一、风险管理决策模型研究（论文文献综述）
韩璐[1]（2021）在《制造企业供应链数字化转型机理与决策模型》文中认为在数字化时代,零售商、分销商以及最终消费者对供应链的期待越来越高。为了满足客户需求并帮助企业实现数字化运营,供应链管理需要进行数字化转型。然而,对于生产环节众多、管理内容复杂的制造企业来讲,供应链的数字化转型是一项极为艰难的任务。转型方案与业务需求脱节、转型管理效率低下等原因致使很多实践以失败告终。关于制造企业供应链的数字化转型问题,目前行业和学术界的研究成果往往将管理、技术以及组织支持相混淆,对转型驱动要素、转型机理、转型研究方法以及转型管理方案尚无清晰的认识和有效的建议。针对这一现状,本文从管理层面对以上不足展开深入研究,帮助制造企业对供应链数字化转型形成理论认识与进行科学管理。本文从制造企业供应链数字化转型的难点出发,以供应链管理理论、信息管理理论和系统工程理论为理论基础,提出制造企业供应链数字化转型的三个关键驱动要素,即数据管理（对数据资源的获取与管理）、信息融合（对信息到相关决策点的可达性管理）以及智能优化（对数字化供应链管理点的系统性优化）,构建转型驱动机理概念模型,并分析运作管理中三个驱动要素的内在联系,对制造企业供应链数字化转型的管理思想进行系统阐述,所提出的观点得到了上市公司真实数据的实证支持。另外,本文提出了制造企业供应链数字化转型驱动要素的研究方法,为驱动要素的深入研究提供思路指导。基于所提出的制造企业供应链数字化转型机理和转型驱动要素研究方法,本文对每一个驱动要素展开了进一步研究。首先为驱动要素构建完整的管理内容体系,帮助制造企业明确驱动要素的管理范围。然后针对驱动要素关键问题的管理需求构建决策模型,依据建模结果制定驱动要素的管理方案。最后结合驱动要素的数字化属性,提出管理方案中不同对象的管理策略,帮助企业实现驱动要素的高效管理。实例分析章节的模型计算结果表明,本文所提出的数据管理决策模型对数据的相对重要性具有良好的区分度,所提出的信息融合仿真模型对信息的关联性具有良好的识别能力,所提出的智能优化决策模型对决策效用的提升具有良好的规划能力。本文的创新成果主要体现在3个方面:（1）阐明了制造企业供应链数字化转型驱动机理。现有研究供应链数字化转型影响因素尚不完整或者分散于人力资源等供应链管理之外的领域,对供应链数字化转型中的管理分析不够聚焦与完善,缺乏综合性研究视角。为了分析制造企业供应链数字化转型管理问题,本文从供应链管理的本质出发,结合数字化特点与信息管理学理论,对制造企业供应链数字化转型的影响因素进行分析和归纳,系统性地提出了制造企业供应链数字化转型的驱动要素——数据管理、信息融合以及智能优化,构建了转型驱动机理概念模型,探讨了驱动要素的运作机理与递进关系,从理论角度阐明了制造企业供应链数字化转型的基本原理,并且通过上市公司的真实数据,使用Malmquist指数法和回归分析法对所提出的驱动要素和驱动机理进行验证,进一步证明了本文所提出驱动要素和驱动机理的有效性。（2）构建了制造企业供应链数字化转型数据管理决策模型。现有文献对于制造企业供应链数字化转型中数据管理方面的讨论多为定性分析,没有考虑投入产出效率问题。为了提升数据管理效率、有效分配企业资源和精力,本文针对数据管理的方案制定问题,建立了数据管理体系,构建了基于DEMATEL方法和HOQ方法的数据管理决策模型,从信息需求决定数据需求的角度,对数据的相对重要性进行区分,依据结果提出数据的分级管理方案,并且结合数据管理的数字化属性提出不同分级中数据的管理建议,从而实现对制造企业供应链数字化转型中数据的高效管理。（3）构建了制造企业供应链数字化转型智能优化决策模型。以往对于制造企业供应链数字化转型中管理决策方面的研究多为单一管理点的决策效率提升,没有考虑所有管理点的整体决策效率问题。为了系统性地提升智能优化的决策效率,以及帮助企业在有限的计算能力与众多优化需求之间取得平衡,本文针对智能优化的路径规划问题,建立了智能优化体系,构建了基于ISM方法和NK模型的智能优化决策模型,从系统结构、优化目标、决策效用三个角度对所构建的智能优化分析系统进行建模与仿真,求解出提升整体决策效用的最佳优化路径作为智能优化的路径方案,从而实现对制造企业供应链数字化转型智能优化的高效管理。本研究针对制造企业供应链数字化转型缺乏理论指导的问题提出了转型驱动机理;针对转型驱动要素管理的深入研究问题形成了转型驱动要素研究方法;针对转型管理内容零散不全问题构建了驱动要素的内容体系与架构;针对转型管理效率问题分别构建了转型驱动要素决策模型与管理方案。综上所述,本文从管理与决策的角度为制造企业供应链数字化转型建立了一套完整的基本思想和管理方案,有利于构建制造企业供应链数字化转型理论;有利于建立制造企业供应链数字化转型管理体系;并且有利于提升制造企业供应链数字化转型管理效率。
宋容嘉[2]（2021）在《集成决策的情境感知业务流程一体化建模方法研究》文中研究说明随着泛在网络与普适计算的快速发展,企业数字化发展进入大数据时代,物联网+数据分析成为了企业在数字时代大幅提高生产效率、降低作业风险、增加客户满意度、提升智能化水平的重要信息技术架构,且逐步成熟应用。业务流程作为企业真正实现目标定位、价值创造的核心,需要与信息技术发展共同进化、相辅相成。而且,业务流程的情境可在物联网环境中得到有效捕捉和采集,可极大丰富其数据维度和体量,同时情境隐含着业务环境和流程行为的中介信息。情境感知能力随之成为业务流程建模的新范式和新原则,以面向动态场景实现快速灵活响应、针对多样的客户需求提供个性化服务、面对知识密集型任务保障正确执行。虽然,情境感知业务流程建模领域已获得学术界和业界的关注和探索,流程变体、流程情境化等部分零散化解决方案被提出,但仍大幅依赖专家知识,完整性和系统性存在不足。考虑到流程改造的庞大成本和时间周期,业务流程趋向于规范化和稳定性。但是,在多元动态市场对灵活性、机敏性的更高要求下,业务流程管理（Business Process Management,BPM）领域自2013年起呈现出将决策维度抽离业务流程的工作流单独建模的研究趋势。即通过将业务规则表达和数据分析能力封装在决策模型中,将流程智能化和动态性抽离至其决策模型维度,形成决策模型与业务流程模型分别构建又有机结合的一体化模型。其中,决策建模标记法（Decision Modelling Notation,DMN）的提出是里程碑式的研究成果,为业务流程的决策和工作流提供了可分离并可集成的建模方法和技术,开创了集成决策的业务流程一体化建模新范式（BPMN/CMMN+DMN）。然而,着眼于情境感知的业务流程建模研究,决策维度仍然以传统的建模方式隐含嵌入在业务流程的工作流中,硬编码大量数据、业务规则并引入大量网关,不利于其对动态场景的灵活响应与适应性调整。基于以上发展趋势、应用需求以及研究不足,本研究的科学问题可以归结为:“面向情境感知业务流程建模,如何识别并集成业务流程的情境以应对动态性?面向物联网+数据分析信息技术发展与应用,如何连接企业物联网基础设施与情境感知业务流程以实现共同进化?”。由此,本研究将集成决策的业务流程一体化建模范式引入情境感知业务流程建模领域,从理论和应用两方面显示化决策在业务流程获取情境感知进程中的重要角色;提出Deci-CaBPM（Decision-based Context-aware Business Process Modelling）情境感知业务流程建模框架方法,为系统性实现情境适应性节点识别,适应性调整流程片段设计,并进化构建具有情境感知可变性的业务流程模型提供方法论;搭建物联网环境下的情境感知业务流程多层应用架构,融合物联网的情境数据在层级间的流动和转化,将物联网基础设施、流程情境、动态数据分析、智能决策与情境感知的业务流程有机连接起来,为企业业务流程与物联网、机器学习等信息技术融合发展、共同进化提供解决方案。此外,应用Deci-CaBPM框架方法与物联网环境下的情境感知业务流程多层应用架构,实现了港口物流企业汽车提货流程与物联网基础设施改造的共同进化,构建了情境感知的汽车提货流程模型,并集成了汽车提货货物偷盗贝叶斯网络预测模型,实现物联网环境下的作业风险智能化管理。基于行业需求驱动、真实数据支持的案例研究,对本文提出的方法论和解决方案进行了可用性验证和有效性评估,同时为更多企业业务流程面向情境感知可变性建模、与物联网技术应用共同进化提供有效参考、借鉴。本文主要研究内容与成果如下:（1）提出业务流程的情境、情境感知的业务流程可应用的标准化定义,补充集成决策的业务流程结构的理论表达,并面向情境感知可变性进行推演,分析检验决策在业务流程与其情境之间的内生连接作用。（2）分析战略、战术/管理、运营决策对情境感知业务流程的驱动机制,构建决策在业务流程获取情境感知可变性中的关键角色分析模型。（3）将集成决策的业务流程一体化建模范式引入情境感知业务流程领域,提出Deci-CaBPM集成决策的情境感知业务流程一体化建模框架方法,包括显式化融合情境的CaDMN（Context-aware DMN）决策建模扩展标准及其应用步骤,支持系统性实现业务流程情境化和适应性调整建模全环节。（4）搭建物联网环境下的情境感知业务流程多层应用架构,支持Deci-CaBPM框架方法的行业应用,并以融合物联网的情境数据在层级间的流转连接多个层级,包括物联网基础设施、业务流程情境、动态数据分析、CaDMN决策模型和情境感知业务流程五个层级,为企业级的应用提供解决方案。（5）在港口物流行业中,通过应用Deci-CaBPM框架方法与物联网环境下的情境感知业务流程多层应用架构,帮助企业完成了汽车提货流程面向情境感知可变性的进化建模,同时集成了汽车提货货物偷盗贝叶斯预测模型实现物联网环境下的作业风险进阶管理,使得汽车提货流程与逐渐成熟应用的智能门闸、远程地磅等物联网基础设施实现了共同进化。同时,基于技术和业务两方面沟通的企业管理分析,对方法论进行了可用性验证和有效性评估,为更多企业应用提供有效参鉴。图51幅,表14个,参考文献183篇。
