GRA分析

GRA分析（通用4篇）

GRA分析 篇1

0引言

地下水脆弱性研究是有效保护和开发利用地下水资源的重要技术手段, 能够揭示区域地下水所处的环境状态, 区别不同区域地下水的脆弱程度, 判别地下水污染的潜在可能性, 进而为工农业的合理布局提供有益参考。因此, 加强对地下水脆弱性研究对合理开发、利用和保护地下水资源有着重大现实意义。目前国内关于地下水脆弱性的研究大多局限于地下水的本质脆弱性, 且主要针对于局部城市或水源地, 比较典型的有: 杨旭东等[1]以DRASTIC模型中的7项自然因子为指标对沧州市区地下水脆弱性进行了评价;孟宪萌等[2]选取含水层导水系数等3项自然因子对山东省济宁市地下水脆弱性进行了研究;叶松等[3]选取地下水位埋深等7项自然因子对青岛大沽河水源地地下水脆弱性进行了评价。对于特殊脆弱性及脆弱性的动态研究方面还相对薄弱。因此, 进一步开展多指标条件下地下水脆弱性动态研究具有一定的理论意义。鉴此, 本研究选择人类活动频繁、环境脆弱的静升盆地作为典型研究区, 在了解区域地质背景环境的基础上, 采用综合指数法、灰色关联度法与Gis技术相结合, 分别评价了静升盆地2003年和2010年地下水脆弱性。研究结果可以为静升盆地国土整治, 地下水的开发、利用、保护及区域经济社会发展提供科学依据, 也可为其他地区水土资源的开发利用与保护提供有益参考。

1研究区概况

静升盆地位于太原盆地与临汾盆地之间的隆起带, 是喜马拉雅山运动和燕山运动共同作用形成的一个山前断陷盆地, 绵山断裂、兴地-旌介断裂、汾阳-介休断裂、霍山断裂构成了盆地边界。行政区域横跨灵石、介休两县市的静升、马和和绵山三镇, 地理坐标为北纬36°50′54″~36°55′12″, 东经112°48′36″ ~112°55′35″, 国土面积约25km2, 其中灵石县境21.3km2 (图1) 。盆地地形起伏较大, 高低悬殊, 总体地势由东南向西北、由山区向河谷逐渐降低。区内主要出露第四系地层, 第四系孔隙地下水系统为盆地的主要含水系统, 含水介质主要有砂卵石漂石、粗砂、中砂、细砂、粉细砂, 介质颗粒由东南向西北逐渐变细 (图2) , 包气带介质由盆地的东南向西北由粗到细、由砂卵砾石逐渐过渡为黏砂土 (图3) 。随着经济社会的快速发展, 人类活动对区域环境的变化产生了很大的影响。从2003年到2010年, 静升盆地地表森林覆盖率由50%增长到56%, 地下水人工开采量由530.5万m3增长为621.38万m3 (开发利用率由84.9%升为99.4%) , 地下水位以1.8m/a的速度下降, 水位埋深处于10 m以下的面积由5.12km2缩减为2.85km2 (图4、 图5) 。

2地下水脆弱性评价的指标体系及评价方法

2.1地下水脆弱性评价指标体系

由于不同研究者研究地下水脆弱性的角度、目的不一样, 选取的评价指标也不尽相一。目前国内外地下水系统脆弱性评价指标可分为地下水脆弱性指标体系和地下水资源脆弱性指标体系。前者以DRASTIC、EPIK、SINTACS、SEPPAGE、I SIS、GOD、AVI等指标体系为代表, 后者以RMMESSY指标体系[4]为代表。本文以在地下水脆弱性评价中被广泛应用的DRASTIC指标模型为基础[4，5], 结合静升盆地实际情况, 选取地下水位埋深D、降雨补给率R、含水层介质A、包气带介质I、 森林覆盖率F和人工开采率Am6个指标, 构成DRAIFAm指标体系。该指标体系及对应指标值在文献[6]中有详细描述, 现引用如表1。

2.2 CIM?GRA?Gis评价体系

目前国内外研究地下水脆弱性的方法众多, 可概括为迭置指数法、过程数学模拟法、统计方法和模糊数学评价法四大类[6，7]。各种方法均有自己的特点和使用范围, 在实际应用过程中, 应根据地质条件、水文地质条件、人类活动情况以及研究的目的选取合适的方法取。为了充分利用实测数据, 实现对静升盆地地下水脆弱性进行综合评价。本文采用综合指数法 (Comprehensive Index Method, CIM) [6]、灰色关联度法 (Grey Relational Analysis, GRA) [5，8-10]与Gis技术相结合, 构成CIM-GRA-Gis评价体系对静升盆地地下水脆弱性进行评价。 该评价体系进行脆弱性评价的基本步骤如下。

第一步, 明确评价指标、指标的分级标准, 结合区域实际情况, 通过Gis技术画出各指标的评分图。

第二步, 通过灰色关联度法, 求出各指标的权重Wi。假设有N个指标, 每个指标有M个统计值, 则第k个指标M个统计值构成序列:{Yk (i) }, i=1, 2, …, M。为了进行比较, 将N个指标序列进行标准化处理[式 (1) ], 标准化后的指标值Ygk (i) 在0~1之间。指标数列经过标准化后, 得到N个指标的散点线和它们共有的均值线Y0, 则指标K的散点线在t点与均值线Y0在t点的距离:Δk=|Y均 (t) -Yk (t) |。用Δk表示它们在t点的关联性, 则通过式 (2) 可求出指标K的散点线与均值线Y0在t=1, 2, …, N的关联性用关联系数ξk (i) 。最后通过式 (3) 求得指标K与均值关联度rk对上述关联度进行标准化, 标准化后的关联度r′k可作为各指标的权重。

式中:Ygk (i) 为第k个指标第i个统计值标准化后的值;max (Yk) 为Yk (i) 中的最大值;min (Yk) 为Yk (i) 中的最小值;ξk (i) 为第k条子线与均值线Y0在i点关联系数, 其值越接近1, 关联性越好。

第三步, 在明确评价指标、指标的分级标准以及指标权重的基础上, 将每个指标的评分值与其对应的权重相乘叠加, 从而得到每一个评价单元的综合指数R[见式 (5) ]。R越大, 相应的评价单元越脆弱。

式中:R为综合指数 (脆弱性指数) ;Wi为评价指标的权重;Xi为评价指标的评分等级;n为评价参数。

3结果与分析

3.1评价结果

通过对研究区区域地质环境的分析, 根据已确定的权重值和各指标的分值, 运用式 (5) 求得静升盆地脆弱性评价指数范围为4.5~7.1。为了使盆地地下水脆弱性评价在2003年和2010年具有统一性和可比性, 采用自然分级法对两个年份地下水脆弱性叠加结果进行统计分析, 将脆弱性分为低脆弱区、较低脆弱区、中等脆弱区、较高脆弱区和高脆弱区5个等级, 各级对应的指数区间分别为:≤5.2、5.2~5.6、5.6~6.0、6.0~ 6.5、>6.5。静升盆地2003年和2010年地下水脆弱性分区结果见图6和图7。

