流离失所范文第1篇

就像知道一个烟盒里住着二十根烟

我是喜欢你住在我的心里的

我时刻封裹着你烟草一般的身体

没有火

你的体香是专属我的

火来了

我的心像干柴一样易燃

那就不要引火上身吧

可心早已学会分裂

分裂成烈火和干柴

让你流离失所

你留下的泪

你留下的笑

流离失所范文第2篇

我们忘记了多少个曾经沉默如谜的盛夏。那些夏天里，有时晴空，有时暴雨，有很多无法丈量的空阔和距离。时光爬上每个人午睡着的睫毛，懒洋洋地望着这个白花花的世界。曾经内心起伏的情绪，最后都被炽热烤成滋滋作响的脂肪，燃烧在我们迁徙的旅途中。

我们经过了几个流殇未完的光年。有很多曾经温暖人心的传说，在经过了亿万光年之后依然闪烁着古老的光芒。那些乌云密布的岁月和彼此之间的沟壑，犹如水流，湍急而迅猛。我们是其中渺小的一部分，带着满脸的彷徨和未知的恐惧，一步一步朝着未来远去了。

记忆中又是一个夏天，绿色开始铺天盖地地流淌过这世界的每一条街道。日光开始强烈，灼热地照耀着自己的双眼。这样的一整个季节，就开始在这个时候，慢慢铺展开来，将越来越浓密的绿色一点一点地渲染在世界上，像是不小心滴在宣纸上的墨滴，慢慢晕染开的，是无法去掉的印迹。

那一个夏天铺展开的世界里，街道上那么多的人当中，一定也会有这么一群人，穿着统一的衣服，步行或者骑着单车，安静或热闹，缓慢或快速，就是那样经过你的身边。

当他们经过我身边的时候，不小心撞到了我，那个男生回过头调皮地吐了吐舌头，对我说：“对不起啊，叔叔。”

呵，叔叔啊……原来我已经老到可以让那些孩子叫叔叔了。我微微地发起了呆，停在了那里。在接近傍晚慢慢开始毛茸茸的阳光里，在两旁逐渐浓密、逐渐高大的树木下，看着他和他的朋友逐渐远去的背影，我悄悄告诉那个男生――

曾经的我，也和你们一样。

2

那天我在地铁上，到了某一站，上来两名中学生，他们穿着校服，背着书包，侧包里装着水杯，男生和女生都是服帖的头发，一脸的单纯和青涩，眼神清澈。他们随意挽着袖子，胳膊上的细小绒毛在地铁灯光的映照下显得那样年轻。

他们在小声地交谈，男生小心扶着女生，女生低着头红着脸偷偷笑了，是那样的年轻和可爱。原来，是这样简单的青涩时光，原来，是这样单纯的恋爱时光。

我看着他们的侧脸，又看着自己，穿着高档的衣服，头发染了颜色，梳着自以为时尚的造型，挂着手链，穿着最流行的鞋子，背着装满了文件的包。虽然看上去那样的干练，也自认为年轻帅气，但是我不得不承认，在他们面前，我依然掩饰不住自己真的已经渐渐老去了。

时光真的是一件残忍的武器，它能让你在和某些人事的对比之下，迅速发现自己的窘态，迅速察觉自己身上岁月的痕迹。

原来，我真的已经离他们很远很远了。

有多远呢？你能够相信吗？距离我高考，九年的时光过去了。

3

这是一个下午，我在出差的宾馆写下这些文字。而这个时候的你，应该是在一片夏日阳光下，坐在教室里安静地听着老师讲课，偶尔低下头认真地记笔记;也应该刚刚在学校门口的便利店里买了三支新笔，然后绕过被爬山虎一样的植物缠绕着栏杆的操场，看不到里面，只能够听到低年级的学生在里面踢球的声音。

这个时候的你，是不是也会微微扬起眉毛，看着那些缠绕着的植物，对着操场里面的人在心里说――

曾经的我，也和你们一样呢！

而我们在曾经年少的时光里，也一定喜欢着这样在操场里奔跑的时刻吧。汗水逐渐在球衣上描绘出模糊的形状，然后头发开始一缕一缕潮湿了起来，脸上开始有了浓密的汗水，在奔跑的时候会朝后全部洒出去，滴在地面上就不见了踪影。或者，就算是站在跑道上看着别人踢球，也应该是快乐的，可是自己却只能在操场外面低低地说一句负气的话，然后就赶回教室做那张刚刚开始的英语卷子。

