一、Effective Approach to Elevate the Intelligence of Management Decision System（论文文献综述）
陈国青,任明,卫强,郭迅华,易成[1]（2022）在《数智赋能：信息系统研究的新跃迁》文中进行了进一步梳理在大数据和人工智能技术飞速进步及其与社会经济活动的融合持续深化的同时,数据治理、高阶智能以及数智赋能正在成为数字经济发展的关注焦点,进而引发信息系统研究的新跃迁。本文首先刻画了我国信息系统研究的阶段演化框架,讨论研究的"造"与"用"视角、主题跃迁、价值创造特点、方法论范式等。接着,通过凝练对于大数据的认识、揭示管理决策要素转变,探讨了现阶段信息系统研究的若干前沿方向,包括"大数据驱动"研究方法论范式、智能方法创新、人机融合行为等方面的研究进展,并概述了相应的建模思路和求解路径。最后,从数据、算法、赋能的层面,阐释数智化新跃迁的新特征、新挑战、新课题,以期为我国信息系统学界提供前沿探索和研究创新的启发。
朱凯,潘舒芯,胡梦梦[2]（2021）在《智能化监管与企业盈余管理选择——基于金税三期的自然实验》文中认为企业通常会通过权衡应计盈余管理和真实盈余管理的边际收益和成本来确定盈余管理的方式和水平。金税三期系统以智能化为特征,有效实现了税收信息整合,能够充分发挥强化税收监管的作用,提高企业真实盈余管理的税收成本,但不影响应计盈余管理成本,从而改变企业盈余管理的选择。文章以各地区实施金税三期作为外生事件构造双重差分检验,研究了智能化税收监管对企业盈余管理选择的影响。研究结果表明,金税三期强化了对纳税不遵从企业的监管,增加了企业实施真实盈余管理的税收成本,使得纳税不遵从企业倾向于增加应计盈余管理,而且随着税率的上升,应计盈余管理和真实盈余管理的替代关系增强。文章的研究为理解企业盈余管理行为和制定税收监管政策提供了启示。
李鑫[3]（2021）在《铁路机车设备画像理论及关键技术研究》文中进行了进一步梳理铁路机务专业是铁路运输系统的重要行车专业,主要负责各型机车的运用组织、整备保养和综合检修。作为重要的铁路运输生产设备,机车的运输生产效率、设备质量状态、整备检修能力、安全管理水平等均会对铁路运输生产能力的稳健提升和经营管理工作的稳步发展产生重要影响。随着各种监测检测设备以及各类信息管理系统的广泛应用,围绕机车积累了形式多样的海量数据,数据增量及质量均大幅提升,数据价值日益体现,铁路行业对于完善机车健康管理的需求十分迫切。当前铁路机务专业在进行机车健康管理的过程中,存在分析方法较少、大数据挖掘不足、管理决策科学性较弱、综合分析平台缺失等问题。铁路机车设备画像理论及关键技术研究作为实现机车健康管理的重要手段,致力于加强机车数据资源的整合利用,通过客观、形象、科学的标签体系全面而精准地刻画机车的质量安全状态,并以此为基础深入挖掘潜藏的数据价值,实现机车事故故障关联分析、安全状态预警盯控、质量安全态势预测、检修养护差异化施修、稳健可靠管理决策等目的,支撑起铁路运输生产及质量安全管理工作的科学化、数字化、智能化发展。本文主要对铁路机车设备画像理论及其一系列关键技术进行了研究与应用,取得了以下创新成果:（1）提出了铁路机车设备画像理论。通过梳理机车设备画像的含义及研究意义,明确了构建铁路机车设备画像理论的必要性及其定位。基于此,给出铁路机车设备画像理论的定义与内涵,梳理了符合现阶段机车运输生产管理需要的铁路机车设备画像理论的构成,阐述了关键技术的研究方法及之间的逻辑关系。同时,设计相匹配的应用架构,介绍了其所包含的核心应用、赋能应用、总体目标等6个方面内容。这为系统性地开展机车健康管理相关研究提供了崭新的理论和方法支持。（2）构建了基于设备画像的铁路机车画像标签体系。通过整合利用机车多维度数据,提出了机车设备画像3级标签体系技术架构,全面分析所包含的数据采集层、标签库层和标签应用层,详细阐释各级标签的内容构成,形成机车画像标签体系的构建方法。针对聚类这一标签产生方式,改进K均值（K-means）聚类算法的初始质心选取方法,提高标签获取的精度和稳定性。通过在某铁路局开展机车设备画像实地应用研究,获得了客观、精准、完整、可靠的机车画像。（3）提出了基于Ms Eclat算法的铁路机车事故故障多最小支持度关联规则挖掘方法。针对机车事故故障在关联规则挖掘中具有不同支持度的特点,提出了改进的等价变换类（Eclat）算法——多最小支持度等价变换类（Ms Eclat）算法,以各项目的支持度值为排序依据重新构建数据集,进而运用垂直挖掘思想获得频繁项集;为了进一步提高Ms Eclat算法在大数据分析场景中的执行效率,将布尔矩阵和并行计算编程模型Map Reduce应用于算法的计算过程,得到优化的Ms Eclat算法,设计并阐述了相应的频繁项集挖掘步骤。通过比较,Ms Eclat算法及其优化算法在多最小支持度关联规则挖掘方面有着极大的计算效率优势。通过在某铁路局开展实际应用研究,验证了算法的有效性、高效性和准确性。（4）设计了基于时变概率的PSO+DE混合优化BP神经网络的机车质量安全态势预测模型。通过总结反向传播（BP）神经网络、粒子群优化（PSO）算法和差分进化（DE）算法的原理及优缺点,设计了基于时变概率且融入了防早熟机制的PSO+DE混合优化BP神经网络预测模型,详细阐释了这一预测模型的训练步骤。以某铁路局的机车质量评价办法为依托,选用灰色关联度分析方法选择出运用故障件数、碎修件数等7个评价项点,预测机车未来3个月的质量安全态势。经过实验对比,新提出的预测模型有着更好的收敛能力,对于机车质量评价等级预测及分值变化趋势预测的准确度分别可以达到98%和91%以上。最后开展了实际预测应用及分析,为科学把控机车质量安全态势提供了较好的技术方法。（5）设计了基于铁路机车设备画像理论的铁路机车健康管理应用。通过总结梳理铁路机车健康管理应用与铁路机车设备画像理论及机务大数据三者间的关系,设计了基于铁路机车设备画像理论的铁路机车健康管理应用的“N+1+3”总体架构及其技术架构。基于此,从设备、人员和综合管理3个方面介绍了机车运用组织、机车整备检修、辅助决策分析等7个典型应用场景,并特别给出这些场景的数据挖掘分析思路及框架,为铁路机车设备画像理论的扎实应用奠定了重要基础。最后,将本文所取得的相关研究成果在某铁路局开展实地的铁路机车健康管理应用实践,通过搭建人机友好的应用系统,完成一系列机务大数据挖掘分析算法模型的封装,实现了机车画像标签生成及设备画像分析、机车事故故障关联分析、机车质量评价分析、机车质量安全态势预测分析等多项功能。通过实际的工程应用,实现了铁路机车设备画像理论及其关键技术的创新实践,取得了良好的效果。全文共有图56幅,表21个,参考文献267篇。
