基于价值链和BP神经网络的地方本科院校转型评估方法和研究

马丽娟 田野 黄琼 马洪丽

摘  要： 通过构建转型院校的科研评价体系，促进科研成果的转化运用，形成社会效益进而服务地方经济。利用价值链和BP神经网络原理构建地方本科院校转型评估方法，为地方本科院校转型评价提供解决方案。从转型背景下科研服务社会评价体系构建的重要性出发，梳理近期的研究动态，指出地方本科院校轉型发展进程中科研工作的特点。模型仿真结果表明，训练样本和测试样本均具有较低的平均误差和标准差，证明该模型具有良好的稳定性，是评价地方本科院校转型的有效方法。

关键词： 转型评估; 价值链; BP神经网络; 指标体系; 平均误差; 标准差

中图分类号： TN911.1?34                         文献标识码： A                        文章编号： 1004?373X（2019）11?0077?05

Abstract： The value chain and BP neural network principle are used to construct the transformation assessment method of local undergraduate colleges， and provide the scheme for the transformation assessment of local undergraduate colleges. Proceeding from the importance of the construction of scientific evaluation system of scientific research service under the background of transformation， the recent research trends are sorted to point out the characteristics of scientific work in transformation process of local universities. The model simulation result shows that the training sample and test sample have small average error and standard deviation， which proves that the model has high stability， and is an effective method to evaluate the transformation of local undergraduate colleges.

Keywords： transformation assessment; value chain; BP neural network; index system; average error; standard deviation

0  引  言

教育部联合国家发展改革委、财政部于2015年10月21日共同出台了《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》，其中提到高校转型发展的最终目的是为了服务于地方经济社会发展，学校与企业要加强合作，推动产教合作，高校要培养具备应用型技术技能的人才，提升学生的就业与创业能力，提升学校服务于经济社会发展与创新发展的能力。随着经济发展进入新常态，高等教育结构性矛盾更加突出，对高等教育人才培养和地方本科院校转型发展提出新要求。但结合实践分析，地方本科院校目前的人才培养机制难以满足转型的需求，更加难以实现应用型人才培养的目标。

本文试图建立一个指标体系来描述影响地方本科院校转型的因素，以帮助地方本科院校客观评价和选择转型路径，提高服务质量[1]。BP神经网络作为一种广泛使用的神经网络模型，是一种非线性的动态系统，模拟人类大脑识别和处理信息[2?3]。价值链和BP神经网络模型可以通过学习训练样本来学习和存储大量输入输出映射关系，不断提取规则和学习数据的内在规律[4?5]。它的最大优点是避免了模型仿真和计算过程中复杂的数学推导。本文在已有研究的基础上，试图基于价值链和神经网络对地方本科院校转型评估方法进行研究，以期为地方本科院校的转型评估提供参考。

1  BP神经网络原理

BP（Back?Propagation）神经网络是一种具有三层及以上阶层形式的神经网络。典型的BP神经网络具有三层，即输入层、中间层和输出层[1，6]。层与层之间的各个神经元实现全连接，每个层的神经元之间无连接。BP算法是以迭代的方式处理一个训练样本，将每个样本的网络预测与实际分类标号进行比较和学习，并且对每个训练样本修改权重，从而实现网络预测和实际类的误差最小化。典型的BP神经网络拓扑结构如图1所示。

图1  BP神经网络拓扑

BP神经网络是一种表达非线性关系的函数，在BP神经网络中，[x1，x2，…，xn]表示输入值，[y1，y2，…，ym]代表输出值（预测值）。输入层和隐藏层之间的不同神经元的连接权重由[wij]表示，隐藏层和输出层之间的连接权重由[wjk]表示。如果BP神经网络具有[n]个输入节点和[m]个输出节点，则网络表示从[n]个独立变量到[m]个因变量的一组映射关系。输入数据需要首先在神经网络中进行训练，训练过程通常包括如下步骤[1，7]：

1） 网络初始化

输入层[n]的神经元数量由训练样本数据[X]的输入值确定，输出层的神经元数量由训练样本数据[Y]的输出值确定。隐藏层中的神经元数量可以根据经验公式确定。网络初始化包括初始化隐藏层的阈值[a]和输出层的阈值[b]以确定学习速率和传递函数。

