评价模型性能的指标有很多，目前应用最广泛的有准确度，灵敏度，特异性，马修相关系数。首先我们定义以下参数。
表2.1 预测结果的参数定义
符号 名称
描述
TP True position,真阳性 表示阳性样本经过正确分类之后被判为阳性 TN True negative,真阴性 表示阴性样本经过正确分类之后被判为阴性 FP False position,假阳性 表示阴性样本经过错误分类之后被判为阳性 FN
False negative,假阴性
表示阳性样本经过错误分类之后被判为阴性
1.准确度：TP TN
accuracy TP FP TN FN +=
+++
准确度表示算法对真阳性和真阴性样本分类的正确性 2.灵敏度： TP
sencitivity TP FN
=
+
灵敏度表示在分类为阳性的数据中算法对真阳性样本分类的准确度，灵敏度越大表示分类算法对真阳性样本分类越准确。即被正确预测的部分所占比例。
3.特异性：TN
specificity TN FP
=
+
特异性表示在分类为阴性的数据中算法对阴性样本分类的准确度，特异性越大表示分类算法对真阴性样本分类越准确。
4.马修相关系数：
MCC =
马修相关系数表示算法结果的可靠性，其值范围为[]1,1?+，当FP 和FN 全为0时，MCC 为1，表示分类的结果完全正确；当TP 和TN 全为0时，MCC 值为－1，表示分类的结果完全错误。
ROC 曲线指受试者工作特征曲线 / 接收器操作特性曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1‐特异性）为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。在ROC 曲线上，最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。
ROC 曲线的例子
考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被 预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false negative）。
TP：正确肯定的数目；
FN：漏报，没有正确找到的匹配的数目；
FP：误报，给出的匹配是不正确的；
TN：正确拒绝的非匹配对数；
列联表如下表所示，1代表正类，0代表负类。
预测
1 0 合计
实际 1 True Positive（TP） False Negative（FN）
Actual
Positive(TP+FN)
0 False Positive（FP) True Negative(TN) Actual Negative(FP+TN)
合计
Predicted
Positive(TP+FP)
Predicted
Negative(FN+TN)
TP+FP+FN+TN
从列联表引入两个新名词。其一是真正类率(true positive rate ,TPR), 计算公式为
TPR=TP/ (TP+ FN)，刻画的是分类器所识别出的 正实例占所有正实例的比例。另
外一个是负正类率(false positive rate, FPR),计算公式为FPR= FP / (FP + TN)，计算的
是分类器错认为正类的负实例占所有负实例的比例。还有一个真负类率（True Negative Rate，TNR），也称为specificity,计算公式为TNR=TN/ (FP+ TN) = 1‐FPR。
其中，两列True matches和True non‐match分别代表应该匹配上和不应该匹配上
的
两行Pred matches和Pred non‐match分别代表预测匹配上和预测不匹配上的
在一个二分类模型中，对于所得到的连续结果，假设已确定一个阀值，比如
说 0.6，大于这个值的实例划归为正类(阳性)，小于这个值则划到负类(阴性)中。
如果减小阀值，减到0.5，固然能识别出更多的正类，也就是提高了识别出的正
例占所有正例 的比类，即TPR,但同时也将更多的负实例当作了正实例，即提高
了FPR。为了形象化这一变化，在此引入ROC，ROC曲线可以用于评价一个分类
器。
ROC曲线和它相关的比率
(a)理想情况下，TPR应该接近1，FPR应该接近0。
ROC曲线上的每一个点对应于一个threshold，对于一个分类器，每个threshold
下会有一个TPR和FPR。
比如Threshold最大时，TP=FP=0，对应于原点；Threshold最小时，TN=FN=0，对
应于右上角的点(1,1)
P和N得分不作为特征间距离d的一个函数，随着阈值theta增加，TP和FP都增加
Receiver Operating Characteristic,翻译为"接受者操作特性曲线"，够拗口的。曲线由两个变量1‐specificity 和 Sensitivity绘制. 1‐specificity=FPR，即负正类率。Sensitivity即是真正类率，TPR(True positive rate),反映了正类覆盖程度。这个组合以1‐specificity对sensitivity,即是以代价(costs)对收益(benefits)。
此外，ROC曲线还可以用来计算“均值平均精度”（mean average precision），这是当你通过改变阈值来选择最好的结果时所得到的平均精度（PPV）.
下表是一个逻辑回归得到的结果。将得到的实数值按大到小划分成10个个数 相同的部分。
Percentile 实例数 正例数1‐特异度(%)敏感度(%)
10 6180 4879 2.73 34.64
20 6180 2804 9.80 54.55
30 6180 2165 18.22 69.92
40 6180 1506 28.01 80.62
50 6180 987 38.90 87.62
60 6180 529 50.74 91.38
70 6180 365 62.93 93.97
80 6180 294 75.26 96.06
90 6180 297 87.59 98.17
100 6177 258 100.00 100.00
