《信息科技项目市场分析》由会员分享，可在线阅读，更多相关《信息科技项目市场分析（41页珍藏版）》请在金锄头文库上搜索。
1、信息科技项目市场分析目录第一章 市场分析3一、 资源环境承载力评价综合指标体系3二、 资源承载力影响因素识别及评价指标4三、 数据统计分析6四、 大数据系统和数据挖掘技术8五、 类推预测法12六、 企业竞争能力分析13第二章 项目概况17一、 项目概述17二、 项目总投资及资金构成18三、 资金筹措方案19四、 项目预期经济效益规划目标19五、 项目建设进度规划19第三章 公司简介20一、 公司基本信息20二、 公司简介20第四章 项目经济效益分析21一、 基本假设及基础参数选取21二、 经济评价财务测算21三、 项目盈利能力分析25四、 财务生存能力分析28五、 偿债能力分析28六、 经济评
2、价结论30第五章 投资估算及资金筹措31一、 投资估算的编制说明31二、 建设投资估算31三、 建设期利息33四、 流动资金34五、 项目总投资36六、 资金筹措与投资计划37第六章 进度计划方案39一、 项目进度安排39二、 项目实施保障措施40第一章 市场分析一、 资源环境承载力评价综合指标体系资源环境承载力评价是区域上各种因素对承载能力的综合体现，因而必然表现为各单一方面的资源、环境承载力作用效果的科学叠加，反映区域内资源环境承载力的总体状况。因此，资源环境承载力在综合评价指标是由上述的资源承载力、环境承载力和生态承载力等指标体系，根据评价对象功能要求和资源环境特征，选择相关指标构成的指
3、标体系。该指标体系能够全面满足评价对象的资源环境承载力评价要求。在构建综合评价指标体系的时候，要注意几个原则：一是要注重科学性和可对比性相统一的原则。资源环境承载力评价要严格按照资源环境的科学内涵，能够对资源环境的数量和质量作出合理的描述。同时评价方法要注重与国内外和区域间的可对比性，具有纵向、横向比较和可推广与应用。二是要注重描述性指标与评价性指标相统一原则。描述性指标即资源和环境两大系统的发展状态指标；评价性指标即评价各系统相互联系与协调程度的指标。二者的统一，将在时间上反映发展的速度和趋向，在空间上反映其整体布局和结构，在数量上反映其规模，在层次上反映功能和水平。三是要注重最大限制性和可
4、操作性相结合原则。资源环境承载力是多种因素综合作用的结果，指标体系作为一个有机整体，不可能把所有的因素都列出，客观上对资源环境承载力所有因素全部用指标描述出来也是不可能的。所以，指标体系要反映影响资源环境承载力主导因素的全貌，用对资源环境承载力产生最大限制性的主导因素的指标体系来描述和评价资源环境承载力，才能把握资源环境承载力最本质的、最基本的特征。同时，要达到指标体系的实用性和可操作性，避免以往在研究制定指标体系要么指标体系过于庞杂、无法操作，要么把握不了主要的因素，对资源环境承载力最本质的、最基本的特征缺乏全面反映、表征、度量。因此，研究和制定指标体系要注重最大限制性和可操作性相结合，根据
5、水桶原理发挥决定性作用的指标有限，在选取最大限制性主导因素的前提下，尽量使指标少而精，资料易取得，方法易掌握，而不必面面俱到，使最大限制性和可操作性相互统一，这样才能够有利于研究顺利进行。二、 资源承载力影响因素识别及评价指标（一）土地资源承载力土地资源承载力的影响因素包括主要用地类型、面积及其分布，土地资源利用上线及开发利用状况，土地资源重点管控区域等。土地资源承载力的分析需要考虑土地对人口的承载、土地对经济社会的承载，以及土地与人口和经济发展之间的匹配协调程度。主要评价指标包括：人均可利用土地资源、人均耕地面积、人均建设用地、土地利用率、单位土地产出、规划人均城乡建设用地规模、禁建区比例等
