水利工程建设市场监管“双随机”抽检均衡性方法
2019-09-10聂相田范天雨王博
聂相田 范天雨 王博
摘要：针对目前我国水利工程建设市场“双随机一公开”监管制度实行中采用的常规随机抽样方法存在抽检不均衡问题，提出一种均衡性改进的抽取方法。该方法在随机抽取的基础上，考虑被抽取对象的抽中次数，提高被抽取次数较少的对象的被抽中概率，使抽取结果趋于均衡;引入专家经验系数来调整检查人员抽取概率，改善抽取结果。根据检查人员和被检查对象的不同特点，分别建立不同的改进模型，并应用概率的方法对改善效果进行定量分析。
关键词：双随机抽取;均衡性;概率;监督检查;水利工程建设
中图分类号：TV512
文献标志码：A
doi：10.3969/j .issn. 1000- 1379.2019.02.030
开展水利工程建设“双随机一公开”市场监管是目前全国水利行业推行的一项新的制度。随机抽取检查人员、随机抽取检查对象，以避免因信息过早泄露而发生腐败现象，达到监督检查的最优效果[1]。目前已有的随机抽取方法，大多是直接使用某种随机函数对抽取对象随机排序，然后从中取出所需数量的对象[2]。这种方法虽然简单易行，但在实际应用中却会出现一种现象，即一段时间内某些对象被频繁抽取，而另一部分对象被抽取的次数很少甚至一直未被抽中。这一现象令被抽取对象感到不公平，认为其被抽取的机会不平等，从而对抽取过程的公平公正性产生质疑。这种抽取结果不均衡的问题，是一般随机抽取方法中的单纯一次性随机抽取造成的[3-7]。
基于此，笔者提出了均衡性改善系数的概念，通过均衡性改善系数来修正各个对象的被抽取概率，以保证抽取结果趋于均衡[8-9]。依据专家擅长领域与检查工作的符合性制度，提出了专家经验系数的概念，通过调整经验系数来调整专家的被抽取概率，增加经验丰富专家的被抽中概率，减少经验欠缺的专家的被抽中概率，以达到监督检查的最优效果[10-12]。在上述研究基础上，运用概率理论对改进效果进行数据分析验证[13-15]。
1 市场主体的抽取
“双随机一公开”监督检查的对象是市场主体，如水利施工企业、水利监理企业和水利工程质量检测企业等。该市场主体种类多、数量大，在抽取检查对象的时候，不仅要做到随机性还要有针对性，对有不良记录对象（被投诉举报过或有违法违规行为的检查对象），随机抽取时增加其被抽取的概率[16]。
1.1 均衡性抽取
在随机抽取工作开始之前，将此前市场主体名录库中每个个体的被抽中次数作为影响因素，对每个市场主体的被抽中概率进行调节，增加之前被抽中次数较少的市场主体的被抽中概率，减少之前被抽中次数较多的市场主体的被抽中概率，通过此方法对随机抽取工作进行改善，使随机抽取的结果趋于均衡。针对有不良记录的市场主体，可直接列为抽取对象，即其被抽中的概率为1，以保证及时查处存在问题的市场主体，达到良好的监管效果。
改进方法的具体步骤为：①统计各个市场主体被抽中的次数：②根据抽取次数求得各个市场主体的均衡性系数：③通过均衡性系数求出各个市场主体该次被抽中的概率;④按照概率进行最终随机抽取工作。
设市场主体名录库中市场主体的数量为n，给每个市场主体进行编号，每次按要求从中抽取m个市场主体作为此次监督检查的对象，有不良记录的市场主体个数为α（α
t越大，则α越小，表示编号为i的市场主体之前被抽中的次数越多，均衡性改善系数越小，则此次该市场主体被抽中的概率越小。通过均衡性抽取，使得被抽取次数较少的市场主体的被抽中概率增大，以达到所有市场主体被抽取次数趋于均衡的目标，避免抽取结果出现极端情况。检查对象均衡性抽取步骤见图1。
对于检查对象的抽取过程，首先要做到公平公正，因此全部抽取过程应留有痕迹，保证事后可查，在此基础上需保证抽取工作的随机性及抽取结果的均衡性，以满足公平公正性。对n个市场主体编号，是为了便于操作：确定α个有不良记录的市场主体，是做到对暴露出问题的市场主体及时检查、及时处理，防止问题持续恶化对人民的生命财产造成重大损失：统计各市场主体的抽中次数，并由此求得各市场主体的均衡性改善系数，通过改善系数改变各市场主体的被抽中概率，按照改善后的概率进行随机抽取，防止抽取结果极端化，保证随机抽取的公平公正。
1.2 均衡性抽取改善效果分析
随机抽取的均衡性改善是通过改变各市场主体的被抽取概率來实现的，因此可利用概率对均衡性随机抽取的改善效果进行分析。
均衡性改善效果为均衡性抽取方法与一般随机抽取方法相比所改变的幅度，定义为，，则
