魯守東，林 仁

?

基于小樣本貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的質(zhì)量績(jī)效評(píng)價(jià)模型研究

魯守東1，林 仁2

(1. 安徽信息工程學(xué)院，安徽 蕪湖 241000；2. 湖南城市學(xué)院，湖南 益陽(yáng) 413000)

采用一種多元回歸加PC算法的改良BN結(jié)構(gòu)學(xué)習(xí)方法，有效地克服了小樣本訓(xùn)練數(shù)據(jù)下的結(jié)構(gòu)學(xué)習(xí)可靠性問(wèn)題﹒從鐵路建筑施工現(xiàn)場(chǎng)收集到研究數(shù)據(jù)后進(jìn)行探索性因子分析，并萃取出11個(gè)質(zhì)量績(jī)效動(dòng)因要素；以多元回歸分析方法找出5個(gè)直接影響因子，并以此為先驗(yàn)知識(shí)構(gòu)建BN初始網(wǎng)絡(luò)結(jié)構(gòu)，再應(yīng)用PC算法進(jìn)行結(jié)構(gòu)學(xué)習(xí)，一套理想的質(zhì)量績(jī)效測(cè)度模型被最終獲得﹒以3個(gè)企業(yè)的實(shí)際樣本數(shù)據(jù)為依據(jù)，進(jìn)行貝葉斯網(wǎng)絡(luò)推理和檢驗(yàn)，檢驗(yàn)結(jié)果表明模型具有較好的適切性和科學(xué)性﹒

建筑施工系統(tǒng)；質(zhì)量績(jī)效評(píng)價(jià)；小樣本BN結(jié)構(gòu)學(xué)習(xí)；多元回歸分析

質(zhì)量和績(jī)效分別是兩個(gè)具有豐富內(nèi)涵的概念，由這2個(gè)抽象的概念組合而成的新概念——質(zhì)量績(jī)效，則具有更加豐富的理論內(nèi)涵﹒事實(shí)上，到目前為止還沒(méi)有人對(duì)質(zhì)量績(jī)效概念作出嚴(yán)格的定義，但有關(guān)質(zhì)量績(jī)效評(píng)價(jià)方面的研究文獻(xiàn)卻從質(zhì)量管理實(shí)踐中源源不斷地產(chǎn)生﹒

Jim(2003)以波音公司的20條最佳實(shí)踐結(jié)合MBNQA的19個(gè)2級(jí)要素構(gòu)建實(shí)踐——績(jī)效關(guān)系矩陣，以質(zhì)量功能展開(kāi)的方法構(gòu)建質(zhì)量屋，并給出實(shí)現(xiàn)各種績(jī)效戰(zhàn)略的手段[1]﹒于本海等(2011)以軟件企業(yè)為例，應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)方法，定義了若干級(jí)輸入指標(biāo)和輸出指標(biāo)并構(gòu)建出6個(gè)層次的FNN項(xiàng)目績(jī)效評(píng)價(jià)模型[2]﹒Florence(2004)應(yīng)用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了一套包含11個(gè)輸出指標(biāo)和65個(gè)輸入指標(biāo)的3層ANN模型，以新加坡的33個(gè)建筑項(xiàng)目為樣本，對(duì)項(xiàng)目績(jī)效模型進(jìn)行了有效性驗(yàn)證[3]﹒還有文獻(xiàn)以ISO9004標(biāo)準(zhǔn)和質(zhì)量競(jìng)爭(zhēng)力指數(shù)為依據(jù)的績(jī)效評(píng)價(jià)模型等﹒

總結(jié)國(guó)內(nèi)外相關(guān)研究文獻(xiàn)，主要有以下一些特點(diǎn)及不足的地方：(1)評(píng)價(jià)指標(biāo)體系不完備或過(guò)于寬泛；(2)評(píng)價(jià)方法定性的居多，定量評(píng)價(jià)方法較少；(3)定量評(píng)價(jià)方法出現(xiàn)過(guò)如QFD、BP、ANN、FNN和DEA等不少好方法[1-3]，但還不曾發(fā)現(xiàn)用BN方法進(jìn)行質(zhì)量績(jī)效定量評(píng)價(jià)的文獻(xiàn)﹒

