|
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 1 v/ {+ M, ]- c3 k# c+ f$ N9 X
" M9 ^# X3 r. V& ~ X( y
& N5 U$ G* N" A+ v8 U n
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
/ z5 {) K/ H" a+ H103.69
4 P# a. I# b% q8 I6 o2 ?97.42
2 \# Z; ~2 q2 V101.11
# \% q z) n% }7 V# J& t! l97.21 96.91
. d+ d9 ~ B6 l8 m4 U: x124.78
1 w& M/ q/ ]1 `- D' _0 ]& ~. Z66.44
: }9 r# n$ W1 z# M! F. I5 n143.962 b) G V' b, C0 z0 l/ F
88.36 102.63
+ v8 w h4 N7 q101.85
2 ~( r+ N7 H2 j6 s6 P( _: Q5 e, s+ F104.39
- m% m3 ^6 M, m& N x) ?1 |100.94 g2 p/ @9 Q' P3 a- \1 G9 z
100.64 98.47
1 C( ~. f6 m% L+ I% R. `103.16. J# z4 T9 \0 N2 w4 o5 V) k
109.17
1 \) Q' k) T2 M; B, }104.39
3 E, ?. L! ~3 m91.90 87.510 r; q0 A; v: _* Z
90.27
# @+ ~9 q8 s6 d- P ^" `" k: q8 @93.77% h0 N& ?" a; \% t& f
94.33
$ `' a ^ l* n! m) q85.21 108.35% F* N! Y, Z! X! o) ?' {
106.390 A! e( O5 W1 }0 A1 n2 M- X; L
142.35
2 g- u9 M( G o/ M% _121.91
2 k b& i& s8 a: H158.61 71.67
+ h- g+ A7 M$ X0 ^: W5 e/ Q; g; L4 u137.162 C; G( x* ~- y3 q. r
97.65" a9 `2 X5 T$ [7 F0 ~4 n- H% Q
171.31! t+ h9 C* T0 n
204.52 103.25/ S A, v' W5 B3 g
100
) r- X8 p6 k0 K8 L/ Q* L- p100
3 J7 K, w( H6 h' d99.131 D6 @( p4 o, N$ C
100.22 171.2# x. E2 g! h6 K/ N+ C
51.35; a1 X9 q6 F2 g7 e5 h# ]9 h$ G) [0 K
15.902 p: i* z! @8 l9 V
53.72
9 V2 d& N% k8 K5 ~- J8 t20.78 ]; 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') |