规模效应的好处范文第1篇

关键词： 供应链绩效评价；模糊综合评估；粗糙集；BP神经网络

中图分类号：C93 文献标识码： A文章编号：1003-7217(2011)05-0119-06

一、引 言

在供应链条件下，各节点企业运作行为往往具有随机性和不确定性。动态供应链绩效评价是一个包含多个指标和输入输出的复杂评估系统，各绩效指标具有模糊性、不确定性，彼此之间存在非线性关联性。软计算［1-7］理论与方法是处理动态供应链绩效这样复杂的、具有大量不确定性和模糊性的评估系统的重要技术。在相当多的领域（自然科学、社会科学与工程技术）中，都涉及到对不完备信息和不确定因素的处理。从实际系统中采集到的数据常常包含着噪声、不精确甚至不完整，如果我们采用纯数学上的假设来消除或回避这种不确定性，效果往往不理想。但如果对这种信息使用恰当的方式进行处理，常常有助于实际系统问题的解决。

二、相关研究评述

多年来，研究人员一直在努力寻找科学地处理不完整性和不确定性的有效途径，实践证明，1965年Zadeh［8］创立的模糊集理论与1982年Pawlak［9］倡导的粗糙集理论是处理不确定性的两种很好的方法。事实上，除了上述两种方法外，基于概率统计方法的证据理论也是处理不确定性的一种有效方法。以上众多的方法都属于软计算［10－15］(Soft Computing)的范畴。Zadeh教授提出了软计算的概念，软计算的主要工具包括粗糙集、模糊逻辑(Fuzzy Logic)、神经网络、概率推理(Probability Reasoning)、信任度网络(Belief Network)、遗传算法（Genetic Arithmetic）、混沌理论(Chaos)等。传统的计算方法，即所谓的硬计算(Hard Computing)，使用精确、固定和不变的算法来表达和解决问题，软计算利用所允许的不精确性、不确定性和部分真实性得到易于处理、鲁棒性强和成本较低的解决方案，以便更好地与现实系统相协调。因此，软计算作为知识获取和智能信息处理的重要手段，在许多研究领域有着广泛而深入的应用。

（一）基于模糊综合评估的供应链绩效评价

模糊集理论是经典理论的推广，它认为元素总是以一定的程度属于某个集合， 也可能以不同的程度属于几个集合。经典理论中集合的边界是清晰的，而模糊集理论中集合的边界是不清晰的，对人们显示生活中大量使用的一些含义确定但不准确的语言表述，模糊数学可以较好地表达，因而可以自然地用于事物的评价。

在动态供应链绩效评价体系中，各绩效指标之间往往存在着复杂的因果关系，这些指标中既有定性指标也有定量指标，具有模糊和不确定的特点，模糊综合评估方法为处理这种不确定性提供了有力的工具，它能够尽可能地减少个人主观臆断所带来的危害，为合理评价决策提供科学的依据。作者在文献［16］中详细讨论了基于模糊综合分析的供应链绩效评价方法，并结合Markov链预测理论给出了供应链绩效未来的发展趋势。

（二）基于粗糙集约简的供应链绩效评价

Rough集理论是一种刻画含噪声、不完整、不精确、不相容的数学工具，它能有效分析和处理不精确、不一致、不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律，是一种重要的软计算技术。其主要思想是在保持分类能力不变的前提下，通过知识约简，导出概念的分类原则。Rough 集理论是基于不可分辨的思想和知识简化的方法，从数据中推理逻辑规则作为知识系统模型。

如前所述，在供应链条件下，各节点企业运作策略具有动态可调节性，其运作行为具有随机性和不确定性，这就要求在对供应链绩效进行评价必须采用动态评价方法，同时对供应链在未来某一时刻的整体绩效进行预测。粗糙集及其约简理论是处理这种不确定性的重要技术。作者在文献［17］中基于粗糙集理论的绩效评价模型，建立了动态供应链绩效评价决策表，利用粗糙集约简方法得到了预测绩效评价结果的决策规则集，并把粗糙集约简和模糊综合评估技术相结合进行动态供应链绩效评价，显然地缩小了数据处理的规模，降低了模型的计算复杂度。

（三）基于神经网络的供应链绩效评价

神经网络可大规模地并行处理和分布式地存储信息，具有良好的自适应、自组织性以及很强的学习功能、联想功能和容错功能。与当今的冯诺依曼式计算机相比，更加接近人脑的信息处理模式，主要表现为能够处理连续的模拟信号。神经网络并行分布工作，各组成部分同时参与运算，单个神经元的动作速度不高，但总体的处理速度很快。神经网络信息存储分布于全网络各个权重变换之中，某些单元障碍并不影响信息的完整。传统计算机要求有准确的输入条件, 才能给出精确解。神经网络只要求部分条件，甚至对于包含有部分错误的输入，也能得出较好的解答，因此具有较好的容错性。

动态供应链绩效评价是一个包含多个指标输入输出的复杂评估系统，各绩效指标具有模糊性，彼此之间存在非线性关联性。针对这样一个复杂的评估系统，作者曾利用BP神经网络技术来找出供应链绩效评价系统输入-输出之间的非线性映射关系，从而对动态供应链绩效评价结果进行学习和预测。通过与粗糙集约简理论相结合，简化了BP神经网络的结构设计，减小了运算量。

