企业多价值链协同经营风险管控研究——基于RF-BAS-CNN模型

装备制造企业在发展过程中逐渐形成多条价值链,涵盖生产、供应、销售及服务等多个方面,协同推动推动企业价值创造行为的有效实施。多条价值链涉及一系列互不相同但又相互关联的经济活动,由此也导致企业经营风险增多,增强企业经营实力、合理管控多价值链协同下的经营风险,成为装备制造企业当前需要考虑的重要内容。文章在构建多价值链协同RF-BA S-CNN经营风险预测模型的基础上,选取案例企业并深入阐述企业利用模型开展的多价值链协同经营风险测算及相应风险控制活动,明确风险管控效果,以期为国内装备制造企业有效控制多价值链协同经营风险提供一定借鉴。

多价值链协同模拟空间数字高程统计的制造生产风险建模

随着全球产业价值链的调整升级,一个国家如何在固有状态下有效提升在全球价值链中的地位和作用成为经济发展的关键。制造业作为能源经济发展的基础化产业,提升其产业基础能力和风险管控水平具有重要意义。从多价值链协同角度对制造生产风险进行研究,建立了模拟空间数字高程统计模型,对影响制造生产风险的多维影响因素进行统计分析,设定多价值链协同的制造生产风险决策目标及约束条件,建立了制造生产风险决策模型,提出对制造业生产经营有效的风险管理策略。研究结果表明,只有保障生产规模在合理范围内,才能使得多价值链各环节风险协同降低,从而有效控制整体制造生产风险水平。

多价值链协同模式与解决方案的选择

针对电子制造业中的多价值链协同场景,给出了常见的原始设备制造商(Original Equipment Manufacturer,OEM)、联合设计制造商(Joint Design Manufacturer,JDM)、原始设计制造商(Original Design Manufacturer,ODM)3种多价值链协同模式的定义和特征,研究了多价值链协同的需求,提出了这3种多价值链协同模式的解决方案和评价指标,以期为品牌商选择最合适的多价值链协同模式提供参考。

考虑多价值链协同的电力设备制造企业经营风险预测研究

电力设备制造企业作为影响我国能源经济发展的基础化产业,如何有效提升其产业基础能力,降低企业生产经营过程中存在的风险是当前面临的重要问题。而准确的风险预测能够帮助企业经营者发现潜在风险,保障企业利益。因此,本文从多价值链协同的角度进行电力设备制造企业的经营风险预测研究。首先,利用蒙特卡洛法构建多价值链风险因素概率模型,然后利用随机森林、天牛须搜索优化算法及卷积神经网络构建了多价值链协同的三阶段经营风险预测模型,并进行实证分析。研究结果表明,多价值链协同的三阶段经营风险预测模型能够有效提高经营风险预测准确度,为电力设备制造企业未来准确预测风险和管控风险提供基础支撑。

面向制造业服务化数据空间体系构建的多价值链协同创新管理研究

为解决制造业企业如何将客户需求融入多价值链协同创新方案的难题,本文首先利用Python网络爬虫收集用户评论信息,基于隐狄利克雷分布主题模型(latent dirichlet allocation,LDA)从用户评论中识别客户需求主题。其次,借鉴质量功能配置(quality function deployment,QFD)思想,借助概率语义术语集(probabilistic linguistic term set,PLTS)将识别的需求转化为创新要素并进行重要度排序。然后,提出“链-维-法”(chain-dimensionmethod,CDM)三层耦合创新方案生成方法,从多价值链角度,运用多维技术创新地图对创新要素进行维度划分,并与多个创新法则耦合,生成一系列备选创新方案;并基于方案生成过程构建制造业服务化数据空间体系。最后,以某电力装备制造企业为例验证所提出数据空间体系的有效性。研究结果表明,该制造业服务化数据空间体系的构建能够帮助企业优化多价值链协同创新管理决策。

基于数据挖掘的电力装备企业多价值链协同数据预处理方法研究及应用

在电力装备制造企业的数字化转型中,需要对数据空间中多价值链协同的高维数据进行挖掘与分析,本文针对电力装备制造业进销存大数据的预处理问题展开了研究。首先,给出了变点法和局部异常因子算法(local outlier factor method,LOF)组合的数据异常值检验校正预处理方法;其次,提出了基于LASSO(least absolute shrinkage and selection operator,LASSO)算法的栈式稀疏自编码器(stack sparse auto-encoder,SSAE)数据降噪降维组合机器学习处理方法(SSAE-LASSO),对特征进行压缩降维提取,去除严重干扰数据回归分析的噪声信息,并过滤影响度低的冗余数据,从而实现数据的降噪降维处理。最后,将本文提出的方法应用于不同的算法进行检验,通过对两种预处理的数据对比发现,本文提出的方法有效提高了电力产品销售量智能预测的精度。