李博阳　　李皓然（东北财经大学管理科学与工程学院，辽宁　大连　116025）

基于大数据的质量链协同效度研究

李博阳李皓然
（东北财经大学管理科学与工程学院，辽宁大连116025）

摘要：在信息化时代的大背景下，人类所产生的数据量越来越多，而对数据的整理和挖掘以银河三号的计算能力也无法对数据进行处理，所以人们提出了大数据这一概念。通过对大数据进行挖掘所反映出的运行规律对于我们的生活具有非常重要的价值。因此，以基于大数据的质量链协同效度为研究对象，通过对基于大数据的质量链和协同效度进行分析，并建立大数据环境下质量链协同效度模型，为企业在数据挖掘中获取竞争优势，提高企业间质量链的协同效度。

关键词：大数据；质量链；协同效度；DMU；模型构建

在市场经济环境中，企业之间紧密合作，建立质量链协同管理体系已经成为了企业间合作共同发展的主要方向。传统的开门接订单，关门做质检的企业质量管理，对于不断变化的市场环境来说显得效能低下，无法建立快速的市场应对体系。因此，多个企业间进行合作，建立质量链协同管理，越来越受到企业的青睐。企业间协同管理不仅能够促进企业产品质量管理的提升，而且对于缩短产品周期，提高企业市场竞争力具有非常重要的作用。同时，在面对风险时，企业之间的协同合作也可以将风险根据不同企业间的承受能力分担，有效化解危机。随着网络技术、信息技术的快速发展，大数据这一概念让众多行业找到了未来发展科学依据的源泉，通过对大数据进行挖掘、筛选、整理和分析，能够提高企业决策的准确性，同时在企业质量管理中也能够丰富企业间协同质量管理内容，提高质量链管理的水平。

1基于大数据的质量链

1.1质量链定义

质量链是指，产品成型过程中，所涉及到的所有关联企业对于产品质量控制的链条体系。质量链从对市场的调研就已经开始建立，市场调研对消费者需求进行分析，建立需求报告，需求报告的质量关系到下面企业进行开发设计的完整性；开发设计的质量又关系到下一步的计划与采购；计划和采购的质量又关系到下一步的生产与控制；生产与控制质量又关系到下一步的检验和销售；检验和销售的质量又关系到售后服务和反馈信息的质量；通过反馈信息由回到产品市场调研一级，由此形成环型的质量链体系。

1.2基于大数据的质量链

基于大数据的质量链是一种对产品生命周期全程进行数据采集、分析和管理的质量链管理体系。其通过低产品生命周期全程信息采集能够具有科学性、准确性的对产品各个质量环节进行分析，通过协同效度的比对判断出该质量链节点的贡献率是否达到最大化。

在现代化质量管理体系中，基于大数据的质量链管理就是通过对产品生命周期全过程所产生的信息数据进行综合分析，并作出准确的判断，作为企业之间质量协同管理和个性化要求的标准，并且以预先控制为主的链式质量管理体系能够对产品生命周期的各个环节进行有效控制，保证质量链的完整。

基于大数据的质量链是结合当下先进的网络技术、信息技术、建模技术、数据挖掘技术等为一体的处理企业间合作质量管理方式。基于大数据的质量链从质量观念、统计方法、质量实现过程、质量体系、质量标准等方面构建一个动态合作、协同管理的现代企业质量关系体系，以整体、系统、集成的观点组织企业产品全生命周期、全过程实现的管理方法。利用网络技术和信息技术在企业链上的各成员企业之间建立了一条敏捷、畅通、受控、优化的协同质量链管理，通过信息的快速沟通与交流，在产品研发、产品生产、产品销售等环节进行无障碍沟通，实现企业间深度合作。

2　协同效度

2.1协同效度定义

从经济学角度来讲，协同是有两个以上的个体或者系统一致完成目标的能力和过程。而协同效度是指协同综合评价的有效性，系统综合评价的有效性可分为一个系统内有效和多个系统间有效，一个系统有效可以确定系统协同有效性和系统内发展的有效性。多个系统间有效性可以分为系统间协同的有效性和系统间发展的有效性。

