BI与ERP集成的数据基础

最新推荐文章于 2025-12-16 09:54:17 发布

原创最新推荐文章于 2025-12-16 09:54:17 发布 · 776 阅读

20 ·

CC 4.0 BY-SA版权

文章标签：

#ERP #商业智能 #数据仓库 #OLAP #贝叶斯网络

影响商业智能集成到企业资源计划系统中的数据基础设施与资源支持因素

摘要

本研究旨在探讨数据基础设施和资源支持是否影响商业智能（BI）与企业资源计划（ERP）系统的集成。本文构建了一个贝叶斯网络模型，包含数据仓库、联机分析处理处理（OLAP）、数据挖掘、ERP供应商、ERP上线时间、资产回报率、销售利润率、投资回报率、人均销售额以及商业智能实施等变量，以研究本课题的相关问题。来自已实施ERP的制造商的实证发现表明，商业智能实施可能并未对财务绩效产生积极影响。相反，实施商业智能的公司通常比未采用商业智能系统的公司拥有更复杂的数据基础设施。此外，贝叶斯推断的结果表明，ERP供应商、数据仓库、联机分析处理和数据挖掘可能对商业智能系统的实施具有显著影响。因此，如果公司未来计划采用商业智能解决方案，则应谨慎选择其ERP解决方案，或提前规划其数据基础设施。

关键词 ：企业资源计划；ERP；商业智能；数据仓库；数据挖掘；联机分析处理；贝叶斯网络。

1 引言

企业资源规划（ERP）系统已被许多公司采用，以将其财务、制造、销售和服务等业务功能整合到统一的业务流程中（埃希和马兹森，2005）。由于ERP系统集中业务数据，不仅消除了多个系统之间复杂的数据转换过程，还实现了交易状态可见性（Zeng等，2003）。尽管ERP应用被用于加强对日常运营的控制，商业智能（BI）应用则从ERP系统中提取大量操作数据，并将其提炼为聚焦的业务视图（Gangadharan和Swami，2004）。商业智能是一套将原始数据转化为有意义且有用的洞察的方法论、架构和技术，以提升企业的决策能力和工作流（Evelson等，2008）。BI集成框架通常包括操作数据、集成数据、数据存储、BI软件和分析应用等层级（Chou和Tripuramallu，2005）。其中，操作数据来自CRM应用、ERP系统、遗留系统和在线事务处理（OLTP）系统；集成数据层包含数据仓库（DW）和数据集市，用于整合、合并并存储全企业范围的操作数据，以支持快速、复杂的即席查询及下钻功能。BI软件层包括查询与报告、在线分析处理（OLAP）以及数据挖掘（DM）工具。同时，BI分析应用涵盖财务绩效评估、服务运营、劳动力、客户关系管理、战略管理和供应链管理等方面的工具（Heiman，2010）。

由于及时获取全面信息对于新产品开发和业务运营改进至关重要，采用商业智能技术可通过生成最新的汇总信息，为操作和战略决策提供竞争优势。

根据国际数据公司进行的一项市场分析，包括Oracle、SAP、IBM、微软和SAS在内的五大BI供应商在2011年的全球总收入为197亿美元，相比2010年增长了15.0%。预计到2015年，BI市场的复合年增长率将达到8.1%（Hagerty等，2012）。

尽管BI市场的年增长率令人瞩目，但服务组织对BI的采用率仅为43%，远低于ERP系统的94%采用率（SPI研究，2010）。BI采用率处于中等水平的一个可能原因是，BI的好处主要是非财务性或无形的（Nelke，1998；Gibson等，2004）。因此，很难评估BI应用预期的投资回报率（ROI）。芬兰的一项实证研究甚至发现，大多数公司并未将成本或时间节约视为BI实施的主要好处（Hannula和Pirttimäki，2003）。此外，由于管理者倾向于选择能提供最高风险调整后投资回报率的IT解决方案，BI项目常常需要与其他IT项目竞争有限的资本资源。因此，本研究的主要目标是评估企业的资源支持是否会影响将BI集成到ERP系统中。这些发现可以帮助企业了解在评估BI软件包投资时，是否应认真关注资源支持问题。