黎燕燕[4]（2021）在《BW集团财务智能化建设研究》文中研究指明
李茵[5]（2021）在《面向医院管理的数据驱动决策研究》文中认为信息技术的快速发展与应用以及大数据战略的深入实施,使得大数据成为科技创新引领与决策支撑的重要战略资源,科学研究与实践正在完成“假设驱动”到“数据驱动”的巨大转变,大数据的深度挖掘与利用能够为社会发展、政府治理、国家安全等提供新的动能。围绕国家大数据战略,丰富和拓展大数据应用创新领域,推动管理升级,给学术界、产业界以及政府部门带来许多新的重要课题。其中面向健康服务供给侧的决策支持、决策引导和决策创新中的数据驱动、数据价值转换问题即是管理学、数据科学的核心科学问题之一,更是情报学应对大数据环境开展智慧型情报服务必须解决的关键问题之一。健康医疗大数据时代的到来,促使医院管理和医院管理者的观念都随之变化。数据驱动对医院精细化、智慧化管理决策具有重要意义。本研究从提升医疗管理决策质量的角度出发,构建数据驱动医院管理决策过程模型,分析数据驱动医院管理决策的影响因素,进而提出面向医院管理的数据驱动决策模型,并展开实证研究,为数据驱动决策领域的研究理论基础和实证研究提供参考依据,为促进医院精细化管理提供对策及建议。基于此,通过界定“数据驱动”、“医院管理”、“医院管理评价”与“数据驱动决策”等相关概念,以回顾数据驱动决策、面向医疗健康领域的数据驱动决策、面向医院管理的数据驱动决策以及数据驱动决策的影响因素研究现状为基础,综合运用文献调研法、半结构访谈法、问卷调查法、扎根理论法、结构方程法、统计分析法、机器学习法分析了面向医院管理的数据驱动决策的过程模型和影响因素模型,并构建了面向医院管理的数据驱动决策模型。围绕面向医院管理的数据驱动决策模型这一核心研究内容,本文第三章在已有BASM模型研究过程的基础上,结合医院管理决策场景的特殊性,探索面向医院管理的数据驱动决策的运行机理,构建面向医院管理的数据驱动决策过程模型,以梳理驱动的路径,理清其中的内在逻辑。该模型由处理过程模型及支持过程模型两部分构成,旨在分别回答面向医院管理的数据驱动决策过程中两个核心问题,一是数据本身如何转化并如何嵌入到医院管理决策过程中,二是医院中能够支持并且推动数据驱动决策的途径是什么。第四章采用扎根理论进行了面向医疗管理领域数据驱动决策的影响因素识别研究,编码面向医院管理者的半结构化访谈资料,经过饱和度测试,最终识别出了四个维度的影响因素。第五章在对影响因素定性研究的基础上利用结构方程模型方法进一步验证影响因素,探讨相关变量的权重和关系。阐述各个因素对医院管理决策的影响关系,验证数据驱动医院管理决策影响因素模型。第六章整合数据驱动医院管理决策过程模型和影响因素模型,构建支持医院管理决策全过程的数据驱动决策模型,探讨过程模型与影响因素模型的内在联系。第七章根据已构建的面向医院管理的数据驱动决策模型,进行基于DRGs分组的医疗服务能力评价和医生绩效评价管理工作的实证研究,修正和完善已构建的模型。具体内容如下:（1）构建面向医院管理的数据驱动决策过程模型。基于现有的数据驱动决策机制模型,结合医院管理实践,构建面向医院管理的数据驱动决策过程模型,该模型由处理过程模型及支持过程模型两部分构成,处理过程模型包括面向医院管理决策的数据处理过程和数据驱动的医院管理决策处理过程。决策处理过程既是数据处理过程的最后阶段,对数据处理的结果进行展示与应用,又会不断地产生新的数据,前推已有数据的老化和错误,补充和修正数据处理过程。而数据处理过程以决策处理过程中的阶段性需求为导向,能嵌入到决策处理过程的所有阶段,为决策处理的全流程服务。支持过程模型主要涉及两用户一技术。两用户包括数据分析人员和管理者,使能技术是创建和改进能够嵌入到操作系统的分析工具,这三个主体不能割裂独立,而可以互相转化并可能同时存在,共同对数据和决策进行处理,支持处理过程模型运转。（2）系统分析了面向医院管理的数据驱动决策影响因素。对主观及客观上影响管理者数据驱动决策的因素进行整合和相关分析,确定四个核心影响因素范畴分别是医疗数据质量,信息技术,医院组织管理和管理者信息素养,构建了影响因素模型,发现数据驱动医院管理决策能受到管理者信息素养、医院组织管理和信息技术的正向影响,其中管理者信息素养最强,其次是医院组织管理和信息技术;医院组织管理对医疗数据质量、管理者信息素养、决策目标均有影响,对医疗数据质量的影响要强于管理者信息素养;医疗数据质量能够对信息技术产生正向影响;信息技术对决策目标具有正向影响。（3）构建了面向医院管理的数据驱动决策模型。将过程模型与影响因素模型有机结合在一起,构成了面向医院管理的数据驱动决策模型。打造数据驱动决策模型,将医院数据质量标准化管理贯穿于医院管理全流程、智能化管理提升医务人员的信息技术、高效化管理增效医院组织三个方面分析模型的实现,提出模型优化建议。（4）基于DRGs的肺癌医疗服务绩效分析实证研究。模拟医院管理中运用DRGs分组工具解决绩效问题的真实场景,应用数据驱动医院管理决策模型,优化DRGs分组,优化绩效管理。研究最终确定性别、年龄、入院途径、离院方式、住院次数、医保付费方式、是否手术、合并症严重情况八个因素为影响肺癌医疗服务费用的因素,构建了8个DRGs分组,其中合并症严重程度、是否手术、住院次数是决策树分组的分类结点变量。选用医疗服务能力的指标（DRGs总权重、CMI）根据获取的数据进行比较,完成绩效评价工作,实现基于数据驱动决策的绩效管理。