左岗岗[3]（2021）在《基于机器学习的径流预测方法及适应性预测机制研究》文中研究表明变化环境影响下,径流形成过程和演进机理复杂多变,流域稳态假设不再成立。基于历史资料和实际变化调查,评价一致性、可靠性、代表性的传统工作暴露了不少问题。在此背景下,开展响应变化的径流预测既难又关键。由问题驱动,走先进可行的技术路线既是探索也是突破。本论文立足于响应环境变化和支撑水资源管理决策的径流适应性预测,开展了径流预测方法及适应性预测机制研究。在构建径流适应性预测机制的基础上,首先基于对径流演变规律的大数据分析,挖掘径流形成的驱动要素,提取径流预测因子;然后借助机器学习技术,提出径流预测模型构建方法,建立径流预测模型;最后以综合集成平台为支撑,设计并开发融合机制、数据、模型、方法和业务的径流适应性预测系统,实现不同应用主题、不同驱动因子、不同时空尺度和不同模型组合的径流适应性预测。论文的主要研究内容及成果如下:（1）提出并建立了响应变化和支撑决策的径流适应性预测机制。针对变化环境下流域稳态假设不再成立的问题,分析了变化环境对径流预测的影响和径流预测对水资源管理的支撑作用,明确了径流适应性预测需要响应和支撑的对象及其变化因素。从径流预测活动的数据输入、模型和预测结果应用层面,设计了响应环境变化和支撑决策的径流适应性预测机制,为变化环境下的径流预测提供了新的模式和思路。基于大数据分析和机器学习,构建了实现径流适应性预测机制的技术方法;基于综合集成平台,建立了径流适应性预测机制的图谱化集成实现技术,为径流适应性预测奠定了技术基础。（2）建立了基于大数据分析的径流驱动因子挖掘方法。针对变化环境下径流统计规律和成因规律频繁改变的问题,采用传统方法与大数据分析相结合的方法,提出了径流关键驱动因子挖掘技术方法,去除了对径流变化影响不显着的特征要素,抽取了影响径流变化的隐含特征因子,辨识了水文、气象和植被等特征要素对径流变化的驱动关系,提取了径流变化的关键驱动因子,为基于机器学习的径流适应性预测奠定了数据基础。（3）提出了基于机器学习的径流预测模型构建方法。针对变化环境下径流驱动因子频繁改变,引起径流预测模型结构和参数不适用的问题,将机器学习技术引入径流预测,提出了径流预测机器学习模型构建方法,实现了径流预测模型自学习,有效地响应了变化,为径流适应性预测模型构建奠定了方法基础。针对径流预测机器学习模型的黑箱特征,建立了模型解释流程,实现了对径流预测机器学习模型的解释说明,为径流适应性预测奠定了应用基础。（4）构建了基于径流统计规律的径流预测机器学习模型。针对气象和下垫面要素缺测区域的径流适应性预测问题,提出了基于径流统计规律,构建径流预测机器学习模型的框架。将信号处理算法和机器学习算法相结合,使用历史径流,构建了不同时间尺度或空间尺度下径流预测机器学习模型,并开展了多模型对比评价,避免未来信息使用的同时有效降低了信号处理算法边界效应的影响,为开展径流适应性预测奠定了模型基础。（5）构建了基于径流成因规律的径流预测机器学习模型。针对气候变化和下垫面环境演变对径流形成过程的影响问题,提出了基于径流成因规律,构建径流预测机器学习模型的框架。基于机器学习算法,使用历史径流、气象要素和下垫面特征要素,构建了不同时间尺度或空间尺度下的径流预测机器学习模型,并开展了多模型对比评价,在有效利用径流变化成因信息的同时,基于历史同期径流变化情况,实现了对模型预测结果的修正,为径流适应性预测奠定了模型基础。（6）设计并开发了径流适应性预测系统,开展了集成应用研究。针对径流适应性预测需要过程化决策支撑的问题,采用“平台+内容+服务”的方式,设计了径流适应性预测系统。基于综合集成平台,构建了径流预测数据库、模型方法组件库和知识图库,实现了对预测数据、预测模型和预测业务的分离管理。通过组件集成数据、模型和方法,知识图集成组件的方式,实现了径流适应性预测系统的快速搭建。通过系统的持续集成应用,开展了“引汉济渭”工程黄金峡水库的预测调度业务模拟仿真,实现了径流适应性预测。
李茵[4]（2021）在《面向医院管理的数据驱动决策研究》文中认为信息技术的快速发展与应用以及大数据战略的深入实施,使得大数据成为科技创新引领与决策支撑的重要战略资源,科学研究与实践正在完成“假设驱动”到“数据驱动”的巨大转变,大数据的深度挖掘与利用能够为社会发展、政府治理、国家安全等提供新的动能。围绕国家大数据战略,丰富和拓展大数据应用创新领域,推动管理升级,给学术界、产业界以及政府部门带来许多新的重要课题。其中面向健康服务供给侧的决策支持、决策引导和决策创新中的数据驱动、数据价值转换问题即是管理学、数据科学的核心科学问题之一,更是情报学应对大数据环境开展智慧型情报服务必须解决的关键问题之一。健康医疗大数据时代的到来,促使医院管理和医院管理者的观念都随之变化。数据驱动对医院精细化、智慧化管理决策具有重要意义。本研究从提升医疗管理决策质量的角度出发,构建数据驱动医院管理决策过程模型,分析数据驱动医院管理决策的影响因素,进而提出面向医院管理的数据驱动决策模型,并展开实证研究,为数据驱动决策领域的研究理论基础和实证研究提供参考依据,为促进医院精细化管理提供对策及建议。基于此,通过界定“数据驱动”、“医院管理”、“医院管理评价”与“数据驱动决策”等相关概念,以回顾数据驱动决策、面向医疗健康领域的数据驱动决策、面向医院管理的数据驱动决策以及数据驱动决策的影响因素研究现状为基础,综合运用文献调研法、半结构访谈法、问卷调查法、扎根理论法、结构方程法、统计分析法、机器学习法分析了面向医院管理的数据驱动决策的过程模型和影响因素模型,并构建了面向医院管理的数据驱动决策模型。围绕面向医院管理的数据驱动决策模型这一核心研究内容,本文第三章在已有BASM模型研究过程的基础上,结合医院管理决策场景的特殊性,探索面向医院管理的数据驱动决策的运行机理,构建面向医院管理的数据驱动决策过程模型,以梳理驱动的路径,理清其中的内在逻辑。该模型由处理过程模型及支持过程模型两部分构成,旨在分别回答面向医院管理的数据驱动决策过程中两个核心问题,一是数据本身如何转化并如何嵌入到医院管理决策过程中,二是医院中能够支持并且推动数据驱动决策的途径是什么。第四章采用扎根理论进行了面向医疗管理领域数据驱动决策的影响因素识别研究,编码面向医院管理者的半结构化访谈资料,经过饱和度测试,最终识别出了四个维度的影响因素。第五章在对影响因素定性研究的基础上利用结构方程模型方法进一步验证影响因素,探讨相关变量的权重和关系。阐述各个因素对医院管理决策的影响关系,验证数据驱动医院管理决策影响因素模型。第六章整合数据驱动医院管理决策过程模型和影响因素模型,构建支持医院管理决策全过程的数据驱动决策模型,探讨过程模型与影响因素模型的内在联系。第七章根据已构建的面向医院管理的数据驱动决策模型,进行基于DRGs分组的医疗服务能力评价和医生绩效评价管理工作的实证研究,修正和完善已构建的模型。具体内容如下:（1）构建面向医院管理的数据驱动决策过程模型。基于现有的数据驱动决策机制模型,结合医院管理实践,构建面向医院管理的数据驱动决策过程模型,该模型由处理过程模型及支持过程模型两部分构成,处理过程模型包括面向医院管理决策的数据处理过程和数据驱动的医院管理决策处理过程。决策处理过程既是数据处理过程的最后阶段,对数据处理的结果进行展示与应用,又会不断地产生新的数据,前推已有数据的老化和错误,补充和修正数据处理过程。而数据处理过程以决策处理过程中的阶段性需求为导向,能嵌入到决策处理过程的所有阶段,为决策处理的全流程服务。支持过程模型主要涉及两用户一技术。两用户包括数据分析人员和管理者,使能技术是创建和改进能够嵌入到操作系统的分析工具,这三个主体不能割裂独立,而可以互相转化并可能同时存在,共同对数据和决策进行处理,支持处理过程模型运转。（2）系统分析了面向医院管理的数据驱动决策影响因素。对主观及客观上影响管理者数据驱动决策的因素进行整合和相关分析,确定四个核心影响因素范畴分别是医疗数据质量,信息技术,医院组织管理和管理者信息素养,构建了影响因素模型,发现数据驱动医院管理决策能受到管理者信息素养、医院组织管理和信息技术的正向影响,其中管理者信息素养最强,其次是医院组织管理和信息技术;医院组织管理对医疗数据质量、管理者信息素养、决策目标均有影响,对医疗数据质量的影响要强于管理者信息素养;医疗数据质量能够对信息技术产生正向影响;信息技术对决策目标具有正向影响。（3）构建了面向医院管理的数据驱动决策模型。将过程模型与影响因素模型有机结合在一起,构成了面向医院管理的数据驱动决策模型。打造数据驱动决策模型,将医院数据质量标准化管理贯穿于医院管理全流程、智能化管理提升医务人员的信息技术、高效化管理增效医院组织三个方面分析模型的实现,提出模型优化建议。（4）基于DRGs的肺癌医疗服务绩效分析实证研究。模拟医院管理中运用DRGs分组工具解决绩效问题的真实场景,应用数据驱动医院管理决策模型,优化DRGs分组,优化绩效管理。研究最终确定性别、年龄、入院途径、离院方式、住院次数、医保付费方式、是否手术、合并症严重情况八个因素为影响肺癌医疗服务费用的因素,构建了8个DRGs分组,其中合并症严重程度、是否手术、住院次数是决策树分组的分类结点变量。选用医疗服务能力的指标（DRGs总权重、CMI）根据获取的数据进行比较,完成绩效评价工作,实现基于数据驱动决策的绩效管理。
王倩[5]（2021）在《我国大型建筑企业PPP项目组合决策研究》文中研究表明近年来,在PPP模式的广泛运用下,我国大型建筑企业面临多个PPP项目同时推进,需要投资决策的情况。在企业有限的资源和能力下,如何进行PPP项目组合决策,实现企业的战略目标,推进企业的发展,是我国大型建筑企业亟需解决的问题,也是论文研究的重点内容。（1）论文从我国大型建筑企业PPP项目的参与现状进行分析明确了论文的研究意义。并基于PPP项目投资决策和项目组合的最新研究成果,对PPP项目组合和PPP项目组合决策的概念进行了界定与说明。（2）论文依据对大型建筑企业PPP项目投资路径的梳理,结合项目组合管理过程的五个阶段,引入管理决策理论“管理就是决策”的思想,构建出我国大型建筑企业PPP项目组合决策的基本流程框架,以帮助大型建筑企业整体把握决策流程。（3）论文运用文献分析法,初步识别出6个一级指标,包括PPP战略契合度指标、PPP项目组合自身指标、PPP项目组合风险指标、企业能力指标、政府支持指标和外部环境指标,并进一步归纳出相应的二级指标,然后采用专家访谈法优化初步识别的指标体系,建立了一套相对系统和全面的PPP项目组合决策指标体系,为PPP项目组合决策模型的构建打下基础。（4）论文综合运用组合赋权法和证据理论确定备选项目组合方案的综合评分值,并以此为基础,构建了基于0-1整数线性规划的PPP项目组合决策模型,从而决策出最优化的项目组合,为我国大型建筑企业对PPP项目组合的投资决策提供了理论依据。（5）论文以实际案例验证了论文构建的PPP项目组合决策指标体系和PPP项目组合决策模型的实践性和有效性,并对我国大型建筑企业开展PPP项目组合管理活动提出了建议。