其正例数为此部分里实际的正类数。也就是说，将逻辑回归得到的结 果按从大到小排列，倘若以前10%的数值作为阀值，即将前10%的实例都划归为正类，6180个。其中，正确的个数为4879个，占所有正类的 4879/14084*100%=34.64%，即敏感度；另外，有6180‐4879=1301个负实例被错划为正类，占所有负类的1301 /47713*100%=2.73%,即1‐特异度。以这两组值分别作为x值和y值，在excel中作散点图。
如何评判培训目标的达成，分析培训是否给受训者带来知识的改变和能力的提升，最终给企业和社会带来效益，企业培训效果评估管理在现代企业中日益凸显其重要性。 多模式的企业培训效果评估 企业培训效果评估管理是指收集企业和受训者从培训当中获得的收益情况，以衡量培训是否有效的过程。培训效果评估通过不同的测量工具评价培训目标的达程度，并据此判断培训的有效性以作为未来举办类似培训活动时的参考。其目的是便于企业在选择、调整各种培训活动以及判断价值的时候做出更明智的抉择。培训效果评估产生于上世纪50年代，经过半个多世纪的发展，经历了从定性评估到定量评估、分层次评估到分阶段评估等阶段，在这里笔者介绍二种类型的评估模式。 分层次评估模式 分层次评估模式主要有柯克帕特里克（Kirkpatrick）的四层次企业培训评估模型、考夫曼（Kaufman）的五层次评估模型、菲力普斯（Phillips）的五级投资回报率（ROI）模型等。 柯克帕特里克模型是迄今为止国内外运用最广泛的模型。由威斯康星大学教授唐纳德?柯克帕特里克于1959年提出来的，他按照评估的深度和难度递进的顺序将培训效果分为4个层次：反应层、学习层、行为层和结果层。 反应层即受训人员对培训项目的反应和评价，是培训效果评估中的最低层次。它包括对培训师、培训管理过程、测试过程、课程材料、课程结构的满意等。 学习层该层次的评估反映受训者对培训内容的掌握程度，主要测定学员对培训的知识、态度与技能方面的了解与吸收程度等。 行为层行为层是测量在培训项目中所学习的技能和知识的转化程度，学员的工作行为有没有得到改善。这方面的评估可以通过学员的上级、下属、同事和学员本人对接受培训前后的行为变化进行评价。 结果层它用来评估上述（反应、学习、行为）变化对组织发展带来的可见的和积极的作用。此阶段的评估上升到组织的高度，但评估需要的费用、时间、难度都是最大的，是培训效果评估的难点。 考夫曼（Kaufman）扩展了柯克帕特里克的四层次模型，他认为培训能否成功，培训前的各种资源的获得至关重要，因而应该在模型中加上这一层次的评估。他认为，培训所产生的效果不仅仅对本组织有益，它最终会作用于组织所处的环境，从而给组织带来效益。因而他加上了第五个层次，即评估社会和客户的反应。
评价指标模型方法-模型的评价 评分模型的评价指标 【摘要】如何评价一个评分模型的判别能力，一般在统计上用ROC、CAP、K-S统计量、GINI系数统计量等图形工具或统计指标。其中ROC曲线是较受欢迎的，而K-S统计量、GINI系数等和ROC曲线之间有一定的联系。 【关键词】评分模型评价指标 如果把业务上的二分类问题从统计角度理解，都在于寻找一个分类器，这个分类器可能是logistic模型，也可以是多元判别模型，还可以使其它复杂形式的模型。 一、ROC曲线
ROC，英文全称Receiver Operating Curve，翻译成中文，简称受试者工作特征曲线。其在统计实务中应用甚广，尤其应用于处理医学研究中的“正常组”和“异常组”区分建模问题，用于评价分类模型的表现能力。 ROC曲线原理。 要说清楚ROC曲线的原理，我们从一个简单的分类实例问题说起。假如我们有了基于商业银行企业贷款数据建立违约-非违约的业务分类模型，比如说我们是预测的所有样本的违约概率或者信用评级得分，比如信用评级得分，我们获得了关于两类样本的分布图形： 图两类样本的违约率经验分布 1.基本假设 上面的图例可以看成一个基于银行债务人违约率分类的分类器。左边的分布表示历史样本数据中违约者预测得到的违约率的分布；右边的分布相应表示非违约者的分布，其中C点表示决策者做出决断的切分点，对于该点有这样的
经济意义：一旦我们确定了C点，不考虑其他业务处理，的样本被预测为违约者，反之被预测为非谓语这。对于一个固定的Cutoff点，我们可得到一些有实际意义的量化指标： HR=，表示在C点左边，对Defaulters 的信用得分分布中，基于C点做决策时候，被正确命中的比率，这里H表示被正确预测的违约者的样本个数，ND表示违约样本的总数。 HR=，表示在C点左边，对non-Defaulters的信用得分分布中，基于C点做决策时候，被错误预测的比率，这里F表示被错误预测的违约者的样本个数，NND表示非违约样本的总数。 绘制方法 很显然，当我们移动C点的时候，我们得到了一个二维坐标点的集合，FAR，HR|C？缀信用得分区间}这里的FAR，HR是风险管理领域的专用表示方法。将其用统计中的一些概念进行一般化处理，得到：FD==，表示在C点左边
1模型评估 我们在建立模型之后，接下来就要去评估模型，确定这个模型是否有用。 在实际情况中，我们会用不同的度量去评估我们的模型，而度量的选择取决于模型的类型和模型以后要做的事。 1.1二分类评估 二分类模型的评估。 1.1.1业界标准叫法 二分类评估；分类算法。 1.1.2应用场景 信息检索、分类、识别、翻译体系中。 1.1. 2.1新闻质量分类评估 对于新闻APP，其通过各种来源获得的新闻，质量通常良莠不齐。为了提升用户体验，通常需要构建一个分类器模型分类低质新闻和优质新闻，进而进行分类器的评估。
1.1. 2.2垃圾短信分类评估 垃圾短信已经日益成为困扰运营商和手机用户的难题，严重影响人们的生活、侵害到运营商的社会公众形象。 构建二分类器模型对垃圾短信和正常短信进行分类，并进行二分类评估。 1.1.3原理 1.1.3.1混淆矩阵 混淆矩阵（Confusion Matrix）。来源于信息论，在机器学习、人工智能领域，混淆矩阵又称为可能性表格或错误矩阵，是一种矩阵呈现的可视化工具，用于有监督学习，在无监督学习中一般叫匹配矩阵。 混淆矩阵是一个N*N的矩阵，N为分类（目标值）的个数，假如我们面对的是一个二分类模型问题，即N=2，就得到一个2*2的矩阵，它就是一个二分类评估问题。 混淆矩阵的每一列代表预测类别，每一列的总数表示预测为该类别的数据的数目，每一行代表了数据的真实归属类别，每一行的数据