由图6可知, 2003年静升盆地地下水脆弱性总体偏低, 低脆弱性分区和较低脆弱性分区面积合计占盆地面积75%;从盆地西部到东部地下水脆弱性有着降低的趋势。其原因是:从水文地质条件看, 盆地东部处于洪积扇的顶部, 岩性以砂卵石为主, 虽易接受大气降雨的补给, 但由于包气带厚度大, 地下水埋藏深 (埋深在20m以上) , 人类活动少, 综合评价结果为低脆弱性;在盆地的中部, 包气带介质逐渐变细, 地下水位变浅, 人类活动加强, 地下水开采量增多, 地下水脆弱性级别一般为低脆弱性和较低脆弱性, 局部地区达到中等脆弱性 (如许家沟底附近属中等脆弱性区域) ;在研究区的西部, 包气带介质以细砂、 黏土为主, 含水介质主要为细砂层夹黏卵石层, 地下水位埋深浅一般在10m以下, 工农业活动频繁, 地下水遭受污染的可能性大, 地下水脆弱性综合评定为较高脆弱性, 局部区域评定为高脆弱性。

由图7可知, 2010年静升盆地地下水脆弱性总体上仍较低, 从盆地西部到东部地下水脆弱性仍有着降低的趋势, 但各脆弱性分区面积较2003年有较大变化, 其中低脆弱性分区和较低脆弱性分区合计面积较2003降低10%, 较高脆弱性分区面积较2003升高10% (表2) 。其原因是:从2003年到2010年, 地下水水资源开发利用量由530万m3增长到621万m3, 地下水水位为以每年1.8 m的速度下降, 森林覆盖率以每年1%的速度增长。而由各指标的意义可知, 人工开采量、森林覆盖率与脆弱性成正相关, 地下水位埋深与脆弱性呈负相关。在各因素的综合作用下, 地下水脆弱性也发生着复杂的变化。在人类活动强烈的马和村、静升村及许家沟坡村等地, 高脆弱区面积在加大, 在人类活动较为强烈的集广、农场、张嵩等地, 地下水脆弱性也由低脆弱性升至较低脆弱性。

3.2地下水脆弱性动态特征分析

在人类活动的影响下, 静升盆地地下水脆弱性从2003年到2010年发生着巨大变化。从时间上看, 静升盆地地下水脆弱性有增高的趋势, 其中脆弱性升高一级的面积为8.1km2, 占总面积的32%, 升高二级的面积为2.22km2, 占总面积的9%, 升高三级的面积为0.18km2, 占总面积的1% (表3) 。从空间上看, 地下水脆弱性从盆地西部到东部逐渐减弱, 盆地西部地下水脆弱性等级的变幅大于盆地东部 (图8) 。从地下水脆弱性与地下水水位埋深之间的关系看 (图8、表4和表5) :当地下水水位埋深级别由i变为j时 (i代表2003年的水位埋深级别, 其值可取1、2或3, j代表2010年的水位埋深级别, 其值可取2、 3、4或5, i≤j) , 地下水脆弱性升高一级的概率在0.889以上; 当地下水水位埋深级别由i变为j时 (i代表2003年的水位埋深级别, 其值取4, j代表2010年的水位埋深级别, 其值取4) , 地下水脆弱性升高二级的概率为1;当地下水水位埋深级别由i变为j时 (i代表2003年的水位埋深级别, 其值可取4或5, j代表2010年的水位埋深级别, 其值可取5, i≤j) , 地下水脆弱性升高一级的概率在0.475~0.602, 升高两级的概率在0.343~ 0.495;当地下水水位埋深级别由5变为6时, 地下水脆弱性未变化的概率为0.565, 升高一级的概率为0.380;当地下水水位埋深级别由6变为6时, 地下水脆弱性未变化的概率升高到0.802。

4结语

(1) 在综合分析地下水脆弱性研究现状的基础上, 通过比较目前各种脆弱性评价方法, 建立了CIM-GRA-Gis脆弱性评价体系, 并利用该评价体系评价了静升盆地地下水脆弱性。结果表明, CIM-GRA-Gis脆弱性评价体系层次清晰、结构合理, 能够有效地评价区域地下水脆弱性。

(2) 静升盆地地下水脆弱性从时间上看, 静升盆地地下水脆弱性有增高的趋势, 从空间上看, 地下水脆弱性从盆地西部到东部逐渐减弱, 盆地西部地下水脆弱性等级的变幅大于盆地东部, 从与地下水位关系看, 在地下水水位逐年下降的情况下, 地下水脆弱性与地下水水位埋深之间呈非线性负相关关系。

(3) 由于影响区域地下水脆弱性的因素众多, 本文仅选取地下水水位、包气带岩性、含水介质、降雨补给率、森林覆盖率、 人工开采率6个因子, 评价结果难免与实际有事偏差。建议密切关其他因子对地下水脆弱性的影响, 进一步加强区域地下水的脆弱性研究。

参考文献

[1]杨旭东, 李伟, 马学军.模糊评价法在沧州市区地下水脆弱性评价中的应用[J].安全与环境工程, 2006, 13 (2) :9-12.

[2]孟宪萌, 束龙仓, 卢耀如.基于熵权的改进DRASTIC模型在地下水脆弱性评价中的应用[J].水利学报, 2006, 38 (1) :94-99.

[3]叶松, 吕谋, 宋旭鹭.模糊综合评价方法在地下水脆弱性评价中的应用[J].青岛理工大学学报, 2010, 31 (3) :52-58.

[4]地下水脆弱性评价技术要求[S].中国地质调查局, 2006.

[5]严明疆.地下水系统脆弱性对人类活动响应研究[D].北京:中国地质科学研究院, 2006.

[6]周长松, 郑秀清, 臧红飞, 等.基于PCSM-AHP体系的静升盆地地下水脆弱性评价[J].水电能源科学, 2012, (1) :12-15, 214.

[7]姜桂华.关中盆地地下水脆弱性研究[D].西安:长安大学, 2002.

[8]蒋文伟, 俞益武, 姜培坤.湖州主要森林类型土壤肥力的灰色关联度分析与评价[J].生态学杂志, 2002, 21 (4) :18-21.

[9]韩春建, 梁朝信, 吴克宁, 等.基于GIS技术的灰色关联度法土壤肥力综合评价[J].农业工程学报, 2008, 24 (S1) , 53-56.

[10]李国凤, 雷国平, 宋戈.基于改进灰色关联度法的宝泉岭垦区粮食综合生产能力影响因素研究[J].水土保持研究, 2012, 19 (2) , 171-179.

GRA分析 篇2

电网是电力工业的重要环节,其可持续发展是实现国民经济健康发展、社会稳定等的重要保障。按照可持续发展理论,电网可持续发展的关键在于电网发展同经济、环境、社会相协调,在保证电网外部环境协调可持续发展的同时,实现自身可持续发展。因而协调性成为电网发展的目标之一。

电网发展协调性体现在电网发展同外部环境之间的和谐关系,体现在电网构成要素间的有机配合中。这也使得电网发展成为一项复杂的系统工程,因此可以运用系统理论来评估电网发展。而系统理论在评估复杂系统协调性时,通常采用协调度[1]来衡量。协调度指系统之间或系统构成要素之间在发展过程中彼此和谐一致的程度。

1 电网发展协调度定义

设电网系统S由若干子系统组成,假设描述各子系统的指标为I1,I2,…,In,记为I=(I1,I2,…,In)。电网发展的协调度定义为:

式中:fj(Ij)是关于Ij的某种度量(满意度),0≤fj(Ij)≤1,j=1,2,…,n;W=(W1,W2,…,Wn)T为权向量,满足Wj=1,0≤Wj≤1,很容易地推断出电网整体协调性满足0≤Con≤1,同时Con越接近1说明电网协调性越好。

