数据模型与决策 课程总结

关键词： 决策 数据模型 总结 模型

数据模型与决策 课程总结（共8篇）

篇1：数据模型与决策 课程总结

学习总结

（期中论文）

我们所用的教材叫做《数据、模型与决策》，我记得老师第一天给我们上课就提到过一些基本的概念以及思想，例如“什么是管理”；“什么是模型”；“如何对实际问题简化”等等。在这其中我认为非常重要的有以下几点：首先，管理的最初根源是因为资源是有限的。如何将有限的资源进行合理配制、优化从而达到最大的效益是我们应该要去注意的问题。其次，数学问题是有最优解的，当我们给定了一个确定的数学问题我们能够得到一个确定的解，但当我们在研究一个给定的现实管理问题的时候，我们是很难去找到一个最优解的，甚至可以说，管理问题是没有最优解的。（这不同于我们平时所做的运筹学等问题，因为我们平时所做的问题都已经经过了很多的化简，已经把现实管理问题进行了抽象，与其说那些问题是一个管理问题不如说它们是数学问题）这是因为现实中的管理问题比较复杂，具有很强的不确定性，我们只能是抓住主要矛盾，暂且不考虑次要矛盾。（当然了，当我们已经解决了主要矛盾之后我们可以开始考虑次要矛盾，因为这个时候次要矛盾已经上升为主要矛盾了。）所以我们去寻找的是管理问题的满意解而不是最优解。这两点在后面的学习建模中得到了很好的验证。

我们之前的学习大多是倾向于解决一个数学问题而不是一个管理问题。这一门课之所以在大三才开设我认为有其道理，在没有掌握基本的数学基本知识之前，我们是不可能很好地解决管理问题的，因为我们解决一个管理问题是先将其转化为一个可以解决的数学问题。但是并不是说我们掌握了高数、运筹学等知识就能顾很好的解决管理问题，因为如何把现实存在复杂的管理问题转化成为我们可以解决的数学问题正是这门课的核心内容之一。

以企业的生产计划安排作为例子，总结一下应用现行规划建模的步骤：  我们的问题是什么？（如何安排生产）

如何组合不同产品的生产、生产的种类。 我们能做什么？（不同产品的生产数量）明确决策变量，也就是管理中可以人为设定的要素。 确定决策的准则（利润最大化、成本最小化、社会责任最大化）

根据决策变量写出目标函数。 讨论决策环境（环境的约束）

决策环境包括：

1、组织内部环境要素

2、组织外部环境要素 这其中有几点需要特别注意：

 企业的决策准则并不是一成不变的，它会受到很多方面的影响，例如：

1、管理者的理念

2、组织目标相关程度

3、外部环境的变化 等。 对于管理者来说，越高层的管理越复杂越宏观，处理起来也相对困难。而底层的管理问题相对简单。

（利润最大化≠成本最小化）虽然我们可以简单地理解为：利润=数量*（售价-成本）-固定成本。但利润最大化与成本最小化并不相同，这其中还有售价的变化等等。例如给定生产数量要求，企业在满足数量的基础上，就是去追求一个成本最小化而不是利润最大化。

 企业外部环境要素我们认为是一个硬约束，因为它比较难通过企业自身去改变，至少很难在短时间内大幅度地去改变外部环境，例如国家相应的一些法律法规政策。而企业内部的一些环境约束我们认为是软约束，因为它可以通过招收工人，购买机器等等去改变这些限制条件。建立并求解相应的问题之后我们会得到一些数据，我们应该将每个数据的含义都表示清楚，并提交一份完整的决策报告，包括对现状的评述以及对未来的变化情况提供补救方案。一份满意的决策报告并不是单一的，它应当具有一定的适应性和稳定性，就如同老师所说，产品的售价随着市场的波动是时刻变动的，我们不可能因为一点点波动就重新建模计算，我们应当在决策报告中进行相应的说明，将一些可能存在的变动以及变动后的决策情况写清楚。每个数据的含义说明也绝不仅仅是“这个变量是紧约束”，而应该更为清晰地写为：“管理的关键是1-2环节”或者“如果可以新培训工人建议在1-2环节进行培训”等。这里还需要注意几个问题，首先这里我们考虑的都是单变量，我们应当结合边际效益递减的规律来进行决策。其次，传递效应是非线性的，（A、B商品的利润同时改变并不等于单个A改变加上单个B改变，两个因素若不独立，就具有相互效应，这也是动态复杂性的一种表现）我们应该尽可能完善我们的决策报告使得管理者可以更好地做出决策。

多地生产问题也是我们经常遇见的一种题型，单一产品的多地生产供应，需要考虑不同产地生产的数量以及单位成本。但是我们在这个模型里也做了相应的简化，我们只考虑了不同地域的生产成本，并没有去考虑不同地域的需求从而推算出不同地域的总运费。另外，如何选择生产地也是一个非常重要的问题。（如果可以新增，应该增加几个产地，每个产地的选址应该是什么样子的）

我们在大二时学习过一门课程叫做《市场营销学》，而这里我们也涉及到了“线性规划在市场营销、财务和运作管理领域的应用”。市场营销学中很重要的一个部分就是宣传，以书上案例为例，在媒体选择方面，我们需要注意：

 宣传媒体的选择，各类媒体的使用量

 如何去测定所谓的宣传效果（质量单位）（可以说这一点非常重要，是影响最终决策的好坏的最关键因素之一） 外部资源的可用性及内部资源的有限性

 如何在活动的过程中体现出决策者的理念（偏好）

综合以上几点我们通过建模，可以给出一份包括：选择哪些媒体、每类媒体的选择数量、总的需要资金、总的宣传成果效用（这个只是一个相对的数值，在决策过程中提供一个比较的标准）

线性规划在财务和运作管理中也有很多应用，例如财务运用的投资组合，通过求解我们会发现合理安排财务的计划可以为企业节省很多成本，减少了占用的资金，为企业的发展提供了更多的可能。而生产运作管理也是我们本学期正在学习的一门课。在满足顾客的需求之下，成本最小，我们需要去分析产品成本的构成，包括：  生产成本（短期原材料、人力价格不变的情况下，生产成本不变，每一种产品在每个月的单位生产成本）

 库存成本（每一种产品在每个月的库存成本）

 管理成本（狭义的管理成本指由于生产活动的调整带来成本上升的部分，每个月产品总量增加单位产品的管理成本以及减少）通过这样的主要关系我们可以写出其目标函数，并根据实际来写出各约束。（这也就证明了我们必须要在具有一定的专业知识的基础上再来学习这一门课程，因为没有一些基础知识的情况下，我们很难写出具体的目标函数和约束，例如这里如果没有相应的基础知识就不能够写出成本的函数了，也不清楚成本的主要构成项目）

在高级线性规划应用中我们介绍了一种测量相同目标和目的的工作单位相对效率中的一种应用——DEA（数据包络分析）（当然除此还有其他的方法，比如非常经典的AHP也就是层次分析法）DEA方法的中心思想也就是：管理收益/管理成本（人财物），我们构建了一个假设的合成单位，然后通过与合成单位进行比较来判断该单位是否高效，哪些地方存在问题，这也解决了分析效率高低时没有“参照物”的问题。

高级线性规划也被应用到收益管理中。我们首先要知道不同商品的价格趋势是不同的。以毛衣和电视机为例比较。毛衣的价格一路走低而电视机的价格却呈现上下波动的状态。这是因为毛衣具有季节性。可能会因为使用时间，时尚型，过时等进行降价。降价商品的特征：库存（或者能力）是固定的；库存必须在过期前卖完，否则其价值迅速下降。（当然，长时间的情况下电视机的价格也是呈现下降趋势的，我们这里以一年为例）由此可以看出，不同商品的价格波动规律完全不同，我们一定要在理解其波动的基础上进行建模处理。收益管理的主要问题有：选择传统定价，差别定价，还是有限供应定价，能力的分配、网络管理、超订情况的处理。降价优化的要点是：寻找价格下降的合适时机和幅度，从而清楚库存并获得最大收益。高级线性规划应用中同样也包括投资组合。我们首先要注意一点：管理区别于经济，就是因为管理对投资主体的个人态度研究比较深入，而大部分经济管理问题简单地将主体的态度默认为风险规避即风险厌恶者。这里的投资组合并不是“最大化”问题，而是一个寻找一个“满意解”的问题。我们需要考虑三个方面：

