小家電企業聯盟決策系統規劃

劉榮新 丁怡 劉靖鑫 劉廣彬 潘烷詩

摘要：企業聯盟是多個企業為了更好的生存和獲得更大的利潤從而構建而成的一個共同體。聯盟內部的管理狀況關乎到企業聯盟的生命周期長短，即是代表著這一企業聯盟是否可以在市場上生產。本文以貝葉斯網絡模型為基礎，利用Netica軟件對模型進行仿真研究，建立以企業聯盟相關節點的貝葉斯網絡模型。本文分析了企業聯盟具有的一般特征，確定八個節點，利用數據挖掘對數據進行收集和分類，通過可拓學理論轉化為可拓數據，建立可拓數據庫，根據貝葉斯網絡因果關系建立父節點和子節點。通過分析貝葉斯網絡中各個因素對企業聯盟生命周期的影響，確定影響聯盟生命周期的主要因素。本文是對2009-2019年間成立的1061個聯盟進行調查，研究數據是來自于中國科技產業技術聯盟2009-2019年間的記錄，本文研究對企業聯盟生命周期進行了一定程度的研究，為企業選擇聯盟提供了有效的依據，對聯盟發展有一定的參考價值。

關鍵詞：貝葉斯網絡;企業聯盟;決策系統;可拓學理論

1 研究目的

隨著近年來我國發展成全球第一制造大國，小家電生產已具有產業集群效應，但是依然存在著高投入低產出的情況。與此同時，小家電生產還存在著勞動力成本越來越高，工廠地租逐漸上漲等問題導致生產成本越來越高[1]。為追求更高的利潤，企業紛紛通過改善與結盟進行提高企業生命力。于是企業聯盟應運而生。

企業聯盟從本質上看就是一個復雜的有機系統，是具有客觀生命周期的。通過調查了2009-2019年間形成的1061個ICT聯盟，研究數據是2009-2019年之間的記錄，來自于中國科技產業技術聯盟。企業聯盟的穩定性與活躍性代表著這個聯盟是否值得企業加盟，我們的項目就是通過貝葉斯網絡進行建造模型對已有聯盟進行生命期分析。

2 方案思路

通過數據挖掘進行收據收集與分類，通過可拓學理論轉化為可拓數據，并建立可拓數據庫，通過貝葉斯網絡父節點與子節點的因果關系、相關度匹配計算，最后提供出客觀的方案。可拓學對事物的表述主要采用基元的形式，它主要包括物元、事元與關系元。最常用的是物元模型，其定義為：給定事物名稱，關于特征C的量值為v，并以有序的三元組作為描述事物的基本元，簡稱物元，記為R，表示為。二元組稱為N的特征元。

應用方法：

（1）貝葉斯網絡是以貝葉斯方法為基礎，將變量的因果關系轉變成一個帶有概率的網絡結構圖，可以發掘隱藏在數據中的信息，進行不確定性知識的表達及推理，是到目前為止處理不確定性分析和推理的比較有效的方法之一。（2）可拓物元方法是通過建立多指標性能參數的綜合評判物元模型來描述矛盾問題，通過建立關聯函數對事物質變和量變過程進行定量描述，以定量的數值表示評定結果，能較完整地反映被評價對象的綜合水平。

3 解決方案：基于貝葉斯網絡決策系統構建

通過Netice軟件進行貝葉斯網絡模型構建[2]，對企業聯盟分類的數據進行輸入，并做離散性分析，將企業聯盟等級分為4個等級，分別是杰出的（Distinguished）、成熟的（Proficient）、邊緣性的（Marginal）、不可接受的（Unacceptable）。通過對貝葉斯網絡模型的調整，輸入數據得出測試決策系統的穩定性與可行性初始狀態如圖1所示：

假設狀態是發生在小型聯盟當中[3]，當聯盟積極程度為66-335，聯盟董事召開會議的頻率是0-30次，退稅水平在50-100%，研發經費在41-143，209萬元，技術專利在0-40個，人才增長率為20-30%，發展新技術水平為大于0-15%。在這些證據支持下，貝葉斯網絡模型給出的該聯盟最有可能是處于不可接受聯盟，活躍程度低下，概率占30.4%，第二個可能性是邊緣性聯盟，聯盟活躍程度不高，概率為28.2%，同時假設將研發經費設定在21-31等級上，會議召開頻率設定在60-90上，聯盟的穩定性等級如圖2所示結果。

如果在大型企業聯盟中，董事會會議召開頻率在0到30，聯盟積極活躍度是66到335，退稅水平在50到100，活動經費在21到31，新技術發展等級在0到15，技術專利是0到40，人才增長率是20到30;那么該聯盟最有可能的狀態是處于邊緣性的，其概率是30.8%，其次等級是不可接受的，概率到25.3%。聯盟的穩定性等級如圖3所示。

在上述條件不變的情況下，如改變會議召開的頻率，將其改變為30-60，該聯盟最有可能的等級是處于邊緣性的，概率為33.2%，第二個可能是處于成熟的，概率為24.0%，聯盟狀態的穩定性發展如圖4所示。

4 結論

文中，通過建立BN模型，將收集到的數據輸入BN模型中，進行對企業聯盟的生命周期進行判斷，通過模型給出的穩定指數和活躍性指數，可以判斷該企業聯盟是否值得加入，將成為企業選擇企業聯盟的依據之一。本文經過實驗可以得出，影響企業聯盟生命周期的重要因素主要的聯盟中會議的召開頻率，召開會議次數越多，則聯盟活躍性指數越高，生命周期評定指數越大。

除此以外，BN模型中的變量是可變的，每一個變量可以根據企業需求進行確定變量，本文所用的變量是普遍企業聯盟具有的特性，若有專門的企業聯盟特性，可進行添加，從而建造模型對企業聯盟進行專有的生命周期分析。

參考文獻

[1]Netica的信息作戰目標預排序清單分析[J]. 李京，楊根源. 火力與指揮控制. 2012（10）

[2]基于Netica的自學習貝葉斯網絡的構建[J]. 陳靜，蔣正凱，付敬奇. 電子測量與儀器學報. 2016（11）

[3] Sevinc Volkan and Kucuk Omer and Goltas Merih. A Bayesian network model for prediction and analysis of possible forest fire causes[J]. Forest Ecology and Management， 2019， 457-464

作者簡介：丁怡 （1982 - ），女，河南洛陽人，博士，講師 ，研究方向：網絡優化、網絡科學。

基金項目：廣東省教育廳創新強校工程項目（Q17115）;廣東海洋大學博士科研啟動項目（R17015）;大學生創新創業訓練計劃項目（570119069）