《模型的评价与改进》_优秀范文十篇
范文一：模型的评价与改进由于重金属污染物对人体的危害程度不同，确定其权重时同时考虑重金属污染物对环境的影响和人体危害程度将有利于增强权重值的科学性，进而提高土壤环境质量评价的有效性和准确性。本文选用改进层次分析法，根据《中华人民共和国国家标准》对cd、Pb、zn、cu、As、Hg、cr7种重金属污染物在粮食作物中的阈值的相对大小构建比较矩阵B=(6 ，婀(i，j从l至7分别代表Cd、Pb、zn、Cu、As、Hg、Cr)来计算7种土壤重金属污染物的权重60 ，将60 带人PI=Σ60 (cJs )，构建基于改进AHP的加权.平均综合指数法。1．1改进AHP的原目前土壤环境质量评价的方法很多。常见的土壤环境质量评价方法有单因子指数法、模糊综合评价法、灰色聚类法和综合指数法等。单因子指数法只能识别单个污染物的污染状况，不能反映综合环境质量。模糊综合评价法和灰色聚类法考虑了土壤环境质量的模糊性和综合性，但是计算方法相对复杂 。综合指数评价法是根据评价对象特点、评价目的要求抽取评价对象的典型性质参数构成评价指标，依据评价标准综合衡量系统状态优劣的一种评价方法。理想的综合指数应该能够准确地反映特定区域的整体环境质量，而且具有较好的通用性。环境质量综合指数法最初用来表达和评价大气、水体或土壤等环境整体质量优劣。自20世纪8O年代以来．许多学者指出各种综合指数模式都普遍存在通病(评价失效) ，但综合指数法具有易懂、易学、易算和易操作等特殊优点．仍被广大科技工作者采用。综合指数法是进行土壤环境质量评价的主要方法。国内外目前运用到土壤环境质量评价中的综合指数法已有20余种[91。常用的环境质量综合指数法包括简单叠加法、算术平均法、加权平均法、均方根法、平方和的平方根法、最大值法等。为更好的比较和评价上述方法，对其特点进行总结，具体结果见表1。加权综合得到的环境质量评价结果能够较好揭示不同评价因子问的内在联系，使评价结果更接近和符合环境质量的实际状况。现有的模糊综合评价中模糊权的确定和灰色聚类评价中聚类权的确定都有相应计算公式，但是加权平均综合指数法中权重的确定大多由专家依据重金属污染物的毒性、人体对重金属污染物的吸收以及人体可承受污染物最大阈值的经验来确定，存在一定的主观色彩．评价结果往往失真181。《中华人民共和国标准》之“粮食卫生标准”中，重金属作为理化指标，依据重金属的毒性及人体对重金属污染物的吸收．确定了影响人体健康的重金属污染
范文二：基于改进DEA模型的供应商的评价与选择摘要：供应商的评价选择是企业构建供应链并进行供应链管理的前提。针对数据包络分析（DEA）方法在对供应商评价选择时无法对供应商进行有效排序的缺点，现在原有的C2R模型的基础上添加一个虚拟决策单元，对供应商进行重新排序，并据此结合企业案例进行算例分析。 　　关键词：供应商 评价选择 数据包络分析（DEA） 　　中图分类号：F123.9文献标志码：A文章编号：X（5-02 　　一、引言 　　随着供应链管理时代的到来，供应商的评价选择越来越重要。供应商处于供应链管理的源头和供应链反馈的终点，产品的质量、供货期和提前期都深受供应商的影响，整条供应链的质量也受限于供应商企业的质量[1]。国内外对供应商的评价选择研究主要集中在两个方面，一是供应商评价指标体系的研究，二是供应商评价选择方法的研究。本文选择数据包络分析法来对供应商进行评价选择，主要是因为数据包络分析能客观地同时处理多种投入和产出，利用数学规划模型对供应商的相对效率进行评价。因此，数据包络分析方法在供应商评价选择问题上具有十分明显的优势。 　　二、DEA的C2R模型及其改进 　　数据包络分析法[2]（DEA）是1978 年由著名运筹学家A.Charnes，W.W.Cooper 和E.Rhodes 首先提出的，用数学规划模型来评价具有多个输出的“部门”或者“单位”间的相对有效性。C2R在对供应商进行评价时虽然有很多的优点，但是其只能分辨出DEA有效的决策单元和DEA无效的决策单元，如何利用现有的结果对众多备选供应商进行排序从而甄选出最佳的供应商，现有的C2R模型则无法做到。针对C2R的上述局限性，现对模型做出以下改进：在原有的n个决策单元的基础上，添加一个虚拟的决策单元DMUn+1，它的投入指标xij为所有决策单元的最小值，它的产出指标yrj为所有决策单元产出指标的最大值，则传统的C2R模型变为： 　　max■μryrj=hj 　　s.t.wTxj-μTyj≥0，j=1，2，...，n，n+1■wixij=1w≥0，μ≥0 　　1.数据收集与处理 　　A公司是国内著名的汽车合资生产商。它对其零配件供应商的评价有一套详尽的指标体系。结合DEA模型方法，将指标分为投入指标：产品价格（X1）、研发投入力度（X2）、广告费用（X3）、信息共享资金投入增长率（X4）、送货及时率（X5）；产出指标：销售增长率（Y1）、顾客满意度（Y2）、产品合格率（Y3）、对市场需求的快速响应（Y4）、信息共享程度（Y5）、订单满足率（Y6）、产品交货期（Y7）、准时交货率（Y8）。表1是12家供应商各类指标的原始数据。为降低数据间信息相互重叠给评价带来的干扰，现分别对投入指标和产出指标进行主成分分析，为下一步的DEA分析提供数据。利用SPSS软件计算出各投入指标的特征值和累计贡献率，我们提取两个主成分。根据投入指标的因子载荷矩阵，第一主成分主要表达的是产品价格、研发投入力度、广告费用的情况，它是企业基本的经营业务的投入。第二主成分表达的是信息共享资金投入增长率、送货及时率，综合起来就是加速订单响应的投入。对于产出指标我们提取三个主成分。根据产出指标因子载荷矩阵，第一主成分主要表达的是顾客满意度、对市场需求的快速响应、订单满足率、产品交货期、准时交货率，它体现的是供应商提供服务的质量和速度以及顾客对此的满意度；第二主成分主要表达的是销售增长率、产品合格率，它体现的是产品质量优异的情况下销售的增长；第三主成分主要表达的是信息共享程度，它体现的是企业间信息的共享。用SPSS继续求每个供应商的主成分得分，再用极差标准化方法对数据进行处理，得到可以直接用DEAP软件进行处理的数据，标准化后为0的数据用1×10-6来代替。 　　2.基于改进DEA模型的供应商评价结果分析 　　用DEAP2.1软件对已经处理的数据进行运算，得到供应商的DEA指数（如表2所示），可以看出，在未添加虚拟变量前处于生产前沿面的7家供应商现在只剩下DMU6和DMU9，决策的可参考价值大大提升了。三、小结 　　本文针对DEA传统C2R模型在进行评价选择时不能对备选方案进行有效排序的缺点，在传统模型的基础上添加一个虚拟决策单元，对数据进行两次排序，提高了DEA方法在对供应商评价选择时的参考价值。若企业想对DEA有效的供应商进行更深一步的分析的话，还可以利用DEA给出的分析结果做更进一步的对比，找到各供应商的优劣势，并与企业的要求结合起来，更全面的衡量供应商。针对合作伙伴型的供应商，企业还能找到其与同行之间的差距，从战略合作的角度提出解决方案，实现企业和供应商战略合作关系的双赢发展。参考文献： 　　[1]马士华，林勇.供应链管理：第2版[M].北京：机械工业出版社，2005. 　　[2]魏权龄.评价相对有效性的DEA方法[M].北京：中国人民大学出版社，1987. 　　 　　[责任编辑 王玉妹]
