综合评价模型

综合评价模型（通用12篇）

综合评价模型 篇1

摘要：利用层次分析法、模糊综合评价等方法对体质指标进行综合评价。建立了可行的体质综合评价的数学模型, 进行了验证且符合实际情况。从而对体质指标值进行科学的综合评价, 为体育决策者从量化的角度研究综合体质提供了数学模型, 有助于客观地评定一个人的体质状况。

关键词：体质综合评定,模糊评价,数学模型

引言

随着社会生产力的不断提高和经济的发展，越来越多的人开始关注自己的身心健康，开始了解体质健康是国民综合素质的一个重要方面，体质的好坏对个人发展的好坏也起到至关重要的作用。因此人们急切地希望能有一个合理实用的方法对自身的体质进行综合评价。目前国内外有很多体质评价方面的研究。例如文献[1]用数理统计法按身高标准体重分组计算体质健康各评价指标之间的相关系数, 文献[4]通过场地设施指标、系统环境支持指标、综合管理指标与身心指标四个维度构建了体质监测评价指标体系，然而它们大多只对体质进行定性的判断，却没有进行量化的评判。在给一个人进行多方位综合评价后，给出一个量化的评价是大家心理上所期待的。所以，建立一个量化的体质综合评价数学模型是一个急需解决的问题，本文利用模糊综合评价的方法把该问题模型化，建立了上述的模型，能够客观量化地给出被测试者的分数，以期为人们进行体育锻炼提供理论指导和参考依据。

1、体制综合评价数学模型的构建

1.1 构建体质评价结构

影响一个人的体质评定可以有几个方面，因此，需要通过组建专家队伍找出最能影响体质评价的几个重要因素，给出各个因素的评语等级，并且通过层次分析法运算出各因素对体质影响的权重向量。（层次分析法的具体内容见参考文献[2]）

1.2 构建评价系数矩阵

邀请专家对各个评价指标的评语集进行打分确定指标评价系数矩阵R。

1.3 计算评价权重向量通过计算

权重向量进行归一化处理，然后将代表较好及以上的级别的权重相加得到的值乘以100即为此人的体质得分。

2、实例应用分析

现在对衡阳师范学院数学与计算科学系某同学进行综合评价，经过征求和咨询学院卫生室的医生、衡阳师范学院体育系专业体质测试指导老师可知影响人体体质综合评价的几个重要影响因素为：肺活量、身高标准体重、台阶试验、握力测验、仰卧起坐、跳远。

通过层次分析法计算出他们的权重向量，通过体质测试指导老师依据某人A的测试得分给出评判如下：

根据此表得出指标评价系数矩阵R

计算评价权重向量

将向量归一化处理得

可以看出此人好的权重为0.5，较好的权重为0.333，因此如果取较好以上为标准打分则此人得分为83.3分。

另一人B的测试得分评判如表1。

计算评价权重向量

可以看出此人好的权重为0.428，较好的权重为0.286，因此如果取较好以上为标准打分则此人得分为71.4分。通过比较两人的成绩可以发现A的综合体质成绩要高于B的综合体质成绩，可以得出A的体质要比B的体质好，如果仅仅对各项分数求和取平均就会发现，这两个人的分数是一样的，即两人的体质一样好．但是事实却是A的体质要比B的体质好，因此用求和取平均的方法评定一个人综合体质的好坏是不科学的。而用此模型可以比较客观地评定一个人体质的好坏。

3．结论

1）由如上模型应用的结果可以看出此评价模型较好地解决了在评价一个人体质好坏时只能定性评判而不能定量分析的难题，使得评价更加清晰直观。

2）对于一个人的体质评定来说，是一个极其复杂而又包含极大模糊性的问题，每个研究体质评价的研究者都希望能够尽可能地考虑到各方面因素，做出最佳的评价模型。而绝大多数的评价都是模糊的，用模糊数学的综合评价方法来进行评价是一种实用且科学的方法，因此，本文提供的模糊数学评价与层次分析法结合的模型对体质的评价非常实用。

3）通过计算权重向量可以知道，肺活量的高低对一个人体质的好坏影响最大，其次是身高标准体重与仰卧起坐，再次是台阶．因此在平时锻炼身体的时候可以着重进行这方面的锻炼。

致谢:在本文写作的全过程衡阳师范学院数学与计算科学系主任杨柳老师都给出了细微具体的指导, 在此特向杨柳老师表示衷心的感谢!

参考文献

[1]李雪香, 王明俊.基于身高标准体重分组的体质健康评价指标相关性研究[J].内蒙古体育科技.2009, 22 (2) :90-94.

[2]蔡常丰.数学模型建模分析[M].北京:科学出版社.1995.

[3]刘林.应用模糊数学[M].西安:陕西科学技术出版社.1996.

[4]白成良, 罗振宇.大学生体质监测评价体系的构建[J].中国成人教育.2008, 09:134-135.

综合评价模型 篇2

构建了水质模糊综合评价模型,并以雅安市青衣江龟都府水质监测断面为例,对比分析了水质的`单因子评价法和模糊综合评价方法的特点.结果表明:雅安市青衣江龟都府水质的单因子评价结果为Ⅲ类,模糊综合评价结果对Ⅰ、Ⅱ、Ⅲ类水质标准相应的隶属度分别为0.771 6,0.178 1,0.050 3,反映尽管断面水质在单因子评价中为Ⅲ类,但大部分监测指标能达到Ⅰ、Ⅱ类标准,模糊综合评价比单因子评价法更能全面地反映水质状况.

作 者：何锦峰 刘艳艳 舒兰 刘邵权 HE Jin-feng LIU Yan-yan SHU Lan LIU Shao-quan  作者单位：何锦峰,刘艳艳,HE Jin-feng,LIU Yan-yan(重庆交通大学,河海学院,重庆,400074)

舒兰,SHU Lan(重庆交通大学,人文学院,重庆,400074)

刘邵权,LIU Shao-quan(中科院、水利部成都山地灾害与环境研究所,成都,610041)

刊 名：重庆工商大学学报（自然科学版） 英文刊名：JOURNAL OF CHONGQING TECHNOLOGY AND BUSINESS(NATURAL SCIENCES EDITION) 年，卷(期)：2009 26(2) 分类号：X37 X322 关键词：水质   模糊综合评价   单因子评价   隶属度  

管理体系模糊综合评价的数学模型 篇3

管理体系的评价关联着两个问题:其一是管理体系的标准:其二是管理体系的评价。管理体系的“标准”根据管理的目标是完全可以确定下来的，但根据“标准”如何进行“评价”是有一定困难的。因为“评价”是个“软”东西，它包含许不确定因素（即模糊性）。到底怎样评价管理体系的质量呢？传统的评价方法有总分评价法和加权平均法，这两种方法都是一种粗略的评价。这里，利用模糊矩阵的运算对个体单因素进行模糊评价，对总体多因素进行综合评价。以期对管理体系有一个科学、合理、公正的结论，从而提高管理的质量，优化管理体系。

二、问题的分析

1.个体单因素的模糊评价。所谓个体单因素，是指考核标准中的每一个项目，而对每个项目所给分值，就是对每个个体因素评价的结果。首先，由评课专家组拟定一个评价方案。例如,个体单因素“能体现销售策略”一项，专家组共同拟定评价集合：V={优，良，中，差}。

通过测试，有30%的专家认为是“优”，有40%的专家认为是“良”，有20%的专家认为是“中”，有10%的专家认为是“差”，于是，就得到一个模糊评价向量：=（0.3，0.4，0.2，0.1）。

这个向量是评价集V这一论域上的一个模糊子集。依此类推，可以得到其它评价项目的个体单因素的这种模糊子集。很明显，模糊评价向量已经表明了个体单因素“能体现销售策略”在专家组心目中的看法了。若还需要一个对该因素更明确的判断，就可根据最佳隶属原则，在中各元素（即对的隶属度）中选一个最大者——此例中（良）=0.4，即表达了专家组对该管理体系在个体单因素“能體现销售策略”方面的评价：良好。

2.总体多因素的综合评价对个体单因素的评价是比较容易的。但是，一个管理体系，一般都关联着若干个因素。所以，应该在对诸多个体因素的评价基础上予以综合——这就是模糊综合评价。前面已经提到，由于参评专家自身的原因，在评价某个管理体系时，会带来对各个因素的着眼点不尽相同，即对诸因素有不同的侧重，从而导致评价结果可能是不相同的。为平衡这一点，专家组宜事先拟好对个体单因素的侧重程度——权。权的拟定有多种方法，这里只介绍经验配置法或模糊配置法。

(1)权的经验配置法。这种方法是由参评专家集体会商，借鉴每位专家的经验和对管理体系各评价项目重要程度的理解，集思广益，共同确定各个因素对应的“权”。这种方法简便易行，但主观色彩较重，有一定的随意性。

(2)权的模糊配置法。在用比较选择法求模糊映射R的像B的原像时，如果事先设定S个原像，分别求出它们的像：

再由模糊集的择近原则，求出与最贴近的模糊集：

，其中，是与的贴近度，用下式计算：。

这里，在相同的论域上，

表与的内积:，

表与的外积:。

那么对应的原像就是比较好的模糊配置“权”方案。这种方法的优点是比较接近客观实际，但需要较多的计算，另外，由于原像是人为设置的，因此，仍不能彻底摆脱主观色彩的痕迹。例如，对于个体因素“管理体系中的销售策略”，假设专家组要从三个方面评价：

①同类产品的对比度及根据实际问题做市场调研工作确定产品的价格。

②对该产品的潜在市场是否做相应的调查。

③是否对专业销售人员做专业的培训。

评价集：V={优、良、中、差}。

查阅后，假设无人说“优”，80%的专家说“良”，20%的专家说“中”，无人说“差”，那么，评课组专家对该管理体系在“销售策略”方面的综合评价模糊向量就是:B=（0，0.8,0.2,0）。

若专家组对三个个体因素A、B、C的评价向量是：

R（10）=（0.2,0.7,0.1,0）

R(20)=(0,0.4,0.5,0.1)

R(30)=(0.2,0.3,0.4,0.1)

则有评价矩阵为:

其实，所谓权的模糊配置，就是在若干套人为配置权方案中，通过模糊矩阵计算优选的一套，是比较公平的一套权配置方案。

三、模型的建立

1.一般地，根据管理体系总体要求，由优到劣，给出个等级评价项目，即设置总体评价集:。

2.相应于评价集，确定个具体评价项目，即设置个体单因素集:。

3.给的每个元素加权，即确定与对应的权集。

4.对中的每个个体单因素对照评价集V，分别给以评价，即得V上的模糊评价子集：。

从而得到诸个体单因素的评价矩阵：

;

5.由模糊矩阵运算，即得某管理体系的销售策略的模糊综合评价结果矩阵（评价集V上的子集）:。

6.对评价结果进行归一化处理:。

就是管理体系的模糊综合评价数学模型。从这个数学模型中可以看出评课专家对某管理体系的销售策略的总体评价。

四、模型应用

1.评价“教学态度”

权集，专家对两款的评价矩阵，于是专家对某老师“教学态度”的评价结果是：

2.评价“教学内容”

权集

专家对三款的评价矩阵，于是专家对某老师“教学内容”的评价结果是：

同理可得“教学方法”，“教学效果”的评价结果（不妨设为）：

这样，就可得到整体评价矩阵和权集:

从而整体评价结果：

因为，对归一化，最后的评价结果为：

。

这个评价结果表明：18.1%的专家认为课为优，27.3%的专家认为课为良，27.3%的专家认为课为中等，27.3%的专家认为课讲得差。

综合评价模型 篇4

传统的教师教学质量评价方法主要采用单因素评价或定性分析, 评价体系不够全面, 不能够反映客观事实。而新兴的评价方法则存在评价指标体系不够科学, 权重的确定缺乏科学性, 评价结果难以准确地量化等缺点。不合理的教学质量评价体系严重影响教师的教学积极性, 不利于学校教学管理工作的实施, 将导致学校教学质量难以提升[1]。教师教学质量是一个多因素、非线性的问题, 具有模糊性, 教学质量评价应考虑多因素的影响, 所以应该采用模糊综合评价法来评定教师教学质量。

