知识动态评价模型

关键词： 竞争 时代 知识

知识动态评价模型（精选九篇）

知识动态评价模型 篇1

知识与供应链的其它要素相比有很多独特之处, 在其它学科领域, 广大学者也用许多方法对知识进行了评价, 这当中许多科学的方法也可以为“基于农产品供应链核心企业的动态知识评价”所应用。

1 相关理论研究回顾

1.1 我国农产品供应链的界点及现状

农产品供应链 (Agri-food Supply Chain, ASC) 不同于其它产品供应链, 其特殊性在于它贯穿于从农田到餐桌的整个环节过程, 其作用的发挥由链上的所有节点因素的绩效来决定。农产品供应链可以借鉴食品供应链的相关定义。食品供应链是指, 食物自离开生产农场到最终消费者的一个连续不断的结构链中, 解决各类风险的过程。它包含了食用农产品原料的生产、食品的贮藏运输、加工、包装、分销、批发零售直到消费者的各个环节及其相互关系。

目前, 随着我国新型农产品零售业的发展, 由产品批发市场、销售批发市场、零售农贸市场构成的传统三级农产品流通市场体系有所转变。图1描述了当前农产品流通供应链的节点要素参与者。

由图1可知, 我国目前的农产品采购源头主要由公司经营生产基地、农户组织和批发商构成。其中主要以批发商为主, 部分季节性和地域性要求较高的产品则从农户手中直接购得。这三类源头组织也承担了主要存货责任和金融风险。纵观我国供应链流程图上的消费终端, 不难发现, 超市是其主要的消费组织形式, 由此, “生产基地—超市”的农产品供应链消费模式将成为主要的模式之一。

1.2 供应链评价理论研究

伴随着供应链的发展, 供应链评价理论也在逐步发展。最初, 专家评价、层次分析法、简单的数学规划等方法被应用于供应链评价中, 随着研究的深入, 计算机仿真、复杂的统计运筹规划等数学方法被应用到其中, 从而形成了现在一系列成熟的供应链评价方法。

1.2.1 系统模拟与仿真评价方法

它们是以反馈控制理论为基础、模拟为手段的方法。引进动态时间概念, 用计算机技术进行系统仿真, 进而进行过程分析与评价。这种方法可用于大型物流工程, 优点是可以实现动态评价, 解决高阶次、非线性特性的物流系统评价问题;缺点是建立模型的难度大, 有关这种方法的研究正在深入之中。

1.2.2 信息论方法

目前主要应用信息熵理论评价 (可分为绝对信息熵方法和相对信息熵方法) 。信息熵目前主要应用在供应链宏观财政等政策评价、项目生命周期投资、供应商评价等领域。这种方法的优点是可以排除人为因素、风险因素等的干扰, 反映评价对象的客观信息。

1.2.3 灰色系统理论与灰色综合评价方法

灰色系统理论基本思想是根据待分析系统的各特征参量序列曲线间的几何相似或变化态势的接近程度判断其关联程度的大小。该方法的优点是能够处理信息部分明确、部分不明确的灰色系统, 所需的数据量不是很大, 可以处理相关性大的系统;不足点在于定义时间变量几何曲线相似程度比较困难, 同时应该考虑所选择的变量具备可比性。

1.2.4 智能化方法

主要是应用第5代计算机 (智能计算机) 的成果和人工仿真技术 (包括模拟人脑工作的人工神经网络技术、模拟生物进化的遗传算法) 。此类方法一般采用BP算法以及自然选择和遗传变异基础的迭代自适应概率性搜索算法, 主要应用于复杂的物流路线模拟设计和供应商选择等。

1.2.5 动态综合评价方法

在实际应用中, 对同一个对象评价时, 随着时间的发展与数据的积累, 供应链拥有大量按时间顺序排列的平面数据表序列, 称为“时序立体数据表”。由时序立体数据支持的综合评价问题, 参数值是动态的, 定义这类评价为“动态综合评价”问题。其应用领域包括随时间变动指标或参数变动较大的系统, 例如供应链动态经济效益、供应商的动态考核、销售商排列问题等。

随着上述评价方法的成熟应用, 集成的综合评价方法成为未来供应链发展的趋势。首先是一般的综合评价方法与模糊综合评价方法结合 (方法模糊化和灰色化) ;其次是一般评价方法与人工智能方法的集成 (方法智能化) ;然后是评价方法考虑时间因素 (方法动态化) 和对评价对象与评价人的评价的集成 (评价要素集成化) 。上述方法的发展必然进一步促进供应链的发展。

1.3 知识评价理论研究

相对于供应链评价理论的完整成熟和丰富多样, 知识评价理论尚处在起步阶段。目前可用于知识评价的综合评价方法大致有以下6种。

1.3.1 灰聚类评价方法

首先需要制定评价指标体系, 确定指标权重集和评价标准集, 接着由不同专家构造出评价值矩阵, 建立白化权函数确定灰聚类评价系数, 并对其进行综合权衡, 其结果能够比较真实地反映出企业内部某项知识对企业重要性的等级。这种方法建立在构造指标体系和专家评价打分的基础上, 实际上是DELPHI法、专家打分法与聚类分析法的结合, 其结论过多受人为主观因素影响。

1.3.2 运筹学方法

主要是数据包络分析, 此方法可以评价多输入输出的知识系统, 并且可以找出单元薄弱环节加以改进, 但是只能以每个基期为评价单位, 无法体现知识逐期积累和提高所带来的效用。

1.3.3 共被引分析法

这是一种识别和研究学科共同体的方法, 主要应用于对文献类知识的评价。这种方法实际是统计学中因子分析和聚类分析的综合运用, 虽然内容全面合理客观, 并且能较好地解决相关性问题, 但是此方法需要大量的统计数据, 并且无法反应知识的发展水平。

1.3.4 共词分析法

这是一种内容分析的方法, 主要是通过对能够表达某一学科领域研究主题或研究方向的专业术语共同出现在一篇文献中的现象的分析, 判断学科领域中主体间的关系, 从而展现该学科的研究结构。这种方法应用的是主成分分析方法, 它的缺点也是无法反应知识的发展水平。

1.3.5 模糊数学方法

主要有模糊综合评价、模糊积分和模糊模式识别等方法。通过引入隶属函数, 实现把人类直觉确定为具体系数 (模糊综合评价矩阵) , 并将约束条件进行量化处理, 最终进行数学解答。这类方法可以克服传统数学方法中“惟一解”的弊端, 根据不同可能性得出多个层次的问题解, 具备可扩展性, 符合知识“柔性化”的特点和“柔性管理”的思想, 但是这类方法不能解决评价知识间由于相关所造成的信息重复问题, 另外如何保证隶属函数和模糊相关矩阵的客观性仍然值得探讨。

2 基于供应链核心企业的知识动态评价模型

2.1 模型的构建

当今学术界关于动态评价的方法可分为两类:一类是确定评价指标在不同时刻的权重系数, 这是目前研究的热点, 已经取得了一定成果;另一类是随着时间序列中对象属性的变化, 不同时间评价指标也应当调整, 这方面的研究尚属起步。本文在知识流模型和综合应用与改进其它评价模型的基础上, 采取第二类动态评价方法, 将知识的时间属性作为动态评价指标, 提出了知识动态评价模型。具体模型的构建如图2所示。

2.2 模型的阐述

a.企业的投入由两部分组成。①投入知识量 (A1) :他有2个衡量指标, 一个是知识需求度 (A11) , 即本企业所提供的知识与供应链中合作伙伴所需求的知识的吻合程度;另一个是知识的合作度 (A12) , 用来衡量合作伙伴之间在相互交换和获取知识方面的难易程度。这2个指标可以通过专家打分法或者AHP层次分析法等获得。②知识投入成本 (A2) :它也有2个衡量指标, 一是交易成本 (A21) , 即本企业与合作伙伴进行知识相关沟通的交易成本;二是直接投入费用 (A22) , 即为产品开发以及生产所进行的软硬件投入成本。

b.知识的产出可以用企业实际的产出数据作为衡量标准。①知识成果FA1, FA1=专利数目+新产品数目;②年利润额FA2。

c.在该模型中提出的知识流模型作为核心企业与其它企业之间进行知识流动的载体和实现工具, 其间的具体运作过程不再进行赘述。

d.本模型中知识的投入与产出流动按照对角线方向运行。

以核心企业A为例:其产出函数FA是其它企业投入知识量B1和核心企业知识投入成本A2的函数, 即FA=FA (B1, A2) 。同样, FB=FB (A1, B2) 。

