动态压力指数（精选5篇）
动态压力指数 篇1
粮食是具有战略意义和广泛社会属性的特殊商品,是人类最基本的生存必须品,既是生活资料,又是生产资料,有着无可比拟的政治社会意义[1]。确保粮食安全不仅关系到社会安定、国家安全、也关系到国民经济的稳定、健康发展[2]。粮食安全的概念最初是在20世纪70年代中期粮食危机中由世界粮农组织FAO界定的,其定义为“保证任何人在任何时候都能够得到为了生存和健康所需要的足够食品”,粮食安全包括粮食的产能安全、粮食的市场安全和粮食的消费安全[3]。本文将从粮食产能安全的角度分析1949-2008年云南人口、粮食、耕地的动态变化,并以灰色系统GM(1,1)模型预测未来最小人均耕地面积与耕地压力指数的变化,从而对未来云南粮食产能安全态势进行评估。
1 研究区概况
云南地处我国西南部,位于北纬21°9′-29°15′,东经97°31′-106°12′之间,是典型的喀斯特高原山区省份,全省土地面积84%为山地;气候以亚热带山地和高原季风气候为主,干、湿季节分明,四季特征不明显,有明显的垂直分带现象;全省降水以降雨为主,但降水在时间上和空间上分布不均匀,旱涝灾害频繁[4],多年来,粮食生产形势一直比较严峻。随着人口增长和城市化进程加快,确保粮食产能安全成为头等大事。因此,有必要选择适合的计量模型对未来粮食产能安全态势进行预测和评估,从而为解决云南粮食产能安全问题提供科学依据。
2 数据来源与研究方法
云南省多年粮食产量数据、人口数据、粮食播种面积数据、总播种面积数据和耕地面积数据均来源于云南统计年
鉴[5]。获取以上基础数据后,建立历年粮食产能安全基础数据库。由于粮食产量受到诸多因子的影响,既有人口、社会、政策、经济方面的,又有区域自然、生态方面的,具有一定的不可知性即灰色性,因此选用灰色系统GM(1,1)模型进行建模计算[6]。通过建国以来粮食生产动态变化与耕地压力指数动态变化,分析当前云南粮食产能安全状况,并在此基础上通过灰色系统GM(1,1)模型对未来粮食供需发展进行预测,从而对云南省未来粮食产能安全态势进行评估。
2.1 GM(1,1)模型简介
GM(1,1)模型按关系式(式中t为时间,i为第i年的数据)对原始数据X(0)(i)进行相应的一次累加,生成灰化数据X(1)(t),建立GM(1,1)白化形式的微分方程:d X(1)/dt+a X(1)=u,式中a,u为待估参数。用最小二乘法求解式中参数向量a和u,令X(1)(1)=X(0)(0),求解微分方程得到时间响应函数方程:X(1)(t)=[X(0)(1)-u/a]e-at+u/a,再反求得到原始数列的预测值:预测模型的检验采用后验差检验法,即用方差比C及小误差概率p来确定模型的精度等级。当P>0.95和C<0.35时,模型精度好,为一级;当P>0.8和C<0.5时,模型合格,精度为二级;当P>0.7和C<0.65时,模型勉强合格,精度为三级;当P≤0.7和C≥0.65时,模型不合格,精度为四级。
这种方法对于规律性不很明显、影响因素多的数列进行预测具有明显的优势,它是通过时序数据累加生成的模块建立起来的,滤去原始序列中可能混入的随机量,从上下波动的时间序列中寻找某种隐含的规律性。同时一般系统理论只能建立差分模型,只能用于短期分析,而灰色系统理论的关联度收敛原理、生成数、灰导数、灰微分方程等观点建立起来的微分方程模型可以用于中长期的预测[7]。
2.2 最小人均耕地面积
最小人均耕地面积是指在一定区域范围内,一定粮食自给水平和耕地生产力条件下,为了满足人口正常生活的食物消费所需的耕地面积[8]。最小人均耕地面积是食物自给率、粮食消费水平、耕地生产力水平等因子的函数,如下式:
式中,Smin为最小人均耕地面积(hm2/人);β为食物自给率(%);Gr为人均食物需求量(kg/人);P为食物单产(kg/hm2);q为食物播种面积占总播种面积之比(%),k为复种指数(%),它是一年中各个季节的实际总播种面积除以耕地面积求得的。最小人均耕地面积给出了为保障一定区域食物安全而需保护的耕地数量底线[9]。
2.3 耕地压力指数
耕地压力指数是指最小人均耕地面积与实际人均耕地面积之比[8],如下式:
式中,K为耕地压力指数,Sa为实际人均耕地面积(hm2/人),Smin为最小人均耕地面积(hm2/人),是区域可耕地总面积与人口数量的函数。耕地压力指数可以衡量一个地区耕地资源的稀缺和冲突程度,给出了耕地保护的阈值,可作为耕地保护的调控指标,也是测度粮食安全程度的指标。以K=1为临界状态,K可分为以下3种耕地压力状况。
当K=1时,说明实际人均耕地面积等于最小人均耕地面积,此时必须防止耕地流失,在提高耕地物质投入水平和生产能力的情况下合理引导耕地的用途转移。
当K<1时,实际人均耕地面积大于最小人均耕地面积,表明耕地生产力的供给水平高于食物消费水平。在这种情况下,可以适度转换耕地用途以保证城市化、工业化对土地的需求,也可以大力调整农业种植结构,退耕还林还草以改善生态环境,甚至可以让耕地休闲,以保持耕地的综合生产能力。
当K>1时,实际拥有耕地面积已达不到人均所需耕地面积的要求,表明耕地承受巨大的压力,需防止出现粮食不安全问题[10,11]。
3 粮食产能安全与耕地压力指数的动态分析
3.1 粮食总产与人均粮食产量的动态分析
研究时段内(1949-2008年)云南粮食总产与人均粮食产量均有显著提高。粮食总产量由1949年的3.74×106t上升到2008年的1.52×107t,增长了3.06倍,平均每年增长5.1%。研究时段内,粮食总产持续增长,虽有减少的年份,但增长占绝对优势,总体呈波浪型上升趋势。粮食总产增长过程可以大致分为三个阶段,1952-1975年是增长期,粮食产量稳步增加;1976-1986年是波动期,粮食总产忽高忽低,波动性较大;1987年以来,粮食总产增长速度减缓(图1)。
人均粮食产量的变化过程大致可以分为两个阶段。以1988年为界,1988年以前,人均粮食产量存在较大的波动,并且与粮食产量的变化不一致;1988年以后,人均粮食产量稳步提高,同时与粮食总产量变化一致(图1)。这表明,1988年以来,云南省人口增长得到有效控制,人均粮食产量与粮食总产量得到同步发展。
3.2 最小人均耕地面积与耕地压力指数的动态变化