商业智能投资的另一个主要问题可能与其数据基础设施的复杂性有关，这种复杂性源于来自分散数据源的后端系统以及需要处理的海量数据。商业智能用户必须跨部门进行查询决策支持信息的动态检索边界。因此，保持组织数据的集成视图是影响商业智能系统实施的关键成功因素（杨和科罗尼奥斯，2010）。然而，商业智能的部署涉及复杂的数据重构和系统对齐过程。因此，本研究的第二个目标是调查数据基础设施的准备就绪是否对将BI集成到ERP系统中至关重要。探讨数据基础设施与商业智能采纳之间的关系，有助于管理者在资本受限的商业环境中评估如何优先考虑数据环境的准备。

本文的结构如下。第2节简要回顾了影响商业智能实施的因素的相关文献。接着在第3节中阐述了本研究采用的方法论（贝叶斯网络建模与推理）。贝叶斯网络建模是一种图形化表示方法和推理技术，用于计算随机事件的条件概率和边际概率（Jones等，2010年）。该方法不仅能够将高度异构的数据类型整合到一个统一的概率框架中，还能根据各信息源的可靠性对其进行加权（Jansen等，2003）。由于贝叶斯网络具有上述优势，本研究采用该方法来考察数据基础设施、资源支持与商业智能集成到ERP系统之间的关系。第4节讨论了贝叶斯网络建模与推理的实证发现。最后，第5节对全文进行了总结。

2 影响商业智能实施的因素

为了以有组织且系统化的方式从内部和外部来源获取、分析和传播信息，实施商业智能系统是一项成本高昂且耗时的项目，需要与ERP系统不同的数据基础设施（Moss和Atre，2003）。虽然ERP系统将来自多个部门的不同数据源整合到一个数据库中（Nah和Delgado，2006），但商业智能系统则通过抽取、转换和加载（ETL）过程，将分散在各种信息系统（包括ERP系统）中的数据导入数据仓库（Inmon，2005）。由于数据质量在非结构化战略规划环境中至关重要，ETL工具被用于解决数据仓库同质性以及清洗、转换和加载问题（Hendawi和El‐Sappagh，2012）。数据仓库是一种通用结构，数据通过ETL过程输入其中。因此，存储在不同系统中的信息被集中到一个公共存储库中，并可进行联合分析（Lamer等，2013）。从分层架构的角度来看，数据仓库应包含核心内容管理层、集成与设计层、使用层和演进层（March和Hevner，2007）。数据仓储框架通常包括共享数据仓库和面向主题的数据集市，用于管理支持导向型数据（Shin，2002），其中数据集市是数据仓库的子集，包含商业智能日常使用所需的大部分信息（Negash和Gray，2008）。随着企业在决策过程中被迫处理越来越多的数据以获得汇总信息，近年来数据仓储技术的采用迅速增长（Lin等，2007）。尽管数据仓库、数据集市和ETL工具的有效部署和使用对商业智能系统的成功至关重要（Elbashir等，2008），但许多研究表明，超过50%的数据仓库项目已经失败。

（Piprani和Ernst，2008）。根据Ambysoft在2013年的一份报告，只有42%的受访者表示他们的数据仓库或BI项目取得了成功，而55%的公司声称其相关项目面临挑战。由于数据仓库系统复杂且多样化，评估合适的数据仓库产品是一项具有挑战性的任务。因此，本研究将数据仓库准备就绪作为可能影响将商业智能集成到ERP系统中的一个因素。

OLAP是商业智能中采用的另一项关键功能，可实现对来自多维聚合的大规模数据进行交互式检查和操作（Agrawal等，2005）。由于OLAP的目标是快速响应存储在数据仓库中的大量数据的查询（Nadeau和Teorey，2002），OLAP立方体通常从数据仓库中提取，并提供给企业管理者用于特定的决策过程（March和Hevner，2007）。关系型OLAP、多维OLAP、混合OLAP和桌面OLAP是OLAP系统实施的典型技术。下钻、上卷、旋转、切片和切块等OLAP操作用于与数据立方体交互，以进行多维数据分析（Han，1997）。因此，OLAP引擎旨在生成交互式报告，使用户能够根据预定义的标准从多维数据库中分析数据。尽管存在其他用于切片和切块大数据的技术，OLAP引擎、服务器和模型在大多数商业智能解决方案中仍发挥着重要作用（Evelson等，2008）。