2） 隱藏层的输出计算

隐藏层输出[H]由式（1）计算，[l]是隐藏层中的节点数，[f]是隐藏层传递函数，它必须是可微分的线性函数或非线性函数。Sigmoid函数是运用较多的作为神经网络的阈值函数，Sigmoid函数的变量映射区间为（0，1）。

3） 输出层的输出计算

BP神经网络预测输出[O]根据隐藏层计算输出[H]，连接权重[wjk]和阈值[b]。

4） 计算错误

根据预测的神经网络计算网络预测误差：

5） 更新权重

更新网络连接权重[wij]和[wjk]：

6） 更新阈值

更新网络节点[a]和[b]的阈值。

7） 检查是否符合结束条件

确定算法的迭代是否结束，如果不是，则返回步骤2）。

2  本科院校转型评价指标体系

本科院校提供人才这一特殊产品并且创造社会价值，是通过一系列相互关联的教育活动来开展的。随着本科院校的转型，这些教育活动经过一系列的细分、裂变和演化变得更为复杂，构建出一张综合交错的价值网络。基于本科院校转型的价值链网络以及相互关系，如图2所示。

图2  本科院校转型价值链分析模型

2.1  指标体系构建

如图2所示，影响地方本科院校转型的关键性因素涵盖了本科院校方向性活动、关键性活动和支撑性活动三个方面。所有因素都可以归结为三个一级指标，进一步细化建立一个完整的索引系统。

2.1.1  方向性活动

对地方本科院校转型的初步研究表明，本科院校方向性活动主要包括发展规划、发展战略、校园文化、社会影响等。

发展规划和企业发展规划一样，本科院校的发展规划是院校发展的战略规划，主要是探究如何更好地发展本科院校。

发展战略是学校对长远发展目标和行动路线所做的宏观预见性的构想，发展战略是以预测为基础对学校长远的目标和计划。

校园文化是以学生为主体，以课外文化活动为主要内容，以学校精神为主要特征的一种文化活动，校园文化活动具有互动性、渗透性和传承性特点，通过校园文化可以有效提升学校的文化品位。

社会影响主要包括社会对本科院校的评价以及用人单位对于毕业生的满意程度。

2.1.2  关键性活动

在本科院校主动对接市场需求的探索过程中，越来越多的本科院校认识到专业设置、人才培养、校企合作和科研创新对于高校转型的重要性。

专业设置对应企业的产品研发，承担着定义人才产品的职能。专业设置要求适应社会需求，积极调整结构。优化传统学科，进一步彰显学科优势和特色;加强应用学科建设，重点提高工、农、医、管理等学科比例。积极发展适应经济社会发展需要的专业，促进学科、专业建设的良性互动。

人才培养是以人才培养方案、教学改革、教育管理、创新创业教育等共同构成的学校人才培养理念。

校企合作是学校和企业广泛合作，共同参与到学生培养的过程之中，共同制定学生的培养方案，共同建设实训基地，以及形成校企双向互聘机制等，通过校企合作共同培养企业需要的应用型技术人才。

科研创新主要包括科学研究、科技转换、科技服务三个方面。

2.1.3  支撑性活动

支撑性活动包括师资管理、信息管理、财务管理、后勤管理等，这些活动的价值立足于人才产品的增加，支撑性活动对于价值的创造是间接性的，是高校核心价值链的重要支撑部分。例如师资管理，如果说师资管理独立于人才培养，即便师资本身创造了社会价值，对于本科院校转型的贡献也微乎其微。师资力量只有服务于人才产品的“加工”才能彰显其在院校转型中的价值。

地方本科院校转型评估指标体系如表1所示。

2.2  样品集合

为了能够实现转型的有效性，在高校转型的过程中针对高校师生进行了在线调查。通过在线调查收集样本数据，共有236位受访者对问卷进行了回复，并筛选出其中有效问卷201份。

表1  地方本科院校转型评估的指标体系

为了帮助受访者充分了解所有指标，本调查为每个二级指标设计了2～3个问题。7级李克特量表用于衡量每个问题从低到高（1～7）的一致程度。每个二级指标的得分是所有问题的算术平均值指标，12个指标的所有分数用于输入BP神经元网络。综合转型度问题的得分算术平均值是BP神经网络的预期输出。

