动态协同范文

动态协同范文（精选7篇）

动态协同 第1篇

关键词：复杂动态环境,战略协同,协同策略

随着知识经济和网络经济时代的来临, 经济发展速度和全球化步伐日益加快, 市场竞争日趋激烈, 企业内外部环境的复杂性和动态性不断加剧, 企业始终处于不可预料的震荡变化当中。静态、线性思维定式下的传统战略管理方式方法对处于环境震荡中的企业已不适用, 相关学者也开始重新审视企业战略管理概念与方法的实质内涵, 以期能够寻求到适应新的环境条件的战略模式。在这个过程中, 企业究竟应如何审时度势, 提升战略协同性以应对环境变化, 该关键问题的解答是本研究开展的出发点。

一、企业环境震荡要素识别及战略协同要素定位

生物界存在着“适者生存”的法则, 在复杂动态环境中, 企业同样面临着只有不断提升自身适应性才能生存和发展的问题。随着内外环境发生变化, 企业必须及时的感知、吸收并筛选出对自身有利的环境震荡信息, 做到迅速反应, 通过提升战略协同性来适应这种变化。战略协同, 是指构成战略复杂适应系统的结构、文化、能力子系统及其构成要素之间在发展演化过程中彼此和谐一致, 并由于协同作用产生出的超越各要素自身的单独作用, 使整个战略系统向有序演化的动态“协同演化”过程。

(一) 环境震荡要素识别

1.宏观环境波动

宏观环境波动导致的环境震荡主要是由企业间接外部环境要素变化引起的, 包括政治、经济、社会、技术四种要素。虽然这些环境要素是间接影响微观层面的企业活动的, 但蝴蝶效应的客观存在表明:事物发展的结果往往对其初始条件具有极为敏感的依赖性, 初始的细微偏差经过非线性持续放大, 将会引起未来结果的极大差异, 企业在这些宏观因素波动面前, 是不能保持沉默和迟钝的。

2.行业竞争冲击

借助迈克尔波特的五种力量模型的理论框架, 企业所面临的行业竞争冲击来源于企业之间的竞争、购买者、供应者、潜在加入者和替代品这五种力量。竞争环境是企业所处的直接环境, 企业需对这五种力量的状态指标进行实时监控与分析, 捕捉竞争环境中的一些细微变化信息, 判断其可能对企业造成的冲击影响, 以便能够及时地制定缓冲策略。

3.内部管理扰动

内部管理扰动是指企业内部组织管理系统出现功能失常、秩序混乱状态, 它是企业“生物钟”节律 (管理周期) 活动的一种不良或错误的组织运行状态。管理扰动的后果是“生物钟”节律活动中某个阶段或所有阶段偏离目标轨迹, 进而诱发企业环境震荡的产生。企业内部管理扰动可能存在于所有管理活动环节中, 它是企业系统的功能缺陷和失误行为两者交互作用的产物。功能缺陷是指系统某些管理职能的缺乏或不到位、不完全的管理活动等情况的出现, 而失误行为是指因战略决策失误或执行能力低下等原因导致的企业全局或局部管理出现的失序与失调。

(二) 战略协同要素定位

1.结构协同性

为了在复杂动态的环境中生存与发展, 管理者的战略观念需要转移到“适应、调整和变革”上来, 思考应如何梳理调整企业内部结构关系, 采用何种组织形式以适应环境变化。Stacey (R.D.Stacey, 1993) 认为, 管理者必须用政策来影响企业的自组织方式, 从而使企业成为有活力的组织结构。Levy (D.Levy, 1994) 认为, 企业的未来发展是不可长期精确预测的, 但短期预测是有效的, 组织结构不要指望到达稳定状态, 需要制定方针政策来应付复杂性和不确定性。现代系统理论认为, 系统的生存与发展的关键在于其对外部环境的开放程度与适应外部环境变化的能力, 若企业结构过于固化且繁冗, 当危机发生时, 企业中信息的传递与决策的执行会出现滞后性, 复杂动态环境下企业结构的协同性应主要体现为企业管理层级结构的日益扁平化, 随着管理层级边界的减少与淡化, 企业系统的开放程度和适应环境变化的能力也将得以提高。

2.文化协同性

企业健康发展中应遵循的重要准则之一, 即是应努力建立适应企业自身特点和适应企业所处环境的企业文化, 企业文化对各种环境因素的综合协同度越高, 对企业经营业绩的促进作用则将会越大。由于企业的内外部环境的动态性和复杂性, 使得企业的长期计划很困难, 但企业全局的发展仍需要相应的规则来引导, 这时较有效的途径是培育组织自身的“混沌吸引子”并对其加以控制。一般认为, 企业系统的发展规律性正是由其企业文化决定的, 即企业要拥有自己的经营理念、价值观以及一套应对诸多变化的行为准则。这些文化要素一旦形成, 企业发展也就拥有了一种“吸引子”, 一切工作就会有意识或无意识地围绕其运转起来, 形或一种向前发展的力量。随着环境条件的不断变化, 管理者需要对企业文化进行灵活的调整, 形成适应新环境的良性“吸引子”。

3.能力协同性

能力因素可以分为核心能力与非核心能力, 核心能力是指企业在发展中形成的独特的、不易模仿的能力, 非核心能力就是行业内各个企业普遍拥有的能力。在市场竞争日趋激荡的今天, 企业经营重点已从产品经营转为核心能力经营, 企业间的竞争也已从产品竞争转向核心能力竞争。但在动态竞争环境下, 核心能力不是永远难以模仿或超越的, 企业凭借资源实力等所积累的竞争优势往往容易被快速的技术和产品创新所取代。企业必须“以变应变”, 培育以动态协同为基础的核心能力, 迅速响应环境变化, 及时调整企业资源配置以适应动态环境的需要。

二、企业战略协同实现机理分析

企业战略协同的实现, 实质上是企业针对环境中的变化动因提升内部关键变量战略协同性的过程。面对内外部环境的急剧变化, 企业大多只能以缓冲和调整为行动响应来适应这种震荡驱动。企业需借助观测器-控制器完成驱动-响应行为, 观测器是整个响应系统的输入, 在企业实际中它可以是专门的信息情报收集部门, 也可以是向信息处理部门传感信息的各个销售网点。

企业首先要随时监控环境震荡状况的变化, 对环境驱动系统释放出来的震荡信号进行采集, 随后凭经验、技术等能力解析这些变化, 分离机会与威胁, 剔除无关的信息, 将经转换的有用信息传输给信息处理部门, 由信息处理部门负责对所接受的信息进行比较, 确定事件信息的属性特征, 再对感知应变临界这一针对环境震荡是否采取行动的阈值进行判别, 并以此作为向高层管理者反馈的依据。向高层管理者反馈后, 则进入由管理者对企业协同性进行调控为主的控制器作用阶段, 由管理者作出适时决策, 选择适宜的协同策略模式及其最优组合, 通过各种协同方式和途径来实施和执行, 以调整企业的结构、文化和能力, 最后对这三个可控关键战略协同要素进行协同性判别, 若三个要素均为协同状态, 则说明已实现战略协同, 反之则需要重新审视之前的环节并进行调整改进。

事实上, 战略协同过程中诸多环节构成的是一个反复运行的动态循环链, 使企业始终保持对环境的协同适应性。

三、企业战略协同策略

对于企业环境的变化和内部的状态, 管理者不能精准的预测某一变量的影响值, 但可以预判其从稳定状态和协同状态上所显现出的趋势, 针对不同的情形采取相应的协同策略。采用企业协同程度 (结构协同性, 文化协同性, 能力协同性) 和环境震荡程度 (宏观环境波动, 行业竞争冲击, 内部管理扰动) 为横纵坐标构建企业战略协同策略矩阵。用指数λ表示企业协同程度及环境震荡程度的状态指数, 对应的企业协同状态指数是 (λA1, λA2, λA3) , 用符号“+”和“-”来表示其状态, “+”号代表协同性弱, “-”号代表协同性强。环境震荡状态指数是 (λB1, λB2, λB3) , 也用符号“+”、“-”来表示其状态, “+”号代表非稳定态, “-”号代表稳定态。根据λ正负值的数量, 将企业协同程度和环境震荡程度各分为四个档次, 依次为弱势 (三个变量均为正值) 、中游 (三个变量中两项为正值) 、良好 (三个变量中一项为正值) 、强势 (三个变量均为负值) ;激烈震荡 (三个变量均为正值) 、比较震荡 (三个变量中两项为正值) 、中等震荡 (三个变量中一项为正值) 、稳定 (三个变量均为负值) 。最后, 结合环境震荡和企业协同要素匹配组合的特点, 提出四种类型的战略协同策略, 如图1所示。

其中, S型策略 (Strategy) 是战略导向型策略, 该类型策略适用于环境震荡趋弱, 企业协同程度偏弱的情形。在震荡程度较弱的环境中, 企业更加注重充分遵循和发挥战略计划的导向作用, 通过系统收集定量定性信息, 预测企业环境变化可能带来的机遇和威胁, 按照对战略目标的分步计划实施执行, 并在此过程中注重内部知识的积淀和外部知识的获取, 从而更加理性地采取应对措施以应对环境变化。

H型策略 (Humanity) 是人本凝聚型策略, 该类型策略适用于环境震荡趋弱, 企业协同程度偏强的情形。这种模式强调组织发挥以人为本的能动创造性和团队协作性, 着重营造组织内普遍认同的价值观认知体系, 提升组织内的凝聚一体性。善于知识学习和发展多种信息感知接收机制, 以利于在面对环境变化时能够做到迅速应变。

B型策略 (Balance) 是平衡稳定型策略, 该类型策略适用于环境震荡趋强, 企业协同程度偏弱的情形。受限于企业的禀赋和实力, 处于环境震荡程度较强状态下的弱势企业更倾向于以合理化、程序化的行为维持企业内部系统的平衡与稳定, 企业的精力和焦点侧重于内部的信息获取与自身的绩效改进, 当企业环境发生剧烈变化时, 战略的计划性和针对性效果往往会大打折扣, 面对各种机遇和威胁, 企业的经营管理决策很少是自发的进行调整变化, 往往是一种被动的适应。

V型策略 (Venture) 是风险担当型策略, 该类型策略适用于环境震荡趋强, 企业协同程度偏强的情形。在企业实力比较中处于强势地位的企业, 出于对高收益的追求和自身实力的客观定位, 往往愿意承担不确定性带来的高风险。为了减少和消化风险带来的损失, 企业会尝试开展技术、管理等领域的创新, 培育知识优势为能力优势, 以自发能动的行为引导竞争态势朝利于自己的方向发展。

鉴于环境变化和企业实际情况的复杂性, 在具体的协同策略实施过程中, 不能依靠单一类型的策略使企业实现协同适应性, 企业应根据具体情况采取适宜的协同策略组合以适应环境的变动。在运用策略组合时, 也需借助综合判定来决定各种策略在策略组合中的地位和权重, 提高科学有效性。同时, 也要注意策略组合的动态性, 即随着企业内部条件和外界环境因素的变化, 相应的协同策略和策略组合也应发生变化, 或者在同一种策略组合中改变主导策略或调整各种策略的权重, 使企业更有效地适应环境。

四、结论

企业的发展进化是在企业不断适应环境的变化中实现的, 复杂动态环境下的企业战略协同策略的研究为管理者管理决策的制定提供了参考借鉴。通过对企业内外环境震荡的实时监控, 及时捕捉环境变量变化所释放出来的信号, 准确地作出相应决策, 在相应协同策略的指导下, 调整企业内部可控关键战略协同要素, 使得企业的结构趋向于扁平化、文化趋向于灵活化、能力趋向于柔性化, 从而提高企业对环境的适应性, 最终实现企业的可持续良性进化。

参考文献

[1]李翔.企业混沌震荡下的柔性管理[M].东北林业大学出版社, 2006.

[2]R.D.Stacey.Strategy as order emerging fromchaos[J].Long Range Planning, 1993, 26 (1) :10-17.

[3]D.Levy.Chaos theory and strategy:Theory, application and management implications[J].StrategicManagement Journal, 1994, 15:167-178.

[4]刘洪.经济混沌管理:理论.方法.应用[M].中国发展出版社, 2001.