根据相关研究,粮食自给率达到90%,即可认为是达到了可接受的粮食安全水平[12]。因此,本文在计算最小人均耕地面积与耕地压力指数时,取食物自给率为90%,并设定人均食物需求量为400 kg[13],计算出2000年以来最小人均耕地面积Smin与耕地压力指数K的变化。计算结果(图2)表明,Smin呈波动变化,但总体有下降趋势。截止2008年最小人均耕地面积Smin为0.0992hm2/人,超出我国近期耕地资源安全底线0.056 hm2/人[14]。耕地压力指数K也呈现波动变化,变幅在1.03-1.11之间。这表明,2000年以来云南耕地压力处在紧张状态[8],耕地承受巨大的压力,应防止耕地流失和非法占用土地,努力提高耕地生产力水平,减轻耕地压力。
4 粮食产能安全与耕地压力指数趋势预测
全国人均粮食消费有3种标准:人均300kg-350kg属维持温饱;人均350kg-600kg属消费改善;人均600 kg以上属于满足享受[15]。本文划分标准时,结合全国总体情况和云南实际,设定人均粮食消费350 kg为温饱型,人均粮食消费400 kg为小康型,人均粮食450 kg为富裕型。根据相关研究,粮食自给率达到90%,即可认为是达到了可接受的粮食安全水平[13]。因此,本文设定云南食物自给率为90%,分别按温饱型(350kg/人)、小康型(400kg/人)和富裕型(450kg/人)的粮食消费水平进行GM(1,1)建模计算,并预测未来25年最小人均耕地面积与耕地压力指数,从而对未来云南粮食产能安全态势进行评估。
4.1 人口、耕地、粮食总产、粮食播种面积和总播种面积的预测
根据1949-2008年人口、耕地、粮食总产、粮食播种面积和总播种面积数据建立GM(1,1)模型,并进行精度检验(预测模型与精度检验如表1所示),经精度检验,方差比C与小误差概率P均在一级和二级,模拟精度良好,故可用此模型进行预测。在上述模型的基础上,按灰色动态预测依次递补,预测未来25年云南人口、耕地、粮食总产、粮食播种面积和总播种面积数据,并在此基础上计算未来最小人均耕地面积与耕地压力指数。
4.2 最小人均耕地面积与耕地压力指数预测
取粮食自给率为90%,根据以上人口、耕地、粮食总产、粮食播种面积和总播种面积的预测结果,分别按温饱型(350kg/人)、小康型(400kg/人)和富裕型(450kg/人)的粮食消费水平计算得出最小人均耕地面积与耕地压力指数的预测结果(图3、图4)。预测结果显示:未来25年,无论按温饱型(350kg/人)、小康型(400kg/人)和富裕型(450kg/人)粮食消费水平计算,最小人均耕地面积和耕地压力指数都呈下降趋势;最小人均耕地面积降低速度大于实际人均耕地面积降低速度,从而使耕地压力指数有降低趋势。这说明,此期间耕地生产水平高于食物消费水平,粮食安全形势比较乐观。在这种情况下,可以保持耕地生产能力,培肥地力,以保持耕地综合生产能力。也可以适度调整农业内部种植结构,还可以适当将农业用地向非农业用地转化,以满足工业化、城市化对土地的需求。
4.3 粮食产能安全预测
由图4可知,云南耕地压力指数K在温饱型和小康型粮食消费水平下小于1;而在富裕型粮食消费水平下大于1。这表明,未来云南耕地提供的粮食能满足全省居民温饱型和小康型的粮食消费需求,但提供富裕型粮食消费的压力较大。因此,在未来20多年内,如果人口失控或粮食大幅减产,则全省粮食生产要实现富裕型消费水平的目标将有较大困难,实现的可能性也很小。
5 结论
(1)2000年以来,云南耕地面积呈减少趋势,耕地面积减少的主要原因是住宅建设、公路建设占用土地,其次是农业产业结构调整占用大量土地,如退耕还林还草。随着人口的增加与耕地面积的减少,人均耕地面积有继续降低的趋势。
(2)2000年以来,云南最小人均耕地面积Smin呈波动变化但总体有下降趋势,耕地压力指数K也呈波动变化,变幅在1.03-1.11之间。这表明,2000年以来云南耕地压力处在紧张状态,耕地承受巨大的压力,应防止耕地流失和非法占用土地,努力提高耕地生产力水平,减轻耕地压力。
(3)由预测结果可知,未来25年,无论按温饱型(350kg/人)、小康型(400kg/人)和富裕型(450kg/人)粮食消费水平计算,最小人均耕地面积和耕地压力指数都呈下降趋势;这说明今后一段时间云南耕地面积可以保障粮食生产安全,但这并不是说耕地压力指数一直呈降低趋势。随着城市化、工业化发展,城市用地的不断扩张,非农业用地和保证粮食生产安全用地将会维持在一个相对平衡的状态。
(4)由预测结果可知,云南耕地压力指数K在温饱型和小康型粮食消费水平下小于1;而在富裕型粮食消费水平下大于1。这表明,云南耕地所提供的粮食能满足全省居民温饱型和小康型的粮食消费需求,但要达到富裕型粮食消费的压力较大。因此,在未来20多年内,如果人口失控或粮食大幅减产,则全省粮食生产要实现富裕型消费水平的目标将有较大困难,实现的可能性也很小。
动态压力指数 篇2
关键词：动态血压,动态动脉硬化指数,体质量指数
随着生活水平的提高，人们的生活方式和饮食结构发生改变，肥胖和高血压的发生率日益增加。近年来的大量研究表明，动脉硬化是心脑血管病发生和死亡的重要的独立预测因子[1]。本研究通过动态血压监测并计算动态的动脉硬化指数，分析不同体质量指数体检人群的动态的动脉硬化指数情况，讨论两者之间的关系。
1 资料与方法
1.1 一般资料
选择2008年6月至2011年10月在我院门诊体检者590例，其中男372例，女218例，平均年龄(45.16±8.84)岁。采用世界卫生组织亚洲太平洋地区肥胖诊断标准分组：18.5≤BMI<24 kg/m2为正常体质量组(200例)，24kg/m2≤BMI<28kg/m2为超重组(175例)，BMI≥28kg/m2为肥胖组(215例)，3组年龄、性别、高血压、降压药物服用情况等具有可比性(表1)。
1.2 BMI的计算
准确测量体检者的身高和体质量，计算BMI=体质量(kg)/身高2(m)。
1.3 动态血压测定
所有体检者均应用美国伟伦动态血压ABPM6100监护仪进行24h动态血压监测，选择左侧肱动脉测量血压，昼间(7:00～22:00)每隔30min测量1次，夜间(22:00～7:00)每60min测量1次，记录仪自动记录并分析以下数据：24h收缩压、舒张压(24hSBP、24hDBP)，昼、夜收缩压(dSBP、nSBP)及昼、夜舒张压(dDBP、nDBP)。有效数据低于85%的次日重新记录动态血压。
1.4 AASI的计算
将测得的动态血压数据输入计算机，以舒张压为因变量，收缩压作为自变量，用SPSS13.0统计软件计算舒张压对收缩压的回归直线的斜率(regression slope)，AASI=1-回归斜率[2]。