总数表示该类别的实例的数目。 图1 2*2混淆矩阵图 阳性（P，Positive）： 阴性（N，Negative）： 真阳性（TP，True Positive）：正确的肯定，又称“命中”（Hit）；被模型预测为正类的正样本。 真阴性（TN，True Negative）：正确的否定，又称“正确拒绝”（correct rejection），被模型预测为负类的负样本。 伪阳性（FP，false Positive）：错误的肯定，又称“假警报”（false alarm）；被模型预测为负类的正样本。 伪阴性（FN，false Negative）：错误的否定，又称“未命中”（miss）；被模型预测为正类的负样本。 灵敏度（Sensitivity）或真阳性率（TPR，Ture Negative Rate）：又称“召回率”（recall）、命中率（Hit Rate）。在阳性值中实际被预测正确所占的比例。TPR=TP/P=TP/(TP+FN)
. 三维仿真平台性能指标 4.1 数据要求 支持BMP、GIF、PNG、JPG等格式。 三维模型：支持3DS、DXF、VRML格式。 DEM数据：支持各种矢量等高线数据。 4.2 场景编辑 数据资料采集，包括科学城各栋房屋建筑外立面多角度数码拍照，路面、河流、树木、标志性物体数码拍照等。 图片处理，对外业采集的数字照片进行图片编辑处理，以符合建模标准； 地形建模，基于DEM（数字高程模型）数据和DOM（正射影像图）数据叠加生成地形； 地物建模，用内业处理完毕的数字图片构造地物模型，主要包括建筑物、路面、河流、路灯、花坛等； 可以对地形、模型、二维矢量数据、注记、场景贴图、环境、光源、模型贴图、动态贴图、摄像机等进行编辑处理，生成三维场景；并整体实现模型优化和拼凑。 支持模型库和贴图库管理。 4.3 实时浏览和可视化 实时浏览三维场景。 矢量数据的三维可视化表现。 支持行走，驾驶，飞行，UFO等多种浏览方式。 观察者能从任意角度任意高度观看系统的三维场景。 系统可实现实时随机漫游，漫游的方向和起点完全由用户自己进行选择。 系统可实现从室外漫游到室内漫游的无缝切换。 4.4 数据管理和数据查询 属性数据支持（支持Access、SQL Server、Oracle数据库等）和属性数据查询。 数据条件定位查询，根据查询条件，自动定位目标查询物。 4.5 跨平台 Windows操作系统。 Lunix操作系统。 Unix操作系统。 其它操作系统。 4.6 支持多种格式输出
支持生成高分辨率屏幕图。 可以将实时浏览结果输出成AVI和影像序列。 4.7 面向对象的管理方式 实现场景及路径漫游方式的编辑。 4.8 特效模拟方式的支持 可以对环境进行设置，包括云、雾、能见度等等；也可以实现诸如喷泉效果、旗帜飞扬等效果。
评价模型性能的指标有很多，目前应用最广泛的有准确度，灵敏度，特异性，马修相关系数。首先我们定义以下参数。 表2.1 预测结果的参数定义 符号 名称 描述 TP True position,真阳性 表示阳性样本经过正确分类之后被判为阳性 TN True negative,真阴性 表示阴性样本经过正确分类之后被判为阴性 FP False position,假阳性 表示阴性样本经过错误分类之后被判为阳性 FN False negative,假阴性 表示阳性样本经过错误分类之后被判为阴性 1.准确度：TP TN accuracy TP FP TN FN += +++ 准确度表示算法对真阳性和真阴性样本分类的正确性 2.灵敏度： TP sencitivity TP FN = + 灵敏度表示在分类为阳性的数据中算法对真阳性样本分类的准确度，灵敏度越大表示分类算法对真阳性样本分类越准确。即被正确预测的部分所占比例。 3.特异性：TN specificity TN FP = + 特异性表示在分类为阴性的数据中算法对阴性样本分类的准确度，特异性越大表示分类算法对真阴性样本分类越准确。 4.马修相关系数： MCC = 马修相关系数表示算法结果的可靠性，其值范围为[]1,1?+，当FP 和FN 全为0时，MCC 为1，表示分类的结果完全正确；当TP 和TN 全为0时，MCC 值为－1，表示分类的结果完全错误。 ROC 曲线指受试者工作特征曲线 / 接收器操作特性曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1‐特异性）为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。在ROC 曲线上，最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。 ROC 曲线的例子
生物量模型模型评价指标 在Parresol （1999）对生物量模型所做的综述中，推荐了一系列评价模型拟合优度的统计指标，这些指标也可用于不同模型之间的比较。概括起来，用于模型评价和比较的统计指标包括以下7项： 1）确定系数（R 2）：也称为拟合指数，由总平方和（TSS ）和残差平方和（RSS ）计算： R 2＝∑∑---22)(/)?(1y y y y i i i （1-7） 2）估计值的标准误（Standard Error of Estimate ）：根据残差平方和（RSS ）按下式计算： SEE ＝∑--)/()?(2p n y y i i （1-8） 式中p 为模型参数个数。 3）变动系数（Coefficient of Variation ）：根据SEE 按下式计算： CV ＝100)/(?y SEE （1-9） 该项统计指标对模型之间的快速比较非常实用。 4）Furnival 指数：是Furnival （1961）基于正态似然函数提出的，其一般形式为： FI ＝[f ’(Y)]－1*RMSE （1-10） 式中f ’(Y)是因变量的偏导数，括号表示几何平均，而RMSE （Root Mean Square Error ）是拟合方程的均方根误差。指数值FI 一般用于不同因变量形式的模型之间的比较（Jayaraman 1999；Samalca 2007）。 5）平均百分标准误（Mean Percent Standard Error ）：根据每一个估计值的残差按下式计算： MPSE ＝∑=?-n i i i i y y y n 1 100?/?1 （1-11） 平均百分标准误的期望值为0，所以MPSE 越小表示模型越精确。 6）百分误差（Percent Error ）：其计算公式为：