2 电网发展协调度评估指标体系

2.1 指标体系建立的原则

为使指标能充分体现电网发展协调性评估有效性和实用性要求,其选取应遵循如下几点原则:

(1)科学、全面地反映出所评估的主要因素。

(2)概念明确、定义清楚,可操作性好。

(3)避免指标间内容相互交叉和重复。

(4)系统性和层次性相结合。

(5)定性与定量相结合。

2.2 电网发展协调度评估指标体系的选取

通过分析整理电网发展相关研究文献和电力相关统计年鉴等,建立电网发展协调度评估指标体系如图1。

2.3 指标度量方法与度量

2.3.1 灰色关联度[2]

运用灰色关联度计算电网发展协调性评价部分指标的协调度作为指标值。

灰色关联分析的基本步骤如下:

1)确定主因素序列和参考序列

其中:X0表示参考序列;Xi表示主因素序列。

2)对序列进行无量纲化处理

其中,Xi(1)是主因素序列Xi的初始值。

3)计算灰色关联系数

设Δi(k)=|(k)|,则差序列:

两极最大差和最小差:

关联系数:

其中,ρ∈(0,1)通常取值0.5[3]。

4)关联度求解

关联度介于-1与+1之间,即-1≤ξi≤+1。其性质如下:

当ξi>0时,表示两变量正相关,ξi<0时,两变量为负相关。

当|ξi|=1时,表示两变量为完全线性相关,即为函数关系。

当ξi=0时,表示两变量间无线性相关关系。

当0<|ξi|<1时,表示两变量存在一定程度的线性相关。且|ξi|越接近1,两变量间线性关系越密切;|ξi|越接近于0,表示两变量的线性相关越弱。

2.3.2 基准值法

考虑到评估模型中涉及到的指标所反映的实际意义各不相同,为使不同单位的指标具有可比性,需要对原始数据进行相应的归一化处理。归一化处理有许多方法,在可持续发展研究中,通常是与一定的基准值相比较,这样可以看出指标度量值是否突破一定的基准值,以便做出相应的评估和反应。在评估电网发展协调度模型中,部分指标的度量采用基准值法进行处理。鉴于基准值的选取对模型指标度量值的大小乃至最后协调度的大小具有关键作用,同时,出于对指标可比性、科学性、可持续性、发展要求等的考虑,在选取指标基准值时通过以下途径来实现[4]:(1)国外发达国家一定时期的有关指标;(2)有关指标的世界平均值;(3)现阶段我国发展水平比较高和发展水平比较低的省份或地区的有关指标;(4)预测的发展水平。

2.3.3 具体指标度量说明

1)与用户需求协调性(I1)

电网同用户之间是相互影响的。电网是满足用户电能需求的物质平台,用户的需求特性对电网的运行安全、效率具有重要影响。通过计算历年区域电网内各省配电网变电容量与同年份各省最大负荷的相关度定量度量。

2)社会投资拉动能力[5](I2)

电网发展需要大量的人力、物力、财力投入,反言之,电网的发展能够带动其他相关产业的发展。本文从对建材行业的拉动能力、对建筑行业的拉动能力、对劳动力市场的拉动能力、对交通运输市场的拉动能力、对电力设备行业的拉动能力五个方面对电网发展的社会投资拉动能力进行评估。

拉动能力度量公式如下:

拉动能力=电网引起的产出增值/总产值

电网发展对社会拉动能力综合值,通过综合计算各拉动行业总产出占全社会总产出的比重获得。

3)与国民经济协调性

电网是国民经济的重要基础。电网发展要满足国民经济发展的需要,本文用电力消费弹性系数、与国民生产总值的协调性、单位GDP电耗三个指标来度量电网发展同国民经济的协调性。

a)电力消费弹性系数(I3)

电能消费增长速度与国民经济增长速度的比值。又称电能消费弹性系数。

b)与国民生产总值的协调性(I4)

通过计算电网输配电容量同国民生产总值之间的灰色关联度来度量,此指标度量电网发展规模与国民经济总量的协调性。

c)单位GDP电耗(I5)

单位GDP电耗=全社会用电量/GDP

单位GDP电耗反映电能产值效率。电网发展不仅是停留在满足国民经济发展初级阶段,电网发展应该能够为促进电能利用效率的提高而贡献力量,推动国民经济结构向高附加值的行业倾斜。

因此引入单位GDP电耗作为与国民经济协调的评估指标之一。

4)与电网收益协调性(I6)

电网不仅要满足国民经济发展的需要,而且要满足电网企业自身经济发展的需要。通过计算电网输配电容量同电网净利润之间的灰色关联度来度量。

5)与发电资源协调性(I7)

通过计算历年各省电网变电容量同发电机组装机容量间的灰色关联度来定量当年电网发展同发电资源的协调性。

6)与土地资源协调性[6]

电网由大量的变电站与输电线路构成,需要占用一定量的土地资源。本文运用单位输电容量占用土地面积(I8)对电网发展与土地资源的协调性进行定量度量。

7)与大气环境协调性

电网发展有利于提高电能消费在能源消费总量中所占比重,同时电能是优质、清洁、高效、方便无二次污染的二次能源,其比重的提高将有利于减少煤炭直接燃烧所造成的大气污染。因此,本文采用电能占终端能源消费比重(I9)、度电CO2排放量(I10)定量计算电网发展与大气环境的协调性。

8)发电固体废物排放控制能力(I11)

电网发展有助于推动发电资源的优化配置,通过加大清洁能源在发电结构中的比重,达到减少固体废物排放的目的,实现同环境的协调发展,用清洁能源上网电量比重对此指标进行度量。

2.3.4 电网发展协调度综合评估方法

针对目前协调性评价方法中存在的指标之间相关性问题和指标权重选取问题,选用主成分分析法[7]对电网发展协调性进行评价计算。该评价方法优点是:(1)可以消除由于指标间的相关性带来的偏差,提高评价结果的可信度;(2)可以消除人为确定指标权重引起的弊病,使评价结果更具客观性和准确性。

主成分分析法计算步骤如下:

1)将某电网n年的p个指标的标准化数据构成指标数据矩阵X。

2)计算X的相关矩阵R的特征向量,将所得特征值从大到小排列,λ1≥λ2≥,…,≥λn>0。特征向量表为Ai。计算主成分的贡献率Ki,计算累积贡献率,不小于85%,将原有指标按照相应系数组合成d个主成分作为评价用的指标。

3)计算样本的综合评价值的计算式为:

其中:F=X×B(B为相应系数,可通过SPSS

和Matlab软件计算获得),。

3 实例分析

选择我国某区域电网作为协调性评估对象,运用本文建立的评估模型对该区域电网2003年至2007年的发展协调性进行测算。

3.1 原始指标值

通过地区统计年鉴、电力统计年鉴等,并按照各指标定义的度量方法计算得到电网发展协调性评估指标值,结果如表1所示。

3.2 基准值

按照基准值选取的四种途径获取指标基准值并指出了指标属性,具体如表2所示。

3.3 标准化指标值

正指标标准化:原始指标值/基准值;逆指标标准化:基准值/原始指标值。按照指标属性运用基准值对各指标进行标准化处理。处理结果如表3所示。

3.4 综合评价计算

运用PCA方法计算得到该区域电网发展协调度,表4和表5分别是X的相关矩阵R的特征向量和相应系数矩阵B,表6是按照公式(4)计算得到最终评价结果。

4 结论

依据协调度定义,当Co=1时,认为处于系统发展的最高状态,即实现电网发展同社会、经济、资源与环境协调发展的理想状态;当Co=0时,认为处于系统发展的最差状态。按照这一准则依据表4所示2003～2007年测算结果得到如下结论。

