宗玉平
(淮安市婦幼保健院, 江蘇, 淮安 223002)
隨著我國醫療衛生體制改革的不斷推進和完善,醫療衛生行業市場越來越成熟、越來越開放透明,醫療衛生事業的公益性和服務性日益凸出。財務管理工作是醫院管理的一項非常重要的工作,是保證醫院醫療服務工作正常開展的基礎。因此進行醫院財務管理效率評價,對提高醫院財務管理水平、醫院服務質量和服務效率以及增強醫院的整體實力具有重要的作用[1]。
反向傳播神經網絡(BPNN)[2]是目前廣泛應用的評價系統,將其應用于醫院財務管理效率評價中。大量的實踐表明,BPNN容易陷入局部最優的問題,同時收斂效率低?;诖?采用灰狼優化算法(GWO)[3]來優化BPNN的初始權值及閾值,提升BPNN的收斂效率,達到全局最優。將構建的GWO-BPNN應用于醫院財務管理效率評價中,提升財務管理效率評價的準確率。
醫院財務管理效率評價的前提條件是建立醫院財務管理效率評價指標體系。為增強醫院財務管理效率評價的全面性,在文獻[4]的基礎上,選擇如表1所示的10個指標進行醫院財務管理效率評價。
表1中,醫院業務收入是醫院日常醫療服務所帶來的收入,醫院的總收入不僅包括業務收入,同時還包括來自政府部門的補貼、獎勵等。變量X1、X2、X3反映了不同收入在醫院總收入中所占的比重。盈余是衡量組織財務狀況的重要指標,反映了醫院在本年度的營運狀況,用變量X4來表示。變量X5為單位費用比率,為總收入與成本費用之差的值在整個醫療活動中所占的比例,醫院成本費用主要包括管理、財務、人力資源等方面。變量X6主要反映科室收入能力,其主要是醫院科室成本和所得收益的測量和反映。變量X7為總費用在支出中的比率,醫院對各種設備的利用率用變量X8來衡量。變量X9主要反映醫院流動資產的比例關系,用來評估醫院變現能力。變量X10用來評估醫院的風險承受能力,主要反映醫院的凈資產。
灰狼優化算法是受自然界中灰狼種群覓食行為啟發所提出的群體智能優化算法,該算法結構簡單、參數少,在實際過程中具有廣泛的應用。按照社會支配等級關系,將灰狼個體劃分為4個等級,分別為α、β、δ和ω。α為頭狼,在最高層,是狼群中的領袖;β在第二層,負責協助頭狼;δ在第三層,各項活動的開展聽命于α、β;其余為ω,在最底層。自然界中灰狼捕食行為包括包圍、捕獵、攻擊,將其抽象化為數學模型,即灰狼優化算法[5]。
灰狼捕食是采取先逐步靠近,然后包圍的方式,其數學模型為
(1)
(2)
灰狼包圍獵物以后將進行捕食,根據灰狼的等級,α為全局最優解,β為全局第二最優解,δ為全局第三最優解[6],其數學模型為
(3)
(4)
(5)
(6)
(7)
(8)
(9)
攻擊為捕食的最后階段,如果|A|≤1,那么狼群要接近獵物(X*,Y*),集中對獵物進行攻擊,達到捕食的目的;如果|A|>1,那么狼群要遠離獵物,重新尋找新的獵物進行圍捕。攻擊行為的數學模型主要是對參數a進行調整。
典型的BPNN由3層構成,分別為輸入層、隱含層、輸出層,具體結構[7-8]如圖1所示。
圖1 典型BPNN結構
BPNN中,X=(X1,X2,…,Xn)為輸入,Y=(Y1,Y2,…,Ym)為輸出,其訓練過程包括7步,具體如下。
步驟1 根據輸入和輸出對網絡初始化。由輸入變量個數和輸出變量個數確定BPNN的輸入層節點數為n。設l為隱藏層的節點值、設m為輸出層所包含的節點值;使用wij、wjk分別為輸入層與隱含層之間、隱藏層和輸出層之間各個神經元的連接權重;a、b分別為隱含層閾值、輸出層閾值;η為BPNN學習速率;f為激勵函數。
步驟2 計算隱含層輸出權重H。根據輸入、連接權重以及隱含層本身的閾值參數a,使用式(10)獲得輸出權重H。
(10)
式(10)中,f(x)數學表達式為f(x)=1/(1+e-x)。
步驟3 計算網絡輸出值,其數學表達式為
(11)
步驟4 計算網絡誤差e。
e=Yk-Ok,k=1,2,…,m
(12)
步驟5 更新權值。
(13)
wjk=wjk+ηHjek,j=1,2,…,l;k=1,2,…,m
(14)
步驟6 更新閾值。
(15)
bk+1=bk+ek,k=1,2,…,m
(16)
步驟7 算法終止條件。若滿足終止條件,則算法停止;否則,返回步驟2。
