|
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 + ?* l$ D, n4 M
H' H2 P$ ^. \1 g; @% ^5 p, W2 M p
1 J- f) U" P9 n8 V 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=[99.894 C) {. E& b5 P' d- `
103.69% }) r* h: Y; T+ n6 R
97.428 g& x4 h+ ]/ P; w- d! A2 z& c2 J3 r
101.11
( y4 U s; {/ J/ r97.21 96.914 J- Z$ D4 e' f. j: z% X
124.78* b" O% ^# D! X3 `+ `4 }. S
66.44
+ m. r/ c |" @: v. c143.96$ k/ T1 t! Y) I( t, @
88.36 102.63% n: r0 L0 d9 P2 T8 c- S+ ~
101.85; t5 \$ w2 F1 N2 I
104.39
! @4 ^4 O2 r5 }8 U2 _: L100.94' w5 y7 n8 r* Y( M$ y; i1 ]
100.64 98.47
, K% X% F0 C! [4 R8 p103.16
+ m1 r3 f1 h; P! u4 I: [" ?1 L4 J! w; I109.172 u6 e+ k: j. X q! p% y3 c
104.39
6 l3 L8 ?) W' ? s/ w- P' T91.90 87.51
8 v% V& a) J; z1 n2 \90.270 `: R0 a! f$ H
93.77
6 k" r: N7 P/ L2 t1 b( R94.33
. c7 G: H8 w( t% p. S/ \85.21 108.35
+ p) R$ W3 h, I5 l# A E106.39
2 L1 w5 s$ v9 [4 g142.35* o9 h$ i D' R8 x
121.91' X# R, ~) u% Q. K
158.61 71.67
8 k# [1 ^2 W1 U# N G5 A0 e137.16
; h+ a1 Q' w# f: D; \97.65
7 H. q! x V# o8 i2 o( R# O9 o171.31
. c% p6 ^( G' `6 [204.52 103.255 j6 h+ Z* s, ?7 L8 i7 ]9 A
100
6 E6 H- n6 ~ N. F6 O100" |6 t2 [' D' v" O, E
99.13: Q% m% o' u, |$ ^' `/ w- j3 v3 K
100.22 171.2
+ j+ v0 N5 E4 `6 N0 d" A1 @51.353 \" N9 j9 R* x7 Y4 I, A& n3 \, Q
15.90: ^0 o4 [$ [: }8 J% H0 A
53.72! r/ P8 B! m* f6 o3 [! l
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') |