1.5 统计学方法
采用SPSS 13.0统计软件进行统计学处理。计量资料采用均数±标准差(χ—±s)表示，单因素方差分析比较各组数据的组间差异，定量数据采用独立样本t检验或χ2检验。以P<0.05为差异显著。
2 结果
2.1 3组动态血压数据及AASI指数比较
与正常体质量组相比较，超重组和肥胖组24hSBP、24hDBP、dSBP、nSBP、dDBP、nDBP及AASI检测值均明显升高，差异有统计学意义(P<0.05)。与超重组相比，肥胖组24hDBP、nDBP和AASI检测值均明显升高(P<0.05)；而24hSBP、dSBP、nSBP及dDBP差异无统计学意义(P>0.05)(表2)。
2.2 BMI与AASI指数的相关性分析
皮尔森相关分析数值显示,B M I与2 4 h S B P(r=0.2 4 7,P<0.05)、24h DBP(r=0.339,P<0.05)、dSBP(r=0.205,P<0.05)、nSBP(r=0.227,P<0.05)、dDBP(r=0.242,P<0.05)、nDBP(r=0.280,P<0.05)以及AASI(r=0.326,P<0.05)是成呈正相关。
3 讨论
据世界卫生组织的调查数据显示：2010年中国有38.5%的15岁以上成年人身体超重。目前研究表明，肥胖是导致各种心血管疾病(如高血压和动脉粥样硬化)的重要危险因素。肥胖引起血压升高的机制主要为脂肪堆积可导致脂肪分解活跃，产生高游离脂肪酸血症；体液量、循环血量增加；肾素血管紧张素系统功能亢进;交感神经活动增强；高胰岛素血症；前列腺素等降压物质减少；从而使外周动脉阻力增加，心输出量增加，血容量增加及盐敏感性增高[3]。
目前临床上常用的偶测血压，由于存在观察误差和白大衣效应，且同一被测对象在不同时间的血压也有显著的波动，因此单次偶测压不能代表真实的血压值。动态血压监测通过自动间断性定时测量全天24h日常生活状态下的血压，避免了偶测血压所得脉压指数的不足，更能准确反映血压的实际水平与波动状况，较偶测血压相比，更加客观准确。
体质量指数(BMI)是卫生组织于1990年公布的判断人体胖瘦程度的一项重要指标，主要用于比较及分析一个人的体质量对于不同高度的人所带来的健康影响。研究表明，BMI与血压呈正相关；且前瞻性研究数据显示，基线BMI每增加1，高血压发生危险5年内增加9%。本研究数据显示，随着BMI指数的增加，24hSBP、24hDBP、dSBP、nSBP、dDBP、nDBP检测值均出现升高，提示BMI指数与高血压的发生关系密切，这与国内外研究结果是一致的。
动脉硬化导致的动脉僵硬度增加和动脉弹性下降是心血管事件的独立危险因素，且动脉硬化是高血压和心脑血管疾病的基础病变。2007年欧洲心脏病学会(ESC)/欧洲高血压学会(ESH)将其列为高血压靶器官损伤的评估指标，并作为影响高血压患者预后的因素之一[4]。目前直接测量血管的顺应性是很困难的，广为接受的反映大动脉弹性功能检测的指标主要包括无创的动脉脉搏波传导速度(pulse wave velocity,PwV)和通过脉搏波波型分析得出的反射波增强指数(augmentation index,AI)，其中，颈–股动脉PwV是反映动脉硬化的直接指标，因而被认为是“金标准”[5]。但由于上述二个指标的检测设备比较昂贵并需要受过专门培训的人员进行操作，因此在临床的推广应用上受到一定的限制。2006年美国学者提出了一种新的利用常规24h动态血压监测数据，计算出的反应动脉硬化程度的指标，即动态动脉硬化指数(ambulatory arterialstiffness index,AASI)[6]。作为一项反映整体动脉弹性功能的新指标，AASI与传统的评价动脉硬化的指标，如脉搏波传导速度，反射波增强指数等具有良好的相关性。因此，AASI不仅与靶器官损伤密切相关，并可预测心脑血管危险。本研究的皮尔森相关分析结果显示，BMI与动态血压值24hSBP、24hDBP、dSBP、nSBP、dDBP、nDBP及AASI是呈正相关的。此结果提示当BMI值超过正常范围时，AASI值会随之增加，表明AASI与BMI指数数亦有良好的相关性。
综上所述，本研究结果显示BMI与AASI指数有密切的相关性，对肥胖人群血管功能评估有较大的临床应用前景，值得深入研究。
参考文献
[1]Mancia G,de Backer G,Dominiczak A,et a1.The task force for themanagement of arterial hypertension of t he European Society ofHvpertension(ESH)and of t he European Society of Cardiology(ESC)[J].Hypertens,2007,25(9):l105-l187.
[2]Li Y,Wang J G,Dolan E,et a1.Ambulatory arterial stiffness indexderived from 24 hour ambulatory blood pressure monitoring[J].Hypertension,2006,47(3):359-364.
[3]De Caterina R,Zampolli A,Del Turco S,et a1.Nutritionalmechanisms that influence cardiovascular disease[J].Am J ClinNutr,2006,83(2):421S-426S.
[4]Mancia G,De Backer G,Dominiczak A,et a1.2007 ESH-ESCpratice guidelines for the management of arterial hypertension:ESH-ESC task force on the management of arterial hypertension[J].J Hypertens,2007,25():1751-1762.
[5]Laurent S,Cockcmft J,Van Bonel L,et a1.Expert consensusdocument on arterial stiess:methodological issues and clinicalapplications[J].Eur Heart J,2006,27(21):2588-2605.
