两区域模型

两区域模型（精选7篇）

两区域模型 篇1

1 前言

作为国家经济体系的重要组成, 高技术产业在改善我国产业结构与要素配置、促进传统产业技术进步、加快经济发展等方面发挥了重要作用。我国的高技术产业总量成果显著, 2010 年中国高技术制造业的产值达到7. 6 万亿元人民币, 位居世界第二;高技术产品出口额占成品出口额的比重达到了31% , 高于一般的发达国家 ( 美国占23% ) ; 但同年我国的R&D经费占工业总产值为1. 48%, 仅为美国的10%; 经费占工业增加值的比例为6. 01%, 仅为美国的16. 7%。数据显示我国的高技术产业的总量规模处于世界前列, 但R&D活动的投入经费仍落后于发达国家, 高技术产出的高增长势必大大耗费人力、物力和原料等非技术资源, 而高技术产业的竞争力恰恰是依赖于技术创新, 特别是依赖于R&D活动的效率。R&D活动已经成为高技术产业的最大推动力, 如何提升R&D活动的效率是当前高技术产业研究中的一个重要范畴。此外我国幅员辽阔, 产业结构存在东部强, 中西部偏弱的特征, 高技术产业的发展也同样有此特征。面对高技术产业的上述现状, 本文拟从分析区域高技术产业的R&D活动入手, 测算和比较区域R&D活动的效率, 寻求提升区域内R&D活动效率的方法, 探寻区域间高技术产业交流的合作方式, 为提升我国高技术产业的R&D活动效率提供政策建议。

2 文献综述和方法评价

高技术产业科技活动效率的研究是国内外科技政策学者们的研究热点, 很多学者获得了富有创见的成果。一些学者研究高技术产业中整体投入和产出之间的关系, 如吴瑛, 杨宏进 ( 2006) [1]构建了基于R&D存量的高技术产业科技资源配置效率DEA度量模型。刘俊杰, 傅毓维 ( 2008) [2]使用DEA的CCR模型测算了我国高技术企业创新效率。刘玉芬, 张目 ( 2010) 测量了西部地区高技术产业技术创新绩效。姜波 ( 2011) [3]用DEA模型中的Malmquist指数方法进行高技术产业R&D效率变动分析。张清辉, 王建品 ( 2011) [4]以DEA的BCC模型研究了我国高技术产业自主创新效率。冯尧 ( 2011) [5]同样采用DEA的Malmquist指数方法测算我国高技术产业科技成果转化效率。陈伟等 ( 2011) [6]运用GEM- DEA模型研究了我国区域高技术企业科技成果转化效率。他们的研究主要以R&D活动中的人, 财, 物投入作为投入指标, 专利和新产品相关值为产出指标, 进行整体性宏观性分析, 提出高技术产业的改进措施, 但这些文献将投入产出中间过程视为“黑箱”, 对其内部的投入产出过程并无描述, 这些作者提出的政策建议, 也大体是对高技术产业外部进行资源的投入、匹配以及关系的调整。

其他的相关学者注意到高技术产业内部流程的重要, 他们结合价值链和技术转移链的特点, 分析高技术产业的创新活动过程, 将其化分为两个或者三个阶段。如林淼 ( 2001) [7]提出了以链的角度分析科技产业投入和产出, 将科技活动划分为技术研发和技术消化吸收两个阶段。郑坚, 丁云龙 ( 2007) [8]将高技术产业创新过程分为技术产出阶段和技术转化阶段, 通过改进DEA的方法研究了高技术产业技术创新效率。余泳泽, 武鹏, 林建兵 ( 2010) [9]以链视角划分并研究了我国高技术产业细分行业研发效率问题。付强, 马玉成 ( 2011) [10]以价值链模型研究我国高技术产业技术创新双环节的效率。张雷勇, 马雷 ( 2011) [11]以两阶段链效率视角研究了高技术产业中的科技效率。相对于整体性投入产出研究, 将高技术产业进行阶段划分使研究更加细致: 一方面, 能够针对具体阶段进行研究, 提升阶段内的投入和产出效率; 另一方面, 针对阶段与阶段之间衔接的科技活动, 也能够提出相应的改进措施。

尽管学者们将高技术产业按照阶段划分的方式, 提升了研究高技术产业创新效率的深入度, 但在建构技术指标体系和DEA模型上, 仍有存在着差异。以R&D资本存量和R&D经费内部支出指标为例, 郑坚, 丁云龙、余泳泽、马雷等将其划归为第一阶段的投入。在实际生产中, 我国的R&D活动发生的主要场所是科研院所, 大学和企业, 其中企业既是R&D活动的执行主体, 也是R&D活动资金投入的主体。科技数据统计指出: 2011 年度的R&D总经费支出中, 企业R&D经费为5185. 5 亿元, 占R&D总经费的73. 4%; 研究机构为1186. 4 亿元, 仅占16. 8% ; 高等学校为597. 3 亿元, 占8. 5% ( 见图1) 。R&D总经费支出中, 企业所占的比例非常高。企业的科研机构是技术研发阶段的构成主体之一, 又承担着技术消化吸收阶段的任务, 因此企业同时包含技术研发和技术消化吸收两个阶段, 在企业内进行的R&D活动也在同时发生在这两个阶段, 这点也与笔者在合肥高技术产业园区进行的实地调研结果相吻合。上述学者将R&D内部经费投入等指标仅视为技术研发阶段的投入并不合适。

此外, 张雷勇等学者将研发机构和高等院校的科技活动人员 ( 人) 、科学家与工程师 ( 人) 、R&D人员折合全时当量 ( 人年) 、科技活动经费内部支出 ( 万元) 、R&D经费内部支出额 ( 万元) 等五个细化指标划归到两个阶段的投入中, 将指标体系的细致性推进了一大步, 但问题依旧存在: 虽然他将“R&D人员折合全时当量 ( 人年) ”和 “R&D经费内部支出额 ( 万元) ”划归到两个阶段的投入, 但其他的三个指标在技术消化吸收阶段中并不显著, 而且在第二阶段缺少了 “购买国外技术、技术消化、吸收和改造经费”等有重要阶段特征的指标。究其原因, 是局限在DEA模型的方法使用, 他采用的是在DEA方法中常用的CCR模型, 在构建的模型中对两个阶段需采用同样的计算方式。由此推断, 方法的适用性已经成为研究的最大阻碍, 构建出一种新型的效率计算模型尤为重要。

综上所述, 以上学者在分析高技术产业的阶段特点上贡献显著, 但在某些方面有所忽视, 具体体现在指标体系的构建和方法手段的运用上, 本文拟从实际出发, 改进投入和产出指标体系, 建立新型且与实际更贴近的两阶段DEA模型。

3 指标体系的改进和新型DEA模型的构建

本文对现有学者研究中选取的指标进行筛选, 结合我国高技术产业阶段特征的实际, 在分析指标在不同阶段的作用和关系的基础上, 改进了新的高技术产业投入产出指标体系。 ( 见图2) R&D活动选择R&D人员折合全时当量和R&D经费内部支出额两个指标。在技术研发阶段, 投入指标包含R&D人员折合全时当量、R&D经费内部支出额、和新产品开发经费三个指标, 产出指标为专利授权数; 在技术消化吸收阶段, 投入指标包含R&D人员折合全时当量、R&D经费内部支出额, 专利授权数, 其他技术活动经费支出 ( 购买国内技术经费、技术改造经费、技术引进经费和技术消化吸收经费) 等四个指标, 产出指标为新产品销售值和新产品总产值。

根据上述改进的两阶段投入产出指标体系, 构建网络DEA模型, 假设有n个决策单元, 设为DMUj ( j = 1, ……, n) , 每个决策单元DMUj有m个投入, 设为Xij ( i = 1, ……, m) 在整个运算过程中。在m中投入中有部分投入仅在第一阶段发生, 其他投入在两个阶段都发生。将这两种投入设为xi1j ( i1∈I1) 和xi2j ( i2∈I2) , 并且I1∈I2= { 1, ……, m} , 假设第一阶段的决策单元DMUj ( j = 1, ……, n) 的产出为t, 记为zdj ( d = 1, ……, t) , 这类t产出做为中间过程的产物, 当做第二阶段的投入指标, 另外第二阶段额外融入的投入记做 χ, χkj表示第j单元的第k个指标; 而第二阶段的产出我们记yrj ( r =1, ……, s) 。

如果投入i2∈I2在两个阶段都包含的话, 在评价决策单元DMU0时, 将所有单元的共享投入xi2j分成ai2oxi2j和 ( 1 - ai2o) xi2j, ( 0≤ai2o≤1) , 相应成为第一和第二阶段采取的投入。若各ai2o限定在一定的区间内, 我们记为Li12j≤ai2o≤Li22j。

与Chen et al. ( 2010) [12]不同的是, 我们考虑了一种新的情形: 在第二阶段有的新的投入。在规模收益不变的情况下, 建立第一和第二阶段的效率模型 ( 1) 和模型 ( 2) 。

( 1) 和 ( 2) 显示的是一种两阶段网络DEA模型, 在这个模型中, 一些投入在某一阶段发生, 而另外一些投入在两个阶段都存在。

Chen和Zhu ( 2004) [13]的多项研究指出, 模型 ( 1) 和模型 ( 2) 并不能准确模拟出中间变量zdj ( d= 1, ……, t) , 这是因为模型 ( 2 ) 尝试降低zdj ( d =1, ……, t) , 在模型 ( 1) 中的水平。另一种方法是测量效率的两阶段过程, 以查看他们从某一集中的角度来观察中间投入, 这能最大限度地提高整体效率或整体得分并确定一组最优。

我们提出两个阶段相结合的加权平均效率得分的阶段, 见模型 ( 3)

w1和w2是用户指定的权重, 且w1+ w2= 1。注意: 只有每个阶段的效率是有效的前提下, DMU的整体效率才有效。

类似Kao和Hwuang ( 2008) [14]的假设, 和Li-ang ( 2008) [15]的集中模式, 我们假定模型 ( 1) 和模型 ( 2) 中的 η1d= η2d= η4, ( d =1, ……, t) , 同样因为有相似类型的投入, 我们假设vi12, vi22= vi2。

由于和的目的是代表第一和第二阶段的相对重要性或贡献, 分别体现在整个过程中DMU的整体性能, 每个权重的合理选择是整体比例资源投入到每一个阶段, 反映了一个阶段的相对大小[16]。为了更具体的表达, 我们定义如下:

代表的是资源总规模或两个阶段的整个过程所消耗的资源总量。

分别代表了第一和第二阶段的大小权重, 这些权重是不是需要优化的变量, 而是优化变量的函数, 根据最有的变量值计算而得。

经过线性变换, 我们可以得到下面模型 ( 5) 。通过模型 ( 5) , 我们可以得到整个系统的效率值:

将模型 ( 5 ) 得出的最优变量值代入可得第一阶段效率值, 代入可得第二阶段效率值。

4 运算过程及结论

4. 1 运算过程

在模型建构完成之后进行实证分析, 本文选取的数据来自 《高技术产业统计年鉴2003—2011》, 其中以28 个省市的高技术产业为研究对象, 通过数据输入和MATLAB9. 0 的运算, 得到1995 年—2010年的15 年的各地区高技术产业创新效率。 ( 综合其他学者的论文, 本文在产出的数据上, 本文对投入产出时滞的处理为1 年。) 不妨设各地区的R&D整体创新效率为E, 第一阶段的创新效率为E1, 第二阶段的创新效率为E2。

将各省的E, E1 和E2 按年份取均值, 进行排序。在运算中设定K = E2/E1, K代表的是阶段2 的效率与阶段1 效率的比值。通过计算得到高技术区域R&D效率均值与排序 ( 见表1) 。

表1 中的K值衡量的是区域内技术消化吸收阶段的效率相较于技术研发阶段效率的比值, 设L = K- 1, L衡量的是区域内两个阶段发展的协调程度, L越接近0, 说明区域内的消化吸收效率和研发效率协调度良好; L值大于0 时, 说明此区域的消化吸收效率强于研发效率; 比值小于0 时, 说明此区域的消化吸收效率弱于研发效率。以表二中的R&D整体效率为横坐标, 以区域协调度L为纵坐标, 绘制高技术产业区域R&D效率与协调度矩阵图 ( 见图4) , 进一步分析区域内和板块间的协调与合作。

4. 2 数据观察

根据表2 和图4 的各省市R&D整体效率和协调度矩阵图的测算结果, 以区域R&D整体效率为横坐标, 以L值为标准的区域效率协调度为纵坐标绘制矩阵, 评价结果及分析如下:

