大数据时代产生的原因第1篇

[关键词]大数据；企业；管理

中图分类号：TP 文献标识码：A 文章编号：1009-914X（2017）17-0136-01

1 引言

大数据的产生是因为在计算机，传感器，处理器技术发展迅速，我们进入了一个数据量巨大的石头。所有的机械电子相关的设备运行都能从中采集到数据，这些数据包括了，性能状态时间点位置，通过互联网汇总就形成了一个积极庞大的数据库。这些数据库对于当今的企业管理，已经变得不可取代。

2 企业应用大数据提升产品质量

企业通过使用大数据提升产品质量。在实际生产过程中，对时效品个别案例进行分析经常无疾而终。有实际运用价值的信息被实验噪声、测量误差或有缺陷的科学实验设计所掩盖。随着生产过程数据累积，生产过程分析逐步完善，通过对于所积累的生产数据的汇总、分析，干扰信息会被自动过滤，真正的差异点就像波的干涉现象一样被叠加放大，。在数据库达到一定规模，信息完全充足，升值可以将差异点具体定位到某道工序，某台设备，设置某个机构，大大加速良率提升的过程。

以钢铁企业为例，钢铁生产过程中如果遇到，产品质量降低却找不到根本原因的情况时企业在此时只能无奈选择停产查找原因，而对于作业率要求极高的钢铁企业停产就代表的盈利损失，但是通过大数据。日趋成熟，在其帮助下，可以在不停涨的状态下查找出造成成品有瑕疵的真正原因，钢坯轧制过程中，轧机台架腐蚀，岗位人员操作不规范，外部环境温度、湿度不当，切割角度偏移，杂质混入等原因，皆造成钢材良品率降低，大数据对这些问题解决方式是在对于成百上千变数参数监测时，监测到的变量参数偏离设定的标准范围时，系统会自动报警提示技术人员及时调整关键给定参数，让发生偏离的变量参数，回归到正常水准，以这种动态调控在产线正常运行前提下提高良品率。

3 企业应用大数据提升工艺管理。

企业管理的最重要h节就是生产工艺管理。大数据在生产工艺管理中同样不可或缺。钢铁行业最近开发了一键式自动智能化炼钢控制技术。该技术时大数据时代工艺水平提升的代表。其原理是基于热力学计算模型，根据计算机控制物件对冶炼过程中，每10秒一次，通过冶炼数据的采集、传输和处理，通过与同行业单位的外部数据库对接，进行数据比对和分析，在无需借助传统工艺中副枪和炉气鉴定技术的同时，得出钢液和钢渣的实时成分构成。由此改善了钢坯的碳含量、温度和杂质量，同时减少了铁水、氧气、氮气消耗，大大的降低了成本。在炼钢工艺中，实现了标准化、经济化的大数据时代的新工艺模式。

4 企业应用大数据优化物流管理

UPS（联合包裹速递服务公司）是去全球最大的快递公司，下面我们看看UPS公司是怎样应用大数据优化物流线路的。UPS的配送工作人员不需要自己规划配送路径，UPS应用大数据实时分析近10万种可行线路，对收发货物流线路进行规划。线路规划系统通过对各类社交媒体信息的采集，对物流线路中交通实际情况，以及转运关键点，出现的各种意外、外部天气、自然灾害等突发状况，自动对物流线路进行调整、优化。确保原材料按时到货，客户订单及时送达。通过使用大数据分析，该公司有一项非常有趣的规定：卡车不允许左转。原因是左转会造成卡车等待时间过长。UPS的卡车司机，宁愿绕为饶行，也不会左转弯。这听着的确有些令人不解，这种宁愿绕远路也不左转的行车方式，既浪费时间又增加油耗油真的合算吗？其实这就是经过大数据计算、分析得出的最经济方案。根据“禁止左转”规定出台后统计数据显示，UPS公司所属的所有卡车在总行驶路程减少两亿多英里的同时多配送了35万个订单。

5 企业应用大数据优化供应链管理

联合利华应用大数据驱动供应链。每当顾客从商家手中购买一瓶洗护用品时，对联合利华来说就意味着他的近2000家原料供应商超过25万平方米的生产基地，数千经销商都会受到牵动。联合利华的产品都属于快速消费品，因为其顾客超高的购入品次，因此销售的过程中充斥着各种不确定性，公司很难对他作出需求预测。最令人头疼的情况便是大客户采购，此种情况可能领最低级经销商的产品库存瞬间耗尽。为了更加坦然地应对这种情况的发生，同时既不想增加库存提高成本，又不想丢失客户。公司需要更加精准的预测未来的销售状况。每天各地的巡店业务人员将具体销售数据录入到移动终端，源源不断的把这些销售数据上传等公司的总数据库中，同时总数据库与各大经销商的库存系统对接，将经销商的销售库存信息采集到总数据库是世界各地的公司管理人员都能时刻了解到全球数10万零售商，在任何时段内的销售情况。对这些数据的分析就可以保证销售行为的波动被控制在可接受的范围内。而在原料供应端，公司将前台的客户订单与后台的生产制造环节紧密联系在一起。在接到客户订单后，自动生成原材料详单，将各类已经用各种编码做好标识的原料，及其具体需求量自动记录，每天进行一次统筹汇总，并发往原料仓储部门，这样做一是优化原材料使用，避免浪费，二是大大降低了内部物流成本。每瓶洗护产品的售出，原料采购部门而就收到包装原料和产品制造颜料增加的需求。其中制造原材料被分解成数十种，自动根据原料供应商的厂家不同而分类。联合利华利用大数据对供应商进行管理，执行一套全球一致的标准。专业的评估团队每年会对大型供应商到场审计两次掌握所有供应商的供应能力统计出下一阶段内产能供应水平，以便对供应商提前进行调整，联合利华通过大数据从供应商货架上的，每个商品销售到自己的供应商之事一种家具高价值的数据库了，通过其中每个节点的具体数据来优化业务。

6 企业应用大数据提升客户管理。

耐克公司凭着一个名为耐克家的新型技术与消费者建立起及其牢固的关系。那个家是一种将运动传感器内置于运动装备的产品只要消费者穿戴耐克家系列的运动装备进行运动，手机就可以收集并显示运动日期、时长、距离、速度、运动消耗热量等数据。消费者可以上传数据到耐克数据库及各大热门社交媒体中，以便于好友之间分享讨论。耐克借此掌握了各大主要城市里最佳跑步路线，其组织的城市跑步专项活动效果大大提高，现如今，耐克已经建立起了世界最大的网上运动社区，活跃用户超过500万，大数据对于耐克了解用户反馈产品改进营销准确广告投放，到了不可替代的作用。

7 结语

在大数据时代，如何更好的利用信息爆炸多产生的海量数据为企业管理所服务，是每个企业在当下的新命题，利用数据创造财富是每个企业人的新共识。企业管理越来越依赖与数据的分析，而非经验或是直觉。大数据的合理应用，会促进企业健康发展，驱动企业向着更光明的未来前行。

参考文献

大数据时代产生的原因第2篇

关键词：新生代员工 员工离职 离职原因

新生代员工是80年代后出生的教育程度相对较高、生活环境相对优越、个性较为突出、精神生活需求较为强烈、刚刚步入职场的年轻群体。这一群体整体离职率高于社会平均的离职率，2011年曾达到30%以上，且居高不下[ 数据来源：2012中国人力资源发展与管理论坛的《2012年度中国薪酬白皮书》。]。新生代员工离职行为增加了企业成本、加大了在职员工压力，也带来了一系列社会问题。这一现象引起各界的高度关注。

一、调查方案设计

为了寻求新生代员工离职率高居不下的原因，作者对某公司进行了为期四年（2009-2012）的专题追踪调研。由于某公司规模大、出口量大、在国内外的影响力大，尤其是80、90后新生代员工所占比例很大，因此选择该公司进行调查研究具有代表意义。

调研内容包括2009-2012年公司离职员工基本信息，以及公司与离职员工的离职面谈记录。公司离职面谈记录中记载了员工离职的原因，包括职业发展、薪酬福利、不认同公司文化、行业因素、公司人际关系、工作负荷大、家庭原因，以及其他原因等。以调查汇总数据为基础，作者对新生代员工离职原因进行了实证性分析判断。

二、新生代员工离职的基本情况分析

对调查数据的统计分析发现，某公司新生代员工2009年主动离职814人，主动离职率为12%；2010年主动离职1277人，主动离职率为18%；2011年主动离职1163人，主动离职率为16%，2012年主动离职1562人，主动离职率为20%。具体情况如表1所示。

表1 某公司2009-2012年新生代员工离职情况统计表

年份 新生代员工总数 新生代员工主动离职人数 新生代员工

主动离职率

2009 6805 814 12%

2010 7118 1277 18%

2011 7236 1163 16%

2012 7807 1562 20%

数据来源：根据某公司调查数据汇总。

三、新生代员工离职原因分析

如表2所示，2009-2012年某公司共有4816名新生代员工离职，平均每年1204人。

薪酬福利偏低是新生代员工离职的第一大原因。调查数据显示，46.93%的新生代员工因薪酬福利方面的原因而离职。分析发现，某公司80、90后新生代员工大部分在一线操作岗位，工作强度较大，工作负荷较重，虽然薪酬福利待遇略高同一城市平均水平，但与同行业知名企业相比，他们的薪酬福利水平明显偏低，劳动投入与其报酬不匹配，这在一定程度上挫伤了新生代员工的积极性。而新生代员工刚刚步入社会，经济压力很重，薪酬偏低会增加他们的离职倾向，容易产生离职行为。