二、模糊综合评价的基本原理和步骤

模糊综合评价法[2]是一种基于模糊数学的综合评标方法。教师教学质量评价是一个涉及多个因素的评价问题, 对不同的评价因素及应用不同等级的模糊语言进行评价, 通过模糊综合评价法将基本的定性评价转化为量化的数据, 最终得出科学、客观、准确的教学质量评价结果[3]。

模糊综合评价[4]的关键在于权重的确定、模糊关系矩阵的确定、算子的选择。

三、构建教学质量的模糊综合评价的数学模型

1. 建立评价指标因素集。

以U作为影响评价对象 (教学质量) 的各种主要因素所组成的集合:U={u1, u2, u3, …, un}, 体现教师教学质量优劣的因素集U包括教学态度、教学方法、教学内容和教学效果等子因素[5]。

2. 确定评价因素的权重集。

权重集的确定可以采用抽样调查或主观确定的方法, 根据各因素对教学质量评价的重要程度对其赋予相应的权重系数ai, 从而构成评价因素的权重集合A, A={a1, a2, a3, …, an}, 且

3. 确立评价等级档次集。

建立教师教学质量评价等级档次集V={v1, v2, v3, …, vn}, 可具体划分为优劣等级集合:V={优秀, 良好, 一般, 较差, 很差}。

4. 进行单因素模糊评价, 确定评价模糊矩阵。

对单因素ui= (i=1, 2, 3, …, n) 进行评价, 得到V上的模糊子集:单因素评价向量Ri={r11, r12, r13, …, r1m}, 从而确定了从U到V的模糊评价矩阵 (rij表示指标ui评为uj的隶属

在实际教学质量评价系统中, 为了对教师教学质量进行全面、客观、准确的评价, 在对评价对象进行评估和判断时应从不同主体的角度进行观察分析, 即综合考虑在校学生、同行教师、教务督导、教育专家的意见[6]。

5. 进行模糊综合评价。

考虑多因素情况下的权数分配, 则教师教学质量的模糊综合评价模型为:

进行U到V的模糊变换A○R, 即合成运算, 得V上的模糊子集B, 即对评价对象的模糊综合评价结果。A与R的合成运算可采用算子对:M (∧, ∨) 或M (·, +) 。

6. 综合评价分值。

采用“加权平均法”对评价结果指标进行处理, 以bj为权数, 进行归一化处理, 即∑mj=1bj=1, 对各评价集元素vj进行加权平均, 得到最终评价结果v′=∑mj=1bjvj。

四、应用说明

参照教学质量的模糊综合评价的数学模型, 以对某高校教师进行综合评价为例, 假定经过调查与协商确定该校评价因素的权重集合为A= (0.3, 0.3, 0.2, 0.2) 。按评价优劣等级的集合V={优秀, 良好, 一般, 较差, 很差}。各评价主体分别从各评价指标因素U={u1, u2, u3, u4}对评价对象进行评价, 由在校学生, 同行, 教学督导, 教育专家从教学态度u1, 教学内容u2, 教学方法u3, 教学效果进行评分。按公式rij=p1wij+p2xij+p3yij+p4zij (i=1, 2, 3, …, n;j=1, 2, 3, …, m) 计算, 从而确定了从U到V的模糊评价矩阵 (p1, p2, p3, p4分别取0.4, 0.2, 0.2, 0.2) :

进行U到V的模糊变换, 合成运算采用算子对M (∧, ∨) :

进行归一化处理: (0.3886, 0.3886, 0.1736, 0.0492, 0) , 用数字将评价等级档次集V={优秀, 良好, 一般, 较差, 很差}具体化, 得V={1.00, 0.85, 0.70, 0.50, 0.00}

则模糊综合评价结果为:v′=∑mj=1bjvj=0.8650处于良好偏上。

结束语

通过构建教师教学质量的模糊综合评价的数学模型, 使用定量化的方法保证了评价的科学、客观与合理性。由于不同的评价主体评价的角度与侧重不同, 且对同一评价项目的理解不相同, 为了保证评价结果的准确性, 可以对在校学生、同行教师、教务督导、教育专家等评价主体制定不同的评价指标体系。同时, 不同的学校也可以根据自己的办学特色以及学校教学管理的需要来确定不同的评价指标因素与权重。

参考文献

综合评价模型 篇5

论文关键词：云模型;工作满意度;云发生器;高等院校

工作满意度(JobSatisfaction)一词最早见于Hoppock(1935)所发表的一篇关于工作满意度的研究报告，是指员工对其工作所持有的一般性的满足与否的主观态度，包括工作本身、工资、晋升、认可、工作条件、福利、自我、上级、同事及组织外成员等方面。此后，有关工作满意度的研究就成为现代管理科学和管理心理学的重要研究课题。一般而言，满意度与工作效率成正比关系，员工满意度直接决定他们的工作积极性水平，从而影响组织的绩效。近年来，我国高等院校得到了迅速发展，竞争也愈演愈烈。依赖教师的忠诚奉献已成为高等院校求得发展的关键所在。对高校来说，最关键的资源是人力资源，只有致力于建立学校与教师的良好关系，提高教师满意度，充分发挥教师的聪明才智，学校的发展才能有所保证。因此，重视高校教师的满意度，对高校教师满意度进行准确的评价分析，有效地提高教师工作满意度，对吸引、留住并激励教师具有特别重要的意义。文章通过对某高校教师满意度进行调查研究，利用云模型建立了教师满意度评价指标影响强度的定性定量转换模型，提出一种新的高校教师满意度评价方法。

1云模型简介

1.1云的概念及其数字特征

云是利用语言值表示某个定性概念与其定量表示之间不确定性转换模型，它主要反映自然语言中概念的两种不确定性，即模糊性(边界的亦此亦彼性)和随机性(发生的概率)，并把两者完全集成在一起，构成定性和定量间的映射。

设U是一个用精确数值表示的定量论域，C是U上的定性概念，若定量值x∈U是定性概念C的一次随机实现，x对C的确定度u(x)∈[0，1]是有稳定倾向的随机数u：U-[0，1]Vx∈U，x-u(x)，则x在论域上的分布称为云(Cloud)，每一个x称为一个云滴。如果概念对应的论域是n维空间，那么可以拓广至n维云。

云模型所表达概念的整体特性可以用云的数字特征来反映，云用期望Ex(Expectedvalue)，熵En(Entropy)，超熵He(Hyperentropy)三个数字特征来整体表征一个概念，记做c(Ex，En，He)。期望Ex是云滴在论域空间分布的期望，是最能够代表定性概念的点，或者说是这个概念量化的最典型样本;熵En代表定性概念的可度量粒度，熵越大通常概念越宏观，也是定性概念不确定性的度量，由概念的随机性和模糊性共同决定。超熵He(Hyperentropy)是熵的不确定性度量，即熵的熵，由熵的随机性和模糊性共同决定。

1.2云发生器

云发生器(CloudGenerator，简称CG)是指被软件模块化或硬件固化了的云模型生成算法，云发生器建立起定性和定量之间的相互联系，相互依存，定性中有定量，定量中有定性的映射关系，主要有正向云发生器和逆向云发生器两种。

正向云发生器(ForwardCloudGenerator)是从定性到定量的映射，其输入是云的数字特征(Ex，En，He)和云滴数量N，输出是N个云滴在数域空间的定量位置及每个云滴代表概念的确定度，其原理如图1所示。

逆向云发生器(BackwardCloudGenerator)是从定量到定性的映射，它将一定数量的精确数据转换为数字特征(Ex，En，He)表示的定性概念，其原理如图2所示。

2高校教师满意度评价指标体系的建立

综合评价模型 篇6

关键词：绩效评价；隶属函数；指标体系

目前，移动公司对其营业厅营业员的绩效评价很简单，单独的由每个月的新业务量来评判员工的绩效，这存在着很大的缺陷。每个营业厅所处的外部环境不同，因此其营业情况也不同，所以应对每个营业厅的营业员分别进行绩效评价。并且，只用新业务量来评价员工的工作，也存在着局限性。因为新业务率=新业务/总业务量，如果一个员工的总业务量小，那么他的新业务率就会高，这不利于调动员工的积极性。如今，服务行业的服务质量越来越受到关注，所以工作人员的服务质量也应该是绩效评价的标准之一。因此，本文对营业厅员工绩效进行建模，并评价其工作绩效。

一、员工绩效评价指标体系的建立

绩效考核是指在某一个时间区间的期初确定考核指标、绩效目标和评价标准，到了期末的时候就依据这些确定的指标、目标和标准对员工的实际绩效表现来进行评价的过程。可见，绩效考核指标是进行绩效考核的基本要素，制定准确、合理的指标是绩效考核取得成功的基础。

（一）员工绩效指标体系

首先，营业厅是其客户办理业务的主要渠道，营业员办理业务的多少直接反映了这个员工的工作量。但是，员工每天在营业厅只是被动的接受客户前来办理业务，只用业务量考核营业员的工作，不利于调动他们的积极性。营业员还应该积极主动的向客户介绍、推销新业务。当然，营业员并不能仅仅在数量上求多，工作质量、工作效率也是十分重要的。另外，营业厅作为为客户提供服务的场所，营业员的服务质量也是一个不容忽视的方面。同时，出勤率、专业知识反映了员工对待工作的态度，团结协作的能力、学习能力反映了员工的素质，也都是衡量营业员绩效不可缺少的因素。

通过以上的分析，可以确定9个指标，并且可以分为定量和定性两类。营业厅员工的一个绩效考核指标体系如表1所示。该指标体系主要由能力和行为两个指标组成。其中，能力指标包括员工的业务量、新业务、出勤率、工作质量（投诉）、专业知识（考核），行为指标包括员工的服务态度、工作效率、团结协作、学习能力。行为指标评价难度较大，主观性因素比较多，很难保证公平性，但有时是必不可少的。一般来说，将产出指标和行为指标结合起来用效果最好。

（二）指标的衡量

能力指标中，二级指标观察数据可以直接得到。业务量是营业员当月办理业务的数量；新业务是指营业员主动向客户介绍推荐，客户同意办理的业务数量；出勤率等于该员工当月实际出勤的天数/应该出勤的天数；工作质量则用员工受到的顾客关于当月的投诉数来衡量；专业知识用平时公司组织的业务知识考核分数来衡量。

行为指标都是定性指标，没有具体的数据资料，其二级指标观察数据可以通过员工的领导、同事、顾客对员工打分获得。服务态度可从营业员是否微笑服务，对待顾客是否诚恳、有耐心、文明用语等方面来判断；工作效率可看员工有无在工作期间聊天、做工作以外的事情；团结协作能力指员工能否在工作中讲求团队精神；学习能力是指营业员在学习新业务知识时的能力。在此采取十分制，共分为5个大类：3分，较差；5分，一般；7分，较好；9分，很好。打分人员可以根据自己的理解对员工进行打分。

二、员工绩效多层次模糊综合评价模型

（一）建立隶属函数

为求模糊矩阵R，就要根据待评员工的指标数据，对每一个评价指标ui(i=1,2,…,9)，分别构造出它隶属于v1（优）、v2（良）、v3（中）、v4（及格）、v5（不及格）的隶属函数v1i、v2i、v3i、v4i、v5i。9个指标——业务量u1、新业务u2、出勤率u3、工作质量（投诉）u4、专业知识（考核）u5、服务态度u6、工作效率u7、团结协作u8、学习能力u9，它们可以分为两类：一类是正指标，指标值越大越好，如业务量u1、新业务u2、出勤率u3、专业知识（考核）u5、服务态度u6、工作效率u7、团结协作u8、学习能力u9；另一类是逆指标，指标值越小越好，如工作质量（投诉）u4。

设ci为指标ui的最小值，di为指标ui的最大值。

1、正指标隶属函数的构建。把指标ui的观察值从小到大平均分为三类：

L1=Z11,…,Zln,,L2=Z21,…，Z2m,L3=Z31,…,Z3P

求三个类的平均值：

令x1i=ci,x2i=ζ1,x3i=ζ2,x4i=ζ3,x5i=di，把［x1i,x5i］区间划分为五个等级，以最能表示某及特性的点的隶属度为1，而边界交点概念最模糊，隶属度为0.5。构造指标的五个等级隶属函数如下：