根据式（4）可知，均衡性改善幅度，的取值为[一1，0]，I等于0表示该市场主体在前s次抽取中均未被抽中，，小于0表示该主体在前s次抽取中最少被抽中过1次，I等于-1表示前s次抽取中该主体全部被抽中。
取n= 100，m=10，α=l，s=10，编号为i的市场主体被抽取次数ti不同时，均衡性改善系数、第s+l次的被抽中概率以及改善效果见表1。
根据表1可知，经过均衡性改进后，随着被抽到次数的增加，均衡性改善系数逐渐减小，其被抽中的概率逐渐降低。当前10次全部被抽中时，则第11次被抽中的概率为0，均衡性改善幅度为-1，即第11次确定不检查该对象。因此，在经过均衡性改进后，被抽到次数相对越多的对象在下次抽取时被抽中的概率就越小，通过这一方法使少量次的抽取情况下抽取结果较为均衡。
2 监督检查人员的抽取
“双随机一公开”监督检查工作的检查人员的抽取是从检查人员名录库中随机抽取若干名专家。在抽取时不仅要考虑各专家被抽中的次数，还需考虑专家的经验（即专家的专业水准），通过均衡性改善系数和专家经验系数改变各专家的被抽中概率，以达到抽取结果均衡及专家最优的目的[17]。
具体抽取步骤为：对名录库中各专家进行编号处理，统计各专家的被抽中次数，计算均衡性改善系数及经验系数，求出所有专家该次被抽中的概率，按照概率在名录库中随机抽取若干名。设名录库中专家人数为n，每次从中随机抽取m人组成监督检查小组。
定义l：α为编号为i的专家的均衡性改善系数，具体含义及计算方法见1.1。
定义2：β为编号为i的专家的经验系数，β的取值区间为（0，2）。当0<β<1时，该专家的经验有所欠缺;当β =1时，该专家经验未知或者经验一般;当1<β<2时，该专家的经验较为丰富。β越大则编号为i的专家经验越丰富，β越小则该专家经验越不足。β的值可通过专家打分法求出。
在随机抽取时，同时考虑专家被抽中次数和专家经验的影响。通过均衡性改善系数，减小被抽中次数较多的专家的被抽取概率，增大被抽中次数较少的专家的被抽取概率。通过专家经验系数β，调整专家i的被抽中概率，对于经验不足的专家（0<β<1），减小其被抽中的概率;对于经验丰富的专家（1<β<2），增大其被抽中的概率。通过均衡性改善系数及专家经验系数调整专家的被抽取概率，使随机抽取工作能持续良好地进行。抽取步骤见图2。
用简单随机抽取方法抽取时，编号为i的专家被抽到的概率为P，运用改进后的方法进行随机抽取时，该专家被抽中的概率为P，均衡性改善幅度为I1，通过专家经验系数的改善幅度为I2，总体改善幅度为I3，则
取n= 100、m=5、s=10，编号为i的专家被抽取次数t不同时，均衡性改善系数、第s+l次被抽中概率以及改进效果见表2。
从表2可以看出，经过均衡性改进后，随着被抽中次数的增加，其被抽中概率是逐渐降低的;在被抽中次数相同的情况下，经过经验系数的调整，可在一定范围内增大经验丰富的专家的被抽中概率，降低经验不足的专家被抽中的概率;如果前s次全部被抽中，則不论该专家经验丰富与否，在第s+l次抽取时被抽到的概率均为0。因此，通过均衡性系数减小被抽到的次数较多的专家此次被抽取的概率，通过经验系数提高或降低专家被抽到的概率：在被抽中次数不太多的情况下，专家的经验较为丰富，通过均衡性系数使概率减小的幅度可能会小于通过经验系数增加的幅度，最终使其被抽中的概率增大。综合来看，达到了抽取专家最优及抽取结果均衡的目的。
3 周期性改善效果分析
随机抽取改善效果指的是单次抽取的改善效果，即经过前s次抽取后，第s+l次抽取时的改善效果;周期性均衡性改善效果指的是在一段时期进行多次抽取活动后，对抽取结果的总体改善情况[8，18]。
由表3可知，随着被抽中次数的增多，该专家的被抽中概率变小，改善幅度加大;当被抽中次数及专家经验系数一定时，随着抽取次数的增加，改善幅度逐渐减小，专家被抽中的概率逐渐增大;抽中次数和抽取次数不变的情况下，专家的经验系数越大，被抽中的概率越大。如前文所述，导致抽取结果不均衡的主要原因是抽取活动次数太少，当抽取的次数增加，用本文改进方法的效果会相应减弱;对经验丰富的专家，通过经验系数，能明显提高其被抽中概率，对经验欠缺的专家则相反。因此，通过本文提出的改进方法，能在短期内使随机抽取的结果更加均衡，抽取的专家更有经验，进而使“双随机一公开”监督检查工作能持续良好地进行下去。
4 结论