动态压力指数 篇3
为了更好地对公交系统进行管理和使用,进一步彰显公交优先的态势和提高公交系统的吸引力,无论是政府、公交运营企业还是普通使用者都对公共交通系统的信息服务水平有了更高的要求,但是现有的公交信息服务却无法对该区域的运送压力进行量化的描述或者预报。海量的公交卡刷卡数据和车辆GPS定位数据为提高公交信息服务水平奠定了良好的基础。在早期研究中,美国的Chu等[1,2]提出利用数据包络分析(DEA)法评价不同线路运营商的运营质量。国内在公交运行评价研究方面,成果集中于单条或者整个公交线网的运营速度、服务质量方面,王炜等[3,4,5]提出采用不同的评价方法建立评价模型,进而对公共交通系统进行评价研究。杨晓光等[6]提出了评价公交运行服务质量的三维体系架构。目前基于公交大数据的研究成果主要集中在微观的空间出行行为分析、宏观的公交换乘流量校验及预测等方面。陈绍辉等[7]基于公交IC卡数据提出了公交运行速度、站间时间等公交运行指标的计算方法,并基于禁忌搜索算法对公交站点上的GPS数据和IC卡一次刷卡数据进行了匹配,经过北京市的公交线路数据实测算例分析发现该方法具有较高的精确度。龙瀛等[8]利用2008年北京市连续一周的公交IC卡刷卡数据,结合2005年居民出行调查、识别公交持卡人的居住地、就业地和通勤出行,并将识别结果在公交站点和交通分析小区尺度上进行了汇总。闫卫坡等[9]基于公交车辆GPS定位数据提出了公共交通快捷指数的概念,是以站点区间的公交运送速度为基础,综合测算得到的综合指数指标。快捷指数越高,公交线路的拥堵越严重,线网运行状况越差,运送旅客效率越低。高永等[10,11]基于北京公交IC卡刷卡数据分别提出了公交换乘识别方法和在不同时期使用特点的公交乘客出行特征大数据分析方法,并以北京市2014年春节期间和春节前工作日公共交通IC卡数据为基础,分析了春节前后北京市公交乘客出行特征的变化。
综合分析以上研究成果,从研究的空间尺度来说,缺乏对于以某POI为中心的由若干个公交(地铁)站点组成中观空间尺度的公交运行状况量化描述研究;从研究数据来说,目前只有针对常规公交的IC卡刷卡数据和GPS数据的数据分析,却较少涉及地铁AFC数据,不能完整的反应区域的公共交通运营状态;从研究的关注点来说,前期研究更多关注的是利用GPS数据评价公交车辆的运营速度和刷卡数据探索出行者的出行轨迹,而鲜有对区域公交的运营压力的关注。基于此,笔者提出了区域公交压力指数概念,用于描述区域的实时公交压力[12,13,14]。压力指数以公交IC卡刷卡数据和GPS数据为基础,经过数学模型处理,描述划定的交通分析小区(TAZ)上的公交系统压力。压力指数越高说明该区域的公交压力越大,区域综合满载率越高,反之则越小。该指数的形成充分利用了动态的IC卡刷卡和GPS数据,不但可以定量的描述指定区域内的公交压力,还能够反映公交压力随时间变化的趋势。
1 数据准备与处理
公共交通数据包括地面公交IC卡刷卡数据、轨道AFC系统刷卡数据、公交GPS数据、公交线路基础数据、轨道交通静态基础数据等。由于这些数据来源于不同的数据系统,具有不同的数据格式。因此,首先应进行数据预处理,完成异常数据的诊断和修复。然后,利用关联分析和数据联合匹配分析,将不同数据源的不同类型的数据按照采集或统计时间、地点等时空位置信息进行统一的整合,实现公共交通多源数据的匹配,构建区域公共交通压力信息提取基础。
AFC数据包含的乘客出行信息较完整,记录了乘坐城市轨道交通出行的乘客的进、出站站点信息以及进、出站时间;分段计价线路的IC卡数据记录了乘客上下车站点信息及下车刷卡时间(费用交易时间)。地面公交GPS运行数据字段内容包括车辆运行中的地理位置(经纬度)、数据采集时间、瞬时速度等数据,以及线路编号、车辆编号、设备编号等数据。
上述3类数据所包含的数据字段较多,部分字段在数据处理时并不需要,如城市编号、卡内余额等,因此可以通过对数据进行筛选来提高数据处理效率,筛选后的数据字段见表1。
原始的IC卡刷卡数据和GPS数据由于通信故障、定位失败等原因存在着一定的错误数据和数据缺漏,在进行压力指数计算之前,应该先对数据进行剔除错误数据处理和间断数据补充,具体的数据查补过程本文不再赘述。
2 模型构建
公共交通系统压力指数是指交通分析小区内的公共交通压力,在小区内一般包括地面公交和地铁2种公交方式,由于其数据类型及站内组织方式不同,将地铁和地面公交分别提取相应的指标进行压力指数计算。
2.1 地面公交压力模型参数选取及构建
区域公共交通压力指数旨在描述某个区域内的公共交通运行压力。主要反映该区域的公交运送能力与运送需求的关系。为了方便研究,特假设选取构建模型指标时主要考虑了车辆出站满载率和站台停靠时间2个因素。
2.1.1 车辆出站满载率
也可称之为站间断面满载率,是反映公交站台压力最直观的指标。车辆出站满载率可以利用IC卡刷卡数据,筛选某条线路在其所有站点的登降量,根据车厢容量分别计算各个站点的出站满载率,其计算流程如下:
某线路i的第k辆车在第j站台的出站满载率的计算公式。
式中:Pijk为第i路车的第k辆车在进入第j站点前车上乘客数;Uijk为第i路车的第k辆车在第j站点的登车乘客数;Dijk为第i路车的第k辆车在第j站点的下车乘客数;Cik为第i路车的第k辆车的最大载客量。
2.1.2 站台停靠时间
站台停靠时间Tijk指的是线路i的第k辆公交车在第j站点上停靠以使乘客上下车的时间,站台停靠时间与乘客的登车量和下车量中的较大者呈现正相关关系,同时也与车门数量及分布和车内的拥挤程度有关[15],通常可以用车门关闭与开启时间之差代替。 车门开关时间无法通过GPS数据直接得到,但是可以根据站台首位登车乘客的刷卡时间与末位下车乘客的刷卡时间进行推算,建立2套数据系统的匹配约束规则,完成站点匹配,求得公交车辆GPS系统与公交IC卡收费系统的时间平均偏差值,利用禁忌搜索算法对其他未匹配的交易记录进行二次匹配,以提高匹配精准度,详细方法参见文献[7]。
经过提取数据发现,站台停靠时间样本数据符合正态分布,置信度为9 5% 的置信区间为[5,50]。为了使数据具有可比性,对原始的站台停靠时间数据进行标准化处理使其置信区间变为[0.1,1],记标准化处理后的Tijk为tijk。
2.1.3 地面公交站点权重确定
地面公交站点的客流压力与其功能、衔接形式有直接关系,因此,在确定某区域内公交压力时,应考虑其区域内公交站的不同等级结构对区域公交压力指数造成的不同影响。等级越高的公交站点对区域的影响就越大,其换乘量就越大,对区域的公交压力影响就会越大。基于此,区域内的地面公交站台根据其与地铁接驳情况、通过的公交线路数及所承担的客运功能等因素分为3种:
地铁接驳站:与区域内的地铁站相接驳,换乘距离在300m以内的公交站台;枢纽换乘站:500m距离内无地铁站,有大于等于10路公交经过,承担着区域枢纽换乘功能的公交站;普通公交站:经过线路数少于10路,且500m距离内无地铁站接驳的线路中途站。
