大数据驱动预测下高校资产管理模式创新

张义俊

摘 要 高校资产使用效率低，闲置浪费现象严重，服务水平低，为广大师生所诟病。当社会发展进入大数据时代，信息获取和信息处理和之前相比产生数量级的变化。从大数据驱动预测出发，浅析如何利用大数据实现高校后勤资产的智能管理，提高资产效益。

关键词 大数据；高校资产管理；智能管理

中图分类号：G712 文献标识码：B

文章编号：1671-489X（2016）24-0062-03

Innovation of Asset Management Model in Colleges and Univer-sities under Forecast of big Data Driven//ZHANG Yijun

Abstract The low efficiency of the use of assets in Colleges and uni-

versities， the phenomenon of serious idle waste， low level of service is for the majority of teachers and students criticized. When the social

development into the era of big data， information access and infor-mation processing are compared with the previous generation of a

number of changes. This paper from the big data driven prediction， analysis of how to use big data to achieve the intelligent management

of college logistics assets.

Key words big data； asset management in colleges and univer-sities； intelligent management

1 引言

高校资产不仅是保障教育教学工作正常顺利进行的物质基础，也是高校后勤部门服务广大师生的物质条件，更是保障高等教育事业可持续发展的物质基础。然而近年来，由于管理水平不足，管理意识落后等原因，资产管理处于一种管理体制不完善、制度不健全的状态。在大数据时代，提高管理水平、健全体制，进行资产管理模式的创新，实现高校资产的智能管理，发挥所有资产的应有作用，提高资产效益。

2 高校资产传统管理模式

高校的资产定义会分为狭义和广义两部分。从狭义的层面来说，高校资产主要包括国家投资给高校的固定资产、低值易耗品等有形资产。广义的资产除了狭义的内容之外，还包括各个高效的科技成果、研究成果、知识产权以及流动资产、中长期投资等。本文主要以高校的固定资产为研究对象。

我國高校的国有性质决定了高校资产所有权、管理权、使用权相分离。同时，高校的国有资产大部分是由资产管理部门、图书馆、各院系、房产部门、后勤部门等多头管理，产权不明晰、运行机制不顺畅、管理权分散等问题十分突出。这就造成管理上存在许多问题和缺陷，部分管理会出现交叉，但是某些方面又会出现管理上的真空，管理不到位等。

目前来说，虽然资产管理涉及众多部门，但是由后勤部门统一调配使用，应该是最为高效的办法。后勤部门直面各个院系部门和广大师生，由后勤部门来协调管理高校中涉及服务师生等方面的资产会最为直接。

现阶段而言，我国高校资产管理存在的主要问题集中于使用效率低、闲置率高、服务水平低。我国高校自20世纪90年代末期大量扩招，通过兼并、土地置换、改扩建等方法，均不同程度上扩大了学校规模，增加了资产。高校在改扩建的同时，力求上档次，办公楼、教学楼装修要豪华，体育馆设施要先进。

同时，各单位不顾自身实际情况，盲目地上项目、上设备，盲目攀比，要求不断增加投入购置设备，还要求设备必须是最先进的，并且在几年之内不能淘汰的，功能要多多益善。但这些设备实际上无论是从经济功能，还是从实体功能，使用效率都极为低下。许多高校各院、系、部占有使用的资产，很难做到在全校范围内调剂，加之高校每年的寒暑假，在此期间设备闲置、无人维护，减少了设备的使用寿命，大大降低了资产的使用效率。

除此之外，服务水平低也是为广大师生所诟病的一点，特别是后勤部门。在宿舍维修维护、课室维护、物业管理服务，特别是饭堂餐厅管理等方面，很少有师生表示满意。一方面，固然有服务师生众多，难免顾此失彼的因素在；但另一方面，服务水平低是无法回避的事实。后勤部门也并非不想改善、不想作为，更多时候是苦于没有合适的改善办法和工具，不知道如何去改善。

3 大数据驱动预测以推动资产管理模式创新

当人类社会进步到大数据时代，大数据分析管理给后勤资产管理提供了新的参考和依据，能够指引后勤部门更好地做好资产管理。

大数据预测下资产管理的未来管理模式 大数据带给人们最直接的体验和感受就是预测的准确性和管理的系统性。以往在各个领域虽然也有预测和管理，但大多数呈现零散的状态，预测也不准确，大数据预测分析扭转了这一局势。这里最典型的应用就是2010年冰岛火山爆发，欧洲大部分地区的航班取消。IBM的大数据分析指出受此影响，香港是这一情况下IBM供应链最重要的环节。这一结果看似荒谬，然而事实确证明了大数据分析的正确性。欧洲航班恢复时，IBM需要将大量延迟交付的产品从亚太地区的工厂送到顾客手中，如果香港航班没有提前预订，将使得IBM的供应链遭遇瓶颈。

这个例子充分说明，大数据分析能将影响结果的各种原因充分考虑，并且智能分析各种因素的重要性、影响大小，从而帮助人们做出更合理的决策。就资产管理而言，大数据智能分析将使得资产管理不再过度依赖经验和直觉，而是分析和数据。一方面，大数据分析能够清晰地让人们知道什么地方需要什么样的资产，怎么配置资产，这样有效地避免了资产闲置和使用率低的问题；另一方面，大数据分析能够让后勤部门清晰地看到需要提供什么样的服务，需要发挥资产的哪些作用来满足相应的需求，提高服务水平和质量。

