大数据金融论文精选(九篇)
前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的大数据金融论文主题范文，仅供参考，欢迎阅读并收藏。
第1篇：大数据金融论文范文
大数据已经渗透到各个行业和业务职能领域，成为重要的生产因素，大数据的演进与生产力的提高有着直接的关系。随着网速的大幅提升，数据也将迎来爆发式增长，快速获取、处理、分析海量、多样化的交易数据、交互数据与传感数据，从而实现信息再价值化，对大数据的利用将成为企业提高核心竞争力和抢占市场先机的关键。大数据因其巨大的商业价值正在成为推动信息产业变革的新引擎。
近日，专业第三方电子商务、互联网金融研究机构与国内最大媒体服务平台——中国电子商务研究中心正式推出“中国电商大数据网”(100ec.cn/zt/bd/ )，国内覆盖最全的电商领域大数据应用一科技平台。
据(100EC.CN)监测数据显示，美国已有20%、30%的网络展示是通过大数据来售卖的，而目前中国还比较少，只有3%到4%，从这个角度来说大数据营销市场是大力可为的，有着广泛的发展空间。
“中国电商大数据网”频道主要分为研究应用篇、企业应用篇、行业应用篇、会议篇、大数据书籍五个板块，其中涵盖了关于大数据的相关PPT、报告、分析、案例、盘点、实战、信息图、研报、论文等资讯均被收录于“中国电商大数据网”，并开通了主任曹磊对于电商大数据的课程预约通道(100ec.cn/zt/expert_caolei/)，其课程名为《大数据时代的思维与典型行业应用案例》，除此之外，还重点监测了阿里巴巴、菜鸟网络、京东、大众点评、百度、腾讯等企业在电商大数据方面的实时动态。
第2篇：大数据金融论文范文
关键词： 大数据城乡规划管理
中图分类号：TU984文献标识码： A
1引言
随着云计算、物联网等的发展，新兴信息技术与应用模式的涌现，使得全球数据量呈现出爆发式增长态势，市场调研机构IDC的研究显示，到2020年，全球以电子形式存储的数据量将达到35ZB，大数据的时代已经到来[1]。最早提出“大数据时代已经到来”的机构是全球知名咨询公司麦肯锡，其在报告中指出，“数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产因素；而人们对于海量数据的运用将预示着新一波生产率增长和消费者盈余浪潮的到来。”
1.1大数据概念
大数据的概念，尚未形成公认的准确定义。根据维基百科的定义，它是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理、处理的数据集合。从产业角度，常常把这些数据与采集它们的工具、平台、分析系统一起被称为“大数据”。在数据特性方面，大数据主要为非结构化信息，如文本、图形、遥感遥测信息，大多是实时信息；在信息来源上，大数据主要是互联网、医疗设备、视频监控、非传统IT 设备等社会日常运作和各种服务中实时产生的数字数据，数据容量巨大，从 TB 级别跃升到 PB 乃至 EB 级别，大数据具有4V特征Volume（数据体量大）、Variety（类型多）、Value（价值稀疏）以及Velocity（速度快）的特征[2]。大数据时代带来思维变革：更多不是随机样本而是全体数据，更杂不是精确性而是混杂性，更好不是因果关系，而是相关关系[3]。
1.2大数据发展历程
大数据并非新近出现，早在1980年，著名未来学家阿尔文•托夫勒便在《第三次浪潮》一书中，将大数据热情地赞颂为“第三次浪潮的华彩乐章”。2009年开始，“大数据”成为互联网信息技术行业的流行词汇，2011年持续热门，在2012 年更达到一个高峰，2013年大数据概念逐为大众熟知。
2 大数据研究应用评述
2.1国外大数据研究应用
大数据的开发与利用已经在IT，媒体、医疗服务、金融业、零售业、制造业、物流、电信等行业广泛展开，并产生了巨大的社会价值和产业空间，但仍处于初级阶段[3]。2012年4月，美国政府启动“大数据研究和发展计划”，致力于提高从大数据中提取知识和观点的能力，并服务能源、健康、金融和信息技术等领域。在数据共享、突发事件处理、疫情观察方面已有较成功应用。2012年4月，英国、美国、德国、芬兰和澳大利亚等国家联合推出“世界大数据周”活动，旨在制定战略性的大数据措施；2012年5月，联合国发表了大数据发展白皮书；2012年7月，日本推出“ICT”战略研究计划，重点关注“大数据应用”。全球性IT巨头都开始关注大数据的机遇，微软、英特尔、甲骨文(微博)等都在开发基于大数据的IT架构。
2.2国内大数据研究应用
中国大数据的应用处于起步阶段，淘宝、腾讯、百度等互联网巨头是率先使用大数据技术的用户，主要是基于开源软件自主开发大数据应用，推出相应的大数据产品和平台，开展了多种深度商务分析,电信和银行领域也开始对大数据技术和服务产生浓厚的兴趣。此外，IT业、传媒界和学界举行了多次以大数据为核心的主题讨论会，共同探索大数据的发展与创新。
综观国内外大数据研究和应用现状可见：（1） 大数据相关的研究与应用目前仍然处于起步阶段，学术研究大多局限于概念、技术、发展预测等宏观探讨层面；（2） 基于大数据应用所需要的软件、硬件等技术支撑亟需进一步的深入开展；（3）现有的大数据研究大多立足于信息科学，侧重于大数据的获取、存储、处理、挖掘和信息安全等方面，鲜有从城市规划学科发展的角度探讨大数据对于城乡规划管理技术的变革与冲击的研究。
3 大数据时代城乡规划管理技术创新探讨
3.1现有城乡规划管理技术局限性
80年代末开始，我国城市规划管理领域开始引进新技术，网络技术、虚拟现实技术、数据库技术、地理信息系统、日照分析技术、电子报批审查技术等已初步得到运用，建立了基于GIS的城市规划管理系统，但仍存在一定局限性：（1）现有管理信息系统存储能力有限，仍无法建立实时、全面的资料档案库，同时也是内部条块分割，查询、检索困难，给城市规划管理工作带来了一定的障碍。（2）由于规划管理工作量大，规划管理人员虽然借助规划管理信息系统，提升了处理速度，但是仍不能满足快速城市化背景下快速准确地处理各类城市规划案件，对规划管理实施效果进行快速反馈。（3）公众参与与市民监督平台建设不足，城乡规划管理透明度有待进一步提高。
3.2大数据时代城乡规划管理技术变革方向探讨
3.2.1建立城乡规划管理大数据集系统，提高城乡规划管理效率
在大数据时代数据来源更广泛且分布更集中，以前散落各处的数据越来越集中，以前不可获取的信息现在可获取。通过互联网、医疗设备、视频监控、移动设备、智能设备、非传统IT 设备获得的文本、图形、音频、视频、遥感遥测等建立与城乡规划管理直接相关或者关联的实时数据集，处理空间信息与与之相关的属性信息，迅速及时地更新数据集，大规模综合性地管理城市空间分布信息。在城乡规划管理编制阶段，可以提高现状调研的效率和规划编制基础数据的准确全面，建立相应问题表象对于城市规划的决策系统、执行系统和反馈系统，改变规划的滞后性和低效率，提高规划的时效性。
3.2.2 建立城乡规划管理大数据分析系统，提高城乡规划管理科学性
基于城乡规划管理大数据，可将分散收集到的各种空间、属性信息实时更新，利用大数据技术中相关分析技术，同时结合GIS的空间分析技术，运用到规划管理的各个流程中，可进行人口、经济、交通流等与用地功能、空间等进行相关分析，对于城乡空间利用进行深入全面的解析，进一步提高城乡规划管理的科学性。
3.3城乡规划管理技术创新挑战
目前城乡规划管理技术创新所面临的挑战也是大数据发展应用中需要解决的问题：（1）从城乡规划管理大数据中精准定位并采集所需信息、管理海量复杂结构、实时增长的数据、保护和控制数据，数据管理挑战。（2）基于城乡规划大数据的实体识别与行为建模，挖掘大数据中蕴含的群体及其网络结构，分析社会群体的行为演化规律，数据分析挑战。（3）数据隐私性问题。
3.4城乡规划管理技术创新对策
大数据技术市场将会是一个混合多种技术的世界，应关注大数据技术的发展和应用，开发适合城乡规划管理不同层次的产品组合，包括服务器、存储、网络、软件和服务等，以获得更好的应用效果；加强城乡规划管理基础大数据集建设；提高城乡规划管理角度数据分析和提取技术能力；加快大数据处理相关技术人员培养；同时通过技术截堵，应用立法保护城乡规划管理大数据应用中个人隐私。