你知道吗？曾经的我，和你们一样，一起走过了那些微微泛着绿色的潮湿的时光。

有人说过，回归线引导了所有人的回归。所有的曾经的岁月，所有的试卷，所有的笔记，所有的教室，所有白花花的灯光，所有年少时的游戏，都在一瞬间轰轰烈烈地开往了下一站的月台。

如果那些时光太过久远，那么是不是所有的幸福都会变得模糊？

曾经年少的我，也是一直喜欢着那些微微发烫的午后和喑哑沉重的夜晚，那一段被叫作“青春期”的日子，在过去后才发现，曾经的一切是如何弥足珍贵又匆匆而过。我总是喜欢在一片明亮的阳光下看书，也总是在满天星斗的时候写下黑暗的字，等到破晓的时候一点一点地撕碎，然后又得赶着去上早自习。

流离失所范文第3篇

关键词：数据挖掘 客户流失 预测模型 行为模式

引言

自2013年12月以来，随着中国移动、中国电信和中国联通获颁“LTE/第四代数字蜂窝移动通信业务（TD-LTE）”经营许可，中国正式迈入4G时代；同时工信部亦发文取消了对中国移动固网业务的限制，行业态势或将迎来新的变局。

随着市场竞争的日益激烈以及企业间的产品和服务的差异性减少，运营商已从“以产品为中心”转向“以用户为中心”，采用用户关系管理（Customer Relationship Management ， CRM）等信息化系统来提高用户服务水平[1]。

1、研究背景

自2008年电信业重组以后，中国移动、中国联通、中国电信三家运营商之间传统竞争优势的差距一直在陆续减小；目前，三家运营商均为全业务运营商，业务差距日渐缩小，服务差距日益减弱，新客户带来的增量市场趋于饱和，存量客户市场竞争更加激烈。

客户消费行为及离网分析一直是通信行业的核心问题和CRM关注焦点。文献[2]等指出：运营商每流失35%～50%的用户，会造成大约数百亿美元的经济损失，具体意义体现在以下方面[3]：

（1）用户忠诚度每下降5%将导致企业利润下降25%；

（2）新用户推销业务成功概率最高为15%，而老用户成功率能达到50%；

（3）新用户开拓成本为老用户维系成本的6倍；

（4）对不满意用户的服务进行重点关注和过失响应，约70%的用户不会流失；

（5）不满意服务会影响周边8-10人，而满意用户经历影响2-3人；。

（6）用户入网时间与用户价值呈现正比关系。

基于上述原因，在当前环境下各大运营商首先考虑存量市场竞争，在发展新用户的同时更注重对老用户的挽留和分类营销。由于电信用户价值的判定基于利润贡献度和净现金流量，因此通过对训练集内的客户消费记录、行为数据进行清洗、抽取和分类，构建出高端用户行为模式和离网用户行为模式，在实际数据集内展开分析预测并开展针对性营销工作，从而挽留住具有终身价值的长期有效用户、提升高端用户利润贡献度。

2、分析原则

本系统基于某运营商省级公司用户数据，预测体系分为客户离网预警系统和客户离网挽留系统两部分。系统的主要分析重点集中在客户离网预警系统，包括自动预警模块和人工预警模块；模型研究的侧重于自动预警模块分析。

首先由专家研究客户离网心理及行为，包括对各类业务中客户离网行为和心理进行深入分析和研究，考察其离网的原因和行为规律，根据这些行为规律寻求合适的离网表现变量。而后通过实际数据实行测算，从而确定离网表现变量的运算规则及离网判断规则，并以此确定自动预警模块的相关参数及逻辑关系；最后通过客户离网预警系统中的自动预警模块对离网表现变量进行适当的运算和判断，确定客户是否具有离网倾向并输出结果。

基于以上的离网预警处理过程及电信目前业务支撑线状，客户离网预警系统自动模块的相关数据主要来源于业务系统、计费系统和结算系统。

2.1抽取离网行为变量

根据该省公司市场部2015年9月底所作市场调查获得的数据，手机、固定电话、宽带客户离网的原因主要确定为资费、终端、稳定性和其他等方面，（由于单个客户离网原因可能有多个，所以各种原因总合大于100%）。