汤艺佳[6]（2021）在《大数据驱动制造业企业管理决策优化研究 ——以奥迪集团为例》文中提出在现代商业中,数据的价值好比黄金,是一种新型经济资产,数字经济的强劲增长不仅为新公司进一步扩大市场提供了新的动力,也为传统产业的发展创造了机会。数据生产信息,信息改善决策。因此,数据积累量、数据分析能力、数据驱动业务的能力成为决定企业价值的主要因素。传统制造业必将全面投入到大数据研究和应用当中,而如何通过大数据应用优化企业决策能力成为现实问题。目前,学术研究大多集中于分析大数据应用于企业管理决策中的现状与影响,对大数据环境带来的冲击下企业管理决策发展“会产生什么影响”与“将会面临什么”进行了一定研究。然而,对于在大数据驱动管理决策变革的大环境下企业该“怎么做”这一更为本源的问题研究较少,且对于大数据驱动管理决策优化使企业业绩提升缺乏路径研究与案例佐证。为此,本文借鉴了数字化应用成功企业——奥迪集团的经验,采用单案例研究法,通过收集档案记录和文献资料形成十余万字文档,从大数据驱动企业内部决策优化入手,分析大数据为企业提供新的资源和价值特征,创新性地复现了企业在大数据环境下通过认知更新发现价值、在生产经营中利用人工智能及数据挖掘等手段创造价值、在新型商业模式中应用平台模式创新附加价值的优化路径,对企业如何创造价值、如何实现价值等问题提供实践型思考,检验了集团后续财务绩效与市场反应,为现有数据驱动型决策理论提供案例支持。研究结果表明,大数据驱动企业管理决策的优化路径可以概括为以下几点:数据跨域整合实现精准管理,提升决策效率;数字平台构建实现数据共享与联动,增强数据准确性和预测能力;数据分析技术增强实现使能创新,促进决策转化。具体来讲,在研发决策方面,奥迪在线下建设“奥迪城”,线上打造“按需奥迪”服务平台,形成以客户需求为导向的数字化协同网络,从线上线下两种渠道获取客户需求,激发大数据的速度、创新性和可预测性,释放驱动效应,触发需求响应能力、需求导向能力和协同共创能力,最终实现研发决策优化;在采购决策方面,奥迪打造数字化供应平台和数字化运输通讯,形成共建共享的数字环境,激发大数据的真实性、全面性和协同性,从而提升信息获取与分析能力,最终提升风险应对能力;在生产决策方面,奥迪建立“智能工厂”、实行模块化生产计划,利用人工神经网络训练自学习质量控制系统。形成可追溯的生产信息链条,激发大数据的模块性、学习性和互联性,进而提升生产过程的智能感知、流程预见能力,最终形成流程管控能力。优化结果将从供应链敏捷性、客户粘性、盈利模式三个方面给企业的商业模式带来变革,从而提高集团绩效。最后,本文注重理论联系实际,从奥迪集团个案出发提出一些结论与启示,对其他数字化应用企业有一定的借鉴价值,也为制造业企业利用大数据的机会优化内部管理决策提供参考。
苑文露[7]（2021）在《大数据在内部审计价值增值中的应用研究 ——以A企业为例》文中研究说明数字化时代背景下,随着企业规模的扩大和生产经营业务的复杂化,大数据的价值和战略意义不断提升,内部审计也面临着新的挑战。合理运用大数据促进内部审计价值增值,是提升内部审计质量与效率、推动内部审计数字化转型的关键,也是新形势下企业必须应对的现实挑战。目前我国企业在大数据应用于内部审计价值增值方面尚处于起步探索阶段,在实践中仍有相当大的发展空间。学术界对于大数据应用于内部审计价值增值方面的研究尚未形成权威性的理论体系与制度规范,企业的内部审计工作缺乏完善的大数据审计理论指导,还存在诸多问题亟需研究与解决。本文采用规范研究法和案例研究法,基于既有理论研究和实务工作案例,探索大数据在内部审计价值增值中应用的实务框架,具有重要的理论意义与现实意义。本文首先阐述了大数据应用于内部审计价值增值的研究背景与意义,系统梳理相关文献与学术成果。其次,对大数据和内部审计价值增值的概念和内涵进行了探讨,总结大数据应用对内部审计的优化以及大数据应用下内部审计的特点,阐述了委托代理理论、价值链理论、产业生命周期理论和平衡记分卡理论等理论基础。再次,尝试从内部审计价值增值目标、内部审计价值增值思维方式、内部审计价值增值模式、内部审计组织管理体系和内部审计战略管理机制的角度构建大数据应用于内部审计价值增值实务框架。最后,基于已构建的实务框架,结合A企业大数据应用于内部审计价值增值的实务案例,从内部审计思维方式创新、业务模式创新、组织管理方式创新和企业战略传递机制创新的角度进行分析,深入挖掘大数据在内部审计价值增值中应用存在的问题,并针对这些问题提出以下建议:重视数字化内部审计环境建设;通过审前加强数据质量控制、审中优化权限与流程管理、审后健全循环整改跟踪机制实现对大数据应用于内部审计全过程的控制;持续推进大数据审计系统建设;关注对大数据系统本身的审计;培养内部审计信息化复合型人才。本文创新点体现于概念内涵创新、实务框架创新和案例分析创新,基于新的时代背景对大数据应用下内部审计价值增值的内涵进行扩展;由内部审计价值增值目标、内部审计价值增值思维方式、内部审计价值增值模式、内部审计组织管理体系和内部审计战略管理机制五个方面构建的大数据应用于内部审计价值增值实务框架创新能够发挥理论对实践的先导作用;从内部审计思维方式创新、业务模式创新、组织管理方式创新和企业战略传递机制创新方面开展的大数据应用于内部审计价值增值的案例分析,在一定程度上能够丰富学术界在案例方面的研究。
李丹[8]（2021）在《阿里巴巴增持菜鸟股份的风险分析研究》文中研究表明网络时代的迅速发展,极大地促进了互联网公司的发展,在经济全球化迅猛发展的当今时代里,电子商务面临的挑战也变得尤为激烈,并且网络时期的来临产生了很多的挑战、机遇,公司商业模式需要紧随时代的发展逐渐形成改变。公司为了实现资源优化配置的目标,增强内在的竞争潜力,则通常需要借助扩股增资的方式来同其他公司联手,使企业价值最大化。在这种大环境下扩股增值当下已经演变为诸多公司提高自身实力的主要方式,并且许多公司因此而获得了巨大的成功,但并不是所有的公司都能做好增资扩股,其存在着巨大的风险。这可能是因为公司自身的行业属性,或者忽略了可能具备的风险问题,与此同时,网络环境的改变也是与日俱增的,其就需要公司管理者具备优良的评估风险能力和识别风险能力。风险的定量评估是企业决策的重要参考,对国内互联网公司的风险要素进行筛选、辨别和归类,继而对我国互联网公司所存在的风险进行定性评价和定量分析,继而为研究国内互联网公司扩股增资的风险预判和战略决策提供全新的思路。本文主要从四个层面进行课题探究。第一层面,重点论述了本文的绪论部分,其主要是研究意义、背景、综述等,并且论述了本文的研究方法、思路。第二层面,该部分是本文章的理论基础,重点在理论方面提供理论支撑,其分别论述了风险评估、增资扩股、风险管理,为其后文章的的研究奠定理论基础,并且在问题研究过程中使用了模糊综合评价和层次分析的办法。第三层面是案例分析,在论述了阿里巴巴相关问题后,开始运用AHP模型和模糊综合评价法对阿里巴巴增持菜鸟股份的风险进行分析量化评估,并针对这些风险提进行分析为其他互联网企业提供借鉴。第四层面总结本文研究成果和不足。本文重点根据当前的理论研究成果,选定阿里巴巴公司作为本文的研究对象。本文以其增持菜鸟股份时如何有效评估风险进行了深入的分析与研究,介绍了阿里巴巴背景情况和阿里巴巴增持股份的动因,并将增持股份过程中的风险归纳为市场环境风险、自然及社会安全风险、管理决策、行业和经济方面的风险。利用层次分析法和模糊综合分析量化在增资扩股环节的风险,并基于对案例的研究,提出了互联网企业防范增持风险的相应措施,希望对中国其他网络公司进行增持活动有所借鉴。
徐鹏[9]（2020）在《气体传感器系统健康管理技术研究》文中研究说明气体传感器系统是进行气体信息采集的源头,其测量值质量直接影响整体系统的工作性能。然而由于检测量大、工作环境严苛等问题,传感器系统在使用过程中难免会因发生自身故障或受到外界环境影响而导致测量值出现偏差甚至错误,造成严重后果。气体传感器的故障具有隐蔽性、相关性及不可预知性,很难根据阵列的输出值对传感器各个故障进行逐一排查。以气体金属半导体氧化物传感器为例,从材料及工艺层面进行改进,提升系统可靠性是很困难的;定期维护存在大量非必要维修,是一种被动的、低效的维修方式。在实际使用过程中常常会有多个传感器同时或连续出现故障,单纯使用硬件冗余法无法满足需求。自确认方法只能实现事后的故障检测,无法实现故障的预警,只能被动的等待故障的发生,部分的提升系统可靠性。因此,对传感器系统进行状态监测与健康预测,从而提高系统的可靠性与输出数据的可信性是极其必要的。本文以气体传感器系统为主要的研究对象,重点研究微小故障诊断、强干扰条件下的健康评估及预测以及混合多属性信息下的健康管理决策等健康管理方法。针对气体传感器系统进行微小故障诊断时面临的模态混叠问题,论文从数据驱动的方面展开研究,提出了基于t分布随机近邻嵌入（t-distributed Stochastic Neighbor Embedding,t-SNE）与随机森林的方法。利用t分布的长尾效应增大不同故障的类间距离,减小微弱信号下模态混叠对故障模式分析的影响。引入随机森林的双重随机性,有效降低过拟合风险,进而提高微小信号下故障诊断的准确率。经试验验证,采用该方法对传感器系统微小故障诊断的准确率与传统的主元分析法、线性判别分析法等相比可提高4.2%以上。针对强干扰情况下的传感器系统健康评估及预测结果波动较大的问题,从数据驱动方面展开研究,提出了未确知深度集成相关向量机的健康预测方法。解决强干扰情况下的传感器健康评估以及小样本情况下的健康预测问题。建立了未确知深度软测量（Unascertained Deep Soft Sensor,UDSS）模型,通过构建多层次的未确知评价指标集来抑制强干扰数据对健康可信度的影响,有效实现测量状态的定量评估。