军队建设项目资源投入产出效益评估方法研究∗
2021-06-28陈晓楠胡建敏
任 帆 陈晓楠 胡建敏 金 娈
(国防大学联合勤务学院 北京 100089)
1 引言
军队建设作为提高和保障军队战斗力的一项重要内容,时刻贯穿于军队的平时与战时。军队建设所需的资源涉及到军内外的方方面面,例如在进行武器装备建设时需要工业、技术、金融资源,在作战理论研究方面需要科研资源,在后勤保障建设上需要人力资源和财力资源,进行思想政治建设时需要文化资源。准确把握军队建设资源的基本内涵,构建符合我军特色、体现时代要求的军队建设资源管理体系,对于适应现代化战争、切实履行军队使命、提高军队建设管理专业化科学化具有重要意义。
2 军队建设资源投入产出特征工程
军队建设项目资源投入产出效益综合来讲就是投入资源产出效益。经济学中把资源分为人力资源、物力资源、财力资源、信息资源、时间资源等。军事资源是指军队建设项目中投入的人力资源、物力资源、财力资源、信息资源和时间资源的总和,是军队建设的基本条件[1]。军事资源配置合理与否,对一个国家军事发展有着十分重要的影响。
此外,军队建设项目资源投入产出属于复杂系统范畴,各类资源的投入不能采用简单的分解还原的分析方法来得出产出效益,还要考虑更多的因素和影响,例如,A地和B地都可以建设装备检测中心,在两地投入的资源一致,但是A地位置更合理,A地交通便利运输效率高,A地的安全性更好,这都决定了A地的效益产出比B地更好。因此,决定效益产出的因素不能仅考虑投入的资源,还需要对其他因素进行分析与评估。这里将这些因素统分为若干类别特征和属性特征具体特征,分类情况见表1。
表1 特征分类情况
2.1 资源的描述
人力资源:人力资源包括人的数量和人的体质、智力、知识、技能等各个方面。人力资源是进行军队建设的劳动力资源或劳动力,是军队建设项目资源里的必要因素。
物力资源:物力资源是指军队建设项目中所需的土地、建筑物、机器装备设备、工具、运输车辆、动力能源、原材料和辅料等资源的统称。
财力资源:财力资源为在一定时期内可用于国防和军事的资金及其来源的统称,也可以称为军事财力资源。财力资源作为衡量资源价值的关键特征,其特征数据一般来讲是军队建设项目资源中可以直接采集到的。
信息资源:信息资源是指军队建设中所需要的各类信息活动要素,包括信息资料、信息技术、信息设备、信息生产者等的集合。
时间资源:时间资源指军队建设项目中所消耗的时间价值,主要是军队建设项目筹划与建立的时间。
2.2 类别特征的描述
项目类别:按照国防预算结构框架来进行项目类别的划分。分为战略力量、常规力量,指挥、控制、通信、智能和太空,机动力量、国民警卫队和预备役部队、研发、基本的供给与维护,训练、医疗和其他人员活动,行政管理和相关的活动、对其他国家的援助、特种作战力量[2]。
项目级别:以军队建设项目的类别来划分不同的级别分为国家级、全军级、战区级、军种级、军级、师级、团级及以下级别。
经费科目:军队建设项目经费预算的科目类别。按照经费预算的内容分为生活费、公务费、事业费、教育训练费、装备购置费、装备维修管理费、基本建设费、科学研究费、战备作战费和其他经费等项目。
项目时效:按照军队建设项目完成后影响和辐射的时间分为短期型、中期型、长期型。
面向范围:按照军队建设项目完成后影响和辐射的范围分为小范围、大范围、全国范围、全球范围。
其他类别:军队建设项目完成后划分的其他类别。例如,项目完成后主要是面向的平时还是战时,面向的是国内还是国外,面向得是作战领域还是后勤领域,是否有替代项目,项目是否有争议,项目是否具有唯一性等,类似的类别特征很多,本文在计算时选取类别特征的前5项进行处理。
2.3 属性特征的描述
战略属性:一切军队建设都是为军事战略服务的,战略属性就是军队建设项目所满足的军事战略的程度,也可以表示为军队建设项目在战略需求中的地位。
技术属性:军队建设离不开技术的发展,相同的资源投入采用不同的技术,或者技术水平的高低,都会对效益产出带来影响。
安全属性:安全属性为军队建设项目的安全性,例如,弹药安全性、保密安全性、管理安全性等。
需求属性:军队建设项目的需求程度,与战略属性不同的是,需求属性更多的是军队建设具体的需求程度,例如,某部需要建立一个训练中心,这是该部军事训练所需的,但是与战略需求关系不大。
