【工业设计栏目提醒】：原创论文会员工业设计为您提供浅析统计学在工程项目管理中的应用
工程管理论文参考，解决您在浅析统计学在工程项目管理中的应用
工程管理论文学习中工作中的难题，参考学习。
摘要：工程项目管理中应用统计学工作方法，可以及时、准确、快速反映工程项目施工、生产活动、完成计划等全方位的信息，为企业赢得了有力的竞争条件。本文以统计学知识在工程项目中的运用为主，结合企业实际情况运用统计学知识来指导工程管理工作，提出加强工程管理工作应采取的统计方法和手段，探讨改进管理工作的办法，使工程管理工作更好、更有效地为提高企业经济效益服务。 　　关键词：统计学；工程项目；应用 　　 　　一、统计学概述 　　统计学（statistics）是应用数学的一个分支，主要通过利用概率论建立数学模型，收集所观察系统的数据，进行量化的分析、总结，并进而进行推断和预测，为相关决策提供依据和参考。它被广泛的应用在各门学科之上，从物理和社会科学到人文科学，甚至被用来工商业及政府的情报决策之上。统计学的基本研究方法有：大量观察法、统计分组法和归纳推断法。 　　统计学与工程项目相结合形成了工程统计学。工程统计学是结合工程问题，研究怎样去有效地收集、整理和分析带有随机性的数据，以对所考察的问题做出推断或预测，直至为采取一定的决策和行动提供依据和建议的学科。工程项目管理中搜集、汇总、计算等一系列工作是由统计学工作来完成的，是由统计数据全面反映的。数量性统计信息在工程项目管理中是最鲜明的体现和最普及的应用，即通过数字揭示工程项目实施管理过程中特定时间特定方面的数量特征，帮助我们对工程项目的管理进行定量乃至定性分析，从而做出正确的施工管理方案。另外，统计学在工程项目管理中以统计数字显示或以统计数字为依据结合其它信息对项目进行定量定性分析，而且可以对与工程项目管理有联系的劳动力资源、材料、机械设备等的供应来源、价格、条件以及市场预测等情况进行反映；还可以以统计数字、统计指标来核算银行贷款利率、担保收费、保险费率及投标报价等有关的因素；同时各项法规，如企业法、合同法、劳动法、税收、工程管理条例以及技术规范、竞争对手情况等也可以与统计学相融合，在工程项目管理中得到很好体现。 　　二、统计学在工程项目管理中的应用 　　1.在工程项目组织管理中的应用 　　工程项目管理要实施有效的管理，首先要建立一个完善、高效的管理机构。管理机构的职能、组织、结构及制度一系列的选择、筹划和确定均需要统计信息上报的资源来完成，经过数量性和综合性的分析，制定科学合理的管理机构，有准备的组织实施对工程项目的管理。 　　在全面掌握工程项目情况的基础上，应用统计学普遍性原理为管理工作了解必要的足够的细节问题，从而把未知因素降到最低。在关键点设立检查点，使得管理人员能够随时监控，及时发现问题，能对出现的异常现象做出快速反应。即以统计信息为基础，建立项目工程管理基线，进一步分配给各级工作细目，最后建立项目工程的管理沟通网络。 　　2.在工程项目施工过程中的应用 　　在工程项目施工过程中更加要求统计信息及时、详实、完整，随时需要将系统的统计信息，收集、整理、分析、决策、优化决策，优化决策实施过程又是统计信息反馈、调整、优化的过程，说明统计信息不是单纯地罗列数据，如同点连成线，要有机结合，否则只是满纸涂鸦，毫无意义。也不是单纯的技巧和手段，数学技巧往往容易使人们对精确性和可靠性产生错误印象。一切要以科学分析为基础，否则统计信息将失去光辉。 　　首先，在项目招投标过程中，由于掌握的资料很少，如何应用手中有限的资料客观地评价这个工程项目的经济指标和财务指标，以避免投标不当而造成的损失，就需要用统计学的知识搜集类似工程项目的资料，对所要投标的工程项目进行客观分析，进而做出决定。 　　其次，在施工过程的控制质量中，进行定期检查和不定期的临时抽查，把实际发生的情况与预计的目标相比较，是否发生偏差，偏差是否在合理范围之中，是否需要整改，所有这些都离不开统计数据，没有了统计数据就谈不上质量控制。 　　