大数据技术论文
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇大数据技术论文范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
大数据技术论文范文第1篇
（一）云会计使库存管理的成本更低
廉库存管理的目标之一是在保证生产或销售经营需要的前提下最大限度地降低库存成本，即对库存合理布局，减少调拨次数。存货不足不能及时满足生产和销售的需要会给企业带来损失，而存货过多将导致储存成本增加，进而影响企业利益。如何对库存管理的成本进行控制对企业的生产经营至关重要。以物联网技术为前端、大数据分析中心为后端的云会计平台，能够在时空分离的环境下预测或获取企业不同区域的仓储信息和客户订货信息，以减少企业的库存管理成本。基于云会计平台，企业能够搜集、分析货物的实时信息，动态了解各仓库的实时库存情况。仓储管理部门在获得大数据分析中心提供的库存数据与客户偏好数据的基础上，能够做到对各仓库库存合理布局，减少调拨次数，节约库存管理成本。
（二）云会计使存货控制系统更精确
为提高企业整体运作效率，很多企业对存货管理采用了ABC控制系统或即时制库存控制系统（JIT）。在ABC控制系统中，如何准确区分ABC三类存货并进行分类控制是企业需要解决的重要问题。JIT管理强调只在使用存货之前才要求供应商送货，从而将存货数量减到最小，实现物资供应、生产、销售连续同步运动。这种方式在提高生产效率、减少储存成本的同时需要考虑到与供应商协同接洽的问题。大数据、云会计技术的应用，能够提高企业ABC控制系统或即时制控制系统的运行效果。在企业的云会计平台上，通过对自身以往所有各种类型存货数据的大数据分析，以及参考同行业、相关行业的历史数据，可以对ABC三类存货进行更为科学合理的区分，使ABC控制系统更加精确。面对JIT即时制更加严格的要求，企业需要考虑到存货的计划需求、与供应商关系、准备成本、电子数据等方面，一旦存货预警就会产生生产线、销售线告急的情况，将为企业带来巨大损失。物联网与大数据技术的发展为解决JIT控制面临的问题提供了解决方案。由供应商提供的存货都带有唯一的产品电子代码（EPC），企业和供应商可以通过物联网同时获得存货的使用情况，在数据显示该批存货需要补充时，物联网得到传感信息的反馈及时提醒企业补给，通知供应商做好供货准备，并给出下一订货批量的预计时间及数量要求。这样就加强了企业与供应商的信息沟通与交流，使JIT控制系统得到更好的实施。
（三）云会计使库存管理更智能
由于各个地区消费者的需求偏好往往存在差异，使得企业在全国布局的仓库库存往往在商品的类型、数量等方面不尽相同。基于云会计平台，通过前端的物联网，企业可以获取各个区域仓库的存货情况。针对库存调拨，通过后端的数据中心进行大数据分析，可以选择在最优的仓库之间进行商品的调配，并根据对调拨结果的分析就以后的商品库存分配进行优化。消费者在网上购买商品时，云会计平台会自动选择就近且有货的库存点进行智能化发货。在存货的运输与存储过程中会涉及到安全问题，尤其是对于高价值的存货，其一旦损失将会对企业造成严重影响。云会计平台下物联网技术的运用，可以做到存货信息流和物流的统一、对存货流向形成监控，具有极强的监测功能。存货信息能够实时反映在云会计平台上，即便出现货物丢失情况，企业也能够即时采取措施应对，确保企业存货的安全性。
二、大数据时代基于云会计的库存管理
框架模型构建库存管理及时准确地反映各种物资的仓储、流向情况，可以为企业的生产管理和成本控制提供依据。通过对货物的各种信息进行即时的采集、分析、处理，可以使企业实时动态的库存管理成为现实。在云会计平台上，前端的物联网技术能够实时采集数据，后端的大数据分析中心对数据进行分析与处理，为企业的库存管理决策提供支持。在分析大数据时代云会计对企业库存管理在成本、控制、管理水平等方面影响的基础上，结合大数据、云会计和物联网的技术特征，考虑企业当前主要的库存管理需求，本文建立了由云会计平台、大数据分析中心、库存管理等核心模块组成的大数据时代基于云会计的企业库存管理框架模型。企业库存管理决策所需的库房信息，如仓库信息、货位信息、物料信息、出入库信息等，可以通过物联网技术借助云会计平台进行实时搜集；决策所需的其他大数据源，可以通过互联网、移动互联网、社会化网络等多种媒介，借助云会计平台从企业内部、交易所、事务所、外部市场、银行等获取。同时，经由大数据处理技术和方法（Hadoop、Storm、PentahoBI等）规范所获取数据，并通过ODS、DW/DM、OLAP等数据挖掘与数据分析技术提取企业进行库存管理决策所需的财务与非财务数据。大数据分析中心对企业库存管理的入库信息、调拨信息、出库信息进行分析，以此来支撑库存管理模块，为采购入库、库房调拨、销售出库阶段实时、准确的决策提供了依据。
（一）采购入库在采购入库阶段