BN方法作為數(shù)據(jù)挖掘和人工智能領(lǐng)域的一種新型工具，在系統(tǒng)變量的因果關(guān)系挖掘及網(wǎng)絡(luò)結(jié)構(gòu)建立方面具有很好的應(yīng)用前景﹒本文的目標(biāo)就是嘗試以貝葉斯網(wǎng)絡(luò)為工具，以鐵路建筑施工系統(tǒng)的質(zhì)量績(jī)效為評(píng)價(jià)對(duì)象，構(gòu)建一套適合推理診斷和可預(yù)測(cè)決策的績(jī)效評(píng)價(jià)模型﹒

1 BN結(jié)構(gòu)學(xué)習(xí)方法

BN(Bayesian Network)最早是由Judea Pearl提出的[4]﹒貝葉斯網(wǎng)絡(luò)理論認(rèn)為BN由2部分構(gòu)成：其一是有向無(wú)環(huán)圖DAG(Directed Acyclic Graph)，又稱(chēng)作貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，通常是由若干節(jié)點(diǎn)和一些連接邊所組成的；其二是條件概率表CPT(Conditional Probability Table)，它是變量之間聯(lián)系規(guī)律的表達(dá)﹒

貝葉斯網(wǎng)絡(luò)學(xué)習(xí)包括參數(shù)學(xué)習(xí)和結(jié)構(gòu)學(xué)習(xí)﹒結(jié)構(gòu)學(xué)習(xí)的目標(biāo)是獲得DAG結(jié)構(gòu)圖，參數(shù)學(xué)習(xí)通常是在結(jié)構(gòu)學(xué)習(xí)的基礎(chǔ)之上，通過(guò)特定的方法獲得CPT參數(shù)的過(guò)程﹒

為了保證BN結(jié)構(gòu)學(xué)習(xí)的準(zhǔn)確性和可靠性，一般需要海量的訓(xùn)練樣本數(shù)據(jù)﹒而基于條件獨(dú)立性測(cè)試(簡(jiǎn)稱(chēng)CIS)的PC算法相對(duì)來(lái)說(shuō)比較適合于系統(tǒng)變量不多、網(wǎng)絡(luò)結(jié)構(gòu)稀疏和小樣本訓(xùn)練數(shù)據(jù)的學(xué)習(xí)條件[5]﹒

文獻(xiàn)[6]曾經(jīng)將SEM結(jié)構(gòu)方程模型方法和BN方法相結(jié)合，先用SEM方法構(gòu)建模型網(wǎng)絡(luò)結(jié)構(gòu)，再應(yīng)用BN推理方法進(jìn)行診斷研究，從而避開(kāi)了小樣本數(shù)據(jù)下的BN結(jié)構(gòu)學(xué)習(xí)難題[6]﹒文獻(xiàn)[4]認(rèn)為BN結(jié)構(gòu)學(xué)習(xí)的樣本量較少時(shí)，可人為增加一些客觀的先驗(yàn)信息和擴(kuò)大樣本數(shù)據(jù)量具有同樣的效果﹒正是在這2篇文獻(xiàn)的啟發(fā)之下，本文將多元回歸方法和PC算法相結(jié)合，直接面對(duì)小樣本數(shù)據(jù)下的BN結(jié)構(gòu)學(xué)習(xí)問(wèn)題﹒

2 質(zhì)量績(jī)效評(píng)價(jià)模型構(gòu)建

2.1 質(zhì)量績(jī)效影響因素定性分析

國(guó)內(nèi)的文獻(xiàn)在確定質(zhì)量績(jī)效影響因素時(shí)，幾乎都是按照國(guó)外的“質(zhì)量管理實(shí)踐QMP——質(zhì)量績(jī)效QP”的實(shí)證研究范式來(lái)進(jìn)行的[6,7]，至于國(guó)外的量表是否適合中國(guó)的文化情境以及不同行業(yè)的特點(diǎn)，學(xué)者們并沒(méi)有深入研究﹒本文則是采用理論分析加文獻(xiàn)分析，結(jié)合鐵路建筑行業(yè)的特點(diǎn)，以探索性因子分析方法來(lái)確定鐵路建筑施工系統(tǒng)質(zhì)量績(jī)效的動(dòng)因要素或影響因素﹒

