Link16数据链中AHP灰色效能评估模型的应用探析
- 格式:doc
- 大小:13.00 KB
- 文档页数:2
灰色系统理论在环境评估中的应用分析引言:随着环境污染和资源浪费的日益严重,环境评估成为我们认识、改善和保护环境的重要手段之一。
在环境评估过程中,我们需要对各种因素进行全面、准确的分析与评价。
灰色系统理论作为一种新颖的分析方法,具有适用于不确定和不完全信息的特点,逐渐引起环境评估领域的关注与应用。
本文将通过分析灰色系统理论在环境评估中的应用,探讨其优势和局限性,并展望未来的发展。
一、灰色系统理论概述灰色系统理论是由我国科学家陈纳言教授于1982年提出的,是一种处理灰色信息的系统方法。
灰色信息是指知识、数据或信息不完全、不确定的情况下所获得的信息。
灰色系统理论通过数学和统计方法,将灰色信息转化为可分析的模型,从而实现对信息的预测、决策和优化。
灰色系统理论具有简单、快速、灵活、经济等特点,被广泛应用于工程、经济、环境、社会等领域。
二、灰色系统理论在环境评估中的应用1. 环境质量评估环境质量评估是对某一特定环境区域内的污染状况进行全面评估的过程。
灰色系统理论可以有效地处理环境质量评估中存在的不完全信息和不确定性。
通过对已知的环境因素进行建模和分析,可以预测环境变量的发展趋势,评估环境质量的变化情况,并提出预警措施。
例如,在城市环境质量评估中,可以利用灰色系统理论预测空气质量、水质指标等,并为城市管理部门提供决策依据。
2. 环境风险评估环境风险评估是对自然环境或人类活动可能引发的危害和风险进行定量评估的过程。
灰色系统理论可以有效地处理环境风险评估中的不确定性和复杂性。
通过对已知的环境影响因素进行建模和分析,可以预测环境风险的发展趋势,并进行等级评估。
例如,在土壤污染风险评估中,可以利用灰色系统理论分析土壤样本中的有害物质含量、地下水流动速度等因素,评估土壤污染的程度和风险,并制定相应的修复和监控对策。
3. 环境绩效评估环境绩效评估是对某一特定组织、企业或行业在环境保护和可持续发展方面的表现进行评估的过程。
基于灰色关联度和AHP的用户满意度综合评价模型陈伟鹏;柳戌昊;唐宁九;林涛;刘雯晶;彭舰【摘要】针对信息不明确、评价指标关系复杂的产品用户评论,难以对其可用性进行有效综合评价的问题,提出一种灰色关联度和AHP结合的评价模型,并应用到产品可用性研究.模型利用AHP方法确定评价指标的相对权重,增强灰色关联度分析的客观性,以此对产品的用户满意度进行综合评价.通过从不同价位的手机产品所获取的数据集进行对比实验,该模型所推导的满意度评价排名与实际产品销售排名基本一致.此外,实验也证明了灰色关联度分析能更清晰地区分产品间的满意度差异.实验结果证明,在评价信息不完备情况下,该模型也能有效地综合评价产品的用户满意度.%For the issue of less effective usability comprehensive evaluation on users' comments with uncertain information and complex evaluation indexes,a comprehensive evaluation model of users' satisfaction is applied on usability research of production.It integrates gray relational analysis and AHP (Analytic Hierarchy Process),which is used to determine the relative weights of evaluation indexes with the purpuse of enhancing the objectivity of gray relational analysis.With contrast experiment on the datasets of smart mobiles in different price,the satisfaction rank deduced from our model is similar to the actual sales rank.In addition,experiment result shows gray relational analysis can distinguish the satisfaction difference of productions more clearly.Above experiment results illuminate our model can comprehensively and effectively evaluate users' satisfaction of production with incomplete assessment information.