动态协同 第2篇

知识经济时代,企业要生存必须要发展和保持自身的核心竞争力。核心竞争力首先取决于知识的创新,需要对企业内外部知识资源进行整合和优化。企业加入R&D联盟被普遍认为是提高企业竞争优势的有效的方式。R&D联盟不仅可以弥补企业资源的缺乏,同时可以降低创新风险,更为重要的是通过联盟企业内外部知识吸收和共享,企业可以获得的知识和能力,促进知识的流动,实现优势互补,达到成果共享。但是,联盟内外部的知识必须进行有效的协同,在恰当的时间内完成知识的创新,从而将创新的知识传递给联盟的其他成员。因此,知识协同的研究已经成为目前知识管理研究的重点。知识协同的概念最早是由Anklam ( 2002) 提出的,他认为知识管理是管理发展的第三阶段[1]。Kalenzig ( 2002) 认为知识协同是一种组织战略方法,它把商业过程、技术和关系建立了内部和外部系统[2]。国内学者对于知识协同进行了不同角度的阐述( 见表1) 。

目前国内外对R&D联盟的研究较为零散,多是从联盟伙伴选择以及影响因素进行研究,但关于R&D联盟内部运作知识协同研究较少。本文将结合目前国内外对知识协同的研究内容对R&D联盟内部知识转移、共享和创新进行研究,建构知识协同的系统模型,并且对协同系统的动态效应进行研究。希望通过科学的知识管理,降低和规避R&D联盟的研发风险。

1 R&D联盟的知识协同观

R&D联盟知识转移系统由多个子系统构成,系统间的各种要素相互联系和制约。各个系统要素中间相互协调和配合就能保证系统的良性运行。反之,系统之间如果相互抑制、冲突就会使系统处于一种无序的混乱状态。因此,本部分通过引入协同理论,构建知识转移系统的耦合关系,从而研究R&D联盟的知识转移系统要素之间的相互影响和实现知识流动、共享和创新的过程。

1. 1 R&D联盟知识协同系统的序参量主导性

知识协同系统是典型的有序的耗散结构,因此它具备耗散结构的基本特征。知识转移的过程是由无序到有序的知识创新的过程,是知识从低级化到高级化的转化过程。由于序参量的特性是支配着子系统,其中子系统又服务于序参量之间的竞合关系。这个过程就是系统的自组织过程。R&D联盟本身具有自组织的特性,R&D联盟主体之间,根据反馈子系统和学习关系的建立,通过知识的流动、转移、更新现有知识来达到自身知识从无序到有序的演变。因此,R&D联盟的知识协同系统具备了自组织的条件。当几个序参量力量相当时,系统处于合作状态,表现为有序的结构; 但是当几个序参量力量发生变化时,系统出现竞争状态。结果表现为只有一种超序参量保存,同时其他子系统随着新一轮序序参量涨落模式进行协同。R&D联盟知识协同系统在知识转移过程中会产生竞争单元,但是在系统协同机制的维护下,R&D联盟系统成员主体之间就能实现协同合作。因此,相对于其他序参量的存在,协同机制是主宰整个R&D联盟的趋序参量,其他序参量按照模式的变化达到协同一致的局面。

1. 2 R&D联盟知识协同系统的非强制力量

协同论认为,系统在外部能量影响的情况下,会通过各个子系统的系统作用,在自身涨落力推动下,形成新一轮的稳定有序结果。R&D联盟知识协同系统是处于一种不稳定的状态,其中系统中的知识流动伴随着转移、吸收和创新的过程,这就伴随着知识的从无序到有序的演化。知识协同系统存在着复杂的耗散结构特征,促使转移系统进行有序发展,需要系统内部子系统之间的自觉的协同,需要一种非强制力量影响系统成员之间的观念、行为,使系统成员自觉协同合作,从而达到自组织的过程。在R&D联盟知识协同系统中,这种非强制的力量就是联盟成员对于技术创新的需求,联盟成员参与R&D联盟的共同目标就是通过知识的转移、共享达到知识技术创新从而提高企业的创新利益。因此,追求技术创新是促进企业加入R&D联盟根本驱动力。在联盟知识转移过程中,联盟成员自觉地将个人目标和价值共同融入到R&D联盟系统目标中,激发出成员的创新行为,形成自组织的行为。

2 R&D联盟知识协同系统构建

通过对国内外有关协同知识影响因素实证分析以及企业协同创新研究成果的借鉴,本文归纳出R&D联盟知识协同系统由3个子系统构成,分别为知识协同主体系统、知识协同特性系统和知识协同环境系统。在R&D联盟知识转移过程及系统演化过程中,如果协同环境尚未达到临界值,主体系统和特性系统不存在协同关系,不能形成序参量;当环境激励达到临界值时,表示具备了充足的知识流动和有效的激励方式,各子系统之间即可以相互竞争又可以相互合作,共同促成序参量形成。其中文化机制、信任机制和协同机制作为系统中连接因素,对3个系统的效应起到正向的促进效果。综上所述,本文构建出R&D联盟的知识系统如图1所示。

2. 1 知识协同主体系统

知识协同主体系统的构成要素是由知识协同主体创新意愿、主体的知识存量、主体的吸收能力、扩散能力和主体的知识创新能力构成。

2. 1. 1 知识协同主体创新意愿

R&D联盟知识转移的动机来源于知识协同主体的转移意愿,作为一种内部推动因素,它表现为知识转移双方的主动性。双方共享的意愿也提高了知识转移双方的知识开放程度和组织透明度,提高了知识转移机会。在R&D联盟中,如果知识转移协同主体的转移意愿强烈,就有利于知识共享和知识创新,减少了对知识转移过程的监督成本,使双方有更多的时间投入到知识的获取和应用之中,从而提高双方的知识转移能力。但是,如果知识传递方基于个人考虑,对联盟成员缺乏信任,就会担心独有的知识资源被其他成员所获取,这就会影响知识转移的效果,增加了知识协同的成本。由此可以看出,在R&D联盟中成员之间不仅存在合作关系,同时也存在竞争关系,形成了联盟中的自组织行为。

2. 1. 2 知识协同主体的知识存量

R&D联盟的知识存量反映了组织现有的知识内容和结构。Gersick & Hackman ( 1990) 认为,组织目前的知识存量与以后获取、应用新知识的数量成正比。因此,R&D联盟中内部知识协同主体的存量越高,越容易进行知识转移以及知识共享,知识协同的效应就越高。当企业的知识存量足够大时,就可以促进企业间的知识创新。Cohen& Levinthal指出企业原先具有的知识水平如果与转移的知识相似程度关系越大,那么企业知识协同就越强。

2. 1. 3 知识协同主体的吸收和扩散能力

知识吸收能力是一个笼统的概念,就知识接收方的能力而言,主要是指组织以前的知识积累、学习能力、知识整合与应用能力。对于R&D联盟知识协同主体的知识吸收能力指联盟内研发主体从其他联盟成员转移过来的有价值的知识,进一步吸收并且应用的能力。知识扩散能力表示知识扩散方愿意把有效的知识进行编译以及发送的能力。Szulanski把知识发送者有效进行知识转移的能力定义为发送方扩散能力。知识接收方的吸收能力和知识发送方的扩散能力是建立在固有知识积累的程度上,因此这就导致了认知和知识结构的差异。在R&D联盟中知识接收方吸收能力越强,R&D联盟协同效应就越高; 知识发送方的扩散能力越强,越有利于提高知识转移的效率。

2. 1. 4 知识协同主体的知识创新能力

知识的创新能力是协同作用于R&D联盟的最高阶段,R&D联盟的知识创新主要指联盟成员对于自身知识的自我超越的再造过程。这个过程中包括了通过转移知识自我超越也包括联盟成员的共同研发过程。联盟成员加入R&D联盟的根本目的就是为了实现知识的创新,因此这个阶段可以认为是知识协同中最重要的阶段,前面的知识转移,应用和共享的过程都是为了知识创新的实现而服务的。R&D联盟的成员通过知识创新可以增强联盟的知识存量、提高知识价值。综上所述,联盟成员的知识创新能力越强,其知识协同效应越高。

2. 2 知识协同特性系统

Szulanski ( 1996 ) 研究分析了知识可表达性对知识转移的影响[10]; Ingram ( 2007) 分析了知识隐性的影响[11]; Dana B Minbaeva ( 2007) 认为影响知识转移的知识特征有: 隐性、复杂性、专有性和不可获得性的4 个特点[12]; Chinho lin( 2008) 将知识特性归因于两种: 因果模糊性和知识有效性[13]; Zander和Kogut认为知识特性包括知识可编码性和嵌入性。Galbaaith ( 1990) 认为嵌入性知识复杂性更少,更容易理解,也更加容易转移。综上所述,本部分采用Zander分类方式,认为R&D联盟知识系统特性要素包括知识的嵌入性和编码性。

2. 2. 1 知识嵌入性

知识的嵌入性包括嵌入在企业或组织的内部和外部情境中,内部情境主要指企业文化、组织结果等; 外部情境包括经济环境、社会环境等。通过近几年来的研究发现,R&D联盟的嵌入性知识隐含着对组织运行的假设,以及组织内部的活动规则和相互关系。因为嵌入性知识既包括明晰知识也包括默会知识,所以这类知识转移复杂性更强一点。Zender ( 1995) 认为嵌入工具的知识是已经编码的知识,所以在R&D联盟不同组织之间转移时要比其他载体的知识容易,其转移效果会更好。

2. 2. 2 知识编码性

知识分为显性知识和隐性知识,显性知识可以编纂并能用正式的系统性语言来传递; 而隐性知识指的是个人或群体所意会、不能通过语言只能通过行动和观察来传递的知识。显性知识转移由于采用方式较直接,而且知识获取较方便。联盟成员进行知识转移的传递方式分为两种,对于显性知识的转移可以使用文件、技术图表等方式进行传播。而对于隐性知识的转移多采用面对面的交流,通过交流会议借助各种知识媒介进行传递知识。当传递方和接受方交流的机会逐渐增多时,双方的企业沟通能力也在逐渐增强,这种能力的增强可以节约协同成本,提高知识转移的效率。当R&D联盟成员的知识能够被明确表示出来,并且编码程度较高时,其R&D联盟更易进行知识交流,其协同效果越好。

2. 3 知识协同环境系统

2. 3. 1 知识距离

张建宁( 2008) 曾指出: 组织之间如果结构性差异大,就不利于组织间的沟通和交流,因此知识转移难度越大。联盟间的知识距离指知识转移传递方和接受方知识程度的相似性,显然,相似性越小,知识距离越远。在R&D联盟中,联盟伙伴经常与不同技术水平的企业建立联盟关系。Haemel指出当传递方和接受方的知识差距较小时,组织内部的学习动力更强,接收方有能力对转移的知识进行加工和吸收。反之,如果双方差距较大时,知识转移量就会相应减少[14],同时知识协同的成本就会增高。

2. 3. 2 联盟文化

联盟成员各自隶属于自己的企业,每个企业都有着固定的行为准则和价值观,因此在R&D联盟知识协同的过程中联盟成员都遵循着各自的企业文化。Buckman指出: “一个正确的文化可以使组织知识共享成功率在90% 。如果合作伙伴间的文化差异较大,联盟成员间沟通起来就比较困难,有可能导致相互冲突,从而影响协同的效果。因此,R&D联盟成员间的文化差异越大,知识协同的成本越高,从而导致协同效应越低[15]。

3 R&D联盟知识协同系统的动态效应

3. 1 动态发展模型

R&D联盟知识协同过程是在协同内部和外部影响因素的作用下,联盟主体在知识创新的过程中各阶段实现优势互补和协同发展的过程。这个过程是一个连续的、循环的过程,其中存在着多重反馈系统。R&D联盟中的知识协同系统主要研究联盟3 个子系统的协同关系,具有明确的边界,其知识转移过程也遵循一定的知识转移规律,存在着明显的反馈和互动关系。R&D联盟知识协同系统的每一次波动,存在着多种因素的作用,呈现出多种反馈。这种反馈单靠经验来判断系统的运行趋势较为困难,但运用系统动力学可以根据该系统的因果关系来建立反馈模型,并运用计算机模拟来深入探讨内部的反馈结构及其动态行为关系。根据系统动力学理论,运用VENSIM软件构建R&D联盟知识协同动态发展模型。

3. 2 因果关系图分析

本部分建立R&D联盟知识协同因果关系图及其回路如图2 所示。

主要回路:

( 1) 技术创新需求→传递者创新知识量→转移阙值→知识接受者知识量→知识应用→知识创新→技术创新能力→技术创新需求

( 2) 技术创新需求→传递者创新知识量→知识传递者知识量→知识距离→知识传递量→知识接受者知识量→知识应用技术创新能力→知识创新→技术创新能力→技术创新需求

( 3) 传递者创新知识量→知识传递至知识量→协同机制→知识转移量→知识接受者知识量→知识应用→知识创新→技术创新能力→技术创新需求→传递者创新知识量

( 4) 知识传递者知识量→知识传递者知识量→传递者创新效率→传递者创新知识量

( 5) 知识接受者知识量→知识距离→知识转移量→知识接受者知识量

( 6) 知识接受者知识量→知识吸收能力→知识转移量→知识接受者知识量

( 7) 接受者知识创新量→知识接受者知识量→转移阙值→接受者创新效率→接受者知识创新量

( 8) 传递者创新知识量→知识传递者知识量→创新效率→传递者创新知识量

( 9) 知识接受者知识量→转移阙值→知识转移量→知识接受者知识量

以上9 条反馈回路全部为正反馈回路,反应了知识转移的因果关系。其中知识转移量受5 个因素的影响,分别为协同机制、知识距离、知识吸收能力、转移阙值和信任关系影响。5 个参数对知识转移量的影响都是正向关系。知识距离是指传递者和接受者相似知识程度,当二者知识距离小,相近时,知识不再传递。转移阙值表现了R&D联盟知识传递者对于拥有自身知识产权或者技术秘密的知识的保护,对于这部分知识不再传递。知识吸收能力是指将传递者知识应用到本组织的能力,知识吸收能力越强,知识转移效果越好。

3. 3 机制作用协同系统动态效应分析

3. 3. 1 知识协同机制

协同机制为知识传递者和知识接受者提供了一个交流平台,始终贯穿于知识协同系统中。知识在不同主体中进行交流和共享,由于知识的特性( 知识编码性和知识嵌入性) 不同,其传递效果呈现不同状态。如果知识的编码性较弱,就需要协同机制来改善R&D联盟的合作环境。通过营造成员间的交流机会,增加团队的集体凝聚力,形成良好的交流平台,建立良好的交流渠道。同时联盟可以通过协控平台的设置,调节成员间信任度、组织差异、知识信息对称性、知识复杂度之间的关系。联盟通过投入熟悉某类知识的专业性人才以及充足的资金,实现知识转移双方的有效沟通与协调,以避免可能出现的障碍和问题,使联盟接收方尽量能获取完整、准确的知识[17]。

3. 3. 2 知识协同文化机制

联盟成员通过建立良好的文化氛围,增加了团队的凝聚力。当联盟成员间的知识距离较远时,通过文化机制的建立来协调知识转移的效果。知识的传递和共享是在联盟成员的需求上发挥作用,知识的应用和创新是在更大范围内实现。因此,文化机制的建立能够使联盟成员双方在明确文化差异之后,在相互尊重的前提下进行友好交流,进行文化融合。文化机制建立的核心就是整合组织成员间的价值取向,思维观念。从而使联盟成员形成R&D联盟共同的价值观,这种文化机制的形成就能有效解决成员间文化的冲突,协同各个子系统的运行效果[18]。

3. 3. 3 知识协同信任机制

由于R&D联盟的自身特性,联盟成员组织之间的信任是依托于外部环境和市场环境不确定性而形成的。前文分析到R&D联盟成员之间的关系不仅仅是合作关系同时也是竞争关系,这种特殊的关系特性决定了联盟成员之间的信任程度。知识传递者和知识接受者的知识交换很多时候是跨时间完成的,在时间跨度内相互信任是知识转移的基础。这种信任感可以通过组织建立明确的合同、法律和书面组织规章来建立。Cabrera ( 2002)[19]指出,组织应该创造成员知识共享的群体共识,对组织个体起到约束作用。建立和完善R&D联盟知识协同运作信任机制是一个循序渐进的过程,需要建立公开、合理的激励政策,强化协同运行的可操作性和未来公平的分配共享收益。

4 结论

动态协同 第3篇

复杂适应性系统理论 ( Complex Adaptive System,简称 “CAS理论”) 是美国学者约翰 · 霍兰1994年提出的,他认为系统中的成员是具有适应性的主体 ( Aaptive Agent,简称 “主体”) 。适应性是指它能够与环境及其他主体进行相互交流,在交流的过程中 “互相学习” 或 “经验积累”,并根据学到的经验改变自身的结构和行为方式,正是这种主动性及其主体与环境的、其他主体的相互作用,不断改变着各主体自身,同时也改变外部环境,是体系发展和进化的基本动因。整个系统的演进,包括新层次的产生、分化和多样性,新的、聚合而成的、 更大主体的出现等,都是在这个基础上产生的。各底层主体通过相互间的交流,在整体层次上凸显出新的结构、现象和更复杂的行为[1]。本文认为,协同创新普遍存在于企业、产业、区域、国家各个层次,不能仅从企业、产业链、区域或国家的某个单层面来看,而应将这些视角结合起来,将协同创新视为一个复杂适应性系统。基于CAS理论,协同创新是以建立官产学研用协同创新生态系统为目标, 涉及众多相关部门与机构,多阶段、多层次的协调配合,由经济、科技、市场、文化、服务等因素驱动的复杂适应性系统。本文从协同创新的主体及其行为的复杂适应性、协同驱动的要素及其相互关系、 协同演进的路径三方面对协同创新的动态演进机制进行研究,以期丰富完善协同创新理论,充实构筑协同创新的框架。

1协同创新主体及其行为的复杂适应性分析

相对于以往的产学研合作创新,协同创新扩充了创新参与的主体,不仅包括企业、高校、研发机构,还包括政府、科技服务机构、客户等,是一种异质相关的创新组织之间的协同。在协同创新系统中,企业作为经济型主体,扮演着最重要、最核心的角色,是协同创新的 “领头羊”; 高校与研究机构作为创新知识的 “水库”,是技术型主体; 政府作为主导型主体,有效地集聚各种资源,协调各主体关系,是协同创新的 “支撑体”; 科技服务机构作为服务型主体,纵向贯穿在整个协同创新过程, 横向连接每个协同创新的主体,是协同创新的 “粘合剂”、 “催化剂”; 客户是协同创新的 “风向标”, 作为目标型主体,客户的需求直接影响创新的范围和速度,只有客户接受才能带来整个协同创新效益的产生。

协同创新过程中,各主体不断地产生交互行为, 系统变得更加复杂。同时,各主体也在不停地以自身的变化适应其它主体的变化及系统的演进。正是由于这种复杂性和适应性才造成了创新系统的协同性,这也是协同创新系统产生的原因。主要体现在以下3个方面:

1.1主体间的竞争合作产生“整体涌现”

CAS理论将 “整体涌现” 不仅视为一种现象或行为过程,更是复杂系统所特有的一种性质: 涌现的本质是由小变大,由简入繁,是一种具有前后关联的相互作用,这些相互作用以及这些相互作用产生的系统都是非线性的; 它以相互作用为中心,比单个行为的简单累加要复杂得多[2]。可以说,涌现是由简单的行为组合而产生的复杂行为,表现为整体大于部分之和,其特点是普遍性、系统性和恒新性[3]。在协同创新系统中各个主体皆是独立的利益个体,通过互相的竞争与合作,加快创新活动的速度、密度和深度,推动协同创新系统 “整体涌现”。

1. 2主体间的互促互制形成 “ 正负反馈 ”

在协同创新系统中的各个主体 “一荣俱荣,一损俱损”,正是这大量的正、负反馈环的存在,带动整个系统的动态协同演进。正反馈对系统产生激励, 使系统不断上升扩大; 负反馈对系统产生阻力,使系统不断趋于平衡。正是由于正、负反馈的共同作用,才使得协同创新系统保持一定的吸引力,使内部资源不至于散失,外部资源不断进入,内外资源不断交换。各主体间的正、负反馈使创新优势持续累加,规模日益扩大,系统不断更新,创新系统自我强化的效应逐渐彰显。

1.3主体与外部环境之间的交换吸收造成“波动震荡”

在CAS理论中,主体及他们的属性变化 、 主体间相互影响不是简单的 、 被动的 、 单向的线性关系, 而是包括各种反馈的非线性关系 ( Nonlinear ) ,即主动的适应性关系 [ 4 ] 。 正是这种主动的适应性关系, 才使系统从无序的混沌状态转化为有序的结构,周而复始从而升级,这也是协同理论所说的 “ 不稳定性积极的建设性作用 ” [ 5 ] 的由来 。 这也可以看作是协同创新系统本身创新带动的升级 。 正如成思危所说, 复杂系统最本质的特征是其组成具有某种程度的智能,即具有了解其所处的环境 、 预测其变化并按预定目标采取行动的能力 [ 6 ] 。

2协同创新的驱动要素及其相互关系

2.1协同创新的五大驱动要素

根据CAS理论,多主体不断的聚合、分散、重组推动协同创新演进,而促使各主体行为的最根本的核心动力是经济利益,即出于对协同的利益与协同的代价的考量。同时,协同创新行为可以在企业内部、供应链企业之间、产学研之间、区域创新体系内、国家创新生态系统内等多层面展开,有些或许只涉及部分参与主体,有些需要全员参加。无论协同创新在那个层面展开,只是在不同规模和层次不同而已,驱动要素依然不变,只是力度和组合有所不同,导致影响范围和效果有所差异。

2. 1. 1市场驱动。市场的价值是实现 “人尽其才, 物尽其用,货畅其流”。市场体制的优势在于运用人对自我利益的追求,同时降低社会制度的干预,为创新提供发展空间[7]。同时,市场也是创新是否成功的唯一掌握话语权的一方。一方面,市场中竞争对手的压力驱动协同创新。市场风云变换,谁能多、 快、好、省地在技术上超越,谁就牢牢把住了市场的命脉。另一方面,来自客户的反馈提示创新的方向。技术灵感的起点不是来自于科研人员的大脑, 而是来自客户的需求。可以说,客户在创新中的参与度越高,创新的成功率就越高。即使客户对技术一窍不通,但对技术的感知和需求能真切地反映市场。客户参与协同创新,使整个创新活动针对性更强,方向的把握更准。

2. 1. 2经济利益驱动。虽然经济学界对创新的动机是利润还是发明存在争论,但让诸多主体协同创新, 打动它们的就只能是经济利益,这是符合经济规律, 也符合协同创新利益共享、风险共担的原则。经济利益驱动是协同创新的核心驱动要素,表现在协同的利益与协同的代价两个方面: 一方面,个体、合作方、客户、整个社会经济层面都获得利益的增长, 协同创新才能真正吸引各方投入和参与。另一方面, 各方的协同利益减去自己的协同代价都会小于独自创新或不创新的所得,协同创新才成为可能。协同的代价是多方主体一致参与协同创新所耗费的费用, 这个费用包括金钱、时间、社会资本等。经济中的协同代价大致分成两类: 其一是资产的使用或生产的行为会有改变,需要调整时间,导致资源价值下降; 其二是合约的安排或行为会有改变,增加了交易的费用[8]。出于经济节约的思维,各主体都在设法减少协同代价,控制交易成本,以期达到预期效用最大化。

2. 1. 3科技驱动。科技驱动不仅存在于科学发明和技术改造之中,而且贯穿在市场科技需求的调研、 研究设计、成果转化、技术推广、再调研反馈、技术改良等整个创新价值创造的全过程。随着技术水平的提升,创新活动不断升级循环。首先,科技的日新月异和所需资源的多元化驱使研发从封闭走向协同。在知识经济的时代,技术创新由单个部门 “包打天下”、 “唱独角戏”的状况已不复存在,需要跨学科的知识汇聚和多部门的协作配合。即使某一主体有能力独自完成创新,也必须考虑到创新的时效性。否则,在其独自埋头苦干之时,其他的机构已经强强联手研发成功,导致所有的科研投入在瞬间失去价值。

2. 1. 4服务驱动。服务驱动在此处专指以服务科技创新为核心的科技服务。随着协同创新的深入开展, 科技服务日益被人们所重视和强调的。基础设施建设、创新平台的搭建、中介服务、金融服务等已经从创新的需要,变成辅助和推动创新的力量。各主体为能在各自领域的竞争中胜出,越加专业化,而专业化在无形中又拉大了它们之间距离,科技服务在这些异质组织中穿行,使它们为共同的创新目标聚合起来。

2. 1. 5文化驱动。文化能形成一种良好的创新生态,其重要作用是加强了不同知识的交汇与思维方式的协同。其中,文化的多样性让创新的事物得以创生,制度的稳定性让创新得以持续[9]。一方面, 各主体的异质文化促进协同。文化协同,不是雷同。 协同创新系统的主体需要对创新这个 “创造性破坏”达成共识即可,至于各主体内部的组织文化应各保持其特色,才能在碰撞中产生灵感的火花。

2.2各驱动要素之间的相互关系

各驱动要素在相互合作的动态过程中使自身效能最大化,最终促进系统的演进升级。在动态中, 各驱动要素的相互关系大致分成以下三类:

2. 2. 1两要素齿轮传动。齿轮是是啮合传递运动的机械元件,是机械生产的典型模式。齿轮传动协同是指两要素通过边沿的 “摩擦”、 “调试”,达到节奏的吻合,并只能根据对方的 “速度”进行配合并被对方制约,互相传递着发展的动能,促使协同动态而不间断。经济利益驱动与科技驱动的关系就属于两要素齿轮传动协同。各主体对科技成果的经济利益追求决定了各主体在科技方面的投入,并直接影响了科技的进步和发展。同时,研发成功后的利益 “井喷” 激发各主体继续参与技术研发的热情, 但研发失败后的利益损失又使得各方恢复到冷静 ( 见图1) 。

科技驱动和服务驱动的关系亦是如此。科技服务是随着科技的进步发展起来的产业,经过专精的发展,反过来促进着科技活动的畅通、协调。科技服务对于科技创新而言,正如在 《雨林效应》中一些看似不起眼却在整个生态系统中起到整合和连接作用的 “关键物种”。这些物种在生物链中处在不同种属生物的关键位置,一旦失去它们就可能造成整个生态系统的全盘崩溃,从而给整个雨林的生物多样性带来毁灭性的打击[10]。科技服务桥梁和纽带的作用越来越重要,随着科技的发展,对科技服务的依赖也越强烈,科技服务对科技作用也逐渐从保障发展到催化。

2. 2. 2多要素环状联动。环状联动是指在两个以上的子系统间进行流程化的协同。协同创新是一个动态的反馈系统 ( 闭环系统) 。系统内的某些要素组成的反馈回路,使在这个闭合环状结构里组织及其行为产生环状联动。经济利益、科技、服务这3个驱动要素就属于此类关系。科技的发展需要越来越多的科技服务,由于经济利益的驱动,越来越多的企业参与到科技服务中来,这促进了科技服务的专精化和多元化。反过来,科技服务处在协同创新的各个节点处,每个环节的紧密的衔接,又促使科技研发不断取得成功,各方都取得满意的经济利益。 据程梅青、杨冬梅[11]的研究表明,科技服务业每创造1个单位的收益,能为服务对象带来5各单位以上的收益,或带来经营成本与交易成本的大幅降低。 在此环状联动过程中,经济利益、科技、服务三驱动要素互相促进,形成一个正反馈环。

2. 2. 3全要素网络互动。网络互动协同将齿轮传动和环状联动包含在内的一个复杂反馈系统。通过网络,系统内的各个子系统都能与其他子系统自由联系,它们之间的关系更加紧密、协调,系统也更加一体化。通过互动,使各要素自身优化,提高应对外界变化的能力,系统的整体协同能力提升。协同创新系统的五大驱动要素的协同就是要建立这一全要素网络互动关系。由市场的需求,经济利益的驱动,协同技术研发,科技服务跟进,科技文化的认同,最终将创新的成果推向市场,从市场反馈的信息驱动着协同创新发展升级。这是一个多要素共同驱动的复杂系统,并不是简单的链条关系。任何一个要素的改变都带来其他要素的驱动力的变化,如随着制度文化的建设,不断完善的知识产权保护体系和法律法规提高了毁约的成本,主体间的交流与合作有章可循,经济利益更有保障。同时,制度文化的完善又使市场更加规范,技术研发更加顺利, 各方参与协同创新的热情更高涨 ( 见图3) 。

3实现协同创新系统动态演进的路径

3.1加大相互之间能力、时间、地域等方面的拟合,为创新主体的异质匹配提供条件

由于激烈的竞争,只有 “术业专攻”,保持核心竞争力才是生存之道。在协同创新系统中,企业、 大学和科研机构、科技服务机构都在寻找自己互补性最强的合作伙伴,对方所拥有的特长是自己最欠缺的部分,这就是异质匹配。首先,能力的匹配体现在能力的倾向性和能力的大小,即只有能力的互补的情况下,才能平等合作。其次,由于创新具有时效性,时间的匹配体现在合作方都能在指定的时间内达到共识,共同合作。最后,互补的主体所处的区域亦是考虑的因素,虽然地域跨度大协同的代价更高,但其他地域的合作伙伴异质性更强,能够带来新知识和新市场,对创新空间的开拓更加有利。 因此,企业作为协同创新的 “头领”,将其他主体的资源重组,主动用价值设计有计划地将市场策略和技术策略的不同组合来匹配其战略以开展创新活动,以实现其价值主张[12]。但其他主体也不是被动地参与协同创新,皆在平等互利的基础上,综合考虑能力、时间、地域等各种因素参与协同。

3.2建立时时“在线”的开放模式,为全要素网络互动提供沟通平台

作为一个对内对外开放系统,协同创新中的主体之间、与外部环境之间进行着信息、物资、知识等资源的交换,这种交换是网络式非线性的。当某一驱动要素作用后,经过系统的运行,可能产生几级延迟效应,而非一次性作用而已。同时,几个主体可能共同产生一个驱动力或一个主体产生多种驱动力。如果系统内各自封闭,某些驱动要素甚至无法形成,或形成之后,在各主体间无法形成反馈, 作用无法发挥。首先,开放就意味着打破陈规,积极探索各种协同创新的模式,使协同创新在企业集团内部、供应链企业之间、不同的企业集团之间、 校企之间、官产学研用等各层次上自由组合。另一方面,开放应是一种时时 “在线”的状态,这样各创新主体能迅速了解自我、其他主体及整个系统的状态,促进协同过程的信息沟通和相互了解。这样, 临时性的合作能迅速找到合作伙伴,而长期合作又可以稳定而互信。

3.3保持整个系统的复杂适应性,促进协同创新系统一体共生演进

根据CAS理论中,复杂适应性是协同创新系统 “一体共生” 的基础。协同创新系统中各主体之间的竞争与合作,各驱动力的组合形成不同的合力或阻力,这样的网络关系使得任何一个主体都很难在脱离系统的环境下生存,各种寄生、共栖和互利共生的关系交织互动,共同适应、共同激发、共同合作、共同进化。正是如此,协同创新系统内的组织才能更快地更新和升级,更加适应系统内的关系和外界变化的挑战,使得协同效应最大化,主要表现在: 其一,乘数效应,指参与主体间的任何一次相互作用都通过它们之间的相互作用网进行传播,网络传播产生扩大效应,创新资源在传递中增值; 其二,再循环效应,是指各驱动力在主体间的循环往复,共享的效应更大,从而使有限的资源在系统中得到最大的利用,产生最大的驱动效应。

4小结

动态协同 第4篇

关键词：协同过滤,动态聚类,推荐方法,相似性

1、引言

目前, 几乎所有大型的电子商务系统都不同程度的使用了各种形式的推荐系统。在准确识别客户消费偏好的基础上, 电了商务推荐系统可以向客户提供商品信息和建议, 模拟销售人员帮助客户完成购买过程。

最近邻协同过滤推荐是当前最成功的推荐技术[1], 其基本思想是指推荐系统根据目标客户与其他客户之间的相关性进行推荐, 当系统发现一个或一组客户与目标客户的消费偏好相似时, 系统就可以根据这些用户的消费行为来预测目标用户的消费行为。在传统的基于用户的协同过滤算法中, 随着数据的不断增多, 要从大量用户中寻找最近邻居用户的问题成为推荐系统发展的瓶颈。在这种情况下, 准确地寻找一组与目标用户的消费偏好相似的用户群是一个非常困难的问题。对此, 本文提出了一种基于ART2动态聚类的协同过滤推荐算法, 由于聚类过程可以离线进行, 因此该方法具有较好的在线响应速度。

2、协同过滤推荐技术

协同过滤推荐根据其他用户的观点产生对目标用户的推荐列表, 它基于这样一个假设[1]:如果用户对一些项目的评分比较相似, 则他们对其他项目的评分也比较相似。协同过滤推荐系统使用统计技术搜索目标用户的若干最近邻居, 然后根据最近邻居对项目的评分预测目标用户对项目的评分, 产生对应的推荐列表.

一般来说, 推荐系统至少存在3个基本数据表, 一个用来记录注册用户信息, 一个用来记录项目信息, 还有一个记录用户的评分信息 (记为用户评分表) 。假定参与评分的用户总数是m, 接受评分的项目数是n, 则建立m×n维的评分用户和项目对应的用户-项矩阵R。

该矩阵R是非常稀疏的, 如我们从movielens站点得到的数据集中取出其中的8000条评分数据, 只有655个用户和200部电影, 其评分数据占用户-项矩阵元素数目的比例为β=8000/ (655×200) =0.06107, 即6.107%是非常稀疏, 即使这样, 相对于真正的电子商务系统也算很高了。

从传统基于用户协同过滤算法可以看出, 对目标用户的推荐主要是靠计算目标用户对其未评分项目的预测评分, 而预测评分的计算仅仅依赖于最近邻居用户对项目的偏好数据 (用户-项评分矩阵) 。在实际推荐系统中, 用户-项评分矩阵相当稀疏, 只根据传统基于用户协同过滤相似度计算方法很难准确找到相似用户的最近邻居集, 这就导致推荐效果大大降低。而新用户问题其关键在于:协同过滤的特点是要求有很多个用户对项目进行评价后, 用户才互相帮助并协同选择项目, 然而对于一个新用户, 由于以往没有对任何项目作过评价, 也就无法计算他的邻居用户, 也就无法为他推荐项目。

3、基于用户聚类的协同过滤技术

基于以上分析我们采用聚类分析技术解决上述问题。利用用户注册信息抽取出的个人特征和评分数据可以将用户划分到不同的类中, 同一个类中的用户对商品的偏好尽可能高, 而不同类中的客户对相应商品的偏好尽可能低。由于同一类中的用户群有相同的消费爱好模式, 用目标客户所在的类中的客户对商品的评价信息来计算目标客户的商品推荐候选集中未评分的商品预测评分会有更高的准确率。

3.1 传统聚类算法的缺陷

由于网络上的数据都是在不断更新, 所以网络访问的客户也是在不断扩充, 要为其作商品推荐的客户数量总是在不断的动态更新的, 然而一般的聚类算法都是针对静态样本数据的, 其聚类结果不仅依赖初始分类, 而且易陷入局部极小。传统的聚类算法在对客户进行聚类中需要人为输入聚类数目, 在文献[2]中指出初始聚类数目的指定非常关键, 聚类数目指定过大, 每个聚类中包含的客户比较少, 则在目标客户所在聚类中查询她的最近邻居客户将不能有效的找出绝大部分最近邻居。聚类数目指定过小, 则每个聚类中包含的客户比较多, 即使在与目标项目最相似的若干聚类中进行最近邻居查询也需要扫描大量的候选项目集, 也不能有效提高推荐系统的实时响应速度.而且用于作推荐的聚类的数据由于来自不同的系统, 数据特征会存在很大差异, 靠人为指定聚类数目会成为很大的困难。而且传统的聚类算法一般都是向量的相位信息来聚类, 而没有考虑向量的幅度信息, 这就会带来某些情况下分类不准确的问题, 以至最后推荐精度的下降。

3.2 ART2网络学习算法的基本原理

基于ART2神经网络的动态聚类算法可以快速识别己存储的模式, 只需快速地把新增加的项目添加到聚类模式中, 重新快速生成新的聚类, 避免重复把以前已经聚类的项目进行再聚类, 大大改善了聚类的速度, 文献[3]中提出的ART2动态聚类算法, 不需要输入聚类数目, 同时它还可以通过调整警戒参数来协调网络的稳定性和可塑性, 逐步达到好的聚类效果。增加了一个矩阵C, 用于存储实际聚类中心, ||C||就反映了模式原型的幅度信息, 这样就便于计算聚类中心和输入样本的模, 避免了紧紧依赖评分向量的相位信息来进行客户分类。聚类中心和输入样本的模比较公式为:

而且基于ART2神经网络的动态聚类算法模式交混是最小的, 使聚类的结果更加精确。传统的ART2算法存在权值的初始化方法和参数d的选择不合理, 存在模式漂移现象和在处理数据时丢失模式幅度信息等缺点。针对此, 文献[3]提出了一种改进的ART2算法, 本文的用户动态聚类采用文献[3]中改进的ART2网络学习算法。

3.3 基于ART2动态聚类的协同过滤推荐的系统模型

通过用户的注册信息可以收集到一些关于用户的个人特征数据, 比若说用户的年龄、性别、婚姻状况以及所受的教育程度等等信息。而在大量心理学和营销学研究中人们发现用户的个人特征在很大程度上决定着用户的消费偏好习惯, 所以我们发现可以利用注册用户的个人特征数据来离线进行用户聚类, 弥补传统基于用户协同过滤推荐算法评分数据稀疏性和新用户的推荐问题, 大大改善推荐系统的推荐精度。基于以上分析, 本文提出的基于ART2动态聚类的协同过滤推荐的系统模型图如图1所示。