由大数据分析中心结合企业生产情况、外部环境等因素对采购计划、采购数量、采购时间、物流过程等相关采购流程的影响，就公司所接订单、产品或服务的生产周期以及交货的时间等进行分析，并针对企业历史数据的分析以及对供应商信用程度、产品质量、产品价格等的综合分析，制定出《合格供应商名册》向企业推荐最优供应商。采购部门则根据分析结果按照企业需求制定出科学的采购计划与选择适合并满意的供应商。完成供应商选择之后要进行签订采购合同、发出订购单，供应商确认订购单、根据订单交货等步骤，这一过程需注意明确合同内容，明晰产品信息与双方责任。在最后一个部分即进料检验及入库阶段，由射频识别技术（RFID）识别出产品的品牌、规格、型号以及供应商的检验合格标识（在物联网技术下，产品都带有唯一电子标签）之后方可入库，若有检验不合格者，根据标签自带的生产信息退回至供应商处，并根据采购合同的条款或退换货物或进行赔付，退换后的货物同样要进行这一系列的检验过程，直到合格后入库。
（二）库房调拨在库房调拨阶段
模型采用完全共享策略，即某仓库库存水平一旦无法满足当前订单，而采用调拨方式可满足时，可从其他点调拨，要求调拨点的当前库存能满足需求点的订单需求量。由于云会计前端的物联网可以得到企业各仓库的库存信息，这样在任何仓库发生存货预警时，都可以向后端的大数据分析中心实时反馈请求调拨信息。对请求调拨信息进行分析之后，按照最小费用策略确定存货的调拨点与调拨量，并向该仓库调拨信息，以此在各仓库间完成存货的相互补给。在各仓库不能满足库存需要或者调拨成本过高时，库存信息将直接向总部反馈，由总部完成存货的分配。最后将调拨结果经由大数据分析中心向仓储管理部门进行汇报。基于云会计的库存调拨模块将企业的分布式库存连成了一个有机整体，不再是单独的仓库管理，可满足大中型企业库存实时性的问题，便于整体优化及一体化管理。大数据分析中心为各仓库的信息共享提供了技术支撑，物联网技术的运用为掌握各仓库的实时信息提供了有力保障，可为企业节省时间与成本。
（三）销售出库针对企业的销售出库
销售部门根据经由大数据分析中心分析之后的客户订单向指定的仓库下达发货指令，当指定仓库接收到发货指令之后带有RFID的货物将发往指定地点，同时，货物的地理位置信息与其他信息等由带RFID技术的物联网通过大数据分析中心向仓储管理部门实时反馈，以确保货物的安全以及了解物流信息。在货物到达指定地点后，将会再次向大数据分析中心反馈信息，并向仓储管理部门与销售部门发送货物安全送达的信息，从而完成整个出库过程。
三、结语
大数据技术论文范文第2篇
（1）标准成本体系及成本差异分析。电力供应瞬间完成，在成本核算上需要将某一段时间内所消耗的资源量综合起来，与该段时间内产品总量形成关系函数。大数据管理实现了精准、快速收集数据样本，完成标准成本体系建设的信息采集工作，实现按作业拆分成本费用。在ERP、PMS和CMS等数据平台帮助下，管理者对电网设备运行维护作业所耗费的标准人、材、机耗用量进行测算，完成输电网设备运营成本定额标准的定制，设计基于内部结算价格机理的责任中心效益分析方法，评估应用运营成本定额估算项目后期运行成本。数据库也为体系建成后的成本差异分析提供数字依据，规范成本支出行为，提高全员成本效益意识，精细化管理，标准化建设，实现公司成本管理的持续改进。
（2）不同用户类型的服务成本比较。电力用户按客户类型可分为居民用户与非居民用户，不同类型用户的服务成本千差万别，大数据帮助企业厘清不同用户种类的供电服务成本，为公司差异化定价，业绩对标提供参考依据，同时建立起营销部门的成本管理责任制。随着企业处理大量业务订单的信息技术成本不断降低，企业可以估计市场营销、销售和分析活动的成本驱动因素是什么。大数据汇总出不同类型用户营销服务的次数、时间与耗费，使用服务人员的种类，不同用户倾向的服务种类，将销售和服务成本追溯到产品上，锁定特定顾客的营销服务成本。研究特定顾客的服务成本是否超过了销售收益，为将来企业在市场上完成产品及服务定价，提供定制服务做好数据准备。
二、中央数据调度，强化过程管理
（1）信息中心运营监测，率先发现经营问题。管理会计要求对每一个生产过程开展管理，大数据中心将责任中心内部发生的、由管理者直接控制的生产动作和资源消耗过程信息，迅速反馈到责任中心管理者那里，便于责任中心管理者及时作出工作调整。公司运营监测（控）中心建成业务信息资源共享平台，依据数据治理的要求，对公司经营管理业务“全方位、全流程、全天候”监控，实现各项指标数据“在线监测、在线分析、在线计算”，真实反映公司运营管理现状，实现快速有效地发现问题，预警并协调，使信息能够对责任中心管理者产生最大的效用。运营监测（控）中心依据生产、营销、职能各部门特定工作周期，制定指标数据核查节点及数据整改治理方案，定期（每月、每周、每天、甚至每小时）对外运监报告，责任中心负责人根据监测报告，对报告中提及的工作坏点、差错进行修正，重点关注有偏差趋势的数据，遏制不良势头的发展。