随着企业数据量的巨大增长，数据挖掘引擎能够对数据进行深入分析，其能力超出了OLAP服务器所提供的功能（Chaudhuri等，2011）。这些引擎可以为公司提供有价值的、隐藏的运营和科学洞察（Ngai等，2009）。一般来说，数据挖掘是一种“选择、探索和建模大量数据以发现先前未知的模式和相关性，从而预测未来行为、事件和后果”的技术（Chou和Tripuramallu，2005）。数据挖掘应用多种模型、方法和算法，以在经过清洗和集成以确保一致性的数据中发现概括性信息、规律、规则以及先前未知的模式（Fayyad等，1996）。高级分析软件采用统计技术、神经网络、规则归纳、计量经济学和聚类等方法来做出预测并发现数据中隐藏的关系。描述性数据挖掘用于发现用于知识解释的关联、关系、异常和偏差。相比之下，预测性数据挖掘则应用分类、回归或时间序列方法，基于历史数据进行预测（Heiman，2010）。因此，将数据挖掘工具与OLAP技术相结合，可以从海量的企业数据中获得竞争优势（Heinrichs和Lim，2003）。由于商业智能数据基础设施的关键特征包括数据仓库、联机分析处理和数据挖掘（Chen等，2012），本研究旨在探讨这些特征如何影响商业智能实施。

除了数据基础设施复杂性之外，资源支持也是计划采纳商业智能技术的公司需要关注的另一个重要问题。由于公司必须应对与决策过程工程、功能使用、信息使用、战略对齐、技术准备度和IT合作相关的各种问题，以确保商业智能的成功实施，因此在商业智能生命周期中，实施成本可能会急剧增加（沈等人，2012）。以往研究表明，缺乏财务支持（舍林和加森，2004；倪等人，2004）可能导致IT实施项目失败。因此，财务绩效可能影响高成本的商业智能投资意愿。由于商业智能实施项目与其他基础设施项目（如ERP系统）具有相似特征（杨和科罗尼奥斯，2010），IT经理在商业智能采纳规划时应借鉴其ERP项目的经验教训。例如，供应商选择并且在线期间已被证明与ERP项目的成功密切相关（埃希和马兹森，2005；阿尔‐马沙里等，2006；蔡等，2010）。这些因素还有助于解释ERP系统使用对财务绩效的影响（Nicolaou，2004）。尽管供应商选择和在线期间可能影响将BI集成到ERP系统中，但目前缺乏讨论这些问题的研究。因此，本研究也探讨了相关问题。

3 研究方法

3.1 贝叶斯网络

为了评估商业智能实施与第2节中讨论的因素之间的关系，本研究采用了贝叶斯网络的方法。贝叶斯网络是“一种带有注释的有向图，用于在不确定性推理问题中编码感兴趣区分之间的概率关系”（Heckerman等，1995）。使用贝叶斯网络对领域进行建模通常包括图表示的构建步骤和数值参数的评估步骤（Gowadia等，2005）。贝叶斯网络的图由代表变量的节点和代表变量之间条件依赖关系的有向弧组成（Oztekin和Luxhøj，2008）。根据第2节的讨论，可能影响商业智能实施的因素包括DW、OLAP、DM、ERP供应商、ERP上线时间、BI实施以及财务绩效指标。由于以往的研究已采用诸如资产回报率（ROA）、销售利润率（ROS）、ROI和人均销售额（SE）等财务绩效指标来考察ERP项目（Nicolaou，2004；Hendricks等，2007），本研究也类似地采用这些指标作为财务绩效指标。为了在贝叶斯网络模型中绘制节点之间的有向弧，将项目相关变量如ERP供应商和ERP上线时间连接到数据基础设施因素（DW、OLAP、DM）以及资源支持因素（SE、ROI、ROA、ROS）。这些有向链接表明了ERP项目相关特征对商业绩效和数据基础设施准备就绪的可能影响（Nicolaou，2004；埃希和马兹森，2005；阿尔‐马沙里等，2006；蔡等，2010）。此外，从数据基础设施和资源支持因素向BI实施绘制有向弧。这些链接反映了本研究的目标：财务绩效和数据基础设施准备就绪是否会影响已实施ERP的公司的商业智能实施。图1展示了本研究所用贝叶斯网络模型的图形结构。