什么是大数据资产管理智能模式 大数据是非常新鲜的概念，一般认为起源于2012年2月13日Steve Lohr在The New York Times网站上所发表的一篇题为“the Age of

Big Data”的专栏文章。Steve Lohr在文中称：大数据时代已经来领，在商业等领域中，决策将不再基于经验和直觉，而是日益基于数据和分析。

那么，究竟什么是大数据呢？大数据是一个相对而言较为宽泛的概念，但所有定义毫无异议地均突出了“大”这一重要特征。这种“大”不仅体现为数据量上的庞大，更体现为数据应用的“大价值”。 一般而言，大数据有“4V”特征，即Volume（容量）、Variety（种类）、Velocity（速度）和 Value（价值）。

大数据资产管理就是利用这4个特征进行运作，充分发挥和利用资产，实现资产的最优配置。高校资产不同于企业资产，高校资产存在的目的就是保障教学工作，充分发挥资产的作用，做到充分使用的同时又集约使用，所有资产出现在应该出现的位置，并且保持正常可使用的状态。

大数据预测的具体应用方法 要使用大数据预测进行管理，首先要进行大数据管理的基础设施建设。大数据预测的资产管理离不开进行大数据收集、存储、分析的硬件设施。前文已经解释过，大数据不同于以往的数据分析，具有海量和高速等特征。因此，要进行大数据分析预测管理，首先就要对硬件设备进行升级更新。现在可以借助专业公司的云计算平台，但是一方面租用费用高昂，另一方面租用的平台对于运算法则的设计和自由使用有所限制。此外也要考虑保密情况，租用的云平台等有泄密风险。

对于一些敏感专业和特殊专业、学校等，可以考虑自行建设数据存储设备、运算设备、决策工具等，这都要在原有基础上进行提升，服务器的建设甚至要使用X86架构的高端机型，甚至Power机型才能满足运算需求。

在完成了硬件设施的建设后，结合后勤资产管理的特点和需求，本文认为采用多层次因果分析法进行资产智能管理是目前最合适的方法。

多层次因果分析法先利用一系列定量分析方法，测算出不同的资产组合和搭配方式对教学需求和师生需求的影响，然后通过执行不同的what-if方案，利用需求模型系数对需求进行预测。最后，根据预测的结果，将资产供应和需求进行匹配和关联，给出最优化的资产管理解决方案。

本文以高校计算机机房的教学设备科学配备为例，说明多层次因果分析法的具体应用。具体而言，需要进行以下7个步骤。

第一步，确定需求和资产供应之间的所有相关数据需求。后勤部门和师生代表、其他管理部门的代表等，共同确定机房设备供应和实际需求之间相关的全部数据需求。

教学所需的设备需求可以表述为：

需求（D）=β0常数项+β1师资配备+β2机房容量+β3专业课程冲突+β4学生分组方式+β5教学方式+β6设备完好率+...+βn

第二步，利用数据集合建立模型，感知需求。利用初步数据和确认的需求相关因素，初步搭建各个因素和最终需求之间的关系模型（图1）。根据第一步完成的需求分析，结合现有设备资产供应情况，建立供应和单个需求因素之间的线性回归模型并运算。

第三步，利用新数据或其他相关数据，检验需求模型的准确性。这一步是对第二步的验证，确保第二步模型建立的正确和数据有效，需要利用不同的数据进行。

第四步，利用全部数据整合需求預测方案。将所有的需求感知模型整合在一起，形成一个一体化的方案，充分发挥相关因素的影响作用。与第二步类似，将不同的需求预测整合在一起，建立综合考虑各方因素的需求预测模型方案。

第五步，运行需求预测方案，修正方案参数，保证正确性。根据第四步完成的综合方案，按照规则运行，生产预测需求结果。

第六步，依据需求预测选定资产供应配置方案。根据需求，调节相应的资产配置，同时保证合适的资产出现在合适的地方，提供合适的服务。

第七步，持续监测方案，持续依据情况变化进行方案修正。需求和实际情况在不停变化，需要持续监测方案的有效性。在有效性明显降低的情况下，需要分析原因，重新修正（图2）。

智能管理资产管理预期效果 多层次因果分析法能简单地通过一些普通因素，将一系列因果模型与需求供应进行关联并建立模型和运行，是个简洁有效的决策系统。这个决策办法为后勤部门的管理者提供了多种决策方案和优化可能。同时，这一套智能预测系统甚至可以实现自我优化，根据需求预测进行资产使用的自我提升和优化。

4 结语

大数据驱动预测下高校后勤资产管理不是个单一的问题，而是一个系统性、持续性的问题。一方面有赖于大数据应用和开发的技术进步，另一方面有赖于高校管理层面的制度革新和权责重新划分。但只要坚持在新技术运用的道路上走下去，一定能利用大数据带来的优势，从“需求反应”到“主动预测”，从“主观判断”到“客观预算”，从“小数据”参考到“大数据”应用，从“被动申请”到“主动服务”等，实现高校资产的智能管理，发挥所有资产的应有作用，提高资产管理服务的水平和保障能力。