( 1) 从整体效率观察: 福建、天津、北京和上海的整体效率都超过0. 6, 处于领先水平。这些区域分别属于南部沿海经济圈, 长三角经济圈, 北部沿海经济圈等经济区域内, 科技资源丰富, 科技政策多样化, 科技合作和交流频繁, 导致R&D整体效率发展良好; 而四川、山东、辽宁、重庆、广东、吉林、宁夏、云南、内蒙古和海南等省的效率处于[0. 4 -0. 6] 之间, 整体效率一般; 而江西、河南、安徽、黑龙江、湖北、河北、浙江、甘肃、湖南、广西和贵州等省份的整体效率偏低。

( 2) 从区域协调度方面观察: ( 1) [- 1, 0]区间有海南、内蒙古、云南、贵州、宁夏、吉林和湖南等省; ( 2) [0, 1] 区间内有福建、天津、北京、山西、广东、重庆、浙江、湖北、黑龙江、河北和甘肃等省份; 1 以上的区间的省份有: 上海、江苏、四川、山东、辽宁、河南、安徽、江西和陕西等省。

4. 3 数据的板块划分与分析

以横坐标= 0. 6, 纵坐标= ± 1 为分水岭, 将这些省份分为六大特色鲜明的板块 ( 见图5) , 这些板块内和板块间的合作与联结, 对提升我国区域R&D活动效率极为重要。

4. 3. 1 板块内效率分析和建议。1 ) 第 Ⅰ 板块: 效率双优: 福建、北京和天津。整体效率高, 区域内技术研发能力和技术消化吸收能力均衡, 区域协调度良好。这些省份的技术研发阶段的产出, 很大程度上能够在省内进行消化吸收, 而且转化效率很高。这些区域应该继续保持现有的发展模式, 加强现有科技政策的实施。在未来的发展中, 一方面应该继续坚持和推动R&D方面的政策, 另一方面继续加强区域内的科技成果转化, 加强企业间以及科研院所、大学和企业之间的合作。

( 2) 第Ⅱ板块: R&D整体高效率、消化吸收能力强于技术研发能力。此区域内只包括上海。上海的大学和研究机构众多, 以张江为代表的高技术园区众多, 无论是科研力量还是产业力量都很雄厚, 是我国科技和产业实力最强的区域, R&D整体呈现出高效率的特点。上海市是科技创新型城市, 而在区域协调度上, 我们发现即使上海有如此强大的研发能力, 但区域内的技术消化吸收实力更强, 这要求上海应该面向全国, 依托地理、金融等优势对其他区域的技术进行引进和消化吸收。

( 3) 第Ⅲ板块: R&D整体效率不高、消化吸收能力远远强于技术研发能力。此区域涵盖江苏。江苏的R&D整体效率为0. 48, 在28 个省份内处于中等偏上水平, 但仍不能与其全国范围内省级GDP第一的地位相匹配。江苏的区域协调程度极不平衡, 技术消化吸收能力远远大于其研发能力。近年来, 江苏的经济发展一直处于高速发展中, 省内高科技企业数量众多, 江苏省大力引入外区域的技术研发阶段的科技成果进行消化吸收, 促进了江苏省高技术产业的蓬勃发展, 这与江苏省的科技政策刺激是分不开的, 江苏出台了各种科技成果转化的专项资金政策, 注重与区域外的科研机构的合作, 加强区域间技术转移, 提升了技术消化吸收效率。值得重视的是, 江苏省内的科研力量尚不能匹配经济的发展, 应该通过强大的经济实力, 一方面快速发展内部的科研力量, 另一方面积极获得其他区域的技术研发产品。

( 4) 第Ⅳ板块: R&D整体低效率、消化吸收能力强于技术研发能力。此区域包括四川, 山东, 辽宁, 河南, 安徽, 广东, 江西和陕西等八个省份。其中广东和山东属于沿海地区中高技术产业整体发展良好的省份, 其他主要分布在中西部的省份, 以往的技术提升慢或者科技底子弱的影响, 造成了R&D整体低效率、区域不协调的现状。这些省应该扩大科技活动的范围, 加大与其他区域的交流, 依托国家实施东北经济区振兴计划和中西部大规模产业转移等战略契机的影响, 加快发展步伐。

( 5) 第Ⅴ板块: R&D整体低效率、区域内技术研发能力和技术消化吸收能力均衡。此区域包括山西, 重庆, 浙江, 甘肃, 河北, 湖北, 黑龙江等七个省份。这些区域的协调度均衡, 但R&D整体处于低效率水平。说明这些省份的技术研发能力和技术消化能力都不高。其中浙江省属于沿海经济区的经济大省, 但近年来经济增长步伐落后于江苏, 可能是在R&D整体低效率方面落后造成的。重庆属于内陆创新型城市, 而山西属于资源型省份, 在科技成果转化方面, 重庆可以加强与四川的科技交流, 通过科技中介, 技术转移联盟等加强科技转移。山西则应该引进科技资源, 营造好的创新环境, 摆脱资源耗费大省的形象。其他省份可能是由于技术研发和消化能力都不强, 发展缓慢。

( 6) 第Ⅵ板块: R&D整体低效率, 技术研发能力强与技术消化吸收能力。此区域包括内蒙古、云南、宁夏、吉林、湖南、贵州、广西和海南等八个省份。这些省份的科研力量都比较弱, 技术消化吸收可能主要通过跨区域进行合作, 下一步要继续增强此地区的科技研发实力。内蒙古、海南和宁夏的R&D整体效率属于中等水平, 但区域协调度不好。这些区域由于地理限制, 高技术产业发展缓慢, 总产值都不高, 应该打造与区域内资源相关的特色高技术产业, 加强与科技成果丰富的其他区域之间的联系。从地理位置看, 吉林、湖南、广西、云南等省处于内陆或者偏远山区, 高技术产业的R&D活动缺乏信息与政策的支持, 科技成果转化活动也少, 应该加强与周围优势省份的交流, 创造好的转化环境。

4. 3. 2 板块间协调合作的思考。板块协调合作为我们提供了一种解决思路: 在资源有限, 环境在短时间内不佳的境况下, 不能同时在所有区域内都实现两个阶段均衡发展, 使这种情况得到改变的最有效的方法就是合作, 尤其是区域优势互补的区域合作。具体来讲, 可以分为以下四种合作思路:

( 1) 经验推广: 第Ⅰ、Ⅱ板块的科技政策方面的经验: 为其他版块提供参考和经验支持: 可以通过交流会形式进行, 其他区域的省份可以进行经验学习, 主要学习其中的政策、金融、企业建设、以及产学研创新合作的各种经验。第Ⅲ板块的江苏, 可以推广其企业建设以及技术消化吸收的经验, 还包括跨区域合作领域, 产学研中介合作等。

( 2) 板块间互补合作: 第Ⅰ板块可以和第Ⅱ和第Ⅲ板块进行合作, 强强联手, 建构跨板块技术联盟和中介联盟, 凭借技术的溢出效应, 将第Ⅰ板块中更多的技术资源更多传播第Ⅱ、Ⅲ板块。第Ⅵ区域和第Ⅳ、Ⅴ板块的整体R&D效率接近, 在区域协调度方面考虑, 可以进行互补性合作, 第Ⅵ板块的特点是技术研发能力强于技术消化吸收能力, 因此在第Ⅵ板块中省份的技术研发的成果, 可以与第Ⅳ、Ⅴ板块的省份进行技术转移。

( 3) 跨区域联盟: 国家可以从宏观调度角度并根据区域协调度, 将第Ⅰ、Ⅱ、Ⅲ板块打造成为第一梯度的跨区域技术联盟, 其内部的技术交流与技术转移都采取最为先进的; 第Ⅳ、Ⅴ、Ⅵ区域形成第二梯度的跨区域联盟, 并且以各自区域的特色进行区域间合作, 尤其是第Ⅵ区域和第Ⅳ、Ⅴ板块间的合作。

( 4) 重点突出的双联结板块: 跨区域联盟中的Ⅳ、Ⅴ板块内, 绝大多数省份属于中西部中快速发展的地区, 其高技术产业的基础经过近几十年的发展, 与沿海经济圈的差距逐渐缩小, 为了能够解决东强、中西弱的高技术区域特点, 可以通过Ⅳ、Ⅴ板块的省份与Ⅰ、Ⅱ、Ⅲ以及第Ⅵ板块的双联结进行整体提升。重点板块的双联结效应具体体现为: 第Ⅳ、Ⅴ板块既包含了如广东、浙江等东部经济老牌强省、也包括了大量的中西部经济实力较强的省份, 因此这两个板块极为重要, 一方面联结沿海经济区中第Ⅰ、Ⅱ、Ⅲ, 承接其技术和产业, 转移大量的科技成果; 另一方面, 第Ⅳ、Ⅴ板块通过引进第Ⅵ板块技术成果等方式, 与之互补合作。

5 政策导向

本文从实际中入手, 分析现有学者对高技术产业R&D效率的研究, 指出现有研究的不足, 通过实地调研和模型改进, 构建更为合理的新型两阶段DEA模型。通过对28 个省市的高技术产业面板数据进行测算, 得到区域高技术产业的技术研发阶段、技术消化吸收和R&D整体三种效率, 通过两个阶段效率的比值得到区域协调度。根据R&D整体效率和区域协调度将28 个省分为6 大板块, 针对每个板块的特点, 对区域内特征和区域间的合作和联结方式提出建议。

整体和阶段创新效率较高的区域, 多分布在环渤海湾、长三角和珠三角区域, 而中西部地区和部分东北老工业基地虽然特点鲜明且后续发展势头强, 但创新效率仍然不高, 这种情况与过去二十年我国的高技术产业布局、沿海的省市的地理优势以及各地政策支持的产学研合作有关。而在创新效率高的区域内, 仍有浙江等相对创新效率低的省份, 同样在创新效率低的区域里, 也有四川和云南等相对创新效率高的省份。我们建议, 在总结全文的基础上进一步提出以下政策导向:

( 1) 在每个区域内, 通过邻近的省份, 加强技术研发和技术消化吸收的经验学习, 在产学研合作中进行跨省区的区域合作, 通过科技中介打造产学研联盟, 加强区域合作, 促进区域内高技术产业R&D整体和阶段创新效率的提升; ( 2) 在区域间的相互学习中提升R&D整体和阶段创新效率, 随着大规模产业转移、中西部产业转移示范区和高新技术区的建立, 创新效率低的区域, 一方面转移大批高新技术企业, 加强与本地研发机构的合作, 提高技术消化吸收效率, 另一方面, 通过与技术发达区域合作共建大学和科研院所, 通过提高技术研发阶段效率促进R&D整体效率和区域协调度; ( 3) 在发展的过程中重点突出, 其中我国中部地区各省的科技资源规模和高技术水平不断提升, 产业基础逐渐牢靠, 技术产业化能力日渐强大, 稳定的社会环境吸引企业的进入, 中部省份则可凭借良好的区位优势首先取得发展。其他东北部以及东部沿海技术研发能力强的省份可增强对高技术企业的凝聚力和吸引力; 技术消化吸收强的省份可激发现有高技术资源的创新潜力, 提高技术研发的培育能力; ( 4) 消除市场中技术转移的阻滞, 积极完善技术市场, 建立健全板块间技术成果转移支撑体系。通过市场主导加强产学研合作、组建技术创新和企业消化吸收的双战略联盟等手段提高产业创新能力, 最终实现高技术产业创新中的研发、成果转化的各环节有效串接。

两区域模型 篇2

1 文献回顾

生态资本最初提出是源于国家债务问题的讨论，Vogt(1967)认为自然资源的耗竭必然会降低国家偿还债务的能力，所以自然资源实际上是国家发展的资本，称自然资本或生态资本[2]。而R.Costanza,et al.(1999)则认为生态资本是在一个时间点上存在的物资或信息的存量[3]。国内外学者对生态资本投资机制论述较少，主要集中在以下几个方面:第一，生态资本投资机制国内外经验借鉴。生态资本投资机制保证生态资本存量增长的重要制度，对于机制的制定，通常都是以借鉴国外经验为基础。王子郁(2001)从投资结构、融资渠道、资金投向、激励机制等方面比较中美环境投资体系，研究发现主要通过市场经济条件下运用经济手段扩大投入，提高投资效益[4];任勇(2001)对生态环境投资的主体结构、投资总量以及经济效果影响进行分析，提出对我国环境投资的积极建议[5];杨薇(2009)比较欧盟、美国、日本等于中国的环保投资机制，总结认为国外环保投融资机制存在一个总体框架、投资主体多元化等经验值得借鉴[6]。第二是生态资本投资机制的内涵。生态环境问题治理主要还是以公共投资为主，投资主体主要是政府;赵远志(2012)从经济学角度考虑，应用投入产出的思想，通过加强生态资本投资，从而产出更多优质的生态环境产出，其具体对生态资本投资方式、特点以及投资主体等方面做了进一步分析[7];Lin、Chuanchuan and Hsin-Ni(2007)、Lammertjan(2010)认为生态投资可以融合传统投资方式，例如引进股票、期权等方式[8,9];国内有学者对生态资本投资方式进行了积极探索，提出采用投资基金、风险资本投资以及民间资本融资等方式(曹红辉，2000[10];王雄刚，2000[11];吉钠娜、熊丽敏[12],2004)，促进环境保护发展。第三，生态环境投资机制。宋子正(1997)反思了我国传统的环保投资机制，提出以市场化为主体改革思路[13];张雪梅(2009)研究认为生态环境投资需要走多元化的筹资渠道，必须坚持市场化的途径，优化投资优惠政策，采用实物期权方法建立一个更为科学的环保投资决策体系[14];蒋洪强等[15](2004)、王帆[16](2008)、刘鹏[17](2009)等在针对我国环境保护投资现状，提出建立“政府引导、市场取向、多元投入”的环保投资新机制;Jan,Uwe and Stephen(2006)、Pablo,Miguel and Fernando(2010)、Malik and Datta(2005)研究认为生态投资需要制度保障，其总是与环境监管制度、工会制度以及押金返还制度等相关制度安排联系在一块[18,19,20]。冷文娟(2010)研究认为生态资本投资具有特殊性，应采用多元化的投资机制来保障生态资本投资[21]。