汤艺佳[6]（2021）在《大数据驱动制造业企业管理决策优化研究 ——以奥迪集团为例》文中研究说明在现代商业中,数据的价值好比黄金,是一种新型经济资产,数字经济的强劲增长不仅为新公司进一步扩大市场提供了新的动力,也为传统产业的发展创造了机会。数据生产信息,信息改善决策。因此,数据积累量、数据分析能力、数据驱动业务的能力成为决定企业价值的主要因素。传统制造业必将全面投入到大数据研究和应用当中,而如何通过大数据应用优化企业决策能力成为现实问题。目前,学术研究大多集中于分析大数据应用于企业管理决策中的现状与影响,对大数据环境带来的冲击下企业管理决策发展“会产生什么影响”与“将会面临什么”进行了一定研究。然而,对于在大数据驱动管理决策变革的大环境下企业该“怎么做”这一更为本源的问题研究较少,且对于大数据驱动管理决策优化使企业业绩提升缺乏路径研究与案例佐证。为此,本文借鉴了数字化应用成功企业——奥迪集团的经验,采用单案例研究法,通过收集档案记录和文献资料形成十余万字文档,从大数据驱动企业内部决策优化入手,分析大数据为企业提供新的资源和价值特征,创新性地复现了企业在大数据环境下通过认知更新发现价值、在生产经营中利用人工智能及数据挖掘等手段创造价值、在新型商业模式中应用平台模式创新附加价值的优化路径,对企业如何创造价值、如何实现价值等问题提供实践型思考,检验了集团后续财务绩效与市场反应,为现有数据驱动型决策理论提供案例支持。研究结果表明,大数据驱动企业管理决策的优化路径可以概括为以下几点:数据跨域整合实现精准管理,提升决策效率;数字平台构建实现数据共享与联动,增强数据准确性和预测能力;数据分析技术增强实现使能创新,促进决策转化。具体来讲,在研发决策方面,奥迪在线下建设“奥迪城”,线上打造“按需奥迪”服务平台,形成以客户需求为导向的数字化协同网络,从线上线下两种渠道获取客户需求,激发大数据的速度、创新性和可预测性,释放驱动效应,触发需求响应能力、需求导向能力和协同共创能力,最终实现研发决策优化;在采购决策方面,奥迪打造数字化供应平台和数字化运输通讯,形成共建共享的数字环境,激发大数据的真实性、全面性和协同性,从而提升信息获取与分析能力,最终提升风险应对能力;在生产决策方面,奥迪建立“智能工厂”、实行模块化生产计划,利用人工神经网络训练自学习质量控制系统。形成可追溯的生产信息链条,激发大数据的模块性、学习性和互联性,进而提升生产过程的智能感知、流程预见能力,最终形成流程管控能力。优化结果将从供应链敏捷性、客户粘性、盈利模式三个方面给企业的商业模式带来变革,从而提高集团绩效。最后,本文注重理论联系实际,从奥迪集团个案出发提出一些结论与启示,对其他数字化应用企业有一定的借鉴价值,也为制造业企业利用大数据的机会优化内部管理决策提供参考。
王浩[7]（2021）在《水电企业智慧化转型的影响因素与路径研究》文中研究说明信息技术的发展不仅为我们的生活和工作带来了诸多的便利,也为地球、城市、社区和企业都带来了巨大的变化。智慧企业就是在信息技术、智能化系统平台与企业组织相结合所出现的产物,为企业的快速发展提供了全新的动力源泉。而水电行业在智慧企业研究方面走在我国前列,为我国智慧企业的建设和发展贡献了巨大的能量,本文由此选择水电企业作为研究对象,针对水电企业智慧化转型的影响因素与路径进行相关研究,从多个视角出发进行问题思考,丰富了智慧企业的理论框架,为水电企业进行智慧化转型提供了需要关注的更加有效的影响因素,使企业更加系统地认识其转型的内在逻辑结构。首先,根据企业数字化基础设施和运营能力成熟度模型（IOMM模型）与相关文献成果构建了水电企业智慧化转型IOMM模型,进而总结出水电企业智慧化转型的四个主要影响因素为组织人员、自主创新、信息技术与服务运营,并根据相关文献将四个主要影响因素进行细分,将四个影响因素分为扁平化的组织结构、完善的组织制度、员工的幸福程度、自主研发投入力度、技术人才投入与培养、创新战略的设计与实施、新业务的发展、资源整合程度、综合数据平台建设、设备巡检与管控、多系统联动建设、管理决策智慧程度、人机交互效率、数字化供应链建设、精细化运营体系、服务体系建设16个要素。而后根据影响因素利用结构方程构建了水电企业智慧化转型系统结构模型,即组织人员、自主创新、信息技术与服务运营对水电企业智慧化转型有影响作用。其次,根据水电企业智慧化转型系统结构模型设计调查问卷来搜集实证研究所需要的数据,形成一个包含21个题项的调查问卷,分为两个部分,第一部分为调查对象的基本信息,第二部分为水电企业智慧化转型。最终回收有效问卷200份,对样本数据进行统计分析后认为数据可以被采用来对水电企业智慧化转型进行研究。在此基础上,使用结构方程构建了水电企业智慧化转型模型并提出了研究假设,验证了水电企业智慧转型模型具有良好的适配性与拟合度,得出了水电企业智慧化转型的路径系数,同时对所提出的研究假设进行验证,发现四个研究假设全部通过。最后,根据结构方程的影响路径测量结果,从结构方程模型的测量模型与结构模型分别分析各个要素之间的相关关系。发现在测量模型中,组织人员中的组织结构扁平化与员工的幸福感是其中的重要要素;自主创新中的创新战略设计与实施较为重要,而新业务的发展则重要性略低;信息技术中的综合数据平台建设是其中最为重要的要素,而且设备巡检与管控与多系统联动也同样重要;服务运营中的服务体系建设最为重要,其次是数字化供应链建设,最后是精细化运营体系。在结构模型中,自主创新对水电企业智慧化转型的影响作用是最大的,其次是组织人员与信息技术,影响程度最低的是服务运营。并根据模型结果与水电行业的实际情况,提出了针对水电企业智慧化转型过程中对自主创新、组织人员、信息技术与服务运营的政策建议。
苑文露[8]（2021）在《大数据在内部审计价值增值中的应用研究 ——以A企业为例》文中提出数字化时代背景下,随着企业规模的扩大和生产经营业务的复杂化,大数据的价值和战略意义不断提升,内部审计也面临着新的挑战。合理运用大数据促进内部审计价值增值,是提升内部审计质量与效率、推动内部审计数字化转型的关键,也是新形势下企业必须应对的现实挑战。目前我国企业在大数据应用于内部审计价值增值方面尚处于起步探索阶段,在实践中仍有相当大的发展空间。学术界对于大数据应用于内部审计价值增值方面的研究尚未形成权威性的理论体系与制度规范,企业的内部审计工作缺乏完善的大数据审计理论指导,还存在诸多问题亟需研究与解决。本文采用规范研究法和案例研究法,基于既有理论研究和实务工作案例,探索大数据在内部审计价值增值中应用的实务框架,具有重要的理论意义与现实意义。本文首先阐述了大数据应用于内部审计价值增值的研究背景与意义,系统梳理相关文献与学术成果。