再次，在施工过程的成本控制中，由于工程项目的时间期限长，这就很容易造成因工、料、机上涨或各种不定因素而造成工程成本的增加，因此，控制工程成本是非常必要的。工程成本管理和控制是一项系统工程，贯穿于企业整个经营过程，是衡量企业生产耗费和供给的尺度，是决定价格的基础；工程成本体现了企业管理的综合水平，是提高企业竞争能力、应变能力和开拓能力的关键。首先根据工程的实际情况结合以往工程的统计资料做出计划，其次完成当期的施工任务后要及时统计当期发生的人工、材料、机械使用数量与工程完工数量，并进行分析比较，由于分析数量庞大，一定要用到一些统计方法与统计手段。 　　3.统计学图表在工程项目中的应用 　　工程项目中我们可以利用统计学理论生成图表，清晰明了的进行管理。例如，控制表是根据时间推移对工程项目管理程序运行结果的一种图表展示，常用于判断管理程序是否“在控制中”进行。当一个程序在控制之中时，不应对它进行调整。管理控制表可以用来监控工程施工中的变量的输出，尽管控制表常被用于跟踪重复性的活动，诸如生产事务，它还可以用于监控成本和进度的变动、容量和范围变化的频率，项目文件中的错误，或者其他管理结果，以便判断“项目管理程序”是否在控制之中。再如，流程图。在工程项目管理中统计流程图应用很广泛，有助于分析问题是如何发生的。 　　三、统计应用于工程项目中时应注意的问题 　　将统计学应用于工程项目管理，还需要建立健全相关制度，增强领导对工程统计工作的认识，增强统计工作的独立性，加强员工统计知识培训，以提高相关人员的业务素质，同时将统计技术应进一步网络化、现代化。 　　1.提高领导的认识 　　统计工作是工程项目是否正常运行的监督员，对于保证正常生产，提高经济效益具有不可替代的作用。尤其在施工过程中，项目领导是项目决策的制定者，作为一个项目的领导者，一定要对统计工作有一个清楚的认识，从思想上真正重视它的分析纠偏功能，发挥好统计学的作用。 　　2.增强企业统计工作独立性 　　在统计工作中，如果要更好的履行统计的职能，发挥统计的作用，必须有独立地组织保障。首先，企业应赋予统计以否决权，凡有弄虚作假者，统计部门应有权否决。其次，企业应赋予统计以报告权。统计部门应有权对整个企业的各方面经济指标进行全面核算，并将考核结果层层上报，为领导做出正确的经营决策提供可靠依据，为有效地进行统计监管提供可靠的信息。再次，企业应斌予统计以处理权。对遵纪守法、实事求是及违法乱纪、弄虚作假的人和事，应施行奖惩严明的正确处理。 　　3.建立健全相关制度及科学的指标体系 　　为了解决工程统计中的问题，施工企业需要建立起对原始记录资料的质量检查制度，出现问题及时地进行调整和校正，把统计工作看作是指示器和校正器，发现矛盾，提出建议，以便使统计工作在工程管理中发挥真正的作用。再者，需要建立一套科学的指标体系和调查方法，使各项统计资料具有充分的科学性合理性，能正确全面反映各个方面和各个环节的真实情况，并能保持连续性、系统性。 　　4.提高统计人员的业务素质 　　统计工作水平的提高及在工程管理中作用的发挥，在很大程度上都取决于工程统计人员的业务素质。因此，企业必须大力加强统计职业道德教育和业务技术教育，联系本企业的实际生产情况，每隔一定阶段，组织统计人员的培训，以更新知识和概念，提高业务素质，这对于提高施工企业的统计水平，强化统计的职能有着深远的意义。 　　5.统计技术的现代化是保证统计数据质量的最好途径 　　要进一步搞好工程统计工作，必须健全统计网络作为保证，并使之程序化，这将会使数据统计工作的速度、准确性有较大提高，避免统计数据的滞后和手工操作的误差，使统计工作步入规 [1]&&&&&&&
投稿方式： 邮箱： 请联系在线客服和投稿邮箱 投稿时邮件主题请写明文章名称+作者+作者联系电话
电话：24小时免费热线 QQ:3710167 邮箱：
本站所列毕业设计(论文)资料均属于原创者所有,初衷是为大家在毕业设计(论文)过程中参考和学习交流之用,请勿做其他非法用途,转载必究,如有侵犯您的权利或有损您的利益,请联系本站,经查实我们会立即进行修正或删除相关内容!