6、。（二）水资源承载力水资源承载力的主要影响因素包括水资源总量及其时空分布，水资源利用上线及开发利用状况和耗用状况（包括地表水和地下水），海水与再生水利用状况，水资源重点管控区等。主要评价指标包括：人均水资源量、单位土地水资源量、水资源开发强度、水资源可利用量、地下水开采率、人均供水量、万元GDP用水量、万元工业产值取水量、耕地灌溉率、生态用水率等，分别表示了水资源的丰沛程度和水资源对居民生活用水、工业用水、农业用水、生态用水、经济发展等方面的承载水平。（三）矿产资源承载力矿产资源承载力的主要影响因素包括矿产资源类型与储量、生产和消费总量、资源利用效率等。主要评价指标包括：单位用地矿产量、单位用
7、地实际采矿能力、单位用地矿产从业人员数量、矿业从业人员比率、矿业工业增加值比例等。三、 数据统计分析数据分析重要的一类是对具有随机性质的数据进行分析，在多数情况下是用于预测。本段仅介绍统计分析。统计分析不仅是计算样本的数字特征（期望值、方差、相关系数、协方差、离散度、概率分布等），还应当建立适当的模型，进而做出预测。统计分析一般有如下工作或阶段。1选择数字特征。统计分析，就是利用若干数字特征全面认识数据的统计规律。选择数字特征是统计分析研究问题的准备阶段，是统计过程的重要环节。数字特征应当：（1）能够客观地反映研究分析对象的性质、特点、内在联系和运动过程；（2）尽可能突出重点，反映分析对象的全
8、貌；（3）应能反映分析对象的变化；（4）便于资料获取。2收集并整理数据。确定了需用的数字特征之后，就要收集并整理所需的数据。样本的容量与质量对统计结果影响极大。3计算数字特征。利用整理后的样本计算必要的数字特征。这项工作可以同下面的建模合在一起，利用适当的软件进行。4建立模型。计算出样本数字特征后，应选择适合样本模式的模型。统计分析可用的模型很多，都有各自的特点及适用条件。选择模型时，应全面考虑研究对象与目的、到手的数据与资料、统计方法等各自的特点，以及咨询人员对方法的熟悉程度等。5检验模型误差。建模之后，可利用样本检验模型的误差，误差大小由样本与所选模型与方法所决定。根据经济学理论和研究对象
9、的具体特点，分析和评价模型误差，以及模型和方法本身；若误差未达到要求，应改进模型与方法。6利用模型预测。预测是咨询结论和建议的基本依据之一，应成为咨询及决策人员的高质量信息。7评价统计与预测结果。对统计与预测结果进行评价的任务是对初步统计结果（如离散程度、影响、走势等）进行概括，并寻找它们之间的联系。评价过程一般有：形成初步概念；对现象定性；提出主要观点；阐述所提观点的理由；提出论据；得出结论。咨询工程师在进行评价时，要在大局高度上全面、长远地看问题，多方面观察，不偏废任何一方；注意数据的衔接，当来源不同的数据矛盾时应弄清情况后再做取舍。四、 大数据系统和数据挖掘技术（一）数据挖掘概述1大数据
10、大数据是指超过既往数据库系统规模、传输速度和处理能力，或者既往数据库系统结构无法容纳的数据。大数据常以万亿或EB衡量，且种类多、实时性强，蕴藏的商业价值大。很多现有的新或旧的信息基础设施、工具和技术可用来开发和利用大数据中蕴藏的价值。大数据有各种各样的来源：传感器、气候信息、公开的信息、如杂志、报纸、文章、买卖记录、网络日志、病历、事监控、视频和图像档案，及大型电子商务。大数据是数据挖掘产生与生存发展的土壤。如今数据每五年翻一番，面对前所未有的海量数据，为了从中发现有用的信息必须进行数据挖掘。此外，计算机存储、处理大量数据，以及运算的能力大为增强，为数据挖掘创造了条件，使其成为一门独特的学科和
