时间：2023-08-04 09:19:27
序论：速发表网结合其深厚的文秘经验，特别为您筛选了11篇统计学决策分析范文。如果您需要更多原创资料，欢迎随时与我们的客服老师联系，希望您能从中汲取灵感和知识！
中图分类号： C913.2文献标识码： A
大学生在求职择业过程中，如何做到知己知彼进行科学的决策，是职业生涯规划和选择的重大课题。职业生涯决策源于经济学中的决策理论在职业行为方面的研究。专家学者认为，职业决策是个体一生中必然要面临的重要决策，是指个体对自己将要从事的职业做出的选择。职业生涯决策在大学生职业选择和人生发展中起着至关重要的作用。
一、决策的模型
决策就是做出决定，是做选择对策的决定。每天人们做的最多的事情，其实就是决策，大到严肃的事情，小到生活的琐事，通常，一个决定越重要，决策也就越困难。1966年丁克里奇提出七种决策模型。[1]
（一）痛苦挣扎型，有些人会花大量的时间和精力来确认有哪些选择、收集信息、反复比较，却难以做出决定。他们的口头禅是 “我就是拿不定主意。”在这种情况下，收集再多的信息进行分析比较也无济于事。
（二）冲动型，与痛苦挣扎型相反，有的人抓住遇到的第一个选择，不再考虑其它的选择或收集信息。他们的想法是 “先决定，以后再考虑。” 这种方式的风险太大，等到看到有更好的选择时自然追悔莫及。
（三）拖延型，这些人习惯于将对问题的思考和行动都再往后，然而问题是不会自动解决的，有时候会越拖越严重。“过两天再考虑”是他们的口头禅。心中暗自希望：也许事情过几天就自动解决了
（四）直觉型，有一些人将自己的直觉感受作为决定的基础。他们通常说不出什么理由，口头禅是“就是觉得这个人好，爱你没商量。”在择友时常见这样的决策方式。直觉在人们对外部信息无法掌握充分的时候比较有效，但它可能与事实不符。因此，我们不能仅凭直觉作为决策的依据。
（五）宿命型，有些人不能自己承担责任，而将命运委诸外部环境，将决定权留给境遇或命运。
（六）从众/随大流型，这样的人通常会顺从别人的计划而不是独立地做出决定。他们的口头禅是“他们都觉得好，我就觉得好，只因为大家都这样做”。
（七）瘫痪型，有的人，虽然在理性上接受了自己做决定的责任，却无法开始决策过程。通常的想法是 “我知道我应该开始了，但想到这件事我就害怕。”事实上他们无法真正为决策和决策的后果承担责任。
以上七种决策模型，根据情境和其后果重要性的不同，会产生相应程度的作用。但是这些决策模式用在一些重要事情中就不适宜了。从这七种决策模式中我们可以看出，这些决策模式都存在着对自己和对环境的未知因素，在很多未知因素的情况下进行决策，显然容易导致决策风险。
二、影响职业决策的因素
（一）遗传因素和特殊能力
个人得自于遗传的一些特质，在某些程度上限制了个人对职业或学校教育选择的自由。这些因素包括种族、性别、外在的仪表和特征等。某些个人的特殊能力也会影响其在环境中的学习经验，伴随这些学习经验而来的兴趣与技能，对个人未来规划职业等也有较大影响。个人的特殊能力包括智力、音乐能力、美术能力、动作协调能力等。
（二）环境状况和事件
影响职业决策的因素中，有许多来自外部环境，并非个人所能控制。这些环境状况和事件来源于人类活动（如社会、文化、政治、经济的活动、家庭、教育系统的影响），或由自然力量引起（如自然资源的分布或天然灾害）。
（三）学习经验
克朗伯兹认为，每个人都有独特的学习经验，这对于个人的生涯决择具有重要的影响。日常生活中，个体受到刺激与强化的类型、性质以及两者配合出现的时机常常错综复杂，因而没有一个理论能够很好地解释这些不定的变量究竟是如何影响个人职业生涯偏好和生涯技能发展的，他提出不同的学习经验对个体的生涯决策起着深远的影响。
（四）工作取向的技能
前面提到的各种因素，如遗传因素、特殊能力、社会上各种影响因素以及不同的学习经验等，会以一种交互影响的方式使个体形成特有的职业取向技能，这些职业取向的技能包括解决问题的能力、工作习惯、规划技巧、工作的标准与价值、情绪反应、知觉和认知的历程等。[2]
三、建立科学有效的决策系统框架
决策受诸多因素的影响，客观上必然带有一定的风险性，那么在进行重大决策时，建立一套有效的决策系统框架，是帮助决策者减少风险提高决策能力的科学手段，从而做出信息整合，选择可能和可行的策略。[3]
（一）沟通阶段
沟通是决策过程的第一个阶段，这是决策的开始。因为在这个阶段个人发现理想与现实情境之间存在差距的信息。这些信息可能通过内部或外部的信息交流途径传达给我们。这是“意识到我需要做出一个选择”的阶段。
（二）分析阶段
这一阶段是将问题的各个组成部分相互联系起来，对现状进行评估，了解自己和自己面临的可能选择，对所有的信息进行分析。好的问题解决者会花时间去思考、观察、研究，从而更充分了解差距，了解他们有效地做出反应的能力。
（三）综合阶段
在这一阶段综合和加工分析阶段提供的信息，形成个人可能性的解决方法并进一步收集相关信息，确认自己的选择，从而制定出消除问题或差距的行动方案。
（四）评估阶段
评估阶段的第一步是评估每一种选择对问题解决者和他人的影响。从可行性和满意度两方面进行评估。我们每个人最终都必须面对这样的抉择（1）对我个人而言什么是最好的？（2）对我生活中的重要他人而言什么是最好的？ 第二步是按评估结果对所有选择进行排列，得出最终的选择。
（五）执行阶段
在执行阶段我们将根据为行动制定的计划把思考转换为行动。即根据自己最终的选择制定计划，采取行动。考虑到评估阶段得出的结果，这是把第一选择作为目标重新建构。
（六）再循环阶段
决策过程是一个不断循环的过程。在执行阶段之后，个体又回到沟通阶段，以确定已选取的选择是否是良好的即现实与理想状态间的差距是否已经被消除。
职业生涯的选择是终生的历程，是大学毕业生必须面对的人生关键的一步，面对影响大学生职业生涯决策的各个因素，大学生必须掌握有效的职业生涯决策方法，才能做出合理的职业选择。
[参考文献]
中图分类号：F830.2 文献标识码：A 文章编号：1006－3544(2010)03－0024－04
所谓金融生态是指影响金融业生存和发展的各种因素的总和，它既包括与金融业发展相互影响的政治、经济、法律、信用环境等因素，又包括金融体系内部各要素，如金融市场、金融机构、金融工具、金融产品，通过资金媒介和信用链条形成相互作用、相互影响的系统。作为一个社会生态系统，金融决策活动日益受到来自内部和外部诸多生态因素的影响，致使决策难度不断增加，传统的理论与方法因其局限性已经越来越不适合解决复杂的金融决策问题。而生态学的理论范式与金融运行中的由相关因素组成的系统环境在学理上有很大的相似性和可比性。如同生态学认为任何有机体都是环境的产物，必须与其周围环境进行物质交换才能生存一样，金融生态学认为，任何一个金融系统也不能孤立于环境而存在，正确理解金融系统就不能脱离它特定的环境，必须把它放在与其环境互动的关系中加以考察Ⅲ。因此在金融学的理论研究中，完全可以借用生物界的生态理论和名词，以此来为公共金融学的理论发展寻找新的源生点。从生态学视角出发，把握金融决策生态系统的特征与规律，并通过金融决策内生态的优化效应，增强金融决策的科学性、民主性和规范性，是我国金融决策体制改革的重要内容。
一、基于生态学的金融决策技术分析
金融决策是公共金融管理活动的基本环节和组成部分，是指金融领导机构或金融领导者在一定环境和条件下，为履行金融职能而进行的一种抉择对策及做出决定的活动与行为。金融决策在公共金融管理系统活动中具有重要的地位和作用，金融系统的作用与成效如何，关键在于金融决策的正确与否。
作为公共金融管理大系统中的一个子系统，金融决策本质上是一个典型的、复杂的生态系统。当前，金融决策系统正越来越多地受到来自内外各种要素的综合影响。金融决策环境的历史性变迁与金融决策系统原有格局、功能之间的矛盾，导致系统面临的不适应性和不确定性因素增多，决策生态中还存在诸多风险与问题，这些问题主要是由于决策体制不健全、决策参与群体(生态种群)未形成协同合力、决策主体与内外生态要素缺乏互动、决策程序不合理、决策技术手段落后、缺乏对决策的系统性研究和循环性分析等原因所造成的。这就要求决策者必须转换传统的决策思维，开阔决策视野，创新决策方式，从生态学的角度研究金融决策生态系统的结构、内在机理与决策之间的相互关系，研究优化决策生态的方法与途径，有效形成和发挥决策生态系统的优化效应，进而实现金融决策的科学化、民主化和法治化。
金融决策及其环境和影响因素可被视为一个具有生态学结构功能单位意义上的系统。生态系统是指生物群落与其生存环境之间以及生物种群相互之间密切联系、相互作用，通过物质交换、能量转换和信息传递，成为占据一定空间、具有一定结构、执行一定功能的动态平衡整体。金融决策作为一项系统性、动态性的社会活动，其生态特性在于：(1)金融决策中包含着人、信息、制度、技术等要素，深受经济结构、社会组织、沟通网络、符号系统、金融构架等基本环境直接或间接的作用和影响。这些要素和环境在生态学意义上即从种群、群落、人与环境的关系等方面构成了金融决策生态系统。(2)金融决策始终处于协调运转的动态过程中，要维系这种动态性的平衡与良性循环，必须实现金融决策系统内外的能量、信息与资源的共享与交换，这就如同能量流动、物质循环和信息传递是生态系统的三大功能，其实质是在对资源进行优化整合和分配的进程中实现生态效能的最大化。
从生态学的视角来研究金融决策，要转换金融决策的传统思维定势，树立决策生态观念，实现金融决策的理念重塑。长期以来，在“权力本位”思维的支配下，一部分金融部门的领导干部将金融决策视之为“金融首长负责制”制度条件下金融权力运用的具体体现，金融决策的主观性、随意性和排他性较强，缺乏协同理念、环境意识与科学决策观念，“急功近利”、“长官意志”、“个别人或小群体随机拍板”等现象时有出现，这都严重影响了金融决策的效能与质量，也扭曲了金融决策“以人为本”的公共服务价值取向。
金融决策活动从“随意性”和“非理性”的决策状态，走向科学、民主、有效的决策新境界，就要求决策者在金融决策活动过程中理性地把握和遵循生态学定律。作为现代金融决策者，须充分意识到金融决策的任何行动都不是孤立的，决策的主体、客体、目标与环境之间有着密切的“关系效应”；金融决策系统中的影响因素与其他因素形成了相互联系和相互交融的格局；所制定的任何金融决策方案均不能有违生态发展和社会发展的规律，不应对符合生态、社会发展规律与趋势的自然进程产生任何干扰。只有准确把握和依循现代金融决策活动这些生态学意义上的基本准则，金融决策活动才能符合生态法则，并获得决策生态系统的优化效应。
二、金融决策生态系统结构模型
金融决策生态系统是指在金融决策活动过程中直接或间接地作用和影响决策活动的经济结构、社会组织、沟通网、符号系统、金融构架等基本生态环境要素的总和。其基本构成要素包括内外两个层面：金融、经济、社会、文化、自然等外部层面要素对金融决策活动具有重要影响；决策者、制度、技术等内部层面要素则发挥着决定性的作用。这些要素之间相互联系、相互作用、互利共生、动态平衡，构成了一个有机的金融决策整体生态系统。
根据现实生态拟建的金融决策生态系统是决策生态核、决策内生态和决策外生态三个关系圈层的构成与集合，如图l所示。在该系统结构中，核心圈层是处于中枢地位的决策者和决策机构，亦即决策生态核；第二圈层是影响决策活动的直接环境圈，即决策内生态，包括决策生态种群、政策、机制、流程、信息、知识和技术等生态环境要素；第三圈层是金融决策生态系统的外部支持环境圈，包括金融、经济、文化、社会、自然等外部生态要素，是金融决策的外圈层生态环境，亦即决策外生态或原生态。
由于涉及金融决策整体生态系统中诸如种群、制度、技术等核心生态因子，金融决策内生态系统在整体系统的三个圈层中处于重要的地位。它通过自身要素的整合和优化，影响
和制约着核心圈中决策者的判断和选择行为，并推动决策者做出正确决策，进而间接地对外生态系统要素产生优化效应。
在金融决策整体生态系统中，核心圈的决策者虽具有主导和决定作用，但有其特定的运作范围，金融决策的制定、选择、执行、完善等有赖于内生态诸要素尤其是咨询辅助种群发挥基础作用。同时，决策内生态又是将决策外生态相关影响因素传输给决策者的重要纽带，从而为决策者进行正确决策提供经济基础、人文背景、金融秩序、社会环境等方面的保障。
从金融决策整体生态系统三个关系圈层(决策生态核、决策内生态和决策外生态)的逻辑活动过程来看，决策者通过决策内生态中的利益博弈、规则约束和方法选择，形成科学决策，达致决策外生态的优化。在决策外生态优化的基础上，种群对决策者又会提出新的政策诉求，要求其继续通过发挥内生态优化效应来制定更好的政策，对决策外生态进行新一轮的优化。这是一个“涟漪”式正向放大、内外关系互动的过程，全部决策活动的价值导向是促进决策外生态中的经济发展、金融文明、社会和谐、文化进步、人与自然的和谐相处。
