服務熱線
400 180 8892
課題編號：20235-01
基于VAVE 方法的公立醫院內部控制 流程設計研究
廣州新華學院 廣東省生殖科學研究所(廣東省生殖醫院) 課題組
摘 要
本研究聚焦于廣東省公立醫院的內部控制流程優化，采用
VAVE 方法結合機器學習技術，旨在提升醫院管理效率和服務質量。 通過對3008條醫院財務與業務數據 · 的分析，研究運用主成分分 析、關聯規則學習和聚類分析等技術，識別出在成本控制、功能 提升和內部管理方面表現優異的標桿醫院。研究結果揭示了影響 醫院績效的關鍵因素，并總結出一系列具有顯著業務價值的特征 組合，為其他醫院提供了可借鑒的管理經驗和策略。通過推廣這 些最佳實踐，醫院可以在資源有限的情況下，實現服務質量和運 營效率的雙重提升。本研究不僅填補了當前醫院管理研究的空白， 還為全國范圍內的醫院管理實踐提供了科學的決策支持和改進措 施，推動了醫院管理的科學化和精細化。
課題研究目的、研究要點
本研究的主要目的是通過數據分析和機器學習技術，識別和 推廣廣東省公立醫院中的標桿醫院，以優化醫院的管理策略和資 源配置。具體而言，研究旨在通過對醫院財務與業務數據的深入 分析，揭示影響醫院績效的關鍵因素，并為其他醫院提供可借鑒 的管理經驗和策略。研究的要點包括：
1. 多維度績效評估：通過主成分分析、關聯規則學習和聚類 分析等技術，全面評估醫院在成本控制、功能提升和內部 管理等方面的績效。
2. 標桿醫院識別：利用A 分數和B 分數篩選出表現優異的醫
院，深入分析其成功經驗和管理策略。
3. 成功經驗推廣：總結標桿醫院的特征組合，提供具體的實 施建議，幫助其他醫院在資源有限的情況下優化運營，提 高服務質量。
4. 數據驅動決策支持：通過數據分析和機器學習技術，為醫 院管理提供科學的決策支持，提升管理效率和服務質量。
目 錄
一 、引 言 5
( 一 )研究背景 5
( 二 )研究目標和研究問題 7
( 三 ) 研究方法 8
( 四 )研究貢獻 9
二 、文獻綜述 1
( 一 ) 價值分析與價值工程(VAVE) 11
( 二 )VAVE 與內部控制 13
( 三 ) 關聯學習 14
( 四 ) K -Means 聚類算法 15
( 五 ) 自動編碼器 16
( 六 ) 綜合評述 17
三、數據 19
( 一 )指標數據 19
1. 成本類指標(C) 21
2. 功能類指標(F) 2
3. 內部控制類指標(Control) 23
( 二 ) 數據處理 27
四 、關聯規則學習 28
( 一 ) 關聯學習過程 28
( 二 ) 關聯學習結果分析 29
( 三 ) 標桿學習策略 30
( 四 ) 經驗推廣 3
五 、聚類分析 36
( 一 ) K -means 聚類 37
( 二 ) 使用自編碼器改善聚類效果 40
( 三 ) 維度匹配 42
( 四 ) 聚類的內部屬性與標桿挖掘 45
六 、總結 51
參考文獻 53
一 、引言
( 一 )研究背景
近年來，為加強行政事業單位的內部控制建設，財政部及相 關部門自2015年起陸續發布了一系列政策文件，旨在規范和指導 各單位的內部控制工作。《關于全面推進行政事業單位內部控制建 設的指導意見》(財會〔2015〕24號)為整體內控建設奠定了基 礎。隨后，《行政事業單位內部控制規范(試行)》(財會〔2012) 21號)和《行政事業單位內部控制規范、內控報告編報工作指南》 (財會〔2016〕10號)細化了內控操作的具體準則和報告編制的 細則，進一步保障了內控實施的標準化和一致性。
此外，財政部每年發布的年度內部控制報告編報工作的通知， 從2017年至2022年，包括財會〔2017〕11號至財會〔2022〕6 號，這些文件通過明細化的報告要求，強化了行政事業單位的內 控報告制度，確保內控執行的規范性和及時性。
在醫療領域，《關于加強公立醫院運行機制改革的意見》(2020 年)由國家衛生健康委員會、財政部等聯合發布，提出了加強公 立醫院內部管理和控制機制的建議，與《公立醫院財務和經濟運 行管理制度》(2021年)一起，為醫院預算和財務管理提供了詳 細指引。這些文件強調了完善醫院的運行機制與財務制度之間的 緊密聯系。
同時，《關于完善公立醫院藥品集中采購的指導意見》(2020 年)通過加強藥品采購使用的透明度和控制，進一步完善了醫院 在藥品管理領域的內控措施。這些文件相輔相成，共同推動了廣 東省公立醫院在塑造內部控制制度上的發展與實踐。
結合這些政策，廣東省公立醫院在內部控制建設方面已取得 一定進展，但仍面臨如內部控制意識需進一步提高、實施細節需 進一步完善等挑戰。通過以上政策文件的指導及執行，進一步促 進廣東省公立醫院在管理效率和風險防控能力方面的提升，實現 提高醫療服務質量和運營效率的目標。這些政策文件在功能上相 輔相成，形成了一個內控管理的綜合體系，為醫院高效運行及服 務質量的提升提供了保障。
在現代醫療體系中，公立醫院的管理和運營效率直接關系到 公共衛生資源的優化配置和使用效率。隨著醫療需求的不斷增長 和資源的有限性，如何在有限的資源條件下提升醫院的服務質量 和運營效率成為了一個亟待解決的問題。廣東省作為中國經濟最 為發達的地區之一，其公立醫院的管理模式和運營績效具有重要 的研究價值。本研究以廣東省公立醫院為樣本，旨在通過數據分 析和機器學習技術，挖掘出可供學習的標桿醫院，以期為其他地 區的醫院管理提供借鑒。
近年來，數據驅動的決策在醫療行業中逐漸受到重視。通過 對醫院運營數據的深入分析，可以揭示出影響醫院績效的關鍵因 素，并為管理者提供科學的決策依據。本研究利用了多種數據分
析技術，包括主成分分析、關聯規則學習和聚類分析，系統地分 析了廣東省公立醫院的財務與業務數據。通過對80個數值型變量 的降維和分類，本研究從多維度評估了醫院的績效，識別出在成 本控制、功能提升和內部管理等方面表現優異的標桿醫院。
在此基礎上，本研究進一步探討了如何通過學習標桿醫院的 成功經驗，優化資源配置和管理策略。通過對標桿醫院的深入分 析，研究總結出了一系列具有顯著業務價值的特征組合，這些組 合在不同的醫院管理場景中展現出極高的潛力。研究結果不僅為 廣東省公立醫院的管理提供了深入見解，也為全國范圍內的醫院 管理實踐提供了可行的改進措施。通過推廣和實施這些最佳實踐， 醫院可以在資源有限的情況下，實現服務質量和運營效率的雙重 提 升 。
(二)研究目標和研究問題
本研究的主要目標是通過數據分析和機器學習技術，識別和 推廣廣東省公立醫院中的標桿醫院，以優化醫院的管理策略和資 源配置。具體而言，本研究旨在通過對醫院財務與業務數據的深 入分析，揭示影響醫院績效的關鍵因素，并為其他醫院提供可借 鑒的管理經驗和策略。通過識別在成本控制、功能提升和內部管 理等方面表現優異的醫院，本研究希望為全國范圍內的醫院管理 實踐提供科學的決策支持和改進措施。
盡管已有研究對醫院管理進行了探討，但仍存在一些研究空
白。首先，現有研究多集中于單一維度的績效評估，缺乏對醫院 在成本、功能和內部控制等多方面的綜合分析。因此，研究需要 探討如何通過多維度的數據分析方法，全面評估醫院的績效并識 別出標桿醫院。其次，盡管一些研究識別了表現優異的醫院，但 缺乏對其成功經驗的系統總結和推廣。因此，研究需要解決如何 系統地總結標桿醫院的成功經驗，并將其轉化為可推廣的管理策 略和實踐。最后，許多醫院管理決策仍然依賴于經驗和直覺，缺 乏基于數據分析的科學支持。因此，研究需要探討如何利用數據 分析和機器學習技術，為醫院管理提供科學的決策支持，提升管 理效率和服務質量。
通過解決這些研究問題，本研究不僅填補了當前醫院管理研 究中的空白，還為實際的醫院管理實踐提供了有價值的指導和支 持。研究結果將有助于推動醫院管理的科學化和精細化，提升公 共衛生資源的使用效率。
(三)研究方法
本研究采用了一系列數據分析和機器學習技術，以系統地識 別和分析廣東省公立醫院的標桿醫院。首先，數據收集階段涵蓋 了廣東省內不同級別和功能的公立醫院，共計3008條觀測值。這 些數據包括醫院的財務和運營績效指標，提供了一個全面的視角 來評估醫院的整體表現。為了確保數據的準確性和一致性，研究 對數據進行了預處理，包括數據清洗、標準化和分類變量的one-hot
編碼。這些步驟確保了數據的質量，為后續分析奠定了堅實的基 礎。
在數據分析階段，研究采用了主成分分析 (PCA) 對80個數 值型變量進行降維，將其歸類為功能、成本和控制三大類指標。 每類指標又細分為鼓勵和抑制子類，以便更細致地分析醫院的績 效表現。通過這種降維方法，研究能夠簡化數據結構，突出關鍵 特征，從而提高分析的效率和準確性。接下來，研究應用了關聯 規則學習和聚類分析等機器學習技術。關聯規則學習采用Apriori 算法發掘頻繁項集，并生成關聯規則，這些規則揭示了不同醫院 管理指標間的內在聯系。聚類分析則通過K-means 聚類進一步識 別表現相似的醫院集群，結合自編碼器優化聚類效果，提高了聚 類的準確性和解釋性。
在標桿識別階段，研究通過計算A 分數和B 分數，篩選出在 成本控制、功能提升和內部管理等方面表現優異的醫院。 A 分數 和 B 分數分別代表醫院的成本控制能力和功能與內部控制能力， 通過這些指標，研究能夠有效地評估和比較不同醫院的績效表現。 最后，研究對標桿醫院進行了深入分析，總結出其成功經驗和管 理策略。這些經驗和策略為其他醫院提供了可借鑒的管理實踐， 幫助它們在資源有限的情況下優化運營，提高服務質量。
(四)研究貢獻
本研究在多個方面做出了重要貢獻，首先是通過系統的分析
方法識別和推廣了廣東省公立醫院中的標桿醫院。通過對醫院財 務與業務數據的深入分析，研究揭示了影響醫院績效的關鍵因素， 并識別出在成本控制、功能提升和內部管理等方面表現優異的醫 院。這一識別過程不僅為廣東省的醫院管理提供了具體的改進方 向，也為全國范圍內的醫院管理實踐提供了科學的決策支持和改 進措施。這種基于數據驅動的標桿識別方法為醫院管理的科學化 和精細化提供了新的視角。
其次，本研究通過多維度的績效評估方法填補了現有研究的 空白。傳統的醫院績效評估多集中于單一維度，忽視了醫院管理 的復雜性和多樣性。本研究通過主成分分析和聚類分析等技術， 將醫院績效分解為功能、成本和控制三大類指標，并進一步細分 為鼓勵和抑制子類。這種多維度的分析方法不僅提高了評估的準 確性和全面性，還為醫院管理者提供了更為細致的績效改進路徑。 通過這種方法，研究能夠更準確地識別出標桿醫院的成功經驗， 并為其他醫院提供可操作的改進建議。