原创论文网
版权所有.Copyright &【经济学论文】
【会计学论文】
【金融学论文】
【统计学论文】
【管理学论文】
【毕业论文】
您的位置 > 统计学论文
统计学论文论文范文
浅谈统计学在商业银行中的应用来源：人大经济论坛论文库　作者：大迪　时间：
浅谈统计学在商业银行中的应用
　　【摘要】无论是属于自然、实验的，还是社会、经济的，凡是可以用数据表现的总体，都可以作为统计的研究对象，统计的方法和统计思想渗透到了社会、经济、自然等各个方面。商业银行中也毫不例外的渗透着统计思想及方法。本文通过从商业银行金融统计面临的问题、商业银行统计指标体系以及商业银行中统计模型的应用三个角度进行了分析。&
　　【关键词】商业银行，统计指标体系，判别分析，线性概率模型，logit分析&
　　世界各处无不体现统计之广，一点一滴中展示着统计的魅力。统计学是应用数学的一个分支，主要通过利用概率论建立数学模型，收集所观察系统的数据，进行量化的分析、总结，并进而进行推断和预测，为相关决策提供依据和参考。从统计学的基本发展趋势来看，统计学与实质性学科结合成为大势所趋。随着我国经济地位在全球的崛起，经济与金融正融入全球一体化发展大潮中，银行业金融机构在自身主动发展需要与被动改革的推动下，正在呈现出多元化发展的趋势。&
　　一、商业银行金融统计面临的问题&
　　首先是商业银行金融统计地位弱化。目前商业银行统计工作地位不高，虽然因为上市后的信息披露需要，较以往有所提升，但统计的基本功能和作用仍然得不到充分体现，参与银行经营管理的程度较低。其次是商业银行基础数据质量不高。这一方面是数据使用者与源数据生成者目的不同，导致基础数据质量不高。另一方面，业务系统数据不一致。由于各业务系统立项设计之初，无法预计系统在使用过程中可能遇到的新情况，从而导致最终的统计数据质量下降。最后是商业银行之间部分统计数据缺乏可比性。其中会计与统计管理差异导致统计数据差异。在同一个科目下，各家商业银行在子科目的设置、业务处理方式，以及统计口径归并上都存在较大差异。另外信息系统建设差异也会导致统计数据质量差异。&
　　二、商业银行统计指标体系&
　　商业银行统计指标的主要内容应包括：资产业务统计指标、负债业务统计指标、银行经营风险统计指标等。&
　　 1、资产业务统计指标&
　　（1）资产业务统计指对银行所拥有的各种实物资产和债权的统计，主要指标应包括绝对指标和相对指标，绝对指标可直接取自资产负债表的资产项目，相对指标包括贷款回收率、信贷资金运用率、贷款周转率、贷款利息实收率等。&
　　（2）资产业务统计指标体系可根据以下内容来构建，①、一定时期的各种贷款发放、回收及余额统计分析。②、资产质量分析，分析报告期内各种不良贷款余额、不良贷款成因。③、各类资产的结构分析，如贷款的期限结构分析等。④、贷款市场占比分析，反映银行的竞争力水平。⑤、资产流动性分析，主要指标有速动资产/总资产，（速动资产―法定准备金）/总资产，流动资产/总资产等。&
　　2、负债业务统计指标&