2.3 模型的优势及特点

a.模型的研究对象是供应链核心企业与供应链其它企业之间的知识流动, 突出了核心企业在供应链中的核心地位。由于核心企业的特殊地位, 使知识的流动成为可能, 也使各种投入产出的数据采集变得可行, 从而使研究更具现实意义。

b.模型包含多投入和多产出, 符合供应链中的实际情况。另一方面, 多投入多产出也使该模型有了更好的扩展性, 随着将来研究的进行, 投入和产出可以进行补充和调整而不会影响整个模型的整体结构。

c.该模型中知识的投入与产出流动按照对角线方向运行 (交叉方向) , 这种知识交叉运行的方式符合知识流动特别是供应链中知识流动的客观规律, 同时也是提高知识总量、促进知识创新的有效手段。

d.产出是核心企业知识成本和非核心企业知识投入的函数。这种函数关系符合实际情况, 即核心企业驱动知识流动, 非核心企业知识必须迎合核心企业的需求, 核心企业可以以较低的成本获取知识, 从而降低成本提高效率。这也正体现了供应链知识流动的特殊优越性。

e.通过对不同时期甚至是多期知识合并的知识投入产出评价, 模型有效地吻合了知识“累加效应”的特点。

f.模型将“知识流模型”作为投入产出中继的“黑匣子”。知识流模型在该模型中只是作为一个知识运转流动的通路。目前知识流的研究仍然处于不断发展完善中, 随着研究的深入, 新的更科学更符合实际的知识流模型必将不断涌现, 新的模型可以不断为该模型所用, 提高该模型知识评价的科学性和效率。

3 研究的不足与展望

本文通过研究, 建立了基于供应链核心企业的知识动态评价模型, 该模型适用于探讨供应链关系下核心企业与其它企业的知识流动研究, 它有着良好的扩展性, 随着今后研究的进行, 输入与输出变量可以进行扩充。

然而, 若进一步考虑知识的动态性, 那么可以在研究知识的时间维度的基础上, 加入另外一个动态维度———空间。目前认为, 如果以同行业同时期的数据进行动态分析, 可以得到基于空间的知识动态评价模型, 如果数据允许, 知识的空间知识效率与知识投入要素也可以得到连续函数关系。以空间关系函数与时间连续函数的知识效率为桥梁, 运用软件工具可以实现知识效率基于时间和空间的三维动态模型。这一模型可以给企业更多的战略指导。三维知识动态模型的研究将为不同类型、不同现状以及处于不同发展阶段的企业提供更加多样的提高知识效率的途径。

摘要：在综述我国农产品供应链的现状、供应链评价和知识评价的相关研究基础上, 结合知识管理和知识流研究的相关理论, 提出了基于农产品供应链核心企业的知识动态评价模型。模型将知识投入量和知识投入成本作为输入变量, 将知识成果和年利润额作为输出变量, 采用以核心企业为中心的变量交叉评价的方法建立其输入与输出的关系。

关键词：农产品供应链,供应链评价,知识评价,知识动态评价模型

参考文献

[1]陈衍泰, 陈国宏, 李美娟.综合评价方法分类及研究进展[J].管理科学学报, 2004 (1) :69-80.

[2]田志友, 吴瑞明, 王浣尘.基于过程熵的供应商多元加工能力评价[J].管理工程学报, 2006 (1) :36-41.

[3]汪克夷, 齐丽云.基于文本聚类的客户知识获取和应用研究[J].管理学报, 2007 (5) :273-280.

知识动态评价模型 篇2

区域水战略方案选优的动态组合评价模型研究

摘要：水安全危机是人类进入新世纪以来在生存及发展方面所面临的最严重挑战之一.研究科学合理的水安全战略成为区域可持续发展的.重大课题.针对区域水战略问题涉及众多因素且各因素之间动态关联的特点,提出了基于水战略方案优选的兼容度极大化动态组合评价模型(CMM-DCEM),并将其成功地应用于我国广东省北江下游及其三角洲地区水安全战略方案优选评价.评价结果及模型基于不确定性的敏感性分析结果证明:CMM-DCEM实现了主、客观赋权方法以及单一评价模型的融合,使用实码加速遗传算法求解目标函数,克服了传统的组合评价方法计算繁琐的不足,评价过程更加科学合理.作 者：童芳    董增川    邱德华    Tong Fang    Dong Zengchuan    Qiu Dehua  作者单位：童芳,董增川,Tong Fang,Dong Zengchuan(河海大学,水文水资源与水利工程科学国家重点实验室,江苏,南京,210098)

邱德华,Qiu Dehua(广东省水利厅,广东,广州,510150)

期 刊：灾害学  ISTIC  Journal：JOURNAL OF CATASTROPHOLOGY 年，卷(期)：2008, 23(1) 分类号：X52 关键词：水安全    水战略    方案选优    动态组合评价    兼容度最大化模型    遗传算法   

知识动态评价模型 篇3

关键词 房地产投资环境；投影寻踪；动态聚类；加速遗传算法

中图分类号 F293.3 文献标识码 A

Environment Evaluation Using Projection Pursuit

Dynamic Cluster Model in the Real Estate Investment

ZHOU Yong， Gong Haidong

（Xi' an University of Architecture and Technology， School of Management， Xi' an，Shangxi 710055，China）

Abstract This paper introduces the applicationof Projection Pursuit Dynamic Cluster Model in the environment evaluation of real estate investment. The environment evaluation of real estate investment is a complex problem because it involves highdimensional factors， So this model provides some advantages by projecting highdimensional data to the lowdimensional data through the projection vector according to the sample data features completely.Furthermore， it can sort the lowdimensional data and cluster automatically. Using this method ， this model can study the highdimensional data through the lowdimensional data. Finally， taking the industrial real estate investment environment evaluation of Liaoning Province as an example， this paper verified the applicability of the model in the evaluation of real estate investment environment.

Key words the real estate investment environment evaluation； projection pursuit； dynamic cluster； accelerating genetic algorithm.

1 引 言

房地产投资环境是指投资地对房地产投资活动产生影响的经济、自然、管理、社会等各种条件和因素的总称.加之房地产投资本身具有投资资金巨大、回收周期长、位置固定、投资风险大等特点[1].因此房地产投资环境分析是一个复杂的、受多因素影响的系统过程.如何应用科学的评价方法对房地产投资环境进行客观、公正的评价和分析将显得至关重要.通过文献阅读，本文作者认为对房地产投资环境分析需要解决两大主要问题：①如何在最充分的利用原始指标信息的情况下，将评价房地产投资环境的众多指标信息进行降维处理转变为低维问题，然后利用经典的传统方法进行分析；②在评价中尽量减少人为干扰，更多或者完全利用指标数据来进行客观的分析和评价.投影寻踪动态聚类模型是投影寻踪方法和动态聚类方法的结合[2-4]，它综合了投影寻踪方法和动态聚类方法的优势：投影寻踪方法能够通过投影向量将高维数据转变为低维数据，然后通过分析低维空间的投影数据特性来研究高维数据特性[5]；动态聚类方法能够根据投影数据自身的特性自动进行聚类分析，克服了操作人员对投影寻踪方法得到的投影数据要借助其他方法进行再处理的问题，同时通过动态聚类思想构建投影指标来寻找投影向量，能够克服要通过经验确定密度窗宽参数的投影寻踪方法得到的投影向量不是很客观的弊端.鉴于此，本文将投影寻踪动态聚类模型应用到房地产投资环境评价和分析中，并借助辽宁省工业地产投资环境分析实例对该方法进行了初步验证，以期为房地产投资环境评价分析提供更多的方法借鉴.