若基于用户个人特征矩阵采用上述的ART2神经网络聚类算法将用户聚为m个分类, 分别为C1……Cm, 然后搜索目标用户i所在的类记为Cr, 则Cr类中的其它用户为目标用户i的候选邻居。

1) 基于用户个人特征矩阵计算用户i与第r个类中其它用户j之间的相似性, 计算方法如公式 (3) 所示

其中li, k、lj, k分别表示用户i和j在用户个人特征矩阵中第k维特征值, li、lj分别表示用户i和用户j个人特征值的平均值。

2) 为了减少聚类的误差, 则将相似性最高的前若干用户作为用户i的邻居用户, 组成邻居集Li, 则用户i对其未评分项目p的预测评分可以通过邻居集Li中用户对p的评分得到, 计算方法如公式 (4) 所示

其中rj, p表示用户j对项目p的评分, rj表示用户j对项目的平均评分。

通过上述方法处理后, 用户i对项目集合中的所有项目均有评分, 即对任意未评分项目p, 用户i对项目p的评分为Ri, p=ri, p, if user rated item, otherwise Ri, p=pi, p。

计算出目标用户i对所有未评分项目的预测评分, 然后选择评分最高的前N个项目推荐给当前用户, 也就是目标用户的Top-N推荐集。

4、试验结果及其分析

4.1 数据集

本文采用MovieLens站点提供的数据集 (http://movielens.umn.edu) , MovieLens是一个基于Web的研究型推荐系统, 用于接收用户对电影的评分并提供相应的电影推荐列表。我们随机抽取其中100000个评价数据, 包含了943名用户对1682部电影的评价, 评价值为从1到5的整数。根据网站的人口统计信息整理出有关这943名用户个人特征的描述矩阵L, 属性项如下user id|age|gender|occupation|zip code|education

4.2 评价标准

评价推荐系统推荐质量的度量标准采用统计度量方法中的平均绝对偏差MAE (mean absolute error) 进行度量。平均绝对偏差MAE通过计算预测的用户评分与实际的用户评分之间的偏差来度量预测的准确性, MAE越小, 推荐质量越高。对于评分数据, 预测的评分集合表示为{p1, p2, …pn}, 实际的评分集合表示为{q1, q2…qn}, 我们采用常用的推荐质量度量方法--平均绝对偏差[4]进行度量。

4.3 实验结果及分析

为了检验本文提出的方法的有效性, 我们以传统基于用户的协同过滤推荐算法作为对照, 在传统的协同过滤推荐算法中, 以相关相似性作为相似性度量标准, 计算其MAE, 邻居个数从2增加到16, 间隔为2, 数据集分为训练集 (占80%) 和测试集 (占20%) , 然后与本文提出的基于ART2动态聚类的协同过滤推荐算法作比较, 实验结果如图2所示。

由图2可知, 在各种实验条件下, 本文提出的基于ART2动态聚类的协同过滤推荐算法均具有较小的MAE。由此可知, 与传统的基于用户协同过滤推荐算法相比, 我们提出的方法可以显著地提高推荐系统的推荐质量。

5、小结

在传统的协同过滤推荐算法中, 要作推荐的目标用户邻居用户的寻找主要依据用户-项评分矩阵, 两个用户之间的相似性由经用户共同评分的项目决定, 在用户评分数据极端稀疏的情况下, 经两个用户共同评分的项目非常少, 经常只有一两个项目, 很难精确找出最近邻居, 而对于刚刚注册的新用户由于还没有对任何项目有过历史评分, 就更无法为其作推荐。在基于ART2动态聚类的协同过滤推荐算法中, 通过用户的注册信息收集到关于用户的个人特征数据, 然后针对用户个人特征数据采用ART2神经网络动态聚类算法进行用户分类, 找到目标用户的邻居用户, 初步预测用户对未评分项目的评分, 和推荐精度。而且ART2神经网络动态聚类采用离线进行, 不会增加推荐集的计算时间, 反而大大缩小了邻居用户的搜索范围, 能在一定程度上改善在线推荐的响应时间, 实验结果证明, 该算法推荐质量更高。

参考文献

[1].Breese J, Hecherman D and Kadie C.Empirical analysis of predictive al-gorithms for collaborative filtering[C].In:Proceedings of the 14th Confer-ence on Uneertainty in Artifical Itelligence (UAI-98) , 1998:43-52

[2].邓爱林, 左子叶, 朱扬勇.基于项目聚类的协同过滤推荐算法.小型微型计算机系统, 2004, 25 (9) :1665-1667.

[3].徐艺萍, 邓辉文, 李阳旭.一种改进的ART2网络学习算法.计算机应用, 2006, 26 (3) :659-662.

动态协同 第5篇

机械产品协同设计不同于在已知物理空间下的传统产品设计,它具有设计任务多主体并发执行和设计过程动态不确定的特点[1]。传统产品协同设计中,每个设计单元完成产品设计总目标的一部分,上一设计单元结束后,根据设计任务当时的状态,通过审核决策动态地确定设计过程的执行流向,其设计路由只有在具体的设计过程中,才能动态确定。目前已有的建模理论与方法,无法解决系统规模较大、执行过程复杂、执行流程具有动态不确定性的机械产品协同设计全过程的建模问题。如何进行复杂机械产品协同设计全过程的建模,已经成为实现协同设计过程控制与管理的核心问题之一。

不同应用领域的国内外学者针对产品协同设计过程建模进行了研究,提出了不同的建模方法。面向对象的Petri网(object-oriented Petri nets,OPN)建模方法将面向对象技术与Petri理论相结合,以克服基本Petri网在描述复杂系统建模时模型复杂、不可重用和抽象等问题。OPN建模的概念是由Lee等[2]提出的,并应用于实时系统的建模过程。Lakos[3]将面向对象的继承、多态和动态绑定等机制与Petri网相集成,提出了统一的类层次结构表示的模型描述方法。Liu等[4]基于扩展对象Petri网,提出一种面向大规模复杂制造系统的建模方法。Loures等[5]针对柔性集成制造系统的控制、监测与维护框架建模问题,基于对象Petri网给出其框架模型。Xu等[6]采用对象Petri网构建了一种复杂无人水下控制器系统模型。Kuisak等[7,8]采用有限图的方法描述协同设计的过程,把设计过程表示为设计活动网络,并指出设计过程具有迭代性和多循环性,同时,基于Petri网建立了机械系统和电气系统设计过程模型。安毅生等[9]提出了基于扩展对象Petri的协同设计过程模型,给出了模型的定义及触发变迁规则。宋巍等[10]提出了一种基于时间约束Petri网的可调度约束分析模型。庞辉等[11]基于时间约束Petri网,提出了一种工作流网模型,并对其可约简性和可调度性进行了分析。Jiang等[12]提出了一种基于扩展对象Petri网的可变结构动态复杂产品系统的建模方法。张海霖等[13]针对集装箱码头物流系统建模问题,在对象Petri网中引入了决策规则,提出了一种基于规则的OPN建模方法。

通过对上述基于对象Petri网的建模研究的分析可知,对象Petri建模方法,虽然对表示复杂异步、并发过程建模是有效可行的,但其控制结构仍然表现出刚性的特点,无法适应不确定性动态系统的过程描述。笔者基于机械产品协同设计全过程的结构执行控制特点,提出一种基于阶段评审决策规则的协同设计过程对象Petri网建模方法,将每个设计阶段定义为基本设计单元对象子网,通过引入解决冲突的控制/决策规则信息库所和决策变迁,构建协同设计全过程的进程控制模型。该模型可以很好地描述协同设计过程中,只有在实际执行过程里才能决定执行流向的动态过程控制问题,为协同设计过程的优化与决策分析提供模型基础。

1 基于决策规则OPN的协同设计过程模型定义

定义1 基于规则的协同设计过程OPN模型可用一个三元组表示:

R-OPN-CSCDPM=(DUN,PCN,M0)

其中,DUN为协同设计过程基本设计单元网;PCN为协同设计的进程控制网;M0表示网的初始状态。

定义2 机械产品协同设计过程基本设计单元网DUN由需求调研单元网、初步设计单元网、方案设计单元网、总体设计单元网、零部件设计单元网和文档提交单元网五部分组成。其中,任一元模型i均可采用基本对象Petri网模型定义为

DUi=(TPi,ATi,Ii(P,T),Oi(P,T),IMi,OMi,Ci)

其中,TPi为基本设计单元的设计任务库所;ATi为基本设计单元的设计活动变迁;Ii(P,T)为设计任务库所到设计活动变迁的输入映射,Ii(P,T)=C(P)C(T)→N,对应着从P到T的有色有限弧,P=TPi∪IMi,T=ATi;Oi(P,T)为设计活动变迁到设计任务库所的输出映射,Oi(P,T)=C(P)C(T)→N,对应着从T到P的有色有限弧;IMi为单元网输入信息库所的有限集合,在机械产品协同设计过程中,输入信息库所包含上一设计单元的输入信息IMbasic_in、本设计单元的错误返回信息IMerror_in、后续设计单元的反馈信息IMback_in、本设计单元的跳跃信息IMskip_in四类,可定义IM(DUi)=(IMbasic_in,IMskip_in,IMback_in,IMerror_in);OMi为元模型的输出信息库所集合,可定义OM(DUi)=(OMbasic_out,OMskip_out,OMback_out,OMerror_out);Ci为任务库所、活动变迁、输入库所、输出库所的色彩集合,表示了模型中不同层次的信息。

定义3 协同设计进程控制网PCN可用一个五元组表示:

PCNi=(PP,PT,PF,PV,PE)

其中,PP表示进程控制网库所的集合,PP=(PPbasic,PPrule),由基本任务库所PPbasic和决策规则库所PPrule组成;PT表示进程控制网变迁的集合,PT=(Tbasic,Tin_invoke,Tout_invoke,Tdecision),由普通变迁Tbasic、单元网调用输入接口变迁Tin_invoke、单元网调用输出接口变迁Tout_invoke和决策变迁Tdecision组成;PF为进程控制网库所与变迁的输入输出有限弧集合,PF⊆(PPPT)∪(PTPP);FV为进程控制网中单元网调用变迁与决策变迁之间弧表达式中的变量集合;FE为弧的映射函数或表达式,FE:PF→Bags(PV)。

定义4 初始标记M0由进程控制网的初始标记MPCN和基本设计单元网的初始标记MDU组成。进程控制网的初始标记可定义为

MPCN:PP→Bags(DU0,DO)

其中,DU0为没有初始标记的单元网集合;DO为设计任务对象的集合。MDU为所有进程控制网中基本设计单元网的初始标记集合。

定义5 进程控制网中的决策变迁可定义为Tdecision→PF:PF={f|∃Tokeningt∧f(Token)→E}。其中,gt表示变迁t的输入库所。Tdicision=(gTdecision,Tgdecision),其中,gTdecision表示决策变迁的前集库所,其输入Token为待评审的方案文档,Tgdecision表示决策变迁的后集库所,其输出Token为经过评审的方案文档。

定义6 进程控制网中的决策规则信息库所可定义为

Prule=(Prequ,Ptent,Pproj,Ptotal,Ppart,Pdocu)

其中,Prequ为调研立项决策规则库;Ptent为初步设计决策规则库;Pproj为方案设计决策规则库;Ptotal为总体设计决策规则库;Ppart为零部件设计决策规则库;Pdocu为技术文档提交决策规则库。每个设计单元经评审决策后,其执行路由可定义为

R=(Rseq,Rerr,Rskip,Rback)

其中,Rseq为顺序执行规则;Rerr为错误返回规则;Rskip为设计跳跃规则;Rback为设计反复规则。决策信息库所Prule的输出弧表示了输出的条件。Prule与决策变迁Tdecision相连,其输出权函数FVrule=0,1,2,3。FVrule=0表示决策变迁的激发不受规则控制,顺序执行下一设计单元;FVrule=1表示决策变迁激发受本单元错误返回规则控制,重新进行本单元的修改设计;FVrule=2表示决策变迁激发受设计反复规则控制,由本设计单元返回前面设计单元进行修改设计;FVrule=3表示决策变迁激发受设计跳跃规则控制,由本设计单元跳过后续设计单元进行设计。

下面给出设计单元调用变迁触发规则。

给定M0=(MPCN,MDU)为初始标识,pt∈PT为进程控制网的变迁,ati∈ATi为基本设计单元DUi变迁。(pt,ati)绑定使能的条件为:MPCN(pp)≥PF(pp,pt)′DUi,∀pp∈pt∩PP,其中,pt为变迁pt的前集库所,′DUi表示针对设计单元DUi。pt的前集库所中DUi的Token数目大于等于弧表达式中要求变迁发生时所需Token的数目。设计单元调用变迁(pt,ati)绑定触发后,R-OPN-CSCDPM中的标记分布计算公式如下:

