渔业产业分析范例(3篇)

渔业产业分析范文篇1

本次分析所用数据来自2003～2012年的中国渔业统计年鉴。影响渔业经济产值的因素众多，各因素与渔业经济产值的关系错综复杂。根据指标选择的一般性、特殊性、重要性和可得性原则，本次分析选择了较具代表性且较容易获取的十六项指标。数据分别截取了这十年间中国渔业统计年鉴中渔业经济产值及其16项影响因素，其中包含渔业生产产量方面三项(海水养殖产量、淡水养殖产量、海洋捕捞产量);渔业生产要素方面四项(海水养殖面积、淡水养殖面积、海水鱼苗产量、淡水鱼苗产量);渔船投入方面二项(生产渔船数量、辅助渔船数量);劳动力投入方面三项(渔业从业人员、渔业村、渔业户);水产品加工方面四项(淡水加工产品总量、海水加工产品总量、水产加工企业、水产冷库数量)。

2数据整理与分析

2．1无量纲化处理

根据灰色系统理论，由于参考序列和比较序列的量纲不同，因此首先进行无量纲化处理。选用标准差法(公式1)对各因素进行无量纲化处理，其处理结果列于表2中。

2．2计算关联系数和关联度

通过下面的公式(2)计算关联系数ξi(k)=miniminki(k)+ρmaximaxki(k)i(k)+ρmaximaxki(k)(2)其中，ξi(k)表示Xi对X0在k点的灰色关联系数，i(k)表示表3中列出的数值，miniminki(k)表示二级最小差的绝对值，即一级最小差中的最小值，minki(k)则表示二级最大差，为灰色分辨系数，其取值范围为0－1，这里选用一般值0．5进行计算;另外，根据表3可知，miniminki(k)=0．0052，maximaxki(k)=3．1490，由此计算得到X0对Xi各因素的关联系数ξi(k)。随后使用下面的公式(3)计算关联度γi:γi=1n∑nk=1ξi(k)(3)式中，γi表示比较序列Xi对参考序列的X0关联度，根据其数值高低即可判断比较序列Xi的重要性。

3结果与分析

3．1灰色关联度分析

根据上述方法求得Xi对参考序列的X0关联度γi，如下面的表4所示由上表可知，以渔业经济产值为参考序列，以海水养殖、淡水养殖等影响因素为比较序列，计算得到比较序列与参考序列的关联度，其关联序由大至小依次为海水养殖面积、淡水养殖产量、海水鱼苗产量、淡水加工产品总量、海水加工产品总量、水产冷库、海水养殖产量、渔业从业人员、生产渔船数量、淡水鱼苗产量、水产加工企业、渔业户、渔业村、淡水养殖面积、辅助渔船数量、海洋捕捞。根据关联度分析原则，关联度大的序列与参考序列关系密切，关联度小的数列与参考序列关系疏远。因此海水养殖面积、淡水养殖产量、海水鱼苗产量对渔业经济总产值的影响较大，淡水加工产品总量、海水加工产品总量、水产冷库次之，渔业户、渔业村、淡水养殖面积、辅助渔船数量、海洋捕捞对渔业经济总产值的影响较小。

