目标区间（共8篇）
目标区间 篇1
曹台地区是油藏主要评价区带之一, 有着巨大的勘探潜力。但该区已完成的三维地震采集受当时地震采集技术、装备和勘探目标的限制, 地震资料品质较差, 制约着整体评价项目和该区勘探开发的进程。因此, 开展新采集三维地震资料的处理研究十分必要。
1 原始资料特点
本次研究在新采集的地震资料基础上拼接了四块老资料, 野外施工年度跨度大, 观测方式多样, 采集参数不一, 造成资料覆盖次数、信噪比、频率、能量等方面差异较大。根据工区资料组成情况, 分析原始资料主要有以下四方面特点。1) 近地表条件复杂。工区地表起伏较小, 海拔高程在30~40m之间, 呈西南低东北高的趋势。该区表层结构多为三层结构, 包括低速层、降速层和高速层。且低降速带厚度变化大, 一般为5~15m, 低速层速度在400~600m/s之间, 降速层速度在1200~1550m/s之间, 高速层速度在1700~1850m/s之间。该区激发岩性基本为青细沙和黄细沙, 局部含有少量泥, 局部存在砾石区。2) 噪声发育。工区临近市区, 交通发达, 村庄密集, 噪声较为发育, 主要来自于高速公路、高速铁路、火车站编组站、高压线及村镇等干扰。工区内主要噪音为高能量面波干扰、高能高频噪音干扰、异常高能量干扰和线性干扰, 局部地区还有50hz工业电干扰。3) 数据能量差异大。通过对原始单炮和初叠剖面能量分析可知, 工区内数据能量差异较大。一是由于多块资料拼接, 不同年度资料数据间能量级别变化大;二是由于变观改变药量等因素, 造成目标区能量不均。4) 覆盖次数不均匀。新采集资料由于变观加密炮等原因, 工区覆盖次数不均匀, 近偏移距部分缺失。从拼接资料分析来看, 由于新资料的资料采用的是12.5米面元采集的, 变成25米面元处理是, 覆盖次数比拼接数据覆盖次数明显高出很多。新采集数据满覆盖在600次左右, 老数据都低于300次。这样的差异给最后的处理带来了很多的困难, 特别是偏移画弧现象严重。
2 主要研究成果
1) 炮点坐标快速重新定位技术。新采集的地震资料由于严格按照要求施工, 资料基本上不存在炮偏的问题, 但是在拼接的老资料中存在严重的炮偏问题。以往对炮偏单炮的调整主要以手工为主, 费力、不准确。其基本思路是:首先在共偏移距道集上找到异常炮;然后观察线性速度调整偏移量;最后反复试验找到炮偏量、修改炮点坐标。在本次资料处理过程中, 为了节省处理时间, 我们采用了新技术-炮点坐标快速重新定位技术来校正炮偏。其基本思路是:首先在PICKWORKS交互模块里自动查找坐标偏移炮, 然后拾取炮偏单炮三道初至进行坐标计算, 最后批量导入OMEGA模块中进行修改。整个过程自动化程度高, 坐标计算的精度高, 花费时间少。
2) 分域分频多次去噪技术。为了最大限度地压制噪音干扰且不影响有效信号, 本次处理采用了多种叠前去噪技术来提高单炮的信噪比。
a.谱编辑去噪技术。谱编辑是新引进的一项技术, 主要是用于去面波、重炮干扰。该技术的思路是根据地震子波的统计特性, 在频率域内地震子波的频率以主频为对称轴存在一定的对称性。再根据面波低频的特性, 在高频区选取参与频带, 把面波区的频带压制到参考频带能量级别上, 从而达到去噪的目的。该方法操作简单、速度快, 在本次处理得到了广泛应用。应用后面波得到了很好的压制, 从噪音记录中可以看出, 该技术基本没有损失有效信号。b.交叉排列域去噪技术。交叉排列域处理是一种新的处理思路。所谓交叉排列道集就是由一条检波线记录的来至同一条炮线上的所有的道, 在观测系统不规则时, 还需要对不规则的炮检点坐标进行平行或旋转以保证交叉排列道集内CMP点的均匀分布。交叉排列道集与以前共炮点道集域共检波点道集相比优势明显, 不仅能改善基本空间域处理的处理模块, 而且能同时应用叠前、叠后模块进行处理。c.分频异常噪音压制技术。分频异常噪音压制技术是一种频率域中值滤波技术, 对频率域的异常噪音有很好的压制效果。应用该技术后资料的信噪比得到了大幅提高。该技术使用方便, 在任何阶段都可以使用。
3) 空间相对振幅补偿技术。针对划弧问题, 应用面元规则化技术不能完全解决。在应用完面元规则化技术后, 我们又进行了空间相对振幅补偿技术, 从空间上对数据进行能量匀衡。本技术是omega系统新开发的一套流程, 可应用于叠前共偏移距数据。本次研究中进行了改进的基于覆盖次数的能量调整以及基于空间振幅的能量补偿, 从空间上对数据进行能量匀衡, 解决了偏移画弧问题, 提高了资料的品质。
4) 叠前时间偏移速度建模技术。与叠后时间偏移相比, 叠前时间偏移对速度更敏感。建模时首先以平滑后的DMO速度作为初始速度, 按初始速度的不同百分比进行速度扫描, 对目标线进行试偏移, 并做出相应的CRP道集, 依据偏移剖面和对应的CRP道集, 进行精细速度拾取, 再以此速度为输入速度, 重新做目标线偏移和对应的CRP道集显示, 来验证速度是否准确。如果道集上翘, 剩余时差为负值, 说明速度偏小;而道集下拉, 剩余时差为正值, 说明速度偏大。无论速度偏大还是偏小, 都要对该层的速度进行修正。通过多次循环迭代, 直到得到满意速度为止, 即CRP道集拉平, 同时剖面的成像精度越来越高。
3 最终应用效果
通过多项新技术的研究应用, 基本落实目标区构造形态及断裂展布, 搞清了沙三、沙四段储层的分布及厚度变化, 各套地层层间信息丰富, 地质现象清晰。通过对最终处理剖面分析, 剖面品质与以往相比有了较大的提高, 地震剖面构造形态较完整, 主要体现在以下几个方面:
1) 基底下伏地层反射形态清晰, 层间信息比较丰富, 信噪比有了较大的提高, 同相轴的连续性较好。2) 断面绕射信息比较丰富, 曹台逆断层比较清楚, 断点、断面及边界接触关系比较明显。3) 剖面反射波阻特征清晰, 保真度高, 与老剖面相比能更准确地反映地下地质情况。
4 结论
地震资料处理中, 细致深入的资料分析是一切后续处理工作的基础, 有针对性的新技术的开发应用是提高处理质量的根本保证, 精确地叠前时间偏移处理技术是精确成像的关键。
参考文献
[1]Yilmaz O.SeismicDataProcessing.SEG, ulsa, USA, 1987.
[2]刘立彬, 李振春.叠前时间偏移技术在东营凹陷北部陡坡带砂砾岩体成像中的应用[J].地球物理学进展, 2007.
目标区间 篇2
摘要：全面预算管理是现代企业集团加强财务管控的重要手段和有效工具，预算编制是全面预算管理的起点，直接决定了预算管理体系运作的有效性。在企业集团年度预算编制实践中，预算目标的沟通往往耗时耗力、且效果不佳，达成一个使母、子公司都能接受的预算目标困难重重。本文主要结合实务经验，探究在预算目标沟通中母子公司间沟通不畅的主要原因，并提出改进建议。
关键词：集团预算问题措施
一、企业集团预算编制的主要方式
企业集团预算编制的组织方式一般包括自上而下、自下而上和上下结合三种方式，它们分别适用不同的企业环境，各具优缺点。
（一）自上而下式
财务预算由企业总部按照战略管理需要，结合企业所有者意愿及企业所处行业的市场环境提出，各分、子公司只是财务预算的执行主体，一切权力在总部。
自上而下式的最大好处在于能保证集团总部利益，能够充分贯彻企业发展战略目标。但其最大的不足在于将权力高度集中在总部，不能发挥各分、子公司的管理主动性和创造性，不利于企业未来长远发展。一般适用于业务单
一、规模较小，组织架构较为简单的企业集团。
（二）自下而上式
总部主要起管理中心作用，将预算管理作为各分子公司落实其经营责任的管理手段，并认为预算管理的主动性来自于各分子公司，总部只对财务预算拥有最终审批权。
这种方式的优点是有利于提高分子公司的主动性，充分体现了分权和人本管理，提高了分子公司独立作战的能力。其最大的不足在于：削弱总部的管理，可能引发管理失控；可能导致资源浪费，比如各成员企业为争夺资本资源而多报或少报财务预算；不利于分子公司盈利潜能的最大发挥，如分子公司的经理人员为保持对分部的长期经营权，会采用“挤牙膏”式的预算申报方式。
（三）上下结合式
即“自上而下”与“自下而上”相结合的方式，预算目标应自上而下下达，预算编制则应自下而上地体现目标的具体落实，各责任部门通过编制预算明确“应该完成什么，应该完成多少”的问题。因此，财务预算的编制过程是各责任单位的资源、状况与企业财务预算目标相匹配的过程，是企业预算目标按部门、按业务、按人员分解的过程。采用这种方式编制预算，一般都要经过“几上几下”的反复过程，通过这期间集团总部与各分、子公司的反复沟通、最终达到成员企业上报的预算与集团下达的财务目标相匹配，以实现集团整体利益最大化。
此模式的优点在于：能够有效保证企业总目标的实现；按照统一、明确的“游戏规则”分解目标，体现了公平、公正的原则，避免挫伤“先进”，保护“落后”；财务预算的编制必须以目标的实现为前提，避免了财务预算编制过程中的“讨价还价”、“宽打窄用”，提高了预算编制效率。
现代企业集团国际化、多元化经营已经成为趋势，管理范围遍布各个行业、各个区域或国家，在预算编制中几乎很少采用单纯的自上而下或自下而上的预算编制方式，广泛采用的是“自上而下”与“自下而上”相结合的预算编制方式。
二、企业集团预算目标沟通中的常见问题
上下结合的预算编制方式很好地体现了集团总部与成员企业在预算编制过程中的互动，正是依靠“几上”与“几下”的过程，促使集团总部与成员企业就预算目标相关事宜充分沟通，最终达成合理的预算目标。但在实践中，很多企业集团在预算目标确定过程中不注重沟通问题，或是沟通不到位，导致预算目标确定过程不仅耗时耗力，而且效果不佳，具体表现在：
（一）沟通流于形式，缺乏双向互动
主要表现为预算沟通由总部主导，但主要是总部提要求、下任务，下属单位一般只能被动接受。沟通过程最终沦为集团总部的任务布置会，下属单位的合理意见往往得不到采纳，最终形成的预算目标自然也是不合理的。
（二）沟通缺乏共识，效率低下
主要表现为沟通过程中，总部和子公司均站在各自立场发表意见，缺乏整体观念，各说各话，始终达不成一致意见。集团公司层面永远希望下属单位多承担压力，往往提出不切实际的预算目标要求，成员企业往往担心考核压力，总是希望把预算目标定的越低越好，两个层面永远没有交集。
三、预算目标沟通问题产生的原因分析
上述第一种情况本质上属于观念问题，主要在一些业务比较单