M′PCN(pp)=MPCN(pp)-

PF(pp,pt)′DUi+PF(pt,pp)′DUi

式中,M′DU为设计单元DUi用原来的初始标记替换后的标记。

基于决策规则的协同设计过程OPN模型,可以很好地描述协同设计过程建模控制的动态性。协同设计的每个基本设计单元网DUN封装了一个基本的协同设计过程,它通过输入输出调用变迁对Tin_invoke/Tout_invoke与PCN的审核决策变迁Tdecision相关联,每一设计单元设计结束后,审核决策变迁Tdecision按照决策信息库所Prule中的决策规则,动态地决定下一步设计的执行流向。

2 机械产品协同设计过程静态分析及单元网建立

复杂的机械产品是指功能复杂、结构复杂、机理复杂、工艺复杂的产品。复杂机械产品的设计过程一般由产品的调研立项(CD1)、初步设计(CD2)、方案设计(CD3)、总体设计(CD4)、零部件设计(CD5)和技术文档提交(CD6)六个基本设计单元组成。每个设计单元完成产品设计总目标的一部分,上一设计单元结束后通过审核决策确定设计过程的执行流向。机械产品协同设计过程静态业务流程如图1所示。

1.资源需求 2.功能需求 3.性能需求 4.信息需求 5.组织需求 6.市场占有份额 7.预计产品规格 8.技术方案审查 9.原材料选用 10.项目开发资源 11.计划进度审查 12.经济效益分析 13.正确性约束 14.合理性约束 15.可实现约束 16.可靠性约束 17.可行性约束 18.可操作约束 19.设计明细表 20.功能结构图 21.技术过程图 22.部件方案图 23.工艺原理图 24.尺寸参数 25.运动参数 26.动力参数 27.占地空间 28.部件组成 29.空间布局 30.运动方向 31.配合关系 32.总体布局图 33.传动系统图 34.液压系统图 35.控制系统图 36.零件图 37.部件图 38.总装图 39.工艺图

根据上述机械产品设计静态分析,我们将其协同设计过程划分为6个基本设计单元:调研立项设计单元、初步设计单元、方案设计单元、总体设计单元、零部件设计单元和文档提交设计单元。每一基本设计单元通过对象Petri网模型进行描述,提供唯一的输入输出调用变迁。协同设计的进程控制网根据决策规则信息库所提供的信息,由决策变迁决定设计的下一步执行流向。下面以零部件基本设计单元为例,给出其OPN设计单元模型。

机械产品零部件设计主要包括产品的零件设计、部件设计、总装设计和工艺设计四个部分,最终形成产品的零部件图、总装设计图和产品工艺设计图。产品零部件基本设计单元可定义为

DUpart=(Ppart,Tpart,IMpart,OMpart,Fpart,Cpart)

Ppart=(P1,P2,P3,P4,P5,P6,P7)

Tpart=(T1,T2,T3,T4,T5,T6,T7,T8,T9)

IMpart =( IMpart_in,IMskip_in,IMerr_in)

OMpart =( IMpart_out,IMback_out,IMerr_out)

式中,P1为零部件设计分配信息;P2为零件图信息;P3为部件图信息;P4为装配图信息;P5为工艺图信息;P6为结构参数优化信息;P7为零部件设计总图信息;T1表示零部件设计分配;T2表示零件设计;T3表示部件设计;T4表示装配设计;T5表示工艺设计;T6表示设计结果提交;T7表示结构参数优化;T8表示设计方案提交;T9表示查找错误节点;IMpart_in为总体体设计方案输入;IMskip_in为下一设计单元跳跃输入;IMerr_in为本设计单元修正信息输入;IMpart_out为零部件设计方案输出;IMback_out为返回前一设计单元输出;IMerr_out为本设计单元修正信息输出;Fpart为库所与变迁的输入输出映射函数;Cpart为零部件设计元模型的色彩集合。

机械产品零部件设计单元OPN模型如图2所示。

3 基于决策规则的OPN协同设计进程控制网模型

3.1 多任务并发执行的协同设计过程模型结构约简

产品协同设计过程具有设计任务的多主体并发执行和设计过程的动态不确定的特点,其设计任务的多主体并发执行的特点主要表现在多个基本设计单元并发执行和每个基本设计单元内部的多任务并发执行两个方面。这两个方面的并发执行可表示为一个典型的并发控制结构,如图3所示。

假设,对于协同设计过程中任意两个设计活动变迁ti与tj(ti∈T,tj∈T),如果活动ti与活动tj的执行互不相关,独立触发,活动ti与活动tj没有直接的时间约束关系,则活动ti与活动tj之间存在并发执行关系。在基本设计单元中,任务设计活动的并发执行现象很多,图2中,T2、T3、T4、T5四个设计活动就是并发执行的。协同设计过程中的多个基本设计单元的并发执行,主要影响设计过程的时序一致性推理、资源约束可调度性等性能分析,在过程建模的控制中,可以通过性能等价约简的方法,将并发结构转换为顺序结构来表示。图4就是图3所表示的典型多任务并发结构的约简模型。本文主要研究协同设计过程的动态不确定性建模问题。基于性能等价约简的结构转换研究可参考相关文献[14]。

3.2 基于决策规则的协同设计动态控制网模型

协同设计的全过程包含了设计任务所经历的所有设计阶段,其进程网模型包含了每个设计单元的使能条件、各设计单元间的连接关系、设计单元的输入输出调用接口、公共历史数据访问以及各设计单元所使用的资源等。每个设计单元完成协同设计某一阶段的设计任务,基于基本对象Petri网建模方法,将机械产品协同设计过程的基本设计单元建模为单元网模型(即为OPN各类对象子网),它们之间通过门变迁连接起来,形成对象Petri网的信息传递关系网。当每个设计单元结束后,要对其结果进行决策评审,以决定下一步的执行流向。本文将决策规则信息库所和决策变迁引入基本对象Petri网的信息传递关系网中,把每一阶段的评审建模为决策变迁,把评审依据建模为决策规则信息库所,从而构建一种基于决策规则的OPN协同设计进程控制网模型,将基本设计单元网的输入输出调用变迁与进程控制网的决策变迁绑定,当每一基本设计单元结束后,依据决策规则信息库所中的决策信息,激发相应的决策变迁,动态地决定设计执行流向。图5表示了基于规则的进程控制网的顺序、跳跃、返回三种执行流向模型。进程控制网中的决策规则执行控制流向如表1所示。

以协同设计过程的方案设计单元设计过程的控制为例,当进程控制网触发方案设计单元的入口变迁时,首先执行Proj:new project design,创建一个方案设计单元实例,以完成当前的设计任务。然后与Proj:enter(im,tent)调用入口变迁绑定,转移到方案设计单元网中进行方案设计。当方案设计单元完成设计任务后,通过Proj:leave(im,tent)调用出口变迁把执行控制权返回到进程控制网,由决策变迁DT4决定可能的执行流向。

DT4根据决策规则信息库所Ptotal中的决策规则,选择控制执行流向。当Guard SQE_Code=30时,顺序执行总体设计单元;当Guard err_code=31时,返回方案设计单元重新修改设计;当Guard back_code=31时,返回调研立项单元重新修改设计;当Guard back_code=32时,返回到初步设计单元重新修改设计。同样,当Guard skip_code=35时,跳过总体设计阶段,进入零部件设计单元进行设计。

4 链式输送机传动系统协同设计全过程动态建模实例

第一步,根据用户设计任务书进行链式输送机传动系统的初步设计,确定客户需求、设计任务的关键问题、设计目标的描述及实现方法等。第二步,进行方案设计,对变速装置、启停装置、换向装置、制动装置、保护装置等进行功能结构分解、子功能设计和原理方案设计。第三步,进行总体设计,分析拟定传动方案,选择电动机型号,计算总传动比,分配各级传动比,计算传动装置的运动参数和动力参数。第四步,进行结构设计,分析和选定传动装置的结构方案,设计齿轮结构、蜗杆及涡轮结构、滚子链链轮结构、轴和轴承部件的结构、减速器箱体结构,校核轴、键、联轴器的强度,进行滚动轴承的寿命校核。第五步,进行零部件图设计,绘制装配草图、装配工作图及总成设计图,绘制齿轮类、轴类、箱体机架类工作图。第六步,提交设计方案文档。根据上述链式输送机的传动系统设计全过程分析,可得其协同设计过程的模型,如图6所示。

在链式输送机传动系统的协同设计过程中,我们将决策规则信息库所划分为五类:需求分析与初步设计决策信息库所、传动装置总体设计决策信息库所、各级传动主体设计决策信息库所、装配草图设计决策信息库所、装配工作图决策信息库所和零件图绘制决策信息库所。具体执行的决策控制由决策信息库所与决策变迁之间的连接有限弧上的输出权函数决定。具体的执行控制,按照表1所示的执行流向进行。

5 结语

针对机械产品协同设计过程具有设计任务多主体并发执行和设计过程动态不确定的特点,对高级对象Petri进行扩展,通过引入决策规则信息库所和决策变迁,提出了一种基于决策规则的协同设计过程动态建模方法。将协同设计过程的每一设计阶段描述为一个具有输入输出调用接口的OPN单元网模型。整个协同设计过程的设计进程控制网,通过将决策变迁与单元网的输入输出调用变迁绑定,按照决策规则库所提供的决策信息,动态地确定每一设计单元的执行流向。这种动态建模方法,为解决协同设计过程的反复、跳跃执行的不确定性系统建模,提供了一种新的途径。

动态协同 第6篇

文章以中国科技论文在线为例进行用户行为的分析, 通过对用户在线实时动态行为分析, 可以寻找规律发现最近几年的研究热点, 以及今后的科研发展趋势, 为使用者提供一个良好的推荐信息和使用平台。

1 相关理论与算法

1.1马尔科夫模型

马尔科夫模型[1,4]是马尔科夫过程的模型化, 它把一个总随机过程看成一系列状态的不断转移。时刻t的状态用q (t) 表示, 它可以是n种状态集合

S={S1, S2, …Sn}中的任意一个。马尔科夫模型的特征主要用‘转移概率’表示, 后一状态出现的概率决定于其前出现过的状态次序。即:状态q (t) 出现的概率为P (q (t) ∣q (t-1) , q (t-2) , …q (1) ) 。如果当前状态只和前一个状态出现概率态相关, 称为一阶马尔科夫模型。马尔科夫模型根据转移矩阵来判断下一个要发生状态的概率分布。一阶马尔科夫状态转移矩阵表示为A=a[i][j]且 (j=l到N) , 其中a[i][j]=即:由状态i转移到状态j的概率, 因为有N个可能的状态, 所以a[i][j]共有N*N可能的取值。

协同过滤[2,3]的思想是通过计算目标用户与其他用户之间的相似度, 找出与目标用户最相似的“最近邻居”集。即对目标用户u, 产生一个以相似度sim (u, v) 递减排列的“邻居”集合Nu{ N1, N2, ..., Ni}, u Ni。根据预定的邻居数N, 选择相似度最大的前N个用户进行推荐。

1.2 算法设计

输入:所有用户动态行为信息;用户输入的查询URL。

输出:推荐下一个可能的URL集。

⑴对所有用户动态行为上下文信息进行清洗和预处理, 摘取出每条记录中的UserI D、Danymic Behavior Time、Search URL、Page Stay Time、Save Page、Print Page、Favorites字段。

⑵建立马尔科夫状态转移矩阵:选取User ID来识别每个用户。根据该用户搜索记录的时间, 整理出该用户的Search URL从前到后的马尔科夫序列, 以该用户搜索记录中所有出现Search URL建立矩阵的行和列, 统计该用户在每个当前Search URL向其他Search URL跳转的次数, 将此次数与该用户总跳转次数的比值作为状态转移矩阵在该位置的值。从而建立起每个用户的马尔科夫状态转移矩阵。其中, 矩阵的每个行头位置置为User ID_Search URL, 每个列头位置置为Search URL, 矩阵生成后存储在Hbase表user Shift Matrix中。

⑶马尔科夫状态转移矩阵加权:选取Page Stay Time (页面停留时间, 单位为秒) 作为状态转移矩阵某个元素值的附加权值计算条件之一, 如果Page Stay Time (0, 30) , 在矩阵对应元素值*1, 如果Page Stay Time (3 0, 6 0) , 在矩阵对应元 素值* (1+1/2 0) , 如果Page Stay Time (60, ∞) , 在矩阵对应元素值* (1+2/20) ;选取Save Page、Print Page、Favorites作为状态转移矩阵对应元素值的附加权值计算条件之一, 只要其中一个参数值为1, 则在矩阵对应元素值* (1+2/20) 。

