多出/入口仓库的货位优化研究

在“人到货”多出/入口仓库货位优化问题中,为了减少库内整体作业时间,提高拣选效率,基于多维标度分析算法（Dimensional Scaling Analysis algorithm,MDS）与峰值聚类算法（Peak Clustering algorithm,DPC）,提出以货品相关性为基础的货位优化方法。首先通过历史订单数据进行分析获得货品相关度矩阵,并利用多维标度分析算法对相关度矩阵进行数据处理,在仓库实际情况下确定合适数量聚类簇后,采用峰值聚类算法将相关性高的货品聚类形成一个具有高相关性货品集合,再据货品集合优化存储区域。最后,本文通过实际案例进行分析,比较本文存储策略与原始存储策略在跨区域拣选条件下订单平均拣选距离,并通过本文优化策略与随机策略在相同规模订单情况下比较验证,结果显示,本文策略比随机策略优化平均优化24.56%,有效地提高了订单拣选效率。     

基于改进认知可靠性与失误分析方法的隧道驾驶人因可靠性分析模型

为有效预测驾驶人通过隧道时的人因失误概率,减少人为差错,提出一种基于改进认知可靠性与失误分析方法（cognitive reliability and error analysis, CREAM）的隧道驾驶人因可靠性分析模型。结合隧道驾驶任务的特点,调整共用绩效条件（common performance condition,CPC）,给出评估细则。使用模糊数将CPC因子的绩效效应值从确定值转换为概率值,以降低主观因素对评价结果的影响。考虑CPC因子间的相互影响关系,给出调整规则。最后建立基于贝叶斯网络的改进CREAM模型,确定控制模式。对隧道驾驶实例进行分析,计算驾驶人完成隧道驾驶任务的人因失误概率。结果表明,该模型可以准确计算隧道驾驶任务中的人误概率,且灵敏性比CREAM基本法更高,可为隧道交通人因可靠性分析提供支持。     

基于公平偏好与学习效应的委托代理契约设计

基于公平偏好和学习效应理论,通过改进传统经济学中纯粹自利人假设下的HM委托代理模型,研究了委托代理框架下存在公平偏好及学习效应的最优契约设计.结果表明:公平偏好能够激励代理人付出更多的努力和学习,而学习效应可以有效提高委托人的期望收益.当代理人具有较高的公平偏好和风险贴现因子时,最优激励契约应增加代理人固定收益比重,降低风险性的收益分享比重;雇佣具有较高初始能力的员工、激励员工加强学习均可提高委托人期望收益;雇佣具有较高公平偏好程度和较低风险规避程度的员工可以有效降低代理成本.该结论为降低代理成本,实施有效的委托激励提供了新的思路.     

基于能力激励的委托代理机制设计

运用委托代理激励理论，构建了基于信息经济学的委托代理博弈模型，深入分析了能力激励对委托代理契约和博弈决策的影响。研究结果表明：① 实施能力激励可有效提高委托人期望收益，且对个人价值实现系数较高的代理人更加有效；② 委托人承担培训成本时代理人的能力水平提高更多，且委托人可获得更高的期望收益；③ 信息成本与代理人风险规避程度有关，代理人风险规避系数越高信息成本越高。     

批判实在论对社会科学方法论贡献探析

本文从本体论、认识论和方法三个方面探析了批判实在论对社会科学方法论的贡献。它把社会实在的基本特征概括为分层与超验性、突现性和社会结构的能动转化性三个方面。在此基础上它探讨了“认识谬误”的实质、根源和后果,从知识论、因果关系解释论和科学研究程序等方面阐述一种新的认识论。其方法贡献主要集中在回溯法、水平与垂直因果关系解释法和社会行动转化模型三个方面。它批判了在社会科学方法论中实证主义与解释主义的两极张力,从五个方面克服它们各自的二分法缺陷。批判实在论方兴未艾,面对学术界的一些质疑,还有许多问题有待于进一步研究。