系统协同度

2024-10-24

系统协同度（精选8篇）

系统协同度篇1

一、引言

改革开放以来,我国政府一直重视增加财政资金与金融信贷总量对农业的支持力度,但由于财政资金和金融资金的管理分散、协作不强,导致财政支农与金融支农均陷入效率不高的局面 ( 彭克强,2008) 。实现财税政策与金融资源的有效衔接,构造财政金融支农的协同发展框架,促进财政支农和金融支农的良性互动发展机制,具有重要的现实意义。

目前的文献主要集中于对财政支农或金融支农的单方面研究,存在一定的局限。例如,Allanson ( 2006 ) 、 Ahmad和Rana ( 2009 ) 、李燕凌 ( 2008) 、崔元锋和严立冬 ( 2006) 等围绕财政支农对农业经济发展、农民增收等方面进行了研究; Jim ( 2005) 、Apostu ( 2012) 、刘明康 ( 2010) 、洪正 ( 2011) 等围绕农村金融体系、金融信贷总量等对金融支农的作用进行了研究。近几年开始出现对财政金融支农的相互关系进行研究。石丹和魏华 ( 2010) 将协同学思想运用于财政金融支农的研究中,提出了财政金融协同支农的框架。彭克强 ( 2008) 建议将财政与金融有机整合起来,以发挥各自在支农上的比较优势,优化支农资金的政策功能和使用效率。温涛和董文杰 ( 2011) 运用我国30个省份的面板数据,对财政金融政策的总体效应和时空差异进行了实证分析。姜松 ( 2013) 运用GARCH模型发现,财政金融支农协同效率在短期中波动明显,长期中逐渐稳定增长。韩占兵 ( 2014) 利用离差最小化模型,对中国30个省区2009 - 2012年财政与金融支农的协同效率进行了测算。

综上,学者关于财政支农、金融支农的单方面研究成果较为丰富,而刚刚起步的财政金融协同支农的研究多集中于理论研究,对于财政支农与金融支农协同演化的实证分析相对不足。鉴于此, 本文运用协同学理论构建子系统有序度模型和复合系统协同度模型,选取1991 - 2013年的相关数据,从动态角度研究财政金支农与金融支农的协同演化趋势。

二、财政支农与金融支农的协同演化分析

协同学最早是由哈肯提出的,用于研究大量子系统间如何相互作用形成有序的空间结构,后来被经济学者借鉴运用于经济社会的研究。所谓协同演化是多个子系统持续的互动与演化,通过非线性路径相互作用,使复合系统由无序走向有序的过程。本文将财政支农与金融支农系统视为复合系统,它由不同属性的财政支农子系统和金融支农子系统复合而成,二者之间存在着复杂的非线性关系。

研究财政支农与金融支农的协同机理,实际上是研究财政与金融支农这个复杂系统中各要素之间的相互作用、相互依赖、相互影响路径,以及驱使该系统形成和发展的内在机制。两子系统具有各自的特性,通过序参量作用于农村经济,其中,财政支农的序参量为财政部门对农村的投入, 金融支农的序参量为金融机构对农户和农村组织的金融信贷。一方面,两者的支农渠道、方式不同。财政支农具有政策导向、公共职能及稳定资源配置的特点,是农业发展最基本的保障。政府通过直接的财政投入,促进农民增收和农村经济的发展。金融支农是农村市场中的政策性银行、合作性银行、商业性银行和邮政储蓄银行以及村镇银行等金融机构,通过信贷方式服务农村,支持农村经济的发展。另一方面,两子系统又是通过序参量之间的交流来相互支持、协同发展的。 ( 1) 财政支农通过财政投入和政策支持引导金融支农的发展。首先,财政资金对农村的直接投入可有效改善农村公共基础服务设施,完善农村金融投资环境、信用环境等,进而促进金融机构进入农村地区提供金融服务。其次,财政通过补贴、税收减免等财税政策对涉农金融机构进行政策支持,引导金融信贷的定向投放,对放大金融资金的支农效应有着促进作用。 ( 2) 财政支农必须要借助金融支农渠道才能发挥杠杆效应。首先,财政可通过政策性金融、合作性金融和商业性金融等多类金融渠道,将财政的政策补贴输导给农村经济组织,间接支持社会主义新农村建设。其次,金融机构可为财政支农资金提供支付和清算服务,并通过提供过渡性融资服务,弥补财政资金在运转上的不足。当财政支农与金融支农处于协同发展过程中时,不断增加的财政投入和财税政策会吸引更多的金融信贷资金投向农村地区,支持农村地区的发展,同时, 金融信贷的准确投放也能放大财政投入的效应, 吸引更多的财政支持。如此,财政支农子系统和金融支农子系统可通过正反馈作用实现螺旋上升状态,彼此之间相互影响、相互依赖,有序演进,逐步形成一个健康的促进农村经济发展的网络体系。

三、财政支农与金融支农复合系统模型构建

财政支农与金融支农复合系统用S = { S1,S2} 表示,其中S1、S2分别为财政支农子系统和金融支农子系统。我们先测量财政支农、金融支农子系统的有序度,然后用复合系统协同度表达财政支农与金融支农在发展过程中的协同演化程度。

( 一) 子系统有序度模型

考虑子系统Si,i ∈ [1,2],设其在发展过程中的序参量变量为fi= ( fi1,fi2,…,fin) ,其中,n ≥ 1,βij≤ fij≤ αij,j ∈[1,n],αij、βij分别为第i子系统第j序参量的最大值和最小值。系统Si序参量分量fij的系统有序度表达式为:

式 ( 1) 中,ui( fij) ∈ [0,1],其值越大表明序参量fij对系统有序的影响越大。

利用式 ( 2) 求得序参量fi对系统Si的总影响ui( fi) 。式 ( 2) 中,ui( fi) ∈ [0,1],ui( fi) 的数值越大,说明子系统有序度就越高。反之,系统的有序度则越低。

( 二) 复合系统协同度模型

本文在财政支农子系统S1、金融支农子系统S2有序度模型的基础上,构建财政支农与金融支农复合系统协同度模型。财政支农与金融支农复合系统协同度的测算是在时间序列的基础上,从二者有序度的变化中分析复合系统的协同状态。其系统协同度表达式为:

式中,u01( f1) 、u02( f2) 分别表示t0时刻财政、金融支农子系统的有序度,u11( f1) 、u12( f2) 分别表示t1时刻财政、金融支农子系统的有序度。财政支农与金融支农的总协同度c∈ [- l,1],其值越大意味着两子系统协同程度越强,反之则表明协同能力越弱。当u11( fi) > u01( fi) 与u12( fi) > u02( fi) 同时成立时,c为正值,说明财政支农与金融支农的复合系统处于协同演化状态; 当c为正值,但是值很小的时候,说明尽管两子系统方向上是协同的,但协同演化程度较低; 当u11( fi) > u01( fi) 与u12( fi) > u02( fi) 不能同时成立时,c为负值,说明财政支农与金融支农的复合系统不是协同演化的。

四、实证分析

( 一) 指标体系与数据选取

本文在借鉴前人支农指标体系的基础上,根据模型的设定要求,选取我国1991年至2013年的财政金融支农相关数据,构建如下的财政支农与金融支农复合系统协同度指标体系 ( 见表1) 。

财政支农 ( fis) 指标方面,按照中国财政支农统计口径的要求,财政对农业的四项基本支出主要包括支援农村生产和农林水利气象等部门的事业费 ( f11) 、农业基本建设支出 ( f12) 、农业科技三项费用 ( f13) 和农村救济 ( f14) 等4项指标。

金融支农 ( fin) 指标方面,本文主要考虑金融对农村的直接投入,从金融支农的规模角度选择了4个主要的指标,包括农村金融机构网点数 ( f21) 、农村金融机构从业人员数 ( f22) 、农业贷款 ( f23) 与农业保险 ( f24) 。由于村镇银行等新型农村金融机构成立时间较短,数据不完整,因此本文农村金融机构从业人员数和农村金融机构网点指标的数据均以中国农业发展银行、农村信用合作社、中国农业银行为对象统计。农业保险指标以农业保险额赔款及给付来统计。

( 二) 实证过程

首先,对原始数据采用 ( 4) 式进行标准化处理,以消除不同量纲、不同单位对分析的影响。

式中,fij为标准化的数据,fi为变量fij的均值, Si为变量fij的标准差。

其次,采用相关矩阵赋权法确定财政支农子系统和金融支农子系统的各指标权重。先用EXCEL计算各指标的相关矩阵F:

然后将Fi归一化得到相应各指标的权数为:

分别将财政支农与金融支农各指标标准化数据代入式 ( 5) 和式 ( 6) ,计算出财政支农子系统与金融支农子系统各指标的权重 ( 见表2) 。

再次,将经标准化处理后的数据和权重数值, 代入式 ( 1) 和式 ( 2) ,得到我国1991年至2013年的财政支农子系统与金融支农子系统的有序度, 见图1。

最后,将财政支农子系统与金融支农子系统有序度结果代入式 ( 3) ,以1991年为基期,得到1992年至2013年的财政支农与金融支农复合系统的协同演化程度,如图2所示。

( 三) 结果与分析

通过对我国1991年至2013年财政支农子系统与金融支农子系统有序度和复合系统协同度的测量,本文得出以下结果:

1. 财政支农子系统有序度逐年提高,尤其是在2007年以后,有序度大幅度提高,表明财政支农子系统发展过程逐渐有序。这主要与国家财政对农业的大力支持有关。从数据上看,1991 - 2013年,财政支农总额年均增长14. 27% ,2008年和2009年增幅甚至高达33. 5% 和47. 9% 。从支出结构来看,与2007年相比,2008年支援农村生产和农林水利气象等部门的事业费、农业基本建设支出、农业科技三项费用和农村救济费增幅分别为25. 4% 、75. 6% 、16. 8% 、247. 4% , 说明农业基本建设支出与农村救济费这两项支出对财政支农子系统的贡献相对较大、杆杠率较高,应加大这两方面的投入。

2. 金融支农子系统有序度波动较大,2003年之前有序度逐年提高,之后则呈下降的趋势。这与农村金融体制的变迁有关。1993年,国务院颁布《关于金融体制改革的决定》,开始推动农村金融体系改革。1996年底,农村信用社从中国农业银行独立出来,职能和业务范围逐渐适应农村地区的改革。1997年,中国农业银行完成由国家专业银行转向国有商业银行的改制。1998年,为适应粮食流通体制改革,中国农业发展银行强化了政策性扶农助农的职能。至此,以中国农业发展银行 ( 政策性金融) 、农村信用社 ( 合作性金融) 、中国农业银行 ( 商业性金融) 为代表的农村金融组织体系初步形成。2004年以来连续12年的中央一号文件强化了金融支农的政策,进一步加大了农信社、农业银行的改革步伐,邮政储蓄银行、新兴的村镇银行、小额贷款公司等新型金融机构相继落户农村,进一步完善了农村金融体系。但是,进入20世纪以来,由于农业的高风险性与商业银行的盈利性矛盾难以调和,大型商业银行调整战略规划布局,逐渐 “逃离” 县域地区,县域金融机构网点数和从业人数大幅减少,而农村信用社改革不彻底,功能性质出现 “异化”现象。与此同时, 中国农业发展银行的功能定位不明确与服务范围过窄现象并存,而农村新兴金融机构数量较少。整体而言,中国农村金融体制的变迁反映在了图1金融支农子系统的波动上。

3. 财政支农与金融支农复合系统协同度整体上是呈上升的趋势,但上升幅度太小,协同度始终在0. 2以下,处于低协同状态,表明金融支农和财政支农二者相互配合、相互协调的程度有所提高, 但协同发展机制尚未形成。究其原因,主要在于财政支农子系统和金融支农子系统具有不同性质的运动空间,有其特定的资本运作形式和不同的目标,支农的渠道不同,支农的方式各异,部门协作意识也不强。财政部门在安排支农支出时很少考虑金融资金的配合,抑制了财政资金的杠杆作用; 金融机构进行信贷投放时也极少考虑财政政策的引导,不能使农村金融资金发挥最大效用。近年来,随着学者对财政金融协同支农的研究逐渐深入,政府部门也开始关注财税政策与金融信贷的联动协同,2006年政府开始集中进行专项票据兑付,2007年试点推行农业保险保费补贴,2010年以来连续5年的中央一号文件均提出要加强财税政策与农村金融政策的有效衔接,但由于农村金融体系不完善,协调机制尚未建立,财政与金融部门缺少协同渠道,财政资金与金融资金很少结合起来统筹安排,不能发挥各自在支农方式上的比较优势,财政与金融的协同支农框架尚未形成。