从静态角度看,2003～2005年该区域电网发展协调度为0.637-0.838,协调性较高;2006～2007年协调性分别达到了0.889,0.968,说明该电网发展与社会、经济、资源及环境之间达到了很高的协调,说明该区域电网发展各相应环节正在向世界先进水平接近。

从动态角度看,2003～2007年间,该区域电网发展协调性评价各个指标虽然有波动,但是整个系统的评价值趋于增大,该区域电网发展与社会、经济、资源和环境向着协调方向发展。

摘要：从社会、经济、资源和环境四个角度出发建立了电网发展协调性评估指标体系。选用灰色关联度分析方法作为协调度度量方法,对指标值进行了定量计算。为了克服指标间的相关性选用主成分分析方法对协调性评估指标进行综合计算。最后运用某区域电网相关数据对所建评估模型进行验证,计算结果表明建立的评估模型是可行的。

关键词：电网发展,协调性,灰色关联分析,主成分分析,评估模型

参考文献

[1]李宝国.管理系统工程[M].北京:中国人民大学出版社,1995. LI Bao-guo.Management engineering[M].Beijing: China Renmin University Press,1995.

[2]张雪平,殷国富.基于层次灰色关联的产品绿色度评价研究[J].中国电机工程学报,2005,25(17):76-80. ZHANG Xue-ping.YIN Guo-fu.Research on evaluation method of product green degree based on layered grey relation[J].Proceedings of the CSEE,2005,25(17): 76-80.

[3]彭英.电信运营企业资本性支出的灰色关联分析[J].统计与决策,2006(8):74-75. PENG Ying.Telecom enterprise capital expenditures relational grade analysis[J].Statistics and Decision,2006 (8):74-75.

[4]张福伟,刘丽娟.电力与国民经济协调持续发展评估[J].华北电力大学学报:社会科学版,2006(3): 49-52,61. ZHANG Fu-wei.LIU Li-juan.Evaluation on sustainable development of electric power in accordance with national economy[J].Journal of North China Electric Power University:Social Sciences.2006(3):49-52, 61.

[5]张福伟,耿兴初.电力与社会协调持续发展评估[J].中国电力,2001,34(4):1-4. ZHANG Fu-wei,GENG Xing-chu.Evaluation on sustainable development of electric power assort with society[J].Electric Power,2001,34(4):1-4.

[6]李敬如.关于协调电网建设与土地资源利用的对策建议[J].电力技术经济,2009,21(1):5-9. LI Jing-ru.Countermeasures and suggestions on balancing between power grid construction and land use[J].Electric Power Technologic Economics,2009,21 (1):5-9.

GRA分析 篇3

常见的效率评价方法很多,包括数据包络分析 ( DEA,Data Envelopment Analysis) 法、层次分析法 ( AHP,Analytic Hierarchy Process) 、灰色关联分析 ( GRA,Grey Relational Analysis) 、模糊综合评价法等[1,2,3]。其中,DEA方法运用最为广泛。但是采用DEA方法中的基本模型,如CCR模型进行效率评价时,经常出现多个决策单元同时有效,使评价结果的区分度变差,进而无法排序的问题。有些学者认为DEA方法对决策单元数和投入产出指标数比较敏感,两者之间不同数量比计算出来的效率值会有一定的差距,如果数量比大到一定程度则会出现大多数甚至全部决策单元效率值都为1,进而影响排序[4,5]。Golany等[6]、盛昭翰等[7]给出了经验型的解决办法,即决策单元数量应该大于投入产出指标数之和的2倍。有学者按照这种经验将决策单元数量增加,使其比例达到3倍,虽然提升了区分度, 但还是有相当多的决策单元效率值并列为1[8]。张俊容等[9]通过分析认为,相对于指标数之和而言, 决策单元数量与指标数之积的关系更密切,一般比例值也应大于2。马生昀等[10]采用多元回归对投入产出指标进行降维处理,使决策单元数量达到指标数之积的8. 5倍,但仍然有近一半的决策单元效率值为1。

区分度差的主要原因是基本模型在对评价指标分配权重时采用自评权重原则,每个决策单元都选择对自己最有利的权重,而不考虑各指标间重要程度的不同,由此计算出的效率值会普遍偏高。如果单纯变动决策单元数和投入产出指标数,自评权重也会随之变动,每个决策单元的效率值仍然保持高水平,无法有效排序。另外,自评权重的存在让每个决策单元都是在不同标准下计算效率值,既不公平也不合理。解决公平合理排序问题的基本方向, 是用公共权重替代自评权重。为此,有的研究者引入层次分析、模糊综合评价等方法确定公共权重, 达到了较为理想的效果。这种改进虽具有相对简单易行的优点,但当信息不充分时,评价者不能根据经验直接比较评价指标的重要性,公共权重有可能出现判断失误甚至无法判断的情况,公平合理的排序问题尚未完全解决。鉴于此,在前人研究的基础上[11,12,13,14,15,16],本文提出先根据AHP/GRA方法确定统一的公共权重,然后采用DEA方法进行效率评价,以解决信息不充分时的效率顺序误排问题。

2DEA基本模型——CCR简介

设有n个决策单元DMUk( k = 1 , 2 , … , n ) ,每个决策单元都有m种投入和s种产出指标,分别用XkT> 0,YkT> 0,k = l,…,n表示第j个决策单元DMUj的投入、产出向量。投入权重 向量v = ( v1,v2,…,vm)T和产出权重向量u = ( u1,u2…, us)T,则待评价单元的效率可以表示为:

公式 ( 1) 就是DEA中最基本的CCR模型。由于分式不利于求解,经过转换,可以用线性规划形式表示如下:

评价时一般用公式 ( 2) 或公式 ( 2) 的对偶模型。当最优值Ek*< 1时,则认为DMUk是非DEA有效的; 当最优值Ek*= 1时,则认为DMUk是弱DEA有效的; 当最优值Ek*= 1时,且u*> 0,v*> 0时, 则认为DMUk是DEA有效的。CCR默认采用自评权重,每个决策单元都选择对自己最有利的权重,很难满足u*> 0,v*> 0,这就会产生大量弱有效的决策单元,使区分度变差,甚至无法排序,这样就难以满足评价需要。

3效率评价模型

为了解决排序问题,提出分两步计算: 第一步, 根据AHP法确定统一的公共权重。如果评价者不能根据经验直接比较评价指标的重要性,就用GRA法计算出权重。第二步,将确定的公共权重作为约束条件代入DEA模型,计算效率并排序。

3.1DEA-AHP模型

AHP确定公共权重的基本原理是将复杂的系统要素层次化,并形成阶梯层次的结构模型。通过逐层比较,建立成对比较矩阵,再对各指标赋权重并检验结果的合理性。通过计算各层各指标的组合权重,最终确定各指标的相对权重。用VAHP表示投入指标公共权重,UAHP表示产出指标公共权重,则可用公式 ( 3) 进行评价和排序:

3.2DEA-GRA模型

当评价者无法根据经验对各指标重要性作出判断,这时可以采用GRA法确定权重。在一组待评的DMU中加入一个最小投入最大产出的最优DMUmax, 这个最优DMUmax无疑相对于其它DMU来说是DEA有效的,以最优DMUmax的效率最大为目的确定出来的权重应该说是比较合理的[17],其他DMU均采用最优DMUmax的权重作为公共权重,这样就形成了统一的评价标准。