4 结论
大数据时代已经到来，大数据的应用仍处于一个快速发展的起步阶段，基于大数据和复杂系统管理理念的分析与决策是新形势下城乡规划管理发展的必由之路，大数据是城乡规划管理信息化建设的战略性资源和非物质性财富，是不可或缺的城乡规划管理和决策依据。将改变基于简单数据统计、经验分析甚至直觉判断的城乡规划管理模式，提高城乡规划管理的有效性，加快城乡规划管理大数据库建设和空间分析、相关分析能力，建立更加开放透明的公共参与平台和市民监督系统，随着大数据技术的发展改变大数据管理、分析、共享、决策、人才培养、隐私保护等问题，将会进一步提高城乡规划管理方面的信息化、智能化技术支撑能力，推动城乡规划管理由信息化向智能化发展。
参考文献
[1] Big data in 2020［EB/OL］.［2012-12-24］/leadership/digital-universe/iview/big-data-2020.htm
[2] IDC，中国大数据技术与服务市场 2012-2016 年预测与分析
[3]维克托•迈尔-舍恩伯格，肯尼思-库克耶著，盛杨燕，周涛译.杭州:浙江人民出版社，2013
作者简介：黄 赞，男，国家注册城市规划师，现就职于中社科城市与环境规划设计研究院，城乡规划所所长
原创性声明
第3篇：大数据金融论文范文
关键词：大数据；精算定价；客户价值；巨灾风险；极值理论
文章编号：2095-5960（2014）02-0036-07；中图分类号：F840；文献标识码：A
一、引言
信息是金融行业中最重要的资源之一，而数据是信息最直接的表现方式。随着电子技术发展以及世界金融市场交易规模的迅速扩大，金融行业中的数据量呈爆炸式增长趋势，如每一天世界金融产品交易数据达到500G以上，其中保险公司的数据占比达到12%（第一届CCF大数据学术会议，国家会议中心，2012年12月）。这充分说明金融行业已经进入了“大数据时代”。
按照Kenneth Cukier在《Big data》中的定义，大数据又被称为巨量信息、海量数据等，指的是所涉及的信息量非常巨大，超过传统软件和技术所涉及的范围[1]，而所谓的大数据技术或大数据能力就是在这种海量数据下有效的数据分析技术，即能够利用各种各样类型的巨量数据，快速获取有价值信息，并使之应用的能力[2]。鉴于金融行业的巨量数据存量以及每天的新增数据规模，大数据分析能力对其尤为重要[3]，保险公司是金融行业的重要组成部分，也不可避免要面对大数据现状，充分利用巨量数据来推动业务发展和创新，提升竞争力也自然成为当前最迫切的任务[4][5]。
为了详细了解我国国内的大数据情况，我们对中国保险业进行了数据情况的统计（以下简称“中国保险业大数据背景调查”）。该统计所涉及的保险公司共122家，其中包括58家人身险公司、59家财产险公司以及5家再保险公司。在人身险公司中，中资公司35家，外资公司23家；在财产险公司中，中资公司38家，外资公司21家。这些公司的业务规模占全部保险市场的95%以上，可以认为调查结果具有一定的普遍性。
我们统计的数据种类包括以下五类：一是保单数据及保单维持数据：这部分数据组成了保险公司的业务系统，以专业的数据库软件来操作。二是核赔理赔数据：这部分数据随着电子化进程加快，大部分也在业务系统中，同时部门内部也有对应的数据库。三是投资理财数据：因为寿险经营时间长，需要对保费保值增值，所以寿险的保费投资是经营的重要方面，导致这部分数据非常丰富，相对来说，财产险公司中，这类数据量比例较小。四是定价数据：这部分数据是精算部门用来定价和利润测试，以及用来向保监会报送各类报表运算时候需要的数据，有相当一部分来自于业务系统。五是风险管理数据，这部分数据相当零散，且涉及以上各类数据，同时还包括公司的财务数据、行业数据、监管数据、宏观经济数据乃至宏观管理数据。六是再保险公司公司数据，再保险公司承担保险公司的分出业务，通常掌握了很多家原保险公司的数据，具有比原保险公司更多的数据，这部分数据尽管有相当一部分来自于原保险公司，但大数据的核心并非是关注数据的重复问题，而是如何利用数据进行快速决策，所以我们把再保险公司的数据也统计在内。
我们对所有参与统计的原保险公司前五类数据并汇总，然后加上再保险公司数据，由此构成中国保险业整体的数据情况。这里需要注意到：汇总过程中会有很多冗余数据，例如投资相关的金融市场数据等，但从大数据的核心出发，这些数据应该不作区分。原因如下：
首先，大数据的本质是快速和预测，而并不关心重复数据的冗余情况，对重复数据冗余的处理其实是降低大数据应用效率的，大数据更关心的是基于整体的巨量信息快速进行决策和分析[6][7]。
其次，每家公司在经营过程中，即需要考虑公司本身特有的信息、特有的数据，同时也必然和其他公司一样面对公共的信息、公共的数据，这些数据都是他们决策基础[5]。
最后，重复的数据虽然存在但其对决策的影响其实是不同的，这和一同协作的数据有关，也和每家公司的大数据能力有关，换句话说，对每家公司来说，即使是重复的数据但也意味着不同的信息。
这种现状正是本文研究的出发点，我们将以掌握的数据为基础，在定价、巨灾分析以及健康险方面进行大数据应用研究的尝试。
二、跨部门大数据应用：寿险产品精算定价
产品精算定价能力是保险公司的核心竞争力之一，大数据在精算定价中的应用核心就是从“样本精算”过渡到“全量精算”。
对寿险来讲，保险公司基于“精算模型”，并使用“资产份额”和“宏观定价”等方法来确定实际保费。对财险公司而言，保险公司通常利用历史数据来获得“损失模型”，并通过分析各因素作用来获得最终保费。传统的这些过程中，一般只涉及公司所掌握数据的很小一部分，是“样本精算”，但为了获得更大的市场空间，保险公司有必要利用大数据来获得“定价”的比较优势，实现“全量精算”。这里我们仅以寿险定价为例来进行应用研究。
寿险公司在长期经营过程中积累了大量的数据和信息，同时外部环境变化也积累了海量数据，而传统的寿险产品定价对这些数据置若罔闻，仍然是基于保监会公布的00—03生命表和一些公司的有限信息来进行，这必然不能反映真实的风险状况，也丧失了市场竞争中的比较优势。
这里以一家普通的保险公司为例来说明大数据应用。我们将数据范围扩展到公司的全部部门（包含整个业务部门乃至核保核赔部门），这些部门的数据经过唯一的ID（如身份证号）链接，形成一个庞大的海量数据记录，在舍弃一些信息并整理后（仅包含索赔引起的死亡率信息）形成了一个900M的数据库，涵盖的时间是2003—2009。该数据即是进行“全量精算”的基础。接下来，我们对数据库进行整理并加上国家统计的数据（来自于《中国人口与就业统计年鉴》），获得了从1983年开始的分年龄段死亡率表（表1）。
根据此定理，我们利用大数据的信息来进行参数估计，方法是最小二乘法或极大似然估计。保险公司仅需要在大数据的基础上，进行程序运算，给出对应的距离或其他信息，就可以得到该极值分布的具体参数。如我们以上述例子为样本，可以得到其参数估计值分别为-0.7和1.8。有了损失分布，财产险公司就可以用来进行定价或者进行分保安排，而再保险公司就可以进行风险控制。
五、结论
通过以上大数据在保险公司中的具体应用，我们得到几点结论：
第一，保险公司应该在定价中充分利用公司所掌握的全部数据，让定价从“样本精算”转移到“全量精算”上来，让每个部门数据都发挥作用，通过整合和利用大数据技术，达到更精确的风险定价，从而获得更大的定价空间。
第二，保险公司自身应该重视数据接力，甚至保险公司之间应该加强数据合作，通过针对性的保险产品覆盖来实现客户价值挖掘，扩大保险市场。
第三，保险公是不但要重视本行业的数据积累，还要重视并挖掘其他行业的数据价值，通过与自身数据的融合来实现大数据所带来的价值。
参考文献：
[1] Viktor and Kenneth， Big Data： A revolution that will transform how we live work and think [M]. Eamon Dolan/Houghton Mifflin Harcourt Press， 2013.