五、结论与政策建议

本文运用协同理论将财政支农和金融支农组成一个复合演化系统,分析财政支农与金融支农的相互作用关系,构建财政支农子系统、金融支农子系统有序度模型和复合系统协同度模型,研究我国1991 - 2013年财政支农与金融支农的协同演化趋势。研究结果表明: 财政支农子系统有序度整体呈上升趋势,金融支农子系统有序度波动较大, 2003年之后呈下降趋势; 财政支农与金融支农复合系统协同度大体呈上升趋势,但上升幅度太小, 协同度始终在0. 2以下波动,表明财政支农与金融支农尚未形成良性互动机制。

针对以上财政支农与金融支农的发展状态, 本文认为可以从以下几方面着手促进财政支农与金融支农的协同发展。

1. 继续强化财政投入机制,科学整合财政支农支出各项资金。政府应当成立专门的部门用来整合和分配各项财政支农支出,对财政支农支出资金的整合和分配提供向导; 创新涉农资金运行机制,充分发挥财政资金的引导和杠杆作用; 优化财政支农支出结构,重点支持农业基础设施建设、农业结构调整、农业可持续发展、农村民生条件改善,改善农村的基本环境,提高农业生产的积极性,同时缩减支援农林水利事业费,压缩农村机构和人口等非必要事业消耗。

2. 继续深化农村金融改革,完善农村金融组织体系,促进农村金融市场多元化发展。增加金融机构在农村的网点以及从业人数,鼓励各种性质的银行创新 “三农”服务,大力推进农村普惠金融的发展; 探索建立政策性农业保险机构和再保险机构,由财政出资设立农业巨灾风险基金; 对涉农金融机构进行营业税免征或减免,降低农村保险机构的经营风险; 组建多层次的农村担保和风险分担机制,发挥财政资金的杠杆效用,降低农村金融机构的信用风险和农民的融资成本,优化农村信用环境。

3. 构建财政支农与金融支农的协同框架,搭建财政与政策性金融、合作性金融和商业性金融的协同平台。进一步推进农村市场改革,拓宽农村融资平台,激活农村资源的配置效率,形成政府与市场协同合作支农的新局面; 综合运用财政税收、货币信贷、金融监管等政策措施,推动金融资源继续向 “三农”倾斜,确保农业信贷总量持续增加、涉农贷款比例不降低; 继续发挥好营业税和所得税减免、财政贴息、信贷补贴等政策功能,进一步放宽政策补助主体,增大政策补助力度,激励农村金融机构开展涉农业务。

系统协同度篇2

用户报告

如皋站作为南通公路处协同巡查系统试点单位之一，在系统开发初期就积极参与其中。近年来，如皋站以智慧公路建设为目标，以协同巡查系统的推广应用为依托和载体，在处相关部门的指导和帮助下，举全站之力提升公路巡查管理智能化、综合化、精细化水平，智慧公路建设初显成效。

为解决路政、养护、路网”巡查“三合为一”，在一个平台上实施一次性巡查等的技术问题，我单位决定采用江苏省交通科学研究计划项目目《公路协同巡查平台研究》课题成果；我站又根据路政管理中队及养护巡查实际情况，在现有国省道巡查的基础上将县乡道的巡查一并纳入协同巡查系统体系，实现站长室、部门、中队、养护公司的全面覆盖。

（1）该系统采用3G网络传输和移动智能终端技术，将传统的“巡查——纸质记录、相机拍摄——返回单位录入系统——分发任务进行处理”的工作流程，调整为“巡查——现场录入系统、可现场分发任务——处理——反馈任务处理情况”，提高了巡查及下发任务的效率，整合了巡查资源，规范工作流程。(2)系统可以设定路政中队所管辖的路段，并可通过后台查询中队巡查的频率。日常巡查人员通过智能手机上报巡查信息，包括巡查人员的姓名与工号、巡查车牌号、巡查路线和桩号区间、天气等，实时上传巡查位置信息。巡查人员通过智能手机记录事件现场的图片、视频等信息，并且在图片上嵌入时间、GPS地点、巡查员等信息，将事件记录实时上报。快速传递存在问题或情况信息，便于相关人员第一时间掌握现场动态，实现全覆盖。

(3)领导可以通过后台查看事件处置全部流程，同时系统可以提供巡查的频率和覆盖面以及事件处理的质量，为单位的考核提供可靠的依据。便于单位领导了解整体工作开展情况，为决策提供思路；

(4)加强处理人员的责任意识，提高工作效率；(5)为事件处置情况留下工作痕迹，便于事件处置中部门中队间有效的沟通。

系统协同度篇3

源驱动力和制约因素,产业结构调整有利于促进水资源的可持续利用[3]。应用协同学的理论和方法探讨水资源系统与产业结构系统之间的关系,具有十分重要的意义。本文根据复合系统的特点,以协同学的协同理论为基础,确定了水资源系统和产业系统的序参量,用序参量描述系统有序程度,构造了水资源-产业复合系统发展协同度模型,分析了影响系统协同发展的因子,并对河北省水资源-产业系统协同度问题进行了研究。

1 协同学基本理论

1.1 协同基本原理

协同学处理问题的基本思想是把一个高维的非线性问题归结为同一组维数很低的非线性方程(序参量方程)来描述。序参量方程控制着系统在临界点附近的动力学行为。通过求解序参量方程,可以得到时间、空间或时空结构。

设系统的状态可以用具有n个分量的状态向量q=(q1,q2,…,qn)来描述,根据协同学数学理论,状态向量q对时间的微商可表示为

$\dot{q} (x ‚ t) = Ν [q (x ‚ t) ‚ \nabla ‚ α ‚ x ‚ t] + F (t) (1)$

式中: $\dot{q}$ (x,t)为状态向量对时间t的一阶导数;x为空间坐标向量;N为函数向量,它依赖于状态向量q;ᐁ为微分算子,这是因为在连续扩展介质中,可能存在扩展或波的传播;α为控制参数,表征环境对系统的约束;函数F(t)为来自系统内部或外部的各种涨落力。系统在控制参数的影响下,可能达到一种不稳定状态,在这种状态下,一些模(非稳定模)趋于生长,另一些模(稳定模)趋于衰减,存在多种可达的稳定状态。

1.2 协同的基本特征

系统工程发展面对形形色色的复杂系统,其中比较重要的一类即为复合系统。复合系统是由不同属性的子系统相互关联、相互作用、相互渗透而构成的,其最明显的特点就是复合性,表现为子系统众多且各具不同的属性,子系统之间关联关系复杂,这就造成了复合系统原理和机制的复杂性[4]。由于复杂性是客观事物固有的属性,因此复合系统是客观存在的,而且其存在具有普遍性。水资源-产业系统是一个复合系统,具有自组织的特点,其良性运行的条件是各个组成子系统之间协调发展。根据皮亚杰的观点,一个协同的复合系统具有3个基本性质,即整体性、转换性和自组织性。

2 水资源-产业系统协同度模型

2.1 水资源-产业系统

水资源-产业系统是指产业系统形成的产业部门以及各部门在水资源的利用过程中所形成的用水结构,如图1所示。该系统属于复合系统,具有自然系统与人造系统的双重特性。自然系统具有内部的自组织现象,人造系统则具有他组织的特征,因此,水资源-产业系统是可以自我调节的,它既具有自身调整的能力,同时,为了有效地进行转换,它又具有独立整合的能动性即自组织性。系统自我调整是在转换的同时发生的,是转换规律的另一种表现形式,是协同的具体体现。水资源-产业系统自我调整是依照一定的程式,经过不同的过程实现的,它受制于社会基本经济关系所决定的基本转换规律。

由于随机涨落的存在,一些子系统“涨”、“起”,另一些子系统“落”、“伏”,有些子系统在获取资源上处于优势,有些子系统在获取资源上处于劣势。而水资源-产业系统良性运行的条件是其各个组成子系统之间协同发展。由协同学可知,任何系统的自组织规律与他组织效应都服从于协同学的役使原理,因此,应从协同学的角度研究和分析水资源-产业系统的协同度。

2.2 协同度模型

根据复合系统的自组织、自适应特点,以协同学的序参量和支配原理为基础,建立水资源-产业系统协同度模型。

2.2.1 序参量的选择

建立协同度模型,序参量的选择至关重要[5]。选择序参量应把握2个基本原则,即科学性原则和实用性原则。科学性原则是指所选择的序参量要有明确的实际意义,在系统发展过程中起主导作用,而且能够反映水资源-产业系统及各子系统之间的关系,这有利于综合评价区域产业系统与水资源供给方面的协调性,为区域社会、经济、环境全面协调地发展提供理论依据。实用性原则是指选择的指标不宜过多,序参量也不宜太多。

根据科学性原则和实用性原则,水资源系统选取主要能反映水资源利用效率和用水结构方面的指标作为序参量指标,即农业用水定额、工业用水定额、第三产业用水定额、工业用水重复利用率和农业用水比例;产业系统选取主要能反映国民生产总值变化和产业结构状况方面的指标作为序参量指标,即三次产业增加值、第二产业增加值占GDP比重和第三产业增加值占GDP比重。

2.2.2 系统有序度

首先给出系统有序度的概念[6]。考虑子系统Sj,j∈[1,k],设复合系统发展过程中的序参量为ej=(ej1,ej2,…,ejn),其中n≥1,βji≤eji≤αji,i=1,2,…,n。不失一般性,假定:ej1,ej2,…,ejl取值越大,系统有序度越高;其取值越小,系统有序度越低;ejl+1,ejl+2,…,ejn取值越大,系统有序度越低;其取值越小,系统有序度越高。

水资源-产业复合系统包括水资源系统和产业系统,水资源系统发展过程中的序参量为e1=(e11,e12,…,e1i)。根据系统有序度的概念,定义水资源系统序参量分量e1i的有序度为

$u_{1} (e_{1 i}) = {\begin{matrix} \frac{e_{1 i} - β_{1 i}}{α_{1 i} - β_{1 i}} & (i = 1 ‚ 2 ‚ \dots ‚ l) \\ \frac{α_{1 i} - e_{1 i}}{α_{1 i} - β_{1 i}} & (i = l + 1 ‚ l + 2 ‚ \dots ‚ n) \end{matrix} (2)$

式中:α1i,β1i分别为属于水资源系统第i个指标的上限值和下限值。由该定义可知,u1(e1i)∈[0,1],其值越大,e1i对水资源系统有序的贡献越大。

从总体上看,序参量对水资源系统有序度的总贡献可通过u1(e1i)的集成来实现。集成的常用方法是几何平均法和线性加权法,即

几何平均法

$u_{1} (e_{1}) = n \sqrt{\prod_{i = 1}^{n} u_{1} (e_{1 i})} (3)$

线性加权法

$\begin{array}{l} u_{1} (e_{1}) = \sum_{i = 1}^{n} ω u_{1} (e_{1 i}) \\ (ω \geq 0 ‚ \sum_{i = 1}^{n} ω = 1) (4) \end{array}$

式中:ω为权重。

可知水资源系统有序度u1(e1)∈[0,1],u1(e1)越大,水资源系统序参量e1对系统有序的贡献越大,水资源系统有序度就越高,反之则越低。

设产业系统发展过程中的序参量为e2=(e21,e22,…,e2i),按照水资源系统有序度的计算方法,可得产业系统序参量分量e2i的有序度为u2(e2i),u2(e2i)∈[0,1]。

2.2.3 系统协同度

设在初始时刻t0时,水资源系统有序度为u01 (e1),产业系统有序度为u02 (e2),当系统演化到t1时刻时,水资源系统有序度为u $_{1}^{1}$ (e1),产业系统有序度为u $_{2}^{1}$ (e2)。若u $_{1}^{1}$ (e1)≥u $_{1}^{0}$ (e1),u $_{2}^{1}$ (e2)≥u02(e2)同时成立,则称水资源-产业系统是协同发展的,其协同度模型为

$\begin{array}{l} Τ (t) = θ \sqrt{| [u_{1}^{1} (e_{1}) - u_{1}^{0} (e_{1})] [u_{2}^{1} (e_{2}) - u_{2}^{0} (e_{2})] |} \\ 其中 θ = \frac{\min [u_{j}^{1} (e_{j}) - u_{j}^{0} (e_{j}) \neq 0]}{| \min [u_{j}^{1} (e_{j}) - u_{j}^{0} (e_{j}) \neq 0] |} (5) \\ (j = 1 ‚ 2) \end{array}$