質(zhì)量績(jī)效評(píng)價(jià)雖然也涉及到結(jié)果質(zhì)量，但主要是以組織系統(tǒng)及其過(guò)程為評(píng)價(jià)對(duì)象﹒根據(jù)建筑施工系統(tǒng)的特點(diǎn)，資源類(lèi)要素一般包括4M1E(人、機(jī)、料、法、環(huán))及信息資源6個(gè)方面內(nèi)容；而流程類(lèi)要素則包括業(yè)主溝通、地勘設(shè)計(jì)、施組計(jì)劃、工藝設(shè)計(jì)、采購(gòu)供應(yīng)、施工過(guò)程和質(zhì)量檢驗(yàn)7個(gè)過(guò)程；管理活動(dòng)要素通常包括質(zhì)量領(lǐng)導(dǎo)、質(zhì)量計(jì)劃、質(zhì)量保證和質(zhì)量改進(jìn)4個(gè)方面﹒這3類(lèi)不同性質(zhì)的要素跟質(zhì)量績(jī)效以及最終工程質(zhì)量之間的具體關(guān)系，定性的推斷只能是一種假設(shè)，必須要拿到實(shí)踐中檢驗(yàn)，甚至是多次檢驗(yàn)，才能得到相對(duì)可靠的結(jié)論﹒

本文結(jié)合QMP-QP實(shí)證研究文獻(xiàn)中的量表題項(xiàng)內(nèi)容，同時(shí)參考了建筑施工管理領(lǐng)域相關(guān)的研究文獻(xiàn)[3,7-9]，從流程、資源和管理3個(gè)視角出發(fā)，設(shè)計(jì)出一套調(diào)查問(wèn)卷如表1所示﹒

文獻(xiàn)[8]曾經(jīng)對(duì)鐵路建設(shè)的質(zhì)量風(fēng)險(xiǎn)因素進(jìn)行過(guò)識(shí)別，發(fā)現(xiàn)共有34項(xiàng)常見(jiàn)的質(zhì)量風(fēng)險(xiǎn)因素，本文對(duì)此進(jìn)行一一驗(yàn)證，發(fā)現(xiàn)有31項(xiàng)能從本文的問(wèn)卷中找到準(zhǔn)確的對(duì)應(yīng)﹒而通過(guò)與其它類(lèi)似的量表[2,3,7]對(duì)照后發(fā)現(xiàn)：本文以流程、資源和管理3個(gè)視角設(shè)計(jì)的問(wèn)卷題項(xiàng)具有一定的代表性，能夠發(fā)現(xiàn)施工系統(tǒng)中影響質(zhì)量績(jī)效的主要因素﹒

為了進(jìn)一步保證問(wèn)卷質(zhì)量，本文第一作者還通過(guò)電話、電子郵件及個(gè)別訪談的方式接受了鐵路建設(shè)施工現(xiàn)場(chǎng)的專(zhuān)家建議，通過(guò)對(duì)題項(xiàng)的增加、刪減和合并等多輪互動(dòng)與修改，最后得到1份包括53個(gè)題項(xiàng)的質(zhì)量績(jī)效調(diào)查問(wèn)卷如表1所示﹒

表1 質(zhì)量績(jī)效及其影響因素指標(biāo)測(cè)度

注：由于篇幅限制，凡是標(biāo)有“＊＊”的地方均表示省略的部分

2.2 質(zhì)量績(jī)效影響因素的探索性因子分析

最終的調(diào)查問(wèn)卷在南廣鐵路、云桂鐵路和京滬鐵路的建設(shè)施工單位中發(fā)放，它們分別是中國(guó)鐵建、中國(guó)建筑和中國(guó)中鐵股份有限公司﹒調(diào)查對(duì)象主要是各標(biāo)段的項(xiàng)目經(jīng)理、項(xiàng)目監(jiān)理和項(xiàng)目質(zhì)量安全負(fù)責(zé)人，總共收集到有效問(wèn)卷945份﹒

