|
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
7 i5 S$ i) Z6 M0 w) U3 o. N! \
% @; `0 E J5 F. {' 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=[99.894 g N6 D) y- S
103.69
- |% ]" J7 K7 `9 Z) P97.42, x% L- V* B1 e: C! g" e* E ? C
101.11
$ g2 [/ k4 ^. `97.21 96.91
$ p# G P6 x) @( j+ `& K124.78
- f2 h- k2 a9 V66.44
2 N+ R. p( _4 Y; {' Y* `143.96
3 B1 M2 v) m8 ]" [& C1 o5 H/ H88.36 102.63
$ Z! }5 {) M( z% a+ r. K8 x101.85& i) s' Z2 Z Q' e0 B P
104.39
) k5 s& U3 y' o: l4 h! {& J) q& J100.943 h2 o- f5 E- I
100.64 98.47
& C& m! L' O3 e& O. i) H6 l103.16
, R8 d! H7 l; c6 v109.17
1 n2 I; Z; O+ I% [104.39/ Q2 x) F# g9 h# F+ K
91.90 87.510 s/ U1 s3 G' O# j: H
90.27- m4 R: G; f% G0 n
93.77+ G0 V% y/ T3 I; \- c+ P
94.33- I* I7 n# ?) |# w& g
85.21 108.35
+ \6 `4 Y' [ V" O6 `8 m; s1 L106.39
0 c6 N7 S/ e3 @( [9 p4 F- W; X142.354 H% ^7 a" ?( K h i
121.91$ n+ g, ]) j2 \3 \: I
158.61 71.67! c6 N' n" X* u! r
137.16
% d0 d1 `, s0 }$ \( c97.65% l9 H- f$ w1 d+ y. g6 e; h
171.31- c2 D- O' { X
204.52 103.25
1 Z" `' H$ U( k$ v$ L2 ?1 s( A100
8 V* n* Y) X: k% {/ w+ c100# b) g5 y5 j! u* _. [6 u( V
99.13( A5 [0 W% F4 w4 C$ N2 K/ V
100.22 171.2! H8 p6 J9 T- J' n
51.35* t( L- s8 a- ]$ ]1 ` B1 l0 ~
15.90) H/ K% [+ E; y
53.72
: S: N9 U( T; b/ @0 X" e20.78 ]; 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') |