2 房地产投资环境评价相关方法综述

房地产投资环境属于城市投资环境的子系统，纵观国内外学者建立的各种投资环境评价方法，现阶段用的比较多的方法有：灰色关联分析法（邓聚龙，1988）[6]，层次分析法（SAA TY TL，1908）[7]，模糊评判法（CHU A TW，1979）[8]，人工神经网络法（HECHTNIELSENR，1987）[9]，物元分析法（蔡文，1994）[10]以及投影寻踪法（Friedman J H， Tukey J W，1974）[5]等.其中灰色关联分析法、模糊评判法、物元分析法是主观分析方法，在此类方法的应用中主要由人为的根据经验确定各个指标的权重，因此其评价结果具有一定的人为随意性；人工神经网络方法能够消除评价过程中的人为随意性，但是其学习训练需要相当多的样本，况且还容易陷入局部极小点，因此不便于推广应用；投影寻踪方法能够将高维数据转变为低维数据，通过低维空间数据来分析高维空间数据，但是其中的密度半径窗口参数需要根据经验来确定，其评价结果仍然带有一定的主观性；当然也有一些经典的传统降维方法能够利用指标数据信息对投资环境做出较客观的评价，比如主成分分析法和因子分析法，但是此类方法是从众多指标中提取少量指标来反应样本信息，使得样本的信息损失量较大，同时对样本数据也有严格的要求.投影寻踪动态聚类模型依据动态聚类思想来构建投影指标，完全依靠样本数据自身特性根据投影指标来寻找投影向量，利用投影向量将高维样本数据投影到低维数据，然后通过研究处理低维数据达到研究高维数据目的，同时实现样本数据的排序和自动聚类分析.投影寻踪动态聚类模型已经在洪水灾害管理[2]、气候分区[11]和区域水安全评价[12]等领域的多元数据分析中取得了一定的应用.本文将投影寻踪动态聚类模型应用到房地产投资环境评价中，以期为房地产投资环境评价提供更多的方法论.

nlc202309041803

5 结 语

投影寻踪动态聚类模型通过投影方向向量将高维数据转变为低维数据，发挥了投影寻踪方法处理高维数据的优势；同时完全依靠样本数据自身特性进行聚类分析，使聚类结果具有客观可靠的优势；再者借用动态聚类思想构建投影指标函数并利用加速遗传算法求解得出的最佳投影方向向量能够避免人为确定指标权重的弊端；另外此模型对样本数据的容量没有要求，与其他较客观的评价方法（如人工神经网络）相比便于推广应用.因此投影寻踪动态聚类模型是房地产投资环境分析评价方法的一种较好的选择.

参考文献

[1] 俞明轩.房地产投资分析[M].北京：首都经济贸易大学出版社，2004：98-101.

[2] 倪长健，崔鹏.投影寻踪动态聚类模型[J].系统工程学报，2007，22（6）：634-638.

[3] BACHMANN C M， MUSMAN S A， LUONG D，et al. Unsupervised BCM projection pursuit algorithms for classification of simulated radar presentation[J].Neural Networks，1994，7（4）：709-728.

[4] FRIEDMAN J H， STUETZLE W. Projection pursuit regression [J]. Journal of the American Statistical Association，1981，76（376）：817-823.

[5] FRIEDMAN J H， TUKEY J W. A projection pursuit algorithm for exploratory data analysis.IEEE Trans on computer， 1974， 23（9）：881-890.

[6] 邓聚龙.灰色系统基本方法[M].武汉：华中理工大学出版社，1988：1-59.

[7] SAATY T L. The analytic analytic hierarchy process[M].New York：McGrawHill，1980：3-8.

[8] CHU A T W. A comparison of two methods for determining the weights of belonging to fuzzy sets[J].Journal of Optimization theory and Applications，1979，27（5）：531-538.

[9] HECHTNIEL SENR. Komogrov’s mapping neural network existence theorem[C]//Proceedings of the international conference on Neural Networks New York： IEEE Press，1987：11-13.

[10]蔡文. 物元模型及其应用[M].北京：科学技术文献出版社，1994.

[11]王顺久， 李跃清. 基于投影寻踪原理的动态聚类模型及其在气候区划中的应用[J].应用气象学报，2007，5（18）：722-726.

[12]王顺久，倪长健. 投影寻踪动态聚类模型及其应用[J].哈尔滨工业大学学报，2009，41（1）：178-180.

[13]任若恩，王惠文.多元统计数据分析——理论、方法、实例[M]. 北京：国防工业出版社，2000：148-151.

[14]金良菊，杨晓华，丁晶. 基于实数编码的加速遗传算法[J]. 四川大学学报：工程科学版，2000，32（4）：20-24.

[15]刘国华，包宏，李文超. 用MATLAB实现遗传算法程序[J].计算机应用研究，2001，17（8）：80-82.

[16]殷铭， 张兴华， 戴先中. 基于MATLAB的遗传算法实现[J].电子技术应用， 2000，25（1）：9-11.

[17]张军涛， 刘建国. 辽宁省主要城市投资环境的实证研究[J]. 工业技术经济，2008，27（8）：82-86.

[18]杨建喜， 宋永发. 基于PP-RAGA的工业地产投资环境评价的实证研究[J]. 工程管理学报， 2010，24（6）：664-668.

[19]张卫国， 何伟. 中国地级城市投资环境评价研究[J]. 管理学报，2006，3（2）：195-198.

基于动态匹配的知识吸收能力模型 篇4

一、动态匹配的概念

研究者们在描述竞争差异性的时候, 通常会用“稀缺的、难以替代和模仿的、有价值的资源”来进行表述。这里, 实际上隐含着一个“匹配”的概念:企业的稀缺的、难以替代和模仿、并且具有价值的资源, 是相对于其所处竞争领域而言的。实际上匹配就是指企业的内外环境和要素之间的均衡。而所谓的“动态”是指企业为适应不断变化的市场环境, 必须具有不断更新自身竞争力的能力。企业吸收能力的动态匹配指企业能够保持或改变其竞争优势基础, 它存在于组织过程之中, 并能够使组织发生变化和演变, 从而使企业重构它的资源基础并适应不断变化的市场环境以实现企业的竞争优势。

企业的竞争优势来源于企业自身的独特能力与环境机会之间的匹配, 在当前迅速变化的市场竞争条件下, 任何企业的竞争优势都是暂时的, 只有保持持续不断地创新, 才有可能使企业产生持续的竞争优势, 这需要企业的独特能力与环境机会之间的动态匹配。动态匹配实际上体现的是企业的一种能力, 国内的部分学者在研究过程中提出了动态匹配能力的观点, 并指出在影响企业发展的三大要素 (流程、位置和路径) 中, 动态匹配作为一种能力要素始终贯穿其中, 与企业的生存发展息息相关。

二、知识吸收能力模型

研究知识吸收能力的动态匹配, 就是研究在动态变化的市场环境中, 知识吸收能力与各影响要素之间的关系。根据影响要素性质的差异, 本文将从两个方面研究动态环境下的吸收能力模型。

首先, 从知识吸收能力的定义来看, 吸收能力包含4个能力维度:获取能力、同化能力、转换能力和利用能力。这4个维度是吸收能力的4个行为变量, 分别表示为x1, x2, x3, x4, 则知识吸收能力的函数表示为:V (X) =V (x1, x2, x3, x4) 。

该式表明了知识吸收能力与4个行为变量之间的内在联系。根据4个行为变量所处的不同阶段, 将它们划分为潜在吸收能力 (获取能力和同化能力的函数) 和实现吸收能力 (转换能力和利用能力的函数) , 二者相互依存, 相互补充, 对于提高企业的业绩来说, 它们都是必要不充分条件。规定实现吸收能力与潜在吸收能力之比为效率因子, 记作μ, 它表明基于同样的知识资源, 不同的企业创造价值的能力是不同的, 实现吸收能力反映了企业在所吸收知识的基础上产生的杠杆效应。企业的效率因子越高, 则实现吸收能力越接近潜在吸收能力, 因为企业创造利益主要来自实现吸收能力。拥有同样知识资源的企业在竞争力上往往表现出很大的差别, 主要是由于吸收能力的效率因子不同。

其次, 从知识吸收能力与投入的要素资源之间的关系来看, 知识吸收能力是企业内外部要素共同作用的结果, 是相互联系、相互作用的复杂系统。

定义影响企业知识吸收能力的投入要素的集合为要素空间, 则投入要素的变化范围是要素空间的正象限部分。用f (x) 表示要素集合为x= (x1, x2, …, xl) 时企业所能获得的最佳吸收能力。在企业运营与管理过程中, 通常假定f (x) 可微, 则对于任何x∈EI (EI表示有效投入的全体, 称为知识吸收能力的有效投入区间) , Δx≥0, Δx= (0, ..., 0, Δxk, 0, …0) , x+Δx≥0, 有x+Δx≥x, 从而f (x+Δx) ≥f (x) (因为是有效投入, 比如在有效投入区间内, 增加R&D必然会增强企业的知识吸收能力, 此处假设决策者为理性) 。

因此, 在要素投入为有效的情况下, 知识吸收能力呈现出 (随要素投入量的增加而) 递增, 或至少不下降的变化趋势。对企业而言, 只有根据自身的发展状况, 确定要素的有效投入区间, 通过资源的配置组合, 以最小的投入获得最大的回报, 才能在市场竞争中占据有利位置。

同样的知识吸收能力可以通过投入要素的不同组合得到, 这需要对投入进行有效性分析。知识吸收能力具有非线性的特点, 根据相关的计量经济学理论, 非线性的存在会导致多重均衡, 所以本文强调了要素的有效投入区间, 只有确定有效投入区间, 知识吸收能力的发展才有规律可循。