3种站台主要的不同体现在单位时间内的登降量,为了量化3种公交站点对区域压力造成的不同影响,将权重系数αj定义为j站台在单位时间内的登降量和与区域内其他站点的登降量和算术平均值之比。
将提取的登降量数据代入模型,排除异常样本点后,计算各类地面公交站的权重系数范围见表2。
2.1.4 地面公交压力模型构建
为了能够准确地反映区域公交压力,又能够减少运算量,将研究时段设置为1h,即出站满载率和站台停靠时间皆提取1h时段内样本数据的算术平均值计入模型。则在60min经过站台j的公交车总体平均出站满载率γj为
经过站台j的公交车平均停靠时间tj为
区域地面公交压力Pbus可以描述为
2.2 地铁站压力模型参数选取及构建
2.2.1 地铁站压力模型参数选取
由于轨道AFC系统刷卡数据类型与公交IC卡的数据类型不一致,且地面公交与地铁站内的客流组织方式有差异,因此在选取模型参数时需要进行调整。为了客观地描述地铁客流压力,拟选取站点进站量Ii,出站量Oi和站点运能Ci等指标作为评估参数,拟以每15min作为1个评价时段,则第n(n≤4)个时段内的第i个地铁客流压力指数μin为
由于出站量有可能大于进站量,所以地铁压力指数不恒为正,当其值小于零时,说明当前地铁站运送压力开始减小,并有大量的运能腾出,因此,这种情形下的客流压力指数不能表明地铁的运送压力,为了配合区域公交压力的评估,特定义当Iin<Oin时,μin=0.01。
研究拟每60min作为1个评价时段,则在此期间站台i的总体平均压力指数γi为
2.2.2 地铁站台权重设定
与地面公交站台分类分级确定权重的方法不同,地铁站应当考虑不同时段的客流情况,尤其在早高峰时段,部分地铁站入站限流,为了使评价结果更为客观,根据式(2)及地铁AFC数据提取的单位时间内的进出站数据,特根据早晚高峰及站点是否限流做出了如下分类,见表3。
2.2.3 地铁站压力模型构建
区域内的i个地铁站在此时段内的客流压力Pmetro定义为
式中:α,γ的意义见上节说明。
2.3 区域公交压力建模与公交压力等级划分
区域公交压力指数可以描述为区域内的地面公交站点与地铁站点的压力和平均值,即
计算得到的压力指数一般情况下小于1,但也有个别早晚高峰时段压力值大于1。为了将量化的压力值形成易于理解的压力级别,根据客流压力值Pzone的大小将区域的客流压力分为4 级(见表4),不同等级对应不同的压力级别。
3 算例
为了校验本文提出的区域公交压力指数模型的可用性及准确性,以北京市的国贸区域和东单区域为例进行了研究。
国贸区域位于北京市东三环中段,地处中央商务区的核心,是各大跨国集团总部的集聚地,汇聚着众多的就业岗位,用地以商务办公、酒店餐饮类型为主。东单区域内有王府井商业步行街等发达的商业区域,又紧邻故宫、东单等旅游休闲景点,也是重要的出行吸引点。根据工作日人工调查发现,两区域虽然都是吸引型区域,但是其客流集散的时间规律却有一定的差异。国贸区域到达和离去时间相对较集中,有明显的早晚高峰流量,早高峰期间出站流明显高于入站流量,因此研究认为此时公交压力较小;而晚高峰时段,入站流量高于出站流量,此时的系统压力较大。东单区域的到达时刻多分布于常规早高峰之后,且延续时间较长,离开此区域的时间也相对比较集中,站点有明显的压力。
为了利用压力指数模型对两个区域进行评价,将2个区域内的公交站点设施列于表5。
研究选取2014年7 月21 日(周一)及2014年7月26日(周六)的全市公交IC卡刷卡数据及相应的公交车辆GPS数据,在进行数据处理及匹配后,带入模型计算得到了2个区域的压力时变曲线图,见图1、图2。
图1 2个区域不同时段的公交压力指数Fig.1 Transit pressure index of the studying area in different periods
由图1可见,2 个区域在工作日都有明显的晚高峰压力,尤其是国贸区域,工作日的晚高峰站点压力最高达到了1.34,属于过载。由于2个区域都是吸引型区域,早高峰时站台压力并不突出。相比起工作日,休息日的2个区域晚高峰均呈现较低的压力。
为了验证指数的正确性,对国贸及东单地区的工作日各站点登降量数据进行了提取,发现国贸区域和东单区域的早高峰出站量和晚高峰进站量都比较高,由此而形成了早高峰期间大量出站,造就了大量的空余运能,晚高峰期间恰好相反,因此早高峰期间的压力指数远小于晚高峰这与压力指数的计算结果也一致。可以说明公交压力指数能够反映区域内的实际公交运营压力。
图2 2个区域不同时段的登降量数据Fig.1 Boarding/Deboarding of the studying area in different periods
4 结束语
动态压力指数 篇4
一、时序多指标动态决策方法原理与步骤
(一) 时序多指标动态决策方法原理
时序多指标动态决策问题的原理是:已知有m个可行方案S1, S2, …Sm;n个评价指标P1, P2, …Pn;l个时间样本T1, T2, …Tl, 将各方案在不同时段的指标进行综合考虑的排序问题。
(二) 时序多指标动态决策方法步骤主要包括以下步骤:
第一步, 初始条件设置。设评价指标集为P={P1, P2, …Pn}, 相应的评价指标权向量为w= (w1, w2, …wn) T, 其中 设时间样本点为Ti (i=1, 2, …m) , 可以表示年度、季度和月份等, 相应的时间权向量为λ= (λ1, λ2, …λn) T, 其中 设被评价方案集为S=*S1, S2, …Sq, ;被评价方案Sk对应于时段Ti、评价指标Pj的指标值记为akij。指标权向量w和时间权向量λ的确定有多种方法, 如特尔菲法、层次分析法等。为了使得到的最终评价结果更好地反映动态特征, 需要综合考虑评价指标的好坏程度 (即绝对值) 和增长程度两种情况, 这里采用一种动态综合评价方法——理想矩阵法。
对于k个决策方案Sk的决策矩阵是:
对于时间样本点Ti的评价系数矩阵记为:
第二步, 决策矩阵和系数矩阵的规范化。通常, 指标有效益型、成本型、固定型和区间型之分。效益型指标是属性值愈大愈好的指标;成本型指标是属性值愈小愈好的指标;固定型指标是属性值稳定在某个固定值为最佳的指标;区间型指标是属性值以落在某个固定区间内为最佳的指标。根据指标分类的不同, 对指标集P可作如下划分, 令
式中Ωi (i=1, 2, 3, 4) 分别为效益型指标集、成本型指标集、固定型指标集和区间型指标集;Φ为空集。
考虑到不同指标的量纲可能不同, 为便于分析, 需将评价系数矩阵Ak (k=1, 2, …q) 进行规范化 (无量纲化) , 即将矩阵Ak转化为Bk。这里, 矩阵Bk中的元素bkij采用如下的规范化方法:
(1) 对于效益型指标, 令
(2) 对于成本型指标, 令
(3) 对于固定型指标, 令
式中a=ij为指标Pj针对时段Ti的最佳稳定值。
(4) 对于区间型指标, 令
式中[a1ij, a2ij]为指标Pj针对时段Ti的最佳稳定区间。