接下来，在构建图形模型后，需要评估变量条件概率的数值参数。本研究采用期望最大化（EM）算法（劳里岑，1995）根据数据迭代计算参数的最大似然估计。考虑一个具有参数Θ和n个随机变量X1, X2,…, Xn的贝叶斯网络。假设θijk ∈ Θ表示条件概率P(Xi= k | π(Xi) = j)的参数，其中Xi表示一个离散随机变量，π(Xi)表示Xi的父节点集合。给定完整数据集D ={D1, D2,…, DN}，EM算法的期望步是通过以下方式在Θ下计算{π(Xi) = j}的期望计数n* ：

() ( ) () ( ) * Θ i i n π X j E n X j D = = = (1)

以及在Θ下的期望计数n* ，对应{Xi= k, π(Xi) = j}：

() ( ) () ( ) ( ) * Θ , , . i i i i n X k π X j E n X k π X j D = = = = = (2)

同时，最大化步通过以下方式计算θijk的估计值：

() ( ) * * * , . i i ijk i n X k π X j θ n π X j = = = = (3)

假设Dl={x1[l], x2[l],…, xn[l]}，其中xi[l]表示变量Xi在数据Dl中的实例。令θ的对数似然定义为：

( ) ( ) ( ) ( ) 1 1 1 log ,, log [] []: . n N N i i i il P D D θ P x l π x l θ = = ⎧ ⎫ ⎪ ⎪ = ⎨ ⎬ ⎪ ⎪ ⎩ ⎭ ∏∑ … (4)

期望步和最大步迭代直至对数似然收敛（马兹森等，2003）。

根据上述步骤，有向无环图G和条件概率可以完全确定感兴趣领域中变量的联合概率。然后我们可以使用精确置信度更新来计算给定证据e的边际概率。设C为G中的一个团，其势函数集合为ΦC，其中势函数是定义在有限变量域上的实值函数。此外，令S1, S2,…，Sm为团C的相邻分隔符，并且具有指向C的消息Ψ1、Ψ2、…、Ψm。则C的边际概率可通过以下方式计算：

1 (,) Φ Ψ Ψ. C m (5)

同时，S在G中的边际可以通过以下方式计算

(,) Ψ ΨS, S (6)

3.2 数据收集

用于贝叶斯网络推理的数据基于对台湾主要制造商的调查。从台湾最具影响力的商业出版物之一《天下杂志》发布的“台湾千大制造商”中随机选取了350家制造商。同时，设计了一份问卷，用于收集有关企业资源计划实施（ERP供应商、ERP上线时间）、当前数据基础设施（数据仓库、联机分析处理、数据挖掘）、商业智能实施以及基本人口统计信息的数据。随后，于2008年将编制好的问卷邮寄给这些公司的IT部门主管。由于本研究旨在了解影响商业智能集成到ERP系统的因素，因此研究样本仅包括在企业资源计划实施问题上回答“是”的制造商。据此，仅有79家公司的问卷回复被进一步分析。该样本量适用于贝叶斯推理，因为贝叶斯网络方法具备多项特性，使其在许多实际数据分析中具有实用性。其中一个重要的特性是即使在样本量较小的情况下，也能产生较高的预测准确性（Uusitalo，2007）。此外，本研究采用EM算法，根据数据迭代计算参数的最大似然估计。

问卷中的DW、OLAP和DM变量有两种状态：‘是’和‘否’，用于描述已实施ERP的公司是否采用了数据仓库、OLAP或数据挖掘技术。ERP上线时间变量有两种状态：‘<五年以下’和‘≥五年以上’，表示ERP系统已上线的年数。由于数据系统咨询（DSC）、SAP和Oracle是台湾前三大ERP供应商，因此ERP供应商变量有四种状态：‘DSC’、‘SAP’、‘Oracle’和‘其他供应商’。同时，BI实施变量具有三种状态：尚未实施BI且无BI实施计划（‘不不’）、尚未实施BI但有BI实施计划（‘不是’）以及已实施BI（‘是’）。

此外，从这79家实施ERP的公司的年度报告中收集了SE、ROA、ROI和ROS的财务数据。由于实施ERP系统通常需要一到三年时间（Lopez和Salmeron，2014），并且系统可能需要三年或更长时间才能发挥最大效益（Abdinnour‐Helm等，2003），因此对每家ERP企业的财务数据进行了为期六年的分析，涵盖ERP上线年前三年至ERP上线年后三年的数据。