范文三：交通流模型的分析评价与模型的改进_张鹏第25卷第4期2000年8月昆 明 理 工 大 学 学 报JournalofKunmingUnversityofScienceandTechnologyXVol.25 No.4Aug.2000交通流模型的分析评价与模型的改进张 鹏,刘儒勋12(1.昆明理工大学理学院,云南昆明 .中国科技大学数学系,安徽合肥 230026)摘要:连续介质模型和车辆跟驰理论是20世纪50年代后交通流研究领域中最有影响和代表的两大理论,前者由于其宏观性质在应用中得以较快地发展,后者因其微观性可作为对前者的重要补充.本文通过对车辆跟驰规律的分析,进一步揭示了两种理论的内在联系,同时将这一领域的主要研究成果作了概括和分析评价,最后提出了交通流建模的一种新的观点和一个改进模型.相信本文的讨论有助于较快地了解这一领域的研究工作,对交通流的建模与数值模拟具有参考价值.关键词:车辆跟驰分析;速度-密度假设;延迟时间;动力学模型中图分类号:U169161文献标识码:A文章编号:00)04-118-061 交通流连续介质模型简介交通流连续介质模型也称流体力学模型,它通过对单向运动的交通流在某时刻t,在某一位置x的有关变量的描述来把握交通的特性和本质.这些变量为流量q(x,t):它表示t时刻点x处单位时间通过的车辆数;速度u(x,t):它表示t时刻x点处的车流速度;密度Q(x,t):它表示t时刻x点处单位长度所有的车辆数.因假设了流体的可压缩性,所以流量q(x,t)与空间坐标x有关,同时密度Q(x,t)与时间坐标t有关.由流体力学守恒定律,可知在某点(x,t)处单位时间内密度的增加(或减少),等于单位距离内流量的减少(或增加).于是有+=0 5t5x仍由流体力学的有关知识,还有上述三个交通变量的一个关系式q=Qu而关于第三个方程,L-W理论认为速度应该是密度的一个函数,即假设u=ue(Q)代入(2)有q=Que(Q)=q(Q)再代回到(1),可得到密度满足的微分方程+=0(5)(4)(3)(1)(2)这一方程一般称为速度-密度假设或者运动学模型,其特征是激波间断的普遍存在,所以也称间断模型方程.由于模型的第三个方程是建立在假设的基础上,其合理性从一开始就受到怀疑.实际上这一假设可由下面的车辆跟驰分析推导出来,而且这种分析使这一假设的局限性变得非常直观.几十年来的交通流建模问题基本上就是围绕着第三个方程进行讨论的,其合理性已不断得到改进.但由于交通因素的复杂性与道路的多样性,对这一问题的研究还远未达到完善的程度.2 车辆跟驰分析与速度-密度函数关系车辆跟驰分析对空间变量是离散的,即它所关心的是行进中每一单个车辆的运动轨迹.参照文献X收稿日期::,,:第4期 张鹏,刘儒勋:交通流模型的分析评价与模型的改进#119#[2],我们假设行驶为单车道,方向由左至右,并将行进中的某一车辆设定为头车,其运动方程记为x1(t).以此为界,我们只关心该车及其之后车辆的运动情况,并将任意两相邻的前后车辆分别记为xn(t)和xn+1(t).记上述两车的距离(前车头至后车头)为pn(t)=xn(t)-xn+1(t).假设每一车辆的型号、性能都大致相同,车身长度为L;若再假设不能超车,则有L[pn(t)vn+1=v(pn)函数v(#)满足v(L)=0; v(+])=vm(6a)在连续问题中,假设在(x,t)处正好对应着某一行驶车辆,不妨设为上述问题中的第n+1辆车,于是车流平均速度u(x,t)可由该车行驶速度近视代替.该点处的车流密度Q(x,t)可用由它(第n+1辆车)前面的一段长度范围的平均密度来代替,这一段长度就取它与前车的距离pn,而我们知道在这一路段上(第n+1辆车车头至第n辆车车头)只有一辆车,即第n辆在行驶.于是有:u(x,t)=vn+1, Q(x,t)=1/pn(7)u与Q相应的取值范围:0[u[0[Q[Qm.其中记um=vm,Qm=1/L.Qm称为最大密度或饱和密度.将(7)代入(6),并记新的单减的函数为ue(#),则有u=ue(Q)相应有ue(Qm)=0; ue(0)=um(8a)事实上,满足(6)与(6a)或(8)与(8a)式要求的函数可以构造很多.根据以上要求,函数u=ue(Q)实际上就是Q)u坐标平面上连接两点(0,um)与(Qm,0)的一条单减的曲线.一个最简单也是最常用的速度)密度函数为如下线性关系(9)Qm不满足(6a)或(8a)的速度)密度函数关系也有人给出,如Greenberg的对数模型与Underwood的指u=um1-数模型,不过它们只分别适用于高密度和低密度分布的情形.(8)(6)3 速度-密度假设模型的间断分析与模型的局限性在车辆跟驰分析中,如果在某时刻车辆的车距pn为(从而各车车速vn也为)n的单调不增的系列,这样随着时间的增加车距将会进一步拉大.而另一方面,pn增大将使第n+1辆车加速追赶,最后的结果是所有车辆的车速随时间的增加而趋于一致,任两相邻车车距趋于相同,即达到所谓的平衡状态(Equilibrium).对于这种情况,事实上由(6)式导出的方程组可得到解析解.例如当函数v(#)为线性时,可由Laplace变换求出每辆车的运动方程.而相应的连续模型方程(5)可由特征线方法求出解析解.以上单调关系如果不能满足,例如不妨假设在某一时刻头车速度比后面各车速度要小且在运动中保持不变,而其它各车速度与相邻车车距都一样.对于这种情形方程组(6)没有解析解,即从这时起第二辆车将处于一种无可奈何的境地:由于第二辆车车速比头车快,随时间增加两车车距减小,受(6)式制约第二辆车必须按一定的幅度减速;但第二辆车以后的各车的行驶规律也受到(6)式制约,这一制约使它们不能接受第二辆车的减速行为或是过大的减速幅度.以上结论事实上也可由对连续方程(5)进行激波间断分析而得到.速度)密度函数关系所导致的激波间断显然是非常频繁的,所谓求间断解就是对间断发生处及其附近的车速进行调整,对来自前后的要求做出妥协.然而这样的/妥协0未必能解决问题,因为这里的间断在#120#昆明理工大学学报 第25卷事实上速度)密度假设的不合理性由本文的推导变得一目了然:某车车速不可能仅仅由它于前车的车距决定,还必须考虑其它因素.该模型的毛病早有许多学者指出.例如Ross[7]认为对于由低密度向高密度流动的交通,这一模型会导致高密度区域出现一种/自锁的倾向0(tendencytolockup),即上下游一定的密度分布值可使在高密度区域的车流流入量大于流出量,而且这种情形会一直持续下去.上述第二辆车的/无可奈何0实际上是由低密度向高密度流动时普遍存在的现象,这一现象必然造成车队的不稳定运动,也是造成Newell所说的/时走时停0(stopandgo)的真实原因.简而言之,速度-密度关系模型只有在所谓的平衡状态是较为合理的,而在实际交通中,这种状态几乎不存在.模型的改进在很大程度上是为了解决上述的困境,一个方面是考虑惯性的作用,即认为由车距或密度所确定的速度不是当时就达到,而是要在一段时间之后.由于减速是延迟的,我们认为这可以使上面所说的第二辆车的困境得到缓解,或者说在该点激波的尖锐性减弱.同时这也将使低密度区的车流较快地移动到高密度区.另一方面是考虑了前面的各相邻车车距对考察车辆车速的影响.就连续模型来说,这意味着某地的车流速度不再由当地的密度值决定,而是依赖于它前方某处的密度值.这样的考虑从性质上讲无疑是有道理的,而且应注意到,它抑制了低密度区车流向高密度区的移动,相反则加速了高密度区车流向低密度区的扩散.4 加速度描述与动力学模型所谓动力学模型就是对加速度的表示,即动量方程进行描述.加速度即车流流速对时间的导数du/dt.注意到这里x与t有关,且dx/dt就是考察点的车流速度u,加速度的另一表达形式为=+=+u dtdt 对速度)密度假设模型,由(5)式易推出加速度的一般表达式为[4]due25Q=-dtdQ 将上述两方面的建模思想综合考虑,(8)式可改写为u[x(t+S),t+S]=ue[Q(x+vx,t)]导出对加速度的描述.以上两式用微分近似公式代替,得到due=ue[Q(x,t)]+vx(12a)dQdtu-ue(Q)或=-+(12b)dt 几乎所有的动力学模型都与(12b)式有关,下面选择不同时期的几个重要模型给出推导和分析.因u(x,t)+所选模型具有较强的代表性,所以这样的讨论也足以说明问题.Payne(1971)认为vx=1/2Q(第n+1辆车与第n辆车距离的一半),并将近似地看作常数,记C=-0.5due/dQ(>0),称为预期指数.这样由(12b)式所导出动量方程为)=-u-ue(Q-dt(13)[5](10)(11)(12)其中S为延迟时间,x(t+S)是延时后考察点x所处的位置.考虑延迟时间就等于考虑惯性作用,它必将Kuhne模型[6](1984)描述的动量方程如下2u-ue(Q)2-C0+C(14)dt=-5x它的前两项实际上可通过对(12b)式作适当的处理得到,第三项则考虑了粘性的影响.式中C0表示直接与车辆跟驰有关的/音速0,C为粘性系数.[7])第4期 张鹏,刘儒勋:交通流模型的分析评价与模型的改进#121#行驶愿望是十分强烈的,只要密度尚未达到饱和,都/尽可能0地想以某个自由畅行速度uf(freeflowspeed)进行驾驶.Ross也考虑了延迟时间,这样我们只需在(12b)式中将ue(Q)换为常数量uf,即可得到u-uf=- Qq[C 或 uQ[C当车流密度达到超饱和时,Ross认为车流已处于一种不可压缩的状态,这时流量与空间变量x无关=0 Q=Qm(15b)(15a)(15)H.M.Zhang[8](1998)认为,对于较低的密度情形,加速度的表示式只需考虑(12b)式的第一项.