[2] Redman T.The impact of poor data quality on the typical enterprise [J].Communications of the ACM，1998，41（2）：79-82.
[3] 张宁，云计算在保险公司信息化中的应用[J].数学的实践与认识， 2012， 42（27）： 97-103.
[4] Eckerson W.Data Warehousing Special Report：Data quality and the bottom line JR. Applications Development Trends，2002.
[5] English LP.Improving Data Warehouse and Business Information Quality：Methods for Reducing Costs and Increasing Profits[M].New York：Wiley，1999
[6] Swartz N.Gartner warns firms of‘dirty data’ [J].Information Management Journal， 2007， 41（3）：6-12.
[7] Kohn LT，Corrigan J M，Donaldson M S.To Err is Human：Building a Safer Health System[M].Washington：National Academies Press，2000.
第4篇：大数据金融论文范文
关键词：互联网金融；大数据；金融风险预警
一、 互联网金融风险的概述
所谓互联网金融是指借助于互联网技术、移动通信技术实现资金融通、支付和信息中介等业务的新兴金融模式，既不同于商业银行间接融资，也不同于资本市场直接融资的融资模式。随着互联网技术的快速发展，互联网金融得到迅猛的发展，具体体现在用户数量和资金规模上。央行数据显示，电子支付业务增长较快，移动支付业务保持高位增长；2013年移动支付业务16.74亿笔，金额9.64万亿元，同比分别增长212.86%和317.56%。新华网的报道显示，互联网理财产品在近一年的时间内，发展已经超出人们的想象，例如互联网理财领域的“余额宝”，截止到2014年2月，其客户数已超过6 000万人，资金规模已超过2 500亿元。与传统金融相比，互联网金融具有成本低、效率高、覆盖广、发展快和管理弱等特点，并在国家支持互联网创新的背景下，得到迅速的发展。
“高效共享”、“平等自由”、“信任尊重”的互联网精神推动了互联网金融的快速发展，进而形成以点对点，网格化共享互联，信息交互，资源共享，优势互补的金融体系。虽然成熟可靠的互联网技术为互联网金融的正常运营提供了强有力的保证，但是互联网金融的风险监管体系与传统金融的监管体系相比，在合法性、规范性和安全性等方面尚存在很多问题，这些问题将会产生诸多不确定的金融风险，不仅会影响企业的可持续发展，甚至会影响国家和社会的繁荣稳定。要控制金融风险，需有完善的金融预警机制作为保障。所谓金融预警机制主要是指各种反映金融风险警情、警兆、警源及变动趋势的组织形式，指标体系和预警方法等所构成的有机整体，并且以经济金融统计资料为依据，以信息技术为基础，是金融风险防范的重要组成部分。如何判断和识别金融风险，是金融风险预警机制的核心问题。随着信息技术的快速发展，结合收集的历史数据，结合数学指标、统计模型、数据挖掘等模型、算法判断和识别金融风险，是当今金融风险预警机制中的研究热点。传统的金融风险预警方法主要有三大类：景气指数法、指标体系评分法和模型法。景气指数法，通过综合许多经济因素为一个或一组景气指数来经济动态走向；指标体系评分法，通过筛选指标、编制指标体系、给与指标赋分来给出金融安全状态的较为完整的评价；模型法，通过将与金融危机发生的相关因素纳入统计模型进行检验来预测金融危机发生的可能性。
对于互联网企业来说，爆炸式增长的客户数据是一个亟待开发的资源，数据中所蕴藏的无限信息金矿若以先进的分析技术加以利用，将之转换为极其有价值的洞察力，能够帮助金融企业执行实时风险管理，成为金融企业的强大保护盾，保证金融企业的正常运营。数据是下一个“Intel Inside”，未来属于将数据转换成产品的公司和人们。互联网金融风险的预警体系的建立，应根植于互联网中的大数据，结合传统的金融风险分析方法，利用统计、计算机、数据挖掘、人工智能等手段，从数据的海洋中甄别、判断互联网金融中潜在的风险；并且还能通过数据掌握客户动态，企业经营环节中可能出现的金融风险，从而提高企业经营管理效益。
二、 互联网金融中的数据及特点
1. 互联网金融的数据。与互联网电子商务一样，互联网金融作为金融信息化的形式，离不开参与互联网金融活动的企业、客户，以及相关的金融服务或产品。与传统金融活动相比，互联网金融活动更容易收集、整理、存储用户信息、用户交易数据、服务或产品信息，甚至还能存储用户在交易过程中对互联网平台的使用情况、操作行为，以及沟通、留言等信息。从互联网金融数据的构成形式来看，主要包括：用户数据、交易数据、用户操作及行为数据、金融服务或产品供给情况，以及文本数据（包括：电子邮件，即时聊天，以及留言等）。
（1）用户数据。互联网金融业务的开展，离不开用户的参与。为保障用户在交易过程中的金融安全，保证日常金融活动的顺利进行，金融企业针对用户信息的管理工作是十分严格的。通常情况下，用户的基本信息会被收录和存储到企业信息系统之中。作为互联网金融的服务对象，用户是不可缺少的组成部分，用户规模直接反映了企业的规模，还间接反映了企业的发展前景。
（2）交易数据。互联网金融是传统金融向电子信息化方向的发展，互联网金融的主要活动离不开用户交易。互联网金融企业为用户交易提供了互联网平台媒介及相关金融服务。为保证交易安全，提高企业的服务质量，便于回溯和取证，系统会记录用户通过互联网平台交易的过程。长期积累的交易数据不仅可以用来分析用户的交易偏好，也可用来侦测用户的异常交易行为，为防止交易风险提供依据。
（3）用户操作行为数据。互联网金融平台不仅是互联网交易的媒介，也承载着传递信息，宣传金融服务的作用。与传统金融不同，互联网金融平台无法通过面对面的交谈，感知客户的感受，发现客户的异常行为。因此，为了提升互联网金融平台的服务质量，了解客户的操作行为习惯，通常会记录客户的操作行为。
