作者简介作者简介：马珺（1963-），女，博士，河南财经政法大学教授，研究方向为社会学、电子政务。0引言
政府网站绩效评估是我国在“十二五”期间建设服务型政府的基本保障，也是我国社会发展由生存型阶段跨入发展型阶段转变时期，加强和创新社会管理的重要手段。2013年11月28日，由中国软件评测中心、中国残疾人联合会信息中心、人民网、腾讯共同举办的“第十二届（2013）中国政府网站绩效评估结果发布会暨电子政务高峰论坛”隆重召开，来自中央纪委、国务院办公厅等500余人参加了会议［1］。在此社会背景下，政府网站的绩效评估显得尤为重要。
1河南省政府网站绩效评估基本情况
党的十八大报告指出，在改善民生和创新管理中加强社会建设，必须从维护最广大人民根本利益高度加快健全基本公共服务体系，推动社会主义和谐社会建设。政府网站是政府机关面向社会公众、企业提供服务的窗口，是电子政务建设和应用成果的体现。深化网站建设是加强社会管理、提高服务水平的一项重要手段。2012年以来，中央国务院一系列相关文件对政府网站加强和深化信息公开、办事服务和政民互动，健全运行维护管理体制方面提出了更加明确的要求。
务器和相关的数据文件组成)以及面向服务的与数据挖掘模型相关的存储层服务模块构成。
3结语
高校毕业生就业监测是一项需要与时俱进的工作，云计算技术在监测系统平台中的应用需要逐步实施。本文分析了高校毕业生就业监测工作现状，研究了云计算下的高校毕业生就业状况监测系统的架构模型、关键技术和部分模块的实现，对高校毕业生就业状况监测工作有一定的指导意义。
参考文献参考文献：
\[1\]全国教育科学规划领导小组办公室.高校毕业生就业状况监测体系研究成果简介［eb/ol］.http://onsgep.moe.edu.cn/edoas2/website7/level3.jsp?id=1387871797395301
［2］陈全，邓倩妮．云计算及其关键技术［j］．计算机应用，2009，29(9):25622567．
［3］赛迪顾问股份有限公司.中国云计算产业发展白皮书［eb/ol］.//http://tech.ccidnet.com/zt/cwb/images/cloudbook.pdf
［4］刘海滨，徐文．高校毕业生就业状况监测指标体系分析与建构［j］．东北师大学报:哲学社会科学版，2011（2）：170176.
［5］bian gengqing, gao song, shao bilin. security structure of cloud storage based on dispersal［j］.journal of xi’an jiaotong university, 2011, 45(4):4145.
［6］韩璐,孙蕾,施惠娟 ,等.基于soa的数据挖掘原型平台的设计与实现［j］.计算机应用与软件，2011(2).
