郭 帥，高全力，邵連合

(西安工程大學(xué) 計算機科學(xué)學(xué)院，陜西 西安 710048)

0 引 言

構(gòu)建現(xiàn)代公共文化服務(wù)體系是近年來國家公共文化發(fā)展的重要戰(zhàn)略內(nèi)容，與民生、文化的發(fā)展息息相關(guān)[1]。對公共文化機構(gòu)的服務(wù)效能進(jìn)行評估是提高各級場館服務(wù)能力、改善場館效益的有效手段。如何對不同級別、不同領(lǐng)域的文化機構(gòu)進(jìn)行客觀合理的評估對提高公共文化服務(wù)質(zhì)量有著重要的意義[2]。公共文化領(lǐng)域的服務(wù)效能評估研究已有十余年之久，評估多以場館基礎(chǔ)建設(shè)為主要內(nèi)容，對評估場館服務(wù)供給能力的研究較少。服務(wù)效能與社會環(huán)境、文化發(fā)展密切相關(guān)，受時間、地理、人群等多個維度的影響，波動較大，常規(guī)的績效模型難以準(zhǔn)確評估，并且缺少統(tǒng)一的公共文化服務(wù)效能的指標(biāo)體系和評估標(biāo)準(zhǔn)[3-4]。因此，構(gòu)建統(tǒng)一的指標(biāo)體系、簡化評估過程、提高評估準(zhǔn)確度是當(dāng)前亟待解決的問題之一。構(gòu)建面向公共文化機構(gòu)的服務(wù)效能評估模型，對服務(wù)效益給出準(zhǔn)確評估，對文化機構(gòu)優(yōu)化服務(wù)效益，保障服務(wù)質(zhì)量有著重要意義。

目前針對公共文化服務(wù)效能的評估多從投入產(chǎn)出的角度進(jìn)行分析，基于數(shù)據(jù)的相對權(quán)重對機構(gòu)服務(wù)效益進(jìn)行評價。具有代表性的評估方法包括，曹國鳳等[5]使用六何分析法對公共數(shù)字文化服務(wù)效能的評估動因、評估主體、評估客體、評估指標(biāo)、評估過程及評估優(yōu)化策略進(jìn)行分析，驗證了服務(wù)效能評估是考核公共數(shù)字文化服務(wù)成效的重要手段?？苒蟮萚6]從多個方面對公共文化服務(wù)效能評價體系的研究進(jìn)行歸納，以用戶滿意度為核心優(yōu)化績效評估體系。周靜等[7]以數(shù)據(jù)報道和館情評析為核心，對公共文化服務(wù)效能的評估進(jìn)行了研究。得出全國公共圖書館評估逐漸轉(zhuǎn)變?yōu)橐孕転閷?dǎo)向的結(jié)論，為評估提供了研究方向。司光亞等[8]針對效能評估體系中指標(biāo)之間存在影響以及評估過程主觀性較強的問題，提出基于仿真大數(shù)據(jù)的構(gòu)建指標(biāo)體系的方法，為效能評估指標(biāo)構(gòu)建提供了理論依據(jù)。朱美霖等[9]從投入產(chǎn)出的視角構(gòu)建了公共圖書館的服務(wù)效能評估指標(biāo)體系，基于因子分析法對評估模型的關(guān)鍵指標(biāo)進(jìn)行提取，與第六次全國公共圖書館評估結(jié)果進(jìn)行對比，驗證了模型合理性。朱劍鋒等[10]基于數(shù)據(jù)包絡(luò)分析(Data Envelopment Analysis，DEA)理論，構(gòu)建了公共文化服務(wù)績效評價框架，選用C2R模型和超效率模型對公共文化服務(wù)的特點進(jìn)行分析，在相關(guān)數(shù)據(jù)集上對分項和綜合績效評價進(jìn)行了研究。Wang Wenling等[11]基于DEA超效率松弛度量模型分析了影響公共文化服務(wù)效能的主要因素，根據(jù)分析結(jié)果提出了政策方面的建議。