一、下属单位数量较少、规模比较小的企业集团发生，这类企业集团往往习惯于“自上而下”的预算编制方式，由集团总部直接下达预算目标，下属企业按照要求执行。在多种业务混合经营的大型企业集团里面，预算沟通中更容易出现的是第二类问题，即沟通缺乏共识、效率低下的问题，其产生的原因可以从母公司和子公司两个层面来分析：
（一）从母公司层面分析，导致与下属成员企业预算目标沟通不畅的主要原因
总部与下属单位信息不对称，总部提出的预算目标偏离实际：部分大型企业集团总部官僚思想严重，缺乏对下属成员企业经营、市场信息等情况的了解，往往仅凭历史经验数据提出预算目标，从而使提出的预算目标严重偏离实际。
集团总部承受上级考核压力，不得已将考核压力强行分解给成员公司。在这种情况下，集团下达给成员公司的考核目标本身不是经过自下而上逐级汇总出来的，而是来自更上级单位的考核目标。在这种情况下，即使考核目标不合理，成员公司也必须承接，不存在沟通商量的余地，导致成员公司产生抗拒心理。
（二）从成员公司层面分析，其与母公司预算目标沟通困难的原因主要有
1、对总部缺乏信任，采用“挤牙膏”式的预算申报方式对抗总部审查
由于总部和成员企业之间缺乏相互信任，总部习惯于凭感觉认定下属单位申报的数据留有裕量，因此不管下级单位初次申报的预算目标是否合理，最终下达的目标都要上浮；而成员企业也不信任集团总部，担心总部无原则的层层加码，因此在初次申报数据总要留有一定裕量，以应对集团每次审核时的目标加码。
2、考核机制不完善，“老实人”容易吃亏
集团总部提出的考核机制搞“一刀切”，不管考核目标完成的难易程度和目标本身是否合理，只有完成目标才能合格，未完成目标就要受罚。这种不管目标难易程度的僵化考核方式容易导致“老实人”吃亏，从而促使成员公司在申报目标时都努力追求一个比较容易达到的目标，以减少完成考核目标的压力。
三、提高预算目标沟通效率的办法
针对企业集团预算目标沟通中反映出的问题及其形成原因，提高预算目标沟通效率重点要解决以下三个方面的问题：
（一）加强信息收集，避免总部与成员企业间的信息不对称
企业集团总部应转变观念，经常接触成员企业，及时了解下属成员企业的生产、经营情况，以便在开展预算目标预测、沟通、下达时做到有理有据、科学合理。企业集团总部了解信息的方式包括多种途径，比如定期对成员企业开展调研，由成员企业定期上报生产、经营活动信息，成员企业开发专门信息系统及时收集信息等。
（二）保持公开透明，增进总部与成员企业间的相互信任
解决相互信任问题的核心是公开、透明，把所有信息摆到会议桌上来说，减少成员企业之间以及成员企业与集团总部的相互猜忌。集团总部需将预算目标确定中面临的困难、现状，上级公司对集团整体预算目标的要求，预算目标向下属企业的分解原则，各成员企业具体承接情况等相关信息向成员企业解释透彻。同时，集团对成员企业预算目标的分解应保持标准统一，避免厚此薄彼，使所有成员企业充分相信集团总部在预算目标分解上的公平、公正，愿意共同为集团总部分解考核压力。
（三）优化考核机制，提高成员企业的主动性
考核是一个指挥棒，决定了成员企业面对预算目标时的态度和行为。按照传统考核方式，预算指标考核只有“完成”和“没完成”两种结果区别，完成得多与少在考核激励上没有任何区别，也没有目标难易程度的区分，导致的结果是成员企业没有动力和积极性申报更高的预算目标。
为了提高成员企业的积极性，促使成员企业主动承担更高的预算目标，必须完善考核规则。首先，考核规则应体现目标的难易程度，集团总部可确定一个相对容易达到的基准值，在基准值的基础上，由成员公司自行申报目标值，申报的目标值相对于基准值越高，考核激励力度应越大；其次，考核计分结果应考虑最终完成值与目标值的差异，最终完成值超出申报目标值越多，考核得分应越高。
上述规则可用公式表达为：F=X/A*B/A。
其中：F为最终考核得分；X为实际完成值；B为成员企业申报的考核目标值；A为总部提出的考核基准值。
按照上述计分规则，可以得出以下两个结论：
当成员企业申报的考核目标值（B）越大时，最终考核得分F将越高，如果成员企业自行申报的目标值（B）越小，最终得分F月底，如果申报目标值（B）小于集团考核基准值（A），则考核得分将低于满分。
在B大于A的前提下，当考核指标实际完成值（X）越大，最终得分也会越高，完成值越底，考核得分越低。
按照上述规则，成员企业申报的考核目标值如果大于集团总部下达的基准值，且预测越准确，水分越少（即，B无限接近最终实际完成值X），最终考核得分越高。在这种情况下，成员企业积极性将有效调动，不需总部督促或施加压力，自身就有动力将考核目标值设定为最大可能值，从而有效解决了集团总部与成员企业在预算沟通中的博弈问题，大大提高了预算沟通效率。
目标区间 篇3
一、目标成本法与开放簿记概述
(一) 目标成本法
目标成本法表面上看其工作是制定新产品的目标成本, 保证产品实际成本小于等于目标成本。但实际上, 目标成本法的核心工作是通过改进产品设计, 降低产品成本。并通过企业内部有经验的一线工人、管理会计师、管理者一同进行成本分解挤压, 在确保目标成本可实现的前提下产品投入生产。可以将目标成本法的实施过程分为确定目标成本和实现目标成本两个环节。
在确定目标成本的环节, 主要工作是通过各种手段测算产品价格和目标利润, 根据二者的差额来确定目标成本。在目标成本法下, 目标成本根据客户愿意付出的价格与新产品的预期利润来确定, 其公式为:
其中C为目标成本, 即开发设计产品的允许成本, 实际成本必须小于或等于该允许值, 否则放弃产品开发与生产;P为竞争性市场价格, 是客户愿意为它们期望中的产品及其功能支付的价格, 由市场的竞争状况决定;π为目标利润, 是企业为生存和发展根据企业财务状况决定的。
实现目标成本的过程主要是目标成本的分解和挤压, 即在生产、设计、研究开发、财务和营销等部门的配合下, 有效降低产品成本。这一环节将企业成本控制的中心转移到产品开发阶段, 立足于客户对产品价格、质量等方面的要求, 在此基础上确定各功能、各职能部门的成本。
(二) 开放簿记 (OB)
供应商批露成本以及类似的数据给买家, 被称为开放会计政策或开放会计 (Ellram, 1996;Christopher, 1998) 。开放会计 (open-book accounting) 与开放簿记 (open books) 存在一定的区别, 前者强调的是会计信息, 而后者既包括会计信息, 还包括相关的其他信息, 如工艺技术信息、产品质量信息等。越来越多学者的研究开始关注实践中的开放会计。这些研究主要集中在两个领域, 生产和供应链领域以及成本管理领域。最早的关于开放会计的实践报告是对日本企业的研究。开放簿记公认的最广泛目的是控制, 即确保供应商按照买方的意愿行事 (Cuganesan, 2007) 。另一个目的是帮助买家和供应商的决策过程, 以提高供应链效率。
由于在一个组织中的活动和决策可能会增加另一个组织的成本, 因此开放簿记和共享成本数据成为提高供应链效率的一种重要途径。通常情况下, 虽然数据可以在上游和下游共享, 但主要途径还是供应商向买方提供数据。开放簿记可以在确定的关键领域内让供应商支持买方, 并在这一领域内改善生产效率。那么这就支持了买方有关产品和生产过程的决策。实际上, “开放簿记政策是一项战略, 它促使了一个供应链上企业之间的合作, 这个信息用来影响实施这一战略的企业之间的产品流和服务流” (Mouritsen et al., 2001) , 并促进产品开发与供应链的协调。
在买方要求实现自己的目标成本, 而供应商又缺乏相应的知识和资源以降低自己的成本时, 供应商可能主动开放他们的簿记。特别是当买家和供应商希望密切合作, 以创造一个更加具有竞争力的供应链时, 开放簿记显得尤为重要。当然在何种程度上实现数据共享, 与各方进行这种数据分享的意愿有所不同 (Kajuter and Kulmala, 2005) 。库珀和斯拉莫得 (1999) 论述了“部分开放簿记”和“完全开放簿记”的政策, 当讨论供应商愿意分享多少成本资料时, 文献指出, 双方的意愿和参与能力由供应商的成本计算系统本身确定, 但是, 它可能无法产生所需的数据。研究也表明, 开放簿记需要信任的环境 (Kajuter and Kulmala, 2005) 。开放会计数据披露还涉及对供应商的激励条件。Baiman和Rajan (2002) 认为, 提高联合投资的效率, 不仅可以形成开放的组织关系, 而且这种关系也可以降低买家和供应商的激励问题, 这样他们才会支持这些投资。在现存的研究中, 很少提及供应商在公开成本数据过程中得到的利益。现有研究更多的关注有形激励, 例如利润分享, 和保证利润率, 这些都是对供应商的重要激励手段 (Agndal和Nilsson, 2008) 。这些利益如何传递给供应商, 供应商会评判采用开放簿记是否足以抵销带来的风险等都是实施开放簿记的重要决定因素。
二、目标成本法需要组织间开放信息交换
目标成本法的开展离不开组织间的相互协调配合, 很多管理会计的文献都提及企业之间会计信息的交换。早期的学者将组织间会计信息交换作为成本管理技术贯彻的前提条件和组织水平上的成本改进措施。与传统的单个企业不同, 开放这些会计信息可能会带来成本降低的额外机会。例如, Carr and Ng (1995) 认为在组织水平上降低目标成本的前提就是实现会计信息的共享。特别是企业如何通过贯穿整个供应链的目标成本控制来控制总成本——“总成本降低活动”和“总成本实现活动”———这些企业如何通过开放会计来协调不同供应商之间协议会计成本的不一致。
Seal等 (1999) 描述了在供应链联盟中采用开放会计的做法降低成本的可能性。较为系统化的概述了会计信息共享始于目标成本的推动, 并为持续改进的供应商提供积极支持, 在成本决策上支持开发项目。有学者建议, 在形成一个规范化的信息交换体系后, 利用作业成本法和平衡记分卡来支持合作关系, 最终使买方实现目标成本的控制, 并使供应商也从中分享利益。实证证据表明, 对于外部环境变化、激烈的竞争、降低和达到目标成本的压力更可能发生披露成本数据的情况;从企业内部特性变化观察, 更大的公司规模、先进成本核算系统的使用、供应链合作伙伴关系的建立, 以及对关系的长期承诺都会促使开放簿记的使用。