与传统的灰色理论、线性回归等方法相比,在传感器系统存在强干扰情况下,评估准确率提高9%以上。为实现小样本情况下的系统健康预测,以健康可信度作为评估指标,以Bootstrap自助法作为理论框架,建立了集成相关向量机健康预测模型,结合采样移动窗和补偿因子,减少小样本情况下的预测误差。经试验验证,采用该方法实现健康预测最小误差为0.6%。针对混合多属性信息条件下的传感器系统健康管理决策问题,论文从系统可靠性着手,提出了基于多专家灰色群决策的健康管理决策方法,解决传统决策方法如D-S证据理论、模糊集理论等可靠性较低的问题。建立多专家灰色群决策模型,结合历史数据、维修概率和检修率等混合信息,对传感器系统健康管理维修等级给出最优的决策建议。与传统方法相比,混合多属性信息条件下的系统健康管理决策准确率提高了1.5%以上。在此基础之上,为保证系统存在故障时仍可继续工作,应用数据恢复的思想实现系统的软维修。以多传感器间的相关特性为评价指标,构建互相关极限学习机预测模型,实现基于数据恢复的软维修方法,故障数据恢复最小误差可达0.5%。为验证本文所提的气体传感器系统故障诊断、健康预测及健康管理决策方法的可行性,设计并搭建了实验验证平台。具体以密闭空间内的有毒有害气体传感器系统为研究对象,针对该传感器系统的微小故障诊断（传感器漂移、脉冲冲击等故障类型）,强噪声干扰下的多等级健康评估及长期预测进行实验。并在此条件下,结合历史数据、维修率等混合信息,对健康管理决策方法进行验证。经数据恢复维修后,系统的测量准确率可保证不下降或下降较少。验证了本文提出的传感器系统的微小故障诊断、强干扰条件下的健康预测及混合多属性信息的健康管理决策方法的有效性及提高传感器系统可靠性的可行性。
刘永[10]（2020）在《面向高速公路突发事件的应急管理决策方法研究》文中研究指明二十世纪九十年代以来,我国高速公路的建设与发展取得了举世瞩目的巨大成就。随着国家各项规划的实施与政策推动,未来一个时期高速公路仍将继续保持快速发展态势。高速公路规模的扩大、汽车保有量的增加、运输需求的快速增长以及公众出行方式的改变,使高速公路运营安全面临巨大挑战,重大交通突发事件频发,严重威胁经济社会发展和人们的生命财产安全。高速公路应急管理工作形势严峻,在总体国家安全观背景下,提升其应急管理决策能力的需求更甚。同时,管理决策能力在当前高速公路应急管理实践工作中存在不足,主要表现为管理指挥功能不强、协调联动效能不足、信息沟通共享不够、决策方法针对性不强等现实问题,迫切需要建立完善的应急管理决策机制。为此,面对当前严峻的发展形势,研究如何构建与其相适应的高速公路突发事件应急管理决策方法,强化提升应急管理决策能力,已迫在眉睫,具有重要的理论与现实意义。本文结合当前高速公路应急管理工作实际,在分析既有研究工作和实地调研的基础上,系统探讨我国高速公路应急管理现状,设计应急管理决策能力提升的经验参考分析方法,进而从已有问题的管理实践经验中挖掘有价值的信息,探讨我国高速公路突发事件应急管理决策能力的提升策略;然后,针对当前应急管理决策系统的管理决策能力不足,从强化应急信息集成整合、利于管理决策的角度,建构基于云技术的高速公路应急管理决策系统框架;考虑信息在应急管理决策中的重要性,分别从决策信息质量、信息更新性两个角度,构建应对复杂不确定突发事件的高速公路应急决策模型与方法。主要研究工作和成果如下:（1）探讨我国高速公路突发事件应急管理决策能力的提升策略。首先,针对典型省份高速公路应急管理现状,对比分析“两家管”、“上分下合,属地管理”和“一家管”三种管理模式的特点及经验;其次,从应急管理体系的角度,分析讨论执法主体的合法性、执法行为的可监督性和可约束性、权责统一的整体性、运行管理模式高效性四个方面的要求,确定了影响应急管理决策能力提升的关键因素;最后,聚焦关键影响因素,设计基于经验挖掘理论的能力提升策略分析的方法,利用RStudio平台编程从已有的高速公路事故调查分析报告中挖掘有价值的策略信息,据此探讨了我国高速公路突发事件应急管理决策能力的提升策略:健全法制建设,保障依法应急;加强专业化分工协作,强化集中管控与决策;推进应急管理决策信息化建设,提升信息互通共享能力,以期为各级高速公路管理部门或机构提供有效的经验决策参考。（2）建构云技术驱动下高速公路应急管理决策系统框架。结合前述应急管理决策平台信息化能力建设需求,首先系统分析阐述高速公路网应急管理决策系统现状及存在的问题;其次,结合新信息技术发展的大环境,提出高速公路网应急管理决策系统的建设目标和思路,重点分析路网运行管理中的应急管理功能需求和工作流程;然后,考虑运行管理中交通资源分散、资源共享能力不足、信息共享沟通强度不够等现实问题,设计基于云技术的应急管理决策系统体系架构,主要包括交通物联信息感知层、云架构信息接入与管理层、交通大数据管理与决策服务应用层三层结构,并分析各层的组织结构及应用功能。最后,提出对保障平台有效运行的管理体系建设建议。系统架构方案,可有效实现交通运行状态感知信息和业务管理信息的资源共享、信息交换,为全面提高高速公路网运行日常管理效率与突发事件应急管理决策能力提供有效的技术支撑。（3）研究基于决策信息质量的高速公路单阶段应急决策方法。应急管理决策信息平台为应急响应的方案决策提供必要的信息研判基础,考虑有限决策信息的最大化利用,提出一种不确定决策环境下基于前景理论和热力学方法的应急决策方法。首先,利用梯形直觉模糊数对不确定信息的强表征特质,有效实现决策专家对应急方案的初始偏好判断;基于前景理论,将决策专家的有限理性行为引入量化过程中,构造前景效用矩阵,实现初始决策属性信息向前景效用的转化。然后,考虑决策信息质量,提出基于热力学方法的信息质量量化方法,将前景效用矩阵转化为新的基于热力学方法的前景效用矩阵,实现最大化利用前景效用信息。最后,利用梯形直觉模糊Choquet积分算子和加权平均算子有效集结各备选方案的前景效用矩阵信息,并引入带有风险态度参数的得分函数,得到备选应急预案的最终排序决策,并对排序结果进行敏感度分析,进而确定最优应急决策方案。（4）研究基于决策信息更新的高速公路多阶段动态应急决策方法。考虑单阶段应急决策方法的应用局限,结合高速公路突发事件的多阶段性、动态不确定性、信息更新性等特性,提出一种基于决策者心理参考满意度信息更新的多阶段动态应急决策模型与方法。首先,以区间梯形直觉模糊数形式刻画各个决策阶段的判断偏好信息,有效克服决策专家无法用精确数表达隶属度、非隶属度和犹豫度的现实判断困难;其次,利用熵权法分别计算各事件演化阶段下专家属性的客观权重,进而采用IVTr IFWA算子集结各个决策阶段方案的价值,避免主观赋权的结果偏差;然后,结合事件态势动态演变过程和决策者的心理参考预期效应,提出多阶段动态应急决策方法原理,继而构造新的满意度参数公式,提出基于满意度信息阶段更新的权重优化动态模型,获得各演化阶段的最优满意度及权重;最后,构建基于决策者风险态度的应急方案价值效用函数,得到各演化阶段下各方案的综合价值及排序,进而揭示决策结果受决策专家风险态度影响的变化规律。上述研究一方面为政府完善当前形势下高速公路突发事件应急管理决策能力提供参考建议,另一方面进一步丰富和扩展了高速公路突发事件应急决策理论与方法体系,具有重要的理论实践意义。
二、风险管理决策模型研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、风险管理决策模型研究（论文提纲范文）
（1）制造企业供应链数字化转型机理与决策模型（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与研究问题 |
| 1.1.1 研究背景 |
| 1.1.2 研究问题 |
| 1.2 文献综述 |
| 1.2.1 企业供应链数字化转型相关概念 |
| 1.2.2 企业供应链数字化转型的因素分析 |
| 1.2.3 企业供应链数字化转型思路 |
| 1.3 研究意义 |
| 1.4 范围界定 |
| 1.4.1 研究层面界定 |
| 1.4.2 企业类型界定 |
| 1.4.3 供应链管理范围与成员地位界定 |
| 1.4.4 词汇用语简写 |
| 1.5 研究内容、方法与技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 研究方法 |
| 1.5.3 技术路线 |
| 1.6 本章小结 |
| 2 相关基础理论与方法 |
| 2.1 基础理论 |
| 2.1.1 供应链管理理论 |
| 2.1.2 信息管理学理论 |
| 2.1.3 系统工程理论 |
| 2.2 模型方法 |
| 2.2.1 统计分析方法 |
| 2.2.2 复杂系统分析方法 |
| 2.2.3 仿真分析法 |
| 2.3 本章小结 |
| 3 制造企业供应链数字化转型机理分析 |
| 3.1 制造企业供应链数字化转型问题分析 |
| 3.1.1 供应链的数字化转型业务需求 |
| 3.1.2 供应链数字化转型内涵与目标 |
| 3.1.3 供应链数字化转型基本原则 |
| 3.2 制造企业供应链数字化转型驱动要素及概念模型 |
| 3.2.1 供应链数字化转型难点 |
| 3.2.2 供应链数字化转型驱动要素提出 |
| 3.2.3 供应链数字化转型驱动机理概念模型 |
| 3.2.4 供应链数字化转型驱动要素运作管理 |
| 3.3 制造企业供应链数字化转型驱动机理实证检验 |
| 3.3.1 实证方法与数据的选择 |
| 3.3.2 供应链数字化转型的测量与分析 |
| 3.3.3 供应链数字化转型驱动作用验证与分析 |
| 3.4 供应链数字化转型驱动要素研究方法 |
| 3.5 本章小结 |
| 4 制造企业供应链数字化转型数据管理决策 |
| 4.1 转型数据管理问题提出 |
| 4.1.1 数据管理业务需求与管理原则 |
| 4.1.2 数据管理的目标与问题描述 |
| 4.1.3 数据管理的研究思路 |
| 4.2 转型数据管理系统分析 |
| 4.2.1 数据管理的数字化属性 |
| 4.2.2 数据来源分类 |
| 4.2.3 数据内容与作用 |
