财务决策支持

财务决策支持（精选12篇）

财务决策支持 篇1

摘要：经济的全球化和飞速发展的信息技术正日益改变企业生存和发展的宏观环境, 使得传统的财务管理受到新的挑战。企业运用数据仓库、数据挖掘、人工智能等技术建立具有智能特性的财务决策支持系统已是大势所趋。本文主要探讨了智能财务决策支持系统的特点、构建目标和实现功能, 并给出了具体的架构模型。

关键词：智能财务决策系统,数据挖掘,人工智能,构建

当前日趋激烈的全球化市场竞争, 以及飞速发展的信息技术、Internet和电子商务浪潮构成了企业生存和发展的宏观环境, 使企业传统的财务管理受到新的挑战, 尽快提高企业财务管理决策水平迫在眉睫。计算机技术的快速发展, 使得以往复杂得令人望而却步的许多会计模型和方法的实现变得简单易行。数据仓库与数据挖掘技术可以实现从海量数据中提取隐含在其中的、人们事先不知道的有用信息和知识, 而人工智能技术则可以实现对专家求解复杂问题所利用的知识和推理能力的模拟。这些技术为财务分析和会计信息系统的创新提供了强有力的支持, 利用信息技术建立相应的智能财务决策支持系统, 是实现会计信息系统由核算型向经营决策型转变的有效途径。

一、智能财务决策支持系统概述

智能决策支持系统是以信息技术为手段, 应用计算机科学、管理科学及有关学科的理论和方法, 针对半结构化和非结构化的决策问题, 通过提供背景材料、协助明确问题、修改完善模型、列举可能方案、进行分析比较等方式, 为管理者决策提供帮助的智能型人机交互信息系统。它是人工智能技术与决策支持系统相结合的结果。

智能财务决策支持系统是智能决策支持系统在财务领域中的具体应用, 是财务信息化发展的必然趋势。特别是近年来, 企业经营环境的国际化、网络化、信息化发展趋势, 要求企业必须更快、更准确地做出决策, 而传统财务系统远远不能满足复杂问题的求解要求。为了使系统更加有效地工作, 企业应利用计算机领域的相关新兴技术, 如数据库系统、决策支持系统、神经网络以及基于事例的推理、数据仓库及数据挖掘等, 研究和设计智能化财务决策支持系统, 以辅助决策者进行战略决策和战术决策, 实现财务决策的动态化、智能化。

智能财务决策支持系统的主要特点是:

(1) 允许决策者能自始至终地介入系统的决策过程, 并要求系统有一定的学习能力, 可以使决策者与决策支持系统的决策能力在实际的决策过程中同步提高。

(2) 实现知识推理和数值运算相结合, 从而提供比初级的决策支持系统更强的决策支持能力。

(3) 建立更为通用的决策支持系统结构, 以扩大系统的服务领域, 也使系统对环境的变化和决策方式的变化具有一定的适应性。

二、企业智能财务决策支持系统的构建目标和功能

1.系统的构建目标

目前, 我国传统财务决策支持系统还大多局限在利用图表对现有状况进行描述, 属于财务分析的范畴, 而把专家的经验融进软件, 解决企业普遍的管理与决策问题, 让计算机最大限度地代替人工进行决策, 提高决策的效率是智能财务决策必须要研究和解决的问题。因此, 笔者认为企业智能财务决策支持系统构建的总体目标可以概括为:

(1) 不仅支持企业财务管理决策中的结构化决策问题, 还要支持半结构化和部分非结构化决策问题。

(2) 支持企业不同管理层次的财务管理问题, 如支持高层管理的筹资、投资、利润分配及预算编制等问题的宏观管理决策;支持中层管理控制决策, 如生产决策、成本决策、销售决策、库存决策中的计划管理控制等;支持基层作业控制决策, 如生产决策、销售决策、库存决策中的作业控制决策等。

(3) 支持用户之间的通讯, 以便支持相互依赖的决策制定。

(4) 提供方便的人机对话和良好的数据传输功能。

2.系统功能

传统的财务决策支持系统具有3个功能:核算、管理和决策。核算, 即会计功能。在会计层, 它完成会计原始数据的收集、记账、算账和报账的业务处理后输出会计信息, 同时将会计基础信息传输到管理层。管理, 即管理信息功能。在管理层, 进行会计基础信息的分析并将分析结果输出, 同时传给决策层。决策, 即根据会计分析信息和其他管理信息进行预测、判断和决策, 然后将决策方案下达到管理层。在管理层进行指标分解, 编制财务计划;再下达到核算层, 并对核算层的执行过程进行控制。

而智能财务决策支持系统实现的功能应在传统财务决策支持系统的功能基础上, 通过应用数据挖掘技术, 深入分析挖掘历史的、现实的、清晰的、模糊的、内在的、客户的等多层次多角度的信息, 运用模糊数学、神经网络、数理统计等多种数学方法, 对有效信息进行计算分析, 以辅助决策者进行财务决策。

智能财务决策支持系统实现的主要功能有:

(1) 财务分析。

能自动实现资产分析、权益分析、利润分析、现金流量分析、费用分析、企业盈利能力分析、企业偿债能力分析、企业营运能力分析等基本功能。

(2) 财务计划与控制。

能帮助编制利润计划、成本计划、现金流量计划、资产及其资金来源计划, 还有各种经济指标控制和预算等功能。

(3) 财务预测与决策。

能代替或最大限度地帮助决策者完成投资预测决策、筹资预测决策、成本预测决策、销售预测决策、存货预测决策以及利润分配预测决策等。

三、企业智能财务决策支持系统的架构模型

本文提出的企业智能财务决策支持系统, 运用数据仓库和数据挖掘技术, 采用关系型数据存储格式存储海量业务主题数据, 增强了大数据量系统管理扩展的能力;采用并行处理技术处理复杂的查询请求服务, 实现了决策支持查询优化, 同时亦可支持多维分析的查询模式。该系统从企业大量的数据集合中收集整理信息, 并运用数学模型和数据处理技术, 灵活、交互式地提供统计趋势分析和预测报告。系统还需要建立多种数据挖掘模型, 自动分析数据, 对数据仓库中的数据进行归纳性推理和联想, 寻找数据间内在的某些关联, 从中发掘出潜在的、对信息预测和决策行为起着十分重要作用的模式, 从而建立新的业务模型, 以达到帮助决策者制定市场策略、做出正确决策的目的。

1.系统架构

系统的整体架构分为3个层次:数据获取层、数据组织存储层和数据分析展示层 (如图1所示) 。

2.系统处理

系统从逻辑上可划分为3个处理步骤:后端处理、中间处理和前端处理。

(1) 后端处理。

利用数据ETL工具将多个数据源的业务数据, 包括企业内部财务系统、本地外部财务系统、远程外部财务系统以及企业已经建立的诸如ERP、SCM、CRM、OA等系统和一些相关系统, 根据定义的企业数据仓库模型进行抽取、清洗、净化、加载, 对业务数据清零、清空、去除、格式转换, 对原有的数据及其机构进行调整, 为后续查询、报表、多维分析和数据挖掘等应用提供稳定、可靠的数据源。

(2) 中间处理。

根据定义的企业信息模型, 利用数据建模工具, 形成按企业信息模型存储的多级别、多层次的数据库, 为财务数据分析、财务预测决策提供数据。

(3) 前端处理。

前端处理进行数据表示, 利用多维分析工具、多维报表工具以及数据挖掘工具对数据进行综合数据查询、分析统计和生成统计图表等, 通过人机交互界面, 实现人机交互, 为企业决策提供辅助支持功能。

四、结束语

企业智能财务决策支持系统的构建与实施将会更好地适应我国知识经济与网络时代的发展, 推动我国企业科学管理的实现。这一项目的实施, 要求企业相应地实施管理思想、管理人才、管理组织、管理方法和管理手段的现代化, 不断提高企业的经济效益, 对培养具有国际竞争力的大型企业集团、对发展我国经济及提高我国的综合国力具有重要的意义。笔者根据自己开发信息系统的经验和多年的教学实践经验, 探讨了智能财务决策支持系统的构建目标、功能和框架, 对企业智能财务决策支持系统建设具有一定的指导意义。

参考文献

[1]任明仑, 杨善林, 等.智能决策支持系统:研究现状与挑战[J].系统工程学报, 2002 (5) :48-58.

[2]谢榕.数据挖掘与决策支持系统[J].计算机系统应用, 1999 (8) :9-11.

[3]徐磊.企业网络化智能财务决策支持与控制系统的研究[J].计算机时代, 2005 (4) :46-48.

财务决策支持 篇2

业务系统和决策支持系统之间是相互补充、互为依赖的关系,不是相互抵触、互为取代的关系。业务系统负责采集海量基础数据,但这些数据是散乱的、相互之间松散的、未经深度挖掘和合理组织的。决策支持系统建设不是一个简单的基础数据累加的过程,而是按照管理思想确定业务主题从高层视图上组织数据,充分挖掘出业务数据的潜在价值,使得数据真正转变为可用的知识和智慧,最大限度地方便基层操作,方便高层管理,进一步提高监控能力,提高科学化管理水平。

二、业务指标的可视化管理功能

人力资源和社会保障部门承担着大量政府部门的民生指标,传统的指标完成情况追踪方式是逐级上报、逐级汇总,报表汇总时效慢、只能做一些同比、环比等常规性分析。决策支持系统可以根据用户的不同层级、不同岗位,针对不同的用户群提供不同视野的报表应用,如局长级可看到全市所有部门的目标任务完成情况以及及各区县对比进度。各业务部门的处长、科长可以看到本部门所负责指标的完成进度,可以追溯到具体的经办人员和指标涉及的用人单位,各区县局长可看到本局所所有指标进度。我们运用数据挖掘工具的可视化功能开发了政府目标管理分析系统,将每年由我局承担的市政府和省厅的110项核心民生目标纳入系统进行管理,所有指标来源于业务系统的数据,杜绝了手工调整、保证数据一致性。点击某一项指标,可以查询到该指标的文件依据、责任部门和分管领导。系统不但可以反映本部门的当期和历史数据、还可以与政府其它相关部门的同期指标、兄弟城市的同类数据进行对比分析。所有数据均以图形化的方式展现,简单直观,根据设定的阀值发布预警信息,及时提醒目标管理部门指标进展与状态。决策支持系统的展现页面同时嵌入局办公自动化系统,局领导在处理公文时可以轻松了解到全局各项指标的进度完成情况及对比分析情况,全面提升了民生指标的执行效率。

