|
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
0 O2 Y0 ^) u) ]2 o0 K; e( | P" H7 E% C1 m) E
3 W9 k: h; {: k% E- H) I m7 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
_; a- Y: |; s% X103.69: h7 l# L) _9 [
97.427 }7 f, n' j0 ]. i! [) d/ o
101.11
, w) Z- R" g3 Q1 p97.21 96.91
7 k+ f# [* l' K' h124.78
9 n6 Z; _' K d/ k4 d+ C8 \$ p66.441 s4 [: b8 r6 U5 k% r$ H
143.96
8 v6 w5 z, j* N9 U2 B3 n8 d6 b88.36 102.63
' p5 H0 y) _: r( Y6 A) H. o: p101.85
( X% j+ z, `' H9 G- R0 r( x104.399 ?& G6 z- V5 T+ C
100.94* M) j% t5 @2 A+ }# G
100.64 98.472 K' D& s& j' E+ g( i6 a5 ^" Q4 N
103.168 K- G. h1 f2 b# C
109.17) @5 h( b2 S% s) X4 p* c
104.392 _) c; j! C2 @7 e* t' O
91.90 87.51% T$ [6 d. o( j4 W1 f
90.27 y1 H& M. m2 P! j/ C' C
93.777 \1 C$ n. c4 R: N# A! D6 p
94.33
# \% M( ~8 t2 h4 A. S85.21 108.35' s: U9 w% w1 Z! y4 {" D
106.39
0 |8 p3 s# i5 U- F8 F: ]142.35# D) ?' P% m, J/ ^7 B6 a" L
121.913 n- p" G6 l' Y- s! r- g) l( l- @4 b
158.61 71.67
7 [6 h% N4 X) q* K2 F6 {( ]6 I& P137.16/ y; h8 U2 ?: @( G8 H
97.65
7 t: n" A) G# ~ \# V) {9 V- o171.318 r& r8 M, T* G8 @; Z2 \
204.52 103.254 E1 d- t0 u/ Q1 S
100- l0 f* t+ z* K! s
1000 R F" T/ y4 R- |# J& Y; a
99.136 Q2 O* ~3 c! l6 D
100.22 171.2
5 P. E7 s8 y- o8 j51.35' U1 i q, I; Q0 F. t) {9 U0 q8 s7 F
15.90( y$ }/ j* W+ H7 E& Q) o
53.721 u9 s3 V6 t# O. c1 q
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') |