3．2九标度法计算因素影响度

根据灰色关联度计算结果，对各个因素的关联度进行两两比较，构造判断矩阵。使用标度1、3、5、7、9分别表示因素Xi相比因素Xj同样重要、稍微重要、明显重要、强烈重要和极度重要，而2、4、6、8标度则表示上述判断间的中间值，即因素Xi相比于因素Xj越重要，则其标度数值越高。判断矩阵构造完成后，使用公式(4)计算其影响度:λmax=1n(BW)iWi(4)式中，λmax表示判断矩阵B的最大特征根;W表示对应于λmax的正规化特征向量;Wi表示构成因素排序的影响度;n表示判断矩阵B的维数。为了检验判断矩阵B的一致性，需计算一致性指标CI，相应计算公式:CI=λmax－nn－1(5)将CI与平均随机一致性指标RI进行比较，检验判断矩阵B是否具有一致性。对于1－16阶矩阵，RI取值列于表5。1阶、2阶判断矩阵是完全一致的。由3阶开始，需计算判断矩阵的随机一致性比率CR=CIRI。当CR＜0．1时，认为判断矩阵具有满意的一致性，否则重新调整判断矩阵。将16个影响因素两两比较后，构造出如下表所示的判断矩阵。计算可知，一致性检验CR=0．04143＜0．10，判断矩阵符合满意一致性，能够反映事物的客观规律。从影响度看，海水养殖面积、淡水养殖产量、海水鱼苗产量、淡水加工产品总量、海水加工产品总量依次排于影响度的前5位，分别为18．51%、15．38%、12．81%、10．31%、8．84%，其总和达到65．85%，而位于后5位的渔业户、渔业村、淡水养殖面积、辅助渔船数量、海洋捕捞，其影响度分别为2．04%、1．7%、1．39%、1．17%、0．98%，其总和仅为7．28%。

4讨论

灰色关联度分析在农业科学领域已取得广泛的应用［24－28］，渔业经济产值和各影响因素之间存在着灰色性，运用灰色系统理论和方法可以探明它们之间的相互依存关系，不仅具有科学的理论依据，而且在实际工作中也是切实可行的。由计算结果可以看出，在16项影响因素中，海水养殖面积、淡水养殖产量、海水鱼苗产量、淡水加工产品总量、海水加工产品总量与渔业经济产值的关联程度最紧密，且这五个因素影响度的总和已经达到总数的65．85%。这些因素主要分布于水产养殖业和水产加工业，即水产养殖和水产加工与渔业经济产值的关联比较紧密，大力发展水产养殖业和水产加工业，有利于渔业经济产值的快速提升。刘勇［20］在分析福建省海洋渔业产量结构时，同样指出海水养殖产量对海水产品总量的贡献程度较高。赵昕等［21］也在研究中建议发展水产品精深加工，培养精深水产养殖品种。我国是水产养殖大国，近年来，除了养殖面积和养殖产量之外，我国还格外注重新养殖品种的开发和拓展，在丰富本土水产养殖品种的同时，也积极引进国外的优良品种，例如北极虾、罗非鱼等等，这些举措有力的促进了我国水产养殖业的发展，也带来了渔业经济产值的逐年提升。在水产加工业方面，近年来我国水产加工行业发展迅速，2012年，我国的水产加工产品产量达到1907．4×104t，占水产品总产量的32．3%。综上可知，无论是从数据分析的结果、前人的研究成果还是近年来国家的相关经济举措来看，水产养殖和水产加工业与渔业经济产值关系密切，加大在水产养殖业和水产加工业方面的投资力度，可以有效提高渔业经济效率，增加渔业经济总产值。需要指出的是，由于渔业经济产值的关联因素较多，本文中选取的16项关联因素无法覆盖其全部范围，有一定的局限性;此外，本文中忽略了物价上涨、人民币升值等因素对历年间渔业经济产值的影响，可能会给结果带来一定程度上的偏差，还需进行后续更加细化的研究。另外，由关联程度居于末位的影响因素海洋捕捞来看，我国的海洋捕捞业与渔业经济产值的关联程度并不高，海洋捕捞业的经济效益已经日趋下降，传统的捕捞业正逐渐向渔业养殖业、渔业加工业过渡和转化。沈新强等［22］依据1950～1995的分品种渔获物产量统计数据，认为过度捕捞已经导致东海区捕捞渔获物出现了低营养级的趋向，种群内部也出现了小型化、低龄化现象。张偲等［23］也在研究中建议逐步将海洋捕捞业向流通业、旅游业、服务业、海上运输业、远洋渔业等方向转型。我国是渔业捕捞大国，据统计，我国沿海专属渔业经济区面积是挪威的2倍，但是从事水产捕捞的劳动力却是挪威的近90倍［29］，过多的劳动力投入和过度的捕捞会导致我国海洋资源的过度消耗，进而造成劳动力的浪费和捕捞业经济效益的下降。因此，控制捕捞渔船的数量，减少在海洋捕捞业上的投入力度是保护我国的海洋资源、促进我国渔业经济可持续发展的重要举措。第三，渔业村、渔业户、渔业从业人员这三个渔业劳动力相关的因素对渔业经济产值的影响度较低，由此可以看出，加大渔业劳动力方面的投入并不能带来巨大的渔业经济增长。当前我国渔业经济已经逐渐开始由劳动密集型的生产方式向技术密集型的生产方式转变，随着科技成分在渔业行业中的比例逐渐加大，渔业劳动力的投入与渔业经济产值的关联已经不那么密切，未来的投资重点也可以更多的向科技投入方面侧重和倾斜。