三、报表的定制式管理功能

我局社会保险征缴机构综合日常查询、业务台账和上报报表的要求,新开发了统一复合型的社会保险基金统计分析系统替代了传统的报表程序。对较为明细的数据表进行汇总,将结果数据存放到数据库中,查询时直接对结果表进行查询,快速展现,满足常用的日常报表的访问和查看。将经办时间、机构名称、用人单位和劳动者属性等字段设置为可见的查询条件,用户可以根据自己的需要定义查询的名称、查询显示的列,自由组合查询条件,可以根据需要随时定制报表,满足各种临时性、突击性的报表上报要求。报表发布界面简单友好易用,信息呈现的方式可以是电子表格、直方图、饼图或折线趋势图等形式多样、图表结合的方式。运用该系统,工作人员可以轻松地获得社会保险基金的单位参保情况分析、人员参保情况分析、特殊人群参保分析、缴费申报水平分析、基金征收情况分析和欠费清欠情况分析,有效地解决了固化报表主要反映各业务系统中的基本业务状况和部门主要信息且报表内容、格式相对滞后的弊端。

四、即席查询和多维分析功能

即席查询功能是对核心数据从汇总到明细的查询,可以满足对查询数据向下钻取的功能,对关注的.数据可以采取抽丝剥茧式的逐层分析和多维、多角度分析。为了提高业务系统的响应速度,我们建立了数据交换平台,专门用于存储金保工程上传数据、对市政府多部门的交换数据、批量查询数据、报表数据和决策支持系统的数据。将交换平台和业务系统从物理上分离,业务系统只处理业务经办所必须的少量简单的单记录查询,交换库和决策库的建立大大缓解了业务系统的压力,提高了网页的登陆速度,为街道、社区等基层平台社保业务一站式、一户式办理提供了良好的技术平台。

五、预警预报和定向追踪功能

财务决策支持 篇3

摘 要 面对当前企事业单位普遍存在各类数据庞大，但快速提取有效信息却十分困难的现状，如何在海量数据中发现有用的数据，即所谓的数据挖掘技术便应运而生。针对财务决策中数据海洋的现状，本文提出了如何采用数据挖掘技术，来提高财务决策的效率。

关键词 数据挖掘 财务决策 应用

随着计算机、网络技术的发展，获得有关资料非常简单易行。但对于数量大、涉及面宽的数据，传统统计方法无法完成这类数据的分析，特别是公司财务数据之类。因此，一种智能化的、综合应用各种统计分析、数据库、智能语言来分析庞大数据资料的“数据挖掘”技术应运而生。数据挖掘技术的产生和发展使得人们可以利用这些数据挖掘出有用的、隐藏的商业和科学信息。

一、数据挖掘含义

1．数据挖掘的定义

目前普遍认同的一个数据挖掘（DM-Data Mining）定义是：从数据库中抽取隐含的、以前未知的、具有潜在应用价值的模型或规则等有用知识的复杂过程，是一种深层次的数据分析方法。

数据挖掘可以根据企事业单位的既定业务目标和存在的问题，对大量的业务数据进行探索，揭示隐藏其中的规律，并将其模型化，指导并应用于实际的企事业单位经营管理中。是一个利用各种分析工具在海量数据中发现模型和数据间关系的过程，这些模型和关系可以对财务信息做出预测。

2．数据挖掘的主要功能

数据挖掘的目标是从数据库中发现隐含的、有意义的信息，它主要有以下功能：

（1）估计与预测：估计是根据已有积累的资料来推测某一属性未知的值，预测是根据对象属性的过去观察来估计该属性未来之值。数据挖掘技术能够自动在大型数据库中寻找预测性信息。

（2）关联和序列发现：关联是要找出在某一事件或是资料中会同时出现的东西；序列发现与关联关系很密切，所不同的是序列发现中相关的对象是以时间来区分的。

（3）聚类：数据库中的记录可被化分为一系列有意义的子集，即聚类。聚类技术的要点是在划分对象时不仅考虑对象之间的距离，还要划分出类具有某种内涵描述，从而避免了传统技术的某些片面性。

（4）偏差检测：数据库中的数据常有一些异常记录，从数据库中检测这些偏差很有意义。偏差包括很多潜在的信息，如分类中的反常实例、不满足规则的特例、观测结果与模型预测值的偏差、量值随时间的变化等①。

二、数据挖掘在财务决策支持系统的应用

1．财务决策支持系统

财务决策支持系统是在传统电算化会计信息系统的基础上建立和发展起来的，传统会计信息系统输出的企事业单位财务数据及非财务数据都存在数据过剩而信息不足的情形，而财务决策的精确程度又取决于所用信息的正确程度。随着竞争的增加，财务决策的时效性也变得越来越重要了，面对这些结构化或半结构化的海量数据，将数据挖掘技术应用到系统中充分有效的预测企事业单位未来的发展趋势，有利于输出财务决策信息供高层管理者使用，提高企事业单位的竞争②。

（1）会计信息系统结构

会计信息系统可分为三个层次：会计核算层、财务管理层和财务决策层，分别属于事后核算、事中控制和事前预测与决策过程。财务决策支持系统是最高层，也是会计信息系统发展的最终目标。会计核算层和财务管理层输出的企事业单位财务数据及非财务数据都存在数据过剩而信息不足的情况，这严重影响了财务决策层发挥有效作用。

（2）财务决策支持系统的概念

财务决策支持系统（FDSS—Financial Decision Support System）是以现代管理科学和信息技术为基础，以电子计算机为工具，运用经济学、模糊数学、控制论和模型技术，对财务管理中的结构化、半结构化以及非结构化问题进行决策分析的人机交互系统。

在财务决策支持系统中，为了支持管理决策，首先必须建立各种数据库以备决策之需。其次要建立各种数学模型，组成模型库对数据库中的数据进行深加工以便探索其内部规律，对数据的运算结果进行比较、分析和评价。同时，为了充分利用管理者的经验、知识和智慧，系统还设置人机交互接口和专家知识库，采用人工智能技术判断环境生成方案、评价决策。

（3）财务决策系统国内外发展现状

在国内，会计核算系统和财务管理系统已发展良好，逐步地为用户理解和接受，但财务决策支持系统的发展尚处初级阶段。

在国外，财务决策支持系统已较为完善，以财务管理为核心构造财务决策支持系统，做到了账务系统与管理系统的有机融合，做到了事前预测与决策、事中控制、事后分析为一体的网络化、科学化的决策管理，数据挖掘在财务决策支持系统中的运用也较为成熟。

2．数据挖掘在财务决策支持系统的应用

数据挖掘技术在财务决策支持系统中的应用研究始于1995 年，研究内容包括将DSS 的结构体系引入过来，从二库、三库结构到四库、五库结构的研究，也就是从传统的FDSS 研究到智能的或高级的FDSS 的研究。随着信息技术的不断完善，把数据仓库（DW）、联机分析处理（OLAP）、数据挖掘（DM）也引入到财务决策支持系统中，出现了基于数据仓库和数据挖掘技术的财务决策支持系统结构，数据挖掘技术在财务决策支持系统中的应用主要包括：

（1）财务状况分析

财务状况分析是财务管理的重要组成部分，包括企事业单位偿债能力分析、企事业单位营运能力分析、企事业单位获利能力分析、企事业单位发展能力分析。它是利用已有的财务数据对企事业单位的财务状况、经营成果进行分析与评价。财务分析系统可以运用数据挖掘分类、预测等技术，根据企事业单位过去和现在的财务数据做进一步的加工、整理、分析和评价，在预测未来的财务状况的同时从中取得有用的信息供决策者使用。

（2）财务预测

财务预测系统是FDSS 的重要组成部分，其功能分为两个方面：一是利用已有的财务数据对企事业单位未来的财务状况和经营成果进行预测。二是利用专家经验和专门知识对某项财务专题进行预测。财务预测的主要内容包括销售预测、利润预测、成本预测、资金预测、财务指标预测等。利用回归，神经网络等技术根据已有的财务数据预测企事业单位未来的财务状况，进而判断企事业单位未来发生财务危机的可能性。

（3）筹资决策

筹资是指企事业单位何时、采用何种方式、获得何种规模资金的过程。企事业单位筹资决策主要包括筹资数量决策、筹资方式决策和债务偿还决策。一般地说，企事业单位筹资首先应考虑自有资本，即所有者权益筹资；其次再考虑债务筹资，其目的是使财务风险最小化。利用数据挖掘中的分类、聚类等技术可根据单位经营管理的需要进行决策信息输出，确定一个合理的筹资方案。

（4）投资决策

企事业单位的投资决策主要包括企事业单位内部长期投资决策、联营投资决策和证券投资决策。投资决策问题是决策问题中较为复杂的问题，其决策问题一般分为半结构化或非结构化问题。我们可利用预测、关联等技术对投资时机、投资规模、投资方式等方面来确定投资方案。通过在众多可投资项目中选择出最具价值的项目决策信息，实现投资资金效率最大化。

（5）成本决策

成本决策涉及企事业单位供产销、生产经营和资本运作等各个领域，可以说凡是发生成本费用支出的各项经济活动，都存在成本决策问题。企事业单位成本决策包括：存货成本决策、生产成本决策、资金成本决策、销售成本决策、服务成本决策等，其中销售成本决策和服务成本决策，其非结构化因素较多，包括促销费用、广告费用、销货服务费等，从而使其决策方案的确定更加复杂化。这就需要利用数据挖掘技术中的时间序列分析，关联分析等技术对历史数据进行分析预测，以确定最优方案。