2.2协同效度模型

协同效度模型——DEA（data envelopmentanalysis）模型，协同效度DEA模型按照规划形式分可为两种：一种是分式规划协同效度DEA模型，另一种是线性规划协同效度DEA模型。

分式规划协同效度DEA模型是将质量链上的各个企业、各个环节都作为一个节点单元，通过节点单元的集合实现既定的目标。节点单元用DMU（decision makingunits）表示，每个节点单元对于质量链都具有决策权。在节点单元的集合中，可以将具有相同性质、相同指标、相同类型等的DMU视为联合DMU，再对联合DMU的协同效度进行评价，质量链上的多个联合DMU分别评价的结果作为DEA模型协同效度的总体评价。

线性规划协同效度DEA模型是协同效度DEA模型借助单目标线性规划，在所定义的生产可能集内，或固定投入，将产出尽可能增大；或固定产出，将投入尽量缩小，其最大增大比率的倒数或最小的缩小比率被定义为决策单元的相对效率，它们分别被称为产出型协同效度DEA和投入型协同效度DEA。

分式规划协同效度DEA模型与线性规划协同效度DEA模型在效能上是等价的，分式规划协同效度DEA模型是通过比率定义，而线性规划协同效度DEA模型是基于一系列生产公理假设分析。

对协同效度DEA模型的研究主要集中在对投入、产出指标的选择以及决策单元相对效率排序上，如果有效决策单元较多，对于这些决策有效单元的继续评价，协同效度DEA模型就无法做出判断。因此，本文提出一种超效率的协同效度DEA评价模型，该模型可以表示为：

在超效率协同效度DEA模型中，增加DMUj投入，并仍能保持相对有效性的最大比例值，称之为决策单元DMUj的超效率，显然该决策单元DMUj效率值可能大于1，当原有的协同效度DEA模型评价决策单元DMUj无法评价协同效度的有效性时，超效率协同效度DEA模型则可以克服这一缺点，进行多决策单元的有效评价。应用超效率协同DEA模型对决策单元DMUj之间协同效度测定时可以避免决策单元DMUj所带来的不利影响，从而客观测定决策单元DMUj之间协同效度。

3　大数据环境下质量链协同效度模型及计算

3.1DMU选择原则

DMU（decisionmakingunits）是指决策单元，在基于大数据的协同质量管理需要获得有用的决策信息，利用DMU选择原则，将同类型的数据特征进行挖掘，可提高决策的准确度。对质量链协同效度进行评价过程中，可以选择供应商、分销商等作为决策单元，也可以选择不同的时间作为决策单元，也可以将二者结合进行质量链协同效度评价。

3.2协同指标权重确定方法

基于大数据的质量协同管理彻底打破了传统的“黑箱型”质量关系模式，综合运用大数据挖掘，采取开放式、合作式、协同式的新关系模式，整合各方资源，建立消费者与企业之间的有效沟通途径，实现对客户需求的准确把握，由此才能够在质量链上给出最优选择，并能够通过质量链协同效度完成研发、采购、生产、检验、销售、售后服务等敏捷、畅通的质量链关系模式。

协同指标权重确定方法是通过指标权数据确定质量链协同效度的方法。其主要包括两类复赋权法，一类为主观、一类为客观。主观是通过专家、学者、管理层、董事会等根据经验和分析做出主观的判断；客观是通过各项数据的采集、分析和评价做出的客观判断。由此可见，客观复赋权法要比主观复赋权法确定协同指标更加准确。

3.3大数据环境下质量链协同效度模型构建

（1）基于大数据的DEA模型

基于大数据的DEA模型构建：

其中s+和s−为松弛变量；x，y分别为基于大数据的质量链输入与输出变量；vi，ur分别为基于大数据的质量链质量的权重；x0，y0分别为大数据环境下质量链质量标准；c，d分别大数据环境下质量链常数矩阵，通常ε=10-7。虽然基于大数据的DEA模型比传统DEA模型在质量链协同效度上更加具有准确性，但是基于大数据的DEA模型在处理多阶段、多过程问题时具有局限性。

