分析预警助力科学决策（共3篇）
分析预警助力科学决策 篇1
根据相关的社会调查我们发现空中管制任务总是伴随着一定的风险, 为了保障航空器的安全运行就必须对其中存在的风险进行专业的探究, 并且不断的根据实际情况提出切实可行的解决措施, 传统的空中交通管制已经无法适应时代的需求。所以, 现实要求我们必须实施科学的、有效的空中交通管制安全风险管理系统。
一、空中交通管制安全风险的重要性
众所周知, 空中管制任务总是伴随着一定的风险, 各种飞行事故都是因为空中管制风险预警系统不完善造成的。为了减少航空器之间发生碰撞, 将经济损失降到最低, 就必须进行相应的安全风险预警[1]。首先, 发生空中交通安全事故的主要原因层出不穷, 并且各个因素之间都存在着必然的联系, 共同构成了一个庞杂的系统, 因此空中交通管制的相关工作人员应该具备较高的专业知识, 能够正确、科学、及时的分析该系统存在的主要问题。其次, 根据相关专家学者阐述空中交通管制系统按其性质划分为两个部分, 一个是内部系统, 另一个是外部系统。内部系统主要是由管制、气象、通讯等相关的部门组成;外部系统主要是由各个航空部门组成, 比如国际航空就属于其中主要部门的一个分支。最后, 安全风险是各种大型事故的主要诱发因素, 它对空中管制系统的日常操作造成了严重的阻碍。因此, 综上所述实施科学的手段、有效的加强空中交通管制安全风险的操控, 可以减少或者杜绝安全事故的发生。
二、制定空管安全风险预警决策的主要目的
首先是为了准确预测空中交通管制安全存在的风险, 可以参照过去发生事故的主要原因和发生事故时出现的主要情况进行讨论分析, 并且结合当前的具体实际情况进行论证, 利用专业的理论知识和实际情况, 精确、科学、系统的分析并且预测航空器之间可能出现的多种情况;当然也可以调查和查找往年已经发生过的事故统计, 再和当前的各种情况进行相应的对比, 然后通过科学的计算对整个安全状况的趋势进行分析, 主要是为了最大程度的减轻经济损失。其次空中交通管制安全风险预警决策模式主要是为了更加深刻的把握决策的主要对象, 科学、系统的分析各种风险存在的不稳定性, 根据出现的实际情况利用科学的手段, 先进的方法解决安全问题。
不断完善空中交通管制安全系统, 最大程度的提高其工作的效率, 以此来避免“虚警”的出现。最后, 工作人员对空中交通管制安全风险监控的前提下, 也可以同时检测相应的信号输出设备, 这样就可以充分的保证决策的科学性和合理性, 也有助于各个部门协调工作, 不断整合和完善空中交通管制安全风险预警决策模式。
三、主要的实施步骤
相关的工作人员会利用专业知识和科学技术对空中交通管制安全风险进行一定的预测, 因此预测的结果是该预警决策模式的首要依据, 只有在实际的操作过程中不断完善和提高预测的科学性才可以保证该模式的正常进行[2]。在进行安全风险预测的时候首先要注意的是:根据以往的资料, 对现有的情况进行准确的分析和论证;其次要选择正确的预测方式。只有充分的对这两点进行分析和整理才能最后决策出有效的风险预测, 从而最大程度的降低安全风险, 以减少经济损失。
简而言之, 为了保证预测的目标和之前的科学分析具有一致性, 就必须对相关的数据进行科学的、系统的分析, 要最大程度上整理和收集有效信息, 并且运用科学的手段对数据的合理性进行论证。总而言之, 有效信息是进行科学决策的前提和基础。
因此, 专家阐述现当代的空中交通管制安全风险预测模式实际上是现代信息技术的一个分支。另外值得注意的是, 空中交通管制安全风险居有其特殊性, 需要相关的工作人员具备较高的专业素质和综合能力, 但是就目前而言, 我国的空中交通管制工作人员安全意识薄弱, 并且我国的科学技术水平相比较发达国家还处于落后的地位, 因此不能从本质上掌握预测的准确性, 所以我们还需要不断总结经验, 提高科学水平。
四、结束语
综上所述, 为了减少和杜绝航空器之间发生不必要的碰撞, 保证其安全、有效、有序的运行, 必须制定合理的、科学的、有效的空中交通管制安全风险预警决策模式, 只有这样才能最大程度的减少经济损失。同时, 要不断提高相关工作人员的专业素质和专业技能, 首先要从思想意识上重视起来, 其次要不断提高科学技术水平, 以此提高预测的准确性。我们坚信在多方的努力下一定可以减少安全事故, 减轻经济损失。
参考文献
[1]罗帆, 杨智.空中交通管制安全风险预警决策模式[J].武汉理工大学学报 (信息与管理工程版) , 2013, 02:274-278.