调解系数θ的作用在于,当且仅当u $_{1}^{1}$ (e1)≥u $_{1}^{0}$ (e1),u $_{2}^{1}$ (e2)≥u02(e2)同时成立,即水资源系统和产业系统在t1时刻的有序度同时大于各自在t0时刻的有序度时,水资源-产业复合系统才有正的协调度。

注:数据来源于《河北省统计年鉴》和《河北省水资源公报》。

3 实证研究

以河北省为例,利用本文构造的水资源-产业复合系统发展协调度模型,对河北省水资源-产业系统协调度问题进行分析。

3.1 序参量上下限的确定

对于取值越大系统有序度越高的指标,选取1989~2005年中的最大值作为上限值,最小值作为下限值;对于取值越大系统有序度越低的指标,选取1989~2005年中的最小值作为上限值,最大值作为下限值。

3.2 序参量无量纲化

由于各序参量的观测单位不同,因而需对原始数据进行标准化处理,使不同的单位、不同数据级的序参量指标无量纲化。序参量标准化的公式为

$\begin{array}{l} R_{i} = e_{j i} - \bar{e_{j i}} / σ_{i} \\ (j = 1 ‚ 2; i = 1 ‚ 2 ‚ \dots ‚ n) (6) \end{array}$

式中: $\bar{e_{j i}}$ 为均值;σi为标准差。

3.3 有序度

根据上述指标选取河北省1989~2005年的统计样本数据(表1),利用式(2)和式(3)计算水资源-产业系统的有序度,计算结果如图2所示。在使用几何平均法计算子系统的有序度时,为了避免某些序参量有序度为0时,使得整个子系统的有序度变成0,将序参量有序度为0的指标改成一个非常小的正数,本文设定为0.000 1。其中各产业用水定额用万元增加值用水量表示。

由图2(a)可知,1989~2005年,河北省水资源系统有序度总体上在不断提升,但波动频率较高,多次出现无序发展状态,其中1990~1991年、1993~1996年和2003~2004年,水资源系统有序度呈下降趋势,系统所属的序参量协同作用比较差。水资源系统的农业用水定额序参量、工业用水定额序参量、工业用水重复利用率序参量均朝有序方向发展,对系统有序度贡献最大,而第三产业用水定额序参量和农业用水比例序参量属于无序发展,这说明第三产业用水量得不到稳定保障,农业生产结构和用水结构还不合理,节水农业应该是未来河北省农业发展的主导方向。由图2(b)可知,1989~2005年,河北省产业系统有序度大体呈上升趋势,1991~1993年,产业系统有序度呈现快速增长态势,但其后在1993~1995年和2004~2005年间,产业系统有序度出现了下降的状况。通过产业系统所属序参量分析可知,GDP稳定增长有序发展,但三产结构的调整没有朝着有序方向发展,这说明产业系统内部在获取物质、能量和信息时出现不平衡现象。

3.4 协同度

以子系统有序度为中间变量,以初始系统有序度为基准,应用式(5)的复合系统协同度模型,计算得到河北省水资源-产业复合系统协同度,其变化趋势如图3所示。

从图3可以看出,1989~2005年,河北省水资源系统和产业系统的协同发展没有一定的规律性,二者之间的关系呈波浪形。协同度的波动频率较高且波动幅度不等,正值越大,说明水资源与产业系统发展的协同程度越高;而出现负值时,说明水资源与产业系统发展不协同。其中,1990~1991年期间的不协同,是由于水资源系统有序度下降,而产业系统发展是有序的;1993~1996年、2003~2004年期间的不协同,是因为水资源系统和产业系统发展均呈无序状态,当且仅当水资源系统和产业系统同时有序发展时,水资源-产业系统才能协同发展。

4 结论

通过对河北省水资源-产业复合系统发展协同度分析表明,目前河北省产业结构和用水结构均存在不合理的问题,主要体现在:用水结构不合理,农业用水比例偏大;产业结构发展不合理,第一产业比重偏高,第三产业比重较小。河北省农业用水比例虽然在缩小,但农业用水仍然是大户且其水资源利用率低,要减少农业用水量,做好节水工作是关键。

笔者建议,一方面通过调整农业生产布局和用水结构等节水措施,减少农业用水量;另一方面,要制定有利于第三产业发展的产业政策,推动第三产业的发展,以适应河北省工业化进程的步伐,更好地为其他产业的发展服务,促进三次产业向有序化的方向协同发展。

参考文献

[1]颜泽贤.复杂系统演化论[M].北京:人民出版社,1993:17-21.

[2]HAKAN H.Synergetics,an introduction:nonequilibrium phasetransitions and self-organization in physics,chemistry and biolo-gy[M].3rd ed.[S.l.]:Springer,1983.

[3]蔡继,董增川,陈康宁.产业结构调整与水资源可持续利用的耦合性分析[J].水利经济,2007,25(5):43-45.

[4]韩文秀,金锐,张俊艳.复合系统及其协调的一般理论[C]//许国志.系统科学与工程研究.上海:上海科技教育出版社,2000:460-469.

[5]CRAMER F.Chaos and order:the complex structure of livingsystems[M].New York:VCH,1993:214.

系统协同度篇4

根据协同理论, 各子系统及其组成要素通过各方面的复杂相互作用, 藕合出全新的整体效应, 从而使系统整体发挥出的作用远远超出系统内各项子系统所能发挥的功能之和, 最终引起系统发生质变, 形成一种比合作更复杂和高级的相互作用形式[2]。高技术产业技术创新系统是以政策、经济等市场环境为保障, 以技术进步和特定创新产出为目标的复杂网络体系。产业的技术创新过程主要包含产业内的技术研发、技术应用与转换两个阶段, 才能使创新的技术带来特定的商业价值。高技术产业技术创新效率的高低受技术创新每一个阶段的影响, 本文将高技术产业技术创新系统主要分为技术创新环境、技术创新辅助、技术研发以及技术应用四个子系统。

1 研究设计

1.1 系统协同度模型

高技术产业技术创新系统由无序走向有序的关键在于系统内各子系统以及各子系统内的序参量之间的协同作用, 它控制着系统变化的特征与规律[3,4]。而技术创新系统协同度正是度量这种协同作用的尺子。本文从产业技术创新系统内部的序参量考虑, 应用目前普遍接受的复合系统协同度模型确定高技术产业技术创新系统的协同度。

1.2 技术创新效率模型

为进一步分析高技术产业技术创新效率的变化趋势, 本文采取Andersen和Petersen (1993) 提出的对有效DMU进一步作有效区分的方法, 即“超效率”模型。

1.3 指标选择

产业创新环境涉及的指标较多, 但一般而言, 产业技术创新环境的优劣可以由新开工项目、投资额、新增固定资产等指标反映, 这些指标反映了高技术产业产业技术创新环境的状态以及走向[5,6], 技术研发系统中, R&D经费内部支出额与新产品开发经费支出能够较好的体现研发资源的投入情况, 同时能够展现出企业用于企业内部开展R&D活动的实际支出。技术应用与改造系统, 一般包含技术的引进、吸收、消化以及产品的研发、销售等阶段, 将新研发的技术以及转移的技术投入生产并实现商业化价值的转换。技术研发阶段所产出的专利技术, 将直接作为企业第二阶段技术应用阶段的投入;“大中型高技术企业购买国内技术经费支出”和“大中型高技术企业技术改造费用”等变量, 能够充分反映高技术产业在技术转移过程中, 对技术创新应用与改造的投入力度[7];同时, 专利的产出、技术的应用与改造以及新产品的开发经费将作为技术应用子系统的序变量。而新产品销售收入则反映了研发成果的商业化水平, 同时体现出工艺流程或产品改进等其他研发效应的最终经济价值[8]。创新辅助系统中, 主要考虑企业自办研发机构和合作研发机构, 其经费支出是指除去企业研发、技术应用与改造费用之外的直接投入到研发机构的费用。现将高技术产业技术创新系统指标体系汇于表1。

2 数据测算

2.1 技术创新系统协同度测算

本文借助复合系统协同度模型, 用协同度来描述研发资源系统各子系统之间协同发展水平, 系统由无序走向有序的趋势。本文采取的样本为《中国高技术产业统计年鉴》2000年~2013年的年度数据, 并对原始数据进行标准化处理, 以消除数据不同量纲的影响, 来测算高技术产业技术创新系统算各子系统有序度, 最终得出高技术产业的技术创新系统协同度, 本文所涉及行业有电子及通讯设备制造业、航空航天器制造业、电子计算机及办公设备制造业、医疗设备及仪器制造业、医药制造业。

在对高技术产业四个创新子系统有序度进行测度基础上, 结合复合系统协同度模型中的公式 (3) , 以2000年四个子系统的有序度数据为基准指标, 进一步测算我国高技术产业技术创新系统协同度。具体计算结果如图1所示。

从图1可以看出, 我国高技术产业技术创新系统协同度处于不断增长态势。尤其在近几年增长较为明显。说明我国高技术产业在技术创新资源系统处于一个稳定协同的发展状态, 各个子系统之间的协同程度在稳步增长, 整个高技术产业技术创新系统在慢慢的由无序走向有序的状态。

2.2 系统协同度与技术创新效率关系研究

技术创新从投入到产出是一个过程, 从投入到产出有一定的时滞性和累积性。本文以一年作为技术研发到专利产出以及技术应用到商业价值转换的时滞期, 在进行数据计算时, 设技术研发系统的资源投入为第t年、研发系统的产出为第t+1年、技术应用系统的投入为第t+1年以及应用系统产出分别为第t+2年。数据统计以第t年作为技术创新事件的起始点。根据超效率DEA模型, 应用EMS1.3测算2000年~2013年我国高技术产业技术创新系统效率, 测算结果如图2所示。

测算结果表明, 技术研发阶段的效率处于稳定增长阶段, 技术应用阶段效率相对较好, 在技术有效状态上下波动。在技术研发与技术应用系统的技术创新效率测算中分别都出现了效率值超过1的值, 这是因为在采用超效率模型对决策单元的效率进行测评时, 如果是有效决策单元, 生产前沿面会发生改变, 具体地将是向后移动, 这样一来其所测度的效率值就会超过1, 如果是非有效决策单元, 则不会发生改变[9]。基于此, 运用2000年~2013年高技术产业的数据, 采用单因子回归建模, 验证高技术产业技术创新系统的协同度对高技术企业技术创新效率的正向作用。

通过以上数据分析, 高技术产业技术创新系统协同度与产业技术创新效率在0.01的水平下存在显著的相关关系, 回归结果得出系数值为1.08, 在0.01的水平下通过检验, 表明了高技术产业技术创新系统协同度提升高0.1, 产业的技术创新效率就会提高0.108, 对于高技术产业的技术创新来说正向促进的作用明显。

3 结语

中国高技术产业技术创新系统协同度稳定增长, 尤其是在2010年~2011年增长迅速, 而2010年之前未能快速增长的主要原因是技术研发子系统有序度增速低于技术应用子系统有序度的增速, 制约了技术创新系统协同度快速增长。同时, 早期由于技术研发的不足, 使高技术产业整体的技术创新效率难以有较大的提升, 这就要求高技术产业在发展的时候要兼顾技术研发与技术应用的协同发展。

高技术产业技术创新系统是一个开放式复杂系统, 系统的总目标是通过不断的整合系统内的创新要素来实现系统整体效益的提升, 经实证研究, 高技术产业技术创新效率的提升受各个技术创新子系统之间的协同度水平的影响, 而不仅仅取决于各子系统以及各项资源的发展水平, 高技术产业技术创新系统协同度的提升将正向促进高技术产业技术创新效率的提升, 高技术产业技术创新系统协同度越高, 高技术产业技术创新效率就越高。高技术产业在兼顾技术研发与技术应用的同时, 应重视创造良好的技术创新市场环境以及产学研协同网络的建设, 促进高技术产业技术的健康快速发展。只有整个高技术产业技术创新系统处于高度协同状态, 才能实现良好的协同作用, 对高技术产业技术创新效率的提升形成良好促进作用。

从企业的角度来看, 企业技术创新效率的提升取决于企业技术创新系统中各项资源要素的有机结合与协同配置, 形成有序的技术创新系统结构, 这就意味着企业要提升技术创新效率, 不仅要加强企业内部各组织部门间的协同配合, 更要加强协同资源的建设, 关注各项资源整体协同效能的发挥, 当企业的技术创新资源要素通过合理配置实现了良好的协同发展时, 那么这种协同就会对企业技术创新效率的提升起到积极的促进作用。

参考文献

[1]贾军, 张卓.中国高技术企业业务协同发展实证分析[J].中国科技论坛, 2013, 1 (01) .