由于各地區(qū)經(jīng)濟、文化發(fā)展的多樣性，公共文化機構(gòu)發(fā)展傾向有所不同，目前常用的評估方法主要以統(tǒng)一的指標(biāo)體系加以權(quán)重調(diào)整得到評估分?jǐn)?shù)，缺乏對場館自身發(fā)展特色的考量。而專家經(jīng)驗判斷主觀性較強，且難以保證評估時效性。因此，該文提出基于模糊粗糙集和多輸入神經(jīng)網(wǎng)絡(luò)的評估模型，通過模糊粗糙集對不同地區(qū)的場館評估指標(biāo)進(jìn)行約簡，保證指標(biāo)數(shù)據(jù)代表性的同時消除冗余信息，使用CRITIC賦權(quán)法計算機構(gòu)采集數(shù)據(jù)的客觀權(quán)重，結(jié)合多位專家針對當(dāng)?shù)毓参幕l(fā)展特點所賦予的指標(biāo)權(quán)重輸入神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到機構(gòu)服務(wù)效能評估模型。模糊粗糙集的約簡較好地解決了網(wǎng)絡(luò)訓(xùn)練中收斂速度的問題，多輸入網(wǎng)絡(luò)能夠保證有效融合專家經(jīng)驗和客觀權(quán)重數(shù)據(jù)，得到更加準(zhǔn)確的評估結(jié)果。

1 基礎(chǔ)理論

1.1 SFRS模型

相似模糊粗糙集(Similar Fuzzy Rough Set，SFRS)是一種對模糊數(shù)據(jù)和不確定性對象進(jìn)行分類的理論，利用對象屬性數(shù)據(jù)之間的相似度進(jìn)行分類，是一種用來表示等價關(guān)系的特殊形式化語言。一個知識表達(dá)系統(tǒng)可以被看作一個關(guān)系數(shù)據(jù)表。

設(shè)存在非空有限對象集合U={x1,x2,…,xn}和非空有限屬性集合C={c1,c2,…,cn}，集合U和C構(gòu)成一個二元決策空間，在該空間中，存在矩陣V，表示所有屬性值，Vc為列向量，表示屬性c的所有取值，即屬性c的值域，對象i在屬性j下的屬性值為Vij(i=1,2,…,n;j=1,2,…,m)。上述關(guān)系用信息函數(shù)表示為f:U×C→V，即對于每個x∈U,c∈C，都有f(x,c)=Vc。

定義1：?x,y∈U,?cj∈C,j=1,2,…,m，對象間的模糊關(guān)系R如下:

(1)

其中，α表示對象x和y之間的相似性，若大于α則表示對象相似。

定義2：?xs,xt∈U,?cj∈C,j=1,2,…,m，在模糊關(guān)系R下，xs與xt之間的隸屬函數(shù)值為:

(2)

根據(jù)定義1和定義2，可證明兩個對象之間存在如下性質(zhì):

①自反性:

Rxx=1

②對稱性:

Rxy=Ryx

故R為模糊相似關(guān)系。

定義3：所有與xi模糊相似的對象構(gòu)成的集合稱為xi的模糊相似類，表示為F：

j=1,2,…,m}

(3)

其中，γ表示模糊相似性，為[0,1]區(qū)間內(nèi)的取值，越靠近1則對象間的相似性越強。

粗糙集模型的屬性約簡依賴于下近似關(guān)系，即模糊相似類的集合包含關(guān)系，經(jīng)典粗糙集模型認(rèn)為分類必須完全相同時屬性才可進(jìn)行約簡，導(dǎo)致在實際計算中分類結(jié)果極易受到異常數(shù)據(jù)影響。因此在模糊粗糙集的經(jīng)典算法上進(jìn)行推廣，綜合考慮了模糊決策的下近似和上近似，將模糊粗略近似與自我信息的概念相結(jié)合，使模糊粗糙集算法適用于屬性約簡[12-14]。同時結(jié)合變精度粗糙集理論，認(rèn)為在分類比例區(qū)間內(nèi)的近似關(guān)系即為正確分類[15]。因此在此基礎(chǔ)上建立集合X的上、下邊界，表示為β和α。通常上下界的關(guān)系為0<β<α<1。顯然，α下邊界是包含度相對比較大的等價類之并，而β上邊界是包含度相對比較小的等價類之并。盡管約定0<β<α<1，但事實上，為了達(dá)到多數(shù)包含的現(xiàn)實需要，往往取α為一個非常接近1且小于1的正數(shù)，而β則取一個非常接近0且大于0的正數(shù)。