此外，本研究在標桿醫院成功經驗的系統總結和推廣方面也 做出了重要貢獻。通過深入分析標桿醫院的管理策略和運營模式， 研究總結出了一系列具有顯著業務價值的特征組合。這些特征組 合在不同的醫院管理場景中展現出極高的潛力，值得在整個組織 內推廣和實施。研究不僅揭示了這些特征組合的內在邏輯，還提 供了具體的實施建議，幫助其他醫院在資源有限的情況下實現服 務質量和運營效率的雙重提升。
最后，本研究通過數據分析和機器學習技術，為醫院管理提 供了科學的決策支持。這種基于數據驅動的決策支持系統不僅提 升了醫院管理的效率和效果，還為未來的醫院管理研究提供了新 的方法論基礎。研究結果表明，通過不斷學習和改進，醫院可以 始終保持在行業中的領先地位，并確保其管理策略能夠在新的環 境下繼續發揮作用。這一貢獻為推動醫院管理的持續改進和創新 提供了重要的理論和實踐支持。
二、文獻綜述
(一)價值分析與價值工程 (VAVE)
價值分析與價值工程 (VAVE) 運用系統化的方法，通過最大 化功能和最小化成本來提升產品或服務的整體價值。它的核心理 念是將功能和成本分別歸類為鼓勵類和抑制類，目標是實現資源 的最優配置。這種方法被廣泛應用于多個領域，如電子商務和軟 件開發 。
張彩江和徐詠梅(2002)對我國價值工程理論與實踐的發展 進行了回顧，分析了影響其應用效果的深層次原因。他們指出， 盡管價值工程在中國的應用逐漸增多，但理論與實踐的融合仍需 不斷深化。這項研究為后續研究提供了方向，強調了在不同領域 中進一步探索價值工程的必要性。張彩江和馬慶國(2005)探討 了價值工程應用系統的復雜性機理。他們的研究為復雜項目中的
價值最大化提供了理論支持，揭示了在復雜系統中應用價值工程 時可能遇到的挑戰和解決方案。王乃靜和時文慶(2008)將價值 工程應用于合理質量分析，強調了合理質量與最優成本之間的關 系。這項研究推進了質量管理理論的實踐應用發展，展示了價值 工程作為決策支持工具在平衡產品質量與制造成本中的有效性。 孟秀麗(2016)的研究聚焦于制造與運營管理領域，特別是客戶 訂單分離點定位中的沖突。他們提出了基于價值工程的方法進行 沖突消解，展示了價值工程在優化生產與供需匹配過程中的有效 性，通過提升運營效率來增加經濟效益。劉紅華和曹連眾(2020) 從價值工程視角分析了大型體育賽事贊助的功能及其實現路徑。 他們的研究為贊助商提升投入回報和提高品牌價值提供了策略指 導，突顯了價值工程在體育經濟中的應用潛力。
Akkermans 和 Gordijn(2003) 在電子商務需求分析中強調了 價值最大化的重要性，而 Chulani 等人(1999)通過貝葉斯分析 優化軟件開發成本，體現了VAVE 在優化過程效率方面的應用。 Bertoli 等人(2009)的系統建模工具雖然主要用于性能評估， 但其資源優化理念與 VAVE 不謀而合。在工程領域，VAVE 也展示 了其廣泛的適用性。 Colombo 等人(2003)的研究通過聲發射信 號分析評估混凝土梁的損傷，提示了如何通過精確分析提升工程 設計的結構價值。而 Cornell(1968) 的地震風險分析強調了風 險管理在工程設計中的必要性，與VAVE 理念中通過優化決策提高
價值的原則高度契合。 Katcher 等人(1993)則在軟件工程中展 示了通過優化調度策略來提高系統性能和價值的可能性。 Hazelrigg(1998) 和 Roy(2003) 分別從決策框架和成本管理的 角度，進一步強化了在設計和項目管理過程中提升價值的重要性。
此外，VAVE 在教育和服務工程領域也展現了獨特的價值導向 潛力。Matusovich 等人(2010)研究了工程學科的教育動機價值， 而 Sakao 和 Shimomura(2007) 通過結合服務和產品的服務工程 學科來增加價值，展示了VAVE 在現代工程設計中廣泛應用的前景。 這些跨學科的研究共同展示了VAVE 方法在實現資源最優配置和 價值最大化方面的巨大潛力，強調了其在工程設計、風險管理和 成本控制中的重要性。
( 二 ) VAVE 與內部控制
Bodnar(1975) 強調了通過系統化的控制流程來提高組織的 可靠性和效率，這與VAVE 的目標一致，即通過優化流程和資源配 置來最大化價值。可靠的內部控制能夠減少浪費和錯誤，從而降 低成本并提高功能價值。類似地， Borrajo et al. (2005) 探討 了中小企業的自主內部控制系統，強調靈活性和適應性的重要性， 這與 VAVE 方法中對靈活性和創新能力的重視相符。通過自主控制 系統，中小企業能夠更有效地管理資源和風險，實現更高的價值。 此外，Masli et al.(2010) 研究了內部控制監控技術的潛在好 處，指出技術可以提高控制的有效性和效率，這與VAVE 通過技術
和創新來優化成本和功能的理念相符。 Stringer 和 Carey(2002) 的研究則強調了重新設計控制流程以適應變化環境的重要性，與 VAVE 關注通過重新設計和創新來提高產品和服務價值的目標一致。 通過優化內部控制流程，組織可以更好地適應市場變化，提升競 爭力。Tuan(2020) 的研究表明，內部控制對企業績效有顯著影 響，尤其是在越南建筑企業中。有效的內部控制能夠通過優化控 制和管理流程來提高組織的整體價值和績效。這些研究共同表明， 優化內部控制流程不僅支持VAVE 的目標，還能通過減少浪費、提 高效率和增強靈活性來實現組織價值的最大化。
(三)關聯學習
關聯學習作為應對大數據時代挑戰和機遇的強大工具，其研 究領域不斷擴展，特別是在提高算法的可擴展性和處理大規模高 維數據集的效率方面(Erlandsson et al.,2016)。關聯規則學習 已超越傳統的市場分析和推薦系統，開始應用于醫療診斷、金融 風險管理及智能交通系統等多個領域 (Li&Sheu,2021)。 例如， Doub et al. (2016) 的研究通過分析用戶行為來區分用戶偏好， 為餐飲行業提供市場營銷洞見，而在社交媒體中， Erlandsson et al.(2016) 應用此技術識別有影響力的用戶，優化營銷和信息傳 播策略。
Fürnkranz 和Kliegr(2015) 以及Kumbhare和Chobe(2014) 分別提供了關聯規則學習的基礎概述和算法綜述，為數據科學家
選擇合適的算法提供了指導。而Kavšek et al. (2003) 則通過改 進傳統的 Apriori 算法，在子群發現領域成功應用關聯規則學習， 揭示了數據集中的關鍵模式。 Li 和 Sheu(2021) 提出的啟發式方 法則有效解決了傳統算法在處理大規模數據集時的性能限制。緊 隨其后， Santolucito et al. (2017) 將關聯規則學習應用于編 程語言研究領域，展示了其在軟件工程中的潛力。
此 外 ，Versichele et al. (2014) 的 案 例 研 究 通 過 Bluetooth 追蹤數據，利用關聯規則學習挖掘游客對旅游景點的 訪問模式，為城市管理提供了實用的建議。這些廣泛的應用展示 了關聯規則學習從商業營銷到社交網絡、智能技術配置及旅游管 理等領域的潛力，證明了其作為數據分析工具的重要價值。
( 四 ) K-Means 聚類算法
近年來， K-means 聚類算法在多個領域特別是在財務和數據 分析中取得了顯著應用。作為一種無監督學習算法， K-means 通 過將數據樣本劃分為K 個簇，最大化同類樣本的相似性并最小化 不同簇間的相似性，從而有效地識別數據模式和異常。 Argyrou 和 Andreev(2011) 將其應用于會計數據庫的內部控制分析，顯 著增強了內部控制的有效性； Jokipii et al. (2011) 結合聚類 和可視化技術，使得管理者得以直觀地優化內部控制系統。進一 步 地 ，Länsiluoto et al. (2016) 運用 K-means 揭示了不同組織 內的控制策略有效性。
K-means 在預算管理和支出預測中同樣顯示出巨大潛力。Long 和 Zhu(2023) 的研究展示了其在大學預算支出智能預警中的應 用，而 Novaliendry et al. (2015) 通過優化算法，提高了其在 Padang 預算分析中的效率和準確性。 Nawrin et al. (2017) 將 K-means 與內部有效性指數結合，以增強交通管理系統中的聚類 結果的有效性。此外，Zhu et al.(2022)提出了一種改進的K-means 算法，進一步提升了聚類的性能和穩定性。
在異常檢測領域，K-means 應用也不可忽視。Sahoo 和 Sahoo (2021)使用該算法進行會計欺詐檢測，在識別財務數據異常方 面展示了其有效性。類似地， Wakoli et al. (2014) 在醫療索賠 欺詐檢測中應用 K-means, 提高了系統的安全性。這些研究表明， K-means 在財務、預算管理以及欺詐檢測中的廣泛應用前景。隨 著算法的不斷優化， K-means 在更復雜數據集和應用場景中將發 揮更大作用。
(五)自動編碼器
近年來，自動編碼器作為一種無監督學習模型，因其在異常 檢測和數據降維中的出色表現，獲得了廣泛應用。通過將輸入數 據壓縮至低維潛在空間后再重構至原始空間，自動編碼器能夠學 習數據的內在結構，從而在檢測異常模式和數據重建方面表現優 異。Patel et al. (2022) 利用該模型檢測財務報表中的欺詐行 為，顯著提高了財務審計的準確性和效率。 Rubio et al. (2020)
同樣采用自動編碼器對支付模式進行分類，體現出其在金融交易 數據分析中的潛力。此外， Schreyer 等人(2018,2019,2020a, 2020b) 在會計數據異常檢測中，通過使用深度自動編碼器和對抗 性自動編碼器，提升了大規模數據中異常交易的識別能力，并展 示了其在財務報表審計中的應用潛力。
在金融領域，自動編碼器也被用于信用卡欺詐檢測。Zou et al. (2019)的研究表明，自動編碼器神經網絡能夠通過學習正常交易 的模式，有效識別信用卡交易中的異常行為。Zupan et al. (2020) 結合變分自動編碼器和長短期記憶網絡(LSTM), 用于會計日記賬 的重建，展示了自動編碼器在處理復雜時間序列數據中的應用潛 力。此外，Schultz 和 Tropmann-Frick(2020) 的研究比較了自 動編碼器和外部審計師在檢測財務報表審計中異常日記賬條目方 面的有效性，結果表明自動編碼器能夠在一定程度上替代傳統審 計方法，提供更為自動化和高效的異常檢測手段。