结合选择的离网原因，分析该离网原因能够形成何种客户离网表现行为，主要考虑如下：

离网表现变量的选取原则需要选择和确定出能够预测、反映客户将产生离网行为的后台数据分析变量。该变量应易于提取、便于计算、且具备一定独立性，即与其它离网变量的关联度较小或没有。

根据客户离网表现变量，结合目前系统支撑现状，受限于当前各系统的支撑能力，实际运行的客户离网预警系统使用其中部分变量（如表2所示），其余变量可在现有成果上不断完善添加。

2.2确定离网判断原则

数据分析过程中，实际离网客户数是指某一原在网客户群随着时间的推移，现实中发生的离网客户数；预警离网客户数是指对某一原在网客户群进行离网预警分析后，判断出有离网倾向的客户数；实际预警客户数是指在预警离网客户数中，现实中实际离网的客户数。

漏报率 = 离网漏报客户数 / 实际离网客户数 （1）

误报率 = 离网误报客户数 / 预警离网客户数 （2）

理想状态下，漏报率和误报率两个指标均为零，且两指标间存在负相关关系，一个指标准确度的提升会引起另一指标的误差度的增加。鉴于针对性营销的目的和体系功能完善程度等因素，考虑采取降低误报率的措施进行修正。同时，对于规模大的固定电话及移动客户群，采用分批次、分阶段或分地域预警的方式，辅之以适当降低误报率（或提高漏报率）的方式进行分析；对于规模较小的宽带客户群，主要采用降低误报率（或提高漏报率）的方式，辅之以分批次、分阶段或分地域的方式进行分析。

2.3构建数据挖掘流程

本客户离网预警系统在客户离网心理及行为研究和分析的基础上，考察其离网的原因和行为变量，并根据这些行为规律寻求合适的离网表现变量。新模型重新定位后的取值变量相对于原模型变量适当调整。在确定离网表现变量的基础上，通过输入训练集数据，借助数据挖掘算法，自动判断出客户离网规则，以历史数据测算出的客户离网规则作为预测集的判断规则，确定客户是否具有离网倾向并输出结果。

在可能的情况下，对模型涉及的变量和参数进行分析和解释，以确定客户是否离网并提供业务建议（离网预警流程如图2所示）。离网结果的选取在于离网预警门限值的确定、离网预警参考变量的选定和彼此之间的逻辑关系等方面，上述逻辑关系需根据实际情况进行适当调整。为保证模型的适应性和稳定性，以3个月作为模型更新周期，不断跟进客户最新分析。

3、挖掘处理

3.1 分析变量选取

在综合考虑客户离网各种因素的基础上，手机、固定电话和宽带计划提取的变量列表分别如表3所示。

在对数据类型分类的基础上，将计划提取的变量参数进一步细分为以下6大类别，以手机客户为例：

・客户资料：包括基本的客户ID和号码；

・流失标识：包括是否流失；

・话音业务使用信息：包括总通话时长、被叫话单次数、市话跳表次数等；

・新业务使用信息：包括是否使用ADSL、是否捆绑相关业务等；

・帐务信息：包括总费用、传统长途费用、市话费等；

・服务质量信息：包括呼叫10000号次数、投诉次数等。

3.2 脏数据清洗

在确定了原始宽表变量表以后，经过多次数据提取和清洗，可得到最终数据集宽表。

数据清洗的主要工作包括两部分：首先，在用户记录中剔除存在逻辑矛盾的数据和存在非正常缺失值的数据（针对行），如某个电话号码用户状态记为正常在用，但所有帐务数据都为空；某个电话号码在一个月中存在两条不同的帐务数据等；其次，剔除无用的数据字段（针对列），如源数据中“拨打异网客服号、过网号及IP长途接入号次数”、“用户投诉次数”、“呼叫转移次数”等字段部分的值全为零或为空（null），不会对后续的数据挖掘结果产生任何影响，故将其全部剔除。最终确定的数据集的数据范围和数据清洗规则参见图3所示。

基于对数据的理解，对原始变量进行了进一步的筛选。同时对原始变量数据进行分析，在保留与流失标识关联性最高的主要帐务信息和关键性的新业务使用信息，在此基础上构造中间变量形成最终用于建模的参数表。根据建模及分析需要，最终形成的建模宽表变量包括表4中的类别。

