基于BSC-BN的战略决策模型研究与应用

论文摘要

本文研究了基于平衡计分卡和贝叶斯网络的智能化战略决策模型系统,提出了基于BSC—BN的战略决策模型,该模型系统将当今管理学上非常热门的“平衡计分卡”理论进行了软件实现,并运用人工智能界的重要知识处理技术“贝叶斯网络”来改进平衡计分卡中存在的两个不足之处:①平衡计分卡的战略因果关系图是由专家根据以往的经验给出,带有一定的主观色彩,往往会因为一些主观因素而产生偏差。②平衡计分卡的战略因果关系图只能定性地给出了关键成功因素之间的依赖关系而不能定量地表示它们之间依赖程度,我们不能根据战略因果关系图得到更多我们关心的数据。平衡计分卡的战略因果关系图是用于显示企业关键成功因素之间的因果关系的有向图,贝叶斯网络同样是一个显示节点间因果关系的有向图,它们都采用指向节点的有向边表示因果关系。基于它们结构上的相似性,本论文把贝叶斯网络引用到平衡计分卡的战略因果关系图中,并采用隐变量来简化网络结构、减少网络参数。转化成贝叶斯网络的战略因果关系图通过贝叶斯网的参数定性地表示节点间的因果关系,进行贝叶斯网推理。贝叶斯网推理可以由已知的贝叶斯网参数推出我们关心的未知的或不确定参数,根据推理结果来修正一些由专家主观给出的知识。平衡计分卡值的计算是运用层次分析法,通过专家填写对比矩阵获得下层指标相对于上层指标的权重以及运用无量纲处理获得最下层指标值,从而算出平衡计分卡的值,然后进行横向或纵向比较,根据比较结果企业决策者对企业进行一些决策调整、对员工实施奖励惩罚措施。

论文目录

• 摘要
• ABSTRACT
• 1. 绪论
• 1.1 课题的研究背景与研究动机
• 1.2 智能化决策系统国内外研究与应用现状
• 1.3 本论文研究的内容与研究意义
• 1.3.1 本论文研究内容
• 1.3.2 本论文研究的意义
• 1.4 本文的主要工作
• 2. 贝叶斯网络
• 2.1 BN概述
• 2.1.1 BN的概念
• 2.1.2 贝叶斯概率
• 2.1.3 BN的构造
• 2.2 缺值数据最大似然估计
• 2.2.1 EM算法
• 2.2.2 EM算法的收敛
• 2.3 隐结构模型学习
• 2.3.1 隐变量与隐变量模型
• 2.3.2 BN中引入隐变量的益处
• 2.3.3 隐类模型学习算法
• 3. 相关决策理论综述
• 3.1 平衡计分卡的原理
• 3.2 BSC国内外发展
• 3.2.1 国外的发展及运用
• 3.2.2 国内的发展及运用
• 3.3 BSC的实施流程
• 3.4 AHP概述
• 3.4.1 AHP的产生背景
• 3.4.2 AHP的发展
• 3.4.3 AHP基本原理
• 3.5 AHP步骤
• 3.5.1 建立递阶层次结构
• 3.5.2 构造判断矩阵并请专家填写
• 3.5.3 矩阵的一致性检验
• 3.5.4 结果分析
• 4. BSC-BN战略决策模型研究
• 4.1 BSC的战略因果关系图中存在的问题
• 4.2 运用BN解决BSC战略因果关系图中的问题
• 4.3 把BSC的战略因果关系图转换为BN
• 4.3.1 定性分析
• 4.3.2 概率估计
• 4.4 运用隐变量优化BN
• 4.5 BSC─BN模型的数据处理流程
• 4.5.1 定性数据的处理
• 4.5.2 定量指标的处理
• 4.5.3 确定BSC的评价指标的权重
• 4.5.4 数据综合处理
• 4.5.5 数据的比较分析
• 5. 用BN来改进BSC系统
• 5.1 BSC─BN模型系统的设计
• 5.2 建立BSC的评价指标体系
• 5.3 SP公司BSC的创建及数据处理
• 5.3.1 确定SP公司BSC的评价指标权重
• 5.3.2 SP公司BSC指标加权数据处理
• 5.3.3 数据的比较分析
• 5.4 技术以及开发环境的运用和数据字典设计
• 5.4.1 技术以及开发环境的运用
• 5.4.2 数据字典设计
• 5.5 系统的实现
• 5.5.1 考核计划
• 5.5.2 BSC设计
• 6. 总结与展望
• 6.1 全文总结
• 6.2 未来工作展望
• 参考文献
• 在研成果
• 致谢