多尺度視角下裝備維修經(jīng)費(fèi)序列波動特征與事件影響分析

蔣鐵軍， 張懷強(qiáng)， 周成杰

(海軍工程大學(xué)管理工程與裝備經(jīng)濟(jì)系，湖北 武漢 430033)

裝備維修保障工作受到各種內(nèi)在和外在因素的影響，這些影響的顯性表現(xiàn)形式多種多樣，反映到經(jīng)濟(jì)層面主要是裝備的維修經(jīng)費(fèi)，且在不同時(shí)期這些因素的影響具體體現(xiàn)為維修經(jīng)費(fèi)序列的波動。裝備維修經(jīng)費(fèi)序列通常呈現(xiàn)出顯著的非線性、非平穩(wěn)性和多尺度等特性，尤其是各類事件的影響，如：等級修理、各類演習(xí)訓(xùn)練任務(wù)、現(xiàn)代化改裝，以及經(jīng)濟(jì)環(huán)境的劇烈波動等，往往還會使經(jīng)費(fèi)序列產(chǎn)生結(jié)構(gòu)突變，使傳統(tǒng)經(jīng)費(fèi)預(yù)測和決策模型的適應(yīng)性顯著變差，分析難度加大[1]。隨著裝備執(zhí)行多樣化軍事任務(wù)的頻率和強(qiáng)度不斷增加，以及經(jīng)濟(jì)環(huán)境的動態(tài)變化，各類事件對裝備維修經(jīng)費(fèi)的影響將愈加顯著。

通過分析裝備維修經(jīng)費(fèi)序列隨時(shí)間推進(jìn)的波動特征，有效地識別經(jīng)費(fèi)序列的結(jié)構(gòu)性變化，能夠在一定程度上了解各種因素的影響變化以及事件的影響情況，為開展相關(guān)預(yù)測和決策分析提供基礎(chǔ)支撐。

裝備維修經(jīng)費(fèi)序列是一類典型的經(jīng)濟(jì)時(shí)間序列。傳統(tǒng)的時(shí)間序列波動特征和事件影響分析方法通常直接針對序列本身展開，由于時(shí)間序列影響因素及其構(gòu)成的復(fù)雜性，效果往往不是太好。隨著多尺度分析方法的不斷提出，從多尺度視角辨識時(shí)間序列的有效構(gòu)成，在不同尺度上分析分量序列的發(fā)展變化規(guī)律是目前采用較多的一種處理辦法[2]。對時(shí)間序列進(jìn)行多尺度分析，關(guān)鍵是要對序列進(jìn)行有效的多尺度分解。傳統(tǒng)的序列分解方法主要有傅立葉譜分析、小波分析等[3-4]，這些方法的優(yōu)勢在于可以很好地處理非平穩(wěn)、非線性信號，且直觀、簡單，但也存在一定的不足，如：傅立葉譜分析在時(shí)域內(nèi)不具有分辨率，小波變換不能實(shí)現(xiàn)自適應(yīng)多分辨率分析等[5]。ZHU等[6]提出的經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)算法可以基于原始時(shí)間序列的局部特征，直接提取出一種固有模態(tài)函數(shù)(Intrinsic Mode Function，IMF)，進(jìn)而實(shí)現(xiàn)序列的自適應(yīng)分解。相對于傳統(tǒng)分解方法，其具有更強(qiáng)的原始特征和局部特性識別能力，是目前開展時(shí)間序列多尺度分析的較好方法之一[7]。

在事件對時(shí)間序列的影響分析方面，通常采用檢驗(yàn)方法識別序列中的結(jié)構(gòu)變點(diǎn)，如：Chow檢驗(yàn)[8]、Quandt-Chow檢驗(yàn)[9]、BP檢驗(yàn)[10]、CUSUM-SQ檢驗(yàn)[11]等。其中，INCLAN等[12]基于中心化累積平方和方法，改進(jìn)性提出了迭代累積平方和(Iterative Cumulative Sums of Squares，ICSS)算法，用于尋找序列在不同時(shí)點(diǎn)的突變點(diǎn)，該算法能實(shí)現(xiàn)序列中多個(gè)結(jié)構(gòu)性方差變點(diǎn)的識別，且簡便易行、效果較好，已被廣泛應(yīng)用于解決各類時(shí)間序列的變點(diǎn)識別問題[13-14]。