（6）股利分配决策

股利分配是指公司向股东分派股利。股利分配决策的合理与否，将会对公司的持续发展和股东利益产生重大影响。股利分配决策包括股利发放决策、股利支付比率决策和股利发放形式决策等。由于股利分配决策要受到法律、经济、公司政策、股东利益、以及股票市场等诸多因素的影响，其决策问题大多为半结构化和非结构化问题，我们可利用数据挖掘技术中的分类技术来提供支持。

（7）存货决策

存货决策主要是指原材料和产成品的决策，即确定合理的经济订货量以及何时订货才是最佳时机，力求使存货上耗费的成本最低。销售的不确定性使得存货决策成为一种风险性决策，它需要根据以往的经验储存、历史统计资料的分析以及输入用户的调研数据，运用数据挖掘技术中的决策树方法帮助决策者确定需求变量的范围及发生概率，并提供最优方案的参考数据。随着数据库技术和网络技术的迅速发展，传统会计核算层及财务管理层的不断完善，人们获取数据的能力越来越强，将海量的数据存储在数据库和数据仓库中。将数据仓库（DW）、数据挖掘（DM）和联机分析（OLAP）等信息技术应用于财务决策支持系统，更能将数据仓库里的海量数据从执行系统中筛选出来，减少冗余，完成一系列转换处理，便于决策者从宏大的信息系统中分辨、析取、整理、挖掘出对财务决策有用的信息，极大提高企事业单位管理信息系统的工作效率③。

三、数据挖掘技术在财务决策支持系统中应用的难点与展望

数据挖掘技术在财务决策支持系统中的应用还是一门崭新的技术或方法，接受数据挖掘的概念容易，但将其落在实处却比较困难。其中最重要的就是成本问题。数据挖掘功能对企事业单位财务数据进行分析虽然存有优势，但前提条件是具备完整、正确的数据，即在建立数据仓库系统基础后，与此功能结合运用以达到事半功倍的效果。但目前单位财务部门提供的数据本身就可能存在水分，因此需要数据信息使用者在经过会计信息质量分析等前提下调整或重新估计，然后再利用数据挖掘等技术应用到财务决策支持系统中。数据挖掘仅依靠计算机或者软件是无法完成任务的，更多的是需要依靠专业人士的职业判断。

虽然在单位财务决策支持系统中利用数据挖掘技术还不十分成熟，但是伴随着科学技术的迅猛发展，以及数据挖掘技术在财务决策支持系统中的广阔市场前景，相信基于数据挖掘的财务决策支持系统必将更加成熟！

但是，数据挖掘作为一门新兴的科学和技术，它的发展还处于幼年期，要想基于数据挖掘的财务决策支持系统模型得到更为广泛的应用，面临的挑战为：

1．建立基础的数据挖掘理论体系；

2．提高数据挖掘算法的效率和处理能力；

3．良好的人机交互界面；

4．挖掘各种数据类型，包括半结构和无结构数据。

注释：

①何京舟.浅议数据挖掘技术与财务分析.中国集体经济.2009(6):155-156.

②汤九斌.基于数据挖掘技术的决策支持系统及其关键技术研究.中国优秀博士论文全文数据库.南京理工大学.2009.

③周喜,王加阳.数据挖掘技术在财务决策支持系统中的应用研究.湖南商学院学报.2009(4):99-101.

参考文献：

[1]何京舟.浅议数据挖掘技术与财务分析.中国集体经济.2009(6).

[2]郑日军.数据挖掘综述.科协论坛(下半月).2008(10).

[3]洪沙,向芳.数据挖掘与决策支持系统.科学咨询(决策管理).2008(4).

[4]汤九斌.基于数据挖掘技术的决策支持系统及其关键技术研究.中国优秀博士论文全文数据库.南京理工大学.2009.

财务决策支持 篇4

关键词：经营决策支持,财务管理体系,保障措施

为满足企业经营管理的需要, 实现企业价值最大化, 财务职能需要从“核算型”向“财务管理型”转变。本文根据企业的实践, 就如何构建经营决策支持型的财务管理系统提出整体思路和具体方法。

为了实现企业的经营目标, 企业往往需要从计划、执行、监督、调整几个环节去加强业务的过程管理。为了对企业的业务发展给予更好的经营支持, 企业需要建立与之相匹配的经营决策支持型财务管理框架, 例如可逐步建立“经营核算-预算-经营分析-业绩评估”相结合的管理机制。框架如图1。

一、建立量化的经营核算体系

财务会计信息系统主要是以会计准则和企业会计制度为基准建立的, 主要是满足企业外部信息使用者的需求。而为了满足企业战略规划、预算与目标管理以及成本控制等内部管理的需求, 还需要结合企业的实际情况, 建立量化的经营核算体系。

首先, 根据业务特点和管理需求建立清晰量化的各业务的经营核算模型, 定义核算模型中各项目的核算口径。比如公司实行分事业部管理的模式, 则需要明确事业部级的经营利润表和公司级的利润表是如何构成和如何定义的。该经营核算模型为预算编制与目标考核提供了信息的基础。

其次, 根据经营价值链的环节, 细化成本费用段, 并定义对应的责任部门, 分工节流, 设立过程监控点。通过加强会计的精细化核算, 形成量化的经营核算体系, 建立管理责任会计系统, 提升财务信息的有用性, 为管理决策提供信息的基础。

通过建立经营核算模型, 能够清晰反映成本结构和盈利结构, 为成本控制、加快周转运作和挖掘盈利点提供依据。使经营者直观了解产品的成本构成, 使经营问题清晰化, 有利于经营者抓住主要的问题点。树立各部门及全员的经营意识, 达到有效节流。

除了建立经营核算整体框架, 为科学的预算提供宏观角度的参考指标外, 还需要对经营核算模型中各项目的分解明细项进行定义, 确定各明细项的经营核算原则与方法, 在经营核算与经营预算中保持一致的口径。

二、预算

经营核算体系的建立与有效运作, 为经营预算和业绩评估提供了基础。

在预算编制环节, 建立预算政策和操作程序, 确立预算的编制原则、预算的责任中心、预算的编制模板、预算的方法和预算标准。管理层在对各部门编制的预算进行审核和质询后, 总裁和财务总监进行最后的修改, 然后提交董事会对预算进行审核, 在预算修改完成通过并发布后, 通过经营核算反映经营预算的执行状况。

在预算执行与控制环节, 要明确预算责任中心及其预算目标, 建立预算的控制流程和预算监控的方法, 加强预算监控的跟踪和及时反馈。

预算在实施的过程中需要定期编制预算执行分析, 分析差异原因, 对经营活动进行及时的调整和控制。预算执行分析是经营分析的一部分。

在预算管理中, 制定预算标准是非常重要的环节, 企业可以在预算编制时总结业务预算标准, 建立预算标准积累信息库;通过经营分析与专项分析积累完善预算标准与成本定额, 为预算制定和决策提供依据。

三、经营分析与业绩评估

构建经营决策支持型的财务管理系统, 最重要的是要建立经营分析与评估机制, 这里所说的经营分析不仅包括站在财务角度的财务指标分析, 还包括将财务信息与经营业务结合起来的分析, 具体可从以下方面建立经营分析与业绩评估机制:

(一) 建立经营分析报告内容层次。

根据公司的管理架构情况, 确定经营分析报告的内容层次。建立以财经牵引和业务驱动为主导, 自上而下 (决策信息需求) 、自下而上 (决策支持) , 有效、灵敏、多层次的经营分析报告。比如对于集团型的公司或者采取事业部矩阵式管理的公司, 具体可以分为集团公司级的经营分析、子分公司级的经营分析、事业部或产品线层次的经营分析以及专项分析。各层次的经营分析侧重点不一样, 但各层次的分析并不是相互独立的, 而是上下结合、相辅相成的。各专项分析偏重于具体问题的跟踪解决, 是比较细致的分析;子公司 (或事业部) 级的经营分析是从子公司 (事业部) 经营的角度对事业部经营业绩以及存在的问题进行揭示, 但问题的具体解决可通过专项分析来跟踪落实;公司级经营分析从更宏观的角度, 对公司整体运营状况、财务指标进行汇报, 并对经营分析所发现问题的解决进行跟踪。如果事业部规模不大, 也可以将事业部级的经营分析报告纳入公司级的经营分析报告内容中。

(二) 建立经营分析汇报月度例会, 形成经营分析的闭环改进机制。

通过组织管理层对经营分析报告进行汇报、讨论, 对业绩进行检讨、评估, 找出预算差异的原因, 对问题进行分析挖掘, 对改进措施决策以及任务分配, 并在会后对措施执行进行跟踪、评估。

(三) 确定经营分析报告的频度及其内容。示例如下表1。

经营分析报告的频度与内容需要结合企业的运营模式与管理决策的需求而定。

经营分析的方法包括预算执行分析、同比环比分析、趋势分析、产品结构分析、因素分解分析、与市场业绩标准对比分析等。

(四) 业绩评估与预算调整。

在经营核算与预算的基础上, 企业建立合理的业绩指标和例行的业绩评估机制, 正确反映经营业绩, 及时检讨各业绩达成情况, 找出差异的原因及改善的措施, 并为以后业绩制定提供依据。

企业可以通过上述的经营分析来进行绩效评估与监控, 通过经营分析、各部门绩效指标分析, 例行对业务整体运作情况和改进措施进行跟踪评价、形成PDCA的良性循环.