三、结论

从扎哈和乔治关于知识吸收能力概念界定的研究之后, 学者对知识吸收能力的研究逐渐从概念的分歧转向对知识吸收能力特性的探讨, 并试图揭示吸收能力中的量化关系;从最初科恩和莱文索将R&D作为知识吸收能力的惟一变量, 到如今动态环境下复杂的吸收能力模型, 可以说, 知识吸收能力的研究已经成为当前企业竞争战略研究中的一个热点。本文从动态匹配的角度来研究知识吸收能力, 并从能力和资源两方面对知识吸收能力的影响要素进行分类, 揭示出由于“有效投入区间”的存在导致了不同企业之间的知识吸收能力的差异, 不仅指出资源差异化是影响企业竞争优势的重要因素, 也指出了不同的资源配置方式同样会对企业竞争优势产生重大的影响。

参考文献

基于知识地图的动态学习流模型研究 篇5

工作流技术自被提出来以后, 由于其在企业业务过程中所实现的过程管理、过程自动化等特点, 受到各行各业的广泛应用。工作流技术应用预先定义好的业务流程、规则方案, 利用产品系统实现具体操作, 从而自动化或半自动化的实现企业预期的业务目标。

然而, 和传统企业业务过程相比, 学习者的学习过程更加灵活多变。大多数的工作流过程模型 (过程定义) 及其产品系统虽然能对事先确定的、可完整定义的过程进行管理, 但不能根据业务过程的运行状况动态调整。工作流模型在支持非确定型和动态变化的业务过程中存在较大的局限性, 为了更好的描述柔性的学习过程, 动态调整学习者的学习活动, 对学习者提供规划学习内容知识结构和学习路径的功能, 有必要建立一种灵活的动态学习流模型。

传统的学习系统平台模型往往强调的是以学习内容为中心, 它们大都具有以下特点:

a.单纯的学习资源库。学习者需要根据自己的学习需求从庞大的资源中挑选学习内容。

b.功能模块的简单组合。将学习相关的功能孤立的组织在系统中, 它们之间缺少关联, 零散且无序, 缺少对学习活动的动态支持。

c.没有体现学习者的个性学习特征。

d.缺少对学习者学习行为的有效监控和管理。

知识地图的概念最早是由美国情报学家布鲁克斯 (B.C.Brooks) 提出的, 他认为人类的知识结构可以绘制成以各个单元概念为节点的学科知识图, 通过知识地图来揭示知识的有机结构。[3]将知识地图引入学习过程管理, 对学习路径的规划更加合理, 结合动态学习流能够很好的处理动态变化的学习活动。

2研究内容及特色创新

2.1研究内容。本文主要研究两方面内容:知识地图的构建和封装不确定的学习活动因素。

a.构建基于知识地图的动态学习流模型体系的准备。主要包括基于学习活动的学习过程分析, 以及知识地图的构建。

b.构建基于知识地图的动态学习流模型。主要包括使用基于ECA规则来封装不确定的学习活动, 适应最高并发变化活动活动的自动组合算法研究, 以及子流图中活动合法性验证的算法研究。

c.基于知识地图的动态学习流的程序求解。主要包括知识地图信息描述 (知识地图开发工具) , 以及模拟仿真程序开发。

d.基于工作流模型和学习活动模型分析。主要包括对模型进行评价、预测、优化。

e.基于知识地图的动态学习流的检测。主要包括使用动态变化的学习活动来检测动态学习流模型, 以及实验检测模型的合理性和实用性。

主要技术考核指标:

a.适应活动最高并发度的活动自动组合。

b.能够根据不确定的学习活动因素形成动态学习流。

c.子流图中的活动是否符合柔性活动的选择规则和组合规则。

2.2特色与创新。根据大量相关文献资料检索及调查研究, 本文提出了构建基于知识地图的动态学习流模型, 其强调多技术标准规范的交叉融合与突破, 其主要特色与创新主要体现在以下方面:

a.利用ECA规则和活动组合动态学习流模型, 并使用柔性活动封装流程中的不确定因素, 减少模型复杂度。

b.充分利用知识地图的搜索导航功能和培育评估功能, 结合动态学习流对学习者的学习活动进行有效的引导, 实现显性知识和隐性知识的综合管理。

c.模型能够提供学习者的评测跟踪、个性资源、智能记忆、迭代训练、顾问指导等核心, 学习者在学习过程中产生的所有数据流和控制流信息都会被完整地保存下来, 以便于分析和调整学习策略。

3研究方法和技术路线

基于知识地图的动态学习流是在工作流的基础上进一步的扩展和延伸。在学习中, 工作流根据学习者的实际情况对学习活动进行组织和管理, 在学习者的每次学习中, 首先由动态学习流执行服务模块并根据学习者的学习活动创建学习流引擎, 找到学习者本次学习的起始知识点传递给学习流引擎, 学习流引擎则根据知识点和学习者的背景资料激活知识地图中的有关学习活动, 生成学习路径。在学习者的学习过程中, 学习流引擎随时更新学习者的背景资料, 以便于准确的创建和生成动态学习路径。

基于知识地图的动态学习流能够提供自动或半自动执行的学习引导, 强调以学习者的学习活动为中心, 对学习者的学习行为进行记录和分析, 并提供建议和评价, 根据分析和评价结果对学习者提出补偿学习方案, 同时可对学习者的学习流程进行监控, 使得学习效率最大化, 既坚持学习者的主体地位, 又能保证对学习者在学习过程中的正确引导。因此基于知识地图的动态学习流在自动化学习平台中的应用既有理论意义, 又有实用价值。

3.1研究方法步骤。本文提出根据不同学习内容形成的知识地图作为数据源引入到动态工作流中形成动态学习流模型, 对学习者的学习进行合理的引导, 并适应不断变化的学习活动需求。研究方法步骤如下:

3.1.1知识地图构建。不同学习内容所构建的知识地图有所不同, 包括知识结构、特征描述、存在方式及知识的组织方式等。一般构建知识地图需要经历两个主要阶段:

第一是知识收集与识别。对学习内容的知识进行搜集、识别, 运用相关的规则和机制将知识进行分类, 并标示它们之间的关系。

第二是知识信息化描述。根据收集和识别后的知识, 需要对知识进行合理的分析和存储描述。利用开发知识地图的技术工具制作和生成知识地图, 在这方面, 许多大公司都已经提供了相应开发知识地图的技术工具, 如IBM公司的IBM Knowledge X便是一个强大的知识地图解决方案。

3.1.2动态学习流建模。利用ECA (事件-条件-活动) 规则和活动组合构建动态学习流模型。在模型中, 柔性活动是流程中的基本单位, 它封装了流程中的不确定因素, 并通过选择规则和组合规则限制柔性活动的具体化过程。当学习活动流程运行到一个柔性活动时, 需要使其成为一个具备详细定义的子流程, 称之为具体化, 并且需要对具体化柔性活动进行合法性验证。

3.1.3柔性活动具体化的合法性检验。柔性活动具体化包括两个步骤:从活动池中选取活动, 然后通过规则组合形成子流程。柔性活动具体化合法性检验需要满足以下两个条件:一是子流程中选取的活动符合预先定义的选择规则和组合规则;二是子流程活动的依赖关系是否符合组合规则的, 并且满足一定的结构要求, 如:不存在孤立不可达, 以及死循环的活动等。

围绕本文的主要研究内容和方法, 实现基于知识地图的动态学习流模型的总体研究思路和技术路线如图1所示。

3.2关键技术

3.2.1 ECA规则 (事件-条件-动作/Event-Condition-Action) 和活动组合:使用柔性活动, 在模型中不加入新元素, 对不确定因素进行封装。ECA规则的基本运行方式是一旦系统检测到规则事件的发生, 就在特定的时刻检查规则的条件, 如果条件满足, 则执行相应的操作, 以此来触发不确定的动态学习活动的重新组合。[5]

3.2.2知识地图。知识地图用于描述学习内容知识结构, 定义学习路径 (Learning Path) , 学习过程中根据学习者的学习活动变化将学习路径动态转换成实际的学习流程, 从而满足学习过程灵活多变的特性需求。因此, 知识地图具有学习导航的作用, 能够对知识层次进行定位和评价, 整合有效的学习资源。

3.2.3动态学习流。动态学习流并不直接定义所有的子过程, 而是在过程模型中引入柔性活动, 根据柔性活动的选择规则和组合规则从活动池中进行选取活动, 形成子流程图, 使得模型在较高的层次上对学习活动的不确定因素进行了封装。

4结论

与日渐成熟的“工作流”应用不同, “学习流”属于新的事物, 在进行学习活动管理, 特别是在基于知识地图的动态学习流模型中还有许多内容可以摸索和探究。本文提出了一种基于知识地图的动态学习流模型, 它强调以学习者的学习活动为中心, 同时对学习者的学习活动进行监控, 灵活调整学习者的学习路径。

本文所研究内容尚有待解决及完善的相关问题, 需要在日后工作中作进一步研究和改进, 主要包括:

4.1在知识分类的基础上, 确认不同学习内容的知识关联, 构建不同的知识地图。

4.2根据不确定的学习活动因素, 在柔性活动具体化后形成子流程。

4.3动态学习流的运行时支持和执行过程监控。

参考文献

[1]谢晓林, 余胜泉.网络教学平台的新发展[J].开放教育研究, 2007 (5) :12-15.