部分培训样本和测试样本数据如表2所示。

表2  样本数据的转型度分数

3  研究模型

3.1  设计价值链和BP神经网络结构

输入层中有12个节点对应12个指标的地方本科院校得分。综合转型评估值表示一个节点。输出层将根据12个指标计算，神经元的数量在隐藏层需要根据经验和反复实验确定，因为增加神经元的数量可以提高网络映射的准确性，但可能会导致更长的训练时间。通常的做法是参考经验公式来计算隐藏层神经元的估计值。

式中：[l]表示隐藏层中神经元的数量;[m]和[n]分别代表输出层和输入层中的神经元数量;[a]是0～10范围内的任意常数。

根据经验公式，隐藏层范围内的神经元数量为5～13。最后，当隐藏层中的神经元数量为6时，网络错误是最少的，网络的性能更好，所以选择神经网络结构为12×6×1。

3.2  预处理输入和输出数据

在数据进行训练之前，需要针对数据进行处理，防止输入的数据因为数量级和标准的不同，导致输出结果存在误差或者有异类结果存在。当数据输出以后，还需要通过归一化的方式统一数据格式。选择Matlab软件的函数map，min，max进行归一化输出数据和输入数据为-1～1之间的值。从201个样本数据中随机选择180个样本数据作为训练数据。

3.3  创建和训练神经网络

隐藏层和输出层使用Tan?Sigmoid传递函数和LM优化算法（trainlm函数）进行网络学习[8?9]。训练次数设置为2 000次，误差的准确度设定为0.015，并且学习率为0.05。将遍历一次所有样本的行为叫作一个世代，经过13世代训练后达到了预定的精度，并且在世代6处满足最佳验证性能。建立基于反映地方本科院校转型的直接指标的神经网络模型，并在神经网络中训练部分数据，训练结果如图3所示。

图3  网络培训结果

3.4  地方本科院校转型评估模型输出与输出预测

完成网络学习后，建立BP神经元网络模型，基于该模型使用训练样本获得地方本科院校转型评估模型输出，输出数据作为模拟功能的输入，然后将输出归一化以得到训练数据的拟合值。

模型的模拟能力通常由两者之间的差异来衡量拟合输出值和预期输出值，差异越小，模型的阈值越好，这意味着模型的模拟能力更好。图4显示了通过调用绘图函数的预期输出和模拟输出的模型拟合比较曲线。假设条件设定如下：如果预期输出值与模拟输出值之差的绝对值小于0.2，则模型拟合良好。由于模型模拟的准确率为83.33%，可以认为模拟值与实际值吻合良好。

图4  地方本科院校转型评估模型输出

3.5  网络测试和模型验证

完成模型模拟能力验证后，将21个测试样本放入模型以进一步测试模型仿真性能。预测结果（网络输出）和预期值如图5所示。

图5  地方本科院校转型评估模型预测输出

假设条件设定为：如果预期输出值与模拟输出值之差的绝对值小于0.2，则模型模拟的准确率为77.22%。可以看出，预测值与模拟值之间存在一定的偏差，但在可接受的范围内。

3.6  平均误差和标准偏差

假设价值链和BP神经网络的模拟输出是output_[y]，observe_[x]是用于網络输入的样本观测值。output_[y]通过下式获得[10]：

通常使用绝对值abs（误差），因为误差可能是正的或负的。通过STD（误差）计算相对误差的标准偏差。比较训练样本和测试样本之间的误差，如表3所示。

表3  训练样本错误和测试样本错误

训练样本的平均误差为3.22%，测试样本的平均误差为4.90%，两者的平均误差均较低，这意味着该模型的准确率很高。训练样本的标准差为6.68%，测试样本的标准差为7.33%，表明该模型稳定性很好。

3.7  本科院校转型等级评估

模型转型度的输出是1～7之间的值，这是不明确的地方本科院校判断。为了进一步简化地方本科院校转型度的表达，转型度可以分为五个等级：持续优化、深入应用、系统建设、零散建设、初始阶段。五个转型等级分别为[A=y6≤y≤7]，[B=y4.6≤y≤6]，[C=y3.3≤y≤4.6]，[D=y2.2≤y≤3.3]，[E=yy<2]。变量[y]代表预测值预测本科院校当前转型度，21个测试样品的预测值和观察值根据等级标准分为五个等级，如表4所示。