5对策与建议

渔业产业分析范文

最后，根据分析结果提出建议。

【关键词】吉林省；农业产业结构；灰色管理度分析

随着社会经济的快速发展以及经济全球化进程的不断加快，吉林省位于我国东北部，作为我国重要的商品粮生产基地，其农业产业结构发展是否合理，既对我国粮食生产和储存具有重要影响，也将直接影响我国农业经济整体发展。因此，本文运用灰色关联度分析方法对吉林省近5年（2007～2011）的农业产业内部中农业、林业、牧业、渔业四个产业与农业总产值之间的关联度进行深入分析研究，最后根据各产业与农林牧渔业总产值之间的关联度大小提出促进农业产业发展的对策和建议。

一、吉林省农业产业结构现状

吉林省位于我国东北地区，地处松辽平原腹地，省内流域面积广阔，包括松花江、辽河、鸭绿江、图们江绥芬河五大水系，是我国重要的农业生产地区。随着吉林省经济和科学技术水平的快速发展，在农业可持续发展的政策引导下，吉林省农林牧渔业得到了进一步提升和发展。2011年，吉林省全年GDP增长了14%，同2010年相比增加了近4%，高于全国平均增长速度。据吉林省统计局统计显示，第一产业实现增加值1200亿元，增长5%，第二产业实现增加值5600亿元，增长18%，第三产业实现增加值3600亿元，增长11%。2011年农林牧渔业总产值为2275.1亿元，增加值为1254.7亿元，比上年增长55.14%；其中农业产业总产值为1020.4亿元，增加值153.5亿元，增长15.04%；林业总产值为81.9亿元，增加值13.6亿元，增长16.61%；牧业总产值为1074.5亿元，增加值243亿元，增长2.2%；渔业总产值为31.1亿元，增加值5.8亿元，增长18.65%。全年粮食作物播种面积6817.52万亩，比上年增加79.15万亩，增长1.2%。全年粮食总产量3171万吨，增长11.6%。其中，玉米的产量为2339万吨，增长了16个百分点，单产7462.8公斤/公顷。

二、灰色关联度分析基本原理

灰色系统理论包括了对灰色因素的关联进行分析，灰色系统建模，灰色系统决策，灰色系统分析，灰色系统控制，灰色系统优化等等内容。其中灰色关联度分析作为灰色系统理论的重要内容之一，主要是针对两个系统间的因素进行分析，其随时间或不同对象变化的关联度大小的量值称作关联度。如果在系统发展过程中，两个因素变化的趋势具有一致性，则说明同步变化程度较高；反之，则说明较低。灰色关联度分析具体步骤：（1）对原始数据的处理。设X0（K）={x0（1），…x0（2）…，x0（n）}为数据行为参考序列，X0（K）={xi（1），xi（2）…，xi（n）}，（i=1，2，m）为数据行为比较序列。（2）变量的无量纲化。因为比较的变量不具有相同的量纲，为了使分析结果更加客观、真实，具有一定的可比性，所以在进行关联度分析之间，需要对数据变量进行无量纲化处理。经处理后的母序列为X′0（t）=X0（t）/X0（1），子序列为X′i