[2]彭纪生.中国技术协同创新论[M].北京:中国经济出版社, 2000.

[3]孟庆松, 韩文秀.复合系统协调度模型研究[J].天津大学学报:自然科学与工程技术版, 2000, 33 (04) .

[4]吴跃明, 郎东锋, 张子珩, 等.环境—经济系统协调度模型及其指标体系[J].中国人口:资源与环境, 1996 (2) .

[5]张炜.创新环境、产业环境与转型绩效关系研究——以江浙企业为样本[J].科技管理研究, 2010, 30 (19) .

[6]汪良兵, 洪进, 赵定涛, 等.中国高技术产业创新系统协同度[J].系统工程, 2014 (3) .

[7]刘志迎, 谭敏.纵向视角下中国技术转移系统演变的协同度研究——基于复合系统协同度模型的测度[J].科学学研究, 2012 (4) .

[8]张华平.高技术产业创新投入与产出灰关联分析[J].中央财经大学学报, 2013, 1 (3) .

我国医药制造业发展的协同度研究篇5

一、医药制造业组织系统分析

协同学是20世纪70年代初联邦德国理论物理学家哈肯 (H.Haken) 创立的。其基本思想是在生命和非生命的开放系统内的各个系统, 当它们处在一定的条件下时, 就会通过非线性的相互作用而产生协同作用和相干效应, 使系统从低级发展到高级、从无序发展到有序的状态[1]。系统良性运行的基本条件是其各个组成部分或子系统之间的协调发展。协同度即指系统之间或系统组成要素之间在发展演化过程中彼此和谐一致的程度[2]。

据此, 医药制造业产业组织系统可分为三个相互联系作用的子系统:经济效益系统、科技进步系统和环境支持系统。其中, 经济效益系统是产业组织系统协同演化的核心内容;科技进步系统是实现经济效益的动力源泉;环境支持系统是实现经济效益的自然基础。产业的发展不单纯取决于产业的经济效益, 各子系统之间的协同度对产业的健康发展至关重要。因此本文基于协同度的序参量原理和役使原理, 运用复合系统协同度模型, 对我国医药制造业发展过程中各子系统的协同度进行实证分析, 有助于合理评价产业发展的态势。

二、协同度模型

设医药制造业的子系统为Sj, j∈[1, 3], S1表示经济效益系统, S2表示科技进步系统, S3表示环境支持系统。设子系统在发展过程中的序变量为ej= (ej1, ej2, …, ejm) , m≥1, βji≤eji≤αji, i∈[1, m]。假设ej1, ej2, …, ejl的取值越大, 系统的有序程度越低, 反之则系统有序程度越高;假设ejl+1, …, ejm的取值越大, 系统的有序程度越高, 反之则系统有序程度越低。则子系统的序变量分量有序度的计算公式为:

其中, αji和βji分别是第j个子系统在第i个指标的上限值和下限值。由公式 (1) 可知, uj (eji) ∈[0, 1], 其值越大, eji对相应子系统有序的“贡献”越大。

从总体上看, 子系统的有序度可利用如下所示的公式进行计算:

式中满足以下条件:

由公式 (3) 可知, C∈[-1, 1], C的取值越大, 表示复合系统的协调发展的程度越高, 反之则越低。此外, 对公式 (3) 还有以下说明:整个复合系统的协同度是由所有子系统共同决定的, 如一个子系统的有序程度较大, 而另一子系统的有序程度较小或下降, 则整个复合系统的协同度就不高, 此时表现为C∈[-1, 0]。

三、指标选取

(一) 经济效益系统的序变量

本文选取资产负债率、流动资产周转次数、成本费用利润率、产品销售率、总资产贡献率这5项指标作为产业经济效益系统的序变量, 可反映系统的财务效益、资产营运、偿债能力和发展能力。

(二) 科技进步系统的序变量

本文选取R&D经费占主营业务收入比重、新产品开发经费支出占新产品销售收入比重、R&D活动人员折合全时当量的企业均值、新产品产值占当年总产值比重、企业年均专利申请和拥有数, 这5项指标作为科技进步系统的序变量, 反映产业技术创新能力, 这是产业科技进步的基础。

(三) 环境支持系统的序变量

环境与经济增长是同一硬币的两面, 经济增长将受到自然资源的制约而不能长期持续, 为了达到产业的增长目标, 必须重视环境系统的保护。环境治理的重点就是三废排放, 因此本文选取医药制造业工业废气排放量、工业废水排放总量和工业固体废弃物产生量, 这3项指标来说明医药制造业环境支持系统的发展变化。

四、实证分析

(一) 数据标准化处理方法

在序变量确定之后, 首先对原始数据进行整理, 原始数据来自《中国统计年鉴》和《中国高技术统计年鉴》, 整理结果见表2。

由于各评价指标的性质不同, 具有不同的量纲和数量级, 当各指标间的水平相差很大时, 如果直接用原始指标值进行分析, 就会突出数值较高的指标在综合分析中的作用, 相对削弱数值水平较低指标的作用。因此, 为了保证结果的可靠性, 需要对原始指标数据进行标准化处理。本文采取z-score标准化方法, 即基于原始数据的均值 (mean) 和标准差 (stan dard deviation) 进行数据的标准化。

设Xij为第i年第j项统计指标数值 (i=1, 2, …n;j=1, 2, …p)

令Sj为第j项统计指标的样本标准差, 即

(二) 数据运算结果

计算协同度的一个关键问题是确定序参量的上、下限。本文采用自身对比方式, 由于数据的平均变化幅度在10%左右, 所以序变量上限值和下限值分别取2005-2012年最大值和最小值的110%。将按上述标准化处理后的数据代入公式 (1) , 得到各子系统序变量的有序度, 如表3所示。

最后, 将表3中的数据代入公式 (2) , 得到各子系统的有序度, 并以2005年为基年, 将各子系统有序度的数据代入公式 (3) , 得到我国医药制造业系统的协同度, 如表4所示。

(三) 分析与结论

1.经济效益系统有序度分析

2005-2012年间, 我国医药制造业的经济效益子系统呈现显著有序的良性演化。有序度由2005年的0.07, 增长为2012年的0.89。此期间, 医药制造业的促进政策, 跨国医药制造业向中国等发展中国家转移, 中国社会的老龄化和新医改政策使医药市场需求扩大, 这些成为医药制造业快速增长的有利因素。然而, 从2010年以后, 经济效益子系统有序度增幅较小, 产业效益的有序上升明显趋缓, 说明产业的利润空间正受到多种因素的挤压。

2.科技进步系统有序度分析

我国医药制造业的科技进步系统有序度呈现无序波动态势。如图1显示, 我国医药制造业在技术方面确有进步, 但进步趋势不稳定, 科技进步系统序参量的作用强度较小, 整个产业的技术进步便无法维持有序上升状态。从研发的经费投入强度来看, 近年我国医药制造业R&D经费占主营业务收入比重 (e21) 仅占1%左右, 与美国25%、欧洲17%和日本8%的水平相比, 差距悬殊。2010年是医药企业数最多的一年, 达7039个, 2011年仅5926个, 2012年也只有6387个;2010年却也是科技进步有序度大幅下滑的年度。该年度不单均值指标e23和e25数值较前一年度缩减, 其他三项指标数值也呈下降。说明医药企业多、小、散、乱, 产业集中度低严重阻碍产业的技术进步。

3.环境支持系统有序度分析

我国医药制造业的环境支持系统有序度不断下降, 从0.96跌为0.57, 呈现连续恶化态势。我国医药产业结构以低附加值污染危害大的原料药为主, 是世界最大的原料药生产出口国。这种低效益的生产和出口既加重了环境负荷, 也使环境治理保护资金短缺。政府对制药业造成环境污染问题长期缺乏专项监管, 治污不力将危及产业未来的生存与发展。

4.医药制造业系统协同度分析

我国医药制造业系统协同度C均值为-0.066, 协同度为负, 经济与科技系统协同度C1.2均值为0.079, 接近0, 系统协同度较低, 可判断当前医药制造业的增长仍属粗放型增长。医药制造业的经济效益增长并非受益于科技进步的牵引, 两者没有协同关系;环境系统有序度与经济系统有序度成相反方向变化, 产业的增长同时带来了环境的恶化。医药制造业要步入健康有序的发展轨道, 要通过技术升级, 产业转型, 实现效益、技术和环境的协同发展。

参考文献

[1]董瑞青, 刘扬, 刘文革.民营科技企业成长与高新技术产业发展系统协同度模型及实证[J].统计与决策, 2012 (1) :118-121

系统协同度篇6

企业的产品创新设计活动正逐步由独自完成转向集成外部组织和资源的产品创新网络协同进行,传统的大规模纵向集成的产品开发模式正逐渐被客户、供应商和制造企业组成的协同联合开发模式取代[1]。美国麻省理工学院的von Hippel 教授于2002年正式提出了 “lead user”和“customer innovation”的概念[2],以辅助制造企业创新设计,并指出客户协同产品创新可以有效地为企业的价值网络增值[3]。客户协同创新作为一种新的创新模式,充分利用客户与专业设计人员在知识结构和创新技能方面的不对称性,借助各种网络化协同工作环境、创新设计工具和知识融合手段,通过客户和专业设计人员之间的协同工作,将两者的创新优势进行互补并激发群体创造力,从而开发出具有高度创新性和市场主导力的新产品[4]。目前国内外学者在客户协同创新设计领域进行了大量研究[5,6,7,8,9,10,11],主要围绕协同创新基础理论、协同创新知识匹配以及协同创新方法等方面,但在公开文献中对协同创新目标的系统性研究资料仍较为缺乏。

现阶段的产品设计多以市场需求为主导,其目标通常以客户需求为研究对象,重点在于如何借助各种数学方法提升客户需求重要度的识别准确性。文献[12]采用层次分析法和网络分析法确定客户需求重要度,但其为强调精确而“重复判断”,以致方法过于繁冗;文献[13]研究了基于二元语义理论的需求重要度确定方法,但解决多粒度语言信息时采用了模糊算子,使得主观性较强,同时计算较为复杂;文献[14]利用模糊理论分析客户需求,难以保证隶属函数及模糊数的合理性,使得客观信息数据失真;文献[15]应用粗糙集理论进行需求排序,但面对复杂产品的多项需求时该方法具有一定的局限性。

区别于一般的产品设计过程,客户协同创新设计是由具有多知识背景、多创新动机的分角色创新主体共同参与,由多种创新需求共同驱动的产品创新设计方法。由于不同创新主体在创新理念与创新需求等方面存在局限性,所以导致其各自的创新目标存在较大的差异性与模糊性。同时,不同创新主体在创新知识与语言表征等方面的不一致性,也增加了协同创新目标的复杂性。基于上述原因,仅采用单一的方法或工具难以充分利用多创新主体的创新知识和创新经验,无法准确量化创新目标重要度。

针对上述问题,本文在研究协同创新目标的基本框架基础上,提出一种协同创新目标重要度的三阶定量分析方法,并通过某手机的客户协同创新设计实例对该方法的有效性进行了验证。

1 创新目标体系的基本框架研究

在客户协同产品创新设计过程中,创新主体主要由以客户群体、专家团队及设计团队为主的分角色创新主体构成。其中,以客户群体为主的创新主体包括普通客户群、创意客户群及领先客户群等;以专家团队为主的创新主体由制造领域、测试领域、设计领域及市场领域的专家所组成;以设计团队为主的创新主体是由负责功能设计、结构设计、工艺设计等的专业设计人员所组成。