其次,对大数据和内部审计价值增值的概念和内涵进行了探讨,总结大数据应用对内部审计的优化以及大数据应用下内部审计的特点,阐述了委托代理理论、价值链理论、产业生命周期理论和平衡记分卡理论等理论基础。再次,尝试从内部审计价值增值目标、内部审计价值增值思维方式、内部审计价值增值模式、内部审计组织管理体系和内部审计战略管理机制的角度构建大数据应用于内部审计价值增值实务框架。最后,基于已构建的实务框架,结合A企业大数据应用于内部审计价值增值的实务案例,从内部审计思维方式创新、业务模式创新、组织管理方式创新和企业战略传递机制创新的角度进行分析,深入挖掘大数据在内部审计价值增值中应用存在的问题,并针对这些问题提出以下建议:重视数字化内部审计环境建设;通过审前加强数据质量控制、审中优化权限与流程管理、审后健全循环整改跟踪机制实现对大数据应用于内部审计全过程的控制;持续推进大数据审计系统建设;关注对大数据系统本身的审计;培养内部审计信息化复合型人才。本文创新点体现于概念内涵创新、实务框架创新和案例分析创新,基于新的时代背景对大数据应用下内部审计价值增值的内涵进行扩展;由内部审计价值增值目标、内部审计价值增值思维方式、内部审计价值增值模式、内部审计组织管理体系和内部审计战略管理机制五个方面构建的大数据应用于内部审计价值增值实务框架创新能够发挥理论对实践的先导作用;从内部审计思维方式创新、业务模式创新、组织管理方式创新和企业战略传递机制创新方面开展的大数据应用于内部审计价值增值的案例分析,在一定程度上能够丰富学术界在案例方面的研究。
管淑慧[9]（2021）在《国有企业内部审计职能定位与升级路径》文中认为当前,许多国有企业都建立了包含内部审计的现代企业管理制度。但是国有企业的内部审计工作还存在一些问题。在国家相关政策下,国有企业的内部审计面临着升级的挑战。文章分析了当前国有企业内部审计职能定位与升级中存在的问题,并提出了国有企业应当改善内部审计形象、细化职能定位、注重内外部风险的管控、建立新型增值型内部审计体系,以切实提高国有企业的整体效益。
张凤[10]（2021）在《专刊序言：科研管理决策发展趋势及几个重要问题》文中研究说明当今世界,新一轮科技革命和产业变革快速推进,技术创新日新月异,新一代信息技术催生的新业态、新模式和新产业加快孕育,给经济发展和社会治理带来前所未有的颠覆性变革。在2018年召开的全国网络安全和信息化工作会议上,中共中央总书记习近平强调:"信息化为中华民族带来了千载难逢的机遇。我们必须敏锐抓住信息化发展的历史机遇,加强网上正面宣传,维护网络安全,推动信息领域核心技术突破,发挥信息化对经济社会发展的引领作用"。
二、Effective Approach to Elevate the Intelligence of Management Decision System（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Effective Approach to Elevate the Intelligence of Management Decision System（论文提纲范文）
（1）数智赋能：信息系统研究的新跃迁（论文提纲范文）
| 一、引言 |
| 二、信息系统研究沿革 |
| （一）信息系统的内涵 |
| （二）中国信息系统研究的发展阶段与跃迁 |
| 1. 起步探索阶段（20世纪80年代初至90年代中） |
| 2. 模仿借鉴阶段（20世纪90年代中至21世纪10年代初） |
| 3. 融合提升阶段（21世纪10年代初至20年代初） |
| 4. 创新发展阶段（21世纪20年代初起） |
| 三、大数据时代与“数智化”新跃迁 |
| （一）大数据特征 |
| （二）管理决策的转变 |
| （三）若干研究创新 |
| 1.“大数据驱动”研究范式 |
| 2. 智能方法创新 |
| 3. 人机融合行为 |
| （四）“数智化”新跃迁 |
| 1. 数据层面 |
| 2. 算法层面 |
| 3. 赋能层面 |
| 四、结束语 |
（2）智能化监管与企业盈余管理选择——基于金税三期的自然实验（论文提纲范文）
| 一、引言 |
| 二、制度背景 |
| 三、模型推导与研究假说 |
| （一）模型推导 |
| （二）研究假说 |
| 四、研究设计 |
| （一）样本选取 |
| （二）回归模型 |
| （三）变量定义 |
| 1. 应计盈余管理（AMi,t）。 |
| 2. 真实盈余管理（RMi,t）。 |
| 3. 金税三期实施虚拟变量（TDi,t）。 |
| 4. 纳税不遵从企业（GROUPi）。 |
| 5. 控制变量。 |
| （四）描述性统计 |
| 五、实证结果分析 |
| （一）金税三期与盈余管理 |
| （二）金税三期与真实盈余管理分项 |
| （三）动态模型分析 |
| （四）稳健性检验 |
| 1. 应计盈余管理度量。 |
| 2. 联立方程检验替代关系。 |
| （五）机制分析 |
| （六）异质性分析 |
| 六、结论 |
（3）铁路机车设备画像理论及关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 前言 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 必要性及可行性分析 |
| 1.2.1 必要性 |
| 1.2.2 可行性 |
| 1.3 本文拟解决的主要问题 |
| 1.4 本文研究的主要内容 |
| 1.5 本文组织架构及技术路线 |
| 1.6 本章小结 |
| 2 国内外研究现状及发展趋势 |
| 2.1 机务大数据研究及应用 |
| 2.1.1 国外 |
| 2.1.2 国内 |
| 2.2 机车检修现状 |
| 2.3 设备画像 |
| 2.3.1 画像的概念 |
| 2.3.2 构成要素 |
| 2.3.3 模型与方法 |
| 2.4 标签技术 |
| 2.4.1 画像标签的定义 |
| 2.4.2 标签分类 |
| 2.4.3 标签构建原则 |
| 2.4.4 标签构建方法 |
| 2.5 设备健康管理 |
| 2.5.1 国外设备健康管理现状 |
| 2.5.2 国内设备健康管理现状 |
| 2.5.3 我国铁路机务专业PHM技术发展差距 |
| 2.6 本章小结 |
| 3 铁路机车设备画像理论 |
