内部构成来看, 在 (t-2) 数据集上, GA优化系统选择了7个基本分类器, 组合系统预测准确率高于系统内个体最优准确率 (也是基本分类器最优准确率) 1.5%; (t-3) 数据集上选择了8个基本分类器, 组合系统预测准确率高于系统内个体最优准确率3.25%, 高于基本分类器最优准确率3%, 离标准年份t越远, GA优化组合系统的性能提高越明显, 进一步说明了该方法的有效性; 不同年份的最优组合系统并不是基分类器库前7个或8个性能较好的基本分类器组合, 基于CART构建的基本分类器性能较差, 但是在最优组合系统中分别占据3个和4个位置, CART算法的不稳定性为组合系统内部提供了较大的差异性, 即信息互补性, 表明在满足准确性的前提下, 提高系统内个体的差异性是提高系统性能的有效手段。

5 结论

多分类器组合预测是目前财务困境预测领域研究的热点。现有研究大多静态给定组合系统构成, 没有考虑当可供选择的基本分类器个数较多时所面临的选择性集成问题。因此, 本文提出了GA选择性集成多分类器模型, 该方法无需度量个体分类器之间的差异性, 直接以组合系统预测准确率为优化目标, 实现了组合系统结构的动态挖掘。以中国上市公司为对象的实证研究中, 通过与全集成模型的比较, 说明了选择性集成的必要性;通过与最优基本分类器以及系统内最优个体分类器进行比较, 证明了选择性集成的有效性;并且距离标准年份越远, 组合模型的优化效果越显著。本文的不足之处在于:建立模型过程所需实验参数较多, 并且对于如何确定合适的实验参数缺乏较好的理论依据, 所采用的遗传搜索需要较多的计算时间, 这是后续工作中需要进一步研究的问题。

摘要：为了更加有效地进行企业财务困境预测, 本文提出了基于遗传算法选择性集成的多分类器系统。与事先静态给定系统内部基本分类器组成不同, 该方法以组合系统预测准确率为优化目标, 无需度量各基本分类器之间的差异性, 可以动态挖掘最优组合系统。实证研究中以中国上市公司为研究对象, 以10折交叉验证准确率作为评价标准, 结果表明该方法显著优于全集成以及单分类器最优模型。

选择性社会服务分类 篇5

关键词：变压器,故障诊断,贝叶斯网络,选择性分类器

0 引言

针对传统的变压器故障诊断方法的不足.各种智能技术被引入变压器故障诊断中.并取得了比较好的效果[1,2,3,4,5]。变压器检修试验所获取的数据包括离线试验数据和连续监测的在线数据.在实际应用中。由于受到环境和条件的限制。大部分情况下得到的数据样本或者包含不完整数据或者变压器故障样本数很少, 如何充分利用有限的变压器数据样本和不完整数据样本中包含的信息。始终是变压器诊断领域研究的热点问题。

贝叶斯网络用概率测度的权重来描述数据间的相关性.从而解决了数据间的不一致性问题和信息不完备问题[6,7,8]。针对变压器故障诊断中原始试验数据的属性缺失问题。文献[9]使用粗糙集进行属性的约简, 然后再利用贝叶斯网络分类器进行故障甄别, 取得了较好的效果:但即使是经过属性约简之后的试验数据, 可能还有部分数据不完整。本文将使用选择性贝叶斯分类器解决该问题, 直接从不完整数据计算贝叶斯网络结构的测度值来学习一般的贝叶斯网络。选择性分类器通过删除数据集中的无关属性和冗余属性可有效地提高分类精度和效率。