为便于反映方案指标值的动态变化情况, 将标准化处理之后的方案决策矩阵Bk转化为无量纲化后的规范化评价系数矩阵Ci, 记为Ci= (ckij) q×n (i=2, 3, …, m) , 再令
公式 (8) 中dkij表示对于时间样本点Ti的指标增长程度 (即绝对增长量) 。于是, 可构成对于时间样本点Ti的“增长”评价系数矩阵, 记为Di。
第三步, 求增长矩阵和集结矩阵。为综合考虑评价指标的好坏程度和增长程度, 可将规范化后的矩阵Ci (i=2, 3, …, m) 和增长矩阵Di (i=2, 3, …, m) 进行集成, 得“综合”评价系数矩阵为Ei= (ekij) q×n (i=2, 3, …, m) , 其中Ei中的元素为:
公式 (10) 中, α和β表示相对重要程度, 并且满足0≤α, β≤1, α+β=1, 特别当α=1, β=0时, 有ekij=ckij, 表示只考虑各指标的好坏程度;当α=0, β=1时, 有ekij=dkij, 只考虑各指标的增长程度。还需指出, 式 (10) 中dkij的意义是:dkij>0表示对指标好坏程度的一种奖励;dkij<0表示对指标好坏程度的一种惩罚。
为便于进一步分析和计算, 可将矩阵Ei转回为基于被评价方案的评价系数矩阵Ek, 即:
第四步, 构造正负理想矩阵。对于矩阵Ek (k=1, 2, …, q) , 构造正理想矩阵E+和负理想矩阵E-分别为:
其中, 矩阵E+和E-中的元素分别为:
第五步, 计算“欧氏距离”。矩阵Ek与E+、E-之间的“距离”分别是:
第六步, 计算贴近度, 方案排序。第k个被评价方案对理想解的相对贴近度为:
显然0≤gkA≤1, Ek越靠近E+而远离E-, 则gkA越大, 则相应的被评价方案应排在前面, 也就是根据gkA的大小进行排序。
二、时序多指标动态决策方法财务指数综合评价实例
(一) 评价指标体系的建立
本文应用时序多指标动态决策方法对上市公司财务状况进行综合评价。参考目前国内一些股票分析软件, 从中选取反映上市公司财务状况的典型评价指标数据, 综合考虑每个指标的好坏程度和增长程度, 得到的综合财务指数值使评价结果较好地反映了动态特征。本文选取湖北省10个上市公司为样本, 时间跨度为2006年6月30日至2007年6月30日, 时序为五个年报和季报时间点, 时段为四个季度。采用上市公司年报和季报中的指标数值。选取动态时序及上市公司研究样本如表1所示。
考虑到上市公司的自身特点, 为较全面反映上市公司财务状况, 可建立如表2所示的综合评价指标体系。
上述10个指标值均可从股票分析软件系统中得到。其中指标P1~P3, P7~P10均可看作是“效益型”指标, 即指标值愈大愈好;指标P4~P6通常可看作是“区间型”指标, 即指标值在某一最佳区间内为最好, 而最佳区间可由专家根据被评价上市公司的具体情况确定。
(二) 评价方法的应用
首先进行初始条件设置。已知评价指标集为p=p1, p2, …p10, 其中指标p4、p5、p6最佳区间分别设为[0.4, 0.5]、[1.5, 2]、[0.8, 1.3];设10个评价指标的权重均为0.1, 则权向量为ω= (0.1, 0.1, …, 0.1) T;设4个时间段的权重均为0.25, 则相应的时间权向量为λ= (0.25, 0.25, 0.25, 0.25) T。根据上市公司10个指标的实际值, 计算出5个时间样本点的评价系数矩阵。其次, 略去系数矩阵的规范化, 求增长矩阵、矩阵集结和综合系数矩阵, 构造正负理想矩阵, 计算“欧氏距离”, 得到贴近度 (评价指数) 和方案排序结果, 如表3所示。
三、时序多指标动态决策方法财务指数评价问题及应用趋势
(一) 评价方法的相关问题及改进主要包括以下几点:
一是评价指标的选取。财务评价以定量指标评价居多, 本文的研究也是以定量指标为例。但全面的财务评价也不能忽视定性指标的作用, 如财务外部环境评价、内部控制有效性评价更多地取决于定性指标。在基于时序多指标动态决策方法的财务评价中, 如涉及定性指标较多, 可将其作定量化处理再进行评价。如德尔菲专家评分的方法得到指标的实际值, 再进行动态分析和评价。此外, 评价方法只是一种工具, 要想得到科学、可靠的评价结果还有赖于评价指标选取的全面性、综合性、科学性。
二是评价指标权重确定。专家评分法和层次分析法是常用的指标权重确定方法, 但都有主观性缺陷, 在一定程度上影响评价结果的准确性和科学性。“熵值法”是一种客观赋值方法, 采用“熵值法”确定指标权重能较好地避免专家打分和层次分析法的主观性。为避免主观赋权法的主观性, 在指标体系中若各个评价对象在该指标上区别不是太大, 说明该指标对于评价对象的综合评价值的贡献不大, 那么, 赋予该指标的权重系数就不应太大;反之, 各个评价对象中资料相差很大, 则其权重系数的绝对值就应越大。各年度的原始观测数据可用%xij) (i=1, 2, …, n;j=1, 2, …, m) 来描述 (即.xij) 表示被评价对象第i年度第j项指标的原始观测值) 。用wj表示评价指标xj的权重系数, 为使评价结果客观、可比, 可将原始数据.xij) 进行标准化处理。处理后的标准数据变为.zij) , 则各年的综合评价值yi为:
具体步骤如下:
第一步, 原始数据标准化。
第二步, 将标准数据zij转化为比重值Pij, 公式如下:
第三步, 计算各指标的熵值ej, 公式如下:
第四步, 计算指标的信息效用系数 (即信息的差异性系数) dj, 公式如下:
由以上步骤可知, 指标j的实际值差异越小, 熵值越大;相反, 实际值差异越大, 则熵值越小。另一方面, 如果指标j的实际值差异大, 则表明对评价对象的作用比较大, 其权重应定得大一些;相反, 权重应定得小一些。因此, 权重与熵值应是互补关系。
第五步, 计算客观权重wj, 公式如下:
三是增长矩阵和集结矩阵的求法。本文实例中的增长矩阵采取“差值法”, 集结矩阵采取“加权求和法”。得到指标的绝对动态增长值, 对评价结果的反映具有一定局限性, 如采用相对动态增长值来进行评价则结果更合理。求相当增长矩阵和集结矩阵的方法如下:第一步, 求相对增长率矩阵。令bkti=akti′/ak (t-1) i (k=1, 2, …, m;t=2, 3, …, s;i=1, 2, …n) , bkti表示对于时间点Tt, 方案Sk的第i个指标Gi的相对增长率, 于是可得对于时间点Tt增长率系数决策矩阵, 记为Bt, 它考虑了指标的增长情况。第二步, 矩阵集结。为综合考虑指标的好坏情况和增长率情况, 可将规范化矩阵At′和增长率矩阵Bt (t=2, 3, …, s) 进行集结, 得“动态综合”决策矩阵Et= (ekti) m×n (t=2, 3, …, s) , 其中ekti= (akti′×bkti) 1/2 (k=1, 2, …, m;t=2, 3, …, s;i=1, 2, …n) 。