表2 2009-2012年某公司新生代员工离职原因（单位：人，%）

年份 2009 2010 2011 2012 平均

主动离职人员总数 814 1277 1163 1562 1204

职业发展 人数 298 487 445 647 469.25

比率 36.6 38.1 38.3 41.4 38.6

薪酬福利 人数 416 598 533 688 558.75

比率 51.1 46.8 45.8 44 46.93

不认同

公司文化 人数 7 12 13 25 14.25

比率 0.86 0.94 1.1 1.6 1.13

行业因素 人数 21 48 51 68 47

比率 2.6 3.75 4.4 4.4 3.79

公司

人际关系 人数 33 73 63 72 60.25

比率 4 5.72 5.41 4.6 4.93

工作负荷大 人数 19 39 30 35 30.75

比率 2.3 3.05 2.6 2.2 2.54

家庭原因 人数 15 16 16 18 16.25

比率 1.8 1.25 1.4 1.2 1.41

其他 人数 5 4 12 9 7.5

比率 0.74 0.59 0.9 0.6 0.71

数据来源：根据某公司调查数据汇总。

大数据时代产生的原因第3篇

云计算是当前一个热门的技术名词，很多专家认为，云计算会改变互联网的技术基础，甚至会影响整个产业的格局。正因为如此，很多大型企业都在研究云计算技术和基于云计算的服务，亚马逊、谷歌、微软、戴尔、IBM、SUN等IT国际巨头以及百度、阿里、著云台等国内业界都在其中。

“智慧城市”依靠“大数据”得以实现

以前我们谈到过大数据，但是后来有一阵子的蛰伏期，当时不谈是因为本身数量不够大，产生速度不够快。大数据的概念并非是全新的概念，所谓大数据的大是相对原有的信息处理能力而言的。到了云计算时代，可能就是几十TB规模才是大数据。当今因为进入了这个时代阶段，因为信息数量大，所以我们就产生了大数据。

在云计算时代，之所以提及大数据，把概念上升到这样的角度，最主要的原因是我们现在把数据看作资产对待，希望利用大数据来创建更多新的业务，通过新的业务产生新的价值。这样的话，跟传统BI最大的不同，刚才我也讲到了数据的打破和重组，通过这种数据打破和重组过程发现新的业务机会。

“智慧城市”缔造信息共享，创造数据真价值

大数据时代产生的原因第4篇

0.引言

电力系统在空间上的广域分布，导致电力事故的发生是不可避免的，事故数据的收集、分析很难全面、系统地进行。分析2003年～2015年中国南方电网电力生产事故，目前同类事故重复现象比较普遍。采用故障树分析法无法确定导致事故发生的上下级原因之间的相关度，不能确定主要的事故防范措施；另一方面，故障树分析法缺乏对事故分析结果的系统应用，要想全面查找到各个根本原因间的逻辑关系，十分困难，不能建立多方面、多维度防范措施，无法真正达到事故预防目的。利用基于Apriori算法及方差分析的故障树上下级原因相关度分析方法，分析事故上下级原因的相关度可以有针对性地对事故进行防范，降低事故发生概率，减少事故的发生。

Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集合的算法。Apriori算法通过查找事务数据库中所有支持度大于最小支持度的频繁项集。将Apriori算法利用于事故树上下级原因分析，得出的频繁项集合的支持度便是事故树上下级原因之间的相关度，此时最小支持度应该设定为零；另外，Apriori算法还可以在频繁项集合中产生所有大于等于最小可信度的关联规则，即可分析同级原因的关联规则。

对于电网发生的电力事故来说，在某一个确定的时间段上，电力安全生产管理水平是趋于一个稳定的程度，则对应的电力生产事故发生的可能性也是趋于一个确定的值。因此，在一个确定的时间段内发生的电力生产事故的次数服从正态分布，也就是说在这段时间内导致电力生产事故发生的直接原因事件出现的次数成正态分布。

方差分析法是一种常用的统计方法，方差分析就是将总的方差分解为各个方差的成分，然后利用显著性检验法进行分析判断和做出适当的结论。对需要进行分析的因素进行方差分析，若分析结果落入拒绝域，说明下级因素对上级因素没有显著影响；若分析结果落在拒绝域外，则说明有显著的影响。分析得出存在显著影响的因素，可以针对性地对事故进行防范，降低事故发生的概率。

1. Apriori算法

1.1 概述

Apriori算法是一种以概率为基础的具有影响的挖掘布尔型关联规则频繁项集合的算法。同时，Apriori算法是第一个关联规则挖掘算法，也是最为经典的算法。Apriori算法利用逐步检索的迭代方法寻找出某数据库中项集合的密切联系，通过这种密切联系来形成规则。Apriori算法中包含了几个重要的概念，其中项集（Itemset）就是项的集合，包含K个项的集合为k项集；项集合出现的频率表示在某数据库中，包含项集合的个数，称为项集合的频率。通过制定的最小支持度，如若某项集合满足最小支持度，则称它为频繁项集。

Apriori算法是一个基于频集理论递推的方法，它利用“频繁项集的所有非空子集必定是频繁的，非频繁项集的所有超级必定是非频繁的”这一性质来实现。其根本原理是：通过查找数据库中的所有数据项，从而得到一个大项集L1，如果大项集L1为非空，根据此大项集得到一个候选项集合C1，然后对该数据库中的每一个数据项数据项t，求出t在C1中的全部子集Ct。子集Ct中的每一个的候选项集c，令c加l。当扫描该数据库一遍后，筛选出候选项集合C1中所有计数大于或等于最小支持度的项集组成频繁项集合。

1.2 Apriori算法步骤

Apriori算法的挖掘任务分为以下问题：

（1）找出某数据库中所有支持度大于或等于最小支持度的候选项集。具有最小支持度的候选项集称为频繁项目集。

（2）在频繁项集合中产生所有大于等于最小可信度的关联规则。

1.2.1 具体步骤

首先确定在该数据下的最小支持度。

Apriori算法采用了候选项集合的概念，通过查找数据库中的所有数据项，得到一个大项集L1，根据大项集得到候选项集，若候选项集的支持度大于或等于最小支持度，则该项集合为频繁项集合（Large Itemset）。此支持度为频繁项集合的概率。

假设一个简单事务数据库D的模型，数据库D的数据如图1所示的事故树。分别求取一级原因A、B、C与事故之间的关联程度，二级原因A1、B1、C1分别与一级原因A、B、C的关联程度，三级原因A11、B11、B12、C11分别与二级原因A1、B1、C1的关联程度，四级原因B111与三级原因B11的关联程度，须从数据库中计及事故的次数以及各原因的次数。

表1中：001―010代表10个电网事故故障树编号，A、B、C、D、E分别代表事故一级原因。

若要求取一级原因与事故之间的额关联程度首先通过扫描数据库D，生成项集，见表2。

其次利用Apriori算法对数据库中的项集进行扫描，计数每个项集在数据库中的次数，即在每一次迭代过程中，Apriori算法都产生了一个大项集，然后计算每一个候选项集所出现的次数，最后在预先给定的最小支持度s=0%的基础上确定大项集。

对上表所示的各个项集进行计数，通过扫描数据库D中的数据得出表3所示的计数次数并求出其支持度。

由于某种事故原因导致事故发生是存在可能性的，尽管有些导致事故发生的概率很小，但是最终却不可避免，所以在此设定最小支持度为s=0%，即出现的事故原因都应该纳入考虑范围。

发掘大项集，也就是支持度大于预先给定的最小支持度的项的集合。

在第一次迭代的第一步中，所有单个项都作为候选集。接着计算每一个候选集的出现次数，然后在最小支持度s的基础上选择频繁项集。表3所示的S分别代表该项集的支持度即上下级原因之间的相关程度。

1.2.2具体实例

分析某110kV八所站1#主变因遭受雷击，造成中压侧B相线圈损坏示例，其故障树如图2所示。

由上述事故树分析得出该事故是由一级原因环境因素、物的因素-物理性危险和有害因素，二级原因自然因素、制造质量不良、设备缺陷、规划设计不周和三级原因雷击、工艺缺陷、绝缘不良、绝缘配合不当引起的。

利用Apriori算法对2003～2015年2046个事故树进行扫描计数，统计到以上原因的次数和最小支持度见表4。

如图3所示，相关度的计算结果在事故树模型的基础上表示出来，可以直观地看到各级故障原因之间的相关程度。通过进一步的计算便可以得出底层原因对该次事故的影响程度。

2.方差分析

在实际问题的研究过程中，影响某一事物的因素往往很多。其中每一个因素的改变都有可能影响产品的数量和质量，并且有些因素影响大，有些因素影响小，所以要找出对产品数量和质量影响显著的那些因素。方差分析是检验各因素对实验结果影响程度的一种有效方法。

方差分析又称“变异数分析”或“F检验”。多元方差分析要求样本须满足3个基本条件：（1）抽样样本是从母体中随机选取；（2）样本必须服从正态分布并且样本相互独立，（3）在各种处理条件下的样本方差必须相同，也就是必须满足方差齐性。对于一个企业或者一个行业来说，在某一个确定的时间段上，安全生产管理水平是趋于一个稳定的程度，某一稳定的值，则对应的事故发生的可能性也是趋于某一个稳定程度和某一个确定的值。因此，在一个确定的时间段内发生的电力生产事故的事故原因次数服从正态分布，也就是说在这段时间导致事故发生的直接原因事件出现的次数成正态分布。考虑电力事故下的各级事故原因是多因素影响下的，利用多元方差分析对下级原因对上级原因的影响程度作为一个研究母体。