而对高密度分布的情形,应考虑包含平衡状态,即速度)密度假设模型作为其特殊情形.根据这一思想,在(12b)式中若令u=ue(Q),其表达应与(11)式完全一致,这样就有对高密度分布情形的加速度表示u-ue=--dtd2=0(16)5 对动力学模型的评价与模型的改进Payne模型被编入著名的FREFLO程序(1979).数值实验结果表明,对于一般情况的交通流描述,它与实际比较接近,然而对于密度突然变化的交通情况其调节的过程过于缓慢.此外该模型在高密度区存在稳定性问题,会产生奇高的密度值.Kuhne模型虽较Payne模型有较大改进,但其有限的数值结果很难说明其在应用中的可靠程度.以上两个代表模型中隐含了速度)密度关系假设.Ross[7]与Michalopoulous[9]都分别对此提出了批评,指出这是以Payne为代表的这一类模型的根本缺陷.这两位学者的模型都是建立在对速度)密度关系假设的直接引用或是隐含的/批判0的基础之上.在Ross模型中,驾驶员的行驶愿望是如此强烈,这无疑较好地还原了交通流的动力特性,因而也有一些较好的数值计算结果.尤其是对于因交通事故受阻和前方车道减少所产生的/瓶颈0(bottleneck)现象,Ross模型都能给出符合实际的描述.Michalopoulous等人在后来的研究中进一步认为,延迟时间不应是常数.一般来说,当密度较大时,延迟时间应相对较小.这使在高密度区反应过慢的问题得到缓解.Newell[10~12]的研究似乎与Payne及其之后的动力学模型背道而驰,在他的模型中没有延迟时间.Newell模型也始终没有放弃对速度)密度假设的引用,其核心思想是在此基础上提出了车流移动时所遵循的累计流量最小原则.针对Ross等人的说法,Newell认为一些数值模拟的失败(如Payne模型)是由于数值离散不当所造成.Newell等学者同时指出了Ross模型的缺陷.事实上这几乎是一目了然的,由(16)式可以看出,加速度恒大于零,这使模型的描述为不断加速的情形;饱和密度时交通流不可压缩的假定使得车流启动是同时的,即当某车启动时,后面的车辆都将立即跟上,波速的传播无限大.值得一提的是,吴正[13]针对我国以低速混合交通为主的情况,将一维管道流动的动量方程引入交通流模型,并就有关参数建立了相应的实测方法,其数值结果与我国的实际交通情况是符合的.综合各主要模型的数值结果与学者们的分析讨论,我们进一步认为,相对于速度)密度假设模型,引入延迟时间后一方面会加快了由较低密度区域车流向较高密度区域的车流运动,而对于相反的情形则起抑制作用.后一种效果与实际一般来说是不符合的,例如类似我国这种/争先恐后0的城市交通状况.前一种作用当密度不是很大时应该是有道理的,但当密度接近饱和时,必然会存在刹车过慢的问题.为缓和上述两种作用,大多数动力学模型在加速度的表示中除u(x,t)一项(一般称为松弛项)外,又加入其它项().#122#昆明理工大学学报 第25卷问题.H.M.Zhang[8]的模型可能会是一个例外,或者说有较大改进.因为其加速度表达式中的第二项正好就是速度)密度假设模型的加速度.这样可清楚地看出,相对于速度)密度假设模型,它对由高密度向低密度移动的车流有加快流动的作用,同时对由低密度向高密度的车流移动有抑制的效果.前一个作用与实际情况是吻合的,而后一种作用也许能够解决高密度交通流的数值模拟问题.由于原文未给出数值结果,我们使用了有限元方法对H.M.Zhang提出的模型方程给出两个数值算例,其中将延迟时间取为密度量的一个单减函数,数值结果与实际是较为吻合的.不过这一模型的有效性仍需要更多数值模拟结果的检验.然而,若纯粹从数学建模的角度来看,延迟时间是一个根本不存在的量.因为车流速度的改变对于时间变量应是一个连续甚至光滑的过程,速度的改变是在瞬间发生.延迟时间(例如取常数)的引入实际上是将速度描述为时间的分段的阶梯函数,所以除速度取常数的情形外,激波间断是注定要发生的,即使对密度随空间变量单减的情形也不例外.相对于速度)密度假设模型,当车流由低密度向高密度流动时,激波的发生更加普遍但一般来说其尖锐性会得到缓和,但当密度接近饱和时,激波的尖锐性可能反而会加强,给数值求解带来很大困难.这就是这一类模型对高密度交通流进行数值模拟时常常出现问题的重要原因.由以上分析,我们认为不考虑延迟时间的建模方法应是一条可行之路,并对此作了初步探索.在(12a)中取S=0,vx=L/Q,ue(Q),由(10)式给出,并记C=-Lnm/Qm,这样可得到u=ue(Q)- (17)这里一般认为02+=C25x2或+a(Q)=C25x这是非线性波方程,或者一般的Burgers方程,其右端项为扩散项,或者粘性项.由建模分析过程或(17)式本身都可以看出,这一模型对车流的移动有与H.M.Zhang模型类似的加快和抑制效果,但其光滑性显然要好得多.我们对该模型采用有限元方法模拟了红绿灯间断与交通事故现象,数值结果十分理想.这将在在另一篇文章中作详细讨论.参考文献:[1] LighthillMH,WhithamGB.Onkinematicswave:II.Atheoryoftrafficflowonlongcrowdedroads.Proc.Roy.Soc.London,Ser.,)345.[2] PipesLA.AnOperationalAnalysisofTrafficDynamicsJ.Appl.Phys.,)281.[3] 张鹏,刘儒勋.红绿灯间断模型与特征线求解.昆明理工大学学报,):65~70[4] PipesLA.Vehicleaccelerationsinthehydrodynamictheoryoftrafficflow,Transp.Res.)234.[5] PayneHJ.Modelsoffreewaytrafficandcontrol.In:BekeyA.G.(ed.)Mathematicalmodelsofpublicsystems.Simula-tionCouncilProc.,LaJola.)61.[6] KuhneRD.MacroscopicFreewayModelforDenseTraffic-stop-startWavesandIncidentDetectionin:VolmullerJ,HamerslagR(eds.).Proc.9thInt.Symp.onTranspn.andTrafficTheory.VNUSciencePress,Utrecht,.[7] RossP.TrafficdynamicsTranspn.Res,1)435.[8] ZhangHM.ATheoryofNonequilibriumTrafficFlows.Transpn.Res.-B,):485)498.[ i,第4期5)332.张鹏,刘儒勋:交通流模型的分析评价与模型的改进#123#[10] NewellGF.ASimplifiedTheroyofKinematicsWavesinHighwayTraffic.PartI:GeneralTheory,Transpn.Res.,1)287.[11] NewellGF.ASimplifiedTheroyofKinematicsWavesinHighwayTraffic.PartII:QueueingatFreewayBottlenecks,Transpn.Res.,9)303[12] NewellGF.ASimplifiedTheroyofKinematicsWavesinHighwayTraffic.PartIII:Mutil-DestinaitonFlows,Transpn.Res.,5)313[13] 吴正.低速混合型城市交通的流体力学模型.