融合基线模型和TOPSIS 法的驾驶人考场评价*

程元堃 彭艳兵

（1.南京烽火天地通信科技有限公司 南京 210019）（2.南京烽火软件科技有限公司 南京 210019）

1 引言

随着经济社会的发展和人民生活水平的提高，学习驾驶已从谋生手段转变为生活技能，驾驶人已从职业化转变为大众化。为适应驾驶人急速增长的新形势，满足社会对驾照考试的需求，推行租用社会化考场［1］。随着公安部相关正式文件的发布，全国各地公安机关交通管理部门组织或引入社会化力量，根据新要求新建或改建各科目驾驶人考场，使得考场建设进入社会化的快速发展时期。

社会化考场数量的急速增加伴随一批考试乱象丛生，当前考场现状主要存在考场建设不规范、管理混乱、监管不到位、考试作弊等问题。为规范考场建设，确保考试质量，部局出台了相关政策和意见并形成相关标准，一定程度提升了机动车驾驶人考场的规范化和标准化水平。但是两个指导性文件及相关标准中有关机动车驾驶人考试，特别是考场的规定不够详细，对于交通管理部门而言，无法掌握有效对驾驶人考场，特别是社会考场的监管手段和重点。因此本文提出的融合基线模型和TOPSIS 法的驾驶人考场评价，首先解决了行业内缺乏有效对驾驶人考场综合评价的问题，其次针对构建驾驶人考场评价指标体系过程中部分指标难以定性的问题，通过训练基线的方法［2～3］，实现了各类指标评价的普适性，最后通过计算各指标相对于基线的偏离程度，能够定位考场具体在哪一个环节出现异常波动行为，与传统的直接根据指标统计值进行评价打分的方法相比具有创新和实用意义。

本文以广东省驾驶人科目一考场为评价对象，将考场综合评价结果应用于交通管理部门日常监管工作中后获得了相关专业人员的高度认可。本文与传统评价方法相比有以下优势：一方面，本文评价方法针对驾驶人考试这一巨大群体，利用考试产生的海量业务数据围绕考场进行评价，得出基于事实和可行性的结论，改变了以往管理者分析各种单一维度的数据报表得出结论的方式，降低了采取人力根据经验分析数据报表可能出现的错误和不确定性［4，5］，同时考虑了多指标之间相关性对评价结果的影响，有利于管理者从更理性和宏观层面把握各考场在整个群体中的相对位置。另一方面，评价过程中部分指标难以定性的问题得到有效解决，使得评价方法具有普适性。最后，该评价方法在给出考场综合评价得分的同时，还能够定位考场具体环节的异常行为，从而帮助管理者可以迅速、精确地找到考场问题所在，从监管角度而言意义重大。

2 相关工作

目前主流的评价方法基本分为3 类：1）基于指标加权的积分法，包括层次分析法（AHP）、专家权重法等［6～10］，该类方法针对各维度指标的统计数值，赋予相应的权重值，其中权重值一般通过熵值法、专家经验等途径给出，最后将维度统计数值进行加权求和，得到最终综合评价得分，此方法的缺点在于权重值的计算不一定能完全客观或存在失真的可能；2）基于指标均值的扣分法，该类方法基本步骤是首先计算所有评价对象各维度指标的均值，然后各对象该指标值和均值相比较，定义若高出均值定量百分比，则设定对应扣分值，若低于均值，则不扣分，最后将所有维度扣分值加和，用满分值减去扣分值即得到最终综合评价得分；3）基于距离的方法，计算各评价对象与最优解、最劣解的距离来进行排序，若评价对象最靠近最优解的同时又最远离最劣解，则为最好，否则不为最优，难题在于如何确定群体中的最优解和最劣解，比较典型的算法为TOPSIS［11～17］。而驾驶人考场的评价指标体系，如表1 所示，部分指标存在难以定性的问题，即成本型和效益型指标边界模糊，导致上述3 类评价方法均无法适用。

表1 驾驶人考场评价指标

以考场职能中的考试合格率指标为例，存在考场考试合格率是否越高越好的疑问，主要有以下两个原因：一是该考场考生自身生源质量较高、考场设施完备、考试秩序井然有序等，因此考试合格率较高；另一种是存在考试作弊可能性，导致人为提升了该考场的考试合格率。若是第二种情形，则在对该考场进行评价过程中，将考试合格率指标越高视为越理想，是不符合设计评价方案初衷的。而本文中提出的融合基线模型和TOPSIS 法的评价方法，将难以定性的指标通过训练基线的方法，从而适用于普遍指标的评价，另外TOPSIS 法的使用也使得该方法具有客观性和可靠性。该评价方法解决了评价指标难以定性、需寻找合适的模型、设定相关参数、甚至算法无效的难题。

3 融合基线模型和TOPSIS 法驾驶人考场评价

本文评价方法的主要步骤如图1所示。从图1可以看出，评价主要分为两个子模块：一是基线模型评价部分，二是TOPSIS 算法评价部分。下面分别介绍这两个部分的细节内容。

图1 驾驶人考场综合评价流程图

3.1 基线模型评价

基线模型主要解决部分难以定性指标的评价问题，本文基线模型的训练与评价主要针对考场职能指标中的考试合格率、日均考试人数、考试平均用时、考场日均工作时长、异地考生比例5 个三级指标。以广东省科目一考场为例，得到基线模型评价主要步骤如下：