總體來看，這些研究展示了自動編碼器在金融和會計領域中 廣泛的應用前景，尤其是在異常檢測和數據重建方面的優勢。隨 著技術的不斷進步，自動編碼器有望在更多領域中發揮重要作用。
(六)綜合評述
價值分析與價值工程 (VAVE) 通過優化功能和成本配置來提 高產品和服務的整體價值。此方法體系強調功能與成本的分類， 并通過系統化的方法實現資源的最佳配置。在這一框架下，機器
學習和內部控制流程作為現代技術與管理方法的結合，為VAVE 的 實施和價值最大化提供了重要支持。尤其是在電子商務、軟件工 程和現代服務產品設計中，基于數據驅動的決策成為優化流程和 提升價值的關鍵所在。
機器學習在優化內部控制方面發揮了至關重要的作用，使企 業得以通過數據分析預測和識別潛在問題，從而提高管理效率。 內部控制系統通過應用機器學習工具，可以實現更高的靈活性和 適應性，滿足 VAVE 對創新和快速響應市場變化的需求。例如，通 過使用先進的監控技術和自動化算法，企業能更加迅速地檢測和 反應誤差及非期望的運營情況。這種實時反饋機制提升了內部控 制的有效性，進而促使企業通過持續優化資源配置和流程設計， 實現價值最大化。
在這一背景下，關聯學習算法和工具如 K-Means 聚類、自動 編碼器等正成為支持VAVE 的重要技術手段。 K-Means 聚類被廣泛 應用于識別和分類內部控制中的異常模式以及優化資源配置，從 而間接支持了VAVE 的實施。此外，自動編碼器通過學習數據的潛 在結構，有效助力于財務與運營異常的檢測，提高了企業對于潛 在風險的反應能力。這些數據驅動的技術不僅能夠提升現有流程 的效率，還幫助企業在動態市場環境中保持競爭力，最大化其產 品和服務的價值。
三、數據
(一)指標數據
本研究通過國家衛健委、財政部官方網站獲取2008-2022年 中國衛生健康統計年鑒，搜集整理廣東省納入衛生財務年報填報 系統的614家公立醫院2018-2022年財務年報相關數據。數據涵 蓋了不同級別和功能的醫院，共計3008條觀測值。作為一種全面 的分析方法，我們深入整合財務和運營業績指標，以促進 VAVE
(價值分析與價值工程)和內部控制的深入理解。這些指標按其 在醫院管理中的角色分為：成本類 (C)、 功能類 (F) 和內部控 制類 (Control), 從而提供用于評價醫院績效的多維度視角。
表1.指標說明
指標名稱 說明 角色 鼓勵/抑制 觀測值
hospital 醫院 3008
year 年份 3008
city 所在城市 3008
type 醫院定位 3008
organization 醫院類型 3008
budget 預算級別 3008
level 醫院等級 3008
start_funds 年初基建投資結余資金 C 3008
start_funds_public 財政性投資 C - 3008
Retire 年平均離退休人數 C - 3008
expenses 費用總計 C - 3008
medince_exp 藥品費 C - 3008
material_exp 衛生材料 C 3008
admin_exp 單位管理費用 C - 3008
average_publicpensions 離退休人均財政補助 C - 3008
surplus 本期盈余 Control 3008
receivable 應收在院病人醫療款 Control 3008
bad_debt 壞賬準備-應收賬款壞賬準備 Control 3008
debt_assets 資產負債率 Control 3008
public_revenue 財政撥款收入占總收入比 Control 1 3008
FA_per_bed 每床位占用固定資產 Control 3008
bed_turnovers 病床周轉天數 Control 3008
average_days_discharges 出院者平均住院天數 Control 1 3008
material_turnover 衛生材料周轉天數 Control 1 3008
public_exp 財政撥款收入占總費用比例 Control 1 3008
drug_incrate 藥品收入占醫療收入比重 Control 3008
wage_exprate 人員費用占費用總額的比重 Control 1 3008
admin_exprate 管理費用占費用總額的比重
百元醫療收入的醫療費用(不含 Control 3008
medexp_medinc
material_medinc 藥品)
百元醫療收入消耗的衛生材料 (不含藥品) Control
Control 3008
3008
surplus_rate 醫療盈余率 Control 一 3008
liability 負債總計 F 一 3008
inventory 存貨 F 3008
invest 本年建設項目批復總投資 C 十 3008
new_invest 本年新開工建設項目批復總投資 C 十 3008
funds_used 基本建設資金結轉 C 十 3008
funds_provided_public 本年基建投資到位資金 C 十 3008
funds_self 單位自籌資金 C 十 3008
operat_exp 業務活動費用 C 十 3008
depreciation 固定資產累計折舊 C 十 3008
discharge_days 出院者占用總床日 Control 十 3008
ocf 日常活動產生的現金流量凈額 Control 十 3008
bed_used_rate 病床使用率
百元固定資產醫療收入(不含藥 Control 十 3008
medincome_FA 品收入) Control 十 3008
current_ratio 流動比率 Control 十 3008
quick_ratio 速動比率 Control 十 3008
cash_ratio 現金比率 Control 十 3008
outpatient_incrate 門診收入占醫療收入的比重 Control + 3008
bed_incrate 住院收入占醫療收入的比重
醫療服務收入(不含藥品、耗材 Control 十 3008
medser_incrate 收入)占醫療收入比例 Control 十 3008
material_incrate 衛生材料收入占醫療收入比重 Control 十 3008
netasset_growth 凈資產增長率 Control 十 3008
FA_retention 固定資產增值保值率 Control + 3008
project 本年建設項目個數 F + 3008
new_project 本年新開工 F + 3008
area 項目總建筑面積 F + 3008
new_area 本年新開工程建筑面積 F + 3008
finish_area 本年竣工工程建筑面積 F + 3008
staff 年末在職職工人數 F 十 3008
plan_beds 編制床位 F + 3008
average_beds 平均開放床位 F + 3008
end_beds 年末實際開放床位 F + 3008
consultants 診療人次數 F + 3008
actual_open_days 實際開放總床日數 F + 3008
actual_used_days 實際占用總床日數 F + 3008
discharges 出院人數 F + 3008
assets 資產總計 F + 3008
fixedassets 固定資產凈值 F + 3008
revenue 收入總計 F + 3008
public_income 財政撥款收入 F + 3008
self_income 事業收入 F 十 3008
medical_income 醫療收入 F + 3008
medicine_income 藥品收入 F + 3008
material_income 衛生材料收入 F + 3008
increase_ppe 固定資產增長 F + 3008
intangible_assets 無形資產凈值 F + 3008
FA_growth 固定資產增長率 F + 3008
netFA_ratio 固定資產凈值率 F + 3008
average_publicwage 在職職工人均財政基本支出補助F + 3008
1. 成本類指標 (C)
成本類指標的設立旨在詳細分析醫院的支出結構和資源投入 效率。年初基建投資結余資金 (start_funds) 及其財政性投資部分 (start_funds_public)直接反映了醫院在年度初期可用的投資資源， 是衡量其基礎設施發展潛力的一項重要指標。隨著基礎設施改進 需求日益增長，這部分資金的合理配置對醫院的長期發展具有重
大意義 。
費用總計 (expenses) 代表醫院在醫療服務、人員和基礎設施 維護方面的總支出。子類指標如藥品費 ( medince_exp) 和衛生材 料費 (material_exp) 則提供了更具體的成本分攤情況。這類指標 幫助我們深入探究上升的醫療支出如何平衡服務質量和成本效益。 此外，單位管理費用 (admin_exp) 為管理層提供了有效控制行政 開支的反饋機制。
在退休人員方面，年平均離退休人數 (Retire) 和離退休人均 財政補助(average_publicpensions)的數據為分析現有福利體系和 未來的退退休負擔提供了基礎。這些數據對管理決策具有長遠影 響，尤其是在支出優化和福利制度改革方面。
2. 功能類指標 (F)
功能類指標用于評估醫院的服務能力和規模擴展，其目的是 通過深入理解這些指標，可以找出提高醫院產出效率的途徑。“負 債總計 (liability)” 和“存貨 (inventory)” 是醫院財務健康狀態的 重要衡量標準，影響著其短期流動性及應對財務風險的能力。因 此，合理規劃負債和庫存能夠優化資金利用并維護財務穩健。
醫院的固定資產增長 (increase_ppe) 反映了其在基礎設施投 資和設備更新方面的投入頻率。新開工建設項目 (new_project) 和項目總建筑面積(area) 則衡量醫院的擴展規模及新服務能力的
開發潛力。“出院人數(discharges)”以及“診療人次數(consultants)” 作為直接的服務產出指標，能夠為醫院業務能力和服務水平提供 量化評估。