【期刊名称】《四川大学学报(自然科学版)》【年(卷),期】2017(054)004【总页数】8页(P713-720)【关键词】满意度评价;可用性;灰色关联度;层次分析法【作者】陈伟鹏;柳戌昊;唐宁九;林涛;刘雯晶;彭舰【作者单位】四川大学计算机学院,成都610065;四川省科技信息研究所,成都610016;四川大学计算机学院,成都610065;四川大学计算机学院,成都610065;四川省科技信息研究所,成都610016;四川大学计算机学院,成都610065【正文语种】中文【中图分类】TP31产品的可用性是用户选择购买商品时需要重点考虑的因素,因此电商为用户购买决策提供了同类产品性能配置相关的对比分析.但从可用性角度来说,这种比较只为用户提供了产品的有效性的参考,而用户更迫切希望了解已购买产品顾客直接的体验和感受.由于逐条查看产品相关的用户评论来了解用户感受实在耗时费力,电商为了方便用户了解产品的使用情况,将产品的各种特点归纳为“印象标签”或者让用户自定义标签.用户可在评价产品的同时对自己满意的“印象标签”点赞,然后统计相应标签的点赞数,将点赞数最高的N个标签情况显示出来供买家参考.图1展示了京东商城对iPhone 6s (A1700) 手机的“买家印象”标签及点赞结果.用户对产品的满意度是影响产品可用性的重要因素[1],它体现用户对其需求或期望被满足的程度.仅靠不同产品印象标签的点赞数和好评度(好评数在全部评论的百分比),并不能准确地反映这些产品的综合满意程度情况,因此,我们需要同时考虑影响产品满意度的多个属性.此外,每个产品所对应的印象标签也不完全相同,特别是各评价指标在用户心中的重要性也有差异,使得印象标签之间的关系复杂.仅以简单累加的标签点赞数进行比较是无法判断产品的优劣,需要一个有效的综合评价模型来评估满意度.传统的综合评价方法可分为主观评价法、基于数据挖掘的客观评价法以及主客观相结合的评价法.主观评价方法如专家评价法相对后两种方法较简单易行,但需要评价者有较高的专业素质,其结果也容易受评价者的主观影响.而基于数据挖掘的客观评价方法,如数据包分析法[2]、主成分分析法[3,4]等,则要求具备海量的有效数据以供分析.主客观相结合的评价方法则兼具了上述两种方法的优点,在减少主观评价方法对专家评价意见的依赖,提高评价客观性的同时,降低了对评价信息源的要求,比较典型的有灰色综合评价法和模糊综合评价法.其中,模糊综合评价已经被广泛应用到可用性研究,如文献[5]利用模糊综合分析法对移动图书馆的可用性指标进行评价,以改善服务质量和效率,提高满意度.而文献[6]则采用基于一个完备的满意度的评价指标体系,模糊综合评价其用户满意程度.文献[7]则通过一个可用性总结性测试的模糊综合评价模型,对产品可用性的基准评价和用户经验进行量化分析.但上述研究都需要保证评价数据信息完整性和明确性,而且如何确定各评价指标间的隶属度,以及模糊综合评价的隶属函数的选取方法和合成算法也没有统一的准则,这使得评价存在不确定性.而灰色综合评价法是基于事物的发展趋势,可从信息的非完备性出发,研究和处理复杂系统,能对不完全、不确定的评价指标集和评价数据进行准确的综合评价[8].目前,灰色综合评价在服务管理、质量监控和金融投资等领域得到广泛应用,例如文献[9]就利用该方法评价汽车销售4S店服务质量,从中找出不足的服务指标.文献[10]则以该方法分析评价用户在房地产方面的需求,为开发商提供决策支持.但目前还没有看到在产品可用性领域应用该方法的相关研究.为此文章提出一个基于灰色关联度分析,结合AHP(Analytic Hierarchy Process)方法的用户满意度综合评价模型.该模型的基本思想是:在评价信息不明确,评价指标关系复杂的情况下,利用AHP方法确定产品各印象标签间的权重分布,并对标签的用户点赞情况进行灰色关联度分析,计算产品的灰色加权关联度,以此评价各产品的满意度.模型还利用灰色关联度矩阵,对比不同产品的各评价指标的满意程度,为用户选择产品提供决策支持.2.1 问题描述令待评价产品集合为P= {p1,p2,…,pm},从P的“买家印象”标签中选取最影响用户满意度的部分共同标签作为评价指标.主要目标是利用结合AHP方法的灰色关联度分析,自动评价产品pm的用户满意度,流程如图2所示.2.2 评价指标归一化处理模型以“印象标签”的点赞数作为输入,从产品pm的印象标签中选择点赞数最多的、共同的前n个标签,构建评价指标集L.为消除评价不同产品评价信息的量纲差异,需对初始评价指标值集合X进行归一化处理,如式(1)所示.i=1,2,3,…,m; j=1,2,3,…,n其中,Lij为第i个产品第j个印象标签的点赞数;Si为第i个产品的用户总点评数量;xij为第i个产品第j个印象标签的评价指标值.2.3 灰色关联度分析灰色关联度分析是对灰色系统的各因素或指标的关联程度进行量化分析,主要是根据序列曲线几何形状的相似程度来判读其联系是否紧密[11].它不仅是一种时序分析方法,还可以拓展到关联度空间的分析.通过对非时间序列指标的关联度分析,可综合评价产品的用户满意度,其基本步骤如下.Step1 从初始评价指标值集合X中确定最优指标值集合X*,如式(2)所示.其中,为第n个指标所对应的集合xin的最大值.利用式(2)和初始矩阵X构建矩阵D,如式(3)所示.