|
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
4 w# k0 g: o S% ^8 x% E5 w% U/ j1 w, p0 C8 Y
9 w& W# f, |* R& h+ h! P
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
; l5 F. q* Z( ]& C( N/ T2 g8 [' h& D! ]103.69; ]1 E& d" l3 G2 [7 E3 H' @5 A! b
97.42& G0 R6 k; C; o# r
101.11
7 h( f; G. g: U2 \$ O+ R' w5 v, a T97.21 96.91
- g- b$ Z4 G, W# P124.786 K0 x7 g( R) \+ B0 |# u$ y3 N1 d5 S
66.44
( R1 p; e3 x* t( Q/ C, V8 H* n. p143.96
9 u. X# F1 {+ s2 d7 F% p88.36 102.63* G- e- ?/ [+ I- r- t, v
101.85
+ b n* c* l; Y" ]3 w104.39. y& Z* x! L3 v
100.94( \% O( c7 G, Z/ K: u. B
100.64 98.478 ^ p/ @% ^. O
103.16$ _% @* g6 X4 j( A4 m7 B* \
109.17% E6 w: m1 K9 U8 V0 l. Y
104.39
$ }; ^1 Q) Z, J91.90 87.51% [! P( r S5 x3 x8 x3 q
90.279 J/ N6 @: O- N+ \
93.77
- \" E/ W% w& d% ~: R8 k* m94.33
, d" q4 m6 y! |3 q3 j1 B& O85.21 108.35
7 N8 y( ]& _# r) a106.39- j# a! A+ |9 [! J! J- v& ^
142.35) z0 p: Q: [% h E: q" ?
121.91
; R' S8 Q, y! t; i2 b158.61 71.67
0 ^7 a( S8 L) v137.16
+ D! T# q. n3 y$ z3 _% r6 C97.65, n. X# E9 q3 L3 w( L' b, J5 |
171.31
, D3 Q r/ w) }3 b+ I' L5 {204.52 103.25
7 r2 y) ?9 g* ^: E0 K100
" R; p0 Z9 n: n4 y* ^( r, Y100
# j* z& d4 J! E2 e99.139 g s2 b7 }, R/ p+ `
100.22 171.2
1 [- E( Z+ h, w9 O3 ?' l4 M51.355 x3 f# y+ S1 ]; B n2 x* q
15.90* Q& [7 Z/ A. n+ H* u) d
53.721 a& B: Y; f3 N0 Y. C d; i& R8 e
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') |