（2）设备运行全程监控，确保电网稳定可靠。状态检修辅助决策系统是以预测评估为主要手段的新型电网资产运维管理模式。模式有机结合了状态检修与计算机在线技术，基于设备运行数据分析，显著提升状态评价的科学性和评价结果的有效性。系统通过传感器数据对设备开展状态评价和风险评估，识别重要设备维修需求，在设备隐患变严重或导致更高维修成本前发现问题，自动生成预防性维修任务，减少整体维修成本和停机相关成本。同时帮助确定设备检修、试验周期及技改项目，提高检修的针对性和有效性，避免检修力量的无差别使用，实现设备动作管理、检修管理和巡检管理的自动化。提升人力资源使用效率，设备管理责任制得到更好落实，关键设施资产状况改善，使用期限得以延长。
（3）严堵电量滴冒跑漏，全面线损精细管理。技术线损接近理想值、管理线损趋于零是管理者的目标。为了实现目标，把已建成的PMS、GIS和CMS系统实行数据互联，逐步完善输电到配电的一体化线损精细管理。技术线损方面，成立专业小组对线损率不合理母线进行分析，通过分时段、分母线段分析手段来定位线损率不合理的母线分段，配合发现潜在的表计故障及参数设置错误，根据分析结果指导各专业制定和落实整改举措，并结合日常运维做好厂站端监测装置巡检、消缺工作，提高线损数据比对成功率。管理线损方面，充分利用用电信息采集系统对已安装关口表的台区开展线损分析比对，通过内场分析，排除系统错误、统计差错等内部原因后，将须现场检查的台区发送至管理班组，由专业班组对电量异常和线损不合理台区开展现场检查，落实后续处理，快速止住电网“出血点”。
三、助力战略布局，深化绩效管理
（1）非财务指标数据汇总及分析。短期财务指标无法准确地反映企业长期绩效，因此评估和报告大量非财务指标比评估月度或季度利润显得更为重要。这些指标以公司战略为基础，在评估包括生产、市场营销和研发等方面，是影响企业成功的关键因素。从更重要的意义上讲，对运营为基础的非财务指标评估，是管理会计系统回到原有状态，发挥最广泛作用的具体表现。设立全面的评估体系，涵盖影响企业可持续发展的所有因素，包括考量成本管理水平的成本费用收入比重、每万元电网资产运行维护成本；考量资产效率的总资产周转率、单位资产售电量、单位电网投资增售电量；考量资产质量退役设备的平均寿命；考量安全水平的人身轻伤、电网和设备事件数、信息通信安全运行事件数；考量服务质量业扩报装服务时限达标率、优质服务评价指数；考量安全可靠输变电系统故障停运平均恢复时间、继电保护正确动作率；考量创新能力科技进步获奖指数、管理创新指数。非财务指标评估体系全面评估企业的可持续发展能力，各指标也实现了同业对标的可能，挖掘企业发展潜力，为企业在行业内的不断成长指明方向。
（2）升级绩效管理提升员工价值。人是企业发展的第一要素，员工价值的提升是企业价值提升的必要条件。通常企业难以评估员工价值的提高，然而一些非利润性指标如：招聘成功率、员工离职率、旷工情况、连续安全生产天数、技能升级和岗位晋升等指标，可以用于评估企业人力资源的发展趋势，体现公司以提升绩效为导向的企业文化，变员工被动成长为主动成长。设立员工绩效积分制评估模式，对员工进行量化考评、全方位打分，绩效积分与工资薪点挂钩。评估将定量考核和定性评价相结合，内容包括关键业绩指标、重点工作任务指标、工作质量指标、人才当量指标、考勤记录指标及获奖情况等。全方位反映员工行为规范、生产安全、技能水平、工作绩效的综合水平。标准是以员工一定时期内完成的工作任务数量和质量的量化累计作为评价员工绩效的依据，包括以员工完成的本职工作、上级布置的临时任务和其他事项为内容的“数量积分”和以完成工作任务的及时性、准确性、规范性为内容的“质量积分”。各项指标的信息采集由员工绩效指标库和ERP系统提供，员工可依据评估模式，不断实现自我成长，获得更高的积分，企业也可清晰掌控现有人力资源情况。
四、利用数据资源，开拓创新领域
（1）实时电价体系的设计与运用。实时电价就是电能实现实时定价，管理者能够将不同时间段的不同负荷量与电价挂钩，增加用户在电力市场的参与度，从而提升负荷因数，减少电力资产的投资，给消费者提供更多的选择。智能电网的布局在技术上为实时电价做好了准备，公司可以透过大数据关联，权衡负荷需求和电量供给，将发电到用电的价格迅速计算，然后使用通信技术，将实时价格给用户，用户依据电价完成用电负荷的选择。
（2）电动汽车充电站的布局与选址。推动新能源车商业化和民用化，除了新能源车本身性能不断提升外，还需要快捷高效的电能补给网络——充电站网络。充电站的合理配置、有序建设关系到车辆续航能力和使用成本，充电设施建设成本和利用效率。因此，要追求社会成本最小化，必须合理布局充电站网络。现阶段充电站建设按实际需求建设，随着新能源汽车公共数据采集监测日益成熟，结合车辆定位数据、交通流量和路网情况，综合考量电动车的总体需求、车辆里程消耗、充电系统功率等因素建立运算模型，甄选最优充电站建设区域，设定最佳私人与公共建设区域比例，形成不同层次的快充网络，并对总量规划进行布局，建成覆盖全市主要功能区域的电动汽车快充及服务网络。
大数据技术论文范文第3篇
在大数据时代下高效的数据处理速度使得信息具有更高的效用，发挥了更大的速度优势.在数据真实可靠的基础上，其快速的数据处理并没有使得信息量减少，而是更加全面地包含了更多的细节信息，甚至于其他不相关信息都会被准确的排除.这样就最大程度地降低了信息化的成本，提高了信息化的效率.