[2]高燕, 秦志刚.基于知识地图实现动态学习流建模[J].网络教育, 2010 (1) :0039-05.

[3]庄善洁.从情报学角度谈知识地图的应用[J].现代情报, 2005 (8) :198-200.

[4]柴雅凌, 徐芳, 王鑫, 焦秋阳.构建面向用户的高等院校知识地图[J].情报资料工作, 2006, 7, 25.

[5]卢奕红.基于ECA规则的工作流模型应用研究[J].电脑知识与技术 (学术交流) , 2007.

[6]Oleg J.Direct calculation of electric and magnetic forces from potentials[J].Am J Phy, 58 (7) .

[7]李益才, 张小真.基于学习流的智能辅助教学系统研究[J].GCCCE论文集.

知识动态评价模型 篇6

目前常用的投资组合效率评价方法主要有两类：回归分析法以及前沿面法。早期的单因素模型有Treynor指数、Sharpe指数、Jensen指数以及估值比率等，都以CAPM为基础，计算单位风险收益，但由于诸多假设难以满足且只考虑了单一市场风险因素，因此具有一定的局限性。在此基础上，学者开始研究多因素模型，代表性的研究有三因素模型以及四因素模型等，虽然多因素模型解释能力更强，但在因素的选择上很难统一。针对回归模型中存在的问题，很多学者利用前沿面模型来评价投资组合的效率。该方法将待评价投资组合投影到该前沿面上，进而根据投资组合与投影点的距离来评价投资组合的效率。Murthi等（1997）首次提出了无需基准、考虑多种交易费用的DEA模型以及效率指数DEPI[1]。McMullen和Strong(1998);Galagadera和Silvapulle(2002）同样用最小投入、平均收益和标准差评价了投资组合[2,3]。Daraio和Simar(2006）说明Sharpe指数和Treynor指数都是特殊形式的DEA模型[4]。为了考虑交易成本和多种风险指标，Basso和Funari(2001）拓展了DPEI，建立了IDEA指标体系，为进一步反映投资者的偏好结构，还构建了效率评价指标I[5]DEA-2。Basso和Funari(2001）建立了包含传统绩效评价指标的IDEA-g指标体系[6]。丁文桓等（2002）；韩泽县和刘斌（2003）；邓超和袁倩（2007）利用DEA方法对我国市场上的投资组合进行了实证分析[7,8,9]。

虽然上述模型计算简便，但是由于是线性模型，不能有效的表达组合分散风险作用。为了克服这个缺陷，Joro和Na(2006）构建了均值-方差-偏度Diversification模型[10]。Lozano和Gutierrez(2008）说明Diversification模型和二阶随机占优相一致[11]。Lozano和Gutierrez(2008）在二次约束模型基础上，通过考虑与三阶随机占优一致的风险与回报度量，构建了符合绝对风险厌恶投资者的投资组合评价指标[12]。Branda和Kopa(2013）指出在规模收益可变情况下，且权重为0或1时，Diversificauion模型与二阶随机占优模型等价[13]。Lamb和Tee(2012）构建了可以考虑任意多个收益指标和风险指标的效率模型，并阐述了该模型与一致风险测度和随机占优之间的关系，但是该模型只能处理正的风险测度[14]。Branda(2013）将上文中的一致风险测渡替换为一般偏差测度，从而解决了负风险测度的问题[15]。Branda(2013）指出在规模收益可变下输入输出导向模型与规模收益递减下输入导向模型等价[16]。

上述研究都局限于对单阶段投资组合进行评价，然而在实际应用中，多阶段投资更加常见。Morey和Morey(1999）构建了动态投资组合效率评价模型，但是没有考虑阶段的联系，只是通过径向效率测度将各阶段联系起来，如果不采用径向测度效率，那么阶段间将会独立[17]。Briec和Kerstens(2009）拓展了Morey和Morey(1999）的模型[18]，通过方向距离函数和各阶段效率的加权平均构造了动态投资组合效率评价模型，仍旧没有考虑阶段直接联系[22]。近几年针对动态投资有效前沿的研究获得重大的突破，Li和Ng(2000）等[19]直接求解多阶段均值-方法模型有效前沿的解析解，该成果是多阶段投资组合的重要突破。此后，李仲飞[20];Zhu(2004）等；Cakmak(2006）等；Celikyurt(2007）等研究了不同情况下的动态投资问题[21,22,23]。Wu和Li(2011);Yao等（2013）研究了机制转换下的动态投资[24,25],Wei(2013）等则提出了在随机市场破产控制下的多阶段均值-方差投资组合优化模型[26]。Gülpinar(2007）等为随机优化场景树方面构建了一个多阶段均值-方差模型的框架[27]。Calafiore(2008,2009）在假设线性反馈形式下，研究了多阶段投资组合的求解以及存在交易费模型的求解[28,29]。类似的研究还有Li等（2002),Yi等（2008),Costa等（2012),Wu和Li(2012),Cui等（2014),Yao等（2014）等[30,31,32,33,34,35]。因为本文将从动态投资组合前沿面角度构建评价模型，这些研究为本文提供了有利的支撑。

综上所述，回归模型和前沿面模型被广泛应用于投资组合的效率评价中。但是上述研究很少考虑动态投资组合的评价，即使已有一些的研究，在模型中也没有体现各阶段之间的联系。实际上，对一个投资组合的合理评价需要考虑其动态的表现以及阶段投资之间的联系，因此构建合理的动态投资组合效率评价模型具有十分重要的理论意义和实用价值。基于此，本文首先从动态投资组合前沿面出发定义了动态投资组合的效率。在充分考虑阶段之间联系以及组合的分散化风险作用的基础上，建立了动态投资组合优化模型，并以此为基础构建了不同导向和不同测度下的动态投资组合效率评价模型，并通过各阶段效率的加权平均构建了动态投资组合效率指数。最后通过仿真比较分析了本文模型的有效性与实用性。

1 动态投资组合的效率测度

在测度动态投资组合的效率时，不仅要考虑各阶段的投资效率，同时还要考虑各阶段间的关系。

如图1所示，横坐标表示t阶段末财富的方差，纵坐标表示t阶段末财富的均值，曲线B2CB1为t阶段财富均值和方差的前沿面，A表示某动态投资组合t阶段末的表现，Liu和Sharp(2006）指出效率的度量与导向和测度密切有关[36]，因此不同导向、不同测度下动态投资组合t阶段的效率为：

收益为导向，径向测度下动态投资组合t阶段的效率测度为：

风险为导向，径向测度下动态投资组合t阶段的效率测度为：

在测度动态投资组合整体效率时要综合考虑每个阶段的效率[18]，本文以各阶段效率的加权平均来测度动态投资组合的效率，其中权重wt满足在权重的定义上，决策者可以根据各阶段重要程度选择相应的权重，Briec和Kerstens(2009）给出以折现率为权重的定义方法为折现率[18]。

2 均值-方差下动态投资组合效率评价模型

设市场上有n种资产，投资期限为T期。令et=(e1t,e2t，…，ent），其中eit表示第t阶段第i个资产的收益率，et统计独立。令xt=(x1t,x2t，…，xnt），其中xit表示t阶段第i种资产的投资比例，且满足令Rt为t阶段末的财富值，初始财富值为R0，则有成立。设市场中有m个待评价的动态投资组合，令Hj0表示第j个待评价投资组合初始的财富值。rjt表示第j个待评价投资组合第t阶段的收益。Hjt表示第j个待评价投资组合第t阶段末的财富值。则有Hjt=Hjt-1·rjt,t=1,2，…，T成立，E(Hjt),Var(Hjt）分别表示第j个待评价投资组合在第t阶段末财富的均值和方差。其中j=1,2，…，m,t=1,2，…，T.