[2]郑晓春.空中交通管制安全风险预警决策模式分析[J].硅谷, 2014, 13:181+189.
分析预警助力科学决策 篇2
关键词：空中交通管制,风险预警决策模式
民航飞行器载有许多旅客,空中交通安全管理对控制风险的需求尤为迫切。空中交通管制可以维护空中交通秩序,防止空中的飞行器等发生碰撞。导致空中交通管制事故发生的原因是多方面的,各种因素互相联系、互相制约、互相促进。因此及时地对空中交通管制安全风险预警尤为重要。
1 空中交通管制的安全风险因素
空中交通管制的安全风险因素是多方面的,主要可以从人的因素、设备故障、环境影响及管理成效等方面划分。首先,人员风险因素。不论是地面的交通,还是空中交通,人都是操作的主体,而人又是最难以预测预警的。在空中交通管制发生的事故中,人为因素造成的差错占据很大的比例。其次,设备风险因素。所谓设备风险因素是指与发生故障相关的管制设备,例如空管自动化系统、雷达系统、电报系统等,当这些系统发生损坏未及时修理或更换 ;设备老化等 ;设备运行不正常或者设备没有备件等,都可能会导致空中交通事故的发生。再次,环境风险因素。空中交通管制主要的目的是放在空中,即使是在地面,交通也会受到环境的影响,而在空中,各种气象问题、地理问题、甚至通信等都可以导致空中风险的发生。很多环境因素都不是空中交通管制可以预防和控制的因素,但是这些因素却对民航的运行安全有很大的影响。最后,管理风险因素。在空中交通中,涉及的人员比较的多、设备也比较的复杂,怎么对这些人员和设备等进行管理,进行决策也会影响到空中风险的发生。这些都是可以影响空中交通管制安全的风险因素。
2 空中交通管制安全风险的特点
空中交通管制安全风险有很多特点。首先,客观性。每年都会有很多的空中风险事件发生,这些事情的发生都不是人所能控制,也不是人所能把握的。这种客观性是因为产生空中交通管制安全风险的因素是客观的和必然的。其次,动态性。风险的发生和产生的危害等都不是固定的,什么时候发生,发生的危害有多大等在不同地方、不同时期都是不一样的。再次,复杂性。空中交通管制安全风险的来源复杂,不仅是与人有关,还与机器设备等有关。再次,无序性。空中交通管制安全风险因为没有发生过,处理起来无章可循,另一方面,因为环境中的某些因素的变化,可能会有不特定方面发展的趋势。最后,破坏性。空中交通管制安全风险不论是什么原因导致的危险或事故,都会在不同程度上造成损失。空中交通管制安全风险具有明显的破坏性特征。
3 空中交通管制安全风险预警决策模式
首先,空中交通管制安全风险预测预警决策模式。预测是指对研究对象的未来状态进行估计和推测,由过去和现在的数据等推测未来,用已有的东西推测未知的东西。预测既可以根据过去已有的相关历史资料和现在的实际情况来推测未来可能发生的情况,也可以是对现在已经存在的事件的未来状态做出估计和预测等。预测预警决策模式要遵循一定的原理 :虽然风险具有动态性的特点,但是对于发生风险的相关因素还是可以提前预测的 ;事物连续性原理,现在的状态是由以前的状态演化而来,而未来的状态也是由现在的状态演化而来,因此这一原理也是预测预警模式的一个重要原理 ;事件可类推原理,通过知道两个不同风险因子或事件之间的相互关系,可以类推另外一个事件的发展趋势,这样可以使决策的过程更加的科学。
这种模式的预测过程包括一些步骤 :明确预测的目标和对象,在预测前明确预测目标,可以有针对性地收集相关资料 ;收集数据信息,信息的准确与全面直接影响到预测结果的精确性,因此要准确且全面的收集信息 ;合理选择预测方法和模型,选出合理的方式和模型是预测决策模式运行的核心 ;输出结果和决策选择,只有根据结果,才能对可能发生的风险事件制定相关预防措施,为决策的选择提供科学依据。
