|
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
" S) O8 A- W: K. H! g9 [
3 I3 U3 V! a) l c; G% i% a0 T0 D. M3 w( E
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
4 [6 }- k& H4 T5 _/ a+ G103.69
5 x4 M s9 u2 \* p97.42. Y. e8 b* p& s9 P
101.11 B, O: U: W# o# |' q
97.21 96.91
3 p, [9 `. b$ p124.78! ]; x' k7 x \: O, i& @) T9 s
66.44 u" O4 e4 D/ r
143.96; a; w5 s6 Q% X# d# A x
88.36 102.63, e: w( j& i/ R4 H2 m# i/ y) Q F
101.85
7 q+ l* g x e/ X* \104.39* L( j/ d; \. ~' U' }6 H0 \
100.94
( L+ A, |' {. b7 C4 \100.64 98.47
* I4 B8 E( k( m6 \+ |5 d+ h103.16( S. i4 ^0 X$ v
109.17: ?, X1 L6 `% ?, F
104.39
( f/ ?+ {' d: r0 w+ B6 D91.90 87.51 R0 b5 ~, b8 V, h8 I+ x
90.277 c$ X q+ P! J5 ?5 `
93.77! U0 J( ]' e% g2 `- z& J
94.338 w; c- n# h5 U% B, y, k
85.21 108.35& o4 o$ M- s8 U+ v$ ^0 v0 G1 P" W @
106.394 @. q& g& i% F, G
142.35
! L- H' v' Q9 g$ c8 @; i, i121.91% n6 f& T# @# L7 {
158.61 71.67
) P+ r; M% P% \( Y* c137.167 E- Q: a U' V; `
97.65
- O9 N3 N6 x( a# p' b171.31
) O* a0 M e: u8 f( b- R204.52 103.25
( q* g* B+ U* o! n2 I2 W: Z100, h% O5 Y, F6 |4 {/ R2 n' m
100: O+ @7 `9 h L: B7 M, \
99.13
! e* i1 z: I C100.22 171.2( ?6 r: b D M1 }* M
51.35
2 B% P7 h7 I' p15.902 E+ j% |$ Y, ?* I9 y! c! L
53.72
3 }. G& d4 l* h: \3 w: A/ c; a$ {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') |