优秀项目经理五大模型79条评估标准
02 优秀项目经理必备9大能力 一、良好的法律、法规和依法履约的意识 物业项目经理作为项目管理第一负责人，必须全面掌握国家颁布并实施的法律、法规以及地方政府的一些实施细则，如《物业管理条列》、《住宅室装饰、装修管理办法》、《物业收费管理办法》、《贯彻落实全国物业管理条件的实施意见》等一系列指令性文件。只有熟练掌握了这些法律、法规，才能使物业管理工作有法有据、有条不紊地展开；同时，物业项目经理也必须掌握物业管理公司与开发商签订的《前期物业服务合同》、与业主签订的《前期物业管理服务协议》或与业委会签订的《物业服务合同》，明确掌握合同所规定的权利和义务，以及收费标准、期限、时间等一系列条款，这样才便于今后开展各项物业实务操作。做到有法可依。 二、良好的沟通和服务能力 住宅物业管理面对社会方方面面的监督检查，如街道、社区、派出所、房管处、规划局，以及城管、交警、消防、环保、绿化等部门。所有这些公共关系都需要物业项目经理必须具备一定的亲和力，以沟通协调各方面关系的能力。即便是一方面关系的僵化，都会产生各种各样的后果，给物业管理处的正常运作带来麻烦，而物业项目经理与广大业主和员工的及时沟通，则更有利于化解各种矛盾、解决各类问题、树立管理处主任的威信，便于物业管理各项工作的顺利开展。客户服务周全。服务是永恒的主题，物业主任应树立“永远想在业主前面”的思想，认真观察、了解业主（客户）的实际和潜在需求，延伸
和拓展服务项目，确保服务容的多样性，提升业主（客户）的生活品质和满意度。 三、优秀的品德、良好的敬业精神 “满足广大业主服务需求”应视作一个管理处主任的最高目标。就目前现状来说，物业项目经理应该是一个苦差事，不仅要具备良好的素质，而且还必须要有敬业奉献精神，要有吃苦在前、享受在后、“先天下之忧而忧”的精神。要使物业日常管理能够正常运作，还需要考虑和预见本管理处所辖围的人和事，防患于未燃，这就需要一个物业项目经理全身心投入，例如手机必须保证24小时开机；遇到突发的紧急事件而下属不能处理时，物业项目经理不管风吹雨打，必须赶到现场亲自处理。要有模者的姿态领导。物业经理必须身先士卒，模遵守和执行公司各项规章、标准和程序，忠于企业，勇于承担责任，不推诿、不退缩，充分发挥好“头狼”的作用。 四、良好的组织协调能力和管理能力 一个物业管理处必是由一个团队组成，其人员包括客服管家、保安人员、维修人员、保洁人员。一个物业管理处少则十几个人，多则上百个人，要把这些来自五湖四海的性格、喜好、文化层次均不同的员工，揉合成一个理念一致、步伐一致、全心全意为广大业主服务的团队，需要项目经理付出极大的心血来精心浇铸。如果没有一定的组织协调能力，那么结果是可想而知的。全面管理，不求精通，但求全面。物业管理行业，外部关联部门多，服务对象差异性大，服务容涉及门类杂，专业性和科技含量广，部管理上员工层次多，行业整体职业素质有待提高，对项目经理的专业知识、管理技能和经验要求比较高。 五、利用物业管理平台的经营意识 现在的物业的管理来说，普遍处于微利、保本或亏损状态（在5年以上的住宅物业小区管理中表现得尤为突出）。同时，物业收费标准及收费率普遍不高，广大业主还普遍存在着“房子是我买的，物业不是我选的，交不交费与我无关”的观点，甚至对服务要求无限多，一旦发现某些物业服务瑕疵或者是房地产开发商遗留的质量问题，均认定为物业服务不到位，从而拒付物业费。因此，作为一个物业项目经理，如果没有良好的经营头脑，那么这个管理处的盈
顾客满意度指数测评模型比较与借鉴 (转载) 中国加入WTO后零售市场进一步开放，随着许多国外大型零售企业，如沃尔玛、家乐福等的陆续进入，我国零售商业效益低下已是不争的事实。目前，越来越多的企业认识到市场竞争的核心是顾客满意，只有赢得顾客，才能赢得市场，获得利润。在2000版ISO9000族标准中，“以顾客为关注焦点”被列为质量管理八项原则之首，强调了对顾客满意度的测评与监控，并将其作为质量管理体系业绩的一项测量指标。可见，如何提高顾客满意度进而提高顾客的忠诚度，是我国各个商业企业应极其关注的问题。 在这种背景下，本文试图提出一个适合于我国商业企业顾客满意度评价的方法，为提升我国商业企业的核心竞争能力提供帮助。 顾客满意度指数测评模型的介绍 顾客满意度是一个经济心理学的概念，要衡量它就必须建立模型，将顾客满意度与一些相关变量（例如价值、质量、投诉行为、忠诚度等）联系起来。顾客满意度指数（Customer Satisfaction Index，CSI）是目前许多国家使用的一种新经济指标，主要用于对经济产出质量进行评价。它也是目前国内质量领域和经济领域一个非常热门而又非常前沿的课题。20世纪90年代以来，许多国家都开展了全国性的顾客满意度指数测评工作，以此来提高本国企业的竞争力。瑞典率先于1989年建立了全国性的顾客满意度指数，即瑞典顾客满意度晴雨表指数（SCSB），此后，美国和欧盟相继建立了各自的顾客满意度指数——美国顾客满意度指数（ACSI，1994）和欧洲顾客满意度指数（ECSI，1999）。另外，新西兰、加拿大等国家和台湾地区也在几个重要的行业建立了顾客满意度指数。 瑞典顾客满意度晴雨表指数（SCSB）模型 从世界范围来看，瑞典SCSB（Sweden Customer Satisfaction Barometer模型是最早建立的全国性顾客满意度指数模型（如图1）。该模型的前导变量有两个：顾客对产品/服务的期望；顾客对产品/服务的价值感知。满意度的结果变量是顾客抱怨和顾客忠诚度，忠诚度是模型中最终的因变量，因为它可以作为顾客保留和企业利润的指示器。
