|
1989年度西山矿务局五个生产矿井经济效益综合评价问题 1 问题的提出 1989年度西山矿务局五个生产矿井实际资料如表1所示,对西山矿务局五个生产矿井1989年的企业经济效益综合评价(至少用两种方法)。 表1 1989年度西山矿务局五个生产矿井技术经济指标实现值 2 问题的假设 1 假设题中提供的实际资料都是可靠准确的; 2 假设除了题中提供的指标外,经济效益不再受其它因素影响。 3 符号的约定 评价对象的个数; 评价指标的个数; 参考数列; 比较数列, ; 表示时刻; 关联系数; 分辨系数, ; 第 个评价对象对理想对象的灰色关联度; 指标的个数; 矩阵; 相关系数矩阵; 单位特征向量, ; 原煤成本; 原煤利润; 原煤产量; 原煤销售量; 商品煤灰分; 全员效率; 流动资金周转天数; 资源回收率; 百万吨死亡率; 4 问题的分析 这是一个综合评价问题,评价方法有很多种。层次分析法、主成分分析法、模糊评价法、灰色关联分析法等。我们可以利用其中的方法对题目进行求解。 5 模型的建立与求解 5.1灰色关联分析模型 基本定义 设评价对象为 个,评价指标为 个,参考数列为 ,其中 表示时刻 比较数列为 则称 ,其中 为分辨系数
) q5 v1 o6 z, {" G& q$ C7 c+ _. {1 G" k6 n t% Q" _3 @3 k( Y
' I5 ~" x# z" d
为比较数列 对参考数列 在 时刻的关联系数。 称 、 分别为两级最小差及两级最大差。 一般来讲,分辨系数 越大,分辨率越大; 越小,分辨率越小。 计算灰色关联度 灰色关联度的计算公式为 这里 为第 个评价对象对理想对象的灰色关联度。 评价分析 根据灰色关联度的大小,对各评价对象进行排序,可建立评价对象的关联序,关联序越大其评价结果越好。 模型的求解 原煤利润、原煤产量、原煤销售量、商品煤灰分、全员效率、流动资金周转天数、资源回收率指标属于效益型指标,原煤成本、百万吨死亡率属于成本型指标。现分别对上述指标进行规范化处理。见表2 表2 比较数列和参考数列值 取 ,计算 及 的值。见表3 表3 关联系数和关联度值 由表3知,按灰色关联度排序可看出, ,由于生产矿井5(即西曲矿)的关联度与最优生产矿井的关联度最大,亦即生产矿井5(即西曲矿)的经济效益优于其他生产矿井的经济效益。 5.2 主成分分析模型 基本定义与基本思想 主成分分析也称为主分量分析,是一种通过降维来简化数据结构的方法:如何把多个变量(指标)化为少数几个综合变量(综合指标),而这几个综合变量可以反映原来多个变量的大部分信息。为了使这些综合变量所含的信息互不重叠,应要求它们之间互不相关。 基本步骤 设有 个样品,每个样品观测 个指标,将原始数据写成矩阵 1)将原始数据标准化,即对同一变量减去其均值再除以标准差,以消除量纲影响,得到标准化的矩阵; 2)根据标准化后的矩阵计算相关系数矩阵 ; 3)求相关系数矩阵 的特征值及对应的单位特征向量 , 其中 , ; 4)写出主成分。 其中 模型的求解 运用SPSS软件求出相关系数矩阵的特征值、方差贡献率以及累计贡献率。见表4 表4 相关系数矩阵的特征值和方差、累计贡献率 由表4可以看出,前3个特征值累计贡献率已达96.548%,说明前3个主成分基本包含了全部指标具有的信息,我们取前3个特征值,并计算出相应的特征向量: 表5 前3个特征值的特征向量 因而前三个主成分分别为 第一主成分 第二主成分 第三主成分 在第一主成分的表达式中,除第2项和第五项指标之外,其余变量的系数均在0.25~0.5之间,说明第一主成分是其余七个变量的综合。在第二主成分的表达式中,第1、2、4、5和第8项指标的影响大。尤其是第1和第2项指标影响尤大。在第三主成分的表达式中,第3和第4项指标影响尤大。 计算综合评价函数 通过SPSS软件得出前三个主成分的主成分函数值、综合函数值以及企业排名。见表6 表6 前三个主成分的主成分函数值、综合函数值以及企业排名 附录 clc, clear a=[99.89
c) P$ ?3 |7 r: K! Q2 }$ z; {103.69
( N# Q2 H: J& {5 Q; I$ `97.424 q( y( Z* u6 `7 b/ a, j( O2 u* N
101.110 \% B% d9 q b$ G& X
97.21 96.91
1 c) w( t* t' W2 l4 R+ m6 V1 O124.78* L. _) o! |& @+ V$ w
66.444 W/ E2 y- [2 H! S: J
143.96
3 y' f- T, G) S8 q88.36 102.63/ d7 g9 {/ i' [
101.85
4 Z# q- t" T1 V% {. o104.39! _( v/ E% o$ t% {$ u/ z) ~
100.94
+ |2 ?. R, S0 s, l' k% L* d100.64 98.47
$ K) X5 B+ p- P# Y: \1 @- ]0 W103.16
9 S+ q' b& N3 Z$ U1 d4 f1 _1 J2 W109.17% i" v& M1 G' e: T/ ~8 [* T
104.39
5 U% N$ x) Y" ]% A: ?6 r8 r91.90 87.51
( D/ o+ Q U5 a+ b& p2 K90.270 M. D5 U/ F9 l4 o
93.77
6 g1 \# t' o4 K' l0 w7 @94.33
! J8 f7 Q$ K) o$ B, @/ n( y- I85.21 108.35
! @( p& @ y2 T5 y106.39
. @* R( n/ f2 V5 z142.35/ n0 P6 V$ r& L* U" I
121.91
4 }7 a: Z+ _3 L1 v158.61 71.674 _% H0 M4 A9 K$ J* |
137.16
% @! I! Z# I3 ]1 `7 m0 ~97.65. A& _% X; x; a$ o5 z F! l
171.31
# _$ v4 O! R6 e$ e9 U- D8 R204.52 103.25# l/ Z+ s' f. Q: u# ]) `
100& Q& L: {& g# ]5 H4 a4 ~7 H7 E
100) G; A* j; L2 p
99.13
6 a2 K6 }! n: r100.22 171.2
1 J8 Q. A9 h, q7 g51.35" w, d0 U- C& ?) [
15.904 v6 z$ i+ @, X q6 X3 B
53.72
) r9 V- _$ ^. R20.78 ]; for i=[1 4:9] a(i, =(a(i, -min(a(i, ))/(max(a(i, )-min(a(i, )); end for i=2:3 a(i, =(max(a(i, )-a(i, )/(max(a(i, )-min(a(i, )); end [m,n]=size(a); cankao=max(a')'; t=repmat(cankao,[1,n])-a; mmin=min(min(t)); mmax=max(max(t)); rho=0.5; xishu=(mmin+rho*mmax)./(t+rho*mmax); guanliandu=mean(xishu) [gsort,ind]=sort(guanliandu,'descend') |