本文利用收集到的數(shù)據(jù)，對(duì)建筑施工系統(tǒng)中質(zhì)量績(jī)效影響要素進(jìn)行一次探索性因子分析，從53個(gè)指標(biāo)項(xiàng)目中共萃取出包括：信息管理、過(guò)程控制、質(zhì)量領(lǐng)導(dǎo)、質(zhì)量檢驗(yàn)、人力資源、改進(jìn)創(chuàng)新、施組工藝、地勘設(shè)計(jì)、資質(zhì)標(biāo)準(zhǔn)、資源保證和材料供應(yīng)11個(gè)因子﹒11個(gè)主成分累計(jì)解釋總方差變異數(shù)為67.108%，各維度因子所涵蓋的測(cè)度題項(xiàng)及其信度和效度檢驗(yàn)結(jié)果如表2所示﹒

Cronbach′s α信度檢驗(yàn)結(jié)果顯示：除因子9和因子11的信度系數(shù)略低于0.7(標(biāo)準(zhǔn))外，其它維度的因子基本達(dá)到或超過(guò)標(biāo)準(zhǔn)值﹒

表2 探索性因子分析及信度效度檢驗(yàn)

效度檢驗(yàn)結(jié)果顯示：因子6的WBS52及TD44、因子7的TD14和因子9的WBS13題項(xiàng)的CITC指標(biāo)遠(yuǎn)低于0.5(標(biāo)準(zhǔn))而予以刪除，確保各維度指標(biāo)的收斂效度達(dá)到標(biāo)準(zhǔn)﹒刪除4個(gè)題項(xiàng)后，最終的49個(gè)題項(xiàng)的11個(gè)因子維度及其測(cè)度題項(xiàng)數(shù)均未改變，且第1主元方差提取指標(biāo)均大于0.5(標(biāo)準(zhǔn))，符合單維度標(biāo)準(zhǔn)﹒另外除了因子1和因子3的AVE平方根指標(biāo)略低于最大相關(guān)系數(shù)指標(biāo)外，其它維度因子均顯示出具有較好的區(qū)分效度﹒在內(nèi)容效度方面，因子1(信息管理)、2(過(guò)程控制)、3(質(zhì)量領(lǐng)導(dǎo))、5(人力資源)、6(改進(jìn)創(chuàng)新)和11(材料供應(yīng))是國(guó)內(nèi)外文獻(xiàn)中常見(jiàn)的績(jī)效影響因子；其余5個(gè)因子可以理解為行業(yè)特有的影響因素，其內(nèi)容效度均解釋良好﹒最終的探索性因子分析結(jié)果顯示：施工系統(tǒng)中影響質(zhì)量績(jī)效的11個(gè)因子具有一定的代表性和穩(wěn)定性﹒

2.3 質(zhì)量績(jī)效影響因素的多元回歸分析

接下來(lái)本文采用多元線性回歸方法來(lái)驗(yàn)證11個(gè)績(jī)效動(dòng)因要素和質(zhì)量績(jī)效變量之間的直接因果效應(yīng)是否真實(shí)存在﹒

首先采用SPSS15.0將11個(gè)解釋變量用強(qiáng)行進(jìn)入法納入回歸模型，擬合結(jié)果如表3所示﹒

表3 具有11個(gè)解釋變量的強(qiáng)行進(jìn)入法回歸分析

預(yù)測(cè)變量：(常量)，1，2，3，4，5，6，7，8，9，10，11；因變量：質(zhì)量績(jī)效

回歸結(jié)果表明：達(dá)到統(tǒng)計(jì)顯著性水平，說(shuō)明各變量回歸系數(shù)整體來(lái)說(shuō)顯著不為零；調(diào)整后R方達(dá)到0.467，表明11個(gè)解釋變量對(duì)被解釋變量質(zhì)量績(jī)效的變異具有一定的解釋力；D-W在1.5和2.5之間，表明自變量之間不存在自相關(guān)可能性﹒