2、逆指标隶属函数的构建。方法与正指标完全相同。确定x1i，x2i，x3i，x4i，x5i，把［x1i，x15］区间划分为五个等级，以最能表示某及特性的点的隶属度为1，而边界交点概念最模糊，隶属度为0.5。构造指标的五个等级隶属函数如下：

（二）建立综合评价矩阵R

根据以上的隶属度函数，可得第i个员工的隶属度矩阵R（i）。

由B＝AoR（i），既可得第i个员工的综合评价B（i）。再把其归一化，从而对各个员工进行绩效评价与比较。

三、应用举例

（一）权重的确定

根据层次分析法原理，我们设计了员工绩效权重打分表，并请专家进行打分，得到一级指标的权重为A0=（0.7，0.3），二级指标的权重为A1=（0.2，0.3，0.1，0.3，0.1）和A2=（0.6，0.2，0.1，0.1），所以各指标的综合权重为：A=（0.14，0.21，0.07，0.21，0.07，0.18，0.06，0.03，0.03）。

（二）隶属函数的计算

南京某移动公司营业厅有员工6人，对其进行数据统计，得到某月的能力指标观察数据如表1：

由于行为指标不能直接得到观察数据，因此设计了一个调查打分表，由此营业厅的直接领导根据这6名员工平时的表现，对其四个行为指标进行打分（采取10分制，精度0.1），得到如下的打分表，如表2所示。

把表1数据代入隶属函数中，可得其隶属度矩阵R（i）（i=1，……，6）。

再由B＝AoR（i），并分别把它们归一化，得B=（b1、b2、b3、b4、b5），即：

（三）员工综合绩效评价的结果

令v1（优）、v2（良）、v3（中）、v4（及格）、v5（不及格）的分数分别为95、85、75、65、55，于是用pi=95b1+85b2+75b3+65b4+55b5，即可求出第i个人的综合得分。

p1=78.21235，p2=76.0681，p3=70.61255，p4=88.0049，p5=70.2675，p6=73.0388。

综上可得，丁的绩效最好，其次为甲、乙、己、丙，最差的是戊。因此，公司可根据该评价结果，对此营业厅的员工进行一定的奖罚。

四、结束语

绩效指标是一种有效的沟通方式，它以一种明确的方式告诉员工了企业最重视的价值和希望达到的目标，为员工指明了努力的方向，有助于员工通过对比实际绩效与预期绩效的差距进行自我学习。实行绩效评价，使员工明确实际绩效与预期绩效的差距所在，为员工提高绩效指明了方向。员工在此方面所做的努力，由绩效评价所记录，会提高员工对达成目标的自信心和成就感，激励员工不断改善绩效。同时，可将绩效评价与员工的奖酬制度联系起来的，员工会有持续的动力去追求更好的绩效。而奖酬制度如何能够更好的反应员工的绩效也是一个值得探讨的问题。

应用绩效评价方法的企业应当认识到绩效指标是一把双刃剑，它的威力在于能够不断强化它认同的行为。设计良好的绩效指标，能够激励和强化员工的“好行为”，得到期望的效果；设计不良的绩效指标，也会不断强化和鼓励员工的“坏行为”，破坏企业的价值．如何构造一种客观的、不易操纵的绩效指标是问题的关键。

参考文献：

1、杨少梅.层次分析法在员工绩效评价中的应用[J].华北电力大学学报,2006(7).

2、王清.绩效考评打造销售“铁军”[J].工厂管理,2003(4).

3、周齐武,邓峰,马如雪.经济附加值绩效评价在中国企业中应用的潜在价值[J].南开管理评价,2004(1).

4、张帆,王秉文,戴志诚.模糊综合评判在企业员工测评中的应用[J].现代管理科学,2004(4).

5、孙新波,于春梅,孙培山,吕计红.知识型企业知识员工的模糊综合评价[J].沈阳工业大学学报,2005(6).

（作者单位：南京农业大学理学院）

盈余质量综合评价模型及其应用 篇7

关键词：盈余质量,定量评价,主成分分析

盈余质量评价, 是指从投资者的角度对上市公司财务报告盈余信息的质量特征即对盈余信息的相关性和可靠性进行分析、判断。盈余质量评价的目的应该服从于财务报告的目的, 即进行盈余质量评价应有利于投资者透视报告盈余的可靠程度及其预测价值和反馈价值, 进而指导投资决策。具体来说, 盈余质量评价的目的是判断同一公司不同时期或者同一时期不同公司对外报告的盈余信息在相关性和可靠性方面的差异, 并且发现公司盈余信息在相关性和可靠性方面可能存在的重大问题。

一、盈余质量评价指标体系设计

构建盈余质量评价指标体系应以会计信息质量特征理论为指导, 按照会计信息的两个主要质量特征即相关性与可靠性选择和设计评价指标。在借鉴国外盈余质量评价指标的基础上, 综合考虑我国证券市场的特点、相关信息的可获得性以及财务报表分析指标后, 笔者主要从以下几个方面建立上市公司盈余质量的综合评价指标体系, 且将各指标依次设为Xi (i=1, 2, 3, …, 12) , 见表1。

表1中, 指标性质“+”表示正向指标, 正向指标是指经济含义上与盈余质量存在正相关关系的评价指标。

上述指标体系将以往研究中对盈余质量的度量统一于会计信息的质量特征框架之下, 既可以较准确地体现盈余质量的内涵, 即盈余质量的本质是盈余信息的质量特征, 又可以较完整地涵盖盈余质量的外延, 即盈余质量的外在表现形式包括盈余的持续性、稳定性、真实性及现金保障性。

二、盈余质量的综合评价模型

依据上述指标综合评价上市公司盈余质量之前, 必须对数据进行预处理, 即将上述指标值进行正态标准化处理以消除量纲的影响, 得到标准化的数据矩阵用于后续的研究, 经过预处理后的指标代码不变。由于上述盈余质量评价指标之间以及评价指标内部均存在强相关性, 为此, 拟采用主成分分析方法对上市公司的盈余质量进行综合评价, 得到每个样本的盈余质量评价指数EQ。

主成分分析是一种数学变换方法, 它把给定的一组变量 (X1, X2, X3, …, Xk) 通过线性变换, 转换为一组不相关的变量 (Y1, Y2, Y3, …, Yk) 。在这种变换中, 保持变量的总方差 (X1, X2, X3, …, Xk的方差之和) 不变, 即令Yi= (Xi-Zi) /Si (其中, Zi, Si分别为指标Xi的样本均值和标准差) 。同时, 使得Y1具有最大方差, 称为第一主成分, Y2具有次大方差, 称为第二主成分。依此类推, 有k个变量, 就可转换出k个主成分。在实际应用中, 主成分个数的选择视分析需要而定, 本文希望百分之百保留原来的信息含量, 因此选取全部的主成分。

在进行多指标的综合评价时, 还要在上述计算的基础上, 将多个主成分分别赋予不同的权重, 并加总得到一个综合指标EQ, 其计算公式为:

EQ=λ1Y1+λ2Y2+…+λkYk

式中:Y1, Y2, Y3, …, Yk分别为第1, 2, …, k个主成分表示式;λ1, λ2, λ3, …, λk分别为各主成分所能解释的方差占总方差的比例。

此过程利用SPSS软件自动完成。EQ得分越高, 盈余质量越好。

三、盈余质量评价模型的应用

1. 样本公司选择。

研究所使用的数据来自巨潮资讯数据库, 以上市公司宝钢2004~2007年财务报表作为研究样本。为了便于进行数据核对, 数据处理及分析在Excel和SPSS软件中完成。

宝钢全称为宝钢集团有限公司 (股票代码:600019) , 是国家授权投资的机构和国家控股公司, 主要经营国务院授权范围内的国有资产, 开展有关投资业务, 其拥有宝山钢铁股份有限公司的控制权。宝钢主要经营业务范围为:钢铁、冶金矿产、化工 (除危险品外) 、电力、码头、仓储业务和与钢铁相关的运输业务以及技术开发、技术转让、技术服务和技术管理咨询业务, 外经贸部批准的进出口业务, 国内外贸易 (除转项规定外) 及其服务。

宝钢2007年期末股本总数为1 751 200万股, 2006年期末股本总数为1 751 200万股, 2005年期末股本总数也为1 751 200万股, 2004年期末股本总数为1 251 200万股。宝钢2004~2007年主要会计数据见表2 (数据存在四舍五入) 。

单位:万元

2. 数据描述。根据宝钢2004~2007年的年度报表数据, 通过定量分析, 得出相关指标值如表3所示。

3. 运用SPSS统计分析软件进行主成分分析。

运用SPSS统计分析软件Factor (因子分析) 对公司的盈余质量指标进行主成分分析, 得出相关系数矩阵 (见表4) 、方差分解主成分提取分析表 (见表5) 、主成分载荷矩阵 (见表6) 。

对全部主成分进行分析, 将表6中的数据除以主成分相对应的特征值的平方根, 便得到主成分中每个指标所对应的系数。由此得到:

Y1=-0.220 8X1-0.264 4X2-0.360 4X3-0.327 0X4+0.341 0X5+0.349 0X6-0.009 5X7-0.307 3X8+0.259 1X9+0.259 1X10+0.298 5X11+0.297 4X12

Y2=0.416 1X1+0.220 7X2+0.175 9X3-0.059 2X4-0.232 8X5-0.222 4X6-0.048 3X7+0.231 1X8+0.412 7X9+0.412 7 X10+0.346 6 X11+0.351 2 X12

Y3=-0.260 2X1+0.425 5X2-0.037 3X3-0.349 5X4+0.117 4X5-0.045 0X6+0.700 4X7+0.300 3X8-0.092 8X9-0.092 8X10+0.090 7X11+0.078 1X12

以每个主成分所对应的特征值占所提取主成分总的特征值之和的比例作为权重计算主成分综合模型, 得到主成分综合模型如下:

EQ=0.579 2Y1+0.252 3Y2+0.168 5Y3

根据主成分综合模型即可计算综合主成分值, 并对其按综合主成分值进行排序, 即可对各地区情况进行综合评价比较, 结果见表7。

4. 研究结论。

研究结果表明, 宝钢的盈余质量水平与其综合主成分分析的结果具有一致性, 表示综合评价指标确实反映了公司的盈余质量水平;12个盈余质量评价指标中, 仅有每股净资产及每股未分配利润与公司的盈余稳定性和存货指标与盈余真实性关系不明显, 大部分盈余质量评价指标对盈余质量水平都具有较强的评价能力。虽然上市公司盈余质量应该反映公司的获利能力, 但事实上根据当年财务报表揭示的相关会计盈余信息, 通过综合评价盈余质量对公司未来的盈利能力会有相当的解释力。因此, 盈余质量评价有利于投资者做出正确的投资决策。

参考文献

[1].程小可.公司盈余质量评价与实证研究.北京:清华大学出版社, 2004

[2].孙晖, 李峰.上市公司盈余质量评价系统的建立与应用研究.辽宁工学院学报, 2006;12

[3].侯晓红.上市公司盈余质量的六维分析.财会月刊 (会计) , 2006;9

学生评教的模糊综合评价模型 篇8

学生评教是大多数学校都会进行的对教师教学检查的一项手段,可是单纯的让学生打分存在很大的局限性,尤其是在高校,学生学习的积极性有很大的差距,各个学院之间学生的基本素质相差也很大,统一打分取平均数不能够很好的反应教师的实际教学水平。本文采用模糊评定的方法,对不同的情况采用不同的权重,能在很大程度上避免学生乱打分而无法反应教师实际情况的问题。

1 学生评教体系模型

1.1 测评指标的选择

根据多年教学经验,本文选取了一些在教学中比较重要且具有代表性的指标作为测试指标。具体指标参数如表1所示。

1.2 满意度的模糊评价模型

对各项指标的满意度带有很大的主观性,这里主观感受很难用确定的数值来表示,具有模糊性,又由于影响因素较多,本文采用了二级模糊综合评价模型。

(1)建立评判对象因素集。

设主因素集U={U1,U2,U3,U4},每个主因素集的子因素集为:

(2)建立评判集。

评语集为V={V1,V2,V3,V4,V5},表示被测评者对某因素生活质量的满意程度,其中V1=“优”,V2=“良”,V3=“中”,V4=“一般”,V5=“差”,测评者对每一因素并非绝对的肯定或否定,因此对每一因素进行单因素决断可以看作是V上的模糊子集,其中bi(i=1,2,3,4)为隶属度。

(3)建立权重集。

设第i类因素Ui的权数为ai(i=1,2,3,4),则因素类权重集为A={a1,a2,a3,a4};设第i类中的第j个因素Uij的权数为aij,则因素权重集为Ai={ai1,ai2,…,aij},i=1,2,3,4。

权重的确定采用德尔菲法来确定,对评价因素集U={U1,U2,…,Un}两两进行比较,确定出两两评价矩阵

其中aij确定方法赋值如表2。

(1)计算判别矩阵每行所有元素之和,得到;

(2)将ω′归一化,即计算,得ω=(ω1,ω2,…,ωn);

(3)层次排序的一致性检验。为了避免两两比较而造成的整体不一致性。需要进行一致性检验:令,其中λmax表示判别矩阵的最大特征值;R.I表示平均随机一致性指标,可查表,本文需要的数值为n=3时,R.I=0.58;n=4时,R.I=0.90。

若C.R燮0.1,可认为判定矩阵具有一致性,否则需要对评分从新修订,直至满足一致性。

(4)一级评判和二级评判

一级评判:对Ui中的诸因素进行单因素决断,得到评判矩阵Ri,Ui中的诸因素的权重分配Ai={ai1,ai2,…,aij},求得综合决策Bi=Ai莓Ri。

二级评判:,如图1所示。

2 实例分析

为了说明模型的使用方法,现对某教师进行模拟测试。由于仅为了说明本算法,所以假设该教师只有三个教学班级,且每个班学习状况均不同,测数据如下:

(1)权重的确定

权重确定了各指标参数间的重要性关系,学生一般很难掌握,因此可以选取在被测试教师学科内的权威教师确定的权重指标。

三个班级a,b,c学生权重由任课教师进行确定

(2)确定模糊矩阵

给出c班级对该教师的打分情况见表3。

同理可得;

从而有

归一化得R1=(0.177,0.177,0.254,0.238,0.154)。

由最大隶属度原则,c班对该教师的评价为中,通过评语赋值,综合评价结果可转化为百分制得分。为此我们对评语V1,V2,V3,V4,V5分别赋值100,80,60,40,20,则被评价的模式得分为:

经过计算后可得Rc=59.7

同样可得Ra=75.2;Rb=66.3

综合该教师得分为:75.2×0.4+66.3×0.34+59.7×0.26=68.15

由于对各个指标的划分本身缺乏精确的依据,虽有层次之分,但毕竟界限模糊,从一个层次到另一个层次并没有明显的界限,因此评价结果也必然是模糊的。在高校教师质量的评价中,精确方法的使用具有一定的局限性。而这里采用的多级模糊综合评价方法,克服了由于高校教师教学质量的评价指标的不确定性以及各层次之问的边界模糊性的问题,使得评价结果更具有科学性和准确性。

3 结束语

学生打分不精确的因素众多,通过多级模糊综合评价方法简单易行,可对高校教师教学质量作出客观、科学、准确、全面的评价.它不仅可以为学校领导对此项工作的决策提供了可靠的依据,而且对于提高教学管理水平,督促教师提高工作责感,优化教学过程和结果,都具有相当重大的意义。

摘要：高校传统的学生评教方式具有局限性,不够准确。本文利用统计方法对学生进行了抽样调查,使用德尔菲法确定了学生评教的各主要因素的权重。通过对个指标体系的分析做出的模糊评判,证明了本文所提出的学生对教师评价的模糊评价模型简单可行,具有实用性。

关键词：模糊,评价,德尔菲法

参考文献

[1]胡宝清.模糊理论与工程系列丛书———模糊理论基础.武汉大学出版社,2004.

[2]纪崑,曾五一.多目标多层次模糊优选综合评价法的应用研究———区域可持续发展评价问题[A].山西财经大学学报,2006(5):23-26.

[3]冯俊文.模糊德尔菲层次分析法及其应用.数学实践与认识,2006,(9):44-48.

[4]肖光进,刘建秋.多因素决策的模糊评价模型[J].统计与决策,2007(9):12-14.

生态工业园区综合评价模型研究 篇9

关键词：生态工业园区,模块评价,指标体系,评价模型

20世纪50年代以来,传统的“末端治理”方式导致环境污染和资源短缺问题日益突出,迫使人们开始彻底反思传统工业的发展模式,用全新的视角审视工业系统和自然环境的关系。在这种背景下,生态工业园区(Eco-Industrial Park,EIP)作为一种物质闭路循环、能源梯级利用、废物产生最小化的新型生产组织形式而引起人们广泛关注。

专家指出,生态工业园区是循环经济的重要载体[1],是生态工业的重要实践形式,是继经济技术开发区和高新技术开发区之后第三代工业园[2]。Ausubel(1990)指出,由于“碳”是使现有工业网络运行的主要因素,传统工业系统越来越依靠碳燃料,工业生态系统与传统工业系统区别就在于非碳化[3]。随着人们对全球气候问题的重视和低碳发展呼声的高涨,未来社会将是基于化石能源高效清洁利用和开发可再生能源基础之上的低碳经济,生态工业园区由于具有非碳化、非物质化等特征,正逐渐成为世界工业园区发展的主流。

管理大师罗伯特·卡普兰和大卫·诺顿指出“不能衡量就不能管理”[4]。评价是管理的基础,是决策的前提。开展生态工业园区综合评价对于推动传统工业园区升级改造,以及促进循环经济发展和“两型社会”建设具有重要意义。生态工业园区综合评价是一个新兴的研究领域。通过谷歌学术和中国期刊网检索,可以发现目前大多数学者还处于生态工业园区评价指标的研究阶段,对评价模型的研究比较少,还没有人涉足模块化评价模型研究。因此,开展生态工业园区模块化的评价模型研究具有较高的实用价值。

1 生态工业园区综合评价指标及其权重

1.1 生态工业园区的特点

生态工业园区是模拟自然生态系统,追求资源最优利用的工业共生体。从综合评价角度分析,生态工业园区具有以下三个特点:一是结构的复杂性。生态工业园区是一个复杂的巨系统,由水资源、能源、物质等多个子系统组成,系统规模庞大。系统内外部关系多而且错综复杂,具有非线性结构。评价涉及的变量较多,数据采集的工作量较大、难度较高。例如:“高新技术产值比重”、“园区居民可支配收入”、“通过ISO14001认证企业”等指标数据难以收集。二是概念的模糊性。生态工业园区研究还处于起步阶段,人们对其的认识不尽相同。加上,生态工业园区处于社会经济系统环境之中,包含着政治、经济、生态、技术、社会等诸多因素。因此,生态工业园区的概念具有模糊性,生态工业园区的特征难以量化,需要采用一些定性指标来表示,例如:“水和能源系统网络度”、“企业间关联度”、“对园区变化监测能力”等。三是要素的相关性。生态工业园区由生产者、消费者和分解者组成,它们之间相互联系、相互作用、相互影响,园区具有横向耦合、纵向闭合、区域整合的特征。因此,在选择、设计指标时,需要考虑评价指标之间的相关性。鉴于上述情况,针对生态工业园区的特点,选择合适的评价指标和评价方法,来构建生态工业园区综合评价模型,这是十分重要的。根据系统分析的思路,下面将从主体、结构、管理和绩效四个方面,建立由四个子模型组成的总综合评价模型。

1.2 综合评价指标体系

美国可持续发展总统委员会(1996)认为,生态工业园是一个规划好的原材料和能源交换的工业系统,寻求能源和原材料使用和废物排放的最小化,建立可持续的经济、生态和社会的关系[5]。生态工业工业园区最本质特征在于,企业间相互作用以及企业与自然环境间的作用。对生态工业园区主要的描述是系统、合作、相互作用、效率、资源和环境,这些是与传统工业园区的根本区别。Ernest A.Lowe 和Lawrence K.Evans指出,由于明显减少污染来源,自然资源的需求减少,生态工业园区将证明在一个真实世界背景中实现可持续发展的原则[6]。作为管理工具的生态工业园区评价,其目的就在于促进园区可持续发展。

如何全面、动态、客观地评价生态工业园区是一个世界性难题。根据罗伯特·卡普兰和大卫·诺顿的平衡记分卡的思想,一个有效评价体系一般是由结果指标和动因指标组成的[7]。借鉴这一观点,本文将生态工业园区综合评价指标分为两类四模块,一类是驱动类指标,包括要素、结构、管理三个模块,另一类是成果类指标,即绩效模块。要素模块主要分析生态工业园区的构成主体要素的特性,结构模块主要分析生态工业园区各要素之间关系,管理模块主要分析生态工业园区内部管理活动,绩效模块主要反映生态工业园区的业绩和成效。

目前,在生态工业园区评价中,大多数学者往往过度关注园区现状和过去业绩,而忽视其发展能力。由于各个生态工业园区所处发展阶段不同,创新能力、管理水平、资源状况各不同,未来的绩效也将不同。若仅对过去业绩进行分析,难以客观、准确地反映园区的全貌。因此,对生态工业园区的评价不仅要体现历史业绩、运行现状的优劣,还要充分反映其发展潜力的大小,从而使评价结果更加具有导向作用和实用价值。

根据上述分析,综合国内外学者的研究成果,按照系统性和实用性相结合的原则,构建了“一主线、三维度、四模块”的生态工业园区综合评价指标体系[8],即以可持续发展为主线,融合“过去、现在、将来”三个维度,涵盖“要素、结构、管理、绩效”四个模块,形成由三层四类二十六个指标构成的综合评价指标体系(详见图1)。

1.3 权重系数

在生态工业园区评价指标体系中,每个指标的地位和作用不同,这就需要确定每个指标的权重系数。本文采用主观赋权法中层次分析法来确定权重系数。层次分析法(analytic hierarchy process,AHP)是一种定性与定量分析相结合的多准则决策方法,它在对复杂决策问题本质、影响因素以及内在关系等进行深入分析的基础上,构建一个层次结构模型。利用较少的定量信息,把决策思维过程数学化,对多目标、多准则或无结构特性的复杂问题进行决策。适用于决策结果难于直接准确计量,定性判断起重要作用的场合。本文利用EXCEL软件求指标权重[9],经过构造判断矩阵、一致性检验,确定了各指标的权重系数(如图1)。

2 生态工业园区综合评价模型

评价模型是指将多个评价指标值“合成”为一个整体性的综合评价值的数学模型。评价模型与评价方法密不可分。评价方法是实现评价目的手段,是体现评价对象特征的重要工具。评价方法与评价对象特性是否吻合,直接影响评价结果,不同评价方法会导致不同评价结果。因此,评价方法的选择在评价模型的构建中十分重要。

2.1 基于主成分分析法的主体模块评价

主成分分析法(principal component analysis)属于多元统计分析中处理降维问题的统计评价方法。它利用多个变量之间存在着相关性,设计将原来的变量重新线性组成若干互不相关的综合指标来代替原来的变量,并尽可能提取原来变量的信息来解释原有变量的协方差结构。主成分分析的工作对象是一张样本点乘以变量指标的数据表。目的就是在保证信息损失量最小的前提下,尽可能提取问题的主要方面,从而对多变量数据进行最佳综合简化。主成分分析法特点:评价对象各变量包含的信息量是参差不齐的,变量与变量之间往往不是独立的,而是相关的。主成分分析是对提取变量共性,利用降维分析技术,将多维变量系统转变为一个低纬变量系统。缺点:要求变量间具有线性关系,否则所作的分析及结论会失去意义。样本量较小,也会影响分析的准确性。

主体模块包括“万元工业增加值新鲜水耗”、“工业固体废物综合利用率”等8个评价指标,主要反映生态工业园区主体(生产者、消费者和分解者)的非物质化、循环性、资源化的特征,指标之间存在一定相关性,因此可采用主成分分析法进行评价。

评价综合值

undefined, (1)