（t）=Xi（t）/Xi（1），i=1，2，…，t=1，2，…，n。（3）确定关联系数。ζ■=■，其中ρ为分辨系数。为比较序列Xi与参考序列X0在k时刻的关联系数。（4）确定关联度。r■=■■ζ■（k）为比较序列Xi与参考序列X0的关联度。（5）关联度比较。根据计算结果，对关联度进行比较排序，如果r1

三、农业产业结构的灰色关联度分析

1.构建比较序列。本文选取2007～2011年吉林省农林牧渔业总产值、农业总产值、林业总产值、牧业总产值、渔业总产值的相关数据进行灰色管理度分析研究，设农林牧渔业总产值随年份变化的数列为母序列X0；农业总产值、林业总产值、牧业总产值、渔业总产值为子序列X1、X2、X3、X4，如表1所示。

表1吉林省农业产业比较序列（亿元）

2.初始化后相应的序列分别为：X′0（t）=（1，1，1，1，1）；Xt1（t）（1.1375，1.1473，1.1267，1.1265，1.2313）；X′2（t）（1.2354，1.1905，

1.2074，1.2074，1.2832）；X′3（t）（1.3180，1.3275，1.3999，1.2161，

1.3833）；X′4（t）（1.6206，1.5626，1.6786，1.5715，1.7004）。

3.计算灰色关联度。

表2灰色关联度

本研究选取2007年到2011年吉林省农业、林业、牧业、渔业四个产业对农林牧渔业总产值进行灰色关联分析，吉林省农林牧渔业总产值作为参考序列，其余农业总产值、林业总产值、牧业总产值、渔业总产值指标作为比较序列。根据表2灰色关联度计算结果可知：γ01>γ02>γ03>γ04即在吉林省农业产业结构中，农业产值对农林牧渔业总产值影响最大，其次是林业产值、牧业产值及渔业产值。农业总产值对农业总产值的灰色关联度为0.73604，表明种植业对农业的影响最大，吉林省农业产业结构是以农业为主的结构，这主要是吉林省的地理环境所决定畜林业、牧业和渔业对农业产值的关联度分别为0.73604、0.66432、0.6619、0.53888，其中渔业产值对农业总产值影响最小，四个产业按灰色关联度大小比较顺序依次为农业>林业>牧业>渔业，因此，对吉林省农业总产值而言，农业对农业总产值贡献最大，林业和牧业对农业总产值贡献较大，渔业对农业总产值贡献最小，表明吉林省渔业发展较慢对吉林省农业产业结构发展影响最小。

四、结论及建议

首先，调整农业内部产业结构。吉林省作为重要的商品粮生产基地，在以粮食生产为基础的同时，也要进一步协调好农业、林业、牧业及渔业的加工生产，实现农业产业共同发展。良好的粮食生产为牧业和渔业生产提供了必要的物质基础，粮食增产对促进牧业和渔业发展具有正向作用，协调农业内部产业发展，既有利于促进粮食产品增值，也有利于增加牧业、渔业的效益。其次，重点发展优势产业。粮食生产对吉林省农业发展发挥着重要作用，影响着我国农业总体粮食生产和储存，同时，林业和牧业具有良好的农业发展潜力。我们应根据市场需求，调整农业、林业、牧业产业结构，发挥其优势，打造精品农产品，实现规模种植、养殖发展，形成区域特色农产品生产基地。最后，发挥政府宏观调控。吉林省政府应增强对农业生产企业的扶持，使吉林省农业与市场进一步接触，农业、林业、牧业、渔业形成产业规模，利用科学技术，提高农业生产效率，促进农业经济发展。同时，吉林省政府应制定农业产业发展的相关政策，建立健全农业发展体制，从宏观上推动农业产业发展。