（四）几种软计算方法的优缺点

软计算是一个方法的集合体，目前主要包括粗糙集、模糊逻辑、神经网络、概率推理、信任度网络、遗传算法以及混沌理论等。软计算方法已广泛应用于包括模式识别、数据挖掘、系统评价、故障诊断、专家系统等在内的诸多领域的不精确、不确定问题。软计算方法按照其特点各有优势。例如，模糊集可以通过对人类思维建模来给不确定性问题提供自然的解决机制；粗糙集在属性约简和规则抽取方面性能优良；神经网络对噪声具有强鲁棒性，分类精度高；遗传算法广泛用于优化搜索问题。 同时，以上软计算方法依照算法的不同有各自的局限性：模糊集过度依赖专家知识，遗传算法收敛速度慢、稳定性差，神经网络训练时间过长、知识解释性差，而粗糙集对数据中的噪声较敏感。本文为了克服单一方法的局限，试图通过集成两种或两种以上的软计算方法的软计算融合系统来解决供应链绩效评价的实际问题［6, 7］。

财经理论与实践(双月刊)2011年第5期2011年第5期(总第173期)郑 培，万 炜：基于智能信息处理的供应链绩效评价方法

（五）软计算融合技术在动态供应链绩效评价中的应用

作者详细研究了模糊综合分析、粗糙集理论、神经网络等软计算技术在动态供应链绩效评价中的应用方法。从文献［16-17］实验结果可以初步看出，通过把几种软计算技术融合起来应用于供应链绩效评价，就能够克服单一智能信息处理方法的缺陷，取得更好的效果。本文使用的几种软计算技术能在多个方面进行融合［6, 7］。

粗糙集和神经网络的融合。通过粗糙集的属性约简可以显著减少原始数据量，使神经网络训练时间缩短，从训练后的神经网络中抽取规则也可显著提高神经网络中知识可理解性；神经网络的强鲁棒性也可解决粗糙集处理数据中的噪声问题。

粗糙集理论和模糊集理论的融合。粗糙集理论和模糊集理论都是研究信息系统中知识不完善、不精确问题的方法，但粗糙集理论解决问题的出发点是信息系统中知识的不可分辨性，而模糊集理论则关注信息系统中知识的模糊性，两者在处理方法上各有特色。两者的结合可以更好地解决信息系统中不完善、不精确性知识的问题。

模糊集和神经网络的融合。模糊集和神经网络的融合主要有模糊神经网络和神经模糊系统。神经模糊系统以神经网络为主，结合模糊集理论，将神经网络作为实现模糊模型的工具，即在神经网络的框架下实现模糊系统或其一部分功能。从结构上看，一般是四层或五层的前向神经网络。模糊神经网络是神经网络的模糊化，即以模糊集、模糊逻辑为主，结合神经网络方法，利用神经网络的自组织性，达到柔性信息处理的目的。

三、基于智能信息处理的供应链绩效评价方法比较

（一）基本思路

在作者以前的研究里，曾应用模糊综合分析、粗糙集理论和BP神经网络等智能信息处理方法建立了多个供应链绩效评价模型，本文对这些评价模型的效果和优缺点进行了分析和总结。我们的基本思路是以某动态供应链为例，选取合适的绩效指标集，对得到的绩效指标按照评价模型的数据要求进行预处理，然后输入到不同的动态绩效评价模型中进行处理，对各个绩效评价模型进行解算。通过对模型输出的结果的比较和分析来归纳各个绩效评价模型的主要特点，并对评价模型的实际效果进行总结。

（二）数据预处理

如前所述，本文已经根据文献［15］提出的供应链五维平衡计分卡，选择了15个关键绩效指标作为动态供应链的绩效评价指标集C，C＝{F1, F2, F3, C1, C2, C3, P1, P2, P3, P4, L1, L2, L3, S1, S2}。在15个绩效指标中，既有定性指标，也有定量指标。由于BP神经网络只能处理数值向量，因此在这些绩效指标输入BP网络训练之前必须对它们进行预处理。在基于粗糙集理论的供应链绩效评价模型里，根据决策表信息约简的要求，需要对所有属性的取值进行离散化处理。这里对某动态联盟供应链绩效决策表条件属性采用表1的方法进行离散化处理。

假设根据历史经验或供应链行规，把供应链的绩效评价结果划分为G1、G2、G3、G4四个等级，分别对应供应链绩效评价为优、良、中、差的状态，其划分的依据如表1所示。

在基于模糊综合评估的供应链绩效评价模型里，表1将作为构造各绩效指标属于各类的隶属度函数的依据。

（三）实验结果比较与分析

实验的数据源仍采用文献［15］某供应链相关指标的调查结果，经调查得到该供应链在2007年1~12个月的绩效指标取值和绩效综合评价结果。本文已经详细讨论了对该供应链绩效采用基于BP网络训练和学习的过程，并结合粗糙集约简给出两者相结合的混合绩效评价方法及结果。

BP网络学习完毕后，就可以用来对下一评估时刻的供应链绩效进行预测。针对上述供应链，经调查得到该供应链在2008年前4个月的绩效指标取值结果，如表2所示。

将上述各绩效指标规一化后输入训练好的BP网络，得到相应的输出向量分别为(0.0023, 0.998, -0.002, 0.007)、(-0.008, 0.003, 0.988, -0.005)、(-0.008, 0.958, -0.008, -0.002)和(0.987, -0.010, -0.005, 0.005)。据此可判断该供应链在2008年1~4月的绩效综合评价结果分别为G2、G3、G2、G1。

进一步，针对表1所示的供应链绩效分级标准，可以通过Rough约简得到供应链绩效分级决策表的最佳约简，即供应链绩效评价的关键绩效指标集。通过约简得到供应链绩效评价的关键指标集为{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，这样这12个关键绩效指标就构成了BP网络的输入层节点。把表2所示的供应链在2008年1~4月的关键绩效指标量化结果输入训练好的BP网络，可求出其相应的绩效评价结果分别为G2、G3、G2、G1，与供应链绩效实际调查结果一致。

下面，针对同一供应链，分别采用基于粗糙集理论的动态供应链绩效评价模型、基于模糊综合评估的供应链绩效评价模型及两者的结合来得出供应链绩效评价结果，并进行方法间的比较。