其中,xij为第i个产品第j个评价指标值.Step2 由于指标间存在不同的量纲和数量级,需要对原始指标值进行规范化处理.因此矩阵D中的评价指标值无量纲化处理如式(4)所示.其中,xij为第i个指标在矩阵X该列的最小值;xij为第i个指标在矩阵X为该列的最大值.矩阵D经无量纲化后可得到如下矩阵C,如式(5)所示.其中,和cmn分别是和xmn无量纲化处理后结果.Step3 计算灰色关联系数矩阵.各指标对应的灰色关联系数矩阵C中,参考数列为:{c*} = {C10,C20,…,Cn0};比较数列为:{c} = {ci1,ci2,…,cin},其中i=1,2,…,m.第i个产品的第k个评价指标与最优集第k个最优指标的关联系数如式(6)所示.其中,ρ为分辨系数,ρ∈[0,1],一般取值为0.5,该系数能减少极值对计算的影响[11].综上可得影响产品满意度指标相关的灰色关联系数矩阵R,如式(7)所示.其中,ξij表示第i个产品第j个指标与所有产品第j指标的参考指标值C0j的接近程度.若采用最优指标值作为参考数列,则ξij越高,其用户满意度也越高.2.4 基于AHP的评估指标权重计算AHP是一种定性与定量分析相结合的多准则决策方法[12,13],可根据问题的性质和总目标,分解出判断准则,并按照其相互关联影响和隶属关系,构建层次结构模型,最终将系统分析归结为底层决策与目标顶层的相对权值的排序问题.传统的AHP判断准则是由专家以9标度法主观定义其相对权重.实际上,随着条件变化,判断准则的相对权重也随之可能发生改变.由于用户对指标的点赞数量是最直接体现指标的重视程度,本模型把同一产品的相同评价指标的指标值进行累加作为评价指标的标度xik.那么评价指标i、j间的相对重要性可表示为aij= ci/ cj.以aij构建判断矩阵A,如式(8)所示.其中,aij为第i个产品的第j个指标的相对重要性.模型以产品满意度作为顶层目标元素,评价指标(印象标签)作为准则层,自上而下的逐层分析,过程如算法1所示.算法1 AHP逐层分析算法输入:层次数目k,以及对应的判断矩阵A输出:权重向量W步骤:1)ifk=22) 计算矩阵A的最大特征值(λmax)及特征向量(U)3) 归一化{1,2,…,n} 4) 计算层次总排序W2= (w1,w2, …,wn)T5) 检验矩阵A一致性,CR=CI/RI<0.16) else //k<>27) 第k-1层的层次总排序8) 计算k层与k-1层第j各元素的相对权重9) 计算第k层的层次总排序10) End if;11) 计算第k层的一致性指标12) 计算第k层的随机一致性指标计算第k层的一致性比率CRk=(CIk/RIk)若CRk<0.1,则矩阵A满足一致性要求,W为所求;否则需要调整矩阵A,重新计算WAHP方法计算出的层次总排序W为实际各评价指标的相对权重排序,作为调整各评价指标相互作用的权向量.2.5 灰色满意度综合评价式(7)的灰色关联度矩阵的ξij是与第j个指标值集合的最优指标值的关联度,是一个单因素的评价,但指标值集合X的各评价指标的重要性并不相同,需要一个与指标集对应的权重向量W= {w1,w2,…,wk},来调整各产品的综合评价结果,计算出灰色加权关联度系数向量B(如式(8)),以推断出各产品的满意度综合排序.其中,W为模型利用AHP方法确定的各准则的相对权重向量.3.1 灰色综合评价指标的选择实验以智能手机作为评估对象,评价数据来自京东商城.从商城的手机产品的“买家印象”标签中,选取用户最为关注的,与手机可用性相关的6个属性特征作为评价指标集L= {L1, L2, L3, L4, L5,L6},如表1所示:3.2 实验数据集当前手机种类繁多,难以统一的软硬件配置标准评价其用户满意度.因此本模型以价格为评价标准,衡量产品的用户满意度.为了使手机的满意度评价更具有代表性,选取国内手机市场主流的两个国内品牌(小米、华为)和两个国外品牌(苹果、三星)作为评价目标.以这四个品牌四个价位(1000元、2000元、3000元及4000元)的用户点评总数最多的手机型号作为评价对象,将其点评信息作为灰色综合评价的数据集X,如表2所示(收集于2016年8月).其中“月销售”是从天猫商城中获取每款手机的月销售量,作为手机满意度的验证集合,以便与灰色综合评价方法得到的评估结果进行比较.表2中,苹果并没有推出约1000元系列的低价格手机,所以iPhone在该价格区间没有任何评论.由于千元机硬件配置相对精简,L5受硬件限制较大,被用户所忽略,所以没有相关评论.此外,在4000元价格区域,偏向低价的小米也没有相应的手机产品,所以也没有相应的用户评论.4.1 灰色关联度实验分析灰色关联度分析数据集X,得到1000~4000元价格不同手机的各指标的满意度结果.用户根据购买手机的心理价位后,按照偏爱的评价指标,对比其在不同手机的满意度情况,择优选择.如图3中,小米手机在千元价格区间的各个指标的满意度都非常突出,因此用户购买小米note3后参与点评的人数是最多,支持率也是最高的.如图4中,三星A7108各项指标的满意度有大幅度提高,特别是通话质量、分辨率.而同价位的小米5标准版在其他4项指标有极高的满意度.