纵览上述文献可知，国内外对于生态资本投资机制研究较少，更多还是对环保投资机制、生态产业投资机制等一些现象的描述研究，现有的研究未能深入研究生态资本投资机制的内涵，对生态资本投资机制的特殊性体现不足，特别是区域生态资本投资机制问题涉及较少。生态与经济如何协调发展，这是学界与政府共同关注的问题。政府推出一系列的环境治理策略，例如“新四化”、“两型社会”等，这些都体现了生态环境管理发展的新思路。因此，将这些战略思路与区域生态资本投资机制创新结合研究，就显得非常重要。

2 四化两型与区域生态资本投资

四化两型特指在新形势下以新型工业化、农业现代化、新型城镇化以及信息化推进“两型社会”建设的战略部署。治理环境、保持生态系统平衡、坚持低碳化的发展路径已经成为当前世界的主旋律，世界环境的转变为经济社会发展提供了机遇与挑战。国际之间竞争已经由争夺资源与能源控制为特征的国家安全为主逐渐向以生态安全为主的方向转变;人类伦理也由从“人类中心主义”逐渐向“生态中心主义”转变;而人类文明则经历了由“黄色文明”到“黑色工业文明”再到“绿色生态文明”的大演变过程。人类社会的快速发展与科技水平的不断进步使得人类改造自然界的能力不断增强，人类能够开发的未知世界也将越来越大。然而，这种人与自然的紧密关系会引发自然资源枯竭与环境污染，这需要进行生态化的技术创新、转变发展方式，发展新型工业化、新型城镇化、农业现代化与信息化，遵循低碳化、低污染、减物质化的发展模式，从而实现经济社会可持续发展。(见图1)“新四化”的协同性发展实际就是基于生态环境约束下经济发展方式的转变，是以生态环境承载力为核心基础，其本质内涵就是要保持最低生态资本存量，以此来保障“新四化”顺利实现[22]。两型社会(资源节约型、环境友好型)是在十六届五中全会正式提出，这是基于我国实际国情的一项重大决策。两型社会实现的关键在于生态环境资源保有量水平处于一个安全边界之内，因此保持生态系统平衡，维持最低生态资本存量安全标准就显得尤为重要。生态资本作为经济社会发展的核心投入要素，需要通过一定的投资来维持其存量。因此，加强区域生态资本投资不仅是生态系统本身的需要，更是“四化两型”实现的保障。

3 四化两型战略下区域生态资本投资机制问题

生态资本是我国区域经济可持续发展的基础，而生态资本投资机制则是保持生态资本存量的一种主要手段。我国生态资本管理机制是计划经济时代的主要产物，尽管经历了市场经济的洗礼，但仍残留着许多过往不合理的烙印，这些问题主要体现在:

3.1 生态资本管理机制“双主体”虚位与“产权”缺位

生态资本管理机制面临生态资本产权主体虚位与责任主体虚位的“双主体”虚位。当前，我国生态资源采用的是公产权形式，主要通过经营权、行政权替代生态资源所有权的方式行使相关管理权，同时其所有权还被相关部门与地区多层分割，作为生态资源所有权的主体地位并未得到有效突出，由此造成各种产权关系缺乏明确界定，生态资本运营各利益相关方的利益协调不顺，就容易造成利益纠纷，从而使得生态资源保护得不到有效保障。与此同时，生态资源投入资金也会被相关人员挪用，从而使得生态资源不能得到有效替换，导致生态服务与生态产品的价格被严重扭曲。国家在对生态资源进行开发利用过程当中，就非常容易陷入一个两难境地，一方面在经济比较发达地区就会经常遇到生态资源极度稀缺的发展限制，与此同时，这些地区居民的生态服务满足意愿往往就难以得到满足;而另一方面“生态资源诅咒”往往就在生态资源非常丰富的地区出现，这些地区民众要想加快当地经济发展的愿望却较难。而出现这种现象，归根到底就是生态资本管理机制“双主体”虚位与“产权”缺位，要想破除这一困境，则需要积极探索制度创新，寻找一种合理有效的生态资源价值补偿和价值实现机制[23]。

3.2 区域生态资本投资建设缺乏绩效评价机制

政府部门的适当干预与市场机制存在较大差异性，前者不是以盈利为目标，而后者则主要是以盈利为目的。政府的适当干预就能很好的弥补市场失灵所造成的不利影响。但政府的干预何为适当这在实际操作过程中却难以界定。因此仅仅依靠政府财政支付的生态资本投资是难以维持长久生产与经营，同时也是难以计较其成本，这种缺乏成本降低的利益驱动动力，使得生态资本投资更加难以为继。由于这种缺乏竞争性的垄断非常容易使得政府提高生态资本投资的效率以及效益积极性锐减，从而使得其存在与其它政府公共部门一样的低效率现象。这种现象的存在主要是由于缺乏一个完整、科学、合理的区域生态资本投资绩效评价机制，从而导致对于政策效果无法科学、客观的进行测评[23]。

3.3 政府官员在生态资本投资中容易出现“权力寻租和权力滥用”现象

政府作为公共利益主要调节者与供给者，在一个非常成熟的市场经济中不存在与民争利的现象，其主要功能就是作为一个监控者来调控市场。然而，由于我国生态资本投资建设主要还是由政府主导，这为某些政府官员开展权力寻租提供了可操作空间。究其原委主要是由于:第一，生态资本投资项目、投资重点领域、具体投资内容主要还是由政府决定，由于没有社会监督与规划机构的介入，容易导致投资决策不科学、投资策略盲目;第二就是在生态资本投资过程缺乏有效、科学监督，这样非常容易造成权力滥用;第三就是监督缺位就很容易致使部分官员被相关利益集团所“俘获”，从而出现寻租现象;第四由于生态资本投资涉及不同领域，在管理上会归属于不同部门，这样就比较容易致使各部门为了个人利益做出损害整体利益的行为，以一己私利而损害国家生态保护整体战略。因此，区域生态资本投资领域中的这种权利寻租与权利滥用现象正是今后所要面临的一个主要问题[23]。

4 适应四化两型战略下的区域生态资本投资机制创新路径

4.1 设立区域生态资本投资者协同合作机制

生态资本投资本身具有特殊性，这就需要在投资时要避免相互之间资源争夺竞争，而应该要为了共同的目标而相互合作，从而就能为各个生态资本投资项目之间产生协同效应。在生态投资项目之间相互竞争、相互协同合作就能够不断提升各方生产效率，通过生态资本投资之间的相互合作来促进生态资本投资领域整体利益的提高，改善生态环境，最终实现生态效益、经济效益与社会效益的高度统一。[24]生态资本投资之间的协同演化机制可以通过下列模型来表达。

这其中，表示生态投资项目i的整体性水平;而ri则就是表示项目i产量的自然增长率水平。Ki>0则是在当生态化资源一定的情况之下其生态投资项目i的最大化产出量;则为竞争系数，其就是表示生态投资项目j的单位产出将会对投资项目i的产出量水平的抑制作用;则是为合作关系系数，其所表达出来的就是生态投资项目j的单位产出将会对投资项目i的产出量水平的合作互惠作用，其中i,j=1,2。

在当α12≠0，α21≠0，β12≠0，β21≠0时，其生态资本投资项目i与生态资本投资项目j就是演变成为竞争合作协同关系。在令F1(N1,N2)=0;F2(N1,N2)=0得到一个定态解:E1(0,0),E2(0,K2),E3(K1,0),E4

若α12>0，α21-β21<0，即为α12>β12，α21<β21时，当α21-β21<K1/K2时，E4就是系统的稳定解。此时，N1*<K1,N2*>K2。当α12-β12>K1/K2时，则E2(0,K2)就是为系统的稳定解。

生态资本的特殊性决定区域生态资本投资同其余投资存在较大差异性，建立区域投资协调机制有利于使得区域生态资本投资效率达到最大化。投资主体之间相互合作，能避免相互之间的恶性竞争，争取最大的经济效益、生态效益以及社会效益。

4.2 区域生态资本投资与生态保护补偿耦合机制

生态资本投资是需要通过生态资本运营系统来保障，而生态资本运营系统就是需要对相关生态资源的生产、服务以及管理等各个环节，开展非常有序合理的组建，从而形成一个有机空间体系，进一步来强化相关系统内各个产业之间以及生态产业内部之间相互耦合的作用，从而进一步地来提升整个系统内部各个产业层面的生产力水平，并通过整体系统内之间相互关系来起到作用，促进对生态系统的耦合，其目的则是要提升整个生态资源的利用效率，使得综合生产力得到进一步提升[25]。

生态资本投资则是要注意到整个生态资源有效利用，提升劳动力需求量，这样就有利于生态补偿对象经济的整体发展，从而就能够形成一个非常巨大的生态产品消费市场的同时，也能够带动整个区域生态经济的快速发展，增强可持续发展能力，从而来强化生态资源的整体转化能力。

随着现代科学技术的快速发展，生态经济快速发展的集约化程度也逐渐增强，生态资源利用效率也逐渐得到提升，这样就扩大了对于生态资源开发与利用的深度以及广度，而对于生态资源开发以及利用，也必然就会在某一种程度上来损害到一些利益相关方，因此就需要将生态资本投资与生态补偿有机结合，形成一种有效的机制。第一，建立内生反馈机制。生态资本投资与生态补偿两者存在相互依存、相互影响关系，它们之间相互耦合效果的好坏，主要可以利用PSR模型来测定，以此保障正、负反馈得到有效控制;第二就是构建资源配置机制。不同的生态—经济系统的资源配置形式就决定其形式的不同，而对于整体化的资源配置机制则由整个生产性的函数来决定。

4.3 构建区域生态资本投资管理体系

我国生态资本投资主要还是国家投资为主体，单一投资结构影响有效使用资金效率，因此构建一个科学合理的区域生态资本投资管理制度，对于提高生态资本存量，改善生态投资资金的利用效率具有非常大的意义。针对我国现行区域生态资本投资的现状，拟构建一个“决策机制、投入保障机制、风险管理机制、组织管理机制、监督评价机制、成本效益机制”六位一体的管理体系(见图2)。第一，构建一个科学合理的决策机制是提高区域生态资本投资效率，保障“生态红线”的重要前提。科学合理的决策机制有利于规避权利寻租，为民众谋取更多的生态红利;第二是要构建一个持续区域生态资本投入保障机制。生态资本在经济社会发展中会逐渐消耗，这就需要新的生态资本来补充，以此来维持生态系统稳步发展的最低生态资本存量，持续生态资本投入就显得尤为重要;第三是需要建立区域生态资本投资风险管理机制。任何投资都是具有风险，生态资本投资也不例外。这就需要建立一套全面风险管理体系，降低生态资本投资风险，从而提高生态资本投资收益;第四就是需要建立区域生态资本投资监督评价机制，从而实现对生态资本投资的有效监督与管理，这样就能有效保证生态投资项目的顺利实施以及投资成效;第五就是要建立一个科学有效的组织管理机制，这样不仅可以有效地转变整个政府的职能，同时也可以加强生态资本投资建设以及管理，从而更加有利于宏观管理与决策的实现;第六就是要建立成本收益机制。生态资本投资建设不能认为其是一项民生工程而不考虑成本，与此相反，我们要更加要注重成本收益的核算，只有生态资本投资真正产生收益，使得投资者获得可观利益，那么其投资才能真正实现可持续性[25]。构建“六位一体”的生态资本投资管理体系，是区域生态资本投资机制的一个重要的组成部分，也是维持生态资本存量非减性的一个重要保障。