经营分析和业绩评估为预算和业绩目标的调整提供依据。但预算目标的调整需要遵循一定的原则和程序, 以确保预算的严肃性。

四、建立决策支持型财务管理体系的基础保障

为建立与完善决策支持型的财务管理体系, 企业需要建立确保其有效运行的基础保障措施。

首先, 企业可设置经营分析或预算管理岗位, 培养与配置经营分析、预算人才, 这是完善企业财务管理、扩展财务功能的人力资源保障。

其次, 建立决策支持的信息平台, 这个平台包括财务会计核算、经营核算等财务业务一体化的信息系统, 在条件成熟的时候, 可进一步扩展到预算、分析与业绩指标管理的信息化系统。一个及时、全面、准确、共享、多层次的信息平台, 是提升决策支持的效率, 扩展决策支持的广度和深度的信息保障。

此外, 建立与完善决策支持型的有关财务管理制度, 包括财务管理政策、经营核算制度规范、预算管理制度、经营分析制度、业绩测评制度等, 为实施决策支持型的财务管理提供制度保障。

建立以“经营核算-预算-经营分析-业绩评估”相结合的管理机制, 是建立决策支持型的财务管理体系的核心环节, 企业需要结合自身的业务模式和发展阶段, 加强其深度, 扩展其广度, 通过建立与完善决策支持型的财务管理体系, 为企业决策提供支撑, 为推动公司发展战略目标的实现发挥财务管理的价值。

参考文献

决策支持系统实验3 篇5

实验名称：回归分析实验

实验地点：

专业班级：信管

学生姓名：

学生学号：

指导教师：

成　　绩：

2016年X月X日

一、实验目的1.了解Microsoft

Office

Excel

2003

提供的数据分析工具

2.掌握Microsoft

Office

Excel

2003

提供的三种回归方法

3.掌握通过回归分析进行预测的方法

二、实验内容

1.掌握Excel2003提供的分析工具库

2.使用数据分析方法进行回归分析

3.使用函数方法进行回归分析，包括直线回归函数，预测函数，指数曲线趋势函数

三、实验内容及步骤

7.1数据分析对话框

图7.2参数设置示意图

图7.3部分分析结果

图7.5斜率和Y轴截距数据

图7.6

图7.7

图7.8

图7.9

图7.10

图7.12

图7.13

图7.14

图7.15

图7.16

图7.17

图7.18

图7.19

练习

数据分析

预测函数

指数曲线预测函数

四、实验总结

变量施肥决策支持系统的研究 篇6

关键词 养分平衡施肥法 系统 研究

中图分类号：S224.2 文献标识码：A

1养分平衡施肥法

4综合气候的施肥模型

作物的生长、肥料肥效的发挥、土壤养分的含量都与气候有着直接关系，气候条件是预测作物产量的可靠依据。如“以地定产法”只能应用在土壤无障碍因子以及气候、雨量正常的地区；“以水定产法”受限于土壤水分的含量；“前几年单产法”精确度相对较低。所以本文利用气候-土壤生产潜力计算出作物产量值，结合黑龙江省农业资源利用率，推算出目标产量，再根据养分平衡法公式估算出施肥量。

参考文献

[1] 马树庆.东北区农业气候土壤资源潜力及其开发利用[J].地理科学，1995，15（3）：243-252.

[2] 谭金芳.作物施肥原理与技术[M].北京：中国农业大学出版社，2003：132-178.

[3] 幕成功，郑义.农作物配方施肥[M].北京：中国农业科技出版社，1994.

[4] 侯光良，刘充芬.我国气候生产潜力及其分区[J].自然资源，1985，19（3）：52-59.

智能决策支持系统研究 篇7

1 智能决策支持系统及其关键技术

1.1 DSS和IDSS概念及应用

决策支持系统 (DecisionSupportSystem) 这个概念是1970年由美国莫顿教授提出, 决策支持系统 (DSS, DecisionSupportingSystem) , 是以管理科学、运筹学、控制论和行为科学为基础, 以计算机技术、仿真技术和信息技术为手段, 针对半结构化的决策问题, 支持决策活动具有智能作用的人机系统。该系统能够为决策者提供决策所需的数据、信息和背景材料, 帮助明确决策目标和进行问题的识别, 建立或修改决策模型, 提供各种备选方案, 并且对各种方案进行评价和优选, 通过人机交互功能进行分析、比较和判断, 为正确决策提供必要的支持。此后它发展迅速, 在美国许多部门中成功地获得应用, 如对城市规划决策、商品销售决策等, 深受用户欢迎。经过国内学者的不懈努力, DSS在实际应用方面取得了丰硕的成果。这些方面的主要成就可以概括为以下几大方面: (1) 政府宏观经济管理和公共管理问题; (2) 水资源调配与防洪预警系统; (3) 产业 (或行业) 规划与管理、各类资源开发与利用决策; (4) 生态和环境控制系统的决策以及自然灾害的预防管理; (5) 金融系统的投资决策与风险分析与管理; (6) 企业生产运作管理的决策。

智能决策支持系统 (IDSS, IntelligenceDecision SupportingSystem) , 是人工智能 (AI, ArtificialIntelligence) 和DSS相结合, 应用专家系统 (ES, Expert System) 技术, 使DSS能够更充分地应用人类的知识, 如关于决策问题的描述性知识, 决策过程中的过程性知识, 求解问题的推理性知识, 通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统。IDSS的概念最早由Bonczek等人于80年代提出, 它的功能是, 既能处理定量问题, 又能处理定性问题。IDSS的核心思想是将AI与其他相关科学成果相结合, 使DSS具有人工智能。

1.2 IDSS的分类

根据IDSS智能的实现可将其分为以下4种类型。

1) 利用AI实现系统的智能, 又分为基于ES的IDSS、基于机器学习的IDSS和基于AI新技术Agent的IDSS。其中Agent的研究成为目前人工智能研究的热点, 主要有智能型Agent研究、多Agent研究和面向Agent的程序设计研究3个方面, 基于Agent的计算被认为是软件开发的下一个重要的突破。

2) 利用数据库领域的新工具———数据仓库、联机分析处理及数据挖掘技术来帮助实现智能。这些工具使用户在分析大量复杂数据时变得轻松而高效, 可以迅速做出正确判断。其中数据挖掘是从大型数据库或数据仓库中发现并提取隐藏在其中的信息的一种新技术, 它可以从DSS执行者没有想到去问的数据库中找出与决策问题相关的信息, 帮助决策者寻找数据间潜在的关联, 发现被忽略的要素, 并通过分析现有的方式来预期将来的行为。随着网络及数据库的普遍应用, 这种方法具有广泛的应用前景。

3) 利用逻辑观点、面向对象方法或关系来表示系统各部件, 使IDSS在总体上统一表示、相互协调以实现系统的整体智能行为。

4) 具有知识学习能力的IDSS。根据IDSS的学习能力的不同, 知识系统可分为静态知识系统和动态知识系统。静态知识系统的知识维护需要人工干预, 系统的行为在求解过程开始前就已经确定了, 而动态系统则可以自动从决策过程中获得经验, 自动对知识库进行维护与更新, 从而支持复杂环境下的决策过程, 反映了较高级的智能活动。

1.3 IDSS的关键技术

1.3.1 模型库系统的设计与实现

它包括模型库的组织结构、模型库管理系统的功能、模型库语言等方面的设计与实现。

1.3.2 部件接口

包括对数据部件的数据的存取、对模型部件的模型的调用和运行、对知识部件的知识完成推理。

1.3.3 系统综合集成

决策支持系统需要对数据、模型、知识、用户交互四个部件组成。需要强大的计算能力和数据处理能力, 一般的计算机语言如C、PASCAL、FORTRAN等不支持数据库的操作, 而VF、ORACLE、SQL等的数值计算能力不足。而决策支持系统既要数值计算又要数据库操作, 对开发语言的要求是很高的。

2 数据仓库、OLAP和数据挖掘的决策支持技术

数据仓库和OLAP是90年代初提出的概念, 到90年代中期已经形成潮流。在美国, 数据仓库已成为仅次于Internet之后的又一技术热点。数据仓库是市场激烈竞争的产物, 它的目标是达到有效的决策支持。大型企业几乎都建立或计划建立自己的数据仓库, 数据库厂商也纷纷推出自己的数据仓库软件。目前, 已建立和使用的数据仓库应用系统都取得了明显的经济效益, 在市场竞争中显示了强劲的活力。

数据仓库将大量用于事务处理的传统数据库数据进行清理、抽取和转换, 并按决策主题的需要进行重新组织。数据仓库的逻辑结构可分为近期基本数据层、历史数据层和综合数据层 (其中综合数据是为决策服务的) 。数据仓库的物理结构一般采用星型结构的关系数据库。星型结构由事实表和维表组成, 多个维表之间形成多维数据结构。星型结构的数据体现了空间的多维立方体。这种高度集中的数据为各种不同决策需求提供了有用的分析基础。数据仓库对底层数据库中的事务级数据进行集成、转换和综合, 重新组织成面向全局的数据视图, 为DSS提供数据存储和组织的基础。

随着数据仓库的发展, OLAP也得到了迅猛的发展。数据仓库侧重于存储和管理面向决策主题的数据;而OLAP则侧重于数据仓库中的数据分析, 并将其转换成辅助决策信息。OLAP的一个重要特点是多维数据分析, 这与数据仓库的多维数据组织正好形成相互结合、相互补充的关系。OLAP技术中比较典型的应用是对多维数据的切片和切块、钻取、旋转等, 它便于使用者从不同角度提取有关数据。OLAP技术还能够利用分析过程对数据进行深入分析和加工。OLAP从数据仓库中的集成数据出发, 构建面向分析的多维数据模型, 再使用多维分析方法从多个不同的视角对多维数据进行分析、比较。利用OLAP还可以实现实时行情的计算机模拟。

数据挖掘 (DataMining) 是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则, 为经营决策、市场策划、金融预测等提供依据, 使大型数据库作为一个丰富可靠的资源为知识归纳服务。数据挖掘技术涉及数据库、AI (人工智能) 、机器学习、神经计算和统计分析等多种技术, 它使决策支持工具 (DSS) 跨入了一个新阶段。实际上OLAP就是一种广义的、简化了的较浅层次的数据挖掘, 而数据挖掘是OLAP的扩展, 是使这一过程尽可能自动化的分析过程。数据挖掘以数据仓库和多维数据库中的大量数据为基础, 自动地发现数据中的潜在模式, 并以这些模式为基础自动做出预测。这些模式往往是动态的, 发现这些模式是非常重要的工作。根据这些模式可以进行投资决策, 这是开发的关键环节。数据挖掘表明, 知识就隐藏在日常积累下来的大量数据之中, 仅靠复杂的算法和推理并不能发现知识, 数据才是知识的真正源泉。

3 智能投资决策支持系统架构

证券投资决策支持系统的组件包括即时行情数据库和公司经营数据库, 以及数据接口模块, 数据接口模块负责把以上数据转换到数据仓库中。元数据 (Metadata) 是数据共享的基础, 可简单理解为数据的数据。内容上是关于数据的内容、质量、条件和其他特性的数据。

用途上是关于数据的结构化描述, 用于对数据的精确理解、搜索和处理。元数据为各种形态的数字化信息单元和资源集合提供规范、普遍的描述方法和检索工具, 为分布、由多种数字化资源有机构成的数据共享体系提供整合的工具和纽带。由于内在的统一性, 这种新架构很好地解决了相互间的衔接问题。数据仓库为OLAP提供了充分可靠的数据基础, 数据挖掘可以从数据仓库和多维数据库中找到所需的数据, 数据挖掘中发现的知识可以直接用于指导OLAP的分析处理, 而OLAP分析得出的新知识也可以立即补充到系统的知识库中。

4 总结

通过对证券投资决策支持系统的研究, 可以看出, 随着证券市场的飞速发展, 信息量增大、变化加快、种类增多, 在这样一种复杂的环境中进行决策, 充分利用数据挖掘等技术是今后投资决策支持系统发展的方向。

参考文献

[1]安淑芝.数据仓库与数据挖掘.北京:清华大学出版社[M].2005.