在不完整数据条件下, 一般贝叶斯网络的学习是一个难点问题。虽然在这方面取得了一定的成果, 如近似边缘分布方法[10]、AutoClass方法[11]、SEM (Structural EM) 算法[12]等。但这些方法的共同策略是对不完整数据进行修补, 采用循环迭代、逐步求精的学习过程.这需多次迭代才能收敛, 并且每向前迭代一步都要进行一次数据修补。变压器故障诊断中。即使经过粗糙集约简, 不完整数据仍有可能比较多, 若采用以上方法学习贝叶斯网络。将是很耗时甚至是不可行的:同时, 这些方法都基于缺值数据满足MAR (Missing At Random) 假设[13]。当不满足这个假设时, 其数据修补方法的精度会显著下降, 由此构造的分类器的精度也会下降[14]。为避免MAR假设, 文献[15]提出了一种RBC (Robust Bayes Classifier) , 该方法在不要求缺值数据满足MAR假设的前提下, 可以直接从不完整数据构造贝叶斯分类器。文献[16]提出了用于不完整数据的选择性贝叶斯分类器SRBC (Selective Robust Bayes Classifiers) , SRBC是在RBC基础上利用包装法构建的用于不完整数据的选择性贝叶斯分类器;并证明该方法在大幅度减少属性数目的同时, 能显著提高分类准确率和稳定性, 分类效果优于朴素贝叶斯和其他选择性分类器。

1 基于S R B C的变压器故障诊断模型

1.1 属性变量、故障类、训练样本集的确定

变压器故障属性集、故障类、训练样本集分别如表1、表2、表3所示[9]。表3中x2=0、x2=l、x2=2、x5=0、x5=1、x5=2分别表示油中溶解气体分析 (DGA) 结果为无过热、低温过热、高温过热、无放电、低能量放电、高能量放电;x1、x3、x4、x7、x8、x9、x10、x11、x13、x14、的值为0、l、2分别表示属性值和趋势值均不超标、属性值或趋势值超标、属性值和趋势值均超标;*表示因试验未做而不能确定的值。

1.2 模型的建立

本文利用文献[16]提出的用于不完整数据的SRBC直接从不完整数据计算贝叶斯网络结构的测度值来学习一般的贝叶斯网络.从而构建针对变压器故障属性缺失之下的故障诊断模型。文献[16]在利用包装法构建SRBC的过程中, 采用了搜索效果好而复杂度相对较低的最好优先前向搜索方法对属性空间进行搜索。

设X={x1、x2…x N}为整个变压器故障属性的集合。N为X中属性的个数, 本文取N=14:Q为一个队列。用来存放曾是最优的变压器故障属性子集及其对应的故障诊断正确率;Sb为当前最优变压器故障属性子集, d (S) 表示RBC在变压器故障属性子集S上的故障诊断正确率;阈值T为用来控制搜索过程是否停止的参数, 即如果连续T次对Q的头结点进行扩展都没有使当前最高故障诊断正确率改善, 则搜索过程结束。

SRBC算法可描述如下:

a.初始化, 设置参数T, 令整数t=0, 令变压器故障属性x S=arg max{d ({xi}) }, 当前最高分类精度dmax=d ({x S}) , 将变压器故障属性子集{x S}作为一个结点加入到队列Q中;

b.当t<T时执行步骤c, d和e, 否则执行步骤f;

c.取出Q的头结点Sh (为一属性子集) , 令added=false (added用来标志在对Q的头结点的扩展中, 是否向Q中加入新的结点) , 对每一属性x∈X-Sh, 如果Sh∪{x}没有被评价过, 且d (Sh∪{x}) >dmax, 则令added=true, Sb=Sh∪{x}, dmax=d (Sh∪{x}) , 以及t=0, 并且将Sb作为一个新结点加入到队列Q中;

d.如果added=false, 那么t←t+l;

e.转到步骤b继续执行;

f.在最终的变压器故障属性子集Sb上构建RBC。

2 实验对比与实例分析

2.1 实验对比

为了与文献[9]的方法进行对比, 本文利用文献[9]整理搜集的变压器测试数据, 同样地, 取200个样本中的150个实例作为训练集, 50个实例作为检测集, 构建了SRBC变压器故障诊断模型。

a.属性信息缺失时选择性贝叶斯分类器与各种分类器诊断效果的比较。

工程实际中样本的属性信息经常是残缺的, 为了模拟属性残缺情况, 文献[9]将上述50个待检测样本 (多数存在属性缺失现象) 作为检测样本集的基础, 随机去掉2~10个属性值的测试样本各500个。本文利用相同的数据集, 建立SRBC模型对测试样本进行诊断, 同时与文献[9]所建立的NB、TAN、BAN模型和粗糙集决策表匹配方法进行比较, 比较结果见表4。结果表明SRBC具有较强的处理不完备信息的能力, 其诊断效果优于TAN、NB、BAN及粗糙集决策表匹配方法。

b.与文献[9]所建立的NB、TAN、BAN粗集分类器模型诊断效果的比较。

为了与各种诊断模型在诊断效果方面进行比较, 与文献[9]一样, 本文在50个待检测样本的基础上形成了30个缺失一个关键属性的样本 (关键属性个数为3~5个) , 诊断结果对比见表5。

