DSS论文

[摘要] 本文首先提出了决策支持系统(DSS)的基本概念,并结合现代新技术的发展趋势,提出了新一代DSS 的主要发展方向:群决策支持系统(GDSS);分布式决策支持系统(DDSS);智能决策支持系统(IDSS);决策支持中心(DSC)及行为导向的决策支持系统(BODSS)。结合各种决策支持系统的具体内容,全面、系统地阐述了各决策支持系统的特点及应用方向。

DSS是当前信息系统研究的最新发展阶段，DSS的各类研究成果为各级各类决策提供了科学的方法和依据，因此DSS成为软科学中的一个重要分支。本文简要评述了近20年来DSS研究的理论成果与应用现状，分析了DSS研究存在的问题和不足，重点介绍了DSS研究发展趋势。

[关键词] 管理系统 决策支持系统 发展趋势 决策质量 决策支持系统/软科学/数据仓库/数据开采

一、决策支持系统的兴起

决策是时时处处存在的一种社会现象。任何行动都是相关决策的一种结果。正是这种普遍性，使人们一直致力于开发一种系统，来辅助或支持人们进行决策，以便促进提高决策的效率与质量。尤其是随着现代信息技术和人工智能技术的发展和普及应用，更有力地推动了决策支持系统(Decision Support System)的发展。

DSS是决策支持系统(Decision Support System)的简称。其概念最早由Scott Morton和Keen于20世纪70年代中期提出,是20世纪70年代末期兴起的一种新的管理系统。它是一种以计算机为工具,应用决策科学及有关学科的理论与方法,以人机交互方式辅助决策者解决半结构化或非结构化决策问题的信息系统,是以特定形式辅助决策的一种科学工具。它通过人机对话等方式为决策者提供了一个将知识性、主动性、创造性和信息处理能力相结合,定性与定量相结合的工作环境,协助决策者分析问题、探索决策方法,进行评价、预测和选优。广泛用于企业管理、系统开发、经济分析与规划、战略研究、资源管理、投资规划等方面。

DSS是一个融计算机技术、信息技术、人工智能、管理科学、决策科学、心理学、行为科学和组织理论等学科与技术于一体的技术集成系统。随着其它学科的不断发展，尤其是计算机技术和信息技术的巨大进步，DSS作为新的交叉学科，将会产生突破性进展。

二、决策支持系统的主要类型

自提出决策支持系统(DSS)以来，DSS已经得到了很大发展。主要有如下几种DSS系统： (一) 数据驱动的决策支持系统(Data-Driven DSS)

这种DSS强调以时间序列访问和操纵组织的内部数据，也有时是外部数据。它通过查询和检索访问相关文件系统，提供了最基本的功能。后来发展了数据仓库系统，又提供了另外一些功能。数据仓库系统允许采用应用于特定任务或设置的特制的计算工具或者较为通用的工具和算子来对数据进行操纵。再后发展的结合了联机分析处理(OLAP)的数据驱动型DSS则提供更高级的功能和决策支持，并且此类决策支持是基于大规模历史数据分析的。主管信息系统(EIS)以及地理信息系统(GIS)属于专用的数据驱动型DSS。

(二) 模型驱动的决策支持系统(Model-Driven DSS)

模型驱动的DSS强调对于模型的访问和操纵，比如：统计模型、金融模型、优化模型和／或仿真模型。简单的统计和分析工具提供最基本的功能。一些允许复杂的数据分析的联机分析处理系统(OLAP)可以分类为混合DSS系统，并且提供模型和数据的检索，以及数据摘要功能。一般来说，模型驱动的DSS综合运用金融模型、仿真模型、优化模型或者多规

格模型来提供决策支持。模型驱动的DSS利用决策者提供的数据和参数来辅助决策者对于某种状况进行分析。模型驱动的DSS通常不是数据密集型的，也就是说，模型驱动的DSS通常不需要很大规模的数据库。模型驱动的DSS的早期版本被称作面向计算的DSS。这类系统有时也称为面向模型或基于模型的决策支持系统。

(三) 知识驱动的决策支持系统(Knowledge-Driven DSS)