力学学报,):149~157.AnalysesandRemarksonTrafficFlowModelalongwithItsImprovementZHANGPeng1,LIURu-xun2(1.TheFacultyofSciences,KunmingUniversityofScienceandTechnology,Kunming650093,C2.DepartmentofMathematics,UniversityofScienceandTechnologyofChina,Hefei230026,China)Abstract:Since1950s,ContinuumModelsandCarFollowTheoryhavebeenthemostinfluentialandrepre-sentativetheoriesinthetrafficresearch.Theformerhasbeendevelopedrapidlyinapplicationsduetoandthelattermaybeausefulcomplementtotheformerbecauseofitsmicroscopicconsid-eration.Thispaperpaysmuchattentiontothecarfollowingbehavior,bywhichitrevealsinnerrelationsbe-tweentwotheories.Summarizingandmakingcommentsonthemainfruitsinthisfield,thediscussiongivesrisetoanewinsightintrafficflowmodelingaswellasanimprovedformulation.Itisbelievedthatwhatdis-cussedinthepaperwillbeconducivetoafastunderstandingtothedevelopmentinthisfieldandmightplayapartinmodelingandnumericalsimulationfortrafficflowproblems.Keywords:speed-dynamicsmodels
范文四：模型的评价、改进及推广7. 模型的评价、改进及推广7.1模型评价优点：（1）在求解第一问时，模糊综合评价采用模糊数学中的最大隶属度原则研究环境中的模糊现象，可以细致、准确地评价环境等级。（2）本模型采用的灰色预测模型具有少数据性、良好的时效性、较强的系统性和关联性等特征，可以合理的对数据做出预测。（3）在求解问题二时，我们把长江流水水质假设成是一维稳定河流水质，这样可大大方便求解上游给下游地区带来的污染物质量。缺点：（1）采用模糊综合评价时，实际中最常用的是最大隶属度原则，但用此分级标准评价环境污染程度存在一定的主观性。（2）在求解某些模型时，为了使问题得到方便的解决，往往采用简化的手段进行求解，因此求出的结果与真实值会存在一定的偏差。7.2模型改进在求解问题二时，没有考虑长江流量的变化给江水净化污染物质量大小所带来的影响。这会在一定情况下影响结果的准确性。若要提高使模型的精度，应该把江水的流量变化考虑进去。7.3模型推广模型一中，除了用模糊算法评价外，还可以用BP神经网络来求长江水质的在综合评价而；而在求解问题三和问题四时采用的灰色预测，还可以用回归分析预测、时间序列预测和神经网络预测等代替。
范文五：森林生物多样性评价模型的改进No．122008林业经济FORESTRYECONOMICS·研究报告·森林生物多样性评价模型的改进张颖（北京林业大学经济管理学院北京100083）摘要：针对2002年的评价模型中的不足，提出了新的改进后的森林生物多样性变化的评价模型，并在我国第六次森林资源清查（）资料的基础上，对年我国森林生物多样性的变化进行了补充评价。评价结果表明：我国森林生物多样性的压力越来越大，压力指数由1973年的100，上升到2003年的199.10，上升了1.99倍；森林物种多样性总体的下降趋势已有一定幅度的改变，森林物种多样性指数增加了31.12%。森林生态系统多样性和森林生物多样性先逐渐上升，尔后又下降，第六次森林资源清查时又有所恢复，并分别上升了4.67个百分点和17.90个百分点。关键词：森林；生物多样性；评价；模型；改进中图分类号：307.26文献标识码：A文章编号：X（48－05ImprovementonEvaluationModelofForestBiodiversityZhangYing(BeijingForestryUniversity,Beijing100083)Abstract：Thispaperhasimprovedonevaluationmodelsofforestbiodiversitydesignedin2002byauthorhimselfwhichhavenotconsideredtheweightsandthepositiveandnegativeinfluencesindifferentinduces.Afterbetter-mentmodels,theauthorrenewedevaluationonforestbiodiversitychangefrombasedonthelatestsixthsurveyofforestresourcesinChina().Theevaluationresultsindicatedthatfrom,thepressureofforestbiodiversityisbecomingmoreandmore,theindexofpressurewithwas100in1973raised199.10in2003,hasbeenraised1.99times.Thetrendofdecreaseofforestspecieshasimprovedobviouslyandtheindexofforestspecieshasincreased31.12%from.Theforestecologicalbiodiversityandgeneralforestbiodiversityearliergraduallyareraised,andthenarefallendownandthoseareraisedagain,bothofthemseparatelyhaveraised4.67percentand17.90percent.KeyWords:improvement1森林生物多样性变化评价研究的背景与目的对森林生物多样性变化评价的研究可以追溯到经济合作与发展组织（OrganizationforEconomic质量的变化。目前，使用该套评价指标，不仅评估环境政策的影响，而且，也把它作为持续发展评价的基础性指标。CooperationandDevelopment，OECD）对环境质量的评价研究和芬兰的森林资源核算研究（国家环保局，1998）。较早开展环境质量评价研究的是经济合作与发展组织。1992年，在OECD的环境项目执行回顾中，在其成员国中开展了一项环境政策影响的评估计划，这个计划促使各成员国达成了一项国际协议，要求把环境政策的影响和各成员国的社会经济发展目标联系在一起。1993年，这个计划设计了一个总的指标框架，并且确定了具体的评价指标，并在同年使用该套评价指标评价了一些国家的环境收稿日期：OECD的环境政策影响的评价指标是在被称作压力—状态响应框架（Pressure-State-Response，PSR）的基础上设计的，该框架主要检测各种环境影响因素的变化情况。人类的活动对环境和自然造成一定的压力，从而引起环境和自然资源质量的变化。环境影响变化的实际情况通过状态指标反映出来。社会对环境状态的反应是在总经济政策中制定相应的环境政策。因此，使用相应指标反映社会对环境变化的反应程度。相应指标包括环境保护的支出，环境监测和污染控制的费用，以及公民对有关环境的观点等。这三组指标的相互作用并不复杂，但是，它需要对环境和经济的相互作用进行深入的分析。作者简介：张颖，北京林业大学经济管理学院教授，博士。研究方向:森林资源、生态环境的价值评价和核算，区域经济学。基金项目：教育部新世纪优秀人才支持计划。48张颖：森林生物多样性评价模型的改进在OECD的指标框架中，列出的指标主要用于反映环境的质量问题。如气候改变、臭氧层破坏、营养富化、土壤酸化、有毒污染物排放、城市环境质量、生物多样性、风景和垃圾处理等。框架也主要集中在4种自然资源上：水、森林和渔业资源及土壤降级。列出的指标也包括所谓的总体指标、人口增长和环境保护支出。具体对森林资源的评价，该框架推荐使用的压力评价指标为原木采伐量和森林的木材生产能力。