|
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 b+ m" _. z5 ]$ a. S* |& P: f$ V2 @$ w! }+ N& [
) b- A- A# s( M( T" p4 g: C: s
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
" `5 ^8 `9 y: O" a103.69
0 G" O1 D" I, k& m) f97.425 b: ] k7 f, x8 b: {$ K. Z
101.114 D' K4 x; C, Q6 ~9 Z/ R5 y: ?
97.21 96.91$ ~+ _, y6 G+ O) b2 d
124.78$ I% b3 y* g' l7 Q: W
66.44! N. s; o& }) { C: X" i; v
143.966 x* S6 B' K/ k2 c
88.36 102.63$ a5 P+ n+ j4 ]; v9 I7 v; V* p' F
101.859 s/ K; g+ ~' P% L: ~
104.39- M4 A# s; j+ i4 n2 u% `
100.94; X( z- A- o! m6 V/ }# D1 N
100.64 98.47
J9 `' v2 {0 \4 m103.167 B# @; I( Z5 B! L3 T1 B
109.17
9 ?3 N9 Z, @9 ?$ b) S104.39
( g% S9 Z9 c, h91.90 87.519 J0 z* q& t& H# p3 A/ I! c* }& ]
90.27) _$ d% _0 y; B! X/ d: O
93.77& ]) F; b: Y: P- c: c
94.334 }$ X; n1 A9 \" a4 F
85.21 108.35% I2 x7 n! H T6 U
106.39
) n, Y2 k# Z- t1 h( k+ Q9 ?! b142.35
8 N! L, L& O/ ?6 E" `121.91
0 W1 O4 w/ ~7 E D/ V1 d2 @6 G158.61 71.67
# f6 G% @0 @7 T137.16, z' F# {" x/ c3 t6 S3 _" @
97.65
% J) d2 ], _3 ? M( J6 g171.31
( g' I. g+ R7 ~! [( N1 x, s204.52 103.25
- ?/ b; f" I( L$ }9 R2 m- U100
, @. \% z w( K% b5 j100
! k, Y# d A9 s) B: p99.13+ T1 T! [ R4 f$ t
100.22 171.2
* g0 k4 c X3 j, p% k( I( D" A1 k51.35$ t5 O" x [+ r3 v9 X
15.90- u- ~7 L. Y, U( x; e1 ^
53.726 q0 s: h& r3 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') |