3.3预测有效期选取

根据以上分析，将客户流失预测的对象确定为全部拆机客户，预测的流失时间为该客户的第一个非正常使用状态月。对于流失时间的确定是后面建模工作中构造训练集和预测集时确定预报窗口的基础。由于欠费拆机的催缴期一般为1-3个月，所以拆机用户的第一个非正常使用状态月一般在其拆机前3个月内。在构造模型训练集和测试集时，流失客户的筛选规则是：该客户在预报窗口前一个月使用状态正常，在预报窗口月使用状态非正常，在预报窗口月或其后3个月内拆机。

建模数据提取时间范围为3个月。在移动行业中，数据窗口长度一般都选择3个月，由于电话用户的流动性相对低于移动用户，基于这种考虑，尝试使用5个月长度的时间窗口。这种情况的时间间隔和预报窗口为1个月，当时间窗口为5个月时，数据窗口长度为3个月。

3.4预测算法选取

本次数据挖掘所使用的SPSS公司的数据挖掘软件Clementine支持4种流失预测分析模型算法：C5.0、C&RT、神经网络、逻辑回归，其中前两种算法都属于决策树算法。经过对多次建模结果的综合比较发现，模型预测效果最好的是C5.0算法，其次是神经网络算法（如表5所示）。由于通过 C5.0算法能够得到可以解释的业务规则，因此在随后的建模过程中将主要采用C5.0作为预测模型算法。

4、结果分析

经过上述建模过程，确定了最优预测模型的主要环节设置。在此基础上，对所提取到的最近期相关数据进行建模和测试，参见下面表格6。

准确率是指在全部被预测为流失的客户中，真正流失的客户占全部被预测为流失客户的比例。准确率73.1%意味着在全部被预测为流失的客户中，有73.1%的人真的流失了。模型从测试集1的全部20000名客户中预测出有11962个客户将在三个月内流失，实际情况是这11962人中有8746人流失。

覆盖率是指被准确预测出的流失客户占全部流失客户的比例。覆盖率87.46%意味着在全部流失的客户中，有87.46%的人被预测模型找到。在测试集1的全部20000名客户中，共有10000个客户流失，该预测模型从这10000人中找出了8746人。

提升率是指准确率与实际流失率的比值。提升率1.462倍意味着根据模型预测结果对潜在流失用户进行挽留工作，效率可提高1.462倍。

表6是采用C5.0算法的模型预测结果，结果显示当选用训练集1（浓度为28.3%）所输出的规则集类型，模型预测的准确率达到73.1%，覆盖率达到87.46%，提升率达到1.462倍；对于测试集1，当选用训练集2（浓度为45%）所输出的规则类型，模型预测的准确率达到了78.3%，覆盖率达到80.09%，提升率达到1.566倍。据此可以认为，本次研究建设的客户预测模型的应用价值较高。

参考文献：

[1]赵宇，李兵，李秀，等.基于改进支持向量机的用户流失分析研究[J].计算机集成制造系统，2007，13（1）：202-207.

[2]夏国恩.基于满意属性选择的用户流失预测[J].管理学报，2010，7（6）：856-860.

[3]梅丹.基于数据挖掘的中国移动x公司高端客户消费行为研究[A]. 重庆邮电大学，2013，3

[4]许家}.基于数据挖掘的电信经营收入分析与预测[A].电子科技大学，2014，3

[5]韩家炜， Kamber ， Morgan Kaufmann. 数据挖掘概念与技术[M].北京：机械工业出版社2000.1-68

流离失所范文第4篇

——阿尔德尼·福克斯

虚假的安心

员工流失率一直是公司人力部门最关心的一个经营参数，几乎所有公司的人力部门绩效考核都是以这个经营参数为依据的。但是在过去的四年里，大部分人力资源管理者对于这个关键数值其实并不紧张。2008年到2010年的经济大衰退，再加上2011年至今的后危机时代，失业、低迷的经济形势以及遥遥无期的经济复苏使得大部分公司职员不敢轻易离职。在这一原因驱使下，员工流失率在四年中一直呈现下降趋势。2009年1月，当全美失业率攀升至7.5%时，各个企业的职工离职率则降至历史新低。当年全美自由离职的人数只有200万人。这一数值已经打破了2001年新创下的350万的自由离职人数的纪录。

从2009年开始，离职比率一直维持着相当低的水平。人力资源的管理者们经常一脸无奈地说，“我们也希望经济尽快复苏，但是如果一直这样也不错，毕竟离职率的情况是大家都乐意接受的。”