定義4：?X∈U,?R∈C，則?X={x1,x2,…,xn}?U下近似集和上近似集分別為:

(5)

上近似表示最大相似范圍，是知識庫中集合的并集。下近似集表示最小相似范圍，是知識庫中集合的交集，通常用POSU(X)表示，屬性約簡主要是以下近似集作為依據(jù)。

定義5：X為屬性集合C產(chǎn)生的模糊相似類集合，X=U/C={X1,X2,…,Xn}，設(shè)刪除屬性ci后的指標(biāo)集為Ri?U，以Ri為屬性集計算得到的模糊相似類與F(x)的差異稱為近似分類質(zhì)量，定義為:

(6)

近似分類質(zhì)量可以表示指標(biāo)ci的重要度，若不等于1則表示該屬性不可被約簡。在實際計算中，近似分類質(zhì)量越小，表示屬性重要性越高，因此可根據(jù)近似分類質(zhì)量值計算約簡屬性集權(quán)重。設(shè)約簡后屬性集R={c1,c2,…,cn}，則屬性權(quán)重向量W表示為:

(7)

在對象集合中，所有屬性值的最優(yōu)集合成為理想決策D，理想決策的屬性值dj=V(j=1,2,…,n)，對象x與理想決策D的距離被稱作貼近度，貼近度越小，對象方案越理想，其定義為:

(8)

1.2 DNN神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是使用數(shù)學(xué)模型模擬人腦對數(shù)據(jù)的處理過程，分為訓(xùn)練和評估過程，能夠根據(jù)數(shù)據(jù)自主學(xué)習(xí)，逼近任意的非線性函數(shù)。在數(shù)據(jù)挖掘、模式識別、信號處理等多個領(lǐng)域都得到廣泛應(yīng)用。DNN神經(jīng)網(wǎng)絡(luò)也稱作深度神經(jīng)網(wǎng)絡(luò)，與BP網(wǎng)絡(luò)不同，每個節(jié)點和下一層所有節(jié)點都有運算關(guān)系，因此也叫全連接神經(jīng)網(wǎng)絡(luò)，由輸入層、輸出層和隱藏層構(gòu)成，全連接神經(jīng)網(wǎng)絡(luò)通常有多個隱藏層，增加隱藏層可以更好分離數(shù)據(jù)的特征。

2 公共文化服務(wù)效能評估模型

為更好地評估公共文化機構(gòu)的服務(wù)供給能力，該文提出一種公共文化服務(wù)效能評估模型，如圖1所示，由以下四個部分構(gòu)成。

圖1 公共文化效能評估模型評估過程

(1)構(gòu)建模型評估的指標(biāo)體系。指標(biāo)體系直接影響評估的過程與結(jié)果，為確保指標(biāo)的科學(xué)性與合理性，指標(biāo)維度和指標(biāo)項的確定借鑒了國際圖書館績效評價指標(biāo)體系、全國第六次縣級以上公共圖書館評估定級標(biāo)準(zhǔn)等權(quán)威機構(gòu)頒布的指標(biāo)體系，與多家公共文化部門專家咨詢和分析，確定效能評估的主要影響因素。

(2)通過模糊粗糙集理論進(jìn)行指標(biāo)約簡，提取主要影響因素，剔除稀疏指標(biāo)項。指標(biāo)集的約簡增強了數(shù)據(jù)的表征能力，簡化模型網(wǎng)絡(luò)結(jié)構(gòu)，提高模型泛化能力。同時可根據(jù)評估對象與理想決策的貼近度計算出評估對象的排名和相對效能指數(shù)。

(3)指標(biāo)權(quán)重的確定受多種因素影響，在評估時主觀性指標(biāo)強調(diào)服務(wù)效益與用戶主觀感受，客觀性指標(biāo)體現(xiàn)建設(shè)與發(fā)展能力，主客觀權(quán)重的結(jié)合能有效提高評估的準(zhǔn)確性與合理性。主觀權(quán)重由專家參照相關(guān)評估標(biāo)準(zhǔn)和地方文化發(fā)展特點確定，客觀權(quán)重采用CRITIC法計算得到。