其次,基于评估的空中管制安全风险预警决策模式。这一模式是应用比较多的一个模式。与风险有关的指标比较多,选择合适的指标,通过一定的方法和技术,对这些指标进行测算等,可以为预警提供一些参考甚至是决策。这一模式的任务导向可以分成两个阶段。首先是预警分析阶段的信息发布决策任务,主要包括三个方面 :评估诊断方法的选择决策,指标信息冗余度的判定决策和风险指标值的确定决策。其次是对策选择阶段的决策任务,这一阶段的工作任务是对不确切的志向、行动、目标、约束条件及决策方案等进行决策。
最后,基于情景分析的空中交通管制安全风险预警决策模式。情景分析法,可以向决策者展示未来发展中呈现出的不同情景,让决策者知道未来发展中可能出现的各种问题 ;情景分析法,可以辅助决策者在策略规划中描绘不同的未来发展场景或情节,可以提高决策者的反应速度 ;情景分析法,可以避免决策的失误。情景分析法在空中交通管制安全预警决策中有其应用的必然性。首先,利用情景分析法,可以提供全面的预测效果,预测的可信度也很高。其次,情景分析是预控对策优选决策的有效工具,使预控方案的操作与响应均能满足安全目标和实际管控的要求。空中交通管制安全风险情景决策的类型包括 :正在工作情况下的预警决策。在不断变化的环境中,空中交通管理者为了应付潜在的问题,必须进行决策,决策者在决策时,只有充分考虑到当时的情景,对情景有正确的认识,才能保证决策的正确性。出现在特定情况下的预警决策特。由于导致风险发生的因素有很多种,因素也有各自的不确定性,所以还是会对有些风险或是危害事件无法进行有效的预测,这就需要管制人员在处理这种风险的时候有应变能力和应急管理能力。
分析预警助力科学决策 篇3
财务评价与预警模型是根据已有的企业财务指标数据, 通过科学的分析方法对企业运营进行评估与预测研究。企业的财务状况, 既反映了企业各个部门的运营情况, 也影响着企业未来的发展趋势。
理论界对于企业财务的评估与预警模型的研究可追溯到Patrick (1932) 建立的单变量判别分析上, 但由于当时数量、统计等方法尚未普及, 模型结论相对简单。随着数学理论应用的发展和交叉学科的趋势不断推广, 企业财务的评价与预警模型不断引入新的方法完善与创新:Beaver (1966) 就158家随机样本企业的财务比率进行两分法检验, 最终筛选得到了企业经营失败与否的5项主要指标;Altman (1968) 运用英国著名统计学家Fisher提出的MDA模型, 根据5项财务指标加权汇总产生总分判别函数, 以其结果来预测企业财务危机, 而后, Altman等人1977年在原基础上提出了新的ZETA模型, 通过7各指标能够更好地进行长期预测;Martin (1977) 最早将Logit模型应用到企业的财务危机中, 并且将其同之前的方法进行比较, 得到了更优的结果;Ohlson (1980) 总结了MDA方法的主要缺陷, 并对1970~1976年间的2千多家企业分析, 认为Logit方法能够有效地避免这些缺点;Zminjewski (1983) 通过统计检验方法对1972~1978年间的近4000家企业的财务数据进行分析, 得出破产与非破产企业间四类有明显差别的财务比率, 并于1984年采用Probit模型进行预测企业破产的概率。
伴随着计算机领域的发展, 非线性判别模型开始应用在企业财务中, Odom等人 (1990) 将神经网络同其他模型的应用进行了比较分析;杨宝安等人 (2001) 通过BP神经网络对30家企业的15项指标进行分析, 对财务危机的预测达到了95%的准确率;张玲等人 (2005) 通过多元判别技术和神经网络技术的结合应用, 对我国上市公司的财务数据进行分析得到了较好的预测效果;苏玮 (2006) 选取两组上市公司, 先后通过聚类分析、主成分分析和Logit建模, 对企业10年的财务数据进行处理得到了财务预警模型;姚靠华等人 (2005) 根据上市企业的17项财务指标构建决策树模型, 采用数据挖掘工具进行处理得到了与Beaver相同的研究结果, 使得预警系统更加可靠;冉茂盛等人 (2009) 选取100家沪深上市公司作为评价对象, 利用数据包络分析法 (DEA) 和支持向量机分析模型对企业财务状况进行有效预测与评估;李涛等人 (2012) 通过企业财务评价新指标体系的构建, 应用灰色关联分析和修正的层次分析模型得到了企业财务业绩的一种评判方法。