 项目的收益  项目的风险

 主体的态度（风险偏好：风险爱好者，风险中立者，风险厌恶者）

我们这里与资产市场相比，实体市场的风险相对较小。我们投资于未来，所以具有不确定性，这里主要通过连贯性来判断，统计学时间序列向量。指数化证券投资基金是共同基金行业中相当流行的投资手段，书中的例子是用了普尔500收益用来作为对比。我记得当时下课我曾问过老师，有时候从五年来看，一个投资的收益率更高，一个更低，但根据这个方法我们却选择了收益低的那一个，这样是不是很不科学？其实并不是的，我们必须要有一个理念，也就是收益永远跟风险成正比。首先不论那些数据只是我任意假定的，就算是真的，也只是五年，虽然这五年的收益也许她更高，但其实它背后的风险也很大，只不过正好这几年正好都碰巧盈利而已。也许能对书中的一些模型方法提出自己的意见很好，至少说明我认真去看了，但这其实从另一方面来说，会产生这样的疑问，还是我经济学基本概念没有深深记在心里的后果。

在以上的研究基础上，我们注意到，对有些问题来说，例如包装人数、产品数等，这里的小数解没有意义，所以我们需要用到整数线性规划。（当然，像飞机、航空母舰这样的东西肯定是有意义的）整数线性规划分为三种：全整数线性规划、混合整数线性规划、0-1整数线性规划。我们可以根据具体需要进行使用。通过对Par公司的再思考，我们又引入了非线性最优化模型。有两个概念需要区分：

 局部最优：如果没有其他有更好目标函数值的可行解可以在邻近域里找到，这个可行解就是局部最优的。对应局部最大值以及局部最小值。

 全局最优：非线性最优化问题能有多个局部最优解，如果没有其他有更好目标函数值的可行解在可行域中找到，这个可行解就是全局最优。相对应全局最大值和全局最小值。

以par公司为例，其实我们最初的决策比较简化，对实际的决策来说参考价值不高，我们假定的利润是一成不变的，这在实际问题中是非常苛刻甚至根本不可能达到的条件。但同样的，当我们希望更真实更实际之后，我们的建模求解过程也会更加复杂，我们应当在两者之间找到平衡点，在自己力所能及的范围内做到最好。

这里还涉及到一个非常有趣的预测模型——BASS模型。Bass模型通过模仿系数以及创新系数来进行预测。为管理者的决策提供了一些帮助，例如如何设计产品可能会激发更多的潜在消费者，如何进行市场营销（高广告还是低广告），如何根据以前的经验来指导现行决策等。

等候线模型——排队论在我们的日常生活中应用非常常见，例如商场的结账点的数目、食堂用餐的座位等等。排队论的目的就是使得费用最小，这里的费用包括两部分：

1、服务费用

2、用户成本（我们认为用户成本会以某种方式回到公司）其是通过研究主要数量指标在瞬时或平稳状态下的概率分布及其数字特征，了解系统运行的基本特征。统计推断问题，建立适当的排队模型是排队论研究的第一步（检验系统是否达到平衡状态，检验顾客相继到大的独立性，确定服务时间的分布及相关参数）通过输入：

 顾客总人数  顾客源  顾客到达方式  顾客流的概率分布 来确定：

1、最优的服务率

2、最佳的服务台数

3、最为合适的服务规则。但是我们在解决管理问题时需要时刻注意数学解和真正管理问题之间的一些区别。我还记得老师上课说的“维修打印机”的案例。我们如果盲目按照数学的解去进行管理可能会造成很多问题，比如员工之间的沟通交流，其在赶往维修地所花费的时间等等。我们作为管理学院的学生，不论在什么课堂上，都应该要时刻提醒自己现实管理问题十分复杂，不可草率想当然，一定要在多实践的基础上分析透彻。

在实际决策中，还有一种定量方法被人们广泛使用，就是模拟。模拟是对未来、对设想情形的不同状态给出表现，针对带有波动性参数，针对随机系统。

其基本步骤为：

 建立所研究系统或问题的理论模型  建立模拟模型  验证和确认模型  利用模型试验  进行试验，分析结果

随机数的生成大致有以下几类主要类型：

1、均匀分布

2、正态分布

3、指数分布

4、离散分布的查表法

模拟在新产品的开发、机票的超额预订、库存政策、交通流量、等候线中都有较多的应用。蒙特卡洛模拟基本上是抽样试验，其目的是估计依据若干概率输入变量而定的结果变量的分布。

最后我们介绍了多准则决策，其中AHP法也就是层次分析法是一种用来解决复杂多准则决策问题的方法。其分为三个层次，分别为：

 目标层（客观）

 准则层（主观）：选择方案的准则

 方案层（客观）：必须要有两个以上的备选方案 每层有若干元素，层间元素的关系用相连直线表示。（每一层只有一个目标）。提到AHP方法我们就必须提到两两比较，因为两两比较是AHP的基石。因为人的判断能力有限，很难给较多的元素进行一次准确的比较，人们倾向于在两者之间比较，这个比较相对会比较准确。配合比较判断的一致性比率方法检验，我们可以得到比较准确真实的比较程度，这对后续进行决策有着非常重要的作用。

总结：这门课的学习对我来说收获很大，相比以前单纯的数学问题的学习，这门课让我与现实管理问题更加贴近了，发现了管理问题的复杂也发现了其魅力，让身为大三的我有一些紧迫感和对未来的向往。这门课与其说在教我们方法，不如说是在传授一种思想，一种抽象、简化、转化、求解的思想。借用以前运筹学老师说过的一句话，其实你把式子列出来了，会算的人很多，但往往困难就在于你如何去列出这一些式子。这门课就正是教我们这一点。当然了，管理学知识一定不是通过一本书，一学期就能熟练掌握的，这本书只是为我们奠定下了良好的知识基础，在未来的实践过程中，我们应该要结合实际，重新回顾知识，将大学所学结合实践经验，我想这就是大学教育所希望达到的目的。

学习体会是按照老师上课的顺序结合我的课堂笔记以及一些思考对全书做一个总结。

最后，由衷地谢谢老师！您每次上课的板书都非常认真，非常精炼，相比较其他课程的普通PPT来说，更让我觉得贴近。所以我每次都会把您的板书认真记录下来。谢谢老师一学期的辛勤教育，我们在不久的将来一定不会让您失望的！

吴婉清 5504113084

篇2：数据模型与决策 课程总结

论文从《数据模型与决策》这一课程的特点出发，深入分析了教学过程中出现的各种问题以及产生的原因。

在此基础上，从改进教学方法入手为提高该课程的教学效果提出了相应的对策建议。

篇3：数据模型与决策 课程总结

Jensen (1986) 的自由现金流假说开启了企业现金持有水平研究的新热潮[1], 大量经验财务文献对诸多企业特征如何影响现金持有水平给予了高度关注。Opler等 (1999) 系统总结了解释企业现金持有水平的相关理论, 即权衡理论、融资优序理论、信息不对称理论及代理成本理论[2]。近期的现金持有水平研究文献几乎都秉承了这一研究思路和方法[3,4,5,6,7], 但这些研究文献几乎从不涉及现金持有决策问题, 从而难以为企业现金持有决策提供可操作性的决策方案。正是由于没有从企业现金决策的角度考虑, 研究企业现金价值时只能从现金边际价值上考察[8,9]。这种现金价值的研究模式只能反映样本企业的平均边际现金价值。而每个企业持有的现金可用于满足不同目的, 即使相同现金持有水平其边际现金价值也肯定不会相同。所以, 只有从现金持有决策角度出发方可克服上述研究中存在的问题。

