手把手教你设定绩效指标目标值

设置科学合理的绩效指标,是预算绩效管理工作的关键所在。而绩效指标需要通过目标值进行具体量化。当前，由于公共部门目标不明确性、多重性等问题的存在,使得合理测算指标目标值成为绩效评价的重大难点之一。本文将简单介绍一些目标值的测算方法。

目标值的测算一般需要结合项目预算、指标历史表现、行业环境以及被评价对象的实际情况综合确定，其中，产出指标目标值可以与项目预算建立强关联关系。大部分情况下，测算指标目标值都需要在了解项目信息的基础上，建立相对完整的数据库，使用科学算法，进行合理的目标值预测。以下是实践中几种简单的目标值测算方法说明。

1.标杆值法

标杆值法是最简单的一种目标值测算方法，一般直接使用国家标准、行业规范或极值。对于某些具有行业规范性的指标，一般使用标杆值法。例如：污水排放中某元素的含量。

2.平均值法

平均值法是在设立指标目标值时最常用的方法之一，用一个方程来表述，即平均值=∑x/n。在实际工作中，平均值可以结合统计分布中的正态分布的其他参数，如R-square（决定系数)、Adjusted R-square（校正决定系数）、AIC（信息准则）等，来优化平均值。

该方法一般适用于同质性较高的项目间直接相互比较，并且其指标数据呈现无规律分布。例如，地区人均寿命指标，可通过每个人的期望寿命值平均而得。

3.回归算法

回归分析算法是一种基于历史数据进行预测的技术。回归分析算法包括线性回归、逻辑回归、多项式回归、逐步回归、MARS、LOESS等。这里先简单介绍我们最常使用线性回归技术。线性回归使用最佳的拟合直线（也就是回归线）在因变量（Y）和一个或多个自变量（X）之间建立一种关系，即：

其中n为自变量的个数。

下图是一个最简单的一元一次线性回归实例，例如：在测试不同身高的儿童的标准体重时，会收集大量健康儿童的身高和体重，做成二维图，把每个样本描点在坐标轴上（点），横轴为身高，纵轴为体重，利用最简单的线性回归可以计算出一条回归线，进而计算不同身高的标准体重。在处理回归问题时我们可以利用cart算法、svm算法等。

该方法一般适用于跟踪评价、或者具有大量历史数据的目标值测定。

4.局部拟合算法

在实际工作中，有时候实际数据集会综合应用以上几种方法，可能不能直接计算出目标值，或者计算的目标值在实用使用中并不合理。因此，要在数据的基础上做一定的线性或者非线性变换，转化成上面某两种方法能处理的数据模型之后再进行处理。如局部加权线性回归法就是将不同时期的值赋予不同的权重，一般在离待测点更近的点赋予更高的权重，再利用赋权重之后的点进行回归，计算出回归方程，得到最正确的目标值。

例如，在做某地区同类型信息化综合绩效评价过程中所使用的行政业务办件量指标，如下图所示。采集数据分布形式呈现不规律的形式，无论用平均值或者是回归方式都无法很好地处理下列数据。

在这种条件下，可以对采集数据做一系列的数据变换，形成均匀分布、线性变换或者正态分布的情况再进行处理。

该方法一般适用于上述2、3两种方法求解无法计算目标值或者计算出目标值适用性较差的情况下，其使用具有一定的难度，数据变换之后带来的变异性更大。

5.多目标优化算法

多目标优化算法是指在各个指标值之间进行协调权衡和折衷处理，使各指标值均尽可能达到最优。如下图所示，圆球代表单个指标的实际值，其所占面积代表整个项目的绩效情况。如果单个指标实际值都比较高，其所占面积较小，其整体绩效并不是最优解（灰色小球），但是在各个指标实际值进行合理折中处理，可以达到整体最优的情况，这时各个指标值也是最优解（边缘小球），这时最优解即应该是整个项目各指标的目标值。

单个项目或单个部门需要实现的目标有所区别，多目标优化算法是使整个项目实现绩效最优，而不是使单一指标最优化。其处理方式是导入权重w=（w1，w2…wN），决定其方向。可以根据其导入w的等值面（线）的倾斜度，求Pareto解，其Pareto解可以作为其单个目标的最优解。

该方法一般适用于单个项目，其算法比较复杂，要求数据准确，且具有大量结构化数据的情况。

合理科学的目标值离不开数据的采集和积累。尤其是财政绩效目标具有不明确性、多重性的特点，公共产品有效性难以准确度量，因此，建立财政数据平台是测算科学目标值的前提。

“

各位“闻政咨询”的亲粉们，读罢上文，您一定是心（yi）悦（lian）诚（meng）服（dong）吧？