这说明在2000元这个中低价格区间,小米和三星的满意度最高.当价格上升到3000元或者4000元,用户更看重手机软硬件配置对性能的提升.由于华为的软硬件设计能力超过其他国内厂家,成本控制又优于国外厂家,这使得各项评价指标的满意度最高,如图5、图6所示.而表2的市场销售数据也很好的反映了这一点.对表2数据进行灰色关联度分析,可知手机的每项指标与对应的最优指标的接近程度,为用户比较某项手机的属性特征提供参考.但如何综合评价出手机整体满意度,还需要考虑手机各指标间的实际权重分布,计算相关的灰色加权关联度来实现.4.2 AHP方法确定产品主要指标相对权重在不同价位,用户对手机各指标的重视程度存在差异,专家的主观判断难以准确定义其相对权重.为此,使用指标的实际点评数与总点评数的比值,代替以专家定义,利用AHP方法分别确定不同价位的手机各指标的相对权重.图7位模型所构建满意度评价的层次结构模型.根据2.1所介绍的AHP评价指标相对权重计算方法,确定不同价位各厂家手机主要指标的相对权重如表3所示.在低价位的千元机系列,用户最关注的是手机的外观L2和功能L3.而其他性能相关的特点则重视程度较低,尤其是与硬件配置相关的系统流畅程度L1基本被忽略,但在其他价位时L1却是用户最关心.此外,L2在所有价位都有较高的权重排序,说明L2是用户普遍重视的评价指标.而指标L3会随着手机价格上升,其权重排序反而降低.这是因为高价位手机的功能都比较全,能满足用户需要,所以用户在购机时就不重视这一指标.由此可见,在不同的价格下,用户所重点关注的手机特点也不一样,因而指标所对应的相对权重也会有所变化.传统的专家根据主观经验确定指标权重的方式,难以准确反映实际情况.而利用AHP方法评价指标实际的点赞数,以确定指标相对权重,其结果更客观体现指标在用户心中的重要程度.4.3 满意度综合评价分析通过计算不同价格各品牌手机的灰色加权关联系数矩阵,可得到满意度的变化情况.图8中,小米1000~2000元手机的用户满意度最高.但随价格上升,小米手机的用户满意度却逐步降低,这说明其价格优势主要体现在低端产品市场.而华为手机的满意度情况刚好相反,其3000~4000元手机的满意度都是最高的.上述结论均与表2中的实际市场销售情况一致.为了比较验证满意度的灰色综合评价模型的有效性,同样根据表2和表3的数据,利用文献[14]提出的模糊评价结合AHP分析的评价方法,发现其结果(如图9所示)与本模型的结果有较大的区别.图9中,手机间的模糊隶属度非常接近,这使得手机的满意度评价结果分辨率很低,图8则相反.因为手机的实际销售情况同样其用户满意程度的好坏,为此将手机的月销售量(如表2所示)与上述两个结果同时进行比较分析.为增强数据的客观性和独立性,表2的手机月销售量情况是在相同时间于另一电商(天猫商城)中获取.由表4的比较发现以模糊综合评价得出的各个价格区域的手机满意度排名和实际销售排名相去甚远,而本模型评价的结果则非常接近.这是因为构建模糊评判矩阵时还需对矩阵内的隶属度系数再进行统一的规范化处理.而原来的初始评价指标值已经较小,这样会导致各隶属度系数值过于接近,使得评价结果的分辨率很低.此外模糊综合评价的隶属函数的确定也没有统一标准,如何选择合适的隶属函数需要非常专业的分析.而本模型评价的满意度排序结果与实际销售情况基本一致.主要差别在,与2000元和4000元区域两个外国品牌苹果和三星的排名有所不同,尤其是苹果.针对产品评论中信息不明确、可用性评价指标之间关系复杂模糊,难以准确的综合评价产品的用户满意度的现状,提出利用灰色关联度分析和AHP结合的产品用户满意度评估模型,并应用到京东商城1000~4000元不同价位的手机的满意度评价.实验在利用AHP方法分析确定不同价格区间手机评价指标的相对权重时,证实在不同价位,用户对手机评价的指标的重视程度存在差异,用户在关注手机的特点时,也会因价格的不同而发生改变.实验最后还通过不同价位手机的月销量排序和由本模型得到满意度排序进行对比,发现两者的结果基本一致,也证明本文提出的综合评价方法是有效的.由于文章是以价格作为评价维度,对产品具体的“可见”指标进行用户满意度的分析评价,但并没有考虑到品牌所带来的“无形”效应对用户满意度的影响.此缺失在评价具有良好的品牌美誉度而有较高溢价的手机(特别是苹果手机)时尤为明显,使得该手机的用户满意度评价值偏低.但如何确定品牌这一“无形”的评价指标在指标集中的权重分布仍需作进一步的研究.【相关文献】[1] Nielsen J. Usability Engineering [M]. San Francisco: Morgan Kaufmann, 1993.[2] Li Y, Yang M, Chen Y,etal. Allocating a fixed cost based on data envelopment analysis and satisfaction degree[J]. Omega, 2013, 41: 55.