Keynes (1936) 的关于货币持有的交易性动机、 预防性动机和投机性动机理论全面阐释了企业持有现金的目的或好处, 很好地解释了为什么企业持有大量回报率极低的现金资产[10]。首先, 维持日常经营是企业生存的基础, 所以企业存在维持日常交易运转的需求; 其次, 企业持续生存和发展也需求现金。例如企业调整经营业务、产品更新换代、补偿意外损失、新投资机会出现等情况都要补充大量现金进去; 最后, 非企业自身原因的投机机会出现时, 企业持有现金可以获得丰厚回报由此产生第三种现金需求动机。例如, 物价突然变动、汇率和利率大幅波动、 大量投资机会突然出现等宏观经济运行的不稳定是产生企业难以预期投机机会的基础, 从而产生了投机性现金需求。持有现金的上述三种动机刺激了企业的现金需求, 但持有过量现金会影响当前的企业投资规模和盈利能力, 还会给企业管理层过度在职消费和过度投资提供机会。

20世纪50年代开始, 出现了对满足交易动机现金需求研究的高潮。Baumol (1952) 最先用类比存货管理的方法, 提出了交易现金需求的存货模型[11]。现金存货模型假定企业交易需求的现金支出流量平稳、仅存在利息成本和变现成本, 虽然简明易用, 但未考虑到现实中现金支出随机性强的特点。Miller和Orr (1966) 提出的随机现金模型克服了存货模型的这一缺点, 比较符合企业现金支出波动性大的实际情况。[12]Ben-Zion (1974) 、Elton和Gruber (1974) 用动态规划形式描述了最优现金决策问题, 并能够把Baumol的现金存货模型和Miller-Orr的随机现金模型纳入其分析框架之中[13,14]。同期许多经验文献和理论文献也都集中于关注满足企业交易性动机需求的现金最佳水平问题[15,16,17,18,19]。这一阶段研究的重点是寻求满足交易性动机现金需求的最佳量, 而忽视了预防性动机、投机性动机需求对企业现金持有水平的影响。

20世纪80～90年代, 用模型和经验方法研究现金持有的文献都很少见, 即使是20世纪90年代后用模型方法研究现金持有决策问题的文献也非常少。Milne和Robertson (1996) 用连续动态规划方法对随机环境中现金持有的最优动态决策规则和特征进行了分析[20]。Kim等 (1998) 从权衡理论的观点出发用两阶段决策模型讨论了企业现金持有决策, 认为现金持有水平随着外部筹资成本、现金流波动、投资机会回报率增加而提高, 随着现金与非现金资产之间回报率差异的增加而下降[21]。这两篇论文是该时期不可多得的现金持有决策问题的经典文献, 但也未考虑预防性动机和投机性动机现金需求问题。与预防性动机现金需求相关的模型研究近几年才出现。Almeida等 (2004) 建立了现金——现金流敏感度决策模型, 推出并验证了融资约束企业比非约束企业的现金——现金流敏感度大的结论[22]。此后, 陆续出现了针对预防性动机现金需求研究的少量文献。Han和Qiu (2007) 在Almeida等 (2004) 模型的基础上, 分析了现金持有、现金流波动、融资约束之间的关系, 发现当企业未来现金流波动风险无法完全分散时, 融资约束企业会保留更多现金用于预防性动机需求[23]。Baum等 (2008) 建立了企业预防性动机现金需求的局部均衡模型, 表明现金持有水平会随着宏观和企业自身不确定性的变化而变化[24]。张健光和张俊瑞 (2009) 在Milne和Robertson (1996) 的基础上放松了连续动态规模模型的条件, 允许企业随着经营规模发生变动并同时考虑了投资动机[25]。Acharya等 (2007) 认为融资约束企业可以通过持有较多现金防止收益下降实现对未来投资机会的套期保值[26], 以及Gamba和Triantis (2008) 对现金持有决策的财务弹性价值分析实质上都是对现金满足企业预防性动机后果的研究[27]。

本文在全面考虑三种动机现金需求的基础上, 研究了不同动机需求量对现金持有决策和企业净收益的影响。同时考察了企业经营资产回报率、 企业投资机会与净经营现金流量的相关程度、 投资规模变化对企业现金决策和净收益的影响。第2节首先基于货币持有动机理论构建了两期三个时间点的模型, 通过引入具体函数形式的方法对模型决策问题进行了分析。在第3节设定了模型参数, 对不同参数与企业现金决策的关系进行了数据模拟。第4节对研究结论进行了总结, 并据此提出了政策性建议。

2 模型构建与分析

2.1 模型构建

近期研究企业流动性或现金持有的模型有连续型和多期动态规划两种, 本文同时结合Kim等 (1998) 和Acharya等 (2007) 的研究思路, 构建区分持有动机的现金决策模型。以两期三个时间点的模型框架为基础分析企业现金持有决策行为。

图1是基于持有动机理论的现金决策模型, 反映了企业在两个期间、三个时间点演进的过程和结果。企业在t=0时的总资产为I0, 需根据三种动机的现金需求量做出现金持有决策, 即选择企业的现金持有水平C0. 在第1期结束后实现随机的现金流量, 有较好、一般、较差三种状态, 且出现的概率分别是p1、p2、p3. 只要企业持有的现金能满足日常经营业务需求, 则能实现的净经营现金流量分别是2k (I0-C0) 、k (I0-C0) 、-k (I0-C0) , k是企业资产回报率参数。在第2期新投资机会出现的概率φ和投资机会的规模IH或IL与第1期所实现的净经营现金流量相关:第1期经营状况较好时, 新投资机会IH出现的概率是φ, 不出现投资机会的概率是1-φ; 第1期经营状况一般时, 新投资机会IL出现的概率是φ, 不出现投资机会的概率是1-φ; 第1期经营状况较差时, 无新的投资机会出现。第1期经营状态为较好和一般时, IH或IL两种规模投资机会出现的概率可能不同, 但为了简化模型复杂程度此处假定两者相等均为φ.

由于第1期经营状态不仅会对第2期经营活动产生影响, 也影响新投资机会的出现。因此可作如下假设:第1期经营状态较好时, 第2期的经营状态会继续保持较好, 到t=2时原投资 (I0-C0) 能够实现净经营现金流量仍然是2k (I0-C0) ; 第1期经营状态一般时, 第2期的经营状态仍为较好, 到t=2时原投资 (I0-C0) 实现的净经营现金流量是k (I0-C0) ; 第1期经营状态较差时, 第2期的经营状态会出现一般和较差两种, 到t=2时原投资 (I0-C0) 以φ的概率实现净经营现金流量k (I0-C0) , 以φ的概率实现净经营现金流量-k (I0-C0) 。即, 原初始投资在t=2时实现高净经营现金流量的概率是p1, 实现中间水平的净经营现金流量的概率是p2+φp3, 实现低净经营现金流量的概率是 (1-φ) p3. 其中, φ的实质反映了企业资产经营现金流量能力与未来投资机会之间的关系。

在t=0时刻, 根据企业经营环境和经营管理水平对第1期完成后实现的净经营现金流量做出判断, 对总资产I0在现金持有和经营投资之间进行分配。通常情况下企业正常经营的概率应该是最大的, 也就是一般状态出现的概率p2通常远大于p1、p3. 因为若p3很大意味着企业投产即预期亏损, 没有必要进行投资; 如果p1很大就会导致其他企业进入该企业的业务领域最终会使其降低。日常经营业务需要的周转现金量c01 (即交易动机现金需求量) 是指初始投资经营状态为一般时, 保持经营业务正常运营的所需要的现金周转数额 (即假定经营状态一般时是企业正常经营状态, 此时所需的交易现金量恰好为c01) 。当企业在第1期的经营状态为一般时, 以φ的概率出现规模为IL的投资机会 (即企业选择新投资额I=IL时, g (I) 的一阶导数等于1;I<IL时, g (I) 的一阶导数大于1;I>IL时, g (I) 的一阶导数小于1) , 企业此时需要追加的新投资总额就是IL. 企业可以利用外部和内部筹资能力满足投资的资金需求, c02为通过外部筹资和内部留存利润无法满足的差额。所以, c02就是企业预防投资机会IL出现时需要持有的现金量; 若经营状态向较差的方向发展, 导致企业净经营现金流量为负需要为不断补充周转现金方能正常运营。为了使预防动机现金需求量为一个值, 假定较差经营状态出现后, 需要补充的最大现金量也是c02. 如果有现金不断补充到现金流陷于中断的经营活动中, 则会多产生2k (I0-C0) /c02倍于补充现金量的净经营现金流量。反之, 企业经营较好时, 在第1期时企业就完全可以利用经营活动产生的现金保持正常运转而不需要周转现金c01. 这种情况下有φ的概率出现IH的投资机会 (即企业选择新投资额I =IH时, g (I) 的一阶导数等于1;I<IH时, g (I) 的一阶导数大于1;I>IH时, g (I) 的一阶导数小于1) , 企业需要追加的新投资总额为IH时企业收益才能实现最大化。企业充分利用外部筹资能力和利润留存后尚需现金量 (c01+c02) 才能实现IH的投资总额。