2大数据与企业会计信息化
会计信息化是我国“十二五”期间会计改革与发展的重要内容之一，也是很多企业提高会计系统效率的有效途径.会计信息化是信息社会的产物，是将计算机、网络通讯等先进的信息技术引入会计学科，促进企业会计系统网络化发展的过程.大数据的兴起、云计算的增速和以云计算为基础的云会计的应用为会计信息化的发展提供了技术支持和平台.企业会计信息化的深度发展对于大数据的需要与日俱增.
2.1企业会计信息化的现状
1、会计信息披露具有偏向性，导致信息不对称.传统的会计信息系统会诱使企业选择特定的会计方法而造成企业管理人员利用自身是信息提供者这一优势，不断地美化会计报表，这对于外部使用者而言是非常不公平的.2、内部自我约束能力弱，导致数据不真实.在传统会计信息系统下，一些企业为了眼前经济指标的提升或者任务的完成，常常通过人为调整会计报表来应付各机构的检查，自我约束能力弱，数据失真.还有很多企业对现有的政策法规钻空子、打球的现象屡禁不止.聘请的第三方审计机构也本着“企业利益最大化”的审计目标，对企业不真实的数据进行舞弊，以点盖面.3、核算量大，导致信息披露不完全.传统的会计信息系统下，会计的信息系统发展越来越不能适应高速发展的经济业务，很容易造成信息披露不完全.信息经济时代下，应该更多的提供企业未来价值的知识资源，而不是沉浸在企业过去的财务数据中.4、企业信息数据单一，导致信息缺少指导性.传统的会计信息系统主要是对企业财务信息的反映，往往忽视了非财务信息.企业自身变化的社会经济形势要求我们不能只依靠过去的财务数据对未来发展做出预测.对企业未来的发展预测用某些非财务信息可能会更加合理.如企业的环境成本、社会责任等信息都需要非财务信息的提供.5、信息传递滞后，导致会计信息缺乏时效性.传统的会计信息系统采用先发生交易事项后进行记录的程序，无法满足当代企业对信息时效性的要求.企业以及社会各机构、投资者越来越需要了解随时发生的财务信息，对其进行更好的决策，这就要求企业不定期的提供会计信息，对于会计期间的定义也不再以年为单位了.因此，现有的会计信息滞后的时效性严重影响使用者的需求和投资者的决策.综上可知，传统的会计信息系统逐渐出现了不适应当今经济发展的事态，高效、全面的信息化系统变得越来越重要.在大数据时代下会计信息的不断创新，快速发展势在必行.
2.2大数据对企业会计信息化的促进作用
大数据时代下，对会计信息化的促进作用主要表现在：信息结构更加客观，既强调了会计信息的精准性，又不失相关性；财务会计信息管理的程序化；会计人员工作转向宏观信息管理；多元化的计量单位.在大数据时代下非结构化数据成为主导，在会计信息中可以更好的融合结构化和非结构化数据，更好的提高数据的相关性，并且不会人为的进行舞弊.程序化的会计信息管理也将出现，财务部门逐渐将不再作为一个部门，而是作为一个类似于“企业”的独立个体，数据的获取可以不通过部门的上报来实现，而是通过财务部门设定的独立软件获取，这也提升了财务本身的独立性，同时也可以为其他部门提供共享服务；财务部门不需要对数据进行处理，而是转变成为数据的使用和管理者.在大数据时代下，多元化的计量单位将会出现，会计计量单位会出现相关的时间、数量单位等.
2.3大数据时代下会计信息化面临的挑战
大数据时代下，企业会计信息化系统是通过互联网来实现与客户、供应商、银行、税务等机构互通的，其提高企业财务管理效率的作用是显而易见的.但目前因为大数据的发展尚未成熟，这就为会计信息化的快速发展带来了较大的挑战.1、数据的来源以及处理方式.大数据时代下最令人关注的问题就是数据从何而来，以及数据的处理方式.①美国数据科学家维克托•迈尔•舍恩伯格在《大数据时代》一书中提出，“以前一旦完成了收集数据的目的之后，数据就会被认为已经没有用处了.比如，在飞机降落之后，票价数据就没有用了；一个网络检索命令完成之后，这项指令也已进入过去时.但如今，数据已经成为一种商业资本，可以创造新的经济利益.”大数据时代下，数据的来源无孔不入，互联网平台上的任何一种资源都可以成为其来源方式.网络平台对用户使用的信息一览无余，一个简单的第三方软件就可以知道我们需要什么，需要何种服务，经济状况如何，经常偏爱哪种东西等等.企业在云端储存的数据对于云端后台的信息维护人员来说，获取变的轻而易举.防止恶意程序以及提高用户的安全系统，保护数据的隐私是很难解决的问题.在通过各种方式获取了用户的数据信息之后，要用这些数据干什么以及如何使用就成了关键性问题.大数据时代下的信息处理是通过特定的程序来完成的，这样的结论更加客观，同时结论的得出也具有局限性.大数据理论过于依赖数据的汇集，那么一旦数据本身有问题，就很可能出现满盘皆输的局面，因为数据的问题，做出的错误预测和决策，导致一个数据有问题，由此相关的数据而产生的信息本身都是问题所在.这对于数据来源的要求是非常高的，一旦有提供者造假，大数据带来的危害是不可忽视的.2、传统用户对云计算、云会计的排斥.对于不知道云计算如何使用、互联网软件能带来什么效益的用户来说，这项工作还是很难完成的，大数据的推广受到了很大的阻碍.对于云会计更广泛的应用，改变传统的用户观念以及现有的会计信息系统，使网络平台更容易被用户所接受是一个非常艰难的过程.3、超满负荷的网络传输问题.大数据时代下，会计信息化系统必须依赖于网络，这就要求企业应具备一个良好的网络传输环境.就目前而言，网络的堵塞和数据的延时都是大量的数据存储和数据交换造成的，超满负荷的数据传输成为会计信息化中的一个瓶颈，网络技术的发展目前还不能完全满足包括网络自我恢复、故障检测、问题警告等功能的实现.