| 4.2.4 数据管理与信息需求的关系 |
| 4.3 基于信息需求的转型数据管理决策建模 |
| 4.3.1 决策模型的选择与适用性 |
| 4.3.2 基于DEMATEL方法的信息需求重要度建模 |
| 4.3.3 基于HOQ方法的数据管理要素重要度建模 |
| 4.4 基于信息需求的数据管理方案制定 |
| 4.5 本章小结 |
| 5 制造企业供应链数字化转型信息融合建模 |
| 5.1 转型信息融合问题提出 |
| 5.1.1 信息融合的业务需求与管理原则 |
| 5.1.2 信息融合的目标与问题描述 |
| 5.1.3 信息融合的研究思路 |
| 5.2 转型信息融合系统分析 |
| 5.2.1 信息融合的数字化属性 |
| 5.2.2 信息的内容与作用 |
| 5.2.3 信息融合的主要环节 |
| 5.2.4 信息融合与业务流程的关系 |
| 5.3 基于业务流程的转型信息融合仿真建模 |
| 5.3.1 仿真模型的选择与适用性 |
| 5.3.2 基于供应链业务流程的Petri网建模 |
| 5.3.3 网系统的关联信息要素识别 |
| 5.4 基于业务流程的信息融合方案制定 |
| 5.5 本章小结 |
| 6 制造企业供应链数字化转型智能优化决策 |
| 6.1 转型智能优化问题提出 |
| 6.1.1 智能优化业务需求与管理原则 |
| 6.1.2 智能优化目标与问题描述 |
| 6.1.3 智能优化的研究思路 |
| 6.2 转型智能优化系统分析 |
| 6.2.1 智能优化的数字化属性 |
| 6.2.2 智能优化的内容与作用 |
| 6.2.3 智能优化系统架构 |
| 6.2.4 智能优化与决策效用的关系 |
| 6.3 基于决策效用的转型智能优化决策建模 |
| 6.3.1 决策模型的选择与适用性 |
| 6.3.2 基于ISM方法的智能优化结构建模 |
| 6.3.3 基于NK模型的智能优化路径建模 |
| 6.4 基于决策效用的智能优化方案制定 |
| 6.5 本章小结 |
| 7 实例分析 |
| 7.1 实例介绍 |
| 7.2 数据管理决策分析 |
| 7.3 信息融合建模分析 |
| 7.4 智能优化路径分析 |
| 7.5 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）集成决策的情境感知业务流程一体化建模方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 选题意义 |
| 1.2 研究内容与创新点 |
| 1.2.1 主要研究内容 |
| 1.2.2 研究创新点 |
| 1.3 研究方法与论文框架 |
| 1.3.1 研究方法 |
| 1.3.2 论文框架 |
| 2 基本概念理论与文献综述 |
| 2.1 基本概念界定与分析 |
| 2.1.1 物联网 |
| 2.1.2 情境 |
| 2.1.3 业务流程 |
| 2.1.4 业务流程的情境 |
| 2.1.5 情境感知的业务流程 |
| 2.2 基础理论概述 |
| 2.2.1 业务流程管理及其灵活可变性 |
| 2.2.2 业务流程建模的方法与技术 |
| 2.2.3 业务流程的DMN决策模型 |
| 2.2.4 情境管理及其语义层级 |
| 2.2.5 情境建模的方法与技术 |
| 2.3 业务流程建模的相关综述 |
| 2.3.1 传统的业务流程建模 |
| 2.3.2 物联网环境下的业务流程建模 |
| 2.3.3 情境感知的业务流程建模 |
| 2.3.4 集成决策的业务流程流程建模 |
| 2.4 本章小结 |
| 3 情境感知业务流程的决策角色分析模型 |
| 3.1 情境感知业务流程的概念模型 |
| 3.1.1 情境概念的金字塔模型 |
| 3.1.2 业务流程情境的概念定义 |
| 3.1.3 情境感知业务流程的概念定义 |
| 3.2 决策驱动情境感知业务流程的建模与执行 |
| 3.2.1 决策的类别和层级 |
| 3.2.2 面向流程灵活性 |
| 3.2.3 面向个性化服务 |
| 3.2.4 面向知识密集型任务 |
| 3.3 决策连接业务流程及其情境的理论表达 |
| 3.3.1 集成决策的业务流程结构的规范表达 |
| 3.3.2 业务流程情境感知可变性的规范表达 |
| 3.4 决策的关键角色分析模型 |
| 3.5 本章小结 |
| 4 基于决策的Deci-CaBPM情境感知业务流程建模框架方法 |
| 4.1 面向情境感知的CaDMN扩展决策建模方法 |
| 4.1.1 决策模型中情境区分的需要 |
| 4.1.2 数据输入组件的情境区分扩展 |
| 4.1.3 显示化情境的CaDMN扩展决策模型 |
| 4.2 基于CaDMN构建情境感知业务流程的系统步骤 |
| 4.2.1 阶段A:集成决策的业务流程一体化建模 |
| 4.2.2 阶段B:情境感知的流程变体建模 |
| 4.2.3 阶段C:业务流程情境建模 |
| 4.3 例证分析 |
| 4.3.1 阶段A:实例流程与其一体化建模 |
| 4.3.2 阶段B:情境感知的易变质商品运输流程建模 |
| 4.3.3 阶段C:易变质商品运输流程的情境建模 |
| 4.3.4 Deci-CaBPM应用的分析与评估 |
| 4.4 本章小结 |
| 5 物联网环境下情境感知业务流程的应用架构 |
| 5.1 传统的业务流程生态系统 |
| 5.2 情境感知的业务流程生态系统 |
| 5.3 连接物联网环境与生态系统 |
| 5.3.1 架构路线 |
| 5.3.2 物联网基础设施 |
| 5.3.3 融合物联网的情境模型 |
| 5.3.4 情境驱动的动态数据分析模型 |
| 5.3.5 情境强化的决策模型 |
| 5.3.6 情境感知业务流程的模型与执行 |
| 5.4 本章小结 |
| 6 基于港口物流行业的案例应用验证 |
| 6.1 研究案例背景 |
| 6.2 港口物流流程模型构建 |
| 6.2.1 基于日志挖掘的港口物流流程描述 |
| 6.2.2 基于BPMN的港口物流流程建模 |
| 6.3 集成决策的港口物流流程一体化模型构建 |
| 6.3.1 基于DMN的港口物流流程决策建模 |
| 6.3.2 基于BPMN+DMN的港口物流流程一体化建模 |
| 6.4 物联网应用驱动的港口物流流程重组需求分析 |
| 6.4.1 物联网基础设施的改造应用 |
| 6.4.2 汽车提货子流程面向情境感知可变性的进化需求 |
| 6.5 基于CaDMN的汽车提货流程决策维度优化建模 |
| 6.5.1 融合情境的汽车提货决策信息需求DRD构建 |
| 6.5.2 汽车提货决策模型的决策逻辑BKM具体化构建 |
| 6.6 支持汽车提货风险决策的数据分析模型构建 |
| 6.7 识别低层情境数据构建完整汽车提货CaDMN决策模型 |
| 6.8 情境感知的汽车提货流程模型构建 |
| 6.8.1 情境感知节点的识别 |
| 6.8.2 情境感知进化的适应性调整需求分析与流程片段设计 |
| 6.8.3 进化构建情境感知的汽车提货流程以获取灵活可变性 |
| 6.9 汽车提货流程的顶层情境模型构建 |
| 6.9.1 汽车提货顶层情境实体的识别 |
| 6.9.2 基于本体的汽车提货流程情境顶层建模 |
| 6.10 研究案例的管理分析 |
| 6.11 本章小结 |
| 7 总结与展望 |
| 7.1 研究结论与工作总结 |
| 7.2 研究工作的展望 |
| 参考文献 |
| 附录A |
| 索引 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于机器学习的径流预测方法及适应性预测机制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题背景 |
| 1.1.3 研究目的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 径流预测 |
| 1.2.2 机器学习 |
| 1.3 存在的不足分析 |
| 1.4 主要研究内容 |
| 1.5 研究技术路线 |
| 1.6 研究区域与数据 |
| 2 响应变化与支撑决策的径流适应性预测机制研究 |
| 2.1 响应与支撑对象分析 |
| 2.1.1 变化环境对径流预测的影响分析 |
| 2.1.2 径流预测对水资源管理的决策支撑作用分析 |
| 2.1.3 对象及因素归类 |
| 2.2 径流适应性预测机制构建 |
| 2.2.1 响应环境变化的适应性机制构建 |
| 2.2.2 支撑决策的适应性机制构建 |
| 2.3 适应性机制实现技术方法构建 |
| 2.3.1 响应环境变化的适应性机制技术实现 |
| 2.3.2 支撑决策的适应性机制技术实现 |
| 2.4 适应性机制图谱化集成实现方式 |
| 2.4.1 适应性机制实现的关键支撑平台及技术 |
| 2.4.2 基于知识图的径流预测图谱构建 |
| 2.4.3 基于预测图谱的适应性机制集成 |
| 2.5 本章小结 |
| 3 基于大数据分析的径流驱动因子挖掘研究 |
| 3.1 径流预测特征因子预处理 |
| 3.1.1 特征因子提取 |
| 3.1.2 特征因子缺失值处理 |
| 3.1.3 复杂非线性特征因子分解 |
| 3.1.4 特征因子清洗 |
| 3.2 特征因子对径流变化的驱动关系构建 |
| 3.2.1 特征因子滞后时段选择 |
| 3.2.2 驱动关系构建方式 |
| 3.3 基于成因贡献分析的驱动因子提取 |
| 3.3.1 径流成因贡献分析 |
| 3.3.2 关键驱动因子提取 |
| 3.4 径流预测样本集构建 |
| 3.4.1 基于统计规律的径流预测样本 |
| 3.4.2 基于成因规律的径流预测样本 |
| 3.5 本章小结 |
| 4 基于机器学习的径流预测模型构建方法 |
| 4.1 径流预测样本预处理 |
| 4.1.1 样本集划分 |
| 4.1.2 样本集归一化 |
| 4.2 径流预测机器学习模型构建 |
| 4.2.1 支持向量回归机 |
| 4.2.2 梯度增强决策回归树 |
| 4.2.3 长短期记忆神经网络 |