鑒于EMD算法在序列分解上的優(yōu)異性能以及ICSS算法在序列結(jié)構(gòu)變點(diǎn)檢驗(yàn)中的良好表現(xiàn)，筆者集成二者的優(yōu)勢，提出了多尺度視角下的裝備維修經(jīng)費(fèi)序列波動特征與事件影響分析方法。首先采用EMD算法對原始經(jīng)費(fèi)序列進(jìn)行多尺度分解，獲取其基本構(gòu)成、波動特征和各類因素的影響情況，然后針對每個(gè)分量，分別采用ICSS算法進(jìn)行結(jié)構(gòu)變點(diǎn)識別，從深層次揭示裝備維修經(jīng)費(fèi)序列的波動特性，以及事件對經(jīng)費(fèi)序列內(nèi)在結(jié)構(gòu)變化的影響。

1 經(jīng)費(fèi)序列分量波動特征分析指標(biāo)選取

由于裝備維修經(jīng)費(fèi)的不同IMF的發(fā)展變化趨勢可能存在較大差異，筆者主要通過統(tǒng)計(jì)分析方法對不同IMF進(jìn)行波動特征分析。采用的統(tǒng)計(jì)指標(biāo)主要有IMF的平均周期(平均周期)、IMF的方差及其相對于原始經(jīng)費(fèi)序列的方差占比(方差貢獻(xiàn)率)、IMF與原始經(jīng)費(fèi)序列的Pearson系數(shù)和Kendall系數(shù)[14]。各項(xiàng)指標(biāo)的具體含義如下：

1) 平均周期。周期是時(shí)間序列波動的典型特征之一。由于原始經(jīng)費(fèi)序列經(jīng)EMD算法分解后，各IMF的頻率往往會隨時(shí)間變化，因此，應(yīng)采用平均周期描述各IMF的頻率變化情況，即

T=2L/s。

(1)

式中：T為IMF的平均周期；L為IMF的長度；s為波峰和波谷的數(shù)量。

2) 方差貢獻(xiàn)率。EMD分解的目的之一是分析不同尺度分量對總體經(jīng)費(fèi)序列變化的影響。由于各IMF彼此基本相互獨(dú)立，因此，可以利用方差占比描述各IMF對原始經(jīng)費(fèi)序列的貢獻(xiàn)度，即

(2)

3) 相關(guān)系數(shù)。相關(guān)系數(shù)用于衡量各IMF與原始經(jīng)費(fèi)序列之間的相關(guān)性。Pearson系數(shù)和Kendall系數(shù)主要用于衡量數(shù)量相關(guān)和等級相關(guān)[15-16]，其中

Pearson系數(shù)的計(jì)算公式為

(3)

Kendall系數(shù)的計(jì)算公式為

(4)

式中：ωij=(xj-xi)(yj-yi)。

對于任意給定的數(shù)據(jù)對(xi,xj)和(yi,yj)，若(xj-xi)(yj-yi)>0，則二者等級一致;否則,不一致。

2 經(jīng)驗(yàn)?zāi)B(tài)分解

EMD認(rèn)為時(shí)間序列是由不同尺度上的基本分量(IMF)構(gòu)成，通過分解可以實(shí)現(xiàn)序列的平穩(wěn)化，同時(shí)可將序列原本的構(gòu)成特征展示出來。

該算法的基本實(shí)現(xiàn)步驟如下[15]：

1) 對任一給定時(shí)間序列s(t)，確定其所有極值點(diǎn)；

2) 根據(jù)極值點(diǎn)用三次樣條曲線作上下包絡(luò)線；

3) 計(jì)算包絡(luò)線均值m11(t)，得到該序列與均值之差h11(t)=s(t)-m11(t)；

4) 將h11(t)視為s(t)，重復(fù)步驟1)-3)，若h1(k-1)與h1k的方差小于某值，則h1k為1個(gè)IMF，此時(shí)c1=h1k，r1(t)=s(t)-c1；

3 迭代累積平方和

Dk=Ck/CT-k/T，

(5)