知识驱动的DSS可以就采取何种行动向管理者提出建议或推荐。这类DSS是具有解决问题的专门知识的人—机系统。“专门知识”包括理解特定领域问题的“知识”，以及解决这些问题的“技能”。与之相关的一个概念是数据挖掘工具——一种在数据库中搜寻隐藏模式的用于分析的应用程序。数据挖掘通过对大量数据进行筛选，以产生数据内容之间的关联。构建知识驱动的DSS的工具有时也称为智能决策支持方法。

(四) 基于Web的决策支持系统(Web-Based DSS)

基于Web的DSS通过“瘦客户端”Web浏览器 （诸如Netscape Navigator或者Internet Explorer）向管理者或商情分析者提供决策支持信息或者决策支持工具。运行DSS应用程序的服务器通过TCP/IP协议与用户计算机建立网络连接。基于Web的DSS可以是通讯驱动、数据驱动、文件驱动、知识驱动、模型驱动或者混合类型。Web技术可用以实现任何种类和类型的DSS。“基于Web”意味着全部的应用均采用Web技术实现。“Web启动”意味着应用程序的关键部分，比如数据库，保存在遗留系统中，而应用程序可以通过基于Web的组件进行访问并通过浏览器显示。

(五) 基于仿真的决策支持系统(Simulation-Based DSS)

基于仿真的DSS可以提供决策支持信息和决策支持工具，以帮助管理者分析通过仿真形成的半结构化问题。这些种类的系统全部称为决策支持系统。DSS可以支持行动、金融管理以及战略决策。包括优化以及仿真等许多种类的模型均可应用于DSS。

(六)基于GIS的决策支持系统(GIS-Based DSS)

基于GIS（地理信息系统）的DSS通过GIS向管理者或商情分析者提供决策支持信息或决策支持工具。通用目标GIS工具，如ARC/INFO、MAPlnfo以及ArcView等是一些有特定功能的程序，可以完成许多有用的操作，但对于那些不熟悉GIS以及地图概念的用户来说，比较难于掌握。特殊目标GIS工具是由GIS程序设计者编写的程序，以易用程序包的形式向用户组提供特殊功能。以前，特殊目标GIS工具主要采用宏语言编写。这种提供特殊目标GIS工具的方法要求每个用户都拥有一份主程序（如ARC/INFO或者ArcView）的拷贝用以运行宏语言应用程序。现在，GIS程序设计者拥有较从前丰富得多的工具集来进行应用程序开发。程序设计库拥有交互映射以及空间分析功能的类，从而使得采用工业标准程序设计语言来开发特殊目标GIS工具成为可能，这类程序设计语言可以于主程序进行编译和运行（单机）。同时，Internet开发工具已经走向成熟，能够开发出相当复杂的基于GIS的程序让用户通过World Wide Web进行使用。

(七)通信驱动的决策支持系统(Communication-Driven DSS)

通信驱动型DSS强调通信、协作以及共享决策支持。简单的公告板或者电子邮件就是最基本的功能。组件比较FAQ（常见问题解答）定义诸如“构建共享交互式环境的软、硬件”，目的是支撑和扩大群体的行为。组件是一个更广泛的概念——协作计算的子集。通信驱动型DSS能够使两个或者更多的人互相通讯、共享信息以及协调他们的行为。

(八)基于数据仓库的决策支持系统(DataWare-Based DSS)

数据仓库是支持管理决策过程的、面向主题的、集成的、动态的、持久的数据集合。它可将来自各个数据库的信息进行集成，从事物的历史和发展的角度来组织和存储数据，供用户进行数据分析并辅助决策，为决策者提供有用的决策支持信息与知识。基于数据仓库理论与技术的DSS的主要研究课题包括：①数据仓库(Dw)技术在DSS系统开发中的应用以及基

于DW的DSS的结构框架；②采用何种数据挖掘技术或知识发现方法来增强DSS的知识源；③DSS中的DW的数据组织与设计及DW管理系统的设计。总的说来，基于DW的DSS的研究重点是如何利用 DW及相关技术来发现知识并向用户解释和表达，为决策支持提供更有力的数据支持，有效地解决了传统 DSS数据管理的诸多问题。