| 4.3 径流预测机器学习模型优化 |
| 4.3.1 模型性能评价 |
| 4.3.2 模型超参数优化 |
| 4.4 径流预测机器学习模型解释 |
| 4.4.1 解释对象确定 |
| 4.4.2 解释需求分析 |
| 4.4.3 解释方法梳理 |
| 4.5 本章小结 |
| 5 基于统计规律的径流预测机器学习模型研究 |
| 5.1 基于统计规律的径流预测框架 |
| 5.2 径流预测实例验证与对比评价 |
| 5.2.1 TSDF模型中边界效应的减少 |
| 5.2.2 直接法与多分量法效果对比 |
| 5.2.3 TSDF模型的过拟合程度 |
| 5.2.4 不同预见期TSDF预测效果 |
| 5.2.5 不同分解算法及预测框架的效果 |
| 5.2.6 径流预测与径流回测的差距 |
| 5.3 本章小结 |
| 6 基于成因规律的径流预测机器学习模型研究 |
| 6.1 基于成因规律的径流预测框架 |
| 6.2 径流预测实例验证与对比评价 |
| 6.2.1 不同驱动因子筛选阈值对比 |
| 6.2.2 气象与ERA5L要素的预测效果对比 |
| 6.2.3 降维与线性相关重构的预测效果对比 |
| 6.2.4 径流序列降噪对预测效果的提升 |
| 6.2.5 不同预见期多模型对比 |
| 6.3 本章小结 |
| 7 径流适应性预测系统研究与集成实现 |
| 7.1 径流适应性预测系统设计 |
| 7.2 径流预测主题知识图构建 |
| 7.2.1 径流预测业务主题划分 |
| 7.2.2 径流预测主题知识图绘制 |
| 7.3 径流预测模型方法组件库构建 |
| 7.3.1 径流预测模型方法组件化 |
| 7.3.2 径流预测组件定制 |
| 7.4 径流适应性预测系统构建 |
| 7.4.1 预测图谱与组件耦合集成 |
| 7.4.2 径流预测图谱集成运行 |
| 7.5 径流适应性预测系统应用 |
| 7.5.1 径流预测数据集管理 |
| 7.5.2 径流驱动因子挖掘 |
| 7.5.3 径流预测模型构建 |
| 7.5.4 径流预测结果应用 |
| 7.6 本章小结 |
| 8 结论与展望 |
| 8.1 主要研究成果 |
| 8.2 创新点 |
| 8.3 展望 |
| 致谢 |
| 建模工具、程序及模型性能评价 |
| 参考文献 |
| 攻读博士学位期间主要研究成果 |
（4）面向医院管理的数据驱动决策研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 数据驱动决策的研究现状 |
| 1.3.2 数据驱动医疗健康领域决策的研究现状 |
| 1.3.3 数据驱动医院管理决策的研究现状 |
| 1.3.4 数据驱动决策的影响因素研究现状 |
| 1.3.5 研究现状述评 |
| 1.4 研究框架与研究内容 |
| 1.4.1 研究框架 |
| 1.4.2 主要研究内容 |
| 1.4.3 拟解决的关键问题 |
| 1.5 研究方法和技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 第2章 相关基础理论和方法 |
| 2.1 医院管理相关概念 |
| 2.1.1 医院管理 |
| 2.1.2 医院管理评价 |
| 2.1.3 医院管理者 |
| 2.2 决策支持相关理论 |
| 2.2.1 西蒙决策理论 |
| 2.2.2 数据驱动决策相关理论 |
| 2.3 信息链理论 |
| 2.3.1 信息链与信息技术 |
| 2.3.2 “信息”上溯到“数据”带来的变化 |
| 2.3.3 信息链视域下的数据驱动医院管理决策 |
| 2.4 BASM模型 |
| 2.4.1 BASM模型的产生 |
| 2.4.2 BASM模型的研究现状 |
| 2.4.3 基于BASM模型的数据驱动医院管理决策研究 |
| 2.5 相关研究方法 |
| 2.5.1 扎根理论 |
| 2.5.2 结构方程模型 |
| 2.5.3 决策树算法--CHAID |
| 2.6 相关应用场景 |
| 2.6.1 医疗服务绩效 |
| 2.6.2 DRG在医疗服务绩效管理中的应用 |
| 2.7 本章小结 |
| 第3章 面向医院管理的数据驱动决策过程模型构建 |
| 3.1 面向医院管理决策的数据驱动过程模型 |
| 3.1.1 数据驱动决策模式运行机制 |
| 3.1.2 BASM的过程模型 |
| 3.1.3 基于BASM过程模型的数据驱动医院管理决策过程模型构建 |
| 3.2 面向医院管理的数据驱动决策过程模型要素分析 |
| 3.2.1 驱动要素 |
| 3.2.2 需求要素 |
| 3.2.3 支持要素 |
| 3.2.4 要素间关系 |
| 3.3 数据驱动的医院管理决策中数据处理过程 |
| 3.3.1 医疗数据存在的问题 |
| 3.3.2 面向医院管理决策的数据处理原则 |
| 3.3.3 面向医院管理决策的数据处理过程 |
| 3.4 面向医院管理的数据驱动决策过程模型运行机制 |
| 3.4.1 面向医院管理决策的信息链转化过程 |
| 3.4.2 数据驱动的医院管理决策制定过程 |
| 3.5 本章小结 |
| 第4章 基于扎根理论的数据驱动医院管理决策的影响因素分析 |
| 4.1 研究问题与研究程序 |
| 4.1.1 研究问题 |
| 4.1.2 研究方法 |
| 4.1.3 研究程序 |
| 4.2 研究设计 |
| 4.2.1 研究对象选取 |
| 4.2.2 资料收集 |
| 4.2.3 信效度检验 |
| 4.3 编码分析 |
| 4.3.1 开放式编码 |
| 4.3.2 主轴编码 |
| 4.3.3 选择性编码 |
| 4.3.4 理论饱和度检验 |
| 4.4 数据驱动医院管理决策影响因素理论模型与阐释 |
| 4.4.1 影响因素理论模型构建 |
| 4.4.2 影响因素分析 |
| 4.4.3 影响因素关系分析 |
| 4.5 本章小结 |
| 第5章 数据驱动医院管理决策的影响因素模型构建 |
| 5.1 数据驱动医院管理决策影响因素变量选择与界定 |
| 5.1.1 医疗数据质量维度 |
| 5.1.2 信息技术维度 |
| 5.1.3 医院组织管理维度 |
| 5.1.4 管理者信息素养维度 |
| 5.1.5 数据驱动医院管理决策维度 |
| 5.2 相关研究假设 |
| 5.2.1 医疗数据质量 |
| 5.2.2 信息技术 |
| 5.2.3 医院组织管理 |
| 5.2.4 管理者信息素养 |
| 5.3 调查问卷的编制与问卷修正 |
| 5.4 数据获取与统计分析 |
| 5.4.1 研究对象 |
| 5.4.2 样本量的选择 |
| 5.4.3 信度分析 |
| 5.4.4 样本分布 |
| 5.4.5 样本数据相关性 |
| 5.5 效度分析 |
| 5.5.1 探索性因子分析 |
| 5.5.2 验证性因子分析 |
| 5.6 基于结构方程的影响因素模型构建与检验修正 |
| 5.6.1 影响因素模型构建 |
| 5.6.2 模型基本适配评估 |
| 5.6.3 假设检验的结果 |
| 5.7 结构方程模型检验结果分析 |
| 5.7.1 影响因素强度分析 |
| 5.7.2 医疗数据质量对信息技术影响的验证结果分析 |
| 5.7.3 信息技术对数据驱动医院管理决策影响的验证结果分析 |
| 5.7.4 医院组织管理对医疗数据质量影响的验证结果分析 |
| 5.7.5 医院组织管理对管理者信息素养影响的验证结果分析 |
| 5.7.6 医院组织管理对数据驱动医院管理决策影响的验证结果分析 |
| 5.7.7 管理者信息素养对医疗数据质量影响的验证结果分析 |
| 5.7.8 管理者信息素养对信息技术影响的验证结果分析 |
| 5.7.9 管理者信息素养对数据驱动医院管理决策影响的验证结果分析 |
| 5.8 本章小结 |
| 第6章 面向医院管理的数据驱动决策模型研究 |
| 6.1 数据驱动医院管理决策模型构建 |
| 6.2 面向医院管理的数据驱动决策模型的驱动机制 |
| 6.2.1 面向医院管理的数据驱动决策模型的驱动目标 |
| 6.2.2 面向医院管理的数据驱动决策模型的驱动特征 |
| 6.2.3 面向医院管理的数据驱动决策模型的驱动过程 |
| 6.3 数据驱动医院管理决策模型影响因素的作用机制 |
| 6.3.1 医疗数据质量在数据驱动决策模型中的影响机制 |
| 6.3.2 信息技术在数据驱动决策模型中的影响机制 |
| 6.3.3 医院组织管理在数据驱动决策模型中的影响机制 |
| 6.3.4 管理人员素养在数据驱动决策模型中的影响机制 |
| 6.4 数据驱动医院管理决策模型对医院管理的提升策略 |
| 6.4.1 提升医疗数据质量 |
| 6.4.2 发挥信息技术使能作用 |
| 6.4.3 发挥医院组织管理支持作用 |
| 6.4.4 提高管理人员信息素养 |
| 6.5 本章小结 |
| 第7章 面向医院管理的数据驱动决策的实证研究 |
| 7.1 资料来源与研究对象 |
| 7.2 原发性肺癌患者的DRGS分组 |
| 7.2.1 数据基础 |
| 7.2.2 数据纳入 |
| 7.2.3 术语映射 |
| 7.2.4 DRGs分组结果对比 |
| 7.3 基于DRGS细分组的医疗服务绩效评估 |
| 7.3.1 基于决策树的原发性肺癌患者DRGs细分组模型 |
| 7.3.2 基于DRGs细分组的医疗服务绩效评估指标 |
| 7.3.3 医生医疗服务绩效指标统计结果 |
| 7.3.4 科室医疗服务绩效指标统计结果 |
| 7.4 讨论 |
| 7.4.1 数据驱动医院管理决策过程 |
| 7.4.2 数据驱动医院管理决策影响因素 |
| 7.5 本章小结 |
| 第8章 结论与创新 |
| 8.1 结论 |
| 8.2 研究创新点 |
| 8.3 研究局限 |
| 参考文献 |
| 附录1 病案组DRGS分组情况 |
| 附录2 医生组DRGS分组情况 |
| 附录3 访谈提纲 |
| 附录4 调查问卷 |
| 作者简介及在学期间所取得的科研成果 |
| 后记与致谢 |
