|
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 3 y( J8 d# C9 t- e
3 j: w* P. M% b+ w ?% T+ @7 u/ ]- m. C. H
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" z8 u- {5 |% \+ D
103.69
% `; V4 ?! T2 p8 i B+ y- \97.42( \1 X, |/ l* _ o5 S# v
101.11& t# L- ~) p" @- D, \) I: S
97.21 96.91
, Q9 T+ i( K. D124.78
, t3 }9 J, `. }4 `4 b; J" ^66.44
* Z& u4 Z ] q- X+ d) u143.96# C( Y4 c9 ^# ?# `9 t2 \: j
88.36 102.63
& g h+ Z% M6 a K7 U7 }2 {101.85
$ O9 {+ R; h2 L# `104.39
# q" W8 Z6 ]- b' |$ n100.94
2 b! w1 m5 c7 T# J# B7 n |100.64 98.47; L' G; Y+ u `" B# Y/ e
103.16
8 e$ k4 x% x& i2 l2 B( x109.17% l5 y" S4 H/ i7 }( p
104.39- [6 M0 T- Q/ r7 E. w
91.90 87.51
4 F- E; d. o; H- Z+ C90.27
% y @- w" A! O6 _! C9 ~0 h93.771 Q# W7 C5 L4 a0 q/ N0 S
94.33
& G* J$ k. p' F" `6 ] P85.21 108.35) v% j4 R' A# ?8 ]5 R" n
106.39& Z. Q% g# F9 E/ A; X
142.35
9 {7 l& Z; b6 K! ^121.91
" c, G0 u$ K: `1 Q d' g158.61 71.67
% b* D3 O0 h" x- [4 V5 t4 E137.16
1 T* F3 \4 V9 v3 d97.653 O; j+ l; t. I, X3 ?
171.31# [8 @! H# z& ~: c- o
204.52 103.25
/ G2 q! x% X' r: j8 n r0 ^100
$ V- Z6 O4 @0 D( C; b100& Z& U+ l+ M6 D) u1 }3 n$ n
99.13& Q/ ?2 w. U( q" p) M. p
100.22 171.27 d& `5 O) g/ A3 ~9 W( s! ^
51.35/ u! y* {' F4 M! y! }5 s
15.901 ?6 i% W5 s; w# F( r0 [
53.72
% S$ U. w0 Z9 n* K( T4 U, R20.78 ]; 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') |