决策生态核以决策内生态为依托和平台，整合决策外生态的相关影响因素，促进以利益聚合、表达、协调为核心的协商和对话机制的建立，让各决策利益相关者“在宪法、法律、习惯与传统等框架或规则范围内，利用他们所掌握的信息，在充分比较各种可能情况下，采取相应行动以获得满足效用最大化结果”，进而实现各个种群及其所代表的各社会阶层利益的良性互动与总体平衡。
三、金融决策内生态系统的基本结构
在金融决策生态系统结构中，处于第二圈层的金融决策内生态系统作为中枢传递层，在整体系统中处于能量流动、物质循环、信息传递的关键位置，对金融决策产生直接的作用力和影响力。因此，准确把握金融决策内生态的结构定位，切实发挥其对整个决策生态系统生命维系的功能作用，是保证金融决策正确性和有效性的基本前提。
金融决策内生态是一个由“三层面七要素”构成的具体生态系统，如图2所示。
(一)种群层面：决策生态种群
在生态学意义上，种群是指在一定时间内占据一定空间的同种生物的所有个体。金融决策的生态种群是一个由金融管理部门智囊机构(如金融管理部门、研究部门、金融学院、社科院等)、高校学者专家、社会独立研究咨询机构、民意代表与利益表达机柯(如人大、政协等)组成的生态群落，其构成与关系整合的合理性和优化程度，直接影响和决定着核心圈决策者的行为。
生态种群动态发展过程中最基本的关系是竞争博弈和协同共生，金融决策生态种群的动态发展同样也依循这一生态法则。在金融决策过程中，作为利益相关方的各决策种群之间通过竞争活动，形成一种生态位分化和博弈的格局。在此基础上，决策生态系统的多样性、稳定性和抗干扰能力不断增强，内部要素与外部环境不断相适应，从而逐步趋向于一定的平衡状态。在这种平衡状态中，金融决策活动的协同共生是竞争博弈的一种高级形式的呈现，是各利益相关方在博弈中达到协调、协作与和谐的一种关系状态，具体又表现为系统自身的调节适应和动态平衡。
(二)制度层面：政策、机制、流程
金融决策内生态系统的制度层面主要包括政策、决策机制和决策流程。从决策内生态系统要素关系及其整合的角度视之，金融决策要保障行之有效的现有政策继续发挥其功效，要在政策精神、基本原则、内容要求等方面与现有政策相契合，一项新的金融决策不能与正确有效的现行政策相冲突；对于因政策目标和政策环境发生了变化、政策局限性基本显现、政策主体认识不断深化而需要进行调整的现有政策，金融决策要通过增扩或缩减、合并或分解等方式对政策目标、政策实施方案和政策关系等方面做出调整；对于已经完全失去正面效用的现有政策，金融决策要通过政策替代、废止等方式来予以终止。
决策机制既是金融决策核心圈进行决策活动的制度基础，更是金融决策内生态系统中的决策种群所形成的结构关系有机体参与决策活动的一系列规范。具体是指对决策和参与决策的责任主体、意见表达者与咨询者、决策监督者等方面的行为与关系所确定的规则规范。现代金融决策机制是金融决策内生态系统中重要的生态要素，其有效运作的前提是领导决策、公民磋商与参与、专家咨询和信息支持四方面的密切配合与有机统一。
作为生态流在金融决策内生态中的体现，流程是指一个或一系列连续有规律的行动，这些行动以确定的方式发生或执行，导致特定结果的实现，它包括输入资源、活动、活动的相互作用、输出结果、顾客、价值六个构成要素。金融决策活动是一个提出问题、分析问题、解决问题的运作过程，具体体现为按照“发现决策问题――确立决策目标――进行决策调研――制定决策方案――选择最优方案――组织监督实施”的金融决策流程进行决策活动。
(三)技术层面：技术、信息、知识
金融决策内生态系统中的技术、信息和知识，属于决策方法与技术的范畴，只有充分掌握了科学的决策知识、丰富的决策信息和先进的决策技术，才能为决策活动提供强大的技术支撑，保证决策的科学性、有效性和合理性。在科学知识应用上，现代金融决策活动集成运用金融知识、法律知识、经济知识与人文知识等势在必行；在方法技术抉择上，改变传统的经验决策方法，采用和实施头脑风暴法、“决策树”法、德尔菲法等现代科学方法，运用现代预测技术和网络信息技术，亦在现代金融决策活动中蔚为普遍。通过发挥金融决策内生态系统中的技术、信息和知识的综合作用，有助于正确把握决策对象发展演化规律，预测和掌握系统内各要素的本质特征、内在联系和发展趋势，做出定性或定量的决策评估，为优化决策提供科学的依据m。
金融决策内生态的三个层面对金融决策活动的基本诉求是不同的：种群层面要求活动体现民意诉求(民主化)；制度层面要求活动体现规则诉求(制度化或法治化)；技术层面则要求活动体现科学诉求(科学化)。惟有体现民意、遵循规则、方法科学的金融决策活动与行为，才能使三个方面的决策有机统一，进而实现科学化、民主化和法治化的现代金融决策高境界。
四、金融决策内生态系统及各要素的优化效应
要有效发挥金融决策生态系统的优化效应，促进决策生态核、内生态与外生态各关系圈层之间的良性互动和整体优化，真正达到金融决策的科学化、民主化和法治化，关键在于实现内生态系统中种群要素、制度要素和技术要素的有机契合和优化效应。
1.系统共振优化效应(金融决策整体生态系统)。共振一般是指两个振动频率相同的物体，当一个发生振动时，引起另一个物体振动的现象。在金融决策内生态系统中，一个要素发生改变也会引起其他要素的改变。系统的优化在于改变某些不足要素和优化各要素之间的关系状态，集成发挥正效应要素的作用，控制和减少负效应要素对金融决策目标的负面影响。金融决策内生态系统的系统共振优化效应体现在三
个方面：一是金融决策种群中各利益相关者的利益共振。在金融决策过程中，各利益相关者的利益表达通过利益聚合和利益博弈的方式在系统内产生利益共振，有利于形成体现各方利益诉求的公共政策，进而使金融决策更好地体现民意性。二是金融决策内生态系统中种群、制度和技术的三元共振。惟有三者发生了正效应共振，才能保证种群利益诉求在制度、技术的保障和支撑下实现法治化和科学化的表达。三是内生态系统与外生态系统的圈层共振。因金融决策内生态系统要素优化而产生的振动，必然会带动金融决策原生态发生振动，内外生态系统的共振效应，可以使正确决策的真正价值在金融、经济、社会、文化、自然的协调发展中得以体现。
2.民意博弈优化效应(内生态系统中的种群和制度层面)。在现代社会中，大量的社会机构和全体民众都要参与到政策制定的过程中来，所以，金融产品是金融力量与社会力量相互博弈的结果，只有在各利益主体博弈达到利益均衡的状态下所作出的决策，才有助于实现社会的平衡态。金融决策内生态系统本身就是一个种群利益根据博弈规则相互博奕的系统。博弈优化具有两方面的效应：一方面，可以实现民意表达“规制”渠道的畅通优化效应。金融决策内生态系统通过构建金融管理部门、社会、网络(论坛)等各种制度化的“公共通道”，在保证“民意流量”的制度前提下.使各决策种群的利益诉求可以畅通地输送到决策核心圈。另一方面，可以实现民意聚合方式的博弈优化效应。“公共通道”使包括公民个体在内的各社会群体都能在金融管理部门决策活动中集聚起来，通过制度化路径合理有序地表达利益诉求，促使决策者在决策过程中注意平衡各种利益需求，达成一个各方共同接受的结果。
3.群协同优化效应(内生态系统中的种群和技术层面)。运用生态学理论方法分析金融决策内生态系统的问题，不难发现，诸如资源利用低效的“生态流”问题，要素关系不协调的“生态网”问题，自我调节能力较弱的“生态序”问题，仍然困扰着系统自身的优化。解决这些问题的基本途径在于依据生态学中协同进化理论，切实发挥群协同决策模式的优化效应。具体而言之，即以决策核心圈中的决策者协同内生态咨询辅助种群中的各机构、专家和公众代表为共同主体，以保证群体充分协商与沟通为制度规程，以金融管理为运作平台，以群(体)决策方法和决策支持系统为核心技术，建立基于决策生态流(程)的群体协同决策模式。有效发挥与利用群协同优化效应，可以加速决策活动中的各种资源、信息、能量利用和交换所形成的人流、物流、信息流等的运转，能够平衡流入量与流出量，保证内生态系统的“血脉”充盈和良性循环；可以加深金融决策内生态系统中各种群之间的利益关联与利益互动，促进决策生态因子的网络化发展，提高金融决策“生态网”的自构性和适应性；可以优化内生态系统中各生态因子的生态位顺序，能够形成具备自适应、自催化的“竞争序”来保证系统的发生、发展和优化，形成具备自调节、自抑制的“共生序”保证系统的持续和稳定。
4.流程再造优化效应(内生态系统中的制度和技术层面)。一个生态系统是否具有活力和张力，关键在于“生态流”的畅通、生态系统的能量流动和物质循环(具体体现为生物链的稳定、生物网的平衡和物质流通管道)的顺畅。模拟构建金融决策的内生态系统，目的在于对生态系统进行仿生，根据金融决策的动力来源与制度安排，疏通和优化金融决策的“输入―输出”机制和公共政策生产的“流水线”，再造金融决策流程。金融决策内生态中的流程再造优化效应主要体现在：金融决策以长期发展战略为出发点，以价值增值流程(使客户满意)的再设计为中心，运用生态系统科学的微观定位与精细作业方法，重新组合生态系统中的要素资源，建立首尾相接、整合连贯的业务流程，取代以往的各部门相互割裂或封闭的破碎性业务流程，强调金融决策完成的整合性与连贯流畅。目标是通过重新设计金融决策的流程，使这些流程的增值内容最大化，其他方面的内容最小化，从而获得绩效改善的跃进，增强金融决策内生态系统的适应弹性和生命活力，形成金融决策的良好生态环境，提高决策的科学化、民主化和法治化水平，从而对金融决策外生态(原生态)产生“正效应”，推动经济、金融、社会、文化、自然等方面的科学发展与和谐发展，增进社会公共利益和公众福祉。
五、完善我国金融生态系统环境的对策
1.建立金融企业破产和退市机制。一方面要加快金融机构破产法及配套法规体系的建立与完善，加强执行和监督力度，建议尽快出台《破产法》，为资本市场改革和发展建立必要的制度保障。另一方面要建立和完善破产退市的善后和稳定机制，妥善解决破产和退市后有关债务清偿、员工安置等问题。如果相关的善后稳定机制不健全，会使金融机构破产影响范围扩广，处理上困难更大。因此，建立完备的破产、退市的善后与稳定机制，对于增强金融生态的自我调节功能意义重大。
2.培育金融机构的良性竞争机制。培育金融机构的良性竞争机制，一方面，要规范金融竞争行为，改变金融机构的市场营销策略，通过细化市场、错位竞争防止恶性价格战重演。另一方面，要进一步加强宏观调控，完善传导机制。要强化对货币信贷政策传导机制的研究，必要时要通过有意识的“让利”，通过利益导向引导各金融机构的经营行为，提高金融调控效率。
3.加快股份制改革，为资本市场的外部约束提供足够的产权支持。明晰和界定产权是建立有效公司治理结构的前提和基础，但明晰的产权关系并不能自动带来企业的有效治理和高效率。实践表明，一个良好的公司治理结构应该保持商业银行产权的多元化，保证商业银行有一个合理的资本结构，合理配置和行使企业控制权，打破原有金融机构的产权结构单一、产权虚置的局面。
4.转换职能，规范政府行为。政府以多种身份(监管者、融资者、地方和企业利益的保护者等)和金融业发生着复杂的联系，在金融生态环境中具有重要地位。在过去30年的改革中，政府一直强调“减政放权”、“政企分离”、“转变政府职能”，但实际上在很长时期内政府支配资源的能力在不断增强。要从体制上和机制上改善我国的金融生态环境，关键在于转换地方政府职能，着重调整政府行为的激励机制、约束机制和协调机制。
5.建立良好的社会信用环境。规范社会信用秩序，创造良好的信用环境，维护信用主体的合法权益是金融可持续发展系统运行的重要保障。一是要建立良好的信用维护机制，形成银行、法院、公安、工商、财政、税务、新闻宣传等各部门分工合作，共同维护社会信用的局面。二是要加强法律约束，规范信用秩序，通过建立完善的信用法律体系，切实保障信用主体的合法权益。同时司法部门应进一步强化司法公正，加大对失信行为的打击力度，特别是要提高案件执结率，增强法律的威慑力。三是要建立完善的信用评价和征信体系。加快推进全国统一的企业和个人信用信息基础数据库建设，培育企业资信评级市场，开展信用社区建设，为强化信用管
理提供保证。
6.建立健全法制保障体系。周小川(2005)认为法律环境会直接影响金融生态，在某种程度上从计划经济向市场经济转轨过程中的基本问题是“财务软约束”，它是否依然会继续存在，在很大程度上要靠法制的转变和完善。从我国目前情况看，当前要理顺的法律关系有：(1)以完善金融产权为核心，改善金融主体法律制度，促进现代金融企业的形成和发展。(2)以强化信用管理为中心，完善金融业务的法律规范，为金融生态生存和发展创造良好环境。(3)以提高市场效率为重点，完善金融监管法律制度，促进金融生态平衡和优化。(4)以优化金融环境为目标，推动相关法律制度调整和完善，建立和谐金融生态环境”。
