基于GWO-BPNN的医院财务管理效率评价

宗玉平

(淮安市妇幼保健院, 江苏, 淮安 223002)

0 引言

随着我国医疗卫生体制改革的不断推进和完善,医疗卫生行业市场越来越成熟、越来越开放透明,医疗卫生事业的公益性和服务性日益凸出。财务管理工作是医院管理的一项非常重要的工作,是保证医院医疗服务工作正常开展的基础。因此进行医院财务管理效率评价,对提高医院财务管理水平、医院服务质量和服务效率以及增强医院的整体实力具有重要的作用[1]。

反向传播神经网络(BPNN)[2]是目前广泛应用的评价系统,将其应用于医院财务管理效率评价中。大量的实践表明,BPNN容易陷入局部最优的问题,同时收敛效率低。基于此,采用灰狼优化算法(GWO)[3]来优化BPNN的初始权值及阈值,提升BPNN的收敛效率,达到全局最优。将构建的GWO-BPNN应用于医院财务管理效率评价中,提升财务管理效率评价的准确率。

1 医院财务管理效率评价指标

医院财务管理效率评价的前提条件是建立医院财务管理效率评价指标体系。为增强医院财务管理效率评价的全面性,在文献[4]的基础上,选择如表1所示的10个指标进行医院财务管理效率评价。

表1中,医院业务收入是医院日常医疗服务所带来的收入,医院的总收入不仅包括业务收入,同时还包括来自政府部门的补贴、奖励等。变量X1、X2、X3反映了不同收入在医院总收入中所占的比重。盈余是衡量组织财务状况的重要指标,反映了医院在本年度的营运状况,用变量X4来表示。变量X5为单位费用比率,为总收入与成本费用之差的值在整个医疗活动中所占的比例,医院成本费用主要包括管理、财务、人力资源等方面。变量X6主要反映科室收入能力,其主要是医院科室成本和所得收益的测量和反映。变量X7为总费用在支出中的比率,医院对各种设备的利用率用变量X8来衡量。变量X9主要反映医院流动资产的比例关系,用来评估医院变现能力。变量X10用来评估医院的风险承受能力,主要反映医院的净资产。

2 灰狼优化算法

灰狼优化算法是受自然界中灰狼种群觅食行为启发所提出的群体智能优化算法,该算法结构简单、参数少,在实际过程中具有广泛的应用。按照社会支配等级关系,将灰狼个体划分为4个等级,分别为α、β、δ和ω。α为头狼,在最高层,是狼群中的领袖;β在第二层,负责协助头狼;δ在第三层,各项活动的开展听命于α、β;其余为ω,在最底层。自然界中灰狼捕食行为包括包围、捕猎、攻击,将其抽象化为数学模型,即灰狼优化算法[5]。

2.1 包围行为数学模型

灰狼捕食是采取先逐步靠近,然后包围的方式,其数学模型为

(1)

(2)

2.2 捕猎行为数学模型

灰狼包围猎物以后将进行捕食,根据灰狼的等级,α为全局最优解,β为全局第二最优解,δ为全局第三最优解[6],其数学模型为

(3)

(4)

(5)

(6)

(7)

(8)

(9)

2.3 攻击行为数学模型

攻击为捕食的最后阶段,如果|A|≤1,那么狼群要接近猎物(X*,Y*),集中对猎物进行攻击,达到捕食的目的;如果|A|>1,那么狼群要远离猎物,重新寻找新的猎物进行围捕。攻击行为的数学模型主要是对参数a进行调整。

3 反向传播神经网络

典型的BPNN由3层构成,分别为输入层、隐含层、输出层,具体结构[7-8]如图1所示。

图1 典型BPNN结构

BPNN中,X=(X1,X2,…,Xn)为输入,Y=(Y1,Y2,…,Ym)为输出,其训练过程包括7步,具体如下。

步骤1 根据输入和输出对网络初始化。由输入变量个数和输出变量个数确定BPNN的输入层节点数为n。设l为隐藏层的节点值、设m为输出层所包含的节点值;使用wij、wjk分别为输入层与隐含层之间、隐藏层和输出层之间各个神经元的连接权重;a、b分别为隐含层阈值、输出层阈值;η为BPNN学习速率;f为激励函数。

步骤2 计算隐含层输出权重H。根据输入、连接权重以及隐含层本身的阈值参数a,使用式(10)获得输出权重H。

(10)

式(10)中,f(x)数学表达式为f(x)=1/(1+e-x)。

步骤3 计算网络输出值,其数学表达式为

(11)

步骤4 计算网络误差e。

e=Yk-Ok,k=1,2,…,m

(12)

步骤5 更新权值。

(13)

wjk=wjk+ηHjek,j=1,2,…,l;k=1,2,…,m

(14)

步骤6 更新阈值。

(15)

bk+1=bk+ek,k=1,2,…,m

(16)