| 3.1 机车设备画像概述 |
| 3.2 铁路机车设备画像理论构建 |
| 3.2.1 铁路机车设备画像理论的定义与内涵 |
| 3.2.2 铁路机车设备画像理论的构成 |
| 3.2.3 铁路机车设备画像理论的应用架构 |
| 3.3 本章小结 |
| 4 基于设备画像的铁路机车标签体系构建 |
| 4.1 问题概述 |
| 4.2 面向设备画像的标签技术 |
| 4.3 机车画像标签体系构建 |
| 4.3.1 机车画像标签体系技术架构 |
| 4.3.2 机车画像标签体系 |
| 4.4 基于聚类的机车第三级标签获取方法 |
| 4.4.1 K-means算法 |
| 4.4.2 K-means算法的改进 |
| 4.4.3 K-means算法与改进算法的比较验证 |
| 4.5 机车画像标签体系构建实例 |
| 4.5.1 K-means改进算法的应用 |
| 4.5.2 机车完整标签体系的产生 |
| 4.6 本章小结 |
| 5 基于MsEclat算法的铁路机车事故故障多最小支持度关联规则挖掘 |
| 5.1 问题概述 |
| 5.2 MsEclat算法的背景知识 |
| 5.2.1 垂直格式数据集 |
| 5.2.2 支持度、置信度与提升度 |
| 5.2.3 概念格理论 |
| 5.2.4 多最小支持度下的频繁项集判定 |
| 5.2.5 面向有序项目集合的最小支持度索引表 |
| 5.2.6 基于等价类的可连接性判定 |
| 5.3 MsEclat算法原理 |
| 5.3.1 Eclat算法简述 |
| 5.3.2 改进的Eclat算法—MsEclat算法 |
| 5.4 优化的Ms Eclat算法 |
| 5.4.1 基于布尔矩阵的T_(set)位运算求交 |
| 5.4.2 基于MapReduce的等价类并行运算 |
| 5.4.3 大数据场景下优化的MsEclat算法的频繁项集挖掘步骤 |
| 5.5 算法比较验证 |
| 5.5.1 MsEclat算法与水平挖掘算法的对比 |
| 5.5.2 MsEclat算法与其优化算法的对比 |
| 5.6 机车事故故障关联规则挖掘分析 |
| 5.6.1 待分析项目的选取 |
| 5.6.2 关联规则挖掘结果分析 |
| 5.7 本章小结 |
| 6 基于PSO+DE混合优化BP神经网络的铁路机车质量安全态势预测 |
| 6.1 问题概述 |
| 6.2 机车质量等级评价 |
| 6.3 基于机车质量评价项点的特征选择 |
| 6.3.1 灰色关联度分析 |
| 6.3.2 机车质量等级的比较特征选择 |
| 6.4 PSO+DE混合优化BP神经网络 |
| 6.4.1 BP神经网络原理 |
| 6.4.2 PSO算法原理 |
| 6.4.3 DE算法原理 |
| 6.4.4 基于时变概率的PSO+DE混合优化BP神经网络预测模型 |
| 6.5 机车质量安全态势预测分析 |
| 6.5.1 预测模型训练 |
| 6.5.2 预测模型训练结果分析 |
| 6.5.3 预测模型应用分析 |
| 6.6 本章小结 |
| 7 基于铁路机车设备画像理论的铁路机车健康管理应用总体设计 |
| 7.1 机务大数据与机车健康管理 |
| 7.2 铁路机车健康管理应用设计 |
| 7.2.1 设计目标及定位 |
| 7.2.2 总体架构设计 |
| 7.2.3 技术架构设计 |
| 7.3 铁路机车健康管理应用的典型应用场景分析 |
| 7.3.1 设备质量综合分析 |
| 7.3.2 人员运用综合把控 |
| 7.3.3 运输生产综合管理 |
| 7.4 本章小结 |
| 8 某铁路局机车健康管理应用实践 |
| 8.1 应用开发方案 |
| 8.1.1 系统开发环境 |
| 8.1.2 数据调用方式 |
| 8.1.3 分析模型定时任务调用方式 |
| 8.2 机车数据管理功能 |
| 8.2.1 基本数据管理 |
| 8.2.2 视频数据管理 |
| 8.2.3 机务电子地图 |
| 8.3 机车画像标签生成及分析功能 |
| 8.3.1 机车画像标签管理 |
| 8.3.2 单台机车画像分析 |
| 8.3.3 机车设备画像分析 |
| 8.4 机车事故故障关联分析功能 |
| 8.5 机车质量评价分析功能 |
| 8.5.1 单台机车质量安全分析 |
| 8.5.2 机务段级机车质量安全分析 |
| 8.5.3 机务部级机车质量安全分析 |
| 8.5.4 全局机务专业质量安全综合分析 |
| 8.6 机车质量安全态势预测分析功能 |
| 8.7 本章小结 |
| 9 总结与展望 |
| 9.1 本文总结 |
| 9.2 研究展望 |
| 参考文献 |
| 图索引 |
| FIGURE INDEX |
| 表索引 |
| 学位论文数据集 |
| TABLE INDEX |
| 作者简历及攻读博士学位期间取得的科研成果 |
（5）面向医院管理的数据驱动决策研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 数据驱动决策的研究现状 |
| 1.3.2 数据驱动医疗健康领域决策的研究现状 |
| 1.3.3 数据驱动医院管理决策的研究现状 |
| 1.3.4 数据驱动决策的影响因素研究现状 |
| 1.3.5 研究现状述评 |
| 1.4 研究框架与研究内容 |
| 1.4.1 研究框架 |
| 1.4.2 主要研究内容 |
| 1.4.3 拟解决的关键问题 |
| 1.5 研究方法和技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 第2章 相关基础理论和方法 |
| 2.1 医院管理相关概念 |
| 2.1.1 医院管理 |
| 2.1.2 医院管理评价 |
| 2.1.3 医院管理者 |
| 2.2 决策支持相关理论 |
| 2.2.1 西蒙决策理论 |
| 2.2.2 数据驱动决策相关理论 |
| 2.3 信息链理论 |
| 2.3.1 信息链与信息技术 |
| 2.3.2 “信息”上溯到“数据”带来的变化 |
| 2.3.3 信息链视域下的数据驱动医院管理决策 |
| 2.4 BASM模型 |
| 2.4.1 BASM模型的产生 |