分角色创新主体有着不同的创新需求,根据其对协同产品创新的影响作用不同,可将其分为 “拉动型”创新需求与“推动型”创新需求两大基本类型。具体为:①“拉动型”创新需求主要来自于以客户群体为主的创新主体。客户群体结合自身对已有产品或未知产品的认识及理解, 在现有体验的基础上所形成的创新期望主要表现为在创新功能、创新技术、造型结构等方面所提出的创新需求。“拉动型”需求直接反映了市场对产品创新的多样化及差异化期望,为产品创新设计提供了重要参考依据。②“推动型”创新需求主要来自于以专家团队与设计团队为主的创新主体。面向具体的创新任务,分角色创新主体通过市场调研分析,在全面准确把握市场需求动态变化的基础上,依靠其所拥有的领先技术或创新工具,利用各种网络化协同工作环境、创新设计工具和知识融合手段提出创新需求。“推动型”创新需求,集高技术、高质量、高性能和高附加值于一体,能够为客户提供领先的服务和体验,不断满足市场需求的新趋势及新要求。

在客户协同产品创新设计过程中,分角色创新主体对创新任务本身有着不同的创新理解和认识,因而有着不同的创新目标。可以归纳为:在满足创新时间和创新成本的前提下,实现产品在结构、功能和技术等方面的创新,同时保证产品在全生命周期过程中具有较低的运维成本及环境友好性。因此,可将“拉动型”创新需求与“推动型”创新需求转化为五大创新目标,分别为:经济性创新目标、结构性创新目标、环境性创新目标、技术性创新目标、功能性创新目标,并将其分别用五个维度的向量进行描述,C=(c1,c2,…,cc)T、T=(t1,t2,…,tt)T、F=(f1,f2,…,ff)T,S=(s1,s2,…,ss)T,E=(e1,e2,…,ee)T。因此,可以建立客户协同创新目标体系的基本框架,如图1所示。

如图1所示,基本框架主要包括五个维度:①经济性创新目标,是指创新产品在设计、制造、营销、运行、维护等全生命周期过程中,在成本控制或费用支出等方面的创新目标;②结构性创新目标,是指对产品的造型设计、结构布置、系统构建等方面的创新目标;③功能性创新目标,是指对产品的功能系统、操作方式、工效状态、运行模式等方面进行创新的目标;④技术性创新目标,是指在性能参数优化、产品更新换代、工艺改善等方面所进行的新技术开发及应用的目标;⑤环境性创新目标,是指在创新设计过程中,围绕资源消费、能源消耗、环境排放等方面而设定的目标。以上五个维度是客户协同创新目标的基本维度,可根据创新任务的不同,对创新维度进行必要的增加或删减。

创新目标是客户协同产品设计的基础,将直接影响到后续的概念设计、功能设计、结构设计等过程。因此,在构建目标体系的基础上,确定准确有效的目标重要度,是识别关键创新目标,提升产品协同创新效率的关键因素之一。

2 协同创新目标重要度的定量分析

2.1 过程框架

协同创新目标重要度的定量分析过程主要分为三个阶段。三阶段过程如图2所示,其各阶段思路具体如下。

第一阶段,确定第一层目标的基本重要度。一般情况下,主观赋权法的客观性较差,但具有解释性强的优点;客观赋权法具有精度较高的优势,但有时会与实际情况相悖。基于此,采用基于层次分析法(analytic hierarchy process,AHP)和熵值法的主客观综合赋权法进行重要度的判定。一方面,采用基于AHP的主观赋权方法,能够有效处理难以完全定量分析的复杂决策问题,充分利用协同创新主体的创新经验以判断不同目标的重要程度,使判断结果不会违背基本的创新规则与创新常识;另一方面,采用基于熵值法的客观赋权方法计算出创新目标重要度,通过决策矩阵信息以及熵的概念客观反映出同一系统中各项目标的差异程度,从而避免判断结果的主观随意性。

第二阶段,确定第二层目标的基本重要度。由于创新产品本身的不确定性与复杂性、协同创新主体在认知上的模糊性,导致创新子目标评判数值的准确性难以保证,且分角色创新主体受限于创新知识、创新经验以及产品本身复杂程度等主客观因素,导致其所提供的语言变量呈现非平衡态,不同创新主体语言决策信息的语义粒度并非完全一致。因此,第二层创新目标重要度采用多粒度非平衡性的语言决策方法进行计算,以解决上述问题,确保多创新主体复杂语言决策信息的准确性与一致性。

第三阶段,对创新目标重要度进行修订。创新产品是否成功,最终需要通过市场来进行检验。通过分析创新类型对市场满意度之间的相互影响关系,确定出相对应的修订因子,使得创新目标重要度更具针对性与合理性。

2.2 第一层目标重要度的确定

设有m位协同创新主体共同参与,第一层目标数量为n,且i=1,2,…,m,j=1,2,…,n,确定第一层目标基本重要度的具体过程如下。

2.2.1 基于AHP的基本重要度计算

(1)构造比较判断矩阵。采用1-5整数标度定义方法来确定两个指标之间的影响程度,可以构成判断矩阵A=[ai j]n×n;

(2)计算特征矢量wi和最大特征值λmax,并进行一致性检验,若通过,则可得第一层目标的基本重要度wAj。

2.2.2 基于熵值法的基本重要度计算

(1)构造决策矩阵B=[bi j]m×n,利用 $b^{'}_{i j} = a_{i j} / \sum_{i = 1}^{m} a_{i j}$ 将决策矩阵进行规范化处理,得到B′=[b′i j]m×n;

(2)计算第j项目标基本重要度的熵值 $e_{j}, e_{j} = \sum_{i = 1}^{m} p_{i j} \ln p_{i j}$ ,若pi j=1/m,则ej=lnm;

(3)令uj=1/ej,则第j项目标基本重要度wEj=uj/∑nj=1uj。

2.2.3 基本重要度的综合

利用几何平均值的方法将上述两类基本重要度进行处理,可得 $w_{j}^{Ι^{'}} = \sqrt{w_{j}^{A} \cdot w_{j}^{E}}$ ,对其进行归一化处理,可以确定第一层目标基本重要度wIj。

2.3 第二层目标重要度的确定

以技术性创新维度为例,此维度共包含t个创新目标。其中第i个创新主体记为Ci(i=1,2,…,m),第l个目标记为Tl(l=1,2,…,t),具体计算过程如下:

(1)根据不同的创新主体在创新设计中的创新角色、创新贡献及创新经验的不同,得到各创新主体自身权重μi(i=1,2,…,m);

(2)采用多粒度非平衡性语言评价方法[16,17]构建多粒度语言初始决策矩阵R′=[vi l]m×t,其中评估标度可以表示为

$\begin{array}{l} S^{(k)} = {s_{α}^{(k)} | α = 1 - k, \frac{2}{3} (2 - k), \frac{2}{4} (3 - k), \dots ‚ 0, \\ \dots, \frac{2}{4} (k - 3), \frac{2}{3} (2 - k), k - 1} (1) \end{array}$

其中,s $_{α}^{(k)}$ 为语言术语,s $_{1 - k}^{(k)}$ 和s $_{k - 1}^{(k)}$ 分别表示其下限和上限。

(3)利用转换函数[16]将多粒度的语言评价信息进行一致性转换。设任意两个给定的连续性语言标度集分别为S(k1)={s(k1)α|α∈[1-k1,k1-1]}、S(k2)={s(k2)β|β∈[1-k2,k2-1]},其转换函数可以表示为

F: $S^{(k_{1})} \to s^{(k_{2})}, β = F (α) = α \frac{k_{2} - 1}{k_{1} - 1}$ (2)

F-: $S^{(k_{2})} \to s^{(k_{1})}, α = F^{-} (β) = β \frac{k_{1} - 1}{k_{2} - 1}$ (3)

选择使用频率最高的语言评价信息集合作为基本集合,通过转换函数对其余语言评价信息进行一致化处理,可得粒度相同的决策矩阵R=[vi l]m×t。

(4)定量分析决策矩阵中的确定型语言变量与不确定型语言变量。借鉴TOPSIS理论中的混合排序思想[18,19],将创新目标基本重要度向量的正负相对理想点分别记为P+、N-,则

确定型语言变量:

$Ρ_{i}^{+} = \max_{l} {v_{i l}}$ (4)

$Ν_{i}^{+} = \min_{l} {v_{i l}}$ (5)

不确定型语言变量:

$Ρ_{i}^{+} = [Ρ_{i}^{L +}, Ρ_{i}^{R +}] = [\max_{l} {v_{i l}^{L}}, \max_{l} {v_{i l}^{R}}]$ (6)

$Ν_{i}^{-} = [Ν_{i}^{L -}, Ν_{i}^{R -}] = [\min_{l} {v_{i l}^{L}}, \min_{l} {v_{i l}^{R}}]$ (7)

根据语言变量的运算法则,设任意两个确定型语言变量为s(k)α和s(k)β,任意两个不确定型语言变量为s(k)1=[s(k)α1,s(k)β1]和s(k)2=[s(k)α2,s(k)β2],则两个语言变量之间的分离度d可以分别描述为

确定型语言变量:

$d (s_{α}^{(k)}, s_{β}^{(k)}) = \frac{| α - β |}{2 k - 1}$ (8)

不确定型语言变量:

$d (s_{1}^{(k)}, s_{2}^{(k)}) = \frac{| α_{1} - α_{2} | + | β_{1} - β_{2} |}{2 (2 k - 1)}$ (9)

进一步可计算出向量vj与正负相对理想点P+、N-之间的距离D+l、D-l分别为

$D_{l}^{+} = \sum_{i = 1}^{m} ρ_{i} d (v_{i l}, Ρ_{i}^{+}) l = 1, 2, \dots, t$ (10)

$D_{l}^{-} = \sum_{i = 1}^{m} ρ_{i} d (v_{i l}, Ν_{i}^{-}) l = 1, 2, \dots, t$ (11)

其中,ρi为每个创新主体自身的权重,可根据不同创新主体在创新任务中所处的角色地位不同而不同,通过协商共同确定。

(5)第二层技术性创新维度的创新目标的相对重要度可利用向量vl与正负相对理想点P+、N-之间的贴近系数cl来进行描述:

$c_{l} = \frac{D_{l}^{-}}{D_{l}^{+} + D_{l}^{-}} l = 1, 2, \dots, t$ (12)

对计算出的cl进行归一化处理,可以得到第二层技术性创新维度的创新目标的相对重要度w Ⅱl:

$w_{l}^{Ⅱ} = c_{l} / \sum_{l = 1}^{t} c_{l}$ (13)

2.4 重要度修订

在确定协同创新目标重要度时,还需要考虑创新类型对市场满意度的动态影响。市场满意度是客户对所购创新产品的预期期望与实际效果的最真实反映。根据市场对于产品的预期创新期望与实际创新效果之间的比较分析,可将产品创新分为四大类型,包括基本创新、重要创新、关键创新和简单创新,如图3所示。其中横坐标为“产品创新水平”,纵坐标为“市场满意度”。

基本创新(basic innovation)是指市场期望产品“必须要具有的”创新。如果未达到市场预期,市场满意度会急剧下降;如果达到,市场满意度并不会随着此类创新水平的提高而显著提升。主要原因在于,此类创新所表现出的是市场在产品创新方面的最基本要求,即认为产品应具备某项创新以弥补原有功能或设计上的不足。如果创新产品在这些方面未有提升,用户就会很不满意,相反,当产品完全满足基本要求时,用户已将其理解为产品应有的基本功能,也不会表现出特别满意。重要创新(important innovation)与市场满意度成线性函数关系,此类创新的水平越高,市场满意度将呈线性增大。具体表现为:如果此类创新在新产品中得以实现,市场满意度会显著增加,反之市场的不满也会显著增加。区别于基本创新,重要创新并不是产品“必须要”具备的创新,但它是市场关注和期望的重点,同时也是创新主体获取核心竞争优势的关键点。关键创新(crucial innovation)是指市场未预料到的创新设计,这种创新往往具有独特性和前沿性,无论在任何水平,都会提高市场满意度。当此类创新在产品设计中得以体现,即使表现并不完善,也能使得市场满意度急剧提高;同时若不具备此类创新,也不会带来市场的不满。因为关键创新往往由行业内处于领先地位的创新主体所提出,利用其所拥有的领先技术或创新手段进行产品的创新设计,以引导市场的潜在创新需求。简单创新(simple innovation)是指对某产品所进行的一些简单性的改良或者变化,但是市场对于此类创新不关心或不感兴趣。

基于上述分析,创新点进行分类的具体步骤如下:

(1)识别创新类型。对某项具体的创新点,创新主体分别对其进行最初识别,标记为:BI(基本创新)、II(重要创新)、CI(关键创新)、SI(简单创新)。创新主体的最初识别主要依据三个方面:一是创新主体自身的创新环境与创新基础;二是创新主体的创新理念与创新思路;三是由于受到其他创新主体的影响,创新主体对具体创新产品及其市场的理解与判断。