[3] Jakubus M, Graczyk M. Evaluation of the usability of single extractors in chemical analysis of composts using principal component analysis[J]. Biometrical Lett, 2015, 52: 115.[4] Ferrari P A, Manzi G. Nonlinear principal component analysis as a tool for the evaluation of customer satisfaction[J]. QTQM, 2010, 7: 117.[5] 袁静, 陆阳平. 基于模糊综合评价法的移动图书馆可用性评价研究[J]. 图书馆工作与研究, 2016,1: 35.[6] Li X, Gu Y J. Fuzzy Comprehensive Evaluation Model of Customer Satisfaction Degree[C]// Proceedings of International Conference on E-Business and E-Government. Guangzhou, China: ICEE, 2010.[7] Zhou R. How to quantify user experience: fuzzy comprehensive evaluation model based on summative usability testing[C]//Proceedings of International Conference on Usability and Internationalization. Berlin: Springer-Verlag, 2007.[8] 邓聚龙. 灰色系统气质理论[M]. 北京: 科学出版社, 2014.[9] Cenglin Y. Application of gray relational analysis method in comprehensive evaluation on the customer satisfaction of automobile 4S enterprises[J]. Phys Procedia, 2012, 33: 1184.[10] Liu X, Chen B. Based on gray comprehensive evaluation method of real estate[J]. ERM, 2011, 1: 189.[11] 东亚斌, 段志善. 灰色关联度分辨系数的一种新的确定方法[J]. 西安建筑科技大学学报:自然科学版, 2008, 40: 589.[12] Saaty T L. Decision making with the analytic hierarchy process[J]. Int J Serv Sci, 2008, 1: 83.[13] 尹兰,程飞,任亚峰. 基于复杂网络重叠社团发现的微博话题检测[J]. 四川大学学报:自然科学版, 2016, 53: 1233.[14] Liu L, Jia S, Zhou L,etal. Evaluation of geological hazard susceptibility based on ahp and fuzzy comprehensive evaluation in zhongwu pipeline[C]//Proceedings of International Conference on Pipelines and Trenchless Technology. Xiamen,China: ICPTT, 2015.。
《基于AHP和灰色关联度法的B企业财务绩效研究》篇一一、引言在现今的经济环境中,企业财务绩效是衡量企业经营成效和价值创造的关键指标。
如何准确、全面地评估企业财务绩效,一直是学术界和企业界关注的焦点。
本研究采用层次分析法(AHP)和灰色关联度法,对B企业的财务绩效进行深入研究。
通过综合分析,旨在为B企业提供科学的决策支持,同时也为同行业其他企业提供参考。
二、研究背景及意义随着市场经济的不断发展,企业财务绩效的评估方法也在不断更新和完善。
AHP和灰色关联度法作为两种有效的分析工具,被广泛应用于各行业的绩效评估中。
本研究通过结合这两种方法,对B企业财务绩效进行综合评估,不仅可以提高评估的准确性和全面性,还能为B企业的决策提供科学依据。
同时,本研究的结果也可以为同行业其他企业提供参考,推动行业整体发展。
三、研究方法1. 层次分析法(AHP)层次分析法是一种定性和定量相结合的、系统化的、层次化的分析方法。
本研究中,我们通过构建B企业财务绩效评估的层次结构模型,确定各指标的权重,从而对B企业的财务绩效进行评估。
2. 灰色关联度法灰色关联度法是一种用于分析因素间关联程度的方法。
在本研究中,我们利用灰色关联度法对B企业财务指标进行关联性分析,以揭示各指标之间的内在联系和影响程度。
四、B企业财务绩效评估1. 指标体系构建根据B企业的实际情况,我们构建了包括盈利能力、营运能力、偿债能力、成长能力四个方面的财务绩效评估指标体系。