[2]蔚成香, 宁伟, 李艳.一智能决策支持系统的设计与实现[J].山东科技大学学报, 2001 (12) .

决策支持系统发展趋势研究 篇8

一、决策支持系统的概念

DSS是决策支持系统 (Decision Support System) 的简称。DSS的概念最早是由Scott Morton和Keen于20世纪70年代中期提出的, 是20世纪70年代末期兴起的一种新的管理系统。管理的核心是决策, 决策是一个过程。DSS是一种以计算机为工具, 应用决策科学及有关学科的理论与方法, 以人机交互方式辅助决策者解决半结构化或非结构化决策问题的信息系统, 是以特定形式辅助决策的一种科学工具。它通过人机对话等方式为决策者提供了一个将知识性、主动性、创造性和信息处理能力相结合, 定性与定量相结合的工作环境, 协助决策者分析问题、探索决策方法, 进行评价、预测和选优。

二、决策支持系统的主要类型

自20世纪70年代提出决策支持系统 (DSS) 以来, DSS已经得到了很大发展。从目前发展情况看, 主要有如下几种DSS。

1. 数据驱动的决策支持系统 (Data Driven DSS)

这种DSS强调以时间序列访问和操纵组织的内部数据, 也有时是外部数据。它通过查询和检索访问相关文件系统, 提供了最基本的功能。后来发展了数据仓库系统, 又提供了另外一些功能。数据仓库系统允许采用应用于特定任务或设置的特制的计算工具或者较为通用的工具和算子来对数据进行操纵。

2. 模型驱动的决策支持系统 (Model Driven DSS)

模型驱动的DSS强调对于模型的访问和操纵, 比如:统计模型、金融模型、优化模型和/或仿真模型。简单的统计和分析工具提供最基本的功能。一些允许复杂的数据分析的联机分析处理系统 (OLAP) 可以分类为混合DSS系统, 并且提供模型和数据的检索, 以及数据摘要功能。模型驱动的DSS的早期版本被称作面向计算的DSS。

3. 知识驱动的决策支持系统 (Knowledge-Driven DSS)

知识驱动的DSS可以就采取何种行动向管理者提出建议或推荐。这类DSS是具有解决问题的专门知识的人-机系统。”专门知识”包括理解特定领域问题的”知识”, 以及解决这些问题的”技能”。构建知识驱动的DSS的工具有时也称为智能决策支持方法。

4. 基于Web的决策支持系统 (Web-Based DSS)

基于Web的DSS通过“瘦客户端”Web浏览器向管理者或商情分析者提供决策支持信息或者决策支持工具。运行DSS应用程序的服务器通过TCP/IP协议与用户计算机建立网络连接。“基于Web”意味着全部的应用均采用Web技术实现。

5. 基于仿真的决策支持系统 (Simulation-Based DSS)

基于仿真的DSS可以提供决策支持信息和决策支持工具, 以帮助管理者分析通过仿真形成的半结构化问题。这些种类的系统全部称为决策支持系统。DSS可以支持行动、金融管理以及战略决策。包括优化以及仿真等许多种类的模型均可应用于DSS。

6. 基于GIS的决策支持系统 (GIS-Based DSS)

基于GIS (地理信息系统) 的DSS通过GIS向管理者或商情分析者提供决策支持信息或决策支持工具。通用目标GIS工具, 如ARC/INFO、MAPInfo以及Ar2c View等是一些有特定功能的程序, 可以完成许多有用的操作。同时, Internet开发工具已经走向成熟, 能够开发出相当复杂的基于GIS的程序让用户通过World Wide Web进行使用。

7. 通信驱动的决策支持系统 (Communication-Driven DSS)

通信驱动型DSS强调通信、协作以及共享决策支持。简单的公告板或者电子邮件就是最基本的功能。通信驱动型DSS能够使两个或者更多的人互相通讯、共享信息以及协调他们的行为。

5.基于数据仓库的决策支持系统 (Data Ware-Based DSS)

数据仓库是支持管理决策过程的、面向主题的、集成的、动态的、持久的数据集合。它可将来自各个数据库的信息进行集成, 从事物的历史和发展的角度来组织和存储数据, 供用户进行数据分析并辅助决策, 为决策者提供有用的决策支持信息与知识。

三、决策支持系统的发展趋势

随着新技术的出现和迅速发展, DSS的研究和应用也正在迅速发展。新一代DSS主要向以下几个方向发展:群决策支持系统 (GDSS) ;分布式决策支持系统 (DDSS) ;智能决策支持系统 (IDSS) ;决策支持中心 (DSC) 等。

1. 群决策支持系统 (GDSS)

群决策支持系统 (GDSS) 是在多个DSS和多个决策者的基础上进行集成、优化的结果。是由多个决策者的智慧、经验以及相应的决策支持系统组成的集成系统, 它以计算机及其网络为基础, 用于支持群体决策者共同解决半结构化、非结构化问题的决策问题。GDSS有利于群体决策成员思维和能力的发挥, 也可以阻止消极群体行为的产生, 限制了小团体对群体决策活动的控制。

2. 分布式决策支持系统 (DDSS)

DDSS是研究分布于多个物理位置上的决策体如何并发计算、协调一致地求解问题。这些分布在不同物理位置上的决策体构成计算机网络, 网络的每个结点至少含有一个决策支持系统或有若干辅助决策的功能。DDSS研究的重点是分布性和并发性。随着各种网络的普及和分布式操作系统、分布式数据库、知识库等成果的取得, 使分布决策支持系统成为今后DSS的一个重要发展方向。

3. 智能决策支持系统 (IDSS)

DSS为解决半结构化与非结构化的决策问题提供了有力的支持。同时人工智能领域研究在人的知识开发与利用上获得了重要的成果, 这些都可以弥补DSS的不足, 因此将人工智能引入DSS形成智能型DSS (Intelligence DSS) 。人工智能技术应用于DSS的程度与范围不同可以构成不同结构的IDSS, 由用户通过人机接口, 应用自然语言处理系统接入问题处理系统, 然后由推理机在模型库、数据库、方法库及知识库中进行搜索推理, 获取相关决策信息。

4. 决策支持中心 (DSC)

DSC的主要特点就是在DSS基础上, 采取了以决策支持小组为核心的人机结合的决策思想, 以及定性和定量相结合的综合集成方法, 以支持决策者解决决策问题。DSC是在把决策方法论、数据收集和分析方法、计算机支持技术和软件等结合起来的同时, 又融合了各科专家的技术经验、研讨结果和社会知识的一种综合集成决策支持系统。

5. 行为导向的DSS

所谓行为导向DSS (Behavior Oriented DSS) 是一个全新的角度即行为科学角度来研究对决策过程的支持, 其主要研究对象是人, 而不是以计算机为基础的信息处理系统, 主要是利用对决策行为的引导来支持决策, 而不仅仅用信息支持决策。

四、结束语

DSS的技术和理论不断发展, 从其发展趋势可以认识到:决策支持系统是专门为高层管理人员服务的一种信息系统, 它强调支持的概念, 是“支持”而不是“代替”人的决策主体。DSS也是一个高度灵活、交互式的计算信息系统, 主要解决半结构化问题结构化的决策问题。它涉及到计算机软件和硬件、信息论、人工智能、信息经济学、管理科学、行为科学等学科”, 帮助决策者提高决策能力与水平, 最终实现提高决策的质量和效果的目的。

参考文献

[1]中国科学院计算技术研究所智能信息处理重点实验室智能科学课题组.智能决策支持系统.[2006-07-18].http://www.intsci.ac.cn/dss/idss.html

[2]吴新年陈永平:决策支持系统发展现状与趋势分析[J].情报资料工作, 2007年第1期:57～58

[3]Bonczek, R, C.Holsapple, A.Whinston:Foundations of Decision SupportSystems.NewYork:Academic Press, 1981

[4]Chen Wei-Chou, Hong Tzung-Pei, Jeng Rong.A framework of decision support systems for use on the World Wide Web.Journal of Network and Computer Applications, 1999 (22) :1～17

[5]于永玲史瑞芬:数据仓库在决策支持系统中的应用[J].郑州航空工业管理学院学报, 2001, 20 (3) :78～80

[6]顾红艳:从DSS的发展重新认识决策支持系统[J].沈阳工程学院学, 2006, 2 (3) :330～332

煤炭企业决策支持信息系统 篇9

煤炭企业集团具有地域广、规模大、管理流程复杂、安全隐患多等特点,各类信息资源分散性强,数据收集、汇总、挖掘难度较大。煤炭企业决策支持信息系统以企业人、财、物、产、供、销等业务信息系统为基础,采用相应的数学模型对大量的指标和数据进行挖掘和分析,形成企业的关键信息,以文字、表格、图形、仪表盘图等形式提供给决策层和管理层,展示企业关键指标数据和业务信息,为企业科学决策奠定基础。龙口矿业集团有限公司在改造原有调度统计信息系统及其它各业务信息系统接口的基础上,建立了决策支持信息系统。