实际决策单元的投入指标、产出指标分别记为:

则最优DMUmax的投入指标、产出指标分别记为:

且必须满足:

( 1) 投入指标公共权重。X0与Xi的关联度为:

式中ξ 是分辨系数,取值在0 ~ 1之间,一般情况下取0. 5。ri经归一化处理后,可得到投入指标公共权重

( 2) 产出指标公共权重。Y0与Yi的关联度为:

式中取值同上 。ri经归一化处理后,可得到产出指标公共权重用公式( 4 ) 进行评价和排序:

3.3DEA-AHP/GRA模型

如果评价者只能根据经验直接比较部分评价指标的重要性,则该部分可通过AHP法确定,其余部分用GRA法计算。则投入产出指标公共权重v和u均分成两部分,UAHP、VAHP表示通过AHP法确定的投入产出指标权重,UGRA、VGRA表示通过GRA法确定的投入产出指标权重。则在这种条件下,可用公式 ( 5) 进行评价和排序:

4长株潭物流企业效率评价实证分析

4.1评价指标及样本的确定

按照DEA模型的要求,需要将评价指标分为投入指标和产出指标两大类。基于投入指标数值越小越好,产出指标数值越大越好的原则,确定投入指标包括: 缺货率、年仓储费用、物流员工人数、平均交货期、库存周转天数、每吨·千米运费; 产出指标包括: 资金周转率、正点运输率、仓储面积利用率、 净资产利 润率、 设备利用 率、 准时交货率[18,19]。

根据确定的评价指标,选取长株潭地区物流企业作为分析样本。筛选标准: ( 1) 选取的样本应具有代表性,包括运输、仓储、和综合物 流企业; ( 2) 企业的主要业务范围应在长株潭地区内; ( 3) 数据不能有缺失或奇异值[17]。最后确定湖南星沙物流投资有限公司、湖南广汽顺捷物流有限公司、德邦物流股份有限公司、湖南九裕物流有限公司、湖南日安物流有限公司、长沙辉成物流有限公司、长沙恒广物流有限公司、长沙长远物流有限责任公司、 中都物流有限公司、湖南国联捷物流有限公司、湖南九华钢材物流股份有限公司共11个样本。由于各指标间可能存在相关性,影响评价结果的科学性, 因此先运用SPSS19. 0软件对评价指标进行降维处理,结果如表1至表4所示。

根据主成分分析方法所要求的特征根不小于1的原则,表1中前3个因子正好符合这一要求; 此外,前3个因子的累计贡献率已达到84. 984% ,因此可以用新提取的3个因子x1、x2和x3代替原有的6个投入指标。

从表2可以看出,因子x1对年仓储费用、每吨· 千米运费、库存周转天数影响较大,反映了运输和仓储成本; 因子x2对缺货率和平均交货期影响较大,反映了客户服务质量; 因子x3对物流员工人数影响较大,反映了人力成本。

从表3可以看出,前3个因子的特征根均大于1,累计贡献率为90. 756% ,因此可以用新提取的3个因子y1、y2和y3代替原有的6个产出指标。

表4表明,因子y1对资金周转率、净资产利润率影响较大,反映了财务状况; 因子y2对仓储面积利用率和设备利用率影响较大,反映了仓储管理水平; 因子y3对正点运输率和准时交货率影响较大, 反映了运输效率。将数据标准化处理后如表5所示。

4.2评价结果及分析

对于投入指标容易比较,可以根据AHP法确定统一的公共权重。对于产出指标,由于经验所限, 不易直接确定各个指标的相对重要性,就用GRA法计算出权重。将确定公共权重带入到公式 ( 5) 中, 可以得到各物流企业的效率值及排序结果如表6所示。

4.2.1效率值的有效性分析

采用DEA - AHP/GRA评价结果的最大值与最小值之差为0. 470 6,采用CCR评价结果的最大值与最小值之差为0. 345 3,即DEA - AHP/GRA评价结果的取值范围比CCR高36. 29% 。这说明,与CCR相比,DEA - AHP / GRA提高了物流企业效率值的可区分效果,增强了物流企业之间的可比性。

为了进一步验证DEA - AHP/GRA评价结果的有效性,借鉴文献[17]的处理方法,本文引入投资回报率 ( ROI) 进行对比分析。投资回报率是指通过投资而应返回的价值,企业从一项投资性商业活动的投资中得到的经济回报。该指标能反映企业的综合盈利能力,且由于剔除了因投资额不同而导致的利润差异的不可比因素,因而具有横向可比性, 有利于判断各企业经营效率的优劣。将效率值与投资回报率做相关性分析,如表7所示。

注: **. 表示在 . 01 水平 ( 双侧) 上显著相关

表7的相关分析显示,效率值与投资回报率之间存在明显的正相关。E2与投资回报率的相关系数为0. 747,比E1的0. 600高出24. 5% ,且在0. 01水平 ( 双侧) 上是显著相关的; E1与投资回报率则不显著相关。从表6的统计数据可以发现,效率值高的物流企业其对应的投资回报率明显高于效率值低的物流企业,且效率越低的物流企业其对应的投资回报率也越低。由此可知,采用DEA - AHP/GRA方法进行效率评价具有可行性和有效性。

4.2.2排序的有效性分析

表6中DEA - CCR的排序结果显示,有2家物流企业 ( 第1家与第10家) 并列第一, 即有18. 2% 的物流企业无法有效排序, 而采用DEA AHP / GRA方法则解决了有效排序问题。为了分析排序结果的有效性,将DEA - CCR的排序结果 ( 排序1) 、DEA - AHP / GRA的排序结果 ( 排序2) 与投资回报率的排序结果 ( 排序3) 做相关性分析,如表8所示。

注: * . 表示在 0. 05 水平 ( 双侧) 上显著相关,**. 表示在 . 01 水平 ( 双侧) 上显著相关

表8的相关分析显示,排序1、排序2与排序3之间存在明显的正相关。排序1与排序3的相关系数为0. 630,在0. 05水平 ( 双侧) 上显著相关; 排序2与排序3的相关系数为0. 827,在0. 01水平 ( 双侧) 上显著相关。说明DEA - AHP/GRA的排序结果比DEA - CCR有了显著提高。

4.2.3物流企业效率分析

将表6中的E2值进行统计分析后可以看出,11家物流企业只有第9家最优,第11家最差。表9统计显示,平均效率值为0. 658 3,方差值为0. 02。

通过对数据进行聚类分析,得到图1。

从聚类分析结果可以看出,11个物流企业可以划分为4个层次,如表10所示。

从第1层次到第4层次,各个物流企业效率逐渐降低。第1层次为物流企业9,效率值为1; 第2层次为物流企业1、2、10,效率在0. 691 9 ~ 0. 777 8之间; 第3层次为物流企业6、8,效率在0. 620 6 ~ 0. 648 5之间; 第4层次为物流企业4、5、11、3、 7,效率在0. 587 0 ~ 0. 529 4之间。各个物流企业之间效率差距较大,其中,效率较差的物流企业存在资源投入不足或资源浪费等现象。具体表现为,经营管理不够精细,设备投入不足或闲置,导致运输和仓储成本无法控制在合理范围内; 物流信息系统滞后,导致缺货率较高,平均交货期延长; 人力资源管理水平低下,有人没事做和有事没人做的现象并存,导致人力成本上升。如果能够合理配置人员, 规范投资决策,提升资源利用效率等,将会极大提升物流企业的竞争力。