适用的国家评价指标为林地面积、树种组成和林木的龄级分布。相应指标具体包括森林经营方法和有关部门森林保护的一些统计数据。芬兰最初的森林资源核算的研究是在OECD推荐的环境影响评价指标的基础上进行的。早期出台的芬兰森林资源核算的框架包括4种不同的指标和总指数。在这些指标中，压力指标描述人类的活动引起森林生态系统变化的情况。多样性指标、物种和生态系统指标，描述森林生态系统的状态如何发生变化。从社会健康发展的角度，使用这些总指数，能够分析森林的发展变化情况。并且，能够把有关森林的数量、价格和质量的统计数据纳入核算体系。另外，Pukkala和Kangas等在进行森林生物多样性的评价研究时，主要从物种的角度进行了评价，研究把森林生物多样性分解为单个可测度的林分，并且把所研究林分内稀有、受威胁和濒危物种的出现率作为关键的评价因子。Puumalainen等认为森林的组成、结构和功能是森林生物多样性的关键因素和评价生物多样性质量的决定因素，并且利用这3个要素和国家水平的统计数据等评价了欧洲的森林生物多样性。Ericsson等在对瑞典的林地的关键生境（woodlandkeyhabitat，WKH）的森林生物多样性分析时，则强调其物种和结构要素。笔者认为森林生物多样性评价具有不确定性，是一个典型的“黑箱”系统，并应用“黑箱”理论，在PSR的基础上提出了森林生物多样性的评价方法，同时对年间我国森林生物多样性变化情况进行了评价，得到一些有益的结论。但当时评价模型没有考虑各评价指标的权重和区分影响因素的正向（positive）、负向（negative）影响问题，因此，本文在原有评价模型基础上进行修正，并根据全国森林资源第六次清查（）的最新数据，对我国1973～2003森林生物多样性的变化进行了新的评价，为我国森林生物多样性保护和森林资源管理提供参考依据。2原森林生物多样性变化评价模型简介森林生物多样性具体包括遗传多样性、物种多样性和生态系统多样性3个层次（国家环保局，1998），从整体上看，它是一个典型的“黑箱”系统。因此，从PRS的角度来看，原森林生物多样性变化评价模型如下：2.1森林生物多样性压力指标和指数森林生物多样性的压力是由于人类的社会、经济活动造成的。具体表现在：①森林的皆伐面积：由于对木材的需求引起大面积森林皆伐，使森林生物彻底失去了栖息地，因而造成森林动植物和微生物数的减少。②年造林面积：这也是对森林面积减少的一种相应的反映。根据各种研究，森林面积减少，引起森林物种和生境的减少。如目前世界年平均热带林毁林面积为1700万hm2，导致热带野生动物的生境丧失。在非洲，热带非洲原生生物的丧失率为65%，热带亚洲为67%。森林面积的减少，需要每年造更多的林子，以减轻对森林的压力。③年疏林地面积：疏林地也影响森林生物的生存，尤其影响生物的丰度和种群的数量。④年森林施肥面积：森林施肥面积的增加，尤其影响着森林微生物的生存。这些指标都是以相对数来反映，即以某年的统计数据为基年，为100，其它年份的统计数据与之比较，得相对数，以反映其动态变化。生物多样性压力指标的总指数计算公式为：Istress=I1+I2+I3+I44式中：I1为年森林皆伐面积指数；I2为年造林面积指数；I3为年疏林地面积指数；I4为年森林施肥面积指数；Istress为年森林生物多样性压力指数。2.2森林生态系统多样性指标和指数森林生物多样性包括物种多样性、遗传基因多样性和生态系统多样性。在它们之中，生态系统多样性是基础，它被保护了物种多样性和遗传基因多样性也就被得到保护。影响森林生态系统的主要相应指标有：①有林地面积的变化；②造林质量的提高，具体为造林成活率的提高；③无林地面积的变化。在森林生态系统指标中，生态系统指数的计算公式为：49·研究报告·林业经济2008年第12期IEcosystem=?3向影响，则上述模型需要作必要的改进。3.1原理对于森林生物多样性的评价：（1）当各评价指标的重要程度相同，或不考虑各评价指标重要程度的差别时，设x1,x2,...,xn代表各评价指标基期的统计值或某一标准值；y1,y2,...,yn为各评价指标的实际统计值，则森林生物多样性的综合评价值的计算公式为：式中：I5为年有林地面积变化指数；I6为年造林成活率指数；I7为年无林地面积的变化指数；IEcosystem为森林生态系统指数。2.2森林物种多样性指标和指数对森林物种多样性的描述，要区别阔叶林与针叶林。一般阔叶林中物种的丰富程度超过针叶林的丰富程度。使用PRS评价方法，多采用阔叶林的面积和阔叶林的蓄积、森林失火面积、森林火灾面积和使用化学药剂除叶面积等相应指标描述森林生物多样性的物种丰富程度。具体计算公式为：Ispecies=I+II+∧+I+?8910i10i-4I=yy+1122+L+ynn∧在计算中，有些指标为正向指标，如森林覆盖率、天然林面积等，这类指标的数值越大，所反映出的森林生物多样性越丰富；有些指标为负向指标，如森林火灾面积、病虫害防治面积等，这类指标的数值越小，所反映出的生物多样性就越好，指标越大所反映出的生物多样性越少。因此，在计算森林生物多样性综合指数时，取负向指标的倒数，统一把负向指标转换为正向指标，再计算其综合指数。（2）当各评价指标的地位和重要程度各不相同时，设各评价指标的权重分别为W1,W2,...,Wn，则森林生物多样性综合指标的计算公式为：+I11i+∧+I11i-4/2+I12/3??∧式中：I8为阔叶林面积指数；I9为阔叶林蓄积指数；I10为森林资源清查期内森林火灾面积变化指数（森林资源清查间隔一般为5年）；I11为森林资源清查期内森林失火面积变化指数（森林资源清查间隔一般为5年）；I12为使用化学药剂除叶面积指数；i为年份。2.4森林生物多样性变化总指数计算根据上述的研究和联合国1992年环境与发展大会的定义，森林生物多样性变化的总指数的计算公式为：yyyI=W1+W2+L+Wn/ΣWix1x2xni=1在此，也要区分正向指标和负向指标，并要把负向指标转化为正向指标，再计算森林生物多样性综合指数。∧nI+IIBiodiversity=EcosystemSpecies式中：IEcosystem为森林生态系统指数；ISpecies为森林物种指数；IBiodiversity为森林生物多样性总指数。∧3.2模型的改进在上述原理的基础上，不考虑各评价指标的权重的情况下，改进原有的评价模型。在原评价模型中，主要改进的是森林物种多样性指数的计算公式。在物种多样性指数计算中，森万hm23森林生物多样性变化评价模型的改进上述评价模型没有考虑不同指标的权重和指标的正、负向影响。如果考虑不同指标的权重和正、负表年我国森林生物多样性压力指数计算年（第一次清查）森林皆伐面积指数造林面积指数疏林地面积指数施肥面积指数森林生物多样性压力指数年（第二次清查）年（第三次清查）年（第四次清查）年（第五次清查）年（第六次清查）105.00149.....49180.....73346.....1387.....63340.....10注：以第一次全国森林资源清查（）的数据为100，其它年份与之比较得各指标的指数。资料来源：张颖，2002；国家林业局，2005。50张颖：森林生物多样性评价模型的改进林物种多样性随着阔叶林面积指数（I8）、阔叶林蓄积指数（I9）的增加而增加，因此，阔叶林面积、阔叶林蓄积为正向指标；但森林生物多样性一般随着森林火灾面积指数（I10）、森林失火面积指数（I11）、使用化学药剂除叶面积指数（I12）的增加而减小。因此，这三项指标为负向指标。在实际计算中，应取其倒数，即。当各评价指标的重要程度相同时，森林物种多样性指标和指数的计算公式变为：ISpecies=)#++$+$*$+$+$+$,%-31/I+…+1/I&+’4+’4+’4./2+1/I/3’412+4+’4+1/I+…+1/I’+’4/(54我国森林生物多样性变化的评价根据改进后的模型和我国第六次森林资源清查（年）的数据，对我国年的森林生物多样性变化进行评价。4.1森林生物多样性压力变化的评价森林生物多样性压力变化的评价主要通过压力指数变化来反映。收集年森林生物多样性压力变化的有关指标的数值，计算的我国I+I+年森林生物多样性压力指数如表1。在计算中，由于森林施肥的面积很少，或基本上没有。且森林施肥面积主要集中在经济林上，因此，采用经济林的面积代替森林施肥的面积。