大数据技术论文范文第4篇
关键词：大数据；学术期刊；评价标准；创新
DOI：10.163 15/j.stm.2016.04.014
中图分类号：F276.3 文献标志码：A
学术期刊办刊水平的高低最终要通过期刊评价予以检验，从一定程度上讲，期刊评价的标准决定了期刊未来发展的方向和目标，期刊评价标准的合理设立对学术期刊的健康成长至关重要。随着移动互联网、云计算、可信计算等一系列新型信息技术的迅猛发展，一个大规模数据生产、储存、分享、应用的“大数据”时代逐渐开启。“大数据”时代的到来，对我国学术期刊的未来发展将产生巨大影响，期刊的运营模式、出版流程都将发生根本性变革，如一些学者所预测的，“大数据”时代的到来将造就全新意义上的学术期刊。相应地，“大数据”也将导致学术期刊评价的革命，一方面，大数据时代学术期刊功能定位的变化要求必须确立新的、符合时展要求的评价标准，另一方面，大数据科技的应用也将为期刊评价提供新的技术手段与方法，大大提升期刊评价标准的精确性与全面性。在这一背景下，深刻把握大数据时代学术期刊发展规律，科学探析大数据时代期刊评价标准可能的创新与发展方向，对于我们有效应对大数据挑战，推动学术期刊的未来发展具有重大意义。本文拟对这一问题进行初步探讨，以期对未来期刊评价方面的研究有所启示。
1我国当前主要学术期刊评价系统及其评价标准
1.1我国当前主要学术评价系统
我国当前的学术评价体系起源于20世纪70年代，经过几十年的变革与发展，目前形成了既符合国际化评价标准要求又具有我国学术研究特色的学术期刊评价体系。根据学科和专业研究领域的不同，目前已形成了5大期刊评价权威系统并根据其系统要求定期出台期刊评价报告，这5大系统包括：南京大学研制的《中国人文社会科学引文索引》、北京大学图书馆研制的《中文核心期刊要目总览》、中国社科院文献信息中心研制的《中国人文科学引文数据库》、中国科学院文献情报中心研制的《中国科学引文数据库（CSCD）》以及中国科学技术研究所研制的《中国科技论文与引文数据库》。
1.2五大评价系统的具体评价标准及其特征
这5大评价系统的期刊评价标准主要是根据布拉德福文献集中定律和加菲尔德文献集中定律予以制定，其具体评价指标则参考了美国EI、SCI等国际期刊数据库的评价标准。所谓布拉德福集中定律，是1934年由英国学者S.L.布拉德福提出的，他在对一些特定的学科领域期刊的数量及其刊登的相关论文数量进行统计的时候，发现期刊的内容对于某一个别学科来说呈现出远近亲疏不等的情况，“如果将科学期刊按其登载某个学科论文数量的大小，以渐减顺序排列，那么可以把期刊分为专门面向这个学科的核心区和包含着与核心区同等数量论文的几个区。这时，核心区与相继各区的期刊数量成1：a：a的关系。”核心区的期刊就是刊载学科论文数量最多、包含相关信息最丰富的那部分期刊。加菲尔德文献集中定律，是20世界60年代，由美国学者加菲尔德提出的期刊分布定律，他通过对一些综合性和专业性检索工具检索和收录论文的比率进行分析，发现各学科的核心期刊主要集中在少数的期刊中，而主要的期刊则更少，大多数学科期刊的发展呈现出明显的集聚效应。这两大定律是目前国际上制定学术期刊评价标准的主要依据，我国五大期刊评价系统也主要以这2个定律为准则，并在此基础上制定了大致类似的评价标准，五大评价系统的具体评价指标，如表1所示。
这五大评价系统的评价标准具有几个共同的特征：首先，5个期刊评价系统都是采用引文分析法，即通过对期刊论文索引量、被引频次和影响因子等指标的统计分析来对期刊质量作出评价，这3个指标也是期刊评价中的核心标准；其次，期刊评价数据的采集主要依托中国知网、万方、维普等网络数据库的数据资源进行统计，不进人这些数据库的文献不计入统计；再次，期刊评价基本是围绕期刊刊载文章的影响力指标进行评价，在专业领域越有影响的期刊，其评价结果就越好。
客观来讲，当前五大评价系统的评价标准是在借鉴国际已有成功经验并结合了我国学术研究特色来设定和构建的，它通过对客观数据的严格统计分析来对期刊予以评价，在一定程度上避免了人情因素、主观偏见对期刊评价的负面影响，具有相当的客观性与科学性。但同时，以影响因子和引文分析为核心的评价标准也存在诸多局限：首先，由于不同检索数据库所收录和统计的文献及期刊种类和数量有所不同，导致同一期刊依据不同数据库数据计算出的影响因子常常产生巨大差异；其次，不同学科发展情况和设置缺陷导致期刊统计源结构不合理，一些学科的期刊统计源期刊很多，影响因子较高，而一些冷门学科的期刊统计源极少，影响因子很低；最后，当前的评价标准主要关注后的索引量、被引频次，不仅评价指标片面，而且难以避免不当引文、无效引文对统计结果的影响。
2大数据对学术期刊评价标准的影响
大数据技术的应用给学术期刊的未来发展带来巨大变革，这些变革集中体现在对学术期刊评价标准的深刻影响之中。
2.1期刊评价的可采集指标更为丰富