(4)使用多輸入神經(jīng)網(wǎng)絡(luò)構(gòu)建評估模型的數(shù)據(jù)融合和結(jié)果輸出。神經(jīng)網(wǎng)絡(luò)能夠以較高的精度擬合函數(shù)模型和提取數(shù)據(jù)特征，因此使用兩個輸入網(wǎng)絡(luò)分別對使用主客觀權(quán)重計算出的評估數(shù)據(jù)樣本進(jìn)行融合。然后通過分類網(wǎng)絡(luò)對機構(gòu)的服務(wù)供給能力進(jìn)行定級。

2.1 文化服務(wù)效能評估指標(biāo)框架構(gòu)建

評估指標(biāo)體系是評估模型研究的基礎(chǔ)，經(jīng)典評估方法中為了保證評估的合理性和適應(yīng)性，通常會構(gòu)建規(guī)模龐大的指標(biāo)字典來保證評估結(jié)果的綜合性。在實際評估中，由于場館自身發(fā)展受多種因素共同作用，不同場館的基礎(chǔ)建設(shè)存在差異，指標(biāo)數(shù)據(jù)的可獲得性無法保證，導(dǎo)致最終的采集數(shù)據(jù)存在數(shù)據(jù)集稀疏、誤差較大等問題。同時，主觀性指標(biāo)通常需要專家進(jìn)行標(biāo)度，難以適應(yīng)強調(diào)實時性的數(shù)字化評估。因此，借鑒《全國第六次縣級以上公共圖書館評估定級標(biāo)準(zhǔn)》、ISO11620績效指標(biāo)等標(biāo)準(zhǔn)化指標(biāo)體系，與公共文化領(lǐng)域多位專家共同探討，以數(shù)據(jù)代表性和可獲得性為前提，構(gòu)建了適用于數(shù)字化評估的公共文化服務(wù)效能指標(biāo)體系(見表1)，指標(biāo)從資源建設(shè)、資源使用、效率、發(fā)展和影響力五個維度來評價場館服務(wù)效能。

表1 公共文化服務(wù)效能評估指標(biāo)

2.2 基于模糊粗糙集理論的指標(biāo)約簡

場館的服務(wù)效能受社會因素和文化發(fā)展的影響，不同地區(qū)評估指標(biāo)的傾向存在一定程度上的差異，且部分冗余的指標(biāo)信息會對評估結(jié)果造成影響。因此需要根據(jù)不同地區(qū)場館的采集數(shù)據(jù)對指標(biāo)集進(jìn)行約簡，在保證指標(biāo)評估精度的同時，確保指標(biāo)體系為最小指標(biāo)集。在該模型中，參與評估的場館為對象集合U，場館三級指標(biāo)為屬性集合C，Vij表示場館在某一個指標(biāo)上的數(shù)據(jù)，使用全國第六次公共圖書館評估定級作為決策依據(jù)。

算法1：基于SFRS模型的指標(biāo)約簡。

輸入：場館與指標(biāo)集決策矩陣；

輸出：約簡指標(biāo)集T。

1.對數(shù)據(jù)進(jìn)行z-score標(biāo)準(zhǔn)化處理

2.計算場館的模糊相似類F

3.初始化約簡指標(biāo)集T=Φ

4.從原始指標(biāo)集刪除指標(biāo)C-{ci}，得到指標(biāo)集Ri

5.計算約簡后的場館模糊相似類FRi

6.計算近似分類質(zhì)量VRi

7.若近似分類質(zhì)量VRi>下近似集精確度，則該指標(biāo)不影響分類結(jié)果，可被約簡，否則該指標(biāo)不能被約簡，放入約簡指標(biāo)集T

8.重復(fù)步驟4～7,直到遍歷完所有指標(biāo)

2.3 CRITIC客觀權(quán)重計算

CRITIC客觀權(quán)重賦權(quán)法是一種基于指標(biāo)間的對比強度和指標(biāo)沖突性來描述指標(biāo)客觀權(quán)重的計算方法。該方法在計算時考慮了指標(biāo)間的數(shù)據(jù)關(guān)聯(lián)和數(shù)據(jù)波動程度，從數(shù)據(jù)本身的客觀屬性計算權(quán)重，較常見的熵權(quán)法、標(biāo)準(zhǔn)離差法在實際應(yīng)用中效果更好。數(shù)據(jù)的對比強度是指單一指標(biāo)在不同對象之間的差異性，由于衡量該指標(biāo)波動的程度，波動越大則相對權(quán)重會越高。指標(biāo)沖突性是指兩個指標(biāo)之間的相關(guān)性，若兩個指標(biāo)之間相關(guān)性較低，表明沖突性較強，相對權(quán)重會更高，相關(guān)性較強，表明沖突性較弱，相對權(quán)重會更低。