4 經(jīng)費(fèi)序列波動特征與事件影響分析框架

多尺度視角下的裝備維修經(jīng)費(fèi)序列波動特征與事件影響分析框架如圖1所示。

圖1 裝備維修經(jīng)費(fèi)序列波動特征與事件影響分析框架

具體分析步驟如下：

1) 原始經(jīng)費(fèi)序列判別分析。將統(tǒng)計(jì)檢驗(yàn)和經(jīng)驗(yàn)分析相結(jié)合判別原始經(jīng)費(fèi)序列的基本特性。

2) 原始經(jīng)費(fèi)序列多尺度分解。運(yùn)用EMD算法對原始經(jīng)費(fèi)序列進(jìn)行分解，從多個(gè)層面更加細(xì)致地研究原始經(jīng)費(fèi)序列的發(fā)展變化規(guī)律。

3) 經(jīng)費(fèi)序列分量波動特征及影響因素分析。計(jì)算不同IMF的統(tǒng)計(jì)指標(biāo)，分析經(jīng)費(fèi)序列的波動特征以及不同因素對不同IMF的影響。

4) 經(jīng)費(fèi)序列分量變點(diǎn)識別。通過對變點(diǎn)統(tǒng)計(jì)檢驗(yàn)和現(xiàn)實(shí)事件影響的對比分析，確定經(jīng)費(fèi)序列結(jié)構(gòu)發(fā)生重大變化的時(shí)間點(diǎn)。

5) 事件影響分析。比較分析變點(diǎn)前后經(jīng)費(fèi)序列分量統(tǒng)計(jì)特征的變化，判別事件對經(jīng)費(fèi)序列的影響，結(jié)合背景知識，分析事件類型及其對經(jīng)費(fèi)序列的影響機(jī)理。

5 應(yīng)用分析

5.1 數(shù)據(jù)獲取

艦船維修器材經(jīng)費(fèi)由于受器材故障規(guī)律、裝備使用強(qiáng)度、管理模式，以及各種事件(如臨時(shí)檢修、人員誤操作、等級修理、現(xiàn)代化改裝)等多重因素的影響，其序列表現(xiàn)出較強(qiáng)的非線性、非平穩(wěn)和多尺度等特性[16]。

因此，筆者以某型艦船裝備維修器材經(jīng)費(fèi)數(shù)據(jù)為對象開展應(yīng)用分析。

5.2 原始經(jīng)費(fèi)序列判別分析

采用ADF(Augmented Dickey-Fuller)方法判別原始經(jīng)費(fèi)序列的非平穩(wěn)性，計(jì)算得到在顯著性水平1%、5%和10%下的臨界值分別為-2.590 7、-1.944 4和-1.614 1，序列的統(tǒng)計(jì)量為1.302 7，P值為0.950 5，表明原始經(jīng)費(fèi)序列具有非平穩(wěn)性，該序列可能包含趨勢、季節(jié)性或周期性等成分，這一特征比較符合裝備故障的一般規(guī)律以及計(jì)劃籌措與臨時(shí)籌措相結(jié)合的常規(guī)做法。

采用BDS(Brock,Dechert & Scheinkman)方法判別原始經(jīng)費(fèi)序列的非線性[17]，計(jì)算標(biāo)準(zhǔn)差分別為0.5、0.75、1、1.25和1.5，嵌入維數(shù)從2到10的BDS統(tǒng)計(jì)值，具體如表1所示。從表1可以看出：BDS統(tǒng)計(jì)值均大于顯著性水平為5%時(shí)的臨界值(1.96)，表明原始經(jīng)費(fèi)序列具有非線性，這一特征也進(jìn)一步驗(yàn)證了經(jīng)費(fèi)受到多重因素的影響，且相互之間存在著較為復(fù)雜的非線性關(guān)系。

表1 原始經(jīng)費(fèi)序列的BDS統(tǒng)計(jì)值

對于原始經(jīng)費(fèi)序列的多尺度性，根據(jù)器材經(jīng)費(fèi)受隨機(jī)性故障、裝備使用強(qiáng)度、管理模式以及各種事件對經(jīng)費(fèi)序列產(chǎn)生影響程度的不同，可初步判定經(jīng)費(fèi)序列具有多尺度性。該特性也將結(jié)合序列分解進(jìn)一步得到驗(yàn)證。

