|
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 ! z3 {# k. G* P1 |3 Q$ k2 y
% e; T8 z! Z8 w9 H! f3 i8 Y ^2 `
/ k# g/ ~ `. Y1 }# y4 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- y. I0 r; b' E( V8 }/ `/ h- K
103.69+ t% s/ ?* F" i0 i
97.42
8 s0 F; w2 S$ @$ F: R101.11
0 c% X# D* s0 Z2 z2 @+ S97.21 96.91
% A4 P0 S/ L" B$ I$ _% Q124.78
) V3 n# f2 z, n- X) L- H66.44
' H. J! n! b, y143.96# a3 U0 Z) e. i* f
88.36 102.638 J8 z& n6 C6 K
101.85/ T) K! }) R. V% J1 ^' d3 V
104.395 ]! }+ u, w; q$ J! P" F
100.942 g/ B* F/ g) H) ?6 H7 F! t& K5 e& L
100.64 98.47' `/ S5 K9 m8 w# d: g
103.16( S- X, l7 o5 q1 @/ G# ^+ C
109.17/ x+ p6 R0 t! T! G) b1 G
104.39* U( O% v: }7 q/ z. a
91.90 87.51
2 R: g4 G3 R) W' ]. A6 u, i; O0 I90.27
! c$ y' n9 g. H" k! b% v93.77
9 {; b$ r" w% M94.33
: M; {" i4 u/ k g85.21 108.35/ S% Q" J% P8 j0 x
106.39, a* z& E. [( M/ @9 C
142.35& k+ k/ u3 x$ C1 l; h+ F, ~/ z
121.91
( z, S7 R5 g# d1 ?158.61 71.67
6 Z3 |/ o& Q* I9 y137.165 G$ x1 I+ N% b
97.65
7 ^& C- v2 J6 W: O171.31# G9 a! C$ L& `9 m* y1 D
204.52 103.252 Z- {, c! @& P/ F3 @
100
4 P0 p1 g. t: m100
9 E9 X) d$ T" s7 t: f99.13, `$ p* \7 ?( q+ `& j
100.22 171.2/ `6 U1 q7 I5 D0 s* I1 b$ w9 I" v
51.35
- M" C' @1 Y; E' L15.90
+ }% i* H6 J* y* q53.72. r% J j8 N& _& y) S& K
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') |