2.4 多輸入DNN神經(jīng)網(wǎng)絡(luò)模型

在公共文化效能評估計算過程中，需要綜合考慮專家主觀經(jīng)驗與指標(biāo)客觀權(quán)重，通常專家經(jīng)驗與客觀數(shù)據(jù)對于場館的評估重心并不完全一致，在訓(xùn)練時所提取的數(shù)據(jù)特征也存在差異，因此選擇多輸入神經(jīng)網(wǎng)絡(luò)作為權(quán)重融合的模型，結(jié)構(gòu)如圖2所示。

圖2 多輸入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

訓(xùn)練過程如下:

(1)神經(jīng)網(wǎng)絡(luò)輸入維度取決于指標(biāo)維度，訓(xùn)練指標(biāo)由模糊粗糙集理論對原始指標(biāo)體系約簡得到，指標(biāo)約簡能夠降低數(shù)據(jù)維度，同時保證網(wǎng)絡(luò)模型的收斂速度和泛化能力。約簡指標(biāo)集的數(shù)量為兩個網(wǎng)絡(luò)的輸入節(jié)點數(shù)量。

(2)網(wǎng)絡(luò)輸入由兩部分組成，一個輸入接收由專家經(jīng)驗評估的權(quán)重向量，另一個接收由CRITIC客觀賦權(quán)法根據(jù)場館數(shù)據(jù)計算得到的指標(biāo)權(quán)重向量。

(3)將計算得到的數(shù)據(jù)結(jié)果分別輸入神經(jīng)網(wǎng)絡(luò)，由于兩部分?jǐn)?shù)據(jù)在權(quán)重表示上傾向不同，客觀權(quán)重更傾向于場館基礎(chǔ)建設(shè)和業(yè)務(wù)數(shù)據(jù)，專家經(jīng)驗傾向于文化傳播和服務(wù)數(shù)據(jù)，因此兩部分網(wǎng)絡(luò)的隱藏層和節(jié)點數(shù)的選擇并不相同，不同的網(wǎng)絡(luò)結(jié)構(gòu)能更好地提取各自部分的數(shù)據(jù)特征，保證分析模型的綜合判別能力。

(4)兩個輸入網(wǎng)絡(luò)的處理結(jié)果會在疊加層進(jìn)行連接，將輸出合并在一起由最后的分類網(wǎng)絡(luò)對場館的評估結(jié)果進(jìn)行分類。

(5)分類網(wǎng)絡(luò)的結(jié)果表明了場館在經(jīng)過主客觀權(quán)重融合計算所評估的等級，模型評估結(jié)果與國家公共圖書館定級標(biāo)準(zhǔn)進(jìn)行對比，誤差大于閾值時，會計算模型損失，調(diào)整網(wǎng)絡(luò)參數(shù)繼續(xù)訓(xùn)練直到輸出滿足要求。

(6)輸出部分為DNN分類網(wǎng)絡(luò)，訓(xùn)練標(biāo)簽為4種定級標(biāo)準(zhǔn)的one-hot數(shù)據(jù)，在訓(xùn)練中發(fā)現(xiàn)對于分類結(jié)果相對獨立的評估模型中，輸出層激活函數(shù)和損失函數(shù)選擇sigmoid和binary_crossentropy的組合在分類準(zhǔn)確度和模型損失結(jié)果上優(yōu)于softmax和categorica_crossentropy。

3 仿真實驗

3.1 SFRS模型參數(shù)優(yōu)化

選擇《2019中國公共圖書館事業(yè)發(fā)展基礎(chǔ)數(shù)據(jù)概覽》中陜西地區(qū)111家公共圖書館的統(tǒng)計數(shù)據(jù)作為公共文化服務(wù)效能評估模型數(shù)據(jù)集，樣本數(shù)據(jù)涵蓋場館基礎(chǔ)建設(shè)、人員構(gòu)成、特色文化發(fā)展等多個維度共計86項統(tǒng)計指標(biāo)，滿足模型評估的基本數(shù)據(jù)需求。由于統(tǒng)計數(shù)據(jù)單位不統(tǒng)一，且各地區(qū)基礎(chǔ)建設(shè)和發(fā)展差異較大，為避免預(yù)處理后小數(shù)據(jù)特征被抹除，因此選擇零均值標(biāo)準(zhǔn)化方法對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理:

評估模型中模糊粗糙集和分類網(wǎng)絡(luò)都涉及數(shù)據(jù)降維和距離計算，該方法能較好地避免距離計算過程中極端值和異常值對數(shù)據(jù)整體的影響。模糊粗糙集模型計算時需要預(yù)置模糊相似度和分類精度兩個參數(shù)，在不同維度數(shù)據(jù)中，參數(shù)的選擇對計算結(jié)果有較大影響。為保證獲得較好的約簡效果，通過控制變量，逐一調(diào)整參數(shù)值獲得最佳計算結(jié)果，參數(shù)變化對結(jié)果的影響如圖3所示。

圖3 模糊粗糙集參數(shù)

從圖中可以看出模糊相似度在0.9，下近似精確度為(0.85，1.0]時可以獲得較為穩(wěn)定的約簡結(jié)果。使用該參數(shù)對原始指標(biāo)集42個指標(biāo)進(jìn)行約簡得到16項三級指標(biāo)，可表示原始指標(biāo)集90%以上精度。使用CRITIC法計算客觀權(quán)重得到原始輸入數(shù)據(jù)，如表2所示(保留三位有效數(shù)字)。

表2 約簡指標(biāo)集

根據(jù)約簡結(jié)果可以看出，不同場館的基礎(chǔ)性建設(shè)，如實體和電子館藏建設(shè)、場館建筑面積等方面與政策投入存在較強關(guān)聯(lián)，發(fā)展差別不大；但在個性化服務(wù)方面，如特殊群體基本設(shè)施建設(shè)、公共文化弘揚等方面則呈現(xiàn)差異，這類指標(biāo)反映了場館在面向公眾服務(wù)方面所進(jìn)行的投入，更能體現(xiàn)出公共文化機構(gòu)在履行職能方面的能力。

3.2 多輸入神經(jīng)網(wǎng)絡(luò)模型

約簡后的指標(biāo)集包含16個指標(biāo)，則神經(jīng)網(wǎng)絡(luò)的兩個輸入層節(jié)點數(shù)均為16，輸入網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行降維，拼接層將兩個輸入網(wǎng)絡(luò)的輸出合并在一起，進(jìn)行分類訓(xùn)練，輸出結(jié)果為場館的定級。公共文化定級分為4個等級，所以輸出層節(jié)點個數(shù)為4。在訓(xùn)練中發(fā)現(xiàn)，部分等級場館數(shù)據(jù)樣本較少，訓(xùn)練中對該類場館特征提取不足，難以準(zhǔn)確評估。在數(shù)據(jù)中增加高斯白噪聲是常見的數(shù)據(jù)增強方式，一定程度的噪聲數(shù)據(jù)加入能夠提高分類或預(yù)測模型的穩(wěn)定性[16]。因此，為解決樣本數(shù)據(jù)不足的問題，為原始數(shù)據(jù)添加信噪比為40的高斯白噪聲對數(shù)據(jù)進(jìn)行增強，提高模型泛化能力，同時對原始數(shù)據(jù)集劃分70%為訓(xùn)練數(shù)據(jù)集，20%為校驗數(shù)據(jù)集，10%為測試數(shù)據(jù)集。在數(shù)據(jù)輸入網(wǎng)絡(luò)選擇Relu函數(shù)為激活函數(shù)，分類網(wǎng)絡(luò)選擇Sigmoid函數(shù)為激活函數(shù)。binary_crossentropy作為損失函數(shù)，epoch為5 000次。模型分類的訓(xùn)練準(zhǔn)確度和校驗準(zhǔn)確度如圖4所示，使用測試數(shù)據(jù)集對評估模型進(jìn)行測試，實驗結(jié)果使用F1-score進(jìn)行評價，其中Precision指精準(zhǔn)率，表示模型預(yù)測的某一類別中，預(yù)測正確的比例；Recall指召回率，表示模型對某一類別的樣本數(shù)據(jù)正確預(yù)測的比例；F1-score是對精準(zhǔn)率和召回率的加權(quán)調(diào)和平均，聚焦在較低的值上，能夠更加準(zhǔn)確地評價模型的整體性能；Accuracy指模型精確度，表示模型在所有樣本數(shù)據(jù)中預(yù)測結(jié)果正確的比例，與其他模型的對比測試結(jié)果如表3所示。