2.2 实例分析

某主变 (SFSZ7-40000/110) , 所用有载开关为ZYI系列国产开关, 1995年5月18日安装投运.由于供电用户对电压合格率要求高, 调压频率比较频繁, 变压器DGA数据如表6所示。

由于气体组分中C2H2占主要成分, 且超出注意值, IEC三比值码为100, 初步怀疑变压器内部存在高能量的放电故障。由表6和试验规程可知x2=0, x5=2, x9=0。油中微水含量为11.5μL/L, x4=0。另外, 现场停电对变压器进行全面电气检查试验, 变压器绕组直流电阻、空载损耗、绕组及铁心绝缘、变压比、绕组泄漏电流等试验项目均无异常, 所以x1=0, x7=2, x13=0。

使用SRBC模型和文献[9]中的模型分别进行故障诊断, 结果如图1所示 (图中, i=0, 1, …, 12) 。很明显, 在已知数据E的前提下SRBC模型、NB粗集、TAN粗集和BAN粗集模型计算所得的类C12的后验概率最大, 分别为1.00、0.71、O.82、0.79;类C0的后验概率分别为0、0.002l、0.035、0.21。所以可判断该变压器故障为C12, 即有载分接开关油渗漏。与当时该变压器吊芯检查的结果相符。

3 结论

准确分类,科学选择体育学习方式 篇6

一、体育学习方式的分类

根据体育学习方式的内涵, 学生在学习体育知识、运动技术, 形成运动技能的体育活动过程时, 拥有的基本行为和认知取向, 其中包括关于动机取向、心智加工水平和学习效果的一切学习方法和形式[1]及学生学习外部表现形态, 对体育学习方式进行分类 (见表1) 。

(一) 影响体育学习方式选择的间接因素

1. 体育课程是一门“技艺性”很强的学科, 是区别于其他学科的显著特征

体育课程的本质就是以身体练习为主要形式, 以技能学习为载体, 增强身体素质。在体育学习中, 学生以学习和掌握间接经验为主, 离不开体育教师的言传身教。学生才能在体育学习中少走弯路, 才能够在较短的时间内掌握体育知识、技术, 形成运动技能[2]。

2.“情意性”是体育学科的第二特征

在体育学习中, 部分项目必然是通过集体完成, 需要合作, 涉及到师生、生生之间的广泛情感交流与沟通, 还有意志的锻炼和体验。

(二) 影响体育学习方式选择的直接因素

二、选择体育学习方式的注意事项

体育学习方式选择从间接因素和直接因素出发, 其中包括体育学科的本质特征以及学生的知识水平、认知能力、不同的教材内容、场地器材、教学规律。它们之间相互联系、相互作用、相互影响 (见下图) 。

1.学生的知识水平, 认知能力

学生的知识水平, 认知能力的高低与学生的年龄特征、智力发展水平、已有的体育知识、技术和技能经验直接联系, 而且呈线性相关。不同年龄阶段的学生掌握和运用体育学习方式的情况不同。水平阶段越低, 那么, 所选择的体育学习方式越简单、单一。如一年级的学生, 主要还是采用传统的接受式的被动学习, 体现为教师的讲解、示范, 学生的模仿练习。反之, 水平阶段越高, 掌握和运用的学习方式则表现出多元化、综合性、交叉性的特征。根据佛拉维尔的研究发现[3], 智力好的学生具备相应的学习策略, 并且知道如何运用, 何时运用;智力水平一般的学生, 不具备相应的学习策略, 智力水平较差的学生既不具备相应的学习策略, 又不知如何运用学习策略, 直接影响学习方式的选择。根据运动技能的迁移规律发现, 学生已有的体育知识越丰富、技术、技能水平越高, 基础越好, 其对体育学习方式运用的水平越高, 选择更加科学合理。