若因宏观经济运行、行业政策、物价水平、利率和汇率变化等系统性因素给企业带来投资机会, 则企业持有过量现金 (指大于c01+c02的部分) 可以提升企业价值。这些投资机会的出现与企业自身特征和经营管理水平无关, 企业持有过量现金预防这些不可预见的系统因素带来的投资机会时, 称为满足投机动机的现金持有。投机机会和规模的出现都有一定的限制, 假定恰好充分利用出现的投机机会需要的现金量为c03. 而且投机机会的出现通常是在宏观和微观环境不稳定时, 所以可假定第1期投资机会IH出现和经营状态较差且需要补充周转现金时才会出现投机机会。当投机机会出现时, 投机回报率是K. 企业发展中需要首先利用正常投资机会, 而不是把有限的资金用于投资活动。因而, 假定企业持有的现金首先用于投资机会IH和IL, 当持有的现金有剩余时才投入到投机活动中。

最后, 假定企业的经营目标是第1期和第2期实现的净经营现金流量最大化, 企业管理者是风险中性的。无风险利率和现金回报均标准化为零, 且不同期间所实现的净经营现金流量均为折现后的值。企业需要在t=0开始确定作出现金持有水平C0的决策, 不同动机的现金需求量变化意味着现金持有决策不同。

2.2 模型分析

因投资机会IH和IL的现金流量产生函数g (I) 是凸函数, 根据其导数特点引入g (I) = IHlnI或g (I) =ILlnI具体函数形式表示。用IHF和ILF分别表示较高和较低投资机会出现时企业的筹资能力, 且当投资机会IH和IL出现时企业会用尽其现有筹资能力 (不包括持有现金部分) 。所以, 企业持有现金中用于新出现投资机会的现金量x的现金流量产生函数g (x) =IHln (1+x/IHF) 或g (x) = ILln (1+x/ILF) 。企业正常经营需要c01的现金进行周转, 只有经营状态较好时才不需要周转现金。但由于p1要比p2小得多, 所以为了保持企业正常经营合理的选择是至少持有c01的现金量。企业持有现金的目的是取得回报, 而企业的最大可能投资规模是c01+c02+c03, 因而现金持有量大于c01+c02+c03没有必要。因此, 企业作现金持有量决策的合理范围是c01<C0< c01+c02+c03. 企业最初现金持有量不同会导致投资机会利用程度不同, 所以需要分区间进行分段分析。

(1) C0=c01时

C0=c01, 1, 营状态出现都可以保证日常经营运转。在t=1期, 实现的净经营现金流量和新的投资机会不同, 在第2期的经营和投资需求都不一样。当IH的投资机会出现时, 因企业不需要交易动机的现金, 所以c01可以作为新投资的资金来源。当第1期经营状态为较好和一般时, 第2期不会出现投资机会, c01不能产生净经营现金流;当第1期经营状态一般而在第2期出现IL的投资机会时, 因需要c01的现金量作为周转现金所以不能用于新的投资活动;当第1期经营状态为较差而在第2期经营状态一般时, c01能保证企业正常运转但不能产生净经营现金流;如果两期经营状态连续较差时, 尽管有投机机会出现但也只能实现-k (I0-C0) 的净经营现金流量。因此, C0=c01时的预期收益E1 (C0, p1, p2, p3, h, k, K) 可以表示为

(2) c01<C0≤c01+c02时

通常企业为了保证正常运转和利用可能出现的投资机会, 会作出持有现金量C0位于 (c01, c01+c02]区间的决策。此时, 企业至少可以利用部分出现的投资机会或在现金流量不足时补充部分正常运营需要的现金, 因为持有的C0-c01就是预防动机现金。因而, 在第2期出现IH的投资机会时, 企业有C0的现金可用于投资;在t=1期出现IL的投资机会时, 企业有C0-c01的现金可用于投资。因此, c01<C0≤c01+c02时的预期收益E2 (C0, p1, p2, p3, h, k, K) 可以表示为

(3) c01+c02<C0<c01+c02+c03时

当企业想不仅利用新的投资机会, 还想利用可能出现的投机机会时企业就会持有更多的现金。此时, 企业在第1期期初持有现金量C0位于 (c01+c02, c01+c02+c03], 能够利用各种出现的投资机会, 并能预防现金流量不足时补充正常运营需要的现金及利用可能出现的部分投机机会。因此, c01+c02<C0<c01+c02+c03时的预期收益E3 (C0, p1, p2, p3, h, k, K) 可以表示为

企业现金持有决策实际上分两步:第一步是找出式 (2) 和式 (3) 在各自区间的最佳现金决策, 即能够使企业净收益最大的C0取值;第二步, 比较式 (1) 的值和式 (2) 、式 (3) 的最大取值, 找出其中取值最大的。此时最大的企业净收益值所对应的C0取值就是企业最佳现金持有量, 也就是企业现金决策的最终结果。

3 数据模拟

3.1 数据设定

尽管企业的很多特征和面临的外部环境都会影响企业现金持有的价值, 应该是企业现金决策应该考虑的内容。根据图1中的模型, 只需要考虑企业三种动机现金需求量就可以作出最佳现金持有决策, 其他企业特征因素在现实中大部分都可视为已知。为了直观说明模型机制的决策过程和企业现金持有决策规则, 考虑一个规模固定为1000的企业, p1、p2、p3的值分别取0.1、0.7、0.2, 交易动机现金占净总资产的比例用r表示, 即c01等于r (I0-C0) 。我国企业持有现金水平在14%左右, 但该比例包含了三种动机的总现金需求, 因而r取值在0.1以下比较合适。[6,28,29]数据模拟过程中r取0.07, 分析交易动机现金需求量变化对最佳现金持有量C0的影响时, r的取值范围为0～0.2; 虽然没有预防动机现金持有比例的经验研究文献数据可以参考, 但预防动机现金需求量应该是总持有现金扣除交易动机和投机动机所需现金后的余额。因而可假定c02为80, 分析预防动机现金需求量变化对现金持有决策影响时取值范围为80～200; 投资动机现金需求量属于系统风险所带来的投机机会与企业无关, 所以可设定c03的值为50, 分析投机现金需求量变化对现金持有决策的影响时其取值范围为50～250; φ、k、K的取值分别为0.8、0.1、0.15, 在分别分析三者与现金持有决策关系时取值范围都是0～1; IH和IL和取值是反映企业未来投资机会的大小, 根本研究目的的需要分别设定为500、300或300、200两组。根据模型构建的思路, IHF、ILF的取值应该分别为IH-rI0/ (1+r) -c02和IL-c02. 在分析IH变化对现金持有决策的影响时, IH的取值范围为300～500, 并分融资能力变化和固定两种情况。上述具体数据设定汇总于表1中, 表1第1列的编号 (a) 到 (h) 对应的相应行分别为分析r、c02、c03、K、k、φ、IH (融资能力变化) 、IH (融资能力固定) 变化时参数的设定值或范围。

3.2 不同动机现金需求量变化 对现金持有决策的影响

图2中的四幅图反映了三种动机现金需求量变化时现金持有决策变化的对应关系, 四幅图分别是表1中 (a) 、 (b) 、 (c) 、 (d) 行设定数据的现金持有决策模拟结果。左右纵轴分别表示最佳现金持有量和净收益, (a) 图横轴表示r的变化, (b) 图横轴表示预防动机现金需求c02的变化, (c) 图横轴表示投机动机现金需求c03的变化, (d) 图横轴表示投机动机现金回报率K的变化。图中虚线表示最佳现金持有量线, 实线表示对应的企业净收益线。