基于人工智能模式下的职业教育教师评价模型研究 1.引言 随着计算机网络技术、移动通信技术、信息处理技术的发展，教与学的模式也在逐步发展，在传统的课堂教学模式的基础上发展了移动教学、幕课、移动情景感知教学等多种教学模式[1-3]，Hong C E、Lawrence S 在 2011 年研究了传统课堂教学具有降低教学成本和学习费用、集中互动等优势，是当前国内外教学采用的主要模式，但不能满足学者教育的时间、地点等诸多需求[4]；Florence Martin 等人在2013 年提出移动教学虽然可以随时随地传送大容量文字、图形、影视等多媒体信息，但是还无法满足视频的实时传输功能[5]。而移动情景感知学习则可以根据学习者当前需求和学者环境及学习设备的变化，快速准确的选择最恰当的教师推荐给学者，实时为学者解决问题[6]，这不仅扩展了学者的时间和空间，同时也扩展了教师的时间和空间，从而学者能够更有效率的受到服务，因此，教师评价成为移动情景感知学习的关键问题。 客观合理的教师评价体系对于建设自身的高效率师资队伍具有重要意义，目前研究人员对评价模型进行了大量研究，常见的评价模型主要有三种：（1）学生打分法评价模型、（2）递阶层次评价模型、（3）模糊综合评价模型。学生打分法对于教师的评价方法简单，易于使用，涉及的不是很全面，准确性不是很高，主观性强[7]；递阶层次评价模型即采用层次分析法，它的计算量是比较大的，要判断矩阵的最大特征和判断矩阵的阶数是否相等去检验判断矩阵是否具有一致性，而且当判断矩阵不一致时则需要通过若干次的调整、检验才能具有一致性，数据量和操作都比较复杂[8]。模糊综合评价模型将一些边界不清、不容易定量的因素定量化，把定性描述和定量分析紧密结合起来，从多个因素对被评价事物隶属等级状况进行综合性的评价，是一种比较适合的教学评价方法[9]；在传统的评价方法中，大都采用定性分析，因而有失客观、公正。衡量广大教师服务质量难以量化，尤其是对于移动情景感知学习来说，学习者无法面对面接触教师，而且教师服务时间、地点都是随机变化，教师服务的内容也随着学习者不同而不同，对于教师来说，服务对象、服务内容随机变化，因而评价因素无法量化，为此，本文提出了基于多级模糊综合评判的教师评价模型，在本文的第 2 节给出了评价模 型，第 3 节给出了模型实施过程及比较。 2.移动情景感知下的教师评价模型 2.1移动情景感知学习下的教师评价因素 在移动情景感知学习环境下，学习者和教师利用移动设备的视频和语音功能建立情景联系，可以更好更快的为学习者提供实时指导服务，从而能够及时准确的帮助学习者分析问题，解决问题。通过移动情景感知学习平台有学者们可以知道：（1）在移动情景感知学习平台环境下，教师通过注册提供教师的职称、职位、业绩、专业、特长、本身的等级否为省市级，以及自身的教学状态是否端正等信息；（2）在服务过程中，系统将记录教师服务的时间、费用、服务次数情况；（3）学习者可以反馈教师的语言组织能力情况和是否可接受情况等信息；（4）学习者可以将教师的服务质量（非常满意、满意、不满意、非常不满意）反馈给系统。由于移动情景感知学习模式下，学者提出的问题需要教师们的快速以及准确的回答，所以就需要教师本身则具备一定的条件。通过专家采访，以及对情景感知学习系统环境的分析，初步选取以下几个指标体系作为教师评价因子，综上所建立教师评价指标体系如表1 所示。
模型的评价 评分模型的评价指标摘要如何评价一个评分模型的判别能力，一般在统计上用ROC、CAP（能力曲线）、K-S统计量、GINI系数统计量等图形工具或统计指标。 其中ROC曲线是较受欢迎的，而K-S统计量、GINI系数等和ROC 曲线之间有一定的联系。 关键词评分模型评价指标如果把业务上的二分类问题（例如信用评分中的好与坏、拒绝与接受）从统计角度理解，都在于寻找一个分类器（classifier），这个分类器可能是logistic模型，也可以是多元判别模型（Edward Altman1968年发展的基于财务指标建立的企业破产识别z得分模型），还可以使其它复杂形式的模型。 一、ROC曲线ROC，英文全称Receiver Operating Curve，翻译成中文，简称受试者工作特征曲线。 其在统计实务中应用甚广，尤其应用于处理医学研究中的正常组和异常组区分建模问题，用于评价分类模型的表现能力。 （一）ROC曲线原理。 要说清楚ROC曲线的原理，我们从一个简单的分类实例问题说起。 假如我们有了基于商业银行企业贷款数据建立违约-非违约的业务分类模型，比如说我们是预测的所有样本的违约概率或者信用评级得分，比如信用评级得分，我们获得了关于两类样本的分布图形：图3.1 两类样本的违约率经验分布 1.基本假设上面的图例可以看成一个基
于银行债务人违约率分类的分类器。 左边的分布表示历史样本数据中违约者预测得到的违约率的分布；右边的分布相应表示非违约者的分布，其中C点表示决策者做出决断的切分点（cutoff），对于该点有这样的经济意义：一旦我们确定了C 点，不考虑其他业务处理，的样本被预测为违约者，反之被预测为非谓语这。 对于一个固定的Cutoff点，我们可得到一些有实际意义的量化指标：HR（C）=，表示在C点左边，对Defaulters的信用得分分布中，基于C点做决策时候，被正确命中的比率，这里H（C）表示被正确预测的违约者的样本个数，ND表示违约样本的总数。 HR（C）=，表示在C点左边，对non-Defaulters的信用得分分布中，基于C点做决策时候，被错误预测的比率，这里F（C）表示被错误预测的违约者的样本个数，NND表示非违约样本的总数。 2.ROC绘制方法很显然，当我们移动C点的时候，我们得到了一个二维坐标点的集合，FAR（C），HR（RC）|C？缀信用得分区间}这里的FAR（C），HR（C）是风险管理领域的专用表示方法。 将其用统计中的一些概念进行一般化处理，得到：FD（C）==，表示在C点左边违约样本个数，FD（C）表示在C点违约者信用得分的累积概率；FND（C）=FAR（C）则相应表示非违约者信用得分的累积概率；同样我们可得到二维坐标集合{FND（C），（C）|C？缀信用得分区间}。 我们将{FND（C），（C）|C？缀}在xy坐标平面上绘制，就得到了
评分模型的评价指标 【摘要】如何评价一个评分模型的判别能力，一般在统计上用ROC、CAP （能力曲线）、K-S统计量、GINI系数统计量等图形工具或统计指标。其中ROC 曲线是较受欢迎的，而K-S统计量、GINI系数等和ROC曲线之间有一定的联系。 【关键词】评分模型评价指标 如果把业务上的二分类问题（例如信用评分中的“好”与“坏”、“拒绝”与“接受”）从统计角度理解，都在于寻找一个分类器（classifier），这个分类器可能是logistic模型，也可以是多元判别模型（Edward Altman1968年发展的基于财务指标建立的企业破产识别z得分模型），还可以使其它复杂形式的模型。 一、ROC曲线 ROC，英文全称Receiver Operating Curve，翻译成中文，简称受试者工作特征曲线。其在统计实务中应用甚广，尤其应用于处理医学研究中的“正常组”和“异常组”区分建模问题，用于评价分类模型的表现能力。 （一）ROC曲线原理。 要说清楚ROC曲线的原理，我们从一个简单的分类实例问题说起。假如我们有了基于商业银行企业贷款数据建立违约-非违约的业务分类模型，比如说我们是预测的所有样本的违约概率或者信用评级得分，比如信用评级得分，我们获得了关于两类样本的分布图形： 图 3.1 两类样本的违约率经验分布 1.基本假设 上面的图例可以看成一个基于银行债务人违约率分类的分类器。左边的分布表示历史样本数据中违约者预测得到的违约率的分布；右边的分布相应表示非违约者的分布，其中C点表示决策者做出决断的切分点（cutoff），对于该点有这样的经济意义：一旦我们确定了C点，不考虑其他业务处理，的样本被预测为违约者，反之被预测为非谓语这。对于一个固定的Cutoff点，我们可得到一些有实际意义的量化指标： HR（C）=，表示在C点左边，对Defaulters的信用得分分布中，基于C点做决策时候，被正确命中的比率，这里H（C）表示被正确预测的违约者的样本个数，ND表示违约样本的总数。 HR（C）=，表示在C点左边，对non-Defaulters的信用得分分布中，基于C 点做决策时候，被错误预测的比率，这里F（C）表示被错误预测的违约者的样
准确率是最简单的评价指标，公式如下： 但是存在明显的缺陷： 相应地还有错误率：分类错误的样本占总样本的比例。 from sklearn.metrics import accuracy_score
真实情况预测结果正例预测结果反例 反例FP(假正例) TN(真反例) 然后，很容易就得到精准率（P）和召回率（R）的计算公式： 得到 P 和 R 后就可以画出更加直观的P-R 图（P-R 曲线），横坐标为召回率，纵坐标是精准率。绘制方法如下： ?对模型的学习结果进行排序（一般都有一个概率值） ?按照上面的顺序逐个把样本作为正例进行预测，每次都可以得到一个 P R 值 ?将得到的 P R 值按照 R 为横坐标，P 为纵坐标绘制曲线图。 from typing import List, Tuple import matplotlib.pyplot as plt def get_confusion_matrix( y_pred: List[int], y_true: List[int] ) -> Tuple[int, int, int, int]: length = len(y_pred) assert length == len(y_true) tp, fp, fn, tn = 0, 0, 0, 0 for i in range(length): if y_pred[i] == y_true[i] and y_pred[i] == 1: tp += 1 elif y_pred[i] == y_true[i] and y_pred[i] == 0: tn += 1 elif y_pred[i] == 1 and y_true[i] == 0: fp += 1 elif y_pred[i] == 0 and y_true[i] == 1: fn += 1 return (tp, fp, tn, fn) def calc_p(tp: int, fp: int) -> float: return tp / (tp + fp) def calc_r(tp: int, fn: int) -> float: return tp / (tp + fn) def get_pr_pairs( y_pred_prob: List[float], y_true: List[int] ) -> Tuple[List[int], List[int]]: ps = [1] rs = [0] for prob1 in y_pred_prob: y_pred_i = [] for prob2 in y_pred_prob: if prob2 < prob1: y_pred_i.append(0) else: y_pred_i.append(1)
一、盈利模式 中介平台： 商稿发布： 会员教学： 实体产品：光盘、 餐具销售：贴牌认证 二、发展阶段 初期阶段： 中期阶段： 后期阶段： 三、品牌文化 1、文化定位：为追求高品质生活的食客打造更精致的饮食 2、文化宣言：精致的菜，精致的生活
3、文化内容：本公司的确立的文化是精致文化，我们是要求是以质量为生命，以价格为主
体， 以客户为中心， 以高质量高价格以及良好的服务赢得市场。 立足于新起点， 开创新局面。 本公司的文化定位是为追求高品质生活的食客提供更 “精致” 的饮食的一站式购物平台， “精” 就是精益求精，让食客自己动手的过程中提供高质量的享受，赏心悦目地做菜，产品主要集 中提供高质量的餐具；“致”就是专心致志，提供专门的平台让食客能够专心致志地做菜， 享受自己独立完成地成果， 服务主要集中在开展线下活动。 在饮食文化领域中做好食客的服 务员，尽力尽力为食客提供一个高质量的饮食环境。因此，我们要牢牢把握以下几个点： 1、确保每一个出售的餐具都是精品 2、确保我们的价格合理 3、确保我们组织的活动是无可挑剔的 在我们每一期的视频的 “精致” 的菜品， 都根据我们的理念， 写出一篇关于高雅生活的文章， 确保每一篇文章都源于生活，贴近生活，近距离地讲述我们“精致”的饮食文化，让消费者 接受我们的理念。 四、最终目标 1、格局布置： 五、认证标准 一、AHP 分析和改进后的 ASCI 组合模型 1).方法说明 层次分析法作为衡量非量化指标对目标的影响的重要模型，其基本思想在于分解目标。 即把问题分层系列化， 根据实验目标将问题分解成不同的组成因素， 按照因素之间的隶属关 系、互斥关系与相互作用将其有机组合，建立一个递进的聚类组合，之后在合理的度量标度 下， 构造上下层要素之间的权重判断矩阵， 用数学求解和判断的方法对隔层因素的权重进行 分析，以最终分析结果作为决策的依据。 美国顾客满意度模型（ASCI）是一种衡量经济产出质量的宏观指标，是以产品和服务消 费的过程为基础，对顾客满意度水平的综合评价指数，由国家整体满意度指数、部门满意度 指数、行业满意度指数和企业满意度指数 4 个层次构成，是目前体系最完整、应用效果最好 的一个国家顾客满意度理论模型。