5结论

GRA分析 篇4

关键词：创新型科技人才,综合效率,灰色关联分析法,数据包络分析法

科技创新是社会发展的重要推力之一,而创新型科技人才又是科技创新的直接创造者,创新型科技人才开发效率的高低直接关系到社会科学技术的进步。对于处在高速发展时期的我国而言,正是急需人才的时候,对于创新型科技人才开发效率的研究就显得尤为重要。近年来,上至国家、下至地方政府,都在创新型科技人才培养上投入了大量的资源,实施了一系列人才计划,那么这些人才计划的投入产出效率到底怎么样呢? 受到哪些因素影响呢?应该从哪些方面去改进呢? 这些都是亟待解决的问题。

1 研究综述

创新型科技人才开发一直是学者们持续关注的焦点问题,提高创新型科技人才开发效率对于合理利用资源、促进科技进步具有重大意义[1]。学者们从不同角度研究了创新型科技人才开发的效率问题,如,江岩等[2]以山东省泰山学者建设工程为例,对人才投入和产出效率进行评价,并根据分析结果提出了促进人才开发改效率提升的建议。丁刚等[3]对全国创新型人才的投入产出效率进行了综合评价,指出全国各省域间创新型人才的开发效率存在显著差异,不均衡态势较为突出。张春海[4]等从科技人才开发的环境视角出发,运用数据包络分析法研究了我国各地区环境因素对科技人才开发效率的影响,并提出了人均GDP、产业密集度等是影响人才开发效率最主要的环境因素。刘铮等[5]针对人才开发的环境影响因素,通过建立模型,进一步指出不同地区的环境因素差异。

从已有的相关文献来看,学者们对于创新型科技人才开发效率研究一般都是理论与实证相结合,但在选择评价指标时大多采用传统的主观经验判断,具有明显的随意性,缺乏对指标有效合理的筛选,正是由于此,导致计算出的结果具有较大的差异性,影响了研究结论的准确性,因此,本文采用灰色关联分析法( GRA) 与数据包络分析法( DEA) 相结合的方法对创新型科技人才开发效率进行评价: 首先用GRA模型确定指标间的关联度,剔除不合理的投入产出指标,然后运用DEA模型对人才投入产出效率进行综合评价。

2 研究模型

2. 1 创新型科技人才开发效率评价问题描述

对创新型科技人才开发效率进行评价,首先需要确定评价指标,其次需要确定评价方法。创新型科技人才开发效率评价指标问题具有如下特点:( 1) 是一个灰色系统。创新型科技人才开发效率相关指标所组成的系统是一个灰色的系统,系统中因素的关联性大小是未知的。 ( 2) 需筛选指标。与创新型科技人才开发效率相关的指标较多,在这些指标中,有相关性强的、也有相关性弱的,在分析时通常只需考虑相关性强的指标,因此需要对指标进行筛选。( 3) 数据获得的局限性。在实际中,由于数据统计的原因,与创新型科技人才开发效率指标相关的数据是有限的并且是没有规律的。

创新型科技人才开发效率评价问题具有如下特点: ( 1) 指标权重未知。在对创新型科技人才开发效率进行评价时,由于指标间存在相互替代等比较复杂的关系,对于具体指标的权重是不得而知的,在实际中,我们需要尽量避免人为赋权的主观性。( 2) 结果能够指导实际工作。研究创新型科技人才开发效率问题,首先需要得出其开发效率是高还是低的结论,进一步,还要得出在这些影响因素中,每种因素对开发效率的影响程度及其具体表征,为今后的改进工作提供依据。

2. 2 模型选择

2. 2. 1 GRA模型

GRA模型是由我国学者邓聚龙教授于1982 年提出来的。在系统中,会存在很多因素,对于这些因素,到底哪些之间的关系密切、哪些之间的关系疏远,这是一个灰色问题,为了解决这个问题,学者们提出了关联度的概念。GRA模型的基本思想是,通过确定参考数列与对比数列的几何形状的相似程度来判别其联系是否紧密: 形状越相似,关联度就越大,其关系越紧密; 反之,关联度就越小,关系越不紧密[6]。

GRA模型与一般的回归分析、相关分析等因素分析方法相比具有明显的特点: ( 1) 解决灰色系统问题;( 2) GRA是按照事物的发展趋势作出的分析,因此对样本量的要求较少; ( 3) 不需要数据呈现典型的分布规律; ( 4) 模型深刻剖析了事物关联性的本质与内涵,考虑了斜率差与位移差等因素,因此计算出的结果与定量分析结果吻合。

2. 2. 2 DEA模型

DEA模型是在20 世纪70 年代末提出的,用于衡量拥有相同目标的 “运营单位”或 “部门”之间相对效率的一种运筹学方法,在处理多输出- 多输入的有效性评价方面具有绝对优势。其基本思路是:将被评价的对象看作是一个决策单元DMU,通过判断该DMU是否处于由包络线组成的生产前沿面上,或者偏离生产前沿面的程度,来判断决策单元DMU的效率[7]。数据包络分析法最常用的模型是规模报酬不变的CCR模型,和在CCR模型的基础上增加凸性假设而得到的规模报酬可变的BCC模型。

DEA模型与模糊综合评判法、判别分析法等综合评价方法相比具有明显特点: ( 1) 事先不用确定各指标的权重,有效避免了人为确定权重的主观性;( 2) DEA模型得到的是独立的指标分析结果,可以明确每个指标在结果中的贡献大小; ( 3) 分析结果能够显示导致某决策单元效率不足的具体原因,为管理者决策提供丰富的信息。

通过上述分析可知,GRA模型能够确定指标间关联性的大小,并且在分析时对数据样本量和数据的分布要求较少,操作简便易行,能够得出较为准确的结论。因此,本文运用GRA模型对指标进行筛选,得出创新型科技人才开发效率评价指标。在对效率进行分析时,DEA模型不需要事先对指标进行赋权,并且得出的结论能显示具体指标对结果的贡献,能够明确问题所在,方便管理者进行改进,因此,本文运用DEA模型对创新型科技人才开发效率进行评价研究。表1 为GRA模型、DEA模型和创新型科技人才开发效率评价问题的对比。

2. 3 模型建立

基于上述分析,本文建立基于GRA - DEA模型的创新型科技人才开发效率评价模型[8,9]。模型建立分为2 个步骤:

( 1) 第1 步是建立创新型科技人才开发效率评价指标模型。假设与创新型科技人才开发效率相关的指标X有i + 1 个,每个指标在不同时刻t都对应着不同的值。为了判断其中某个指标与其余i个指标的关系密切程度,我们首先将其中的一个指标X记为参考指标,将其在不同时刻对应的值构成的集合记为参考数列X0( t) :

则X0( 1) 表示第1 个时刻参考指标的值,X0( 2)表示第2 个时刻参考指标的值; 以此类推,X0( k) 表示第k时刻参考指标的值。其余i个指标记为比较指标,将其在不同时刻对应的值构成的集合记为比较数列Xi( t) :

则Xi( 1) 表示第i个指标在第1 个时刻的值,Xi( 2) 表示第i个指标在第2 个时刻的值; 以此类推,Xi( t) 表示第i个指标在t时刻的值。

因为参考数列和比较数列中数值对应的单位不统一,因此需要对数据进行无量纲化处理,公式为:

式( 1) 中,Xi( t) 表示无量纲化处理后对应的数据; Xi( l) 是指该数列的平均值或该数列的第1 个数值,具体的应根据实际情况进行选择,在本研究中,Xi( l) 是指该数列的平均值。

在式( 1) 的基础上,计算关联系数:

式( 2) 中,ζi( k) 表示第i种指标在k时刻与参考指标的关联性大小; ρ 表示分辨系数,ρ的取值越小,分辨力越大,一般情况下ρ取0.5。

计算灰色关联度。灰色关联度即对灰色关联系数求平均值。计算公式为:

式( 3) 中,ri表示第i种指标与参考指标的关联度值。

根据计算的灰色关联度值,可以对各指标之间关联性的大小进行排序,灰色关联度越接近1,说明关系越紧密。根据文献,结合创新型科技人才开发效率特点,本研究规定: ri≥0. 7,表示与参考指标相关性显著,应将其确定为评价指标; ri≥0. 6,表示与参考指标相关性较为显著,在指标选择时应结合实际重点考虑; ri< 0. 6 ,表示与参考指标相关性不明显,在指标选择时应将其剔除。

( 2) 第2 步是在第1 步的基础上建立创新型科技人才开发效率评价模型。假设现有m个创新型科技人才,每个人才都对应着n项投入和p项产出,则这n项投入和p项产出可分别用向量表示为:

其中,x1表示第1 项投入,x2表示第2 项投入;以此类推,xn表示第n项投入。同样的,y1表示第1 项产出,y2表示第2 项产出; 以此类推,yp表示第p项产出。则基于投入的决策单元效率模型为:

上式中,θ 指综合效率( TE) ,θ∈ ( 0,1]; ε表示非阿基米德的无穷小,一般取 ε = 10- 7; Sj-和Sr+分别指投入产出的松弛变量,表示投入的冗余和产出的不足; λi代表相应的权重; xij表示第i个创新型科技人才第j种资源的投入量; yir表示第i个创新型科技人才第r种资源的产出量。该模型能够将综合效率( TE) 进一步细分为纯技术效率( PTE)和规模效率( SE) ,这三者之间的关系可表示为TE =PTE × SE。当PTE = 1 而SE≠1 时,表示规模效率,即创新型科技人才的各项资源投入是制约其效率的主要原因; 当PTE≠1 而SE = 1 时,表示纯技术效率,即创新型科技人才充分利用各项资源创造产出的能力是制约其效率的主要问题。本研究规定: TE的值 θ = 1,表示该决策单元有效; θ≠1,决策单元无效。在无效的决策单元中,θ≥0. 9,表示创新型科技人才开发效率非常高; θ≥0. 8,表示创新型科技人才开发效率比较高; θ < 0. 8,表示创新型科技人才开发效率不足。PTE、SE与TE的规定相同,即PTE、SE的值为1,表示创新型科技人才开发的纯技术效率、规模效率达到了最优; PTE、SE的值大于等于0. 9,表示创新型科技人才开发的纯技术效率、规模效率非常高; PTE、SE的值大于等于0. 8,表示创新型科技人才开发的纯技术效率、规模效率比较高; PTE、SE的值小于0. 8,表示创新型科技人才开发的纯技术效率、规模效率不足。

3 实证研究

陕西省青年科技新星计划是由陕西省科技厅在2009 年开始实施的陕西省人才培养专项工程,按照“集成各类资源,对接国家和省级人才工程,联合培养和资助”的原则,每年在全省范围内选拔一批青年科技人才,对其开展的科学研究、技术开发、成果转化等活动提供资助[10]。陕西省青年科技新星计划的培养期为3 年,培养期内政府原则上会资助一次以上由科技新星主持的项目,并且要求科技新星所在单位可提供不少于1∶1 的配套资金支持,优先推荐并安排科技新星参加国内外学术会议、开展学术合作等学术交流活动; 培养期满后,表现优秀的科技新星有机会被评选为 “陕西省优秀青年科技新星”,并优先推荐进入 “国家百千万人才”、陕西省“三五人才” 等重大人才工程。通过陕西省青年科技新星计划的实施,培育学科和技术带头人,增强陕西省科学研究和技术开发的后劲,为建设西部强省提供技术和人才储备。

本研究设计了陕西省青年科技新星调查问卷,内容涉及科技新星的基本信息、培养期所受资助、培养期的工作、所取得的成果等信息,面向全省320名已经入选的科技新星进行调研。共发放问卷320份,收回有效问卷291 份, 其中有效问卷占90. 94% 。考虑到科技新星的培养期是3 年,且产出需要一定的时间来体现,因此本文随机选取了2011年、2012 年和2013 年培养期满的共45 位科技新星为研究样本。在样本中,男性36 人,占到样本总量的80% ; 具有博士及以上学历的有42 人,占到样本总量的93. 33% 。从研究的学科来看,基础研究范畴的有13 人,约占样本的28. 89% ; 应用研究范畴的有18 人,占样本的40% ; 试验发展研究范畴的有14 人,约占样本的31. 11% 。

3.1 GRA模型结果分析

3.1.1指标选取

通过查阅文献,创新型科技人才的产出主要包括公开发表的学术论文、出版的专著、获得受理的专利、获得的各项奖励、成果的转化额、高技术产业的增加值、新产品的销售额、人才培养等。创新型科技人才的投入是指投入的各项资源,主要有政府专项投入、研究和发展经费、课题项目经费、单位配套的支持经费、科技活动经费、技术开发经费、科研设备投入、科研团队成员、相关保障措施等[11]。结合陕西省青年科技新星的实际情况,最终确定的指标及其含义如表2 所示。

3. 1. 2 GRA模型结果分析

对数据进行标准化后,运用GM软件进行灰色关联度分析,分析结果如表3 所示。

从表3 可以看出,产出指标学术论文( Y1) 与各投入指标关联度由大到小的顺序为: X2> X3> X1>X7> X6> X4> X5; 发明专利( Y2) 与各投入指标关联度由大到小的顺序为: X6> X1> X7> X2> X3> X4>X5; 人才培养( Y3) 与各投入指标关联度由大到小的顺序为: X6> X1> X7> X2> X3> X4> X5; 成果转化( Y4) 与各投入指标关联度由大到小的顺序为: X3>X2> X1> X7> X6> X4> X5; 获省部级以上奖励( Y5)与各投入指标关联度由大到小的顺序为: X6> X7>X1> X2> X3> X4> X5。投入指标科研物资投入( X4) 与产出指标学术论文( Y1) 、 发明专利( Y2) 、人才培养( Y3) 、成果转化( Y4) 、获省部级以上奖励( Y5) 的关联度均值分别为0. 65、0. 641 、0. 686 、0. 668 、0. 638 , 尽管关联度值都大于0. 6,但与其余指标相比,差距明显,结合本研究实际情况,将科研物资投入( X4) 剔除。投入指标团队成员人数( X5) 与产出指标学术论文( Y1) 、发明专利( Y2) 、人才培养( Y3) 、成果转化( Y4) 、获省部级以上奖励( Y5) 的关联度均值分别为0. 532、0. 559、0. 62、0. 55、0. 544,除了与人才培养( Y3) 的关联度大于0. 6 之外,与其余指标的关联度值均小于0. 6,因此将投入指标团队成员人数( X5) 剔除。投入指标政府专项经费( X1) 、 课题项目经费( X2) 、 单位投入经费( X3) 、科技活动经费( X6) 、相关保障措施( X7)与产出指标学术论文( Y1) 、发明专利( Y2) 、人才培养( Y3) 、成果转化( Y4) 、获省部级以上奖励( Y5) 关联度值均大于0. 7,说明相关性显著,因此确定为最终的研究指标。