通过组织间的会计信息交换, 可以对成本节约项目进行一些调整和干预。企业间的信息共享为成本控制与应用技术提供了空间, 特别是在企业目标成本分析和功能分析方面。在开放会计实践中, 买方公司对于供应商的总体采购预算也是供应商用来考察成本效率的一种重要方式, 反之, 供应商能够给买方企业提供考察外包产品所耗费时间和成本的信息, 包括所有原材料流———从个别组件到最后一批产成品的供应———以及供应商的成本结构信息———包括组装机器的调整时间、半成品的大小和库存周转率等。因此开放簿记不仅用于确定双方可接受的公平的最终价格, 还帮助决策有关购买单件的数目和交货条件。由于最终价格是买卖双方在开放簿记的情况下, 共同基于整个项目的成本作出的决定, 双方成本都清楚明了, 所以可进一步加强双方的关系。
三、目标成本管理决策和开放簿记使用
供应链企业间的相互依存具有共同涉及相同资源 (一方销售的是产品, 另一方购买的是材料) 和共同执行活动的特点。因此, 以目标成本为形式的会计信息对管理互惠式的相互依存是有用的, 因为它将事前和预先指定的供应链中所有企业的成本纳入考虑, 从而认识到链条上各企业的生产经营活动都产生相互制约。对目标成本的使用代表了管理参与者和任务之间互惠式的相互依存需要的响应, 即敏感成本信息共享支持目标成本。
一个开放的簿记政策可以以不同方式支持目标成本管理决策。但开放簿记不是成本管理技术本身。通过开放簿记共享信息有助于成本管理技术的运用。为实现目标成本控制, 在联合的成本管理关系中有三种主要方面可以降低成本: (1) 设计一种可更便宜制造的产品, (2) 持续减少生产的成本, (3) 使相互关系更加有效。集中讨论库珀和斯拉莫得 (2004) 提出的四种正式的成本管理技术, 三种主要涉及到产品开发, 包括并行工程 (CE) , 组织间成本调查 (IOCIs) 和质量功能价格权衡 (QFP) 。第四种技术是持续改进, 主要用于生产过程中的工艺开发。
(一) 并行工程 (CE) 与开放簿记
并行工程背后的基本理念涉及到客户愿意支付价格下某些特征产品的成本。例如, 英国特许管理会计师公会 (1996年) 界定并行工程为“帮助设计以最低成本满足客户需求的产品, 同时保证必要质量和可靠性水平的一种活动”。因此并行工程支持使成本功能权衡的努力 (Bordoloi and Guerrero, 2007) 。平行的并行工程需要在项目开始时提供给供应商详细的资料, 然后相对独立的开发组件。同时并行工程, 也开始早期的合作, 但由来自双方的工程师团队联合开展开发。并行工程是在产品开发早期阶段最常遇到的是相对广泛的成本调查 (Cooper and Slagmulder, 2004) 。因此开放簿记能在支持相关并行工程决策方面起到非常重要的作用。
(二) 组织间成本调查 (IOCIs) 与开放簿
记组织间成本调查类似并行工程, 因为他们共同关注研发。当组织间成本调查应用时, 预期的设计变革范围窄于CE, 买方通常不太愿意改变自己的产品以适应该供应商的组成部件。组织间成本调查还常常包括来自两个或两个以上供应链层次的设计工程师 (Cooper and Slagmulder, 2004) 。库珀和斯拉莫得 (1999) 认为, 成功的组织间成本调查有四个关键因素:重新设计产生的高价值和高收益, 制造工作至少分布在两个公司, 一个稳定的合作关系和利用网络协议 (一种组织间激励系统) 。因此, 即使联合的组织间成本调查没有CE影响得深刻, 开放簿记仍可能以支持决策, 因为组织间成本调查需要密切的信息合作。
(三) 质量功能价格权衡 (QFP) 与开放簿记
质量是指符合性能规范, 功能也由性能规范确定。价格是供应商的销售价格, 包括所有成本, 如投资, 生产, 营销 (库珀和Slagmulder, 1999年) 。由于决策是基于成本的权衡决策, 因此可以对开放会计起到重要的支撑作用。由于QFP权衡包括三个不同的重要维度, 它们可被用来作为谈判的工具 (库珀, 1995年) , 这增加了买卖双方公平解决方案的可能性。最佳权衡给出了最高的产品盈利能力。QFP不同于CE和IOCI, QFP通常不需要很深的协作。
(四) Kaizen持续改进与开放簿记
持续改进 (或价值分析) 是在现有产品模式的制造阶段支持降低成本过程的一个系统 (Monden and Hamada, 1991) 。它指的是积累小的改进, 而不是革命性的创新, 着眼于通过更有效的生产方式降低成本。这与并行工程产生差异, 并行工程的目的是通过更有效的产品设计降低成本。供应商实际价格下降基于期望的供应商成本降低, 这需要通过类似Kaizen轻微持续改善达到的, 这样的决策过程显然由供应商开放其簿记支持。
组织间信息交流会带来降低成本的机会, 在相互依赖关系中, 由于合作伙伴目标相同, 开发簿记通常用来促进优化。目标成本的实现应扩展其组织边界, 并与组织间成本管理相结合, 这种组织间相互依存以及运作流程需要合作伙伴之间具有一定程度的开放信息交流。企业间建立相互约束的有效监测绩效, 关键是以目标成本为出发点协调组织间的关系, 并对外部成本活动进行控制, 这可以以开放簿记为手段。
参考文献
[1]于丽萍、李丽君、黄小原:《基于组织设计的作业成本法与目标成本法的结合》, 《东北大学学报》 (社会科学版) 2006年第4期。
[2]宋艺竹:《基于目标成本法的企业成本管理及应用》, 《财政监督》2011年第26期。
[3]桂良军:《面向供需链的成本管理和方法集成研究》, 南京理工大学2005年硕士学位论文。
[4]Cooper, R., Slagmulder, R., 2004.Interorganizational cost management and relational context.Accounting, Organizations and Society 29, 1-16.
目标区间 篇4
作业车间的调度问题一直是生产管理及组合优化等领域的热点之一。传统的作业车间调度(Job-Shop scheduling problem, JSP)的目标通常是求解一组工件的工序在一组机器上的分配。柔性作业车间调度问题(flexible Job-Shop scheduling problem, FJSP)是传统 JSP 的扩展,FJSP与JSP的不同之处在于:它假定工件的一个工序可以在不止一台机器上加工,从而增加了一个将每个工序分配到可以加工它的某个机器上的路径选择问题,使得 FJSP 成为比 JSP 更加复杂的一类组合优化问题。由于工件的工序具有多个可选择的加工路径,更加符合实际的生产环境,因此研究具有柔性路径的作业车间调度问题具有重要的理论价值和应用意义。
传统的FJSP研究主要集中在单目标调度上,近年来多目标FJSP问题由于更贴近实际生产需求而引起了人们更多的关注。多目标FJSP问题扩大了最优调度的搜索空间,而且需要满足更多约束条件,从而导致问题更加复杂,具有复杂性、约束多样性等特点。目前多目标柔性作业车间调度已有不少的研究成果:文献[1]建立了制造周期最短、机器总负荷和关键机器负荷最小的多目标仿真模型;文献[2]提出了一种改进遗传算法,采用了一种新的 GOR 编码、 新的分类选择算子和改进的优先操作交叉算子集成设计方法;文献[3] 提出带瓶颈移动的混合遗传算法求解多目标 FJSP;文献[4]应用粒子群算法和禁忌搜索法求解多目标 FJSP;文献[5]提出采用粒子群和模拟退火混合算法求解多目标 FJSP。其中不少多目标优化的处理方法是采用线性加权的方式将多目标优化问题转换为单目标问题。多目标优化问题的特征之一是其解往往不止一个,而是一组在多个目标之间折衷的均衡解,即通常所说的 Pareto最优解。解多目标问题的关键是找到数量足够多且分布均匀的具有代表性的 Pareto 解。多目标进化算法采用模拟生物进化的交叉、组合、变异策略及基于适应度的选择机制,一次运行就能够得到分布均匀且逼近Pareto最优前沿。其中,强度Pareto进化算法(strength pareto evolutionary algorithm, SPEA)[6]在进化过程中保留了外部种群,能够有效控制Pareto前沿中个体的数量及其分布,但是在执行外部种群的缩减操作时,随着问题规模的增大,层次聚类方法的运算效率显著降低[7],而模糊C-均值聚类(fuzzy C-means clustering, FCM)[8]方法能够快速获得指定数目的聚类中心,具有较高的聚类效率,因此,本文将模糊C-均值聚类改进SPEA算法应用于柔性作业车间的多目标调度中。在满足加工能力、加工顺序、加工机器等约束前提下,对加工时间、加工成本和提前/拖期惩罚值多项目标进行优化,并使用基于集合理论的Pareto集选优机制排除人工选优的不确定因素。最后,通过项目应用,证明了改进的SPEA算法可以有效解决多目标柔性车间调度问题。
1 问题描述
多目标FJSP问题可以描述为:设存在M个工件,在N台机器上进行加工。每种工件Mi存在Ji道工序,工件的工序是预先确定的,每道工序可以在多台不同的机器上加工,在不同机器上各工件的工序加工时间和加工费用不同。设tijk为工件i的第j道工序在机器k上加工的时间,Sijk为工件i的第j道工序在机器k上开始加工时刻,Eijk为工件i的第j道工序在机器k上的完工时刻,Di为工件i的最晚交货期,D′i为工件i的最早交货期,ri为工件i提前完工的惩罚系数,wi为工件i拖期完工的惩罚系数,Rijegk表示在机器k上工件i第j道工序和工件e第g道工序的加工先后顺序,Xijk为决策变量,表示工件i的第j道工序是否选择在机器k上加工,则有:
与传统的车间调度模型相比,FJSP模型增加了决策变量Xijk,即工件的工序可以选择在哪台机器上加工,该变量的增加提高了调度系统的应变能力,同时也大大增加了模型求解的复杂程度。调度目标是为每道工序选择最合适的机器,以及确定每台机器上各工件工序的最佳加工顺序,使系统的总优化目标达到最优。加工过程还要满足以下假设条件和约束条件:
(1)假设条件。①工序一旦进行不能中断;②所有机器一开始均处于空闲状态,在零时刻,所有的工件都可被加工;③不同工件的工序之间没有先后约束,工件之间具备相同的优先级;④各工件的准备时间和移动时间一起计入加工时间。
(2)约束条件。①顺序约束——工艺要求的同一工件相邻工序间的加工顺序不能颠倒,即
Eijk-Ei(j-1)k-tijk≥0 (1)
1<j≤JiXijk=Xi(j-1)k=1
②资源约束——同一机器k上一个加工任务完成后才能开始另一个加工任务,即
Eegk-Eijk-tegk≥0 (2)
Xijk=Xegk=1 Rijegk=1