4.4 优化区域生态资本投资市场机制

生态资本投资主体单一性主要是由于区域生态投资市场的不完善性所造成的，因此，构建一个有效的区域生态资本投资市场机制对优化生态资本投资来源，提高生态资本投资利用效率就显得非常重要。首先要建立一套区域生态资本投资引入机制。我国在民间资本市场上具有较为充裕的多余资金，同时存在投资渠道较窄，这就需要通过适当的引导机制来引诱部分资金进入生态资本市场，进而来增强资本市场的活力;其次要完善区域生态资本投资市场法律制度。生态资本作为一种特殊资本形态，具有一般资本不具备的特性，因而不能用常规化的法律制度来约束，必须要具有针对性法律规范来保障。因此，修改现有的法律制度，增加针对生态资本投资特殊属性法律规范内容，进而为区域生态资本投资保驾护航;最后要构建一个有效利益分享机制。如何有效满足生态资本投资利益相关者的利益诉求，这是优化区域生态资本投资市场机制的关键。生态资本投资是一个长期投资过程，同时具有投资回收期较长，投资回报慢等特性，需要规范投资收益分配机制。区域生态资本投资需要通过投资引入机制、完善的法律制度以及有效的利益分享机制来优化市场，进而提升区域生态资本投资市场效率，为生态资源环境市场注入活力。

5 结束语

两区域模型 篇3

目前, 广州的航管主用系统是法国THALES公司的“EUROCAT-X”系统, 备用系统是美国Telephonics公司的Aerotrac系统。根据民航空管安全保障系统运行的“一主二备三应急”原则, 主用系统目前运行稳定, 无重大问题, 且人机交换界面友好, 管制员对相关操作也已熟悉。但备用系统与主用系统人机交换界面差异大, 系统处理机制也有很大差异, 且长期处于不用状态, 管制员对该系统的相关操作也不尽熟悉, 这在管制工作上存在较大的安全隐患。一旦主用系统无法正常使用, 管制员将面临巨大压力。由南京二八所莱斯公司研制的航管自动化系统, 具有与“EUROCAT-X”系统相似的界面, 系统处理机制优于Aerotrac系统等特点, 将于不久之后投入使用, 并取代原有备用系统。

本文将从目前使用的Aerotrac系统和即将引进的莱斯系统在系统结构、系统功能和软件结构等方面浅析两套航管自动化系统。

1 系统结构

Aerotrac系统和莱斯系统都是采用分布式结构, 各部分通过工作网进行相互间的数据交换和功能整合, 工作网提供各处理模块放置和采集数据的工作平台。两套系统均采用三网结构, 冗余的工作A/B网, 所不同的是Aerotrac系统的另外配置的C网为额外备份, 而莱斯系统的C网为直接接收雷达网数据和网络数据记录/重演的传输。另外, Aerotrac系统的网络回放数据是在B网进行的。

两套系统在构筑自身稳固的运行体系的同时, 均保证了与外围工作环境的良好交流。

2 系统功能

2.1 雷达数据处理

当前在我国, 航空管制以雷达管制为主, 雷达数据的自动化处理对于管制工作的重要性毋庸置疑。

2.1.1 雷达信号的引接

目前Aerotrac系统引接16路雷达信号, 雷达信号引接有通过地面光纤和卫星路由两种方式。

莱斯系统则从每部雷达的雷达数据输出端口中引出2路信号, 通过智能线路分配器分路后从雷达数据前端处理服务器 (RFP) 的通控板接入系统。

2.1.2 雷达信号处理

Aerotrac系统的雷达数据处理由单雷达航迹处理模块、多雷达航迹处理模块和中心航迹数据资源模块组成。其中, 多雷达航迹处理模块中的多雷达融合方式为MRT, 即Multi Radar Tracking, 无论精度大小, 所有雷达都可用, 只是精度大的权较重。

莱斯系统雷达数据处理功能则为单雷达数据处理和多雷达数据融合的处理在一台主机服务器 (RDP) 中完成的, 进入RDP系统的雷达信息是经过雷达前置处理机 (RFP) 进行格式转换后的同一格式;多雷达数据融合处理采用卡尔曼滤波算法的数据融合和跟踪方式, 在系统内形成唯一的系统航迹, 而且状态也是该系统当前状态的最佳估计。

2.1.3 告警处理

Aerotrac系统的告警功能由雷达数据处理机 (RDP) 实现的。目前所能提供的航机安全告警有:低高度告警 (MSAW) 、冲突告警 (CW/CA) 、限制区域告警 (RAIW/DAIW) 和缩小垂直距离间隔的设备判断 (RVSM) 。

莱斯系统所能提供的告警则有:特殊二次代码告警、短期冲突告警、最低安全高度告警、进近航道监视告警、侵入NTZ告警、五边目标丢失告警、禁止侵入告警、管制指令高度一致性告警、偏航告警、重复二次代码告警、SPI提示、自动相关时的航迹/计划重复提示、使用PSSR相关提示、航班号重复提示、二次代码/航班号不一致提示。相比较而言, 莱斯系统的告警种类更齐全, 与主用系统更加接近, 适合管制长时间使用, 而不像Aerotrac系统, 只适合在短时间内应急。

2.2 飞行数据处理

航管自动化系统是围绕着航班的飞行计划发挥其航管自动化的辅助功能, 所以飞行数据处理是系统最核心的处理部分。

系统中航班的飞行数据主要来自各类飞行计划电报, 如AFTN、AIDC、OLDI、GRIB等数据;RDP提供的系统航迹和机组报告给管制员输入的飞行信息。

2.2.1 飞行数据引接

Aerotrac系统的各类飞行电报数据是通过主用系统的飞行数据库送入其飞行数据处理机 (FDP) 的。

莱斯系统的AFTN报文是通过异步端口转换器N-PORT收发并送入FDP;而AIDC是通过路由器 (MPS1000) 收发并进入数据通信处理机 (DCP) 。DCP和FDP均为双机冗余工作, 但只有主机向外发报。

相比之下, 莱斯系统有其独立的报文收发和传输系统, 与主用系统相互独立, 互不影响。而Aerotrac系统受主用系统的影响较大, 在主用系统报文模块失效的情况下, 可能出现Aerotrac系统的报文也出现大量丢失, 从某种程度上而言, Aerotrac系统已失去其作为备用系统的意义。

2.2.2 飞行数据处理

Aerotrac系统和莱斯系统的飞行数据处理机 (FDP) 均可处理来自AFTN、AIDC、GRIB的数据, 对飞行计划报的语法和语义进行检查, 生成并不断更新飞行计划, 进行飞行计划剖面的相关计算和二次应答机编码的管理, 提供飞行数据的输出。但Aerotrac系统与主用系统的进程单打印机不兼容, 不提供进程单的输出和打印, 而莱斯系统则没有这方面的问题, 这也是作为备用系统的Aerotrac系统无法长时间使用的一个原因之一, 导致该系统目前已不符合备用系统的运行要求, 而只能作为应急系统。

莱斯系统对飞行数据处理机的数据库体系结构进行了改造, 数据库集群采用“两台服务器 (FDP) +磁盘阵列”的模式, 提高了系统数据库运行的安全性和稳定性。磁盘阵列 (RAID) 是一种实现数据库安全高效连续运行的关键技术。莱斯系统采用RAID盘同时挂载在两台FDP服务器上, 两台服务器安装完全相同的数据库软件, 数据文件部署在RAID盘上。同一时刻只有一个数据库提供服务, 另一个处于备份状态。

2.3 网上数据/语音记录重演

Aerotrac系统由兼容的记录仪 (宏天数据记录仪) 记录系统数据, 其本身无相关的数据记录模块。空域回放也是通过该记录仪已记录的系统数据, 对全空域情况进行回放。而无法像主用系统和莱斯系统那样, 对指定的某一空域情况进行回放。

莱斯系统则是将席位记录的数据, 包括雷达航迹数据、飞行数据和管制员的部分操作, 形成数据包后全部归档至记录重演设备 (DRF) 。

2.4 时钟同步系统

Aerotrac系统和莱斯系统的GPS时钟接收GPS卫星的时钟信号, 通过网络接口接入系统。Aerotrac系统由时钟分发器直接将时钟信息发布到其工作网上, 无主时钟服务器。莱斯系统则由FDP做为主时钟服务器, 由主时钟服务器向网上广播时统信息。席位启动时对时一次, 平时守时, 对时由系统的NTP服务自动实现。

2.5系统的监控功能

Aerotrac系统是由CMS (控制和监视系统) 来为空中交通管制中心提供技术监控的。CMS是基于SNMP (Simple Network Management Protocol) 管理代理体系结构, CMS工作站用SNMP代理软件HP Open View (NNM) 建立和配置, NNM包括一个用于观察Aero Trac系统网络设备状态和用SNMP代理软件管理通信的图形用户接口。

莱斯系统也能实现与Aerotrac系统相应的系统工作状态、雷达数据质量、对外接口、网络状态、系统资源和应用软件运行情况的监控功能。它的监控应用软件是安装在各处理机和席位上的。在系统维护方面, 提供历史信息的记录和查询功能;提供系统内网络设备的远程重启动、关机以及进程控制等手段。

3 结束语

航管自动化系统是空中交通管制工作主要依赖的工具和手段, 为有效降低空中交通管制员的工作负荷和压力, 提高管制效率, 航管自动化系统应该朝着提高稳定性、可靠性、可用性和可维护性, 以及提高自动化程度的方向发展。全球大型航管自动化系统的市场被少数几个外国公司垄断, 同时由于进口自动化系统的核心技术掌握在外国公司手里, 使得我们在其整个生命周期内都依赖于外国公司。

虽然, 莱斯在北京、上海、广州三大区域管制中心的航管备用自动化系统中击败了Aerotrac系统, 但离作为主用系统的标准仍有很大距离。目前, 我国多家国内航管自动化生产商已经逐步成长起来, 因此我们应该积极推动航管自动化系统的国产化。

摘要：本文从系统结构、系统功能和软件结构等方面浅析了美国Telephonics公司的Aerotrac航管自动化系统和南京二八所研制的莱斯航管自动化系统的相似处和差异性;在技术层面上分析了莱斯系统击败Aerotrac系统的原因, 并稍微提出了莱斯系统比现主用系统更进一步的创新点。

关键词：航管自动化系统,系统功能,雷达数据,报文

参考文献

[1][美]Roger S.Pressman.软件工程:实践者的研究方法[M].郑人杰, 马素霞, 等, 译.北京:机械工业出版社, 2011, 4.

[2]袁贵宏.浅析RAID在国产雷达自动化系统中的应用[J].空中交通管理, 2009, 6.

[3]杨晓嘉, 伊群.软件工程技术在三大区域管制中心ATC自动化系统运行技术支持中的应用[J].空中交通管理, 2004, 5.

[4]吕小平.中国民航空管系统发展战略[J].空中交通管理, 2002, 5 (1) :45.

[5]周鹏, 李永宁, 贾庆锋.空管系统中实时数据管理的设计与实现[J].中国民航飞行学院学报, 2005, 1 (1) :20-23.

[6]郭平, 杨国洲, 谭燕, 武夏夏.基于GIS的航管智能决策支持原型系统[J].计算机科学, 2005, 32 (8) :173-176.