考慮到變量11、10、9、6、3和1的回歸系數(shù)的T檢驗(yàn)不具有顯著性，運(yùn)用逐步后退法再次進(jìn)行回歸分析，最后得到表4的回歸結(jié)果﹒

表4 應(yīng)用逐步后退法的回歸分析

預(yù)測(cè)變量：(常量)，8，4，5，7，2；因變量：質(zhì)量績(jī)效

最終的回歸分析結(jié)果顯示地勘設(shè)計(jì)(8)、施組工藝(7)、人力資源(5)、質(zhì)量檢驗(yàn)(4)及過(guò)程控制(2)這5個(gè)變量與質(zhì)量績(jī)效之間的回歸系數(shù)顯著不為零，表明它們之間具有直接因果效應(yīng)，同時(shí)5個(gè)變量之間的VIF膨脹系數(shù)都小于10，表明它們之間不存在共線性，是影響質(zhì)量績(jī)效的相對(duì)獨(dú)立的因子，它們共同解釋因變量(質(zhì)量績(jī)效)約45.5%的變異﹒

2.4 基于PC算法的質(zhì)量績(jī)效模型結(jié)構(gòu)學(xué)習(xí)

在BN應(yīng)用領(lǐng)域，有大量文獻(xiàn)直接通過(guò)定性分析構(gòu)建網(wǎng)絡(luò)拓?fù)洌鄶?shù)是以簡(jiǎn)單的“魚(yú)骨圖”來(lái)建立模型結(jié)構(gòu)，這對(duì)于其后的BN推理和診斷會(huì)帶來(lái)較大誤差[8,10]﹒真正意義上的BN網(wǎng)絡(luò)結(jié)構(gòu)是需要通過(guò)數(shù)據(jù)學(xué)習(xí)才能獲得的，筆者從中國(guó)知網(wǎng)中僅搜索到1篇醫(yī)學(xué)方面類(lèi)似的研究案例[11]﹒

本文通過(guò)2.3節(jié)的多元回歸分析獲得了一些實(shí)證結(jié)論，為構(gòu)建初始的BN網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)提供了客觀的先驗(yàn)信息，接下來(lái)再利用PC算法進(jìn)行結(jié)構(gòu)學(xué)習(xí)，試圖解決小樣本前提下的BN結(jié)構(gòu)學(xué)習(xí)效果問(wèn)題﹒

PC算法的核心思想和算法步驟如下：

步驟1：將節(jié)點(diǎn)集中節(jié)點(diǎn)進(jìn)行兩兩連接，得到完全無(wú)向圖；

步驟4：所有的結(jié)構(gòu)找到后，為確定剩余的無(wú)向邊方向，PC算法反復(fù)運(yùn)用下面2條規(guī)則﹒

GeNIe是一款建立圖決策模型的應(yīng)用軟件，由美國(guó)匹茲堡大學(xué)決策系統(tǒng)實(shí)驗(yàn)室開(kāi)發(fā)﹒本文選擇GeNIe2.0作為結(jié)構(gòu)學(xué)習(xí)平臺(tái)，在BN結(jié)構(gòu)學(xué)習(xí)之前，先構(gòu)建如下的初始BN網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)：

(1)地勘設(shè)計(jì)8為質(zhì)量績(jī)效的父節(jié)點(diǎn)；

(2)施組工藝7為質(zhì)量績(jī)效的父節(jié)點(diǎn)；

(3)人力資源5為質(zhì)量績(jī)效的父節(jié)點(diǎn)；

(4)過(guò)程控制變量2為質(zhì)量績(jī)效變量父節(jié)點(diǎn)；

(5)質(zhì)量檢驗(yàn)4為質(zhì)量績(jī)效的父節(jié)點(diǎn)﹒

在GeNIe軟件平臺(tái)上進(jìn)行樣本數(shù)據(jù)學(xué)習(xí)，學(xué)習(xí)方法選PC算法，顯著性水平選擇0.05，最大父節(jié)點(diǎn)數(shù)選擇11，得到11個(gè)QP動(dòng)因要素和質(zhì)量績(jī)效間的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)模型如圖1所示﹒