参考文献

[1]祁秀梅.农业县产业结构调整研究——以射阳县为例[J].国土与自然资源研究.2010（1）

[2]温璐璐，王海涛.辽宁产业结构分析与对策[J].理论界.2006（12）

渔业产业分析范文

关键词：渔业综合平台系统架构主题模型多维分析

中图分类号：TP311文献标识码：A

文章编号：1004-4914（2013）02-065-03

一、引言

（一）数据仓库及其应用

数据仓库的概念产生于20世纪90年代，随着互联网技术的兴起和企业信息化飞速发展，为在激烈的市场竞争环境下获得优势，企业需要基于其大量业务数据对其自身业务的运作以及整个市场相关行业的态势进行分析并做出有利的决策，从而产生了专门为分析统计和决策支持应用服务的、可满足决策支持和联机分析应用要求的数据中心，即数据仓库。在数据仓库基础上，通过数据挖掘、联机分析应用，构建经营分析系统和商业智能系统才成为可能，因此数据仓库系统也被称为企业的“数字神经系统”。由于在促进企业获取商业竞争优势和改善优化决策方面有明显作用，数据仓库的概念一经出现，就首先被应用于金融、电信、保险、零售等主要传统竞争激烈且数据处理密集型行业，数据仓库的建设应用也日趋成熟并进一步向构建动态数据仓库的方向发展。

（二）数据仓库关键技术

1.数据抽取技术。传统数据仓库数据抽取可以定时抽取，动态数据仓库则可以在不影响源系统负荷情况下进行动态抽取。数据抽取工具要满足下述要求：广泛支持各种数据源类型；具有良好的元数据管理能力，能及时发现数据源结构的变动；完善的任务管理能力，能够灵活地制定数据抽取任务的执行策略，管理任务的执行状态等；高效的执行效率，对于特殊的大数据量的处理可能会采用人工开发的方式，以获取最好的效率。

2.分布数据存储和管理。面向决策支持扩充的并行关系数据库将是数据仓库的核心。数据仓库处理的数据量比传统事务处理大得多，且随时间的推移而累积。关系数据库系统目前已发展到支持数据分割技术，能够将一个大的数据库表分散在多个物理存储设备中，进一步增强了系统管理大数据量的扩展能力，可以管理数百个GB甚至到TB的数据。另一方面跨省中心数据仓库可以采用基于分布式联网的数据库系统，进一步增加系统的可扩展性。

3.并行数据库处理技术。并行处理技术是数据仓库系统性能的关键。在数据仓库系统中，用户访问系统的特点是庞大而稀疏，即联机分析的查询和统计都很复杂，系统需要将所有的处理机调动起来并行处理复杂的查询请求服务。在并行及分布式数据结构中，可采用多个SMP的主机组成集群或分布式联网，通过对数据的分布以及数据库处理的分布，提高整个系统的处理能力。而且在日后系统规模扩大时，可方便地通过增加处理节点的方式扩展整个数据库系统。

4.多维分析模型技术。管理人员往往希望从不同的角度来审视业务情况，比如从市场、时间、地域、功能、利润、余额等来看，即多维分析技术。

多维分析模型技术的关键就是将信息按照多维的模型进行组织，支持切片、分割、旋转，再通过相应的工具如以数字、直方图、饼图、曲线等展现给用户，使得用户可以以灵活、直观的方式分析数据。多维联机分析系统目前有采用多维数据库系统的MOLAP、优化的关系数据库系统的ROLAP和二者的混合系统HOLAP等几种。

5.前端应用工具。数据仓库系统对用户应提供方便的图形化应用工具，除前面提到多维分析工具外，还包括针对决策优化的报表及查询工具等。

考虑到应用环境的多样性，前台应用工具应支持Client/Server、Browser/Server以及Excel等多种应用环境，其中Web前端联机分析工具由于具有跨平台特性使用上更为方便。