(九)群体决策支持系统（Group Decision Supporting System，简称GDSS） 群体决策支持系统是指在系统环境中，多个决策参与者共同进行思想和信息的交流以寻找一个令人满意和可行的方案，但在决策过程中只由某个特定的人做出最终决策，并对决策结果负责。它能够支持具有共同目标的决策群体求解半结构化的决策问题，有利于决策群体成员思维和能力的发挥，也可以阻止消极群体行为的产生，了小团体对群体决策活动的控制，有效地避免了个体决策的片面性和可能出现的独断专行等弊端。群体决策支持系统是一种混合型的DSS，允许多个用户使用不同的软件工具在工作组内协调工作。群体支持工具的例子有：音频会议、公告板和网络会议、文件共享、电子邮件、计算机支持的面对面会议软件以及交互电视等。 GDSS主要有四种类型：决策室、局域决策网、传真会议和远程决策。

(十)分布式决策支持系统（Distributing Decision Supporting System，简称DDSS）

这类DSS是随着计算机技术、网络技术以及分布式数据库技术的发展与应用而发展起来的。从架构上来说，DDSS是由地域上分布在不同地区或城市的若干个计算机系统所组成，其终端机与大型主机进行联网，利用大型计算机的语言和生成软件，而系统中的每台计算机上都有DSS，整个系统实行功能分布，决策者在个人终端机上利用人机交互，通过系统共同完成分析、判断，从而得到正确的决策。DDSS的系统目标是把每个的决策者或决策组织看作一个的、物理上分离的信息处理节点，为这些节点提供个体支持、群体支持和组织支持。它应能保证节点之间顺畅的交流，协调各个节点的操作，为节点及时传递所需的信息以及其它节点的决策结果，从而最终实现多个节点共同制定决策。

(十一)智能决策支持系统（Intelligence Decision Supporting System，简称IDSS）

智能决策支持系统(IDSS)是人工智能(Artificial Intelligence)和DSS相结合，应用专家系统(Expert System)技术，使DSS能够更充分地应用人类的知识或智慧型知识，如关于决策问题的描述性知识、决策过程中的过程性知识、求解问题的推理性知识等，并通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统。IDSS的系统目标是：将人工智能技术融于传统的DSS中，弥补DSS单纯依靠模型技术与数据处理技术，以及用户高度卷入可能出现意向性偏差的缺陷；通过人机交互方式支持决策过程，深化用户对复杂系统运行机制、发展规律乃至趋势走向的认识，并为决策过程中超越其认识极限的问题的处理要求提供适用技术手段。根据IDSS智能的实现可将其分为：基于ES的IDSS；基于机器学习的IDSS；基于智能代理技术Agent的IDSS；基于数据仓库、联机分析处理及数据挖掘技术的IDSS等。

(十二)自适应决策支持系统（Adaptive Decision Support System，简称ADSS）

自适应决策支持系统是针对信息时代多变、动态的决策环境而产生的，它将传统面向静态、线性和渐变市场环境的DSS扩展为面向动态、非线性和突变的决策环境的支持系统，用户可根据动态环境的变化按自己的需求自动或半自动地调整系统的结构、功能或接口。对ADSS研究主要从自适应用户接口设计、自适应模型或领域知识库的设计、在线帮助系统与DSS的自适应设计四个方面进行，其中问题领域知识库能否建立是ADSS成功与否的关键，它使整个系统具有了自学习功能，可以自动获取或提炼决策所需的知识。对此，就要求问题处理模块必须配备一种学习算法或在现有DSS模型上再增加一个自学习构件。归纳学习策略是其中最有希望的一种学习算法，可以通过它从大量实例、模拟结果或历史事例中归纳得到所需知识。此外，神经网络、基于事例的推理等多种知识获取方法的采用也将使系统更具适应性。

!!!、决策支持系统的发展趋势

随着新技术的出现和迅速发展,DSS 的研究和应用也正在迅速发展。新一代DSS主要向以下几个方向发展:

1.群决策支持系统(GDSS)

群决策支持系统(GDSS)是在多个DSS和多个决策者的基础上进行集成、优化的结果。是由多个决策者的智慧、经验以及相应的决策支持系统组成的集成系统,它以计算机及其网络为基础,用于支持群体决策者共同解决半结构化、非结构化问题的决策问题。GDSS有利于群体决策成员思维和能力的发挥,也可以阻止消极群体行为的产生,了小团体对群体决策活动的控制。主要有三种应用类型：决策室(Decision Office)、局域决策网(Local Decision Network)和远程会议(Tele Conferencing)。