(2)预测市场满意度。根据创新主体所提供的最初识别结果,预测某项创新点对市场的影响程度,分别记为Si和Di。其中,Si表示当产品具备某项创新时对市场满意度的影响程度,Di表示当产品不具备某项创新时对市场满意度的影响程度,分别用下式进行计算:

$S_{i} = \frac{n_{i} (C) + n_{i} (Ι)}{n_{i} (C) + n_{i} (Ι) + n_{i} (B) + n_{i} (S)}$ (14)

$D_{i} = \frac{n_{i} (B) + n_{i} (Ι)}{n_{i} (C) + n_{i} (Ι) + n_{i} (B) + n_{i} (S)}$ (15)

其中,ni(C)表示有n位创新主体认为第i个创新点是C类创新,即为关键创新。相同地,ni(I)、ni(B)、ni(S)分别表示其他三种类型创新的评判数。式(14)中,将ni(C)与ni(I)之和作为分子,主要考虑的是当某种创新产品中具有重要创新和关键创新时,将会极大地提升市场满意度;与此相对应的是,式(15)将ni(B)与ni(I)之和作为分子,主要是因为当某种创新产品中不具有重要创新和基本创新时,将会极大地降低市场满意度,而缺失关键创新和简单创新,并不会带来市场满意度的大幅度下降。

(3)确定创新类型及修订因子。通过式(14)、式(15)可以分别计算出每一项创新点的Si值和Di值,亦可知Si、Di∈(0,1)。为定量区分创新类型,可根据不同的创新任务,选取Si与Di的分界值k(0<k<1)。当k=0.5时,4种基本创新类型呈以下四个象限分布,如图4所示。

当0<Si<0.5,0<Di<0.5时,将其判别为“简单创新”;当0<Si<0.5,0.5<Di<1时,将其判别为“基本创新”;当0.5<Si<1,0<Di<0.5时,将其判别为“关键创新”;当0.5<Si<1,0.5<Di<1时,将其判别为“重要创新”。由图4可知,4种创新类型中,重要创新对Si和Di的影响程度最大,而简单创新对Si和Di的影响程度最小。

为简便起见,根据创新类型的不同,将协同创新目标的重要度的修订因子k确定为kC=1.5、kI=1.2、kB=1、kS=0.6。将第二层目标相对重要度wⅡl与k相乘,可以得到第二层目标修订重要度wⅡh′:

wⅡh′=wⅡlk (16)

将wⅡh′进行归一化处理,可以得到第二层目标基本重要度wⅡh。将创新目标的重要度进行串级层联,即将上述结果与第一层技术性创新维度的基本重要度相乘,可以计算出第二层技术性创新维度的创新目标的最终重要度F(h):

F(h)=wⅡhwIj (17)

重复上述步骤,可计算出目标框架内所有创新目标的最终重要度。

3 案例研究

以某手机的创新设计为例,本次创新设计任务共有5位创新主体参与,在系统分析 “拉动型”创新需求和 “推动型”创新需求的基础上,归纳整理出创新目标体系,共包括第一层创新目标4项及第二层创新目标14项。如图5所示。

3.1 确定第一层目标基本重要度

(1)基于AHP方法进行主观赋权,计算基本重要度wAj。构建判断矩阵A:

$A = [\begin{matrix} 1 & 1 / 2 & 4 & 3 \\ 2 & 1 & 5 & 4 \\ 1 / 4 & 1 / 5 & 1 & 1 / 2 \\ 1 / 3 & 1 / 4 & 2 & 1 \end{matrix}]$

通过计算得出λmax=4.0484,并进行一致性检验,则可求出wAj={0.3055,0.4919,0.0778,0.1248}。

(2)基于熵值法进行客观赋权,计算基本重要度wEj。构建判断矩阵B:

$B = [\begin{matrix} 5 & 5 & 2 & 2 \\ 4 & 4 & 1 & 2 \\ 2 & 3 & 2 & 2 \\ 4 & 4 & 3 & 2 \\ 3 & 1 & 2 & 1 \end{matrix}]$

进行规范化处理,可得矩阵B′:

$B^{'} = [\begin{matrix} 0.2778 & 0.2941 & 0.2000 & 0.2222 \\ 0.2222 & 0.2353 & 0.1000 & 0.2222 \\ 0.1111 & 0.1765 & 0.2000 & 0.2222 \\ 0.2222 & 0.2353 & 0.3000 & 0.2222 \\ 0.1667 & 0.0588 & 0.2000 & 0.1111 \end{matrix}]$

则可计算出wEj={0.2480,0.2567,0.2495,0.2458}。

(4)利用几何平均值的方法综合上述两类基本重要度,可得到第一层目标基本重要度wⅠj:

wⅠj={0.2912,0.3760,0.1474,0.1853}

3.2 确定第二层目标重要度

以技术性创新维度为例,如图4所示,此维度共包含5个创新目标:实现高性能图形加速(t1)、彻底解决指纹油污残留问题(t2)、实现裸视3D效果(t3)、提升三维空间重力感应灵敏度(t4)、实现近距离无线通讯(t5)。由于多维创新主体对创新目标的认知存在差异性,在确定其重要度时采用不同语义粒度和语言变量形式。在此采用三种非平衡语义标度集,分别为S(3)={s(3)-2=很不重要,s(3)-2/3=不重要,s(3)0=一般重要,s(3)2/3=重要,s(3)2=很重要}、S(4)={s(4)-3=非常不重要,s(4)-4/3=很不重要,s(4)-1/2=不重要,s(4)0=一般重要,s(4)1/2=重要,s(4)4/3=很重要,s(4)3=非常重要}、S(5)={s(5)-4=极其不重要,s(5)-2=非常不重要,s(5)-1=不重要,s(4)-2/5=较不重要,s(5)0=一般重要,s(4)2/5=较重要,s(5)1=重要,s(5)2=非常重要,s(5)4=极其重要}。构建多粒度语言初始决策矩阵R′=[vi l]m×t,如表1所示。

考虑到其中3位创新主体均采用非平衡语义标度集S(4),因而将其作为基本非平衡语义标度集,利用式(2)、式(3)对多粒度语言初始决策矩阵R′进行一致化处理,可得粒度相同的语言决策矩阵R=[vi l]m×t,如表2所示。

利用式(4)～式(7)可计算出技术创新目标重要度的正负相对理想点:

P+={[s(4)1/2,s(4)4/3],s(4)3,[s(4)3/2,s(4)3],s(4)3,s(4)3}

N-={[s(4)-3,s(4)-4/3],s(4)-3,[s(4)-3,s(4)-3/2],s(4)-3,s(4)-4/3}

根据五位创新主体在创新任务中所处的角色地位不同,通过集体投票表决得到其自身权重ρ:

ρ={0.18,0.10,0.27,0.25,0.20}

利用式(8)～式(11),计算得出创新目标的重要度向量与P+、N-之间的距离分别为

D+l={0.1083,0.2099,0.5210,0.0945,0.6374 }

D-l={0.5683,0.4668,0.1557,0.5821,0.0393}

由式(12)计算出贴近系数cl分别为0.8399、0.6898、0.2300、0.8603.0.0581,利用式(13)进行归一化,可得到第二层技术性创新维度的创新目标的相对重要度wⅡl={0.3136,0.2576,0.0859,0.3212,0.0217}。

3.3 修订第二层目标重要度

利用式(14)、式(15),判定t1为基本创新、t2和t5为重要创新,t3为简单创新,t4为关键创新,从而确定相对应的重要度修订因子k,依据式(16)得到创新目标的修订重要度wⅡh′。进而通过归一化处理,计算出第二层技术性创新维度中创新目标的基本重要度wⅡh={0.2653,0.2615,0.0436,0.4076,0.0220}。利用式(17)可以计算出第二层技术性创新维度的创新目标的最终重要度F(h):

F(h)={0.0773,0.0761,0.0127,0.1187,0.0064}

重复上述步骤,可分别计算出另外三个维度中创新目标的最终重要度,具体计算结果如表3所示。

3.4 讨论

从第一层创新目标中可以看出,wIF>wIT>wIS>wIE,且wIF、wIT明显高于wIS、wIE,从而可以确定出本次协同产品创新设计的主要创新方向为功能创新和技术创新两个维度。第二层创新目标中,F(h)低于0.05的共有6项,分别为t3、t5、f3、f4、f5、e2,如图6所示。

为进一步验证上述结果的有效性与准确性,本课题小组选取了协同创新主体中具有代表性的两家企业A和B进行跟踪调研,其产品均主要面向中高端客户群体。企业A采用了全部的产品创新目标。企业B为减少创新风险,降低产品成本,并未全部采用上述创新目标,去掉了F(h)值低于0.05的创新目标,但考虑到环境保护是具有重要意义的发展问题和民生问题,因此特别保留了环境性创新维度中的e2目标。

通过对市场调研数据及企业数据进行分析,可知企业A和企业B的产品在某区域市场中均具有较高的市场满意度,分别为82%和80%,说明该创新目标符合市场需求,从客观上证明了该方法的有效性;同时,企业A和企业B的产品在某区域市场中的市场占有率均处于较高水平,分别为29%和21%,但两者之间的差距并不大,表明去掉5项重要度较低的创新目标,对产品的市场占有率影响程度并不显著,在一定程度上验证了该方法的准确性。

4 结语

为准确量化客户协同产品创新中的目标重要度,本文构建了协同创新目标体系的基本框架,包括经济性、结构性、环境性、技术性、功能性五个基本维度,从整体上将“拉动型”与“推动型”创新需求和市场创新需求纳入统一的创新目标体系中。在此基础上,提出了协同产品创新目标重要度的三阶定量确定方法,第一阶段采用AHP与熵值法相结合的主客观综合赋权,确保了创新目标的整体性与创新方向的正确性;第二阶段采用多粒度非平衡性语言决策,提升了多创新主体复杂语言决策信息的一致性与准确性;第三阶段通过基于“产品创新水平”与“市场满意度”之间的内在联系,提出了产品创新的基本类型及其识别方法,以此确定出相应的修订因子,保证创新目标重要度的针对性与合理性。最后,通过实例验证了该方法的可行性和有效性。该方法揭示了协同产品创新中概念设计目标框架的形成机理,为客户协同产品创新目标重要度的确定提供了一种有效的解决办法。

系统协同度篇7

云技术的快速发展和大数据时代的来临, 导致网络中的数据量以指数级趋势膨胀, 用户不得不面对浩如烟海的网络信息, 加大了在其中寻找对用户有益信息的难度, 这就是信息过载。作为一种信息过滤手段, 推荐系统可以根据每个用户的兴趣给用户提供个性化推荐, 是当前有效解决上述问题的方法[1]。在网络时代之前, 人们往往会从与自己有相同喜好的同伴那里获得各种建议以帮助自己决策, 这就是协同过滤的出发点。协同过滤通过计算用户或项目间的相似性, 找出有相似偏好的用户或相似的项目, 根据相似用户的偏好预测目标用户的喜好, 或者根据相似项目的受欢迎情况预测用户对目标项目的倾向程度, 进而作出推荐, 独立于项目本身的内容, 且易于实现, 目前已取得广泛应用。条件概率[2], 贝叶斯方法[3], 图论[4]等方法也被应用于推荐系统。与此同时, 云环境下网络中的数据不断增长, 每一个用户不可能对众多的项目都有评分信息, 进而使用户对项目的评分矩阵高度稀疏, 传统协同过滤相似性计算方法也逐渐暴露了其局限性, 无法适应在大数据时代下的要求, 在数据稀疏情况下推荐效果不佳, 我们在后面的介绍中会分析传统相似性计算方法存在的弊端。另外, 对于新加入系统的用户, 其对项目的评分太少, 以至于无法提供使推荐系统分析出该用户的偏好情况的信息, 系统不能对该用户做出准确的推荐, 这种情况被称为新用户问题。对于新加入系统的项目, 用户对该项目评分太少, 系统也不能将这个项目推荐给用户, 这种情况被称为新项目问题[10]。新用户和新项目问题都属于冷启动问题[10]。针对用户评分数据高度稀疏的情况, 一些学者提出种种改进措施, 文献[5]提出基于项目的项目评分相似性和项目属性相似性自适应权值加权结合, 以解决新项目问题, 但不能解决新用户问题。文献[6]提出基于阈值的对余弦相似性的改进, 该方法可以提高推荐的多样性, 但不能保证推荐准确度。文献[7]提出基于交叠的邻居集选择方法, 该方法要求设置合适的参数。文献[8]提出基于用户的项目评分池方法, 根据用户对项目的评分将用户分成多个独立子集分别对总评分做出贡献, 该方法一定程度上提高了推荐准确度, 但并不能解决数据稀疏问题, 而且需要调整的参数较多。