2.不同的教材内容

在体育课堂实践中, 不同的教学任务, 不同的教材内容对学生选择体育学习方式产生最为直接的影响。从心理学的角度剖析一项教材, 例如某一教材有趣, 教学与学生原有知识背景、个人需求和生活经验联系起来, 并且具有一些难度, 刚好处于学生的最近发展区域, 学生容易产生浓厚的学习兴趣, 一旦产生学习兴趣, 发生正确的内部动机取向, 那么学生就会自然、自觉地采用主动学习方式。根据体育课程论专家毛振明教授对教材的四大分类, 认为对没有必要掌握, 但有必要让学生知道或体验的运动文化和项目的有关知识, 如高尔夫、橄榄球、汽车拉力赛、台球等等这些介绍性教材;而且在信息认识上教师与学生存在明显的不对等, 如教师懂得“较多”, 学生懂得“较少”, 学生学习就采用接受式的学习方式, 速度快, 内容准确。而面对精学教材, 学生必须要掌握1～2项运动技能, 则要通过接受式学习、自主性学习、合作性学习、探究式学习等学习方式, 真正学会、学到、学精运动技能, 为终身体育奠定基础。

3.场地器材

场地器材是体育教学要素之一。器材充不充分、完不完备, 场地是否宽敞、整洁都会影响学生体育学习方式发生变化, 寻找与器材场地相匹配、合适的学习方式。例如, 一节四年级篮球行进间运球课, 篮球数量能够满足人手一球, 那么在学习的某一环节可以给学生更多的空间和时间去自主探索篮球运球的奥秘, 学生积极参与, 自我导向, 自我激励, 自我监控, 自我强化, 真正的进行自主学习。反之, 篮球只能够满足四五人一球, 那么学生就要考虑如何进行合作学习, 在有限的资源下, 最大限度地促进学生学习。

4.教学规律

教学规律客观存在, 贯穿体育学习的整个过程, 选择正确的体育学习方式是学生对教学规律正确认识的反应, 是学生选择体育学习方式的核心影响因素。不同的教学规律有着不同的特点, 要求学生选择与教学规律和教学模式相匹配的学习方式。教师要全面、深入地认识和了解这些教学规律的特点和体育教学过程结构、教学模式, 才能科学地指导和帮助学生选择与教学规律相符合的学习方式, 从而有效地组织体育学习活动 (见表2) 。

三、结论

(一) 体育学习方式没有“好坏”之分, 无论是传统的接受式学习还是新课程理念下的自主学习、合作学习、探究学习, 只有与当时的学习情境是否相符, 是否匹配。

(二) 体育学习方式在课堂教学实践中, 不会以单一的形式呈现, 多半是交叉运用、螺旋式运用。

(三) 对于自己时常的或者是偏爱的学习方式要不断地分析、评价、监控并及时地修整再次选择, 使其不断的完善, 符合体育学习活动的规律。

参考文献

[1]庞维国.论学习方式[J].课程教材教法.2010, 5.

[2]潘绍伟, 于可红主编.学校体育学 (第二版) [M].北京:高等教育出版社, 2008, 06.

[3]陈文卿, 谢翔主编.学校体育学[M].广西:广西师范大学出版社, 2006, 08.

[4]王德平.体育新课程教学设计[M].辽宁:辽宁师范大学出版社, 2002, 07.

[5]毛振明.体育教学论[M].北京:高等教育出版社, 2005, 07.

基于反馈的人工负选择分类算法 篇7

“负选择 (Negative selection, NS) ”是免疫系统中自体/非自体区分机制的基础。负选择过程是指在T细胞发育过程中, 在其表面通过随机遗传重排产生了对于特定抗原决定基高度特异的抗原识别受体来识别抗原的过程。T细胞在胸腺成熟的过程中, 生物免疫系统将与自体蛋白质相结合的T细胞消除, 保留未结合的T细胞, 从而确保T细胞在体内循环时不会识别自体细胞[1]。负选择算法 (Negative Selection Algorithm, NSA) 模拟了免疫系统识别自体和非自体细胞的负选择过程, 首先随机产生候选检测器, 然后与自体样本数据集进行识别判断, 生成非自体检测器, 最后使用非自体检测器对非自体数据进行识别[2], 完成自体与非自体数据的分类。负选择算法作为人工免疫系统的核心算法之一, 其研究成果涉及诸多领域, 例如入侵检测[3]、数据分类[4]聚类[5]和异常检测[6,7]等, 但仍存在以下两个问题:一方面, 负选择算法中记忆细胞数量选择的不当会对识别精度产生一定的影响;另一方面, 由于负选择算法在匹配过程中通常使用K连续位匹配规则, 该规则的特殊性使得负选择算法带来的检测器在其覆盖空间出现交集, 因而检测器集合整体覆盖空间较低的问题。