式中：I8为总阔叶林面积指数；I9为总阔叶林蓄积指数；I10为森林资源清查期内火灾面积变化指数（森林资源清查间隔一般为5年）；I11为森林资源清查期内失火面积变化指数；I12为使用化学药剂除叶面积；i为年份。因此，经过改进后的森林生物多样性评价模型更能反映生物多样性变化的实际，也更能科学的反映森林生物多样性的变化。4.2森林生物多样性变化的评价同样，根据修正后的计算公式，收集森林生物多样性变化评价的有关数据，计算的森林生态系统多样性指数IEcosystem、物种多样性指数ISpecies和森林生物多样性总指数IBiodiversity如表2、表3和表4。因此，从年，我国森林生物多样性压表年我国森林生态系统多样性指数计算万hm2年（第一次清查）有林地面积指数未成林造林地面积指数无林地面指数森林生态系统多样性指数资料来源：同表1。积年（第二次清查）年（第三次清查）年（第四次清查）年（第五次清查）年（第六次清查）51.100100..18.04112.42..00.92121.60..5.37117.79..6.4698.15..6.79104.67表年我国森林生物多样性物种指数计算年（第二次清查）万hm2年（第一次清查）阔叶林面积指数阔叶林蓄积指数森林火灾受灾面积指数森林火灾次数防治病虫害面积指数森林生物多样性物种指数资料来源：同表1。次指数年（第三次清查）年（第四次清查）年（第五次清查）年（第六次清查）3..00100.56..70.55.71124.54.79..36.16.57154.88.00..97479.89.74..52365.69.28..84.60375.93万hm251·研究报告·林业经济表4年我国森林生物多样性指数计算2008年第12期年指数（第一次清查）年（第二次清查）年（第三次清查）年（第四次清查）年（第五次清查）年（第六次清查）生态系统多样性指数21.60物种多样性指数.09森林生物多样性指数10095.55104.85森林生物多样性压力指数生态系统多样性指数200物种多样性指数森林生物多样性总指数150500图年我国森林生物多样性指数变化力指数Istress、森林生态系统多样性指数IEcosystem、物种多样性指数ISpecies和森林生物多样性总指数IBiodiversity的变化如图1。5结论评价结果表明：改进后的模型更科学，更能反映森林生物多样性变化的实际，也更能客观反映森林生物多样性的变化。同时，研究也表明：（1）我国森林生物多样性的压力越来越大，从年，压力呈不断上升的趋势。第一次森林资源清查时（年），森林生物多样性的压力指数为100；第三次清查时（年）为133.73；第六次清查时压力指数上升到199.10，增长了1.99倍。这主要是由于社会、经济的发展增加了对森林资源的消耗，使更多的森林物种失去了栖息地，增加了森林动植物、微生物的生存压力。尤其是人口的迅速增长，使森林物种的生存更加困难。（2）我国森林生态系统多样性指数从年，先逐渐上升，到第三次森林资源清查时（1984～1988年）最高，为121.60，后又逐渐下降，到第五次森林资源清查时（年）降为98.15，第六次森林资源清查时（年）又有所上升，上升到104.67。反映了我国森林生态系统多样性从第一次森林资源清查开始有所增加，从第四次森林资源清查开始逐步下降，到第五次森林资源清查时降为98.15，目前，有所恢复，还上升了4.67个百分点。实52117....98106.94117.90际上，随着人工林的增加，我国生态系统系统多样性下降不可避免，但随着天然林保护力度的加大，森林生态系统的恢复收到一定的成效。（3）我国森林物种多样性从总体的下降趋势已有较大幅度的提高。年，森林物种多样性最低，为78.69，然后逐步上升，目前已上升到131.12。从年，森林物种多样性指数增加了31.12%。这和我国近年来重视对森林资源的保护有关。（4）从计算的森林生物多样性的总指数来看，年，森林生物多样性总指数略有下降，变化与生态系统多样性指数变化相同（图1），但总体趋势逐步上升，上升到117.90。2003年森林生物多样性指数是1973年多样性指数的1.18倍。参考资料国家环保局.中国生物多样性国情研究报告[M].北京：中国环境科学出版社，，191~210国家林业局.全国森林资源统计（）[R].北京：国家林业局森林资源管理司，雷加富.中国森林资源[M].北京：中国林业出版社，4张颖.我国森林生物多样性变化的评价研究[J].林业资源管理，2002（2）:45~52EricssonTS,BerglundH,stlundL.HistoryandforestbiodiversityofwoodlandkeyhabitatsinsouthborealSweden[J].BiologicalConservation,9~303JukkaHoffren.FinnishForestResourceAccountingAndEcologicalSustainability[M].Helsinki,Finland，1997KangasJ,AlhoJ.M,KolehmainenO,MononenA.Analyzingconsistencyofexperts’judgments-caseofassessingforestbiodiversity[J].ForestScience,0~617PukkalaT,KangasJ,Kniivil?M,TiainenA-M.Integratingforest-levelandcompartment-levelindicesofspeciesdiversitywithnumericalforestplanning.SilvaFennica,7~429PuumalainenJ,KennedyP,FolvingS.Monitoringforestbiodiversity:aEuropeanperspectivewithreferencetotemperateandborealforestzone[J].JournalofEnvironmentalManagement,~14PuumalainenJ.Structural,compositionalandfunctionalaspectsofforestbiodiversityinEurope[R].JointFAO/UNECEandJRCPaper.Geneva:ForestandTimberDiscussionPapers,WorldResourcesInstitute.TheValuesofBiodiversity[M].Washington,DC.U.S.A.,1999（责任编辑钟懋功）
范文六：基于AHP的快递业SERVQUAL评价模型改进研究基于AHP的快递业SERVQUAL评价模型改进研究叶靖克 闫丽 杨德华同济大学经济与管理学院，上海200092摘要：本文以SERVQUAL评价法为基础，从顾客满意度角度出发，通过调查问卷获得数据，运用因子分析和层次分析法确定二三级服务质量指标的权重，从而建立改进后的SERVQUAL评价模型，以此作为对快递企业服务质量评价和比较的依据,并通过实例对其应用进行了说明。关键字：快递业 服务质量评价 SERVQUAL法 AHP法 因子分析 中图分类号：F253 文献标识码：AAn Improved Study on the Evaluation Model about SERVQUAL of ExpressDelivery Companies Based on AHPYE Jingke YAN Li YANG DehuaSchool of Economics and Management, Tongji University, Shanghai 200092Abstract: This paper works out an improved evaluation model of SERVQUAL in express delivery industry. Based on the classic SERVQUAL model and the data collected by questionnaires, the authors revise and establish, through the view of customer satisfaction, the weights of service quality index system ranking in the second and the third levels by using the methods of factor analysis and analytic hierarchy process, and find a more convenient and simple model comparing and evaluating the service quality of express delivery companies, which has been illustrated by some examples in the paper.Keywords: express delivery industry；evaluation of service quality；SERVQUAL；Analytic Hierarchy Process；factor analysis<p>引言中国快递业因其广阔的市场环境和优良的社会基础成为物流服务的重要生力军。