步骤7 算法终止条件。若满足终止条件,则算法停止;否则,返回步骤2。

相较于峨眉、昆仑等其他门派对魔教的敌视，武当对于魔教的态度似乎有些模棱两可。理智上他们觉得魔教行事诡谲，不为道义所容，如张翠山在初识殷素素时就曾因她是天鹰教弟子而抗拒与其交往。但情感上他们却又能无视对方的身份，对所接受的人付出真心，如张翠山带殷素素回武当时，师门也对他们表示祝福，并且尽力维护。

4 基于GWO-BPNN的财务管理效率评价系统

4.1 适应度函数

为提升BPNN的性能,采用GWO对网络初始权值与阈值进行优化。定义适应度函数为网络输出和实际输出的误差值,其数学表达式[9-10]为

(17)

b∈[bmin,bmax]

式(17)中,n为样本个数,xobs(i)为实际值,xpre(i)为预测值。

4.2 模型流程

采用GWO对BPNN的初始阈值和权值优化,得到医院财务管理效率评价模型,具体流程如图2所示。

图2 算法流程图

步骤1 读取医院财务管理效率评价指标数据,归一化处理,并划分训练数据和测试数据:

(18)

式(18)中,F和Fnew分别为原始数据和归一化处理后的数据,LB和UB分别为归一化处理后的最小值和最大值,取值分别为-1和+1,Fmax和Fmin分别原始数据中的最大值和最小值。

步骤2 优化算法参数设置与初始化。设定最大迭代次数为Tmax、种群规模为N、搜索维数为D,并初始化灰狼种群。

步骤3 计算灰狼种群中每一个灰狼个体的适应度值,并根据适应度的大小对灰狼种群进行等级划分。

步骤4 对灰狼个体位置进行更新。

步骤6 是否满足设定的终止条件:如果满足,那么输出结果就是优化后的结果;反之,继续迭代,直到满足终止条件。

步骤7 针对测试数据,将最优初始网络权值和阈值(w*,b*)代入BPNN模型,得到用于医院财务管理效率评价的GWO-BPNN模型。

5 案例分析

5.1 数据来源

选择15家医院为研究对象,通过专家打分法获得15家医院的财务管理效率评价数据,各指标评分数据和综合得分数据如表2所示。将15个医院财务管理效率评价指标评分数据和综合得分数据分别作为GWO-BPNN模型的输入向量和输出向量,建立GWO-BPNN的医院财务管理效率评价模型。各个评价指标得分和对应等级为1.0(最好)、0.7(好)、0.5(中)、0.3(差)和0.1(最差)。

表2 财务管理效率专家评分数据

综合得分所对应的评价标准如表3所示。

表3 综合得分与评价标准

5.2 评价指标

为衡量医院财务管理效率评价的效果,选择均方根误差(ERMS)和平均绝对百分比误差(EMAP)作为评价指标[11-12]:

(19)

(20)

式中,n为样本数量,Xpre(k)为第k个样本的预测值,Xobs(k)为第k个样本的实际值。

5.3 结果分析

15家医院数据被划分为训练集和测试集,其中10家医院的数据为训练集,另外5家医院的数据为测试集。采用训练集数据对网络进行学习训练,得到评价模型;采用测试集数据验证模型的准确性。GWO算法参数设定为种群规模N=10,最大迭代次数Tmax=100。GWO-BPNN评价结果如图3所示。

(a) 训练集

为验证GWO对BPNN初始权值和阈值优化的有效性,分别采用遗传算法(GA)、粒子群算法(PSO)、差分进化(DE)等3种优化算法对BPNN初始权值和阈值进行优化,得到对应的优化后的BPNN模型。对比传统BPNN和不同优化算法优化后的BPNN的性能。通用参数设定:种群规模N=10,最大迭代次数Tmax=100。GA的交叉概率pc=0.7,变异概率pm=0.1;PSO的惯性权重win=0.2,学习因子c1=c2=2;DE的交叉概率pc=0.7,缩放因子RC=0.5。医院财务管理效率评价结果如表4所示。

表4 医院财务管理效率评价结果对比

由表4可知,GWO-BPNN的评价结果优于GA-BPNN、PSO-BPNN、DE-BPNN和BPNN,GWO-BPNN的RMSE和MAPE最小,从而说明GWO-BPNN模型进行医院财务管理效率评价误差最小,评价效果最好;通过GWO、GA、PSO和DE等算法对BPNN模型的初始网络权值和阈值的优化选择,与BPNN相比,GWO-BPNN、GA-BPNN、PSO-BPNN、DE-BPNN等模型的评价精度都有了较大程度的提升。

6 总结

针对传统BPNN的医院财务管理效率评价模型评价精度低的问题,采用GWO对BPNN的初始权值与阈值优化,提出了用于医院财务管理效率评价的GWO-BPNN模型。将提出的评价模型应用于实际中,结果表明该模型使医院财务管理效率的评价精度大大提升。然而,医院财务管理效率评价涉及的因素众多,而本文只考虑了10个评价指标对医院财务管理效率评价的影响,后续将研究更多指标因素对医院财务管理效率评价的影响,提高医院财务管理效率评价模型的适用性和可靠性。