5、路面状况评价指标、检测方法和预估模型（举例说明）。 1）评价指标分为综合性指标和单一性指标两大类 综合性指标是对路面使用性能的综合测度，优点是能反映路面总体状况，指标单一，便于比较；缺点是不能确切反映使用性能的局部特征，不便于诊断原委和制定具有针对性的对策。 单一性指标是对路面使用性能诸多局部特征的具体测度，它可以采用多项指标明确地表征路面使用性能各组分的详细情况。 《公路技术状况评定标准》在路面使用性能评价中采用了综合指标和单一指标相结合的方法。 对不同类型的路面，采用了不同的分项技术指标。其中，沥青路面采用了路面损坏、道路平整度、路面车辙、抗滑性能和结构强度五项技术指标；水泥混凝土路面采用了路面损坏、道路平整度和抗滑性能三项技术指标；砂石路面只采用了路面损坏一项技术指标。 路面使用性能指数（PQI）反映路面的整体使用性能 PQI=W PCI PCI+W RQI RQI+W RDI RDI+W SRI SRI wPCI 路面损坏（PCI）的权重； wRQI 道路平整度（行驶质量，RQI）的权重； wRDI 路面车辙（RDI）的权重； wSRI 路面抗滑性能（SRI）的权重。 权重与公路等级和路面类型有关。 2）检测方法 （1）路面破损检测方法:高速摄影车或其他高效测试设备测试，人工
检测（目测或用量尺测） （2）路面平整度的检测方法有：３米直尺法，连续式平整度仪，车载式颠簸累积仪、车载式激光平整度仪； （3）路面车辙测定方法：路面横断面仪法、横断面尺法、激光或超声波车辙仪； （4）路面抗滑性能测定方法：手式铺砂法，电动铺砂仪，激光构造深度仪，摆式仪，磨擦系数测定车测定路面横向力系数。 （5）路面结构强度测定方法：贝克曼梁测，自动弯沉仪，落锤式弯沉仪； 3）预估模型 （1）路面损坏状况（PCI）包括裂缝、坑槽、沉陷和松散等各种表面破坏和损伤。路面表面各种类型的损坏通过其对路面使用性能的影响程度加权累积计算换算损坏面积，换算损坏面积与调查面积之比（路面破损率），可直接用来衡量路面的损坏状态，也可通过路面损坏状况指数（PCI）来评价路面表面的技术状况。 路面损坏状况评价（PCI） （2）路面行驶质量评价（RQI），车辆行驶的舒适性能，可通过道路平整度指标评价,行驶质量指数（RQI）模型。 （3）路面车辙评价（RDI），为了应对高速公路及一级公路不断出现的路面车辙问题，《公路技术状况评定标准》将路面车辙列为独立的检测指标，路面车辙用路面车辙深度指数（RDI）评价。在计算高速公路和一级公路沥青路面PCI指标时，路面车辙损坏不再重复计算。
公司治理模型的发展与评价 公司治理理论最初建立在公司的传统法律模型之上，强调股东权利。这种理论被称为股东中心理论(shareholder-focused theory)(也称为“股东优先理论”(shareholder primacy)或“股东控制理论”(shareholder sovereignty)。随着理论研究及公司实践的发展，公司治理理论出现了突破和扩展的趋势，产生了一种新的观点，认为公司治理的中心应加以扩展，而不仅仅限于股东；所有利益相关者 (stakeholder)都应拥有明确的公司控制权和收益权。公司治理模型的发展，无论在理论还是实践方面都具有重要的研究意义。 一、公司治理的利益相关者模型 利益相关者是指与企业生产经营行为和后果具有利害关系 的群体或个人。对企业而言，其利益相关者一般可以分为三类：资本市场利益相关者 (股东和公司资本的主要供应者)，产品市场利益相关者(公司主要顾客、供应商、当地社团和工会)，以及组织中的利益相关者(所有公司员工，包括管理人员和一般员工)。每个利益相关者群体都希望组织在制订战略决策时能给他们提供优先考虑，以便实现他们的目标，但这些权益主体的相关利益及所关心的焦点问题存在很大的差别，且往往互有矛盾。公司不得不根据对利
益相关者的依赖程度作出权衡，优先考虑某类利益相关者。“股东优先”的治理模式正是因此而产生的。 然而，随着人们对企业行为社会效应的关注，利益相关者理论被提了出来，要求在公司治理过程中兼顾各类利益相关者。 为使社会期望与企业行为达成一致，最直接的方式是通过政府管制或社会调控。但这种方式的效果是不令人满意的，一方面因为管制成本过高，另一方面也因为管制的可行性或效果有限。出现后一情况的一个重要原因是，对企业的社会效应的考核和评价体系尚未完善。传统的评价方式如利润的现值评价，由于无法计算企业导致的社会成本增加，包括对人们健康和财产的损害、对公司的调查研究和起诉费用等，已越来越不可靠。此外，由于股票市场受多种因素影响，有的只是反映了经济和市场的短期模式和一般水平，或者受到人为操纵，而不能真实地反映公司本身的绩效，因而通过股票市场同样无法作出充分评价。 鉴于社会管制方法的失效，人们提出将政府管制或社会调控内生于企业治理结构中，以内部调控替代外部调控。其方法是采用一定的组织制度设计方式逐步向企业内部渗透，这种组织制度方式就是重组企业的治理结构。 二、利益相关者模型与股东中心模型的比较
模型评估与模型监控 1.模型评估 模型评估指标是对模型的数理性能的评价，不涉及业务参数的调优。模型构建时期的评估主要用于评估模型是否对业务预测的有用信息有很好的提取；模型使用时期的评估用于评估模型是否因业务、环境、产品、人群的改变而发生退化。 1.1混淆矩阵 在二分类模型预测中，混淆矩阵是评估模型好坏的一种基本方法，其通过模型预测值与实际值的一致性来判断模型表现。表1.1.1是混淆矩阵的一般形式。 表1.1.1 混淆矩阵示例 这里，实际值与预测值的一致性有四种情况，对应于上表中的单元格内容，它们依次为： ?TP:命中，即实际坏客户和模型预测的坏客户情况一致 ?FP:误报，即模型预测是坏客户，但实际是好客户 ?FN:漏报，即模型预测是好客户，但实际是坏客户 ?TN:正确否定, 即实际好客户和模型预测的好客户情况一致 围绕着这四个指标，可以衍生出评价模型好坏的一些列指标。这些指标可以分为两类，一类是强调模型精准情况，另一类强调模型的覆盖情况，如表1.1.2所示：
表1.1.2 混淆矩阵指标 ?正确率：模型预测结果实际结果一致占总数之比，反应模型预测正确情况?精准度：模型预测违约正确个数与预测违约个数之比，反应模型预测违约正确的情况 ?提升度：精准率与实际违约率之比，反应模型预测效果是随机预测效果提升的多少倍 ?召回率：模型预测违约正确个数与实际违约个数之比，反应模型预测违约覆盖实际违约个数情况。 ?特异度：模型预测正常个数与实际正常个数之比，反应模型预测正常覆盖实际正常个数情况。 ?F1得分：模型精准性与模型召回率综合指标 这里，精准性与召回率对于排序类模型，可以尝试在不同的cut-off阈值下计算出相应的各个指标。模型中，召回率与特异度情况如图1.1.1所示： 图1.1.1 模型召回率与精准性曲线
