Продовольственная служба операционной эффективности в зависимости от центрального аппарата служба калибровки и обязанности

Обзор

Целью данного исследования была двоякой: 1) выяснить, что "определяет" эффективность школьной системы в связи с деятельностью общественного питания, а также 2) использовать такую информацию назначать метод оценки организационных изменений в рамках продовольственной службы центрального штатное расписание Управления, которые , скорее всего, приведет к повышению эффективности. Почти все школьные системы штата Северная Каролина участвовал. Возможными определяющими факторами являются большая армия школьной системы и общественного питания характеристик (восемьдесят две переменные, такие как конфигурация руководители и менеджеры), и гораздо меньше армии мер по повышению эффективности (восемнадцать переменных, таких как участие проценты и операционные информацию о балансе).

Формы сбора данных была разработана в консультации с штата Северная Каролина отдела народного образования (SDPI). Семь детского питания консультантов из SDPI собрал данные девяносто три системы школьного образования. Эти данные были переданы в частные обработки данных и консалтинговых лаборатории в соответствии с договором. Лаборатории закодированных данных и зарядил его в коммерческих нейронных программы прогнозирования. (Ward Systems, 1990).

Нейронные прогнозирования современный инструмент извлечения знаний, которая стремится обнаружить закономерности в больших массивов данных, которые могут быть полезными для объяснения некоторых явлений, представляющих интерес. Эта программа создана, а затем позволил баллотироваться на столько времени, сколько необходимо "учить" данные и строить "нейронной сети". Как правило, на быстром ПК это будет отличаться от пятнадцати минут до двух часов и более.

Почему нейронных Прогнозирование и не регрессии?

Статистических форм этой проблемы: "Какие независимых переменных (характеристик системы школ), лучше всего объясняет каждый зависимой переменной (эффективность общественного питания). Классический подход к этой форме проблемы заключается в использовании какой-то модели техники минимизации (например, ступенчатый ликвидации независимых переменных), а затем с помощью регрессионного анализа. Если все предположения могут быть удовлетворены, это классический подход позволяет легко интерпретировать доклада.

К сожалению, данные школы общественного питания, как собрал для этого исследования затрудняет использование регрессии по нескольким направлениям. Во-первых, Есть слишком много переменных ряде случаев. Во-вторых, Есть много зависимых переменных (показатели эффективности) в данном исследовании. В-третьих, если отдельные анализы проводились в целях удовлетворения зависимые переменные, тип ошибки я хотел бы стать проблемой, и результаты могут быть легко противоречивые, делая перевод трудно или невозможно. Наконец, переменных в задаче общественного питания являются смесью типов: непрерывные, дискретные-порядковый, дискретные номинальным и линейные, нелинейные.

Хотя некоторые из вышеперечисленных проблем можно "обойти" с регрессия, нейронные программы прогнозирования запускается, он создает сложную сеть взаимосвязей. Этот веб называется нейронной сети и содержит результаты обучения. Отличительной особенностью нейронных сетей они обнаруживают структуры, которые не могут быть обнаружены людьми. То есть, в случае данного исследования, они обнаружили закономерности в независимых переменных (LEA характеристик), что объясняет один или несколько (или даже все) зависимые переменные (показатели эффективности). Кроме того, нейронные сети могут мириться с "нечеткой" (противоречивых и пропавших без вести) данных.

Что нейронных сетей не можем сделать

К сожалению, нейронные сети являются относительно трудно интерпретировать, особенно когда "рецептов" в настоящее время изыскиваются. Сеть может определить, какие из независимых переменных, связанных с эффективностью для каждой из четырех размеров системы школьного образования, но он не может обеспечить формулу для повышения эффективности этих систем. Для того, чтобы сети информации, которая будет практического использования, программа должна быть запущена с новых сценариев для каждой школьной системы рассмотрения изменений.

Выводы На основании школа Размер системы

Девяносто три системы школьного образования были разделены на четыре одинаковых по размеру группы, основанные на учащихся (среднесуточная Членство или ADM). Результаты приведены в таблице 1 ниже. "Y" в таблице означает лишь, что переменная имеет несколько значительных эффект, это не означает, что "больше, тем лучше", или что существует какой-либо простой линейной зависимости между переменными и эффективности. Это означает, однако, что эти переменные должны быть первыми кандидатами для проведения экспериментов в рамках любого последующего прогнозирования нейронных работать, если система пытались повысить его эффективность.

Показатели эффективности

Некоторые меры были взяты непосредственно из таблицы данных в сыром виде. Кроме того, пять переменных эффективности были созданы которые были скорректированы с учетом размера системы. Наконец, две категории переменных были созданы исходя из предположения о том, что сети предпочитают по размеру данных в категории зависимых переменных, в отличие от непрерывных (аналоговых) переменных. Две категории переменных низкий, средний и высокий уровень ежемесячных операционных баланса и процент участия-ланч.

Некоторые из зависимых меры оказались более полезными, чем другие. То есть, некоторые "ответил" на нейронной сети, будучи предсказуемой, тогда как другие показали никакого отношения к независимых переменных. Наиболее полезными были:

А. количество месяцев операционной баланса

B. участие в завтрак разделены ADM

C. сокращение право участия в обед разделить на ADM

D. право свободного участия в обед разделить на ADM

Е. количество месяцев операционной баланса подразделяются на три группы с равным количеством систем в каждой группе: низкий (менее двух месяцев), среднесрочные (от двух до немногим более трех месяцев) и высокой (чуть больше трех месяцев почти семь месяцев)

Выводы и предложения

Во-первых, нет никакой "формулы", которые могут применяться повсеместно для создания услуг на уровне системы питания более эффективным. Второй и, аналогично, он не может утверждать, что переменные, которые влияют на эффективность, должны быть максимально высокой, или, как низкой, насколько это возможно. Вместо этого, они, скорее всего, идеальным уровнях, и эти уровни различны для каждого LEA и зависят от многих [табличные данные для ТАБЛИЦА 1 опущен] характеристики LEA. Тем не менее, эффект изменения таких переменных на эффективность работы любого из LEA можно прогнозировать с помощью перезапуска сети и изучения результатов.

Ссылка

Уорд Systems Group (1990). NeuroShell (Программное обеспечение и документация). Фредерик, штат Мэриленд.