式中λi为特征值,Fi为第i个主成分的得分。

2.2 基于模糊综合评价法的结构模块评价

模糊综合评价法(Fuzzy conprehensive evaluation)是以模糊数学为基础,应用模糊关系合成的原理,将一些边界不清、不易定量的因素定量化,从多个因素对被评价事物隶属等级状况进行综合性评价的一种方法。 模糊综合评价法优点是,数学模型简单,容易掌握,适用于对多因素、多层次的复杂问题评判。不仅可以对评价对象按综合分值评价和排序,而且可以模糊评价集的值按最大隶属度原则去评定对象所属的等级。缺点是,不能解决评价指标间相关造成的评价信息重复问题,确定隶属函数缺乏系统方法,合成算法还不完善,评价过程需要运用大量的主观判断。

结构模块由“企业关联度”、“废料链完善度”等5个指标构成,主要反映生态工业园区共生性、网络化、多样性等特征。由于全部指标均为定性指标,指标之间边界不明显,判断的模糊性和问题的不确定性较强。因此,拟采用模糊综合评价法进行评价。主要评价步骤如下:

(1)确定指标集和等级集

设U={u1,u2,…,um}为描述评价对象的m个评价指标;V={v1,v2,…,vn}为描述评价指标所处状态的n个等级。

(2)构造评判矩阵

可以确定每一个评价对象从U到V的模糊关系,构造一个评判矩阵:

undefined

其中:rij表示第i个因素ui 在第j个评语vi上的频率分布(隶属度),∑rij=1。

(3)确定权数向量

建立U上一个模糊子集A,A=(a1,a2,…,am),其中ai>0, 且∑ai=1。

(4)模糊合成

令决策集B=A×R,利用加权平均法等方法进行模糊变换。B={b1,b2,…,bn}, 0

(5)计算评价指标

假设相对于各等级vj规定的参数向量为:

C=(C1,C2,…Cn)T

结构模块综合评价分值:yi(2)=B×C (2)

2.3 基于加法合成法的管理模块评价

加法合成法是综合指数评价法的一种,适用于各评价指标间相互独立的场合,可使各评价值间得以线性补偿,权重系数作用比较明显,对于指标数据没有特殊要求,计算简便,容易推广。

管理模块主要反映生态工业园区创新管理能力和生态管理能力,包括“R&D经费支出占GDP比重”、“环境管理体系完善度”等5个指标,各个指标之间的独立性较强,因此,可采用加法合成法对管理模块进行评价。加法合成法评价模型如下:

综合评价值undefined

式中ωj是与评价指标xj相应的权重系数,undefined。

2.4 基于灰色关联度分析的绩效模块评价

灰色关联度分析(gray relational analysis)是一种多因素统计分析方法,用灰色关联度来描述因素间关系的强弱,依据关联度对系统排序。认为若干数列所构成的各条曲线几何形状越接近,则它们变化趋势越接近,其关联度就越大。首先求各个方案与由最佳指标组成的理想方案的关联系统矩阵,由关联系统矩阵得到关联度,再按关联度的大小进行排序、分析,得出结论。灰色关联法特点:它是按发展趋势作分析,对样本量没有要求,不需要有典型分布规律,可以用已知的信息推断未知的信息。利用各方案与最优方案之间关联度的大小对评价对象进行比较、排序。它能把相互间的不可比的各项指标变成可比的,对多指标系统的评价尤为有效。缺点是,绝对值关联度受数据中极大值和极小值的影响,一旦数据序列中出现某个极值,关联度就会发生变化。分辨系数的取值不同,也就会导致关联系数的不一致。

绩效模块由“人均工业增加值”、“工业增加值年增长率”等8个指标组成,用于揭示生态工业园区的经济绩效、环境绩效和社会绩效。指标之间独立性较强,不具有可比性,评价对象之间存在一定关联度。由于数据收集难度较大,可以得到的样本量较小。因此,可用灰色关联综合评价法对绩效模块进行评价。绩效模块评价模型如下:

综合评价值undefined

式中,

undefined

yi(4)为第i个评价对象对理想对象的灰色加权关联度,关联度越大评价值越好。

2.5 总评价模型

根据生态工业园区的特征,在上述四个子模型的基础上,构建了新的综合评价模型——“弓箭模型”。“弓箭”由弓、弦、箭三个部分组成:“弓”指主体模块和结构模块,是决定生态工业园区绩效好坏的基础,分别采用主成分分析和模糊综合评价法进行评价;“弦”是指管理模块,是沟通生态工业园区内外因素的桥梁,是影响生态工业园区绩效好坏的重要因素,采用加法合成法进行评价;“箭”是指绩效模块,采用灰色关联度分析法进行评价。通过对子模型1、子模型2、子模型3、子模型4赋权合成,可建立总的综合评价模型:

undefined

式中,λ1,λ2,λ3,λ4为权重系数。利用层次分析法,可确定λ1,λ2,λ3,λ4分别为0.3046、0.1054、0.1557、0.4343。这时,可以依yi的值由大到小进行排序。

3 生态工业园区综合评价实例

下面利用“弓箭”模型,依据2006年有关数据,对苏州工业园区等9个生态工业示范园区进行综合评价。数据主要来源于从国家环保部、相关生态工业园区及其所在城市统计网站,数据残缺项用园区所在城市相关数据代替或依据相关数据进行推算。在26个指标中,Z9、Z10、Z11、Z12、Z13、Z16和Z17是定性指标,先采取德尔菲法确定等级,然后采用五级评分法确定评价数值。在具体计算中,为增强“弓箭模型”的实用性,主体模块采用SPSS16.0[10]软件计算分析,结构模块和绩效模块采用MCE[11]软件分析评价。

计算分析步骤如下:首先,对原始数据进行预处理,采用极值法将数据无量纲化。其次,运用4个子评价模型,计算出各个模块的评价值;然后,再将各个子模型计算出的模块评价数据无量纲化;最后,利用总的评价模型计算出最终的综合评价数值(见表1),建立中国生态工业示范园区排行榜。第一名至第九名依次为:天津经济技术开发区、苏州高新技术产业开发区、苏州工业园区、上海莘庄工业区、昆山经济技术开发区、烟台经济技术开发区、张家港保税区暨扬子江国际化学工业园、绍兴袍江工业区和日照经济开发区,综合评价值分别为8.3906、8.3505、8.3386、8.1018、7.9050、7.3541、7.0677、7.0598、6.9609。

4 结束语

本文利用灰色关联度分析法、主成分分析法、模糊评价法和加法合成法,构建了新的生态工业园区综合评价模型——“弓箭模型”,探索性地对苏州工业园等9个生态工业示范园区进行了综合评价,建立了中国首个生态工业示范园区排行榜,希望能够对我国生态工业园区发展起到促进作用。由于生态工业园区涉及变量较多、数据收集难度较大等原因,生态工业园区评价存在许多困难,尚处于起步阶段。但是,在可持续发展思想影响下,特别是在倡导低碳经济的现实背景下,生态工业园区将成为我国传统工业园升级换代的方向。与此同时,作为一个重要管理工具,生态工业园区评价将受到越来越多的政府部门和学者的关注和重视,具有广阔的发展前景。

参考文献

[1]李兆前.发展循环经济是实现区域可持续发展的战略选择[J].中国人口资源与环境,2002,12(4):51-56.

[2]罗宏,孟伟,冉圣宏.生态工业园区——理论与实证[M].北京:化学工业出版社,2004:117-191.

[3]AUSUBEL J H.Industrial ecology:reflections on a colloquium.Industrial Ecology[M].Washington D C:Proc.National Academy of Sciences,1992.

[4]卡普兰,诺顿.平衡计分卡——化战略为行动[M].刘俊勇,孙薇,译.广州:广东经济出版社,2004:17.

[5]President's Council on Sustainable Development.Eco-industrial park workshop proceedings[R],Washington(DC):President's Council on Sustainable Development,1996.

[6]LOWE E A,EVANS L K.Industrial ecology and industrial ecosystems[J].Journal of Cleaner Prodution,1995,3(1-2):47-53.

[7]卡普兰,诺顿.平衡计分卡——化战略为行动[M].刘俊勇,孙薇,译.广州:广东经济出版社,2004:17-31.

[8]雷明,钟书华.生态工业园区综合评价指标体系研究[J].中国科技论坛,2009(11):110-115.

[9]RAGSDALE C T.电子表格建模与决策分析[M].4版.杜学孔,崔鑫生,译.北京:电子工业出版社,2006:641-648.

[10]高祥宝,董寒青.数据分析与SPSS应用[M].北京:清华大学出版社,2007:357-364.

软件质量综合评价的投影寻踪模型 篇10

随着计算机应用的日益普及和信息化水平的不断提高，开发软件系统的质量要求越来越高和系统的体系结构也越来越复杂。然而由于系统的功能和复杂度越来越高，由此产生的系统可靠性问题便日益突出。并且当前的软件系统承载着大量的信息，一旦发生崩溃将会带来巨大的损失，因此设计和开发出高质量的软件系统，提高软件质量的研究已成为当前软件工程研究领域中的一个热点。

软件质量评价直接影响软件的开发、使用和维护，对软件进行客观、科学地评价对提高软件的质量有着重要的意义，至今已提出了很多的研究方法，如模糊综合评价方法[1,2]、人工神经网络[3,4]、投影寻踪[5]评价方法等。但模糊综合评价方法指标的权重一般都要由专家给定，而且定性信息也多是通过人的主观判断给予量化，由于这些受专家个人认知差异和专家弃权行为等因素的影响，存在着主观随意性和思维的不确定性，直接影响着评价结果的准确性。人工神经网络方法是一个黑箱模型，建模过程十分复杂、繁琐，而且算法很容易陷入局部最优值。文献[3]采用人工神经网络和文献[4]采用投影寻踪模型对软件质量分析，但把5个软件产品20个专家的打分情况看成是20个软件样本，然后对20个软件样本进行建模综合分析，曲解了原始论文[2]中的数据涵义，因此分析结果是错误的;并且文献[4]采用遗传算法对投影寻踪计算寻找最优解，但遗传算法随着维数的增多，搜索空间迅速变大，容易收敛到局部最优，并且稳定性较差，本文的研究表明，文献[4]也没有求得全局最优解。本文将粒子群(PSO)[6]算法和多智能体遗传(MGA)[7]算法应用于投影寻踪模型对软件质量进行综合评价。投影寻踪模型分析影响软件质量指标的权重取决于样本的客观数据，无需人为给定，使得分析更加客观和科学;粒子群算法通过个体间的竞争与合作来实现高维空间中的最优解的搜索，可以解决复杂优化问题;多智能体遗传算法是通过将遗传算法与多智能体结合，有效地解决了遗传算法容易陷入局部最优值问题，并且收敛速度远高于遗传算法。

1 基于投影寻踪模型的评价方法

1.1 投影寻踪模型

投影寻踪是一种处理和分析高维数据的新兴统计方法，在二十世纪八十年代由Friedman[8]等人提出的用于解决非线性、非正态分布和高维数据的处理算法，有效地解决了高维数据中的“维数灾难”。它是一种集特质提取与数据压缩于一体的数据处理方法与理论，具有稳健性好、抗干扰能力强和准确度高等优点。

1.2 投影寻踪建模过程

投影寻踪模型基本思想就是构造投影指标函数，把高维数据投影到低维空间上，利用投影指标函数找出最佳投影向量，根据最佳投影向量来分析和研究高维样本数据的结构特征，从而对样本进行综合评价。其中构造投影指标函数及其优化投影方向是应用投影寻踪方法能否成功的关键。投影寻踪建模过程如下:

(1)样本数据的归一化处理

为了消除量纲不一致和统一指标的变化范围，需要对样本原始数据进行归一化处理，将数据中的各指标变量归一到0和1区间之内。设样本集为。其中为第i个样本第j个指标值，n为样本数量，p为指标个数。本文采用越大越好的归一化方法，即，其中maxxj和minxj分别为第j个样本指标的最大值和最小值。

(2)构造投影指标函数

投影寻踪模型就是把多维样本数据投影成以向量的一维投影值z(i)，即，并且要求投影值在整体上各个样本团的投影值区间应尽可能地分散开，在局部上各投影值区间内部应尽可能地密集，最常用的投影指标函数等于各样本投影值标准差Sz和局部密度DZ之积，即投影指标函数为Q(a)=Sz*DZ，其中:

E(z)为样本投影值z(i)的均值;r(i,k)表示样本之间的距离即;R为局部密度的窗口半径，u(R-r(i,k))为单位阶跃函数，当R-r(i,k)≥0时，其值为1，当R-r(i,k)≤0时，其值为0。

上述中密度窗口半径R的取值与投影向量的取值有着密切的关系，一般要求密度窗口的选取既要包含在视窗口的样本点个数不能太少，以免样本滑动平均时的偏差太大，同时也不能随着样本的数量增大而增加太大[9]。

(3)优化投影指标函数

当各样本指标值给定时，投影指标函数Q(a)只随着投影向量的变化而变化。不同的投影方向能反映出不同的高维数据结构特征，能最大暴露高维数据某类特征结构的投影方向就是最佳投影向量，因此可以通过求解投影指标函数的最大值来确定最佳投影方向，即

上式是一个求解投影向量的复杂非线性函数优化问题，用传统的优化处理方法非常困难。因此本文采用粒子群算法和多智能体遗传算法对上式进行优化以求出最佳投影方向

通过求得的最佳投影向量代入公式后，可得到各样本的综合投影值z(i)。将z(i)的值从大到小进行排序，则可以得到软件质量从优到差的排序。

2 软件质量的综合评价

2.1 评价指标的选取

在软件质量度量模型的研究中，目前比较常见的软件质量评价模型有Boehm模型、McCall模型和ISO/IEC9126软件质量模型[10]。研究软件质量标准能够直观地反映出软件的质量，正确合理地对软件质量进行分析，可以使人们在软件开发过程中判断出软件质量的变化趋势，指导开发人员对软件开发中的资源进行重新配置，使软件质量进一步的提高，并能够对软件产品进行量化预测和评价。以上模型分别定义了不同的应用软件应满足的一些质量因素。在实际的软件质量评价中应该综合考虑不同的应用软件需要满足的质量因素，本文根据文献[2]中选取的22个因素作为软件评价体系中的指标，分别为正确性X1、可靠性X2、完整性X3、可用性X4、效率X5、可维护性X6、可测试性X7、互操作性X8、灵活性X9、复用性X10、移植性X11、明确性X12、可修改性X13、文档性X14、可理解性X15、有效性X16、功能性X17、普遍性X18、经济性X19、连接性X20、安全性X21、适用性X22。指标的评价准则参照McCall定义的评分准则，评价分级为优m1、良m2、中m3和及格m4。

2.2 软件质量综合评价的实例

本文以文献[2]中5个软件产品，由20个专家对软件评价的数据作为实例样本。用粒子群算法(PSO)和多智能体遗传算法(MGA)对投影寻踪建模，其中PSO算法中的参数为:种群规模数为3000，迭代次数为500次，学习因子c1=c2=2，惯性因子wmax=0.9,wmin=0.4。MGA算法中的参数为:交叉概率Pc=0.1，变异概率Pm=0.08，竞争概率Po=0.2，智能体网格大小Lsize=20，正交矩阵相关参数Q2=3，迭代次数为600次。密度窗口半径都为R=maxr(i,k)/3。根据文献[9]中所述，在投影寻踪模型中，若某个指标的所有样本值都相等，则其权重必定等于0;同一指标进行不同的归一化后权重互为相反数;数值完全相同的两个指标权重必相同。因此本文在预处理数据中增加三个虚拟变量，计算出结果满足上述要求，说明本文的最优化过程确保求得了全局最优解，并且选用的参数合理有效。在Matlab环境下仿真，用PSO求得的最佳投影向量

根据文献[2]中对评价等级优m1、良m2、中m3和及格m4的评价空间V={v1,v2,v3,v4}={1.0,0.85,0.7,0.5}。对软件质量而言，评价等级优、良对软件会产生正面的影响，中和及格对软件产生负面的影响，因此建立软件评价模型S=m1*v1+m2*v2-m3*v3-m4*v4，通过最终计算得到各软件综合评价结果如表2所示。

从表1和表2可以得出:

(1)PSO算法和MGA算法与投影寻踪模型结合分析出软件质量评价结果排序一致，只有软件4与文献[2]的评价结果排名有点差异，其余软件质量排序先后顺序一致。投影寻踪模型和文献[2]的一致性排序率为80%，则说明采用投影寻踪模型对软件质量综合评价结果是可靠的。

(2)由于文献[2]模糊推理评价模型中指标的权重一般都要由专家给定，存在着主观随意性和思维的不确定性，直接影响评价结果。基于投影寻踪模型的软件质量评价模型中避免了专家权重赋值的主观随意性，并且方法简单、稳定性和适用性强等优点，提高了评价结果的准确性和客观性。

(3)由表2可知软件3、软件4、软件5的质量明显高于软件1和软件2的质量，因此在软件开发过程中应尽可能地采用前者的开发模式，使开发出的软件具有更高的质量。并且最佳投影向量系数可以反映出各软件指标对软件质量的影响程度，因此利用投影寻踪模型对软件质量评价，还可以逆向查出哪种指标导致了软件质量变差的趋势，这样可以在软件开发过程中及时发现问题，并采取有效的补救措施。

实验结果表明，利用投影寻踪模型对软件质量模型进行综合分析，能够快速地评价出软件的综合质量，克服了专家经验不足产生的影响，可以正确地反映出软件质量的优劣。并且该模型适用于样本历史数据不足的情况下，可以很好地提取出样本的特征数据，可以大大提高软件评价的效率。

2.3 软件质量评价的指标重要性分析

本文在投影寻踪模型中指标归一化采用的是越大越好的归一化方式，则根据投影指标向量系数的大小可以判定各评价指标的重要性。即最佳投影向量的系数大小本质上反映了各指标对软件质量的影响程度，投影向量指标系数越大说明对软件质量的影响程度越大，因此可以正确合理地分析出软件开发过程中各指标对软件质量主次的影响，根据每个指标影响程度的大小，有针对性地改进软件质量;并且通过综合投影值的大小可以确定软件质量的优劣，实现同类软件质量之间的相互比较。根据投影寻踪模型求出投影向量系数的分布图如图1所示。

从图1可以看出，投影寻踪模型计算出各指标变量的系数之间存在着较大的差异，并且所有指标的投影向量系数都大于零，表明各指标对软件质量都有不同程度正向的影响，说明了本软件质量评价中指标选取的合理性。评价指标中X3、X4、X8、X10、X11、X13、X14、X18、X19指标系数较大，对软件质量综合评价具有较大的影响;评价指标中X2、X5、X7、X12、X16、X22指标系数较小，对软件质量综合评价的影响次之;其余评价指标对软件质量影响较小。

因此在软件开发过程中，尽量提高投影指标系数较大的指标对软件质量的影响，及时发现软件开发过程中存在的问题和软件质量的变化趋势，可以有效地提高和确保软件开发产品的综合质量。

3 结束语

(1)为解决软件质量评价中涉及多维指标难于综合评估的问题，本文采用投影寻踪模型，解决了软件评价模型中多维指标难以评价的问题;并且把软件质量评价中的多维指标投影到一维指标，利用该一维投影值的大小对不同软件进行综合评价，构造出能反映多维指标的综合评价模型，说明利用投影寻踪可以在多维指标复杂的系统评价中分析与应用，为软件质量评价研究领域提供了一种新的方法和思路。

(2)实例结果表明，将粒子群算法和多智能体遗传算法应用于投影寻踪模型，有效地利用投影寻踪降维分析和处理数据的能力、粒子群算法和多智能体遗传算法全局快速搜索的能力，能够很好地避免模糊综合评价等的主观随意性和思维的不确定性，使得软件质量评价结果更稳定、客观和准确。并且该模型的评价结果可以作为分析软件质量的变化规律，发现软件开发过程中的问题提供参考和依据。

(3)本文对现行业软件质量模型一般涉及的质量因素作为投影寻踪建模的输入，但是在实际的软件开发应用过程中，应该根据不同的应用软件综合考虑应满足的一些质量因素，可以增加或者减少某些特性指标来实现评价标准。

摘要：软件质量评价直接影响到软件开发的质量,软件质量是由多维指标因素决定的,投影寻踪模型能够将多维指标综合投影成一维投影指标,根据该投影指标值的大小可以对软件质量进行优劣排序。为了有效地利用投影寻踪模型降维分析和处理数据的能力、粒子群算法和多智能体遗传算法全局快速搜索的能力,文中将粒子群算法和多智能体遗传算法应用于投影寻踪模型,建立了软件质量的综合评价模型。实验结果表明投影寻踪模型为软件质量综合评价提供了一种新的客观、正确可靠的综合分析方法。

关键词：粒子群算法,多智能体遗传算法,投影寻踪,软件质量,综合评价

参考文献

[1]李良宝,韩喜双.软件质量的多级模糊综合评价[J].哈尔滨工业大学学报,2003,35(7):812-814.

[2]刘宏兵.基于模糊推理的软件质量评价模型[J].计算机工程与设计,2005,26(8):2146-2148.

[3]王李进,吴保国,郑德祥.基于人工神经网络的软件质量评价[J].计算机应用与软件,2008,25(12):133-134.

[4]楼文高,姜丽,孟祥辉.计算机软件质量综合评判的人工神经网络模型[J].上海理工大学学报,2007,30(5):479-482.

[5]梁忠,王李进,周术诚.投影寻踪模型在软件质量评价中的应用[J].计算机工程与设计,2009,30(15):3584-3586.

[6]张群.改进粒子群优化算法在投影寻踪聚类一般的应用研究[D].西安:陕西师范大学,2010.

[7]钟伟才.多智能体进化模型和算法模型研究[D].西安:西安电子科技大学,2004.

[8]付强,赵小勇.投影寻踪模型原理及其应用[M].北京:科学出版社,2005.

[9]楼文高,乔龙.多智能体遗传算法投影寻踪建模与实证研究[J/OL].计算机工程与应用:[2012-08-01].http://www.cnki.net/kcms/detail/11.2127.TP.20120801.1653.025.html.

综合评价模型 篇11

【关键词】GA算法 SVM模型 综合素质评价

【中图分类号】 G 【文献标识码】A

【文章编号】0450-9889（2014）03C-0055-03

学生的综合素质是一个学校办学水平的反映，如何对高职学生的综合素质进行科学、合理地评价成为各个高职院校改革研究的重点。对学生综合素质的评价属于非线性的数学问题。支持向量机（ Support Vector Machine，简称SVM） 是一种新型的机器学习方法，具有良好泛化能力，在处理非线性问题时更容易逼近问题的解决。但SVM模型的分类性能受其参数的影响，这些参数的确定带有很大的随机性。为了解决这个问题，引入具有智能全局搜索能力的遗传算法 （Genetic Algorithm，简称GA）对SVM模型的参数进行优化，构造一个基于GA算法优化的SVM模型（简称GA-SVM模型）。实践表明，在学生综合素质评价中GA-SVM模型具有更好的非线性逼近能力，具有一定的应用前景。

一、GA优化的SVM评价模型

（一） SVM模型的基本原理。SVM模型是一种新型的机器学习方法，它源于统计学和结构最小化原则。它的基本思想是在有限的样本中，对问题的复杂性和算法继续学习能力进行折中，使模型获得更好的泛化能力。如图1所示。图1中的实心点和空心点分别代表两类不同的样本，H1和H2是两根平行于分类线的直线，H1和H2之间的距离称为分类间隔（Margin）。

图1 支持向量机原理示意图

设样本集（xi，yi）线性可分，其中i=1，2，L，n。n为样本数量，输入向量x∈Rd，类别标号y∈[1，-1]。在d维空间中，线性判别函数的基本形式为g（x）=wgx+b。设分类面方程为，其中w是一个向量，该向量垂直于超平面，b称为超平面偏置。我们把能将两类样本准确区分，并且使得这两类样本之间的分类间隔最大的那个面称为最优分类面。求解最优分类面，实际上就是找到w和b的最优值，也就是在条件，i=1，....，n下，求解函数的最小化，即