3. 內部控制類指標 (Control)
內部控制類指標側重于評估醫院資源管理和財務控制的效率， 這些指標在維持醫院健康運營的過程中扮演了重要角色。債務與 資產比率 (debt_assets) 、 壞賬準備 (bad_debt) 等指標用于監控 醫院在財務管理和風險控制方面的措施有效性。高效的內部控制 可以減少壞賬損失，并保證負債結構的合理性，以此提高醫院的 財務安全性。
財政撥款收入占總收入比 (public_revenue) 以及藥品收入占 醫療收入比重 (drug_incrate) 等指標，幫助我們了解醫院收支結 構的合理布局。這些數據不僅能支持醫院在公共財政資源有限的 情況下優化醫療服務的供給策略，還推動了對藥品銷售依賴度的 重新評估。
此外，每床位占用固定資產 (FA_per_bed) 和病床周轉天數 (bed_turnovers) 等指標則直接關系到醫院的運營效率和資源利 用率。出院者平均住院天數 ( average_days_discharges) 和衛生材 料周轉天數 (material_turnover) 可以更詳細地揭示醫院的服務流 程和效率水平。
三類指標內部分為兩個子類：鼓勵類和抑制類。鼓勵類指標 的提升一般是醫院希望實現的目標，因為這些指標的積極變化意 味著醫院在資源利用、收入提升、業務擴展等方面取得了成功。 它們是醫院良好運營的基石，有助于推動醫院的整體發展和服務 質量的提高。抑制類指標的控制和減少在于避免不必要的財務負 擔和運營低效。通過對這些指標的抑制，醫院可以減輕財務壓力， 避免資源浪費并提高管理效率。例如，通過優化運營流程減少不 必要的住院天數，直接改善患者周轉和醫院效率。
鼓勵類指標包括：
1. 收入類指標： 如醫療收入 (medical_income)、 藥品收入 (medicine_income)、 衛生材料收入 (material_income) 等，這 些指標的增長通常是受鼓勵的，因為它們直接反映了醫院的盈利 能力和市場需求的滿足程度。增加的收入能夠為醫院提供更多資 金用于再投資和服務改善。
2. 資源利用類指標：如每床位占用固定資產(FA_per_bed)、 病床使用率 (bed_used_rate)、 出院人數 (discharges) 以及診療 人次數( consultants) 。這些指標表明醫院有效利用其現有資源和 設施來最大化產出，顯示出較高的運營效率和良好的管理能力。
3. 增長類指標： 固定資產增長率 (FA_growth)、 凈資產增 長率( netasset_growth) 等指標的增加是積極信號，表示醫院在規 模和資產價值上能持續增長，從而增強其競爭力和服務能力。
抑制類指標包括：
1. 費用與成本類指標：如費用總計 (expenses)、 單位管理 費用 (admin_exp) 、 藥品費 ( medince_exp) 等。盡管某些費用 增加可能是不可避免的，但總體上這些成本應當被仔細管理，以 確保醫院的支出合理且能與收入增長相協調。
2. 負債類指標： 如負債總計 (liability) 、 資 產 負 債 率 (debt_assets)。這些指標的增加常常是需要抑制的，除非醫院有 明確的償債計劃和高度安全的收入來源。保持合理的負債水平是 維持財務健康和穩定的重要策略。
3. 低效類指標：如疾病住院周期長( average_days_discharges) 和衛生材料周轉天數長 ( material_turnover) 可能意味著醫院的運 營效率和資源使用效率有待提高。這些指標反映出隨著住院時間 和材料庫存時間的延長，資源被不合理占用，并可能導致機會成 本的增加。
從 VAVE 方法來講，為了最大化價值，應當最大化功能鼓勵 類指標和成本鼓勵類指標，最小化功能抑制類指標和成本抑制類
指標。因此，價值分析的核心不是增加所有功能，而是盡可能增 加客戶受歡迎的功能。同時，價值分析也不是削減所有成本，而 是削減不增加目標功能的成本。把功能和成本區分為鼓勵類和抑 制類，本身是VAVE 方法的核心理念所決定。
區分內部控制指標的理由在于，內部控制的目標本質上并不 總是與極值優化相一致。內部控制通常旨在確保組織的資源使用 效率、合規性和風險管理，但這些目標可能與最大化組織價值的 目標存在一定程度的矛盾。首先，內部控制的目標往往側重于減 少風險和防止錯誤或舞弊。例如，嚴格的內部控制措施可以防止 財務報表中的錯誤，確保法律和監管合規性，以及保護組織資產 免受盜竊或損失。然而，這些措施在某些情況下可能導致流程的 僵化和資源的過度消耗。例如，為了確保完全的合規性，組織可 能需要投入大量資源進行審計和監控，這些資源本可以用于直接 創造價值的活動。其次，內部控制的過度追求可能導致效率的降 低。內部控制通常涉及多個層次的審批和監控，這在減少錯誤和 違規的同時，也可能延緩決策過程，增加運營成本。例如，在一 個強控制環境下，即使是小的決策也可能需要多層審批，這不僅 延緩了項目的推進，還可能導致員工的積極性下降，因為他們可 能感到缺乏自主權。這種低效率和高成本可能直接影響到企業的 利潤率，從而限制了企業的價值創造能力。
此外，內部控制的重點在于穩定和可持續性，而不是極值優
化。內部控制系統旨在建立一個穩定的運營環境，通過減少意外 事件的發生來保護組織的長期利益。這種穩定性是通過風險的最 小化和流程的標準化來實現的，然而，這與極值優化 即在最 小資源投入的情況下獲取最大回報——并不完全一致。過于強調 內部控制可能會犧牲靈活性和創新能力，而這些往往是實現價值 最大化的關鍵因素。
基于這些原因，本文把內部控制指標和功能性指標和成本性 指標分離開，作為獨立的指標。內部控制指標也分為鼓勵類和抑 制類。與功能和成本指標不同，內部控制鼓勵類的指標不是最大 化目標，而是目標會相對較高。內部控制抑制類指標則是目標設 定相對較低。
(二)數據處理
首先，做數據的預處理。對于因子分析中涉及的分類變量， 包括醫院等級、地理區域等類別型數據，本研究進行了one-hot 編碼。通過這種編碼方式，將每個分類變量的每一個類別都被轉 化為新的二進制特征，這樣能夠捕捉到所有類別細粒度的信息， 以識別變量之間的潛在關聯和結構。
然后，本研究對數值型特征做標準化處理。原始數據以廣東 省的醫院為個體，2018-2022年度為時間維度。標準化需要以個體 分組進行，以避免不同個體之間數值范圍的差異帶來的影響。為
此，對于每個數值型特征，本研究在每個個體內計算其均值和標 準差。這樣就得到完整的原始數據。
現在，有80個數值型變量。分別將這80個數值型變量進行 歸類。如上所述，分為功能類指標、成本類指標和控制類指標。 每類指標又區分為鼓勵類和抑制類兩個子類。所以， 一個有六大 類指標。首先，本研究將80類數值型變量通過主成分分析(PCA) 降維為六大類指標。然后，使用六大類指標進行進一步學習。
四、關聯規則學習
(一)關聯學習過程
在關聯規則學習之前，需要對連續型數據進行分散化處理， 即對所有數值型指標轉化為High、Medium 和 Low 三個順序元素 的因子指標。
本研究在關聯規則學習中采用Apriori 算法。Apriori 算法是 一種經典的關聯規則學習算法，廣泛應用于數據挖掘和市場籃子 分析等領域。它的主要目的是在大型數據集中發現頻繁項集，并 基于這些項集生成關聯規則。通過關聯規則，數據分析人員可以 識別出不同變量或事件之間的潛在關系，從而為業務決策提供依 據。Apriori 算法通過迭代方式逐步擴大項集的大小，并利用頻繁 項集的特性來減少候選項集的數量，從而提高計算效率。
頻繁項集是指在數據集中頻繁出現的項目組合。通過設置支
持度閾值，算法只會保留那些在至少一定比例樣本中出現的項集。 這種過濾幫助減少候選項集的數量，使得計算更加高效。
在生成頻繁項集之后，利用這些項集生成關聯規則。關聯規 則由前件 (antecedents) 和后件 ( consequents) 組成，描述了前件 發生時后件發生的可能性。生成規則的核心指標是置信度 (confidence),它衡量了在前件發生的情況下，后件發生的概率。 通過設置置信度閾值，算法可以過濾掉置信度較低的規則，只保 留那些具有較高可靠性的規則。
(二)關聯學習結果分析
規則學習一共篩選出170個關聯規則。其中，本研究感興趣 的關聯規則如表1所示。
表2. 重要的關聯規則
從關聯規則學習結果中，我們可以觀察到多個重要的規則。 首先，規則顯示，當成本抑制性特征處于高水平時，功能鼓勵性 特征也處于高水平的可能性是100%。提升度接近3 表明這兩者 之間存在強烈的正相關關系。另外，當成本鼓勵性特征為高時， 功能鼓勵性特征為高的可能性為81.3%。雖然置信度稍低，但提 升度為2.437,仍然表示兩者之間有顯著的正相關關系。在某些
規則中，我們看到在成本鼓勵性特征較高且控制鼓勵性特征較低 的情況下，功能鼓勵性特征較高的可能性為80.4%。盡管支持度 較低，但提升度表明這種組合對功能鼓勵性特征的提升有一定的 影響。此外，當成本抑制性特征較高且控制鼓勵性特征較低時， 醫院更有可能同時表現出高成本鼓勵性和高功能鼓勵性特征。置 信度高達92.2%,提升度為3.403,顯示這種特征組合對醫院的 成本和功能表現有很強的積極影響。在另一個規則中，當成本鼓 勵性特征較低且控制鼓勵性特征較高時，功能抑制性特征較低的 概率為70.9%。提升度為2.126,表明這種組合有助于降低功能 抑制性特征。
(三)標桿學習策略
從關聯規則的結果中提取并制定標桿學習策略，是一個系統 的過程，它不僅需要深刻理解數據中的潛在關系，還需要將這些 關系轉化為具體的、可操作的行動計劃。這一過程可以通過一系 列有條不紊的步驟來實現，最終幫助組織識別和推廣最佳實踐， 以提升整體績效。
首先，識別高置信度和高提升度的規則是這一過程的起點。 關聯規則中具有高置信度和高提升度的規則通常表示某些前件與 后件之間有強烈的關聯性，即當前件發生時，后件幾乎總是發生。 置信度高表明規則在數據中具有較高的可靠性，而提升度高則表 明前件對后件的實際影響大于偶然性，這意味著這些規則能夠有
效揭示出導致卓越績效的關鍵因素。例如，某個規則的前件是“成 本抑制性特征為高”,而后件是“功能鼓勵性特征為高”,且該規則 的置信度為1.0,這就意味著每當成本抑制性特征表現優異時， 功能鼓勵性特征也總是表現良好。提升度的高值進一步加強了這 一判斷，表明這種關聯關系遠超過隨機分布的可能性。這類規則 往往揭示了哪些特定的行為或管理策略在實現卓越績效中扮演了 重要角色。