1 引言
甘肃省作为我国西部经济欠发达省份，以教育信息化带动教育现代化发展，坚持以深度融合、机制创新、企业参与、应用驱动为导向，在教育管理信息化基础建设、深化应用、创新融合方面，克服基础条件差等困难，努力实现跨越式发展。
认真贯彻落实《教育信息化十年发展规划(2011—2020年)》精神，(简称《十年规划》)。《十年规划》提出了我国教育信息化未来十年的8项任务和5个行动计划，这8项任务和5个行动计划又被概括为“三通两平台建设”。三通即：“宽带网络校校通、优质资源班班通、网络学习空间人人通”，两平台即“教育资源公共服务平台、教育管理公共服务平台” [1]。
2 甘肃省教育管理公共服务平台顶层设计
“十二五”期间，重点建立覆盖全省各级各类教育的基础数据库及其管理信息系统，为各级教育行政部门和各级各类学校提供教育管理基础数据和管理决策平台。
按照教育管理信息系统“两级建设、五级应用”原则，坚持“核心系统国家建、通用系统省级建、特色系统本级建”的建设模式。以甘肃省教育数据中心为依托，集中省级硬件基础环境、人员技术力量，统筹建设教育管理公共服务平台和教育资源公共服务平台，两平台硬件环境共建共享，充分发挥效益，为全省教育管理和应用提供服务。国家级核心系统全面部署，省级通用系统基本完善，各级特色系统逐步推进。
在整体推进过程中，以硬件基础环境建设为基础，以保证国家核心系统部署与落地应用为第一要务，以省级通用系统建设与应用为特色，利用大数据统计分析为各级各类教育行政部门提供科学的决策服务，促进教育公平和教育现代化发展。
3 甘肃省教育管理公共服务平台基础运行环境[2]
为保障我省教育管理信息化的整体推进，向全省各级各类教育行政部门提供教育管理公共服务和基础数据支撑，从2010起，加强省级教育数据中心建设工作，为省级和不具备机房环境的市州提供网络基础环境。按照“国家教育管理公共服务平台《省级数据中心建设指南》”中总体要求进行建设，按照B类数据中心建设标准，建成了面积达250多平方米，安全、高效、节能、功能齐全、服务到位的省级教育数据中心。
4 甘肃省教育管理公共服务平台建设情况
从2013年截至目前，我省教育数据中心已部署的国家核心管理系统有：中小学生学籍管理系统、中小学校舍安全管理系统、学生资助管理信息系统、中等职业学校学生管理信息系统、学前教育管理系统、教师管理信息系统、基础数据库、应用支撑平台、安全运维监测平台等，基本完成了教育部要求的全部系统的部署。
5 运用技术手段，实现各系统数据挖掘整合
2014年在国家核心系统建设的基础上，为了便于各业务系统数据分析报表的查看和检索，我省专门开发了甘肃省教育综合数据监测系统，通过统一的教育管理数据监测平台，对所有业务系统数据进行监测，通过统一的门户平台进行展示。
该系统设计面向服务的体系结构(SOA)，使用J2EE和HTML5程序设计并且在数据的抽取、转换和加载运用了目前先进的ETL技术，通过对中小学学籍系统数据库、教师管理系统、中等职业学校学生管理信息系统数据库、校舍安全管理系统数据库的关联，动态提取各种数据，生成教育行政部门所需的各种统计报表。系统通过学生、教师和学校三个横向维度，按照学前、基础教育、中等职业教育和综合四个纵向维度，把各业务系统报表统一进行展示，并跨系统进行数据关联和对比，按照教育决策部门需要，灵活方便地生成的各种类型报表，按照折线图、饼状图、柱状图和数据报表等形式直观方便地进行展示。
6 利用大数据分析共享，提高社会公共服务能力
按照“核心系统国家建、通用系统省级建、特色系统本级建”的原则，进一步落实“一库五应用”建设目标，甘肃省在国家核心系统建设的基础上，对各孤立分散的业务系统数据进行跨系统整合，科学、精准、可持续的获取数据，深度挖掘分析数据，从而打造甘肃省教育管理数据监测服务系统，为全省教育行政部门提供科学有效的决策数据。
根据我省当前的信息系统实际情况，结合今后教育信息化的长远发展和规划，将各业务系统数据通过抽取、转换、加载等环节，加载到甘肃省教育管理数据监测服务系统中，满足甘肃省教育管理数据监测及分析需要。如：学籍系统、教师系统、校安系统、学期系统、中职系统等都是原始的基础数据，如要跨系统进行数据分析对比和提取，应了解：①农村六年制小学按照学生人数统计教师的分配情况，初级、中级、高级教师的分配情况，教师的年龄结构情况，音体美艺术类专业教师的分配情况。②根据学校片区分布和片区学生教师人数，分析片区学校布局是否合理。③通过小学入学人数、幼儿园入园和毕业人数、义务教育人口监测中适龄入学人数对比，分析入园和入学情况。④查看全省大班情况等。要得到这些分析报表，必须通过对各业务系统源数据进行动态抽取、转换、加载和分析，最后生成所需要的报表。
7 结语
1循证医学与数据证据
循证医学，简之就是“遵循证据的医学”，又被称为实证医学。循证医学重视医生的临床经验，即传统意义上的经验医学，同时又强调诊断、治疗等决策应在临床证据最为符合病症的基础上作出[1]。在循证医学的创立、发展与传播方面，英国的科克伦(ArchiebaldL.Cochrane)、美国的费恩斯坦（AlvanR.Feinstein）以及萨克特（DavidL.Sackett）做出了重大贡献，成为循证医学的奠基人。科克伦强调大规模随机临床试验的重要性。他认为只有在大规模临床试验中使用随机分组策略，才能避免因样本分组而产生的选择性偏差，保持对照组和试验组样本的背景因素平衡，从而才能做出最终正确的比较与评价。他建议及时将切实医学证据传播给使用者，接受专家评估并对可信度进行适当分级，以使医学证据能被及时整理、归纳与更新。费恩斯坦奠定了现代流行病学的数理统计与逻辑基础。从1970年到1981年，他在美国《临床药理学与治疗学》杂志（ClinicalPharmacologyandTherapeutics）上，以“临床生物统计学”（ClinicalBiostatistics）为题连续发表了57篇论文，将数理统计学和逻辑学导入到临床流行病学，科学系统地建立了临床流行病学的有关理论体系。萨科特则为循证医学的传播与发展做出了巨大贡献。他发起并主编了与循证医学有关的两本著名杂志：《美国内科医师学会杂志俱乐部》和《循证医学》。
1997年，他还主编出版了《循证医学》一书，该书被译为多种文字并在世界上广为传播。正是在《美国内科医师学会杂志俱乐部》上，加拿大盖亚特(rdonH.Guyatt)于1991年首次提出了循证医学一词[3]。从循证医学与数理统计和逻辑学的渊源，便可以看出循证医学注重证据的内涵。它是一门非常强调证据制作的学科，同时又非常重视医学证据的传播和评估，这正是它区别于以往医学的特点。通过评估产生可信证据，通过传播发挥证据价值。医生在诊断与治疗过程中，不仅基于经验直观判断，而且结合证据科学决策，更加客观地进行诊断与治疗。短短十多年的时间，在世界各国医学研究与临床实践中，循证医学得到了广泛深入的应用。科克伦最初创建的世界循证医学协作网已经包括约50个专业协作小组，所收集的医疗证据几乎覆盖所有临床医学领域。1996年，我国华西医科大学建立了中国循证医学中心，并于1999年正式加入世界循证医学协作网；2001年，中国循证医学中心创办了《循证医学》杂志，发表在各类杂志的循证研究论文达45842篇。但是，循证医学也有其面临的问题，如对证据进行科学评价等问题。临床证据目前还没有完整、科学的定义，证据评价标准及推荐级别尚未完全统一，不同国家不同疾病的证据质量分级不尽相同。而且，随着人类对疾病认识的加深以及诊疗手段的革新，评价标准还会随这些因素的变化而变化。
循证医学的基础是数理统计学，要求RCT的实验样本及环境一致，以便排除个体差异及环境干扰，但这在现有条件下近乎不可能实现。号称大规模随机对照实验的样本偏少，对照组和试验组难有条件一致的个体，环境随时间空间变化造成实验对照控制困难。目前，大规模的医学样本采集困难，几百个样本已经算是比较大的样本了；而根据统计理论如要达到90%的敏感度，至少需要约1300个的数据样本。为了克服RCT样本不足的问题，Meta分析方法得到了广泛应用：通过综合已有研究多个样本集的结果，可以推得大规模样本集的综合结果。Meta分析取得了很多有价值的研究成果，但是，Meta分析的基础也是数理统计学，其运用的前提是样本及实验环境一致，正是在这一点上它备受质疑。首先，不同样本集的权重控制难于完全公正，因为其实验环境难于恰当评价和把控，实验结果难免有过度包装和偏颇之嫌。Meta分析存在的另一个问题是：它所依赖的数据往往不是最新的即时案例，制作的证据可能因环境与气候的变化而失去应用价值。总之，循证医学所面临的问题包括：证据的稀缺性、偏倚性、可靠性、及时性、公正性，以及环境的一致性等方面的问题。由于证据的一致性和及时性存在问题，基于历史数据进行Meta分析备受质疑。2014年，《英国医学杂志》在名为《循证医学濒临破产》的文章中指出[5]：循证医学的证据属于间接证据，基础建立在已经发表的研究文献上，利益冲突容易影响证据的公正性，证据环境与临床决策环境存在距离；循证医学助长了过度诊断、过度治疗，并可能存在沦落为利益集团代言人的危险。
2大数据对循证医学的影响
大数据（Bigdata）又称巨量或海量数据，是指数据规模巨大以至在合理时间内，无法通过当前主流软件工具，获取、处理、分析以便决策的结构复杂的数据[6]。大数据如下具有4V特点：Volume（巨量）、Velocity（瞬速）、Variety（多样）、Value（价值）。巨量是指已经不能再用GB（即1024MB）和TB（即1024GB）为单位，来衡量大数据的存储容量或规模，而要以PB（即1024TB）、EB（即1024PB）乃至ZB（即1024EB）为单位来计量数据容量。在巨量的医疗大数据中，各种条件的样本都会存在，因此，证据的稀缺已经不是问题。瞬速是指兼具方向的快速变化，即数据随时间和空间快速变化。大数据中的样本通常是全空间的、多维度的、全时间的及瞬时变化的。由于大数据地域环境广，数据样本量巨大、正反样本齐全，证据的“制作”已不再必要，而是随时随地客观地存在。瞬速性通过可佩戴健康监测设备体现，这为及时获取病患信息提供了极大便利。多样是指数据的种类繁多、结构复杂、因果并存、甚至同一数据表现出不同形式。数据的多样性对数据的理解和分析是一个巨大挑战，但同时也为样本分析结果的验证带来便利。因此，在医疗大数据环境下，不仅随时可以采集样本进行分析处理，还能对分析得到的结果马上进行验证，从而能够保证医学证据的可靠与可信。
价值是指相比小规模、历史数据而言，大数据具有更高的研究和使用价值。由于任意时刻任意地点都有大量样本，样本的稀缺性和及时性已经不是问题，这为医学研究扫清了采样障碍；同时由于样本丰富冗余多样，也为研究结果的验证提供了便利；大数据除具有巨量历史数据外，还有不同地域环境的巨量即时数据，这使循证决策更具应用价值和时效性。大数据将首先改变医学数据的采集方式。大数据的形成往往依靠自动采集技术，随着可佩戴监测设备如iWatch等的出现，医学数据的采集及积累速度将出现爆炸性的增长。以往的数据同大数据相比，如同沧海之一粟。且以往的数据往往靠手工采集完成，普遍存在稀缺、偏倚、可靠、及时、公正等问题，这样采集的证据必然会影响医学研究的结论。基于手工证据进行决策，其结论未必准确及时公正可靠。医疗大数据不间断地在不同地点同时采集，不仅包含历史数据以及即时数据，甚至还可能包含未来需求信息，例如，ogle就是通过人们对感冒药品的搜索来预测流感的。大数据的出现将改变医学数据的管理方式。在网络数字化高度发达的今天，尽管已经出现了电子病历，但纸张病历在数据管理中仍然重要。然而，纸张病历有其固有缺陷，如容易破损或丢失、整理归档的周期过长、借阅的时间成本极高、研究采样的工作量巨大等等。伴随大数据出现的数据融合技术能将不同医院的电子病历整合在一起，并同可佩戴健康监测设备的数据及时集成，大大减少了电子病历的整理、借阅和数据采集时间，这不仅对病人的疾病诊断和预警监控更加有利，同时也对医生的临床及医学研究更有帮助。通过语音和可视眼镜等现代化的数据浏览设备，医生在查房间隙就能获知下一病人既往病情，从而能大大减少医生的劳动强度，使医生有更多时间治疗病人，有更多的时间进行医学研究。
大数据的出现将改变医学数据的分析方式。以往在收集样本数据以后，通常使用SAS或SPSS等软件，对采集的数据进行统计分析，发现相关病因或建立决策模型。这些软件受计算能力及内存容量的限制，只能处理样本量不大的数据，并且处理的数据维数有限，例如，SPSS不能超过40维，而医疗大数据的维数成千上万。通过手工或统计软件的计算方法，将无法满足医疗大数据的分析需要。