但是这一切从今年5月开始隐约地出现了改变的迹象。今年5月，全美失业率是8.2%，按照常理，如此高的失业率意味着一个较低的员工流失率。但是，不少企业的人力部门发出了警告：一个迫在眉睫的员工流失率危机正在到来。

员工失业率与流失率的比率关系其实只是一定人才供给关系下的特例而已。“高失业率=低离职率”只是一种不稳定的人力市场现象。实际上，随着连年不断的动荡经济形势，2012年下半年的离职率远不如人们预期的那样乐观。早在2012年年初就有不少媒体进行离职意愿的调查，现在，当时调查的84%的求职比率将转化为市场上巨大的人才流动趋势。

美世咨询公司的调研更有针对性一些。在美世咨询的调研工作报告中，人们可以对2005至2010年之前的企业人才流动情况有一个系统的了解。

美世的数据显示，2005～2008年全美大部分企业的岗位流失率维持在了23%左右，与此相应的是，在此期间大部分美国企业的裁员比率维持在了20%左右。从2009年开始，世界金融进入后危机时代，就整体而言，这一时期的美国企业开始缓慢地复苏，企业的岗位数量开始放开，与此相应的是，企业的裁员比率开始缩小，至2010年，全美企业的裁员比重已经降至7%,但是令大多数人失望的是，低裁员率并没有换回低岗位流失率。根据美世咨询的调查报告，2010全美企业平均岗位流失率上升到了32%。2012年第一季度美世最新的报告显示，500强企业的美国公司岗位平均流失率达到了43%。

1.0版职工岗位流失率

为了有效应对岗位流失率，企业首先要对“岗位流失率”这个概念有全面而深刻的理解。从字面的基本含义来看，这个概念在于一个企业的在岗职工中，从岗位上卸任的不再负责先前岗位工作的人数与整体在岗人数的比值。为了进一步研究的需要，研究人员往往会将这一比值细化为自愿离岗与非自愿离岗两个分支概念。

长期以来，企业都将自己的控制重点放在了自愿离岗的问题上，因为在大部分企业的管理者看来，非自愿离岗是企业造成的，或者说非自愿离岗并不是企业反感的。相反，自愿离岗则是打了企业一个措手不及，不仅严重地影响了企业的人力计划和工作布置，同时也对企业的人力资本回报率产生了消极影响。

但是事实证明，企业的担心很大一部分是多余的，根据B&A调研公司的数据显示，在受访的125家各类企业中，存在核心员工自愿离岗现象的企业不到50%，而且离岗人数较少。从整体上说，自愿离岗其实并不像企业原来想象的那样有着严重的消极影响。

“非自愿离岗的职员，从另一个层面来讲就是企业的计划内员工流失率，因为是在计划内，企业一般不会重视这个数据的管理意义。”亚特兰大智囊顾问公司首席绩效分析师凯西·米德尔森·马丁如是说，“在我们看来，非自愿离岗现象才是我们需要认真应对的一个课题。虽然从表面来看，自愿离岗的危害性没有非自愿离岗那么大，但是，我们相信破解员工流失率的关键在于对于这个课题的攻克。”

凯西的团队致力于企业在岗员工流失率的研究工作已经有五年时间了。她在接受采访时直陈了自己对于传统降低流失率策略的批评意见。“员工流失率是在两个作用力的影响下实现的，但是我们的企业只重视对于一个作用力的控制。这是典型的‘头痛医头，脚痛医脚’。为什么要忽视非自愿离岗这个概念？我们的企业没有一个理性的解释，更多地是一种臆想与一相情愿。而事实是：非自愿离岗与自愿离岗两种情况存在着非常密切的联系。”

凯西从几个方面归纳了两种员工流失率的关系，进而批评了偏重自愿离职率的错误做法。

凯西认为，大部分企业犯了一个简单的错误，即：如果要降低员工离职率的话，并不是简单依靠降低自愿离职率可以实现的。特别是在现在这种情况下，自愿离职率本身并不高。企业完全可以把更多精力投放到非自愿离职率的控制上。否则，一相情愿地控制自愿离职率只会让离职率本身不会产生更大的变化。