在基于粗糙集理论的供应链绩效评价模型里，先对各绩效指标进行离散化处理,离散化后的该动态供应链绩效决策表如下。

对于表3所示的绩效评价决策表，利用约简算法对决策表进行属性约简，以便去掉决策表的冗余条件属性。进一步，利用归纳值约简算法对绩效决策表进行值约简，可以得到一系列用于供应链绩效评价的决策规则集。由于决策属性值被离散化为四个等级，亦即信息系统具有四个概念。针对这四个概念的最一般规则分别为：

根据上述关于决策属性取值的最一般规则，就可以对某一考察周期动态联盟的综合绩效评价结果作出判断。当条件属性集不完全满足规则前件时，可以选取关于各个概念的次一般(或可信度较高)的生成式规则对绩效作出综合评估。

把表2所示的该供应链在2008年前4个月的绩效指标离散化，然后针对上述供应链绩效评价决策规则进行匹配，可得这4个月供应链绩效综合评价结果分别为G3、G3、G2、G1。

接着，采用模糊综合评估方法来对同一供应链的绩效评价结果进行分析。首先建立模糊关系矩阵，单因素评价矩阵取各因素在评价集上的隶属度，各隶属度函数均取为二次函数。根据供应链绩效分类标准表1，建立F1属于各类的隶属度函数为：

同理，可分别建立其它绩效指标属于各类的隶属度函数，对应绩效评价指标集C的权向量取为：

W=(0.17,0.06,0.02,0.08,0.13,0.02,0.05,0.04,0.10,0.01,0.10,0.04,0.05,0.11,0.02)

于是，由模糊综合评估法可求出该供应链在2008年前4个月的绩效分别为G3、G3、G2、G1。

最后，采用结合了粗糙集约简和模糊综合评估的动态供应链绩效评价方法来得到该供应链绩效评价结果。首先借助于动态供应链绩效评价决策表对绩效评价指标进行约简和降维，通过Rough约简得到供应链绩效评价的关键绩效指标集为{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，根据供应链绩效分类标准表2分别建立上述关键绩效指标属于各类的隶属度函数，然后利用模糊评估方法对供应链绩效进行综合评价。根据该混合供应链绩效评价方法求出该供应链在2008年前4个月的绩效分别为G2、G3、G3、G1。

我们给出了采用上述五种基于智能信息处理的绩效评价方法得到的该供应链在2007年1月~2008年4月间绩效评价结果的变化趋势，如图1所示。其中，如图例所示圆圈、方块实线、下三角实线、粗标圆卷实线和带星虚线分别代表了对应月份由五种评估方法得到的供应链绩效评价结果。

图1 某供应链采用五种绩效综合评估方法得到的评价结果

从图1可以看出，采用五种不同的供应链绩效评价方法得到的结果略有差异。这一差异由多种原因引起，首先基于BP神经网络的绩效评价方法和基于粗糙集理论的绩效评价方法都是有监督的智能学习算法，即在对动态供应链绩效评价结果作出预测之前，都有个训练的过程，这需要大量的历史数据。而基于模糊综合评估的供应链绩效评价方法隶属度函数主要由绩效分级标准确定，并不“显式”地需要历史绩效结果。其次，许多基于智能信息处理的绩效评价模型都需要事先确定一些参数，如BP网络需要确定网络结构、学习速率、冲量因子；模糊综合评估需要确定指标权值和隶属度函数表示方法等。另外，不同的绩效评价模型对输入数据的要求各不相同，BP神经网络和模糊综合评估处理的是连续数据，粗糙集约简处理的是离散数据，而实际获得的绩效指标中既有定性指标，也有定量指标，这就需要在绩效指标输入模型之前进行预处理，预处理方法的不同导致模型输出有很大的差异。上述几种不同的基于智能信息处理的供应链绩效评价方法输出结果与供应链实际绩效基本相符，在实际使用时要根据情况灵活选择。

此外,实验结果也表明通过几种智能信息处理方法融合在动态供应链绩效评价中能取得更好的效果。通过粗糙集约简和模糊综合评估的融合，显然缩小了数据处理的规模，降低了评估模型的计算复杂度，同时克服了模糊评估过度依赖专家知识（领域知识）的缺点。通过粗糙集约简和BP神经网络的融合，降低BP网络的设计复杂度，克服了神经网络训练时间长、知识解释性较差的缺点。两种融合方法都保持了较高的准确度，在动态供应链绩效评价中更为有效。

本文的研究结果弥补了目前国内外动态供应链绩效评价中智能信息处理方法的融合理论研究少、应用不够深入的缺点，对实际供应链运作与管理中基于软计算的动态绩效评价模型和方法的选择与应用具有理论指导意义。

四、结 论

软计算作为知识获取和智能信息处理的重要手段，在供应链绩效评价领域有着良好的应用前景。越来越多的学者开始集成两种或两种以上的软计算方法的智能信息融合算法来克服单一方法的局限性。本文针对之前使用的模糊综合评估、粗糙集约简及BP神经网络等软计算方法在动态供应链绩效评价中的主要特点和效果进行了简要的比较和分析，指出了每种方法的优缺点。然而，由于每种智能信息处理方法存在着本质上的差异，对这些方法间的效果差异进行严格的比较存在理论上的困难。某种智能信息处理方法可能适用于某种供应链，而另一种智能信息处理方法则可能更适用于另一种供应链。因此，在实际使用时，要根据供应链具体情况灵活选择或融合多种智能信息处理方法以取得更好的效果。

参考文献：

［1］Anna, M. R. and Etienne, E. K. A comparative study of fuzzy rough sets［J］. Fuzzy Sets and System, 2002 ，126（2): 137-155.

［2］Nagatanit, Helbingd. Stability analysis and stabilization strategies for linear supply chains.［J］.Physica A., 2004, 35 (3-4): 644-660.