四是计算方法的简化。时序多指标动态决策方法的财务指数评价随时段跨度增大和指标数量增多而愈加复杂, 数据计算量十分巨大。尽管计算全部借助Excel软件完成, 仍然十分繁琐、费时费力, 这增加了评价的成本和难度。因此, 需要采用更高级的数学软件 (如Mat Lab等) 和计算方法。
(二) 评价方法的应用趋势
一是财务竞争力评价和绩效评价应用。财务竞争力评价和绩效评价在评价实质上一样, 但两者在方法应用的初始条件设置上略有差别, 如表4所示。两种评价在后续计算过程中方法基本一致, 最后采用得到的综合财务指标数值进行比较和评价。二是财务预警应用。财务预警是对企业财务状况的一种逆向评价, 其评价值越大则警情越严重。由此可见, 在评价结果上, 财务预警与财务竞争力评价、绩效评价是相对的, 即财务竞争力越强, 绩效越好, 财务预警警情越小;反之亦然。财务预警中的应用程序如表5所示。
参考文献
[1]王香柯、王金柱、周永华:《时序多指标决策问题的决策方法研究》, 《西安邮电学院学报》2004年第1期。
[2]王欣荣、樊治平:《上市公司财务状况的动态多指标综合评价方法》, 《系统工程理论与实践》2002年第4期。
[3]张旭梅、李志威:《具有动态指标偏好的多指标决策方法》, 《系统工程与电子技术》2007年第4期。
[4]戴文战、邹立华等:《一种基于奖优罚劣原则的多阶段多目标决策模型》, 《系统工程理论与实践》2000年第6期。
[5]谢丹凤、陈武、陈俊:《动态多指标决策的理想矩阵法及应用》, 《科技与管理》2005年第3期。
动态压力指数 篇5
1 相关文献回顾
创新型城市建设的首要条件是城市创新战略和驱动要素之间的良性互动, 而由政府和市场双重引导的混合型发展方式是未来城市发展的趋势[5]。胡钰[6]认为, 创新型城市的核心内涵是城市自主创新能力较强, 并分别从城市科技创新制度设计、城市科技创新投入和基础条件、城市创新型企业以及科技创新驱动的发展模式四个方面对创新型城市的内涵进行了论述。张玉利等[7]从创新型城市研究的发展脉络、创新型城市研究的理论基础、创新型城市发展的模式及实现路径和创新型城市评价这四个方面对创新型城市理论研究进行了系统的整理、总结和评述。魏江等[8]提出了一套便于创新型城市之间进行横向比较的创新型城市评价指标体系, 并根据主成分分析赋权法对包括北京、上海在内的我国20个城市进行了评价分析。李琬等[9]在综合考虑城市建设的硬件指标和软件指标的基础上构建了第四代创新型城市评价指标体系, 并运用因子分析法进行了实证研究。
笔者通过对有关创新型城市理论的大量文献研究, 得知当前研究集中在创新型城市的内涵、形成机理和评价, 可见学者们在创新城市的理论研究上取得了较大的进展, 但仍然缺乏对单个创新型城市建设水平的纵向研究。本文基于动态视角, 从创新绩效指数出发, 对创新型城市的建设进行探讨。
2 创新型城市指标体系的构建
在对创新型城市的发展水平进行评价的过程中, 需要综合考虑创新型城市包括创新主体、创新环境、创新绩效等各方面的因素。本文基于创新型城市指标体系的构建, 通过建立创新型城市创新绩效指数, 研究创新型城市的阶段性动态发展水平。在构建指标体系的过程中, 应当遵循科学性、系统性、动态性和可行性的原则[10]。通过对有关创新型城市评价指标体系文献的研究, 结合创新型城市推动建设的特点, 构建创新型城市指标体系如表1所示。
其中, 创新型城市指标体系由创新主体、创新环境和创新绩效三部分构成, 此三大要素之间相互作用, 形成了创新型城市发展模式。创新主体包括企业和公共研发机构;创新环境包括基础设施、人才资源和创新投入;创新绩效包括创新产出和结构优化。各二级指标所对应的三级指标如表1所示。
3 创新型城市创新绩效指数
在对创新型城市建设创新绩效指数进行分析时, 本文通过对传统的熵权法改进, 确定创新绩效指标各要素的权重, 从而构造出创新型城市创新绩效指数, 更加直观、有效且动态地体现了创新型城市建设的发展水平。
3.1 指标数据标准化处理
由于上文所构建的评价指标体系中各指标分别具有不同的单位, 即使具有相同的单位, 所获得的指标和原始数据之间的差异相对仍然较大。如果直接用原始数据来分析问题, 则有可能会产生放大原本具有较大数值的指标的效果, 影响最终的研究结果, 故应对原始指标数据进行标准化处理, 也称无量纲化处理[11]。在社会科学的研究中常见的指标可以分为两类, 即效益型指标和成本型指标。效益型指标指的是指标值越大越好, 而成本型指标则指的是指标值越小越好。指标数据的标准化处理具体如下:
(1) 效益型指标数据的标准化处理, 公式为:
(2) 成本型指标数据标准化处理, 公式为:
在对创新型城市创新绩效指数进行研究的过程中, 本文的原始数据来自2005—2011年的《南京市统计年鉴》。通过公式 (3) 对所获得的原始数据进行处理, 可得各指标每年相对于过去一年的增长率, 并根据上述改进指标数据标准化公式 (1) 和 (2) , 整理得出数据标准化结果如表2所示。公式 (3) 为:
3.2 改进熵权法确定创新绩效指标权重
权重确定的常用方法有专家评价法 (Delphi法) 、层次分析法、主成分分析法以及熵权法等等。信息熵是信息的无序化程度的度量, 熵越大, 则说明无序化程度越高, 其对应的信息所占的效用越低。熵权法确定的权重可以避免人为干扰, 克服了其他权重确定方法主观成分较大的缺点, 使评价分析结果更加接近实际[12]。但是在传统的熵权法中, 需要规避数据标准化后出现0的状况。为了解决待处理数据中含有0项的问题, 需要对传统熵权法进行改进。
本文为了解决待处理数据中含有0项的问题, 采取对归一化处理后的指标数据添加一个震动系数的方法, 而此震动系数需要满足以下特征: (1) 震动系数使数据标准化后不出现0数据情况; (2) 震动系数很小, 保证对最终处理结果的影响可以忽略不计; (3) 在经过震动系数处理后, 保证各项ΣPij=1。基于上述特征, 本文在传统熵权法的基础上构建了改进熵权法, 如下所示:
(1) 各指标数据归一化, 公式为:
(2) 各指标熵值的确定, 公式为:
(3) 各指标熵权的确定, 公式为:
由上述各公式可以得出创新型城市指标体系中各三级指标相对于一级指标以及二级指标所占的权重, 如表3所示。其中, W是指三级指标相对于一级指标的权重, W'则指的是三级指标相对于二级指标所占的权重。
由表3可知, 创新主体各三级指标相对二级指标的权重为W1= (0.105, 0.094, 0.035, 0.080, 0.0371) ;创新环境各三级指标相对二级指标的权重为W2= (0.146, 0.186, 0.053, 0.126, 0.028, 0.129, 0.114, 0.130, 0.087) ;创新绩效各三级指标相对于二级指标的权重为W3= (0.045, 0.082, 0.055, 0.076, 0.036, 0.083, 0.033, 0.114463, 0.112, 0.134, 0.066, 0.061, 0.026, 0.077) 。