当维数超过30个致病因素时，可能要考虑230种因素组合，普通统计软件已无法计算和处理，必须依靠内存及速度“无限”的云计算。必须研究与开发基于大数据和云计算的分析与挖掘技术如深度学习技术，使其能够自动完成高维病因数据的分析与主要病因的提取。总之，医疗大数据的采集、整合、分析、处理、研究完全靠人工完成已极其困难，没有利用云计算的统计分析软件也难于完成医疗大数据的分析和处理。在大数据时代，必须借助深度学习等技术完成医疗大数据的分析和挖掘。虽然医疗大数据能够弥补数据样本的不足和不公，但只有借助更为先进的分析工具和软件，才能为循证医学带来进一步的变革和发展。
3大数据对循证医学的变革
证据制作是循证医学的核心，证据能为医生的诊治提供参照，因此，循证医学得到了快速发展。但是，矛盾、偏颇、过时的证据也使循证医学备受质疑。首先是证据及其结论存在大量的矛盾，使人们对循证医治的结果产生怀疑；其次是证据偏颇使其成为利益代言人的工具；其三是证据时过境迁使医治达不到预期效果。而医疗大数据的出现恰好能够弥补以往证据采集与制作的不足。首先，医疗大数据使证据的稀缺问题得到解决；其次，随大数据广泛汇集的医生及病人评价，可有效避免证据成为利益代言人的工具；其三，可穿戴等自动采集设备可保证证据的时效性。这将有助于循证医学同中医的结合。中医的治疗过程通常比西医长，其证据采集及疗效评估存在很大问题，而随着可穿戴健康监测设备等技术的发展，长期持续采集治疗证据及疗效将不再困难，从而有助于循证医学在中医等领域发展壮大。此外，随大数据兴起的先进数据分析与挖掘技术，将对循证医学起到巨大的推进作用。临床决策分析评价是确定循证治疗方案的关键步骤，现有的决策分析评价模型包括决策树、Markov过程等一系列模型，这些模型在面临高维大数据时力不从心，难于继续提供较高的决策精度，使医生对医治方案是否有效失去信心。随着大数据深度学习技术的出现，病因的分析和提取已完全自动化，且大大降低了建立决策分析模型的工作量，提高了治疗方案的决策精度。对于任何疾病诊治方案，考虑的疾病致病因素越多，即证据或特征维数越多，得到的参考信息就越多，诊治的准确性就会相应提高。但是，医生在遇到大量高维的证据数据时，往往面临从中选择少数有效证据的难题。例如，假定要考虑30个致病因素或检验指标，建立决策模型就要考虑230种因素组合，从中筛选一个最优因素组合作为模型输入的工作量是巨大的。因此，要得到由若干最优证据构建的最佳决策分析模型，医生们所投入的研究精力可想而知。
筛选最优因素组合是医生们最费精力的工作，目前这项工作可以被深度学习自动完成了。深度学习最早由Hinton等人在2006年提出，它是一种无监督的特征学习和提取技术，它通过低层特征的组合构建更加抽象的高层特征。2012年，Lecun等人利用卷积神经网络真正实现了高效的多层深度学习。传统的神经网络学习只有单向认知过程，通常只包含一个隐含层，因层数较少而被称为浅层学习。深度学习则包含认知和生成两个过程，并且每个过程都包含多个隐含层，其模型的总体框架如图1的虚框部分所示。如图1所示，深度学习的“输入层”可以理解为各种致病因素以及各种检查化验结果，例如遗传环境因素以及肝功全套指标等；自底向上的箭头表示认知过程，自顶向下的箭头表示生成过程，即深度学习由两个互逆的过程构成；认知权重向量WnT和生成权重向量Wn表示深度模型的知识。原始“输入层”经“隐含层H0”认知得到输出，输出又经“隐含层h0”生成得到新“输入层”，如果原始“输入层”和生成的“输入层”完全一致，则说明认知产生的输出是完全正确的。根据信息论的有关理论，学是会产生损失，新旧输入不可能完全一致。因此，只要两者近乎一致就可以了。认知和生成权重同隐含层的每个输出相关联，wake-sleep深度学习算法用于双向调节权重：(1)利用下层输入和认知权重向量WiT产生输出表示，然后使用梯度下降法调节生成权重向量Wi；（2）利用输出表示和生成权重向量Wi产生输入表示，然后使用梯度下降法调节认知权重向量WiT。通过逐层学习最终得到顶层的认知和生成权重向量WnT、Wn。在深度学习完成后，如果要建立决策分析模型，只需将顶层输出即自动提取的特征，作为分类模型如支持向量机的输入，并用类别标记如肝硬化分级训练支持向量机，就可以得到用于决策分析的精确分类模型，分类模型如图1的虚框外部所示。2014年，香港中文大学汤晓鸥教授领导计算机视觉研究组(mmlab.ie.cuhk.edu.hk)，开发了一个名为DeepID的深度学习模型，在LFW数据库上识别5749个人脸的准确率已达99.15%，其精细和准确程度已经超过了人眼和大脑。医疗大数据及深度学习必将为循证医学带来一场新的革命。不仅数据缺失、偏颇以及过时等问题会被迎刃而解，而且证据收集、制作以及诊治方案的决策都将会自动化，这将扩大循证医学在所有领域包括中医等领域的应用范围，大大降低医生在证据制作、治疗方案决策与疗效评估等方面所付出的精力，推动循证医学向更深更广更加现代化的方向发展。
4总结
医疗大数据带来的变革将是全方位的，它不仅为医学研究和证据制作带来便利，同时也将促进中医等替代和补充医学的发展。作为大数据采集的一项关键技术——便携式/可佩戴健康数据自动采集技术，将大大提高医疗数据采集以及证据制作的效率，解决中医等疗效数据需要长期采集观测的难题，弥补循证医学存在的证据偏颇、不公、过时等缺陷，促进循证医学更加客观、公正、可靠地在临床治疗中应用。在循证医学的证据评估以及利用方面，伴随大数据出现的云计算能够提高证据分析与处理的效率，大大节省医生临床应用和医学研究所需要花费的时间；面向大数据的深度学习能够从浩瀚的高维医疗数据中，自动完成疾病致病因素及环境因素等的筛选与提取工作，并能建立精度远远超过人脑的决策分析模型，从而大大提升医生建立和应用循证治疗方案的信心，有助于循证医学被各科医生更加广泛地接受和应用。尽管深度模型包含更多的隐含层，其学习时间要远远长于浅层学习，但两种模型的决策时间相差不大，因此，这并不妨害深度模型的有效应用。特别值得一提的是，深度学习将证据提取与决策分析两个过程合二为一，大大降低了医生在临床及医学研究中应用循证医学的劳动强度。基于大数据、云计算和深度学习的循证医学，由于能够降低劳动强度、提升工作效率、提高决策精度，因而将具有更加广阔的应用前景和发展方向。
单位代码
80002
单位地址
北京中关村东路55号
邮政编码
100190
联系部门
研究生部
联系电话
010-62541832
联系人
尹老师
电子邮件
yjsb@amss.ac.cn
目录类别
博士
网址
amss.cas.cn
学科、专业名称（代码）研究方向
指导教师
预计招生人数
考试科目
备注
070101 基础数学
100
01 代数几何
孙笑涛
①1001英语一②2377代数学基础③3050代数几何
只招硕转博生
02 代数几何
付保华
同上
只招硕转博生
03 代数几何
郑维喆
同上
04 代数群与量子群
席南华
①1001英语一②2377代数学基础③3392李代数
05 李代数和应用偏微分方程
徐晓平
同上
只招硕转博生
06 数论
王崧
①1001英语一②2377代数学基础③3576数论
07 数论
田野
同上
只招硕转博生
08 数论与代数几何
田一超
同上
只招硕转博生
09 代数拓扑、代数几何
段海豹
①1001英语一②2377代数学基础③3051代数拓扑
只招硕转博生
10 同伦论、流形的拓扑
潘建中
同上
只招硕转博生
11 代数表示
韩阳
①1001英语一②2377代数学基础③3049代数表示论
12 哈密尔顿系统
尚在久
①1001英语一②2381微分几何③3108动力系统
只招硕转博生
13 动力系统、大范围分析、大范围神经动力学
岳澄波
①1001英语一②2381微分几何③3108动力系统或3763系统与控制理论
14 几何分析
李嘉禹
①1001英语一②2381微分几何③3433偏微分方程（乙）
只招硕转博生
15 几何分析
王友德
同上
只招硕转博生
16 微分方程及几何分析
吉敏
同上
只招硕转博生
17 微分几何、数学物理
张晓
①1001英语一②2381微分几何③3578数学物理
只招硕转博生
18 值分布论与复动力系统
杨乐
①1001英语一②2385实分析与复分析③3146复动力系统与值分布论
19 复分析、复动力系统
王跃飞
同上
20 复分析、复动力系统
崔贵珍
同上
21 动力系统
刘劲松
①1001英语一②2385实分析与复分析③3108动力系统
22 Circle packing
贺正需
同上
23 数论
冯绍继
①1001英语一②2385实分析与复分析③3576数论
24 多复变与复几何
周向宇
①1001英语一②2377代数学基础或2381微分几何或2385实分析与复分析③3117多复变与复几何
25 非线性偏微分方程、微局部分析
张平
①1001英语一②2385实分析与复分析③3433偏微分方程（乙）
26 几何分析与偏微分方程
张立群
同上
只招硕转博生
27 泛函分析和解析数论
葛力明
①1001英语一②2387泛函分析（甲）③3576数论或3640算子代数
28 临界点理论与非线性变分问题
丁彦恒
①1001英语一②2387泛函分析（甲）③3127非线性泛函分析
29 非线性泛函分析
张志涛
同上
30 几何计算与不变量
李洪波
①1001英语一②2697近世代数③3143符号计算或3794现代微分几何
070102 计算数学
01 有限元方法理论及应用
石钟慈
①1001英语一②2421分析与代数③3894有限元方法
只招硕转博生
02 多尺度分析方法及其应用、工程计算与工程软件技术
崔俊芝
同上
只招硕转博生
03 并行算法
张林波
同上
只招硕转博生
04 有限元方法、电磁与地球物理计算
陈志明
同上
只招硕转博生
05 偏微分方程数值解
周爱辉
同上
只招硕转博生
06 微分方程数值解
严宁宁
同上
只招硕转博生
07 多尺度模型与算法
曹礼群
同上
只招硕转博生
08 有限元方法理论与应用
许学军
同上
09 区域分解并行算法
胡齐芽
同上
10 有限元高效算法
林群
①1001英语一②2421分析与代数③3584数值方法基础
11 线性与非线性数值代数、并行计算及其应用
白中治
同上
12 计算几何理论与方法
徐国良
同上
只招硕转博生
13 可积系统与数值算法
胡星标
同上
只招硕转博生
14 多尺度模型与计算、有限元方法
明平兵
同上
只招硕转博生
15 生物计算与模拟
卢本卓
同上
16 波场模拟与反问题的数值方法
张文生
①1001英语一②2421分析与代数③3584数值方法基础或3894有限元方法
17 电磁场计算
郑伟英
①1001英语一②2421分析与代数③3584数值方法基础或3892有限差分方法
18 化计算方法、计算生物
袁亚湘
①1001英语一②2421分析与代数③3985化方法
只招硕转博或直博生
19 化计算方法与理论
戴彧虹
同上
只招硕转博生
20 动力系统几何算法
尚在久
①1001英语一②2421分析与代数③3109动力系统几何算法
只招硕转博生
21 动力系统保结构算法理论与应用
洪佳林
同上
22 哈密尔顿系统的辛几何算法
唐贻发
同上
23 计算流体力学
袁礼
①1001英语一②2421分析与代数③3892有限差分方法
070103 概率论与数理统计
01 随机分析及其应用、随机复杂网络与随机图
马志明
①1001英语一②2685高等概率论③3641随机分析（随机过程）
02 无穷维随机分析及其应用
巩馥洲
同上
03 随机分析
吴黎明
同上
04 随机分析与随机微分几何
李向东
同上
05 随机分析及随机微分方程
董昭
同上
06 概率论与量子信息
骆顺龙
同上
07 金融数学与经济数学
夏建明
同上
08 金融数学、概率统计、投资组合
程兵
①1001英语一②2686数理统计③3348金融数学
09 数理统计、工业统计
于丹
①1001英语一②2686数理统计③3148概率论
与吴建福联合招生
10 生存分析、复杂数据统计推断及其应用
王启华
同上
11 抽样调查和统计决策
邹国华
同上
12 生物统计与工业统计
石坚
同上
只招硕转博生
13 生物与医学统计、数理统计及其应用
孙六全
同上
14 计算分子与系统生物学、基因组学
李雷
同上
070104 应用数学
01 偏微分方程
丁夏畦
①1001英语一②2696偏微分方程（甲）③3123泛函分析（乙）
02 偏微分方程
曹道民
同上
03 偏微分方程
黄飞敏
同上
04 偏微分方程
李竞
同上
05 偏微分方程反问题及其应用、机器学习与模式识别
张波
①1001英语一②2696偏微分方程（甲）③3585数值分析
只招硕转博生
06 数学机械化
吴文俊
①1001英语一②2697近世代数③3143符号计算