业绩评估的策略性思考模型 业绩评估的策略性思考其主要目的是通过对评估目的、评估基础和企业可以达到的评估 能力的全面分析，来确定一种策略性的业绩 评估模式（见图２） 评估目的 评估的目的通常有两种，“员工个人业 绩提升与激励”和“组织业绩提升”。前者 着眼于通过激励个体员工，提高其业绩，进 而促进组织业绩，但这种递进关系通常是不 必然的；后者则直接将视点放在了组织业绩 提升上。前者重视的是评估结论所形成的对 业绩优劣的定性判断；而后者则更关注评估 结果对管理改善的提示作用（当然实际上它 仍然可以用来判断业绩优劣）。 在不同的评估目的下，我们通常选择不同类型的业绩指标。以“员工个人业绩提升与激励”为主要目的的评估通常选取与个人或小团队的工作投入，产出以及个人资质有关的业绩指标，而且对指标的量化程度，统计方式的严谨程度等都不能有太严格的要求。以“组织业绩提升”为主要目的的评估通常选取与战略、流程，以及跨职能团队有关的业绩指标，并且对指标的质量、统计方式等问题有着较高的要求。 目前大多数的本土企业业绩评估主要出于第一种目的。虽然这一目的缺乏对真正的企业业绩的充分关注和深入思考，但对于多数本土企业而言，它仍然能够引导企业刷新管理理念，建立初步业绩管理能力。而第二种目的则对评估基础和评估能力有着较高的要求。由于当前主流的业绩管理理论都趋向于讨论针对第二种目的方法论，所以要严格地将诸如平衡计分卡BSC、作业成本法ABC、整合业绩管理IPM等相对较新的方法引入仅仅出于第一种目的下的业绩评估，通常不会成功。 评估基础和评估能力
评估基础主要是指组织战略、业务流程、组织结构、岗位职责等是否具备基本的合理性，并且是否被澄清。良好的评估基础将使企业实施以组织业绩提升为目的的业绩评估模式成为可能，并且使企业能够在追求关键业绩指标的科学性和业绩薪酬挂钩的有效性时拥有更多的施展空间。而多数本土企业在这些方面都是比较薄弱的。这也导致本土企业当前在业绩管理上能够选择的变通方式非常有限。 评估能力主要是指评估数据管理能力，包括在数据生成、收集、处理、分析报告等工作上所能承担的工作量和复杂程度。评估能力越高，就越能够支持战略性的业绩评估；反之，企业也许会由于评估能力的限制而只能暂时性地选择针对个人业绩的评估。此外，在数据管理能力较为有限的情况下，经理人的业绩沟通技能也成为了一项重要的评估能力。评估能力不是一个独立的方面，它与评估基础有很大关联。在运营流程，组织结构还没有理清的情况下，不仅难以生成有价值的业绩数据，而且对数据收集也会造成很大的困难。同时本土企业在数据处理和分析的技术上也相对不足，所以评估能力的总体情况并不理想。 不少管理者会对E化管理产生一种误解，以为只要上了网络，有了电子流程就可以大大提高数据管理能力。事实上E化管理是建立在现有的流程和结构基础上的，技术并不能解决流程和结构本身的问题，相反技术却对流程和结构提出了更为苛刻的要求。这也是为什么主流的ERP推行者都不再是单纯的技术方案供应商，而更具有雄厚的管理咨询实力。IBM 入主普华，联想联姻汉普便是典型的例证。 评估模式的选择 如果企业在建立或者改革业绩评估模式之前，能够全面的分析一下自己的评估目的、评估基础和评估能力的话，通常比较容易找到一种平衡了目的性、科学性和可操作性的评估模式。一个业绩评估模式将包含关键业绩指标的数量、质量、指标分解的方式与程度、指标与承担者的关系、评估的形式、业绩与薪酬的关联方式以及其它方法性问题。 评估模式的选择既要服务于评估目的，又要适应于评估基础和评估能力。为此，业绩评估的策略性思考将遵循三个主要原则：匹配性原则、优先性原则和导向先于评估原则。 匹配性 匹配性原则要求评估目的、评估基础、评估能力与评估模式之间必须相互匹配。评估模式既不能超越评估基础和评估能力所提供的可操作性框架，又要能够顺利达成评估目的。有
供应商评价指标体系与评价模型研究 2003-03-28 内容提要：本文通过对供应链环境下供应商作用的分析，提出建立指标评价体系的必要性和建立的原则，而后建立了具体的供应商指标体系和评价模型，最后结合案例分析证明了评价体系和评价模型的有效性。 关键词：供应链，评价体系，神经网络 一、引言 全球化的竞争环境和信息化的浪潮促进了动态联盟的产生，同时也改变了竞争的方式，使竞争不再是单个企业的竞争而是整个供应链的竞争。这促使了传统的管理模式向供应链管理模式的转变。在供应链管理模式下，供应商与核心企业之间不再是建立在物质基础交换上的简单的货物买卖关系，供应链管理强调的是一种协调、集成的思想，是一种建立在各自企业业务核心的强强联合。供应链中的各企业是一个利益共同体，通过优势互补和协同效应产生企业独立时所不能产生的优势，也就是通过建立合作伙伴关系双方都能从提高生产率、节约资源、降低成本中获益，同时创造更大的顾客价值。这也就决定供应商的选择是企业的一个要决策，如何进行供应商的评价、筛选对企业的健康成长有重要的意义。 二、供应商评价指标体系的建立 因为供应商在供应链环境下是广义的经营主体之一，所以供应商评价的指标特征集不仅应该能够反映质量、交货期、价格等服务性指标，而且还要将供应商的协同能力、技术开发能力、发展能力等发展和协调性指标纳入评价的指标体系。 1．指标体系建立的原则 (1)系统全面的原则：建立的指标体系不仅能够全面反映供应商企业的现有状况，而且还能够体现供应商企业的未来发展趋势。 (2)灵活可操作原则：指标体系的设立应该有足够的灵活性，使企业能够根据自身特点和实际情况进行运用。 (3)科学实用性原则：指标体系要能科学地反映供应商的实际情况，适中实用。如果指标体系过大、层次过多、指标过细将使评价的注意力不能体现整体；而指标体系过小、指标过粗又不能反映供应商的实际水平。 (4)可拓展性原则：因为各个产业和行业的企业有自己的特殊要求，因此一些特殊的指标需要加入，这就要求指标体系和相应的评价模型有扩展的空间。 2．指标体系的建立 在具体的供应商评价指标筛选中，应该从使供应链绩效最大化的目标出发，按照指标的设计原则，具体从技术水平、经营能力、服务水平、经营环境四个方面进行分析，具体指标如下： 技术水平指标：包括技术参数、产品的质量、产品可靠性。产品的技术参数是一定性变