2.1 数学模型

电力生产事故是一种由于人、物、环境等的因素失去控制或错误引起的意外事件，可以认为是系统正常过程中出现的各类异常或者是所不期望的效应，或是某些计划好的事情没有按照计划本身执行，出现在计划外的偏差。而在理想情况下，事故是不会发生的，由于在人、物、环境和管理4种情况下差生偏差，事故就显然发生了。

将某一段确定时间内、特定范围内发生的所有电力生产事故事故原因集合在一起作为母体，即将导致这段时间、这个特定范围内事故发生的原因事件作为母体，不同级的事故原因作为影响因子。结合对事故原因特点的统计分析，假设在各种的影响因子组合水平下的样本方差相同，满足方差分析的条件后，建立多元方差分析模型进行事故原因统计分析。

2.2 统计分析

每个事故考虑下级原因对上级原因的影响程度，把上级原因所对应的所有下级原因作为影响因子，将事故下级原因发生对相应的上级原因发生的影响关联程度假设为一级相关和二级相关，以A、B、C代表不同的下级原因，用1，2代表一级相关和二级相关，得到表5的所示的结果.。

2.3 模型统计结果计算分析

根据伤亡事故原因统计的特点，假定母体Yn服从正态分布N（μijk，σ2），其中

式（1）中，ai，bj，ck分别表示下级原因A、B、C在各自对应水平上的效应。其中效应表示一个下级原因在某种水平上对母体平均数的影响程度。事故次数对应的数学模型如式（2）。

在公式（2）中，μ表示母体平均数，δijk是组合内部Yn因σ2引起的抽样误差。公式（2）须满足3个约束条件，即：a1+a2=0，b1+b2=0，c1+c2=0。

（1）假设条件

假设3个下级原因中任意两个原因之间没有任何交互作用，为了检验下级原因A、下级原因B和下级原因C三种影响因子对母体所产生的效应，则需要进行影响效应的显著性分析。假设的条件有以下3个：

假设H1：a1=a2=0

假设H2：b1=b2=0

假设H3：c1=c2=0

其中a1、a2代表下级原因A在各自水平上的效应。

若假设H1成立，则表示下级原因A在这一段时间内对上级原因的发生无显著影响；否则，下级原因A在这一段时间内对上级原因的发生有显著影响。同样，假设H2和H3成立，则分别表示下级原因B和下级原因C在这一段时间内对上级原因的发生无显著影响，否则，分别表示下级原因B和下级原因C在这一段时间内对上级原因的发生有显著影响。

（2）计算平均数

①计算总平均数

电力生产事故发生总平均数在某一段时间内、某特定范围内导致电力生产事故发生的直接原因事件出现的基本情况，用表示。

②计算各原因分水平平均值

下级原因A、下级原因B和下级原因C三个影响因子分别在一级相关和二级相关两种水平上有其对应的平均值，反映一个原因在对应各种水平上导致上级原因发生的平均次数。

对于下级原因A来说，其两种水平上的平均值分别用k1A和k2A表示。

同样，对于下级原因B因素和下级原因C来说，其在两种水平的平均值分别用k1B 、k2B 和k1C 、k2C 表示。

2.4 计算离差平方和

离差平方和反映下级原因A、下级原因B和下级原因C三种影响因子对平均上级原因发生次数的离散程度，用QT表示。

式（10）可以进行分解：

其中：QA是下级原因A引起的离差平方和；QB是下级原因B引起的离差平方和；QC是下级原因C引起的离差平方和；QE表示误差的大小。下级原因A引起的离差平方和QA反映了下级原因A在两种相关水平上的平均值之间的差异；同理，QB和QC分别反映了下级原因B和下级原因C在不同的两种相关水平上平均值之间的差异。

2.5 判别量计算

（1）首先确定自由度

自由度等于水平减1，即QA、QB、QC的自由度都为1，QT的自由度为7。

（2）F值计算

利用分解定理可知，FA、FB、FC均服从自由度为（1，4）的F分布。

其中SA2 、SB2 和SC2 分别是由下级原因A、下级原因B和下级原因C引起的均方离差，也就是指均方误差。

2.6 假设检验

为了验证3个假设H1、H2和H3是否成立，首先需要给定显著水平α，通过查询F分布上侧分位数表，从表中得出与显著水平α相同自由度对应的Fα值，使得P{F≥Fα}=α成立。

根据计算得到FA，如果存在FA≥Fα（1，4），则该数值表示小概率事件，则拒绝假设H1，即认为这一段时间内、特定范围内下级原因A对所对应的上级原因的发生有显著贡献；如果存在FA

同样，根据计算得到的FB、FC值，如果存在FB≥Fα（1，4）、FC≥Fα（1，4），则该数值表示小概率事件，则分别拒绝假设H2和H3，即认为这一段时间内、特定范围内下级原因B或下级原因C对所对应的上级原因的发生有显著贡献；如果存在FB

3. 实例统计分析

3.1 基础统计量统计

为了验证模型的实际可操作性，对中国南方电网自2003年～2015年期间发生的2046起电力生产事故按照本文建立的模型进行统计分析，其中上级原因（一级原因）环境因素出现的次数为855次，下级原因（二级原因）自然因素、生产环境不良、外力破坏分别出现的次数为557、68、338次，以其中某一年的54次为例，所对应的二级原因自然因素、生产环境不良、外力破坏（分别用A、B、C表示自然因素、生产环境不良、外力破坏）引起一级原因环境因素出现的次数见表6。

3.2 方差分析表

根据建立的模型，通过计算公式计算得到的数值，采用表格的形式给出，即得到表7的多元方差分析表。

3.3 统计结果分析

假设给定的显著水平α=0.1，查询F分布上侧分位数表可知：F0.1（1，4）=4.54。根据表3得到的FA和F0.1（1，4）相比较：存在FA>F0.1（1，4）=4.54，因此拒绝假设H1，即认为二级因素A对一级原因有显著影响。同样，将FB、FC与F0.1（1，4）比较：存在FB

大数据时代产生的原因第5篇

【关键词】 大数据 情报 服务

【Abstract】 This article explains the origin， definition and principal characteristics of big data based on the description of the history of data development， and puts forward the development direction of intelligence service business in the big data time through the analysis of big data influence on information services and the simulation bewteen mineral resources and big data resources： the intelligence service business should focus on the intelligence analysis researches with the use of the mined valuable data， that is not only an inevitable process from informtion service to knowledge service （high-end service） under big data， but also the main battlefield for the development of the future information service.

【Key words】 big data; information; Service

1 引言

人类社会出现以后，数据就一直伴随着社会的发展而存在，并不断变换着它的载体和数量。比如，从远古人们用绳子打结记事，到古代在龟甲兽骨、泥板、竹简上刻字纪录，到后来在绢、纸上书写记载，以及到现在通过电子手段存储、处理信息数据，数据随着社会的进步而不断增加它的种类和数量，与之相适应的是产生新的存储、处理载体，而新的载体又激发了数据量的剧增，它们以螺旋方式循环上升。而所谓大数据是个相对的称呼，就是其数据量超出了当时常规数据载体存储、处理等操作的能力。目前，随着互联网的发展，原先分散的数据一下流通起来，并借助互联网产生了巨量的新数据，因此大数据就是互联网发展到现今阶段的一种表象或特征，在以云计算为代表的技术创新载体支撑下，这些原本很难收集和使用的数据开始容易被利用起来了。通过各行各业的不断创新，大数据会逐步为人类创造更多的价值。

2 大数据定义

麦肯锡（McKinsey’s Global Institute，美国首屈一指的咨询公司）是研究大数据的先驱。在其报告《Big data：The next frontier for innovation，competition，and productivity，大数据：创新、竞争和生产力的下一个前沿领域》中它给出的大数据定义是：大数据指的是大小超出常规的数据库工具获取、存储、管理和分析能力的数据集。但它同时强调，并不是说一定要超过特定TB值的数据集才能算是大数据。国际数据公司（IDC）从大数据的四个特征来定义，即海量的数据规模（Volume）、快速的数据流转和动态的数据体系（Velocity）、多样的数据类型（Variety）、巨大的数据价值（Value）。

3 大数据环境下情报服务事业的机遇与挑战

在20世纪50-60年代，西方国家对我国进行全面封锁，那时的信息获取渠道很少，因此当时的科技情报工作显得十分重要，情报收集整理、情报编译报道、情报分析研究等即高深莫测又成效显著，并为我国的科学技术发展做出了卓越的贡献并取得了令人瞩目的学术研究成果。

到了20世纪80年代，各级科技情报研究机构（所）凭借着其收藏的科技报告、专利文献、标准文献和DIALOG之类的国际联机检索数据库，特别是对科技查新的独家垄断，也曾在当时风光一时。

但是，进入20世纪90年代中期以后，随着计算机和网络的迅速普及、数据资源的易于获得和科技工作者水平的普遍提高，使情报收集整理和情报编译报道等信息服务已没有了多少市场，能体现知识服务的高深的情报分析研究也失去了往日的光环。特别是在互联网高速发展的今天，伴随而生的大数据和云计算等在为各行各业提供机会同时也提出了挑战，而与信息、数据密切相关的科技情报工作更是如此，如何迎接挑战、抓住机遇，情报服务事业如何发展？是我们情报工作者亟待解决的问题。

4 探索情报服务事业的发展途径

无论是在2014年3月在北京举行的大数据产业推介会上，还是在2014年11月召开的世界互联网大会上，被视为商界传奇的中国电子商务创始人马云在他的主题演讲中均发表了他的最新观点，即 “人类正从IT时代走向DT（Data Technology）时代。”