针对市场主体的随机抽取，考虑其被抽取次数，提出了均衡性改善系数，并以此对市场主体的随机抽取方法进行改进，保证了随机抽取结果的均衡性：针对监督检查人员，考虑专家被抽取次数和专家经验系数综合影响，提出了随机抽取的改进方法，降低了被抽中次数较多的专家的被抽中的概率，同时提高了经验丰富专家的被抽中的概率。通过概率的方法对改进效果进行分析，结果表明该均衡性改进方法效果良好。
参考文献：
[1] 王雪芬，基于社会网络的科技咨询专家库构建及其可视化研究[D].南京：南京理工大学，2010：27-37.
[2] 牛勇，刘海雄，青海省政府采购专家管理系统中专家库的抽取方法[J].青海大学学报（自然科学版），2008，26（4）：27-31.
[3]刘丹，国内同行评议专家库研究综述[J].重庆大学学报（社会科学版），2012，18（5）：87-91.
[4] SUN W， LIN A，YU H，et al.All-Dimension NeighborhoodBased Particle Swarm Optimization with Randomly SelectedNeighbors[J]. Information Sciences， 2017， 405： 141-156.
[5] JIANG L，CAI Z，ZHANG H，et al.Not So Greedy： Ran-domly Selected Naive Bayes[ J]. Expert Systems with Appli-cations， 2012， 39（12）： 11022-11028.
[6] QIU C， JIANC L，LI C.Randomly Selected Decision Treefor Test-Cost Sensitive Leaming[J]. Applied SoftComputing， 2017， 53：27-33.
[7] BIENVENU L，MERKIE W. Effective Randomness for Com-putable Probability Measures[J]. Electronic Notes inTheoretical Computer Science， 2007， 167：117-130.
[8]卓泽强，概率思想在数学证明和计算中的应用[J].数学的实践与认识，2007 ，37（13）：189-192.
[9] 孟陶然，高学东，印泽斌，评审专家随机抽取过程中的均衡性改善方法[J].数学的实践与认识，2010，40（13）： 37-42.
[10] 杨东风，冯海燕，职称评审评委随机抽取系统的设计与实现[J].现代电子技术，2015，38（14）：85-88.
[11]江卓军，陈璇，苏晓兰，等，一种复杂约束下的采购评审专家自动抽取算法[J].现代电子技术，2018，41（3）：75-79.
[12] 范聪，李建增，张岩，基于采样优化的随机抽取一致性算法[J/OL].电光与控制：l-6[2018-07-27].http：//kns.cnki. net/kcms/detail/41. 1227. TN. 201 80418. 14 12. 026. ht- ml.
[13] CHERNOV A， SHEN A， VERESHCHAGIN N， et al.On-Line Probability， Complexity and Randomness[C]//Algo-rithniic Learning Theory. Berlin Heidelberg： Springer，2008：138-153.
[14]HOYRUP M.Randomness on Computable Probability Spaces：A Dynamical Point of View[M]. New York：Springer VerlagNew York Inc.， 2011： 43-67.
[15]CULVER Q.Topics in Algorithmic Randomness and EffectiveProbability[J].Indiana： University of Notre Dame， 2015： 7-23.
[16] 劉源，尹慧萍，朱建平，基于随机抽取的AR模型定阶和参数评估[J].统计与决策，2016（24）：16-18.
[17] 马恩强，建立“双随机一公开”消防监督检查制度的思考[J].消防科学与技术，2016，35（9）：1309-1311.
[18] 王巍，赵铁军，辛国栋，等，基于条件随机域模型的比较要素抽取研究[J].自动化学报，2015，41（8）：1385-1393.