［7］周可.云存储技术及其应用［j］.中兴通讯技术，2010(4).责任编辑（责任编辑：杜能钢）河南省各级政府网站绩效评估的结果一直落后于发达地区，如在2011年评估中，河南省以38.77 分位列32个省级政府网站的第21位，与第一名北京市相差36.48分,相差将近一半。郑州市以46.87 分位列27个省会政府网站的第18位，与第一名长沙市相差28.37分。在地级市评选中，作为河南省第一的漯河市，得分42.97，位居全国62名，而河南省的最后一名周口市，得分25.32，名列全国296个参评地市的206位［2］。
表1给出了2005-2013年间，河南省各地市网站绩效评估结果及排名情况。
表12005-2013年河南各地市网站绩效评估结果
地市200520062007200820092010201120122013分数位分数位分数位分数位分数位分数位分数位分数位分数位开封b15.91320.451416.641518.491523.821520.391326.721442.41332.911洛阳c35.18738.72630.51735.61544.45231.04440.74353.1444.22平顶山d42.58241.38330.71633.19938.55623.901037.91950.1840.37安阳e31.38939.70533.48335.53637.431022.561231.921145.61132.812鹤壁f36.83540.32432.94437443.25332.83142.83257.8142.54新乡g36.33645.40238.59243.52146.43128.30740.56452.4543.43焦作h42.93146.27139.62140.96241.83529.09636.821049.6940.76濮阳j271033.37731.76533.55837.99830.69338.71851.3738.68许昌k10.581633.07830.46837.27337.95929.95539.18746.21035.510漯河l22.51222．021329.29933.85742.26432.65242.97155.4246.11三门峡m13.081417.721621.121222.311227.361222.731131.811243.81228.313商丘n37.03431.159
23.601124.781133.521125.78840.31552.3638.59周口p38.83327.731019.721319.401422.031618.161525.321640.51420.714驻马店q11.881518.751516.21617.331625.741419.181426.111535.11616.416南阳r26.91126.671224.851026.361038.16724.38939.39653.2341.15信阳s32.13826.761118.561421.751326.451317.271627.601336.91519.315由此可见，根据河南省各地市网站评估结果，有针对性地研究历年评估结果之间的相关性，发现规律，并通过合适的预测方法，提前获知2014年评估结果，不仅有利于政府寻找绩效提升的方式方法，同时也有助于发现自身短板，优化网站绩效［3, 4］。
2时间序列
实际应用中，事物之间存在相互依赖、相互制约的变量关系，它们之间的关系一般可分为两类：一类是确定性关系，即变量之间的关系可用确定的函数关系来表示；另一类是随机性关系，即自变量都是随机性的，变量之间的这种关系称为相关关系。目前的统计模型有两种形式：回归模型(回归分析法)以及在此基础上发展起来的时间序列模型(时间序列分析法，或简称为时序分析或时序方法)。该方法是将某种统计指标的数值按时间先后顺序排列所形成的数列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平［5］。
上世纪70年代g p box和g m jenkins发表的专著《时间序列分析预测和控制》，对平稳时间序列数据提出了arma模型以及一整套建模、估计、检验和控制方法，使时间序列分析广泛的应用成为可能。从此学者们便开始不断完善时间序列分析理论并不断开拓时间序列分析新的应用领域。特别是自1982年arch模型建立以来，时间序列模型在各领域中的应用得到了前所未有的发展，特别是在金融、经济、统计、贸易、电子商务、天文、地质、信息及数据挖掘等学科领域应用较多，并取得了丰硕成果［6］。例如舒正荣等［7］采用自回归模型及灰色模型对芯片封装技术中国专利年及月动态进行了分析与预测，取得了较好效果。 常用的预测方法包括时间序列分析(ar、ma、arima、vecm、贝叶斯var等)、回归分析(多元回归、logistic回归)、人工智能算法(ann、svm)、指数平滑法等。例如，常用的ar模型表示为：xt=∑pj=1ajxt－j+εtma模型表示为：xt=εt+∑qj=1bjεt－j起伏型时间序列是一种新的时间序列方法，它是一种用差分使序列变为符合傅里叶级数型(一组正弦和余弦曲线的组合)变化方法［8］。