从上文第3部分的分析中我们可以看到，在50-60年代，情报服务工作的开展得益于当时社会对信息获取的不易，而情报机构具有独特的获取信息的优势，比如政府的扶持、中外资料的获得、外语人才的拥有等等，也就是具有获取信息、数据的渠道。在20世纪80年代，借助多年信息资料和渠道的积累，我们具有了某些大数据资源的前身，也正因为这些资源，使我们在当时拥有了为企事业单位提供情报服务的优势和能力。而进入20世纪90年代中期以后，特别是到了目前的大数据时代，我们的优势在逐渐消失，在信息服务方面主要体现在是数据源优势的消失，而在知识服务方面主要体现在大数据环境下对数据分析的不适应。

人们现在常把大数据比作宝矿，就像蕴含着巨大价值的矿产资源一样。下面就通过模拟矿产资源，把大数据与矿产资源在开采、生产等不同阶段时期所处的状态进行对比，分析情报工作在不同阶段中可能提供的服务。

在上表1的“资源阶段”，情报服务业务要想占据一席之地，当然最好是拥有自己的大数据资源，比如以前积累的文献资料数据库等，但这完全满足不了情报服务于不同行业的需要。我们还需要寻找其他的大数据源来获取所需的数据，或者根据需要建造某种平台收集新的数据并创建成新的大数据资源，但后者实行起来难度较大，需要国家的扶持和时间的积累。因此，在这一阶段情报服务工作能做的主要是继续利用原有数据资源并加大研发、使用数据挖掘工具，争取在原有数据资源上获取更多的有价值数据;其次就是利用别人的大数据资源开展业务，但在获取可行性方面，还有很多不确定因素，比如是否可以获取（包括技术上是否能实现）、挖掘工具的使用、获取成本、获取程度等等。因此这一阶段，我们原有情报服务业务目前优势不是太大。

在“生产阶段”，对于矿产业来说是把矿石开采出来并提炼出产品，对应于大数据就是使用数据挖掘软件（工具）把有用的数据提取出来。由于目前大数据的产生主要是伴生于网络及互联网，因此现在一谈到数据挖掘技术及工具，基本都是IT人士的事，而情报业务，特别是在情报分析方面的一个明显短板是技术和工具的短缺，所以刚开始的时候，觉得大数据为情报分析提供了丰富的数据资源，可能是提升情报分析水平能力的大好机遇。但是换一个角度看，或许正因为大数据分析学技术非常先进，所以原本技术基础较差的情报分析领域反而不容易获益。技术转移的历史经验告诉我们，技术供应方与接收方差距过大是转移失败的主要原因之一。许多“正统”的情报机构由于缺乏技术人才和相应的组织文化，可能与大数据带来的机会失之交臂。Facebook对情报人员的应聘要求包括具有计算机科学或其他相关技术领域的硕士以上学位，有丰富的数据分析工作经验，熟练掌握至少一种脚本语言，轻松自如的面对复杂大量的数据，灵活的分析手段，准确的表达等等。在这种要求下，传统的情报人员已经不能满足大数据环境下情报服务的需要，必须通过角色转型才能满足企事业单位对情报服务的需求。因此，在这一阶段，短期内不是我们情报业务的长项，也是我们情报部门今后急需增强的部分。

在“应用阶段”，对于矿产资源方面来说，是把已提炼出的产品，如金属、化工原料等通过加工，应用到各个领域及行业;而对于大数据方面来说，侧是把提取到的有价值的数据通过处理、编辑、分析等加工后服务于相关行业、用户。而专业的数据分析师对具体应用到的行业就目前来看在了解上还存在着断层，就像编程人员需要懂业务的人员配合才能编写出某一行业的应用软件一样，在大数据被挖掘后到具体应用的这一过程中，也就是在专业数据分析师与各个领域具体应用之间可能还需要存在一个衔接层或中间层。麦肯锡报告指出，能提出正确问题和利用分析结果的管理者和分析师需要量将是数据分析师的10倍。因为优秀的情报人员具备对技术和产业领域的知识和洞察力、处理“零次情报（调研、考察、访谈等记录下来成为数据前的信息）”的经验丰富等等，因而在为数据分析建立假设，感知可能存在的关联，以及理解关联背后的商业逻辑方面有可能表现出其他行业人员难以匹敌的能力，这就能够与大数据分析师互为补充、共同发展，成为大数据分析、应用过程中一个重要组成部分。此外，大数据分析也是信息分析的一种途径和方法，大数据分析和情报分析二者在“外观”上十分相似，而在情服务应用的高端，包括产生最大附加价值的情报分析这样的知识服务方面，一直是情报机构的长项，并且大数据产生价值的实质性环节就是信息分析，因此，在这一阶段，不论是从人才优势、分析方法、还是从大数据价值实现环节上来看，这一阶段应是我们情报服务事业今后发展的重点。

5 结语

在大数据背景下情报服务如何发展，以应对大数据带来的机遇和挑战，是摆在我们情报工作者面前一个亟待解决和回避不了的问题。通过上述分析，本文认为情报服务业务短期内应利用新的数据挖掘工具对原有的数据资源进行进一步的挖掘，发现并利用更多有价值的数据;长期的任务是提高情报人员挖掘、利用大数据的能力，给情报人员提供学习、培训交流等环境，这也是关系到情报业务今后在新环境下是否被替代的问题;而今后情报服务的重点应当放到利用挖掘到的有价值数据来完成情报分析研究这样的高端的知识服务上面。

参考文献：

[1]杨剑.大数据开启情报服务机构科技创新知识服务的新时代[J].科技资讯，2014（14）.

[2]缪其浩.大数据将如何影响竞争情报[J].竞争情报，2013（1）.

[3]James Manyika. Big data： The next frontier for innovation， competition， and productivity[EB/OL].http：///insights/business_technology/big_data_the_next_frontier_for_innovation，May， 2011.

[4]吴金红.大数据：企业竞争情报的机遇、挑战及对策研究[J].情报杂志，2013（1）.

[5]黄晓斌.大数据时代企业竞争情报研究的创新与发展[J].图书与情报，2012（6）.

大数据时代产生的原因第6篇

关键词：全要素生产率；技术效率；技术进步；收敛性

中图分类号：F127文献标识码：A文章编号：1003-4161(2009)01-0068-04

1.引言

自亚当•斯密以来，经济学家们一直致力于探索经济增长的源泉，对不同国家之间的人均收入和增长速度的差异给予了极大关注。各国的经济发展表明，经济增长和发展水平出现了明显的差异和分化。20世纪90年代以来，解释全球各国收入差距的原因成为经济学的主要目标之一。经典的索洛增长模型认为，经济增长的原因可以归结为三个方面，物质资本、人力资本以及全要素生产率（Total Factor Productivity, TFP），其中TFP通常被称为索洛残差，代表要素投入以外的因素。上世纪90年代早期，多数研究倾向于认为物质资本和人力资本投入是造成地区人均收入和增长差异的主要因素。这方面代表性的研究有Barro（1991）, Makiw, Romer and Weil（1992），Young（1992, 1995），Benhabit 和Spiegel（1994），Kim and Lau（1994），Krugman（1994）。然而，随后的研究逐渐认识到全要素生产率的提高是经济增长的决定性因素，而全要素生产率的差异是造成国家间增长差异的主要原因。代表性的研究有Prescott，（1998），Easterly（1999），Bils and Klenow（2000)。这种观点得到了经验上的支持(Klenow and Rodriguez-Clare,1997；Hall and Jones, 1999； Easterly and Levine, 2001；Caselli, 2005)。

中国的经济增长被认为是世界奇迹，然而经济增长在地区差异也异常明显，东、中、西的地区差距问题日益成为焦点。但是人们对造成目前中国区域差异的主要原因没有达成一致，一方强调要素投入与积累，另一方偏向全要素生产率的提高，争论较为激烈。前者尝试用政府发展战略、教育、转移支付、固定资产、外商投资、市场化程度、人力资本等因素解释区域差异及其趋势，代表性的研究有陆铭，陈钊（2004），万广华（2004），王小鲁等（2004）。随着增长源泉和可持续性争论的深入，全要素生产率的测算成为学者讨论的重点，把TFP引入中国地区差异分析和增长收敛研究则是近几年的尝试。代表性的研究有郑京海，胡鞍钢(2004)，颜鹏飞、王兵(2004)，彭国华(2005)；赵伟、马瑞永 (2005)；郭庆旺等(2005)，岳书敬，刘朝明(2006)；李静等(2006)；傅晓霞等(2006)。由于增长源泉和差异原因的研究具有重要的政策含义，因此，亟须更多更为细致的实证研究。

基于以上考虑，本文选取全要素生产率与地区经济增长差异为研究主题，利用中国各地区1978～2005年的省级面板数据，通过运用Malmquist指数法，利用DEA技术把TFP分解为技术效率与技术进步进行实证研究，以期找到TFP的变动规律。

2.模型与数据

2.1 模型

Malmquist指数最早由Malmquist（1953）作为一种消费指数提出，Caves等（1982）、Fare等（1989）将其应用到生产率变化的测量，并给出了Malmquist生产率指数：

Mo(Xt+1，Yt+1,Xt，Yt+1)=

（Dto(Xt+1,Yt+1)Dto(Xt,Yt)）(Dt+1o(Xt+1,Yt+1)Dt+1o(Xt,Yt)）1/2(1)