因此, 本文提出一种基于多向测度和项目属性的相似性计算方法, 利用用户对项目属性的偏好程度和多向测度相似性计算方法加权结合, 得到用户间相似性, 最后生成推荐。实验表明该方法较传统相似性计算方法具有了更好的准确度, 在数据稀疏的情况下, 结果仍较好。

1 传统相似性计算方法分析

基于用户的协同过滤推荐技术利用某种相似性计算方法计算所有用户与目标用户的相似性。取前k个相似性最大用户的组成目标用户的最近邻居集, 由于当前用户的最近邻居对当前项目的评分与目标用户的评分比较类似, 所以可以根据近邻用户对当前项目的评分预测目标用户对当前项目的评分, 然后选择预测评分最高的前若干项目作为推荐结果反馈给用户, 作出推荐。可见, 相似性计算的准确与否, 将影响最终做出的推荐。

1.1 数据表示

推荐系统存储的信息一般包括用户ID, 项目ID以及用户对项目的评分等。设m表示用户数, n表示项目数, 则U={u1, u2, …, um}表示用户集合, I={i1, i2, …, in}表示项目集合, 用ru, i表示用户u对项目i的评分, 取值在1~5之间, 反映了用户对项目的倾向程度, 评分越高表明用户对该项目越倾向。如果用户对项目没有评分, 则其相应评分为0。也有的推荐系统用0表示用户不喜欢该项目或未对该项目评分, 1表示用户喜欢该项目。如表1所示。可用评分矩阵中值为0的项所占的比例来反映数据稀疏度, 比例越大, 数据越稀疏。

1.2 相似性计算

传统的相似性计算方法主要有皮尔逊相似性、余弦相似性和修正的余弦相似性。皮尔逊相似性是依据用户间的共同评分项计算相似性来度量。其计算公式如下:

其中ru, i, rv, i分别表示用户u对项目i的评分和用户v对项目i的评分, 珋ru, 珋rv分别表示用户u和用户v的平均评分, Iu, v表示用户u, v共同评分的项目集。

皮尔逊相似性仍有许多不足之处, 其计算的是两个用户间的线性相关度, 而非相似性, 当两用户的评分向量线性匹配时, 由该公式计算的相似性较高, 但用户在共同评分项上的评分局部不完全匹配时, 其相似性低, 不能反映出用户局部相似的事实。当用户间共同评分项过少时, 该计算方法的结果往往具有误导性, 不能反映用户间真实相似性, 极端情况下, 用户间共同评分项为1个, 则不能用皮尔逊方法计算相似性。当用户评分是形如{2, 2, 2, …}这样平整的情况时, 平均分与评分相等, 也不能用该方法计算。

余弦相似性中用户相似性通过计算向量间夹角的余弦值反映, 余弦值越大, 用户相似性越大。其计算公式如下:

由于余弦相似性没有考虑用户个人的评分尺度, 修正的余弦相似性则引入用户平均评分来反映用户的评分尺度。其公式如下:

2 多向测度结合项目属性相似性计算方法

由于传统相似性计算方法仅从向量角度考虑用户或项目间的相似性, 结果反映的是向量间的整体相关性, 抹煞了评分向量中包含的局部信息, 所以我们从单个评分的角度出发, 使每个共同评分得以反映出更多信息。

2.1 多向测度的相似性计算方法

众所周知, 对一个封闭系统, 外界掌握的信息越多, 就越能反映该系统的实际情况。传统相似性计算方法考虑的是用户评分向量的整体匹配程度, 从用户-项目评分矩阵这个系统中获得的信息较少, 不能很好地反映用户间的真实相似性。本文提出多向测度的相似性度量方法, 综合考虑用户评分在三种距离上的表现。通过对用户间评分在绝对距离, 用户相对距离, 项目相对距离三个方面的综合情况, 反映用户的相似度。

设两用户u, v以及他们的共同评分项目i, u和v的平均评分分别是, 项目i的平均评分是, 用户u, v对项目i的评分分别是ru, i, rv, i。对于项目i, 若两用户对其评分同时大于或小于各自的平均评分, 即, 就认为用户u和v对项目i持相同的偏好, 即同时喜欢或同时不喜欢, 否则, 视为偏好不同。

下面给出多向测度中绝对距离, 用户相对距离, 项目相对距离的定义:

(1) 绝对距离:偏好相同时, AD=ru, i+rv, i;否则AD=|ru, i-rv, i|+1。

(2) 用户相对距离:偏好相同时, , 以各用户的平均评分划分用户的偏好区间, 则用户相对距离反映了当前项目在用户偏好区间的位置, 以此反映用户对前项目的偏好情况。

(3) 项目相对距离:偏好相同时, ;以项目的平均评分划分当前项目的用户偏好区间, 则项目相对距离反映了用户在当前项目的喜好区间的相对位置。

则ru, i, rv, i间的相似性计算如下:

用户u和用户v的相似性计算如下:

其中, Iu, v表示用户u, v共同评分的项目集。

2.2 项目属性相似性

通常, 推荐系统至少保存了三部分数据信息, 即用户-项目评分信息、项目属性信息、用户信息。传统的协同过滤算法是通过用户对项目评分信息计算相似性, 而项目的属性相似性则是利用项目属性信息进行计算的。文献[9]提出项目属性偏好相似度作为相似性度量的一部分, 取得了较好效果, 该方法中用户u对项目属性j偏好程度的计算方法如下:

其中sum (u, j) 表示用户u对具有属性j的项目的总评分, sum (u) 表示用户u的总评分。

该方法反映的是用户总评分在项目属性上的分布情况, 并不能反映用户对项目属性的偏好情况。若某用户评分如表2, 其中i1, i2, i3, i4, i5有属性A, i6, i7, i8有属性B。

则由上式计算得到pref (u, A) =0.53, pref (u, B) =0.47, 用户对属性A更加偏好, 但由表2可知用户对属性B更偏爱。故本文中用户对项目属性偏好程度用式 (7) 计算:

其中num (u, j) 表示用户u对有属性j的项目的评分次数, 该式反映了用户对该项目属性的平均评分。由该式得pref (u, A) =1.6, pref (u, B) =4, 由表2可知反映了实际情况。

2.3 算法描述

Step1 读入用户-项目评分矩阵和项目属性矩阵。项目属性矩阵是n×k矩阵, n是项目数, k是属性数, 元素s (i, j) =1表示项目i有属性j, s (i, j) =0表示项目i没有属性j。

Step2 计算每个用户的平均评分和每个项目的平均评分。

Step3 按式 (7) 计算用户对项目属性的评分, 并计算出每个用户对项目属性的平均评分和每个属性的平均评分。

Step4 按式 (5) 计算用户间对项目评分的多向测度相似度, 结果是m×m矩阵, 用simi表示;计算用户对项目属性的多向测度相似度, 结果是m×m矩阵, 用sims表示。simi中元素simi (u, v) 表示用户u和用户v间的项目评分相似性, sims中元素sims (u, v) 表示用户u和用户v间的项目属性相似性。

Step5 将simi和sims中相应元素simi (u, v) , sims (u, v) 加权结合, 权重为E。由于simi和sims计算的维度不同, 故要先对simi和sims进行归一化, 其公式如下:

max, min分别是simi中的最大相似度, 最小相似度。归一化后simi (u, v) ∈[0, 1], 值越大, 表示对应用户间越相似。同理, 对sims归一化, 最后得到混合相似度sim。

Step6 获得近邻。采用Top-k方法选择前k个与目标用户相似度最大的用户作为目标用户近邻, 组成近邻集。

Step7 预测评分。按式 (10) 计算用户u对待测项目评分i的预测评分:

其中分别是用户u, v的平均分, rv, i表示用户v对项目i的评分, Pu, i是用户u对项目i的预测评分, Neighbor (u) 表示用户u的近邻集合。

3 实验分析

3.1 实验数据集

本文实验中采用的数据集是Grouplens (http://movielens.umn.edu) 工作组提供的公开数据集, 该数据集包含的信息有用户数:943, 电影项目:1682, 用户对项目的评价数据:100 000, 评分值:1~5。可知该数据集用户对项目评分的稀疏性为1-100 000/ (943×1682) =0.936953。实验中将用户对项目的100 000条评分记录按照4∶1的比例划分成训练集和测试集。

3.2 度量标准

实验各相似性计算方法的度量效果采用平均绝对误差MAE (Mean Absolute Error) 来衡量, 通过计算预测的用户评分与用户实际评分之间的差值来衡量预测的准确性, MAE越小, 相似性计算方法的度量准确度越高。假设预测的用户评分集为P={p, p2, …, pn}, 相应的实际评分集合为Q={q1, q2, …, qn}, 则:

其中n表示预测评分集P中的元素个数。

3.3 实验结果

实验先对皮尔逊相似性和多向测度相似性作比较。我们分别在基于用户和基于项目的情况下, 将多向测度与UBPS做了比较, 近邻数依次取为5、10、20、30、40、50, 图1显示了实验结果, 多向测度相似性准确度更好, 并在N=20左右效果最好, 同时在近邻数大于20后, MAE有上升趋势也反映多向测度相似性计算公式仍可以改进, 以提取出更多信息, 准确反映用户间真正相似性。在基于项目的情况下, 多向测度推荐精度较基于用户多向测度有一定提高, 尤其在小邻居集下, 效果提升明显。

接着, 对多向测度相似性和属性偏好相似性加权结合, 为确定混合过滤效果最好时的权值, 对E从0到1, 以0.1为间隔, 依次计算近邻数为5、10、20、30、40、50的MAE, 结果如图2所示, 除了近邻数为5时MAE在0.2时取最小值, 其他情况当E=0.1时MAE最小, 效果最好, 故选用E=0.1。

最后将基于用户的混合过滤与其他方法做了比较, 由图3可知, 基于用户的混合相似性小幅提高了推荐准确度, 并在用户近邻数较少时, 提升效果明显, 说明该方法对缓解数据稀疏有帮助。

4 结语

本文提出基于多向测度和属性偏好相似性的混合过滤方法, 以更好地度量相似性。本文在基于用户和基于项目的情况下, 对皮尔逊相似性和多项测度相似性做了对比, 多向测度相似性的结果比皮尔逊相似性有显著提高, 取得了更好的推荐精度。接着, 在基于用户多向测度相似性的基础上, 进一步考虑用户对属性的偏好作为相似性的一部分, 推荐精度有小幅提高。下一步工作可以考虑对多向测度相似性进行改进, 对项目属性的主成分提取, 以更好地描述用户或项目信息, 还可以考虑从用户文件中提取有效信息。

摘要：传统协同过滤算法中相似性度量方法存在度量不准确, 不能如实反映信息的问题, 导致推荐质量不高。针对这一问题, 提出一种新的基于多向测度和项目属性的相似性计算方法。利用多向测度方法计算用户对项目的评分相似性, 同时结合项目属性计算用户对项目属性的偏好相似度, 通过加权因子得到用户间的最终相似性。实验结果表明该方法较传统方法显著提高了推荐精度。

关键词：协同过滤,属性偏好,相似性度量

参考文献

[1]刘建国, 周涛, 汪秉宏.个性化推荐系统的研究进展[J].自然科学进展, 2009, 19 (1) :1-15.

[2]Iguchi M.Anonymous P2P web browse history sharing for web page recommendation[J].IEICE TRANSACTIONS on Information and Systems, 2007, 90 (9) :1343-1353.

[3]Velasquez J D, Palade V.Building a knowledge base for implementing a web-based computerized recommendation system[J].International Journal on Artificial Intelligence Tools, 2007, 16 (5) :793-828.

[4]Segrera Saddys, Moreno Maria.Application of multiclassifiers in web mining for a recommender system[J].Maria N.WSEAS Transactions on Information Science and Applications, 2006, 3 (12) :2471-2476.