［3］Mohamed. Q. A-RST: a generation of rough set theory［J］. Information Science, 2000 ，124（1-4): 301-316.

［4］Roman, W. S., Larry, H. Rough sets as a front end of neuraln-etworks texture classifiers［J］. Neurocomputing, 2001, 36: 85-102.

［5］Yahia, M. E., Mahmod R. and N. Sulaiman, et al. Rough neural expert systems［J］. Expert Systems with Applications. 2002, 18: 87-99.

［6］McKee, T. E., Terje, L. Genetic programming and rough sets: a hybrid approach to bankruptcy classification［J］. European Journal of Operational Research, 2002 ,138: 436-451.

［7］Bolch G., Greine, S., H. D. Meer, etc. Queuing networks and markov chains-modeling and performance evaluation with computer science applications (2nd edition)［M］. A John Wiley & Sons, Inc., publication, 2006.

［8］Zadeh L. A. Fuzzy sets［J］. Information and Control. 1965, 8 (3): 338-353.

［9］Pawlak, Z. Rough set-theoretical aspects of reasoning about data ［M］. Boston: MA: Kluwer Academic Publishers, 1991.

［10］曹庆奎,阮俊虎.基于粗糙集-未确知测度的矿井通风系统合理性评价［J］.科学决策,2009.5:89-94.

［11］刘敬学,陈曦. 基于神经网络的专家预测方法研究［J］.科学决策,2009,11:78-81.

［12］Bhagwat and Sharma.Management of information system in SMEs: an exploratory study. ［J］.International Journal of Enterprise and Network Management. 2006,1(1): 99-125.

［13］Bititici et al..Implementation of performance measurement systems:private and public sectors［J］. Editorial, Production Planning and Control. 2005,16(2):99-100.

［14］郑培，黎建强. 基于BP神经网络的供应链绩效评价方法［J］.运筹与管理，2010,19(2):26-32.

［15］宋莎莎,戴锋,卫保璐.基于模糊层次分析法和聚类分析的突发事件分级研究［J］.科学决策,2010,10:68-72.

［16］郑培，黎建强. 基于模糊评估和马尔可夫预测的供应链动态平衡记分卡研究 ［J］. 系统工程理论与实践，2008，4(4): 57-64.

［17］郑培，黎建强. 基于粗糙集理论的供应链动态绩效评估方法研究 ［J］. 运筹与管理,2008,10(5):6-11.

［18］王俊峰,刘立东.基于博弈论的闭环供应链中三方协调研究［J］.科学决策,2009,(3):33-37.

Supply Chain Performance Measurement Methods based on Intelligent Information Processing

ZHENG Pei 1, WAN Wei2

（College of Business Administration, Hunan University, Changsha Hunan 410082, China）

规模效应的好处范文第2篇

【关键词】 物联网 大数据预警信息 处理规则

伴随着计算机技术的发展，物联网技术已经应用在社会生活的多个方面，因此运用物联网技术也将有力的推动信息的获取效率的提升，同时也将提升信息数据处理和分析能力，对于满足人们的数据处理要求提供了有效的保障。因此为了进一步发挥信息资源的作用，拓宽信息资源的获取渠道，需要建立完善的信息收集和分析的处理系统，处理好信息资源的集中收集问题，为社会经济的发展奠定良好的基础。

一、大数据预警信息高速处理规则的特点

通过应用以物联网技术为基础的大数据预警信息的高速处理引擎将能够更有效的实现对物联网相关业务数据的收集，同时针对所收集到的信息资源的不同特点，实施分类化的数据处理，进而有效的提高了业务处理的效率，实现了规则管理中的自动化管理；其次通过应用该数据处理引擎能够更有效的将规则引擎技术应用在各个层面中，同时将相关的信息资源进行有效的分离，这就为相关工作人员工作效率的提升奠定了良好的基础，有助于提高业务处理效率，并全面提升工作水平。

二、基于物联网的大数据预警信息高速处理规则的设计

1、设计目标。以物联网为基础的规则引擎设计对象是大数据的预警信息分类处理，而通过应用一定的规则能够快速的对物联网当中所形成的相关数据进行处理和分析，同时将数据资源及其处理结果动态化的提供给相关的使用者。因此该规则引擎的主要设计目标就是灾害的预警数据信息以及预警信息业务的逻辑分离。而实现对业务逻辑规则的集中管理也是该规则引擎中的主要设计重点。通过将应用数据库当中的相关对象置于事实库当中能够在一定程度上提高数据处理效率并提升工作效率[1]。该规则引擎的主要作用体现在两个方面，首先是能够有效的提升物联网大数据的预警信息分析处理能力，其次是可以对相关的业务规则实施独立的管理，进而维护系统的安全性。

2、系统结构。该规则引擎系统中主要包括五个部分，分别是推理模块、创建模块、事实库以及规则库和数据库[2]。其中的推理模块是对规则库以及事实库中的相关数据进行有效的计算，同时解决好处理中出现的相关冲突，确保所有的数据都能顺利的存储进数据库当中；规则创建模块的主要任务就是满足规则库在运行过程中的各种要求；事实库是对于所推测的数据进行动态化的修改；数据库的主要任务是及时有效的对物联网运行中所产生的相关数据进行处理，同时还需要针对相关数据处理的结果实施再次的存储；规则库的主要存储目标是物联网中的大数据预警信息的相关数据，以及所建立起来的生产方式相应的规则。

三、应用分析

3.1规则创建模块

在判断相关的规则是否是正确的时候，首先应该把相关的规则文件放置于解析器当中，并运用相关的语言识别工具进行正确性检查。在检查的过程当中值得注意的是其格式的具体要求，文件的扩展名应该是.drl，也可以是.xml。在对规则进行描述之前，需要对该规则的正确性进行有效的判断，接下来还要创建“descr”这类型的中间结构。除此之外，要为生包器当中有效的传入AST，进而有效的建立起包含单规则或者多规则package对象。