随着服务规模的扩大和服务需求的增加，快递企业集中优势资源满足顾客最为看重的价值是取得竞争优势的关键所在，本文通过研究顾客的需求结构和影响快递业服务质量的关键因素，以实际调查得到的数据为基础，通过SERVQUAL法，AHP法，因子分析的综合运用，建立了基于顾客满意度的快递业服务质量评价模型，并对其进行了验证。1 服务质量评价指标的建立1.1SERVQUAL法，AHP法和因子分析法简介1985 年美国学者A. Parasuranman 、Leonard L. Berry 和Vala-rie A. Zeithaml首 次提出了服务质量差距模型，他们认为顾客的感知服务质量取决于服务过程中顾客的感受 与顾客对服务的期望之间的差异程度并建立了SERVQUAL模型来评价企业的服务质量[2]。用公式表示为：[1]n5?(Pwij?1j?Ej)SQ??i?1n（1）层次分析法(Analytic Hierarchy Process,简称AHP方法), 是美国运筹学家萨德提出的一种定性与定量相结合的决策分析方法。“AHP”法的基本原理是通过对系统的多个因素进行分析,划出各因素间相互联系的有序层次;再请专家对每一层次的各因素给出相对重要性的定量表示;最终归结为低层对于高层相对重要程度的权值的问题。因子分析是英国心理学家C.Spearman提出的，它的基本思想是对表现复杂事物多变量的观测值数据矩阵，根据其相关性大小对变量进行分组，而每一组变量代表一个基本结构，称其为公共因子。每一个主要因子代表和反映了变量间相互依赖的一种作用，通过主要因子就可以对研究对象的本质关系进行深入分析。 1.2 服务质量评价指标的建立根据SERVQUAL（Service Quality）量表有形性、可靠性、响应性、保证性、移情性5个维度和22项具体评价指标组成的服务质量评价体系，并结合头脑风暴法，作者对影响快递业服务质量的顾客需求因素进行了详细的探讨。在获得了大量指标的基础上作者对影响因素进行了适当删减，得到了基于顾客需求的快递业服务质量评价指标。(指标见图1准则层)[4][3]2 快递业服务质量评价模型的建立2.1所用数据来源根据建立的指标体系，作者设计了服务质量评价的调查问卷，问卷内容主要包括两部分：第一部分要求顾客对快递业服务质量各指标的期望即重要性进行打分；第二部分要求顾客对特定的快递公司服务质量各指标的感知进行打分。问卷设计为五分制打分原则，非常重要的或非常满意的打5分，非常不重要或非常不满意的打1分，中间值取2，3，4分。2.2建立层次结构模型根据AHP的思想，上文分析所得的指标体系为层次结构模型的底层即三级指标；作者运用因子分析所得的旋转后因子载荷矩阵归类了三级指标，将具有较大载荷的因子综合为一类（潜在变量），然后利用潜在变量建立层次结构模型的中间层即二级指标；最后，快递业服务质量评价为层次结构模型的最高层即一级指标。层次结构模型如下图1所示：图1 快递业服务质量评价指标体系及评价模型2.3服务质量的衡量SERVQUAL服务质量评价方法公式中的各个服务问题的权重是一样的。由于不同服务问题的重要性是不同的，而将其权重等同考虑会使评价结果不准确，因此本文提出改进后的公式如下：smiiijSQ??u?wi?1j?1(Pj?Ej) （2）SQ为SERVQUAL中总体感知服务质量的数值；ui—第i个二级指标的权重；s—二级指标的个数；wij—第j个三级指标相对于第i个二级指标的权重；mi—第i个二级指标下的三级指标个数；Pj--顾客对第j个问题感知的平均值；Ej--顾客对第j个问题预期的平均值。smismi顾客的平均感知=?ui?wijPj 顾客的平均期望=?ui?wijEji?1j?1i?1j?12.4权重的计算综合质量评价中，指标权重的确立，分客观和主观赋权法。客观赋权法主要包括相关系数法，因子分析法；主观赋权法包括层次分析法（AHP），专家评分法（Delphi法）。主观法对专家存在一定程度的依赖，而客观法虽然减少了人为因素，但是在指标量化的过程中会存在一定得难度。本文将采用主观和客观赋权法相结合来确定公式（2）中的权重。 2.4.1因子分析建立二级指标的权重 二级指标相对于一级指标的权重由各公因子的方差贡献比重来赋权。经过KMO和巴特莱特球体检验以及相关的综合分析，数据适合做因子分析，由因子分析得到旋转后的因子载荷矩阵如表1所示：表1 Rotated Component Matrix本文选取特征值大于1的五个主成分，其特征值分别为2.799，1.923，1.591，1.081，1.067。代入公式（3）5?i/??i （i=1,2,3,4,5） （3）i?1从而得到二级指标的权重为：U??u1,u2,u3,u4,u5???0.3,0.8,0.1261?TT2.4.2AHP建立三级指标的权重 三级指标相对于二级指标的权重，本文采用层次分析方法（AHP）来赋权，其过程和步骤如下：（1）构造判断矩阵判断矩阵表示针对上一层次某因素而言，本层次与之有关的因素[5]之间相对重要性，需要引入T·L·Satty提出的9分位相对重要比例标度。它用9，7，5，3，1，1/3，1/5，1/9，分别表示指标两两相比前者比后者：极重要，很重要，重要，稍微重要，相等，不很重要，不重要，很不重要，极不重要；而相邻评价的中间值则分别取8，6，4，2，1/2，1/4，1/6，1/8。由于此过程是将主观评价数量化，缺乏统一的量化标准。层次分析方法中上下两层因素之间存在相互影响和隶属关系，而因子分析的因子载荷矩阵系数体现了原始变量对公因子的贡献即重要程度。因此，根据两者的相似性，本文利用因子载荷矩阵系数来确定各指标之间的重要程度，从而确定判断矩阵公式如下：。（4a）imp()= （4b）， k=1,2,…,s （4c）其中imp()表示第i个三级指标相对于其上层第k个二级指标的重要性，和分别表示因子载荷矩阵中第k个列向量绝对值最大和最小分量值。（2）计算特征向量确定指标权重 本文运用方根法求判断矩阵的特征向量[5]。首先计n算判断矩阵的每一行元素的积mi??a，i=1,2,…,n；然后计算mijj?1ni的n次方根值wi?mi，i=1,2,…,n。n为矩阵阶数；最后，根据wi?wi/?wi即进行归一化处理，i?1计算得到的向量即为所求的各三级指标权重。计算判断矩阵后，求其最大特征值?max，公式为：n?max??i?1(A?W)iwi（5）（3）一致性检验 为了检验矩阵的一致性，需要计算它的一致性指标CI，定义CI=λ-n/n-1，当判断矩阵A具有完全一致性时，CI=0。CI越大，矩阵的一致性越差。为了检验判断矩阵是否具有满意的一致性，需要将CI与平均随即一致性指标RI进行比较。即C.R?C.IR.IC.IR.I[5]（6）对于1阶，2阶判断矩阵，RI只是形式上的，按照判断矩阵的定义，1阶，2阶判断矩阵总是完全一致的。当阶数大于2时，如果判断矩阵C.R?有满意的一致性，否则需要对判断矩阵进行调整。