|
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
7 u6 ~# K" F( H; ~0 ^& f* @2 @9 p: A+ _
+ x. x- Y5 @3 R
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=[99.890 `, S/ W: W3 R, o3 F1 w
103.695 ?3 {- _0 k; K+ H. H% y5 d
97.42
+ a8 M4 t" j3 J101.11
5 {; ^4 R+ K9 ^0 j5 d9 c97.21 96.912 i1 P! t/ w' i+ g+ Q2 A
124.78* X' R# a3 ]) [* O% c
66.44$ K; E6 ]0 R9 D
143.969 a1 M/ ]7 `. R' L5 x8 B; ~
88.36 102.63
5 B `. z7 W7 F) J# U# w$ i' D101.85 G: h; T& t% A# P: z2 M
104.39/ Y) C! `* g: F/ c8 c
100.94' S& j3 E! }8 {: {
100.64 98.47 {: j f5 W" j+ {8 L
103.16
/ _3 ^% h& ?2 Y5 N4 a, ]109.17
( k5 V: E7 `5 v9 o5 |104.39
! ~, z& w, f5 q6 ? N3 N91.90 87.51/ `+ n1 S# Z* J/ h
90.27) r3 w2 j, S, j5 X4 x
93.77
: v7 Q$ L$ b. U$ k94.33
+ k. c! k( Q$ W) a: ~& C: ]85.21 108.35
; R! Z5 R6 P4 i8 t! e% C4 R106.39
! ~( j/ d2 ]# ]2 ~142.35
1 r6 A1 Y5 ^8 t9 \8 V1 \- d! D. X121.91- Z/ m( Q/ j8 _: g( I; Z: V
158.61 71.676 a: `7 W' p1 I7 U% A$ R9 g) z
137.160 y# G+ b+ D/ u3 P- e5 d3 A- n
97.65" G2 ?3 @- b J" r/ b
171.31+ Y+ H. Q; u6 V& p8 O0 m
204.52 103.256 |: |% s4 [: U1 J
1006 _5 w8 `- h+ @: p$ O
1001 R9 `0 C* x0 g) F) k
99.13% L5 l& u+ ?9 v3 E
100.22 171.2
7 s/ c6 p2 t; H+ n51.35
% ^* {2 i' ]4 S9 b0 ~3 u15.90
9 l6 D' [% Z/ f6 Z/ B( R+ x/ {53.72
/ x F6 {9 [) ?3 y+ U7 \( g20.78 ]; 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') |