2. AHP权重确定通过AHP分析,我们确定了各指标的权重。
其中,盈利能力指标权重最高,其次是营运能力、偿债能力和成长能力。
这表明在B企业的财务绩效评估中,盈利能力是最重要的指标。
3. 灰色关联度分析利用灰色关联度法,我们对B企业各财务指标进行关联性分析。
结果表明,各指标之间存在一定的关联性,其中某些指标的关联程度较高。
这表明在评估B企业财务绩效时,需要综合考虑各指标的相互影响。
五、结果与讨论1. 结果分析根据AHP和灰色关联度法的分析结果,我们对B企业的财务绩效进行了综合评估。
灰色层次综合评价法在风险投资项目评估中的应用作者:刘湘臣来源:《现代经济信息》2012年第02期摘要:本文对风险投资项目评估中经常运用到的多层次分析法(AHP)进行了改进,区分了系统风险和非系统风险,同时增加了收益衡量指标,再结合灰色关联分析,使整个风险投资项目评估体系更加客观和科学。
关键词:风险投资评估;AHP;灰色关联度分析中图分类号:F830.59 文献标识码:A 文章编号:1001-828X(2012)01-00-02一、引言风险投资成为推动现代高新技术产业发展的重要力量。
高新技术产业的“高风险、高收益”属性决定了风投企业必须对各项目进行筛选与评估,而这又是一项复杂的系统工程,如何建立一套科学的、系统的、实用的评估体系,从风险投资形成之初就已被国内外学者深入地研究。
目前在风险投资实务界,被广泛应用的一种评估体系是层次分析法(AHP),它把多个目标采用定性与定量相结合的方法进行决策分析。
然而,在风险投资过程中,风险投资企业与风险企业处于信息不对称地位,这就使整个投资项目的指标信息处于“部分确知,部分不确知的状态”,具有很高的灰色性,也就是说许多评估变量的内涵具有不确定性,而对于这类变量的处理采用“灰色系统型”处理,比采用“模糊型”处理更准确。
因此,根据以上特点,本文选用“灰色系统理论”结合"AHP"构造“灰色层次综合评价法”来进行风险投资项目的评估决策。
二、相关文献综述:AHP(Analytical Hierarchy Process)模型即层次分析法,是美国匹兹堡大学学者ThomasL.Saaty于上世纪七十年代中期提出的。
该方法首先建立从上至下的因果层次关系,然后通过相同层次的相关因素间两两横向比较,再通过不同层次间的纵向比较,最终来确定方案的优劣。
层次分析法主要是针对多个决策方案,通过相互比较,确定优劣。
灰色系统理论,是我国学者邓聚龙教授创立的一种研究“小样本,贫信息”系统的理论,其中的灰色关联分析是根据各因素变化曲线几何形状的相似程度,来判断因素之间关联程度的方法。
《基于AHP和灰色关联度法的B企业财务绩效研究》一、引言随着市场竞争的日益激烈,企业财务绩效的评估与提升已成为企业持续发展的重要课题。
本文以B企业为研究对象,采用层次分析法(AHP)和灰色关联度法,对B企业的财务绩效进行深入分析,以期为企业财务管理及决策提供有益的参考。
二、研究背景与意义B企业作为市场上的重要参与者,其财务绩效的优劣直接关系到企业的生存与发展。
当前,企业财务绩效评估方法众多,但各种方法往往侧重于某一方面的指标或数据,难以全面反映企业的综合财务状况。
因此,本文采用AHP和灰色关联度法,对B 企业的财务绩效进行综合评估,旨在为企业的财务管理和决策提供科学、客观的依据。
三、研究方法与数据来源(一)研究方法1. 层次分析法(AHP):通过构建财务绩效评估指标体系,将复杂的决策问题分解为多个层次和因素,对各因素进行定性和定量分析,从而得出各因素的重要程度。
2. 灰色关联度法:运用灰色系统理论,通过计算各因素之间的关联度,分析各因素对财务绩效的影响程度。
(二)数据来源本文数据主要来源于B企业近几年的财务报表、相关统计数据及企业内部管理资料。
四、B企业财务绩效评估指标体系构建(一)指标体系构建原则1. 科学性原则:指标体系应具有科学性和合理性,能够客观反映企业的财务状况。
2. 综合性原则:指标体系应涵盖企业的各个方面,包括盈利能力、营运能力、偿债能力、成长能力等。
3. 可操作性原则:指标体系应具有可操作性,数据易于获取和计算。
(二)指标体系构建根据上述原则,本文构建了包括盈利能力、营运能力、偿债能力、成长能力四个方面的财务绩效评估指标体系。
其中,盈利能力包括净资产收益率、总资产收益率等;营运能力包括存货周转率、应收账款周转率等;偿债能力包括流动比率、速动比率等;成长能力包括营业收入增长率、净利润增长率等。
五、基于AHP的B企业财务绩效分析(一)判断矩阵构建根据专家打分法,构建各指标之间的判断矩阵,确定各指标的权重。