（4）文本数据。作为信息传递的平台，互联网中存在大量的评价，留言，沟通交流信息，这些信息体现了民众的舆论动向。金融运行的基础为信用与预期，这种特征使其更容易受社会信用与预期舆情的影响。金融舆情能够通过一定的作用机理对互联网金融运行产生现实的影响，如果不能及时关注和应对小的金融舆情，则有可能酿成大的金融危机事件。
（5）其他数据。除此之外，还有诸多外部因素会影响互联网金融的正常运行，例如国家宏观经济运行情况，物价水平，进出口、行业发展状况等都会对互联网金融产生影响。为保证互联网金融企业的正常运行，应该全面，细致的整理和收集相关的数据。
2. 互联网金融数据的特点。与大数据一样，互联网金融数据具有规模性（Volume）、多样性（Variety）和高速性（Velocity）等三大特点。三大特点交织在一起，形成了当今中国互联网金融的新局面。
（1）规模性。所谓规模性指的是，互联网金融数据的量达到了一定的程度，无法通过当前主流的分析工具来及时处理。互联网金融数据的规模体现在用户规模增大、交易规模增大两方面。一方面，由于互联网金融的门槛较低，效率较高，互联网金融的参与者更具有广泛性、规模性，更加平民化导致互联网金融用户规模较大。另一方面，结合互联网的特点，加之互联网企业的平台、用户、以及大数据优势，互联网金融的用户规模、交易规模很容易迅速提升。
（2）多样性。所谓多样性指的是，互联网金融数据的数据类型，除了有结构化的数据以外，还有半结构化和非结构化的数据，例如文本数据。此外，还体现为互联网金融活动的多样性，互联网金融提供了在线支付、还贷借贷、理财、保险等服务，丰富了互联网金融的形式。常见的互联网金融活动包括：B2B电商金融、B2C电商金融、网销基金（网络理财）、网销保险、银行电商、P2P网贷、网络支付、众筹融资、虚拟货币等。
（3）高速性。所谓高速性指的是，互联网金融数据的到达与处理必须及时高效，不允许较长的延迟，不及时将会造成不必要的损失。同时，借助互联网平台的宣传，互联网用户的响应速度提高，加之用户规模较大，数据的增长速度呈指数增加。
可见，要从大数据中识别、发现互联网金融中潜在的风险，需要有处理大数据规模性、多样性、高速性的能力。要应对互联网金融中的大数据问题，需要建立完备科学的互联网金融风险预警体系。目前大数据主要的处理模式可以分为流处理和批处理两种，其中批处理是先存储后处理，而流处理则是直接处理。不论以哪种方式处理数据，互联网金融风险预警系统都要从数据出发，识别、发现、预警、监控、预测互联网金融中潜在的风险。
三、 互联网金融风险预警系统
1. 以数据为中心的体系设计原则。
（1）系统性原则。互联网金融风险预警体系是针对互联网金融风险的监测、预测、预警的系统，是一个大的体系，必须涵盖互联网金融活动的全过程。必须考虑到互联网金融活动中的每个参与者，包括金融服务、金融产品的提供者，中介机构、用户，以及政府、监管机构等；还须考虑各种交易行为，甚至民众舆论动向。同时，还需兼顾国家宏观经济运行情况、经济指标、行业发展情况等。
（2）时效性原则。由于互联网金融数据具有高速、变化的特点，说明实时处理分析的重要性，目的就是实时防范和减少金融风险，及时识别、判断金融风险，及时对风险进行预测和响应，在时间上要连续，在内容上要连贯和可比。
（3）可操作性原则。在数据的收集、管理时，要有利于风险的识别、判断、预测；在系统的构建时，要结合符合公司实际情况，简单、可靠、易行；在数据分析过程中，选取的指标、统计方法、相关判别准则要易于分析、有利于操作，不仅能快速的识别、判断、预测风险，做出预警，还能辨别风险的源头。
（4）科学性。设计过程中应尽量考虑采用可量化的指标，同时也要设置一定的定性指标，以进一步系统地反映定量指标所不能表征的金融风险。对于定性指标也要给出准确的判断标准，尽可能避免人为因素的误导，确保评价结果的科学性、合理性和准确性。
（5）弹性原则。系统的设计应兼容既有金融风险预警系统，保证企业正常运营的前提下，随着时间的推移，对系统进行不断改进和完善。保证系统中功能、模块应能独立运行，功能各异，相互补充，避免冗余。
2. 以数据为中心的系统的层级。
（1）数据管理层。数据作为系统中的核心部分，是整个体系中的关键环节。企业在建立以数据为中心的互联网金融预警系统过程中，必须健全为企业服务的数据管理机制，建立与企业规模相匹配的数据中心。数据中心的职责包括：数据的收集、整理、加工、存储，提供方便、可靠的数据操纵接口，以便其他层级用户的使用。数据中心管理数据时，应保证数据的完整性、准确性以及安全性；并兼顾可靠性，保证数据中心正常运营，为风险的预警提供数据支持平台。
（2）数据整合层。要从互联网金融的大数据海洋中实现金融风险的预警，必须对金融风险有透彻的定义和认识。从金融风险的定义出发，确定分析需求，对数据进行重新整合，提取与之对应的分析数据。数据整合是保证分析结果可靠性、准确性必不可少的环节。如果说数据是预警体系的基础，那么需求则是预警体系的灵魂。数据提取层的任务包括：风险的定义、分析需求的确定、数据的整合与提取。
（3）数据分析层。数据分析是互联网金融风险管理控制的实施手段。全面的数据分析系统，应包括现行的指标体系、统计模型，及人工智能方法；同时兼顾与企业相适应的相关指标体系、统计模型等方法。数据分析层的功能应包括：风险识别、判断，风险预警，风险监控，自动上报、信号系统，风险预测，风险评级等功能。
（4）数据解释层。来自数据分析层中的每一次预警、每一个报告，都须结合企业的经营管理状况，以及企业外部经济运行环境，行业背景来进行解读。目的是更系统的评估风险，评价风险的可靠性，风险的危害程度，产生的根源，可采取的控制手段，弥补数据分析层的不足，为企业决策管理者提供更完整的决策依据，从而减少企业为规避风险所产生的损益。数据解释层应健全风险响应机制，建立风险应急小组，为及时处理风险提供依据。
结合以“数据”为中心的体系设计原则，从系统性、时效性、可操作性、科学性和弹性来看，预警体系涵盖了以数据为中心的互联网金融风险分析的各个环节，即数据的收集、数据提取、数据分析和数据解释；各层级紧紧相扣，又相互独立，为企业风险控制管理提供有力支撑；通过数据中心的建设，有利于加快企业的信息化，提供企业管理水平，降低因企业管理缺陷导致的内部风险；统筹兼顾、持续改进，降低企业管理经验成本。