在大数据的背景下，期刊出版发行形态将发生巨大变化，以前以纸质印刷、定期刊发为标志的出版方式将向电子化、网络化、不定期出版方向转移。期刊论文的创作、审核、修改、编辑、发表以及发表后所产生的社会反馈和影响都将依托于数字化网络平台进行，而这整个过程中的所有数据也将通过大数据技术予以记录，除了转引率、被引频次等数据，大数据和云存储技术可以为期刊评价提供更丰富的数据资源和种类以备采集，并作为期刊评价新的指标。比如，大数据技术支持下的电子阅读终端可以记录读者对某篇文章的阅读时间、次数，甚至在某些段落的停留时间，这对于未来期刊的反馈评价将是一个重要指标；再比如，通过“云存储”、“云计算”等技术可以对前的选题热度、潜在价值做出客观评测和计算，这可以做为期刊选题价值的评价指标；除此之外，大数据还可以收集并记录期刊选题策划方案、编辑规范性、构图设计水平等方面的信息，为学术期刊的整体评价提供参照指标。
2.2期刊评价的数据统计更加全面精准
以往对评价数据的采集，主要依据知网、维普、万方等数据库统计源，但许多没有被这些数据库收录的期刊却不能进入统计范围，而且由于检索系统所收录的期刊群组成差异较大，所计算的影响因子值也会产生较大差异，导致同一刊物在不同检索系统中计算出明显不同的影响因子数。而依托大数据技术的期刊评价数据采集，不仅可以覆盖全网络信息资源并统一计算方法，避免因数据库收录不足和算法差异导致的因子计算缺陷，而且对于被何种方式引用，引用量多少，有效还是无效引用，自引还是他引，都能准确记录，实现对期刊评价相关数据更为全面和精准的统计。更关键的是，大数据能够为期刊评价提供论文编辑出版发行过程中的全数据样本，并对后的索引转载情况实时动态更新，对读者阅读评价反馈全面搜集，从而实现评价数据统计的静态与动态统一、主观与客观结合。
2.3期刊评价的读者影响力更加突出
大数据背景下，期刊评价将更加突出读者评价的地位和作用。以前的期刊评价统计实际上是注重论文引用者和转载者的评价地位，兼顾同行、专家和评价机构的综合评议。但是对公开发行的期刊论文来说，论文的引用和转载者可能只是读者中的一小部分，大多数读者在阅读后不一定会将之运用到学术创作之中，但同样会对文章质量作出心理评价，这种评价实际比单纯的引文评价更全面、更有说服力但也更难以计量。而随着数字技术的发展，大数据时代的期刊出版将逐渐进化到电子出版阶段，新的电子期刊平台将不仅是一个阅读平台，更是期刊社为读者、作者、专家提供的一个互动服务平台，在这个平台上，不仅读者的浏览偏好和阅读反馈会被储存下来，而且通过独特的互动窗口，他们还可以和作者、编辑、审稿专家进行直接讨论，他们对文章内容的意见、对刊物选题策划、栏目设计、编辑方式、服务水平甚至是办刊宗旨的建议都将被完整记录，并成为期刊评价重要的参考指标。与此同时，由于大数据技术将使评价机构进行期刊数据收集和质量评价的整个过程变得更为公开透明，无形中就降低了评价机构的控制力与影响力，相对地也就更加凸显出读者群体在期刊评价中的作用。
2.4期刊评价的创新性指标更加重要
大数据时代的期刊将进入电子出版为主，纸质出版为辅的阶段。相对于纸质载体，电子载体具有无限承载能力和丰富多样的表现形式，这必然突破原来期刊篇幅、版面、格式的限制，期刊刊载论文数量将大大增加。同时，由于期刊审稿流程的变革，期刊未来会将收到的论文经过简单编辑处理直接通过电子平台，而不再经过繁琐的审稿流程（经过读者和同行评议，获得较高评价的论文再以纸质出版），这又必然导致期刊论文质量的良莠不齐。原来以索引量和发表数的比值为计算指标的影响因子评价的缺陷将更加突出。如何从海量出版信息中发现、挖掘出具有创新价值的内容，以最方便的方式提供给读者阅读评价，将是期刊首先要考虑的问题，也是未来期刊评价中非常重要的参考指标，这也将使期刊评价中的创新性、吸引力指标凸显到更加重要的位置。
3大数据背景下学术期刊评价标准的具体指标及其计算公式
大数据彻底改变了学术期刊未来发展模式及其评价方式，同时也为未来期刊评价的发展创新提供了强大的技术支持和充足的数据资源。笔者认为，依托大数据技术，未来学术期刊评价的参照指标将发生巨大变化，与当前主要参照转引率和影响因子来评价不同，未来期刊评价的指标将更加多元、更加精细，而且也将在很大程度上弥补当前评价指标的局限与不足。具体来说，未来大数据背景下，学术期刊的评价指标将可能包括以下几个方面：
3.1关注度评价指标
依靠大数据的技术支持，未来期刊评价可以尝试将期刊论文的关注度列入评价标准之中。电子化阅读终端和云计算技术可以准确记录读者在阅读期刊时的阅读量、点击量、阅读时间、阅读段落甚至是可能的阅读字数，有效记录并计算读者阅读的关注点与精细程度，阅读之后在学术社交网络和开放存取平台中被讨论的次数，并实现对期刊论文受关注度地量化统计，这将为期刊评价提供重要的参考指标。客观来讲，期刊的受关注度并不能直接反映期刊刊载文章的水平和深度，尤其对一些相对冷门的学科和研究领域，文章的专业性比较强，读者比较小众，关注度也较低。因此，在将关注度作为期刊评价指标时，必须避免单纯的量化统计，而应结合学科在不同时期的纵向对比，以及文章在稳定读者群体中关注度的变化来具体衡量，笔者认为，可以尝试在不同学科之间设置合理的浮动系数，以统计数据乘以浮动系数来计算期刊真实的关注度水平。