| 2.4.2 BASM模型的研究现状 |
| 2.4.3 基于BASM模型的数据驱动医院管理决策研究 |
| 2.5 相关研究方法 |
| 2.5.1 扎根理论 |
| 2.5.2 结构方程模型 |
| 2.5.3 决策树算法--CHAID |
| 2.6 相关应用场景 |
| 2.6.1 医疗服务绩效 |
| 2.6.2 DRG在医疗服务绩效管理中的应用 |
| 2.7 本章小结 |
| 第3章 面向医院管理的数据驱动决策过程模型构建 |
| 3.1 面向医院管理决策的数据驱动过程模型 |
| 3.1.1 数据驱动决策模式运行机制 |
| 3.1.2 BASM的过程模型 |
| 3.1.3 基于BASM过程模型的数据驱动医院管理决策过程模型构建 |
| 3.2 面向医院管理的数据驱动决策过程模型要素分析 |
| 3.2.1 驱动要素 |
| 3.2.2 需求要素 |
| 3.2.3 支持要素 |
| 3.2.4 要素间关系 |
| 3.3 数据驱动的医院管理决策中数据处理过程 |
| 3.3.1 医疗数据存在的问题 |
| 3.3.2 面向医院管理决策的数据处理原则 |
| 3.3.3 面向医院管理决策的数据处理过程 |
| 3.4 面向医院管理的数据驱动决策过程模型运行机制 |
| 3.4.1 面向医院管理决策的信息链转化过程 |
| 3.4.2 数据驱动的医院管理决策制定过程 |
| 3.5 本章小结 |
| 第4章 基于扎根理论的数据驱动医院管理决策的影响因素分析 |
| 4.1 研究问题与研究程序 |
| 4.1.1 研究问题 |
| 4.1.2 研究方法 |
| 4.1.3 研究程序 |
| 4.2 研究设计 |
| 4.2.1 研究对象选取 |
| 4.2.2 资料收集 |
| 4.2.3 信效度检验 |
| 4.3 编码分析 |
| 4.3.1 开放式编码 |
| 4.3.2 主轴编码 |
| 4.3.3 选择性编码 |
| 4.3.4 理论饱和度检验 |
| 4.4 数据驱动医院管理决策影响因素理论模型与阐释 |
| 4.4.1 影响因素理论模型构建 |
| 4.4.2 影响因素分析 |
| 4.4.3 影响因素关系分析 |
| 4.5 本章小结 |
| 第5章 数据驱动医院管理决策的影响因素模型构建 |
| 5.1 数据驱动医院管理决策影响因素变量选择与界定 |
| 5.1.1 医疗数据质量维度 |
| 5.1.2 信息技术维度 |
| 5.1.3 医院组织管理维度 |
| 5.1.4 管理者信息素养维度 |
| 5.1.5 数据驱动医院管理决策维度 |
| 5.2 相关研究假设 |
| 5.2.1 医疗数据质量 |
| 5.2.2 信息技术 |
| 5.2.3 医院组织管理 |
| 5.2.4 管理者信息素养 |
| 5.3 调查问卷的编制与问卷修正 |
| 5.4 数据获取与统计分析 |
| 5.4.1 研究对象 |
| 5.4.2 样本量的选择 |
| 5.4.3 信度分析 |
| 5.4.4 样本分布 |
| 5.4.5 样本数据相关性 |
| 5.5 效度分析 |
| 5.5.1 探索性因子分析 |
| 5.5.2 验证性因子分析 |
| 5.6 基于结构方程的影响因素模型构建与检验修正 |
| 5.6.1 影响因素模型构建 |
| 5.6.2 模型基本适配评估 |
| 5.6.3 假设检验的结果 |
| 5.7 结构方程模型检验结果分析 |
| 5.7.1 影响因素强度分析 |
| 5.7.2 医疗数据质量对信息技术影响的验证结果分析 |
| 5.7.3 信息技术对数据驱动医院管理决策影响的验证结果分析 |
| 5.7.4 医院组织管理对医疗数据质量影响的验证结果分析 |
| 5.7.5 医院组织管理对管理者信息素养影响的验证结果分析 |
| 5.7.6 医院组织管理对数据驱动医院管理决策影响的验证结果分析 |
| 5.7.7 管理者信息素养对医疗数据质量影响的验证结果分析 |
| 5.7.8 管理者信息素养对信息技术影响的验证结果分析 |
| 5.7.9 管理者信息素养对数据驱动医院管理决策影响的验证结果分析 |
| 5.8 本章小结 |
| 第6章 面向医院管理的数据驱动决策模型研究 |
| 6.1 数据驱动医院管理决策模型构建 |
| 6.2 面向医院管理的数据驱动决策模型的驱动机制 |
| 6.2.1 面向医院管理的数据驱动决策模型的驱动目标 |
| 6.2.2 面向医院管理的数据驱动决策模型的驱动特征 |
| 6.2.3 面向医院管理的数据驱动决策模型的驱动过程 |
| 6.3 数据驱动医院管理决策模型影响因素的作用机制 |
| 6.3.1 医疗数据质量在数据驱动决策模型中的影响机制 |
| 6.3.2 信息技术在数据驱动决策模型中的影响机制 |
| 6.3.3 医院组织管理在数据驱动决策模型中的影响机制 |
| 6.3.4 管理人员素养在数据驱动决策模型中的影响机制 |
| 6.4 数据驱动医院管理决策模型对医院管理的提升策略 |
| 6.4.1 提升医疗数据质量 |
| 6.4.2 发挥信息技术使能作用 |
| 6.4.3 发挥医院组织管理支持作用 |
| 6.4.4 提高管理人员信息素养 |
| 6.5 本章小结 |
| 第7章 面向医院管理的数据驱动决策的实证研究 |
| 7.1 资料来源与研究对象 |
| 7.2 原发性肺癌患者的DRGS分组 |
| 7.2.1 数据基础 |
| 7.2.2 数据纳入 |
| 7.2.3 术语映射 |
| 7.2.4 DRGs分组结果对比 |
| 7.3 基于DRGS细分组的医疗服务绩效评估 |
| 7.3.1 基于决策树的原发性肺癌患者DRGs细分组模型 |
| 7.3.2 基于DRGs细分组的医疗服务绩效评估指标 |
| 7.3.3 医生医疗服务绩效指标统计结果 |
| 7.3.4 科室医疗服务绩效指标统计结果 |
| 7.4 讨论 |
| 7.4.1 数据驱动医院管理决策过程 |
| 7.4.2 数据驱动医院管理决策影响因素 |
| 7.5 本章小结 |
| 第8章 结论与创新 |
| 8.1 结论 |
| 8.2 研究创新点 |
| 8.3 研究局限 |
| 参考文献 |
| 附录1 病案组DRGS分组情况 |
| 附录2 医生组DRGS分组情况 |