　　负债业务统计指标体系可根据以下主要内容来构建。①、各项负债余额统计分析。②、负债结构统计分析。③、负债变化及对负债变化的预测。④、负债成本分析，负债成本分析的两个主要分析工具是平均成本和边际成本。⑤、负债的稳定性分析，用于反映资金来源的稳定情况。&
　　3、银行经营风险统计指标&
　　银行主要面临三大类型的风险;信用风险、操作风险、市场风险。&
　　（1）信贷风险统计指标。信贷风险统计体系主要有：①信贷风险检测报表体系;②信贷业务风险分析报告;③贷款行业风险分析。银行的贷款分类是五级分类法，分别为正常关注、次级、可疑和损失。&
　　（2）流动性风险指标。衡量流动性风险的主要指标有：流动性缺口，核心存款与总资产的比率，贷款总额与总资产的比率，贷款总额与核心资产的比率，流动资产与总资产的比率等。&
　　（3）资本风险指标。衡量资本风险的方法是：计算资本与风险加权资产的比例，与人行监管局规定的最低比例比较，分析风险的大小。&
　　统计指标体系目前还存在这一些缺点：首先是指标的设立缺乏统一性。其次只侧重于基础数据的搜集，缺乏分析性指标。最后它侧重于内部信息的统计，忽略了外部资源的整理。&
　　三、商业银行中统计模型的应用&
　　由于银行风险预警模型的作用是对银行是否为高风险银行进行预测，因此通常选取的分析方法有：判别分析、线性概率、logit分析模型等等。&
　　1、判别分析。使用多重判别分析方法研究银行风险预警，该研究将1972年和1973年初被美国监管部门断定为有问题的110家银行作为分析对象，所使用的数据是根据这两类银行1969――1972年的资产负债表和损益表计算出来的10个反映银行的流动性、贷款、资产和存款构成、效率、盈利性、资本充足率以及收入来源和用途等方面状况的财务比率。采用二次式判别分析的结果是：贷款收入/总收入、其它费用/总收入以及营业支出/营业收入这三个财务比率的判别能力最强，&
　　2、线性概率模型。这种方法用Prob（y=l）= α+βX表示银行破产的概率，用Prob（y=0）=l―（α+βX）表示银行正常经营的概率。其中向量X是表示银行财务特征的变量， β是反映X的变化对概率的影响的参数，α是常数项。α和β是模型y=α+βX +ε（y的值为0或1，0表示正常经营银行，1表示破产银行）的最小二乘估计。线性概率模型存在一些比较严重的缺点：一是误差项异方差;二是概率的预测值可能在区间（0，1）之外。因此这种方法较少被采用。&
　　3、logit分析&
　　该方法是较常被采用的一种方法。这种方法假定银行发生破产的概率服从Logistic分布。用P表示银行破产的概率，则P= ;其中向量X是表示银行财务特征的变量， β是反映X的变化对概率的影响的参数，α是常数项。采用最大似然估计法得到参数β和α的估计值后就可以计算某一银行破产的概率P，然后对照设定的临界概率可以判断该银行属于破产类还是属于正常经营类。logit模型对数据的要求不像判别分析那么高，判别的准确率比较高，因此20世纪80年代以后的研究较多使用这种方法。&
参考文献：
　　[1]孟晓莉.商业银行统计管理工作现状及改进建议.现代金融2012 年第5 期总第351 期.
　　[2]沈如军.信贷扩张、总量控制与计划管理[J]. 城市金融论坛. 2000，（9）：2-5.