3. 2 DEA模型结果分析

3. 2. 1 陕西省青年科技新星投入产出效率分析

本文选取基于投入导向型的数据包络分析模型,运用DEAP2. 1 软件对数据进行分析,得到结果如表4 所示。

注: 1) DMU代表各位青年科技新星的编号; 2) 3*包括的DMU总共为17 个,分别是样本编号的第3、4、6、8、12、19、20、25、28、29、31、32、36、38、40、43、44 位; 3) TE代表综合技术效率,也称技术效率,PTE代表纯技术效率,SE代表规模效率,RTS代表规模报酬,其中,irs代表规模报酬递减,drs代表规模报酬递增,“ - ”代表规模报酬不变

选取的45 位青年科技新星,综合效率的均值为0. 809,因此,青年科技新星整体的开发效率比较高,其中,综合效率为1 的有17 人,占到总数的37. 78% ,说明这部分人能够充分利用所获得的投入,产出达到了生产技术前沿面,开发效率达到了最优。纯技术效率的均值为0. 938,因此,青年科技新星整体开发的纯技术效率非常高,其中,纯技术效率为1 的有26 人,占到总数的57. 78% ,说明这部分人充分利用资源的能力已经达到了最优水平;纯技术效率为1、规模效率不为1 的有9 人,说明规模因素是导致这部分人群产出不能达到最优的主因。规模效率的均值为0. 854,因此,青年科技新星整体开发的规模效率比较高,其中,规模效率为1 的有20 人,占到总数的44. 44% ,说明对这部分人投入的资源水平已经达到了最优; 规模效率为1、纯技术效率不为1 的有3 人,说明纯技术因素是导致这部分人群产出不能达到最优的主因。45 位青年科技新星中,规模报酬递增的有20 人,占到总数的44. 44% ; 规模报酬递减的有5 人, 占到总数的11. 11% ; 规模报酬不变的有20 人, 占到总数的44. 44% 。

3. 2. 2 陕西省青年科技新星投入产出效率的研究类型差异分析

根据表4,进一步统计出科技新星按学科划分的DEA效率特征值,如表5 所示。

从表5 中可以看出,基础研究、应用研究和试验发展研究3 个学科的技术效率、纯技术效率、规模效率均值差异都较小。应用研究的技术效率、纯技术效率、规模效率均值分别为0. 889、0. 975、0. 909,在3 个学科中均为最高值; 基础研究的技术效率、纯技术效率、规模效率均值分别为0. 829、0. 970、0. 849,除了纯技术效率外,其余均为最低值。从标准差的情况来看,3 个学科的技术效率、纯技术效率、规模效率的标准差都较小,表明波动相对较小、资源投入较为均匀。进一步来看,不论是基础研究、应用研究还是试验发展研究,纯技术效率的均值都大于规模效率的均值,表明科技新星在合理配置资源以提高产出方面的能力较高,目前产出的不足主要受规模因素的影响,存在投入规模冗余或不足的情况。

3. 2. 3 陕西省青年科技新星投入产出冗余分析

在DEA模型中,决策单元无效本质上是资源投入过多或者产出过少。现实中,我们更关心具体多投入了多少、少产出了多少。通过对投入产出的松弛变量进行分析,可以定量地明确投入产出的不足量或冗余量。表6 为青年科技新星的投入产出冗余分析。

在投入方面,陕西省青年科技新星在投入上都有一定的冗余,其中,政府专项经费和课题项目经费冗余较高,分别是23. 560% 和16. 315% ,表明其利用效率较低; 科技活动经费、课题项目经费冗余率分别为12. 538% 和11. 957% ,较前述指标而言相对较低,但也处在一个稍高水平; 相关保障措施冗余度最低,为7. 341% ,说明政府提供的相关保障措施得到了较为充分的利用。

在产出方面,陕西省青年科技新星在产出上也有一定程度的不足,但整体表现良好,其中,成果转化和发明专利的不足率较高,分别为14. 891% 和13. 224% ; 学术论文为10. 426% ; 获得省部级以上奖励和人才培养的不足率最低,分别是2. 064% 和0. 798% ,说明科技新星在获省部级以上奖励和人才培养方面已经取得了近乎最佳的效果。

3. 3 结论

综合运用GRA模型和DEA模型对陕西省青年科技新星的开发效率进行评价,得出以下结论:

( 1) 用DEA模型对科技新星的综合技术效率、纯技术效率和规模技术效率进行分析,结果表明,有62. 22% 的样本综合效率值大于0. 8,有37. 78%的样本综合效率值为1,陕西省青年科技新星的开发效率整体处于较高水平。

( 2) 规模效率是制约科技新星开发效率的主要因素,而纯技术效率的值已接近最优,因此,通过提升科技新星充分利用资源方面的能力效果已不再明显,需要在提升规模效率方面做努力。

( 3) 从学科细分的角度看,应用研究的综合效率值最高,而基础研究的值最低。

( 4) 从投入角度看,单位资金配套支持和相关保障措施得到了较为充分的利用,冗余度较低,而政府专项资金冗余度最高; 从产出的角度看,人才培养和获省部级以上奖励产出较为合理,而成果转化产出不足率最高。

4 结论

本文运用GRA - DEA模型对创新型科技人才开发效率评价进行研究,并用实证分析证明运用GRA - DEA模型能够对指标进行筛选,剔除掉相关性较小的指标,并在此基础上对创新型科技人才开发效率评价进行研究,从而使整个研究结果客观、合理、真实。实践表明,运用GRA - DEA模型对创新型科技人才开发效率进行评价,能够提供丰富的信息,为人才开发的优化改进提供依据。

参考文献

[1]齐世军,王磊,刘洪.大力培养和造就科技领军人才[J].科学和管理,2008(2):123-125

[2]江岩,张体勤.基于DEA的高层次创新型人才开发效率研究——以山东省泰山学者建设工程为例[J].山东社会科学,2011(11):131-134

[3]丁刚,罗暖.省域创新型科技人才队伍建设的投入产出效率评价及其空间关联格局分析——基于DEA模型和LISA方法[J].西北人口,2012,4(33):13-22

[4]张春海.区域科技人才开发效率及其影响因素研究——来自我国省际面板数据的实证分析[J].科技与经济,2013,6(3):81-85

[5]刘铮,孙健.我国各地区科技人才开发环境的影响因素[J].广东社会科学,2013(3):29-35

[6]DENG JULONG.Control problems of grey systems[J].Systems&Control Letters,1982(1):288-94

[7]ZILLA S,FRIEDMAN L.DEA and the discriminant analysis of ratios for ranking units[J].European Journal of Operational Research,1998(111):470-478

[8]FAN CHIANG-KU,CHENG SHU-WEN,WU CHENG-RU.Using GRA and DEA to compare efficiency of bancassurance sales with an insurer's own team[J].The Journal of Grey System,2009(4):395-406

[9]HO,CHIEN-TA BRUCE.Measuring Dot-com efficiency using a combined DEA and GRA approach[J].Journal of the Operational Research Society,2011(62):776

[10]陕西省科技厅.陕西省青年科技新星管理办法[A].西安:陕西省科技厅,2009