多源异构数据特征的智能制造企业综合运行质量动态评价
同时考虑到决策环境的复杂性、人类思维的模糊性和数据统计的难度，评价指标常常以多源异构的形式并存，且指标之间往往存在交互作用。动态多指标决策问题是在决策空间和目标空间基础上，增加了时间空间，是具有时间、指标、方案的三维决策排序问题，问题的决策过程与结果反映了动态特点。
因此本文基于智能制造系统中的多源异构数据和属性间的交互作用特性，考虑集聚效应，构建二元语义矩阵对交互关联度动态决策模型，对智能制造企业综合运行质量进行动态评价。部分企业的排名有相似之处。例如海尔智家、金风科技和潍柴动力这三家企业排名都位于前三；
航天机电、福田汽车和中航飞机企业都相对靠后；浪潮信息和徐工机械的排名位于中间。说明这些企业的综合运行质量相对比较稳定。同时发现部分企业的排名存在一定程度的变化。例如在静态评价中，烽火通信、中信重工、长安汽车都排在靠后的位置，但是在动态评价中，这三家企业都排在前面或者中间位置，说明这些企业可能更适合中长期规划。
导致静态评价和动态评价排名差异的原因是静态评价忽略了资本投入和研发积累在时间上的集聚效应，无法体现多个评价对象在时间段内的总体发展状态；而动态评价则相反，动态评价考虑了资金的时间约束，可以反映评价对象在一段时间内的总体发展状况。
例如成长能力指标是指公司有效利用成长机会加强生产经营和加大投入水平，能反映企业在一段周期内经营和扩张的持续性。具体的成长能力指标有主营业务收入增长率、净资产增长率等，它们需要一定的时间积累才能发挥效益。如果使用静态评价，可能这类成长性指标在短期内不会发挥相应的作用。
相比较第四章的静态评价结果，不同对于有些企业综合运行质量动态评价排名影响较小。如海尔智家、长安汽车、烽火通信、中航飞机、一汽轿车和福田汽车等企业排名稳定不变，金风科技、潍柴动力、航天机电等企业排名只有微小变化。这一现象说明指标间的交互度对于企业动态评价比对静态评价的影响要小，其主要原因是评价指标之间的交互作用经过较长时间磨合，已经趋于协调。
而静态评价中磨合时间较短，评价指标之间的交互作用还未完全协调。基于智能制造系统中的多源异构数据和属性间的交互作用特性，考虑资本投入和研发积累在时间上的集聚效应，本文构建了二元语义矩阵灰交互关联度模型，并对二〇一五年-二〇一九年中国15家智能制造企业的综合运行质量进行动态评价。
首先为了统一数据形式，将原始多源异构数据转化成二元语义形式，从而构建二元语义决策矩阵；再将Choquet模糊积分和模糊测度引入到动态评价中，构建二元语义矩阵灰交互关联度模型；最后分析了中国15家智能制造企业动态综合运行质量的变化。
根据年份对比分析、模型对比分析和静态对比分析，新模型和方法使得评估结果更加全面和可信，且指标间的交互度对于企业动态评价比对静态评价的影响要小。同时实证分析表明，海尔智家、潍柴动力和金风科技在动态评价中排名比较靠前，而中航飞机、一汽轿车和福田汽车的排名比较靠后，烽火通信、中信重工和长安汽车企业可能更适合中长期规划。
本文研究有助于指导企业管理者如何在企业动态发展过程中利用运行管理环节中加乘效应，提升企业的综合运行质量。智能制造企业综合运行质量动态评价可以帮助企业管理人员与投资者了解企业的发展潜能。
由于现阶段在企业综合运行质量动态评价中，考虑多源异构数据和影响因素交互作用的评价方法较少，因此本文的研究有助于完善企业综合运行质量动态评价方法。通过考虑影响因素的交互作用，建议企业在动态发展的指标资源调配中，应结合实际境况对各指标进行合理分配，同时平衡指标间的协调效应，实现企业综合运行质量的提升。
当前23个因子的因子增幅从负向增幅50%到正向增幅50%时，大部分因子的质量指数平均增幅趋势大体一致，主要趋势分为三种不同类型：线性相关、凸性曲线相关和凹性曲线相关，而每一种类型又分为增加和降低。因子210X164主要取值集中在7附近。发现因子210X164在[-50,50]区间内变化不会引起质量指数性质的变化，而仅影响其分布中位数的移动变化，说明本文提出模型较为合理。同时可以发现质量指数分布的中位数随X轴的增大而单调增加。
其增长曲线表现为凸函数，这也表明了质量指数分布的中位数随因子210X164变化而边际效应递增，即相较于X轴增幅的减少，X轴增幅的增加会引起质量指数中位数更大程度的变化。所以在实际工程应用中，需要警惕因子210X164的正向偏移状态。其中红色实线绘制了质量指数的平均增幅，蓝色虚线为质量增幅基准线，即实际中质量指数的取值情况。品红点线为因子增幅基准线，即因子210X164的取值情况。
当因子负向增加50%时，质量指数平均增幅达到-2.99%，而当因子正向增加50%时，质量指数平均增幅达到8.12%。因此表明质量指数平均增幅随因子增幅的增加而单调凸性递增，即相较于201X164负向增幅的增加，因子正向增幅的增加会更大程度引起质量指数的正向增加。
这与左Y轴质量指数分布状态的曲线分析结果一致，即质量指数平均分布的增幅对因子201X164正向增幅更加敏感。因子210X2在[0,10]区间内连续取值，主要取值集中在5附近。通过观察左Y轴质量指数的分布状态，发现同210X164因子一样，仅影响质量指数中位数的移动变化，因此验证了本文模型的合理性。
同时可以发现质量指数分布的中位数随X轴的增大而单调递增，其增长曲线表现为凹函数，这也表明了质量指数分布的中位数随因子210X2变化而边际效应递减，即相较于X轴增幅的增加，X轴增幅的减少会引起质量指数中位数更大程度的变化。所以在实际工程应用中，需要警惕因子210X2的负向偏移状态。
通过观察右Y轴发现，当因子负向增加50%时，质量指数平均增幅达到-7.07%，而当因子正向增加50%时，质量指数平均增幅达到2.6%。因此说明质量指数平均增幅随因子210X2增幅的增加而单调凹性递增，即相较于因子210X2正向增幅的增加，因子210X2负向增幅的增加会更大程度引起质量指数的增加，这与左Y轴质量指数分布状态的曲线分析结果一致。
即质量指数平均分布的增幅对因子210X2负向增幅更加敏感。因子330X102的概率密度函数近似单峰函数。通过观察左Y轴质量指数的分布状态，发现当因子330X102增幅增加50%时，质量指数分布的中位数大约从2.8上升到3.2，质量指数分布的中位数随X轴的增加而直线单调递增。