四、 结论与机制实施建议
建立互联网金融风险预警体系的目的是，预防或降低企业在经营过程中，由于决策失误，客观情况变化或其他原因使资金、财产、信誉遭受损失。本文介绍了从互联网金融的发展状况入手，介绍了互联网金融的数据及特点，说明了互联网金融风险预警系统的设计原则和系统层级。建立以数据为中心的金融风险预警系统，不仅能够帮助企业降低和减少金融风险带来的损失，也能帮助企业提高、完善企业经营管理水平。基于大数据的金融风险预警系统作为保障互联网金融正常运行的工具，在传统金融互联网化的时代背景下，将会得到快速的发展。在系统的实施过程中，我们提出如下建议：
（1）建立科学、体系的考核评价机制。数据作为风险预警机制的核心，一旦离开操作数据的“人”，将毫无用处。因此在系统建设的过程中，应建立科学、体系的考核评价机制，提高参与者的主观能动性，保证系统顺利实施。考核机制应从数据的角度出发，以建立全面、可靠、弹性、实时、安全的数据体系为目标，对参与者在体系建设中的效能进行评估，量化参与者任务完成情况考核，奖励为体系建设做出贡献的参与者。
（2）要注意事物发展的阶段性，由易到难，逐步金融风险预警系统。互联网金融风险预警系统不是简单地借用传统金融风险系统，或者新系统的重新开发，而是在传统金融风险系统的基础上，结合互联网的特点，建立与大数据为中心的风险预警系统，本质是传统金融行业向互联网金融行业的转变。实施的过程中，企业要做系统的评估，从简到繁，从易到难，保证企业正常运行的情况下，稳步建设以数据为中心的金融风险体系。同时，要结合企业的经营管理水平，充分利用互联网技术，在风险管理的过程中不断实践，有条件的创新，建立符合企业自身发展要求的金融风险预警系统。
（3）制定科学规范的金融风险预警系统实施、操作程序。为保证系统实施、操作的规范性，应制定科学、规范的程序。在预警系统实施的过程中，应以数据为中心，制定明确的系统实施计划，包括确定系统实施的进度、参与者、目标以及突发事件的处理等。同时要制定系统使用的行为规范、操作流程，明确参与者的权责、业务范围、数据权限等；制定风险分析、上报、反馈和监测机制，保证及时发现风险，且得到及时响应。
此外，互联网金融的正常运行离不开国家法律、法规、政策的支持，以及投资者，参与者的监督。监管部门应尽快完善法律、法规及相关政策，创造公平的竞争环境，保护互联网金融参与者的财产安全；加快相关政策的出台，明确互联网金融的业务范围，建立有效的准入和退出机制，奖励金融创新，加大金融投机行为的处罚力度；提高政府监管水平，保障互联网金融市场有序健康的发展；加强舆论监督和舆论导向，弥补政府监管不足。企业应公开披露相关数据，充分发挥互联网金融的投资者、参与者的外部监管作用，避免金融风险的发生。
参考文献：
1. 陈萍.金融舆情监测分析运用及政府策略.中国国情国力，2012，（8）：26-28.
2. 董小君.金融风险：预警机制研究.北京：经济管理出版社，2004.
3. 胡辉.我国金融风险预警机制研究.江苏大学学位论文，2008.
4. 孟小峰，慈祥.大数据管理：概念，技术与挑战. 计算机研究与发展，2013，50（1）：146-169.
5. 李国杰.大数据研究的科学价值.中国计算机学会通讯，2012，8（9）：8-15.
6. 刘静如.大数据：金融企业的盾与金――浅谈风险管理与消费智能.中国金融电脑，2012，（9）：83-83.
基金项目：中国人民大学科学研究基金（中央高校基本科研业务费专项资金资助）项目“基于高维联合模型的重复测量与生存时间资料联合评价的扩展研究”（项目号：13XNH190）。
第5篇：大数据金融论文范文
关键词：大数据 数字图书馆 信息服务
中图分类号：tp391 文献标识码：A 文章编号：1007-9416（2015）04-0070-02
在科技时代的快速发展下，云计算及物联网技术日臻成熟，全球已经逐步进入到“大数据”的直接统领下。在大数据概念的推广中，数据信息作为更加实用的资源，已经在生产力发展中呈现出更多的实际价值，也成为政府部门、金融领域以及投资者们众矢之的，而作为数字图书馆的建立将更加迫切。
1 大数据及数字图书馆概述
1.1 大数据内涵
无论是在当下，还是在上个世纪，大数据的概念其实早已经走进我们寻常人的生活中，上个世纪八十年代初，美国学者就开始将大数据的概念贯彻进入各行各业中，充分发挥着重要的作用，而无论是对于企业还是学者研究，都在针对大数据领域开始进行深入研究，而“大数据”的概念开始逐渐在行业发展中上升到战略层面，受到越来越重要的关注。
其实从大数据这个概念上就可以与普通数据的区别，即在量化标准上实现了进一步的提档升级。正如人类从手工计算逐渐过度到计算器以及计算机一样，有学者指出“大数据其实属于已经超过人类正常可以认为操作的尺度，而借助一般软件都难以进行收集、存储、管理以及进行分析的数据，并且能够形成整体库的标准”。其实从实际形成的角度而言，大数据的宏观性到底有多强，衡量标准需要借助特定的标准，因为对于日常生活中的实际数量大与小都是凭借着感官进行判断，这些都是具体的标准，而大数据的出现是伴随中技术的发展而产生的结果，这个尺寸也不是单一来确定的，而是在一定的标准中逐渐完善形成，这是一个渐行渐近的过程，其实对于我们单一的个人来说参与到大数据的过程基本是直接使用的过程，而在图书馆服务的过程中正是充分使用了这一功能，将整体的服务性体现得淋漓尽致。
1.2 数字图书馆概述
数字图书馆（Digital Library）顾名思义，通过数字相关技术进行信息加工处理后的一种集约式的新式图书馆。借助数字信息技术将容量更大的相关信息资源进行微观处理，尽可能达到最佳的情形所在，实现无区域限制、无容量限制，保证信息流通更加顺畅，交流起来更加畅通。从实际效果而言，数字图书馆属于一种现代化的图书馆，属于互联网条件下的产物，借助技术创新，将更多的便捷服务展示在读者眼前，实现信息交流的最大无障碍化，保证信息交流的最佳效果。
2 数字图书馆信息服务特性
到2020年，全球的数据量将达到惊人的35ZB当量，相当于十年前的三十倍之多，而这样的数据存在过程中需要进行相关的管理过程，而大数据技术所承载的IT领域的过程将直接影响着内部结构化的发展存在，这样的过程将直接影响着传统数据库的进一步扩大发展，逐渐支撑起大数据技术平台的全新构架，有助于人们借助大数据库的海量内存实现个人需求，逐渐将其最大价值化，而在实际应用中将实现以下功能。