两区域模型 篇4

动态因果模型[1 - 4]DCM是通过不同的成像技术推断在神经元水平下脑活动的通用框架, 是一种进行功能整合的有效方法。在过去的几年中, DCM作为一种估计有效连接[5]的方法应用到功能磁共振成像数据的处理上, 在影像学中获得了很快的普及[6]。传统的DCM建模基于先验指导, 然而最优的DCM模型很可能存在于先验指导之外的模型空间中。

1975 年Holland教授首次提出了遗传算法[7]的思想, 并吸引了大批的研究者。遗传算法提供了一种求解复杂系统优化问题的通用框架, 它不依赖于问题的具体领域, 对问题求解的范围有很强的适应性[8]。遗传算法的主要应用领域包括函数优化、组合优化、生产调度、自动控制、机器人学、图像处理、人工生命、机器学习、数据挖掘等[8]。启动遗传算法的要素包括问题的解决方案集合 ( 种群) 以及适应性函数。适应性函数用来评估解决方案的优异程度, 然后通过选择方法决定个体是被丢弃或者遗传给下一代, 通过交叉和变异用来产生新个体: 变异是对群体中的个体串的某些基因座上的基因值作变动, 交叉是把两个父代个体的部分结构加以替换重组而生成新个体的操作。

近年来M. Pyka[9]等人首次将遗传算法应用于DCM寻优问题, 把整个DCM空间作为解空间, 摒弃了先验模型的指导, 并验证了该方法在DCM模型搜索中是适用的。M. Pyka的遗传算法设计没有局限于局部最优, 但是较大的变异幅度导致该算法在后期搜索聚集到全局最优[10]后, 对全局最优空间的搜索并不高效。本文针对该缺陷提出了两阶段遗传算法来进行DCM优化求解。

1 基础理论

1. 1 DCM简介

DCM是一种基于非线性神经系统的模型。DCM采用双线性微分方程组来近似描述, 利用贝叶斯模型估计[11]来估计模型各生理参数。

在DCM中假设激活区的数量为N, 这N个激活区神经元活动随时间的变化率可以描述为一个多变量的微分方程, 如下:

式中t为时间变量, 单位为s; zt为状态变量; m为刺激输入的数量, ut为刺激输入的时间函数。因变量dzt/ dt与zt和ut的乘积呈线性关系, 所以上式所描述的是一个双线性模型。表达式中A、Bj和C为常数矩阵, 它们分别为内连接矩阵、双线性连接矩阵和驱动输入矩阵。其中矩阵A表示各激活区的内在连接, 即没有刺激输入的情况下各激活区间的有效连接。矩阵Bj表示第j个刺激输入对激活区之间的有效连接的作用。矩阵C表示刺激输入对激活区的作用。

本文将遗传算法应用到动态因果模型的模型寻优中, 将动态因果模型中的内连接、驱动输入、双线性连接的连接矩阵作为遗传信息并编码转化为遗传因子, 并用软件SPM8 中自带的贝叶斯模型选择作为筛选功能。

1. 2 贝叶斯模型选择原理

贝叶斯模型选择是针对模型决策统计的一个基本方法。其原理为在给定的样本和相关参数下, 求得后验概率最大的模型。假设给定的样本为D, 则模型M的先验概率与似然函数的乘积是与模型M的后验概率成比例的。假设模型先验分布为P ( M) , 则贝叶斯模型选择等同于下面的优化问题:

其中P ( M) 可以根据专家的知识和样本的信息来适当选取。当先验信息不存在的情况下, 可以采用贝叶斯假设将P ( M) 看作均匀分布。这时贝叶斯模型选择进一步简化为下面的优化问题:

2 经典遗传算法优化求解DCM

遗传算法DCM求解步骤包括:

( 1) 随机产生初始个体: 随机产生连接矩阵A、B和C, 并将A、B和C连接矩阵信息编码为二进制染色体;

( 2) 产生4 个个体启动循环: 用改变 ( 1) 产生染色体的八个随机的二进制位来产生其他3 个不同的个体。将4 个个体作为启动遗传算法启动基因, 循环标志初始化: i = 1, 开始循环;

( 3) 产生种群: 由4 个个体交叉和突变来产生其他16 个个体, 这20 个个体组成一个种群。具体步骤为: 从4 个个体中随机选取两个, 并随机产生这两个个体染色体的交叉点, 在该交叉点处将这两个个体的染色体进行置换。对新生成的个体以0. 5 的概率[9]来选择是否发生突变 ( 改变染色体中随机选择的n位, 其中n为2 到8 之间的一个随机整数) 。由于矩阵B是刺激作用于内连接的连接矩阵, 即矩阵B的配置依据于矩阵A, 所以我们根据矩阵A中的内连接去掉矩阵B中的无效刺激, 此外, 还要检查生成的个体是否与本代或者其他代重复, 如果重复那么放弃该个体, 并用上面算法重新生成个体。按以上方法执行16 次, 产生的16 个新个体与4 个父代个体组成一个种群;

( 4) 择优: 将20 个个体中的信息转化为DCM。用SPM8 软件对DCM进行模型估计, 然后用贝叶斯模型选择将这20 个DCM按优异程度进行排序。i = i + 1, 当i < 50 时, 选择排名前四位的4 个个体, 继续执行步骤 ( 3) , 否则执行步骤 ( 5) ;

( 5) 找出排名最高的个体, 终止程序。

经典遗传算法为了避免寻优限于局部最优, 所以设置的变异幅度比较大, 这样可能造成遗传算法聚集到全局最优后, 搜索效率不高。所以本文提出两阶段遗传算法进行DCM优化求解。

3 设计两阶段遗传算法优化求解DCM

两阶段遗传算法DCM优化求解将优化过程分为前、后两个阶段。前阶段为经典遗传算法DCM寻优阶段, 该阶段使用的是经典遗传算法, 根据以往实验的经验设置最大进化代数为30, 使遗传算法聚集到全局最优。后阶段为自适应遗传算法DCM寻优阶段, 该阶段采用自适应遗传算法, 设置最大进化代数为20。

自适应遗传算法是将经典遗传算法步骤 ( 3) 中的遗传概率和变异幅度分别与本次迭代中的模型的负自由能和模型编码后的海明距离相联系, 负自由能是指SPM贝叶斯模型选择软件针对模型进行拉普拉斯逼近求解的过程中所给出的判别模型相对优异程度的依据, 而贝叶斯模型选择是指利用贝叶斯理论在给定的数据样本和相关参数信息的条件下, 寻求具有最大后验概率的模型, 海明距离是指两个二进制向量之间的不同位的个数。其具体做法如下:

( 1) 选择用于交叉的两个个体的做法为: 四个个体中优异程度排序为x、y的两个个体以Pxy的概率被选中, Pxy的计算公式为:

式中, Mk表示把遗传算法上一代运行产生的20 个个体按优异程度进行排序后, 第k个个体染色体对应的DCM模型, F ( Mk) 为模型Mk的负自由能。

( 2) 排序为x、y的个体交叉产生的新个体以0. 5 的概率进行变异。变异的具体做法为: 首先等概率随机生成一个1 到H之间的正整数N, 然后在新生成个体的染色体中随机选择N个二进制位进行变异, 其中H的计算方法如下:

式中Ham ( x, y) 表示个体x、y的染色体之间的海明距离。式 ( 1) 表明让优秀的个体组合以高概率参与变异; 式 ( 2) 表明变异幅度会随着结果的收敛而逐渐变小, 这样有利于在最大可能的模型空间发挥出更高效率的搜索。

4 实验结果及分析

4. 1 实验数据

本实验采用互联网上提供的一组真实数据集[12] ( http: / /www. fil. ion. ucl. ac. uk / spm / data / attention / , 由Büchel and Friston提供) 作为实验数据, 这组数据来自于研究心理、注意对视觉通路影响的试验。该实验由Photic、Motion和Attention三个刺激输入构成, 这三个输入分别代表所有不同性质的光点、运动光点、加入注意成分的运动光点。实验提取了四个激活区, 分别为: 初级视皮层 ( V1) 、视觉运动区 ( V5) 、额下回 ( IFG) 与上顶叶皮层 ( SPC) 。

这组数据建立的DCM模型包含4 个激活区和3 个外部刺激。内连接矩阵A由16 ( 4 × 4) 个二进制位组成, 其中矩阵A的主对角线上的元素代表自我抑制连接是默认存在的, 则在这16位中不确定的二进制位为12 位, 因此矩阵A转码为染色体的有效位为12 个。双线性连接矩阵B的配置受内连接矩阵A的影响, 所以矩阵B转码染色体中的有效位数和矩阵A的配置有关。而刺激输入矩阵C是一个4 × 3 的矩阵, 矩阵C转码为染色体的有效位为12 个。

4. 2 实验分析

1) 实验方法

本文从下面几个方面来比较经典遗传算法DCM寻优与两阶段遗传算法DCM寻优的优劣:

( 1) 比较两种算法得到的全局最优解及其求解稳定性。

( 2) 比较每次两种算法平均所能找到优于Friston等人提出的经典DCM的模型数量, 并用SPM贝叶斯模型选择来对比两种算法找到的最优模型。

为了从上面两个方面进行算法对比, 本文将实验数据分别按照方案 ( 1) 、方案 ( 2) 进行处理。

方案 ( 1) 首先将实验数据用经典遗传算法寻优迭代30次, 然后将结果作为启动个体分别输入经典遗传算法与自适应遗传算法, 两种遗传算法各进行20 次迭代。

方案 ( 2) 将实验数据分别用经典遗传算法与两阶段遗传算法各运行10 次每轮都循环迭代50 代, 每轮两种算法都以同一个随机生成的DCM模型来启动。

2) 两阶段遗传算法和经典遗传算法计算比较

(1) 优化过程对比

对方案 ( 1) 处理的数据进行分析显示: 当算法收敛到全局最优后, 两阶段遗传算法 ( 改进遗传算法) 相对于经典遗传算法在寻优过程中具有明显的优势。两种算法的寻优过程对比情况如图1 所示。图1 中横坐标表示迭代次数, 纵坐标为本次迭代寻找到的最优模型与迭代30 次寻找到的最优模型的负自由能差值 ( 相对优异程度) 。

从图1 中可以看出: 当算法收敛的情况下, 两阶段遗传算法比经典遗传算法具有更高效的寻优能力, 而且改进遗传算法的寻优曲线爬升比较稳定, 然而经典遗传算法的寻优过程稳健性比较差, 这表明经典遗传算法全局搜索效率的不足。两阶段遗传算法比经典遗传算法最终找到的最优模型更优秀。

( 2) 优化结果对比

对方案 ( 2) 处理的数据进行分析, 经典遗传算法平均每轮运行找到43 个优于Friston等人提出的经典DCM的模型, 而两阶段遗传算法平均每轮运行找到72 个, 平均比普通遗传算法多找到67% 。

用SPM软件对两阶段遗传算法和经典遗传算法找到的最优DCM模型进行贝叶斯模型选择, 结果如图2 所示。

图2 中横坐标是20 个DCM, 其中模型1—10 为两阶段遗传算法寻找到的最优模型, 模型11—20 为经典遗传算法找到的最优模型, 纵坐标为模型被选为优秀模型的概率。从图中可以看出, 成对贝叶斯模型选择显示超过85% 的概率会选择两阶段遗传算法的结果。并且在贝叶斯模型选择中可以明显看出两阶段遗传算法找到的模型比经典遗传算法找到的模型更具有优异性。

进一步地将两阶段遗传算法找到10 个最优模型中性能最好的模型记作模型A, 将经典遗传算法找到10 个最优模型中性能最好的模型记作模型B, 对模型A和模型B分别建立模式图, 如图3 和图4 所示。

由图3 和图4 的对比可以看出, 经典遗传算法和两阶段遗传算法找到的最优DCM模型具有高度一致性, 这验证了M.Pyka[9]的遗传算法进行DCM寻优找到的最优DCM具有高层次一致性的结论。模型A与模型B都认为激活区V1 到V5、V5 到PFC、PFC到IFG和PFC到V5 存在正向连接。并且都一致认为刺激输入attention对激活区IFG与V5 有激励作用; 刺激输入motion对激活区V1 有激励作用, 且增强了激活区IFG到V1 和PFC到IFG的连接作用, 同时抑制了激活区V1 到V5 的连接作用; 刺激输入photic对激活区V1 有激励作用, 对激活区V5 有抑制作用, 且增强了激活区IFG到V1 的连接作用。模型A与模型B差别在于是否存在激活区V5 到激活区V1 的连接, 这个差别表现在在染色体上只有一个海明距离。经典遗传算法变异幅度较大, 很难从模型B搜寻到模型A。两阶段遗传算法在后期模型搜寻中随着寻优的收敛而减小变异幅度, 所以从模型B到模型A的搜寻比较容易。

对模型A和模型B进行贝叶斯模型选择得出模型A比模型B更具有优异性, 这也验证了两阶段遗传算法找到的最优模型在性能上优于经典遗传算法。

5 结语

本文提出了两阶段遗传算法, 该算法分为经典遗传算法和自适应遗传算法两个阶段: 前阶段采用变异幅度较大的经典算法进行全局搜索, 快速聚集到全局最优空间; 后阶段采用自适应遗传算法, 弥补了经典遗传算法搜索后期搜索效率不高的缺点。本文采用真实的数据论证了两阶段遗传算法相对于经典遗传算法在寻优过程中更稳定高效, 寻优的结果更具有优异性。无论是经典遗传算法还是两阶段遗传算法都寻找到了很多优于Friston等人提出的经典DCM的模型, 由此看来遗传算法在DCM寻优的应用上有很大的前景。

摘要：动态因果模型是分析脑区间有效连接最有效果的方法。针对经典遗传算法在搜索最优动态因果模型DCM (Dynamic Causal Models) 的后期, 变异幅度过大这一缺陷进行改进, 提出两阶段遗传算法。利用网上的真实数据集实验表明, 相对于经典遗传算法, 两阶段遗传算法计算结果更优越。

关键词：动态因果模型 (DCM) ,经典遗传算法,两阶段遗传算法

参考文献

[1]Friston K J, Harrison L, Penny W.Dynamic causal modeling[J].NeuroImage, 2003, 19 (4) :1273-1302.