在識別這些高價值的規則后，接下來的關鍵是分析與最佳實 踐相關的規則。通常，標桿學習的目標是識別并推廣那些在行業 或領域中被認為是卓越表現的特征或行為。因此，當關聯規則的 后件與這些卓越表現相關時，例如“功能鼓勵性特征為高”或“成本 抑制性特征為高”,這些規則的前件就成為了標桿學習的重點目標。 這一過程涉及深入理解規則中的前件，這些前件可能包括具體的 管理措施、資源配置方式或流程優化策略，它們共同促成了后件 中的最佳表現。
在進一步的分析中，識別出最優特征組合是制定標桿策略的 核心。例如，通過分析一系列規則，管理者可能會發現，某些特 征組合如“成本抑制性特征高”與“控制鼓勵性特征適中”共同出現 時，往往伴隨著卓越的功能表現。此時，標桿學習策略的制定就 應圍繞如何在組織中實現和推廣這一特征組合展開。這不僅僅是 對這些特征的簡單模仿，而是深入研究這些特征背后的邏輯，理 解為何它們能夠帶來優異表現。通過這種分析，管理者可以確定
哪些具體的措施最有可能在本組織中復制成功，并據此制定詳細 的實施計劃。
聚焦關鍵指標也是從關聯規則中提煉標桿策略的重要步驟。 在多個規則中反復出現的關鍵指標，往往是對整體績效有重要影 響的因素。例如，某些特定的控制管理措施可能在多條高置信度 規則中頻繁出現，表明這些措施在不同環境下都具有顯著的效果。 因此，管理者可以優先考慮這些措施，將其作為標桿學習的核心 內容，并在組織內部進行推廣。通過聚焦這些關鍵指標，管理者 可以確保資源和精力集中在最能提升績效的領域，從而最大化標 桿學習的效果。
制定行動計劃是標桿學習的落地環節。在明確了哪些特征組 合和關鍵指標最有助于實現卓越表現之后，下一步就是制定具體 的行動計劃。這些計劃應該包括資源的合理分配，確保資源集中 用于已識別的關鍵特征組合上。同時，管理者需要設計相應的培 訓和能力建設計劃，以提升團隊在這些關鍵領域的技能和知識， 確保標桿策略能夠被有效實施。此外，過程優化也是關鍵的一環， 管理者應考慮如何在現有流程中引入和推廣標桿學習內容，可能 需要調整現有的流程或開發新的流程以適應這些最佳實踐。
在行動計劃制定完成后，將標桿策略在組織內進行推廣和分 享是必要的步驟。這可以通過內部培訓、案例分享、成功故事宣 傳等方式來實現。內部培訓可以幫助團隊成員理解和掌握新策略， 案例分享則能夠展示這些策略在實際應用中的成功實例，而成功
故事的宣傳可以激勵員工積極參與標桿學習的實施。通過這種方 式，標桿策略可以在組織內得到廣泛的接受和應用，從而提高整 體績效。
標桿學習不僅是一個一次性的過程，而是一個持續的改進過 程。隨著時間的推移，市場環境、技術進步和競爭格局都會發生 變化，標桿策略也需要隨之調整。因此，定期使用關聯規則分析 工具來更新和迭代標桿策略是非常重要的。通過不斷學習和改進， 組織可以始終保持在行業中的領先地位，并確保其標桿策略能夠 在新的環境下繼續發揮作用。
(四)經驗推廣
從關聯規則的分析中，我們可以提煉出幾組具有顯著業務價 值的特征組合，這些組合在不同的醫院管理場景中展現出極高的 潛力，值得在整個組織內推廣和實施。
首先，最值得關注的是高成本抑制性特征與高功能鼓勵性特 征之間的強關聯。這一規則揭示了一個重要的管理理念：當醫院 能夠有效地控制成本，特別是在減少不必要的支出和提高資源利 用效率方面，往往能夠同時提升其功能表現。這不僅僅是因為節 約了資金，更因為通過優化資源分配，醫院能夠更高效地運行， 并在醫療服務質量和患者體驗上表現優異。因此，這種特征組合 的推廣應集中在加強成本管理，如通過先進的成本控制技術、精 細化管理以及流程優化，確保資源以最有效的方式得到使用。管
理者可以通過推行節約型醫院建設，強化內部審核機制，優化采 購流程等措施，來實現這一 目標。
與此同時，高成本鼓勵性特征與高功能鼓勵性特征之間的關 聯也表明，當醫院在資源投入上表現積極，尤其是在擴展設施和 技術投資方面，其功能表現往往也更加出色。這提示我們，適度 的投入，特別是在那些能夠直接改善醫療服務和患者體驗的領域， 能帶來顯著的績效提升。這一策略的推廣可以通過制定明確的投 資計劃，將資源優先分配給那些能夠帶來最大功能提升的項目， 例如新設備的采購、員工培訓的加強、信息技術的升級等。管理 層應通過科學的預算規劃，確保每一筆投入都能最大限度地支持 醫院的核心目標，即提高醫療服務的質量和效率。
此外，另一個值得深入探討的特征組合是低控制鼓勵性與高 成本抑制性特征在實現高功能鼓勵性特征和高成本鼓勵性特征時 的作用。這個組合表明，在適度減少控制壓力的情況下，醫院能 夠更靈活地管理資源，從而在成本和功能表現上都取得優異成績。 這反映出，過度的管理控制可能會限制醫院的運營效率和創新能 力，而通過適度的去中心化管理和簡化流程，醫院可以在保持控 制的同時，釋放更多的創新潛力和資源自由度，從而推動整體績 效的提升。推廣這一策略，管理者可以考慮減少繁瑣的審批程序， 賦予基層更多的決策權，同時確保在關鍵環節保持必要的控制。 這種靈活而高效的管理模式，有助于提升醫院的響應速度和整體 效率，尤其是在快速變化的醫療環境中。
低成本鼓勵性與高控制鼓勵性特征組合在實現低功能抑制性 特征時的作用也值得關注。這條規則表明，即使在資源有限的情 況下，通過加強控制，醫院仍能保持良好的功能表現。這為資源 緊張的醫院提供了一種可行的管理策略，即通過嚴格的預算管理、 質量控制和流程標準化，確保每一項活動都能得到有效執行，從 而避免浪費和低效。管理者可以通過加強內部控制，特別是在資 金使用、采購管理和人員配置等方面，確保資源得到最優配置。 這種策略在預算緊張或資源分配受限的環境中尤為重要，能夠幫 助醫院在挑戰中保持穩健運行。
同時，低控制鼓勵性與高功能鼓勵性特征的組合也提供了有 益的洞見。即使在功能鼓勵性特征較低的情況下，通過加強控制， 醫院仍能有效管理成本。這提示我們，即使在某些功能性投入不 足的情況下，通過加強控制措施，醫院仍然可以保持成本的低水 平運營。這一策略的推廣應重點放在加強內部審計、嚴格預算控 制以及強化合規性管理上，以確保醫院在資源有限的情況下，仍 能高效地運行并控制成本。
綜合這些特征組合的分析，標桿策略的推廣應注重以下幾個 方面：首先，在資源管理上，醫院應通過加強成本控制，合理規 劃資源投入，確保每一項支出都能為提升醫療服務質量和患者體 驗做出貢獻。其次，在管理控制上，應靈活運用管理工具，平衡 控制與自由度之間的關系，避免過度控制帶來的運營僵化。同時， 通過適度簡化流程，賦予基層更多的決策權，醫院可以在保持高
效控制的同時，增強其創新能力和市場響應速度。此外，在資源 有限的情況下，加強內部控制和預算管理，確保每一項資源都能 得到最優配置，是保持醫院穩健運營的關鍵。
五、聚類分析
在關聯規則學習之后進行聚類分析，能夠為數據分析和決策 提供更深入、更全面的洞見。這兩種技術雖然有不同的側重點， 但它們在結合使用時能夠互補，為復雜的業務問題提供更有力的 支 持 。
關聯規則學習主要用于發現變量之間的關聯性，揭示在某些 條件下哪些特征或行為會同時出現。然而，關聯規則并不直接考 慮數據的整體結構或相似性。聚類分析則通過將數據劃分為若干 個組(簇),幫助我們理解數據中不同樣本之間的相似性和差異性。 通過聚類分析，可以將具有相似特征的樣本歸類，從而在不同的 關聯規則組合中找出更具代表性的群體。這有助于我們理解哪些 關聯規則在特定的樣本群體中更為顯著。
其次，關聯規則揭示了變量之間的關聯，但這些規則在不同 的樣本群體中可能有不同的表現。聚類分析能夠將數據分成多個 具有相似特征的群體，然后對每個群體分別應用關聯規則分析。 這種方法可以幫助識別某些規則是否在特定群體中更有效，或者 是否需要為不同的群體制定不同的策略。例如，某些規則可能在
特定的高成本低控制的醫院群體中表現出更強的關聯性，而在其 他群體中表現較弱。通過聚類分析，可以對這些規則進行細化和 優化，使其應用更具針對性。
( 一 ) K-means 聚類
K-means 聚類是一種廣泛使用的無監督機器學習算法，主要 用于將數據集中的樣本分成K 個不同的簇 (clusters)。它的核心 思想是通過迭代的方式，將樣本根據其特征的相似性歸類到不同 的簇中，使得同一簇內的樣本彼此之間的相似性最大化，而不同 簇之間的樣本相似性最小化。使用K-means 聚類可以得到初步的 聚類分析結果。
使用K-means 聚類首先對數據進行進一步處理。因為本研究 的目標是價值最大化(功能和成本的鼓勵類指標最大化以及抑制 類成本最小化)和內部控制的選擇關系。所以，設置兩個分數， A 分數是內部控制一致性(內部控制鼓勵類越大越好，內部控制 抑制內越小越好)。B 分數是體現價值最大化的分數。因此， A 分 數和 B 分數可以作為樣本形成聚類的兩個依據。
定義每個個體的A 分數=每個個體內部控制鼓勵類變量-每個 個體內部控制抑制類變量。定義每個個體B 分數=每個個體功能 鼓勵類變量-每個個體功能和所有成本變量(對成本鼓勵類和成本 抑制類設置20%和80%的權重)。聚類個數K 是超參數。 一般計
算每個K 值下的輪廓系數。輪廓系數 ( Silhouette Coefficient) 是 一種衡量聚類質量的指標，它結合了簇內的緊密性和簇間的分離 度。高輪廓系數表示樣本點在簇內緊密且與其他簇分離良好，意 味著聚類效果更好。輪廓系數取值范圍為[-1,1]。越接近1表示聚 類效果越好。如果輪廓系數較低，說明樣本點可能被錯誤地歸入 了某個簇，或者K 值設置過大或過小。
表3是不同K 值下的輪廓系數。
表3 . 不同K 值下的輪廓系數
K 輪廓系數
2 0.348
3 0.338
4 0.324
5 0.321
6 0.328
在實際分析的時候，大多數情況會選擇2-6類。輪廓系數一 般在0.5以上表現為比較好的聚類分離。此時輪廓系數較低主要 可能是兩方面的原因。 一是指定了聚類的標準，這里是A 分數和 B 分數。如果數據對指定的聚類標準不匹配，那么聚類的效果可 能不好。第二是數據本身的分布可能不滿足K-Means 聚類的假設。
以 K=6 為例，聚類可視化結果圖如圖1所示。
Cluster by A&B Scores
5
4
3
2
1
0
圖 1 . K-Means 聚 類 結 果 可 視 化
圖2是不同聚類的輪廓系數。
The silhouette plot for the various clusters.