圖1 質(zhì)量績(jī)效BN網(wǎng)絡(luò)結(jié)構(gòu)

從圖1的模型內(nèi)容來(lái)看，影響質(zhì)量績(jī)效的直接動(dòng)因要素是人力資源、質(zhì)量檢驗(yàn)、過(guò)程控制、地勘設(shè)計(jì)和施組工藝，而質(zhì)量領(lǐng)導(dǎo)、質(zhì)量信息、資源保證、改進(jìn)創(chuàng)新、材料供應(yīng)和資質(zhì)標(biāo)準(zhǔn)6個(gè)變量是通過(guò)前5個(gè)變量的中介間接作用于最終的質(zhì)量績(jī)效﹒整個(gè)模型沒(méi)有出現(xiàn)違背常理或明顯邏輯悖論問(wèn)題，初步預(yù)示模型學(xué)習(xí)效果良好﹒但是，BN結(jié)構(gòu)學(xué)習(xí)效果的最終驗(yàn)證還是要看模型在實(shí)際應(yīng)用中的解釋力﹒

3 模型的推理檢驗(yàn)

獲得了結(jié)構(gòu)模型之后，還需要進(jìn)一步進(jìn)行CPT參數(shù)學(xué)習(xí)，獲得節(jié)點(diǎn)之間的條件概率關(guān)系表，才算是獲得一個(gè)完整的BN網(wǎng)絡(luò)﹒BN參數(shù)學(xué)習(xí)方法主要有極大似然估計(jì)、貝葉斯估計(jì)、EM算法和MCMC算法等[4]﹒

以BN方法建立的質(zhì)量績(jī)效評(píng)價(jià)模型的特點(diǎn)是：它不僅能充分體現(xiàn)出動(dòng)因要素績(jī)效指標(biāo)和結(jié)果績(jī)效指標(biāo)之間的內(nèi)在因果聯(lián)系，以DAG來(lái)反映這種因果關(guān)聯(lián)的方向，以CPT反映因果關(guān)聯(lián)強(qiáng)度；并且還可以推理和診斷，對(duì)于管理決策具有很強(qiáng)的現(xiàn)實(shí)意義﹒BN推理可以實(shí)現(xiàn)從左到右的因果推理、從右到左的診斷推理、相互關(guān)聯(lián)性推理和敏感性分析等﹒

為了檢驗(yàn)圖1中的質(zhì)量績(jī)效路徑結(jié)構(gòu)模型的適切性，本文從945個(gè)樣本中挑選出1個(gè)樣本項(xiàng)目A(屬于優(yōu)秀項(xiàng)目公司)的數(shù)據(jù)進(jìn)行檢驗(yàn)﹒應(yīng)用熵權(quán)法[12]計(jì)算11個(gè)動(dòng)因要素的分值，再按照分值為3.7~5.0定義為優(yōu)等、分值為2.4~3.7定義為中等和分值為1.0~2.4定義為劣等的標(biāo)準(zhǔn)進(jìn)行等級(jí)劃分，得到每個(gè)動(dòng)因要素的得分等級(jí)，結(jié)果如表5(第2行)所示﹒

應(yīng)用GeNIe2.0軟件的推理工具進(jìn)行推理，推理結(jié)果：項(xiàng)目A質(zhì)量績(jī)效為劣等級(jí)的概率為0.07；中等級(jí)概率為0.07；優(yōu)等級(jí)概率為0.85，具體結(jié)果如表5所示(注：表5的最后1列為GeNIe2.0的BN推理得到的結(jié)果，前11列為調(diào)查統(tǒng)計(jì)的結(jié)果，下同)﹒