4 贝叶斯推断

首先，让我们讨论变量的边际概率结果，这些结果总结于表1中。关于ERP vendor的分布情况，32.9%的公司选择了DSC的ERP产品，DSC是在台湾推出首款中文企业资源计划软件的厂商。而21.5%的公司采用了SAP的ERP解决方案，25.3%的公司选择Oracle作为其ERP供应商。同时，超过73%的受访公司已实施ERP系统超过五年。尽管超过90%的公司在实施ERP系统后SE有所提高，但其他财务绩效指标如ROA、ROI和ROS在实施前后并无显著差异。SE的结果表明ERP实施在人员生产力方面具有明显优势。从与数据基础设施相关的调查结果来看，已实施ERP系统的公司中，仅有44.8%、36.1%和20.9%分别采用了DW、OLAP和DM技术。由于ERP系统通常不需要像商业智能系统那样复杂的数据基础设施，实证调查显示大多数已实施ERP系统的公司尚未采用复杂的数据基础设施。因此，只有25.9%的公司表示已实施了商业智能系统，而超过40%的公司表示尚未实施商业智能系统，并且近期没有采用商业智能相关技术的计划。

表1 变量的边际概率

SE	ROI	ROA	ROS
更差	更好	更差	更好
0.096	0.904	0.522	0.478

数据仓库	OLAP	数据挖掘	在线期间 ERP
No	Yes	No	Yes
0.552	0.448	0.639	0.361

ERP供应商	商业智能实施
DSC	SAP
0.329	0.215

为了理解ERP项目特征对商业智能系统实施的影响，应用第3节中描述的精确置信度更新技术来计算在给定ERP上线时间和ERP供应商证据的情况下，BI implementation的条件概率分布。根据表2中总结的P(BI implementation | online period of ERP, D, G)的研究结果，我们发现因素online period of ERP对商业智能系统的实施并未起到重要作用，因为P(BI implementation = ‘yes’ | online period of ERP= ‘< 5 years’, D, G)与P(BI implementation = ‘yes’ | online period of ERP = ‘≥ 5 years’, D, G)之间的差异小于1.5%。另一方面，选择DSC作为其ERP供应商的公司相比选择SAP或Oracle作为其ERP供应商的公司，实施商业智能系统的可能性更低。由于DSC的ERP系统比SAP或Oracle的ERP产品便宜得多，采用DSC解决方案的公司通常意味着他们在IT项目上的资源支持相对有限。因此，表2的研究结果表明ERP vendor可能会影响商业智能系统的实施。

表2 给定ERP上线时间和ERP供应商的商业智能实施的概率分布

ERP供应商	<五年	≥五年
DSC	0.406	0.403
SAP	0.376	0.330
Oracle	0.394	0.330
其他供应商	0.407	0.359
	不是
DSC	0.343	0.334
SAP	0.333	0.330
Oracle	0.330	0.330
其他供应商	0.359	0.359
	Yes
DSC	0.251	0.263
SAP	0.294	0.294
Oracle	0.276	0.276
其他供应商	0.234	0.234

表3 给定财务绩效指标和数据基础设施技术的商业智能实施概率分布

SE	ROI	ROA	ROS
更差	更好	更差	更好
0.326	0.412	0.409	0.398
0.347	0.336	0.309	0.367
0.327	0.252	0.282	0.235

数据仓库	OLAP	数据挖掘
No	Yes	No
0.442	0.357	0.460
0.356	0.312	0.332
0.202	0.331	0.208

此外，表3总结了在财务绩效指标和数据基础设施的证据条件下，商业智能实施的条件概率分布。从财务绩效指标的证据来看，只有资产回报率（ROA）因素对商业智能实施具有正向影响，因为P（商业智能实施= ‘是’| ROA= ‘更好’，D，G）与P（商业智能实施= ‘是’| ROA= ‘更差’，D，G）之间的差异超过0.045。另一方面，已采用数据仓库、OLAP或数据挖掘技术的公司更有可能实施商业智能系统。例如，在以下证据条件下，商业智能实施= ‘是’的条件概率为数据仓库= ‘是’大于基于数据仓库= ‘否’的证据。同时，P(商业智能实施= ‘是’ | 联机分析处理= ‘是’，D，G)与P(商业智能实施= ‘是’ | 联机分析处理= ‘否’，D，G)之间的差异甚至超过14%。因此，表3的结果表明，数据基础设施对商业智能系统的实施具有显著影响。