（1）

在所有的样本里，如果该样本满足，且与分离线（平面）的垂直距离最小，则称之为支持向量。以上的讨论都是假设所有的样本是线性可分的情况下给出的。然而，在现实的应用中，很多数据都是非线性的。为了解决非线性问题，通过对公式（1）引入常数因子C和松弛因子，把每一个样本点通过函数转换到高维特征空间再对它们进行线性回归。则转换公式可以表示为：

其中，i=1，....，n

对公式（2）引入拉格朗日函数，把问题转化为对偶问题。在给定的约束条件和（i=1，....，n）下，对求解，即

（3）

其中为拉格朗日乘子。对公式（3）求解，结果为：

（4）

运用公式（4）即可求出样本x的类别。

本文采用径向基函数作为SVM模型的核函数：

（5）

从公式（2）和公式（5）可以看出，SVM模型的整体性能很大程度上由常数因子C和径向基函数的参数来决定。因此，为了能更好地选择这两个参数，我们引入具有全局搜索能力的GA算法对这两个参数进行优化，使得SVM模型具有更好的泛化能力和逼近精度。

（二）基于GA优化的SVM评价模型。GA算法是一种模拟生物进化过程的优化算法，在该算法中，问题的解空间用一种给定的编码来表示，求解问题的目标作为算法的适应度函数。GA算法在初始状态会随机产生一个编码群体，在这个群体之上通过选择算子、交叉算子以及变异算子完成整个算法的运算机制。经过算法的迭代，群体内的个体不断接近问题的最优解。

本文采用实数对GA算法进行编码，利用GA算法对SVM模型的常数因子C和径向基函数的参数进行优化的基本步骤如下：

Step1：问题的初始化。随机生成初始种群N，种群中染色体的编码由C和组成，算法的最大迭代数为，迭代变量k=0。

Step2：进行选择操作。群体内的每个染色体能否被选择参与下一轮的进化由选择算子决定：

（6）

其中，是染色体的适应度函数，本文采用MAPE的倒数作为适应度函数，×100%，为实值， 为预测值。

Step3：进行交叉操作。随机生成一个数rc=random[0，1]，若rc

Step4：进行变异操作。变异操作的算法为： 。其中，V和V'分别是父染色体和子染色体，N（0，1）是高斯变量且均值为0、方差=0；Pm是变异概率；是染色体V的适应度函数。

Step5：当时，算法结束，输出最优的C和；否则，k=k+1，跳转到Step2。

（三）基于SVM的多分类器。从SVM模型的基本理论来看，它本身就是一个二分器，仅能解决两种不同类别的分类问题。然而，现实中需要解决的往往都是多分类的问题。有学者对基本的SVM模型进行了推广，使它能解决多种分类的问题。实现SVM模型多种分类的基本思路是：构造多个SVM的子分类器，每个子分类器都由两种不同类别的样本构成，样本的选择是随机的。对于一个有m个样本的集合，则可构造m（m-1）/2个子分类器。设有A和B两类样本组成的训练集，A集合的类别标记为正，反之B集合的类别标记为负。以此思想构造的SVM多分类器需要解决的优化问题是

公式（7）需要满足的条件为：

当获得子分类器后，就可以使用子分类器对样本数据进行测试。在测试的过程中，分别对m（m-1）/2个子分类器进行测试，并统计各个样本类别的分数，测试数据的类别即为测试过程中得分最高者所对应的类别。

二、高职学生综合素质评价体系构建

影响高职学生综合素质的因素很多，各因素之间的关系相互联系又互有影响，因此整个评价过程是一项复杂的系统工程。为建立规范、合理、科学的评价指标体系，必须坚持评价的多维化、评价主体的多元化、评价方法的多样性以及评价功能的多元化原则。当前，各高职院校对学生综合素质的评价也进行了多方面的探索，取得了很多经验。通过广泛查阅资料，在借鉴姚宏、叶宁《高职院校学生综合素质评价指标体系研究》一文的基础上，本文采用的学生综合素质评价体系如表1所示。

通过表1可以看到，影响学生综合素质的指标很多。在以往的评测中，大多采用发放调查问卷的形式收集相关数据，最后由辅导员对每个学生的信息进行统计，这种方法所得数据可用性差，在这里我们对所有的指标采取量化的方式进行数据的收集。首先对所有一级指标用A、B、C、D和E进行区分，每个二级指标都有相应的编号，实际使用的时候是一级指标的字母加上对应二级指标的编号。如：A1、A2等。每个二级指标的分值都是满分10分，每个一级指标都占总分值的20%，由此可知每一名学生的评价分值可以用如下公式来进行计算：综合素质评价总分=A×20%+B×20%+C×20%+D×20%+E×20%。每一项一级指标的分值都由它对应的二级指标来确定，比如C指标对应有6项二级指标，则C=（C1+C2+C3+C4+C5+C6）×100/60。评价的最终结果用Y来表示，总共分为优秀、良好以及差三个等级，为了便于SVM模型处理，这三个等级的分值分别是1、0和-1。参见表2。

三、具体应用

（一）数据采集。考虑到每个人主观性会造成在打分时存在不同程度的个人倾向，为了保证评价结果的科学性和权威性，采用教师和学生相结合，多人打分取平均值。具体做法是，按照表1的指标设计调查表，对柳州职业技术学院财经系2011级财会专业1班共43人进行评价测试。组织该班级的任课教师共5人对全班43名同学进行打分，学生则分为4组，每组11人，其中一组10人，每组同学互相打分。最终形成的数据如表3所示。

为了消除数据间的差异，使SVM模型具有更快的处理速度和处理精度，对采集到的所有样本进行归一化处理，归一化处理公式为：

（8）

（二）评价模型的具体应用。本实验在P4 2.8GCPU、2G内存的硬件条件下，在WinXp系统中采用matlab7进行编程实现。取前35笔数据作为训练样本，后8笔数据作为测试样本。实验中用到的部分参数为：种群规模N=200，交叉率Pc=0.75，变异率Pm=0.05 。通过对SVM参数的优化处理，最终建立SVM的综合素质评价模型。同时为了验证经过GA优化的SVM模型和未优化的SVM模型性能上的差别，后8笔测试数据分别采用GA-SVM模型和SVM模型进行测试，结果如表4、表5所示。

从表4、表5中可以看出，SVM模型和GA-SVM模型预测误差都控制在2%以内，说明它们在进行非线性数据预测中，预测精度很高。通过表4和表5的比较不难看出，通过GA优化后的SVM模型比未优化的SVM模型具有更好的泛化能力和预测精度。这是因为GA-SVM模型在GA算法的优化下，拓展了解的空间，在GA算法强大的全局搜索能力下得到了更优化的参数C和 ，从而获得更好的学习精度，提高了未知样本的预测率。

综上所述，学生综合素质是反映学校办学质量的一项重要指标，同时也是企业用人的一项重要指标。因而，对学生综合素质评价一直是当前高职院校改革和探索的问题。本文利用GA算法对SVM模型的参数进行了优化，并成功地应用于学生综合素质的评价。实验结果表明，优化后的SVM模型泛化能力更好、预测的准确率更高，具有一定的应用前景。

【参考文献】

[1]刘伟，孙林.基于支持向量机的课堂教学质量评价[J].合肥工业大学学报（自然科学版），2010（7）

[2]周燕军.基于遗传算法的学生综合素质评价[J].长江大学学报（自然科学版），2008（4）

[3]李波.支持向量机在高校教学质量评价中的应用研究[J].计算机仿真，2011（10）

[4]陈良堤，徐高欢.基于多分类SVM的教学质量评价模型研究[J].黑龙江教育，2007（ 11）

[5]姚宏，叶宁.高职院校学生综合素质评价指标体系研究[J]. 四川教育学院学报，2011（12）

[6]朱海林，宋承祥，刘弘，等.基于支持向量机的教学质量评价研究[J].山东师范大学学报（自然科学版），2008（4）

【基金项目】广西教育科学“十二五”规划课题 （2011C0187）

【作者简介】王 静（1980- ），女，江苏南京人，柳州职业技术学院财经与物流系讲师，研究方向：思政教育、职业技术教育。

（责编 卢 雯）

当获得子分类器后，就可以使用子分类器对样本数据进行测试。在测试的过程中，分别对m（m-1）/2个子分类器进行测试，并统计各个样本类别的分数，测试数据的类别即为测试过程中得分最高者所对应的类别。

二、高职学生综合素质评价体系构建

影响高职学生综合素质的因素很多，各因素之间的关系相互联系又互有影响，因此整个评价过程是一项复杂的系统工程。为建立规范、合理、科学的评价指标体系，必须坚持评价的多维化、评价主体的多元化、评价方法的多样性以及评价功能的多元化原则。当前，各高职院校对学生综合素质的评价也进行了多方面的探索，取得了很多经验。通过广泛查阅资料，在借鉴姚宏、叶宁《高职院校学生综合素质评价指标体系研究》一文的基础上，本文采用的学生综合素质评价体系如表1所示。

通过表1可以看到，影响学生综合素质的指标很多。在以往的评测中，大多采用发放调查问卷的形式收集相关数据，最后由辅导员对每个学生的信息进行统计，这种方法所得数据可用性差，在这里我们对所有的指标采取量化的方式进行数据的收集。首先对所有一级指标用A、B、C、D和E进行区分，每个二级指标都有相应的编号，实际使用的时候是一级指标的字母加上对应二级指标的编号。如：A1、A2等。每个二级指标的分值都是满分10分，每个一级指标都占总分值的20%，由此可知每一名学生的评价分值可以用如下公式来进行计算：综合素质评价总分=A×20%+B×20%+C×20%+D×20%+E×20%。每一项一级指标的分值都由它对应的二级指标来确定，比如C指标对应有6项二级指标，则C=（C1+C2+C3+C4+C5+C6）×100/60。评价的最终结果用Y来表示，总共分为优秀、良好以及差三个等级，为了便于SVM模型处理，这三个等级的分值分别是1、0和-1。参见表2。

三、具体应用

（一）数据采集。考虑到每个人主观性会造成在打分时存在不同程度的个人倾向，为了保证评价结果的科学性和权威性，采用教师和学生相结合，多人打分取平均值。具体做法是，按照表1的指标设计调查表，对柳州职业技术学院财经系2011级财会专业1班共43人进行评价测试。组织该班级的任课教师共5人对全班43名同学进行打分，学生则分为4组，每组11人，其中一组10人，每组同学互相打分。最终形成的数据如表3所示。

为了消除数据间的差异，使SVM模型具有更快的处理速度和处理精度，对采集到的所有样本进行归一化处理，归一化处理公式为：

（8）

（二）评价模型的具体应用。本实验在P4 2.8GCPU、2G内存的硬件条件下，在WinXp系统中采用matlab7进行编程实现。取前35笔数据作为训练样本，后8笔数据作为测试样本。实验中用到的部分参数为：种群规模N=200，交叉率Pc=0.75，变异率Pm=0.05 。通过对SVM参数的优化处理，最终建立SVM的综合素质评价模型。同时为了验证经过GA优化的SVM模型和未优化的SVM模型性能上的差别，后8笔测试数据分别采用GA-SVM模型和SVM模型进行测试，结果如表4、表5所示。

从表4、表5中可以看出，SVM模型和GA-SVM模型预测误差都控制在2%以内，说明它们在进行非线性数据预测中，预测精度很高。通过表4和表5的比较不难看出，通过GA优化后的SVM模型比未优化的SVM模型具有更好的泛化能力和预测精度。这是因为GA-SVM模型在GA算法的优化下，拓展了解的空间，在GA算法强大的全局搜索能力下得到了更优化的参数C和 ，从而获得更好的学习精度，提高了未知样本的预测率。

综上所述，学生综合素质是反映学校办学质量的一项重要指标，同时也是企业用人的一项重要指标。因而，对学生综合素质评价一直是当前高职院校改革和探索的问题。本文利用GA算法对SVM模型的参数进行了优化，并成功地应用于学生综合素质的评价。实验结果表明，优化后的SVM模型泛化能力更好、预测的准确率更高，具有一定的应用前景。