3.2规则库

在规则库当中通过使用REOHIWI的规则语言来进行规则的编写，同时运用一定的参数实施逻辑连接，最后在该规则库当中将整合完成的相关数据进行存储。

3.3推理模块

推理模块的任务是对规则库以及事实库当中的相关数据进行有效的加载，同时应用一定的计算规则实现对规则库及事实库中的数据进行匹配，同时对于在匹配过程中出现的各种冲突进行快速有效的解决，最终将相应的计算结果数据存储于数据库当中。该模块主要遵循以下运行程序：以规则库作为运行前提，将package的对象全部添加至RULEASE的对象当中，确保工作记忆出现弱化时及时的对其进行强化[3]。

3.4事实库

稻菘馑处理的相关信息，也就是存储于事实库中的信息，对于多项的大数据信息处理时，可以实施业务处理以及灾害处理，同时还能实现对推理模式的事实匹配。

结语：本文以物联网技术为基础，对大数据信息预警高速处理的规则进行了探究和分析，针对系统构建的规则进行了探讨。通过对信息规则的自动化管理，将有效的提升信息处理的效率，因此将加快业务的办理效率，通过应用该信息系统能够有效减少相关业务处理中的步骤，实现了信息数据的高速运行和处理，这对社会经济的发展将起到重要的推动作用。

规模效应的好处范文第3篇

近年来，国内很多规模化养猪场实施了猪场废水的处理工作，按采用工艺技术，有厌氧处理工艺、厌氧处理+好氧处理工艺、好氧处理工艺。近年高效厌氧反应器作为厌氧处理的方法被多数的规模化养猪场采用，COD去除率可达70%~80%，好氧处理则采用生物接触氧化法和活性污泥法，COD去除率可达50%~60%，出水修饰采用氧化塘作为最后部分。经过这样的工艺组合处理可达到国家三级排放标准。规模化的养猪废水处理模式主要包括三种：自然处理、还田和工业化处理法。

二、自然处理

利用土地的净化能力和水体的自净作用处理猪场的污水称为自然处理。这种模式多数采用人工湿地等自然处理系统和稳定塘。适用于土地宽广、远离城市，气候温和，尤其是有林地、低洼或荒地作废水自然处理系统的养猪场。实现猪场废水资源化、无害稳定化的生态处理技术是通过微生物、植物、土壤组成的系统。在国外，规模猪场废水处理法通常包括好氧塘与水生植物塘进行处理、多级厌氧塘、兼性塘。这种方法占地面积较大、水力停留时间较长。近些年来渐渐地被其他更有效的处理方式所替代。在国内，稳定塘常常作为厌氧、好氧系统出水的后处理。把稳定塘作为工艺主体进行猪场废水处理，南方要比北方多一些。20世纪70年代末，发展人工湿地污水处理技术作为的一种新型污水处理新技术。涵盖了物理、化学和生物三部分作用，具有费用低、负荷变化适应能力强以及处理效果好，除氮、磷能力强等优势。人工湿地处理畜禽养殖废水的情况在欧美国家被普遍采用。在国内，从植物的筛选和处理效果进行考察。通过一些实验研究与工程应用于人工湿地处理猪场废水方面。

三、还田模式

将粪便废水还田作为肥料，这种方法即是传统的又经济有效的处置方法，可以让粪便废水不向外界环境排放。在土壤微生物通过植物的共同作用下，有机氮磷转化成无机氮磷、有机物质被分解转化成植物生长因子和腐殖质，维持并提高土壤肥力，促进有益微生物的生长。还田模式的主要优点：废物资源化、可以减少化肥施用、投资省、耗能低。缺点：需要大量农田、雨季以及非用肥季节须考虑粪污的出路。在美国，粪便废水还田之前是贮存一定时间后再直接灌田。一般没有通过专门的装置进行厌氧消化。为了能去除病原菌和寄生虫卵，德国等欧洲国家是把粪便废水通过中、高温厌氧消化后再进行还田利用。在国内，为了避免有机物浓度过高导致作物烧苗和烂根，同时减少温室气体排放，又能回收清洁能源沼气等。通常采用厌氧消化后再还田利用。厌氧发酵液含有丰富的微量元素和维生素等营养物质，如氮、磷、钾、以及多种氨基酸，并且还能杀灭虫卵和有害菌。

四、工业处理

此模式的粪便废水处理系统包括预处理、好氧处理、厌氧处理、后处理、贮存与利用、污泥处理及沼气净化等部分组成。该模式适用于土地紧张、没有充足的农田地消纳的大城市近郊的经济发达地区。这种模式通常采用物理-化学处理法和生物处理法。物理化学方法在猪场废水处理中起到预处理和后续处理的作用。猪场废水的前处理包括固液分离处理，这样可以减轻负荷，有利于后续处理。而生物处理法是目前猪场废水处理方法中最广泛的。利用微生物的生命代谢过程把废水中的有机物转化为新的微生物细胞和简单形式的无机物。这样可以达到去除有机物的目的。生物处理法又同时包括厌氧生物处理和好氧生物处理两部分。一个有多种微生物类群参与的生物化学过程称为厌氧处理，即是厌氧甲烷化。向装有好氧微生物的构筑物或容器中不断地供给充足氧的条件下，利用好氧微生物分解废水中的污染物质称为好氧生物处理法。总之，好氧处理技术和厌氧处理技术都有各自的优势与不足。所以在实际应用中，通常将二者工艺结合在一起使用。大部分有机物通过厌氧阶段去除，把好氧处理作为厌氧处理的后处理，这样好氧部分的运行费用和规模就会减少，进而降低投资与运行成本。