GDSS中用到了通信技术（包括电子信息、局域或广域网、电话会议、储存和交换设备等）、计算机技术（包括多用户系统、语言、数据库、数据分析、数据存储和修改能力等）、决策支持技术（包括议程设置、人工智能和自动推理技术、决策模型方法、决策树、风险分析、预测方法等）以及结构化的群决策方法（如德尔菲法等）。

GDSS适用于知识繁多、内部和外部情况复杂、形势变化急剧为特征的决策环境，这种环境使群决策变得更频繁、更重要了。

2.分布式决策支持系统(DDSS)

DDSS是研究由多个物理位置上分离的决策体如何并发计算、协调一致地求解问题。这些分布在不同物理位置上的决策体构成计算机网络，网络的每个结点至少含有一个决策支持系统或有若干辅助决策的功能。DDSS包含有机结合起来的软、硬件两部分。

DDSS研究重点是分布性和并发性。随着各种网络的普及和分布式操作系统、分布式数据库、知识库等成果的取得,使分布决策支持系统成为今后DSS的一个重要发展方向。

人们在研究人类利用知识求解问题的过程中发现：大型复杂系统的求解需要多个专业人员协作完成。例如，在军事指挥决策过程中，由于战场环境复杂，范围广，信息的收集需要分布在不同地理位置的多个传感器和信息处理系统同时工作，以便获得完整、准确的当前形势信息，而且军事决策的制定也需要各级军事专家相互协同

DDSS正是将“协作”作为一个重要的问题求解方法来研究。研究DDSS的一个重要原因是某些问题领域的知识和行为在空间上、时间上或逻辑上本身具有分布性；另一个重要原因是DDSS技术可将大型复杂问题分化成多个子问题，使系统易于开发和管理，同时各子系统并行工作可提高整个大系统的求解效率和速度；还有助于增强系统的可靠性、问题求解能力、容错能力和不精确知识处理能力。

DDSS适用于更高的决策层次和更复杂的决策环境，它支持面向的对象已不仅仅限于单个的决策人，或代表同一机构的决策群，而是若干具有一定性又存在某种联系的决策组织。随着Internet网络的迅速发展，各种局域网、广域网的普及及分布式操作系统、分布式数据库、知识库等成果的取得使DDSS发展成为可能。

3.智能决策支持系统(IDSS)

IDSS是DSS和AI（人工智能）相结合的产物，能够较有效地支持半结构化和非结构化问题的解决，它着重研究把AI的知识推理技术和DSS的基本功能模块有机地结合起来。人工智能领域研究在人的知识开发与利用上获得了重要的成果,这些都可以弥补DSS的不足，

因此将人工智能引入DSS形成智能型DSS(Intelligence DSS)。人工智能技术应用于DSS的程度与范围不同可以构成不同结构的IDSS,由用户通过人机接口,应用自然语言处理系统接入问题处理系统，然后由推理机在模型库、数据库、方法库及知识库中进行搜索推理,获取相关决策信息。

4．决策支持中心(DSC)

1985年由Owen等人提出一个决策支持中心(DSC)的概念，即由一个了解决策环境的信息系统组成的决策支持小组作为决策支持中心的核心，该中心采用先进的信息技术。通常DSC在位置上和高层领导十分接近，以便能及时地提供决策支持，决策支持小组随时准备开发或修改DSS以支持高层领导做出的紧急和重要的决策。

DSC的特点是处在高层次重要决策部位，有一批参与制定、决策分析和系统开发的专家，装备有计算机等先进设备，通过人机结合等多种方式支持高层决策者做出应急和重要决策的广义DSS。