交通属性:军队建设项目周边的交通便利程度,包括公路、铁路、航空、管道、港口和交通枢纽等。
环境属性:周边环境满足军队建设项目的需求程度,不仅指的是地理环境,还包括经济环境、社会环境等,例如,某些涉密性比较高的军事设施建设,要考虑周边的社会环境,防止敌特分子的渗入等。
民情属性:在此地确定军队建设项目对民众造成的影响,例如,建造机场可能会对周边居民带来噪声问题,一些大型设施的建立可能涉及拆迁问题,这都会对民众造成不同程度的影响。
地理属性:地理属性主要是指军队建设项目的地理位置属性,与环境属性不同的是,地理属性侧重于军队建设项目的地理形势,例如,在某地建立军事设施,但有可能发生泥石流的隐患,这都对地理属性带来影响,从而影响最终产出效益。
生态属性:确定军队建设项目对周边生态环境带来的影响,例如,某些军事设施的建立可能对周边生态环境带来破坏。
就业属性:军队建设项目的建立会带动一部分当地的就业形势,从而影响经济效益,例如,某大型军事设施的施工所需要的大量地方施工人员,短时提供了大量的工作岗位。
军民融合:某些军队建设项目的确立,周边会逐步形成医院、学校、商场等,例如军队院校的建立,将带动周边经济和产业的飞速发展。与就业属性不同的是,军民融合更强调长期的发展。
人才吸引:军队建设项目的确立对人才有着很大的需求,在资源投入相同的情况下,吸引更多更优质的人才将会带来更多的效益产出。
2.4 效益特征的描述
政治效益:军队建设项目所带来的政治效益,例如,辽宁号和山东号航空母舰的列装,为中国在国际上带来很大的政治影响和政治效益。
经济效益:军队建设项目所带来的经济效益,例如,军队医院的建立不仅仅满足部队需求,也为广大民众服务,并带来相当的经济效益。
文化效益:军队建设项目所带来的文化效益,例如,对于党史军史的研究和军队文化项目的确立都会带来文化效益。
军事效益:军队建设项目所带来的军事效益,这是军队建设项目带来的最主要的也是最重要的效益,一切军队建设资源都是为军事效益服务的。
外交效益:军队建设项目所带来的外交效益,例如,吉布提海外军事基地的建立涉及到外交效益。
3 军队建设资源投入产出方法设计
3.1 特征量化方法
在军队建设的实际问题上,与之相关的特征大多数是一个宏观的概念,往往不是可以直接查询和获得的,因此在对军队建设项目资源投入产出进行预测和评估时,需要对于资源特征、类别特征、属性特征和效益特征进行量化处理。
人力资源可以用在军队建设项目中投入人的数量和质量的乘积加以表示,包括军队建设甲乙双方的所有人,即军队方参与军队建设项目的人员和雇佣外来进行项目建设的人员,人员质量包括人的体质、智力、知识、技能等。在多数情况下,人员工资和人员质量成正比,因此,人力资源定义为
其中,T为整个项目筹划和建设所花费的总时间,P为从事军队建设项目的军内人员的每月工资,Q为从事军队建设项目中雇佣人员所花费的总金额,N为从事军队建设项目中军内人员的数量,α为比例参数,此外,由于军内人员工作多样性,在整个项目筹划和建设过程中,不是每个人所有的工作时间都投入到项目建设上,这里设φi为对应的军内人员在所有工作中耗费在此项目上所占的时间比例。
物力资源都是实体的资源,任何物力资源都可以转换等价值的财力资源,这里直接用物力资源的价值金额来对物力资源进行量化,物力资源用Mr表示。
财力资源是最直接的资源体现,可以直接用军队建设项目的预算金额作为财力资源的值,财力资资源用Fr表示。
信息资源无法简单的用价值金额来衡量,可能耗费很少的人力物力财力就可以得到很有价值的信息资源,也可能为了一份普通的信息情报耗费大量的人力物力财力。由于信息设备在大多数定义里虽然属于信息资源也同时属于物力资源,且信息技术的共享性也决定了信息资源的投入与量化不能够仅仅通过信息价值来判断,这里将信息资源视为更加趋近于非实体的资源,定义为
其中,NI为军队建设项目中从事信息工作的人数,ti为从事信息工作的人数所耗费的时间,Mi为从事信息工作的人员单位时间的工资,M0为直接购买的信息资源或技术等非实体信息资源的金额。
时间资源分为筹划阶段所耗费的时间和项目执行所耗费的时间,即
其中,T1为项目筹划阶段的时间,T2为项目执行阶段的时间,单位为月,β为比例参数。