在评价动态投资组合时，不仅要考虑最终财富阶段的效率，还要综合考虑中间阶段的影响，因此在建立动态投资组合效率评价模型时，要将中间阶段的效率纳入其中，本文建立考虑累积财富情形下的动态投资组合效率评价模型。

(1）风险导向评价模型

其中，R0=Hj0,j=1，…，m，考虑到则模型（1）等价于

θt为投资组合在t阶段风险导向下的效率。

被评价的动态投资组合在风险导向下有效，当且仅当模型（2）的最优值PEσ=1。

(2）收益导向评价模型

θt为投资组合在t阶段收益导向下的效率。

被评价的动态投资组合在收益导向下有效，当且仅当模型（3）的最优值PEr=1。

Morey和Morey(1999）构建的动态投资组合效率评价模型，没有考虑各阶段之间财富的关系，只是通过径向测度将各阶段联系起来，但如果不采用径向测度，那么阶段间将彼此独立[17]。Briec和Kerstens(2009）拓展了Morey和Morey(1999）的模型[18]，通过方向距离函数和各阶段效率的加权平均构造了动态投资组合效率评价模型，但仍没有考虑各阶段之间财富的关系[22]。本文所提出的评价模型（2)-(3）与上述研究的不同之处在于，通过累积财富将各阶段联系起来，从而使得各阶段不再彼此独立，而是相互关联，因而更符合实际。为了便于仿真比较，下面给出不累积财富情况下的动态投资组合效率评价模型。

(1）风险导向评价模型

(2）收益导向评价模型

同样可以构建风险-收益导向下的动态投资组合效率评价模型。

3 仿真分析

当上述模型中每阶段的投资策略为适应性随机控制变量时（也即当前投资策略不依赖于将来状态），Li和NG(2000）在终端财富均值-方差框架下建立了动态投资组合模型，并得到了前沿面的解析解及各阶段的最优投资策略（所谓的和单个财富状态轨道相关的闭环解，Shapiro等2009[37]），但是这个求解过程相对复杂[19]。如果采用蒙特卡罗仿真方法来模拟出投资组合的前沿面，可以模拟各阶段的收益率数据，但是对于总体投资策略至今仍没有有效的蒙特卡罗仿真方法，其主要困难在于对给定轨道很难判断仿真离散解是否适应，因而难以对模型进行有效的仿真。本文模型中投资策略既可以为适应随机变量也可以为确定型变量，为避免模型求反馈解及仿真困难的问题，本文在仿真过程中寻求在平均意义下的解（即所谓开环解，和单个财富状态轨道无关，Shapiro等2009[37]），此时仿真点可以通过如下方法得到。

3.1 各阶段累积财富均值和方差的计算

假设初始财富为R0，由于et,t=1，…，T统计独立，则有：

令Pt=xtetT，由于et,t=1，…，T独立，所以Pt,t=1，…，T独立。则有：

又Pt,t=1，…，T独立，所以（Pt)2,t=1，…，T独立，则：

因而t阶段财富的方差为：

下面以两阶段投资为例，并令初始财富为1（均值和方差都为齐次，初始财富的规模对模型没有影响，因此这样处理是合理的）。假设市场上有三种资产，各阶段资产的统计特性如下：

本文仿真的是被评价投资组合的样本，首先每阶段都随机产生100组投资比例，然后直接将各阶段资产的统计特性和随机产生的投资比例代入到累积财富均值、方差的计算公式（6）、（7）中，分别计算出各随机权重下的每阶段累积财富的均值和方差。为了比较分析，本文还计算出不累积财富情况下每阶段财富的均值和方差，将各阶段资产的统计特性和随机产生的投资比例代入E(Ftj)=xtTE(et）和Var(Ftj)=xtTcov(rt)xt即可得到。表1中2～5列为累积财富下各期财富的均值和方差，6～9列为不累积财富下各期财富的均值和方差。

3.2 动态投资组合效率仿真比较分析

将上述随机产生的待评价动态投资组合分别代入模型（2）、（4）约束条件的右端，计算出不同测度下这些投资组合的效率，计算结果如表2所示，第2～5列和6～9列分别为累积与不累积财富情况，不同权重下动态投资组合的效率值以及效率的排名。

表3给出了表2中2、4、6、8列效率值的相关系数。不论是只计算最终阶段的效率还是效率的加权平均，都考虑了前面阶段的影响，因此2、6、8列之间有较强的相关关系。虽然模型（4）在两种权重下的效率值（表2中第2、4列）和排名（表2中第3、5列）的相关度较高，但仍有差别，主要是由于最终效率的构建方式不同。模型（2）和模型（4）在权重下效率值（表2中第4、8列）和排名（表2中第3、9列）的相关度较高，其中T=2,b=0.95，区别在于模型（4）中考虑了动态财富之间的关系。

当使用收益导向时，也会得到类似的结论，这说明本文所提出的不同导向的效率评价模型具有较好的一致性。

4 结束语

知识动态评价模型 篇7

大学生的全面发展是高等教育的一个重要理念,而实现全面发展,前提条件便是提供多种有效的考察或考核的途径和方法。为了全面、准确的掌握大学生课程的学习效果,大学课程的最终成绩是依据平时成绩和期末考试成绩两个部分综合评定的。平时成绩的设立是为了督促学生养成平时合理安排学习时间的好习惯,而不是临时抱佛脚。平时成绩所占比例为20%-50%,期末考试成绩占80%-50%。然而,平时成绩评价并没有制定统一的标准,通常采用如下几种方式制定学生平时成绩:

1)依据出勤率作为平时成绩评定标准。然而,大学合班上课的情况越来越多,课堂点名会占用大量有效的课堂教学时间,所以任课教师通常是随机不定期点名来考核出勤情况,但该方式存在较大的偶然性。

2)通过作业完成质量给出平时成绩。该方法存在教师无法准确了解作业是否是独立完成的问题。结果可能是抄袭者的成绩比独立完成作业的同学高,存在公正性问题。

3)根据学生回答问题的积极性和准确性给予学生平时成绩。但是大学课堂上,教师没有足够的时间允许每一个同学都回答课堂上的提问;而且,问题的难易度也不尽相同。所以根据回答问题情况作标准来判定平时成绩也存在不公平问题。

4)依据期中考试给出平时成绩。此种方式只能说明学生前半学期的学习情况,不能准确把握全学期的学习状态,存在一定的片面性。

5)教师凭借对学生的主观印象来评定平时成绩。这种评定方法主观性太强,缺乏公正性。

6)参照期末考试卷面成绩来给出对等或接近的平时成绩。这种依附式评判,背离平时成绩制度的本意,使得这两项成绩比例的划分变得多余和重复。

7)多种方式的综合评价式。即综合上述方法中的几个,或者是考勤加书面作业,或者是考勤加课堂发言。但是存在多因素指标分配和计算的合理性问题。

为了克服传统的学生平时成绩考核系统存在的弊端,本文基于模糊综合评判法,创建包含定量和定性指标的动态学生平时成绩评价模型,并通过信息化技术,开发平时成绩管理系统,探寻一种科学、高效和便于实际操作的考核方式。

2 模糊综合判断法

学生平时成绩的评定因素分为定量和定性两部分。定量因素包括学生的平时测验成绩、期中考试成绩、出勤情况(病假、事假、迟到和旷课)、提交作业次数和课堂主动问答问题次数等因素;定性因素包括学生的课堂纪律、作业完成质量、课堂笔记情况、回答问题的积极性和正确性等因素。

在上述学生平时成绩的考核因素中,部分因素很难区分出较严格的数值界限,而且有一定的相关性和很大的“模糊性”。对这些具有“模糊性”的因素进行综合评定,并以此来确定学生平时成绩是很困难的。

模糊综合评价法是一种基于模糊数学的综合评标方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价,即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰,系统性强的特点,能较好地解决模糊的、难以量化的问题,适合各种非确定性问题的解决。模糊综合评价法的步骤如下:

1)构建模糊综合评价指标体系。指标体系是进行综合评价的基础,评价指标的选取是否适宜,将直接影响综合评价的准确性。

2)构建好权重向量。通过专家经验法或者AHP层次分析法构建好权重向量。

3)构建评价矩阵。建立适合的隶属函数,从而构建好评价矩阵。

4)评价矩阵和权重的合成。采用适合的合成因子对其进行合成,并对结果向量进行解释。

由于模糊综合评判法要比平常使用的方法复杂,评价中计算过程比较多,会增加了教师的工作量。因此,本课题将理论研究转化为实际应用,研发学生平时成绩管理系统软件。通过信息化技术,增强评价模型的实用性和可行性。

