|
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
( w1 q& |1 G. C4 q- |4 b
, [' g0 w' i6 J5 v) b8 ?
/ y5 o6 t: E% h: t4 {- J5 u2 s+ X
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+ I: [9 ~" ?( {; M- T1 r/ w' b
103.69
; M) h: z2 Q& u# } l, a4 ^97.42
4 u; Y4 }* j/ {! A101.114 r K F- V' u; X
97.21 96.91
I; h! [9 W) G9 ~2 w" @1 h$ i124.78
$ t+ w2 n; d" e66.440 _( T$ m! C( D
143.961 k0 f* j d$ \- P2 y) p
88.36 102.63
" d4 L- X$ d. K2 x" M; b" L1 [101.85
6 U( ]; \5 f4 m* ?% Z" q104.394 C0 ~+ O A/ r; C: g! B
100.94
: o9 C- W/ |1 A/ [% h- Z100.64 98.47) E6 k+ p' Q) o9 g8 b
103.166 t- E: c* k+ b+ L5 S
109.17/ P+ A% `/ w: l! }
104.39! m! Y$ r# ]2 Q9 V W& H& S
91.90 87.519 g/ S, g+ q. T) u
90.27
; G6 |1 G* Q D$ E93.77
* B5 H5 n7 ?% ^. U$ J94.333 X: [* `$ K1 \" C" t0 p
85.21 108.35' z% ]; P; K+ d! }1 B7 W; Y0 ]
106.39
2 S$ X- P8 S* H9 v142.350 E G: @; T9 Y8 k+ D
121.91
' }- x+ y' `+ z4 I. b4 V* U158.61 71.670 e$ j2 f/ b p) z+ e: F! N
137.16
' `+ ~% e% {) o8 Y' D" x6 ]97.65
! G, S: u. n4 @5 J4 U; d. M171.31
5 s7 J% u7 N, ]" ?9 c204.52 103.255 U+ M5 v h( {4 _- r4 P
100' @" e1 }4 d+ C1 j% A
100: P" a! t; n. g
99.13
9 V2 \/ f, t5 p: x8 o7 S100.22 171.2
* S3 t+ ?2 Z3 }* z51.35" W! i1 {# Y e2 R4 Y8 j
15.902 }& r( W: u5 L+ F. B- T: y
53.72# ]( ~! _! y7 X8 W. V5 M
20.78 ]; 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') |