1 系统架构

煤炭企业决策支持信息系统总体架构如图1所示。

系统采用标准的决策支持系统模型设计,分为业务逻辑层、数据层、展现层。其中业务逻辑层从各业务系统抽取数据(或另行补录数据),数据层对数据进行保存和加工,展现层展现各类表格和图形。

2 系统数据来源及处理

2.1 数据来源

(1)煤炭销售数据:自动读取模块自动从煤炭销售系统数据库获取数据,并存储到决策系统数据库。

(2)物资、人力资源、财务及预算数据:从中间库系统实时接收数据。

(3) 生产业务数据:

由各生产单位每日直接填报产、销、存等指标数据。

2.2 数据存储

数据存储主要采用面向主题的数据仓库(集市)多维表结构和与业务系统对应的ODS(Operational Data Store,操作数据存储)层表结构。

(1) ODS层表结构针对生产和销售,用于存储各生产单位填报的日产量计划值、实际值和从销售系统获得的日销量数据值。

(2) 多维数据集表结构包括行业定义表(存储对煤、电、油、空分、水泥等的定义)、指标集定义表(存储各行业的KPI指标描述)、生产单位定义表(存储集团下属生产单位)、多维护数据值表(存储各单位各指标的计划值和实际值,为保证系统存取效率,数据表拆分为年、半年、季、月、周、日6套表结构)。

(3) 其它表结构包括专项调度模块表结构、生产计划表结构、资金计划表结构、系统表结构等。

2.3 系统数据加工处理流程

系统数据加工处理流程如图2所示。

销售ETL(Extract-Transform-Load,数据抽取、转换、装载):从销售系统读取数据,使用一台单独的转储服务器(信息中心分配的虚拟机)。通过调度统计中的相关填报模块可对数据进行修改。

调度统计:填报各个指标的日数据,并存入生产ODS表中。调度填报模块中的日计划值来源:生产计划→计划值转储→多维数据表(月)→月计划分解→调度填报界面。其中月计划分解是指可被调用的、从多维数据表取月计划值除以有效天数的计算功能。生产ODS表结构有煤炭生产日数据表结构、发电生产日数据表结构、页岩油产销存日数据表结构、空分产销存数据表结构、水泥产销存日数据表结构等。

日数据转储:将销售日数据和生产日数据汇总后转存到多维数据表中,并触发周、月、季、半年、年的自动汇总。

中间库客户端:决策系统内置一个中间库客户端,时刻监听中间库系统的通知。当物资、财务、人力资源等系统的月指标值产生或修改后,决策支持信息系统立即从中间库取月指标数据的值并对其进行更新。

专项调度和资金计划:两部分分别有相应填报与查询界面及保存数据的表结构,并与其它部分共享一些基础的数据表结构,如工作面状态类型等。

生产计划:生产计划填报模块提供填报界面,并将填报结果保存在生产计划系列表结构中。保存后触发计划值转储模块,系统自动根据配置将指定的指标计划值汇总到多维护数据表结构中。

多维数据表:为同比分析、环比分析、与计划对比、趋势分析、预警分析、预测分析等分析模型提供数据。

3 关键指标信息

通过分析各种数据指标的类型及属性,建立起一套企业关键性指标的体系结构,见表1。该指标体系共包含45个关键指标,囊括了企业财务、预算、生产、供应、库存、销售、人力资源、物资等所有业务环节。

4 系统功能

煤炭企业决策支持信息系统功能如图3所示。其中决策支持模块的特点是以数据驱动分析,在展现界面上显示主要指标的当日值、月累计值、年累计值,可组合指标、单位、时间周期3个维度的条件驱动各分析模型,还可实现面向特定业务主题的多维分析功能。

5 结语

煤炭企业决策支持信息系统对各业务系统的数据进行挖掘和分析,建立了企业关键性指标体系,为领导层和管理层提供了其最关注的指标信息,大大提高了企业决策的科学水平。

参考文献

[1]陈文伟.决策支持系统教程[M].北京:清华大学出版社,2004.

[2]张玉峰.决策支持系统[M].武汉:武汉大学出版社,2004.

[3]周国祥.基于数据仓库的决策支持系统设计与应用[J].现代计算机:下半月版,2008(9):118-121.

支持实时决策的商务智能研究 篇10

一、商务智能概念及其发展历程

商务智能 (Business Intelligence, BI) 最早是20世纪90年代末在国外企业界出现的, 是指将企业的各种数据及时地转换为管理者感兴趣的信息 (或知识) , 并以各种方式展现出来, 帮助管理者进行科学决策。这里的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商资料, 来自企业所处行业和竞争对手的数据以及来自企业所处的其他外部环境中的各种数据。这里的数据既包括企业内部的各种数据, 也包括企业外部的数据。从技术角度来看, 商务智能是重视分析数据的技术[1]。从应用的角度讲, 商务智能也可以被理解为DW+OLAP+DM。数据仓库 (DW) 是实现商务智能的数据基础, 完成了数据的收集、集成、存储、管理等工作, 使得商务智能更专注于信息的提取和知识的发现。数据仓库存储元数据和用于决策分析的数据。数据挖掘 (DM) 可以帮助企业在大量的数据中发现那些不能靠直觉发现的信息或知识。联机分析处理技术 (OLAP) 可以基于数据仓库中多维的数据进行在线分析处理, 生成新的信息, 又能实时监视业务管理的成效, 使管理者和决策者能自由地与数据相互联系。

商务智能的出现是一个渐进的、复杂的演变过程, 它经历了事务处理系统 (TPS) 、管理信息系统 (MIS) 、决策支持系统 (DSS) 和专家系统 (ES) 等阶段, 演变为今天的商务智能系统 (BIS) 。在决策支持系统基础上进一步发展起来的商务智能能够向用户提供更为复杂的商业信息, 可以更方便地定制各种报表和图表的格式, 能够向行政管理人员、技术人员和普通员工提供个性化的多维信息, 使分析处理信息的能力和信息的利用率大为提高。例如, 当用户想了解销售情况时, 可以得到按产品、产品/地区、产品/地区/客户分类的网上销售和正常柜台销售的各种样式的分析报告。在此基础上, 可以进一步解决决策时需要了解的各种问题, 并帮助企业更快、更好地制订和作出决策[1]。

目前, 商务智能通常被理解为将现有的数据转化为知识, 帮助企业作出明智的业务经营决策的工具。而商务智能能够辅助的业务经营决策, 既可以是操作层的, 也可以是战术层和战略层的决策。

第一代商务智能平台是在1992-1993年开发的基于Client /Server模式的固定报表工具;第二代在Client /Server /Browser三层模式下的商务智能工具, 尽管强化了查询功能, 但各个工具之间仍相互独立;2000年之后出现了N层模式, 用户的需求也越来越复杂。目前提出的第三代商务智能是在报表、查询的基础上, 增加了用于分析的指标模型、整合信息孤岛平台的信息门户和全方位满足用户的数据挖掘能力。

目前市场上的商务智能厂商可分为三大类:第一类是专门做商务智能软件的厂商, 如Business Object、Brio、Cognos;第二类是继承性的数据库厂商和统计软件厂商, 包括NCR、Microsoft、CA、Oracle、Sybase、IBM、SAS等;第三类是一些管理软件厂商, 如SAP、博科、用友、金蝶等公司。不同的人对商务智能的理解仍然不同。数据库服务商 (如Oracle、IBM、Sybase) 往往认为数据仓库是商务智能的核心, 数据展示服务商 (如Hyperion、BO、Cognos) 则认为商务智能就是联机分析 (OLAP) , 而数据分析服务商 (如SAS、SPSS) 认为数据挖掘才是商务智能的核心[2]。

二、企业决策与阻碍实时决策的3种类型滞后

1.企业决策定义及分类

根据Simon的决策理论, 企业中最重要的一项功能就是作决策, 良好的决策能够加速企业解决问题的速度, 提升企业的效能[3]。如今决策问题日益复杂, 大量的半结构化、非结构化问题需要解决, 大量的信息和知识需要处理, 而个人处理信息的能力十分有限, 因此, 使用信息系统如商务智能系统和知识管理系统来支持企业决策, 是必然的发展趋势。

决策制订广义上是指“从一组方案中选择最可能产生期望结果的方案的过程”[4]。决策制订可以看作是知识密集型的活动[5]。为选择一组方案, 决策制订者应首先获得关于每个可能选择的信息, 一旦可供选择方案的信息收集到了顶点, 就被认为是一条新的知识。

H.A.Simon定义决策过程包括4个阶段:智能、设计、选择、执行[6]。智能阶段, 决策者觉得需要作决策, 决策者收集决策需要的信息和知识并且按照企业目标评价知识;设计阶段, 形成可选择的行动方案, 决策者根据每个可选方案推测可能的结果, 可能的结果按照企业目标进行评价, 如果需要额外的知识, 应该返回到智能阶段;选择阶段, 决策者从可选方案中选一个, 可能几个可选方案有相似的结果, 可能没有一个可选方案满足决策者。在这种情况下, 决策者可以根据所提出的方案选择一个, 或者返回到前面制订方案的阶段形成新的可选方案或收集额外的信息;一旦选择了方案, 下一步就是执行或把选择付诸行动, 包括通知受到影响的个人下一步该做什么, 或者是简单地报告选择结果, 决策过程的高潮实际是执行。

企业面临的决策问题按性质可分为结构化、半结构化和非结构化3类问题。结构化决策是指在一种未来确定的自然状态条件下, 比较可行方案效益结果, 从中选择较优方案的决策。半结构化决策是根据不同自然状态下可能发生的概率进行决策。非结构化决策是指在非确定情况下能知道可能发生的各种自然状态, 但对各种自然状态的出现可能性无法估计情况下的决策。针对3种决策类型, 有相应的决策方法与模型作为支撑。商务智能系统可以帮助用户选择合适的决策方法与模型, 解决这3种类型的决策问题。

2.阻碍实时决策的3种类型滞后

对许多人来说, “实时”就是“即时”的同义词。尽管一些数据仓库的数据可以在很短的时间内被捕捉和输入数据仓库, 但大部分还是做不到的。一些数据仓库一个月更新一次, 一些数据“实时”的代价昂贵或者很困难[7]。本文讲的“实时”并不总是“即时”, 有时可以用“适时”来代替.