五、展望

规模效应的好处范文第4篇

关键词：电力工程管理 PDCA管理模式 概念 运用

中图分类号：F42 文献标识码：A 文章编号：1672-3791（2015）08（c）-0117-02

电力工程作为具有广泛社会意义的基础设施工程，其管理和施工水平直接关系到人们生活和生产用电安全性、稳定性以及可靠性。PDCA管理模式是随着计算机信息技术发展而逐渐兴起的一种管理模式，具有集约化、一体化、规范化管理的特点，在电力工程管理中的应用，能够以其先进的管理模式，显著提高电力工程管理水平和效率，这对于推动我国电力行业以及国民经济的发展具有非常重要的作用，由此可见PDCA管理模式的重要性。因此，文章针对电力工程管理中PDCA管理模式运用的研究具有非常重要的现实意义。

1 PDCA管理模式的概念分析

PDCA管理模式指的是对企业管理的全过程进行分析和研究，通过图表的形式进行形同的体现，在管理的过程中应该重点体现人的主导地位。PDCA管理模式中，P表示计划，即根据实际状况制定合理的目标、方针以及计划，必要时制定详细的措施；D表示执行，当计划制定完成后，应该按照计划贯彻和落实各个项目；C表示检查，在执行计划的过程中，还应该加强检查，以此保证执行效果；A表示处理，总结实践经验，并编制具体的制度与规格，即PDCA管理模式是一种全过程、动态管理模式，在进行管理的过程中，应该根据实际状况制定具有针对性的管理措施，保证管理水平和效率。

2 PDCA管理模式在电力工程管理中的运用分析

2.1 计划阶段的管理

电力工程在实施PDCA管理模式时，应该创建完善的管理计划，并制定具体的管理措施和方案，具体包括以下几个方面。

（1）人员管理计划。应该根据电力工程项目的实际状况，细分部门类型，为不同的部门制定相应的人员管理计划，以此保证不同部门的管理人员都有明确的工作要求和工作范围。

（2）外部环境管理计划。在制定计划时，应该对电力工程外部环境状况进行认真、全面的调查，然后制定科学的环境管理方案，对于运行换种存在的泄露、超压以及火灾等安全隐患，应该采取针对性的措施进行处理，同时做好预防和应急方案，以备不测之需，进而保证电力设备在良好的环境中运行。

（3）设备管理计划。电力设备是电力工程的重要组成部分，为了保证电力设备始终安全、稳定的运行，应该根据设备内部运行环境，制定检测与管理计划，定期展开检查工作；根据电力设备的特点以及实际运行状况，制定科学的管理计划，计划应该包括所有的电力设备，尤其是重要的电力设备，应该制定特殊的管理计划，当电力设备出现故障或者问题时，能够及时采取针对性的措施进行处理，不至于出现措手不及的现象。

2.2 执行阶段的管理

执行阶段是PDCA管理模式的重要组成部分，按照标准、规范的流程进行管理，能够显著提高管理质量和管理效率，进而保证整个管理过程顺利、高效地进行。执行阶段的管理内容主要包括几个方面。

（1）在进行执行阶段的管理时，应该根据电力工程的实际状况，创建完善的信息数据库，充分利用网络信息化的优势，做好每一项工作计划的规划工作，记录电力工程建设施工的整个过程，尤其是施工过程中出现的问题，还应该记录问题的应对措施，数据信息的记录采用网络储存与本地储存结合的方式。

（2）为了保证管理计划能够真正的贯彻和落实，应该密切关注和调查监测实际执行过程，在电力工程施工之前，对施工过程中可能出现的突发状况或者变化等，应该制定相应的应对措施，一旦出现上述问题，及时、准确地做出合理的调整，保证管理计划按照既定流程进行。

（3）在执行的过程中，应该落实责任制度，充分调动相关负责人的积极性和主动性。通过人力资源管理，将工作人员安排到制定的工作岗位，并在岗位上发挥自身最大的作用，明确各个部门负责人的责任，为了提高责任落实的效果，应该采取多样化的培训方式，提高各部门负责人的责任意识，以此保证电力工程顺利、高效地展开。

2.3 检查阶段的管理

做好检查阶段的管理工作，对于提高电力工程管理水平具有至关重要的作用，为了做好检查阶段的管理工作，应该做好以下几个方面的工作。

（1）在执行的过程中，应该加强对所有环节的检查和管理，尤其是重要环节，更应该增加检查力度，做好定期和不定期检查工作，防止在工程施工的过程中出现问题。

（2）如果在检查的过程中发现问题，应该追究相关负责人的责任，并给予相应的处罚，然后查找导致问题的原因，根据工程的实际状况，对实施方案和计划进行改进和完善，以此保证电力工程顺利、有序地进行。

（3）做好管理计划和方案的检查与动态跟踪检查工作，以此保证各个环节能够按照既定的流程进行。

2.4 处理阶段的管理

处理阶段的管理具有科学性、动态性的特点，该阶段管理工作的主要目的是对PDCA管理模式在实施过程中存在的问题，采取针对性的措施进行处理，对PDCA管理模式进行改进和完善。想要做好处理阶段的管理工作，应该从以下几个方面进行。

（1）该阶段是一个灵活、动态的阶段，在该阶段，应该针对检查阶段发现的问题，采取相应的措施进行处理，同时还应该和执行阶段采取的措施进行比较分析，总结教训和经验，为制定更加清晰、合理、有效的管理计划提供可靠的参考。

（2）由于电力工程的特殊性，其施工过程具有施工人员众多、工艺复杂、工期长、风向高等特点，因此在处理阶段，应该根据电力工程的特点，采取科学、有效的处理措施解决该阶段存在的问题。

（3）处理阶段并不是一个结束的阶段，因为PDCA管理模式是一个循环式、动态式的管理模式，在实践的过程中总结经验，为下一个项目的施工和管理提供可靠的参考。因此，必须保证处理阶段的总结和经验的科学化、合理化以及规范化。

3 结语

总而言之，电力工程作为我国重要的基础工程，其管理水平不仅直影响社会用电安全性和稳定性，同时还影响国民经济的发展，PDCA管理模式在电力工程管理中的应用，通过对电力工程项目进行全过程分析和管理，明确和落实责任制度，能够及时、准确地发现电力工程施工过程中存在的问题，并采取针对性、有效的措施进行处理，对电力工程管理流程进行改进和完善，显著提高电力工程工程效率和工程质量，这对于实现电力工程的规范化、科学化以及系统化管理具有非常重要的推动作用。

参考文献

[1] 毛雅君.PDCA管理模式在电力工程管理中的运用[J].东方企业文化・企业管理，2013（1）：92.