本文运用DEA评价方法对企业财务状况进行评价并划分等级, 进而依照决策树方法形成一系列规则, 应用这些规则在企业的财务领域, 能够对企业的财务进行评价与预警。通过实证研究, 这种新的方法能够对上市企业进行财务评价与预警分析。
二、基于DEA的决策树模型的算法
(一) DEA评价过程
数据包络分析 (DEA) 是以决策单元DMU的投入、产出指标的权重系数为变量, 借助于运筹学中的规划模型将决策单元向DEA生产层面上进行投影, 通过对决策单元偏离DEA生产前沿面程度的比较来对被评价决策单元的相对有效性进行综合绩效评价。上市公司作为多投入—多产出的复杂系统, DEA模型对每个决策单元都能得到对此决策单元来说最好的权重集合, 从而有效的避免了各指标人为主观界定的模糊性。
DEA系统结构图如上, 第ro个决策单元DMUro具有的m维输入变量矩阵为xro和n维输出变量为yro, C2R模型的构造如下:
xr= (x1r, x2r, …xmr) T, yr= (y1r, y2r, …, ymr, ) T, r=1, 2, …s, λr为s个DMU的组合权重, μ+与μ-为松弛变量, xro与yro为被评价单元的投入产出指标值。
C2R模型结果为考虑了规模收益的规模效率, 而不考虑规模效益时能够得到BC2模型, 两类模型的结果中, 一般采用vrste表示考虑规模收益时的纯技术效率, scale表示考虑规模收益时的规模效率, 综合效率为纯技术效率与规模效率的乘积, 用crste表示。通常认为, 评价值=1时, 该决策单元为DEA有效或弱DEA有效, 评价值<1时, 决策单元没有达到DEA有效, 本文根据DEA的综合评价值进行企业财务状况的等级划分。
(二) 确定决策树的分支属性
决策树理论中最为典型的学习算法是ID3, 它采用了自顶向下的不回溯策略, 能够保证构造出一棵简单树。C5.0是对原始决策树分析ID3改进后的算法, 其优势之处在于可以处理多种数据的类型, 还可以将部分属性标记为不适合, 从而使得分析中仍然能够保持数据资料的完整性。C5.0算法的分类预测是基于逻辑的, 即通过对输入变量取值的布尔比较实现对输出变量的分类预测, 在众多的输出变量中选择出一个当前最佳的分组变量, 并从分组变量的众多取值中找到一个最佳的分割点。
决策树的分支属性直接影响分类的质量, C5.0采用属性的信息增益率来选择属性, 同时以信息增益率的下降速度作为最佳分支变量和分割阈值的依据:
取数据集为T, 选择属性V的取值{v1, v2, …, vn}将数据集分为n个子集{T1, T2, …, Tn}, 类别C的集合为{c1, c2, …, ck}, 那么, 我们得到以下公式:
(1) P (cj) =|cj|/|T|=freq (cj, T) /|T|
(2) P (Vi) =|Ti|/|T|
(3) P (cj|vi) =|cjv|/|Ti|
其中, P (cj) 为类别cj发生的概率, P (vj) 为vj发生的概率, P (cj|vj) 为属性vi条件下类别为cj的条件概率。
此时的决策树对划分C的不确定程度 (信息熵) 为:
当选择属性V进行测试, 不确定程度 (条件熵) 为:
则属性V对于分类提供的信息量为:
决策树对于属性V的不确定程度 (信息熵) 为:
信息增益率为:
基尼指标为:
当数据集T分为两部分时, 这一分割的Ginisplit为:
根据如上算法, 能够提供最小Ginisplit值的分割作为选择的标准。
三、实证分析过程
(一) 样本的描述
本文选取2013年我国西部地区宁夏、甘肃、青海和新疆四个省 (区) 的81家上市公司的企业年报中财务数据作为数据样本, 并对数据进行相关的筛选与标准处理, 最终得到52家企业的标准数据。