在负选择算法中, 记忆细胞数量的不同会对算法的识别精度产生影响。由于在传统的负选择算法中, 记忆细胞数量是固定值, 无法比较判断当前记忆细胞数量是否为最佳值。为了解决记忆细胞数量选择不当对识别精度的影响, 本文通过开展记忆细胞数量对识别准确率的影响的研究, 提出一种通过反馈学习思想进行记忆细胞数量的优化, 从而达到最佳分类效果的方法。

覆盖空间出现交集在将负选择算法应用于分类的过程中体现为“交叉识别”现象。“交叉识别”现象指样本数据未被分配到任何类别。与此对应的“识别洞”现象, 是指样本被标记为多个类别, 其时则无法判断应属哪一类别。为了解决传统负选择算法存在检测器覆盖空间出现交集、整体覆盖空间较低的问题, 本文提出一种通过记忆细胞识别半径的自动化调整, 减少检测器覆盖空间交集, 提高整体覆盖空间的方法, 避免了“交叉识别”和“识别洞”现象的出现。其中, 解决“交叉识别”现象的方法是缩小识别半径, 避免被多种记忆细胞识别。解决“识别洞”现象的方法是增大识别半径, 扩大记忆细胞覆盖空间。

全文共分为五部分, 其内容具体安排为:第一部分引言, 主要介绍了生物免疫系统的负选择原理, 以及课题的研究背景和研究意义, 又给出了本文主要研究内容和文章结构。第二部分相关工作, 首先分析了负选择算法的国内外研究现状, 然后介绍了常用的文本分类算法和基于人工免疫系统的分类算法。第三部分人工负选择分类, 首先对负选择算法的原理进行了系统描述, 提出负选择算法待解决的问题, 其次介绍人工负选择分类算法的具体流程, 然后对其中每一部分进行具体论述, 并针对负选择算法中出现的问题提供了详细解决方案。第四部分实验结果与分析, 针对提出的新算法在两个方面的改进分别进行了试验, 证明算法改进后的正确性和优越性。全文第五部分则是论文的结论及对下一步研究工作的展望。

1 相关工作

负选择算法已广泛应用到数据分类聚类、异常检测、网络入侵检测等诸多领域。刘锦伟等人[8]通过分析已有实值负选择算法检测率不高的原因, 提出一种通过鉴别边界自体样本以提高对“识别洞”的覆盖率的改进负选择算法, 并采用人工合成数据集2DSynthetic Data和实际Biomedical数据集对算法进行验证, 结果表明, 该算法针对夜晚视频进行目标检测是准确有效的, 对于实现智能交通系统的全天候监控有现实意义;汪慧敏等人[9]为解决基于负选择的异常检测算法中检测器数目和检测器对非我空间的覆盖二者之间的矛盾问题, 采用粒子群优化算法 (PSO) 来优化负选择算法中随机产生的检测器的位置, 从而实现利用较少的检测器就能达到对非我空间的更大覆盖;仲巍[10]在分析了影响负选择算法性能的因素后, 提出了一种基于切割的负选择算法, 算法中使用新型的元素定义标准和匹配规则, 结合一种多级检测器生成思想, 有效解决了负选择算法中检测效率及检测率低下等问题。同时设计了基于层次型的检测器组织策略和基于优先级的检测器管理策略, 并提出了一套快速检测器更新机制, 可动态修改检测器信息, 而且减少了环境变动时所造成的系统开销;曹霞[11]提出了一种应用于入侵检测系统的实值负选择改进算法, 该算法通过估算“非自体”空间大小和优化抗体分布来产生最优化抗体集合, 从而提高系统的检测率和降低误报率。国外很多研究学者对负选择算法也展开了研究。Bereta等人[12]将负选择算法与免疫K-means算法相结合应用于数据分析和聚类, 研究首先对原始数据进行负选择, 使用进化的负选择检测器生成一组人工样本。然后将原始数据与人工样本相结合来构建训练数据, 并使用免疫K-means算法训练得到记忆细胞以用于数据聚类, 取得了较好的聚类效果;Fernando Esponda等人[13]提出一种通用框架用来分析正负选择在近似匹配背景下的不同, 该框架可以应用于异常入侵检测, 例如, 检测在局域网中异常TCP连接或者检测执行程序的系统调用中的异常模式;Laurentys等人[14]提出了一种基于人工免疫系统的负选择算法原理的故障检测系统的设计方法———多操作算法。