2.1 商务功能
大数据会给出一些未知的未知，也就是你没有想到的一些问题的结果，随着计算和存储硬件变得非常便宜，配合大量的开源大数据工具，人们可以非常‘奢侈’地先抓取大量数据再考虑分析命题。可以说，低廉的计算资源正在改变我们使用数据的方式。此外，处理性能的大幅提高（例如内存计算）使得实时互动分析更加容易实现，而‘实时’和‘预测’将BI带到了一个新的境界―未知的未知。”
2.2 公共服务
这一功能的体现正是在实际的政府参与的过程中实现的，因为随着城市化的发展脚步日益加快，城市发展的预算超支状况日益严重，农村以及郊区涌入城市中的人群对于城市公共社会服务功能的要求日渐复杂，市政设施方面的客观数据能够在很大程度上反映出解决争端，实现社会公共资源共享化的最佳局面，这些都是在实际过程中需要数据来真实反映，这已经成为一种趋势和常态，更是新常态经济发展的必然要求。
伴随着读者参与情况的变化，图书馆在现代社会公共服务体系中，已经逐渐充当着公共信息服务的组成部分，不可避免地受到信息技术的直接影响，在数据集约化程度日益增加的大背景下，信息管理技术的优劣能够真实反映图书馆事业发展的真实情况，为图书馆事业的发展奠定扎实地群众基础，这些都在公共服务综合化建设中值得重视。
2.3 市场营销
随着大数据将信息更加透明化，消费者与供货商之间的关系正在发生巨大变化，从传统的电话、邮件联系，逐渐实现网页交易以及网络沟通的全信息化程度，这将实现一种能够“360度的客户观察角度”的新方式，而这也在一定程度上让图书馆服务与之相互匹配。
3 数字图书馆服务特性分析
3.1 特性内容定制服务
在图书馆发展过程中，网络信息逐渐充斥我们的个人生活，而人们逐渐熟练使用搜索引擎，实现信息的获取，但在专业化信息检索过程中，人们更加需要专业化的手段来进行实际操作，而这样的内容个性化定制，逐渐在图书馆中将成为一种必然。这就好比操作学位论文一样，通过图书馆选择更多的有用理论信息来进行操作，而数字图书馆将这样的需求进一步扩大，将根据不同读者的实际需求将内容进行有效区分，借助网络进行针对性的信息获取定制，在这样的过程下，图书馆对网上相应学科专题的资源进行识别，信息个性化的定制服务是用户有效获取需求信息的方法只为其中之一。
第6篇：大数据金融论文范文
会议了信息社会50人论坛的首份年度报告——《边缘革命2.0：中国信息社会发展报告》，集中展示了论坛成员最新研究成果，对中国信息社会发展现状和未来进行了分析预测，提供了大量关于信息社会发展的新思维、新方法。
报告的主旨主线为用信息社会的眼光看世界。分为“我们在哪里”、“我们往哪里去”和“未来思考”三个篇章，从中国信息社会的现状、趋势和哲学本质进行了探讨。报告共收录了15篇独立成章又紧密联系的研究报告和论文，以边缘革命2.0、信息社会、信息文明、信息生产力、信息哲学、中国特色信息化道路、农村转基因工程、互联网经济体、网络文化、大数据、智慧城市、复杂思维及复杂治理等不同视角对中国信息社会进行了审视，提供了大量的数据、方法和思考结论。
报告认为，在中国的改革与发展进程中，边缘力量一直发挥着重要的推动作用。如果说1980年代由边缘力量发起的经济改革可以称之为“边缘革命1.0”，那么2000年前后由草根网民推动的社会全面变革就可以称之为“边缘革命2.0”。与“边缘革命1.0”相比，“边缘革命2.0”在行为主体、行为方式、变革对象、影响的范围广度深度等多个方面都具有非常不同的特点。当今的中国改革与发展进程中纷繁复杂的现实问题需要用复杂科学的思维从文明发展的高度去寻找出路，充分尊重和不断激发人民大众的创新活力。
报告援引国家信息中心测算结果显示，2001-2012年，中国信息社会指数（ISI）从0.232提升到0.439，正处在从工业社会走向信息社会的加速转型期。北京、上海、深圳、厦门等17个城市率先进入信息社会初级阶段。预计2020年全国信息社会指数将达到0.6，整体上完成向信息社会的转型。
会议还了由信息社会50人论坛成员评选出的“2013年度中国信息社会发展十件大事”，分别为：互联网金融成为热点、大数据热潮兴起、“棱镜”事件波及国际社会、《电信和互联网用户个人信息保护规定》、《“宽带中国”战略及实施方案出台》、《关于促进信息消费扩大内需的若干意见》出台、微信用户超过6亿、“双11”全天支付宝成交额超过350亿元、“3Q大战”走向最高法院、4G牌照发放。
第7篇：大数据金融论文范文
关键词：信贷业务；商业银行；安全性；流动性；盈利性；“三性”原则
贷款业务始终是商业银行资产业务的重要组成部分，因此在激烈竞争下，必须加强安全性管理、流动性管理、盈利性管理。通过社会征信体系的建立、审查审批环节的制度建设、贷款风险预警机制的建立，可以提高信贷资产的安全性。通过信贷资产证券化、资本充足率的提高增强信贷资产的流动性［1］。最后通过差异化信贷定价策略、简化放贷程序、精简信贷人员等措施来提高贷款的盈利性，以此抵御市场新生力量的竞争，保护银行的传统业务——信贷业务。
一、商业银行的经营目标
（一）安全性原则。安全性原则指商业银行在日常经营过程中，必须审慎控制风险，经得起重大风险和损失。商业银行是特殊的金融机构，通过其信用中介的职能成为全社会最大的债权人、债务人。在信贷业务中，存在着信用风险、操作风险、道德风险、市场风险、法律风险等一系列风险［2］。因此在银行日常业务经营管理中，安全性原则尤为重要，是商业银行的基本目标，重点强调尽可能地避免和减少风险。因此在贷款业务过程中，贷前、贷中、贷后都必须坚持安全性原则。（二）流动性原则。在银行负债中，存款业务是主要的资金来源，在我国，存款分为活期存款、定期存款、储蓄存款。商业银行既要满足活期存款、活期储蓄存款随时提存的需要，还需要满足定期存款、定期储蓄存款在规定日期提现的需要。为满足这些需要，商业银行在日常经营中需要提存一定数量的存款准备金，满足资本充足率的要求，防止挤兑的产生。同时为了满足资产的流动性，银行需贯彻信贷配给原则，审慎信贷风险，并通过一系列手段提高贷款流动性，使贷款能在银行需要时具有及时变现的能力。（三）盈利性原则。盈利性原则指商业银行作为一般企业追求利润最大化的目标，是银行最终效益和经营能力的体现。其盈利性目标地实现对自身的经营管理和整个社会都具有重要意义，有利于充实银行资本、扩大银行经营规模、提高银行的信誉，从而提高其综合竞争力。衡量其盈利性程度的指标主要有盈利率、盈利资产收益率、收入盈利率等。贷款业务作为商业银行最重要的资产业务，是最主要的盈利资产，是商业银行实现利润最大化目标的主要手段［3］。近些年，随着互联网金融的发展，花呗、京东白条、民营银行等新生力量开始抢占商业银行传统业务，尤其是小额信贷领域。同时利率市场化进程的加快，使商业银行贷款盈利能力逐渐下降，因此，其目前发展面临双重困境。