　　[3]杨晶晶，宋新欣.如何完善商业银行统计指标.统计与咨询. 2008.4.​
关键词标签浅谈统计学的广泛应用 统计学课论文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
浅谈统计学的广泛应用 统计学课论文
上传于||暂无简介
阅读已结束，如果下载本文需要使用
想免费下载本文？
下载文档到电脑，查找使用更方便
还剩1页未读，继续阅读
你可能喜欢统计学方法在数据挖掘中的应用探究-统计学论文-论文联盟
您好，游客
背景颜色：
统计学方法在数据挖掘中的应用探究
来源：论文联盟&
作者：王耀文
学方法在数据挖掘中的探究
数据挖掘就是指从众多实际应用数据中获取批量大、有噪声、且随机性强的数据，将潜在的信息与数据提取出来，就是从数据中挖掘有价值的知识，而大多数原始数据具有一定的结构化特征，比如，关系数据库中的数据；也可以通过文本、图形、图像等半结构化发掘有用知识，这些知识可以是数学的也可以是非数学形式的；数据挖掘能以归纳形式存在，能够被广泛应用到信息查询、信息、信息决策控制中，方便数据的维护与管理。由此可见，数据挖掘是一门交叉性强的学科，加强对其的研究非常有意义，下面将对统计方法在数据挖掘中的具体应用进行分析。　　一、数据挖掘与统计学的关系　　（一）数据挖掘的内涵　　通常来说，数据挖掘的定义较为模糊，没有明确界定，大部分对其的定义只是停留在其背景与观点的内容上。通过对不同观点的统一整理，人们最终将其描述为：从大量多样化的信息中发现隐晦性、规律性等潜在信息，并对这些信息进行创造、加工的过程。数据挖掘作为一门重要的交叉学科，能够将数据库、人工智能、机器学习、统计学等众多的科学融入到一起，从而实现技术与理论的创新与[1]。其中，数据库、人工智能与统计学是数据挖掘当中的三大支柱理论。数据挖掘的目的是从数据库当中发掘各种隐含的知识与信息，此过程的方法非常多，有统计学知识、遗传算法、粗集方法、决策法、模糊逻辑法等，还可以应用向邻近的可视技术、模式识别技术等，在以上所有技术的支持上能够使数据挖掘更为科学、有序。　　（二）数据挖掘与统计学间的关系　　通常来说，统计学的主要功能是对统计原理与统计方法进行研究的科学。具体来说就是指对数字资料进行的收集、整理、排序、分析、利用的过程，数字资料是各种信息的归纳与，可以将其作为特性原理的认知、推理方法[2]。而统计学则表示的是使用专业的统计学、概率理论原理等对各种属性关系的统计与分析过程，通过分析成功找到属性间的关联与发展的规律。在此过程中，统计分析方法是数据挖掘最为重要的手段之一。　　在数据挖掘这一课题被提出来之前，统计分析技术对于人们来说更熟悉，也是人们日常开展、寻找数据间规律最常使用的本文由联盟收集整理方法。但是不能简单的将数据挖掘作为统计学的延伸与替代工具，而是要将两者的区别认识到位，再结合两者间的不同特点分析其应用特点[3]。大部分的统计学分析技术都是建立在数学理论与技巧上的，预测通常较为准确，效果能够让大部分人满意。数据挖掘能够充分借鉴并吸收统计学技术，在融入到自身特点以后成为一种数据挖掘技术。　　统计学与数据挖掘存在的目标都是一致的，就是不断对数据结构进行发掘。鉴于统计学与数据挖掘在目标上的一致性，致使很多研究学者与专家将数据挖掘作为了统计学的一个分支机构[4]。但是这种认知非常不正确，因为数据挖掘不仅体现在与统计学的关系上还体现在思想、工具与方法上，尤其是在科学领域对数据挖掘起到的作用非常大。比如，通过借助数据库技术与人工智能的学习，能够关注到更多统计学与数据挖掘上的共通点，但是两者存在的差异依然非常大。数据挖掘就是指对大量的数据信息不断挖掘的过程，DM能够对数据模式内的数据关系进行充分挖掘，并对观测到的数据库处理有着极高的关注度。　　二、数据挖掘的主要过程　　从数据本身出发探讨数据挖掘过程，数据挖掘的过程分为信息的收集、数据集成、数据处理、数据变换、数据挖掘实施等过程。　　