本文中面向柔性作业车间的多目标优化调度考虑包含3个优化目标的优化目标集{T, C, D},T、C、D分别表示制造工期、加工成本和工件提前/拖期完工的惩罚值。其对应的优化模型如下:
(1)工件的制造工期T最短
式中,T为所有工件的最后完工时间;Pk为所有工件在机器k上的完工时间。
式(3)表示在机器k上的完工时间取决于在其上加工的所有工件中最后一个工件的完工时间。工件的制造工期包括工件的等待时间和工件的每道工序加工时间。每道工序加工时间Td包括工序的准备时间Tdp和工序的作业时间Tdj。准备时间Tdp包括准备专用工装夹具、安装调整工装夹具模具、检验时间等,工序的作业时间Tdj即机器加工工件的实际作业时间。工序的加工时间Td=Tdp+Tdj。
(2) 加工成本C最低
其中,Cijk表示第i个工件的第j道工序在第k台机器上的加工成本。加工成本可由工序费用来表示,工序费用指的是仅与加工机器有关的费用,产品材料费用的增减与加工机器无关或关系较小,所以不在工序费用之中考虑。工序费用Cd可分为机器成本Cdm和人工成本Cdh,其中机器成本Cdm包括机器的准备成本Cdp和作业成本Cdj,Cdm=TdpCdpt+TdjCdjt,其中Cdpt、Cdjt分别表示机器单位时间的准备费用和加工费用。人工成本Cdh=aTdjCdht,由于工序的作业时间Tdj与工人实际工作时间可能不一致,故设a为调整系数。由上可知工序费用Cd的计算公式为
Cd=TdpCdpt+TdjCdjt+aTdjCdht
(3)提前/拖期完工的惩罚值D最小
通过工厂日历、订单交货期和车间加工情况分析确定每个工件的最早交货期时间D′i和最晚交货期时间Di,同时根据工件的交货优先级确定不同工件的提前惩罚系数ri和拖期惩罚系数wi。
2 优化算法
FJSP多目标优化包括多个相互冲突目标同时优化,为了权衡生产管理的需要,需要得到Pareto最优解集而不是一个优化解。传统处理此柔性车间多目标调度优化问题的方法是通过权值的设定将多目标优化问题转化为单目标优化问题来解决的。为了获得多目标优化问题的Pareto最优解集,就必须求解一系列的单目标优化问题。强度Pareto进化算法保留外部种群存储运算过程中的非支配个体,基于Pareto支配计算个体适应度,并使用聚类方法缩减外部种群的数量,能够获得包含指定数目个体且分布均匀的Pareto前沿。因此,本文以SPEA算法为基础,引入模糊C-均值聚类算法加快外部种群的聚类缩减过程,并结合基于集合理论的Pareto综合选优机制,形成FJSP多目标优化方法。
2.1 算法概述
2.1.1 强度Pareto进化算法
SPEA由Zitzler等[6]于1998年提出,它采用了协同进化规则的适应度分配策略和基于 Pareto 支配关系的小生境机制,和其他多目标进化算法相比具有更强的优化能力。T(n)表示在规模为n的问题中算法基本操作重复执行的次数, f(n)是n的某个函数, T(n)=O(f(n)), O(f(n))为算法的时间复杂度。强度Pareto进化算法具有O(MN2)(M为优化目标个数,N为种群个数)的时间复杂性,能够通过聚类操作控制外部种群的数量并获得分布均匀的Pareto前沿,在工程优化领域已有不少研究。文献[9]将强度Pareto进化算法与并行遗传算法相结合,对火电站多目标负荷调度问题进行了求解;文献[10]采用多点交叉和Cauchy变异的方法对SPEA算法的收敛速度进行了改进,并对其收敛性进行了分析;文献[11]将强度Pareto进化算法应用于燃气涡轮的燃烧过程的多目标优化。
SPEA算法的流程如下:
(1)初始化。随机产生初始规则群体,构造一个空的外部群体。
(2)计算外部种群中个体的强度值,即该个体的适应度。此强度值与它所支配的内部种群个体数目成正比。内部种群个体的适应度是支配它的外部种群中所有个体的适应度之和。
(3)更新外部种群。在内部种群中查找非支配个体,并把它们复制到外部种群中。在外部种群中查找并删除劣势个体,如果外部种群中个体的数量超过了最大数量,则通过聚类方法缩减外部种群。
(4)组合内外种群的个体,采用联赛机制选择优势个体生成新的内部种群。个体适应度越小,则被选择的概率越大。
(5)检查是否达到最大循环代数,若没有达到则返回第②步,若达到则运算停止,获得Pareto最优前沿。
2.1.2 基于模糊C-均值聚类的外部种群缩减
模糊C-均值聚类[8]是一种被广泛使用的聚类方法,该算法是一种典型的基于划分的聚类算法,它的思想是使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。模糊 C均值算法是普通 C均值算法的改进,普通C均值算法对于数据的划分是硬性的,而FCM则是一种柔性的模糊划分,同时FCM算法占据O(N)的时空复杂性低于SPEA算法中使用的层次聚类方法(O(N2))。
设Y={y1,y2,…,yn}为未聚类的原始种群;n为原始种群中个体数目;Nc为聚类集合;c 为用户设定的模糊聚类集合的数目(c<n);m 为成员权重参数(m>1, 此处取m=2)。FCM算法流程如下:
(1)随机生成Y={y1,y2,…,yn}的模糊初始划分P(0)。
P(0)={A1,A2,…,Ac} (6)
其中,Ap(yq)表示个体yq对于每个聚类集Ap的隶属度,且满足:
(2)在循环中计算每个集合Ap(p=1,2,…,c)的c中心值:
(3)从新的c中心值开始,更新聚类P(t+1):
若‖yq-vp(t)‖2>0,则
若‖yq-vp(t)‖2=0,则
当p∈I⊆Nc时
当p∈Nc-I时
(4)如果|P(t+1)-P(t)|≤ε(ε为预先设定的值),则运算停止,获得聚类划分;否则,t←t+1,转步骤(2),继续运行。
模糊聚类运算完成后,保留与每个聚类中心最接近的个体,并删除原始种群中的其他个体,在保持原始种群分布性的前提下,获得包含指定数目个体的新种群。
2.2 算法设计
2.2.1 编码和解码
本文提出的柔性车间调度问题的解包含两方面的内容:任务的顺序和机器的选择。因此编码也要反映这两方面的内容,为此使用基于任务顺序和机器的选择两层编码方案[12]。第一层编码为各工序的优先权随机数(在[1,J]中产生,其中J表示总的工序数),第二层编码是各工序所选择的加工机器,在可供选择的机器中随机选出。
上述编码方案的解码主要是排定所有工序的加工顺序,在这里采用结合编码中各工序的优先权随机数对AOV(activity on vertex)网络图进行拓扑排序的方法。因为在拓扑排序过程中已经考虑了各工件工序的先后约束,所以得到的调度一定是可行的。
2.2.2 交叉与变异
交叉操作可以将父代的良好基因通过信息互换而产生更好的子代。由于模型中染色体编码的特殊性(具有两层编码),分别对每一层编码进行交叉操作。图1中交叉操作方法主要是采用从一个父代(如父代1)中随机挑选一个子序列复制到子代的相应位置的方法。为避免在第一层编码中产生不合法染色体,可以从父代2中移走在子代中已有的随机数3、1,同时将6、2、3、5依次放入子代中,如编码1中箭头所示。而对于第二层编码则可以将父代2的基因(除子代中已有的子序列外)直接复制到子代的相应位置,如编码2中的箭头所示。
变异操作仅对第一层编码进行变异,采用倒置变异的方法。如图1,对于父代1,将子序列中的随机数2、6反转得到4、1,从而得到新个体的第一层编码为5、6、4、1、2、3。
2.3 求解步骤
根据所建立的模型及FCM-SPEA算法,给出柔性车间多目标调度问题的求解步骤(设置内部种群规模N与外部种群规模
(1)令t=0, 随机生成初始群体P0,建立一个空的外部种群
(2)计算内部种群Pt与外部种群
(3)将内部种群Pt与外部种群
(4)检查是否达到最大循环代数(t≥T)。若没有达到继续进行步骤(5);若达到则终止运算,获得Pareto最优前沿,并输出结果。
(5)通过复制外部种群
2.4 Pareto综合选优机制
FCM-SPEA求得多目标优化的Pareto集后,需要得到Pareto解的优先选择序列。由于人工Pareto选优存在多种不确定的主观因素,本文采用基于模糊集合理论的Pareto集选优方法[10],建立Pareto综合选优机制。定义成员函数δd表示一个解的第d个目标值所占的比重,则
式中,Fd为第d个目标值;F
对于Pareto集中的每一个非支配解e,定义支配函数δ(e)为
式中,Nobj为优化目标的个数;M为Pareto集中解的个数。
δ(e)值越大表示该解的综合性能越好。将Pareto集按δ(e)值降序排列,即可得到解的优先选择序列,选择具有最大δ(e)值的解作为Pareto最优解。
3 实例应用与分析
该方法已在某机械公司ERP系统中的生产管理和柔性作业车间调度模块得到实际应用。系统采用Powerbuilder9.0,开发平台为C++、后台数据库为SQL SERVER2000,采用Client/Server架构。该模块的主要功能包括:柔性车间作业计划管理,工装机器管理,柔性车间工艺管理,柔性车间调度甘特图,工件生产进度查询等。
以该公司的模具车间为例,进行柔性作业车间多目标调度优化。该车间的主要机器包括车床、铣床、磨床、数控机床、加工中心等。通过对车间的工艺库和工艺卡管理来获取Tdp、Tdj、Cdm、Cdh等基础参数。对该车间数据进行计算处理后得到表1和表2:表1是调度问题的原始数据,包括工件的每道工序对应的机器的加工时间、加工成本;表2是工件交货期和提前拖期惩罚系数表。
以制造工期最短、加工成本最低及提前拖期惩罚最少为目标函数,进行柔性作业车间调度问题的多目标优化,多目标优化需保证Pareto前沿的收敛性和多样性特征。FCM-SPEA的内部种群提供多样化机制,而外部种群保留进化中的优势个体,并通过聚类缩减保证其分布性特征。本例中采用双层编码和进化算子,设置内部种群为100、外部种群数为30、最大运行代数为800、交叉概率为0.9、变异概率为0.1,10次实验运行均获得稳定收敛的Pareto前沿。