大部分情况下, 数据价值随着数据的滞后时间快速减少。不同的是, 滞后时间短的数据 (等于新的) 价值高于滞后时间长的。这就是实时决策吸引人的原因。Richard Hackathorn[8]提出了决策与时间滞后的有用观点 (参见图1) 。他定义了3种滞后:数据滞后、分析滞后、决策滞后。数据滞后指从事件发生到相关数据被存到数据仓库之间的时间;分析滞后指的是从数据存储到数据被分析并且可利用之间的时间;决策滞后指的是从获得有用的信息到采取行动之间的时间。这3种滞后可加成, 导致总的滞后。减少数据滞后和分析滞后主要依赖技术方案, 减少决策滞后依赖商业过程的变化和人们如何使用信息。提供更新的数据并不创造商业价值, 除非以“实时”的方式使用它。处理决策滞后总比数据滞后和分析滞后更具挑战性。

商务智能可以减少数据滞后、分析滞后和决策滞后, 增加商务价值。商务智能包括详细分析每个业务过程以寻找减少决策周期的机会, 实时商务智能支持实时决策。企业可以评估应用什么商务智能技术和产品作为实时方案。例如, 实施准时制的制造企业需要全天更新库存材料, 企业需要尽可能快的关于例外情况的报告[9]。

三、面向实时决策构建商务智能系统

1.企业决策与商务智能

许多学者强调为了进行战略决策和计划, 使用信息收集的方法创造商务智能和竞争优势的重要性。随着企业信息化进程的不断推进, 很多企业已积累了大量的业务数据, 企业需要运用商务智能技术对这些业务数据进行充分的挖掘并进行辅助决策, 以便在激烈的市场竞争中赢得主动和更多的商机。可以看出, 企业信息化是商务智能应用的基础, 商务智能最大限度地利用了企业信息化中的数据, 将企业数据整理为信息, 再升华为知识, 从而对用户提供最大程度的支持。商务智能系统支持企业操作层、管理层和战略层的各项决策活动。

2.支持实时决策的商务智能体系

商务智能从不同的数据源收集数据, 并从中提取有用的数据, 对数据进行清理以保证数据的正确性, 经提取、转换后将数据加载入数据仓库 (这时数据变为信息) , 然后通过联机分析处理工具、数据挖掘工具加上决策规划人员的行业知识, 对信息进行处理 (这时信息变为辅助决策的知识) , 最后将知识呈现于用户面前转变为决策[1]。商务智能帮助我们在业务管理及发展上做出及时、正确的判断。也就是说把各种数据及时地转化为管理者感兴趣的信息 (或者知识) , 然后根据这些信息来采取明智的行动。

商务智能作为一种信息集成解决方案, 从企业资源规划 (ERP) 、客户关系管理 (CRM) 、供应链管理 (SCM) 、办公自动化 (OA) 、电子商务 (E-Commerce) 以及外部环境扫描 (Environmental Scanning) 等系统获得数据, 通过商务智能分析工具 (如数据挖掘技术、平衡记分卡、OLAP等) 发现数据背后隐藏的商机或威胁, 了解企业和市场的现状, 把握趋势, 进行及时决策。决策支持是在商务智能基础上的再扩展, 支持实时决策的商务智能体系如图2所示。

实时商务智能建设的主要目标是支持实时决策。商务智能通过运用信息技术在不同层面为战略决策提供新的支持:提升决策者洞察力;支持信息获取与分析。商务智能系统可以从以下方面帮助企业获取更大的竞

争优势:显著提升企业决策水平;识别优质客户, 改善企业与客户关系;降低企业经营成本;创新业务模式。

近年来, 商务智能随着管理支持系统 (MSS) 的发展而变化, 自从20世纪80年代MSS作为整合报告和分析工具以支持管理任务的概念被提出以来, 主要是被动的、面向检索的和基于过去数据的。商务智能促进了一种主动的、给予模型的、预测的方法。在商务智能中, 智能常被定义为从大量商务和经济数据中发现隐藏的、固有的与决策相关的关系[10]。

商务智能能够充分利用现有的业务信息, 借助现代信息技术, 提取和组织有用的信息, 帮助用户在加强管理、促进营销和企业发展方面做出及时、正确的决策, 发现、分析和把握新的商机。

参考文献

[1]Charles P Seeley, Thomas H Davenport.KM Meets Business Intelli-gence:Merging Knowledge and Information at Intel[J].KM Review, 2006 (2) :10-15.

[2]黄晖.中国式商务智能五人谈[J].上海信息化, 2005 (3) :26-31.

[3]HA Simon.The New Science of Management Decision[M].Englewood Cliffs, NJ:Prentice Hall, 1977:39-81.

[4]P Balasubramanian, K Nochur, J C Henderson, et al.Managing Process Knowledge forDecision Support[J].Decision Support Systems, 1999, 27 (1) :145-162.

[5]C W Holsapple.Knowledge Management in Decision Making and Deci-sion Support[J].Knowledge, Technology and Policy, 1995, 8 (1) :5-22.

[6]J FCourtney.Decision Making and Knowledge Management in Inquiring Organizations:Toward a New Decision-making Paradigm for DSS[J].Decision Support Systems, 2001, 31 (1) :17-38.

[7]C White.Now Is the Right Time for Real-Time BI[J].DM Review, 2004 (9) :47-54.

[8]R Hackathorn.The BI Watch:Real-Timeto Real Value[J].DM Re-view, 2004 (1) .

[9]B S Sahay&Jayanthi Ranjan.Real Time Business Intelligence in Supply Chain Analytics[J].Information Management&Computer Security, 2008 (1) :28-48.

财务决策支持 篇11

【摘要】电力企业作为电力市场中的重要成员，时时刻刻都要面临市场的竞争压力，准确分析并科学结算发电成本，对合理控制发电成本具有重要意义，才能使企业获得最大的利润。论文对电厂报价辅助决策支持系统进行设计研究，并对其主要模块和功能作了简要地介绍。

【关键词】发电成本；电厂报价辅助决策支持系统

1.系统设计原则与功能需求

1.1设计原则。决策支持系统的目的是协助管理者做出科学决策，其三个主要成分包括对话部件、模型部件、数据部件。对话部件的功能是完成人机交互，即将用户需求转变为计算机内部可执行的形式，该部件通过控制、调用模型部件和数据部件，从而达到完成其目标的效果。模型部件有两个重要组成部分，模型库和模型库管理系统。模型库包括方法和组合模型，具有解决复杂实际问题的功能；模型库管理系统的主要功能是运行模型和管理模型，根据模型特点形成。数据部件也有两个重要组成部分，数据库和数据库管理系统，它是决策支持系统的重要组成部分，也是管理信息系统核心。它的主要功能是为模型提供数据，用以完成数据计算和非数值处理功能。同时，它也可以通过提供数据的形式起到辅助决策起作用。针对电厂发电报价的特点与具体流程，本文设计四库三功能的系统结构如图1所示。

1.2实现功能。电厂报价决策支持系统的主要实现如下几个功能：（1）数据采集存储及查询。采集电力市场与电力公司内部的实时数据，使管理人员能够及时、全面的掌握整个电网系统的运营状况，并合理分析电力市场的供需情况；（2）市场结算和校核。采集市场下载的年、月、日结算清单与带时间的上网关口电量，校核电量及费用，从而生成年、月、日的结算清单；（3）成本、收入及利润分析。对电厂发电以及提供的各类辅助性服务产品的收入进行计算，并按照年、月、日生成，以及汇总结算各种利润与校核表；（4）市场预测与分析。获取本公司发电的成本信息以及电力市场中各个发电商的历史报价信息，并预测未来电力市场的电价变化；（5）其他发电商市场状况分析。对电力市场中各发电商各机组的上网发电量、负荷率数据进行统计，并对其市场份额以及边际机组等情况加以分析；（6）报价辅助决策分析。分析、预测未来的电价市场情况，为管理人员报价提供辅助决策信息，并生成发电商年、月、日收入，利润汇总结算与校核表。

2.技术支持系统的框架与要求

2.1技术支持系统框架。根据发电报价辅助决策技术支持系统总体目标，其组成模块应包括成本管理、结算管理、报价管理、检修管理、经济运行、合同管理、数据接口以及浏览服务，其中系统的核心业务模块为报价管理模块、成本管理模块和结算管理模块，其系统结构框架如图2所示。

2.2系统总体技术要求。发电报价辅助决策技术支持系统的技术要求主要包括如下7条：（1）可靠性：即技术支持系统的可靠运行；（2）安全性：即采用适当加密防护措施，确保数据不泄露以及系统的安全运行；（3）完整性：即保证系统内部数据以及对外交易的完整性；（4）一致性：即系统内各种存储数据是一致的；（5）连续性：即保证系统在全年365天都具有连续服务的能力；（6）及时性：即数据及时传输与功能及时处理；（7）开放性：即给用户一定的操作自由，且能与其他厂商产品方便集成。

3.系统硬件体系结构与软件平台

3.1系统硬件体系结构。发电报价辅助决策系统是一个新型的复杂系统，它包含有多个子系统，且需要与多种外部系统进行数据信息交流。上述特征对系统的安全性、可扩充性、健壮性具有较高的需求，从而应付电力市场的复杂多变性以及应对灾难事件的发生。其结构设计需采取灵活的设计方式与安全可靠的硬件设备，系统硬件结构示意图如图3所示。

3.2系统软件平台。系统软件平台主要包括如下5个部分：（1）操作系统：Windows2000/XP；（2）数据库管理：SQL Sever 2000；（3）客户机操作系统：WIN2000/WIN98；（4）开发工具软件：Delphi 6.0、SPSS；（5）Web 开发工具：ASP、C#。

