目的本文通过政策分析和现场调研,了解我国公立医院监管模式和指标体系现状和存在问题；通过文献分析、专家咨询和访谈等方式，筛选出公立医院多元监管的指标；引入人工神经网络，阐述BP神经网络在构建指标体系方面的应用；最后，根据现场调研数据，运用BP神经网络建立指标模型，测算公立医院监管指标间权重，最终构建出基于多元监管和BP神经网络的公立医院监管指标体系，为完善公立医院监管提供支持与参考。方法①情报学方法。访问卫生行政、医保等部门官方网站和CNKI、万方、维普等数据库，获取最新的公立医院数据、医院监管政策、公立医院监管研究进展，分析我国公立医院监管模式及其指标的特点与问题。②社会学调查方法。以现场调研和函调为手段，收集118家来自珠海、深圳、株洲、遵义、广州的医院数据。以半结构式访谈为主要形式，访谈30名来自深圳、珠海、株洲公立医院监管有关部门的知情人，了解公立医院监管的指标和问题。③统计学方法。利用SPSS18.0软件，对公立医院基本情况、各项指标情况等定量数据进行描述性分析，对不同级别医院指标分布的一致性、监管指标评价值与实际值的一致性等进行检验。④运筹学方法。一是利用DPS14.0软件，构建以在岗医生数等4项指标为投入指标，门急诊诊疗人次等3项指标为产出指标的DEA超效率模型，测算样本医院的相对运行效率。二是利用SPSS18.0软件，构建以公立医院监管指标为输入变量，以公立医院总体运行效率为输出变量的三层BP神经网络模型测算监管指标的权重。结果①本研究认为，我国公立医院监管模式大致经历了计划经济体制时期、改革开放后至社保制度建立前和社保制度建立后三个阶段，而每个阶段都伴随着一定的问题。当前阶段存在的问题：一是尚未形成统一的监管体系；二是监管指标多而复杂，数据收集成本较大；确定指标权重以定性为主，主观性较大等问题。②本次通过现场调研和函调共发放公立医院调查问卷150份，回收121份，其中合格118份。卡方分析显示，各城市的医院级别分布无显著性差异，说明抽样具有较好的代表性。本研究对样本医院的资源配置和服务产出情况进行了分析，发现不同级别的资源配资和服务产出有显著性差异，三级医院的各项指标均明显优于二级医院。对医院的监管指标进行了分析，发现不同级别医院之间无显著性差异。构建以在岗医生数、在岗护士数、实有床位数、业务支出为投入指标，以门急诊诊疗人次、出院人数、业务收入为产出指标的数据包络分析超效率模型，得到了各医院的相对效率值。③本研究概述了BP神经网络模型的原理和实现方法，并建立以公立医院监管三级指标为输入层节点、以公立医院综合运行相对效率为输出层节点、隐层节点数为4的三层BP神经网络，输入118份样本医院的数据对该网络进行训练，计算了公立医院监管指标体系的权重，其中：医疗收入占业务收入比例（三级医院为0.177，二级医院为0.037）、非负债率（三级医院为0.100，二级医院为0.220）、护士占医生护士总数比例（三级医院为0.004，二级医院为0.258）、工资福利支出占总支出比例（三级医院为0.099，二级医院为0.084）、合理病床使用率（三级医院为0.521，二级医院为0.037）、资产收益率（三级医院为0.047，二级医院为0.342）、业务收入占收支总额比例（三级医院为0.052，二级医院为0.022），确立了公立医院监管指标体系。④本研究介绍了研究所得的指标体系的应用流程（确定对象、收集信息、转化指标、计算总体效率值和结果反馈）和计算公式，并利用样本医院数据进行实证检验。结果显示，利用该指标体系测算的评价值和实际值之间无显著差异，本研究所得的指标体系具有较高的信度和效度。讨论①关于BP神经网络计算指标权重的优越性。目前，关于公立医院监管指标权重的确定方法上大多采用专家评价等主观性较强的方法，难以摆脱制定过程中的随机性和参评人员主观上的不确定性和认识上的模糊性。医院信息具有天生的不对称性，而公立医院的运行本身在很多情况下都带有模糊性。本研究引入模糊数学的方法（BP神经网络），通过收集样本医院相关指标的数据，利用SPSS神经网络模型的自主学习和训练，计算得到了各指标的权重，使指标体系不受人为因素干扰、更加切合实际，有利于各利益相关方掌握公立医院的整体运行状况。②关于训练样本数与训练方法。传统认为，训练样本数应是网络连接权总数的5~10倍，本研究的训练样本数为118，网络连接权总数为32，样本数量相对不足。，本研究在网络训练方法上采取“批处理”方法，有效地降低对样本量的要求，并使系统达到了精度要求。③关于数据的预处理。数据处理包括尺度变换和分布变换两种形式。由于本研究部分投入和输出变量均为相对数，若采取极差标准化法会改变数据的区分度。本研究基于对各指标的现实意义，采取不同方法对指标数据的变换，使变换后数据符合：①均为高优指标；②在之间；③区分度不改变；④仍具有实际意义。④关于网络结构的设计。一是隐层数的设计。具有单隐层的感知器可以映射所有连续函数，本研究采取了单隐层结构，降低了网络的复杂性和训练样本量。二是隐层节点数的设计。隐层节点数直接影响网络的连接权值数，而连接权值数则决定网络的映射能力和信息容量。本研究综合学者的经验，将隐层节点数设为4，既保证网络的信息容量，又满足样本量要求。创新与不足创新之处：本研究将BP神经网络模型引入来公立医院监管指标权重，为权重的计算提供了崭新的方法。本研究所得的公立医院监管指标体系特点在于基于多元治理、指标均为相对数、权重计算定量化，与其他研究相比，具有创新点。不足之处：由于时间和经费限制，本研究的样本量仍不够理想，指标的选取仍有待完善。