07 计算代数几何
高小山
同上
只招硕转博生
08 符号计算
李子明
同上
只招硕转博生
09 符号和数值混合计算
支丽红
同上
只招硕转博生
10 符号计算
王定康
同上
11 密码学
邓映蒲
同上
12 组合、代数、离散分析
黄民强
同上
与邓映蒲联合招生
13 纠错码理论、计算机代数
刘卓军
同上
14 优化理论与应用、凸分析
袁亚湘
①1001英语一②2421分析与代数③3985化方法
只招硕转博或直博生
15 概周期微分方程及其应用
洪佳林
①1001英语一②2421分析与代数③3579数学物理方程
16 孤立子、可积系
胡星标
同上
只招硕转博生
17 分数阶微分方程数值分析及其应用
唐贻发
同上
18 复杂非线性波、数学物理
闫振亚
①1001英语一②2421分析与代数③3143符号计算或3579数学物理方程
19 动力系统与微分方程
郑作环
①1001英语一②2387泛函分析（甲）③3013常微分方程
20 数学物理
刘润球
①1001英语一②2381微分几何③3393李群和李代数或3578数学物理
21 数学物理
丁祥茂
①1001英语一②2381微分几何③3393李群和李代数
070105 运筹学与控制论
01 系统辨识、控制与递推估计
陈翰馥
①1001英语一②2421分析与代数③3133分析概率论
02 随机系统的建模与控制
张纪峰
同上
03 随机系统的建模与控制
方海涛
同上
04 控制科学
郭雷
①1001英语一②2685高等概率论③3797线性系统
05 非线性分布参数系统控制理论
姚鹏飞
①1001英语一②2421分析与代数③3122泛函分析（丙）或3797线性系统
06 无穷维系统控制理论与应用
郭宝珠
同上
07 网络分析与控制、非线性系统与控制
洪奕光
①1001英语一②2421分析与代数③3133分析概率论或3762系统与方程
08 非线性系统与控制、开放量子系统
席在荣
同上
09 系统与控制
黄一
①1001英语一②2421分析与代数③3762系统与方程
只招硕转博生
10 运筹学
戴彧虹
①1001英语一②2421分析与代数③3985化方法
11 管理运筹学、优化与决策
崔晋川
同上
12 应用概率与排队论
张汉勤
①1001英语一②2721运筹学基础③3868应用随机过程
只招硕转博生
13 软件可靠性理论与分析、马氏决策与供应链管理
刘克
同上
14 图论及其应用
闫桂英
①1001英语一②2721运筹学基础③3677图论与组合优化
15 运筹学、组合优化
胡旭东
同上
只招硕转博生
071101 系统理论
01 随机复杂网络
巩馥洲
①1001英语一②2685高等概率论③3641随机分析（随机过程）
02 软件可靠性理论与分析
董昭
同上
03 复杂系统
郭雷
①1001英语一②2685高等概率论③3797线性系统
04 不确定系统的建模与控制
张纪峰
①1001英语一②2421分析与代数③3133分析概率论
05 系统生物学
方海涛
同上
06 量子信息与控制
席在荣
①1001英语一②2421分析与代数③3133分析概率论或3762系统与方程
07 复杂系统、网络优化与决策
洪奕光
同上
08 复杂系统与复杂网络、系统生物学
吕金虎
同上
09 混合动态系统
孙振东
①1001英语一②2421分析与代数③3797线性系统
071400 统计学
01 应用概率与精算
马志明
①1001英语一②2685高等概率论③3641随机分析（随机过程）
02 生存分析、复杂数据统计推断及其应用
王启华
①1001英语一②2686数理统计③3148概率论
03 生物分析、生存分析
周勇
同上
04 生物与医学统计、数理统计及其应用
孙六全
同上
05 计算分子与系统生物学、基因组学
李雷
同上
06 非参数统计、金融统计
陈敏
同上
07 抽样调查和统计决策
邹国华
同上
08 工业统计
于丹
同上
09 数理统计、工业统计
于丹
同上
与吴建福联合招生
10 生物统计与工业统计
石坚
同上
只招硕转博生
081202 计算机软件与理论
01 理论计算机科学与量子信息处理
骆顺龙
①1001英语一②2854计算机科学基础③3815信息论
02 理论计算机科学与量子信息处理
胡旭东
①1001英语一②2854计算机科学基础③3355近似算法
03 基于知识的软件工程 、人工智能理论和技术、理论计算机科学与量子信息处理
陆汝钤
①1001英语一②2856软件工程③3462人工智能
04 人工智能理论和技术
张松懋
①1001英语一②2854计算机科学基础③3462人工智能
05 网络化软件工程
吕金虎
同上
081203 计算机应用技术
01 数字化设计制造
高小山
①1001英语一②2854计算机科学基础③3143符号计算
02 符号计算与智能信息处理
李洪波
同上
03 可信计算理论和算法
支丽红
同上
04 信息安全与密码学
邓映蒲
同上
05 决策支持系统与智能系统
唐锡晋
①1001英语一②2854计算机科学基础③3462人工智能
06 决策支持系统与智能系统
徐山鹰
同上
120100 管理科学与工程
01 质量管理、知识管理
刘源张
①1001英语一②2398决策分析③3210管理信息系统
02 决策支持系统
徐山鹰
同上
03 综合集成、知识管理、意见挖掘
唐锡晋
同上
04 投资决策分析、风险管理、金融预测
汪寿阳
①1001英语一②2398决策分析③3150概率统计或3210管理信息系统或3577数学规划
05 金融风险管理
杨晓光
①1001英语一②2398决策分析③3150概率统计
06 管理决策分析与产业政策
刘卓军
①1001英语一②2398决策分析③3210管理信息系统或3577数学规划
07 金融统计与风险管理
陈敏
①1001英语一②2398决策分析③3348金融数学
08 金融工程与风险管理
程兵
同上
09 金融统计与风险管理
周勇
①1001英语一②2397经济学③3348金融数学
10 投入产出技术与经济预测、全球价值链
杨翠红
①1001英语一②2397经济学③3575数量经济学
11 数量经济学与投入产出技术
陈锡康
同上
与杨翠红联合招生
1201J4 经济计算与模拟
01 经济模拟与仿真
汪寿阳
①1001英语一②2398决策分析③3150概率统计或3210管理信息系统或3577数学规划
02 经济计算与模拟
杨晓光
①1001英语一②2398决策分析③3150概率统计
03 宏观经济数量分析与预测
杨翠红
①1001英语一②2397经济学③3210管理信息系统或3575数量经济学
1201Z1 管理运筹学
01 管理运筹学
崔晋川
①1001英语一②2721运筹学基础③3129非线性规划
02 质量科学
于丹
①1001英语一②2721运筹学基础③3150概率统计
03 管理科学的决策方法
1、计量地理学[2]在区域经济学中的应用
1.1 地理学中经典的统计分析方法
经典的统计方法有回归分析、主成分分析、时间序列分析、相关分析、系统聚类分析、趋势面分析方法等等
1.1.1回归分析
回归分析是研究对象与影响因素之间的关系，包括函数确定和相关关系不确定。回归就是用统计手段找出变量间近似函数关系的方法。在回归分析中，通常将我们关心的研究对象称为因变量，并且在一次研究中一般只有一个因变量，将影响因变量的其他因素称为自变量，自变量的个数既可以有一个（称为一元回归），也可以有多个（多元回归）。在农户自主发展能力的三商影响研究[3]中，采用多元回归分析可知农户自主发展能力与智商，情商和财商存在显著的线性关系。在研究智商，情商和财商分别对农户自主发展能力贡献大小时，可依次采用一元回归分析。
1.1.2主成分分析
主成分分析是指把反映样本某项特征的多个指标变量转化为几个综合变量的多元统计方法。在区域经济研究过程中，常常需要用多个变量对多个区域或城市进行综合评价，如区域经济发展水平，区域经济综合竞争力，地区经济发展潜力，地区投资环境，城市经济综合实力等，这些综合评价指标的共同特点是需要将多个相关指标合成一个综合指标，以反映各区域或城市在某一方面的综合水平。要完成这项工作，一般要经过以下五项步骤：
第一，选取指标
第二，对指标进行矢量纲化处理
第三，对指标进行简化或归类处理
第四，确定权重
第五，计算综合评价值
在基于微观视角的河南省农区经济类型划分[4]文章中，采用主成分分析方法，通过计算出各乡镇每个主成分的得分，结合地势状况，土地资源状况，把农区经济首先划分为富裕区、小康区、温饱区、贫困区等4中类型，又可进一步划分为平原富裕区、丘陵富裕区、平原小康区、丘陵小康区、山地小康区、盆地温饱区、山地温饱区、平原贫困区、盆地贫困区、山地贫困区等9种类型区。
1.2 线性规划分析
线性规划在实际应用日益广泛与深入，已经被广泛地应用到工业、农业、商业与交通运输规划、工程技术的优化设计以及企业管理等各个领域。在地理学领域，线性规划是解决有关规划，决策和系统优化问题的重要手段。
线性规划应用最多的实例就是农场种植计划或农区集中选择。如果线性规划只有单一的目标函数，那么建立的种植计划模型就是单目标规划模型，进而给出种植计划方案，要么使总产量最大，要么使总产值最大，两目标无法兼得；多目标规划的思想就可以解决这个问题。
1.3 空间统计分析
空间统计学的理论发展c70年代，空间统计分析处理的数据是空间数据，空间数据具有地理位置属性的一类特殊数据，不用于一般的截面数据和时间序列数据。通常运用空间分析的方法分析空间中“点”的分布具有什么样的规律，是否具有聚集性的特点，怎样去度量这种聚集程度。空间统计分析的核心是认识与地理位置相关的数据间的空间依赖，空间关联或空间自相关，通过空间位置建立数据间的统计关系。
Moran指数和Geary系数是两个用来衡量空间自相关的全局指标。Moran指数反映的是空间邻接或空间邻近的区域单元属性值的相似程度。Geary系数与Moran指数存在负相关关系。局部空间自相关的分析方法包括3种：（1）空间联系的局部指标（LISA）：是描述区域单元周围显著的相似值，区域单元之间空间集聚程度的指标。（2）G统计量：显著的G统计量正值表示在该区域单元周围，高观测值的区域单元趋于空间集聚；而显著的负值表示低观测值的区域单元趋于空间集聚。（3）Moran散点图：用来研究局部的空间不稳定性。
利用空间统计分析通常用于宏观尺度的分析，比如中国大陆30个省级行政区人均GDP的空间关联分析，基于空间统计分析与GIS的人口空间分布模式研究――以甘肃省天水市为例[5]，研究表明天水市人口分布呈现西北-东南模式，存在显著的空间集聚现象。
1.4 投入产出分析
投入产出分析又称“部门平衡”分析，或称“产业联系分析”，最早由美国经济学家瓦.列昂捷夫（W.Lenotief）提出，主要通过编制投入产出表及建立相应的数学模型，反映经济系统各个部门（产业）之间的相互关系。自20世纪60年代以来，这种方法就被地理学家广泛地应用于区域产出构成分析，区域相互作用分析以及资源利用与环境保护研究等方面。在现代经济地理学中，投入产出分析方法是必不可少的方法之一。
投入产出在微观层面的研究，地形对山区农田人地系统投入产出影响的微观分析――河南省巩义市吴沟村的实验研究[6]中把多种农业投入（x1，x2，x3...）与产出（Y）之间的关系以道格拉斯生产函数的形式Y=AX1αX2α表示出来，在该文中利用有关学者的研究成果确定折能系数，进行农田地块能量投入产出及效率的有关折算，得出地形对农田投入产出的影响。
1.5 AHP决策分析
AHP决策分析方法是美国运筹学家T.L.Saaty于20世纪70年代提出的，AHP决策分析方法（Analytic Hierarchy Process）是一种定性与定量相结合的决策分析方法，常常被运用到多目标，多准则，多要素，多层次的非结构化的复杂决策问题，特别是战略决策问题的研究，具有十分广泛的实用性。
甘肃省两西地区扶贫开发战略问题进行定量分析[7]文章中采用层次分析法给出了诸战略目标、发展战略、制约因素及方针措施的重要性排序，为地区扶贫开发建设决策提供了可续依据。根据这种思路是否也可以在微观层面上用层次分析法为较快较好的进行精准扶贫提供较为科学的依据。
1.6 地理网络分析
网络分析主要运用图论方法研究各类网络的结构及其优化问题，对于许多现实的地理问题，譬如城镇体系问题，城市地域结构问题，交通问题，商业网点布局问题，物流问题，管道运输问题等等都可以运用网络分析方法进行研究。中国中部农区企业集群的竞争优势研究――以河南省虞城县南庄村钢卷尺企业集群为例[8]利用图论很清楚的描述出了各个因素之间的联系。
参考文献：
[1] 李小建.经济地理学的微观研究[J].经济地理，2011，31（6）：881-887.