式中Dto(Xt,Yt)为产出距离函数（Output Distance Function），由Shephare（1970）最先给出。简单说来，它代表给定投入的情况下，能够获得的可以使得产出最大的扩展比例，该比例越大说明效率越高。当上式大于1时，则表示全要素生产率增长为正，反之则为负。Fare, Grosskopf和Lovell（1994）将其分解为技术进步（技术变动）（Technical Change, TC）与技术效率变动（Efficiency Change, EC）。在（1）式的基础上，得出：

Mo(Xt+1,Yt+1,Xt,Yt)=

Dot+1(Xt+1,Yt+1)Dto(Xt,Yt)(Dto(Xt+1,Yt+1)Dt+1o(Xt+1,Yt+1))(Dto(Xt,Yt)Dt+1o(Xt,Yt))1/2（2）

接着给出了技术效率变动以及技术变动的定义：

EC=Dt+1o (Xt+1,Yt+1)Dto(Xt,Yt);

TC=(Dto(Xt+1,Yt+1) Dt+1o (Xt+1(Xt+1,Yt+1))Dot,(xt,yt)Dt+1o(Xt,Yt))1/2 （3）

由上述定义，得出基于Malmquist指数的全要素生产率分解公式：

Mo(Xt+1,Yt+1,Xt,Yt)=EC*TC

利用DEA技术，便可以求解Malquist生产率指数。DEA是一种最常用的非参数前沿效率分析方法，由Farrel（1957）提出。Fare等（1994）最早将DEA方法应用于技术和规模效率研究，DEA的核心思想是应用现有投入产出数据，识别技术效率最好的经营决策单位，然后以其为基准构建出最佳生产前沿，进而可以计算出Malmquist指数。

由于传统的增长会计法忽略了技术效率的变化对生产率变化的影响，且该方法无需要素价格信息和经济均衡假设，同时该方法不需要设定函数的具体形式，而且能够将TFP分解为技术效率变化和技术进步变化两部分，从而可以更全面的了解全要素生产率增长信息。

2.2 数据选择及来源

全要素生产率的测算与分解一般会涉及三个指标，即国内（地区）生产总值、劳动投入以及物质资本存量。本文中产出数据采用各省、市、区的国内生产总值，并按照1978年不变价格进行折算，劳动力人数采用各地区从业人数。基础数据来自于《新中国五十五年统计资料汇编》，《中国统计年鉴2006》，以及刘明兴整理的1970～1999年中国经济增长相关数据。样本涉及我国28个省区市，不包括海南、，为保持数据的统一性，重庆的数据归为四川省。在资本存量的测算上，利用张军等（2004）测算的1978～2005年资本存量数据 ，并根据固定资产投资价格指数进行折算，从而得出以1978年为不变价的各省（市、区）的历年资本存量的数据。

3.全要素生产率的分解

本文运用DEAP计量软件，根据产出导向的CRS（规模报酬不变）模型，对各省（市、区）的全要素生产率（TFP）、技术效率（EC）和技术进步（TC）进行了测算。时间上将改革开放后经济发展分为两个阶段，1978～1990年和1991～2005年，目的在于考察20世纪90年代后区域差距扩大过程中TFP的作用，同时把所研究的28个省（区、市）分为东、中、西三个区域，以研究区域经济增长的不同模式。分析结果如表1和表2所示。

3.1 全国TFP变动情况及结果分析

表1 1979~2005全国平均Malmquist 生产率增长指数变化及其分解

指标年份TFP变化(CRS)技术效率变化（CRS）技术进步率TC（CRS）技术效率EC（VRS）规模效率变化

根据表1所示，从全国看来，1978～2005年间，TFP增长率为5.4%，技术进步率为4.9%，技术效率变动率为0.5%，TFP的增长主要来自于技术进步因素。若分阶段看来，1978～1990年间，TFP增长率为4.4%，其中技术效率变动率为1.5%，技术进步率为2.9%，TFP增长的源泉主要来自于两者的共同作用。其中1984年增长率最高，达到15.4%，原因是改革初期家庭联产承包责任制的实行，农民的积极性得到了最大程度的释放。同样在1980年代初，国有企业放权让利也提高了生产的积极性，这种农业生产组织方式和工业经营方式的变化带来了改革初期生产效率的提高。同时，改革开放后大量西方先进技术的引进也使得技术进步有了大幅度提高，并且在落后地区表现得较为明显，技术效率的改进和技术进步共同促进了这一时期生产率的增长。这一结论不同于颜鹏飞、王兵（2004），前者的研究认为这主要是技术效率的作用，而没有发现技术进步。而在1991～2005年间，TFP增长率较原来有了较大幅度提高（6.3%），其中技术进步率为6.6%，技术效率变动率为负0.2%，TFP的增长主要来自于技术进步。之所以出现技术效率的下降，原因可能是，随着改革进程的深入，效率的释放大大低于改革初期，阻碍技术效率提高的制度性因素逐渐显现，主要有国有企业效率不高、金融系统问题凸显，银行不良贷款对经济的良性发展造成了障碍。因此这一时期的技术效率没有太大的改观，甚至出现了下降。与此同时，这一阶段外资的引入使得西方先进的技术进入中国，技术进步作用在这一时期显著，构成了生产率增长的主要部分。

3.2 省区TFP测算结果及分析

表2列出了分省（区、市）以及三大区域的数据分析结果。分地区来看，1978～2005年间，东部地区TFP平均增长率为6.1%，明显高于中、西部地区（5.2%、4.9%），且中、西部地区的水平均低于全国平均水平，TFP增长有明显的地区差异。具体到各省来说，浙江、福建、江苏、广东几个沿海省份TFP增长率均达到了7.5%以上的水平，而中部的安徽和西部的云南、新疆仅有3.0%左右的水平。分阶段看来，1978～1990年间，东、中、西三个地区TFP增长率分别为4.6 %、3.9%、4.6%，TFP没有呈现出明显的地区差异。根据1991～2005年的分析结果，可以看出较20世纪90年代以前，各个地区以及省份TFP增长率都有了明显的提高，与此前不同的是，此间的TFP增长率呈现了明显的地区差异，东部地区TFP增长率为7.4%，高于中、西部地区（6.5%、5.2%）。分省份来看，东部地区的河北、江苏、福建的TFP增长率都达到了8.5%以上的增长水平，西部地区的新疆和云南等省则似乎没有任何改观，TFP增长率分别为3.1%和0.1%。由此可见，1990年后我国TFP增长呈现明显的地区间发散趋势，TFP增长的地区差异是造成地区经济差异迅速扩大的主要原因。

进一步将TFP增长分解为技术效率（Technical Efficiency Change）和技术进步(Technological Change)。先看技术效率，改革开放至今，技术效率的变化似乎不太明显，平均水平仅为0.5%，其中东部地区为1.1%，中部地区为0.5%，西部地区为0.1%，呈现了明显的地区差异。分时间段来看，1978～1990年间，技术效率变动率为1.5%，1991～2005年间，技术效率没有任何改观，增长率为负0.2%。从技术进步来看，技术进步构成了TFP增长的主要因素，1978～2005年间，90%的TFP增长来自于技术进步，其余来自于技术效率的改善。其中1991～2005年间，TFP的全部的增长来自于技术进步，没有发现技术效率的改善。技术进步无论从总体时间段来看还是分阶段看来，都没有呈现出区域差异。这是因为1990年以后，市场机制在资源配置中逐步起到基础性作用，所有制改革和对外开放促进了体制创新和技术创新，东部地区资本密集程度和生产率都明显高于中西部地区，同时体现出技术进步对中国全要素生产率提高的作用可能较大（吴敬琏，2003；易纲等，2003）。

注：EC、TC、TFP分别代表技术效率、技术进步以及全要素生产率变动情况。本文把广西、内蒙古归为西部地区。表中数据大于1表示正增长，小于1表示负增长，增长率等于表中数值减去1。

根据表2的分析结果，改革后特别是进入20世纪90年代以来，中国TFP有着非常显著的增长， TFP增长主要来自于技术进步因素，而非技术效率的改善。TFP的增长呈现出明显的地区差异，而造成TFP地区差异的主要因素是由于技术效率的地区差异，技术进步在各个地区没有显著差异。另外我们推断，TFP的地区增长差异是造成20世纪90年代以来我国地区差距扩大的一个主要原因。这些都是本文的重要发现。

4.区域TFP收敛性的实证分析

收敛文献中一般分析三种收敛类型：绝对β收敛、条件β收敛（简称条件收敛）以及σ收敛。收敛分析经济体收入水平的标准差的分布状况，标准差随时间逐渐减小就是σ收敛，表明经济体的收入水平越来越接近，收入差距逐渐减小。绝对β收敛指每个经济体的收入都会达到完全相同的稳态增长速度和增长水平。绝对收敛的回归等式很简单，g=c+βlny0+ε，g为增长率，lny0为初始收入水平，若回归系数β显著为负就表明存在绝对β收敛。

根据Barro和Sala-I-Mattin（1992，1995，1997）的分析，本文将采用如下的检验收敛性的回归模型：

TFPit=α+βlnTFPi0+εit

其中TFPit为0期到t期各地区的TFP增长率，lnTFPi0为0期的TFP，εit为随机干扰项。此方程为检验β绝对收敛模型的简化形式。若β为负，则表明存在收敛性；若为正，则表示存在发散性。使用上文分析所得1991～2005年各省区TFP变化数据，利用上述回归模型，对该面板数据进行分析，选择固定效应(Fixed-effect)分析方法，计量软件使用Eviews6.0进行分析，得出回归方程如下：