圖4 訓(xùn)練準(zhǔn)確度趨勢

表3 模型評估定級準(zhǔn)確度對比實驗結(jié)果

從實驗結(jié)果中可以看出，經(jīng)過模糊粗糙集約簡的指標(biāo)集能夠顯著提高評估準(zhǔn)確性。此外，融合神經(jīng)網(wǎng)絡(luò)的評估模型能夠有效結(jié)合主客觀權(quán)重，使評估定級的結(jié)果更加準(zhǔn)確。DEA模型使用約簡指標(biāo)集能夠提高3%～7%的準(zhǔn)確度，融合神經(jīng)網(wǎng)絡(luò)的評估模型能夠提高10%～13%的準(zhǔn)確度。多輸入神經(jīng)網(wǎng)絡(luò)較BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確度提升了8%。由對比實驗可以得出，指標(biāo)集約簡和多輸入網(wǎng)絡(luò)結(jié)構(gòu)在實驗數(shù)據(jù)集中能夠有效提高評估模型精度。

4 結(jié)束語

在公共文化服務(wù)效能評估中，常見的評估指標(biāo)體系無法對發(fā)展方向各異的場館服務(wù)效益進(jìn)行綜合評估，且指標(biāo)規(guī)模大導(dǎo)致評估過程繁雜、數(shù)據(jù)采集困難等問題。該文借鑒全國公共圖書館評估定級標(biāo)準(zhǔn)和ISO11620國際圖書館績效評價指標(biāo)等標(biāo)準(zhǔn)體系，與公共文化領(lǐng)域相關(guān)專業(yè)人員結(jié)合各級場館實際發(fā)展水平，共同研討總結(jié)了適用于數(shù)字化評估的指標(biāo)體系，能較好地保證在不同等級場館中的數(shù)據(jù)獲得性問題。

針對實際評估中場館采集數(shù)據(jù)稀疏、指標(biāo)信息冗余的問題，通過模糊粗糙集理論基于原始數(shù)據(jù)集進(jìn)行指標(biāo)約簡，消除數(shù)據(jù)樣本不完全、信息冗余的指標(biāo)項。由于模糊粗糙集理論存在不確定性參數(shù)，通過實驗?zāi)M得到適用于數(shù)據(jù)樣本的參數(shù)值對指標(biāo)集進(jìn)行約簡。同時基于指標(biāo)項的最優(yōu)集計算場館的相對效能指數(shù)，為評估決策提供參考依據(jù)。

在服務(wù)效能評估中，專家經(jīng)驗得到的主觀數(shù)據(jù)與采集場館基礎(chǔ)建設(shè)所得到客觀數(shù)據(jù)對場館的服務(wù)效能有不同的反饋，為全面的評估場館效益，提出采用多輸入神經(jīng)網(wǎng)絡(luò)模型，使用兩個輸入網(wǎng)絡(luò)分別處理主客觀數(shù)據(jù)，然后合并網(wǎng)絡(luò)輸出進(jìn)行場館定級預(yù)測。該方法較傳統(tǒng)評估方法結(jié)合了主觀評判與客觀計算，評估維度更高，可應(yīng)用于公共文化相關(guān)效能評估系統(tǒng)中，提供面向場館服務(wù)數(shù)據(jù)的實時評估，具有一定的應(yīng)用前景。

由于可供研究的數(shù)據(jù)樣本較少，目前僅使用陜西地區(qū)公共圖書館相關(guān)數(shù)據(jù)進(jìn)行驗證，應(yīng)用于其他地區(qū)時模型中的部分參數(shù)適用性需要基于數(shù)據(jù)樣本進(jìn)行確定，在之后研究中會在其他地區(qū)的數(shù)據(jù)樣本上繼續(xù)優(yōu)化，提高模型適用性。