[2] 徐建华.计量地理学[M].北京：高等教育出版社，2006.
[3] 乔家君，党睿，赵德华.农户自主发展能力的三商影响研究[J].经济地理，2009，29（7）：1160-
1166.
[4] 乔家君，李小建.基于微观视角的河南省农区经济类型划分[J].经济地理，2008，28（5）：832-
中图分类号：TP311.13
银行是现代经济的标志，也是现代经济活动中不可或缺的环节和工具，从银行诞生应用以来，银行业就需要处理大量的经营数据，银行数据记录手段也经历了数个阶段，从白纸黑字的账本到计算机信息化时代的银行数据信息系统，银行数据业务可以在业务交易流程、数据库建设、金融风险评估和经营决策分析等方面发挥极其重要的作用。从银行业本身的发展来看，商业银行的规模和类型都在逐年丰富，信息化和数字化的银行业务模式也逐渐成为商业银行的运行模本；现代银行更加重视客户本位思考，通过多样化的市场需求分析手段，可以为客户提供极具个性化的银行业务产品服务，吸引更多的潜在客户群；同时现代银行的风险管控意识更强，在市场经济节奏更快的当今社会，银行经营决策的风险评估效果决定了现代银行的经营走向；再者是网络终端服务和移动终端服务的迅猛发展，银行交易手段更加丰富，网上银行、手机银行、移动证券交易等等电子支付交易方式的发展给现代银行带来了新的机遇和挑战，这一切都需要现代银行在数据处理分析能力上有新的应对措施。
1 数据挖掘和数据效用理论基础
数据挖掘的通用定义指的是从现有的大量存储数据中，采用数据撷取的方式，搜寻出感兴趣的、有价值的数据点或数据模块的数据处理技术。数据挖掘广泛地应用于商业金融领域，基于既定的商业化分析目标，可以依托于企业内部的金融数据系统进行数据分析，最终获得需要的商业经营规律和市场发展规律，并且能够在成熟的数据挖掘模型的支持下与其他分析工具和分析技术相结合，形成商业化的数据挖掘分析系统和分析软件。数据挖掘的功能需求决定了数据挖掘是一个典型的学科交叉项目，现代银行受到业务拓展发展的需求，在其数据挖掘技术的运用中广泛地的结合了数据库技术、智能学习技术、统计分析技术、模式识别技术、人工智能技术和神经网络技术，数据挖掘常分为六个技术类别：聚类、分类、估值、预测、相关性分组和关联规则分析、描述和可视化分析。
对数据资料的重视性促使了现代银行对数据利用效率的不懈追求，现代化经营模式中，数据已经成为最为重要的无形商品，作为商品的数据资料，其资本性和营利性决定了信息数据的效益最大化，由于数据资料的复制成本低、附加值高且利润丰厚的特点，数据信息价值理论已经成为数据效用分析的主要理论模式。
2 银行数据挖掘的应用分析
2.1 数据挖掘在银行客户需求分析中的应用
现代银行针对客户资料和消费记录都建立了功能庞大的消费市场数据库系统，对银行客户的个人资料、账户信息、交易历史记录、业务服务历史记录、理财数据和个人理财风险评估等进行了数据库仓储式分析，基于成熟的数据仓库逻辑分析模型，可以对每一个银行客户进行多维度消费分析，以交易历史纪录为例，交易历史纪录作为该分析维度下的分析主键字段，在其下端进行次元维度分析，对交易类型、交易金额、消费地点、存贷款交易、电子银行消费、手机银行消费、证券消费等进行子健分析，但是也要考虑到不同主键之间存在着较大的关联性，此时可以考虑在客户数据仓库分析中建立星形数据模，在关联数据子健上进行数据溢出处理。在数据挖掘中主要采用的是聚类算法，在对客户数据进行详细的数据仓库建立之后，可以对客户进行数据特征值标定（如商业价值、交易类型、风险倾向等），以便于进行客户分类，在用户细分时，行为特征是主要的特征，自然属性是辅助的特性。
表1 聚类汇总表
业务类型 纸黄金 基金理财 外汇 个人金融 债券 贷款
业务渠道 柜台 电话银行 网上银汉 手机银行 自主服务 中间交易
由此可以得到详细的客户聚类，例如以年龄段为标准的20-30岁阶段用户（业务类型为纸黄金，业务渠道为网银和自助服务）、30-40岁阶段用户（业务类型为外汇和金融，业务渠道为柜台和自助）、40-50岁阶段（业务类型为基金债券，业务渠道为柜台服务）。
基于SQL Server Analysis Services分析工具，在银行原始交易数据库中进行聚类分析，选用Microsoft聚类算法对交易日志中的指定页进行类型搜索，在后处理模块中可以查看聚类分析结果。聚类算法进行数据挖掘时需要原始数据具有较强的分类性和数据关联性，才能在数据挖掘中针对特定数据属性和数据聚类进行分析，并且获得该属性在任意聚类中的数据分布情况，由此可以精确的知道特定类型客户的银行消费习惯和消费倾向，有助于银行稳固现有客户群，吸引潜在客户群体。
2.2 数据挖掘在银行决策分析中的应用
银行经营的各个环节都基本实现了信息化管理，银行综合业务系统为其提供了基础业务操作平台和统一账务处理系统平台，能够帮助银行实现有效的资源整合和集中管理。数据挖掘技术的应用能够全面提升银行系统的内控管理和风险管控水平，为银行的内部决策提供有效的数据支撑。
表2 数据挖掘与银行决策关系
数据源 数据处理 数据存储 决策分析
交易数据
客户信息
管理信息
外部信息 数据抽取
数据整合
数据加载 数据仓库 经营状况决策分析
数据监控 数据节点1 资产负债决策分析
数据刷新 数据节点2 风险管理决策分析
数据包装 数据节点3 客户需求决策分析
数据公布 数据节点4 银行财务决策分析
为了保障银行的经营效益、提升业务覆盖范围并预防经营风险，银行需要及时掌握市场动态并且做出经营调整，数据挖掘技术能够跟踪分析银行经营过程中的各个基本要素环节，通过比对分析自身产品的营收现状、竞争对手的经营现状，以及对资产负债率、银行坏账率和金融产品的销量，可以及时为决策层提供参考数据。商业银行的风险管控是其保障经济效益的关键，数据挖掘系统的关键性作用体现在对银行业务的全方位、多角度的可靠性分析和风险评估，基于银行内部的风险模型参数，在成熟的模式识别技术和智能分析技术的辅助下，可以提前对经营风险进行预判，以减少成本损失为风险数据挖掘模型约束，以保障经营效益最大化为风险决策目标，以调控决策方式为风险决策手段，可以进一步提高银行的资产质量。财务风险控制中数据挖掘的具体应用如下图所示：
图1 数据挖掘在银行财务决策分析中的应用分析
3 银行数据挖掘的效用分析
3.1 数据挖掘在银行风险控制中的效用
风险控制是银行日常经营活动中的核心内容，通常来看可以分为定性控制和定量控制两种方式，定性控制的关键是建立一套有效的风险控制管理体系，在多流程决策体系的协作下，构成风险管理知识，以非结构化数据的形式保存并流转使用；定量控制则更看重对经营实时数据的管理效率，建立一个基于客户需求和市场规律的量化风险控制体系统框架。银行信用评估体系要求银行用于信用评级的数据必须具备一定年限和质量标准，对数据样本量、样本时效性、业务覆盖范围、数据来源都有明确的要求。数据挖掘对于银行风险控制的关键性作用主要体现在对于银行信用风险控制、银行市场风险评估和银行操作风险管理上。
在信用风险控制上，数据挖掘主要是针对信用关键指标：违约率、违约损失率、违约暴露和违约期限进行针对性的数据挖掘分析，结合银行的信用评级动态变化和银行信用置信度的波动规律，在银行交易数据库中采用数据关联分析方法，对概念分层数据进行多层挖掘，提高数据挖掘的精准度；在对市场风险控制上，数据挖掘技术主要集中在市场风险识别和市场动态分析两方面，通过分析银行特征值数据在各种风险环境下的数据概率分布值，可以构建银行内部的市场风险模型，结合遗传算法和智能分析，可以针对市场发展规律进行智能风险评估决策；对于市场的偶然和不确定行为，通常数据挖掘会采用预测（predication）、时序分析模式（time-series model），通过遍历历史交易数据，能够对偶然性市场行为进行概念排序，采用模糊分析（fuzzy method）、证据理论（Evidence theory）等方法进行决策分析。
3.2 数据挖掘在银行产品创新中的效用
产品创新是提升银行市场竞争力的根本手段，数据挖掘的重要性则体现在数据分析准确性和有效性上，首先是对业务流程效率的数据分析，对于总行、分行、支行和营业网点的银行结构进行业务处理效能分析，通过实际交易数据和历史交易数据进行比对分析，可以有效的找出实际业务模式中的最大风险点，设计或优化业务流程，明确录入、审核、授权各岗位的职责，从而运用创新手段控制流程风险；采用产品规划的方法指导新产品的设计流程工作，则需要在产品设计理念、产品市场定位、产品竞争优势分析和产品风险控制上进行数据分析，通过数据挖掘技术可以在银行内部历史数据、行业共享数据和商业数据的基础上进行特征属性挖掘，并最终为新产品的量化定型提供有效的数据参考，并未新产品的市场价值进行定性和定量预测分析。
4 结束语
信息化时代背景下金融业的供需地位发生巨大转变，金融数据也从经营资料开始向数据商业化发展。基于详尽的量化数据系统，现代银行可以在高效数据分析模型的基础上对银行数据进行二次开发，提供数据分析服务。本文通过阐述银行数据的数据结构，分析了对银行海量数据进行数据挖掘的主要方法和应用模式，并评估现行银行数据挖掘方法的有效性和经济效益价值，为进一步提升银行数据挖掘的效能提供了新的思路。
参考文献：
[1]丁剑敏.数据挖掘技术及其在商业银行中的应用[J].市场周刊・财经论坛，2013（04）.
[2]宓文斌.数据挖掘在银行信贷业务中的应用[M].上海：上海交通大学，2012.