从图 (a) 中最佳现金持有量线和企业净收益线可以看出, 企业交易动机现金需求量越大, 其最佳现金持有量也相应上升, 企业的净收益却在下降。这说明在其他条件相同的情况下, 尽管企业交易动机需求量增加对应的最佳现金持有量应该增加, 但同时企业价值是下降的。这与很多经验文献中发现的资产流动性越强, 其收益能力越低的规律是一致的, 但前提条件是现金和非现金资产之间的资源配置已经实现了帕累托最优; 图 (b) 说明预防动机现金需求量也与最佳现金持有量之间存在正向关系, 企业净收益随之也越大。这是因为c02增加的过程意味着企业不可预测的投资或补充现金需求增加, 当c02需求增加说明如果企业持有现金量不变时其机会成本会不断增加, 所以企业在c02不断增加时也应该不断增加预防动机现金从而提高企业价值; 而图 (c) 则反映出企业投机现金需求量增加时, 企业最佳现金持有决策和期望净收益保持不变。这是因为投机现金需求增加意味着投机机会增加, 但这种机会与企业自身经营无关。所以, 企业无法预测投机动机现金的增加与否, 在作出最佳现金持有决策时不能考虑意外机会的出现。图 (d) 说明投机现金回报率很大时企业才有必要持有投机性现金, 本组数据说明只有当K大于0.58时企业才有必要持有更多现金预防投机需要。

图3的四幅图反映了k、φ、IH (融资能力变化) 、IH (融资能力固定) 与现金最佳持有决策的关系, 分别是表1中 (e) 、 (f) 、 (g) 、 (h) 设定数据的最佳现金持有决策模拟结果。左右纵坐标轴的含义图2相同, (e) 图横轴表示k的变化, (f) 图横轴表示φ的变化, (g) 和 (h) 图横轴表示IH的变化。图中虚线表示最佳现金持有量线, 实线表示对应的企业净收益线。

从图 (e) 可以看出, k变大的过程中, 其最佳现金持有量呈台阶式下降, 企业净收益稳步上升。这说明企业的盈利参数k是影响企业现金持有水平的重要因素, k较小时 (0～0.02) 企业需要持有满足三种动机需求的所有现金量, k位于中间值时只需要持有交易动机和预防动机需求的现金量 (0.03～0.72) , 而k较大时企业只需要持有交易动机需求的现金 (0.73～1) ; 图 (f) 说明企业净经营现金流量与未来投资机会出现的关系越密切能够增加企业预期收益, 但不影响企业现金持有决策。这是因为企业面临的投资规模是固定的, 只是出现的概率大小不一样。所以, 企业持有的最佳现金量是不变的, 但出现投机机会的概率越大, 企业的预期收益就会越大; 而图 (g) 和 (h) 说明不论企业融资能力是否固定, 企业最高投资机会的规模IH也不影响企业现金持有量。但从图3中可以看出, 企业融资能力固定的情况下企业持有最佳现金时企业净收益高于企业融资可变时的企业净收益 (图 (h) 中右纵坐标轴大于图 (g) 的右纵坐标轴数据) 。这是因为, 如果企业融资能力因未来的投资规模增加而提升时, 其所需的预防动机现金需求量就相对减少, 因而预防动机现金所带来的企业收益就会减少。反之, 现实中大部分企业融资能力一般不会随未来投资机会规模的变化而变化时, 一旦较大规模的投资机会出现, 就会导致预防动机现金的价值得到提升, 因此才会出现融资能力固定和变化时企业收益有差异的现象。

4 结论与决策建议

本文基于货币持有动机理论建立了两期三个时间点的现金决策模型, 并用数据进行了模拟分析。对三种动机现金需求量变化的模拟结果显示:交易动机和预防动机现金需求量增加时, 企业的最佳现金持有量也会随之上升, 而投机机会和规模的变化则不会影响现金持有决策。而且, 交易动机现金需求量增加会使企业收益下降, 预防动机现金需求量增加会使企业收益上升, 投机动机现金需求量增加不会影响企业收益。除非企业投机机会能够带来较高超额回报, 企业的现金持有决策有才必要调整。这对企业现金持有决策有重要意义:首先, 企业应该注重交易动机和预防动机的现金需求量, 不应持有过量现金用于投机目的。虽然有的文献把企业持有的多余现金 (投机动机现金) 与期权选择联系起来, 但期权价值与投机回报之和如果不足够大就不应该考虑持有投机动机现金。

对k、φ、IH (融资能力变化) 、IH (融资能力固定) 变化时的现金持有决策模拟结果发现:k取中间大部分值时企业只需要持有交易动机和预防动机所需的现金, 取很小值时则需要持有满足三种动机所需的全部现金, 取较大值时则仅需持有交易动机现金。由于现实中企业的回报率绝大部分处于中间值部分 (扣除现金后总资产收益率区间3%～72%) , 所以对于正常经营和回报率正常的企业而言需要持有交易动机和预防动机现金需求的现金量。对于经营不正常和回报率异常的企业 (扣除现金后总资产收益率小于3%或大于72%) , 应该考虑持有三种动机的全部现金需求量或交易动机现金需求量。φ、IH的变化则对企业现金持有决策没有任何影响, 因为企业持有现金的目的是实现企业收益最大化。而φ的高低与企业收益没有直接关系, IH的高低只能说明企业未来收益的多少而不能说明企业预防动机现金会与之同比例增加。所以, 企业作出持有现金决策时, 不能因为预期未来投资机会和规模有重大变化就对其现金持有量作出相应重大调整。当然k、φ、IH的变大会增加企业收益, 这是由于客观条件变化所致而不是持有现金给企业带来的价值。

本文与其他财务文献中存在的共同的缺点是没有考虑委托代理成本, 并认为企业管理层的决策判断能力很高。在现实中, 委托代理成本和企业管理层决策失误都不可避免, 因此, 后续基于现金持有动机理论的经验研究应该对所使用的数据进行必要调整。

篇4：数据模型与决策 课程总结

關键词：数据挖掘；数据仓库；教育管理；算法；VB

中图分类号：TP311.52 文献标识码：A文章编号：1007-9599 (2011) 03-0000-02

Education Management Decision Support System Based on Data Mining

Lin Lin

(Biochemical Engineering College of Union University,Beijing 10023,China)

Abstract:The paper theoretically expounds the concept of data mining,demonstrates the data mining in the education management decision support system of the core applications,introduces the education management decision support system of data collection, preprocessing,establish and maintain the DW,data mining algorithm choice,the specific content of decision tree algorithm,VB language program design,system testing,etc,discussed the system model in theory framework,rearch data mining and combining education management play a huge role,fnally,discussed the data mining technology in education management decision support system application prospect.

Keywords:Data mining;DW;Education management;Algorithm;VB

随着信息时代的快速发展，外界所带给我们的大量信息也越来越多。大量信息在给人们带来方便的同时，也带来了一大堆麻烦：信息过量难以消化，信息真假难以辩识，信息安全难以保证，信息格式难以统一。身处信息汪洋中的我们，如何才能不被信息淹没、如何从中及时发现有用的信息呢？是否存在着一种工具、一种方法或者一个手段使得身处“数据爆炸、知识匮乏”的我们，能够以一种轻松的状态来进行有效的管理决策呢？

数据挖掘技术是人们长期对数据库技术进行研究和开发的结晶，它为我们提供了一个非常优秀的工具。

一、数据挖掘技术

所谓数据挖掘就是指一个完整的过程，该过程就是从海量的随机应用数据中，提取分析隐含在其中的、人们事先并不知道的、但又具有内在联系的、有价值的信息数据，这些信息数据为决策提供必要的支持。

数据挖掘过程中详细各个步骤的大体内容如下六步：

1.确定主题：即做好需求分析，清晰地定义出问题，并对探索的问题具有可预见性。

2.数据的提炼：搜索与主题有关的数据信息，研究数据的质量，并确定将要进行挖掘操作的类型。

3.数据的转换：将数据转换成一个分析模型，这个分析模型是针对挖掘算法建立的。

4.数据挖掘：对所得到的经过转换的数据进行挖掘，除了完善从选择合适的挖掘算法外，其余一切工作要都能自动地完成。

5.结果分析：解释并评估结果，其使用的分析方法一般应视数据挖掘操作而定，通常会用到可视化技术。

6.知识的同化：将分析所得到的知识集成到业务信息系统的组织结构中去。

二、数据挖掘与教育管理决策支持系统

我们使用数据挖掘技术对我们所掌握的信息进行特定的“挖掘”，能够发现：广义知识、关联知识、分类知识、预测型知识、偏差型知识，能够在数据中寻找预测性的信息，能够为我们的管理提供“做出决策”的依据，能够有力的支持我们做出恰如其分的选择。