在DSC系统中，决策者将要解决的问题先发送给决策专家小组，通过网络、多媒体设备和其它现代化的设备，召开电视会议，也可通过电子公告牌、电子白板发布各自意见和信息。在这一过程中，可以借鉴兰德公司成功的决策方法，例如特尔斐法。每位专家把自己的处理意见通过网络发送给小组人员，在此方法中建议专家不面对面交流，也不公布他们的姓名和职务，以免彼此受到影响。此外专家之间还可采用其它研讨方式对问题进行定性分析，讨论问题，交流思想，直接的交流有助于启发创造性思维，可视化的会议形成了一种学术性的氛围。专家小组在讨论中首先发表自己的意见，根据特尔斐的规则把各种意见综合集成，然后再讨论，再集成，最后得出问题的定性描述模型。然后用同样的工作方式生成定量模型。这时把定量模型和系统的其它信息发送给计算机决策支持系统。最后得出定量分析结果。通过网络把定量分析结果送给专家决策小组，进行又一轮的分析、集成、处理，经过多次循环，直至得到满意的决策意见，将意见交给决策者，为决策提供依据，从而实现了从定性到定量、再到定性的螺旋式上升的决策过程。 5.综合决策支持系统(SDSS)

SDSS是在DSS原有三库的基础上，结合数据仓库、OLAP及数据开采技术，形成综合决策支持系统。

综合结构体系包括三个主体：第一个主体是模型库系统和数据库系统的结合，它是决策支持的基础，为决策问题提供定量分析（模型计算）的辅助决策信息；第二个主体是数据仓库、OLAP，它从数据仓库中提取综合数据和信息，这些数据和信息反映了大量数据的内在本质；第三个主体是专家系统和数据开采的结合。数据开采从数据库和数据仓库中挖掘知识，并将其放入专家系统和知识库中，通过知识推理的专家系统达到定性分析辅助决策。数据开采的方法和技术主要包括并联规则开采方法、多层次数据汇总归纳、决策树方法、神经网络方法、覆盖正例排斥反例方法、粗集方法、遗传算法、公式发现、统计分析方法、模糊论方法、可视化技术等。

综合体系结构的三个主体可以相互补充又可以相互结合。可根据实际问题的规模和复杂程度，决定是采用单个主体辅助决策还是采用两个或三个主体相互结合辅助决策。利用第一个主体的辅助决策系统就是IDSS，利用第二个主体的辅助决策系统就是新的决策支持系统。将三个主体结合起来所形成的SDSS是一种更高形式的决策支持系统，其辅助决策能力将比其它各种决策方法上一个新的台阶。

三、阻碍决策支持系统发展的关键技术问题

1980年，Sprague就曾提出了决策支持系统的三部件结构，即对话部件、数据部件（数据库Data Base和数据库管理系统DBMS）、模型部件（模型库MB和模型库管理系统MBMS）。

该结构明确了DSS的组成，也间接地反映了DSS的关键技术，即模型库管理系统、部件接口、系统综合集成。

1981年，Bonczak等又提出了DSS三系统结构，即语言系统(LS)、问题处理系统(PPS)、知识系统(KS)。从这些系统总体架构的概括与设计思路看，开发一个实际的高性能DSS需要解决如下关键技术问题：

(一)模型库系统的设计和实现：它包括模型库的组织结构、模型库管理系统的功能、模型库语言等方面的设计和实现。

(二)部件接口：各部件之间的联系是通过接口模块完成的，部件接口包括：①对数据部件的数据存取；②对模型部件的模型调用和运行；③对知识部件的知识推理。 (三)系统综合集成：根据实际决策问题的要求，通过集成语言完成对各部件的有机综合，形成一个完整的系统。

模型库系统虽然已经不再是一个新概念、新技术，但它不同于数据库系统。数据库系统有成熟的理论和产品，模型库系统还没有形成很成熟的产品工具，它需要系统开发者自己根据需要自行设计和开发。这样就不可避免地阻碍了决策支持系统的发展。

决策支持系·统需要对数据、模型、知识、交互四个部件进行集成。目前，专家们公认的事实是，计算机语言的支持能力还相当有限，数值计算语言（如FORTRAN、Pascal、C等）不支持对数据库的操作，而数据库语言（如FoxPro、Oracle、Sybase等）的数值计算能力又很薄弱。而决策支持系统既要进行数值计算又要进行数据库操作。这个问题一直是决策支持系统发展的技术障碍，成为决策支持系统发展缓慢的主要原因。

另外，要提高决策支持系统的智能化水平和决策支持能力，还需要在其它一些相关技术上有所突破，如建模技术、系统快速原型开发技术、数据库仓库和数据挖掘技术、知识仓库技术、知识发现技术、知识分析技术、知识描述技术、公式发现技术、智能代理技术、神经网络技术、可视化技术等等。