首先，要将业务对象确定下来，明确不同业务定义，并认清数据挖掘的目的，这是做好数据挖掘最关键的一步，也是最重要的一步，虽然挖掘的结果不能被准确预测到，但却需要对问题的可预见性进行探索[5]。其次，还要做好数据准备工作，包含数据清理、数据变换等工作，数据清理的实际意义是将噪声与空缺值补全，针对这一问题，可以使用平滑技术，而空缺值的处理则是属性中最常见的，可以将统计中最可能出现的值作为一个空缺值[6]。　　信息收集指的是按照特定的数据分析对象，可以将分析中需要的特征信息抽象出来，并在此基础上选择出较为科学、适合的信息收集方法，将全部的信息全部录入到特定的数据库中。如果数据量较大，则可以选择一个专门的管理数据的仓库，实现对信息的有效保护与管理；数据集成就是指将来源不同、格式不同、性质不同、特点不同的数据集成到一起，进而为企业提供更为全面、系统的数据共享平台；数据变换就是通过聚集、概化、规范化等方式对数据进行挖掘，对于一些实用数据，则可以通过分层与分离方式实现对数据的转换；数据挖掘就是结合数据仓库中的数据信息点，并选择正确的分析方法实现对有价值数据的挖掘，事例推理、规则推理、遗传算法等都是应用较多的方法[7]。　　三、统计学方法中的聚类分析　　在统计学聚类方法基础上能够构建出潜在的概率分布假设，可以使用试图优化的方法构建数据与统计模型的拟合效果。基于统计学聚类方法当中，Cobweb方法是在1987年由Fisher提出的，能够以分类树作为层次聚类创建的方法，在分类树上，每一个节点都能代表着一个概念，该方法就是对节点概率描述的过程。Cobweb方法还使用了启发式估算方式，使用分类效用对分类树的构建进行指导，从而实现对最高分类的划分目的，能够将不同分类对象全部归类到一个类别中，并依据这些内容创建出一个新的类别。但是这种方法也存在一定局限性，局限性在于假设的属性概率分布都是独立的，并不能始终处于成立状态中。
欢迎浏览更多 →
相关文章 & & &
本栏目最新更新文章
　　　同意评论声明
　　　发表
尊重网上道德，遵守中华人民共和国的各项有关法律法规
承担一切因您的行为而直接或间接导致的民事或刑事法律责任
本站管理人员有权保留或删除其管辖留言中的任意内容
本站有权在网站内转载或引用您的评论
参与本评论即表明您已经阅读并接受上述条款
内容分类导航大数据，这个概念和我们写论文时利用数据库做统计分析有没有区别？如果有，大数据高级在哪里？
小弟才疏，最近看到身边各种人各种媒体都在谈大数据，感觉不得不问了。我想知道这玩意跟我们写论文时用数据库做统计分析有啥区别，为啥现在大家都开始说这个，都感觉是特别新颖一个高级概念呢？求各位点播！
按投票排序
不否认大数据有他存在的意义。但是就目前的情况，大数据已经是个被过度炒作的名词。曾看过这么一句话：所有的青春期的孩子都在谈论做爱的感觉，大家都在说，但没人做过。期待更多大数据真正的成果
增加的维度？请举例说明下
首先，要明确一下，大数据与传统数据分析面向的是不同的场景和需求，二者有各自的优势和局限，并不能互相取代。其次，大数据与云计算一样，目前并不是一个有严格边界的技术或架构，而更多体现在一种数据处理思维方式。二者区别在于：1. 规模，大数据动辄以T计，但这不是必然的属性；2. 结构，你所说的数据库是结构化数据，大数据则可以包含非结构化数据（如文本、图形、视频）和结构化数据；3. 维度，随着互联网、物联网、云计算的兴起，大数据的来源极为复杂，很多数据维度是传统分析不会涉及的；4.分析方法，传统方式是通过建立精确模型来找出相应结果，换句话说是先有明确的目的和预期，大数据虽然也需要建模分析，但更倾向于直接找出结果（这个结果可能并非是预期的）而忽略逻辑关系。5. 舍恩伯格的”大数据三原则“虽然有很大争议，但多少能反映出这种区别
不是随机样本，而是全体数据；不是精确性，而是混杂性；不是因果关系，而是相关关系。}