[2] 李杨，李莹.基于PDCA管理模式在电力工程管理中的运用研究[J].科技资讯，2015（4）：126.

规模效应的好处范文第5篇

关键词 ：证券公司 DEA 效率 冗余率

引言

效率是经济学研究的重点问题之一，效率最大化也是证券公司经营管理过程中所追求的目标之一，证券公司经营效率的高低不仅集中体现了自身竞争力大小，同时也反映了一个国家资本市场的发展状况。随着证券市场的全面开放、金融行业国际化进程的不断加快，证券业的竞争环境也发生了较大的变化，与国际知名证券公司相比，我国的证券公司在资本实力、业务范围、风险意识、创新能力、员工结构等方面还存在着诸多问题。基于此，对证券公司的效率进行计算和分析显得尤为重要。

运用DEA方法测量公司的效率，在我国金融机构中运用相对较晚，起初多用于对银行效率的测度，后发展到证券和保险领域。张健华（2003）应用DEA模型和Malmquist指数对我国三大类共51家银行自1997-2001年的效率变化情况进行了横向和纵向分析。朱南和刘一（2008）应用DEA方法对2005和2006两年中国42家证券公司的经营效率进行了横向和纵向的比较分析。李慧（2009）、刘彦（2010）运用DEA方法，以不同投入和产出指标分别对2008年国内39家、102家证券公司的经营效率进行了研究，得出目前国内证券公司整体效率低下，存在内部资源配置能力较低或规模无效率的状况。

实证方法及模型选取

数据包络分析（Data Envelopment Analysis）简称 DEA，主要应用两种模型，即CCR模型和BCC模型。由于CCR模型规模收益不变的前提是所有DMU都以最优规模运行时才合理，但证券公司在经济市场中受不完全竞争、资源约束等各方面条件的影响，并非都能够在最优规模下运行，故在BCC模型下的效率度量更能够有效地反映实际效果。另外，Lovell（1993）曾建议，如果生产者需要满足市场的需求，同时假如能够自由地调整投入量，宜采用“投入导向”的模型。证券公司属于此类型，故本文使用的均是“投入导向”的模型进行生产效率分析。

BCC模型基于CCR模型，从效率度量中分离出规模效率（Scale Efficiency， SE），求解另一个效率值——纯技术效率（Pure technology efficiency，PTE）。构造VRS情况下的效率度量模型，假设有N个证券公司作为决策单元（DMU），每个证券公司使用I种投入生产O种产出。第i个证券公司的投入向量和产出向量分别用xi、yi表示，则所有证券公司的投入矩阵X和产出矩阵Y分别为I×N和O×N阶。

在CCR模型中加入凸性约束条件N1`λ=1即可，N1为N ×1阶单位向量：

（1）

其中θ为纯量，即为第i家证券公司的效率值，满足0≤θ≤1，且当θ=1时表示该证券公司位于效率前沿面上，是技术有效的。λ是N ×1阶常数向量。

对于同一DMU来说，如果CRS和VRS下得出的效率值不一致，则说明存在规模上的无效率，两者存在以下关系：

TE=PTE×SE （2）

对于以上规模效率的度量仍存在不足，若证券公司本身规模无效，则不能判断该公司是在规模收益递增还是递减区域运行，这样规模效率分析就无法体现其价值。如果在式（1）中将N1`λ=1替换为N1`λ≤1，得到另外一个规模报酬非增（NIRS）的情形，判断NIRS与VRS情形下的技术效率是否相等，若相等，则说明DMU在规模效益递减区域运行；若不等，则说明DMU在规模效益递增区域运行，便解决了不足。

实证分析

（一）样本选择

样本选取主要依据2008-2010年中国证券业协会公布的经营状况综合排名，按每年排名所用七大类财务指标进行筛选，取三年七项指标均位于中位数以上的公司，按同质性原则，排除不符合要求和数据缺失的样本，最后选取30家证券公司作为分析样本。数据均取自于中国证券业协会官网上公布的协会会员的年度财务报告，数据来源可靠性较强。样本公司与协会每年度公布的综合排名基本吻合，能够有代表性地反映出2008-2010年间我国证券公司的整体经营状况。

（二）投入产出指标的选择

首先，根据传统的柯布-道格拉斯生产函数，选取具有代表性的劳动要素和资本要素两方面，将投入指标细化为员工人数、注册资本金以及资本投入（营业支出-员工薪酬-营业税金及附加）。其次，考虑到要反映出证券公司的综合生产经营状况，故选取营业总收入作为产出指标，能比较综合地反映其经纪、承销、自营和受托资产管理等业务的经营状况。

此外，DEA方法在投入产出指标的选取上有数量的限制。按照经验法则（Rule of thumb），DMU数量至少应是投入与产出指标数量之和的2倍，否则会降低DEA方法的解释力度。本文选取3项投入、1项产出指标和30家证券公司作为DMU，满足经验法则的要求。