-0.1 0.0 0.1 0.2 0.3 0.4 0.5 0.6
The silhouette coefficient values
圖 2 . K-Means 聚類下不同聚類的輪廓系數
從輪廓系數圖中看，每個簇(不規則條形圖)被紅色虛線截 得的長度為其每個簇的的輪廓系數。在樣本平均水平(0.328)上， 簇5的聚類效果最好。簇0-3聚類效果較差。因為整體分類效果 不好，需要對當前的K-Means 模型做進一步優化。
(二)使用自編碼器改善聚類效果
自編碼器(Autoencoder) 是一種用于無監督學習的神經網絡， 主要用于數據降維、特征學習和去噪等任務。自編碼器由兩個部 分組成：編碼器 (Encoder) 和解碼器 (Decoder) 。 編碼器將輸入 數據映射到一個低維的潛在空間(即編碼表示),這個過程可以看 作是將數據壓縮或提取特征。解碼器則嘗試從這個低維表示中重 建出原始的高維輸入數據。通過訓練，自編碼器的目標是最小化 輸入數據與重建數據之間的誤差，確保低維表示能夠最大程度地 保留原始數據的重要特征。這種降維過程保留了數據中的關鍵信 息，同時降低了數據的復雜性。
之前的K-Means 聚類的輸入數據是通過PCA降維的六類指標 數據。通過自編碼器降維，可以比PCA 方法降維保留更多的信息。 然后再進行 K-Means 分類，可以提高聚類的準確度。在自編碼器 降維的過程中，為了增強模型的學習能力，添加了四層隱藏層， 并在每層隱藏層后添加了Dropout 層。通過多個隱藏層和 Dropout 層，自編碼器可以學習復雜的非線性特征，并通過 L2 正則化減少 過擬合的風險。使用解碼層將壓縮后的數據還原為與輸入數據相
同的維度，以便訓練時可以進行自監督學習。自編碼器模型使用 Adam 優化器進行編譯，并以均方誤差 (MSE) 作為損失函數來 衡量重建誤差。模型在訓練過程中通過輸入與輸出的差異來調整 權重，使得編碼層能夠有效地捕捉數據的主要特征。
訓練完成后，使用編碼器部分將數據降維為2個維度。然后， 將降維后的數據輸入到 K-means 算法中進行聚類分析。 K-means 算法在降維后的低維空間中分配簇標簽，并計算每個簇的中心點。 在降維后的二維空間中進行K-means 聚類，可以更容易地分離不 同的簇，同時減小維度對聚類算法帶來的計算復雜性和噪音影響。 使用輪廓系數(Silhouette Score)來評估聚類的效果。輪廓系數用 于衡量聚類的質量，分數越高表示聚類效果越好，簇內樣本的相 似性高且簇間的分離度大。
現在有兩個超參數，聚類數和維度。根據實際需求，設置聚 類數和維度分別為{2,3,4,5,6}。輪廓系數計算如表4所示。
表4. 自編碼器優化下K-Means 輪廓系數的計算結果
聚類數
維度
輪廓系數
2
2
2
2
2
3
3
3
3
3
4
2
3
4
5
6
2
3
4
5
6
2
0.600 0.682
0.454 0.479
0.683 0.627 0.627 0.585
0.424 0.427
0.604
4
4
4
5
5
5
5
5
6
6
6
6
6
3
4
5
6
2
3
4
5
6
2
3
4
5
6
0.449 0.421
0.587
0.418
0.633 0.602 0.580
0.577
0.405
0.413
0.415
0.403
0.393
0.406
如果要樹立和分析不同的標桿，聚類數應設置較大為好。因 此，聚類數K=5 。在維度越多，保留的信息越多，考慮到分類的 準確性，維度設置為4。在實際的工作中，聚類數和維度的超參 數選擇，需要根據實際的數據集特征和分析目標設置。
(三)維度匹配
通過自編碼器降維的維度意義是不明確的，因此需要匹配具 體的指標。本研究的做法是將之前 PCA 生成的六類指標和本次聚 類的結果計算相關系數矩陣，觀察聚類結果和六類指標的線性關 系。
相關系數熱力圖如圖3所示。
Correlation Matrix Heatmap
cost_enc
cost_dis
f
unction_enc
function_dis
control_enc-
control_dis - 1.00 0.79 0.77 0.68 -0.39 0.14 0.46
0.45
0.43 -0.46 0.51
0.53
0.52 0.28
0.19
0.20
0.17
0.79 1.00 0.83 0.56 -0.18 -0.03 -0.25
-0.25
0.77 0.83 1.00 0.60 -0.08 0.05
0.68 0.56 0.60 1.00 -0.37 0.16 0.35 -0.44 0.44
-0.39 0.18 -0.08 -0.37 1.00 -0.27 -0.22 0.57 -0.19 0.18
0.14 -0.03 0.05 0.16 -0.27 1.00 0.07 -0.51 -0.09 0.15
Category_0-
Category_1
Category_2-
Category_3-
0.46 0.45 0.43 0.35 -0.22 0.07 1.00 -0.24 -0.12 -0.18
-0.46 0.25 -0.25 -0.44 0.57 -0.51 -0.24 1.00 -0.18 0.27
0.51 0.53 0.52 0.44 -0.19
0.18 -0.09 -0.12 -0.18 1.00 -0.13
0.28 0.19 0.20 0.17 0.15 -0.18 0.27 -0.13 1.00
cost_enc-
cost_dis -
inction_enc-
unction_dis-
control_enc-
control_dis- Category_0
category_1-
ategory_2
category_3
1.0
0.8
0.6
0.4
-0.2
-0.0
-0.2
-0.4
圖3.相關系數熱力圖
可以看到，聚類0、聚類2和價值測度指標相關度比較高， 聚 類 2 的相關程度更高。聚類1和內部控制測度指標相關度比較 高。因此，聚類2表示價值測度的樣本。聚類1表示內部控制相 關的樣本。
用隨機森林算法進一步驗證每個聚類中特征的貢獻程度。圖 4是隨機森林算法尋找重要特征的結果。依然是內部控制特征對 聚類1貢獻最多。價值測度特征對聚類2貢獻最多。
Correlation Matrix Heatmap
cost_enc
cost_dis-
function_enc-
function_dis-
control_enc-
control_dis - 1.00 0.79 0.77 0.68 -0.39 0.14 0.46
0.45
0.43 -0.46
-0.25
0.25 0.51
0.53
0.52 0.28
0.19
0.20
0.17
0.79 1.00 0.83 0.56 -0.18 -0.03
0.77 0.83 1.00 0.60 -0.08 0.05
0.68 0.56 0.60 1.00 -0.37 0.16 0.35 -0.44 0.44
-0.39 0.18 -0.08 -0.37 1.00 0.27 -0.22 0.57 -0.19 0.18
0.14 -0.03 0.05 0.16 -0.27 1.00 0.07 -0.51 -0.09 0.15
Category_0-
Category_1
Category_2-
Category_3-
0.46 0.45 0.43 0.35 -0.22 0.07 1.00 -0.24 -0.12
-0.46 0.25 0.25 -0.44 0.57 -0.51 0.24 1.00 -0.18 0.27
0.51 0.53 0.52 0.44 -0.19
-0.18 -0.09 -0.12 -0.18 1.00 -0.13
0.28 0.19 0.20 0.17 0.15 -0.18 0.27 -0.13 1.00
cost_enc- cost_dis- inction_enc- unction_dis- control_enc- ontrol_dis - Category_0- ategory_1- ategory_2- category_3
1.0
0.8
0.6
-0.4
-0.2
-0.0
--0.2
-0.4
圖 3 . 相 關 系 數 熱 力 圖
可以看到，聚類0、聚類2和價值測度指標相關度比較高， 聚 類 2 的相關程度更高。聚類1和內部控制測度指標相關度比較 高。因此，聚類2表示價值測度的樣本。聚類1表示內部控制相 關的樣本。
用隨機森林算法進 一 步驗證每個聚類中特征的貢獻程度。圖 4是隨機森林算法尋找重要特征的結果。依然是內部控制特征對 聚類1貢獻最多。價值測度特征對聚類2貢獻最多。
(四)聚類的內部屬性與標桿挖掘
聚類2是價值測度簇。從圖5可以看出，聚類2對功能類指 標的區分度很好，因為功能鼓勵類指標的分布趨向較大的數。但 是，聚類2的成本類指標區分度不好。成本的鼓勵類和抑制類的 分布重疊在一起。因此，需要進一步對成本類指標過濾。比如， 按照20%和80%對鼓勵類成本和抑制類成本進行加權，計算加權 成本指數 (cost)。
Variables
Distribution Charts
variables
圖5 . 聚類2不同指標的分布情況
成本指數主要分布在1-3之間。在成本指數小于1.5時，有 17個樣本，見表5。因為聚類2本身對功能鼓勵類和功能抑制類 做了較好的區分，所以在截取成本指數較小的樣本可以看成從聚 類2中挖掘的標桿醫院(趨向于價值最大化的醫院)。
表5 . 聚類2中挖掘學習標桿
根據表5的分析，這17個樣本的控制鼓勵類和抑制類指標處 于較低的水平，而成本鼓勵類和成本抑制類指標則位于樣本的較 高水平。這個現象可能與這些醫院的控制鼓勵類指標水平較低密 切相關。特別是當控制的激勵效果不足時，醫院在資源調配和成 本管理上可能會面臨較大的挑戰，這會導致成本相關指標處于較 高水平。
從醫院特征來看，大多數樣本為綜合醫院，且主要集中在大 灣區的九個城市。然而，這些樣本中并沒有太多的三級醫院，這 表明在綜合醫院中，高級別醫院可能在樣本中占比較少。相反， 部分小規模的專科醫院雖然規模不大，但在功能鼓勵類指標上表 現得非常出色。這種現象說明， 一些小規模的專科醫院在其專業 領域內具備較強的競爭力和較高的服務質量，甚至超過了一些綜 合醫院。它們在某些專業領域內的優異表現，為其他醫院，尤其 是那些規模較大但在特定領域表現平平的醫院，提供了學習和借 鑒的機會。
這進一步提示我們，醫院的規模和綜合性并不一定是其在所 有功能領域表現優秀的必要條件。相反，專注于某一領域的專科 醫院可能更能夠集中資源和力量，提升特定領域的醫療服務質量。 因此，在未來的醫院管理和改進措施中，可以考慮從這些小規模 專科醫院的成功經驗中借鑒，特別是在特定功能領域的提升上， 尋找具有針對性和可操作性的改進方案。同時，綜合醫院可以通 過加強內部控制激勵機制，優化資源配置和成本管理，提升整體 服務水平。
從聚類1看(圖6),聚類對控制鼓勵類和控制抑制類的分離 比較好，兩者的分布存在很明顯的差異。在這個樣本中，控制目 標處于相對合理的區間。此時可以通過前文計算的A 分數和 B 分 數過濾出學習標桿。
Variables
圖6 . 聚類1不同指標的分布情況
按照A 分數(取值在4 - 6之間)和 B 分數(取值在3以上) 從聚類1中可以找到15個樣本作為學習標桿。
表6 . 聚類1中挖掘學習標桿
從醫院類型來看，標桿醫院中多數是區縣醫院 (type 為0), 而不是城市醫院 (type 為1)。這表明在大多數情況下，即使是較 小規模或資源有限的區縣醫院，也能通過有效的管理和策略成為
標桿。這些醫院在成本鼓勵類、功能鼓勵類、和控制鼓勵類指標 上表現出色，意味著它們能夠在有限的資源下優化運營，提升效 率，并實現較高的服務質量。這為其他區縣醫院提供了一個重要 的啟示：在資源配置不如城市醫院的情況下，通過精細化管理和 資源的合理利用，同樣可以取得卓越的績效。
地理位置的分析顯示，標桿醫院大部分集中在大灣區九市 (big_bay 為1)。大灣區作為中國經濟最發達的區域之一，其醫 療資源相對豐富，醫療需求較高。這些醫院能夠在激烈的市場競 爭中脫穎而出，成為標桿，說明其在應對高壓環境和復雜醫療需 求方面具有強大的能力。值得注意的是，大灣區外的醫院也有若 干入選標桿，這些醫院同樣展示了強大的競爭力，尤其是在資源 配置相對不足的地區，這更加凸顯了這些醫院的管理優勢和創新 能 力 。
