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 * M$ I+ R& [1 b4 R n$ j6 @
: @; n1 S9 j2 [) \! `7 |, n' d; l4 `
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
# G" ~+ C9 [% z# d* h+ U: m103.69
: m6 r" T4 d$ V. W97.42+ X: W; x7 x3 o9 P# |' B0 m2 P
101.11; J7 u' }9 p; B) V% D; \: w
97.21 96.91
# o, W' x& u1 H124.78( x. o3 M% }- J4 z& `
66.44
# u) w/ x; h4 L4 O' L# l. p143.968 l9 X2 V7 J( f( P. \" p
88.36 102.630 K) G: ~! e8 p3 o K% Q7 ?, L8 h
101.85
' C. |2 M% i( P" ^104.39
5 _) i" J& L3 S; l! a: M8 m100.94
5 }7 f' }4 h: }5 n1 t, p100.64 98.47
$ y) @+ [/ p9 @. u103.16/ N. L) ?; _% ]" k& f0 F. u) L" X
109.17. E/ `, A# S4 j% I+ s
104.39
: b, i, E7 F5 I! D1 t' ^$ C91.90 87.51
# j4 [ t& e4 ^' r90.27- D( {$ S6 \7 r# }" e
93.77
5 F& ?8 u8 n* k: {* b. L1 j94.33
! G5 I# ~" P1 ~- L& P: i9 W85.21 108.35
& p: D7 U& L1 s* M106.391 ?% Q* ^% A$ `% H
142.350 ?1 ^9 f+ S$ @( o0 @& G
121.91( ]* J2 {7 l& d% i8 ]( W9 w$ c* o/ K
158.61 71.67
3 A8 c' l+ w }' M S137.16% u6 H; ^4 J) N% P1 T
97.65
7 f( D1 Z& E' Y( s2 W# v8 h) T% H171.312 |4 p! N5 {/ l; f4 c
204.52 103.25
$ r; ~4 A" E" P; [& F100
8 {, i/ ?) d6 C7 U100
$ |- }% [3 F: ?* B9 E99.135 g2 h, s) ~9 t g0 X
100.22 171.2
" z( u' L( i* W51.35
/ `6 s$ `- H8 i5 c& i9 p$ E u15.90
* z$ ~# ?: X1 O! u- ?53.72/ V, l3 S2 v: z. J/ r
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') |