二、“三性”原则下商业银行信贷业务管理
（一）贷款业务与安全性原则。第一，建立社会征信体系。信用体系的健全和信用风险评估机制的确定对于商业银行降低经营成本、降低坏账率、发展小额信贷有重要作用。因此需要商业银行借鉴互联网金融的优势［4］，加强与互联网金融企业的合作，充分运用大数据分析方法，将借款人或者投资人的行为模式、消费习惯、诚信记录等纳入信用风险防范模型，做到全面、真实地反映贷款人的资信能力和偿债能力，同时借鉴信用分评分模式，加快全民征信体系的建设。第二，完善审查审批环节制度建设。目前我国实行审贷分离制度，制度核心是相互制衡与自我约束，但自我约束的实现需辅以制度制衡，因此不仅需要加强对专职人员的工作能力和素质建设培养，提高其自我约束能力，同时应辅以恰当的奖罚机制。通过绩效考核制将考核人员的收入与银行效益挂钩，实行收付实现制，加大信贷风险责任考核力度。第三，建立贷款风险预警机制。贷款风险预警机制的建立需多方主体参与。首先，企业信贷人员要实时监控企业微观环境、中观环境、宏观环境［5］，充分调查企业信贷能力和管理状况。其次，商业银行向政府寻求帮助，在必要时借助行政力量充分分析企业的经营能力、财务状况、偿债能力等，要求企业保证经营数据的真实性、完整性、可靠性。再次，商业银行要拓宽信息来源渠道，发挥银行同业间的作用，共同防范信贷风险［5］。最后，建立动态贷款风险预警机制，实时监控数据、录入数据，建立完善的风险等级评估，充分发挥预警机制作用。（二）贷款业务与流动性原则。流动性风险以其不确定性强、冲击破坏力大的特点，被称为“商业银行最致命的风险”。因此，加强流动性管理是商业银行经营者面临的重要课题［6］。贷款是银行资产的重要组成部分，由于其缺乏流动性，贷款与存款之间存在期限不匹配的矛盾，这是贷款流动性管理的核心。第一，信贷资产证券化。信贷资产证券化是将原来缺乏流动性但有未来现金流的贷款通过重组转化为可流通资本市场证券的过程。商业银行可以通过信贷资产证券化将制造业、冶炼矿业等传统产业的非优质贷款移出资产负债表，将资金再投放于服务业、新兴产业等行业，以此完善信贷结构，提高信贷整体质量，解决贷款与存款期限不匹配的矛盾，提高银行流动性。需要注意的是，商业银行在开展信贷资产证券化的过程中，不能急于通过这一金融创新工具将长期信贷资产证券化以获得流动资金，并且利用这些资金去进行具有较大风险的投资业务，这样容易降低银行的流动性水平［1］。目前我国商业银行信贷资产证券化存在信贷证券化产品单一、二级市场流动性缺乏、信息披露不规范、金融监管和相关法律不完善、风控和信用评级体系不健全等问题，因此更加需要商业银行谨慎实行信贷资产证券化这一手段。第二，适当提高对资本充足率的要求。目前，全球经济受疫情的影响呈现下行趋势，中小企业面临生存困境，银行贷款风险增加。在此特殊背景下，易发生流动性风险，商业银行需提高对资本充足率的要求，对贷款风险进行充分保障，增加一级资产、二级资产的比重。同时银行提高资本充足率的要求将会安抚社会大众，避免疫情当下产生恐慌心理发生挤兑危机。但资本充足率提高的幅度应视商业银行实际情况而定。大型商业银行信誉好且有较多优质信贷资产，不易产生流动性危机，这时可提高较小幅度或不提高对资本充足率的要求，流动性原则适当让位于盈利性原则。小型商业银行信誉较差、信贷资产质量较差，在经济下行时更易产生流动性风险，因此应较大幅度提高对资本充足率的要求。（三）贷款业务与盈利性原则。第一，差异化信贷定价策略。面对中底层客户，可采用成本加成定价法。中底层客户有着对利率变动敏感、小额信贷、追求快捷低成本服务的特点，因此商业银行要结合底层客户特点，创新金融产品，开发低利率、低贷款金额、放贷快捷、手续简单的金融产品。这时商业银行的重点是降低成本，即需从放贷各个环节入手控制贷款成本，以期用低利率来扩大市场份额，拉拢客户资源，与花呗、京东白条、民营银行、P2P借贷在小额信贷领域进行竞争。同时商业银行应加强与互联网金融企业的合作，运用大数据技术，建立居民信用档案，减少审贷放贷时间，提高服务水平。面对上层客户，可采用客户盈利性分析定价法，考虑与客户的整体关系、双边关系，加强对大额贷款风险的审查，贯彻落实信贷配给原则。对于低质量大额的贷款，应予以拒绝。对于高质量大额贷款，商业银行在提供贷款的同时，还应根据客户具体需要提供更加灵活的优惠利率，进行个性化定制。商业银行还应积极发展与客户的双边关系，在存款上采用上层客户定价法，通过提供个性化服务发展忠诚顾客，并获得较高收益来弥补提供贷款的潜在损失。第二，简化放贷程序、精简信贷人员。5G技术的产生、新基建的发展、大数据技术的普及等新兴技术的发展与普及，给商业银行信贷业务带来了转型机会。商业银行需充分利用这些科技、互联网的力量简化放贷程序，精简信贷业务，加快推进业务线上化、数字化以及互联网化，使人工智能逐渐替代传统人工，智能化、科技化逐渐渗透商业银行贷款程序各环节，这也是未来商业银行发展的大势所趋。信贷业务的智能化、科技化不仅能提高商业银行的效率，给客户带来良好的服务体验，更重要的是，节约商业银行工资支出、培训费用的同时进行科学化审贷，减少主观因素的影响，提高信贷质量，这些都将提高信贷业务的盈利水平。
参考文献：
［1］孙芳琦.信贷资产证券化对商业银行流动性的影响研究［D］.河南大学博士论文，2019.
［2］邵琴.商业银行抵押信贷业务风险问题研究［J］.东方企业文化，2013（22）：232-233.
［3］卢毅.北京银行经营绩效评价研究［D］.广西大学博士论文，2019.
［4］刘宇杰，周红.互联网金融背景下商业银行盈利模式研究［J］.时代金融，2020（36）：30-32.
［5］徐斌.商业银行信贷风险及防范研究［D］.山东大学硕士论文，2014.