大多數標桿醫院為綜合醫院，這與其在多功能服務提供上的 優勢有關。綜合醫院通常涵蓋了更廣泛的醫療服務范圍，這要求 其在多個方面都具備較高的管理和服務水平。從數據中可以看出， 這些綜合醫院在功能鼓勵類和控制鼓勵類指標上通常表現出色， 這意味著它們能夠在確保基本功能的同時，優化資源配置，提升 服務質量。此外，部分專科醫院雖然在綜合性上不如大型綜合醫 院，但它們在特定領域的專業性使得其在功能鼓勵類指標上表現 不俗，這顯示出專科醫院在其專業領域內的深耕和卓越表現。
標桿醫院中，部分醫院依賴于省級或地級市的預算支持，這
些醫院往往在管理上有著更為規范的流程和更充分的資源保障。 預算的充足使得這些醫院能夠在成本管理和資源配置上做得更好， 從而在成本鼓勵類和控制鼓勵類指標上有著優異的表現。而那些 沒有預算支持的醫院能夠入選標桿，說明其在資源利用效率上有 著卓越的表現，能夠在有限的資源下通過高效管理達到較高的績 效。
醫院等級的分析顯示，三級醫院雖然有更高的資源配置和更 廣泛的服務覆蓋，但在標桿醫院中所占比例并不大。這說明即使 是非三級醫院，只要在管理上做到精細化，在成本、功能、和控 制方面的激勵措施到位，同樣可以達到標桿水平。這一發現對于 許多非三級醫院而言具有重要的參考意義，強調了醫院管理的重 要性，而不僅僅是依賴于醫院的規模和等級。
從成本鼓勵類、功能鼓勵類和控制鼓勵類指標的角度來看， 標桿醫院在這些方面通常有較高的得分，特別是在控制鼓勵類指 標上，幾乎所有標桿醫院都達到了較高水平。這表明這些醫院在 內部控制、管理激勵和成本優化上有著非常嚴格的管理措施和執 行能力。而在成本抑制類、功能抑制類和控制抑制類指標上，這 些標桿醫院的得分普遍較低，顯示了它們在削減不必要開支和降 低運營成本方面的有效性。這種表現進一步突顯了這些醫院在平 衡成本與功能之間的能力，能夠在保持高水平服務質量的同時， 降低運營成本，優化資源配置。
具體來看，醫院N42 雖然是區縣醫院，但其控制鼓勵類指標
表現優異，并且在大灣區內，表現出色。這說明其在面對高壓力 環境時，依然能夠通過有效的控制措施，維持較高的管理效率。 而醫院 N261 雖然不在大灣區內，但其成本和功能鼓勵類指標均 處于高水平，尤其是在控制鼓勵類方面表現突出，說明其在非發 達地區依然能夠通過優化管理達到優秀水平，這為類似醫院提供 了有力的參考。
六、總結
本研究在廣東省公立醫院的財務與業務數據集基礎上，研究 涵蓋了各種級別和功能的醫院，總計3008條觀測值。研究中的指 標被分為成本類、功能類和內部控制類，這樣的分類旨在從多維 度評估醫院的績效。數據預處理包括對分類變量進行one-hot 編碼 和對數值型特征進行標準化處理，確保了數據質量和分析的準確 性。同時，80個數值型變量通過主成分分析降維，劃分為功能、 成本和控制三大類，每類再細分為鼓勵和抑制子類。
應用機器學習技術如關聯規則學習和聚類分析來深入分析數 據。關聯規則學習采用Apriori算法發掘頻繁項集，并生成關聯規 則，這些規則揭示了不同醫院管理指標間的內在聯系。聚類分析 則通過 K -means 聚類進一步識別表現相似的醫院集群，結合自編 碼器優化聚類效果，提高了聚類的準確性和解釋性。
根據關聯規則和聚類結果，識別并推廣最佳實踐，特別關注 成本控制與服務能力提升之間的關系。制定具體的行動計劃，包
括資源分配、培訓和能力建設，以確保標桿策略的有效實施和持 續改進。通過這種方法，研究不僅提供了公立醫院管理的深入見 解，還推動了實際的改進措施，優化了公共衛生資源的配置和使 用效率 。
參考文獻
Akkermans,J.M.,&Gordijn,J.(2003).Value-based requirements engineering:Exploring innovative
e-commerce ideas. Requirements Engineering, 8(2), 114-134.
https://doi.org/10.1007/s00766-003-0169-x
Argyrou,A..,&Andreev,A.(2011).A semi-supervised tool for clustering accounting databases with
applications to internal controls.Expert Systems with Applications,38(9),11176-11181.
https://www.sciencedirect.com/science/article/pii/S0957417411003873
Bertoli,M.,Casale,G.,&Serazzi,G.(2009).JMT:Performance engineering tools for system modeling.
ACM SIGMETRICS Performance Evaluation Review, 36(4), 10-15.
https://doi.org/10.1145/1530873.1530877
Bodnar,G.(1975).Reliability modeling of internal control systems.The Accounting Review,50(4), 747-757. https://www.jstor.org/stable/245239
Borrajo,M.L.,Corchado,J.M.,Yánez,J.C.,Fdez-Riverola,F.,&Díaz,F.(2005).Autonomous internal
control system for small to medium firms.In H.Munoz-Avila &F.Ricci(Eds.),Case-Based
Reasoning Research and Development(Vol.3620,pp.106-121).Springer Berlin Heidelberg.
https://doi.org/10.1007/11536406 11
Chulani,S.,Boehm,B.,&Steece,B.(1999).Bayesian analysis of empirical software engineering cost
models. IEEE Transactions on Sofiware ngineering, 25(4), 573-583.
https://ieeexplore.ieee.org/abstract/document/799958/
Colombo,Ing.S.,Main,I.G.,&Forde,M.C.(2003).Assessing damage of reinforced concrete beam using“b-value”analysis of acoustic emission signals.Journal of Materials in Civil Engineering, 15(3),280-286. https://doi.org/10.1061/(ASCE)0899-1561(2003)15:3(280)
Cornell,C.A.(1968).Engineering seismic risk analysis.Bulletin of the Seismological Society of America, 58(5),1583-1606. https://pubs.geoscienceworld.org/ssa/bssa/article-abstract/58/5/1583/116673
Doub,A.E.,Small,M.L.,Levin,A.,LeVangie,K.,&Brick,T.R.(2016).Identifying users of traditional and internet-based resources for meal ideas:An association rule learning approach.Appetite,103, 128-136. https://www.sciencedirect.com/science/article/pii/S0195666316301271
Erlandsson,F.,Bródka,P.,Borg,A.,&Johnson,H.(2016).Finding influential users in social media using
association rule learning.Entropy,18(5),164.https://www.mdpi.com/1099-4300/18/5/164
Fürnkranz,J.,&Kliegr,T.(2015).A brief overview of rule learning.In N.Bassiliades,G.Gottlob,F.
Sadri,A.Paschke,&D.Roman (Eds.),Rule Technologies:Foundations,Tools,and Applications (Vol. 9202, pp. 54-69). Springer International Publishing.
https://doi.org/10.1007/978-3-319-21542-64
Hazelrigg, G. A. (1998). A framework for decision-based engineering design.
https://asmedigitalcollection.asme.org/mechanicaldesign/article-abstract/120/4/653/432397
Jokipii,A.,Lansiluoto,A.,&Eklund,T.(2011).A clustering and visualisation approach to the analysis of internal control structures.International Journal of Accounting,Auditing and Performance Evaluation,7(3),151. https://doi.org/10.1504/IJAAPE.2011.040832
Katcher,D.I.,Arakawa,H.,&Strosnider,J.K.(1993).Engineering and analysis of fixed priority
schedulers. IEEE Transactions on Software Engineering, 19(9), 920-934.
https://ieeexplore.ieee.org/abstract/document/241774/
Kavšek,B.,Lavra?,N.,&Jovanoski,V.(2003).APRIORI-SD:Adapting association rule learning to
subgroup discovery.In M.R.Berthold,H.-J.Lenz,E.Bradley,R.Kruse,&C.Borgelt(Eds.), Advances in Intelligent Data Analysis V(Vol.2810,pp.230-241).Springer Berlin Heidelberg.
https://doi.org/10.1007/978-3-540-45231-7 22
Kumbhare,T.A..,&Chobe,S.V.(2014).An overview of association rule mining algorithms.
International Journal of Computer Science and Information Technologies,5(1),927-930.
https://citeseerx.ist.psu.edu/document?repid=repl&type=pdf&doi=d4058d9f3f66c53ddea776c974fb d740afd994b4
Länsiluoto,A.,Jokipii,A.,&Eklund,T.(2016).Internal control effectiveness-a clustering approach.