根据上文提出的模糊集合选优方法和管理人员所设定的决策指标范围进行Pareto选优,得到Pareto解的优先选择序列,选择具有最大δ(e)值的解作为Pareto集的最优解,如图3所示,图3中的数字表示工件工序号。为验证该算法在解决柔性车间多目标调度优化问题上的优越性,将该方法与传统的多目标加权方法、SPEA算法进行了计算比较。为了与加权系数法进行比较,采用文献[13]提出的方法,确定决策指标的权重w1=0.4,w2=0.35,w3=0.25,对得到的Pareto解集进行选优,通过计算可得到该权重下的综合最优方案。表3为应用本文的FCM-SPEA算法与传统加权系数法及SPEA算法各运行10次的对比结果。计算结果表明:FCM-SPEA算法比加权系数法计算时间少,解的性能更好;与SPEA算法相比,两种算法解的性能相当,但FCM-SPEA算法缩短了运算的时间。
4 结论
多目标柔性作业车间调度问题与传统的车间调度相比更符合实际的生产调度情况,对现实的车间调度更具有实际的指导意义。本文在构建柔性车间多目标调度优化数学模型的基础上,采用FCM-SPEA算法以制造工期、加工成本和交货期为目标对柔性作业车间调度问题进行多目标优化,并采用模糊集合选优方法进行Pareto选优,得到Pareto解的优先选择序列和一个最优解。最后将该方法应用于某制造车间调度中,通过与加权系数法和SPEA算法的比较,证明了该方法的有效性和适应性。
目标区间 篇5
一、从学生自身需要出发
初中生在体育大课间上需要什么是一个非常重要的问题,教师只有解决这个问题,才能为学生设计具体的活动方案。而为了解决这个问题,教师不能仅从教学经验或课本知识出发,而要通过对不同年级、不同班级的学生进行调研确定他们需要的东西。因此,在每学期初始阶段,教师可以对自己所带的班级进行调查,从而确定他们在大课间中所想做的东西。
比如在给初中二年级的学生上体育课时, 教师可以在学期初始阶段对全班同学进行调研, 通过调研老师发现该班学生中女生多喜欢踢毽子、跳舞等体育运动,而男生则喜欢打篮球、踢足球等体育活动,同时男生女生都喜欢的活动是做一些有趣的游戏。鉴于此,教师可以将该年级的大课间活动设定为两部分内容,第一部分内容为兴趣爱好小组,第二部分内容为趣味游戏小组,两组循环开展,第一周开展兴趣爱好小组,第二周开展趣味游戏,以此类推,提高学生对体育课堂的参与程度。
这样从学生真正需要出发,了解学生真正需要什么,帮助他们真正提高体育素质。
二、灵活运用各类道具进行体育活动
进行体育活动离不开道具,除了跑步、体操等田径运动以外,其他体育活动也需要道具,但是有些道具比较好收集,比如篮球、足球等,但有的道具却不是太好收集,比如呼啦圈、足球球门。没有这些东西,如何带领学生参加体育活动,成为令很多老师棘手的一件事情。
教师在进行大课间教学时, 应有意识地注重对道具的需要,首先在选择一些运动方式时,教师一定要考虑到自己所设计的活动学校到底能否提供相关道具, 比如某位老师在进行活动时选择转呼啦圈, 但是这一运动对呼啦圈的数量要求过多,学校无法提供如此多的数量,因此教师应想办法为学生准备这些道具, 最好的办法是让每位同学自己花钱买一个呼啦圈;其次,在选择一些运动方式时,如果属于一些可买可不买的道具,比如有时需要足球球门,但学校的足球场就一个,那么如何安排球门成为一个棘手的问题。教师完全可以找一些其他的物品代替球门, 比如教师可以选择两棵相邻的大树作为球门,还可以选择一些木棍作为球门,这样可以帮助教师很好地弥补因缺少道具而无法进行体育活动的不足。
选择道具时,教师一定要灵活选择,既要考虑学校能够提供的数量,又要考虑学生能否很好地适应这些道具。这样一到大课间,整个校园便会沉浸在一片沸腾的气氛当中,学生选择自己最喜欢的活动方式,充分放松自己。
三、引导学生更好地参与到大课间中
安排好教学内容并准备好教学道具后,教师所要做的就是引导学生更好地参与到大课间中。所谓引导学生指的是与学生在一起进行活动,并指引和引导学生进行活动。
比如在进行一次小组活动时, 教师安排的活动是带领男生打篮球,在传统教学中,教师让学生打篮球往往都是给学生一个篮球后就自己休息了,但在阳光体育大课间中,教师一定要融入学生。如果带领学生进行分组对抗,教师就可以参与某一个队伍,引导并带领学生一起对抗。在对抗过程中,教师可以不断指导学生的各项动作,让学生更好地配合,还要对一些表现优异的学生进行表扬。对于一些表现不是很好,或者一些基本动作不合格的初学者, 教师一定要引导其他同学帮助这些学生,必要时可以带领他们进行一些简单的传递球活动,从而帮助他们迅速掌握篮球的各项技能。又如在一次呼啦圈运动中,教师首先要引导学生学习如何转呼啦圈,呼啦圈看似是一个很简单的运动,但转起来非常费劲,教师需要科学引导学生才能让学生迅速掌握呼啦圈这一运动。在引导学生学习时教师应抓住学生的不同特点, 比如有的学生属于脑袋比较迟钝的,就要让学生多练、勤练,而对于一些脑袋比较灵活的学生,就要让他们使用一些技巧,从而迅速掌握呼啦圈运动。当全班同学都掌握了呼啦圈运动后, 教师可以引导学生做各种不同的动作,并在学生做动作的同时进行认真指导,从而让学生更好地掌握这些运动技巧。
引导学生与主导学生不同。在引导学生进行体育活动时教师不要过多干涉学生,不要强硬地带领学生掌握一个技巧比如有的学生就是不想按老师的方式转呼啦圈, 教师不要强求,只要他能进行呼啦圈运动,并达到一定的运动目的即可。
目标区间 篇6
在现有的图像运动目标检测[1]方法中,帧差法[2,3]基于图像序列中两帧(或多帧)图像间的差分来实现检测,具有简单、直接、易于现、可连续处理等优点,可较好地适应环境的较大变化;但因其难以有效地检测出对应于运动目标但帧间变化不够明显的像素点,一般难以获得运动目标的完整轮廓[4]。光流法[5]通过估计图像的运动场并合并相似的运动矢量来实现检测,对于摄像机可动的情况其性能较好。但其算法复杂,运算量较大,很难实现对视频流的实时处理;背景差法[6]通过将图像序列和参考背景模型相减来实现检测,可以检测出和运动目标相关的所有像素点(完整地分割出运动对象),因而近年来广受重视和研究。但现有的该类算法普遍对于外界环境的变化(如光照、外来事件等)较为敏感[4]。
将帧差法与背景差法相融合可获得较好的检测性能[6]。本文提出一种基于梯度图像,融合帧间差分和背景差分的运动目标检测新方法。针对真实视频序列的实验结果表明,该方法既简单有效,又具有较强的抗干扰能力,较宽的适应范围,较小的运算量和较好的实时性。
1 基于梯度图像帧间差分和背景差分的运动目标检测新方法
1.1 基本思路与流程
如图1所示,本文方法的特点是基于梯度图像,将帧间差分与背景差分相融合。预先选取一帧作为背景帧,建立各像素点的(混合)高斯模型;再对相邻两帧图像的梯度图像进行差分处理,区分出背景点和变化区域;然后将变化区域与背景帧的对应区域进行模型拟合(差分),区分出显露区(此前被遮挡而今显露的区域)和运动物体;最后对运动物体进行连通性分析和检验,进一步降低噪声以获得无阴影的运动物体。背景模型更新也在此过程中完成:对帧间差分所判定的背景点按一定的规则进行更新;对背景差分所判定的显露区,则以较大的更新率收入到背景帧中;对运动物体对应的区域不进行更新。以下具体加以说明。
1.2 梯度图像生成
帧间差分法的关键是选择适当的分割阈值以区分目标和噪声。固定阈值无法适应情况(信/噪比)和环境的变化,自适应阈值则往往算法复杂。另一方面,图像的梯度不易受亮度变化、量化噪声等的影响,针对梯度图像进行帧间差分可以较小的计算成本较好地提取运动目标。因此,本文利用边缘检测性能较好、计算复杂度较低的Sobel算子[7]提取梯度图像:
其中,f(x, y, t)为原始灰度图像在(x, y)处的像素点;fG(x, y, t)是在t时刻的近似梯度幅值;Hx、Hy分别是水平、垂直方向上的Sobel算子。
1.3 帧间差分
研究表明序列图像中背景点的帧间差分值服从零均值,方差为σ2的高斯分布N(0, σ2)[7]:
其中H0代表(x,y)处像素点是背景的假设,dK代表该像素点的灰度差分值。因此,根据概率统计学中的假设检验“3σ”法则,利用适当设置的阀值T即可滤除背景,检出变化区域:
上述思想和方法同样适用于梯度图像的帧间差分[3,7]。为提高自适应性,本文按照式(5)、式(6)实时估计当前帧的背景区域的均方差值σ,按照式(7)选定T值:
其中,l、b分别是图像序列的长度、宽度,A是背景区域的面积;一般可令α=3;对于较复杂的场景(如有摆动的树枝,波动的水面等),α可取值4到8。
1.4 自适应混合高斯背景模型[8]
为了适应较为复杂的背景,本文利用混合高斯模型{η1(Xt),…,ηk(Xt),…,ηN(Xt)},为背景中的每个像素点Xt分别建模。其中N为分布模型的总个数,N=3～5(本文N=3);ηk(Xt)={μk(Xt),Dk(Xt)}为第k个高斯分布,μk(Xt)、Dk(Xt)分别对应于Xt的均值、方差。相应地,像素点Xt的概率模型是:
其中,ωk(t)是t时刻第k个分布的优先权系数,反映它在最近时段内在模型里出现的频度。
为快速、鲁棒地反映背景的变化,本文采用下列背景更新策略:逐一将每个像素点Xt与混合模型包含的N个分布进行比较,直到找到一个与Xt最匹配的分布,匹配的定义是:
其中,λ一般取3～7。然后根据ωk/Dk对这N个分布进行降序排序,并区分背景/前景状态:若前B个状态的累计概率大于TP且 B最小,则认为它们是背景状态;其余状态认作前景:
若这N个分布与Xt都不匹配,说明Xt是一个新的前景点,则使用一个新的分布η(μ,D)来代替混合模型里优先权系数ωk(t)最小的那个分布,该新分布的均值μ=Xt,方差D取DMAX,优先权系数ω取一个较小的值。对各优先权系数按下式更新:
其中α是学习速率。t时刻各分布的均值、方差分别按式(12)、式(13)进行更新:
其中,ρ的定义和估算公式分别如式(14)、式(15)所示:
2 实验与讨论
利用上述方法,针对实际视频序列进行了多组实验。部分结果如图2、图3所示,反映本文方法可获得较为理想的背景图像和较好的检测效果。更多的实验结果[9]进一步表明,该方法既简单有效,又具有较强的抗干扰能力,较宽的适应范围和较小的运算量。
3 结束语
考虑到帧间差分和背景差分各有其优缺点且可互补,而图像梯度具有突出的抗噪声特性,本文提出了一种基于梯度图像,融合帧间差分和背景差分的运动目标检测新方法,并进行了实验验证。今后将继续研究其DSP实现,以实现视频运动目标的高效、实时检测。
参考文献
[1]Bors A G,Pitas I.Prediction and tracking of moving objectsin image sequences[J].IEEE Trans.on Image Processing,2000,9(8):1441-1445.