凯西和她的团队最重要的贡献在于发现了两种离职率之间微妙的相互作用。

“简单地讲，企业都存在一种倾向，这就是宁愿牺牲大多数人的意志自由，也要保障处于管理位置的少数人的意志自由。”凯西向我们描述了二者之间最显著的一个联系，“管理上的确需要集中权力，但是不能因此否认决策过程的民主化。管理上独断专行而让大多数职员为错误的决策‘埋单’，并且产生矛盾之时还一味维护错误决策者的权威，这固然降低了自愿离职率，但是却极大地刺激了非自愿离职率。所以，我们的企业面对内部矛盾时，首先要做好的工作是查清是非曲直，分辨管理责任，对于错误决策者，不应姑息或者保护所谓的‘自愿离职率’，而应当拿出不惧管理者离职的勇气来保护更多职员对企业的忠诚度。”

2.0版职工岗位流失率

流离失所范文第5篇

原油外输系统是海洋工程装备FSO（浮式储油油轮）重要的工艺系统。它主要包括货油泵、外输总管、计量装置和艉外输软管装置等，其功能是通过FSO上的货油泵将储存在货油舱里的原油外输出去。基于目前国际上较为流行的Flowmaster软件，本文主要讨论原油进入艉外输软管前压力情况，及评判FSO上货油泵的外输能力。 

2 Flowmaster软件 

Flowmaster软件包含了一系列精心设计的模块用于各种各样的系统管流计算。其中，不可压模块主要用于液体及低压气态流体系统的计算。包括稳态分析、动态分析、流体平衡分析、元件尺寸分析、部件耦合影响分析及传热分析。 

3 管流水头损失计算理论 

在流体力学理论中，粘性流体在管路中流动时，由于要克服阻碍流体质点运动的内摩擦力等，必然要消耗一部分的机械能，并使这部分机械能转变成热量而散失。这种机械能的消耗称为能量损失。单位重量流体所损失的机械能称为能头损失（或水头损失）[1]。流体阻力按产生的原因不同，可分为沿程阻力和局部阻力两种。 

3.1 沿程水头损失 

流体在管道中流动时，由于流体在管壁之间有粘附作用，以及流体质点与流体质点之间存在内摩擦力等，产生为克服沿程阻力消耗的机械能，用达西方程[1]表述为： 

λ=沿程阻力系数，与流动状态、管壁的粗糙度等因素相关，由于湍流运动很复杂，很难用理论方法直 

接推导求得，实际上都是采用实验数据和经验公式来求得； 

g=重力加速度； 

v=管中的平均速度。 

3.2 局部水头损失 

ζ=局部阻力系数。 

3.3 总能量损失 

工程实际中，流体在管道中流动总是同时产生沿程阻力损失和局部阻力损失。于是，在某段管道上流体产生总的能量损失应该是这段管路上各种能量损失的叠加，即为所有沿程能量损失与所有局部能量损失的和： 

4 离心式货油泵的有效汽蚀余量（NPSHa）和必须汽蚀余量 （NPSHr） 

根据离心泵的工作原理，“汽蚀现象”是指离心式货油泵叶轮入口附近的压力小于该处温度下被输送液体的汽化压力时，液体在叶轮入口处就要汽化，叶道内液体汽化、凝结形成高频冲击负荷，造成金属材料的机械剥落和电化学腐蚀的综合现象。 

必须汽蚀余量[2]是由离心式货油泵的结构参数和流量决定的。而有效汽蚀余量[2]的大小与离心式货油泵吸入管路的参数有关，而与泵本身的结构尺寸无关，表示为： 

其中， 

Ht=货油舱液位高，m； 

Hs=吸入管路的水力损失，m； 

Pa=表面压力，m； 

PV=气化压力，m。 

根据汽蚀判别式，当时，离心式货油泵不会发生“汽蚀现象”。 

5 工程应用 

在Belida油田应用的FSO设计装有四台可调速的离心式货油泵，其中三台货油泵做并车运行，另外一台泵做备用。当FSO进行原油外输操作时，总的原油外输流量要求达到4770m3/h。根据相关的管路布置图进行判断：最恶劣的工况是1号、2号和3号货油泵并车运行，同时分别从1号左舷货油舱、2号左舷货油舱和3号左舷货油舱外输原油。 

（1）离心式货油泵的性能参数见表1。 

（2）Belida油田的原油特性参见表2。 

（3）基于流体力学原理，Flowmaster计算的结果参见图1。即：为了满足总的原油外输流量达到4770m3/h的要求，需将三台货油泵出口蝶阀开启角度的调整比率设为0.589；原油进入艉外输软管前最小压力为3bara；且货油舱的液位高度降到3.86m以下时，货油泵会发生“汽蚀现象”，从而影响原油外输的能力。