常用的文本分类算法包括贝叶斯分类、神经网络分类、支持向量机、TFIDF算法、粗糙集方法和模糊集 (Fuzzy Set) 方法等[15]。其中, 基于人工免疫系统的分类算法的研究已获得了丰硕成果, 例如, Alves等人提出的基于规则的模糊规则归纳算法 (Induction of Fuzzy Rules with an Artificial Immune System, IFRAIS) [16];邱小宁对IFRAIS算法进行了改进, 在IFRAIS算法的规则进化研究中对抗体的克隆选择过程增加了抗体抗原间的交叉, 以提高分类准确率, 提出了抗体抗原交叉的规则归纳算法 (Induction of Rule with Antibody-Cross-Antigen of Artificial Immune System, IRAA) , 并通过实验对改进算法进行了验证[17];Watkins在克隆选择和有限资源人工免疫系统等基础上提出了人工免疫识别系统 (Artificial Immune Recognition System, AIRS) 分类器模型[18,19];彭凌西等人对AIRS进行了改进, 提出了一种基于免疫的监督式分类算法, 有效减少了记忆细胞数量, 提高了分类准确率[20];刘芳等人提出了一种基于免疫克隆算法的搜索机制以及Michigan方法模型的规则提取和分类方法———免疫克隆分类算法 (Immune Clonal Algorithm for Classification, ICAC) [21];K.lgawa等人对负选择算法进行了改进, 将负选择算法应用于多类别分类问题, 并提出一种“裁剪”的思想来减弱噪声对分类结果的影响[22]。

2 人工负选择分类器

首先对基于人工免疫系统的负选择算法进行介绍, 负选择算法借鉴了生物免疫系统中胸腺T细胞生成时的“负选择”过程, 其主要算法流程如图1所示。

在产生检测器阶段, 负选择算法随机产生候选检测器, 并判断其是否与“自体”样本数据集中每个数据进行匹配, 若与任一数据匹配, 则将该检测器从候选集合中删除, 反之, 不与任一“自体”数据匹配的候选检测器加入“非自体”检测器集。在检测阶段, 将待检测数据与“非自体”检测器集合中的“非自体”检测器进行匹配, 若有任一“非自体”检测器可识别该数据, 则认定该数据为“非自体”数据, 即异常数据, 反之, 不与任一“非自体”检测器相匹配的数据即可认为是“自体”数据, 即正常数据。本研究将传统负选择算法中的“非自体”检测器定义为“记忆细胞”, 如果被记忆细胞识别, 表明样本不属于该类别。相反, 如果无法被记忆细胞有效识别, 表明样本属于该记忆细胞所代表的类别。

人工负选择分类器对负选择算法进行了改进, 其总体流程如图2所示。算法的主要思想是在学习过程中通过训练数据集获得可用来识别非自体数据的记忆细胞, 然后使用反馈学习的思想来调整记忆细胞数量, 获得可进行预测的最终非自体记忆细胞集合。最后, 在预测分类过程中对待分类数据进行预测分类。

2.1 学习过程

传统的负选择算法过程中, 记忆细胞的识别半径会影响产生的记忆细胞数量 (即非自体检测器数量) 。其中, 识别半径指随机生成的检测器 (即记忆细胞) 能够识别样本的最大距离, 本文采用欧氏距离计算, 在系统初始化时设定。记忆细胞数量的不同会对算法的识别精度产生影响。在传统的负选择算法中, 由于记忆细胞数量是固定值, 无法判断比较当前记忆细胞数量是否为最佳值。为了解决这一问题, 本文在算法的学习过程中增加了反馈机制, 通过当前记忆细胞数量对识别精度的反馈信息来调整决定记忆细胞识别半径的参数α, 从而对记忆细胞数量进行优化, 达到最佳分类效果的方法。