[2]Marreiros A C, Kiebel S J, Friston K J.Dynamic causal modelling for fMRI:A two-state model[J].NeuroImage, 2008, 39:269-278.

[3]Stephan K E, Kasper L, Harrison L M, et al.Nonlinear dynamic causal models for fMRI[J].NeuroImage, 2008, 42:649-662.

[4]贾传海, 张志强, 卢光明.动态因果模型的基本原理及其在脑功能磁共振成像中的应用[J].中国医学影像技术, 2009, 25 (1) :149-152.

[5]高晴, 陈华富.基于动态因果模型的运动执行和运动想象脑网络研究[J].电子科技大学学报, 2010, 39 (3) :475-460.

[6]Büchel C, Friston KJ.Modulation of connectivity in visual pathways by attention:cortical interactions evaluated with structural equation modelling and fMRI[J].Cereb Cortex, 1997, 7 (8) :768-78.

[7]丁建立, 陈增强, 袁著祉.遗传算法与蚂蚁算法的融合[J].计算机研究与发展, 2003, 40 (9) :1351-1356.

[8]向佐勇, 刘正才.基于完全自适应策略的遗传算法[J].中南林业科技大学学报, 2007, 27 (5) :136-139.

[9]Pyka M, Heider D, Hauke S, et al.Jansen.Dynamic causal modeling with genetic algorithms[J].Journal of Neuroscience Methods, 2011, 194:402-406.

[10]刘坤.遗传算法自适应模糊神经网络控制[J].计算机仿真, 2005, 22 (9) :136-139.

[11]张艳, 陈春晓, 卢光明, 等.基于DCM的减法运算脑功能效应连通性方法研究[J].生物医学工程学杂志, 2009, 22 (5) :931-935, 940.

两阶段供应链的价格牛鞭效应模型 篇5

20世纪50年代,Forrester首先认识到牛鞭效应,1997年,Lee首次提出牛鞭效应概念,其可以被通俗地理解为生产营销过程中的需求变异放大现象,亦即供应链各阶段企业只根据来自其相邻的下级企业的需求信息进行生产或供货决策时,需求信息的不真实性沿着供应链向上游传递产生逐级放大的现象。

牛鞭效应的成因主要包括:预测需求不准、价格波动、订单批量化、订单夸大、短缺博弈、生产与补货时间长、库存责任失衡和应付环境变异等,造成供应链的各阶段该有的库存没有,不该有的库存很多,以至采用紧急补货方式来满足生产的实际需求成为常态,导致供应链的运作愈加不稳定。这种不稳定的供应链运作恶性循环,迫使供应链各阶段的库存不断增加和放大,最终形成牛鞭效应和因之而起的一系列问题[1]:(1)客户经常买不到所要的产品;(2)采用高库存方法以提高客户服务满意度,却常因产品寿命有限导致退货,或形成滞销库存、废品;(3)零售商所订的产品,配送中心常常无法按时送达;(4)某些产品在配送中心经常缺货,而另一些产品则库存太高;(5)工厂供给配送中心的产品常与市场实际需求不合;(6)工厂为提高制造效率,以大批量生产,造成制造前置时间的拉长,导致该交的货无法准时交货;(7)工厂经常没有足够的产能满足目前的需求,等等。

供应链中的这种牛鞭效应非常可怕,轻则导致企业库存和运营成本直线上涨,重则引起整个产业链的震荡甚至断裂。也正因其对整个社会生产体系存在着巨大恶性能量,故吸引了众多国内外学者的关注,通过建立模型或进行仿真,试图认识其发展规律、影响要素和预警指标,包括:AR(I)自回归模型、系统动力学模型卡尔曼滤波器模型及基于DE—APIOBPCS策略的牛鞭效应量化模型等[2,3]。

值得注意的是,这些研究均集中于库存问题的探讨,至今尚未见价格方面的牛鞭效应的报道。实际上,在特定的决策和行为模式下,即使是在简单至仅包含单一供给者和单一需求者的两阶段供应链中,短期的需求变动也会造成未来较长时间内价格的持续上升与下跌,这种现象与库存的牛鞭效应问题非常相似。本研究参考文献[4],拟从两阶段供应链角度,以供应链各阶段的决策和行为模式为探讨价格变化的主轴,构建模型,解释供应链中需求发生微小变化时产生的价格的长期、巨大变化,亦即价格的牛鞭效应。并基于该模型,提出有效的控制措施。

1 模型构建

1.1 基本假设

某两阶段供应链,仅包含单一供给者和单一需求者。只考虑价格因素时,需求者行为模式为“涨增跌减”,即:价格上涨时,采购比预期需求量高的数量的产品,以避免未来价格的进一步上涨;价格下跌时,则采购比预期需求量低的数量的产品,以避免未来价格的进一步下跌。

1.2 参数说明

Pt:产品在第t期的价格

At:只考虑价格因素时,需求者在第t期拟采购的数量

Bt:需求者在第t期的采购量,考虑价格因素及库存上限

Mt:供给者在第t期的生产量

Kt:供给者在第t期期末的库存量

It:需求者在第t期期末的库存量

Ut:需求者在第t期的使用量

St:供给者在第t期的可供给量

Qt:供给者在第t期的实际供给量

Hp:供给者的产能上限

X:需求者的库存上限

CT:供给者满负荷生产时的单位总成本

CV:供给者生产的单位变动成本

1.3 模型描述

(1)需求者的决策与行为:如上述假设,只考虑价格因素时,需求者的采购行为是“涨增跌减”,故:

其中α是调节系数,可以是一常数,也可以不断变化,取决于需求者的“涨增跌减”的程度。时,α取值满足时,α取值满足

采购的数量不能无限制的增加,因为需求者的库存是有上限的,即使需求者采用“涨增”的策略而增加采购量,最终的库存量也不得超过其上限,以避免存货跌价的风险,因此:

而需求者的库存为:

(2)供给者的决策与行为:在生产方面,如果产品价格不低于满负荷生产时的单位总成本CT时,供给者将满负荷生产:

如果产品价格低于满负荷生产时的单位总成本CT时,供给者将低负荷生产或转移部分产能:

在供给方面,当需求者的采购量不大于供给者的可供给量时,供给者按需求者的采购量供给:

其中

当采购量大于可供给量时,供给者按可供给量供给:

供给者的库存情况则是:

(3)价格变动:当需求者的采购量大于当期供应者的生产量时,必然造成供应者的库存减少,价格因此上涨;反之,需求者的采购量小于当期供应者的生产量时,必然造成供应者的库存增加,价格因此下跌:

γ表示供需失衡造成价格上涨的程度,γ越大代表少量的供需失衡造成的价格变动越大。根据公式(10)计算出来的Pt+1可能为负值,但价格不可能为负值,供给者为了维持其市场占有率,不可能完全停产,故此时以单位变动成本CV为其价格。

2 数值模拟

本研究以下列数据实例来说明,在模型规定的条件下,短期的需求变动会造成长期的价格上升与下跌。

设置起始条件为:P0=3.95;P1=4;M1=1 000;K1=4 000;I1=1 000;U2=1 050;U21=900;Ut=1 000,t!=3～20;t=22～40";Hp=1 000;X=4 000;CT=3.2;CV=2;α=1.0;β=0.8;γ=1.05。

根据上述的模型,编写Visual Basic程序进行运算,结果如表1所示:因U2=1 050,Ut=1 000 t!=3～20",故前半阶段处于“涨增”通道,产品价格Pt从第二期的4开始将持续攀升到21期的28.60。其间,供给者的库存Kt由期初的4 000单位降低至2 023单位;需求者的库存It则持续攀高,由期初的1 000单位上升至3 027单位。由于供给者的库存Kt持续降低,故价格Pt不断攀升,就需求者而言,虽然库存It不断升高,但是因为产品价格Pt不断上扬,而且尚未到达库存上限X,因此会持续增加采购量,如Bt的变化所示。当到达第21期时,由于需求的短期波动,突然降低为900单位,则开始进入“跌减”通道,根据采购公式,采购量Bt必然减少;根据价格公式,价格Pt必然会下跌;价格下跌之后,由于采购者“跌减”的心理,根据采购公式,采购量Bt会更减少,价格Pt因而会更下跌。

假设在第21期之后需求持续下跌为900单位,则结果如表2所示:价格将大幅快速下跌,在第28期将降至供给者生产的单位变动成本CV的价格。

需求短期波动下、持续下跌下的价格牛鞭效应如图1所示。虽然对于可以掌握价格变动节奏的投资者而言,可以在一次价格上扬的周期中获取暴利,但毕竟是极少数,绝大多数的供给者和需求者都是严重亏损。也就是说,这种价格的暴涨暴跌对于供给者和需求者都是非常不利的,必须有效地加以控制。

3 价格牛鞭效应的控制

为解决库存的牛鞭效应问题,过去许多研究大致采用以下几种方法解决[5,6,7,8]:(1)经济订购批量模式(Economic Order Quantity),但该方法因假设总需求已知、前置时间不变、需求率一定等,不适用于复杂的需求环境;(2)存货理论,以需求量标准差设定服务水平、补货前置时间的统计再订购点,该方法则因采用固定安全量存量来预测未来期望,也无法适用于面对随机变异的需求情境;(3)数学动态规划模型(Dynamic Model),其弱点为所构建的数学模式多属线性,很难将属于非线性与整数关系的真实环境与逻辑关系很清楚地表示出来;(4)基于现代信息技术的供应链整合,通过现代的信息技术POS、EDI、CAO、网络下单等系统,实现信息分享、通路重组及作业效率提升,但是仍然没有解决供应链的核心问题,也就是预测不准、供货商不可靠与补货时间太长等。近年来,应用限制理论(Theory of Constraints)试图解决牛鞭效应问题受到重视[9],该方法认为:在供应链的源头作整体预测的准确度比较高,通过在系统中构建分离点将不稳定的独立需求与提供满足此需求的供应系统分离,建立缓冲系统,将供应链的运作模式由Push改为Pull,通过工厂实现库存调节,可以有效抑制牛鞭效应,不足之处是不确定市场因素较多且难以掌控、缓冲长度难以控制、调整策略不明确等。

上述方法均相当复杂,且均以库存为研究对象,对于两阶段供应链的价格牛鞭效应而言,实用价值不大。本研究借鉴上述理论和统计流程控制(Statistic Process Control,SPC)[10]的思想,提出一种非常简捷的方法,可以实现对价格牛鞭效应的有效调控,具体如下:(1)建立价格管制图。供给者调研产品过往的价格,进行统计分析,计算出平均值和标准偏差σ,以分别为上、下警戒线,以分别为上、下控制线,建立基于统计的价格管制图。(2)价格管制策略。当,亦即价格处于安全区间之内时,不作调整;当,亦即价格处于警戒区间之内时,应对价格的变动保持警戒,并做好应对措施;当Pt>x+3σ或Pt<x-3σ,亦即价格处于控制区间时,实施应对措施以调控价格至安全区间。考虑到价格变动相对于调控措施的滞后性,可以提前1～2期实施应对措施。(3)价格调控措施。根据公式(10),改变供给者的生产量Mt+1可以有效地改变Pt+1的值,增加Mt+1则Pt+1降低,减少Mt+1则Pt+1上升。实际上,改变供给者的生产量Mt+1相当于将公式(4)、(5)改写成:

0<ε<1,其值由生产者根据“价格管制策略”确定,与满负荷生产时的单位总成本CT去耦合,也就是:将生产者的生产与市场价格挂钩,而与需求者的不准确的预测脱钩,这与限制理论所倡导的Pull模式相契合。另外,改变Mt+1也就意味着调节供给者的库存,这与限制理论在工厂实施整个供应链的库存调节的思路在本质上是一致的。改变Mt+1的原则是尽量少且小,避免可能带来的生产安排方面的麻烦。

以下列数据实例来说明上述的价格牛鞭效应的控制策略的有效性:x=7,σ=1,Hp=1 100,其他同“3数值模拟”中的参数设置。

4 结论

本研究通过构建模型,对价格牛鞭效应现象作出解释,并基于该模型提出了行之有效的控制措施,具有实际的指导意义。但是,本文中模型的建立及控制措施的提出,均是在基于许多假设的情况下,毫无疑问,实际情况远比本文之中的模型复杂得多。供应链可能是多级的、每级有多个成员的,需求者的需求规律可能是不明显的,采购意愿可能是随时变化的,经济环境发生变化,政府干预等,这些不确定的因素对模型的影响,需要做进一步的深化研究。

摘要：在一个简单如两阶段的供应链中,如果需求者采用“涨增跌减”的行为模式,而供给者不采取适当的应对措施,则短期的需求变动可能造成未来较长时期的价格的持续上升和下跌,即价格的牛鞭效应。通过构建一模型,对这一现象作出合理解释,并基于该模型提出有效的价格牛鞭效应的控制措施。

关键词：供应链,牛鞭效应,价格,模型

参考文献

[1]C.H.Tsai,Y.H.Lin,Y.H.Lee.A TOC-based analysis approach for supply chain management[J].Journal of Commercial Modernization,1998,1(1):35-50.