為了驗(yàn)證本次研究獲得的績(jī)效模型是否具有可推廣性，重新挑選了2家公司(簡(jiǎn)稱(chēng)項(xiàng)目公司B和項(xiàng)目公司C)進(jìn)行驗(yàn)證研究，它們的質(zhì)量績(jī)效水平有著顯著差異，每家分別發(fā)放并回收問(wèn)卷35份，問(wèn)卷主要由公司的中高層管理人員及技術(shù)人員填寫(xiě)，僅有少量?jī)?yōu)秀員工代表參與，最終獲得1組評(píng)價(jià)統(tǒng)計(jì)數(shù)據(jù)見(jiàn)表5﹒

對(duì)項(xiàng)目公司B所收集到的數(shù)據(jù)再次進(jìn)行CPT參數(shù)學(xué)習(xí)，將11個(gè)QP動(dòng)因要素變量的概率值分別帶入模型，應(yīng)用GeNIe2.0軟件，選擇貝葉斯估計(jì)方法，運(yùn)行軟件得到QP節(jié)點(diǎn)的后驗(yàn)概率值﹒其中質(zhì)量績(jī)效為劣等級(jí)的概率為0.11；中等級(jí)概率為0.24；優(yōu)等級(jí)概率為0.65﹒這就說(shuō)明了當(dāng)前的施工水平下，項(xiàng)目公司B的工程結(jié)構(gòu)質(zhì)量達(dá)到優(yōu)等級(jí)的概率為0.65，且達(dá)到優(yōu)等水平的概率最大，推理結(jié)果符合選擇樣本時(shí)的初始預(yù)期﹒

表5 3個(gè)測(cè)試項(xiàng)目的調(diào)查及推理

進(jìn)行類(lèi)似推理可獲得項(xiàng)目C的QP后驗(yàn)概率結(jié)果分別為0.61、0.20和0.19﹒后驗(yàn)概率的數(shù)值表明項(xiàng)目公司C的工程結(jié)構(gòu)質(zhì)量達(dá)到優(yōu)等級(jí)的概率僅為0.19，而符合劣等級(jí)水平的概率值最大(0.61)﹒這和現(xiàn)實(shí)情況也是完全相符的，也說(shuō)明了本次研究所建立的模型是科學(xué)合理的﹒

4 結(jié)論

(1)本文采用1種多元回歸加PC算法的改良BN結(jié)構(gòu)學(xué)習(xí)方法有效地克服了小樣本訓(xùn)練數(shù)據(jù)條件下結(jié)構(gòu)學(xué)習(xí)的準(zhǔn)確性與可靠性問(wèn)題；

(2)在參考同行文獻(xiàn)基礎(chǔ)上，根據(jù)鐵路建筑施工行業(yè)的特點(diǎn)，從資源、流程和管理3個(gè)視角探索質(zhì)量績(jī)效的影響因素，應(yīng)用探索性因子分析方法得到影響質(zhì)量績(jī)效的11個(gè)因子，并在此基礎(chǔ)上應(yīng)用改良BN結(jié)構(gòu)學(xué)習(xí)方法獲得了一套比較理想的質(zhì)量績(jī)效評(píng)價(jià)與測(cè)度模型；

(3)本次研究不足之處在于以探索性因子分析方法萃取出11個(gè)績(jī)效動(dòng)因要素只能解釋質(zhì)量績(jī)效變量46.7%的變異，表明本文的質(zhì)量績(jī)效影響因素調(diào)查問(wèn)卷中的53個(gè)指標(biāo)測(cè)度項(xiàng)還有待進(jìn)一步擴(kuò)充﹒如何發(fā)展出更加完善的質(zhì)量績(jī)效量表和質(zhì)量績(jī)效評(píng)價(jià)模型，是今后同類(lèi)研究中需要重點(diǎn)關(guān)注的內(nèi)容﹒

[1]WALDEN J. Performance excellence: A QFD approach[J]. International Journal of Quality & Reliability Management, 2003, 20(1): 123-133.