相較于峨眉、昆侖等其他門派對魔教的敵視,武當對于魔教的態度似乎有些模棱兩可。理智上他們覺得魔教行事詭譎,不為道義所容,如張翠山在初識殷素素時就曾因她是天鷹教弟子而抗拒與其交往。但情感上他們卻又能無視對方的身份,對所接受的人付出真心,如張翠山帶殷素素回武當時,師門也對他們表示祝福,并且盡力維護。
為提升BPNN的性能,采用GWO對網絡初始權值與閾值進行優化。定義適應度函數為網絡輸出和實際輸出的誤差值,其數學表達式[9-10]為
(17)
b∈[bmin,bmax]
式(17)中,n為樣本個數,xobs(i)為實際值,xpre(i)為預測值。
采用GWO對BPNN的初始閾值和權值優化,得到醫院財務管理效率評價模型,具體流程如圖2所示。
圖2 算法流程圖
步驟1 讀取醫院財務管理效率評價指標數據,歸一化處理,并劃分訓練數據和測試數據:
(18)
式(18)中,F和Fnew分別為原始數據和歸一化處理后的數據,LB和UB分別為歸一化處理后的最小值和最大值,取值分別為-1和+1,Fmax和Fmin分別原始數據中的最大值和最小值。
步驟2 優化算法參數設置與初始化。設定最大迭代次數為Tmax、種群規模為N、搜索維數為D,并初始化灰狼種群。
步驟3 計算灰狼種群中每一個灰狼個體的適應度值,并根據適應度的大小對灰狼種群進行等級劃分。
步驟4 對灰狼個體位置進行更新。
步驟6 是否滿足設定的終止條件:如果滿足,那么輸出結果就是優化后的結果;反之,繼續迭代,直到滿足終止條件。
步驟7 針對測試數據,將最優初始網絡權值和閾值(w*,b*)代入BPNN模型,得到用于醫院財務管理效率評價的GWO-BPNN模型。
選擇15家醫院為研究對象,通過專家打分法獲得15家醫院的財務管理效率評價數據,各指標評分數據和綜合得分數據如表2所示。將15個醫院財務管理效率評價指標評分數據和綜合得分數據分別作為GWO-BPNN模型的輸入向量和輸出向量,建立GWO-BPNN的醫院財務管理效率評價模型。各個評價指標得分和對應等級為1.0(最好)、0.7(好)、0.5(中)、0.3(差)和0.1(最差)。
表2 財務管理效率專家評分數據
綜合得分所對應的評價標準如表3所示。
表3 綜合得分與評價標準
為衡量醫院財務管理效率評價的效果,選擇均方根誤差(ERMS)和平均絕對百分比誤差(EMAP)作為評價指標[11-12]:
(19)
(20)
式中,n為樣本數量,Xpre(k)為第k個樣本的預測值,Xobs(k)為第k個樣本的實際值。
15家醫院數據被劃分為訓練集和測試集,其中10家醫院的數據為訓練集,另外5家醫院的數據為測試集。采用訓練集數據對網絡進行學習訓練,得到評價模型;采用測試集數據驗證模型的準確性。GWO算法參數設定為種群規模N=10,最大迭代次數Tmax=100。GWO-BPNN評價結果如圖3所示。
(a) 訓練集
為驗證GWO對BPNN初始權值和閾值優化的有效性,分別采用遺傳算法(GA)、粒子群算法(PSO)、差分進化(DE)等3種優化算法對BPNN初始權值和閾值進行優化,得到對應的優化后的BPNN模型。對比傳統BPNN和不同優化算法優化后的BPNN的性能。通用參數設定:種群規模N=10,最大迭代次數Tmax=100。GA的交叉概率pc=0.7,變異概率pm=0.1;PSO的慣性權重win=0.2,學習因子c1=c2=2;DE的交叉概率pc=0.7,縮放因子RC=0.5。醫院財務管理效率評價結果如表4所示。
表4 醫院財務管理效率評價結果對比
由表4可知,GWO-BPNN的評價結果優于GA-BPNN、PSO-BPNN、DE-BPNN和BPNN,GWO-BPNN的RMSE和MAPE最小,從而說明GWO-BPNN模型進行醫院財務管理效率評價誤差最小,評價效果最好;通過GWO、GA、PSO和DE等算法對BPNN模型的初始網絡權值和閾值的優化選擇,與BPNN相比,GWO-BPNN、GA-BPNN、PSO-BPNN、DE-BPNN等模型的評價精度都有了較大程度的提升。
針對傳統BPNN的醫院財務管理效率評價模型評價精度低的問題,采用GWO對BPNN的初始權值與閾值優化,提出了用于醫院財務管理效率評價的GWO-BPNN模型。將提出的評價模型應用于實際中,結果表明該模型使醫院財務管理效率的評價精度大大提升。然而,醫院財務管理效率評價涉及的因素眾多,而本文只考慮了10個評價指標對醫院財務管理效率評價的影響,后續將研究更多指標因素對醫院財務管理效率評價的影響,提高醫院財務管理效率評價模型的適用性和可靠性。