（5）我国大型建筑企业PPP项目组合决策研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 PPP项目投资决策的研究现状 |
| 1.2.2 项目组合决策的研究现状 |
| 1.2.3 文献综述小结 |
| 1.3 论文的研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 技术路线 |
| 1.5 本章小结 |
| 2 研究基础 |
| 2.1 相关概念界定 |
| 2.1.1 大型建筑企业 |
| 2.1.2 项目组合 |
| 2.1.3 PPP项目组合 |
| 2.1.4 PPP项目组合决策 |
| 2.2 相关理论基础 |
| 2.2.1 项目组合管理理论 |
| 2.2.2 管理决策理论 |
| 2.2.3 证据理论 |
| 2.2.4 线性规划法 |
| 2.3 本章小结 |
| 3 PPP项目组合决策指标体系 |
| 3.1 我国大型建筑企业PPP项目组合决策的基本流程框架 |
| 3.1.1 构建基础 |
| 3.1.2 我国大型建筑企业PPP项目组合决策基本流程框架的构建 |
| 3.2 PPP项目组合决策指标体系构建 |
| 3.2.1 PPP项目组合决策指标体系的构建原则 |
| 3.2.2 PPP项目组合决策指标体系的构建方法 |
| 3.2.3 PPP项目组合决策指标的选取 |
| 3.2.4 PPP项目组合决策指标的确定 |
| 3.3 PPP项目组合决策指标分析 |
| 3.3.1 PPP战略契合度指标 |
| 3.3.2 PPP项目组合自身指标 |
| 3.3.3 PPP项目组合风险指标 |
| 3.3.4 企业能力指标 |
| 3.3.5 政府支持指标 |
| 3.3.6 外部环境指标 |
| 3.4 本章小结 |
| 4 我国大型建筑企业PPP项目组合决策模型 |
| 4.1 基于组合赋权法的决策指标赋权计算 |
| 4.1.1 权重确定方法的选择 |
| 4.1.2 组合赋权法 |
| 4.2 基于证据理论的PPP项目组合综合评分值确定 |
| 4.3 基于0-1整数线性规划的PPP项目组合决策模型 |
| 4.3.1 0-1整数线性规划的标准形式 |
| 4.3.2 决策模型相关参数的确定 |
| 4.3.3 PPP项目组合决策模型 |
| 4.4 本章小结 |
| 5 案例分析 |
| 5.1 某大型建筑企业简介 |
| 5.2 备选PPP项目的确定 |
| 5.2.1 备选PPP项目的筛选 |
| 5.2.2 备选PPP项目的概况 |
| 5.3 PPP项目组合决策 |
| 5.3.1 决策指标的综合权重 |
| 5.3.2 备选PPP项目组合决策 |
| 5.4 相关建议 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录A T建筑集团PPP项目组合决策调查问卷 |
| 附录B 攻读学位期间的主要学术成果 |
| 致谢 |
（6）大数据驱动制造业企业管理决策优化研究 ——以奥迪集团为例（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 大数据驱动企业管理变革的研究 |
| 1.2.2 大数据驱动企业管理决策范式转变的研究 |
| 1.2.3 大数据影响企业管理决策的研究 |
| 1.2.4 文献述评 |
| 1.3 研究思路与方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法及文章框架 |
| 2 大数据驱动企业管理决策的相关概念和理论概述 |
| 2.1 大数据定义与特征 |
| 2.1.1 大数据定义 |
| 2.1.2 基于管理视角的大数据特征 |
| 2.1.3 基于管理视角的大数据能力 |
| 2.2 管理决策理论及分析工具 |
| 2.2.1 现代决策理论 |
| 2.2.2 数据驱动型决策 |
| 2.2.3 时间竞争理论 |
| 2.2.4 互联网时代的零边际成本理论 |
| 2.3 基于动态能力理论下管理决策优化机理 |
| 2.3.1 价值链分析 |
| 2.3.2 资源基础理论 |
| 2.3.3 动态能力理论 |
| 3 奥迪集团运用大数据驱动企业管理决策案例介绍 |
| 3.1 大数据兴起对制造业冲击的背景 |
| 3.2 奥迪集团案例介绍 |
| 3.3 奥迪集团运用大数据变革的动因 |
| 3.3.1 产业巨变:新能源化和智能网联化的革新 |
| 3.3.2 内在驱动:推动“可持续化”愿景发展 |
| 3.3.3 政府红利:政策对数字化应用大力支持 |
| 3.4 奥迪集团数字化应用介绍 |
| 3.4.1 研发环节:协同创新 |
| 3.4.2 生产环节:智能制造 |
| 3.4.3 供应链环节:优化与提速 |
| 4 奥迪集团运用大数据驱动企业管理决策优化案例分析 |
| 4.1 大数据驱动企业管理决策的优化机理 |
| 4.1.1 研发管理决策 |
| 4.1.2 采购决策 |
| 4.1.3 生产决策 |
| 4.2 大数据驱动奥迪集团管理决策提升财务绩效的分析 |
| 4.2.1 偿债能力指标分析 |
| 4.2.2 营运能力指标分析 |
| 4.2.3 盈利能力指标分析 |
| 4.2.4 发展能力指标分析 |
| 4.3 大数据驱动奥迪集团管理决策优化的非财务绩效分析 |
| 4.3.1 提高顾客满意度,提升品牌影响力 |
| 4.3.2 提升供应链敏捷性,缩短企业价值创造周期 |
| 4.3.3 增强企业创新能力,提升核心竞争力 |
| 5 研究结论与启示 |
| 5.1 研究结论 |
| 5.1.1 大数据驱动本质为从数字化应用、数字属性激活、应用价值转化三方面实现决策优化 |
| 5.1.2 大数据驱动企业管理决策优化将全面提升企业使能价值创造 |
| 5.1.3 大数据驱动高层管理决策人员由“决策者”向“感知者”转变 |
| 5.2 启示 |
| 5.2.1 制造业企业应抓住大数据带来的机遇,积极应对大数据对企业的挑战 |
| 5.2.2 数据应用应结合人的主观能动性,提升数据到知识再到价值的转化效率 |
| 5.2.3 实现数据价值转化后,应以新模式或发现新机会来推动创新 |
| 参考文献 |
| 致谢 |
（7）大数据在内部审计价值增值中的应用研究 ——以A企业为例（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 关于大数据的文献综述 |
| 1.2.2 关于内部审计价值增值的文献综述 |
| 1.2.3 关于大数据在内部审计价值增值中应用的文献综述 |
| 1.2.4 文献述评 |
| 1.3 研究思路和研究方法 |
| 1.3.1 研究思路与框架 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法 |
| 1.4 创新点 |
| 第2章 相关理论 |
| 2.1 概念及内涵 |
| 2.1.1 大数据 |
| 2.1.2 内部审计价值增值 |
| 2.2 大数据应用对内部审计的优化 |
| 2.2.1 内部审计数据信息层面 |
| 2.2.2 内部审计数据分析层面 |
| 2.2.3 内部审计成本层面 |
| 2.2.4 信息系统可靠性层面 |
| 2.3 大数据应用下内部审计的特点 |
| 2.3.1 全面性 |
| 2.3.2 及时性 |
| 2.3.3 科学性 |
| 2.3.4 适应性 |
| 2.4 理论基础 |
| 2.4.1 委托代理理论 |
| 2.4.2 价值链理论 |
| 2.4.3 产业生命周期理论 |
| 2.4.4 平衡记分卡理论 |
| 本章小结 |
| 第3章 大数据在内部审计价值增值中应用实务框架 |
| 3.1 内部审计价值增值目标 |
| 3.1.1 总体目标 |
| 3.1.2 一般目标 |
| 3.2 思维方式 |
| 3.2.1 数据资产思维 |
| 3.2.2 关联与多元思维 |
| 3.2.3 风险与前瞻思维 |
| 3.3 内部审计价值增值模式 |
| 3.3.1 大数据应用于内部审计价值增值的定位 |
| 3.3.2 大数据内部审计场景的综合应用 |
| 3.3.3 以流程为主线的内部审计业务模式 |
| 3.4 内部审计组织管理体系 |
| 3.4.1 大数据对内部审计组织管理体系的影响 |
| 3.4.2 大数据下内部审计价值增值的工作主体 |
| 3.5 内部审计战略管理机制 |
| 3.5.1 内部审计战略监督反馈机制 |
| 3.5.2 内部审计战略传递机制 |
| 本章小结 |
| 第4章 大数据在内部审计价值增值中应用案例分析 |
| 4.1 A企业内部审计情况概述 |
| 4.2 A企业大数据创新内部审计价值增值情况 |
| 4.2.1 内部审计思维方式创新 |
| 4.2.2 内部审计业务模式创新 |
| 4.2.3 内部审计组织管理方式创新 |
| 4.2.4 企业战略传递机制创新 |
| 4.3 A企业大数据在内部审计价值增值中的应用效果 |
| 4.3.1 管理决策层面的价值增值 |
| 4.3.2 发展战略层面的价值增值 |
| 4.4 A企业大数据在内部审计价值增值应用中存在的问题 |
| 4.4.1 数字化内部审计环境建设问题 |
| 4.4.2 大数据应用于内部审计质量控制问题 |
| 4.4.3 大数据系统建设难度与成本问题 |
| 4.4.4 对大数据系统本身的审计不足 |
| 4.4.5 内部审计人员能力与人才需求问题 |
| 本章小结 |
| 第5章 大数据在内部审计价值增值中应用的建议 |
| 5.1 重视数字化内部审计环境建设 |
| 5.1.1 认知环境建设 |
| 5.1.2 应用环境建设 |
| 5.1.3 制度环境建设 |
| 5.2 加强大数据的全过程控制 |
| 5.2.1 审前:加强数据质量控制 |
| 5.2.2 审中:优化权限与流程管理 |
| 5.2.3 审后:健全循环整改跟踪机制 |
| 5.3 持续推进大数据审计系统建设 |
| 5.4 关注对大数据系统本身的审计 |
| 5.5 培养内部审计信息化复合型人才 |