3 平时成绩评价模型

通过向多位一线教师分发《学生平时成绩构成》问卷调查表,将学生平时成绩考核模型分为六部分:课堂表现、出勤情况、作业情况、平时测验、期中考试和其他情况。

考虑到不同性质的课程(必修课和选修课、人文类和理工类、偏向理论和偏向实践等情况)平时成绩考查的侧重点有所不同,因此考核体系模型允许任课教师根据实际情况动态选择课程的学生平时成绩考核指标体系和权重值。

例如某门课程的考核模型如下:课堂表现占30%,出勤情况占30%,作业情况占10%,平时测验占10%、期中考试占20%和其他情况占0%。学生平时成绩考核体系模型如图1所示。

考核模型的每个指标及评价等级如下所示:

1)课堂表现(次数):优秀、良好、中等、及格和不及格;

)出勤情况(次数):全勤、迟到、病假、事假和旷课;

3)作业情况(次数):优秀、良好、中等、及格和不及格;

)平时测验(次数):优秀、良好、中等、及格和不及格;

)期中考试等级:优秀、良好、中等、及格和不及格;

6)其他情况等级:优秀、良好、中等、及格和不及格。

4 算法实现

1)定义模型权值向量Weight:

各权值向量的值由任课教师自行动态决定,但必须满足各项权值之和等于1。

2)定义指标体系向量r1、r2、r3、r4、r5和r6:

(1)例如,某学生课堂表现为优秀3次,良好1次,中等1次,及格0次,不及格0次,则:

r1={3/5,1/5,1/5,0,0}

(2)例如,某学生出勤情况为全勤6次,迟到0次,病假1次,事假1次,旷课0次,则:

r2={6/8,0,1/8,1/8,0}

(3)例如,某学生作业情况为优秀1次,良好3次,中等1次,及格0次,不及格0次,则:

r3={1/5,3/5,1/5,0,0}

(4)例如,某学生平时测验为优秀0次,良好1次,中等2次,及格1次,不及格1次,则:

r4={0,1/5,2/5,1/5,1/5}

(5)例如,某学生期中考试等级为良好,则:

(6)例如,某学生其他情况等级为中等,则:

3)定义模糊判断矩阵R:

4)根据模糊综合评判原理对该学生平时成绩的评价为:

依据最大值隶属原则,选择c1,c2,c3,c4和c5中最大值所在的位置,表示该学生的平时成绩是优秀、良好、中等、及格还是不及格。

5)为了增加成绩的可读性和可计算性,需要以百分制的形式表示学生的平时成绩。定义成绩百分制向量:

6)百分制换算公式为:

7)针对学生某些指标体系表现为不及格的情况,根据五项指标体系(除期中考试外)的不及格次数之和,对学生平时成绩进行动态调整得到最终的平时成绩:

Score=Score*调整系数

调整系数的值如图2所示。

5 系统运行

任课教师使用学生平时情况记录模板(Excel文件),记录学生的平时表现情况。文档格式如图3所示。模板中的课堂表现(次数)、出勤情况(次数)、作业情况(次数)、平时测验(次数)、期中考试和其他情况等六项指标,教师根据实际情况选取任意几项填写。

运行学生平时成绩管理系统,如图4所示。首先,任课教师根据课程实际情况,设置平时成绩的分值;其次,任课教师根据学生平时情况记录文档中填写的情况,对考核模型的六个指标体系进行勾选,同时设置指标的权重值;记录文档中每一个Sheet页记录一个班级的情况,根据Sheet页数量,填写授课班级数量;接着,选择学生平时情况记录文档文件;最后,点击“开始计算”按钮,系统自动根据任课教师的数据设置计算每个学生的平时成绩,填写到记录文档中平时成绩一列。

6 实验结果及分析

1)合理性和准确性测试实验

为考查学生平时成绩考核模型的合理性和准确性,选取某门课程的课堂表现(30%),出勤情况(30%),作业情况(10%),平时测验(10%)和期中考试(20%)等五个指标作为学生平时成绩考核模型。使用学生平时成绩管理系统,计算10名学生的平时成绩,如表1的“计算成绩”一列所示。邀请了我校40多位一线教师,涵盖了老中青各个年龄层次,进行了问卷调查,对这10名学生的平时成绩进行人工打分,计算平均值后的结果如表1的“人工成绩”一列所示。

可以看出“人工成绩”和“计算成绩”相减后的绝对值均在0.5分以内,表明平时成绩考核模型的合理性和一致性。

2)运行效率测试实验

经测试,使用本系统计算1000名学生的平时成绩,花费时间不到1秒钟的时间,解决了模糊综合评价法人工计算复杂和计算量大的问题,可以极大的减轻任课教师的工作任务。

7 结束语

本文对模糊综合评判法在学生平时成绩考核中的应用展开研究,同时利用信息化技术,研发学生平时成绩管理系统软件,提升教学管理信息化水平,从而达到促进教学质量提高的目的。

1)学生平时成绩的信息化管理,减轻任课教师人工统计平时成绩的负担,提升工作效率;

2)考虑定量(出勤情况、作业情况、平时测验和期中考试)和定性(课堂表现和其他情况)等因素及其权值,提升评价模型的全面性;

3)根据模糊综合评判法,从出勤情况、课堂表现、作业情况、平时测验、期中考试和其他情况等六方面计算学生的平时成绩,实现平时成绩计算方法的科学性;

4)设置预警机制,保证平时成绩和卷面成绩的正相关性。如发现二则相差超过两个等级,则表示该学生的平时成绩准确性欠妥,系统给出警报信息;

5)通过合理分配学生课程考核成绩的组成,重视平时成绩的反馈作用是提高学生学习效果、教师教学质量和学校管理质量的一个重要途径。

参考文献

[1]许成安,王家新.大学课程平时成绩评定依据的比较研究[J].中国大学教学,2005(7):39-41.

[2]郭佩英.论平时成绩管理激励策略对课堂参与行为的影响[J].教育与职业,2006(30):128-130.

[3]冯祖琴,徐娟.建立健全考试和成绩评价体系,推进高校考试管理改革[J].教育探索,2010(3):77-78.

[4]张卓.模糊综合评判法在学生平时成绩考核中的应用[J].广州大学学报:社会科学版,2009,8(5):62-64.

知识动态评价模型 篇8

1 灰色关联模型的概述

灰色关联实际上是指不同事物间或系统间的不确定关联。该模型的作用原理是通过对不同事物间相同数据序列的定量分析, 使用序列曲线的几何形状反应两事物数据序列的变化情况, 判断两事物间的关联性。曲线形状越接近, 表明两事物间的灰色关联度越高, 相互影响程度越大。

灰色关联分析模型具备其他同类型模型无法比拟的优秀性能, 能够对事物发展过程中的动态数据进行量化分析, 而且对研究样本本身特点无过多要求, 适用于各种类型的样本。同时, 灰色关联分析模型的计算量比较小, 很大程度上减轻了分析工作的难度系数, 所得结果十分接近定性分析结果, 准确率高, 是目前最受研究人员青睐的关联性分析方法。

2 灰色关联模型在畜牧生产水平动态评价中的应用

2.1 评价指标体系的构建

明确的量化指标是评价体系不可或缺的重要组成部分, 科学构建畜牧生产水平指标体系是做好评价工作的重要前提, 评价指标体系中的各类指标应遵循科学性、独立性以及客观性原则, 并尽量确保各指标数据的真实准确。

2.2 动态评价中的关联性计算

参考数列是用于体现系统行为特点的数据序列, 比较数列是由影响系统行为因素组成的数据序列。考虑到评价体系中各类因素物理意义并不一致, 所以在正式开始进行灰色关联度分析以前, 还需对所有数据进行无量纲化处理。

前文中提到, 对某参考数据列X0中的若干个比较数列X1、X2……Xn, 各比较数列与参考数列在各时刻的关联系数ξ (Xi) 则可由以下公式求得。

公式中P代表分辨系数, △oi (k) 代表各比较数列X曲线上任意一点和参数序列X0曲线上对应的绝对差值。

关联系数是比较序列以及参考数列在不同时刻的关联程度值, 因此每一个时刻所对应的关联程度并不是唯一的。也就是说, 应将不同时刻的关联系数集中为一个值, 通过求平均值的方法, 分析个参考数列间的关联程度。关联度ri可通过以下公式求得。

其中ri代表序列关联度, 该值越接近1则代表相关性越高。

3 案例分析

本文将吉林省梅河口市作为研究对象, 构建梅河口市2010~2012年畜牧生产评价指标体系。利用计算机DPS软件, 对采集数据进行分析, 按照上述公式, 求得2010~2012年梅河口市6个乡畜牧生产水平关联度如下。

从所得结果可清楚地发现2010~2012年梅河口市6个乡畜牧生产水平关联序列:2010~2012年梅河口市畜牧生产动态与吉乐乡畜牧生产水平关联度最高, 2010~2012年梅河口市畜牧生产动态很大程度上受到吉乐乡的影响。

4 结束语

本文通过对灰色关联模型在畜牧生产动态评价中的实践应用, 最终发现使用灰色关联分析模型, 构建畜牧生产水平动态评价体系, 很大程度上提高了动态评价结果的准确性, 是一种分析畜牧生产水平发展动态的科学方法, 适合推广应用。

参考文献

[1]韦春波, 赵鑫, 刘勃麟等.大庆市畜牧生产状况的评价分析[J].黑龙江八一农垦大学学报, 2013, 23 (04) :36-39.

