资源描述：
《浅谈基于均衡rvm模型的科研项目评审排序方法》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。
1、浅谈基于均衡RVM模型的科研项目评审排序方法 摘要:对科研项目进行合理排序,是科研项目评审和筛选的前提。在参加评审的科研项目数量有限的情形下,采用专家排序方式更为合理,而有序投票模型是处理此类问题的经典方法。文章提出均衡有序投票模型,并分别从基准面与理想点两个角度给出均衡评价策略,可以弥补传统有序投票模型中非均衡评价、区分度不高的缺陷。实证研究验证了该方法的合理性。 关键词:科研项目;排序;有序投票模型;均衡评价 一、引言 科研工作的非功利性、公益性、结果不可预知性等特征决定了国家投资是科研发展的重要资金来源,
2、其中,各类科研项目是国家投资科研事业的主要形式之一,因此,科研项目管理是科研管理的重要内容。随着我国经济实力的不断增强,近几年我国在科学研究上的投入大幅增加,为科研工作者创造了有力的支撑条件;同时,由于立项评审等环节的漏洞,也产生了一定程度上的经费浪费。科技项目评审是否客观、公正、合理,直接关系到科研经费是否得到优化配置,进而关系到科研资源的合理利用、科研人才的工作热情、科研计划的成功与否。因此,作为科研项目管理的核心环节,科研项目评审意义重大,对其开展研究具有必要性。 一般而言,科研项目评审就是将候选的科研项目按照事先确
3、定的标准和方法进行排序,依据综合得分对候选项目进行优胜劣汰,同行专家的评审意见在其中起着重要作用。在科研项目评审中,专家的意见通常有三种表达方式:分数、等级与排序。分数评价的优点是结果容易处理,缺点是评分困难极大,专家很难用具体分数来描述不同候选项目之间的区别。等级评价适合于多个项目评审;预设的等级往往有限,导致一些项目划分至相同的等级,区分度不高,是此类评价方式的不足之处。排序评价适合于少量项目的评价,不需要为每个项目提供具体的分数,又能够保证较好的区分度,故在有限项目评价中有很好的应用前景。 专家运用分数表达评审意见时
4、,综合加权法、数据包络分析、层次分析法等是最为常用的求解候选项目总得分的方法;如果专家使用等级来表达评审意见,较常用的意见集结方法是模糊评价方法;若专家使用排序来表达评审意见,则有序投票模型是处理此类问题的经典方法。本文仅考虑专家采取排序方式进行项目评审,指出传统有序投票模型的若干缺陷,并提出基于均衡评价模式的有序投票模型,以促进项目评审的改善。 二、有序投票模型(RankedVotingModel,RVM) 假设有多个专家对n个候选项目进行排序,以选出t个项目予以支持,每个专家有偏好顺序的列出t个最佳候选项目,
5、这里n>t。yij是第i个项目被排在第j位的总次数,j=1意味着排在首位。Cook等人提出如下有序投票模型(RankedVotingModel,RVM),以得到每一个候选项目的总得分。特别地,对于第p个项目,其得分为如下RVM模型的最优目标值: 约束(2)意味着:不仅仅位次越高所对应的权重应越大,且相邻位次之间权重的区别,位次越高,区别应越大。例如,第一名与第二名的差别,应大于第二名与第三名的差别。显然,约束(2)更为合理。 本文给出一个实例来演示各种评价方法:有10个候选科研项目,需从中选出4个科研项目予以资助,
6、5位专家的意见作为参考。每个专家仅仅有偏好的列出4个项目,结果如表1所示。需要解决的问题是:如何确定各位次对应的权重大小,以计算每个项目的得分。 基于表1的投票结果数据,根据模型(1)以及弱约束条件和强约束条件,可得到5个专家对各个候选项目的综合评分结果,如表2所示。结果显示,#1、#4、#5、#8、#9五个项目都具有最高的综合得分。表2的结果表明,传统的RVM模型可能因为区分度不高而导致决策困难。此外,式(1)所示的RVM模型,考虑的是在最优权重体系下各个项目的最大可能得分,评价的基准面由性能最佳的项目组成。显然,这种评
7、分方式是一种非均衡评价模式。 因此,本文如下部分提出基于均衡有序投票模型(BalancedRankedVotingModel,BRVM),采用两种策略获得各个候选项目在均衡评价模式下的得分。 三、均衡有序投票模型(BRVM) 1.基于基准面的均衡有序投票模型。式(1)所示的RVM模型是一种非均衡评价模式。为此,本文首先提出如下模型,考虑在最劣权重体系下各个项目的最小可能得分,参照的基准面由性能最劣的项目组成: 并参照式(5)的方式对有关数据进行微调。 3.均衡模型下的项目评审结果。表3和表4分别给出了弱约束
8、情形和强约束情形下各个项目在均衡模型下的得分。 由表3和表4可知,项目#1,#5与#9在各种方法下均有较高得分,故这三个项目都应当予以优先资助。此外,项目#4和#8在各种方法下的得分仅仅次于前述三个项目,故也可作为理想的候选项目进行资助。相对于表2所示的结果而言,本文方法得到结果的区分度
