|
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
5 H/ l# p! g& q. L+ t& c( L4 N' i% g9 U7 F( n; [
' Q) Q+ n4 t# r; K& X0 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% P9 O5 V- r9 R) f
103.69
, ~7 A5 n1 N8 u, ^, v97.42
) D7 \( s" d/ g. F6 q7 f101.11
9 A# T: \/ Y; N9 n97.21 96.91) P( L2 A) M# Z& y5 u, m6 s8 _
124.78' I0 t5 y& T2 I) ^6 { }/ R: w
66.44. I& D J. a1 |
143.96
3 r: ?4 `( g0 _8 D6 D# n8 t) M88.36 102.636 V" Y6 l! H4 n! f0 s, l, I
101.85& S0 X0 ]0 ^8 ]* q
104.39$ w) Y8 y/ e4 `. }* m# u
100.94
) i/ B' G' W6 K& ?8 s100.64 98.47( R( I% } n8 C
103.16
+ C& N1 _$ F8 b1 i: r/ i: o' E5 Q109.17$ a4 ?7 r) i- J* p' K/ v5 U
104.39
" x5 s1 m9 p& e91.90 87.518 ]; m; Q1 V g& ^9 V* C
90.27. I! O5 L9 {. Y( w; P* b
93.77& v1 [& [2 o$ T2 A
94.33
8 e/ B5 z' }' e J9 C85.21 108.350 i- }+ p+ O3 c
106.39
- g0 \- D4 k. p142.35# Z- D& |1 M7 I) k% `
121.91; Q$ L* f) q2 F8 S) R, s @
158.61 71.678 b; |9 Y& W. r8 K* g& k
137.161 l1 H/ \. Z) l" E5 `% E. L
97.65
" h& @9 ]$ Y( C3 e. q171.31
( w3 R) ]# n, x, V/ b204.52 103.258 w; p5 Y6 H% D" u2 {8 ^ e
100
3 O3 n9 { m6 s& @& B8 Z1009 A8 v( n+ r: m( g! L, m' ~( _
99.13
" v2 m6 M6 A* N% A9 i100.22 171.2
3 n! [, e( Y, [+ F/ D0 R4 |4 P51.35; ~; N6 @3 [# D3 K! x
15.90, h9 X0 L! S6 H6 z* i
53.72$ w) H: l$ |6 f7 @4 e0 t9 F
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') |