所谓教育管理，就是在特定的社会环境下，遵循教育的客观规律，对各种教育资源进行合理配置，以实现教育方针和教育目标的行为，教育管理是社会管理的一部分。在学校教育管理中，我们引进数据挖掘技术，正是想针对教育的海量数据进行有效的发掘，以期充分利用数据挖掘的长处，来发现这些海量数据中潜在的、长久以来未被发现的规则，能够对学生潜力做出数据挖掘，这就为学校的招生工作提供了一定程度的参考，并在学生入学后还可以分析其进步或者退步的可能原因是什么，解决学生教育导向的问题；还可以对学校管理层比较关心的问题进行挖掘。例如，在所有教职工中教师的比例有多大；一般意义上讲某位教师是否达到了学校的一般标准；能够对教师执教能力和教师人力资源优化做出分析，在教师招聘中为人力资源主管提供一般性的判断依据，对所应聘的教师做出其潜力及前景分析，以便能够辅助管理层做出更好的决策，优化教育管理，促进教育管理良性发展。

三、系统架构的搭建

我们将分以下几步来进行系统模型的设计及实现：

1对数据进行分析，建立数据仓库

数据主要来源是档案室现存的档案，包括教职工和学生的，还要动态的添加一些数据。如果能够得到教育院校的支持来丰富数据，那就更好。这个数据的要求是大量、真实、准确。

对于教职工的信息，主要有以下属性：编号、姓名、性别、民族、出生年月日、

政治面貌、工作时间、是否为班主任、是否为学校管理层、毕业院校、最高学历、

最高学位、最高职称、家庭经济条件、教学评估成绩、所获荣誉、所带班级荣誉、研究成果等等，越详细对我们进行数据挖掘就越好。如下表所示。

对于学生的信息，主要有以下属性：学号、姓名、性别、民族、出生年月日、政治面貌、专业、班级、入学时间、入学成绩、毕业去向、毕业成绩单、毕业论文名称、毕业论文成绩、毕业证书、毕业后十年状况（可选）、毕业后二十年状况（可选）、毕业后四十年状况（可选）、家庭条件、在校期间所获荣誉等等。

对每一个属性进行赋值初始化，如：性别，定义为字符型变量，M代表男，F代表女；又如：对教师的研究成果，是以字符来进行赋值的，涵盖了发表的论文、编著的书籍、科研成果等等，这些分别按照级别予以打分，进行累加，最后全部总和即为该教师的研究成果的成绩，然后对该成绩进行加权求值，按照求值分别赋以A、B、C等字符。对每一位教职工和学生进行赋值，并录入到数据仓库中。创建数据仓库的工具我们可以选择Microsoft SQL Server 。需要注意的是，SQL Server “企业管理器”中控制台根目录中SQL Server组名称应与其他名字一致，例如分析服务器是LINLIN2006，它也应该是LINLIN2006。

2决策树算法

决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法。如图4-1，针对学生毕业成绩影响因素进行数据挖掘后的一棵决策树，从中我们看到，决策树的基本组成：节点、分支和叶子。

图4-1决策树

圖4-1中“入学成绩=好”这个条件是树的根，即决策树的根节点。对条件的不同回答产生了“是”和“否”两个分支；而是否“学习勤奋”是根节点的子节点（子节点的个数与决策树算法有关）；如果分支下无节点，则到树尾，称为叶子，图中“毕业成绩=坏”就是其中的一个叶子。从树根到每一片叶子的过程就是利用决策树进行分类的过程，通常称这个过程为“遍历”。

决策树算法是数据挖掘中常用的一种算法，常用于数据分析和预测。决策树的构造结果是一棵二叉树（即每个节点有两个分支）或多叉树（节点可以包含多于两个的子节点）。构造决策树的过程，即树的生长过程是把条件数据不断切分的过程，每次切分对应一个问题（即一个节点），二叉树的内部节点（非叶子）一般表示为一个逻辑判断，如图4-1。对每个切分的要求是分组之间的“差异”尽量最大。各种决策树算法之间的主要区别就是对这个“差异”衡量方式的区别。我们只需要把切分看成是把数据信息分成几份，每份数据信息之间尽可能不具有相同或相似的属性，而同一份内的数据尽量具有相同的属性，即属于同一类别。

对于教育管理决策者来说，决策树的构造，即在其生长过程中没有必要太“茂盛”。因为这样会大大降低树的易理解性和易用性，而且也使决策树本身对原始数据产生较大的依赖性，换句话说，这样的决策树可能对于原始数据非常准确，但当有新的数据信息加进的时候，准确性就会急剧下降，这种情况被称之为训练过渡。为了使得到的决策树所蕴含的规则具有普遍性，我们必须有效避免训练过度，同时减少训练的时间。常用的方法是限制决策树的过度成长，即预先设定决策树的最大高度（层数）；此外也可以通过设定每个节点必须包含的最少记录数来限制，当节点中记录的个数小于这个数值时就停止切分。

1使用VB对算法进行编程，实现各个模块的功能

通过VB来进行图形应用界面设计及核心程序编程。菜单的设计如下：导入数据仓库、选择数据仓库、任务确立、选择因素、开始运行、查看结果、保存结果、翻译规则、保存规则、退出。主要通过表单及命令来实现各功能。样本空间指的是由教职工、学生数据仓库中的数据所构成的数据空间。

2测试

根据软件测试的要求，必须对该系统进行数据测试，即用手中所拥有的档案资料与数据挖掘的结果对比，进行测试。

首先，假定某学校教师部分档案资料如下（受篇幅限制，仅有部分）：

其次，我们使用表中的数据来检测树形结构中每条枝叶的正确性。如果大部分吻合，那么该决策支持系统是成功的，软件和算法都是正确的；否则就得检查改正。这个测试以及测试结果比较的工作量是非常巨大的。

四、进行数据挖掘时应考虑的问题

1确定问题，即用数据挖掘解决什么样的问题，它是核心，偏离了这个主题，最终只能导致失败；

2海量数据的问题，一方面是源数据的挖掘，一方面是数据的提炼；另外非标准格式的数据、多媒体数据、面向对象数据处理问题；从而保证数据的质量和时效性；

3各种算法的使用；

4变化的数据和知识问题；

5枝叶——规则的易懂性问题；

6与其他系统的集成问题，如果可能的话，本系统可以嵌入到学校网络协同办公平台之中；

这些都是在具体实施时应该注意的，也关系着基于数据挖掘的教育管理决策支持系统模型成功与否。

五、展望未来

随着信息化不断向前发展，基于数据挖掘的教育管理决策支持系统也将涵盖人才培养、人力资源、教学评估、教育经济等几个大的方面，也将逐渐发展为教育管理数据挖掘应用平台。基于数据挖掘的教育管理决策支持系统也将发挥越来越重要的角色。

参考文献：

[1][加]Jiawei Han，Micheline Kamber（著）范明，孟小峰等译 《数据挖掘概念与技术》 北京机械工业出版社

[2][中国]张尧庭，谢邦昌，朱世武（编）《数据采掘入门及应用——从统计技术看数据采掘》中国统计出版社

[3][美]John W.Fronckowiak，David J.Helda（著）全刚，杨领峰，申耀军，张涛（译）高长剑（审校）《MS VB6.0 数据库编程大全》电子工业出版社

[4][中国]数据挖掘讨论组www.dmgroup.org.cn

篇5：数据模型与决策 课程总结

管理报告

南农2012届

MBA

R.C.Coleman通过杂货店和超级市场销售其生产的多种食品。该公司直接从自有渠道接受订单，通过都要向不同的地方同时运送20~50种不同产品。依据公司现有仓库操作流程，仓库管理员要派遣人员填写每个订单，然后将商品搬运到仓库运输区域。由于较高的人工费和手工处理订单的低效身产率，管理人员希望安装一个计算机控制的订单挑选系统和一个把产品从仓库运送到运输区域的传输系统，实现仓库管理的自动化。