基于AHP法的课程教学效果灰色聚类综合评价模型于艳红【摘要】摘要:针对教学评价中存在的主观性等问题,笔者依据灰色聚类分析原理,提供一种综合评价方法,使得评价过程客观公正,减少了评价中的主观因素.首先,利用建立评价指标体系,并利用AHP法确定各指标的权重系数,以此作为灰色聚类权;其次,利用统一标准确定白化值,以此建立白化函数;最后计算聚类向量,形成综合评价模型.通过结合实例进行综合评价,表明利用该模型可得到较客观、可靠的教学评价.【期刊名称】山东师范大学学报(自然科学版)【年(卷),期】2015(000)003【总页数】4【关键词】课程教学效果; AHP法;灰色聚类分析;评价模型1 引言正确评价教学效果、真实反应教师的教学水平、学生的接受水平以及教学对学生产生的效果是一项极其复杂的工作.在实际操作中,由于人们对事物的看法及认识不同,从而在教学评价中对评价对象的判断存在一定差异,导致评价结果与实际情况存在偏差[1].因此,设计科学、合理的评价方法,尽量减少人为的判断失误,是教学评价研究中一个亟待解决的问题.目前对教学评价的常用方法有因子分析法、模糊评价法、BP神经网络法、层次分析法等[2-5].这些方法有一定科学性,但受人的主观影响较大.本文运用灰色聚类分析法,通过改进聚类权重和白化值的确定方式,提出基于灰色聚类层次分析法的教学效果评价方法.2 评价指标体系本文的评价指标体系来源于文献[6],并经过适当改动.主要包括1个一级指标教学效果,3个二级指标,教师教学过程、辅助教学手段和学生学习状况,以及若干三级指标.评价指标体系如图1所示.3 灰色聚类层次分析法灰色聚类法是建立在以灰数的白化函数生成为基础的一种多维灰色评估方法,它将聚类对象针对不同聚类指标所拥有的白化数,按照若干灰分类进行归纳,从而判断出聚类对象所属的灰类[7].在灰色聚类分析中,最重要的步骤是确定白化值和聚类权.在传统的灰色聚类分析中,聚类权由白化值来确定的,虽然这样在确定聚类权时能够最大程度的避免人为主观因素干扰,但白化值的选择对结果的准确性影响较大.然而目前白化值的确定并没有统一方法,所以,本文采用层次分析法来确定聚类权.虽然层次分析法仍为一种主观确定权重的方法,但其科学性和适用性已经过长期实践的检验,无疑是一种好的方法.同时,对白化权值的确定采用统一的标准,尽量将人为影响降到最低.3.1 评价过程教学质量的灰色聚类层次评价过程如图2所示.3.2 灰色聚类对象与聚类权的确定采用N种方案作为灰色聚类对象,并以Cj(j=1,2,…,11)作为评价指标,以各指标的评价分数(10分制)进行度量,建立如下评价指标矩阵D:(1)式中,i为评价对象序号,i∈{1,2,…,N};j为评价指标序号,j∈{1,2,…,11}.聚类系数用层次分析法确定,其具体步骤如下:1) 采用专家打分法来确定各级指标的相对重要度,并以9标度法表示,其结果如表1-4.2) 利用仿真软件matlab计算各判断矩阵的最大特征值λm ax分别为3,4.021,3.009和4.046,利用公式及计算出各判断矩阵的随机一致性比率CR分别为0,0.008,0.008和0.017,均满足CR<0.1的一致性判断条件,因此以上各判断矩阵均具有较好的一致性.对各判断矩阵的特征向量进行标准化后得到各级指标的权重:A=(a1,a2,a3)=(0.297,0.163,0.540),(2)B1=(b1,b2,b3,b4)=(0.392,0.320,0.144,0.144),(3)B2=(b5,b6,b7)=(0.297,0.540,0.163),(4)B3=(b8,b9,b10,b11)=(0.148,0.231,0.195,0.426).(5)3.3 确定灰类和白化值本文将教学质量综合评价分为4个等级:优、良、中、差.取灰类数为4,k=1,2,3,4分别代表综合评价的4个等级.对评价指标的分数求平均值μj,定义μj+1.5,μj+0.5,μj-0.5,μj-1.5分别作为综合评价4个等级的白化值,记为λjk,k=1,2,3,4,白化值λjk组成的矩阵λ的计算结果表示为:(6)3.4 灰类的白化权函数和聚类向量用分段函数来表示教学效果评价指标的白化权函数,用以描述该指标的灰数对其临界值的权重程度.记为第j个聚类指标对第k子类的白化权函数,其形式如下:(7)(8)(9)(10)将dij代入白化权函数中,由(11)式计算各子类的灰色聚类系数,并组合成聚类系数向量,如式(12).(11)(12)令评价对象所属灰类为k*,求得为计算聚类对象的综合评价等级.4 案例分析根据问卷调查结果,以下5门课的打分如表5所示(10分制).通过上述方法,计算结果如表6.从结果中可以看出,5门课程中无一门评价为优秀,课程IV的评价为差.从课程IV的得分情况来看,辅助教学手段类指标与学生学习状况的前3项指标(出勤率、考试成绩、试验成绩)均最高,但动手能力一项最低,而这项的权重指标相当高(b11=0.426,a3=0.540),最终导致了该课程综合评价最低.然而,对比该课程聚类系数向量的其它等级数据,其中优类等级的聚类系数为0.3018,说明该课程成为“优类”的潜力很大.笔者曾尝试将课程IV的动手能力一项分数改为3,运算结果该课程就为“优”.针对其它课程的评价结果分析类似,这里不再详述.5 结语1) 通过对课程的实例测评,可以看出利用基于AHP的灰色聚类法能对影响教学质量的各种因素进行综合考虑,进而能够较好地避免个人的主观判断,以保证评价结果的客观公正性.本文所提供的方法还可利用计算机编制成软件,进而可方便进一步推广应用.2) 在分析评价结果时,除关注本方法得出的评价结果外,还应重点考察各种可能出现的结果,即分析聚类系数向量中的“次大”类.