3.2创新观点评价指标
在大数据时代，对期刊学术水平的评价将不只体现在对其刊载论文水平的评价上，而会更应进一步细化到观点评价的层面。未来结合大数据技术的检索工具可以实现对期刊发表内容的观点检索，对期刊中关注度高、创新性大、前沿性强、具有较大影响力的观点进行数据统计和分析，以读者和同行“点亮”和转发的观点数量为统计指标，代替单纯对论文引用和下载地统计。观点评价的特点在于灵活、简洁，易于突出重点，可以更加凸显作者思维成果的创新度。它改变了以往期刊评价难以量化计算期刊创新性的局限，细化了期刊评价的创新性标准。与论文评价相比，它不仅更加适应数字化出版时代“眼球经济”发展潮流，同时也更加符合大数据时代期刊出版业态的变革趋势。
大数据技术论文范文第5篇
关键词 大数据；CiteSpace；教育
中图分类号：G642 文献标识码：B
文章编号：1671-489X（2016）18-0069-03
Abstract The advent of the era of big data has brought new vitality
and challenges for educational research. This paper uses bibliometric visualization software Cite Space to analyze thesis with key words data and education from CNKI based on Co-occurrence analysis of keywords， explore the hot issues in the field of educational research， summarize the research status and trends.
Key words big data； CiteSpace； education
1 引言
近年来，教育领域研究者开始关注大数据背景下的教育管理模式转变、教育决策研究等内容，大量基于大数据背景的教育领域研究论文逐年增加。以“大数据”“教育”为主题关键词在CNKI中国知网进行搜索，仅选择SCI、EI、中文核心、CSSCI四类来源期刊截止到2015年12月出版的文献，共检索到417条数据，从2010年开始呈现出逐年上升的趋势。对这些文章进行浏览和筛选，选择与本研究主题相关的论文，共247篇。对这247篇文章的关键词信息进行研究，分析大数据的出现对教育领域研究热点及发展趋势的影响。
2 教育领域热点问题研究知识图谱
CiteSpace软件是一款引文可视化分析软件，着眼于分析科学知识中蕴含的潜在信息，通过可视化的手段呈现科学知识的结构、规律和分布情况[1]，能对文献进行作者分析、关键词共现分析、机构分析、作者共被引分析、文献共被引分析等。关键词共现分析是一种内容分析技术，通过分析在同一个文本主题中的款目对（单词或名词短语对）共同出现的形式，确认文本所代表的学科领域中相关主题的关系，进而探索分析学科领域的发展，发现学科的研究热点和研究趋势[2]。
使用CiteSpace软件对下载的文献进行关键词共现分析，生成图1所示关键词共现知识图谱，分析大数据的出现对教育领域研究热点和趋势的影响。关键词出现的频次由圆圈代表的节点反映，圆圈越大，表明关键词出现次数越多，最大圆圈代表的关键词是“大数据”。
根据图1得到表1所示文献关键词、被引频次、中心性等指标数据。中心性代表共现程度的高低，中心性越强，表明该关键词与其他关键词共同出现的几率就越大，也就表示该关键词在共现网络中的影响力越大。从知识理论角度分析，频次和中心性高的关键词一般是某一段时期内研究者共同关注的问题，也就是研究的热点和前沿。表1中，“大数据”是频次最高也是中心性最高的关键词；“学习分析”频次为23，中心性为0.22；“数据挖掘”频次为13，中心性为0.15，等等这些都是热门的研究主题。
3 大数据背景下教育领域的热点研究
依据图1和表1所示结果，将大数据背景下教育领域的热点研究总结为以下几个方面。
学习分析和数据挖掘 教育数据挖掘是数据挖掘在教育领域的新型应用，主要目标为知识发现、决策支持和推荐等。学习分析是测量、搜集、分析和报告学生及其相关的学习环境的数据，用以理解和优化学习过程和学习环境[3]。
教育数据挖掘专注于技术层面，侧重教育数据模型和模式的抽取，强调挖掘结果的自动化反馈；学习分析更注重研究有利于改善学习的干预措施。
2012年，美国教育部了报告《通过教育数据挖掘和学习分析促进教与学》[4]，提出“数据驱动学校，分析变革教育”的大数据时代已经来临，要综合运用教育数据挖掘和学习分析，构建教育模型，探索教育变量，为教育教学提供有效支持。
在CNKI中以“学习分析”和“教育数据挖掘”为关键词进行检索，得到图2所示的文献数量趋势图。如图2所示，2010年以前的文献数量很少，但2010年之后开始呈指数式增长；2016年1―2月份刊登的相关主题期刊论文已有5篇，可以预计本年度，学习分析和数据挖掘仍将是大数据背景下教育领域的研究重点和热点之一。