4.应用软件系统

根据电厂发电报价辅助决策技术支持系统的框架与功能需求，其结构如图4所示。

（1）系统功能模块。该功能模块是整个系统的基础部分，提供一些宏观的基础参数设置，具体功能有：用户组管理，用户密码管理，交易日设置，市场数据接收，系统维护以及安全日志管理；（2）合同管理模块。该功能模块主要进行合同的管理，其中包括对签订合约以及记录查询合约的完成进度，又可分为年度合同管理、月合同管理、日合同发电计划查询以及合约电量统计；（3）成本管理模块。该功能模块是电厂报价辅助决策支持系统的基本功能，主要对电厂成本的构成和影响因素进行分析，以掌握成本变动的规律，挖掘成本降低的潜力；（4）报价管理模块。该功能模块主要是按照电厂管理所要求的报表格式组织发电报价辅助决策系统里的数据信息，并调用Word、Excel等工具生成所需报表，提高办公管理的自动化水平；（5）结算管理模块。该功能模块主要进行电网与发电企业之间的财务结算；（6）经济运行模块。该功能模块主要是从电厂的生产管理系统中采集发电机组实际运行数据，为成本的结算以及管理提供基础数据；（7）浏览服务模块。该功能模块主要提供电力商品交易的窗口查询及信息沟通服务，其中包括实时发布和查询电力市场相关信息以及电厂报价、成本、结算等信息。

5.结语

本文本系統建立了适应电力市场环境的电厂报价辅助决策支持系统，并对该系统的构架与组成子系统进行分析，对辅助电厂电价管理决策人员具有一定的现实意义。

参考文献

[1]施泉生.企业资源计划与竞价上网辅助决策系统[J].上海电力学院学报，2002，18（2）：37-40

[2]尚金成.电力市场技术支持系统设计与关键技术研究[M].北京：中国电力出版社，2002

[3]于尔铿，周京阳.新一代电力市场技术支持系统[J].中国电力企业管理，2002，（4）：55-56

作者简介

作物灌水量决策支持系统开发 篇12

我国是世界上人均水资源最贫乏的国家之一,人均水资源占有量仅为2 300m3,约为世界人均的25%。农业用水量占全国用水总量的比例最高,约为70%,但是我国农业用水利用率却仅为 40%[1],浪费严重。水资源短缺是影响我国农业现阶段发展的一个重要因素。因此,节水灌溉是我国也是世界灌溉技术发展的总趋势[2]。

由英国科学家彭曼(Penman)提出的彭曼公式是目前FAO(Food and Agriculture Organization of the United Union)专家组唯一推荐的计算作物蒸腾蒸发量的标准计算方法,具有较高的精度和较好的通用性[3,4]。水量平衡方程是现今被广泛应用判断作物是否缺水的重要数学模型[5]。近几年,从作物的生理特性(如茎直径变化和叶水势)来判断作物需水量的研究也有很多,但目前难以建立数学模型。

本文以彭曼公式和水量平衡方程为基础,从系统功能、数据库设计和系统集成等方面着手,设计开发了实用化作物灌水量决策支持系统。

1 系统总体结构及特点

1.1 系统总体结构

系统从功能上分为决策支持、数据库管理、信息查询和系统说明4个子系统功能。系统在结构上以数据库为基本信息支撑,通过输入数据和调用数据库数据,实现计算作物蒸腾蒸发量和判断作物灌水量两大决策功能。系统总体逻辑结构如图1所示。

1.2 系统特点

该系统在Windows操作系统下以Visual Basic6.0为软件开发平台进行研发,数据库采用了Microsoft SQL + Access数据库和ADO数据库访问技术。从先进性和实用性等方面考虑,系统的设计与开发具有如下特点:

1)采用模块化程序设计思想。模块化的程序设计是按照适当的原则,将一个情况复杂、规模较大的系统按照需要实现的主要功能划分为若干个较小的和功能相对独立的部分,把实现同一种功能的类划分成一个模块,使其中每个部分实现一个独立的功能。每一功能均采用模块化的设计思想来提高系统的稳定性和运行效率。

2)采用面向对象的集成开发模式。本系统设计开发时采用了面向对象的集成开发环境和数据库,不仅使得在系统集成更为方便,集成的结果也是不需用户了解开发程序和数据库的操作,只需按系统的菜单和按钮导航就可以完成作业,而系统的菜单和按钮等也实现了有机集成。

2 系统功能

系统采用模块化程序设计思想,以菜单驱动的方式对系统进行了功能划分,其主要功能包括决策支持、数据库管理、信息查询和系统说明4个子系统功能。图2为系统主窗口。

2.1 决策支持

决策支持模块主要实现蒸腾蒸发量的计算和灌水量判定两个功能,这也是该系统的主要功能。

2.1.1 蒸腾蒸发量的计算

计算作物灌水量的关键环节是计算作物的实际蒸腾蒸发量ET。本系统采用彭曼公式作为数学模型计算参考作物的蒸腾蒸发量ET0,再用作物系数Kc乘以ET0,便得到作物的实际蒸腾蒸发量ET。操作员在“ET计算及保存”窗口中输入彭曼公式中用到的各个气象参数和作物系数等数据信息,由系统自动完成计算并保存。参数的输入必须保证齐全并且无误。作物系数可以由操作员自己确定,也可在系统中查询。此外还要输入日期,方便系统对数据进行标识和操作员阅读。系统有记忆功能,有些参数值是固定的,只需输入一次,以后由系统默认,无需再次输入,如测风速的高度、作物系数和地理信息。图3为ET计算及保存窗口。

2.1.2 灌水量判定

判断作物是否缺水和判定灌水量是该系统的最终目的。系统以水量平衡方程为理论依据来判断作物是否缺水。水量平衡方程为

Wt-W0=Wr+P0+K+M-ET (1)

式中 W0,Wt—时段初和任一时刻t时的土壤计划湿润内储水量(mm);

Wr—由于计划湿润层增加而增加的水量(mm),如果计划湿润层在时段内无变化则无此项;

P0—保存在土壤计划湿润层内的有效降雨量(mm);

K—时段t内的地下水补给量(mm),即K=k×t,k为t时段内平均每昼夜地下水补给量;

M—时段t内的灌水量(mm);

ET—时段t内的作物田间需水量(mm)。

由式(1)可以得出某时段t末的土壤计划层内含水量为

Wt=Wr+P0+M-ET+W0 (2)

为满足农作物正常生长需要,任意时段内土壤计划湿润层内的储水量必须保持在一定的适宜范围内,即通常要求不小于作物生长允许的最小储水量(Wmin)和不大于作物生长允许的最大储水量(Wmax),即

Wmin

当程序检测到Wt < Wmax时,应该对农作物进行灌溉,灌水量的范围为

Wmin-Wt

灌水量计算程序框图如图4所示,作物灌水量决策窗口如图5所示。

2.2 数据库管理

数据库主要包括基本数据库和实时数据库。基本数据库是相对稳定(即随时空变化不大)的数据,主要包括作物系数表、作物不同生育期参数表、管理员信息表和地理信息表;实时数据库是随时空变化较大的数据,主要包括气象信息表和水量信息表。

数据库管理功能主要包括数据的录入和数据更新。数据录入是对实时数据库而言,操作员通过界面输入数据,由系统完成保存;数据更新主要是对基本数据库而言,操作员可对数据表中的数据进行添加、删除和修改等操作。

2.3 信息查询

系统所需参数较多,有些参数比较固定,如作物系数、海拔、纬度和作物适宜含水率上下限等。对于此类参数,系统在研发过程中,编者查阅相关资料得到陕西省几个地区地理信息、几种作物不同时期的作物系数及适宜含水率的上下限,并存入数据库中,操作员可以自己确定也可在系统中查询。查询时,操作员可点击需要输入参数旁边的[查询]按钮查得。

2.4 系统说明

简要介绍该系统特点、适用性、总体结构以及系统主要功能,让用户对系统有一个大概的了解,可使用户更好地应用本系统。

3 系统应用

本系统研发完成后,开发人员利用陕西眉县小麦生长区域为试验点对系统进行了验证。该试验点的纬度为34.27°,海拔为518m,3月与4月份的作物系数分别为1.106,1.335,土壤类型为中壤土。输入2009年3月23日-2009年4月20日气象资料,并于2009年4月1日、2009年4月10日和2009年4月20日对小麦是否缺水进行了判断,结果如表1所示。图6为4月10日系统灌水量输出窗口。

4 结语

本文以判断作物是否缺水并计算作物灌水量为目的,根据彭曼公式和农田水量平衡方程,采用Visual basic 6.0开发了作物灌水量决策支持系统。该软件系统具有操作简单、界面友好、功能强大以及运行速度快捷等特点。另外,该软件系统是绿色软件,磁盘占用空间较小,利于推广应用。系统为农业灌溉用水的分析计算提供了便捷的分析软件,实现了数据的自动化分析,为提高作物灌溉的智能化水平提供了一套有效的决策支持工具。

参考文献

[1]李国臣,马成林.温室设施的国内外节水现状与节水技术分析[J].农机化研究,2002(4):8-11.

[2]吴普特,赵西宁,冯浩,等.农业经济用水量与我国农业战略节水潜力[J].中国农业科技导报,2007(6):13-17.

[3]单于洋,张新民,陈丽娟.彭曼公式在参考作物需水量中的应用[J].安徽农业科学,2008(10):4196-4197.

[4]茆智,李远华,李会昌.逐日作物需水量预测数学模型研究[J].武汉水利电力大学学报,1995(3):253-259.

[5]孙景生.浅析用水量平衡方程制定作物节水灌溉制度问题[J].水利科技与经济,1999(1):29-31.

[6]彭世彰,朱成立.节水灌溉的作物需水量试验研究[J].灌溉排水学报,2003(2):21-25.

[7]R G Allen.Using the FAO-56 dual crop coefficient methodover an evapotranspiration intercomparison study[J].Journalof Hydrology,2000,229:27-41.

[8]马耀光,张保军,罗志成.旱地农业节水技术[M].北京:化学工业出版社,2004.

[9]李远华,罗金耀.节水灌溉理论与技术[M].武汉:武汉大学出版社,2003.

[10]刘战东,段爱旺,肖俊夫,等.旱作物生育期有效降水量计算模式研究进展[J].灌溉排水学报,2007(3):27-30.

[11]夏继红,严忠民.农田灌溉决策支持系统的设计与实现[J].中国农村水利水电,2001(8):10-13.