【参考文献】

[1]刘伟，孙林.基于支持向量机的课堂教学质量评价[J].合肥工业大学学报（自然科学版），2010（7）

[2]周燕军.基于遗传算法的学生综合素质评价[J].长江大学学报（自然科学版），2008（4）

[3]李波.支持向量机在高校教学质量评价中的应用研究[J].计算机仿真，2011（10）

[4]陈良堤，徐高欢.基于多分类SVM的教学质量评价模型研究[J].黑龙江教育，2007（ 11）

[5]姚宏，叶宁.高职院校学生综合素质评价指标体系研究[J]. 四川教育学院学报，2011（12）

[6]朱海林，宋承祥，刘弘，等.基于支持向量机的教学质量评价研究[J].山东师范大学学报（自然科学版），2008（4）

【基金项目】广西教育科学“十二五”规划课题 （2011C0187）

【作者简介】王 静（1980- ），女，江苏南京人，柳州职业技术学院财经与物流系讲师，研究方向：思政教育、职业技术教育。

（责编 卢 雯）

当获得子分类器后，就可以使用子分类器对样本数据进行测试。在测试的过程中，分别对m（m-1）/2个子分类器进行测试，并统计各个样本类别的分数，测试数据的类别即为测试过程中得分最高者所对应的类别。

二、高职学生综合素质评价体系构建

影响高职学生综合素质的因素很多，各因素之间的关系相互联系又互有影响，因此整个评价过程是一项复杂的系统工程。为建立规范、合理、科学的评价指标体系，必须坚持评价的多维化、评价主体的多元化、评价方法的多样性以及评价功能的多元化原则。当前，各高职院校对学生综合素质的评价也进行了多方面的探索，取得了很多经验。通过广泛查阅资料，在借鉴姚宏、叶宁《高职院校学生综合素质评价指标体系研究》一文的基础上，本文采用的学生综合素质评价体系如表1所示。

通过表1可以看到，影响学生综合素质的指标很多。在以往的评测中，大多采用发放调查问卷的形式收集相关数据，最后由辅导员对每个学生的信息进行统计，这种方法所得数据可用性差，在这里我们对所有的指标采取量化的方式进行数据的收集。首先对所有一级指标用A、B、C、D和E进行区分，每个二级指标都有相应的编号，实际使用的时候是一级指标的字母加上对应二级指标的编号。如：A1、A2等。每个二级指标的分值都是满分10分，每个一级指标都占总分值的20%，由此可知每一名学生的评价分值可以用如下公式来进行计算：综合素质评价总分=A×20%+B×20%+C×20%+D×20%+E×20%。每一项一级指标的分值都由它对应的二级指标来确定，比如C指标对应有6项二级指标，则C=（C1+C2+C3+C4+C5+C6）×100/60。评价的最终结果用Y来表示，总共分为优秀、良好以及差三个等级，为了便于SVM模型处理，这三个等级的分值分别是1、0和-1。参见表2。

三、具体应用

（一）数据采集。考虑到每个人主观性会造成在打分时存在不同程度的个人倾向，为了保证评价结果的科学性和权威性，采用教师和学生相结合，多人打分取平均值。具体做法是，按照表1的指标设计调查表，对柳州职业技术学院财经系2011级财会专业1班共43人进行评价测试。组织该班级的任课教师共5人对全班43名同学进行打分，学生则分为4组，每组11人，其中一组10人，每组同学互相打分。最终形成的数据如表3所示。

为了消除数据间的差异，使SVM模型具有更快的处理速度和处理精度，对采集到的所有样本进行归一化处理，归一化处理公式为：

（8）

（二）评价模型的具体应用。本实验在P4 2.8GCPU、2G内存的硬件条件下，在WinXp系统中采用matlab7进行编程实现。取前35笔数据作为训练样本，后8笔数据作为测试样本。实验中用到的部分参数为：种群规模N=200，交叉率Pc=0.75，变异率Pm=0.05 。通过对SVM参数的优化处理，最终建立SVM的综合素质评价模型。同时为了验证经过GA优化的SVM模型和未优化的SVM模型性能上的差别，后8笔测试数据分别采用GA-SVM模型和SVM模型进行测试，结果如表4、表5所示。

从表4、表5中可以看出，SVM模型和GA-SVM模型预测误差都控制在2%以内，说明它们在进行非线性数据预测中，预测精度很高。通过表4和表5的比较不难看出，通过GA优化后的SVM模型比未优化的SVM模型具有更好的泛化能力和预测精度。这是因为GA-SVM模型在GA算法的优化下，拓展了解的空间，在GA算法强大的全局搜索能力下得到了更优化的参数C和 ，从而获得更好的学习精度，提高了未知样本的预测率。

综上所述，学生综合素质是反映学校办学质量的一项重要指标，同时也是企业用人的一项重要指标。因而，对学生综合素质评价一直是当前高职院校改革和探索的问题。本文利用GA算法对SVM模型的参数进行了优化，并成功地应用于学生综合素质的评价。实验结果表明，优化后的SVM模型泛化能力更好、预测的准确率更高，具有一定的应用前景。

【参考文献】

[1]刘伟，孙林.基于支持向量机的课堂教学质量评价[J].合肥工业大学学报（自然科学版），2010（7）

[2]周燕军.基于遗传算法的学生综合素质评价[J].长江大学学报（自然科学版），2008（4）

[3]李波.支持向量机在高校教学质量评价中的应用研究[J].计算机仿真，2011（10）

[4]陈良堤，徐高欢.基于多分类SVM的教学质量评价模型研究[J].黑龙江教育，2007（ 11）

[5]姚宏，叶宁.高职院校学生综合素质评价指标体系研究[J]. 四川教育学院学报，2011（12）

[6]朱海林，宋承祥，刘弘，等.基于支持向量机的教学质量评价研究[J].山东师范大学学报（自然科学版），2008（4）

【基金项目】广西教育科学“十二五”规划课题 （2011C0187）

【作者简介】王 静（1980- ），女，江苏南京人，柳州职业技术学院财经与物流系讲师，研究方向：思政教育、职业技术教育。

浅谈汽车企业营销综合评价模型 篇12

汽车企业的发展关系到整个国民经济, 改革开放以来, 我国的汽车产业发展迅速, 成绩有目共睹, 现如今, 中国已经跃居为全球第一大汽车市场, 中国的汽车年产量已位列三甲, 然而, 要超越美日, 成为世界汽车产量第一, 中国的汽车产业还有很长的路要走, 因此, 建立一个针对汽车企业的综合评价模型无疑会给中国汽车产业的发展指明方向。

针对影响企业竞争力的因素分析现在已经十分成熟, 同时用于评价企业的科学模型也不再少数, 本文主要是将两者结合, 通过针对汽车企业的影响因素的分析, 结合适用于企业评价的模型, 提出了一个评价汽车企业的综合模型, 并以通用汽车为对象, 模拟实验了这一模型。

2 相关工作 (Related Work)

层次分析法[1]是一种确定权重系数的有效方法, 它把复杂问题中的各种因素划分为互相联系的有序层, 并使之条理化;模糊评价法[2]是对受多因素综合影响的模糊现象做出综合评价的一种量化的数学方法。现将两者结合, 首先通过层次分析法对所评价对象进行分析, 建立形成有序的递阶层次结构, 就每一层次的相对重要性给出定量的表示, 确定其同一层次各因素的权重, 最后根据对客观实际进行模糊评判, 得出最终结果。

在此, 给出层次分析法的基本步骤: (1) 建立层次结构模型 (2) 构造成对比矩阵 (3) 计算权向量并做一致性检验 (4) 计算组合权向量并做组合一致性检验

3 营销综合评价模型

(1) 主要因素分析。由评论文章[3]、相关资料[4]以及关于产业竞争力的钻石模型[5]加以总结归类, 将影响汽车企业的因素归类为以下几个类别:成本, 包括原材料价格、劳动力价格以及汽油价格等;生产技术, 包括制造技术、技术创新、生产效率以及利润率等;产品质量, 包括整车质量、安全性能以及售后服务等;企业管理, 包括企业组织、市场定位、信息反应以及劳工关系等。

(2) 建立模型。通常情况下模糊综合评价模型有3个基本要素, 即因素集、评价集和权重集, 其数学模型分为单级模型和多级模型, 本文研究的评价对象确定为两级模型, 主要步骤如下。

3.1 建立评价模型因素集

因素集是由影响评判对象的各个因素所组成的集合, 是模糊综合评判是否科学合理的关键。它可以表示为U={U1, U2, …, Un}, 其中, Uj (j=1, 2, 3, …) 是若干影响因素。

由已得出的影响汽车企业主要因素建立模型评价因素集, 如表1所示。

3.2 建立评价模型评价集

对评价集V={V1, V2, V3, V4}

设定V={影响很强, 影响较强, 影响一般, 影响较弱}, 其对应的分级值为V={V1, V2, V3, V4}={100, 80, 60, 40}。

3.3 建立评价模型权重集

在该评价方法中, 确定各级评价因素权重是建立整个评价体系最为关键一步, 采用层次分析法进行各级评价因素权重的确定, 以下是各级权重的确定过程。

3.3.1 建立成对比矩阵

对于一级因素, 根据各因素的重要程度进行两两比较, 得到一级因素的判别矩阵;对于二级因素, 在同一组内同样根据各因素的重要程度对各因素进行两两比较, 得到各二级同组因素的判别矩阵。判别矩阵标度准则采用1~9标度法。

3.3.2 确定各因素权重

在确定各因素权重之前, 必须对决策者提供的判断矩阵作一次一致性检验, 以决定能否接受它。若不符合条件, 需要重新调整;待符合后, 使用。

利用数学软件Matlab可实现以上判定功能。

在顺利求得一级和二级因素权重后, 综合评价模型已建立。

4 针对通用汽车的模拟评价 (stimulated evaluation of GM)

模拟专家组的分析, 针对通用汽车公司, 确定各项二级因素对评价集V的隶属度, 从而确定模糊评价子矩阵Q1, 见表2。

对通用汽车公司进行分析:

M=ω*B*VT, M为模型求出的综合得分, 为一具体数值。

5 总结 (Conclusion)

首先, 这个模型最大的特点在于即保证了通用性, 又含有针对性。层次分析法以及模糊评价的运用保证了这是一个适用于任何汽车企业的模型, 而针对汽车企业的影响因素分素又保证了这个模型只针对汽车企业。

然而, 模型也存在一定不足, 过于主观, 不管是影响因素的分析, 还是后期的模糊评价, 都太过于依赖一个人的主观意识, 针对这个不足, 可以采用专家组形势, 降低个人主观性对模型精确度的影响。

最后, 这个模型的建立可以使中国汽车企业的高官对各自企业进行一个自主评估, 查找不足, 发扬优势, 增强企业在全球汽车行业的影响力, 为中国汽车产业的进步做出贡献。

摘要：汽车产业是国家工业化水平的标志性产业, 现如今, 我国已成为全球第一大汽车市场, 汽车产业是我国国民经济的重要支柱产业。然而, 汽车产业也是对经济危机十分敏感的产业, 百年巨头通用汽车的倒闭也验证了这一道理, 因此, 在当前形势下, 建立一个合理的综合评价汽车企业的模型是十分必要的。本文以汽车企业为研究对象, 结合现今世界各国汽车企业发展情况, 针对通用汽车申请破产案例, 对影响汽车企业的主要因素建立综合评价模型, 并应用层次分析法 (Analytic Hierarchy process, 简称AHP) 确定评价模型各级因素的权重, 同时将模糊评价 (Fuzzy Evaluation) 方法应用到评价体系中, 从而建立一个针对汽车企业发展的综合评价模型。最后, 结合通用汽车倒闭案例进行模拟分析, 对提高我国汽车企业竞争力给出了适当建议。

关键词：汽车企业,层次分析法,模糊评价,综合评价模型

参考文献

[1]姜启源, 谢金星.数学建模 (第三版) [M].高等教育出版社, 2003.08.

[2]李柏年, 模糊数学及其应用[M].合肥工业大学出版社, 2007.11

[3]中国汽车新网汽车业影响因素剖析:日渐步入正常发展轨道[EB/OL].http://www.qiche.com.cn/files/200512/27037.shtml, 2009-6-6.

[4]李维安, 周建, 企业战略管理案例点评[J].对外经济贸易大学出版社, 2008, 8月.