表3 回归分析结果

系数t值Adj-R2S.E.FP

常数项0.051575.06Ln TFPi00.240621.760.03650.04416.9180.000

Ln TFPi0的系数为0.2406，可知β为正，说明TFP的变化呈现出发散性。这个分析结论支持了我们上文给出的推断，即20世纪90年代后，全国各省区的TFP变化呈现出发散的变化趋势，TFP的地区增长差异是造成20世纪90年代以来的我国地区差距扩大一个重要原因。接下来的研究工作主要是探寻造成TFP地区差异的原因，关于此方向的研究，学者们分别从社会基础设施（Hall and Jones,1999）、制度(Acemoglu et al, 2004)、宗教（Barro et al, 2003）等方面探讨决定长期经济绩效的因素。关于我国地区TFP差异的决定因素是今后努力的一个方向。

5.基本结论

本文对1978～2005年全要素生产率进行分解，并对1991年以后的TFP收敛性进行分析，得出如下结论：改革后特别是进入20世纪90年代以来，中国TFP有着非常显著的增长，无论是整个时间序列看来还是分阶段看，TFP增长主要来自于技术进步因素，而不是来自技术效率的改善；TFP的增长呈现了明显的地区差异，造成TFP区域差异的主要因素是由于技术效率的区域差异，技术进步在各个地区间没有显著差异；TFP的区域增长差异是造成20世纪90年代以来的我国区域间差距扩大的一个重要原因。 由于我国不存在区域间的条件收敛，因此，如何统筹区域间发展仍然是我国目前面临的重要难题。地方政府可以努力的方向是在努力促进技术进步的同时，必须注重技术效率，注重经济效益，不必一味地求新求异，发展政策要符合地区禀赋和实际。另外，必须有中央政府对区域间发展政策的调整，否则在可预见的未来我国地区差距将会继续扩大。

基金项目：本研究得到国家留学基金委“2007年国家建设高水平大学公派研究生项目”资助。

参考文献：

［1］Acemoglu, D., Zilibotti, F. Productivity Differences ［J］. Quarterly Journal of Economics , 2001,116, (2): 563-606.

［2］Caselli, F., “Accounting for Cross-country Income Difference ［A］. Aghion, P., Durlauf, S. Handbook of Economic Growth ［M］. Elsevier, Amsterdam. 2005.

［3］Easterly, W. and Levine, R. It’s Not Factor Accumulation: Stylized Facts and Growth Models ［J］. World Bank Economic Review, 2001,15(2): 177-219.

［4］Hall, R.E., Jone, C.I. Why do Some Countries Produce so Much More Output? ［J］. Quarterly Journal of Economics, 1999,114, (1): 83-116.

［5］ 傅晓霞，吴利学.全要素生产率在中国地区差异中的贡献：兼与彭国华和李静等商榷 ［J］.世界经济，2006, (9).

［6］ 郭庆旺, 贾俊雪.中国全要素生产率的估算：1979―2004 ［J］.经济研究, 2005. (6).

［7］ 李静等. 中国地区发展差异的再检验：要素积累抑或TFP ［J］. 世界经济, 2006,(1).

［8］ 彭国华. 中国地区收入差距、全要素生产率及其收敛性分析 ［J］. 经济研究, 2005, (8).

［9］ 王志刚等.地区间生产效率与全要素生产率增长率分解（1978-2003）［J］. 中国社会科学, 2006, (2).

［10］颜鹏飞, 王兵. 技术效率、技术进步与生产率增长：基于DEA的实证分析 ［J］. 经济研究, 2004, (12).

［11］张军, 施少华. 中国经济全要去生产率变动：1952―1998 ［J］.世界经济文汇, 2003, (2).

［12］赵伟, 马瑞永. 全要素生产率变动的分解―基于Malmquist生产力指数的实证分析 ［J］. 统计研究, 2005, (7).

［作者简介］赵家章（1980―），男，北京师范大学经济与工商管理学院博士研究生,研究方向：经济增长，生产率。

大数据时代产生的原因第7篇

关键词 停机现象；停机原因；大数据； 预测模型

中图分类号TS4 文献标识码A 文章编号 1674-6708（2014）111-0184-03

烟草加工设备正表现出高速化、信息化、优质化的发展特点。传统的运维管理手段已落后于效率、质量、物耗控制的需要。因此，各烟草加工企业建立了生产制造系统（MES系统）、数采系统（DSA系统）、质量分析控制系统（SPC系统）等多种管控技术，以期加强对产、质、耗各生产要素的统计分析。但这些统计分析管理系统仅仅表现出现象性、静止性和事后性等特点，而产生停机的原因表现为多因数的、综合作用的、趋势变化的等特点，运行统计抽样法、因果关系法等传统的分析方法，根本无法建立停机现象和真实原因的对应关系，进而无法实时地找到影响产、质、耗异常的深层次原因，去及时指导生产管理。

“大数据理论”为我们探索停机真实原因、建立预测模型提供了思路。1）建立全数据分析而不再依赖随机抽样。每次停机都有“特定且唯一的原因”引起，随机抽样选取了局部而浪费了绝大多数海量资源，当然无法建立停机现象和真实原因的对应关系；2）建立相关关系而不再寻求因果关系。不同原因的停机在时间、频次、周期等会表现出不同的特点，它隐藏在海量数据之中，让计算机用它的计算能力、对比能力找出“是什么”的趋势，舍弃“为什么”的因果判断；3）建立趋势性和混杂性，不再简单追求精确性；4）大数据的核心是预测。通过分析管理资料、生产运行数据和实验研究来建立数学模型，运用到海量数据上来预测真实原因的可能性。我们通过对一年来180多万次停机数据的分析，运用多维度空间分析法，以一个停机现象为例，建立停机现象与真实原因的相关关系，并让MES系统建立“反馈学习”机制，利用系统本身产生的数据，辅以运行管理成果，判断自身算法和参数选择的有效性，持续改进预测结果。

1 研究对象的选择

某家卷烟企业于2012年建立及运行卷接和包装设备数据采集系统、生产制造系统。我们抽取2012年5月至2013年4月12个月的数据资料，卷烟机记录停机294852次，停机现象40类，其中“SE跑条”、“MAX搓板堵塞”等6项停机现象超过总停机次数的80%；包装机记录停机1555175次，停机现象462类，其中“小包翻转防护罩打开”、“CH入口槽阻塞”、“5轮缺烟包”、“透明纸进料阻塞”、“15步无盒件”等20项停机现象超过总停机次数的80%。符合“关键的少数”影响多数的“二八”定律（见图1）。

图1

我们选择了卷烟机“MAX搓板堵塞”现象，对一年的所有停机数据开展研究，在多维度的单一变量情况下，共有六种停机原因，它们对停机数据的时机、周期、频次、强度表现出不同的相关程度，并据此建立停机现象在每维度引起停机原因的概率大小的数学分析方法。实验结束后，验证了实验的可重复性，并运用此方法，同理可研究预测其它停机现象的真实原因。

2 “MAX搓板堵塞”现象与停机原因相关性研究

“MAX搓板堵塞”停机现象主要受六个维度的影响。因此，我们选择了10台卷烟机（代表不同设备的技术状况），3个生产班组（代表操作人员不同的操作水平及清洁保养质量），3个不同生产品牌（代表不同性质的原辅材料），设置不同的设备运行参数（鼓轮负压值和搓板温度值），以卷烟机“MAX搓板堵塞”现象的停机变量为研究对象，对一年的堵塞次数的全部数据进行分析。

2.1 10台卷烟机生产同一牌号，对设备因素的研究

据图2所示，2#、6#、12#、13#的搓接停机次数，分别占到各卷接机组停机次数的15.56%、19.85%、16.65%和20.35%，占所有卷烟机的停机比例72.41%。结合其他管理和运行数据对比，这四台卷烟机搓接部位的技术状况、操作人员技能水平、设备清洁保养质量、设备运行参数设置、备件使用周期等的某一方面或综合方面存在问题，需在MES中做出警示，发出管理改进提示。

图2

2.2 10台卷烟机分别生产A、B、C三个不同牌号，对原料和辅料因素的研究

图3

据图3所示，各卷烟机在分别生产A、B、C三个牌号时，搓接停机次数占比分别为9.28%、21.39%、8.85%。说明，B牌号的卷制材料与设备的适应性可能会存在更多问题，材料的设计选择或设备的参数调整方面，需做出警示并加以改进。

2.3 同一台卷烟机，生产C牌号时，研究人的因素

据图4所示，4#机乙班、6#机甲班、10#机丙班的搓接停机次数，与机台三班同类停机次数占比分别为58.23%、55.66%、56.10%，我们用设备运行写实的结论与数采系统的数据进行印证：这三个班组的操作技能和清洁保养质量较差，需在管理培训或监督考核上加以改进。

从运行时间长短对搓板堵塞停机次数的影响来研究备件的换件周期。根据设备管理系统，结合数采系统得出结论：45天前每班平均停机次数为0.5次；45天后，每班平均停机次数增高2.4倍；到90天时增大5.2倍；90天后更换某厂家备件，停机次数下降到原水平（平均停机次数按照5天一个周期进行计算，如图5所示）。

图4

2.4 单一设备单一牌号，对备件更换周期影响的研究

图5

抽取运行资料和开展实验证明：按照性价比最优原则，该厂家备件使用45天以内最佳，确定更换周期为40天；同样用停机次数的方法，可对不同供货厂家的备件质量进行判断。

2.5 单一设备单一牌号，对设备运行参数影响的研究

在允许范围内调节负压与温度，通过停机次数最少化，来优化设备的运行参数。实验证明：负压值设定为9kPa～11kPa范围，搓板温度设定为120℃～150℃范围，1#机台的搓板堵塞周期停机次数最少。因此，可以建立模型，当数采系统检测到负压和温度在实际运行中出现异常波动时，通过MES系统发出预警。