第8篇：大数据金融论文范文
关键词 大数据 知识工作 生产率测评指标
1国民经济相关产业研究
根据《国民经济行业分类》（GB/T 4754-2011），我国第一产业是指农、林、牧、渔业（不含农、林、牧、渔服务业）；第二产业是指采矿业（不含开采辅助活动），制造业（不含金属制品、机械和设备修理业），电力、热力、燃气及水生产和供应业，建筑业；第三产业即服务业，是指除第一产业、第二产业以外的其他行业。此外，我国对高技术产业（制造业）、国家科技服务业、生产业、国家旅游及相关产业等进行了详细的统计分类。
关于第一、第二产业，工作生产率更多地追求生产效率，关于第三产业中的软件和信息技术服务业，金融业，房地产业，租赁和商务服务业，科学研究和技术服务业，教育等则追求工作效果。随着国民经济的发展，产业发展已经逐渐由低附加值的传统农业、制造业向高附加值的第三产业发展，第三产业在国民经济中的比重越来越高，2015年服务业占GDP 比重50.5%，2016年上半年第三产业占GDP比重为54.1%，对经济增长的贡献率是59.7%。而现代服务业是实现经济结构调整及产业升级的助推器，在稳增长、促就业、惠民生的供给侧改革中发挥了重要力量。在“互联网+”，大数据时代，生产率指标的制定是衡量生产率高低的关键，对不同行业制定具体的生产率指标，才能实现工作生产率的有效计量。
2生产率测评指标研究
Sink（1985）提出生产率测度及评估能够告诉管理者什么是有效率的，什么是有效果的，潜在的质量问题。确定的生产率测度及评估系统能够指明控制及改善的正确方向。生产率测度在绩效管理的决策支持系统中起着重要作用，然而管理者也必须考虑生产率的适宜测度。
肖敏（2013）采用文献研究法、焦点小组访谈研究、个人深度访谈研究、统计检验方法以及比较研究方法，对生产率文献研究中和企业管理实践中的知识工作生产率评价指标进行统计研究，并分析探讨其差距，提炼知识工作生产率的效用测评指标变量。研究结果表明高知识含量的工作生产率，重点测度工作效果，而质量、客户满意度、创新指标完整地体现了知识工作效果的内涵（相关指标定义见表1）。
3大数据时代知识工作生产率测评指标
肖敏（2013）选取研究型高校作为研究的实验环境，高校教师和职工是典型的知识工作者，根据教师和职工的主要工作内容，制定了质量、客户满意度、创新三个指标的工作标准。实验数据主要来源于高等教育行业高知识含量工作，高等教育是非盈利部门，而对于战略性新兴服务业、生产业、高技术服务业，软件和信息技术服务业，互联网相关服务业是盈利组织，为了更加全面衡量这些企业的工作生产率，本文在此基础上增加利润率指标，将高知识含量的工作生产率指标分为事业单位和服务企业两大类，事业单位工作生产率指标采用质量，客户满意度，创新，服务企业工作生产率指标采用质量，客户满意度，创新，利润率（详见表2）。
在大数据时代，工作生产率的评估方法应将事业单位和服务企业进行分类研究，事业单位主要评估工作质量，客户满意度，工作创新等维度，而服务企业还应关注利润率。这些指标的量化方法是大数据时代生产率评估的又一难点，也是未来的研究方向。在未来研究中，根据国民经济行业分类，重点研究不同类别的服务企业采用的具体生产率指标，同时对科研机构、事业单位等工作生产率评估指标采取具有可量化、可操作的计量指标，较好地实现生产率的评估，促进生产率的发展与提高。
参考文献
[1] 中华人民共和国国家统计局官网资料.
第9篇：大数据金融论文范文
关键词：Scirus 搜索引擎 信息检索
Scirus（网址：http：//）是由国际上享有盛誉的荷兰Elsevier Science公司开发的科技信息资源搜索引擎，于2001年4月1日投入使用，是专门为搜索高度相关的科技信息资源而设计的搜索引擎。
1.信息来源
Scirus的信息来源主要有3个方面：专业学术型期刊数据库、特定的网络资源和其他网络资源。它综合集成了世界上众多的大型数据库文献资源，其中也包含了Highwire、PubMed、Arxiv、ScienceDirect等几乎所有的国外知名OA数据库， 截至2013年1月，Scirus可检索多达5.45亿个科学专门网页（其中包括1.4亿个“.edu”站点，0.4亿个“.org”站点，0.23亿个“.ac.uk”站点，0.38亿个“.gov”站点和超过1.36亿个其他相关的STM和世界各地的高校站点）。
2.检索模式
Scirus检索界面友好，采用了Web数据库检索技术，提供基本检索和高级检索两种模式，每种模式可进行多重选择和多次限定，既能提高信息检索的相关度和专指度，又能满足用户的个性化需求，与其他搜索引擎相比，能搜索到更有价值的信息。Scirus检索功能十分强大，提供了基本检索、与高级检索两种模式。
2.1 基本检索（Search） 基本检索功能与其他搜索引擎一样，支持限定检索，指定检索精确的短语或选择所有期刊资源或选择所有网络资源等，也可选择这3种方式的任意组合。
2.2 高级检索（Advanced Search） 高级检索界面简洁、方便，允许用户进行个性化检索。可以指定检索结果信息类型，如期刊论文、科学家主页、预印本、会议、文摘等或者全部选定：可以指定检索的主题领域，从医学、工程、法律到社会行为科学等20个领域中选择一个或几个，也可全部选定：可以限定检索细节，如选择文献出版、发行年，选择需要的文件格式，或定位在文献全文中，或定位在文章标题、期刊名、作者名、ISDN等数据上，并可指定是包含全部检索词还是部分检索词或是不包含检索词。通过用户的指定和限定，Scirus实现了个性化服务。
3.Scirus与Google Scholar的比较分析
在学科覆盖范围方面，Google Scholar除了可以搜索普通网页中的学术论文以外，还可以搜索同行评议文章、学位论文、图书、预印本、文摘、技术报告等学术文献，文献来源于学术出版物、专业学会、预印本库、大学机构.内容从医学、物理学到经济学、计算机科学等横跨多个学术领域。Google Scholar可以过滤掉普通搜索结果中的大量垃圾信息，还可以通过引用链接方便地找到与搜索结果关联的其他相关学术资料。目前，它可检索的网页并没有确切的数量，但是有着Google能够检索80亿个网页的坚强技术后盾，以及与各大数据库厂商、专业学会等的强强联合，收录范围预计能够在众多专业搜索引擎中名列前茅。Scirus覆盖的学科范围很广，包括农业与生物学、天文学、生物科学、化学与化工、计算机科学、地球与行星科学、经济、金融与管理科学、工程、能源与技术、环境科学、语言学、法学、生命科学、材料科学、数学、医学、神经系统科学、药理学、物理学、心理学、社会与行为科学、社会学等学科。
在检索技术方面，Google Scholar将各种分散的数据不分学科都集中到一个资源库，用户进行查询时，缺省是对整个资源库进行查询。另外，Google Scholar 对所标引的资源采用的是机器自动分类的方法，其分类的准确度要比数据库提供商的基于人工分类的方法要差。Google Scholar所返回的检索结果为已排序的，其相关性排序依据考虑到了文章的全文、文章的作者、刊载文章的出版物的知名度以及该篇文章的被引用次数。Scirus采用了基于web的文本信息挖掘技术，即将数据挖掘的思想应用到Web文本信息处理中，它涉及到文本分类、索引、聚类、查询匹配等各项技术.在Web个人浏览辅助工具中有着广泛的应用。由于数据挖掘的引入，大大提高了文本分类的准确度、文本索引对文本描述的全面性以及用户查询匹配的精度。Scirus挖掘和索引科学网站信息并且给这些网站进行分类.方便检索者在相关主题中查找，使结果更加准确。Scirus采用人工参与搜索引擎的信息组织。由于专业搜索引擎的服务内容定位于特殊的或独立的空间领域，这就需要一批具有很高专业水平的专家负责指导收集、整理、评价信息资料以及有效地引导读者提高检索质量和检索效率。Scirus查询结果输出默认的是根据相关性来排序的，也可选择按照日期排序。
Scirus庞大的学术期刊支撑体系、优越的学术网络合作，强大的检索功能以及高效的过滤系统都是其他搜索引擎所无法比拟的。Scirus构建的科学资源整合系统及统一检索平台为用户高效搜寻和利用世界科学信息提供了极大便利。
参考文献：
[1]翟拥华.基于检索实例的Scirus检索性能的研究[J].科技情报开发与经济，2011，21（10）：127-128.