R.C.Coleman的材料管理处负责人被任命为项目经理，负责仓库系统自动化系统。在与工程人员和仓库管理员商量之后，该负责人编写了一系列与项目相关的活动以及如下表所示的完成每项活动的乐观时间、最可能时间和悲观时间（单位：周）。

活动

描述

紧前活动

活动

时间

乐观

最可能

悲观

A

确定需要的设备

—

A

B

获取供应商计划书

—

B

C

选择供应商

A、B

C

D

下订单

C

D

E

设计新的仓库布局

C

E

F

设计仓库

E

F

G

设计计算及接口

C

G

H

连接计算机

D、E、F

H

I

安装系统

D、F

I

J

培训系统操作员

H

J

K

测试系统

I、J

K

管理报告

设计一个报告，包含活动时间表和仓库扩张项目的期望完成时间，并包含一个项目网络图。另外，要考虑到以下3个问题：

1．R.C.Coleman的高级管理层要求在40周之内完成该项目。你认为在该段时间内完成该项目可能吗？如果必须在该段时间内完成，你有好的建议吗？

2．如果管理人员要求缩短时间以使在40周之内完成该项目的可能性达到80%。如果项目完成时间的偏差与（a）部分一样，应该缩减多少项目期望完成时间以使在40周内完成该项目的可能性达到80%？

3．将期望活动时间作为正常的时间，利用以下紧缩信息，制定仓库扩张项目的紧缩决策和修改后的活动时间表。

活动

紧缩活动时间（周）

成本（美元）

活动

紧缩活动时间（周）

成本（美元）

正常

紧缩

正常

紧缩

A

1000

1900

G

8000

10250

B

1000

1800

H

5000

6400

C

1500

2700

I

10000

12400

D

2000

3200

J

4000

4400

E

5000

8000

K

5000

5500

F

3000

4100

问题1．

R.C.Coleman的高级管理层要求在40周之内完成该项目。你认为在该段时间内完成该项目可能吗？如果必须在该段时间内完成，你有好的建议吗？

期望时间

。乐观时间（a）

。最可能时间（m）

。悲观时间（b）

。期望时间（t）

活动

期望时间（周）

A

B

C

D

E

F

G

H

I

J

K

合计

一周的期望时间

K

I

D

A

0

E

C

开始

完成H

F

B

0

0

J

G

项目网络图（最早开始，完成时间，最晚开始和完成时间）

活动时间表

活动

乐观

时间

最可能时间

悲观

时间

期望

时间

方差

σ2

最早

开始

最晚

开始

最早

结束

最晚

结束

松驰

关键

路线

A

0

B

2.78

0

0

0

是

C

0.44

0

是

D

E

0

是

F

0.44

0

是

G

H

0.44

0

是

I

J

0.11

0

是

K

0.44

0

是

小计

128

5.65

关键路线：B-C-E-F-H-J-K；

项目完成时间：43周。

根据标准正态分布表，该项目在40周内完成的概率为10.38%。

如果必须在该段时间内完成，则必须缩短关键路线上任务的时间。如：

任务B至多可以缩短3天；

任务C至多可以缩短4天；

任务E、F合计至多可以缩短4天；

任务H、J合计至多可以缩短3天。

问题2．如果管理人员要求缩短时间以使在40周之内完成该项目的可能性达到80%。如果项目完成时间的偏差与（a）部分一样，应该缩减多少项目期望完成时间以使在40周内完成该项目的可能性达到80%？

方差

s2

活动

方差

A

0.44

B

2.78

C

0.44

D

7.11

E

1.00

F

0.44

G

7.11

H

0.44

I

2.78

J

0.11

K

0.44

用于描述活动时间值的差量或方差

各项活动的方差

项目完成时间的方差(s2)

s2

=

s2B

+

s2C

+

s2E

+

s2F

+

s2H

+

s2J

+

s2K

=

2.78

+

0.44

+

1.00

+

0.44

+

0.44

+

0.11

+

0.44=

5.65

标准差(s)

s

=

√5.65

=

2.38

项目完成的正态分布

项目在40周完成的概率

At

≤

T

≤

z

=

(40

–

43)

/

2.38

=

1.26

根据标准正态分布表，Pr

(40

≤

T

≤

43)

=

0.3962

Pr

(T

≤

40)

=

0.5000

–

0.3962

=

0.103=

10.38%

可以发现项目40周完成的概率期限是10.38%。这样R.C.Coleman如果要在40周完成项目的机会比较低。

如果项目完成时间的偏差与（a）部分一样，应该缩减多少项目期望完成时间以使在40周内完成该项目的可能性达到80%？

达到80%在40周完成的期望完成时间

Pr

(T

≤

40)

=

0.8000

Pr

(x

≤

T

≤

40)

=

0.8000

–

0.5000

=

0.3000

根据标准正态分布表，z

(x

≤

T

≤

40)

=

0.84

(40

–

x)

/

2.38

=

0.84

x

=

所以，项目紧缩后期望完成时间为38周时(缩减5周)，在40周内完成该项目可能性将达到80%。

问题3．将期望活动时间作为正常的时间，利用以下紧缩信息，制定仓库扩张项目的紧缩决策和修改后的活动时间表。

可能减少的时间的最大数，Mi

ti

=

活动I的期望时间

t’i

=

活动I在最大值紧缩下的时间

每个单位时间的紧缩费用，Ki

Ci

=

活动I的费用

C’i

=

活动I在最大值紧缩下的费用

紧缩活动决策

活动

期望

时间

紧缩

时间

正常

成本

紧缩

成本

最大可

紧缩时间

每天的紧缩成本

需紧缩的时间

紧缩活动

增加成本

A

1000

1900

450

B

1000

1800

400

800

C

1500

2700

600

D

2000

3200

300

E

5000

8000

1000

F

3000

4100

550

550

G

8000

10250

750

H

5000

6400

700

I

10000

12400

800

J

4000

4400

400

400

K

5000

5500

500

500

合计

2250

篇6：数据模型与决策 课程总结

一种基于数据挖掘技术的决策信息模型

探讨了决策支持系统在管理信息系统发展过程中的重要地位,依据现代企业管理的决策支持需求,研究并设计了决策信息模型的基本结构,重点研究了模型的数据挖掘技术.阐述了具体的数据挖掘算法,并应用算法解决了某企业员工考勤部门匹配问题,挖掘出潜在的信息模式,为模型的.知识获取子系统提供了知识准备,加快了推理机的推理进程,最后指出了算法的逐步求精性和算法的普遍性.

作 者：苗德成 MIAO De-cheng  作者单位：韶关学院,保卫处,广东,韶关,51 刊 名：韶关学院学报(自然科学版) 英文刊名：JOURNAL OF SHAOGUAN UNIVERSITY(NATURAL SCIENCE) 年，卷(期)： 28(9) 分类号：N945.12 关键词：信息模型   数据挖掘   决策支持系统   聚类分析  

篇7：JAVA与web数据课程总结

本学期主要为网络班讲授《JAVA与WEB数据库》课程，能综观教材内容，根据课程目标，对有关内容进行增减，切合实际、合理地制定授课计划，很好地完成了课程的教学任务。

Java是一门时下比较流行的语言，而《JAVA与WEB数据库》又是一个复杂体系。授课中就应把学科的系统知识传授给学生。所以在讲授中，在知识讲解上，既注意突出重点又要注意知识的系统性，使之枝繁叶茂。前期内容介绍了解Java Web应用的功能、主要技术、开发环境和运行环境，先让学生对本课程有个大致的了解。因为学生对java很陌生，提起Java他们只认为Java是一种可以撰写跨平台应用软件的面向对象的程序设计语言，为了拓展学生对Java web的认识，课堂上使用eclipse工具进行软件开发，让学生明确JSP卓越的通用性、高效性和安全性。