依据以上研究得出的结果，建立如图6所示的多维坐标统计图。图中每个维度均以百分比表示，箭头总长是100%，代表“MAX搓板堵塞”现象停机总数；红色线框则表示在该停机原因占停机现象的比例；绿色线框表示“MAX搓板堵塞”停机次数在各个维度中的平均占比（或最优占比）。（由于基础数据非常庞大，只能表述汇总数据）

图6

通过上图红色区域的标示，可以清晰地判知在一段时期内，因“MAX搓板堵塞”导致停机影响的相关性大小：在多个影响因素中，某一个或某几个维度对该停机问题影响较大，应首先对该几个维度加强关注或实施管理改进。

图7

3 MES系统中，设备停机原因预测分析模型的建立

1）第二节的实验和数据分析是在理想化时，多维度的单一变量变化时做出的趋势分析。而“搓板堵塞”停机原因是多种因素共同作用下产生的结果。不同的停机原因，会对数据总量占比、数据产生的频繁程度形成密切相关。

以1#机台的“MAX搓板堵塞”为例，建立停机原因分析预测模型如图7所示；

2）单一机台预测分析结果，也仅仅是中间一个孤立结论，还必须与其它机台的分析结果相比较，才能发出具有指导价值的预测结论（如图8所示）。

图8

4 基于设备停机原因预测结论的应用

设备在运行过程中停机，将不可避免地引起设备运行效率下降；启停过程会产生产品质量的波动；重启时设定的剔除会引起消耗的增加。因此，对设备停机现象的研究和基于“大数据”的停机真实原因的相关预测就变得越发重要，突显出预测的价值。

以可采集到的生产安排信息、设备运行参数和设备停机现象记录，建立停机原因分析预测模型，并通过工厂生产运行管理、产品质量管理、设备维修管理的有效开展，对模型产生的预测结论进行“反馈式学习”，系统将自适应地提高预测水平。

生产是即时的，预测的结论与生产过程同步，可及时指导设备的保养维修工作、产品开发设计工作、优化设备运行参数，进而提高设备技术状况、保证产品质量、降低制造成本。运用“大数据”的理论方法，挖掘海量的“停机现象”的潜在价值，做出停机原因趋势性而非精确性的判断，将使生产企业管理活动更具有针对性，必将提高精益制造水平。

参考文献

[1]维克托.迈尔-舍恩伯格 肯尼思.库克耶著.盛杨燕，周涛译.大数据时代. 浙江人民出版社，2012，12.

大数据时代产生的原因第8篇

【关键词】：数据处理；供电企业；负荷预测；准确性

中图分类号：C29 文献标识码：A 文章编号：

电力负荷预测有很多种方法，但形式比较单一，很难应用于所有情况，因此通过利用组合的方法进行预测成为众多专家的共识。

一、电力负荷预测的意义

电力预测之所以近年来的重视程度在加大，是与其内在的重要意义相关联的。负荷预测是电价预测的基础和未来电力市场预测期货交易的基础，是电力市场化商业运营必需的基本内容。根据我国的目前用电情况来看，用电的领域在拓宽，用电的人数在激增，而目前的电力开发还不能满足所有的用电需求。只有进行负荷预测之后，按照预测数据进行合理的电力划分，才能确保人们的生活正常进行，才能保证工厂顺利施工，是国家长治久安的保证，是国民经济提升的基础，同时也是构建和谐社会的保障。负荷预测结果对电力规划提供依据，用于决定未来发电机组的安装，决定装机容量的大小、地点和时间，决定电网的增容和改建，决定电网的建设和发展。

二、负荷预测的基本原理与分类

1、预测的基本原理

①可知性原理。即预测对象的发展趋势和状况可以被人们知道，客观世界是可以被认知的，不但可以知道其过去和现在，而且可以通过总结它的过去和现在来推测未来。②可能性原理。由于事物的发展是多种因素导致的，所以事物发展会有多种可能。对某一指标进行预测，往往需要按照发展变化的规律，进行多方案预测。③连续性原理。强调事物总是从过去发展到现在，有现在发展到未来，而在这个发展过程中某些原有的特征或趋势将会延续下去。④相似性原理。预测对象现在的发展过程和状况可能和其它事物过去的某一阶段类似，这时人们可以根据后一事物的已知状况，来对预测对象未来发展进行预测。⑤反馈性原理。反馈就是把输出返回到输入端，在调节输出结果。运用反馈性原理是为了提高预测的准确性。当预测结果就与实践中实际值存在偏差时，首先分析偏差产生的原因，然后根据查明的原因适当改变输入数据，是预测结果更好。⑥系统性原理。此原理认为预测对象是一个完整的系统，其本身有内在的系统，而它与外界联系有形成了外在系统。系统性原理强调系统整体最佳，系统整体最佳才称得上高水平的预测。

2、电力负荷预测分类

负荷预测可按周期、社会用电情况、负荷特性、地理位置等多种方式进行分类。其中按周期分类是最普遍的一种预测方式，预测的周期可以分为：①长期预测。时间一般为一年以上，甚至几十年，预测的基本单位是年，主要用于为电源电网规划提供决策依据。②中期预测。一月以上，预测的基本时间单位是月，主要为检修、水库调度、期货交易、燃料计划提供决策依据。③节假日预测。一般情况下需要提前1~15 天预测节假日期间的用电负荷负荷，需要根据节假日的特点以及国家相关政策进行。④短期预测。预测时间为 1 天~1周，预测的基本时间单位是小时或半小时，主要为现货交易(预调度计划)提供决策依据。⑤超短期预测。预测时间 5 分钟~60 分钟，预测的基本时间单位是 5 分钟，主要为实时调度、实时电价预测提供决策依据。

3、负荷预测的方法

（1）单位耗电定额预算方法，简称单耗法 单耗有两种，产值单耗和产量单耗。产值单耗：单位国民生产总值（或国内生产总值）所消耗的电量；产量单耗：生产每单位某种商品的耗电量。影响产值和产量单耗的因素包括：①产品结构。在工业生产中，产值单耗大的产品发展受到一定程度的控制，发展减缓，在行业中的比例减小，而单耗小的产品比重增大，使总的产值单耗减小。②产业结构。第一第三产业的单耗远远小于第二产业，第一产业在国民生产中比重较小，对单耗影响不大，而随着第三产业的迅速发展，社会总的单耗减小。③节电措施。国民经济各部门加强管理，对高耗能企业进行限制，鼓励采用新技术，发展节能设备，使产品单耗逐渐降低。④产品单价。由于产品质量提高，引起价格提高，从而增加产值，使产品单耗降低。但是在计算产值时应采用不变价格计算，剔除物价波动影响。⑤生产条件。由于生产条件改变，可能使某些行业单耗增加，例如，采矿行业，改善工作环境，增加安全措施，可能引起耗电量增加。

（2）时间序列预测方法 所谓时间序列预测，就是根据到目前为止的历史资料数据，即时间数列y1，y2，…，yt…，yT所呈现出来的发展趋势和规律，用数学方法进行延伸、外推，推出今后各时期的指标值，即推出今后 T+1，T+2，T+3，…，T+D 时期的指标的预测值。由于所受影响不同，不同的时间数列表现出不同的特征，按照作用效果时间序列可分为四种变动：趋势变动（T）、季节变动（S）、周期变动（T）、不规则变动（I），任意时刻时间序列都可以表现为上述几种变动的不同组合。

（3）电力弹性系数预测方法应用此方法，必须预先知道预测期内国民经济的发展目标及经济增长速度，一般可根据国家发展战略与规划来确定。其关键问题是确定电力电力生产弹性系数值，弹性系数值受多方面因素的影响，又具有某种时间惯性，因此弹性系数取值既要考虑历史数据，又必须考虑未来可能的变化。

三、GMDH方法的基本原理及其算法

1、GMDH方法概述

GMDH方法利用输入、输出变量的所有观测数据，而不事先设置任何参数和模型。它的基本思想是模拟生物有机体演化的方式构造数学模型。

首先从系统的输入变量x1，x2，…xk，组成变量对(xi，xj)，计算每一对自变量(xi，xj)与输出变量y的回归方程:

y = A+Bxi+Cxj+Dxi2+Exj2+Fxixj(i，j= 1，2，…，k，i≠j，t= 1，2，Ck2)

由此产生出Ck2，即k(k-1)/2个较高阶的变量，替代最初的k个变量x1，x2，…，xk，对输出

变量y进行估计。

根据输入、输出数据求出这些回归方程后，用均方根判据对每一个回归方程的拟合效果进行评估，选出其中最佳者保留下来。于是得到一组(假设为k1个)对y进行最佳估计的二次回归方程(注意每个估计都只依赖于两个自变量)。现在，利用每一个刚刚得到的回归方程生成第二代输入变量的观测值，代替原始的x1，x2，…，xk，如此不断地重复，继续这一过程，直到回归方程开始比前一代的回归方程的估计能力有所下降为止(即均方根由下降变到上升)。在逐次构造回归方程的过程停止后，挑出最后一代的二次多项式中最好的一个，然后进行反向的代数替换，将得到复杂的多项式。

四、结语

负荷预测对于电力系统的发展规划，安全经济调度，起到极为重要的作用。GMDH预测方法在建模思想和解决实际问题的能力上,都比传统的回归拟合方法要优越得多。高质量的预测有利于合理安排发电计划，机组检修，减少热备用，从而提高电力系统运行的经济型，节约能源。

参考文献：

[1]肖国泉，王春，张富伟.电力负荷预测[M].北京：中国电力出版社，2001.