在线教育――兴起与变革 以“在线教育”和“大数据”为关键词进行搜索，得到图3所示文献数量趋势图。目前在线学习的发展趋势主要有如下表现。
1）移动学习是大方向：随着无线网络的覆盖，移动终端特别是手机用户的增多，移动学习逐渐发展起来。
2）免费是大趋势：目前在线学习存在各式各样的免费现象，如免费试用、前期付费后期免费等形式。
3）细化管理是要求：任何一种在线学习方式，都离不开资源开发、管理和优化等工作，需要设定管理要求，细化规则。
4）实现互动是必然：交互功能是在线学习软件必然要设计的功能，大多数在线学习使用者表示学习过程中希望能有更多的互动交流。
5）个性化学习是亮点：学习分析和教育数据挖掘的出现，使得在线学习存储的大量数据能够被更快速分析和使用，学习者可以随时掌握学习状况，开发商也可以掌握学习者的兴趣点、学习特征等，为学习者推荐或制订个性化的学习方案。
教育信息化 我国的教育信息化主要包含两层含义：一是把提高信息素养纳入教育目标，培养适应信息社会的人才；二是把信息技术手段有效应用于教育，注重教育信息资源的开发与利用。教育信息化的核心是教学信息化，要求在教育过程中较全面地运用现代信息技术，促进教育改革，适应信息化社会提出的新要求，深化教育改革，实施素质教育。随着大数据时代的来临，教育信息化也在不断进步，未来的教育信息化将在教育云平台上进行展现，现有的教育网、校园网将全面升级，实现互联网、电信网、广电网等跨平台使用并支持移动设备。
在CNKI中以“教育信息化”和“大数据”为关键词进行检索，2013年共有3篇学术论文，2015年共有10篇，研究主题包括大数据时代的信息化教学、教师培训、课程资源建设、教育舆情监控等。
教育决策 以“教育决策”为关键词搜索到上千篇学术论文，以“教育决策”和“大数据”为关键词，2013年以来共有8篇论文。大数据将在教育决策中发挥越来越重要的作用已成为共识，但如何利用大数据进行决策是目前面临的难题，如何解决这个难题也是研究者重点关注的领域。教育决策离不开数据，大数据背景下的数据更加复杂、凌乱，呈现碎片化的特征，并且掺杂一些虚假数据，如何收集、选择数据，是第一步需要做的事情。大数据对于教育决策的价值在于为教育服务，将数据转化为支持决策的信息，需要数据分析者具备综合、全面的数据分析素质和能力。大数据的核心是预测，随着教育信息化和在线学习的持续发展，数据呈爆炸式增长，需要对数据进行整合、分析，发现新知识，为教育优化服务。
4 数据推动决策
传统决策过程主要依靠决策者的经验，主观性较强，或多或少存在一些不足，难以充分发现教育过程中的潜在问题，无法真正有效地优化教学、提高学生表现。信息化推动了人类发展，逐渐成为人类生活必不可少的重要部分；信息化技术普及的同时，也产生前所未有的海量数据。大数据时代的来临，颠覆了传统数据分析方法；大数据背景
下，利用数据挖掘方法发现问题、支持决策具有多方面的意义。
1）优化教学、提高教育质量。教师若能充分利用学生学习数据，分析学生学习过程，可以更加快速、便捷、有效地了解学生，发现不足之处并及时反馈，提供改进意见等[5]。
2）为学校管理者制订更加合理的教学计划和方案提供决策支持。基于数据的教育决策能够为管理者提供更加准确、合理的决策支持。基于数据的教育决策能够提供从数据到决策，实施决策后产生的数据再到决策的一种良性循环过程[6]。
3）帮助地区甚至是国家级决策者进行科学判断。数据推动决策具有相当明显的优势，能为决策者提供全方位的视角。大数据分析得到的结果具有全面性、多视角性、参考性强等特点，能够更好地为决策者提供决策支持。
5 结语
上文所分析出的教育领域热点研究问题，都紧紧围绕“数据推动决策”这一主题，学习分析和教育挖掘是分析方法和技术；在线教育是数据来源；教育信息化是信息化大数据环境；教育决策则是根据数据制定决策并运用于教育教学。可见，利用数据推动决策已成为教育领域在大数据背景下最为重要的研究问题之一。
参考文献
[1]陈悦，陈超美，胡志刚.引文空间分析原理与应用：Cite Space实用指南[M].北京：科学出版社，2014.
[2]潘黎，王素.近十年来教育研究的热点领域和前沿主题：基于八种教育学期刊2000-2009年刊载文献关键词共现知识图谱的计量分析[J].教育研究，2011（2）：47-53.
[3]Siemens G. Learning and Knowledge Analytics-Knewton-the future of education？[EB/OL].[2011-04-17].http：///？p=126.
[4]Enhancing Teaching and Learning through Educational Data Mining and Learning Analytics[DB/OL].[2012-10-12].http：//ed.gov/edblogs/technology/files/2012/03/edm-la-brief.pdf.