教学中针对不同内容，采取不同授课方式：理论部分以课堂讲授为主，自己广泛查资料，授课中做到形象易懂；重点、难点主要是servlet、JSP等相关技术，每章内容讲授完毕都留有相应的作业，作业内容部分不是书本知识的简单重复，而是需要花费大量时间查阅资料才能搞清楚的，然后在下次课上让学生到前面来，阐述自己的观点，优秀者用平时成绩予以奖励，学生积极性很高，同时还能得到书本上所没有的知识，扩大学生学习视野，效果很好。大部分授课是在机房进行的，能给予学生充分的时间来练习理论的知识点，学生的动手能力得到很大提高，同时平时将一些程序开发题先布置给学生，让他们

上网查资料，利用课后时间完成程序开发，学生准备得很用心，这种考核方式达到了预期的效果，很受学生欢迎。

篇8：数据模型与决策 课程总结

1 数据挖掘与知识发现的关系

数据挖掘, 又称数据库中的知识发现 (KDD) , 是目前最先进的数据资源分析技术, 它可以从大量的数据中及时有效地提取隐含其中未知的、有用的、不一般的信息和知识, 用以对决策活动进行支持[2]。

数据挖掘可以理解为是知识发现的其中一个步骤, 指从数据中获取有用知识的整个过程, 换言之, 数据挖掘就是从数据中抽取模式的具体算法的应用。KDD过程除了数据挖掘之外, 还需要对数据进行预处理、数据的筛选、清洗数据、对已有匹配知识的吸收、解释与评估结果, 以确保从数据中抽取的知识是有用的[3]。数据挖掘方法的盲目应用会导致发现一些无意义或无效的模式。

根据研究数据的类型不同, 数据挖掘大致分为Web挖掘、图形图像挖掘、音频挖掘、视频挖掘、数值挖掘和文本挖掘[1]。其中数值挖掘是数据挖掘的主流, 现在已经在零售业、金融保险业等领域有了应用。挖掘一般是在内容分析的基础上进行, 文本较图形图像、音频视频等在内容分析上要简单一些, 而且在不同类型的数据中, 人们最习惯用文本数据来描述知识, 从而文本挖掘成为数据挖掘的重点。

大量数据中往往总隐藏着各种各样能够反映规律或者规则的信息, 最经典的案例莫过于发现“尿布与啤酒”的关联, 两个看似毫不相干的物品, 却由于一些美国年轻小夫妇的一种行为模式将它们联系在一起, 并在沃尔玛市场分析师的火眼金睛下被发现, 适当调整卖场货品的摆放位置后, 得到了惊人的销售业绩。

知识发现的方法多种多样, 其中常见的统计方法有回归分析、判别分析、聚类分析及探索性分析等, 此外还包括模糊集方法, 支持向量机方法、粗糙集等方法[1]。常用的机器学习方法包括规则归纳、决策树、范例推理、遗传算法等。而在关系型数据库中研究数据挖掘, 关联规则用的比较多, 在知识发现中, 基于非相关文献的知识发现也越来越受到关注。

2 关联规则算法优化

在大量的Web管理系统中, 用户检索会留下海量的关键词信息, 则根据关键词的活跃程度、关键词与信息载体的关系, 分析关键词关联体系, 形成关键词基因体, 是我们研究的重点, 这样能够好的为系统决策发挥辅助作用。该文采用数据挖掘中的关联规则分析方法分析关键词之间的关系, Apriori算法是关联规则挖掘算法的经典方法之一。

Apriori算法主要是基于频集理论的递推方法, 本质是寻找频繁项集的问题可以归纳成寻找所有含有给定置信度的规则的问题。若给定一个事物集合D, 就能给D中每个事物加入一个额外项目j, 然后寻找那些在右侧有j且置信度为100%的关联规则, 从而找到频繁项集, 即大项集。发现所有大项集的算法在数据上进行了多次遍历, 每次遍历, 都从大项集的一个种子集合开始, 并用这个种子集合产生新的潜在的大项集, 称为候选项集。在对数据遍历的操作中寻找对这些候选项集有价值的支持, 在遍历的最后, 确定候选项集中的哪些确实是大的, 然后它们就变成下一次遍历的种子, 这个进程反复执行直到找不到新的大项集。在第一次遍历中, 计算单独项目的支持度, 并确定其中哪些是大的, 这可看做是潜在大项集空间中的宽度优先搜索。这样做的缺陷是会产生大量的候选集, 解决的办法是可以尝试分而治之的策略, 即引入频繁模式树 (FP-tree) 的概念, 在经过第一次扫描之后, 把数据库中的频集压缩进一颗频繁模式树, 同时保留其中的关联信息, 随后将FP-tree分化为一些条件库, 每个库和一个长度为1的频集相关, 再对这些条件库分别进行挖掘[4]。

为提高关联规则的挖掘效率, 我们将Apriori算法进行改进。减少扫描事务量的基本原理是, 如果一个事务不包含k阶大项集, 那么也必然不包含 (k+1) 阶大项集, 因此, 将这些事务删除后, 下一次的循环中就可以减少扫描的事务量, 而不会影响候选集的支持数。本算法首先扫描事务数据库D, 扫描结果生成候选1项集C1, 同时检索出每个包含C1[i]项的事务集, 并将所有事务集生成集合, 根据集合中的数目, 计算该C1[i]支持数。根据给定的最小支持数, 从C1中删除不满足阈值的C1[i]项, 得到频繁1项集L1。然后将L1中L1[i]两两组合, 生成候选C2, 同时将L1[i]项对应的事务集组合两两相互求交集, 得到C2[i]对应的事务集集合, 并标记对应的支持数。删除C2中小于最小支持数的C2[i]项, 得到L2。针对候选项目集 (K>2) 的挖掘, 步骤和挖掘频繁2项集相似, 但是Lk (k>3) 为确保生成的频繁项集不重复, 需要判断Lk-1[i]项是可以连接的。改进算法描述过程如下:

(1) L1={大项目集1项集};

(2) for (k=2;Lk-1≠Ø;k++) do begin

(3) Ck=apriori-gen (Lk-1) ;//构造候选项目集

(4) end

(5) answer=∪k Lk;

其中apriori-gen函数是以Lk-1作为输入的, 其结果可直接生成候选频繁项集。apriori-gen函数实现如下:

结合一个具体的实例来说明改进的Apriori算法的详细执行过程, 假定原始事务数据库有4个事务, 即D=4, 最小支持计数为2, minsup=2/4=50%, 具体步骤如图1所示。

3 数据挖掘与知识发现能提高决策能力

通过系统实现数据开采的全自动进行还不太可能, 对数据挖掘算法的研究也不能尽在“纸上谈兵”, 根据实际工作的需要、各领域交织融合、复杂数据亟待处理等情况, 分析处理海量数据, 对算法的效率提出了更高的要求。发展中不断变化的环境因素和原始的信息种类也需要新的发现方法, 复杂的问题求解更需要多种策略的协作[5]。该文提出了一种模型思路, 如图2所示, 即给定目标规则的置信度, 从样本数据出发找出大项集, 通过机器学习形成决策思路, 依据粗糙集理论, 应用得到的规则进行推理或决策, 由于问题的信息来源于质量不一定完备, 需要根据现有的信息在模型中进行提取和评测, 不断优化并升级算法, 从而给出问题的最优解。

4 结束语

数据挖掘和知识发现方法及算法的研究为企业高层决策提供了强有力地技术支持和理论支持, 随着通信技术和网络技术日新月异的发展, 为了更好地为客户提供人性化、智能化的服务, 算法的优化研究显得越来越重要。

摘要：该文就数据挖掘与知识发现的关系与方法进行分析, 基于“如何更好地为决策模型研究做参考”这一问题的思考, 探索将关联规则算法进行了优化, 从而提高决策效率。

关键词：数据挖掘,知识发现,决策能力

参考文献

[1]化柏林.数据挖掘与知识发现关系探析[J].理论与探索, 2008 (4) :507-510.

[2]张福炎, 孙志挥.大学计算机信息技术教程[M].6版.南京:南京大学出版社, 2013.

[3]钟淑平.论知识发现与数据挖掘[J].计算机光盘软件与应用, 2012 (9) :112-113.

[4]陈永当.基于用户访问信息的数据挖掘方法及其算法[J].计算机工程与应用, 2012 (48) :133-137.