11、技术。2数据挖掘与数据分析的区别数据挖掘与数据分析的主要区别在于：（1）处理工作量。数据分析的数据量可能并不大，而数据挖掘的数据量极大。（2）制约条件。数据分析是从某些假设出发，建立方程或模型，而数据挖掘不作假设，可以自动建立方程。（3）处理对象。数据分析往往是针对数字型数据，而数据挖掘对象类型繁多，例如图像、声音、文本等。（4）处理结果。数据分析可以解释结果的含义；数据挖掘的结果不易解释，着眼于预测未来，并提出决策建议。想要从数据中发现规律（即认知），往往需将数据分析和数据挖掘结合起来。（二）数据挖掘步骤按挖掘对象，数据挖掘分为数据库与数据仓库挖掘和网络挖掘两种，各自步骤分述如下。1数据库与
12、数据仓库挖掘数据挖掘一般有信息收集、数据集成、数据规约、数据清理、数据变换、数据挖掘、模式评估和知识表示8个步骤。（1）信息收集。从确定的挖掘对象中提取特征，然后选择合适的收集方法，将收集到的信息存入数据库。对于海量数据，必须选择合适的数据仓库。（2）数据集成。把来源、格式、特点、性质不同的数据按逻辑或物理属性加以编排，以便以后使用。（3）数据规约。多数数据挖掘算法耗时很长，商业数据往往较多，数据挖掘更耗时间。数据规约就是简化已有可用数据集的表示，规约后数量大减，但仍能保持原数据的完整性，对规约数据的挖掘结果，与对规约前数据的挖掘结果相同或几乎相同。（4）数据清理。有些数据不完整（属性缺少属性
13、值）、含噪声（属性值错误），不一致（同一信息有多种表示），需要清理，使其完整、正确、一致后存入数据仓库。（5）数据变换。将数据变换成适合数据挖掘的形式。实数型数据，可将其分层和离散化。（6）数据挖掘。根据数据格式、属性与特点，选择合适的处理工具，例如统计方法、事例推理、决策树、规则推理、模糊集，甚至神经网络，取得有用的信息。（7）模式评估。由行业专家核实数据挖掘结果是否合理、是否可用。（8）知识表示。将数据挖掘得到的信息以可视方式交给用户，或作为新的知识存人知识库，供其他应用程序使用。并非所有的数据挖掘都要走上述的每一步。若只有一个数据源，则可以省略数据集成。数据规约、数据清理、数据变换合称数
14、据预处理。数据挖掘至少60%的费用要花在信息收集阶段，而至少60%以上的精力和时间要花在数据预处理上。数据挖掘是一个反复多次的过程，若一次未满足要求或未得到有用结果，则需回到前面，经过调整后重新开始。2，网络挖掘网络挖掘可分为网络用户行为挖掘与网络信息挖掘。前者基本不在工程咨询人员关心之列。后者可理解为“从WWW中发现和分析有用的信息”。网络信息挖掘是在已知数据样本的基础上，通过归纳学习、机器学习、统计分析等发现挖掘对象间的内在关系与特性，进而在网络中提取用户感兴趣的信息，获得更高层次的知识和规律。网络信息挖掘沿用了Robot，全文检索、人工智能的模式识别、神经网络等技术。现在的搜索引擎使用了
15、这些技术，能够在网页或网站数据库中为用户搜寻有用信息。网络信息挖掘具体步骤如下：（1）确立目标样本。由用户选择目标文本，提取特征信息。（2）提取特征信息。根据目标样本的词频分布，从统计词典中提取挖掘目标的特征向量并计算出相应的权值。（3）网络信息获取。先利用搜索引擎站点选择待采集站点，再利用Robot程序采集静态Web页面，最后获取被访问站点网络数据库中的动态信息，生成WWW资源索引库。（4）信息特征匹配。提取索引库中的源信息特征向量，并与目标样本的特征向量对照，将符合要求的信息交给用户。五、 类推预测法类推预测法是根据市场及其环境的相似性，从一个已知的产品或市场区域的需求和演变情况，推测其他类似产品或市场区域的需求及其变化趋势的一种判断预测方法。它是由局部、个别到特殊的分析推理方法，具有极大的灵活性和广泛性，适用于新产品、新行业和新市场的需求预测。根据预测目标和市场范围的不同，类推预测法可以分为产品类推预测、行业类推预测和地区类推预测三种。（一）产品类推预测法产品类推预测法是依据产品在功能、结构、原材料、规格等方面的相似性，推测产品市场发展可能出现的某些相似性。如平板电视机的需求，可以依据彩色电视机的市场发展来推断。（二）行业类推预测法