5.3 時(shí)間序列分解

EMD算法對原始經(jīng)費(fèi)序列分解的具體情況如圖2所示。從圖2可以看出：1)原始經(jīng)費(fèi)序列被分解成了4個(gè)IMF，不同IMF具有不同的頻率水平；2)IMF的振幅和頻率負(fù)相關(guān)，即頻率越高，振幅越??；3)IMF4(殘差序列)去除了高頻波動，基本維持了原始經(jīng)費(fèi)序列的趨勢水平；4)原始經(jīng)費(fèi)序列具有明顯的多尺度性，通過序列分解，能夠更加細(xì)致地觀察經(jīng)費(fèi)序列的發(fā)展變化規(guī)律。

圖2 基于EMD算法的原始經(jīng)費(fèi)序列分解

5.4 經(jīng)費(fèi)序列分量波動特征與影響因素分析

5.4.1 經(jīng)費(fèi)序列分量波動特征分析

通過對不同IMF和原始經(jīng)費(fèi)序列的統(tǒng)計(jì)計(jì)算，可以得到如表2所示的相關(guān)統(tǒng)計(jì)指標(biāo)值。

從平均周期看，IMF1、IMF2的平均周期分別為3.6月和10.1月，均在1 a以內(nèi)，相對較短，是典型的高頻序列，其振幅集中在55以內(nèi)；IMF3的平均周期較IMF2、IMF1有所加長，約2 a左右，屬低頻序列，振幅也略有增加；殘差序列無明顯周期性，大約自第10月開始，呈先快速上升后逐漸趨于平緩的態(tài)勢，與原始經(jīng)費(fèi)序列的發(fā)展趨勢大體一致。表明經(jīng)費(fèi)的周期性變化主要受到裝備戰(zhàn)訓(xùn)任務(wù)、等級修理周期等因素的影響，但長期發(fā)展趨勢仍以裝備故障規(guī)律的影響為主。

表2 不同IMF的統(tǒng)計(jì)指標(biāo)值

從方差貢獻(xiàn)率看，殘差分量對原始經(jīng)費(fèi)序列走勢影響最明顯，達(dá)到82.16%。各IMF的貢獻(xiàn)率隨頻率水平的增加而減小，如IMF1的貢獻(xiàn)率僅為1.68%。

從相關(guān)系數(shù)看，基本規(guī)律與方差貢獻(xiàn)率類似。殘差分量與原始經(jīng)費(fèi)序列的相關(guān)程度最為顯著，Pearson、Kendall系數(shù)分別為0.928 5和0.580 1。其他IMF隨著頻率水平的增加，其相關(guān)程度逐步降低。表明經(jīng)費(fèi)的總體變化主要受到裝備故障規(guī)律等低頻分量的影響，隨機(jī)性、突發(fā)性故障等高頻分量的影響會隨著頻率增加而逐漸減弱。

5.4.2 經(jīng)費(fèi)序列分量的影響因素及其影響機(jī)理

通過上述統(tǒng)計(jì)分析，可以大致看出不同IMF的基本變化規(guī)律及其與原始經(jīng)費(fèi)序列的相互關(guān)系，這些規(guī)律是各種因素綜合影響的具體體現(xiàn)。

1) 高頻分量(IMF1、IMF2)。高頻分量的波動幅度不大、頻率高、規(guī)律性差，對經(jīng)費(fèi)序列的長期趨勢影響不大，如制訂維修器材中長期籌措規(guī)劃時(shí)，往往可以忽略這一影響；但短期影響則較為顯著，是制訂季度或月度器材籌措計(jì)劃需重點(diǎn)考慮的內(nèi)容。

根據(jù)艦船裝備管理工作的具體實(shí)際，維修器材經(jīng)費(fèi)在短期內(nèi)主要受到裝備隨機(jī)故障及不確定事件的影響。在艦船的日常使用中，往往存在著一些不可預(yù)知的事件，如：各類設(shè)備的隨機(jī)性、突發(fā)性故障，人員操作存在偶然的失誤等，這些都使得維修器材需求在短期內(nèi)發(fā)生變化，且具有一定的隨機(jī)性和跳躍性。這些事件的特點(diǎn)是發(fā)生較為頻繁、持續(xù)時(shí)間相對較短，其對經(jīng)費(fèi)序列的影響主要體現(xiàn)在IMF1、IMF2這樣的高頻分量中。