大数据时代产生的原因第9篇

关键词：航天型号物资；标准化管理；价格指数；APPI指数；

本文基金项目：国家社科基金重点项目（12AZD102）

中图分类号：V37 文献标识码：A 文章编号：

1、 引言

航天型号产品价格指数APPI（Aerospace Products Price Index）可以不同时期航天型号产品物资价格水平的变化方向、趋势和程度。

2011年，航天一院在 “十二五”精益成本工程建设论证中提出建立一院经济要素综合价格指数体系的战略举措。经济要素价格指数体系将逐步建立各类与成本费用相关的经济要素价格指数测算模型与方法，通过价格指数监控各类经济要素不同时期的价格变化趋势，以直接或间接的分析各类经济要素对企业科研、生产及经营成本的影响程度。其中，航天型号产品价格指数APPI测算项目是率先开展并取得初步应用成果的价格指数体系构建项目。

为科学合理的测算航天型号产品价格指数APPI，对APPI指数测算过程的相关问题进行标准化研究具有重要的意义。为了使APPI指数测算过程与结果更加科学合理，需要解决以下标准化问题： （1）由于物资种类、规格较多，需要进行代表品种采样，如何建立科学合理的采样原则；（2）如何选择物资价格指数测算公式，构建符合一院实际应用背景的指数测算模型；（3）如何确定更为合理的指数权重（以及权重的时期）；（4）统计期内采购与销售的物资品种规格处于不断的动态变化中，如何在指数计算中提供相应的标准化调整方案；（5）如何利用测算的物资价格指数进行应用分析，如与PPI的比较分析、内部价格监测、成本预算等工作中应用，以及如何制定标准化的指数机制。

鉴于以上分析，本文对指数测算的系列标准化问题进行了研究与探讨，提出了一系列的 测算过程中的相关问题标准化解决方案。

2、 物资编码标准化

航天型号产品价格指数APPI测算的基础是数据，数据的载体是ERP系统内各种物资代码。因此，物资代码所携带的物资类别、时间、价格、数量等数据信息是指数测算体系科学合理的决定性因素。

现阶段，由于一院物流中心ERP系统为原三大系统合并后的系统，其物资代码暂时无法通用，不具有替代性。因此，在今后的物资价格指数测算应用过程中，将实施信息化物资编码，规范物资价格数据源格式，为物资价格指数的测算提供科学准确的数据源。每一层次的物资对应相应的物资编码。确保物资分类分层清晰、准确，通过分类代码和物资编码能够准确测算同种物资价格变化趋势，逐层计算，量纲统一。

航天型号产品原材料种类繁多，不同的大类航天型号产品原材料又分为不同的中类、小类、代表规格品等层次。根据2007年11月中国航天科技集团公司的Q/QJA 39―2007《航天型号物资编码规则》和Q/QJA 40―2007《航天型号配套物资分类与代码》系列标准以及2011年3月中国航天科技集团公司的Q/QJA 68―2011《航天型号物资基础数据内容及填写规范》等物资管理标准与规范，并根据基于WBS的航天型号产品原材料结构层次分解结果，航天型号产品的原材料APPI指数分为物资价格总指数、大类物资价格指数、中类物资价格指数、小类物资价格指数和代表规格品物资价格指数五个层次。其中物资价格总指数为综合价格指数，大类物资价格指数、中类物资价格指数为加权价格指数，小类物资价格指数和代表规格品价格指数为基础价格指数。

图1航天型号产品价格指数构成示意图

3、 样本数据采集标准化

在物资编码标准化管理的基础上，确定样本数据采集标准化的规范方法。样本数据采集标准化主要包括样本数据采集渠道来源标准化与样本数据抽样方法标准化。

样本数据采集标准化来源渠道包括：内部系统数据采集、供应商数据采集及国民经济运行数据采集。内部数据主要分布在内网、相关采购文件、会计凭证、财务报表等载体中，由于可获性好、收集成本低，航天型号产品价格指数测算和预测相关数据收集应优先考虑内部数据。但是这些数据和信息往往是和其他数据混合在一起，本部分重点根据1765号文件和108号文件，综合考虑采购价格，采购、存储和检测等费用分摊等，制定一套数据分类、清洗、整理的规则，建立一套数据收集、传递和汇总制度，以保证航天型号产品价格指数测算和预测的需要；考虑到目前航天型号研制，发动机、控制系统、原材料都需外部采购。供应商提供的价格数据也是航天型号产品价格指数测算的重要数据基础，本部分采用灰色聚类，根据拟采购系统的特性，对其进行合理分类，依据1765号文件和108号文件对每一类物资设计一套供应商价格和成本数据表单，并构建一套供应商价格和成本数据报送制度；航天型号产品价格指数与国民经济的运行状况密切相关，航天型号价格指数和很多反映经济运行状况的价格指数存在着较强的关联性，本部分重点收集以下指数：政府部门的居民消费价格总指数（CPI），生产者物价指数（PPI），工业品出厂价格指数，工业企业燃料动力购进价格指数等；行业协会、研究机构的电子信息产品价格指数、钢材价格指数等。并采用序列相关、格兰杰因果检验、研究航天型号产品价格指数和这些价格指数的相关关系。

航天型号产品物资种类、规格繁多，测算物资价格指数时要按照标准化的抽样方法抽取一个样本代表全部统计资料进行研究。不同种类的航天型号产品物资对价格指数均有不同程度的影响，为充分分析航天型号产品价格指数变动对航天型号产品成本变动趋势的影响，需要建立不同种类的航天型号产品物资价格指数以及总指数。考虑到物资编码的层次结构性，以及上文对航天型号产品价格指数层次结构的划分，将分层抽样方法定为抽样方法具有科学的现实基础。先将航天型号物资总体分成各大类，比如金属、元器件等；然后对各大类物资继续分成各中类，比如将金属大类分成稀贵金属、一般金属等；接着把各中类物资分成各小类，比如将稀贵金属分为钨、钼等。得到各小类物资后，对各小类物资进行简单随机抽样，抽取各小类物资的代表规格品。对各层内小类物资进行简单随机抽样的方法也称为分层随机抽样。所有小类的代表规格品就组成了该分层抽样的样本。

4、 样本数据处理标准化

在航天型号产品原材料价格指数APPI测算前，需要对采集的原材料数据进行一定的数据处理，一般需要数据处理的两种情况是数据筛选和空缺数据填补。

数据筛选主要是指从采集的数据样本中筛选中符合指数测算基本要求的数据样本，筛选类别的样本数据价值量应当在该类别中达到一定的比例。

空缺数据填补主要是指需要对初步筛选的数据样本中存在的空缺数据进行科学合理的数据补缺。航天型号产品原材料数据缺失主要分为结构性缺少和操作性缺失，结构性缺失是指由于技术进步或设计制造方法改进等原因，某些类别的原材料会终止使用或者选用某些新型类别的替代材料，操作性缺失是指由于人工数据录入、系统转换等导致的数据缺失。对于结构性数据缺失，若原先使用的原材料终止使用，则对于后续的空缺数据不作处理并将该类数据从数据样本中全部删除，不再计算该类物资价格指数，若因新材料全部替代或部分替代功能相似及功能一致的原有材料导致的数据空缺，则以新材料的数据替代原有材料的数据以反应材料结构变化导致的价格指数变动；对于操作性缺失数据，可以通过相关性分析选用功能相似性材料数据或相关国民经济运行数据替代，或者运用灰色系统理论对满足样本数要求的样本进行空缺数据补全。

5、 APPI指数测算过程标准化

航天型号产品物资价格指数按所反映现象的特征属于质量指标指数；按所反映现象的范围属于综合指数，同时在计算的过程中也会涉及到个体指数；按所反映现象的对比性质属于动态指数，包括定基指数和环比指数。了解了航天型号产品物资价格指数具体的所属类别之后，根据国内外统计指数编制实践，在建立该航天型号产品物资价格指数的模型时要注意一下四个原则：（1）加权指数公式应该为基本形式，同时辅以简单指数法；（2）以航天型号产品物资的统计资料的情况为基础；（3）应该使最终计算出来的航天型号产品价格指数具有充分的经济意义；（4）应使航天型号产品价格指数的结果具有较好的敏感性。

在确定了航天型号产品价格指数测算的构建原则、基期以及权重以后，应确定航天型号产品价格指数标准化测算过程：从下而上航天型号产品价格指数模型，首先以简单几何平均法求解小类物资的价格指数，然后由小类物资的价格指数进行层层的加权，分别得到中类、大类物资的采购价格指数以及总指数。

6、 机制标准化

航天型号产品价格指数测算的目的是为了对一院航天型号物资价格变动进行检测与管理，为型号产品成本变动趋势分析提供定量化分析工具，为型号产品对外报价提供决策支撑。因此需要按照一定的标准向利益相关者诸如价格管理部门、物流中心、设计制造部门、相关客户等航天型号产品价格指数。

航天型号产品价格指数标准化机制主要为：航天型号产品价格指数测算与单位一院物流中心；主要对象为：院财务部等价格主管部门、物流中心、一院下属厂所、个别客户等相关指定单位；的价格指数样品价值量占原始数据的比例需要达到或超过90%；周期暂定每半年一次，待条件成熟后，力争每季度测算并一次；航天型号产品价格指数应遵循“成熟一个，一个” 的原则。

参考文献：

[1] 华国强，张珊.浅谈型号标准化物资信息分类编码 [J].航天标准化，2011（4），17-20.