生产性企业的概念性学习和操作性学习研究

中国管理科学 ›› 2003, Vol. ›› Issue (5): 80-84.

生产性企业的概念性学习和操作性学习研究

杜荣¹, 胡奇英², 万威武³

1. 西安电子科技大学经济管理学院陕西西安 710071;
2. 上海大学商管学院上海 201800;
3. 西安交通大学管理学院陕西西安 710049

收稿日期:2002-02-09 修回日期:2003-09-11 出版日期:2003-10-28 发布日期:2012-03-06
基金资助:
陕西省自然科学基金资助项目(2001G03);陕西省软科学研究项目

Study of Conceptual Learning and Operative Learning in Manufacturing Firms

DU Rong¹, HU Qi-ying², WAN Wei-wu³

1. School of Economics and Management, Xi’an UEST, Xi’an 710071, China;
2. College of Business and Management, Shanghai University, Shanghai 201800, China;
3. Management School, Xi’an Jiaotong University, Xi’an 710049, China

Received:2002-02-09 Revised:2003-09-11 Online:2003-10-28 Published:2012-03-06

摘要/Abstract

摘要： 本文用一个最优控制模型定量刻画了生产性企业计划期内的概念性学习和操作性学习与生产率、单位成本、废品率以及计划期内的总利润等生产经营指标之间的关系。模型的特点在于其能够规范地描绘众多变量之间的复杂关系。并简要阐述了由模型推导出的一些关于最优概念性学习和操作性学习策略的结论,详细分析了这些策略在生产性企业组织学习实践中的应用,获得了不同于传统理论的结果。

关键词: 生产性企业, 学习, 最优控制模型

Abstract: In this paper we build an optimal control model,which quantitatively characterizes the dynamic impacts of conceptual learning and operational learning on variables such as level of cumulative knowledge,productivity,production cost per unit,and quality,and the aggregate impact of these variables on profit in the planning horizon.The distinct feature of our model is that it can normatively formulate the complex relationships among a variety of variables.We summarize the main results about the optimal conceptual learning and operational learning policies derived from the model analysis.More important,we analyze in detail the applications of these results to the practical learing in manufacturing firms.

Key words: manufacturing firms, learning, optimal control model

中图分类号:

F224.0
C931

杜荣,胡奇英,万威武. 生产性企业的概念性学习和操作性学习研究[J]. 中国管理科学, 2003, (5): 80-84.

DU Rong,HU Qi-ying,WAN Wei-wu. Study of Conceptual Learning and Operative Learning in Manufacturing Firms[J]. Chinese Journal of Management Science, 2003, (5): 80-84.

[1]	李聪聪, 梁海明, 董玉成. 多粒度语言环境下基于持续学习和行为建模的个性化语义共识决策模型[J]. 中国管理科学, 2025, 33(9): 201-212.
[2]	邱涌钦, 方匡南, 张庆昭, 余乐安. 高维主动PU学习及其在信用评分中的应用[J]. 中国管理科学, 2025, 33(9): 57-66.
[3]	陈闻鹤, 常志朋, 周涵婷, 程龙生, 文卜玉. 重大疫情下社区韧性治理能力深度迁移学习评价方法[J]. 中国管理科学, 2025, 33(8): 100-111.
[4]	韩雄, 杨扬, 邓晓春, 缑建杰, 郭捷, 张晨. 基于部分抽样检验的在线异常监控方法[J]. 中国管理科学, 2025, 33(8): 123-130.
[5]	孔祥天瑞, 龙艳红, 于凯泽, 弋泽龙, 晏鹏宇. 基于需求学习的数字化鲜活品拍卖平台批量优化策略研究[J]. 中国管理科学, 2025, 33(6): 222-232.
[6]	刘超, 高凤凤, 张梦婉, 谢启伟. 中国金融市场风险溢出效应、冲击效应与风险预警研究[J]. 中国管理科学, 2025, 33(5): 1-12.
[7]	董曼茹, 唐晓彬. 基于双层Attention机制的LSTM模型对CPI的预测研究[J]. 中国管理科学, 2025, 33(5): 113-123.
[8]	谷炜, 刘亚金, Lu Feng Susan, 闫相斌. 人工智能驱动管理决策：应用、感知与偏见[J]. 中国管理科学, 2025, 33(5): 99-112.
[9]	张莉莉, 陈正锐, 杨洋, 石丹. 考虑复杂度的危化品生产装置检修项目一对多“人员-任务”指派方法[J]. 中国管理科学, 2025, 33(4): 175-184.
[10]	胡忠义, 税典程, 吴江. 中国上市公司数字化水平测度与演化研究——来自年报文本的经验证据[J]. 中国管理科学, 2025, 33(4): 36-49.
[11]	余刘凯. 邻避风险披露机制的网络沟通与劝说模型：私人信息源与信任驱动的学习[J]. 中国管理科学, 2025, 33(3): 162-173.
[12]	李新, 张旭, 余乐安, 汪寿阳. 基于改进Transformer模型的景区短时客流预测研究[J]. 中国管理科学, 2025, 33(2): 105-117.
[13]	李星毅, 李仲飞, 李其谦, 刘昱君, 唐文金. 基于机器学习的资产收益率预测研究综述[J]. 中国管理科学, 2025, 33(1): 311-322.
[14]	房超,胡雅静,郑维博,冯耕中. 基于在线学习的收益信息不确定下新产品开发项目组合动态选择策略[J]. 中国管理科学, 2024, 32(6): 151-162.
[15]	雷欣南,林乐凡,肖斌卿,俞红海. 小微企业违约特征再探索：基于SHAP解释方法的机器学习模型[J]. 中国管理科学, 2024, 32(5): 1-12.