本研究首先要进行企业财务状况的绩效综合评价, 一般是通过营运能力、偿债能力和盈利能力等方面进行评价, 我们按照评价结果中的数值将企业划分为5个等级:评价值为[0, 0.4) 表示企业财务危机, 评价值为[0.4, 0.6) 表示企业财务预警, 评价值为[0.6, 0.8) 表示企业财务一般, 评价值为[0.8, 1) 表示企业财务良好, 评价值为1表示企业财务健康。
指标数据通常可以分为数值型和非数值型, 数值型的指标通常可以分为绝对指标和比率指标, 在数据包络分析 (DEA) 体系中, 要求指标体系为非负数, 为了能够保证上市公司数据的全面性和代表性, 本文选取影响公司财务的三个方面的14项比率指标对企业进行评价, 具体的指标选择情况见下表:
(二) 仿真运算
本文选择以投入为导向的DEA超效率模型, 运用软件DEAP version 2.1对企业财务状况进行DEA实证分析, 得到各个企业的纯技术效率 (vrste) 评价值、规模效率 (scale) 评价值、综合效率 (crste) 评价值和规模收益情况, 此处选取综合效率值 (crste=vrste×scale) 作为评价指标, 按照分类标准将其划分为健康、良好、一般、预警和危机五类, 运算的评价结果如表2所示。
根据DEA的企业财务评价结果和等级情况, 应用clementine 12.0软件通过C5.0决策树算法进行分析处理, 经过训练得到企业财务的决策树, 如图2所示。
根据决策树的形成规则, 对DEA评价结果进行检验, 准确率为88.68%, 能够有效地对进行企业财务评价和预警, 得到的10组规则集如下:
规则1:销售毛利率为 (9.496, 32.112], 流动资产周转率为 (0, 0.224], 应收账款周转率为 (0, 0.827], 成本费用利润率为 (4.420, —]—→财务状况“健康”。
规则2:销售毛利率为 (9.496, 32.112], 流动资产周转率为 (0, 0.224], 应收账款周转率为 (0.827, —], 成本费用利润率为 (27.392, —]—→财务状况“健康”。
规则3:销售毛利率为 (32.112, —]—→财务状况“健康”。
规则4:销售毛利率为 (9.496, 32.112], 流动资产周转率为 (0.224, —], 存货周转率为 (1.169, 1.535]—→财务状况“良好”。
规则5:销售毛利率为 (0, 9.496], 应收账款周转率为 (0, 33.484]—→财务状况“危机”。
规则6:销售毛利率为 (9.496, 32.112], 流动资产周转率为 (0, 0.224], 应收账款周转率为 (0, 0.827], 成本费用利润率为 (0, 4.420]—→财务状况“一般”。
规则7:销售毛利率为 (9.496, 32.112], 流动资产周转率为 (0, 0.224], 应收账款周转率为 (0.827, —], 成本费用利润率为 (0, 27.392]—→财务状况“一般”。
规则8:销售毛利率为 (9.496, 32.112], 流动资产周转率为 (0.224, —], 存货周转率为 (1.535, —]—→财务状况“一般”。
规则9:销售毛利率为 (0, 9.496], 应收账款周转率为 (33.484, —]—→财务状况“预警”;
规则10:销售毛利率为 (9.496, 32.112], 流动资产周转率为 (0.224, —], 存货周转率为 (0, 1.169]—→财务状况“预警”。
四、结论
由于企业财务数据可得性和评价依据的不同, 企业财务的评价与预警研究通常是按照ST与非ST进行分组, 从而对比企业之间的财务差距, 分别代表安全与危险的划分。本文通过数据包络分析法将企业财务状况划分为五个等级, 依次为健康、良好、一般、预警和危机, 进而由决策树的分支标准判断企业财务的等级, 从而能够更加精确企业财务的实际状况, 实现企业财务状况的评价与预警。