|
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 ; t; f: ^+ D) h, w
/ P( j: ?0 o; C3 `6 \4 S9 Z. o+ p/ l; x0 ^# t
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
- t$ @! ^) q1 F! q103.69
) H: g! D- \2 O: }97.42# g' s G* u7 g- M
101.11! ]. c5 Y, o, u+ i- x5 F
97.21 96.91
& I0 C# q* p! k124.78% k" N% T/ _) W( b8 j
66.44
( _2 [, `6 Z" r/ Q9 N; Q' ?143.963 K9 k3 ]/ s5 v# C
88.36 102.63
$ D- |8 J, p1 j+ a: a) S' w101.85- w2 X6 ]0 ?5 w4 }; b
104.39' D" w, d7 l2 |4 f M4 b7 F% t
100.946 q# B4 A* X' |
100.64 98.470 K/ {! e8 ?5 e( ?
103.16
+ f. i/ ]& n- Z& P8 p109.172 }, \- Y% u3 K0 l3 |9 p
104.39" O7 Y( \( r0 b8 H2 `2 i
91.90 87.518 K6 I! E9 |$ O; e! s1 z4 f
90.278 j( j; j% y" ]- @7 `* ~& h# W
93.77
7 [- [6 l/ K9 u9 D94.33+ ]" v: Q9 i* {+ ?) U K* A% O
85.21 108.35
. a, A9 N Z/ R3 i, h0 x, {106.39 ~: Q/ `8 N" l
142.35
, T1 G9 P, |2 r7 P1 X. \! F121.91& V2 g7 s: N; Z* [& `; u2 @
158.61 71.676 K9 F7 `% o" V- S# w+ L& N
137.16% V. o! d7 e4 Q4 c& ~$ [3 q
97.65
+ S6 s$ t; @4 ?! B2 B+ `$ O, J171.313 ~ @6 @( V0 H$ c% C
204.52 103.25
) n% \* u' [5 H; ~* I100
- m7 A; _, y5 `100
- `5 O( o) J; K- o& {99.13
9 m4 T5 P2 `6 r4 e! u, S1 Z100.22 171.2
: g7 I4 M1 r& T* S: H% K. A2 M' R51.35
1 D2 ^, L% E5 j. \% G15.90- z+ _6 ^" J$ i3 l2 e8 ^5 j* q$ f
53.72$ H9 C* B0 V* F2 S% @
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') |