| 附录3 访谈提纲 |
| 附录4 调查问卷 |
| 作者简介及在学期间所取得的科研成果 |
| 后记与致谢 |
（6）大数据驱动制造业企业管理决策优化研究 ——以奥迪集团为例（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 大数据驱动企业管理变革的研究 |
| 1.2.2 大数据驱动企业管理决策范式转变的研究 |
| 1.2.3 大数据影响企业管理决策的研究 |
| 1.2.4 文献述评 |
| 1.3 研究思路与方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法及文章框架 |
| 2 大数据驱动企业管理决策的相关概念和理论概述 |
| 2.1 大数据定义与特征 |
| 2.1.1 大数据定义 |
| 2.1.2 基于管理视角的大数据特征 |
| 2.1.3 基于管理视角的大数据能力 |
| 2.2 管理决策理论及分析工具 |
| 2.2.1 现代决策理论 |
| 2.2.2 数据驱动型决策 |
| 2.2.3 时间竞争理论 |
| 2.2.4 互联网时代的零边际成本理论 |
| 2.3 基于动态能力理论下管理决策优化机理 |
| 2.3.1 价值链分析 |
| 2.3.2 资源基础理论 |
| 2.3.3 动态能力理论 |
| 3 奥迪集团运用大数据驱动企业管理决策案例介绍 |
| 3.1 大数据兴起对制造业冲击的背景 |
| 3.2 奥迪集团案例介绍 |
| 3.3 奥迪集团运用大数据变革的动因 |
| 3.3.1 产业巨变:新能源化和智能网联化的革新 |
| 3.3.2 内在驱动:推动“可持续化”愿景发展 |
| 3.3.3 政府红利:政策对数字化应用大力支持 |
| 3.4 奥迪集团数字化应用介绍 |
| 3.4.1 研发环节:协同创新 |
| 3.4.2 生产环节:智能制造 |
| 3.4.3 供应链环节:优化与提速 |
| 4 奥迪集团运用大数据驱动企业管理决策优化案例分析 |
| 4.1 大数据驱动企业管理决策的优化机理 |
| 4.1.1 研发管理决策 |
| 4.1.2 采购决策 |
| 4.1.3 生产决策 |
| 4.2 大数据驱动奥迪集团管理决策提升财务绩效的分析 |
| 4.2.1 偿债能力指标分析 |
| 4.2.2 营运能力指标分析 |
| 4.2.3 盈利能力指标分析 |
| 4.2.4 发展能力指标分析 |
| 4.3 大数据驱动奥迪集团管理决策优化的非财务绩效分析 |
| 4.3.1 提高顾客满意度,提升品牌影响力 |
| 4.3.2 提升供应链敏捷性,缩短企业价值创造周期 |
| 4.3.3 增强企业创新能力,提升核心竞争力 |
| 5 研究结论与启示 |
| 5.1 研究结论 |
| 5.1.1 大数据驱动本质为从数字化应用、数字属性激活、应用价值转化三方面实现决策优化 |
| 5.1.2 大数据驱动企业管理决策优化将全面提升企业使能价值创造 |
| 5.1.3 大数据驱动高层管理决策人员由“决策者”向“感知者”转变 |
| 5.2 启示 |
| 5.2.1 制造业企业应抓住大数据带来的机遇,积极应对大数据对企业的挑战 |
| 5.2.2 数据应用应结合人的主观能动性,提升数据到知识再到价值的转化效率 |
| 5.2.3 实现数据价值转化后,应以新模式或发现新机会来推动创新 |
| 参考文献 |
| 致谢 |
（7）水电企业智慧化转型的影响因素与路径研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 创新点与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 相关领域智慧化发展研究 |
| 1.2.2 水电企业转型研究现状 |
| 1.2.3 智慧转型影响因素研究现状 |
| 1.2.4 影响因素与路径研究现状 |
| 1.2.5 成熟度模型相关研究 |
| 1.3 研究内容 |
| 第2章 相关基本理论 |
| 2.1 智慧企业相关理论 |
| 2.1.1 三化融合 |
| 2.1.2 信息化、数字化与智能化的区别 |
| 2.2 结构方程模型 |
| 2.2.1 结构方程模型的基本概念 |
| 2.2.2 模型的评价 |
| 2.2.3 模型的优点 |
| 2.3 企业数字化转型IOMM模型 |
| 2.4 本章小结 |
| 第3章 水电企业智慧化转型系统结构建模 |
| 3.1 水电企业智慧化转型IOMM模型构建 |
| 3.2 基于水电企业IOMM模型的主要影响因素分析 |
| 3.2.1 组织人员因素 |
| 3.2.2 自主创新因素 |
| 3.2.3 信息技术因素 |
| 3.2.4 服务运营因素 |
| 3.3 水电企业智慧化转型系统结构模型 |
| 3.4 本章小结 |
| 第4章 水电企业智慧化转型系统结构模型实证研究 |
| 4.1 问卷调查 |
| 4.1.1 测量指标选取原则 |
| 4.1.2 问卷设计 |
| 4.1.3 样本选择与分析 |
| 4.2 信度与效度分析 |
| 4.2.1 信度检验 |
| 4.2.2 效度检验与主成分分析 |
| 4.3 结构方程模型检验与影响路径分析 |
| 4.3.1 结构方程模型与研究假设 |
| 4.3.2 模型适配度检验 |
| 4.3.3 路径系数分析与假设验证 |
| 4.3.4 模型结果解释说明 |
| 4.4 本章小结 |
| 第5章 水电企业智慧化转型影响路径的应用 |
| 5.1 增强技术人才和资金投入,提高自主创新能力 |
| 5.2 优化水电企业组织结构,提升员工幸福感 |
| 5.3 重视智能化基础设施建设,提高数字技术发展水平 |
| 5.4 完善服务与运营体系,提升企业的产业链地位 |
| 5.5 本章小结 |
| 第6章 研究成果和结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及其它成果 |
| 致谢 |
（8）大数据在内部审计价值增值中的应用研究 ——以A企业为例（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 关于大数据的文献综述 |