[2]G.Miragliotta.Layers and mechanisms:A new taxonomy for the Bullwhip Effect[J].International Journal of Production Eco-nomics,2006,104(2):365-381.

[3]刘红.供应链牛鞭效应建模与仿真[M].上海:上海交通大学出版社,2008.

[4]M.C.Wu.Supply chain management in electronics and information industry-investigation of bullwhip effect[Z].Report of Na-tional Science Council of Taiwan(NSC89-2213-E-009-032),2001.

[5]D.F.Pyke,M.A.Cohen.Performance characteristics of stochastic integrated production-distribution systems[J].European Jour-nal of Operation Research,1993,68(1):23-48.

[6]C.J.Vidal,M.Goetschalckx.Strategic production-distribution models:A critical review with emphasis on global supply chain models[J].European Journal of Operation Research,1997,98(1):1-18.

[7]S.S.Erengic,N.C.Simpson,A.J.Vakharia.Integrated production-distribution planning in supply chain:An invited review[J].European Journal of Operation Research,1999,115:219-236.

[8]E.B.Karla,G.P.Stephen,F.P.David.Exploiting timely demand information to reduce inventories[J].European Journal of Op-eration Research,1996,92:239-253.

[9]K.J.Watson,J.H.Blackstone,S.C.Gardiner.The evolution of a management philosophy:The theory of constraints[J].Journal of Operations Management,2007,25(2):387-402.

两区域模型 篇6

影响配送中心选址的因素可分为两类:成本因素和非成本因素。现有的多目标综合评价选址方法中,把成本因素和非成本因素合在一起进行考虑,或者把成本因素定性化,掩盖了成本因素的真实反映。因此,对配送中心选址方案的成本因素和非成本因素分别进行评价很有必要,同时也有很强的现实意义。

本文提出的两阶段选址法的目标是在给定的区域内,各需求点的位置和物流量均已知的前提下,确定合理的配送中心位置。

1 确定待选方案

影响配送中心选址的成本因素包括运输成本、营运成本、建筑成本、土地成本和固定成本。由于运输成本在总成本中占有较大的比重,同时固定成本在不同的选址方案中差别不大,并且营运成本、建筑成本和土地成本在非成本因素评价指标中用投资环境指标进行评价,因此,成本因素中仅考虑运输成本。

1.1 运输路线及运输距离的确定

运输路线的确定依赖于运输载货量和物流需求量之间的关系。如果运输载货量大于每个需求点总的物流需求量,意味着一次运输供给就可满足所有需求点的物流量,可以采用J·P·Norback和R·F·Love提出的解决旅行售货员问题的几何法来确定运输路线,进而确定运输距离。如果运输载货量小于每个需求点总的物流需求量,意味着一次运输供给无法满足所有需求点的物流量,必须分批次、分阶段满足各个需求点的物流量,则采用最小生成树法确定运输路线,进而确定运输距离。

1.2 运输成本的确定

运输成本的确定受到运输距离和运输手段的共同影响[1],可以用下面的公式表示:

总运输成本:

其中:αi为配送中心P0到需求点Pi每单位货运量、单位距离运输费用(调整参数);ωi为需求点Pi需求量;di为配送中心P0到需求点Pi的直线距离;x0,y0为配送中心P0的坐标;xi,yi为第i个需求点Pi的坐标。

2 确定最终方案

首先运用组合评价方法对待选方案的非成本因素进行评价,得出评价值最高的选址方案。然后结合成本因素的分析结果,给成本因素和非成本因素赋予一定的权重,确定整体最优的配送中心地址。

2.1 组合评价法在配送中心选址中的决策流程

2.1.1 评价指标体系的建立

建立配送中心选址评价指标体系一般从自然条件、基础设施、投资环境及其他因素等方面考虑。其中,自然条件包括气象条件、地质条件、地形条件和水文条件;基础设施包括动力和能源条件、通讯条件和道路设施条件;投资环境包括地价条件、劳动力条件和离货运枢纽的距离;其他因素还要考虑环境保护、政策法规和国土利用情况。

2.1.2 单一综合评价方法的选取

选用三种单一综合评价方法:综合指数法,距离综合评价法,灰色关联分析和变权综合的层次分析评价法。

(1)综合指数法。是根据人们对各项指标相对于决策问题的重要程度的理解,给指标赋予相应的权数,其结果受主观因素的影响。

(2)距离综合评价法。基本思想是在空间确定两个参考点:最优样本点和最劣样本点。然后计算各评价点到参考点的距离,距最优样本点越近越好,距最劣样本点越远越好[2]。

(3)灰色关联分析和变权综合的层次分析评价法。层次分析法(AHP)在处理复杂问题时具有较强的实用性和有效性,但在建立判断矩阵时没有考虑指标之间的相互关系。为了弥补层次分析法的不足,引入灰色关联分析。运用层次分析法确定各指标的权重,而指标数据定为各个指标与相对最优方案的灰色关联度值。通过变权综合的模式得出每个方案的评价值[3]。

(4)事前检验。采用Kendall系数进行检验,在进行Kendall系数计算时,如果顺序相同,则定义其顺序值为该并列项顺序和的平均值,验证单一评价方法的一致性[4]。

(5)建立组合评价模型,得出待选方案的评价值。

2.2 确定最终配送中心选址

借助专家的知识,确定配送中心选址决策中成本因素和非成本因素的权重。由于运输成本是负效应指标,而综合评价值是正效应指标,因此要对运输成本指标数据进行一致性处理,然后用“标准化”方法对这两个指标进行无量纲化处理。在对成本指标和非成本指标进行赋权的基础上,得出每个方案的综合评价值。

3 算例分析

3.1 数据的收集

BFT汽车股份有限公司营销公司在山东省设有胶东、潍坊、鲁西、鲁北四个市场部,每个地区都有销售网点及相应的售后维修服务站。在目前市场竞争激烈的环境下,该公司提出了“配件24小时供应到位”的服务承诺。为实现这个目标,现拟建立售后服务零部件配送中心,集中对零部件进行统一、科学的管理,提供对各地售后维修服务站的零部件配送服务。表1列出了2005年BFT汽车股份有限公司预计在各个区域汽车售后维修用零部件需求量:

3.2 初步确定配送中心的选址

3.2.1 配送路线选择

根据地图上14个城市分布情况,在图片编辑器里打开山东省地图,利用“选定”操作的功能,确定每个城市在编辑器里的坐标位置。由于地图编辑器里坐标原点设在左顶端,为了显示各个城市相对于坐标原点设在左底端的位置,可以用下式进行转换:

其中:(x,y)为城市在平面坐标中的位置,(x′,y′)为城市在编辑器里面的坐标位置,M×N为图像尺寸。通过计算,表2列出了各个城市在平面坐标系中的坐标。

采用J·P·Norback和R·F·Love提出的解决旅行售货员问题的几何法来确定运输路线,最佳循环运输路线见图1。

3.2.2 待选地点选择

根据配送能力与需求量的关系,分三种情况讨论。

(1)配送能力大于所有点的需求量。

为了简化计算,令配送成本为运输距离(直线距离)和配送量的乘积,为了更加和实际情况吻合,可以引入一个系数进行相应调整。假设配送中心可以设立在需求点,并且配送路线有顺时针和逆时针两个方向。则各个需求点的配送成本(调整参数等于1)见表3。

由表3中数据可以看出,配送中心设在潍坊市,即坐标(348,238)处,沿逆时针方向沿运输路线进行配送,配送成本最小为84 118.95单位。

(2)配送能力小于所有点的需求量。

配送中心必须对每个需求点进行直接配送,则该问题转变为重心模型选址。在此,借助Matlab软件的强大计算功能,观察在整个山东省区域里,采用对每个点进行直接配送,总运输成本的变化情况。总运输费用最低点处坐标(279.7,222.1),总运输费用为23010单位。通过把此平面坐标点逆映射到地图上,此处为青州市(行政隶属于潍坊地区)。

(3)某个需求点的需求量异常增大。

将配送中心设在该处,总运输成本将最小。济南市由于限制农用车入城,因而当前销量处在较低水平,但是在未来几年,由于城市规模的扩大,城市周边的农民将从土地上脱离出来,加入运输行业,以满足济南市对农产品及日常消费品的需求,轻卡的销量会激增。济南作为省会城市,其独特的地理位置、经济发展优势和其它有利条件,也为在济南建立零部件配送中心提供了先决条件。若在济南建立零部件配送中心,采用顺时针方向进行配送,总运输成本为89585.52单位。

上面三处待选地点成本因素分析数据归纳,如表4所列。

3.3 综合考虑两类因素,确定最终选址方案

对三个方案的指标评价值进行对比打分,求得各方案的评价指标值见表5。

3.3.1 评价指标权重的确定

借助专家知识,通过对BFT汽车股份有限公司物流公司领导层和物流公司在山东省各地区办事处人员发放调查问卷,采用1-9标度法,得到准则层的比较判断矩阵和各子准则层指标相对于准则层指标的判断矩阵。应用AHP法求得各指标最终权重见表6。

3.3.2 待选方案的组合评价

(1)待选方案的综合指数分析。

以各项指标平均值为基数,求得各方案每项指标指数值。采用层次分析法确定指标权重,求出各项指标指数值加权平均值。经计算,三个备选方案综合指数分别是:潍坊,0.995;青州,0.925;济南,1.077。

(2)备选方案的距离综合评价。

首先,采用突出局部差异的极差法确定权重。

13个指标的权重依次为p1=0.040,p2=0.040,p3=0.080,p4=0.080,p5=0.120,p6=0.120,p7=0.080,p8=0.160,p9=0.040,p10=0.080,p11=0.080,p12=0.040,p13=0.040。令采用“功能驱动”原理层次分析法确定的各指标权重值为qj,j=1,2,…,13,运用“加法”集成确定的权重值wj=k1pj+k2qj,j=1,2,…,13。其中k1,k2为待定常数。针对该决策问题,把指标的重要性放在首位,其次才考虑各备选方案指标数据的差异;因而,令k1,k2的值分别为0.4,0.6。经过计算,13个指标运用“加法”集成确定的权重分别为w1=0.035,w2=0.021,w3=0.062,w4=0.045,w5=0.129,w6=0.083,w7=0.218,w8=0.110,w9=0.042,w10=0.153,w11=0.051,w12=0.027,w13=0.022。然后,对数据进行加权处理。得加权处理后的数据。

最优样本参考点和最劣样本参考点分别为:

各备选方案到最优样本参考点相对接近度为:

潍坊=0.481,青州=0.397,济南=0.603

(3)备选方案灰色关联分析。

对方案评价的时候,采用0-5打分,所以最优样本参考点各项指标值为5,在此取0.5。经过计算,各方案评价值分别为:潍坊=0.691,青州=0.630,济南=0.833。

不同方案的指数值、加权后的数据、灰色关联系数如表7所列。

(4)事前检验。

根据Kendall系数检验,其中:Ri为备选方案在每个评价方法中排序值之和;k为综合评价方法的个数:n为备选方案个数。见表8。

可以看出,三种评价方法对备选方案的评价结果是一样的,Kendall系数rk=1,完全一致。

通过对备选方案非成本因素的组合评价分析,备选地址排名依次为济南、潍坊、青州。

3.3.3 确定最终选址

在备选方案中,济南、潍坊、青州配送成本依次为84118.95、92 040和89 585.52单位,如表9。

由于成本因素是极小型指标,对该指标进行一致性、无量纲化处理,处理方法为:

其中:ci为经过处理后的成本指标值;c′i为原成本指标值。

经过计算,济南、潍坊、青州三地的成本指标值依次为0.331,0.342,0.327。

对非成本指标进行的处理方法为:

其中:di为第待选地经过无量纲化处理后的非成本因素指标值;dij为第待选地在第种评价方法中非成本因素指标值。

济南、潍坊、青州三地的非成本指标值依次为0.384,0.326,0.290。

假设赋予成本指标的权重为,则非成本指标的权重为1-λ。通过敏感性分析,可以发现,当λ>0.84时,待选地潍坊的综合指标值最大,选潍坊建配送中心最优;当λ燮0.84时,待选地济南的综合指标值最大,选济南建配送中心最优。配送中心作为一个服务性的企业,受周边环境的影响较大,成本指标的权重应在0.4～0.6之间,因而,在此范围内,选择济南建配送中心是最优决策方案。