结果显示，实际输出水平和预期输出水平是一致的，这也表明了转型评估模型的有效性。

4  结  论

提高地方本科院校的转型度对于促进本科院校社会化具有非常重要的意义。转型度是一种难以量化的地方本科院校感知值。基于地方本科院校转型的研究背景，本文建立了一个转型度评价指标体系，通过直接测量变量来定量测量转型度。通过对现有地方本科院校转型评估方法的比较研究，发现价值链和BP神经网络是转型评估指标体系数据训练和仿真的有效方法。模型仿真结果表明，训练数据和测试数据均具有较低的平均误差和标准偏差，证明该模型具有良好的稳定性，是评价地方本科院校转型的好方法。对于地方本科院校而言，转型评估量化指标建设可以更直观地体现出地方本科院校的转型度，从而为客观地评价转型效果和程度提供直观参考。在未来的研究中，评估模型还需要更多地运用到地方本科院校转型评估之中，以测试实际的应用效果。

参考文献

[1] ZHANG Rui， WANG Yan， WANG Kaibo， et， al. An evaluating model for smart growth plan based on BP neural network and set pair analysis [J]. Journal of cleaner production， 2019， 3（1）： 226?230.

[2] ZHANG Z. Research and application of capability evaluation model based on BP neural network educational technology： taking the problem?based learning teaching process learning as an example [J]. Journal of computational and theoretical nanoscience， 2016， 13（9）： 6210?6217.

[3] KANG L. Research on innovation and entrepreneurship education reform and construction of college students [C]// 2017 2nd International Seminar on Education Innovation and Economic Management. [S.l.]： ACM， 2017： 546?552.

[4] YUKALOV V I， YUKALOVA E P， SORNETTE D. Information processing by networks of quantum decision makers [J]. Physica A： statistical mechanics and its applications， 2018， 18： 492.

[5] PEI X， PEI G. A new BP Fourier algorithm and its application in English teaching evaluation [C]// Proceedings of the International Conference on Green Energy and Sustainable Development. Chongqing： IEEE， 2017： 27?28.

[6] WANG L Y. Research on evaluation system for comprehensive quality of college and university students based on analytic hierarchy process model [J]. Applied mechanics and materials， 2014， 678： 5.

[7] DUAN C， LIU L， LIU Y Q， et al. A structure analysis of regional higher education in the sight of ecology based on the empirical research of Yunnan Province [C]// SHS Web of Conferences. [S.l.]： SHS， 2015： 14?18.

[8] LI Hongmei. Application research of BP neural network in english teaching evaluation [J]. Telkomnika Indonesian journal of electrical engineering， 2013， 11（8）： 528?536.

[9] JIANG Y H. Reflection， change and reconstruction in the context of educational reform and innovation in China ： towards an integrated framework centred on reflective teaching practice for EFL teachers' professional development [J]. Applied mechanics & materials， 2011， 543（7）： 518?523.

[10] LI J C， ZHAO D L， GE B F， et al. A link prediction method for heterogeneous networks based on BP neural network [J]. Physica A： statistical mechanics and its applications， 2017， 495： 1?17.

[11] JIANG Yanfeng. Research on mathematics teaching quality evaluation via an improved BP neural network [C]// 2015 Sixth International Conference on Intelligent Systems Design and Engineering Applications. Guiyang： IEEE， 2015： 1?5.

[12] CHEN Wen， GONG Shilin， JIANG Xueqin. Fuzzy multiple attribute decision access scheme in heterogeneous wireless network [J]. Multimedia tools and applications， 2017， 76（19）： 147?152.

[13] SHAO Sujun. Analysis of Yunnan Higher Education Reform based on industrial value chain the example of trade economics major in Yunnan College of Business Management [C]// Proceedings of the 3rd International Conference on Culture， Education and Economic Development of Modern Society. [S.l.]： IEEE， 2019： 351?359.

[14] HUANG S. The cultivation model of transformation in the newly?built universities in developing training mode [C]// International Conference on Education. [S.l.： s.n.]， 2016： 124?132.