⑷余弦因子法计算相似度:将用户u在注册信息中选择的兴趣关键词的看做向量u, 用户间的相似度采用评分向量间的余弦夹角度量, 余弦值越大, 说明用户间的相似度越高。sim (u, v) 表示用户u与用户v的相似度。

⑸推荐结果:针对用户输入的查询URL, 在当前用户所属的状态转移矩阵中查找下一个可能出现的URL, 大于某个设定阈值 (例如0.1000) 的概率值即是符合推荐条件的值。除此之外, 选择相似度最大的前N个用户在输入当前查询URL在该用户的转移矩阵中满足阈值要求的下一个概率值作为合理的推荐URL集。

2 用户数据采集与预处理

2.1 用户行为与兴趣信息预处理

用户浏览信息产生的数据是海量的, 有必要对其中数据进行处理, 从而获取有用数据进行研究。信息的预处理是对获取信息进行分析、过滤、消除重复, 删除无用内容, 检查信息完整性与一致性的过程。本课题预处理使用的方法有:

⑴数据清理:去除或修复获取信息中不完整、有噪声、不一致的信息。

对获取的“在线”用户行为, 去除其中不完整数据, 删除重复数据, 删除访问图片, 删除页面动画, 这些对用户行为分析无用的数据。

⑵数据转换:对获取的信息进行加工, 使其格式一致。

对于“在线”用户访问时, 对页面进行的打印、收藏、保存、下载操作, 在获取后, 将其转换为对应的数据格式保存在数据库中。

⑶数据归约:将数据进行规范化和聚合。

获取的用户行为数据量很大, 对数据进行规范化和聚合处理, 减少数据量是必要的, 但必须保持数据的完整性。用户在某一个时刻只能出现在某一个页面, 在该时刻无法访问其它页面, 如果出现同时访问多个页面的情况, 则需要检查数据的一致性, 判断用户行为获取是否有正确, 内容是否重复, 从而修正用户行为上下文信息。

2.2 用户兴趣信息的获取

2.2.1获取用户兴趣的方式

一般来说, 提取用户兴趣模型信息的方式有3种:⑴显式获取, ⑵隐式获取 (非入侵获取) , ⑶两者相结合的方式。

显式获取是指通过用户主动配合进行建模, 建模过程可以让用户选择喜欢的类别, 也可以依据实际情况完善模型;隐式获取是指用户无需参与建模过程, 分析工具依据浏览内容提取用户喜好。

对显示方式和隐式方式对比发现:前者是用户直接参与获取信息, 准确率高, 实现简单, 但并不是所有用户都愿意参与建模, 建模方法不灵活, 可能会被用户弃用。后者是用户没有参与, 建模细节透明, 节约时间, 有利于访问者操作, 但其准确率很难保证。因而, 在实际建模过程中, 可将它们组合在一起:⑴显式获取用户兴趣的范围, ⑵隐式获取用户兴趣的小分类。这样将两种方式的优点结合在一起, 从而在提高效率与准确率之间找到很好的平衡点。

2.2.2 获取用户兴趣信息

针对“在线”用户行为研究的特点, 获取的用户兴趣信息如下:用户ID、用户感兴趣的领域、用户所在领域、用户关注的文章、用户关注的学者、用户关注的页面。

获取用户兴趣是通过注册“在线”会员时选择的兴趣领域、所在部门 (院系) 信息, 注册用户在访问网站时, 可对论文进行收藏操作, 收藏的论文信息作为用户关注的文章和学者, 其中学者还包括在线交流的学者信息, 关注页面包括添加到收藏夹的页面、打印、保存的页面。当然, 对于注册用户也包括利用本体推理得到的用户兴趣, 推理得到的兴趣是用户不断变化的兴趣, 而以上获取的兴趣是用户相对稳定的兴趣。

2.2.3 系统功能实现

系统通过马尔科夫模型并协同过滤, 给出下个可能的URL (由于本系统使用了协同过滤, 所以在结果显示的页面里会有多条记录, 他们来自不同的用户) , 如图1所示。

“连续计算”功能, 双击结果页面中的URL则将双击的URL加入到“用户当前URL”的下拉框中第一个位置, 可以将此URL作为“当前URL”进行下一次计算, 如图2所示。

4 结语

文章利用马尔科夫模型和协同过滤的思想, 以中国科技论文在线为例进行用户动态行为的分析, 解决了用户进行实时上下文信息的动态推荐问题, 从而为用户提供一个良好的推荐信息。

摘要：文章利用马尔科夫模型和协同过滤的思想, 解决了对“中国科技论文在线”用户进行实时上下文信息的动态推荐问题。先按时间排序对每一个用户的访问URL抽取, 提取出状态转移矩阵, 再根据协同过滤中的邻居相似度思想用余弦因子法找出最近邻的N个邻居;当给出某用户的当前访问URL时, 推荐给他自身和N个最近邻居可能访问的下一个URL的集合。

关键词：马尔科夫,协同过滤,动态行为,URL

参考文献

[1]岑咏华, 韩哲, 季培培.基于隐马尔科夫模型的中文术语识别研究[J].现代图书情报技术, 2008 (12) :54-58.

[2]周军锋, 汤显, 郭景峰.一种优化的协同过滤推荐算法[J].计算机研究与发展, 2004 (10) :1842-1847.

[3]李聪, 梁昌勇, 马丽.基于领域最近邻的协同过滤推荐算法[J].计算机研究与发展, 2008, 45 (9) :1532-1538.

动态协同 第7篇

自上个世纪90年代提出绿色供应链以来, 各国政府和企业高度重视绿色供应链的构建和管理。绿色供应链是以可持续发展理论和供应链管理的基本原理为指导, 以实现资源最优配置、增进福利、与环境相容为目标, 以代际公平和代内公平为原则由供应商、制造商、销售商、零售商、消费者、环境、规制及文化等要素组成的系统, 是物流、信息流、资金流、知识流等运动的集成[1]。绿色供应链是企业取得国内国际市场低碳准入的重要途径, 是提升企业核心竞争力, 实现可持续发展的重要手段。

绿色供应链强调供应链所有成员都要参与技术创新, 彻底改变传统的“末端治理”模式, 通过技术创新提高资源在供应链所有成员间的利用效率, 降低供应链整体污染物的排放水平。可见, 供应链间成员企业的知识共享行为对绿色供应链的运转效率产生重要的影响。Barson等 (2000) [2]分析了供应链中影响知识共享的包括技术、组织、人力资源在内的的25种因素。Vachon和Klassen (2007) [3]认为供应链中供应商不能脱离链中其它企业独自进行技术研发, 应与供应商、客户等主体共同实施集成化的污染预防战略。Wadhwa and Saxena (2007) [4]在研究柔性供应链中构建了包含成本在内的知识共享评价模型, 认为知识共享能够使供应链企业最低的成本。翁莉, 仲伟俊 (2008) [5]考虑到知识共享成本、共享风险以及知识吸收转化能力等因素对知识共享行为的影响, 建立了供应链知识共享的Stackelberg博弈模型, 分析并比较了供应链成员企业在3种不同情况下的知识共享决策行为。张德海 (2010) [6]分析了绿色供应链中由于信息不对称导致的合作创新协同效应, 构建了多代理人的委托代理模型。结果表明, 代理人努力成本、任务互补程度和产出绩效系数等参数对合作创新机制具有重要的影响。在诸位学者研究的基础上, 本文构建了绿色供应链知识共享战略联盟, 从帕累托有效协同视角构建了联盟合作的动态博弈模型, 为绿色供应链中技术创新的实施提供理论支持。

1 绿色供应链企业间知识共享战略联盟

1.1 概念界定

绿色供应链企业间知识共享战略联盟是指在绿色供应链内部, 企业间通过开展知识共享的长期或短期合作, 进行技术创新, 从而提升供应链整体知识水平, 最终实现联盟内群体生态环境和经济的整体优化。

绿色供应链企业间知识共享战略联盟是链内企业间的平等合作, 通过高度信任、长期的合作, 成员企业的知识存量和技术创新能力得到大幅度提升的同时, 可以有效降低企业技术创新的成本和风险。供应链各企业发挥各自优势, 共同进行技术研发, 实现优势互补, 节约研发成本, 实现供应链与环境和社会的和谐统一。通过运用集体智慧, 共享、获取和运用供应链内外部的显性和隐性知识, 提高技术创新的效率, 提升核心竞争力。

1.2 特点分析

但在知识共享联盟内部, 成员企业由于对技术和利益的认知存在差异, 出现“搭便车”行为和知识共享“障碍”, 影响绿色供应链内知识共享的范围和程度。因此, 建立的知识共享战略联盟应具备以下特点。

1.2.1 动态性

经济技术的不断进步使得成员企业在不同时期发展低碳经济具有不同的侧重点, 联盟内企业根据自身的要求不断调整自己的技术研发策略。知识共享战略联盟应不断调整合作范围和方式以适应企业这种不断变化的要求。

1.2.2 约束性

联盟缺少约束就会导致成员企业之间相互隐瞒、缺乏信任, 为了各自的利益不惜损害联盟的整体利益。约束的缺失同样会损害联盟的知识共享的公平和合理, 影响低碳技术创新合作的开展。因此, 知识共享联盟内部必须建立并实施相应的约束条款, 这些条款必须保证成员企业都能承认并遵守, 能够有效约束各方的行为, 保证联盟能够正常运行。

1.2.3 合理性

联盟的集体理性和企业个体理性是知识共享联盟存在的基础。绿色供应链内部, 自身利益是企业衡量任何活动的标准, 只有参与联盟后获得的收益不低于单独活动的收益, 同时, 只有联盟低碳技术创新的总投入小于各企业单独费用的总和, 联盟才能存在。

1.2.4 公平性

知识共享联盟企业间在合作中相互依赖、共享资源, 若合作中某一方感到不公平会导致合作氛围变坏, 降低合作的效率。因此, 公平与否不仅会影响绿色供应链的技术创新, 还会影响成员企业的态度和行为。公平性能够有效抑制成员企业的败德行为和机会主义行为, 保证知识共享中的公正无偏。公平性包括分配公平、过程公平, 和感知公平等内容。

1.3 绿色供应链企业间知识共享战略联盟模式

根据绿色供应链企业间知识共享战略联盟及其特点, 构建了绿色供应链企业间知识共享战略联盟模式, 如图1所示。该图简要的描述了绿色供应链运转的整个过程。构建并实施绿色供应链的目标就是要实现产品价值形成过程与生态环境改善的双重目标。随着政府不断加大对企业的环境规制力度, 以及消费者环境意识的不断提升, 供应链中企业活动需要开展绿色采购、绿色制造、绿色供应、绿色物流等活动。为保证绿色供应链的正常运行, 需要相关企业共同参与进行合作技术创新。制造商作为核心企业, 通过自主创新实现制造过程的绿色生产。通过与供应商、需求方企业, 以及分销商合作创新, 发挥各方研发优势, 形成绿色供应链内企业间的知识共享体系。除了上下游企业间的合作外, 核心企业还要与竞争企业、大中专、科研院所等相关部门建立绿色创新的战略合作伙伴关系, 提高研发成功的效率, 降低研发风险, 共享知识收益。

资源共享、信息共享和组织共享机制是保证知识共享战略联盟正常运转的基础。通过这3个共享机制, 联盟内的企业可以共享人员、技术、设备、物料、资金、信息等资源, 避免了重复建设和资源浪费, 大大节约了研发成本。通过建立完善的绩效考核制度考察成员企业的行为, 以此作为知识共享联盟利益分配的依据。可以看出, 绿色供应链企业间是按照“互利互惠, 风险共担”的原则形成的知识共享战略联盟, 联盟内有关绿色创新的费用支出由联盟统一负担, 各企业根据设定的的比例承担相应的份额。联盟建立的前提是要求具有一份设计完善的有约束力的合约, 保证各企业能够进行良好的沟通, 避免摩擦和误解, 成员企业相互尊重与信任, 相互开放各自的资源, 并对败德行为进行有效约束, 最终在整条供应链上实现绿色技术创新。

2 帕累托有效协同下战略联盟博弈分配模型

2.1 模型的假设及前提条件

绿色供应链知识共享战略联盟的形成需要具备2个条件: (1) 知识共享的收益大于各企业单独进行技术创新的收益之和; (2) 通过合作获得的收益大于不合作的收益, 即满足帕累托改进原则。只有满足这2个条件, 知识共享战略联盟才有形成的可能。为分析绿色供应链下企业间的合作创新行为, 将制造商看成是委托人A, 链内其它企业看成是代理人B, 知识共享带来的共同收益为R;a, b为二者合作技术创新的努力系数, ε是一个服从正态分布N (0, σ2) 的随机变量, 代表联盟外部诸如政治、经济、社会等环境因素对联盟的影响, 其中, 方差σ2越大, 说明外部干扰越大。1-s和s为制造企业A和其它企业B知识共享收益的分配系数;联盟内企业进行合作技术创新的成本C (a) , C (b) 包括固定成本和努力成本, 固定成本是与努力程度无关但为了技术创新而必须支付的费用, 努力成本则随着努力行为的变动而变动, μ, v为A、B双方的努力成本系数,