2) 低頻分量(IMF3)。低頻分量的變化介于趨勢分量和高頻分量之間。低頻分量與原始經(jīng)費(fèi)序列的形態(tài)具有一定的一致性，尤其是在序列發(fā)生劇烈變化的時(shí)間點(diǎn)，往往對應(yīng)著重要的事件。在低頻分量中，序列受事件影響后，其變化趨勢會產(chǎn)生較大波動，雖然短期內(nèi)有一定緩和，但還是會持續(xù)較長時(shí)間。IMF3的平均周期約為2 a，說明了在沒有其他重要因素干預(yù)的情況下，分量序列在短期內(nèi)難以自行消除事件的影響。

此外，低頻分量在很多時(shí)點(diǎn)的振幅都在原始經(jīng)費(fèi)序列的8%左右，平均變化量占原始經(jīng)費(fèi)序列的比例為4%，說明事件對原始經(jīng)費(fèi)序列的影響程度也是比較大的。從目前的艦船維修保障現(xiàn)狀來看，主要原因在于事件對裝備維修保障系統(tǒng)造成了重要影響，使維修保障系統(tǒng)的內(nèi)外部環(huán)境發(fā)生了重要變化，進(jìn)而對經(jīng)費(fèi)變化規(guī)律產(chǎn)生了重要影響。

3) 趨勢分量(IMF4)。趨勢分量表現(xiàn)了原始經(jīng)費(fèi)序列的長期走勢，與其具有很強(qiáng)的相關(guān)性，可以為今后經(jīng)費(fèi)預(yù)測提供基本參考。從原始經(jīng)費(fèi)序列的發(fā)展趨勢可以看到：雖然在某個(gè)時(shí)間點(diǎn)會由于某些因素的影響產(chǎn)生波動，但當(dāng)影響消退后，還是會回歸到基本趨勢。趨勢分量體現(xiàn)了原始經(jīng)費(fèi)序列的基本走向，體現(xiàn)出經(jīng)費(fèi)受到內(nèi)、外多種因素綜合作用的結(jié)果，表現(xiàn)為相對固有的發(fā)展規(guī)律。

趨勢項(xiàng)總體呈上升態(tài)勢，這與艦船維修保障的基本規(guī)律是一致的。隨著艦船入役時(shí)間的不斷延長，系統(tǒng)設(shè)備的老化不斷加劇、故障率不斷增加，維修器材的價(jià)格也在不斷攀升，這些內(nèi)在、外在因素基本決定了維修器材經(jīng)費(fèi)的上升趨勢。雖然期間可能會對部分系統(tǒng)設(shè)備進(jìn)行更新?lián)Q代，其故障率在短期內(nèi)有所緩和，維修經(jīng)費(fèi)會出現(xiàn)下降，但是經(jīng)過一段時(shí)間之后，基本的上升趨勢同樣會繼續(xù)保持下去。

需要注意的是，某些重大事件可能對經(jīng)費(fèi)序列的趨勢項(xiàng)產(chǎn)生根本的結(jié)構(gòu)性影響，如：大規(guī)模的改換裝工程，由于裝備配置的根本性改變，系統(tǒng)設(shè)備的故障規(guī)律會發(fā)生本質(zhì)變化；維修經(jīng)費(fèi)的構(gòu)成內(nèi)容重新進(jìn)行了調(diào)整，維修經(jīng)費(fèi)計(jì)算執(zhí)行了新的規(guī)范，維修經(jīng)費(fèi)的統(tǒng)計(jì)計(jì)算結(jié)果也將會發(fā)生實(shí)質(zhì)性變化。

5.5 經(jīng)費(fèi)序列分量的變點(diǎn)檢驗(yàn)

采用ICSS算法分別對原始經(jīng)費(fèi)序列和各分量序列進(jìn)行變點(diǎn)檢驗(yàn)，結(jié)果如表3所示。

由表3可以看出：1)原始經(jīng)費(fèi)序列、IMF1、IMF2均無變點(diǎn)，即事件未對這些序列的結(jié)構(gòu)趨勢產(chǎn)生影響；2)IMF3的結(jié)構(gòu)在第22月和69月發(fā)生突變，變點(diǎn)前后序列的趨勢發(fā)生了較大變化，但是原始經(jīng)費(fèi)序列轉(zhuǎn)折點(diǎn)與變點(diǎn)并不完全一致，主要是因?yàn)槭录绊懲窃谙鄬^短的時(shí)期內(nèi)不斷顯現(xiàn)出來，如圖3所示；3)IMF4也無變點(diǎn)，與原始序列一致，表明事件還未強(qiáng)烈到影響經(jīng)費(fèi)序列的基本趨勢；4)原始經(jīng)費(fèi)序列無變點(diǎn)，但I(xiàn)MF3有變點(diǎn)，進(jìn)一步表明從多尺度視角研究裝備維修經(jīng)費(fèi)序列波動特征和事件影響的必要性。