（2）基于大数据的NETDEA模型

基于大数据的NETDEA模型构建

s-，s+≥0，xn+1，mn+1，yn+1为质量标准；

其中θkj0为基于大数据的质量链决策单元DMU与质量标准的协同效度；si

−，sl−，sl

+，sg+为基于大数据的质量链松弛变量；x，为基于大数据的质量链输入指标；y，为基于大数据的质量链的输出指标；m为基于大数据的质量链过程协同指标；wi，ui，vi，λi分别为基于大数据的质量链协同指标权重；x0，y0，为测定的基于大数据的质量链决策单元输入与输出变量；xn+1，ml+1，yg+1为相应协同指标的质量标准；Te为单位矩阵；一般取ε=10-7。

根据协同效度模型，实际生产中的输入变量综总和大于输出变量总和时为协同效度有效。在基于大数据NETDEA模型的求解过程中，需要对每个过程分步进行求解，由此得到各个过程的协同效率值，通过对协同效率值的综合判断可以分析出协同优化的具体方案。例如：利用第n个子系统的中间变量M来计算第n-1个子系统可以得到

基于大数据的质量管理是利用网络技术、信息技术、电子技术等实现企业管理、科研技术、生产制造、市场销售等方面的综合信息应用，其中包括：ERP技术、GRID技术、CMS技术、CAX技术、GA技术、电子商务等。

在大数据环境下，一切以客户需求为目标进行企业之间的协同管理，通过对市场需求的分析，客户个性化的选择等，质量链上的企业通过信息平台进行协同设计、协同研发、协同采购、协同分配、协同生产、协同质量控制、协同销售、协同服务等，在质量链条上的各家企业在面对市场时，以“大家”利益为目标进行各个方面的经营和管理，利用企业链条上所有企业的优势进行市场竞争，实现最大的市场竞争力。

3.4计算

（1）根据协同效度模型，当协同效度θ=1，S-=0、S+=0时，判定质量链的协同效度成立，这表示整体的质量链协同有效，效果最佳。在这种情况下，质量链达到均衡化，质量协同效果最为突出，无论是技术层面还是市场层面都达到最优效果。

（2）根据协同效度模型，当协同效度θ=1，S-≠0、S+≠0时，判定质量链协同效度成立，这表示整体质量链协同有效，但是效果一般。通常在这种情况下，通过增加质量链上的某一项产出或者减少质量链上某一项消耗，都可以达到质量链的均衡化，其中s作为增加或者减少的项，是企业质量链协同效度需要作出准确判断的。

（3）根据协同效度模型，当协同效度θ<1时，质量链的协同效度不成立，这表示整体质量链没有达到协同，质量链上的各个企业之间不能够进行有效的质量协同管理。

结语

在大数据环境下，质量链上的各个企业分别利用信息平台将最新的科研成果、先进的生产技术、先进的管理经验等与大家一同分享，并能够通过即时沟通探讨产品质量标准，以发展的观念共同进步。在基于大数据的协同质量管理利用信息平台需要获得综合的质量管信息，利用DMU选择原则，对相同类型数据特征的数据进行进行挖掘、筛选、分析和利用提高决策的准确度。同时根据每个企业所能承担的能力进行资源的分配，保证企业之间达到协同效度，同时获取最大效益。

参考文献

[1]李颖，陈潜.大数据时代的营销变局[J].成功营销，2013（10）.

[2]宋永刚.大数据时代加快出版业转型升级的思考[J].中国编辑，2013（05）. [3]夏维力，郭霖麟.陕西省产业技术创新战略联盟发展影响因素的问卷研究[J].科技和产业，2014（12）.

[4]彭文利，张定华，姚倡锋，高党国，党新安.制造过程协同管理系统的研究[J].计算机应用研究，2006（08）.

[5]肖依永，常文兵，张人千.基于质量供需链的质量风险传递模型研究[J].项目管理技术，2009（08）.

中图分类号：F270

文献标识码：A

基金项目：全国统计科学研究（计划）项目重点项目“大数据智能处理技术的发展与创新研究”（项目编号：2013LZ25）；中央财政支持地方高校发展专项资金青年科研人才培育项目“可重构制造中基于预测技术的协同质量管理模式研究”（项目编号：DUFE2014Q31）。