所有的预测方法都遵循一个共同的技术范式：从历史数据中寻找事物的变化规律，并假定事物未来的发展仍然遵循这一变化规律［8］。taken定理提出，在一定条件下，时间序列的过去值组成的矢量与未来值之间存在光滑影射［9］。因此，可以通过相应的模型建立一种从历史数据到未来数据的映射，进而实现预测功能。
3基于起伏型时间序列的河南政府网站绩效评估采用起伏型时间序列进行预测的基础是历史数据满足或大致满足“起伏”状态。图1给出了河南省地市级政府网站绩效评分的发展情况，显然这些数据呈现出起伏型变化趋势，因此采用起伏型时间序列分析方法探讨河南省地市政府网站绩效评估结果具有一定的科学性与可行性［10］。
图1河南省各地市历史评分情况
起伏型时间序列的方法可以归纳为以下几个步骤：
step1：差分处理。
令时间序列函数x={x0,x1,x2,...xt,...,xn},t=0,1,...,n为起伏型时间序列。对xt作一阶向前差分处理：δbxt=xt－xt-1。
step2：获取微分方程。
序列xt在一阶差分处理后应遵从微分方程：dxdt=∑ki=0(aicoswit+bisinwit)
=a0+∑ki=0(aicoswit+bisinwit)式中，wi=2πin+1,t=0,1,...n,k=n2
分别用向后差分δx和向前差分δx代替上式中的微分dx，又因为序列是等时采样，则可以用δt=(t-1)-t=1代替dt。
因此，上式可以写成：δbxi=a0+∑ki=0(aicoswit+bisinwit)
δfxi=a0+∑ki=0(aicoswit+bisinwit),(t=1,2,…,n－1)step3：微分方程求解。
对以上微分方程求解：∫dx=∫a0+∑ki=0(aicoswit+bisinwit)dt
xt=a0t+∑ki=0aiwisinwit+∑ki=0biwi(－coswit)+c其中，将初始条件设为：t=0时xt=x0，代入上式，则积分常数c=x0+∑ki=1biwi
所以微分方程的解为：xt=x0+a0t+∑ki=1aiwisinwit+∑ki=1biwi(1－coswit)
step4数据预测
以开封市为例，根据历史数据得到：
xt∧=2.8008－0.5433t+∑8i=1aiwisinwit+∑8i=1biwi(1－coswit)
代入已知数据得到2014年开封市的预测分数应为37.23。
4结语
本文在分析已有时间序列模型的基础上，根据河南省地市级网站的历史评分数据选择了起伏型时间序列作为预测模型，并以开封市为例得到了预测结果。实际上，对于政府网站评估来说，预测分值的大小并不重要，重要的是排名情况，尤其是在河南省内部的排名情况，鉴于此，论文并没有给出所有的预测得分［11］。
但该方法在时间预测的过程中由于数据量较小，作了以下几点假设：第一，在大样本空间下，河南省地市政府网站的评估结果仍然符合起伏型规律；第二，我国政府网站绩效评估是一个静态的发展过程，即指标体系不会发生变化；第三，各个地市起伏规律相同。
参考文献参考文献：
［1\]中国软件评测中心.第十二届（2013）中国政府网站绩效评估结果发布会暨电子政务高峰论坛在京顺利召开［eb/ol］.［20140201］.http://www.cstc.org.cn/templet/default/show_xwzx.jsp?article_id=125831&id=1380.
［2］臧振春，崔春生. 基于集团序的河南省地市级政府网站绩效评估结果的分析［j］. 数学的实践与认识，2013, 42(5): 3642.
［3］崔春生.软件技术给力“中国软件名城”［j］. 软件和信息服务，2011(6):1.
［4］崔春生,白郁.基于软件产业发展趋势的中国软件名城创建［j］.软件导刊，2011(11):4951.
［5］张美英,何杰.时间序列预测模型研究综述［j］.数学的实践与认识，2011,41(18):189195.
［6］饶旻,林友明,郭红.专利申请与授权量的时间序列分析［j］.运筹与管理，2007,16(6):157161.
［7］舒正荣,李世其,蒋诞一.时序法在芯片封装技术中国专利数据分析与预测中的应用［j］.知识产权，2005,15(1):2529.
［8］黄安强,肖进,汪寿阳.一个基于集成情境知识的组合预测方法［j］.系统工程理论与实践，2011,31(1):5565.
［9］takens f.on the numerical determination of the dimension of an attractor［m］.springer berlin heidelberg, 1985.
［10］毕晓丽,王辉,葛剑平.植被归一化指数(ndvi)及气候因子相关起伏型时间序列变化分析［j］. 应用生态学报，2005,16(2):284288.
［11］崔春生.基于集团序方法的推荐系统输出［j］.