表4 给定商业智能实施的财务绩效指标的概率分布

商业智能实施	SE	ROI	ROA	ROS
	更差	更好	更差	更好
不不	0.078	0.922	0.529	0.471
不是	0.099	0.901	0.479	0.521
Yes	0.121	0.879	0.568	0.432

除了了解数据基础设施和资源支持如何影响商业智能的实施外，本研究还调查了实施商业智能的公司是否比没有商业智能系统的公司拥有更好的资源支持。上述问题的答案可以通过在商业智能实施证据下财务绩效指标的概率分布来解释，这些分布总结于表4中。一般来说，实施商业智能的公司的财务绩效并不比没有商业智能系统的公司更好。例如，在商业智能实施为“是”的条件下，标准误差为“更好”的条件概率为0.879，小于商业智能实施为“不不”或“不是”时标准误差为“更好”的条件概率。尽管资产回报率“更好”在商业智能实施为“是”、D、G条件下的概率大于资产回报率“更好”在商业智能实施为“不不”、D、G条件下的概率，但两者差异小于0.015。因此，商业智能实施可能对财务绩效没有积极影响。

表5 给定商业智能实施的数据基础设施技术的概率分布

商业智能实施	数据仓库	OLAP	数据挖掘
	No	Yes	No
不不	0.604	0.396	0.727
不是	0.585	0.415	0.629
Yes	0.429	0.571	0.513

最后，表5中所示的贝叶斯推断可以解释实施商业智能的公司是否比没有商业智能系统的公司拥有更复杂的数据基础设施。以数据仓库为例，给定DW= ‘是’的条件概率商业智能实施= “是”的证据概率为0.571，优于在商业智能实施= “不是”或“不不”的条件下数据仓库DW= “是”的条件概率。类似地，P(联机分析处理= “是”| 商业智能实施= “是”，D，G)大于P(联机分析处理= “是” | 商业智能实施= “不不”，D，G)，两者差异甚至超过0.200。因此，研究结果表明，实施商业智能的公司通常比未采用商业智能系统的公司拥有更复杂的数据基础设施。

5 结论

本研究采用贝叶斯网络方法，探讨商业智能实施与数据基础设施及资源支持因素之间的关系。这一问题对于已实施ERP的企业尤为重要，因为商业智能通常是企业在实施ERP系统后下一项IT投资的重点考虑方向。然而，目前尚缺乏从本研究提出视角出发探讨商业智能实施问题的相关研究。因此，本研究的调查结果可帮助已实施ERP的公司评估影响将BI集成到ERP系统中的数据基础设施和资源支持因素。根据对台湾主要制造商的贝叶斯推理实证发现，ERP vendor可能影响商业智能系统的实施，而online period of ERP对商业智能系统的实施则没有影响。因此，企业在选择ERP供应商时应谨慎，因为ERP系统的可扩展性和兼容性可能会影响商业智能实施的顺利程度。寻求低价ERP解决方案的企业可能在将商业智能配置或集成到ERP系统时遇到困难。在资源支持方面的研究发现中，只有资产回报率（ROA）因素对商业智能实施具有积极影响。因此，能够高效利用资产创造收益的公司更有可能应用商业智能系统来支持其战略和运营决策。同时，若企业未来计划采用商业智能解决方案，则应提前规划其数据基础设施，因为本研究发现数据基础设施对商业智能系统的实施具有显著影响。此外，本研究还探讨了实施商业智能的公司是否比未实施商业智能系统的公司拥有更好的资源支持或更复杂的数据基础设施。研究结果表明，商业智能实施可能并未对财务绩效产生积极影响。相反，实施商业智能的公司通常比未实施商业智能系统的公司拥有更复杂的数据基础设施。总之，数据基础设施和ERP供应商因素在将BI集成到ERP系统中发挥着重要作用。

未来的研究可以考虑其他因素，如IT合作、决策过程工程和战略对齐，并确定其中哪些因素影响商业智能系统的实施。由于本研究仅关注主要制造商的调查，未来的研究可扩展至其他行业，如零售业或银行业，以确定其结论是否适用于本实证研究之外的情境。研究人员还可以应用其他 modeling 或推理方法（如神经网络）来评估这些问题，并对各种方法进行比较。