医院加强财务分析具有如下意义：能够为医院管理的管理评价提供依据，并且促进医院对计划和预算的完成；加强财务分析对于改善医院的经营管理和提高综合效益有着十分重要的作用；有利于经营者做出科学正确的决策；通过财务分析活动，可以让决策者对医院的财务运转情况进行了解，从而掌握经济决策与客观经济规律的相符程度，最终使得他们做出决策科学合理；加强财务分析活动是提供医院财务管理水平的重要措施；加强财务分析，可以使得医院经营决策者更加客观地对理财经验进行总结，让他们从中发现财务管理中的潜在问题和发展趋势，通过对财务活动的规律的认识，来对财务管理工作进行改进，不断提高医院财务管理水平。
（二）加强医院经营决策的意义所在
在经营管理学中认为“管理的中心是经营，经营的重心是决策”。从中可以看出经营管理的重要性。经营决策分析指的是利用科学有效的方法，从若干方案中经过科学地分析判断，最终选出一个合理、可行的方案。决策分析的意义就在于从众多的方案中选出一个合理可行的方案，以此来达到未来的行动目标。决策分析的最终目的就是将决策目标变为行动的关键。如果决策分析不合理甚至是错误的，那么就极有可能使得正确的决策目标不能实现。由此可见，医院经营管理的基础和核心就是科学合理的决策。科学合理的决策对于医院充分的发挥社会功能，并取得良好的医疗服务效果，从而提高医院的社会效益和经济效益有着十分重要的意义。经营决策分析的基本内涵主要有四点，他们分别是：（1）预测未来；（2）多方案选优；（3）以决策为动力形成经营活动的循环动态过程；（4）必须付诸行动。
二、加强医院财务分析与经营决策的对策和方法
（一）医院管理者要必须要转变传统观念，对财务分析和经营决策给予高度重视
要让财务分析与经营决策这两者在医院管理中发挥重要的作用，医院管理者就必须要给予高度重视。这是做好财务分析核经营决策的前提条件。要让财务管理工作渗透到医院管理的各个方面，就必须要得到医院管理者的大力支持，只有这样才能够让医院的各个职能部门都配合好医院的财务部门做好财务分析工作，而也只有这样医院财务部门才能够得到医院其他职能部门的支持与配合，从而得到各种财务分析所需要的资料。经营决策也是如此，各种决策与政策出台后，肯定会具体到医院的各个职能部门，而经营决策过程中所需要的各种资料也需要各个职能部门提供。如何不能够得到医院各个职能部门的支持，那么经营决策就只能够是空架子，空口号，也不可能做出正确的决策。这样经营决策有如何能够指引医院前进，又如何发挥其应有的作用。因此要做好经营决策工作也必须要得到医院领导的高度重视。
（二）医院的财务分析者与经营决策者需要提高自身的素质
医院想要做好财务分析工作，就必须要有相应的高素质的财务人员，对于财务分析者，不能够仅仅只掌握财务核算、财务管理和会计理论等相关知识，还必须对统计学、成本核算等相关知识进行了解，甚至是掌握。此外，他们还必须对本单位的具体情况熟悉，不能是那种只看纸面文章的，而是真正的清楚医院的实际情况。这样这样才能够有能力做好医院的财务分析工作。同时，还必须要提高财务人员的思想素质，只有他们将医院财务分析工作从思想上提到了一个更高的层次，他们才能够更好的做好财务分析工作。医院的经营决策者大都是从技术上提拔而来的，他们对与本行业的技术规范等知识和信息可以说是了如指掌。但是他们中很少有人具有相应的经营决策管理知识。虽然其中很多人都在后来拿到的相应的管理学位，但不代表他们真正的具有管理能力。为此，必须要提高现有的经营管理者的分析决策能力，同时还应该积极的引进有能力的经营决策者。只有这样才能够保证各种决策的科学性、正确性。
（三）明确财务分析对经营决策的影响
总的来说，财务分析最终就是为医院的经营决策来服务的，而经营决策则可以为财务分析指明方向。财务分析对经营决策的影响有以下一些方面。财务分析可以帮助经营决策者了解医院的实际经营状况。通过财务分析，医院的经营决策者既可以知道医院目前经营的客观状态，也可以通过分析获知当前经营过程中存在的不足之处和经营不善的具体关键所在。从而能及时的采取有效的改善措施。通过财务分析可以帮助经营决策者对医院的市场竞争力做出正确的判断。只有对医院的市场竞争力有了正确的认识，才能够做出正确的决策，为医院树立正确的发展目标，从而让医院少走弯路，提高医院的竞争能力。
一、数据挖掘
数据挖掘是从数据当中发现趋势和模式的过程，它融合了现代统计学、知识信息系统、机器学习、决策理论和数据库管理等多学科的知识。它能有效地从大量的、不完全的、模糊的实际应用数据中，提取隐含在其中的潜在有用的信息和知识，揭示出大量数据中复杂的和隐藏的关系，为决策提供有用的参考。数据挖掘是从数据当中发现趋势和模式的过程，它融合了现代统计学、知识信息系统、机器学习、决策理论和数据库管理等多学科的知识。它能有效地从大量的、不完全的、模糊的实际应用数据中，提取隐含在其中的潜存有用的信息和知识，揭示出大量数据中复杂的和隐藏的关系，为决策提供有用的参考。
二、数据挖掘的现代最新方法介绍
常用的数据挖掘方法主要有决策树(DecisionTree)、遗传算法(GeneticAlgorithms)、关联分析(AssociationAnalysis).聚类分析(C~smrAnalysis)、序列模式分析(SequentialPattern)以及神经网络(NeuralNetworks)等。
三、数据挖掘的实际应用
由于数据挖掘市场还处于起步的阶段，但是发展很快。在国外有一些著名的大公司对数据挖掘系统进行了开发。
1.IntelligentMiner这是IBM公司的数据挖掘产品，它提供了很多数据挖掘算法，包括关联、分类、回归、预测模型、偏离检测、序列模式分析和聚类。有2个特点：一是它的数据挖掘算法的可伸缩性；二是它与IBM/DB/2关系数据库系统紧密地结合在一起。
2.EineSet是由SGI公司开发的，它也提供了多种数据挖掘方法，包括关联分析和分类以及高级统计和可视化工具。特色是它具有的强大的图形工具，包括规则可视化工具、树可视化工具、地图可视化工具和多维数据分散可视化工具，它们用于实现数据和数据挖掘结果的可视化。
3.Clementine是由ISL公司开发的，它为终端用户和开发者提供提供了一个集成的数据挖掘开发环境。
4.DBMiner是由DBMinerTechnology公司开发的，它提供多种数据挖掘算法，包括发现驱动的OLAP分析、关联、分类和聚类。特色是它的基于数据立方体的联机分析挖掘，它包含多种有效的频繁模式挖掘功能和集成的可视化分类方法。
四、数据挖掘与管理会计
1.提供有力的决策支持
面对日益激烈的竞争环境，企业管理者对决策信息的需求也越来越高。管理会计作为企业决策支持系统的重要组成部分，提供更多、更有效的有用信息责无旁贷。因此，从海量数据中挖掘和寻求知识和信息，为决策提供有力支持成为管理会计师使用数据挖掘的强大动力。例如，数据挖掘可以帮助企业加强成本管理，改进产品和服务质量，提高货品销量比率，设计更好的货品运输与分销策略，减少商业成本。
2.赢得战略竞争优势的有力武器
实践证明数据挖掘不仅能明显改善企业内部流程，而且能够从战略的高度对企业的竞争环境、市场、顾客和供应商进行分析，以获得有价值的商业情报，保持和提高企业持续竞争优势。如，对顾客价值分析能够将为企业创造80%价值的20%的顾客区分出来，对其提供更优质的服务，以保持这部分顾客。
3.预防和控制财务风险
利用数据挖掘技术可以建立企业财务风险预警模型。企业财务风险的发生并非一蹴而就，而是一个积累的、渐进的过程，通过建立财务风险预警模型，可以随时监控企业财务状况，防范财务危机的发生。另外，也可以利用数据挖掘技术，对企业筹资和投资过程中的行为进行监控，防止恶意的商业欺诈行为，维护企业利益。尤其是在金融企业，通过数据挖掘，可以解决银行业面临的如信用卡的恶意透支及可疑的信用卡交易等欺诈行为。根据SEC的报告，美国银行、美国第一银行、联邦住房贷款抵押公司等数家银行已采用了数据挖掘技术。
五、数据挖掘在管理会计中的应用
1.作业成本和价值链分析
作业成本法以其对成本的精确计算和对资源的充分利用引起了人们的极大兴趣，但其复杂的操作使得很多管理者望而却步。利用数据挖掘中的回归分析、分类分析等方法能帮助管理会计师确定成本动因，更加准确计算成本。同时，也可以通过分析作业与价值之间的关系，确定增值作业和非增值作业，持续改进和优化企业价值链。在ThomasG，JohnJ和Il-woonKim的调查中，数据挖掘被用在作业成本管理中仅占3%。
2.预测分析
管理会计师在很多情况下需要对未来进行预测，而预测是建立在大量的历史数据和适当的模型基础上的。数据挖掘自动在大型数据库中寻找预测性信息，利用趋势分析、时间序列分析等方法，建立对如销售、成本、资金等的预测模型，科学准确的预测企业各项指标，作为决策的依据。例如对市场调查数据的分析可以帮助预测销售；根据历史资料建立销售预测模型等。
3.投资决策分析
投资决策分析本身就是一个非常复杂的过程，往往要借助一些工具和模型。数据挖掘技术提供了有效的工具。从公司的财务报告、宏观的经济环境以及行业基本状况等大量的数据资料中挖掘出与决策相关的实质性的信息，保证投资决策的正确性和有效性。如利用时间序列分析模型预测股票价格进行投资；用联机分析处理技术分析公司的信用等级，以预防投资风险等。
4.产品和市场预测与分析
品种优化是选择适当的产品组合以实现最大的利益的过程，这些利益可以是短期利润，也可以是长期市场占有率，还可以是构建长期客户群及其综合体。为了达到这些目标，管理会计师不仅仅需要价格和成本数据，有时还需要知道替代品的情况，以及在某一市场段位上它们与原产品竞争的状况。另外企业也需要了解一个产品是如何刺激另一些产品的销量的等等。例如，非盈利性产品本身是没有利润可言的，但是，如果它带来了可观的客户流量，并刺激了高利润产品的销售，那么，这种产品就非常有利可图，就应该包括在产品清单中。这些信息可根据实际数据，通过关联分析等技术来得到。
5.财务风险预测与评估
收稿日期：2007―09―15
项目：黑龙江省新世纪教改工程第四期项目。
作者简介：张丽娟（1965―），女，河北唐山人，副教授，博士。主要从事地理信息统计与运筹、非线性模型等教学研究。
一、计量地理学课程的兴衰
1963年，鲍顿(I.Burton)使用了“计量地理”这一词语，对自20世纪50年代末期开始，以数学方法在地理学中的应用为内涵的计量运动加以形容，并认为从这以后不再是革命了，因为数学方法已经成为现代地理学的主要方法之一。从此，国际地理学界掀起了声势浩大的计量运动“或称计量革命”。不过，这在地理学界并未完全达成共识，因为现代地理学中的数学方法的引人，一方面，推动了传统地理学研究方法的变革；另一方面，却产生了重定量分析，轻区域、生态研究的问题。由此产生了一场波及整个地理学界的大辩论①。以至到了20世纪70年代后期，有人提出要重新评价计量运动，重新认识地理学中的数学方法。有人认为，数学方法只能用来研究地理要素之间的数量关系及地理事物的分布形态，而不能揭示复杂的地理现象形成的机制。1976年，在莫斯科举行的第23界国际地理学大会上，成立于1964年第20界国际地理学大会议程中的“地理学计量方法委员会(CQMG)”被宣布解散，这标志着轰轰烈烈的地理学的计量地理革命的呼声到此濒于沉寂②。我国由于受到“”的影响，未经历国外20世纪六、七十年代地理学的计量革命时代，随后在20世纪八十年代，我国地理学界也开始了计量地理运动，其标志是各高等师范院校把计量地理学引入了地理科学专业，有的学校设为必修课，有的学校设为选修课③。但绝大多数高等师范院校在开设了2～3届后，便取消了。因此可以说，我国的地理学界也重演了计量运动的兴起和终结②。
计量地理运动所经历的兴衰，其关键在于计量地理所采用的数学方法，基本上是统计方法。之所以遭到部分地理学家的反对，其主要原因为：一地理现象的非欧几何性质，决定了统计方法不能解决空间问题；二是地理现象是复杂的非随机现象，不能用解决随机现象的多元统计学进行系统分析，不能借助线性化技术拟合非线性系统。
尽管上述观点在地理学界具有一定的代表性，而且也直接影响了计量地理学课程在我国高校的开设，但随着数学学科的发展，数学方法已远远不限于统计分析方法，针对不同地理现象、地理过程、地理事件，均有相应的数学方法去解决，因此，在计量地理运动经过了兴衰之后，地理学中的数学方法的应用已经又进入了一个快速发展的时期，于之相对应的，地理学也进入了现代地理学阶段。重新评价和构建计量地理课程，是非常必要的而且是必需的。