对其未达到“最大”的原因作进一步分析,这样可以为决策提供更为丰富的参考信息.3) 本方法的重点在于聚类权重的确定,该步骤也是受人为因素影响最大的一个环节.因此,如何合理的确定聚类权重,进而保证评价结果的公正合理,应作为今后进一步研究的重点方向[8].6 参考文献:[1] 张素梅. 基于AHP法的教师教学质量模糊综合评价[J]. 高等理科教育,2009,2: 51-55.[2] 李国安,李卫华. 因子分析法在简易评价教师课程教学效果中的应用[J]. 数学的实践与认识,2006,36 (3): 79-83.[3] 解学祖. 教学质量评估的统计分析法[J]. 数理统计与管理,2001,20 (3): 54-59.[4] 杨萍. AHP法在评价教师课堂教学中的应用[J]. 数学的实践与认识,2004,34 (2): 32-34.[5] 彭志捌,尹雪莲. 基于BP神经网络的教学质量评价模型[J]. 安徽建筑工业学院学报,2009,17 (6): 110-113.[6] 孙玉荣,彭金波. 基于AHP的课堂教学效果评价指标体系研究[J]. 湖南工业大学学报,2010,24 (5): 86-88.[7] 易德生,郭萍. 灰色理论论与方法[M]. 北京:石油工业出版社,1992:221-235.[8] 于艳红,于艳春.基于AHP法的沥青路面破损状况灰色聚类综合评价模型[J]. 内蒙古农业大学学报:自然科学版,2012,2:155-158.doi:10.3969/j.issn.1001-4748.2015.03.016。
Link16数据链中AHP灰色效能评估模型的应用探析
作者:唐军
来源:《中国新通信》2015年第07期
【摘要】 Link16是一种保障指挥以及信息交互的通讯平台,在军事领域应用是为了更好的协调各个兵种之间的通信、导航、识别等能力,面对多兵种作战提供重要的信息平台,可以满足多址访问,且容量大抗干扰,可以保障系统加密的效果,是目前一种较为先进的数据链。
下面就对其通讯能力的评估提供一种AHP模式,综合性的判定系统构建的效果。
【关键词】 Link16 层次分析灰色评价实例分析
一、Link16数据链系统特点
Link 16是美军现役的最为先进的数据链系统,它工作在960-1215MHz的UHF频段的Lx 波段,采用TDMA工作方式,支持高速跳频与直接序列扩频,具有很强的抗干扰能力;支持层叠网使用方式,网络用户容量大,网络信息速率高;支持信息加密与传输加密,系统安全性高;采用无中心组网模式,网络抗毁性强。
正因为Link 16具备上述优点,它被广泛装备于美军各类武器平台中。
二、Link16数据链系统评价标准
1.系统生存能力:这个指标是一个全局性的通信评价,评价该系统在通讯中可以抗干扰、破坏、截获等能力,系统必须保证安全可靠,并提供足够的频率为通信做好保障。
2.协作能力:即各个指挥单元之间必须实现相互协调和通信畅通,各种战术战斗单位之间必须形成互通。
一个通信系统必须满足这样的功能吗,具备良好的电磁频谱的兼容性。
3.适应性:数据链系统必须可以很好的适应部队需求,对作战过程中的通讯做出保障。
必须提供作战平台的连通和充足的数据容量,保障多功能电路并提供相对安全的隔离区。
4.可靠性:即保证通信过程中的各种安全性需求,同时可以稳定的工作,保证多个节点的连通度,网络以及通信的成功率等。
三、针对效能评估的AHP模型构建
1、确定评价层次。
按照AHP的原理,将效能评价体系设置为三层,最高层,中间层,基本层。
而中间层和基本层的各项指标为一级和二级指标,并形成集合。
2、对权重系统设置。
利用层次分析的方式,获得一个准则下的任意元素,并形成两个矩阵,采用AHP的根法进行
求解,最大的特征就是对应的特性向量,并将之归一化,作为标准权重的排序。
3、制定分数标准,评价指标一般为定性的指标,需要对其进行转化形成定量指标,定性和定量之间的转换必须通过制定分级等级来实现。
4、建立样本矩阵,根据评价的结果,即多个评价者的分数获得一个完整样本评价矩阵。
5、确定灰类,评价中能的灰类确定就是对灰类的等级进行确定,灰类的数量以及灰类的白化函数。
可以根据实际评价的系统来确定相关参数,设定评价爱灰类的序号并形成集合。
6、计算灰色评价的系数,对于评价指标而言某个评价指标将属于一个灰色评价数,即为灰色评价系数,在实际的计算中可以利用公式进行计算,从而获得评价系数。
如果某个评价系数属于各个评价灰类,也可利用公式完成计算。
7、灰色评价向量以及评价矩阵的构建,利用评价阶数进行分析,如果某个评价系数属于中间层和基本层,获得向量的综合后,可以获得对其评价的系统,其指标可以综合成为一个灰色评价矩阵。
8、对矩阵进行综合评价,对某个评价系数进行综合评价,将结果进行分析。
最后对综合评价值进行逐一计算并排列。
四、实例分析
1、指标构建。
在实际的案例分析中,建立一个要素集合,即Link16系数效能E为生存能力、可靠性、协调性、适应性;生存能力包括网络性能、保密性、节点连通;可靠性则包括成功率、连通性、节点连通性能;协调性包括频率、多元协调、平台融合;适应性包括容量、多网构建、多元功能。
按照这样的思路形成一个多元的评价层次。
2、计算分析。