4 结论

从配送中心选址的决策过程可以看出,两阶段选址法能够较好地解决单点区域型配送中心选址问题,具有很强的可操作性。对成本因素指标的影响能够根据不同的问题进行灵活调整,决策出的最终配送中心地址可以达到整体最优,并且排除了人为主观性的干扰,使决策结论更加科学﹑客观﹑合理。借助综合评价方法考虑了诸多非成本因素,并将专家的知识融入进来。成本因素和非成本因素对配送中心选址决策问题有不同影响。因此,在进行选址决策时,成本因素和非成本因素要均衡考虑,不能偏重某一方面。两阶段单点选址法提供了解决此类选址决策问题一个新的思路,使主观评价和客观评价﹑定性分析和定量分析进行了较好的结合。

摘要：以单点区域型配送中心选址为研究对象,以系统理论、组合理论等为基础,运用定量、定性方法对区域型配送中心选址进行研究,提出了新的选址方法——两阶段单点选址法。借助Matlab等软件的强大功能,进行计算求解,并通过实例验证了该方法的有效性。

关键词：配送中心,选址,组合评价,两阶段法

参考文献

[1]鲁晓春、詹菏生:《关于配送中心重心法选址的研究》[J];《北京交通大学学报》2000(6):108～110。

[2]陈荣、李月:《基于距离综合评价法的物流中心选址》[J];《安徽工业大学学报》2006(2):89～91。

[3]夏景虹:《灰色关联分析和变权综合的AHP法在物流中心选址中的应用》[J];《统计与决策》[J];《2005(1):120～121。

两区域模型 篇7

关键词：基于Agent的一对多谈判,两阶段谈判,谈判模型,谈判策略

1 引言

基于Agent的谈判是用Agent这一人工智能领域的新兴手段来实现谈判的智能化和自动化的技术[1]。按照谈判过程中参与谈判的买卖各方Agent数量的不同,可以将谈判分为一对一谈判、一对多谈判和多对多谈判等。其中,一对多谈判是指由一个买方Agent就同一份合同同时与多个卖方Agent进行谈判,在综合所有的谈判结果后选择其中的一个卖方Agent达成协议的过程。

早期的自动谈判系统多采用拍卖的形式实现,买方在拍卖过程中不提出反报价,从多个卖方Agent的报价方案中选择最优的进行合作[2,3]。这种方法在形式上简单,但对于卖方来说明显不公平,买方也无法通过合理运用谈判策略来得到更优的报价。后来的研究者提出将一对多谈判转化为多个并行的一对一谈判,通过某种协调控制策略来协调处理各谈判的结果[4,5,6,7]。这样可以产生比较理想的谈判结果,但对多个并行谈判进行协调必然导致额外的通讯和协调成本的产生。有人提出了两阶段式的一对多谈判模型,将谈判分成预谈判和竞标两个阶段来进行[8],但这种模型和早期的竞标模型一样,存在显著的谈判公平性缺失的问题。针对这些模型中存在的问题,本文提出一种两阶段的谈判模型,在谈判的第二阶段逐步淘汰卖方Agent来减少参与谈判的Agent数量,以达到减少谈判成本的目标。

2 两阶段一对多谈判

两阶段一对多谈判是在现有一对多并行谈判模式基础上的改进,将谈判分成了两个阶段:第一阶段为预谈判阶段,在这个阶段中,买卖各方正常进行有反报价的谈判,但是不淘汰卖方;在第二阶段,买方根据谈判进行的情况,根据一定标准对卖方进行淘汰。将谈判分为两个阶段有以下优点:

(1)保证了谈判的公平性。在谈判的第一阶段,卖方不会因为报价策略的保守而导致被过早淘汰,有充分的机会来通过买方的反报价来判断买方的意图,及时调整自身的报价策略。

(2)降低了谈判的总体成本。在谈判的第二阶段,买方根据谈判情况淘汰成交可能性低的卖方,减少了通讯和协调成本的浪费,从总体上降低了谈判成本。

3 改进的基于合作可能度的淘汰谈判机制

谈判第二阶段的核心问题是淘汰标准的选择。李冉冉等提出了合作可能度的概念和基于合作可能度的淘汰卖方Agent的谈判机制[9],能够得到较为理想的淘汰效果。但该谈判机制存在两个缺陷:

(1)合作可能度的计算依赖于对最终成交价格的预测,其准确程度是随着谈判轮次的增加而逐渐增大的。始终用一个固定的阙值来作为淘汰的标准,合理性较差。

(2)用合作可能度作为权重来计算统一的反报价,这个反报价必然低于各Agent单独计算的反报价中的最低值。对买方而言,这显然不是最优的选择。

针对以上模型存在的问题,本文提出了一种改进的基于合作可能度的淘汰谈判机制。它在原有机制的基础上做出了两点改进:

(1)采用随着轮数t变化的函数σ(t)作为淘汰的判断标准,其计算方式如下:

式中,T1是第一阶段的谈判轮数;Tb是允许谈判的最大轮数,σmin和σmax是σ(t)的上下限,λ是控制σ(t)变化策略的参数。

(2)采用各Agent单独计算的反报价中的最小值作为下一轮买方提出的统一反报价。

4 一对多两阶段谈判模型

4.1 一对多两阶段谈判模型描述

定义1将一对多两阶段谈判模型定义为七元组{A,P,T,βST,AC,I},其中:

A={b,s1,s2,…,sj,…,sn}表示参与谈判的Agent集合。b表示买方Agent,s1,s2,…,sn分别表示n个相互独立的卖方Agent。

T表示谈判时间。为了便于讨论,将谈判时间离散化,即T={1,2,…,t,…,Tb},用T来表示谈判轮数集合;T1是第一阶段的谈判轮数;Tb是买方谈判的最大轮数;Tsj是卖方Sj的最大谈判轮数。其中,买方Agent向卖方发送一个提议并收到所有卖方Agent回应为一轮。

P={Pj|0≤j≤n,1≤t≤Tb}表示各方报价的集合。P0(t)表示买方b在第t轮的报价,Pj(t)(1≤j≤n)则表示卖方Sj在第t轮的报价。每个Agent的报价Pj(t)(0≤j≤n)都对应一个预设的取值范围[Pjmin,Pjmax]。

β={β(t)|T1≤t≤Tb}表示卖方的合作可能度集合。β(t)=(β1(t),β2(t),…,βj(t),…,βn(t))是第t轮所有卖方的合作可能度组成的向量。βj(t)是卖方Sj在第t轮的合作可能度。

ST={spia,smid,simp}表示Agent采用的谈判策略集合,其中包含3种谈判策略:spia表示节俭型策略,smid表示折中型策略,simp表示急躁型策略。Agent根据采取的策略和对手本轮的报价来生成下一轮的反报价。

AC={proposal,re-proposal,accept,reject,terminate}表示参与谈判的Agent的原子行为集合。其中,proposal表示向对手提出一个报价,re-proposal表示拒绝接受对手的报价后向其提出一个新的报价,accept表示接受对手的报价,reject表示拒绝对手的报价并结束谈判,terminate表示结束所有谈判。

I={Ib(t+1,Pj(t)),Ij(t+1,P0(t)},1≤j≤n,1≤t≤Tb,是Agent在收到对方报价后的反应行为集合。Ib(t+1,Pj(t)),为买方b在第t轮收到卖方Sj的报价Pj(t)后,下一轮将采取的行动;Ij(t+1,P0(t)),为卖方Sj在第t轮在收到买方b的报价P0(t)后,下一轮将采取的行动。

4.2 报价评估

每轮买卖双方收到对方的报价后,要对收到的报价进行评估,决定接下来要采取的行为。

在谈判的第一阶段,即1≤t≤T1时,买方b不主动淘汰卖方。如果卖方Sj提出的报价Pj(t)低于买方b下一轮的反报价P0(t+1),则买方b应该采取accept行为;否则,应该提出反报价P0(t+1)。这可以表示为:

在谈判的第二阶段,即T1≤t≤Tb时,买方可以淘汰卖方。如果卖方Sj的合作可能度βj(t)小于σ(t),则采取reject行为;如果t+1>Tb,则采取terminate行为。这可以表示为:

卖方的报价评估过程与买方类似,只是卖方不区分所处的谈判的阶段。其采取的行为可以表示为:

4.3 报价生成

根据卖方Agent在谈判中采取的谈判策略的不同,可以将卖方分成急躁型、节俭型和折中型3种类型[10,11,12]。具体说来,卖方Sj在第t轮的报价Pj(t)由下式决定:

式中,λj为卖方Sj的策略参数。λj越小卖方越急躁,反之则越节俭。当λj≥2时为节俭型策略;当0.5<λj<2时为折中型策略;当0<λj<0.5时为急躁型策略。

买方用P0min作为首轮谈判的报价P0(1)。在以后的轮次中,则根据卖方的报价计算出下一轮的反报价。买方的反报价P0(t+1)的具体计算步骤是:

(1)对每一个卖方sj,分别计算反报价P0 j(t+1)。其计算方法是,首先根据谈判轨迹图对应的反应函数判断卖方的谈判策略[10];然后,根据卖方的谈判策略采取相应的反报价策略[9],得到报价策略参数λ0 j(t)。最后,将参数λ0j(t)代入公式计算出P0j(t+1):

(2)由P0j(t+1)得到统一的反报价P0(t+1):

5 实例分析

本文采用文献[9]中的实例来对谈判模型进行分析。在本例中,各方的谈判参数如表1所示:

其他参数,T1=10,Tb=Tsj=40,买家b针对节俭型、折中型、急躁型的卖方,λ0 j取值分别为8、5和4。σ(t)的上下限σmax和σmin分别为0.6和0.01,λ取值为1.5。

实验模拟谈判过程,得到的各卖方合作可能度变化如图1所示。

实验结果表明,第26轮买方与卖方3达成协议,结果与文献[9]一致,证明本文中提出的模型能够达到预期的效果。

6 结论

本文通过对基于Agent的一对多并行谈判的研究发现:拍卖模型存在缺乏公平性,买方无法通过使用谈判策略来得到更优的报价等缺陷;并行谈判模型需要对并行的各一对一谈判进行协调控制,引入了额外的通讯和协调开销,增加了谈判的成本。针对这些问题,本文提出了一种两阶段的一对多谈判模型,将谈判分为两个阶段。在谈判的第一阶段,不主动淘汰卖方,以保证卖方有机会了解买方的谈判策略,不会被过早淘汰;在谈判第二阶段,买方根据合作可能度来淘汰不满足要求的卖方,以此来降低通讯和协调开销,加快谈判进度,在不影响谈判最终结果质量的前提下减少总的谈判成本。通过实例验证表明,本文提出的模型能够达到预期的效果。

参考文献

[1]Minghua He,Ho-fung Leung.Agents in E-Commerce:State of the Art[J].Knowledge and Information System,2002,4(3):257-282.

[2]Martin Bichler.A Roadmap to Auction-based Negotiation Protocols for Electronic Commerce[C].Proceedings of the 33rd Hawaii International Conference on System Sciences,IEEE Press,2000.

[3]David Esther,Azoulay-Schwartz Rina,Kraus Sarit.Bidding in Sealed-bid and English Multi-attribute Auctions[J].Decision Support Systems,2006,42(2):527-556.

[4]Thuc Duong Nguyen,Nicholas R Jennings.A Heuristic Model for Concurrent Bilateral Negotiation in Incomplete Information Settings[C].Proceedings of 18th International Joint Conference on AI,Morgan Kaufmann,2003.

[5]Thuc Duong Nguyen,Nicholas R Jennings.Managing Commitments in Multiple Concurrent Negotiations[J].Electronic Commerce Research and Applications,2005,4(4):362-376.

[6]张谦.基于电子商务环境的多Agent并发协商策略研究[D].重庆:西南大学,2006.

[7]Iyad Rahwan,Ryszard Kowalczyk,Ha Hai Pham.Intelligent Agents for Automated One-to-many E-commerce Negotiation[C].Conferences in Research and Practice in Information Technology Series;Proceeding of the 25th Australasian Conterence on Computer Science,2002:197-204.

[8]张蕊芬,黄梯云,蒋国瑞.基于Agent的两阶段式一对多谈判模型[J].计算机应用,2009,29(2):565-567,573.

[9]李冉冉,孙华梅,蒋国瑞,等.基于Multi-agent的一对多淘汰制谈判模型研究[J].信息系统学报,2008,2(1):29-36.

[10]汪定伟,王庆,宫俊,等.双边多轮价格谈判过程的建模与分析[J].管理科学学报,2007,10(1):95-97.

[11]张谦,邱玉辉.一种具有自主学习能力的并发协商模型[J].计算机应用.2006,26(3):663-665.