Managerial Auditing Journal, 31(1), 5-34.
https://www.emerald.com/insight/content/doi/10.1108/MAJ-08-2013-0910/full/html?casa token=8I
RfdKqr-IcAAAAA:7AysAAN01bROGjgCPaI5JuaxXpDMRQml-d-0G7a1toX7Qwey2y gJMjz8I2Z
Fqq9BrpvGy4AivDw8OzJ6n1zOgia8kv2 Tohuc1E7wlELOOnUfvj8kdn
Li,H.,&Sheu,P.C.-Y.(2021).A scalable association rule learning heuristic for large datasets.Journal of Big Data,8(1),86.https://doi.org/10.1186/s40537-021-00473-3
Long,Q.,&Zhu,W.(2023).Research on intelligent early warning of university budget expenditure based on K-means clustering algorithm.202313th International Conference on Information Technology in Medicine and Education(ITME),604-608. https://ieeexplore.ieee.org/abstract/document/10505592/
Masli,A.,Peters,G.F.,Richardson,V.J.,&Sanchez,J.M.(2010).Examining the potential benefits of
internal control monitoring technology. The Accounting Review, 85(3), 1001-1034.
https://publications.aaahq.org/accounting-review/article-abstract/85/3/1001/3244
Matusovich,H.M.,Streveler,R.A.,&Miller,R.L.(2010).Why do students choose engineering?A
qualitative,longitudinal investigation of students'motivational values.Journal of Engineering Education,99(4),289-303. https://doi.org/10.1002/j.2168-9830.2010.tb01064.x
Nawrin,S.,Rahman,M.R.,&Akhter,S.(2017).Exploreing k-means with internal validity indexes for
data clustering in traffic management system.International Journal of Advanced Computer Science
and Applications, 8(3).
https://www.academia.edu/download/76371971/Paper 37-Exploreing K-Means with Internal Vali dity Indexes.pdf
Novaliendry,D.,Hendriyani,Y.,Yang,C.-H.,&Hamimi,H.(2015).The optimized K-means clustering
algorithms to analyzed the budget revenue expenditure in padang.Proceeding of the Electrical
Engineering Computer Science and Informatics, 2(1), 61-66.
http://download.garuda.kemdikbud.go.id/article.php?article=556105&val=9548&title=The%20Opti
mized%20K-Means%20Clustering%20Algorithms%20to%20Analyzed%20the%20Budget%20Reve
nue%20Expenditure%20in%20Padang
Patel,H.A.,Parikh,A.,&Patel,B.(2022).Autoencoder-based model for detecting accounting statement fraud.In A.Khanna,D.Gupta,S.Bhattacharyya,A.E.Hassanien,S.Anand,&A.Jaiswal (Eds.), International Conference on Innovative Computing and Communications(Vol.1388,pp.11-21). Springer Singapore. https://doi.org/10.1007/978-981-16-2597-8 2
Roy, R. (2003) Cost engineering: Why, what and how?
https://dspace.lib.cranfield.ac.uk/items/f9e98087-7575-4029-b4fl-dldcb04dcf6f
Rubio,J.,Barucca,P.,Gage,G.,Arroyo,J.,&Morales-Resendiz,R.(2020).Classifying payment patterns with artificial neural networks:An autoencoder approach.Latin American Journal of Central Banking,1(1-4),100013. https://www.sciencedirect.com/science/article/pii/S2666143820300132
Sahoo,G.,&Sahoo,S.S.(2021).Accounting fraud detection using K-means clustering technique.In D.
Swain,P.K.Pattnaik,&T.Athawale (Eds.),Machine Learning and Information Processing(Vol. 1311,pp.171-180).Springer Singapore. https://doi.org/10.1007/978-981-33-4859-217
Sakao,T.,&Shimomura,Y.(2007).Service engineering:A novel engineering discipline for producers to
increase value combining service and product.Journal of Cleaner Production,15(6),590-604.
https://www.sciencedirect.com/science/article/pii/S095965260600182X
Santolucito,M.,Zhai,E.,Dhodapkar,R.,Shim,A.,&Piskac,R.(2017).Synthesizing configuration file specifications with association rule learning.Proceedings of the ACM on Programming Languages, 1(OOPSLA),1-20. https://doi.org/10.1145/3133888
Schreyer,M.,Sattarov,T.,Borth,D.,Dengel,A.,&Reimer,B.(2018).Detection of anomalies in large
scale accounting data using deep autoencoder networks (No.arXiv:1709.05254).arXiv.
http://arxiv.org/abs/1709.05254
Schreyer,M.,Sattarov,T.,Gierbl,A.,Reimer,B.,&Borth,D.(2020a).Learning sampling in financial
statement audits using vector quantised autoencoder neural networks (No.arXiv:2008.02528).arXiv.
http://arxiv.org/abs/2008.02528
Schreyer,M.,Sattarov,T.,Gierbl,A.,Reimer,B.,&Borth,D.(2020b).Learning sampling in financial statement audits using vector quantised variational autoencoder neural networks.Proceedings of the First ACM International Conference on AI in Finance, 1-8.
https://doi.org/10.1145/3383455.3422546
Schreyer,M.,Sattarov,T.,Schulze,C.,Reimer,B.,&Borth,D.(2019).Detection of accounting anomalies in the latent space using adversarial autoencoder neural networks (No. arXiv:1908.00734).arXiv. http://arxiv.org/abs/1908.00734
Schreyer,M.,Schulze,C.,&Borth,D.(2020).Leaking sensitive financial accounting data in plain sight
using deep autoencoder neural networks (No. arXiv:2012.07110). arXiv.
http://arxiv.org/abs/2012.07110
Schultz,M.,&Tropmann-Frick,M.(2020).Autoencoder neural networks versus external auditors:
Detecting unusual journal entries in financial statement audits.
https://aisel.aisnet.org/hicss-53/os/risks/3/
Stringer,C.,&Carey,P.(2002).Internal control re-design:An exploratory study of australian
organisations. Accounting, Accountability & Performance, 8(2), 61-86.
https://search.informit.org/doi/abs/10.3316/INFORMIT.072066053849748
Tuan,T.(2020).The effect of internal control on the performance of vietnamese construction enterprises.
Accounting, 6(5), 781-786.
http://growingscience.com/beta/ac/4044-the-effect-of-internal-control-on-the-performance-of-vietna mese-construction-enterprises.html
Versichele,M.,De Groote,L.,Bouuaert,M.C.,Neutens,T.,Moerman,I.,&Van de Weghe,N.(2014).
Pattern mining in tourist attraction visits through association rule learning on bluetooth tracking data: A case study off ghent, belgium. Tourism Management, 44, 67-81.
https://www.sciencedirect.com/science/article/pii/S0261517714000417
Wakoli,L.W.,Orto,A.,&Mageto,S.(2014).Application of the K-means clustering algorithm in medic al claims fraud/abuse detection.http://41.89.229.23/handle/123456789/1002
Zhu,G.,Li,X.,Zhang,S.,Xu,X.,&Zhang,B.(2022).An improved method for k-means clustering based on internal validity indexes and inter-cluster variance.International Journal of Computational Science and Engineering,25(3),253.https://doi.org/10.1504/IJCSE.2022.123112
Zou,J.,Zhang,J.,&Jiang,P.(2019).Credit card fraud detection using autoencoder neural network(No.
arXiv:1908.11553).arXiv. http://arxiv.org/abs/1908.11553
Zupan,M.,Letinic,S.,&Budimir,V.(2020).Accounting journal reconstruction with variational
autoencoders and long short-term memory architecture. SEBD, 88-99.
https://ceur-Ws.org/Vol-2646/05-paper.pd f
黃龍森，房俊，周云亮，等，2024.基于變分自編碼器的近似聚合查詢優化方法[J]. 浙江大學學報(工 學版),58(05):931-940.
賈森，劉寬，徐萌，等，2024.基于空譜多路自編碼器的高光譜圖像異常檢測[J]. 遙感學報，28(01):
55-68.
李颯，2018.基于關聯規則的學習行為關聯度分析方法研究[J/OL]. 微電子學與計算機，35(06):65-68. DOI:10.19304/j.cnki.issn1000-7180.2018.06.014 .
劉紅華，曹連眾，2020.價值工程視角下大型體育賽事贊助功能分析與功能實現路徑[J/OL]. 北京體 育大學學報，43(09):65-73.DOI: 10.19582/j.cnki.11-3785/g8.2020.09.008 .
劉萍，胡月紅，2012.基于FCA 和關聯規則的情報學本體構建[J]. 現代圖書情報技術(02):34-40. 劉瀟，2009.關聯規則挖掘在DM 研究熱點演化分析中的應用[J]. 情報雜志，28(12):143-147.
孟秀麗，周林泉，楊進，等，2016.基于價值工程的客戶訂單分離點定位沖突消解[J]. 技術經濟， 35(03):88-94.
王朝，黃慧濤，張晶，等，2023.基于解空間降維的大規模約束多目標進化算法[J]. 電子學報，51(11): 3120-3127.
王蕾，郭妍，曹建華，等，2023.基于K-H-Mine 算法的廢舊機械產品失效信息與再制造加工方案關聯
規則挖掘[J/OL]. 現代制造工程(08):134-140.DOI:10.16731/j.cnki.1671-3133.2023.08.019.
王乃靜，時文慶，2008.價值工程在合理質量分析中的應用[J]. 管理學報(02):228-232.
王倩楠，王治國，楊陽，等，2024.基于多特征融合自編碼器的無監督地震相分類研究[J].地球物理 學報，67(01):370-378.
王振宇，向澤銳，支錦亦，2024. 離散小波變換和自編碼器耦合的腦電信號異常檢測方法[J/OL]. 北
京郵電大學學報，47(02):66-73.DOI:10.13190/j.jbupt.2023-078.
吳青，羅儒國，王權于，2015.基于關聯規則的網絡學習行為實證研究[J]. 現代教育技術，25(07): 88-94.
謝勝利，陳泓達，高軍禮，等，2023.基于分布對齊變分自編碼器的深度多視圖聚類[J]. 計算機學報，
46(05):945-959.
許孝元閔華清，2005.預測型關聯規則演化學習的適應值函數[J]. 華南理工大學學報(自然科學 版)(05):1-6.
楊繼紅，陳玲，王曉龍，等，2024. 基于深度自編碼器的核動力歷史異常數據檢測技術研究[J/OL]. 核 動力工程，45(02):207-213.DOI: 10.13832/j.jnpe.2024.02.0207.
楊建平，向月，劉俊勇，2022. 面向配電網投資決策的小樣本關聯規則自適應遷移學習方法[J/OL]. 中國電機工程學報，42(16):5823-5834+6159.DOI: 10.13334/j.0258-8013.pcsee.210734.
張彩江馬慶國，2005 . 價值工程應用系統的復雜性機理認識[J/OL]. 科學學研究(02):242-248. DOI:10.16192/j.cnki.1003-2053.2005.02.018 .
張彩江徐詠梅，2002.對我國價值工程理論與實踐的回顧和影響降低的深層原因分析[J]. 南開管理 評論(01):14-19.
張思慧，吳云龍，張毅，等，2024.一種基于聯合變分自編碼器的衛星重力數據粗差探測方法研究 [J/OL]. 武漢大學學報(信息科學版),49(06):986-995.DOI: 10.13203/j.whugis20230226.
周家玉，侯慧娟，盛戈嗥，等，2023.狀態參量關聯規則挖掘及深度學習融合的變壓器故障診斷算法 [J/OL]. 高壓電器，59(03):108-115.DOI: 10.13296/j.1001-1609.hva.2023.03.015.