3.3 创新绩效指数的确定
创新型城市创新绩效指数是能够直接体现创新型城市建设发展水平, 以便在各年度进行动态比较分析的重要指数。创新型城市推动建设产出指数可用下式表达:
其中, ωi为各指标因素对应的权重值。
创新型城市创新绩效包括城市创新体系所取得的创新成绩以及城市创新系统的运行效率[13]。创新型城市在既有创新环境下由创新主体和创新投入综合作用, 产生创新型城市创新绩效, 而创新绩效体现在创新产出和结构优化这两个方面, 基于此, 分别构建了创新产出指数 (Z1) 和结构优化指数 (Z2) , 分别对创新型城市创新绩效进行分析。
由上述所确定的权重值以及上式, 可以求得各年度南京创新型城市创新绩效指数为Z= (0.5374, 0.6659, 0.5315, 0.5609, 0.5602, 0.5248, 0.4122) ;创新产出指数为Z1= (0.2083, 0.2233, 0.2368, 0.2238, 0.1896, 0.2496, 0.175) ;结构优化指数为Z2= (0.3292, 0.4426, 0.2947, 0.3371, 0.3705, 0.2752, 0.2372) 。
4 创新绩效指数的动态分析和静态分析比较
由上文所得的创新型城市创新绩效指数的结果, 可以绘制出创新型城市创新绩效指数动态分析状况如图1所示;通过对原始数据进行处理后, 可得出创新型城市静态创新绩效指数, 并得出创新型城市创新绩效指数的静态分析状况如图2所示。
从静态视角看, 南京创新型城市创新绩效指数自2004年来逐年升高, 但增长幅度逐渐减缓, 至约2009年达到最佳水平, 近年则有下降趋势, 但仍然维持着较高水平;创新产出指数保持着上升趋势, 而结构优化指数近年下滑幅度相对稍大。从动态视角看, 南京创新型城市创新绩效指数、结构优化指数均呈现出上下波动状态, 创新绩效指数和结构优化指数呈现下滑趋势, 其中结构优化指数下滑幅度相对较大, 而创新产出指数则相对平缓。
笔者通过对南京创新型城市创新绩效指数进行动态和静态对比研究后, 分析了其形成下降及波动趋势的原因:
(1) 南京创新型城市动态创新绩效指数近些年虽逐步下降, 但是静态创新绩效指数仍保持着相对较高的水平, 可知, 南京市的创新型城市发展仍处于较高水平, 并且仍处于高速发展状态。
(2) 南京创新型城市建设已经达到较高水平, 创新型城市建设发展潜力已经得到了较高水平的开发。近年来, 由于人口、自然及社会环境、资源等因素的变化, 动态创新绩效指数受其影响, 也相应发生变动。
5 创新绩效与创新主体、创新环境的灰色关联分析
自从华中科技大学的邓聚龙教授于1982年首次提出了灰色系统理论的概念之后, 灰色理论得到了学术界较为广泛而深入的研究。而灰色关联分析则是灰色理论中最为常用的决策方法之一, 具有着实用、简单且可操作性强的特点, 已经产生了很大的学术价值和应用价值[14,15]。
本文构建了创新型城市的创新绩效指数, 反映了南京市2004—2010年在创新型城市发展过程中所取得的推动性建设成果情况, 同理, 可以构建南京市2004—2010年间的创新主体指数和创新环境指数, 所求得的创新主体指数为X= (0.8443, 0.6150, 0.5109, 0.3656, 0.4189, 0.7366, 0.4847) ;创新环境指数为Y= (0.6951, 0.4151, 0.5506, 0.3297, 0.4734, 0.7637, 0.4361) 。将创新主体指数、创新环境指数与创新绩效指数整理如表4所示。在上文所求得创新型城市建设的创新主体指数、创新环境指数以及创新绩效指数的情况下, 可以利用灰色关联分析模型对其内部关系进行分析, 进一步探讨创新绩效与创新主体、创新环境之间的相关程度。
在进行灰色关联分析时, 首先构建评价指标体系, 获取各指标的数据并将其进行无量纲或归一化处理。本文对创新型城市的创新主体、创新环境和创新绩效进行分析的一般步骤如下:采取初值比的方法进行无量纲处理, 即将所有指标的数据除以某一指标的数据, 产生各指标相对于被比较指标的倍数, 从而实现了无量纲化。由于是分析创新绩效与创新主体和创新环境之间的关联程度, 本文将创新绩效指数作为初值。
其中, i在2004年取1, 在2005年取2;依此类推。经过对原始数据进行无量纲处理之后, 可以求得离差矩阵L:, 其中X'i0和Y'i0分别表示创新主体指数、创新环境指数与创新绩效指数之间的离差程度。创新主体指数、创新环境指数与创新绩效指数之间的关联度可以由下式来进行计算:
其中:ρ为分辨系数, 本文中取ρ=0.7;r (Xi, Yi) 指第i年的创新主体指数与第i年的创新绩效指数的关联程度。在求得各年份创新绩效指数与创新主体指数的关联系数之后, 可以由下式求得创新绩效与创新主体之间的关联程度:
同理, 也可求得创新环境与创新绩效之间的关联系数。通过灰色关联分析求出的创新主体、创新环境与创新绩效之间的关系系数如表5所示。
由表5可知, 南京创新型城市建设中, 创新主体、创新环境与创新绩效的相关系数分别为0.4072和0.3586。创新主体与创新环境在创新型城市建设的创新绩效之间均呈现正相关, 且创新主体与创新绩效的关联相对创新环境要略大一些。说明在创新型城市的建设中, 创新主体是主要力量, 但是创新主体只有在良好的创新环境中才能完全发挥其优势和主观能动性, 最终实现构建创新型城市的目标。
6 结论与政策建议
对创新型城市的理论进行研究有利于创新型城市更好地发展。本文通过改进熵权法确定创新型城市创新绩效指标各因素权重, 提出了创新型城市创新绩效指数包括创新产出指数和结构优化指数;基于灰色关联分析对创新型城市指标的内部参数进行了关联分析, 通过对南京市2004—2010年的数据进行实例分析, 并对南京市创新型城市动态创新绩效指数和静态创新绩效指数进行了对比分析。基于本文的研究结果, 对南京创新型城市的推动建设提出以下政策建议:
(1) 着力创新环境的培育, 注重创新基础设施及人才资源建设。创新型城市的基础设施是创新主体发挥作用的基础和前提。从基于熵权法求得的各指标的权重可知, 创新型城市的基础设施对创新环境的形成占有重要的地位。注重创新基础设施建设, 并不是无节制地构造基础设施, 而是构建与城市规模及发展阶段相适应的基础设施规模。在进行技术设施建设的前提下, 还要加强人才资源的培养, 维持骨干精英队伍, 吸引高端人才。
(2) 充分发挥创新主体的作用。创新主体包括企业和公共研发机构, 是创新型城市建设的实践者。通过灰色关联分析可知, 创新主体对创新型城市的创新绩效具有较大的相关性。加大对高新技术企业的支持, 并整合力量构建优质的科技孵化器和加速器;解决中小科技型企业融资难的问题, 鼓励和支持中小科技型企业的发展, 从而达到充分发挥创新主体的效果。