（三）实证结果及分析

1.证券公司效率分析。由DEAP2.0软件计算所得证券公司三年的TE、PTE、SE以及NIRS数据可知（见表1），TE处于有效状态的证券公司2008年2家、2009年4家、2010年3家，三年期间处于技术有效率状态的公司并不稳定；纯技术有效的证券公司2008年9家、2009年10家、2010年7家，其中有6家证券公司三年始终处于纯技术有效率状态；在SE方面，处于相对规模效率有效的证券公司逐年减少，整体SE处于下降状态，在经营规模方面应做出适当调整。

综合上述三年各项指标可发现，受金融危机影响，我国证券市场波动较大，证券公司的经营效率处于不理想的状态，达到相对技术有效的公司占比较少，三年分别为6.67%、13.33%、10.00%，可见在此阶段公司将资源有效转化为服务和收益的能力处于较低水平，需在今后经营中加以提高。

为避免单纯测度TE的片面性，本文分析TE分解后的PTE和SE。从PTE来看，达到相对有效的公司占比分别为2008年30.00%、2009年33.33%、2010年23.33%，三年始终为纯技术有效的公司占比20.00%，与TE相比略高，但仍显现出证券公司低水平的PTE，且有逐渐降低趋势，证券公司的内部管理、行业技术以及经营服务水平有待改善和提升；由TE和PTE所反映的数据来看，技术无效率的公司中部分存在纯技术有效率，说明这些公司的技术无效率主要原因来自于规模无效率；SE有效的公司占比2008年16.67%、2009年13.33%、2010年10.00%，逐年减少，反映出受金融危机影响，国内部分证券公司规模损失逐渐增大；三年中各证券公司NIRS的变化，其中处于规模报酬递增状态（IRS）的公司占比2008年为76.67%、2009年76.67%，2010年86.67%，与SE的变化不同，NIRS的变化呈现出良好的态势，公司整体呈现出良好的规模收益状态。在金融危机期间各证券公司除调整自身经营和管理的不足以度过危机外，也在不断进行技术改革和创新，或在原有固定业务的基础上开展多种创新业务，或将原有不能增加SE的旧业务淘汰换成新业务，力求加强自身在金融市场的竞争能力。

2.投入冗余对比分析。由DEAP2.0计算出的每个投入变量的冗余可计算出2008-2010年30家样本公司所对应的投入冗余率。结果表明，员工人数投入冗余始终处于较低水平，说明证券公司对员工的配置利用整体良好。三年中存在员工冗余的公司均为2家，且仅国信证券一家始终存在员工投入冗余，但由数据可看出，国信证券的员工冗余率逐年减少。

三项投入指标中，注册资本金冗余率水平最高，2008年存在冗余的公司有11家，在无效率公司中占比39.29%，2009年8家，占比30.77%，2010年17家，占比62.96%，呈增长态势且变化比较大。

以国信证券为例，国信证券连续三年都存在注册资本投入冗余，且冗余率在三年中均为最高，2010年竟超过50%，但其三年来注册资本均为70亿，并未变更增长，故可反映出其注册资本未能得到有效利用。再以方正证券为例，该公司2008、2009两年投入冗余均为0，而2010年注册资本金冗余率高达41.15%，观其原始数据发现，自2010年公司注册资本由原来的16.54亿增加为46亿，但公司的资金需求以及技术进步对资本的利用并没有与注册资本的增加同步，故体现出资源利用效率的不足。

资本投入方面，2008年存在冗余的公司有10家，占无效率公司比例35.71%，2009年7家，占比26.92%，2010年3家，占比11.11%。可看出资本投入冗余逐年减少，对应原始数据，各公司资本投入每年基本都在增长，可反映出证券公司对后期资本投入的利用水平在逐渐提升。

结论与政策建议

（一）研究结论

2008至2010年间30家证券公司在TE、PTE、SE上都处于较低水平，其中TE表现最不理想，仅有少数几家公司能够达到技术有效率，SE逐年递减，只有PTE相对处于较好水平，但能够达到纯技术有效率的公司较少且不稳定。这说明证券公司在资源配置、资本使用、技术应用和改进、业务创新及规模经营等方面存在不足，风险意识较弱，对外界依赖性过强。由投入冗余分析结果来看，目前证券公司呈无效率状态的主要原因在于不能充分利用资源，这就要求公司提高技术在资源利用中的渗透能力，更加合理地配置资源，在业务方面进行相应的创新以发掘新的利润增长点。

（二）政策建议

调整盈利模式，加强业务创新。证券公司需改变以往单一的业务模式，积极开展新业务，加大研发的投入，提高技术在资源利用中的的合理渗透，摆脱盈利过分依赖外部环境和市场行情的困境。

提高风险控制水平，建立完善的内控体系。我国诸多证券公司的内控体系问题较大，风险控制能力薄弱，应着力提高整体的风险控制意识，优化资产、资本结构，建立适合自己的风险控制体系和预警体系。

重视人才培养，完善长效激励机制。专业人才是证券公司经营效率提高的关键因素，一方面，应注重核心骨干队伍的稳定，减少人才外流；另一方面，要重视对员工的职业生涯规划及目标管理，保障优秀人才发展通道的畅通。

参考文献：

1.张健华.我国商业银行效率研究的DEA方法及1997-2001年效率的实证分析[J].金融研究，2003（3）

2.朱南，刘一.中国证券公司生产效率的数据包络分析[J].金融研究，2008（11）

3.程可胜.中国证券公司效率的实证分析[J].华东经济管理，2009（8）

4.李慧.我国证券公司经营效率研究[D].西南财经大学硕士论文，2009

5.刘彦.我国证券公司经营效率研究[D].浙江大学硕士论文，2010

6.Timothy J.Coelli.效率与生产率分析引论[M].中国人民大学出版社，2008

7.常勋.国际会计[M].东北财经大学出版社，2001

作者简介：