表3 ICSS算法變點(diǎn)檢驗(yàn)結(jié)果(置信度95%)

5.6 事件對經(jīng)費(fèi)序列分量的影響分析

采用對變點(diǎn)前后序列進(jìn)行統(tǒng)計(jì)的方法，分析事件對IMF3產(chǎn)生的影響。

5.6.1 變點(diǎn)1的影響分析

第1個(gè)變點(diǎn)前后數(shù)據(jù)序列的統(tǒng)計(jì)結(jié)果如表4所示，可以看出：分量序列的方差變小、振幅均值變小，說明經(jīng)過事件后，序列的波動幅度呈現(xiàn)相對平緩的趨勢。主要原因是裝備經(jīng)過局部改裝，部分設(shè)備換代升級，故障規(guī)律相應(yīng)發(fā)生變化，且故障率降低。但由于改裝初期的磨合問題，故障率會短期內(nèi)小幅波動，隨后一段時(shí)間內(nèi)總體降低且呈現(xiàn)平穩(wěn)態(tài)勢。

表4 變點(diǎn)1前后數(shù)據(jù)序列的統(tǒng)計(jì)情況

5.6.2 變點(diǎn)2的影響分析

第2個(gè)變點(diǎn)前后數(shù)據(jù)序列的統(tǒng)計(jì)結(jié)果如表5所示，可以看出：分量序列的最大值變大、最小值變小、方差變大、振幅均值變大，說明經(jīng)過事件后，分量序列的波動在不斷增大。主要是因?yàn)檠b備使用強(qiáng)度增加使故障率增大。但事件發(fā)生后短期內(nèi)，器材消耗有所降低，主要是在事件點(diǎn)開展了等級修理，裝備技術(shù)狀態(tài)得到一定程度的恢復(fù)，但隨著使用強(qiáng)度的持續(xù)加大，序列隨后出現(xiàn)大幅波動。

表5 變點(diǎn)2前后數(shù)據(jù)序列的統(tǒng)計(jì)情況

6 結(jié)論

筆者主要針對裝備維修經(jīng)費(fèi)序列表現(xiàn)出的非線性、非平穩(wěn)性、多尺度等特性，運(yùn)用EMD算法對其進(jìn)行分解，進(jìn)而從多尺度視角對經(jīng)費(fèi)序列開展波動特征和事件影響分析。結(jié)果表明：

1) 裝備維修經(jīng)費(fèi)序列主要受到自身發(fā)展趨勢、各類事件和隨機(jī)故障等多重因素的影響，具體體現(xiàn)在分解后的不同尺度序列上；

2) 不同因素對原始經(jīng)費(fèi)序列的影響效果不盡相同，自身發(fā)展趨勢體現(xiàn)了經(jīng)費(fèi)序列的基本內(nèi)在規(guī)律，事件影響著經(jīng)費(fèi)序列在較長一段時(shí)期的劇烈波動，而隨機(jī)故障則使經(jīng)費(fèi)序列產(chǎn)生不規(guī)則的短期波動；

3) 針對EMD算法分解后的經(jīng)費(fèi)序列分量開展變點(diǎn)檢驗(yàn)，相對于直接針對原始經(jīng)費(fèi)序列的檢驗(yàn)更加有效，表現(xiàn)出更強(qiáng)的辨識能力；

4) 識別出的經(jīng)費(fèi)序列分量變點(diǎn)，與現(xiàn)實(shí)情況基本一致，進(jìn)一步驗(yàn)證了方法的有效性和可靠性；

5) 通過對變點(diǎn)前后數(shù)據(jù)序列變化情況的統(tǒng)計(jì)分析，基本符合對現(xiàn)實(shí)事件分析得出的一般規(guī)律。