二、高等师范院校地理科学专业地理计算课程体系的构建
我国高等师范院校在20世纪80年代后期，随着计量地理学课程的取消或改为选修课，在我国地理科学专业保留计量地理学及相近课程的高等师范院校已经廖廖无几了，一些地方师范院校更是从来就没开设过类似课程。而我国高等师范院校地理科学专业的培养目标是：培养具备地理科学的基本理论、基本知识和基本技能，能在科研机构、学校、企业从事科研、教学、管理、规划与开发及在行政部门从事管理工作的高级专门人才。那么在地理学发展到现代地理学阶段的今天，面对数学方法已经广泛应用于地理学中的现状，高等师范院校地理科学专业如何构建地理计算课程体系，成为了当前必须解决的现实问题。
1.重新编制地理信息统计学教材，代替原来的计量地理学
统计学是是研究客观现象数量关系及其变化规律的方法论科学，是一门关于统计资料的收集、显示、描述和分析方法的学科。统计学形成于19世纪初期到今天已经有100多年的历史，是一门系统的科学④。各个学科根据各自学科的特点与统计学相结合，就形成了专业统计学，与地理信息相结合，形成地理信息统计学。它从地理数据的收集到分析方法均有系统的解析。学生只需要最基本的概率论基础和线性代数基础，就能轻松掌握此课程的理论部分，而不需要另外设置数理统计方面的课程。数理统计属于数学学科，偏重于数学理论的讲解，如不能结合专业性质，学生很难接受，也直接影响应用效果。
我国原有的计量地理学的教材内容，虽然与专业知识结合紧密，但数理统计的基础知识讲解的太少⑤，如果学生没有概率论基础，很难接受教材。实际上，只要在前面补充统计学中的抽样分布和理论分布、假设检验、方差分析、参数估计等内容，就能解决这一问题。这样，既不需要单独由数学老师开设概率论和数理统计的课程，又能紧密结合地理学科，既加强了学生数据处理的基础技能，又使地理计算学科课程更加具有层次性和系统性。我国现有少数高等师范院校开设了概率论和数理统计课程，进而取代了计量地理学课程，笔者认为是不可取的，脱离了专业的纯粹的数学课程与和专业相结合的课程所起的作用是不可比拟的。由于地理信息统计学中的回归分析需要线性代数做基础，因此需要在基础课程上安排线性代数这门课程。
2.引进地理学中的数学方法这门课程
在地理信息统计学的基础上，依靠学生已经具有的处理地理问题的定量化基础，引入地理学中的数学方法这门课程。从以上分析可知，可以纳入这门课的内容很多，有的方法需要较高的数学理论基础，因此，笔者建议将学生容易接受的有马尔可夫过程、线性规划、投入产出分析、多目标规划、动态规划、非线性模型、网络分析、层次分析法、风险型决策分析法、非确定型决策分析法、模糊数学方法、灰色系统方法，做为地理学中的数学方法（一）；其它的控制论、信息论、突变论、耗散结构理论、协同论、系统动力学方法、分形理论、小波分析、人工神经网络、遗传算法、细胞自动机则属于难度较大的数学方法，可做为地理学中的数学方法（二）。在讲解过程中地理学中的数学方法（一）可以采用理论和应用相结合，而地理学中的数学方法（二）则注重应用。地理学中的数学方法（一）可在本科生阶段开设，地理学中的数学方法（二）在研究生阶段开设。
3.计算机技术的发展为地理计算课程的开设提供了先决条件
统计学的计算软件开发已非常成熟。世界上最著名的数据分析软件SAS和SPSS、浙江大学开发的DPS数据处理系统、MATLABV4.0软件包，都是目前很受欢迎的统计软件。因此，统计学软件与统计学理论的结合，提供了设置地理计算学课程的先决条件。
4.高等师范院校地理科学专业地理计算课程体系的构建
综合以上分析，提出高等师范院校地理科学专业开设地理计算课程体系为：大学一年级的第二学期，在第一学期开设高等数学的基础上，增设线性代数，学时为60学时；大学二年级的第二学期，开设地理信息统计学，学时为64学时（54学时的理论课，10学时的上机操作）；大学三年级的第二学期，开设地理中的数学方法（一），学时为60学时；在研究生一年级的第二学期，开设地理学中的数学方法（二）。
三、结论
1、计量地理运动的兴衰影响了我国高等师范院校地理科学专业开设计量地理学课程的现状。随着地理学中研究问题的广泛性，数学方法已应用于地理学中的多个方面，培养和提高地理科学专业学生的定量分析问题的能力和素质，已是刻不容缓。
2、用地理信息统计学代替计量地理学，增加统计学中的概率论、理论分布和抽样分布、假设检验、方差分析、参数估计等内容，加强学生的数学基础。
3、引进地理学中的数学方法这门课程，根据内容的难易分成两个系列课程，即地理学中的数学方法（一）和地理学中的数学方法（二）。
4、提出了高等师范院校地理科学专业开设地理计算课程体系：大学一年级的第二学期开设线性代数，学时为60学时；大学二年级的第二学期，开设地理信息统计学，学时为64学时（54学时的理论课，10学时的上机操作）；大学三年级的第二学期，开设地理中的数学方法（一），学时为60学时；在研究生一年级的第二学期，开设地理学中的数学方法（二）。
参考文献：
〔1〕徐建华.现代地理学中的数学方法〔M〕.高等教育出版社,1995,1-5.
〔2〕陈彦光.地理学:计量运动的失败与分形研究的崛起〔J〕.信阳师范学院学报(自然科学版),1999,12(3):310-314.
〔3〕许峰宇,戴先杰.高等教育地理学专业课程体系研究〔J〕.煤炭高等教育,2004,22(3):83-86.
【摘要】关系数据库、数据仓库和数据挖掘是作为三种独立的信息技术出现的，是数据库研究、开发和应用最活跃的分支之一，通过对三种技术的内在联系性和互补性分析，从而更好的使用数据库技术处理各种信息需求，建立更加完善的数据库应用系统或新的决策系统。
关键词 关系数据库；数据仓库；数据挖掘；关
0引言
关系数据库是20世纪70年代初提出来，经过数据库专家几十年的努力，理论和实践都取得了显著成果，标志着数据库技术的日益成熟。但它仍然难以实现对关系数据库中数据的分析，不能很好地支持决策，因此在80年代，产生了数据仓库的思想，90年代，数据仓库的基本原理、架构形式和使用原则都已确定。主要技术包括对数据库中数据访问、网络、C/S结构和图形界面，一些大公司已经开始构建数据仓库。针对数据仓库中迅速增长的海量数据的收集、存放，用人力已经不能解决，那么数据仓库中有用的知识的提取就需要数据挖掘来实现。数据挖掘与统计学子领域“试探性数据分析”及人工智能子领域“知识发现”和机器学有关，是一门综合性的技术学科。了解关系数据库、数据仓库与数据挖掘三者之间的区别与联系，使之更好的使用这3种技术，处理各种信息需求是非常必要和重要的。
1关系数据库、数据仓库和数据挖掘之间的关系
1.1关系数据库和数据仓库之间的联系与区别
关系数据库是面向事务的设计，数据仓库是一个面向主题的设计；关系数据库存储在线事务数据，数据仓库通常存储历史数据，关系数据库的设计将尽量避免冗余，但数据仓库是倾向于引入冗余；关系数据库设计用于捕获数据，数据仓库设计用于分析数据。传统的关系数据库面向以事务处理为主的系统应用，所以它无法满足决策支持系统的分析要求。事务处理和分析处理有非常不同的性质，他们有不同的需求数据。
1.2数据仓库与数据挖掘之间的联系与区别
数据挖掘是基于数据仓库和多维数据库中的数据，找到数据的潜在模式进行预测，它可以对数据进行复杂处理。大多数情况下，数据挖掘是让数据从数据仓库到数据挖掘数据库中。从数据仓库中直接得到进行数据挖掘的数据有许多优点，因为数据仓库中数据的清理和数据挖掘中几乎是相同的，如果数据在数据仓库中已被清除，数据挖掘中不再被清除，并且数据不一致也得到了解决。数据仓库是数据挖掘的先期步骤，通过数据仓库的构建，提高了数据挖掘的效率和能力，保证了数据挖掘中的数据的宽广性和完整性。
1.3关系数据库与数据挖掘之间的联系与区别
数据挖掘的数据源不一定是数据仓库。也可以是一个关系数据库中的数据，但要事先进行数据预处理，才能用于数据挖掘。数据预处理是数据挖掘的关键步骤，并且是数据挖掘过程中的主要工作部分。因此，数据仓库和数据挖掘没有必然的联系，有些人简单地认为，数据仓库是数据挖掘的准备，这种理解是不全面的，也可以使用关系数据库中的数据作为数据挖掘的数据源。
2三种技术的应用
2.1应用价值
2.1.1关系数据库
关系数据库的主要价值体现在事务处理。关系数据库已经渗透到各行各业的日常事务，该事务管理离不开关系数据库的应用系统，这是对传统事务管理的一个重大突破，是社会甚至家庭不可或缺的工具，它对社会的应用价值是100%。
2.1.2数据仓库
数据仓库的主要价值体现在为决策分析提供数据源。一方面，在一个事务中，用户要求高效的访问系统和数据库，操作时间应该短。在一个决策分析中，决策问题的一些请求可能会导致系统的操作，解决这一问题的决策分析需要遍历大多数数据库中的数据，这对一般日常事务处理系统是困难的，所以操作数据和决策分析数据应该分开。另一方面，决策数据需求问题。在决策分析时，由于不同的应用系统中，实体、字段存在数据类型、名称和格式的不符，需要在集成时进行转换，这个转换必须在决策之前完成；一些决策数据需要动态更新，需要经常进行汇总和总结，这些需求用事务处理系统解决比较繁琐。三是数据的操作模式问题。决策分析人员要以专业用户身份，使用各种工具以各种形式来操作数据，对数据操作的结果以商业智能的方式表达出来。事务处理系统不能满足这一要求，只有数据仓库系统能够满足数据挖掘技术对数据环境的要求，所以使用数据仓库中的数据省去了对数据预处理的步骤。
2.1.3数据挖掘
面对日益激烈的市场竞争，客户对迅速应答各种业务问题的能力要求越来越高，对过量数据的及时处理要求越来越高，带来的挑战一方面大规模、复杂数据系统让用户感觉漫无头绪，无法开始；另一方面，这些大量数据背后隐藏很多有意义的有价值的决策信息。如计算机界都熟知的“啤酒与尿布”的故事，就是零售业巨头“沃尔玛”从大量销售数据中分析出来的规律：美国的男士在下班要去超市买婴儿尿布，同时他们还会买啤酒。“沃尔玛”就把这两种“毫不相干”的商品摆放在靠近的货架上，并且还摆放一些下洒小菜，使这些商品销量大增。所以应用数据挖掘从大量数据中发现规律，具有具体的指导意义。
2.2应用领域
2.2.1关系数据库
关系数据库应用领域非常广泛，如：证券行业、医院、银行、销售部门、公司或企业，以及政府、国防工业，科学和技术发展领域等等，这些领域都需要使用数据库来存储数据。例如:人事管理系统、工资管理系统，xxx部门信息管理系统，手机话费管理系统等，都需要关系数据库作为后台提供数据源。
2.2.2数据仓库
数据仓库应用领域主要有两个方面：一是全局应用。因为数据仓库获得来自多方面的数据，所以在把数据向数据仓库输入时，要进行转换、计算和综合等集成处理。通过处理把来自不同地方的数据源转换成统一的格式，以促进全局应用。二是复杂系统。信息处理的要求越来越复杂，除了数据处理操作，如添加、删除、修改、和统计汇总，高级管理层也希望对历史的和现在的数据进行各种复杂性分析，以支持决策。数据仓库中就是存储了旧的历史数据，方便复杂分析、应用，为高层决策服务。
2.2.3数据挖掘
数据挖掘的应用领域主要表现在特定应用问题和应用背景。数据挖掘技术已经应用于各行各业，如电信，保险，交通，学校、银行、超级市场等。例如：数据挖掘技术应用在大学。高校扩招，学生增加到几万人，但是学生的学习积极性不高，成绩不好，因此引入数据挖掘技术找出影响学生学习积极性和学习成绩的原因，制定措施，提高教育和教学质量。分析的数据源是考试成绩和成绩之外的影响因素，分析的方法是采用关联规则、模型库、去“噪”处理、粗糙集等进行数据挖掘，得出的结论是：传统的学习方法不能完全满足需要，改进教学方法和教学模式，从而调动学生学习的积极性，提高教学质量。
3关系数据库、数据仓库与数据挖掘的融合
日常事务处理需要关系数据库，构建分析处理（下转第318页）（上接第59页）环境需要数据仓库，帮助决策者寻找数据之间的潜在的关联需要数据挖掘。他们之间是相互联系又有区别的，不能互相取代的，又需要相互融合。数据仓库中的数据并不是最新的，专有的，而是来源于其他关系数据库，它是建立在一个更全面和完善的信息应用的基础上，用于支持高层决策分析的数据基地。数据仓库是数据库新技术，到目前为止，数据仓库仍用关系数据库管理系统管理数据。数据挖掘是从大量存储在数据库、数据仓库或其他信息库中发现有趣知识的过程。只有这三个数据库技术互相融合，取长补短，各尽其责，才能更好的为广大用户所使用，为社会各个领域所应用。
参考文献
［1］华冠萍.数据仓库、数据挖掘及OLAP之两两关系[J].福建电脑,2007,8.