| 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究局限和不足 |
| 6.3 未来展望 |
| 参考文献 |
| 致谢 |
（8）阿里巴巴增持菜鸟股份的风险分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 文献综述 |
| 1.3 研究方法与研究思路 |
| 2 相关概念和基本理论 |
| 2.1 增资扩股概念 |
| 2.2 风险分析理论 |
| 2.3 本章小结 |
| 3 阿里巴巴公司增持菜鸟股份的背景介绍 |
| 3.1 公司介绍 |
| 3.2 增持菜鸟股份的动因 |
| 3.3 与传统企业相比,阿里巴巴电商企业的特征 |
| 3.4 本章小结 |
| 4 阿里巴巴增持菜鸟股份的风险评估 |
| 4.1 电商企业增资扩股的风险影响因素 |
| 4.2 增资扩股风险评价指标体系的构建 |
| 4.3 阿里巴巴增持菜鸟的增资扩股风险管理经验借鉴 |
| 4.4 本章小结 |
| 5 论文的主要研究成果与不足 |
| 5.1 主要研究成果 |
| 5.2 不足 |
| 参考文献 |
| 附录A 阿里巴巴增持菜鸟股份风险评价调查表 |
| 附录B 阿里巴巴增持菜鸟股份风险管理调查问卷 |
| 致谢 |
（9）气体传感器系统健康管理技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要缩写和符号 |
| 第1章 绪论 |
| 1.1 课题背景及研究目的 |
| 1.1.1 研究来源及背景 |
| 1.1.2 研究目的及意义 |
| 1.2 气体传感器系统概述 |
| 1.2.1 气体传感器系统的工作原理 |
| 1.2.2 气体传感器阵列的构造方式 |
| 1.2.3 气体传感器系统的故障模式分析 |
| 1.3 气体传感器系统的健康管理研究现状 |
| 1.3.1 健康管理技术概述 |
| 1.3.2 健康管理关键技术研究现状分析 |
| 1.4 现有技术存在的主要问题 |
| 1.5 本文主要研究内容 |
| 第2章 气体传感器系统的微小故障诊断方法的研究 |
| 2.1 引言 |
| 2.2 基于t分布随机近邻嵌入与随机森林的微小故障诊断方法 |
| 2.2.1 基于t分布随机近邻嵌入的特征提取方法 |
| 2.2.2 补偿距离特征评估 |
| 2.2.3 基于随机森林的特征分类方法 |
| 2.2.4 基于t分布随机近邻嵌入与随机森林的故障诊断算法流程 |
| 2.3 故障诊断仿真结果与分析 |
| 2.3.1 特征提取方法仿真试验及分析 |
| 2.3.2 故障诊断方法仿真试验及分析 |
| 2.4 本章小结 |
| 第3章 强干扰小样本的健康评估及预测方法研究 |
| 3.1 引言 |
| 3.2 基于未确知深度软测量的强干扰健康评估方法 |
| 3.2.1 健康可信度的内涵 |
| 3.2.2 健康可信度软测量方法研究 |
| 3.3 基于集成相关向量机的小样本健康预测方法 |
| 3.3.1 集成相关向量机的原理及其特性分析 |
| 3.3.2 健康预测模型算法流程 |
| 3.4 健康评估及预测仿真试验及分析 |
| 3.4.1 强干扰情况下的健康评估仿真试验及分析 |
| 3.4.2 小样本情况下的健康预测仿真试验及分析 |
| 3.4.3 健康预警等级仿真验证 |
| 3.5 本章小结 |
| 第4章 混合多属性信息的健康管理决策方法研究 |
| 4.1 引言 |
| 4.2 基于灰色群决策的混合多属性健康管理决策 |
| 4.2.1 多专家灰色群决策及其特性分析 |
| 4.2.2 基于灰色群决策的健康管理决策模型 |
| 4.3 基于互相关极限学习机的数据恢复 |
| 4.3.1 互相关极限学习机及其特性分析 |
| 4.3.2 基于互相关极限学习机的在线故障恢复 |
| 4.4 仿真试验及分析 |
| 4.4.1 健康管理决策仿真试验及分析 |
| 4.4.2 数据恢复效果仿真试验及分析 |
| 4.5 本章小结 |
| 第5章 气体传感器系统的健康管理实验验证 |
| 5.1 引言 |
| 5.2 气体传感器系统的设计与实现 |
| 5.2.1 气体传感器系统功能描述 |
| 5.2.2 气体传感器实验系统技术方案 |
| 5.3 气体传感器系统的健康管理方法实验验证 |
| 5.3.1 微小故障诊断方法验证 |
| 5.3.2 强干扰情况下的健康评估及预测方法验证 |
| 5.3.3 多属性混合信息健康管理决策方法验证 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（10）面向高速公路突发事件的应急管理决策方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 问题背景及意义 |
| 1.2 研究目标与内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 研究方法与技术路线 |
| 1.3.1 研究方法 |
| 1.3.2 技术路线 |
| 1.4 主要贡献与研究局限性 |
| 1.4.1 主要贡献 |
| 1.4.2 研究局限性 |
| 1.5 本章小结 |
| 第二章 高速公路应急管理相关理论与研究评述 |
| 2.1 高速公路突发事件应急管理相关理论 |
| 2.1.1 高速公路突发事件定义 |
| 2.1.2 高速公路突发事件的分类分级 |
| 2.1.3 高速公路突发事件的特征 |
| 2.1.4 高速公路突发事件应急管理流程 |
| 2.1.5 高速公路应急管理体系现状分析 |
| 2.2 高速公路突发事件信息获取及应急管理决策应用 |
| 2.2.1 突发事件信息获取、处理及应用 |
| 2.2.2 突发事件信息的应急管理决策应用 |
| 2.3 高速公路突发事件应急管理决策基础 |
| 2.3.1 突发事件应急决策方法 |
| 2.3.2 高速公路突发事件应急管理决策 |
| 2.3.3 高速公路突发事件应急管理决策特性 |
| 2.4 研究现状评述及展望 |
| 2.5 本章小结 |
| 第三章 我国高速公路突发事件应急管理现状及能力提升策略 |
| 3.1 我国高速公路突发事件应急管理现状分析 |
| 3.1.1 样本收集与选择 |
| 3.1.2 我国高速公路突发事件应急管理工作现状 |
| 3.1.3 我国高速公路突发事件应急管理运行模式现状 |
| 3.2 我国高速公路突发事件应急管理的问题评析 |
| 3.2.1 我国高速公路突发事件应急管理模式发展脉络分析 |
| 3.2.2 我国高速公路突发事件应急管理决策能力提升的影响因素分析 |
| 3.3 我国高速公路突发事件应急管理决策能力提升的实证分析 |
| 3.3.1 问题分析 |
| 3.3.2 研究方法及框架 |
| 3.3.3 数据收集与整理 |
| 3.3.4 数据处理与结果分析 |
| 3.4 我国高速公路突发事件应急管理决策能力提升策略 |
| 3.5 本章小结 |
| 第四章 云技术驱动的高速公路应急管理决策系统分析与建构 |
| 4.1 问题分析 |
| 4.2 高速公路应急管理决策系统构建分析 |
| 4.2.1 系统总体与建构思路 |
| 4.2.2 系统的基本需求分析 |
| 4.2.3 系统总体架构分析 |
| 4.3 应急管理决策系统的体系架构逻辑分析 |
| 4.3.1 交通信息感知层 |
| 4.3.2 云架构信息接入与管理层 |
| 4.3.3 交通大数据管理与决策服务应用层 |
| 4.4 系统实施分析 |
| 4.5 本章小结 |
| 第五章 高速公路突发事件单阶段应急决策方法 |
| 5.1 高速公路突发事件应急决策问题分析 |
| 5.2 相关理论方法 |
| 5.2.1 梯形直觉模糊数 |
| 5.2.2 前景理论 |
| 5.2.3 热力学方法 |
| 5.3 基于Choquet积分的梯形直觉模糊集结算子 |
| 5.4 基于信息质量的高速公路应急决策模型 |
| 5.4.1 问题描述 |
| 5.4.2 决策模型与方法 |
| 5.5 案例分析 |
| 5.6 本章小结 |
| 第六章 高速公路突发事件多阶段动态应急决策方法 |
| 6.1 问题分析 |
| 6.2 区间梯形直觉模糊数 |
| 6.3 多阶段动态应急决策模型与方法 |
| 6.3.1 问题描述 |
| 6.3.2 多阶段动态应急决策模型原理 |
| 6.3.3 基于满意度信息更新的动态应急决策方法 |
| 6.4 案例分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文主要研究结论 |
| 7.2 本文主要创新点 |
| 7.3 未来研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
四、风险管理决策模型研究（论文参考文献）
- [1]制造企业供应链数字化转型机理与决策模型[D]. 韩璐. 北京交通大学, 2021(02)
- [2]集成决策的情境感知业务流程一体化建模方法研究[D]. 宋容嘉. 北京交通大学, 2021(02)
- [3]基于机器学习的径流预测方法及适应性预测机制研究[D]. 左岗岗. 西安理工大学, 2021
- [4]面向医院管理的数据驱动决策研究[D]. 李茵. 吉林大学, 2021(01)
- [5]我国大型建筑企业PPP项目组合决策研究[D]. 王倩. 中南林业科技大学, 2021(02)
- [6]大数据驱动制造业企业管理决策优化研究 ——以奥迪集团为例[D]. 汤艺佳. 江西财经大学, 2021(10)
- [7]大数据在内部审计价值增值中的应用研究 ——以A企业为例[D]. 苑文露. 山东财经大学, 2021(12)
- [8]阿里巴巴增持菜鸟股份的风险分析研究[D]. 李丹. 四川师范大学, 2021(12)
- [9]气体传感器系统健康管理技术研究[D]. 徐鹏. 哈尔滨工业大学, 2020(02)
- [10]面向高速公路突发事件的应急管理决策方法研究[D]. 刘永. 重庆交通大学, 2020(01)