1）选取广东省科目一考场2019年全年12个月的考场考试业务数据，将5 个三级指标分别根据业务规则得到统计数值。

由于各指标统计值与考场每个月考试人数具有一定关联性，并且伴随考试人数的变化，各指标统计值可能出现异常偏差情况，因此提出修正补偿因子的概念。

定义1（修正补偿因子）为了平衡指标值由于底数（或基数）大小不同，导致存在异常偏差的情况，提出修正补偿因子，表示为

其中，∂i为第i 个考场的修正补偿因子，rs_normi为考试人数标准化值。

3）计算考场基线向量Base_Model(i) 。将12个月份（n=1，2，3，…，12）的各指标补偿值求和取平均，得到考场基线向量表示为

4）计算考场当月指标补偿值与基线向量之间的欧式距离，得到该考场当月基线模型评价得分Base_Risk(i)，计算公式如下：

其中，dx=A1，A2，A3，A4，A5。

3.2 TOPSIS法评价

驾驶表现指标中的规模人均违法量、责任事故量两个三级指标，均为成本型属性，即数值越大越不理想，越小越理想，因此可采用TOPSIS算法进行评价得分计算。TOPSIS 法通常用来处理有限方案中多目标、多准则等问题。该方法是一种逼近于理想点的排序法，通过构造标准化矩阵来评价各指标的最优解和最劣解，按照与理想化目标接近程度高低对每种方案进行大小排序，对现有对象进行相对优劣的评价。得到TOPSIS评价主要步骤如下：

1）计算当月广东省现场违法总量、涉及驾驶人以及来源的科目一考场、近一年以来广东省各科目一考场考试通过人数，计算规模人均违法量，如下：

2）计算当月广东省事故总量、涉及有责驾驶人以及来源的科目一考场，计算责任事故量，如下：

3）设考场集合P={P1，P2，…，Pm}，每个考场评价指标集合r={r1，r2}，评价指标rij表示第i个考场的第j 个评价指标，其中i∈[1，m]，j∈[1，2]，初始评价矩阵可以表示为

由于该类评价指标均为成本型属性，对各评价指标进行量纲归一化处理，得到标准化决策矩阵C=(cij)m×2，表示为

4）计算各考场指标向量到正负理想解的距离，得到该考场当月TOPSIS 评价得分Topsis_Risk(i)，计算公式如下：

最终，得到TOPSIS法评价得分如下：

3.3 驾驶人考场综合评价

在3.1节和3.2节中，分别计算得到了基线模型评价和TOPSIS评价得分，分别赋予相应权重值计算加权和，得到各考场最终的综合评价得分，表示为

其中，w1，w2分别表示赋予两个子模块的权重值，可根据关注侧重点进行调整。综合评价得分越高表示该考场存在异常行为的可能性越高，相对更加值得管理者的关注。

4 实验结果与分析

4.1 基本数据

本文实验采用广东省2019 年科目一考场考试数据，某一个月的广东省现场交通违法和交通事故数据，其包含的相关内容如表2所示。

表2 数据集统计

4.2 实验结果

根据3.1节计算得到考场基线向量矩阵：

设定基线模型评价和TOPSIS 法评价两个子模块权重w1，w2分别为0.8，0.2。根据第3 节评价方法计算得出的科目一考场综合评价得分情况如表3所示。

表3 科目一考场综合评价得分

由图2（a）和图2（b）可以看出，考场评价中各指标数值相对于自身基线模型中基线向量的评价得分与波动大小呈正相关，即波动越大，基线模型评价得分越大，该考场当月存在异常行为可能性越高。图2（a）中，No.441516 当月数据曲线明显偏离其基线向量曲线，具体分析导致该波动情况是由日均考试人数A2和考场日均工作时长A4两个指标值突增造成的，核实后发现该考场当月加大了考试预约指标的投放，因此预约到该考场参加考试的人数较历史显著增多，考场开放的时间也相应得到延长。图2（b）中两个考场当月数据曲线均基本和其基线向量曲线重合，因此当月考试情况保持平稳正常。

图2 不同考场基线偏离程度对比

结合表3 和图2 可以看出，由于二级指标中考场职能c1：驾驶表现c2两类指标按照0.8：0.2 的比例加权计算得到综合评价得分，考虑考场职能类指标是评价考场的核心，考场学员未来一段时间内的驾驶表现作为对考场评价的补充。 对比No.4420081 和No.440109 两个考场综合评价得分发现，No.4420081 基线模型评价得分明显低于后者，但其综合评价得分却略微高于No.440109，说明No.4420081 考场学员领证后的群体驾驶表现相对较差（其学员评价周期内发生过2起责任事故）。

5 结语

驾驶人考试需求的急速增长伴随着驾驶人考场，特别是社会化考场数量的大幅增加，对于相关部门管理者而言，如何精准有效地对其进行监管是重中之重。本文综合考虑了考场职能和考场驾驶人未来周期内的驾驶表现，使得对考场的评价更加全面。评价方法中，利用基线模型，解决了评价指标体系中部分指标难以定性的问题，同时能够定位具体出现异常行为的指标。利用TOPSIS 法对部分指标进行客观评价，避免决策者因为主观经验造成的决策上的偏差。因此，该评价方法不仅给管理者提供了有效的监管手段，还能够对考场的异常行为进行定位，对于其他科目考场或类似主体对象均普遍适用，具有较强的推广价值。