二、数据仓库在渔业综合平台系统中的应用

纵观建国以来我国渔业的发展史，渔业从单纯的近海捕捞，到近海、外海、远洋捕捞，再到现代的海洋捕捞和海水增养殖业，渔业的范围在不断扩大，渔业呈现多元发展趋势，逐步形成了以渔业为主，一、二、三产业相互渗透、交叉发展的格局。向科技要效益、强化渔政管理、完善社会化服务体系是当前渔业综合平台的主要任务。渔业信息化建设取得了显著成效，渔业局MIS系统、海上GPS定位系统、电信通信计费服务系统、气象与渔业服务系统、渔政管理系统等已建成并稳定运行。随着这些应用系统的持续运行，渔业部门积累了大量详尽真实的历史数据，各级渔业部门迫切需要对这些数据进行综合分析，从而保障渔民海上作业安全、准确分析渔业资源情况合理利用、科学指导渔业养殖、为政府合理制定渔业政策提供依据。然而，当前这些系统存在着部门自成体系的现象，无法对渔业高层进行宏观决策提供可靠的基础支持，严重制约了高层的分析决策能力和渔业信息化建设。基于海量的业务数据，为高层决策提供支持和分析预测的数据仓库系统无疑成为渔业部门关注的焦点。下文给出渔业综合平台系统数据仓库一种应用设计思路。

（一）系统架构设计

渔业综合平台数据仓库系统的整体框架如图1所示，由四部分组成，分别是业务数据源、数据抽取层、数据管理及使用以及渔政门户，其中业务数据源、数据抽取层以及数据管理及使用构成整个系统的数据中心。

1.业务数据源。业务数据源是整个渔业综合平台数据仓库系统业务数据集合的源平台，包括渔业局MIS系统、海上GPS定位系统、电信通信计费服务系统、气象与渔业服务系统、渔政管理系统等基础应用系统的数据库。这个业务数据源并不是固定不变的，随着新系统的加入，其对应的数据库也可以加入。

2.数据抽取层。在渔业综合平台数据仓库系统建设中，ETL，能够按照统一的规则集成并提高数据的价值。它负责将数据从业务数据源中提取出来，然后进行必要的清洗、转换、整理，最后再加载到主题数据库中，是实现主题数据库的重要步骤。

3.数据管理及使用。数据管理及使用是整个综合平台数据仓库系统建设的核心部分。可包括主题数据库、数据仓库、商业智能等，实现数据的统一保存与管理。

（1）主题数据库是业务数据库中的数据经过ETL工具的抽取、清洗、转换形成的，其主要特征为：面向业务主题。主题数据库是面向业务主题的数据组织存储，是对各业务应用数据进行分析整理而设计的，不是各个业务应用数据原样复制。数据库与渔业管理中要解决的主要问题相关联，而不是与通常的单个业务应用相关联。信息共享。数据库不是对各个应用系统“自建自用”的数据库的彻底否定，而是强调建立各个应用系统集中统一的共享数据库。

（2）数据仓库通常包含全局数据字典（即元数据）、访问工具、数据集市，数据仓库管理几部分。元数据是描述数据库内数据的结构和建立方法的数据，按用途的不同分为技术元数据和商业元数据两类。元数据为访问数据仓库提供了一个信息目录，这个目录全面描述了数据库中都有什么数据、这些数据怎么得到的、和怎么访问这些数据。元数据是数据库运行和维护的中心，数据库服务器利用它来存贮和更新数据，用户也通过它来了解和访问数据。

访问工具为用户访问数据仓库提供手段。有数据查询和报表工具；应用开发工具；管理信息系统（EIS）工具；在线分析（OLAP）工具；数据挖掘工具等。

数据集市是为了特定的应用目的或应用范围，而从数据库中独立出来的一部分数据，也可称为部门数据或主题数据。在数据库的实施过程中往往可以从一个部门的数据集市着手，以后再用几个数据集市组成一个完整的数据库。

数据仓库管理包括：安全和特权管理：跟踪数据的更新：数据质量检查；管理和更新元数据：审计和报告数据仓库的使用和状态；删除数据；复制、分割和分发数据：备份和恢复；存储管理。