[2]Lipton A,Fujiyoshi H,Patil R.Moving target classi-ficationand tracking from real-time video[C].In:Proc.IEEE Work-shop on Applications of Computer Vision,Princeton,NJ,1998:8-14.
[3]Zhao S G,Zhao J,Wang Y,et al.Moving object eetecting us-ing gradient information[C].Three-frame-differencing andConnectivity Testing,AI 2006,LNAI 4304:510-518.
[4]Valera M,Velastin S A.Inteillgent distributed surveillancesystems:a review[J].IEE Proc.Vision Image Signal Pro-cess,2005,152(2):192-204.
[5]Barron J,Fleet D,Beauchemin S.Performance of optical flowtechniques[J].International Journal of Computer Vision,1994,12(1):42-77.
[6]朱明旱,罗大庸,曹倩霞.帧间差分与背景差分相融合的运动目标检测算法[J].计算机测量与控制,2005,13(3):215-217.
[7]William K Pratt.数字图像处理[M].北京:机械工业出版社,2005.
[8]Stauffer C,Grimson W.Adaptive background mixture modelsfor real-time tracking[C].In:Proc IEEE Conference on Com-puter Vision and Pattern Recognition,Colorado,1999:246-252.
目标区间 篇7
关键词：柔性作业车间,智能调度,多目标,调度资源信息
0引言
柔性作业车 间调度问 题 (flexible job-shop scheduling problem,FJSP)具有设备使用时间的限制及其生产能力的多样性,减少了机器约束,由此增加了可行解的搜索范围和问题求解难度,是一种比经典作业车间调度问题(job shop scheduling problem,JSP)更为复杂 的NP-hard问题。 目前,分支定界法[1,2,3]、枚举法等精确的优化调度算法仅能用于求解小规模柔性作业车 间调度问题[4],而启发式 人工智能 优化算法 (如遗传算 法[5,6,7,8,9,10,11]、蚁群算法[12,13,14,15]等)在求解柔性调度问题的近优解时,不受调度问题规模的限制,已成为目前算法研究的主要方向。对于实际调度问题中多目标的求解要求,通常采用群体进化算法求得Pareto解集,再由决策者依照调度要求和偏好进行选择,或是将多 目标合成 单目标评 价函数进 行优化[16,17,18]。上述方法均无区别地对待各个目标,因此大大增加了求解计算量,且由于需要决策者在决策环节手动选择,导致权值分配的优劣依赖于决策者经验。
柔性作业车间调度问题的求解方法可以分为分层法和集成法两种[19],其中集成法的算法过程相比分层法来说往往能获得更优的解,但是算法过程存在耦合,难以设计。分层法的思想在于通过将原来的整个问题进行分解来降低问题的复杂性,即首先考虑将特定工件的每道工序分配到一台合适的设备,再通过传统的作业车间调度方法进行求解。这种方法由于其快捷的求解速度和良好的求解效果得到了较为广泛的应用[20,21,22],但在用于某些复杂调度问题时,如需综合考虑特定调度期间、特定工件相关工序应采用的机器、特定机器的可工作时间、特定机器上先后加工的工件及其相应的工序等约束的问题,该方法并不能保证实现总作业时间最短、瓶颈设备不超负荷等多约束和多目标的工程要求。
本文研究分层蚁群-遗传混合算法的多目标优化策略及其智能寻优方法,根据现代柔性生产车间基于资源情况的相关车间实时信息,以最大完工时间、瓶颈机床负荷和机床总负荷为优化目标,旨在有效地解决现代柔性作业车间调度问题的实际工程问题。
1柔性作业车间调度问题描述
柔性作业车间调度问题的一般描述如下:该车间有m台机床{M1,M2,…,Mm}可使用,有n个工件{J1,J2,…,Jn}需要加工。每个工件含有一道或多道工序,工序加工的先后顺序为预先给定(如工件Jj的第x道工序为Ojx);其中每道工序可以在其可选机床集合中任选一台进行加工, 在不同机床上的加工时间也不同。调度问题的目标是为每道工序选择最合适的机床,确定每台机床上的最佳加工顺序及开始加工时间。
其他变量定义如下:TOj为第j个工件的总工序数;Ωjx为可用于加工第j个工件的第x道工序的机床集合;tijx为第j个工件第x道工序在机床Mi上加工的时间;Sjx为第j个工件第x道工序加工开始时间;Ejx为第j个工件第x道工序加工结束时间;Biy为机床Mi上第y个加工任务的开始时间;Oiy为机床Mi上第y个加工任务的结束时间;Cj为每个工件的完成时间;wijx为
上述调度问题中,基于资源情况的车间调度相关实时信息主要有以下三种:
(1)类型信息,即不同机床加工能力的差异性。多品种小批量生产车间内的机床之间往往在机床型号、适用范围、加工质量等方面存在较大的差异,其中,加工能力最强和适用范围最广的机床成为瓶颈机床的可能性很大。 因此,对于加工要求不高或交货期非紧急的工件,应优先选择可用的非瓶颈机床进行加工。
(2)工况信息,即生产过程的动态性。 在加工过程中可能存在工序紧急返修、工序插入、订单紧急变更等动态事件,导致一部分车间资源被临时占用。有些情况下,这种临时占用对调度计划的执行影响较小,可以忽略,但在有些情况下,这种临时 占用会对 原调度计 划的执行 产生严重 影响。
(3)任务信息,即调度区间的灵活性。 传统的柔性调度模型通常作如下假设:在零时刻所有机床可用于加工且所有工件可被加工。而在实际生产中,由于上一调度期的加工任务残留、部分机床故障维修等原因,部分机床并不能马上启动新调度期的加工任务。
2多目标柔性作业车间调度关键算法研究
2.1问题的假设与约束
在基于资源情况的多目标智能调度问题中, 除了要遵守一般调度问题的大多数假设和约束 外,更重要的是,必须具有其特殊的假设和约束。
假设包括:
(1)在任意调度时刻,任意一台机床与任意一个工件相关,一道工序的加工与被加工关系是唯一的;
(2)任意进行中 的工序或 任务是不 能被中断的;
(3)任意工件任意一道工序在相应机床上的工作时间是在调度前确定的;
(4)进入调度周期的工件,依据它们的完工时间目标和重要程度等要求,具有不同优先级。
约束包括:
(1)工件的工序约束。工件的工序约束保证任意工件多道工序的既定加工顺序,即工件j的第x道工序的开始时间Sjx必须等于或大于其前一道(x-1)工序的完工时间Ej(x-1):
(2)机床的任务约束。机床的任务约束保证任意机床多个加工任务的目标顺序,即机床i上的第y个加工任务的开始时间Biy必须等于或大于前一个(y-1)加工任务的完工时间Oi(y-1):
(3)资源的可用时间约束。可用时间包括:机床不处于维修或保养阶段;本调度周期内,机床不存在上一调度周期的剩余工序任务;毛坯或半成品已先于本调度周期前到达,且相关机床在上一调度周期未执行时段尚存空闲时间。
(4)任务的优先级约束。任务的优先级约束就是基于工序任务完工时间的目标要求、任务的重要程度等任务优先级计算及其优化的约束。
2.2调度优化模型
在实际生产中常采用周期性调度的方式来安排生产计划。每一次的周期性常态调度均采用基于资源情况的分层蚁群遗传多目标调度方法,包括资源数据分析、机床分配方案的选择、求非劣解和优化决策四个环节。通过分析当前最新的资源信息,明确资源可用时间约束。在每一次迭代运算中,选择机床分配方案;根据已选定的机床分配方案,求解得到多个非劣解,形成Pareto解集;最后根据多目标优化,对Pareto解集进行筛选,得到本次迭代中的最优解,以此指导下一次迭代运算。多次迭代后决策出的最终方案作为输出,下达生产任务,如图1所示。
生产计划的执行过程中,可能发生实际工时超出预计工时、紧急工件插入等影响车间资源的动态事件。当车间资源信息发生变化时,可用右移重调度方法进行处理。
本文研究的多目标柔性作业车间调度问题以三个目标作为性能评价指标:最大完工时间、瓶颈机床负荷和机床总负荷。使用时可根据需要,指定不同目标的优先顺序。
(1)最大完工时间makespan最短,即
(2)瓶颈机床负荷Wm最小,即
(3)机床总负荷Wt最小,即
2.3调度方法流程
基于资源情况的分层蚁群遗传多目标柔性作业车间调度 算法 (hierarchical ant-genetic algorithm based and resource-driven multi-objective scheduling method for flexible job shop,MoSMRFJ)的主要步骤如下:
(1)根据车间内的机床数据库、刀具数据库等基本数据库的数据,更新资源信息库。从资源信息库中读取相关的基本信息,确定待调度工件集 {J1,J2,…,Jn}、加工机床集{M1,M2,…,Mm}、 机床可用时间表{t1,t2,…,tm}以及工件工序在不同机床上的加工时间集{tijx|Mi∈Ωjx,i=1, 2,…,m,j=1,2,…,n,x=1,2,…,TOj};将调度基本信息转化为算法可识别的输入,确定优化目标、优先级顺 序 {Obj1,Obj2,…,Objs}(按优先级从高到低排列)。
(2)初始化算法参数。蚁群算法的部分主要参数参考文献[23]中的参数设置,即信息重要程度参数α =10.0,启发式因子重要程度参数β= 10.0,信息素挥发率ρ =0.01,信息素增 强系数Q =6。对于迭代次数N和蚂蚁数量na,则需要根据多次试验和总运算时长限定等方法确定。 NSGA -Ⅱ算法的参数使用文献[24]的参数推荐值,即种群数 量popSize = 20, 迭代次数maxGen=30,选择率Ps=0.1,交叉率Px=0.6, 变异率Pm=0.1,最优前端个体系数pf=0.3。在不考虑计算时间的条件下,默认值为:工件数n≤ 10时,采用文献[25]中推荐的N =25和na=10; 工件数n>10时,采用文献[25]中推荐的na= 20,根据多次试验所得到的历代最优解收敛图可知,各案例迭代70代以后基本趋于稳定,取N = 70。
(3)在第k次迭代过程中,对于选定的机床分配方案,使用NSGA?Ⅱ算法求非劣解,得到非劣解集(即Pareto解集);然后通过考虑多目标优先级顺序的优化准则对Pareto解集进行依次筛选,将得到的解加入优化解集X。