四、决策支持系统的未来发展

从目前决策支持系统的发展及未来需求趋势来看，大致反映出了这样一些明显的发展动向：

(一)不断强化知识管理的功能，提升系统的知识管理与知识综合应用能力。例如具有知识学习能力的IDSS的智能主要体现在系统能利用专家知识辅助决策，并能够随着决策环境的变化改变自己的行为，要求其知识处理系统能随环境变化学习新知识、更新知识库。知识管理与应用则涉及到推理知识、描述知识和过程知识，从而支持问题求解过程。另外，将知识管理理论与方法应用于DSS的实现中，可以实现专家经验（隐性知识）的分享，提高系统的决策支持水平与能力。

(二)日益强调多种数据、知识的综合、集成运用。在技术不断更新的条件下，准确数据信息和高效率的工具是决策者以更低的成本、更加快捷的方式做出及时的科学决策的前提与保证。因此，在DSS的设计与开发中充分考虑对众多数值数据资源、事实数据资源、先验知识、推理知识等的综合、集成运用，构建有丰富的数据仓库、机构知识仓储等，并配置和开发众多的数据挖掘和知识发现及分析工具。丰富的资源基础保证了系统支持决策的效率与水平。

(三)在支持一般决策的基础上，引进和集成电子商务平台的功能，形成与电子商务的集成、融合发展的态势。电子商务是信息时代和网络环境下越来越流行的一种商业运作模式，是商务电子化和信息化的结果。电子商务的发展不仅强烈地冲击着传统的管理模式和商务运作模式，同时也产生了许多新的管理决策问题。所以DSS的设计与开发越来越多地考虑电子商务这一重要应用背景，向决策者提供多种分析模型和多种分析角度，在市场—客户—产

品等多种条件下进行度分析。例如目前开发的基于Web的DSS和基于GIS的DSS都面向这类应用提供支持。

(四)不断谋求技术及应用上的突破，关注和重视对决策过程中的不确定信息的组织和处理。尽管现代科学的认识是“世界是物质的，物质是运动的，运动是有规律的”，但是，在现实世界中还是普遍存在许多的不确定性。为了有效地解决这类问题，专家们发展了“软计算方法”。所谓软计算主要包括模糊逻辑、神经计算、概率推理、遗传算法、混沌系统、信任网络及其它学习理论。现有的人工智能技术主要致力于以语言和符号来表达和模拟人类的智能行为，软计算方法则通过与传统的符号逻辑完全不同的方式，解决那些无法精确定义的问题决策、建模和控制。软计算方法已在很多领域的决策问题中得到应用。如王光远的不确定信息及其建模方法；任守榘等提出利用遗传算法实现处于混沌与湍流环境下具有重构自身的先进制造系统的决策模式及其决策支持系统。

(五)系统功能的日臻完善，推动了DSS的应用向更广领域扩展。DSS将不再仅仅是某些特殊人使用或特殊领域使用的工具，随着其功能的扩充，应用面将越来越广泛，将成为社会发展中任何决策者都可以使用的有效工具与手段。

(六)重视界面的设计与优化，提供越来越友好的客户端管理功能支持。用户向系统输入参数或请求信息时，IDSS支持图形用户界面，客户端管理更加友好，同时系统的响应速度加快，维护和管理简化，系统的应用范围得到更大拓展。

总之，DSS是一个融多种学科知识和技术于一体的集成系统，随着管理理论、行为科学、心理学、人工科学等相关学科的不断发展，尤其是计算机技术、网络技术等现代信息技术的不断发展，DSS的应用研究将不断深入，逐步向着高智能化、高集成化和综合化方向发展，并将深入到社会生活的各个领域，成为人们决策活动中不可缺少的有力助手。

国外开发的DSS，有2/3是成功或部分成功的，主要支持企业管理决策活动，不同程度地改善了决策者和信息决策工作人员的素质和行为，为各级主管决策提供了科学的依据。但有1/3的DSS是失败的，其原因：一方面是DSS的开发者对主要决策者的决策风格不了解，系统功能与决策者的信息需求不匹配；另一方面，过于强调模型的作用，复杂的模型和计算使决策者难以理解和接受；再加上软硬件技术上的困难，导致开发费用大、时间长，使系统的适应性受到。