人工负选择分类算法的学习过程主要由获取最佳记忆细胞和反馈调整两部分组成。学习过程旨在通过训练数据集获取记忆细胞, 借鉴生物免疫系统的克隆和变异过程对记忆细胞进行优化, 并通过使用记忆细胞对训练数据进行识别的过程获得反馈信息, 同时根据反馈信息对记忆细胞数量进行调整, 从而用数量适当的最佳记忆细胞来对待检测数据进行分类预测, 以达到提高识别精度的目的。具体过程如图3所示。

在获取最佳记忆细胞的过程中, 首先设置识别半径, 然后设置“激活”等级, “激活”等级是指可被该检测器识别的非自体数据的数量, 激活等级的值为刺激水平值和次刺激水平值之和。刺激水平是指可被该检测器识别, 但不可被自体检测器 (即自体记忆细胞集) 识别的非自体数据的数量, 次刺激水平是指既可被该检测器识别, 又可被自体检测器识别的非自体数据的数量。接着, 判断随机生成的检测器是否具有成为记忆细胞的条件, 只有随机生成的检测器达到最低“激活”等级后才能成为记忆细胞。对于没有达到最低“激活”等级的检测器则需要进行克隆与变异。在克隆过程中, 每一个未达到最低“激活”等级的检测器将以一定的克隆数量 (初始化时设定) 完成克隆后加入检测器集合。变异过程则是借鉴遗传算法中的单点变异, 设定变异率为一个常数, 在系统初始化时设定, 若随机产生的变异概率低于变异率, 则该检测器发生变异。经过克隆和变异过程后将产生新的检测器, 如果这些新的检测器达到最低“激活”等级, 则作为最佳记忆细胞。

在反馈过程中, 首先使用当前非自体记忆细胞集对训练样本数据进行预测分类, 然后将其分类结果与训练样本数据的实际类别进行比较获取分类准确率, 并根据准确率调整决定记忆细胞识别半径的参数α, 即间接调整记忆细胞数量, 重新获取最佳记忆细胞。如此迭代循环, 直至调整至最佳记忆细胞数量值, 则将当前的非自体记忆细胞集作为最终非自体记忆细胞集对待分类数据集进行预测分类。

2.2 预测分类过程

传统负选择算法在分类过程中存在两种现象———“交叉识别”现象和“识别洞”现象。“交叉识别”现象指待分类样本数据没有被分配到任何类别。当所有记忆细胞都能识别该样本时, 表示该样本不属于现有全部记忆细胞所代表的任何类别, 即现有记忆细胞无法判断该样本真正属于哪一个类别;“识别洞”现象是指当样本被标记为多个类别时, 无法判断属于哪一个类别。当一种记忆细胞无法识别该样本时, 表示该样本属于该类别。若多种记忆细胞无法识别该样本, 则空间中即出现一个无法识别样本的“空洞”。

预测分类过程是根据学习过程中生成的非自体记忆细胞集对待分类数据集进行分类识别的过程。在此过程中, 通过对记忆细胞识别半径的自动化调整, 减少了检测器数量, 并提高了整体覆盖空间, 同时解决了传统负选择算法带来的检测器覆盖空间存在交集、整体覆盖空间较低的问题, 更进一步地避免了“交叉识别”和“识别洞”现象的出现。其具体流程如图4所示。

根据传统负选择算法, 若样本可被该记忆细胞 (即非自体类识别器) 识别, 表明样本不属于该类别。相反, 若无法被该记忆细胞识别, 表明样本属于该记忆细胞所代表的类别。在利用获得的记忆细胞判断样本类别的分类过程中, 会出现“识别洞”和“交叉识别”现象, 这两种现象导致无法判断样本属于哪一类别, 此时, 可通过调整记忆细胞的识别半径直至有且仅有一种记忆细胞无法识别该样本时, 即将该样本的类别标记为此类, 由此而完成样本分类。其具体调整算法如下:

(1) 若多个记忆细胞无法识别样本 (“识别洞”) :令MChole表示无法识别样本d的代表第i类的记忆细胞集MCi, mc表示其中一个记忆细胞, mc.r表示该记忆细胞的识别半径。对∀mc∈MChole令mc.r'→mc.r×whole, whole>1.0。使用mc.r'代替mc.r重新分类。若有且仅有一个记忆细胞无法识别样本, 则将该样本标识为此记忆细胞代表的类别, 此时结束调整过程;若仍出现“识别洞”现象, 则修改参数whole←whole+σ, σ>0;若调整识别半径后出现所有记忆细胞均可识别样本数据, 即出现“交叉识别”现象, 表示调整参数范围过大, 则重新调整参数whole←whole-σ, σ←σ×0.5。

(2) 若所有记忆细胞均可识别样本数据 (“交叉识别”) :对∀mc∈MC, mc.r'←mc.r×woverlap, w<1.0。使用mc.r'代替mc.r重新分类。若有且仅有一个记忆细胞无法识别样本, 则将该样本标识为此记忆细胞代表的类别, 结束调整过程;若仍出现“交叉识别”现象, 则修改参数woverlap←woverlap-σ, σ>0;若调整识别半径后出现“识别洞”现象, 说明调整参数范围过大, 则woverlap←woverlap+σ, σ←σ×0.5。

3 实验结果与分析

3.1 实验数据和实验设置

本文使用了路透社文本分类数据集 (Reuters-21578) 进行实验, 该数据集经常用来测试文本分类任务。Reuters-21578数据集分为22个文件, 每个文件包含1 000个由SGML标签分割的文档, 且包含了从1987年开始的21 578个路透社消息文档, 其中9 603篇可作为训练文档, 3 299篇为测试文档, 8 676篇为无用文档。这些文档由路透社工作人员手动标记, 分为5个不同类别类, 如“人”、“地点”和“主题”等。本次实验数据使用Reuters-21578文本分类数据集中8 654篇文档, 其中6 118篇文档作为训练集合, 2 536篇文档作为测试集合, 将文档采用tf/idf作为分类特征进行数据处理。实验参数初始化设置为Ngeneration=2, Nclone=2, Pmutation=0.001, whole=1.8, woverlap=0.8, σ=0.9, 参数中, Ngeneration指克隆过程中克隆迭代的次数, Nclone表示克隆细胞的数量, Pmutation表示在变异过程中的变异率。

3.2 实验结果分析

实验一:为研究学习过程中的反馈迭代次数对识别精度的影响进行了实验。学习过程中的一次反馈迭代是指记忆细胞识别半径控制参数α的一次调整, 通过该参数的调整来间接调整记忆细胞数量, 实验结果如图5所示。

实验结果表明, 随着迭代次数的增多, 识别半径控制参数α在逐渐增大, 记忆细胞的识别半径也在逐渐增大, 记忆细胞数量增加, 使得在一定范围内识别准确率也相应增加。其原因在于记忆细胞数量的增加, 使得记忆细胞的覆盖空间中可识别的范围也有所增加, 有理由更为准确地识别样本。另一方面, 记忆细胞增加, 会减少“识别洞”现象的出现的概率。但记忆细胞并不是越多越好。由图5中可以看出, 当α增大到一定程度时, 记忆细胞识别半径过大, 反而会增加“交叉识别”现象出现的风险, 此时即便通过调整识别半径, 也难以提高识别精度, 甚至会降低识别精度。

实验二:为了解决算法在分类过程中“识别洞”和“交叉识别”现象影响, 本文提出了一种调整思想, 基于该思想对算法识别精度的影响进行了实验, 实验数据及参数设置与3.1小节中描述的相同, 实验结果如表1所示。

由表1可以看出, 当分类过程中出现“识别洞”以及“交叉识别”现象时, 若不对这两种现象进行调整, 则在2 536个测试数据中将有1 053个数据由于出现“识别洞”或“交叉识别”现象而无法判断其类别, 由此将影响识别准确率;在加入调整算法后, 从实验结果可以看出, 所有的测试数据均可通过记忆细胞识别半径的调整来预测类别, 提高了算法的识别准确率。

4 结束语