[2]于本海, 張金隆, 吳恒亮, 等. 基于FNN的軟件項(xiàng)目績(jī)效評(píng)價(jià)模型研究[J]. 管理學(xué)報(bào), 2011, 8(10): 1517-1523.

[3]Ling F Y Y, Liu M. Using neural network to predict performance of design-build projects in Singapore[J]. Building & Environment, 2004, 39(10): 1263-1274.

[4]SPIRTES P, GLYMOUR C, SCHEINES R. Causation, prediction, and search[M]. Seconded, Cambridge: The MIT Press, 2000.

[5]SPIRTES P, GLYMOUR C, SCHEINES R. Causality from prob- ability[M]. London: Piman Evolving Knowledge in Natural Science and Artificial Intelligence, 1990.

[6]宋永濤, 蘇秦. 基于貝葉斯網(wǎng)絡(luò)的質(zhì)量管理實(shí)踐對(duì)績(jī)效的影響評(píng)價(jià)[J]. 系統(tǒng)工程理論與實(shí)踐, 2011, 31(8): 1440-1446.

[7]李軍鋒, 曾德智, 龍勇. 我國(guó)制造業(yè)背景下質(zhì)量管理活動(dòng)的量表開(kāi)發(fā)研究[J]. 數(shù)理統(tǒng)計(jì)與管理, 2011, 30(1): 1-11.

[8]周?chē)?guó)華, 彭波. 基于貝葉斯網(wǎng)絡(luò)的建設(shè)項(xiàng)目質(zhì)量管理風(fēng)險(xiǎn)因素分析——以京滬高速鐵路建設(shè)項(xiàng)目為例[J]. 中國(guó)軟科學(xué), 2009(9): 99-106.

[9]CHAN A P C, CHAN A P L. Key performance indicators for measuring construction success[J]. Benchmarking: An International Journal, 2004, 11(2): 203-221.

[10]陸靜, 唐小我. 基于貝葉斯網(wǎng)絡(luò)的操作風(fēng)險(xiǎn)預(yù)警機(jī)制研究[J].管理工程學(xué)報(bào), 2008, 22(4): 56-61．

[11]朱文鋒, 晏峻峰, 黃碧群. 貝葉斯網(wǎng)絡(luò)在中醫(yī)證素辨證體系中的應(yīng)用研究[J]. 中西醫(yī)結(jié)合學(xué)報(bào), 2006, 4(6): 567-571.

[12]邱菀華. 管理決策與應(yīng)用熵學(xué)[M]. 北京: 機(jī)械工業(yè)出版社, 2002.

(責(zé)任編校：龔倫峰)

Research on Quality Performance Evaluation Model Based on Small Sample Bayesian Network Structure Learning

LU Shoudong1, LIN Ren2

(1. Anhui Information Engineering Technology Institute, Wuhu, Anhui 241000, China; 2. Hunan City University, Yiyang, Hunan 413000, China)

The reliability of structure learning in small sample training data is the bottleneck of the application of Bayesian Network method. This paper uses a new improved method based on multiple regression and PC algorithm to overcome this shortcoming. The collecting data from the railway construction site, an Exploration Factors Analysis is conducted to extract 11 quality performance factors. The multiple regression analysis is used to find out 5 factors that directly affect the quality performance, and the initial network topology of the Bayesian Network is constructed. the PC algorithm is used to construct the final Bayesian Network structure, an ideal quality performance evaluation ＆ measure model is obtained. Through the sample data of 3 typical enterprises, The Bayesian Network inference and model test were conducted, the result shows that the model is scientific and good applicableness.

building construction system; quality performance evaluation; small sample BN structure learning; multiple regression analysis

F273.2

A

10.3969/j.issn.1672-7304.2017.06.0013

1672–7304(2017)06–0061–06

2017-09-19

魯守東(1971- )，男，安徽蕪湖人，講師，博士，主要從事項(xiàng)目質(zhì)量管理研究﹒E-mail: donaldlsd@163.com