[5]Wu Y, Zheng J.A collaborative filtering recommendation algorithm based on improved similarity measure method[C]//Progress in Informatics and Computing (PIC) , 2010 IEEE International Conference on.IEEE, 2010, 1:246-249.

[6]Feng Xie Zhen, Chen Hongfeng, Xu Xiwei, et al.TST:Threshold Based Similarity Transitivity Method in Collaborative Filtering with Cloud Computing[J].Tsinghua Science and Technology, 2013, 3:318-327.

[7]Bellogín A, Castells P, Cantador I.Improving memory-based collaborative filtering by neighbour selection based on user preference overlap[C]//Proceedings of the 10th Conference on Open Research Areas in Information Retrieval.LE CENTRE DE HAUTES ETUDES INTERNATIONALES D’INFORMATIQUE DOCUMENTAIRE, 2013:145-148.

[8]Sobhanam H, Mariappan A K.Addressing cold start problem in recommender systems using association rules and clustering technique[C]//Computer Communication and Informatics (ICCCI) , 2013 International Conference on.IEEE, 2013:1-5.

[9]夏培勇.个性化推荐技术中的协同过滤算法研究[D].中国海洋大学, 2011.

系统协同度篇8

随着各大流域梯级式水电站的开发投产,由多个水电站组成的大坝群越来越多。相对于单一水电站,大坝群安全应急管理内部存在更复杂的不确定因素,这更增加了安全应急协同管理的难度。在应对大范围、流域性的安全突发事件时[1],上下游水电站、企业与当地社会之间往往缺乏主动协同,极易形成部门和信息壁垒,导致资源浪费。因此,只有提高大坝群安全应急管理的协同程度才能保障大坝群运行安全。如何衡量和测度大坝群系统与各水电站之间的动态协同成为亟需解决的课题。

梯级水电站大坝群的安全应急管理研究还处于初始阶段。Andreadis等[2]为了实现应急救援队伍的组织和协调充分协同,有效减少灾难性事件干预的时间和优化人力资源的目标,提出了能够实时跟踪并可视化救援队伍的专用软件。杨琴等[3]针对突发事件中因应急资源调度的动态性和不确定性而导致的难以确定最优解问题,提出了基于DBR理论的应急资源动态优化调度方法,有效地发挥了应急资源系统的协同效应。徐佳成等[4]提出梯级水库群薄弱环节的存在会导致梯级大坝群风险设计的不协调,更是影响整个系统安全的重要因素。谭界雄等[5]引入基于事件的应急响应理念,建立了基于信息技术的水库大坝安全管理与应急响应信息系统。谢天等[6]针对核事故引发的应急任务,提出基于语义X列表理论的多个部门应急资源和能力协同响应的集成框架。陈述等[7]综合运用协同矩阵、多属性决策理论,重构突发事件动态协同应急系统拓扑结构,并对应急处置方案进行动态修正和调整。叶鑫等[8]基于系统协同理论的思想,提出了应急救援小组的协同度模型,定量化地度量救援人员间的协同效应。邢林生等[9]针对蓄水初期大坝上、下游运行环境的复杂性和盲目调度等酿成的严重事故,分析了大坝蓄水初期运行阶段的监测分析和应急处理措施。

以上研究侧重从单一对象或视角研究了安全应急管理,而对具有流域性和衍生性的水电站大坝群的安全应急管理却鲜有研究,特别是考虑协同作用的安全应急管理。因此,本文站在水电站大坝群的系统视角,借助系统协同及序参量法,构建水电站大坝群安全应急管理协同度测度模型,对安全应急管理的预防、准备、响应和恢复4个环节进行协同度测度,为测度大坝群安全应急管理的协同程度提供新的解决路径。

1水电站大坝群安全应急管理协同度测度指标体系

水电站大坝群安全应急管理协同体系是一项复杂的系统工程。根据文献[10]构建的包含法规制度、信息、组织和资源四个协同要素的安全协同监管机制,再结合大坝群安全应急既定的协同目标和应急协同的整个过程,从而构建一个融合应急目标协同、应急过程协同、应急组织协同、应急信息协同和应急资源协同五种不同的协同要素的有机整体。五个子系统的协同应急运作能够合理地规划大坝群各部门资源、最大限度地挖掘应急信息和资源的使用价值,使得该应急协同系统能够发挥整体动态协同效应、产生协同经济。

在明确5种子系统之后,通过参考相关文献的分析成果[3,4,5,11,12],结合水电站大坝安全应急管理实践,基于协同学以及水电站安全管理理论,构建水电站大坝群安全应急管理协同的框架体系。然后运用专家咨询法、小组讨论法将初选出来的指标提交给水电站大坝安全管理相关领域的专家和学者,征询意见,回收并仔细斟酌,并进行修改结果反馈,如此反复,逐步去掉那些与子系统和主体关系较远、彼此之间相互重复的指标,由此建立水电站大坝群安全应急管理协同度测度指标体系,如表1所示。

在该指标体系中,5种子系统都有各自不同的协同方式、协同效应以及潜在的冲突或成本。例如应急目标协同以实现大坝群应急多个目标的联动协同为协同方式、以达到各大坝应急目标统一和安全、成本等达标而产生协同效应、以及以控制各参与方协调应急运作而避免潜在冲突为目的的协同应急机制。又如应急资源协同以共享大坝群的各种资源为协同方式、以提高应急资源的利用率产生协同效应、以及以解决应急资源利用的优先等级为目的形成协同应急机制。限于篇幅,其他子系统的协同应急机制在此不再赘述。

2水电站大坝群安全应急管理协同度测度模型的构建

2.1协同度测度指标权重确定

考虑到水电站大坝群安全应急管理协同体系各序参量和二级指标之间的相互影响和反馈关系,采用网络层次分析法( Analytic Network Process,ANP) 来确定水电站大坝群安全应急管理协同度测度指标体系中各个子系统、序参量及二级指标的权重。通过设计调查问卷和实地走访大坝群的安全部门负责人、现场安全管理人员、各应急部门组织管理人员等共计20名相关专家,采用0 ~ 1评价打分,提炼专家群体意见,分值越大表示对该测度指标的认可程度越大。为方便指标权重的计算,借助超级决策( Super - Decisions,SD) 软件计算水电站大坝群安全应急管理协同度测度的ANP模型。通过ANP法确定的水电站大坝群安全应急管理协同度测度各指标权重见表1,篇幅所限,ANP计算过程步骤详见文献[13]。

2.2系统协同及序参量法

水电站大坝群安全应急管理协同度是指水电站大坝群安全应急管理系统内部子系统之间或子系统组成要素之间在发展演化过程中彼此和谐一致的程度。系统内部序参量之间的协同作用是系统由无序走向有序的机理,决定了系统相变的特征与规律[14]。协同度正是这种协同作用的度量,它决定了系统由无序走向有序的趋势。

假设水电站大坝群安全应急管理协同过程是一个由若干个相关联的水电站大坝组成的复杂系统。设大坝群子系统为Sj,j = 1,2,…,n ,子系统的序参量变量为ej= ( ej1,ej2,…,ejn) 是刻画系统运行机制与运行状况的若干指标,其中n ≥1 ,βji≤ eji≤ αji, i ∈[1,n],αji和 βji为序参量eji在系统稳定临界点上的上限和下限。不失一般性,假设ej1,ej2,…,ejk的取值越大,系统的有序程度越高,反之则越低; 假设ejk +1,ejk +2,…,ejn的取值越大,系统的有序程度越低,反之则越高。

1) 定义水电站大坝群安全应急管理协同子系统Sj序参量分量eji的有序度为:

式中: uj( eji) ∈[0,1],uj( eji) 值越大,eji对系统有序的“贡献”就越大。

2) 序参量变量ej对子系统Sj有序程度的“总贡献”可通过uj( eji) 的集成来实现。方便起见,采用线性加权求和法,即定义水电站大坝群安全应急管理协同系统序参量分量ej的系统有序度为:

式中: 权系数值越大,ej对系统有序的“贡献”就越大,系统有序的程度就越高,反之则越低。

3) 水电站大坝群安全应急管理协同度的计算。在水电站大坝群安全应急管理协同系统的预防、准备、响应和恢复4个环节中,当无安全突发事件发生时,协同系统没有状态变化,各子系统独立运作,即应急协同系统呈无序状态。而当发生突发事件时, 应急协同系统状态则改变,各子系统之间互相产生联动协同,从而开始协同运作。因此,本文将应急管理的预防环节作为应急协同系统的启动时刻( 基期) ,即令初始时刻为t0,设各子系统序参量的系统有序度为uj0( ej) ,j = 1,2,…,m ,则对于整体系统在发展演变过程中的时刻t1而言,如果此时各个子系统序参量的系统有序度为uj1( ej) ,j = 1,2,…,m ,则水电站大坝群安全应急管理协同度为:

式中: D表示水电站大坝群安全应急管理协同度,D ∈[- 1,1],D的值越大,水电站大坝群安全应急管理系统全面协同的程度就越高,反之则越低;

3实例分析

选取某流域的一个梯级水电站大坝群进行安全应急管理协同度测度,该大坝群由3个水电站组成。梯级水电站大坝群的安全管理责任由统一的库坝中心承担,库坝中心掌握大坝群的运行安全状况。根据大坝群的实际情况,通过调查相关有代表性的人员对安全应急管理的预防、准备、响应和恢复4个环节的序参量和二级指标进行赋值,采用10分制的半定量评价打分取平均值法确定各指标的数据,即0为最差值,10为最理想值。各个序参量和二级指标的取值见表2。

1 ) 数据标准化。由于表2中所有原始数据量纲不同,不能直接进行计算,故先进行数据的标准化处理。数据标准化方法如下:

当目标越大评价越好时,

当目标越小评价越好时,

式中: x'j是标准化值; max( xj) 是第j个指标的最大值; min( xj) 是第j个指标的最小值。

由式( 4) ,式( 5) 对表2中的原始数据进行标准化处理,结果如表3所示。

2) 各子系统序参量有序度计算。由式( 2) 和表1中的权重,分别计算出各子系统序参量的有序度, 结果如表4所示。

3) 各子系统有序度计算。由表2和表4的数据以及表1中的权重,分别计算出各子系统的有序度, 结果如图1所示。

4) 系统协同度计算。根据各子系统有序度,以安全应急管理的预防环节为基期,由式( 3) 可计算出水电站大坝群安全应急管理系统的全面协同程度,结果如图2所示。

5) 测度结果分析。由图1可知,大坝群安全应急管理各子系统的有序度都在[0. 4,0. 8]之间,且在安全应急管理的不同环节比较稳定。响应环节和准备环节各子系统的协同度最高。对于各子系统, 应急过程和应急信息的协同度整体较高,表明应急过程和应急信息在不同的大坝群安全应急管理协同中起关键作用。

由图2可知,该水电站大坝群在准备环节和响应环节协同度较高,而恢复环节为负,表现为不协同。这是因为在该水电站大坝群中,安全应急准备环节和响应环节涉及的应急工作非常复杂,特别是响应环节更是是应对突发事件的关键阶段,从而这两个环节受到很大重视,协同度较高; 而在预防和恢复环节,各子系统之间的协同互动逐渐减弱,在恢复环节由于水电站大坝群内部未能及时剖析应急管理工作中存在的问题,甚至出现不协同现象。因此,从整体角度分析,该水电站大坝群安全应急管理系统有待优化,必须采取优化对策进一步提高各环节的协同度,尽快恢复生产生活秩序,并据此组织各种力量,消除突发事件对社会、经济、环境以及人的心理的影响,从而达到梯级水电站大坝群安全应急管理系统全面协同的效果。

4结论

1) 通过建立水电站大坝群安全应急管理协同度测度指标体系,厘清大坝群子系统、序参量和二级指标之间的协同关系,揭示各子系统的协同应急机制,为安全应急管理的协同度测度分析提供决策支持。

2) 从5个子系统协同视角上分析,以安全应急管理的预防环节为基期,研究结果表明: 应急过程和应急信息的协同度整体较高,响应和准备环节各子系统的协同度最高,而恢复环节表现为不协同,故要提高整个水电站大坝群的安全应急管理系统的协同度,则需进一步优化各子系统和各环节的协同关系。

【系统协同度】推荐阅读：

协同创新系统10-14

系统协同优化06-18

协同办公系统10-21

协同数据库系统07-13

建筑项目协同管理系统论文08-03

金和OA协同办公管理系统07-06

淮南矿业集团协同办公系统运行管理办法06-28

余度系统06-21