(4)根据步骤(3)中的优化结果,指导下一次的迭代计算过程。
(5)迭代次数达到预设的N,停止计算,以同样的优化策略对多次迭代所得优化解集X进行筛选,得到的调度方案以表格和甘特图的形式输出,下达生产线。
MoSM-RFJ算法的工作流程如图2所示。
3案例测试结果
3.1标准案例测试
为验证MoSM-RFJ算法的优化效果,使用标准库的FL4 × 6、FL5 × 6、FL15 × 10、 MK01(10×6)、MK04(15×8)、MK05(15×4)、 MK07(20×5)和MK09(20×10)8个典型案例进行测试,并与文献[26]中MOGV算法的求解结果进行对比。为方便对比,测试均在标准案例条件(全部机床可启动时间从零时刻开始)下进行。 令:目标的优先顺序为makespan、Wm、Wt,即以最大完工时间最短为首要寻优目标。测试结果显示,62.5% 的案例计 算结果等 同MOGV算法, 25%的案例(MK01案例和MK07案例)计算结果优于MOGV算法,12.5% 的案例计算结果劣于MOGV算法。其中MK01案例和MK07案例的调度结果对比如表1所示。表1中的变化量为MoSM-RFJ算法与MOGV算法进行比较的目标值变化百分比,正数代表MoSM-RFJ算法得到的对应目标值高 于MOGV算法得到 的对应目 标值,负数代表MoSM-RFJ得到的对应目标值低于MOGV算法得到的对应目标值,0代表两种算法的结果持平。
与MOGV算法相比,MoSM-RFJ算法可以有效地取得对指定优先目标的最佳优化效果,第一优化目标的比值≤第二优化目标比值≤第三优化目标比值。MK01案例计算结果的甘特图见图3。
3.2组合案例测试
为验证MoSM-RFJ算法的优 化效果,组合FL5×6案例和MK01案例进行测试,两个案例中的机床数均为6。每一个案例作为单个调度周期的调度任务。在特定调度周期内,若机床残留上一调度周期的剩余工序任务,则该机床应先完成上一调度周期的残余任务,再开始本调度周期的工序任务;若毛坯或半成品先于本调度周期到达,且相关机床在上一调度周期未执行时间存在空闲时间,则应提前开始相关工序任务。相邻调度周期间存在机床可用时间互补,如图3和图4所示。令第x-1个调度周期的资源信息为:全部机床从零时刻起可用。其中组合案例1指先MK01案例后FL5×6案例,组合案例2为先FL5×6案例后MK01案例。图3、图4中,竖直粗点划线左侧为第x-1个调度周期,右侧为第x个调度周期。细实线表示第x-1个调度周期内的工序任务,粗虚线表示第x个调度周期内的工序任务。
由图3和图4可知,标准案例条件下,MK01案例的最大完工时间makespan为42,FL5×6案例的makespan为27。组合案例1的makespan为66,组合案例2的makespan为68,均小于两案例的makespan之和69。 可以预见,多个调度周期后,makespan的缩短会越发明显,有利于生产实际中节约时间成本。
3.3动态案例测试
以MK04(15×8)案例为例,考虑紧急任务插入情况的测试结果如图5所示。机床可启动时间为零的初始调度方案如图5中粗虚线所示。现假设:原定于在M5上15~20时段进行工件8第2道工序的加工,图中表示为(8,2),计划工时t825= 20-15=5,但是在t1=15时刻发生了紧急任务插入的动态事件,使得该加工任务在t2=20时刻才开始进行,而实际加工工时较计划工时延长3, t′825=5+3=8。该动态扰动事件导致原定加工任务(8,2)延迟的时 间一共为:td= (t2-t1)+ (t′825-t825)=5+3=8。运用右移重调度算法对初始调度方案进行修正,修正后的调度方案如图5中细实线所示。
可以看出,t1=15时刻后,仅有受影响的工序被无间隙顺延,其他不受影响的工序不变(粗虚线与细 实线重合 ), 该动态扰 动事件导 致makespan延迟的时 间Td= makespan′ makespan=68-66=2<td=8。
3.4算法效率分析
算法的运算时间Ts包括执行蚁群算法的时间和执行NSGA?Ⅱ算法的时间。而遗传算法每次迭代的时间较短,相较于前者可以忽略[27]。多次试验发现,蚁群算法中每次迭代中每只蚂蚁的寻优平均时间ta与调度问题的规模大小有关,如表2所示。 寻优平均时间首先与工件数成正相关,在同样工件数量的条件下,其与机床数成正相关,即同批调度的工件数量是影响寻优时间的主要因素。解决对运算时间Ts有要求的问题时,对于工件数较多的情况,应适当选取较小的迭代次数N和蚂蚁数量na,对于机床数较多而工件数相对不多的情况,可适当增大迭代次数N和蚂蚁数量na。
4小结
本文针对基于车间调度相关实时信息的多目标调度,研究和实现了分层蚁群-遗传混合算法的多目标智能寻优方法,在标准案例测试下,取得了比较理想的多目标调度结果:25%的案例计算结果优于MOGV算法,第一优化目标makespan减小了5% ~7%,62.5% 的案例计 算结果等 同MOGV算法,12.5% 的案例计 算结果劣 于MOGV算法。在实际的连续生产中,基于上一调度计划或正在执行的上一调度计划剩余或空闲资源等启发式知识,该智能调度方法的优化效果更为显著。该智能调度方法不仅可以有效地取得对指定优先目标的最佳优化效果,且可自动获得多目标综合的最优解而无需决策者确定不同目标的优先权比值。
目标区间 篇8
关键词：组织间目标差异,应急合作关系,信息分享行为,任务不确定性
0 引言
跨组织合作关系的问题研究一直受到学者们的关注[1]。紧张的合作关系将影响跨组织应急合作的成败(Mc Entire,2002)[2]。虽然众多学者都进行了应急组织合作的研究,但不同主体间的应急合作机制依然存在很多问题(Drabek,Mc Entire,2003)[3]。
国内外应急管理学者均认为,目标差异可通过沟通影响组织间合作关系[4,5]。但对目标差异如何通过沟通影响合作关系的看法不尽一致,更鲜有文献对此进行过深入的实证研究[6]。Kelly(2004)[7]的注意力集中模型认为,组织间目标差异会影响合作者的信息分享行为,如压力下具有目标差异的组织缺乏分享独有信息的意愿。但是,从很多应急文献中我们可以看到,目标差异的应急合作中既存在信息匮乏,还存在信息超载这种矛盾的现象。Neubaum(2014)等[8]对这种困境进行了反思,认为不能仅仅只关注信息本身,还需要探寻沟通者在信息传递中的行为策略与动机。沟通中的行为不仅是信息传递的活动,还呈现了动态社会构建过程,直接影响沟通者对信息准确性与有效性的感知,侧面反映了合作组织间公正、信任与责任等因素。因此,引入组织间信息分享行为变量,揭示目标差异与合作关系之间的“黑箱”,厘清应急信息下面潜在的组织沟通意图,有重要的理论价值和现实意义。此外,在跨组织应急合作中,任务不确定性是重要的情景变量,不同水平的任务复杂性对组织间的沟通、决策、资源分配有差异化的影响,它可能也会影响目标差异与信息分享行为的关系。因此,有必要进一步探讨任务复杂性对目标差异与信息分享行为之间关系的调节效应。
本文以基层应急指挥者作为调研对象,将组织间目标差异作为初始因素,将信息分享行为作为中介变量,组织间合作关系作为结果变量,探讨信息分享行为在目标差异与应急合作关系之间的中介作用以及任务不确定性在目标差异与沟通行为间的调节效应,为进一步深化该领域的研究提供理论支撑与实践指导。
1 理论基础与研究假设
1.1 组织间目标差异与跨组织应急合作关系的假设
Quarantelli(1988)指出组织间的目标差异性会影响应急合作关系。在此基础上Auf der Heide(1989)[9]认为应急活动中资源稀缺、时间紧张、组织权责重叠等因素下,合作组织带着个体目标来共同进行应急活动,会危害组织间的合作关系。依据Jehn(1999)等[10]在商业组织研究中关于目标差异性的观点,本文将组织间目标差异定义为,应急合作组织感知的在彼此共同目标一致的情况下,个体目标不一致性和不相容的程度。跨组织应急合作的共同目标是减少危害性,但Wenger(1992)[11]认为合作组织在完成共同目标时,个体目标的差异会导致合作困难,进而危害组织间的应急合作关系。因此,我们认为目标差异性会负向影响应急合作关系,因为参与应急合作的每个主体都有自己的行为规范,包括处置流程、决策机制等,在应急处置中合作组织间除了完成共同目标外还具有个体目标的差异(Astley,Van de Ven,1983)[12],从而使组织会优先考虑实现自身的个体目标,进而导致工作流程的变更,影响合作关系。根据以上分析,我们提出以下假设:
H1:组织间目标差异对跨组织应急合作关系有负向影响。
1.2 组织间目标差异与信息分享的假设
Hinsz(2004)[13]认为,信息分享存在社会确认(social validity)和目标确认(objective validity)两种行为倾向。社会确认是指分享传递能被其他组织证实和支持的信息,尽管这些信息包含冗余的重复信息和无效信息;目标确认是指分享本组织拥有的不为其他组织所知的有助于解决问题的独有信息,特别是专业领域有差异的组织所独有的信息。
Majchrzak(2007)等[14]认为,当组织间的个体目标差异性较大,组织会采用社会确认的倾向来分享和传递信息,这是因为,在应急合作过程中,具有目标差异的组织一方很难充分了解对方的信息需求,依据社会动机理论,当组织不确定分享的信息是否是当前所需要的信息时,会更倾向于贡献寻求验证的信息,即社会确认;其次,具有目标差异的合作组织为了降低自身承担责任的风险,往往会对信息进行筛选,不分享对本组织不利的关键信息,更多的采用规范性影响(Normative Influence)的信息分享策略,从而导致分享的更多的是社会确认信息;最后,具有目标差异的组织通常也具有专业领域差异,因而知识的专业化和训练差异等因素使得合作双方在分享信息时存在障碍(Quarantelli,1977)[15]。因此,本文提出以下假设:
H2a:组织间目标差异对社会确认具有正向影响。
H2b:组织间目标差异对目标确认具有负向影响。
1.3 信息分享的中介作用
Comfort(2004)研究表明,有效信息的分享是影响跨组织应急合作关系的重要因素。首先,当合作组织间存在目标差异时,目标确认通过有效建议和关键信息分享,能提高组织间应急合作的有效性,而社会确认信息包含了过多的重复信息与无效信息,信息准确性较差,不能对应急事件进行有效预测与处理,并且影响后续的资源准备、行动流程规划等,从而造成合作有效性降低;其次,Laing(1999)[16]提出及时信息的高需求是应急合作的挑战之一,及时且准确的信息分享对具有目标差异的组织间合作非常重要,而社会确认信息的过多分享将影响信息处理效率,导致关键信息分享的不及时,从而影响应急组织间的合作关系;最后,Paton(1999)等[17]的研究表明,有效信息的分享有助于决策的制定,具有目标差异的组织信息往往是不对称的,目标确认可以降低组织间这种信息的不对称性,组织分享的关键信息越多,决策制定越及时,工作流程越有效,对提高应急合作效率和质量具有十分重要的作用,但社会确认缺乏解决问题的有效信息,当组织不愿或没有把有效信息分享给合作组织时,会导致组织间的不信任,造成应急处置的不协调,危害合作关系。因此,我们提出以下假设:
H3a:社会确认在组织间目标差异与跨组织应急合作关系之间起着中介作用。H3b:目标确认在组织间目标差异与跨组织应急合作关系之间起着中介作用。
1.4 任务不确定性的调节作用
Drabek和Mc Entire(2003)研究发现,应急响应具有高度不确定性工作内容和任务计划永远变化的环境,任务的不确定与标准化和规范化任务相反(O’Reilly,1982)[18],需要大量的信息(Ashford,1986)、产生过量的忧虑(Kuhlthau,1999)、频繁的互动(Galbraith,1973)。Abdel-Halim(1983)和Burleson(1984)等人[19]研究发现,任务不确定性越强,越需要广泛的、开放的信息分享。因此,在高度任务不确定性的应急情景下,应急活动缺乏所需要的相关信息,以及对应急处置行动的后果无法预知,使得完成任务所需要的信息是大量的、多样化的,尽管组织间存在目标差异,但合作组织在有限时间内因无法确定哪些信息是有效的,哪些信息是无效信息,会导致组织有较强意愿分享他所知的全部信息,从而提高信息分享中的社会确认。此外,由于任务不确定性越高,组织越需要其他合作组织提供资源帮助,目标差异组织的机会主义动机也会减少,从而提高社会确认信息的分享。因此,我们提出以下假设:
H4a:任务不确定性越高,组织间目标差异对社会确认的正向影响越强;任务不确定性越低,组织间目标差异对社会确认的正向影响越弱。
在任务不确定性高的应急情景下,具有目标差异的应急合作组织将以完成任务为目标,可能较少的考虑本组织自身的利益,信息分享中的目标确认更强,保证应急任务的完成;其次,任务不确定性往往伴随着危害的不确定性,任务不确定性越高,危害性可能就会越大,应急合作组织为了履行社会安全责任,降低突发事件带来的危害,会忽视组织自身的目标差异,而及时分享有效信息,提高目标确认信息的分享。因此,我们提出以下假设:
H4b:任务不确定性越高,目标差异对目标确认的负向影响越弱;任务不确定性越低,目标差异对目标确认的负向影响越强。
本研究的理论模型如图1所示。
2 研究方法
2.1 样本和数据收集
本研究选择的调查对象主要是专业从事应急活动的组织成员。为此我们邀请了湖北高速公路路政总队相关支队、湖北省消防总队相关支队、湖北省高速巡警总队相关支队、福建省高速公路交通警察、四川矿山救援总队下属各应急救援队伍的负责人参加调查。调查收回问卷283份,有效收回239份,问卷有效回收率为84.5%。正式调研的样本描述性统计结果显示,年龄在28岁以下的占30.25%,28~45岁的占49.57%,45岁以上的占20.16%;男性占79.41%等。样本具体信息见表1。
2.2 相关变量的测量
本研究的自变量是组织间目标差异性,测项主要参照Jap(1999,2001)[20,21]的测量量表,有三个测项:合作组织与本组织在应急合作中目标不同;合作组织与本组织在应急合作中目标相容;合作组织与本组织在应急合作中相互支持对方的目标。
本研究的中介变量是信息分享行为,我们主要通过以下几个部分对信息共享的两个维度:社会确认和目标确认进行测量。首先,通过对社会确认和目标确认的相关文献进行回顾,归纳出部分社会确认和目标确认的测项。然后,在路政、消防、高速巡警等与应急活动高度相关的组织中邀请了21名对跨组织应急合作中的社会确认和目标确认有深刻认识的负责人分别进行了半小时的深入访谈。最后,结合整理访谈记录,得出社会确认的和目标确认各三个测项。社会确认的测项为:合作组织会提供了我知道的所有信息;合作组织提供的信息都后来都被证实了;合作组织提供的信息不一定能解决当时的问题;目标确认的测项为:合作组织会提供其专有信息、任何有助于本组织的信息合作组织都会提供、合作组织提供的信息都有助于解决当时的问题。本研究的问卷测项采用7级Likert法来测度其值。
应急合作关系的测项主要参照Nolte和Boenigk(2011)[22]的测量量表制定,主要包括:合作组织与本组织提供的应急服务能在计划时间内完成;合作组织与本组织提供的应急服务比本组织单独提供的速度快且质量好;合作组织与本组织提供的应急服务存在重复浪费的现象;合作组织与本组织提供的应急服务是有效的。任务不确定性的测项主要参照Perrow(1967)[23]的测量量表,主要包括:组织执行任务过程中遇到的必须用不同方法和程序处理的例外事件的数量;组织执行任务过程中是否有清楚的程序可使工作路径明确化的程度;组织执行任务过程中组织之间的相互交流程度。本研究采用SPSS19.0和Lisrel8.7对回收整理的样本数据进行数据分析。
2.3 信度和效度分析
1)信度分析
本研究的内部一致性信度的分析结果如表2所示,自变量组织间目标差异、中介变量社会确认和目标确认、因变量跨组织应急合作关系、调节变量任务不确定性的Cronbach’sα系数均高于0.7的建议值,因此说明本研究的量表具有良好的内部一致性。本研究潜变量的组合信度通过采用CR值来检验。如果各个变量的组合信度均高于0.7,则说明具有较高的组合信度。通过表2可以看出,自变量组织间目标差异、中介变量社会确认和目标确认、因变量跨组织应急合作关系、调节变量任务不确定性的CR值均高于0.7的建议值,因此说明本研究的组合信度很好。
2)效度分析
效度分析的主要目的是检验调查问卷的准确性程度。进行区别效度分析,根据Fornell和Larcker的研究观点,如果每个变量的平均方差提取量(AVE)大于相应变量之间的相关系数的方差,或者,如果平均方差提取量(AVE)的平方根大于相应变量间的相关系数,则区别效度较好。通过表3可知,本研究具有较好的区别效度。
注:①***表示在0.001水平上显著相关;**表示在0.01水平上显著相关;*表示在0.05水平上显著相关。②表中对角线中数据为AVE的平方根。
3 研究结论
3.1 中介效应检验
首先,我们检验社会确认在组织间目标差异与应急合作关系之间的中介作用。由表4可以看出,组织间目标差异对应急合作关系、社会确认与目标确认均存在显著影响(p<0.01),即H1、H2a与H2b均成立;社会确认与应急合作关系存在显著影响(p<0.01);因此,社会确认在组织间差异与应急合作关系之间起到部分中介效应,即假设H3a得到验证。
然后,我们检验目标确认在组织间目标差异与应急合作关系之间的中介作用。组织间目标差异与应急合作关系、目标确认之间存在显著影响(p<0.01);目标确认与应急合作关系存在显著影响(p<0.01)。因此,目标确认在组织间差异与应急合作关系之间起到部分中介效应,即假设H3b得到验证。中介效应检验结果如果表4所示。
3.2 调节效应检验
首先,我们检验任务不确定性在组织间目标差异与社会确认之间的调节作用。由表5可知,任务不确定性对目标差异与社会确认的调节作用不存在显著关系(p>0.05)。因此,表明任务不确定性在组织间目标差异与社会确认之间不存在调节效应,假设H4a不成立。然后,我们检验任务不确定性在组织间目标差异与目标确认之间的调节作用。由表5可知,任务不确定性对目标差异与目标确认的调节作用存在显著关系(p<0.01)。因此,表明任务不确定性在组织间目标差异与目标确认之间存在负向调节效应,假设H4b成立。
注:***表示在0.001水平上显著相关;**表示在0.01水平上显著相关;*表示在0.05水平上显著相关。
注:***表示在0.001水平上显著相关;**表示在0.01水平上显著相关;*表示在0.05水平上显著相关。
4 结论与展望
4.1 研究结果与讨论
本文从信息分享视角来分析目标差异对跨组织间应急合作关系的影响,探索了组织间目标差异与跨组织应急合作之间的关系。首先,组织间目标差异负向影响跨组织应急合作关系。证实了Agranoff和Mc Guire(2003)、William(2006)、Katherine(2008)等人通过案例分析与文件整理提出的推测。其次,组织间目标差异对社会确认有正向影响,对目标确认有负向影响,社会确认和目标确认在组织间目标差异与应急合作关系间起着中介作用。这与Kelly(2004)等人的注意力集中模型的理论预期一致,即时间压力下组织的沟通意愿(行为)往往不愿意传递独有信息给合作者,只愿意传递合作组织都知道的信息。我们认为产生这一现象的原因在于,时间压力下的组织很难对自己的信息进行详细解释,传递一些大众化信息的风险更小,也从侧面反映出合作中的应急组织的沟通行为存在明显的动机因素。最后,任务不确定性在组织间目标差异与目标确认之间有着显著的负向调节作用。即在任务不确定性越高的情况下组织越愿意分享其独有信息。显然,任务不确定性的情况下,Kelly(2004)等人提出的注意力集中模型具有局限性,我们认为在任务不确定性和时间压力的共同作用下,组织不得不考虑合作群体的整体利益,如果坚持不传递独有的信息很可能导致协同处置失效,甚至造成人员伤亡。另外,本研究也发现任务不确定性对组织间目标差异和社会确认间的关系没有调节效应,我们推测在不确定的情景下,合作组织可能没有能力对信息进行预先选择,导致其调节效应不明显。
4.2 理论和实践意义
本文的理论意义:①根据Quarantelli(1988)和Comfort(2004)的研究结果,本文把信息分享行为作为中介变量引入到了跨组织应急合作关系的研究中,揭示了应急合作组织可通过实施不同的信息分享行为策略来获取利益或实现自我保护的情况,凸显了应急合作中组织沟通行为背后的动机具有重要的作用。②进一步修正了注意力集中模型,本文的研究表明,任务不确定性情景会抑制应急组织隐瞒独有信息的行为,组织的合作动机对分享行为起更重要的作用。这有利于我们更加深入了解注意力集中模型,修正该模型提高其理论预测性。
本文的实践意义:①在任务不确定性较低的应急情景下,高层应急指挥者应通过信息公告牌、制定信息沟通内容结构框架约束社会确认信息的传递。②在应急任务低不确定性的应急情景下,高层应急指挥者应鼓励各基层应急组织分享目标确认信息。
4.3 局限性及研究展望
【目标区间】推荐阅读：
多目标柔性作业车间05-09
目标定位目标检测06-02
目标困惑：教学目标与学习目标应如何表述08-26
大目标小目标故事06-07
小学有关新年目标作文：新年，新目标08-17
市年终目标目标考核汇报会主持词05-27
七上第一单元单元目标和分课目标06-27
价值目标07-04
目标融合07-17
目标调整07-19