（3）商业智能是通过数据仓库提供的访问工具、决策支持工具OLAP和数据挖掘工具等实现渔业数据的智能分析，包括报表定制、即席查询、预警分析机制等。

4.渔政门户。通过建立渔政门户，渔业综合平台数据仓库系统可以实现信息和共享；可以巩固并有效地利用渔业现有的信息资产和H架构投资，并充分发挥这两者的杠杆作用：还能使系统提供的功能和信息更容易获得，更容易为渔民、养殖户、电信部门和气象部门所访问，因此有效地提升了渔政最复杂的后台办公应用系统的价值。一个好的渔政门户必须具有以下五大特点：良好的合作性：强大的整合性；方便的流程管理；全面的内容管理；先进的个性化设置。

（二）数据仓库模型设计

1.模型主题域设计。数据仓库是按照主题来组织数据的，主题的划分是以业务系统的信息模型为依据的，并由主题构成企业运作的框架，是企业信息在较高层次上的综合与归类。确定数据仓库的主题，是数据仓库模型建设的关键。那么如何合理确定主题？

渔业产量、渔民安全和用户满意度是衡量渔政工作的最关键的指标，这就必然首先要求要关注客户（渔民和养殖户），捕捞和养殖产品是盈利来源，因此“客户主题”、“产品主题”和“安全主题”是三个最基本的主题。客户主题是作为数据仓库系统的各种主题中最重要，也是最核心的内容。客户主题中，需要提供的分析主要定位于：有哪些客户、他们关心什么、哪些客户具备相关性、哪些客户的需求类似、客户为渔业收入做出了多大的贡献等等。产品主题中，需要提供的业务分析主要定位于：产品有哪些、产品之间的关系组合怎么样、在产品的质量，产品的销路、贡献度如何等等。安全主题关注的内容就是：海上安全区域，哪些船只发生警报，每年事故率等等。

客户以及客户的需求并不是一成不变的，产品也需要跟踪，因此相应地养殖户和渔民满意度也是衡量系统的重要指标，因此，“满意度”主题也是必须的。满意度主题中，养殖户对气象预报、养殖知识指导、预防措施是否满意，渔民对海上通话、报警是否满意等。

上述四个主题是渔业综合平台常用的四个重要主题域，当然还可以根据需要扩展决策关心的系列主题。

2.逻辑模型设计。确定数据仓库主题后，下一步进行维度分析并采用维度建模方法建立各主题的逻辑模型。下面以客户主题为例说明逻辑模型的构建。客户既是维度，又是主题。客户作为维度，是考察其它主题的基本出发点，体现了“以客户为中心”的宗旨。同时客户又是主题，希望了解掌握与客户相关的各种数据和活动，强化客户至上的原则。客户主题包含的主要实体是客户、用户和账户实体。与客户主题相关维度有：客户类型维、价值级别维、证件类型维、信用度维、价值级别维行业类型维和时间维。客户主题星型逻辑模型如图2所示。逻辑模块根据需要也可以用雪花模型或第三范式设计。星型模型查询效率较雪花模型高。

三、结论

通过在数据仓库在渔业综合平台系统中应用，对渔政工作起到很好的促进作用：整合渔业部门数据，逐步（下转第86页）（上接第66页）构建和完善渔业综合平台。增强了渔业综合平台服务用户的能力，提升了渔业信息化水平。

参考文献：

1.InomnWH.Buildingthedatawarehouse[M].北京：机械工业出版社，2007

2.苏新宁，杨建林等.数据仓库与数据挖掘.北京：清华大学出版社，2006

3.陈文伟.数据仓库与数据挖掘教程.北京：清华大学出版社，2006

4.萨师煊，王珊.数据库系统概论（第三版）.高等教育出版社

5.韩峰.基于Oracle的电力营销数据仓库的设计与实现.山东大学硕士论文，2007

6.唐九洲.电信行业经营分析系统数据仓库建模研究.中南大学硕士论文，2004