类别特征中的项目类别、项目级别、经费科目、项目时效、面向范围按照每一项的类别分类分别取值为1~11、1~7、1~10、1~3和1~4的整数数值,其他类别按照0和1进行区分。
属性特征和效益特征采用德尔菲法来确定,通过德尔菲法评估军队建设项目对这12个属性特征和5个效益特征的影响程度,属性特征取值为确定在0到10之间的一个具体的分数,效益特征分为5个档次I~V,如表2所示。
表2 效益特征的分级情况
3.2 梯度提升算法
接下来通过资源特征和属性特征来预测和评估效益产出。传统的评估方法主要包括层次分析法、模糊综合评价法、数据包络分析法等,随着数据挖掘技术的发展,神经网络、遗传算法等方法被用于数据的分类与回归,但是这些方法仍存在一定的局限性,例如神经网络算法训练次数不足则会过导致拟合,算法本身的收敛速度较慢,容易陷入局部最优解[3]。虽然如此,但机器学习算法有着其他算法难以企及的优越性,如何选择一种精度较高、收敛速度快、防止过拟合的机器学习算法作为分类算法十分必要。
目前在数据预测问题上比较前沿的机器学习算法有GBDT、XGBoost、LightGBM等,这几种都属于梯度提升算法GB(Gradient Boosting),梯度提升算法的基本步骤如下[4~6]:
3)对rmi拟合一个回归树,得到第m颗树的叶子结点区域Rmj,j=1,2,…,J,并计算
3.3 LightGBM算法
LightGBM(Light Gradient Boosting Machine)算法主要是一种在GBDT算法基础上加以优化的框架形式,GBDT算法在每一次的迭代过程中都要多次反复的遍历训练数据,严重的占有内存、消耗时间。与GBDT算法不同的是,LightGBM算法有着快速、高效、分布式的特点。LightBGM算法主要使用了基于 Histogram 决策树算法进行学习[7~9],如图1所示。首先将特征值进行离散化,并生成一个宽为k为的直方图。当对数据样本进行遍历时,将取离散后值作为索引值。遍历完成后就增加了需要的统计量,再通过离散化的特征值来识别最优的分割点。采取这种方式既能显著降低内存的使用,从而降低时间复杂度。
图1 基于直方图的决策树算法
LightGBM算法的另一个特点是采取了限制深度的叶子生长方法(Leaf-wise),选取损失函数值增长最大的叶节点来生长。Leaf-wise有着更高的精度和更低的误差,并在Leaf-wise中加入了防止过拟合的最大深度限制。该策略在每一次分裂前都会遍历决策树中的叶子节点,寻找到分裂增益最大的叶子来进行分裂,然后重复这一操作,具体Leaf-wise生长策略如图2所示[10~11]。
图2 Leaf-wise生长策略
进行训练、测试和预测的数据特征属性情况见表3。
表3 特征属性情况
3.4 检测标准
通过LightGBM算法训练数据并进行预测后,以Kappa系数k和预测正确率作为检测标准,其中Kappa系数的定义如下[12]:
其中,p0为每一类正确分类的效益特征数之和除以每一类效益特征总数n。
其中,在相同类别效益特征下,每一级别真实的样本的数量为a1,a2,…,a5,预测出来的各级别样本数量为b1,b2,…,b5。
3.5 系统设计描述
整个军队建设项目资源投入产出效益评估的活动关系、功能关系和信息关系形成了“信息环-功能环-活动环”的原理流程,如图3所示。
图3 系统信息-功能-活动关系图
军队建设项目资源投入产出效益评估系统是基于LightGBM等机器学习算法,在大量的数据支撑前提下,通过对数据的训练与学习,建立合适的机器学习模型。同时,可以在传统的军队建设项目基础上利用数据、整合数据、分析数据、进行评估,独立出来可以单独作为一个系统,集成到其他军队建设项目相关系统中可以作为一个子系统或者功能模块。
4 结语
国防和军队建设关系到国家长远发展和长治久安,军队建设项目的资源投入和产出效益直接影响到军队战斗力的生成。本文结合军队建设项目的现状,找到了与军队建设项目相关的众多特征,采用机器学习算法进行回归预测,评估项目完成后的产出效益。可以看出,军队建设项目投入产出效益评估方法具有一定程度的可能性与合理性,但预测准确度方面仍有提升空间。提升准确率的方法主要有两个:一是完善属性特征的评估方法,二是建立完善的军队建设项目数据库,并进一步完善数据特征的类别扩展。