| 1.2.2 关于内部审计价值增值的文献综述 |
| 1.2.3 关于大数据在内部审计价值增值中应用的文献综述 |
| 1.2.4 文献述评 |
| 1.3 研究思路和研究方法 |
| 1.3.1 研究思路与框架 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法 |
| 1.4 创新点 |
| 第2章 相关理论 |
| 2.1 概念及内涵 |
| 2.1.1 大数据 |
| 2.1.2 内部审计价值增值 |
| 2.2 大数据应用对内部审计的优化 |
| 2.2.1 内部审计数据信息层面 |
| 2.2.2 内部审计数据分析层面 |
| 2.2.3 内部审计成本层面 |
| 2.2.4 信息系统可靠性层面 |
| 2.3 大数据应用下内部审计的特点 |
| 2.3.1 全面性 |
| 2.3.2 及时性 |
| 2.3.3 科学性 |
| 2.3.4 适应性 |
| 2.4 理论基础 |
| 2.4.1 委托代理理论 |
| 2.4.2 价值链理论 |
| 2.4.3 产业生命周期理论 |
| 2.4.4 平衡记分卡理论 |
| 本章小结 |
| 第3章 大数据在内部审计价值增值中应用实务框架 |
| 3.1 内部审计价值增值目标 |
| 3.1.1 总体目标 |
| 3.1.2 一般目标 |
| 3.2 思维方式 |
| 3.2.1 数据资产思维 |
| 3.2.2 关联与多元思维 |
| 3.2.3 风险与前瞻思维 |
| 3.3 内部审计价值增值模式 |
| 3.3.1 大数据应用于内部审计价值增值的定位 |
| 3.3.2 大数据内部审计场景的综合应用 |
| 3.3.3 以流程为主线的内部审计业务模式 |
| 3.4 内部审计组织管理体系 |
| 3.4.1 大数据对内部审计组织管理体系的影响 |
| 3.4.2 大数据下内部审计价值增值的工作主体 |
| 3.5 内部审计战略管理机制 |
| 3.5.1 内部审计战略监督反馈机制 |
| 3.5.2 内部审计战略传递机制 |
| 本章小结 |
| 第4章 大数据在内部审计价值增值中应用案例分析 |
| 4.1 A企业内部审计情况概述 |
| 4.2 A企业大数据创新内部审计价值增值情况 |
| 4.2.1 内部审计思维方式创新 |
| 4.2.2 内部审计业务模式创新 |
| 4.2.3 内部审计组织管理方式创新 |
| 4.2.4 企业战略传递机制创新 |
| 4.3 A企业大数据在内部审计价值增值中的应用效果 |
| 4.3.1 管理决策层面的价值增值 |
| 4.3.2 发展战略层面的价值增值 |
| 4.4 A企业大数据在内部审计价值增值应用中存在的问题 |
| 4.4.1 数字化内部审计环境建设问题 |
| 4.4.2 大数据应用于内部审计质量控制问题 |
| 4.4.3 大数据系统建设难度与成本问题 |
| 4.4.4 对大数据系统本身的审计不足 |
| 4.4.5 内部审计人员能力与人才需求问题 |
| 本章小结 |
| 第5章 大数据在内部审计价值增值中应用的建议 |
| 5.1 重视数字化内部审计环境建设 |
| 5.1.1 认知环境建设 |
| 5.1.2 应用环境建设 |
| 5.1.3 制度环境建设 |
| 5.2 加强大数据的全过程控制 |
| 5.2.1 审前:加强数据质量控制 |
| 5.2.2 审中:优化权限与流程管理 |
| 5.2.3 审后:健全循环整改跟踪机制 |
| 5.3 持续推进大数据审计系统建设 |
| 5.4 关注对大数据系统本身的审计 |
| 5.5 培养内部审计信息化复合型人才 |
| 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究局限和不足 |
| 6.3 未来展望 |
| 参考文献 |
| 致谢 |
（9）国有企业内部审计职能定位与升级路径（论文提纲范文）
| 0 引言 |
| 1 国有企业内部审计职能定位与升级面临的挑战和难题 |
| 1.1 职能定位模糊，业务层级较低 |
| 1.2 内部审计的权威性不够，没有形成一致的认同度 |
| 1.3 内部审计的职能定位和升级将面临文化与认知的挑战 |
| 2 国有企业内部审计职能定位与升级路径分析 |
| 2.1 细化审计职能定位，构建增值型审计业务体系 |
| 2.2 塑造内部审计形象，使增值型审计身份得到认同 |
| 2.3 扩大风险控制范围，提高增值型审计的风险管控能力 |
| 3 结束语 |
（10）专刊序言：科研管理决策发展趋势及几个重要问题（论文提纲范文）
| 趋势一：数字化夯实科研管理基石 |
| 趋势二：网络化搭建管理融合平台 |
| 趋势三：智能化提升管理决策效能 |
| 问题四：如何应对信息化科研管理决策的系统风险? |
四、Effective Approach to Elevate the Intelligence of Management Decision System（论文参考文献）
- [1]数智赋能：信息系统研究的新跃迁[J]. 陈国青,任明,卫强,郭迅华,易成. 管理世界, 2022(01)
- [2]智能化监管与企业盈余管理选择——基于金税三期的自然实验[J]. 朱凯,潘舒芯,胡梦梦. 财经研究, 2021(10)
- [3]铁路机车设备画像理论及关键技术研究[D]. 李鑫. 中国铁道科学研究院, 2021(01)
- [4]BW集团财务智能化建设研究[D]. 黎燕燕. 桂林电子科技大学, 2021
- [5]面向医院管理的数据驱动决策研究[D]. 李茵. 吉林大学, 2021(01)
- [6]大数据驱动制造业企业管理决策优化研究 ——以奥迪集团为例[D]. 汤艺佳. 江西财经大学, 2021(10)
- [7]水电企业智慧化转型的影响因素与路径研究[D]. 王浩. 华北电力大学(北京), 2021(01)
- [8]大数据在内部审计价值增值中的应用研究 ——以A企业为例[D]. 苑文露. 山东财经大学, 2021(12)
- [9]国有企业内部审计职能定位与升级路径[J]. 管淑慧. 当代会计, 2021(09)
- [10]专刊序言：科研管理决策发展趋势及几个重要问题[J]. 张凤. 数据与计算发展前沿, 2021(02)