|
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 o7 D2 {7 V5 d+ l: I
* @) |. c. d1 H/ j2 X8 O' a
# t# W7 W# ^5 M( ?7 q# 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
, y+ C' C1 l1 _ Q# w103.69
1 c. J7 j( q/ | F9 P97.42
8 O9 d/ L' m9 K u101.11
* R! ]( J6 x! i+ y$ A$ \+ F97.21 96.91
. t, X3 C) b' F1 s7 f5 L" F+ g5 K124.78" @& S* W& d5 a1 ~. u- `) N8 a# y
66.448 C! b2 b" P5 V, y5 u1 A
143.96) G @! U+ U4 O6 I- k* l; z6 |/ R* u
88.36 102.63) H' c3 N1 k) p# h
101.85
/ f2 i5 ?) M- \3 q, i104.396 u8 P2 y5 |! q, y9 o4 N1 L
100.949 ?- z0 U& ^: }/ `
100.64 98.47( r4 P2 z% `& N& n6 i5 @
103.164 e1 M% |# S5 Q$ \8 H5 i
109.17
) e( [$ l4 x' j3 y# a/ o; ~104.39
- ?. |& r$ r! R& b91.90 87.51+ M* a6 S: i6 V u. e2 ~
90.279 q) R& \( Z$ n7 c6 P: m& Y
93.77
/ x* q9 y3 W/ R- Q94.33& k7 v3 U% w/ O: S4 b
85.21 108.35& y8 ?$ q' e9 E. Q9 i0 F
106.395 L7 e. |: v9 y6 M0 |5 x% i3 Q5 @% T7 s. k
142.35 d9 s( k& X5 }8 Y, g& b, Y! I
121.910 e3 Y% E/ O0 {! _! I
158.61 71.67
+ B3 p6 I& @& _8 q8 O6 i1 u8 k137.16/ U+ _: t- n6 Z
97.65/ x1 I( O% p2 i. i+ r% Y+ F
171.31/ N& e8 i, q# n% M2 `
204.52 103.25# T7 a+ G; @; t
100
/ {0 q( X6 m% p& O8 X100
' R1 `5 J, t9 z" d4 R% C V99.13
# g$ u4 {% P3 ^* `; t100.22 171.24 c3 z9 d" h. h- w6 |, K
51.35
/ u2 L& G8 y: n! q( G3 W4 U15.90+ \& i, u4 M! w7 W; _
53.72
: n7 x4 x9 g1 J3 O9 N7 F% l' l20.78 ]; 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') |