则制造企业A和其它企业B的收益为

Q= (1-s) R-C (a) (1)

P=sR-C (b) (2)

制造企业A和其它企业B的合作技术创新成本为:

$\text{C}(\text{a})=\text{C}{}_{\text{A}}+\frac{1}{2}\text{μ}\text{a}{}^2$ (3)

$\text{C}(\text{b})=\text{C}{}_{\text{B}}+\frac{1}{2}\text{v}\text{b}{}^2$ (4)

绿色供应链企业间知识共享战略联盟的收益R为:

$\text{R}(\text{a}‚\text{b})=\frac{1}{2}(\text{a}+\text{b}){}^2+(\text{a}+\text{b})+\text{ε}$ (5)

制造企业A和其它企业B知识共享的利润G为:

G (a, b) =R (a, b) -C (a) -C (b) (6)

2.2 帕累托有效协同下的动态合作博弈模型

帕累托有效协同原则要求知识共享联盟获得的总收益在企业间公平分配, 这种公平的分配模式保证了合作的稳定。企业追求的是自身利益的最大化, 动态合作博弈则将这种利益转化为联盟整体利益的最大化。一般来说, 动态联盟的形成过程为:盟主和成员企业通过谈判形成Nash谈判解, 确定相应的利润分配比例, 然后在这一契约的基础上, 各企业采取最优努力来保证集体期望收益的最大化[7]。

2.2.1 帕累托有效协同视角下的动态合作博弈第一阶段

在第一个阶段, 绿色供应链企业采取合作策略, 并明确联盟内各企业利润分配的比例, 对 (2) 式分别求努力系数a, b的导数有:

$\frac{\partial \text{G}}{\partial \text{a}}=\frac{\partial [\text{R}(\text{a}‚\text{b})-\text{C}(\text{a})-\text{C}(\text{b})]}{\partial \text{a}}=\text{a}+\text{b}+1-\text{μ}\text{a}$ (7)

$\frac{\partial \text{G}}{\partial \text{b}}=\frac{\partial [\text{R}(\text{a}‚\text{b})-\text{C}(\text{a})-\text{C}(\text{b})]}{\partial \text{b}}=\text{a}+\text{b}+1-\text{v}\text{b}$ (8)

联立 (7) 式和 (8) 式有

$\text{a}=\frac{\text{v}}{\text{μ}\text{v}-(\text{μ}+\text{v})}$ (9)

$\text{b}=\frac{\text{μ}}{\text{μ}\text{v}-(\text{μ}+\text{v})}$ (10)

若绿色供应链内的企业在进行绿色技术创新时采取的是不合作策略, 对 (3) 式和 (4) 式求努力系数a, b的导数有:

$\frac{\partial \text{Q}}{\partial \text{a}}=\frac{\partial [(1-\text{s})\cdot \text{R}-\text{C}(\text{a})]}{\partial \text{a}}=(1-\text{s})[(\text{a}+\text{b})+1]-\text{μ}\text{a}$ (11)

$\frac{\partial \text{p}}{\partial \text{b}}=\frac{\partial [\text{s}\cdot \text{R}-\text{C}(\text{b})]}{\partial \text{b}}=\text{s}[(\text{a}+\text{b})+1]-\text{v}\text{b}$ (12)

则有

${\text{a}}^{\prime }=\frac{(1-\text{s})\text{v}}{\text{μ}\text{v}-(1-\text{s})\text{v}-\text{s}\text{μ}}$ (13)

${\text{b}}^{\prime }=\frac{\text{s}\text{μ}}{\text{μ}\text{v}-(1-\text{s})\text{v}-\text{s}\text{μ}}$ (14)

比较 (9) 式和 (13) 式、 (10) 式和 (14) 式有:

a≥a′, b≥b′

这表明绿色供应链企业在知识共享战略联盟下为了获得较大的联盟收益, 努力程度高于非合作状态。由此可见, 知识共享战略联盟具有一定的激励作用, 能够有效避免合作中的败德行为产生。

2.2.2 帕累托有效协同视角下的动态合作博弈第二阶段

在这个阶段, 知识共享战略联盟内的企业在联盟整体收益最大的基础上, 通过谈判确定各自的利润分配比例, 该比例也被称为Nash讨价还价解。满足以下2个条件才能称之为具有Nash讨价还价解:个人理性和集体理性。个人理性要求通过谈判获得的收益至少不劣于不谈判的收益, 集体理性要求若谈判能给双方带来更大的收益, 则谈判方会选择收益较大而结局。

令ΔQ和ΔP分别为制造企业A和其它企业B通过合作获得的相比于非合作时取得的收益的增量, 其中:ΔQ=Q-Q′, ΔP=P-P′ (Q′和P′分别制造企业A和其他企业B在非合作下获得的收益) 。Π (s) =ΔQΔP为知识共享联盟整体收益的最大增量, 对s求导并令其为0有:

$\begin{array}{l}\frac{\text{d}\text{Π}(\text{s})}{\text{d}\text{s}}=\left[\frac{1}{2}(\text{a}+\text{b}){}^2+(\text{a}+\text{b})+\text{ε}\right]{}^2-2\text{s}\left[\frac{1}{2}(\text{a}+\text{b}){}^2+(\text{a}+\text{b})+\text{ε}\right]+\left[\frac{1}{2}(\text{a}+\text{b}){}^2+(\text{a}+\text{b})+\text{ε}\right]\text{C}{}_{\text{B}}\\ +\frac{1}{2}\left[\frac{1}{2}(\text{a}+\text{b}){}^2+(\text{a}+\text{b})+\text{ε}\right]\text{v}\text{b}{}^2+\left[\frac{1}{2}(\text{a}+\text{b}){}^2+(\text{a}+\text{b})+\text{ε}\right]{\text{Ρ}}^{\prime }-\left[\frac{1}{2}(\text{a}+\text{b}){}^2+(\text{a}+\text{b})+\text{ε}\right]\text{C}{}_{\text{A}}\\ -\frac{1}{2}\text{μ}\text{a}{}^2\left[\frac{1}{2}(\text{a}+\text{b}){}^2+(\text{a}+\text{b})+\text{ε}\right]-{\text{Q}}^{\prime }\left[\frac{1}{2}(\text{a}+\text{b}){}^2+(\text{a}+\text{b})+\text{ε}\right]=0\end{array}$

最终解得

$\text{s}=\frac{1}{2}-\frac{(\text{μ}\text{a}{}^2-\text{v}\text{b}{}^2)+2(\text{C}{}_{\text{A}}-\text{C}{}_{\text{B}})+2({\text{Q}}^{\prime }-{\text{Ρ}}^{\prime })}{2[(\text{a}+\text{b}){}^2+2(\text{a}+\text{b})+2\text{ε}]}$ (15)

帕累托有效协同视角下绿色供应链知识共享战略联盟动态合作博弈的均衡解为 (a, b, s) 。

假设知识共享战略联盟内的企业都为风险中性, 同时令ε=0, 表明外界环境因素对联盟的影响较小。若CA=0.2, μ=4;CB=0.1, v=2, 绿色供应链企业间知识共享战略联盟动态合作博弈的均衡解为 (1, 2, 0.6413) , 企业采取不合作策略的均衡解为 (0.111, 0.667, 0.75) ;采取合作策略和不合作策略时总收益为6.7205和0.3111;合作动态博弈下制造企业A和其它企业B的收益为2.4657和4.2649, 采取不合作策略时的收益分别为0.0455和0.2656。

由上述结果可以看出, 在帕累托有效协同下, 绿色供应链内的企业建立知识共享战略联盟获得的收益远高于各自为政进行技术创新获得的收益。在知识共享战略联盟下, 各企业的努力程度也高于不合作策略的努力程度, 使得联盟的整体收益显著高于非合作下的收益。可见, 建立知识共享战略联盟是可行的, 提高企业加入联盟的积极性, 有效激励联盟内的企业合作进行技术创新, 降低联盟运行的风险。

3 结论和建议

绿色供应链企业间知识共享战略联盟的运转效率和联盟的稳定性之间有着密切的联系, 在联盟的动态性、约束性、合理性和公平性的保障下, 能有效降低联盟的风险, 增强联盟的稳定性。构建知识共享联盟, 应从以下几方面入手:

3.1 建立完善的联盟监督激励机制

通过博弈分析可以发现, 为有效保障知识共享联盟的正常运转需要在联盟内建立监督和激励机制, 即制定合理的努力系数a, b和收益分配系数s。制定合理的努力系数可以让联盟内的企业在合作技术创新时都受到成本约束, 抑制偷懒动机的发生, 惩罚知识共享过程中的“搭便车”行为。合理的收益分配系数以报酬激励的形式提高企业知识共享的积极性, 增加技术研发投入量。通过积极参与知识共享联盟, 获得链内其他企业的认可和信任, 提升其在绿色供应链内的地位。

无论是监督机制还是激励机制, 都能实现知识共享联盟决策的公正性和合理性, 促进联盟内的企业采取协同一致的行动, 建立紧密的合作关系, 形成良好的知识共享氛围。联盟内企业可以共同抵制其它企业对技术的企业行为, 消除企业由于建立知识共享联盟而丧失优势的顾虑, 最终实现知识共享联盟收益的最大化。

3.2 创造有利于知识共享的渠道和途径

为提高绿色供应链技术创新能力、合作能力和管理能力, 需要实现信息共享, 建立有利于共享的信息渠道和途径。绿色供应链知识共享战略联盟内的成员企业由于企业文化、价值取向、决策方式等的不同, 其知识共享中的行为模式存在诸多差异, 不同主体之间出现信息不对称现象, 降低了知识共享的效率, 限制了绿色供应链与外界环境的适应。

建立有利于知识共享的渠道和途径, 建立以信息管理系统软件为基础的信息集成和交换平台, 形成涉及绿色供应链知识共享的强大的数据库和统一的数据传输格式, 实现上下游企业间信息的集成和共享, 动态配置成员企业的资源, 可以最大程度地降低战略联盟内成员间串谋获取非法利益行为的发生, 加强成员之间的交流, 实现信息在绿色供应链中传递的及时性和准确性, 增强彼此之间的合作和信任, 消除由于信息不对称导致的行为差异, 防止串谋行为的发生。

3.3 降低知识共享战略联盟的内外风险

从前面的博弈模型可知, ε表示的是联盟外部诸如政治、经济、社会等环境因素对联盟的影响因素, 即外部风险系数。绿色供应链企业间知识共享战略联盟是一个动态开放的复杂系统, 外部因素的变化对战略联盟的运行产生一定的影响。例如, 外部因素导致绿色供应链内共享知识面临泄露的风险, 国家的政策法规取向导致绿色供应链面临瓦解的风险, 社会经济状况导致绿色供应链面临资源配置短缺的风险, 企业对待风险的态度导致知识共享战略联盟技术创新时行为的选择等等。若知识共享战略联盟面临的风险很大以至于成员企业在合作中自身优势逐渐丧失, 则联盟失去了存在的理由。

为有效降低风险需要建立更为紧密战略合作关系, 形成良好的合作氛围, 降低信任风险。同时, 构建完善的风险预警机制和风险应急预案体系, 避免共享知识的泄露。将外部因素对联盟的影响降至最低点。政府也应健全相关的法律法规, 加强政府职能部门的协调和管制, 减少外部因素对联盟的不利影响, 为知识共享战略联盟的运转构建良好的外部环境。

参考文献

[1].王能民, 孙林岩, 汪应洛.绿色供应链管理[M].北京:清华大学出版社, 2005:33

[2].Barson R, Foster G, Struck T, et al.Inter and IntraOrganizational Barriers to Sharing Knowledge in the Extended Sup－ply Chain[C].e2000 Conference Proceedings, 2000

[3].VACHON S, KLASSEN RD.Supply chainmanagementand environmental technologies:The role of in tegrat ion[J].International Journal of Production Rsearch, 2007, 45 (2) :401～423

[4].Wadhwa S, Sacena A.Decision Knowledge Sharing:Flexible Supply Chains in KM context[J].Production Planningand Control, 2007, 18 (5) :436～452

[5].翁莉, 仲伟俊.供应链知识共享行为的博弈分析[J].统计与决策, 2008, (3) :74～76

[6].张德海.绿色供应链的多代理人合作创新机制研究[J].科技管理研究, 2010, (5) :106～108