[2]刘恒新, 王忠群.我国畜牧业机械化水平评价指标体系研究[J].中国农机化, 2012, 17 (04) :3-5.

知识动态评价模型 篇9

关键词：动态综合评价,港口类,上市公司,理想点法

0 引言

经济全球化和贸易的自由化促使港口的职能从作业区转变为物流服务、金融、工业和贸易等功能一体化的集合体。作为多式联运的一个节点, 与其他运输方式和节点之间的依存度不断升高, 逐步出现了区域性乃至全球性生产、贸易和消费的中心.在发展的过程中, 传统港口物流职能逐步弱化, 港口的价值最大化越来越依赖合作伙伴和物流联盟的其他成员, 近年来, 港口物流对临港工业发展的作用日益明显, 港口类上市公司正在日益受到投资者的关注.对港口类上市公司的经营情况进行综合评价是决策者和投资者决策的需要。通过综合评价可以全面客观的考察港口类上市公司的业绩, 做出合理的评价。

大量的研究者对综合评价的理论和方法继续进行了研究, 并应用到各类上市公司、区域上市公司的业绩评价中, 动态评价在静态综合评价的基础上加入时间影响因素, 更加能够综合的分析指标时间序列的变化状况, 应用领域拓展到很多方面有着非常广阔的应用前景, 更加符合对于评价对象在考虑时间因素的情况下的时序综合评价。

王璐 (2005) 考虑上市公司静态评价指标值和指标值增长变化两个方面的因素, 采用主成分分析和理想点法构造时序多指标序列对电力类上市公司进行了综合评价[1], 王璐等 (2006) 提出了综合评价问题的三种基本方式, 构建了考虑静态指标值、指标值的增减变化和评价影响程度的时间效应的动态评价方法并进行了实证[2], 郑少锋等 (2008) 采用主成分分析和理想点法对我国农业上市公司2004-2006年经营业绩进行了综合评价, 认为该方法更有利于投资者和决策者的经营状况预测[3], 张济建等 (2013) 利用主成分分析和相关性检验对指标体系进行筛选的基础上利用聚类方法进行排序, 在此基础上通过对各个时间点进行主观赋权, 对23家物流上市公司进行了动态评价[4], 孙秀峰 (2009) 分析了港口类上市公司的融资决策[5];周霞等 (2013) 用数据包络法对物流上市公司技术效率进行了实证研究[6]。

上述文献[1][2][3]动态综合评价中考虑了静态指标值、指标值的变化和时间因子, 但是所选用的指标集在整个评价期间是固定不变的, 不能反映外部经营形势的变化, 文献[4]利用主成分进行了指标的筛选, 指标在整个评价期间不一致, 采用了聚类和主观赋权法, 得到综合评价值。本文在二者的基础上, 通过指标值得指数化处理解决指标在整个评价不一致的情况, 进行了港口类上市公司的动态评价。

1 一种新的动态综合评价方法

动态评价体系由动态评价指标集、时间集和评价对象集构成。由于在评价的过程中需要综合考虑对象、时间和指标三者的变化特征, 处理难度较大。在评价的过程中, 若评价指标体系在各个时点固定不变, 那么就仅仅需要考虑时间因素。有些情况下, 作为研究对象的总体的外部环境变化会对整体产生影响。反映对象整体状况的显著性指标会在不同的时间点产生差异。因此, 需要考虑指标集中指标在时点上的变化情况。

设动态评价指标集为, 时间集为1, 2, …m) , 评价对象集为Ui (i=1, 2, …g) , 则在时间点Tk上, 评价样本对象的样本资料矩阵为:

将 (1) 指标进行归一化处理后, 将指标集消除共线性, 得到精简后的指标体系, 显然, 各个时间点上, 指标不一定相同, 所以与文献不同的是, 本文将各时间点共有指标保留, 非各年共有指标则处理办法:在该时间点出现, 则使用原指标值;否则, 用“0”填充, 然后, 指标体系样本对象的各个指标值进行指数化梳理得到:

令Xkij表示经过指数化处理后K时间点第i个对象j个指标的评价值, 令Ykij表示两个时间点 (假定间隔相等) 指标的增减变化率, 则:

考虑在评价过程中近期指标的价值要大于远期指标, 引入时间因子, , , q>1且为常数, 则在所有时间点上的动态综合值为:

α与β分别是各样本公司静态指标和增长率的相对重要程度, 由各动态综合值构成的是经过处理的评价值矩阵, 针对矩阵应用理想点法构造理想序列和负理想序列:

由此可以得到第i个评价对象与理想解之间的接近程度:

若si越大, 则说明接近理想点, 远离负理想点, 反之则越低。

2 港口类上市公司动态评价

根据《上市公司分类指引》, 本文收集了港口类上市公司13家, 按照全面性、有效性和可比性原则从盈利、偿债、财务弹性、获现、收益质量指标和发展能力六个方面19个指标, 指标如下:现金流量比率、营业收入现金比率、销售收入现金比率、全部资产现金回收率、现金再投资比率、每股经营活动现金净流量、营业毛利率、销售净利率、总资产利润率、净资产收益率、现金与利润总额比、盈利经营现金保障倍数、营运指数、流动比率、速动比率、营运资金对资产总额比、财务杠杆系数、经营杠杆系数、资产负债率、流动比率、流动负债比率、长期负债率。同时, 使用EXCEL2013计算和处理了上市公司2010-2012年报中相关财务指标值, 年报来源巨潮信息网和各上市公司门户网站。

根据各年指标情况, 分别就2010、2011和2012年计算熵权, 选择有代表性的指标。篇幅所限, 省略计算过程。结果如下:

①2010-2011年报指标排名:营运指数、营业收入现金比率、净资产收益率、全部投资现金回收率、现金与利润额比、每股经营活动现金净流量、现金流量比率、营运资金对资产总额比、现金在投资比率、速动比率。②2012年报指标排名:每股经营活动现金净流量、现金流量比率、净资产收益率、盈利经营现金保障倍数、全部投资现金回收率、现金在投资比率、营业收入现金比率、流动负债率、现金与利润总额比、营运指数, 可以看出, 反映评价对象整体的指标在2010、2011和2012三个时间点的指标不一致。使用本文提出的方法可以进行综合评价, 设定不同的α、β与q, λ, 取0.2得到13个港口类上市公司的动态综合评价值见表1, 从结果看, 时间影响因子一定时, 指标权重大于增长率权重的时候, 二者相比综合评价值, 前六位的港口位置一样, 盐田港位置前移, 大连港位置后移, 即盐田港效益好于大连港, 当考虑时间影响因素的时候, 天津港的效益较好, 大连港则效益最好, 时间影响因子体现了不同港口上市公司综合评价值的差别。

3 结论

针对已有文献综合评价中指标集中指标固定的现状, 提出通过消除指标间的共线性, 提取少数指标代替原有指标集.即动态的选择指标集的综合评价方法.该方法综合考虑了时间因素、指标变化、指标值增减变化和评价值影响程度的变化.最后通过对港口上市公司的动态综合评价检验了有效性。

参考文献

[1]王璐, 庞浩, 何平.一种新的动态综合评价模型及应用[J].统计与决策, 2006, 12 (下) :28-30.

[2]王璐.上市公司经营业绩的时序多指标综合评价[J].数理统计与管理, 2005 (2) :84-87.

[3]郑少锋, 何凤平, 霍学喜.农业上市公司经营绩效的时序多指标综合评价[J].中南大学学报 (社会科学版) , 2008 (1) :84-88.

[4]张济建, 张欣.物流上市公司绩效动态评价探析[J].财会通讯 (综合) , 2013, 5 (中) :28-30.

[5]孙秀峰.中国港口类上市公司的融资决策选择[J].A公司的案例研究.管理案例研究与评论, 2009 (5) :13-27.