根据上面的步骤，计算三级指标的权重结果如下表3-表7所示：?0.10时，则此判断矩阵表2 派送服务指标F1判断矩阵A1注：?max=3；CI=0；CR=0 表3 公司实力指标F2判断矩阵A2注：?max=2；CI=0；CR=0 表4 赔偿服务指标F3判断矩阵A3注：?max=2；CI=0；CR=0 表5 信息服务指标F4判断矩阵A4注：?max=2；CI=0；CR=0表6 人员素质指标F5判断矩阵A5注：?max=2；CI=0；CR=02.5模型的建立根据以上计算所得各级指标的权重， 带入公式（2），可以得到快递业服务质量评价的公式如下：44?1?SQ?0.3308???(P3?E3)??(P4?E4)??(P5?E5)??99?9?1?1?0.2273???(P10?E10)??(P11?E11)??2?2?1?1?0.1880???(P6?E6)??(P7?E7)??2?2?2?1?0.1278???(P1?E1)??(P2?E2)??3?3?3?1?0.1261???(P8?E8)??(P9?E9)?4?4?（7）3 实例分析通过问卷调查，得到顾客关于申通和圆通快递服务质量的期望和感知值，其中关于申通的调查问卷有66份，圆通的有64份，两家公司的平均期望和感知值分别如下表8所示：表7 基于SERVQUAL的快递业服务质量数值的均值分布将以上数据带入服务质量评价模型，可以得到申通快递的服务质量得分SQ1=-0.5758，圆通快递服务质量得分SQ2=-0.7122，然而这一表示服务质量的数值不直观，本文采用百分制来表示服务质量的分值。方法为：当顾客的感知和期望相符（即感知与期望差值为零）时，取SQ=100；当感知和期望差值负得分最大（即min(P)-max(E)）时，取SQ=0；服务质量的百分制分值计算公式为：SQ?SQ?(min(P)?max(E))0?(min(P)?max(E))?100[6]（10）根据该公式，算出两个快递公司的服务质量的百分制分数分别为SQ1=86，SQ2=82。 通过以上计算结果可知，在最重要的因素即派送服务方面，圆通顾客的感知与期望差值要大于申通顾客，差距越大说明服务质量就越差，即顾客不满意程度越高。在所有的服务质量指标中，差距最大的也是派送服务方面（差值最大）下面的三级指标。因此，快递公司中普遍存在着派送速度，质量欠佳的问题。''4 结语本文所建立的快递业服务质量评价模型，通过定性和定量的结合，使权重更符合客观现实，评价结果更准确。同时，该模型也具有多用性的特点，既可以对快递公司的服务质量进行综合评价，也可以对快递公司服务质量的某一指标进行对比。模型简单易用，评价步骤合理，具有较强的可操作性和实用性。但是由于在服务质量指标体系建立过程中剔除了次要的指标，会造成一定的信息缺失，不同的快递企业在运用该模型的过程中，可以结合自身的实际情况，增减适当的服务质量指标。同时，由于调查样本的局限性，一定程度上影响了数据的广泛和普遍性，因此在条件允许的情况下，可以增加抽样样本的数量，并借此修正模型中的二级指标权重，从而进一步提高模型的精确度和综合评价的准确性。参考文献[1]Paul D Larson, Britta Gammelgaatd .The Logistics Triad Survey and Case Study Results[J].Transportation Journal,2001，(4):71- 82.[2]Cook Colleen, Thompson Bruce. Reliability and validity of SERVQUAL scores used to evaluate perception of library service quality[J]. Journal of Academic Librarianship 8-259 [3] 许树柏.层次分析法原理[M].天津:天津大学出版社,.[4] 张文彤.SPSS统计分析高级教程[M].北京:高等教育出版社,. [5] 郭亚军.综合评价理论与方法[M].北京：科学出版社，.[6]徐明，于君英.SERVQUAL标尺测量服务质量的应用研究[J]. 工业工程与管理，2001，（6）：6-9.作者简介：叶靖克(1983-)，男，汉，浙江温州人，同济大学经济与管理学院硕士研究生，主要研究方向为信息管理与信息系统；作者联系方式： 姓名：叶靖克联系地址：上海市曹安公路4800同济大学12楼410室 Tel： Email：
范文七：模糊综合评价的改进模型维普资讯 ——————————ｒ———————————————————————————＿ ■■■■■＿鬟■ ■■■■■■ ■＿模糊综合评价的　递系 ，一般采用加权平均 的方法 即采 用普■程 鹤耿双军通矩阵相乘 的形式进行计算 ，代替模糊　 矩 阵运算 的取 大取小原则 ，使得到 的结果更加精细 ， 而且结 果仍 然是 Ｆ集Ｂ＝ ⑧ Ｒ＝ｂ ｂ 一 ｌ（ １ ， ） （ ） 　Ｗ。 　（ 　 ｂ）ｉ ， …ｓ １ 　 ｐ ＝２ ，将评价结果加 以综合得 到一个评 价矩 阵 Ｒ ＝ＳＴ ２… ，　 ， 用 公 式 （ ） 　 　Ｉ　ＢＴ Ｂ 利 ， ２进图 １ 三角模糊数的分布行模 糊合 成运算 ，继续对 目标层进行综　 合评 价 ， 到 目标层 的综合评价 向量　 得Ｂ＝ ｏ Ｒ ＝ｂ，２ Ｄ ＵＷｕ ｕ（１ …ｂ） ＝ ｂ（ ） 六 归一 化运算法则 ：Ａ　１ １１ ２ ２ ２ｚ Ａａ＋２ １ 　 １ ２ １ ， ，） 　 ， ， ） （ ａ， ＋ ｃ＋ ） ａ ｂ ｃ ①Ａ ａｂ ｃ ＝ １ ｂ ｂ ｃ　 Ｍ （，１ １ Ａ（２２ ｚ Ａ（ａ，，２ １） ａ ｂｃ ⑧ ２ ， ，） ａ ２ １）ｃ ２ １ ，） ａｂ ｃ ＝ １ ｂ １ ｃ　 ，Ａ　１ ｌ１ Ａ　 １ ｂ，ｃ　 １ ， ，） （ａ ｈ １ １ ａｂ ｃ ＝ ， ｈ）＝通过对 目标层计算得到 的结果进行　 归一化处理 ， 出评价结果。 得ｃ 旨 　 　 亡，Ｇ （ ∑ｂ Ｊ 。ｂ　 ｂ ２ 　ｂ ｂ ∑ｂ ／ 　 ） ｌ　 ｉ ＝／ ， ｂ …Ｉ ） 　 ∑ｂ （ｉ＝ １ 　 １＝ １ 　 ｉ＝ ｌ（） １建立三角模糊矩 阵设 有 ｎ个专 家 参 与评 价模 型 的确定 ，评价指标根据被评 价项 目的特 点进　 进行满 意度调查 以后 ， 专　 为了充分 体现对 调查者 的信息 ， 对　 行设计共有 项。 目标 进行二级评价 。在评价过程 中被 调　 家根据 员工满意度 的各项指标 的具体信　 查者对评价 目标 的总的评价值 Ｇ＝ｇ，， 息 ，结合 自己的经验来认为员工 的真实　 ：（ ｇ　 　ｚ（ ） 七 二级 评 价对 ａ， ，ｉ ｉ ｃ 表　 ｂ ］ …ｇ）结合上文 的归一化的结果 ， 出总　 想 法 ， 评价对象 进行给分 。【ｊ　　 ｐ 。 得 示第 ｊ 个专家对 于第 ｉ 项指标 给予 的评　 的评 价 结 果 　 　 个专家对第 ｉ 个指标给　 Ｇ ｈ 　（一 ）２ ＝ Ｇ＋１　Ｇ　 （ ） 价值 ， 表示第 ｊ ３　 ｂ 表示 第 ｊ 专家　 个 不同的评价 目标对于 的取值会有所　 予 的最 保 守 的评 价 ，　 ｃ 表　 　 不同 ， 在通常情况下可 以取 。 根据最大隶　 对第个 指标 给予 的最 可能 的评价 ，ｉ 示第 ｊ 个专 家对第 ｉ个指标 给予 的最 乐　 属度原 则 ， 确定评价对 象的等级 。 　 观 的评价 。 专家 可以在 【，０ ］ ０ １０之间打分 ， 　 二 、 重 确定 　 权评价指标 的权重是对 于评 价指标的　 形成初始评价矩阵 ： 重视程度 ， 应该是基 于被 调查者 ， 而仅仅Ａ＝－ ｌ１１ ａ ｌ１ ［ ｌｃ ｎ ２２ ａ １Ｉ 　 ａＪ ］ ｂ 　 ］ １ｎｌ ｂ１ 】 体 现专家的评价结果将会使评价 的信息　 ｆ ｌｌ１【 ｂｃ … 【． ｃ ］ 体 现不够 完全 ，所以本文提 出了采用模　 ｆ２２２ 【 【１１１ ａ ａｂｃ］ 　 …【 ２ Ｉ ａ ｒ 　 　 Ｉ 】 　 糊评价逆 问题 中确定 权重的方法对指标　 　　 　 ａ １ ｃ］ 　 　 ａ 　 ｍ＿ ］ Ｊ 　 权重进行进一步修正 ，从 而使模 型更 加　 ａｂＩ１【 ｃ … 【 （ ） 定专 家评 价 的权 重 集 Ｄ 『 ， ２确 ＝ｄ　 　 合理。Ｌ ㈠ 【ｌｄ，…ｄ］ ｊ ： ｎ， 表示第 ｊ １ｄ 个专家给 出 的评价　 值在综合评价 中所 占的比重 。 　 根据模 糊数 学（ ｚｙ的知识 ， ｆ ｚ） ｕ 利用三　 （） ３ 模糊合成 。 根据 已经 确定 的模糊　 角模 糊 数 （ ｉ ｇｌｒｆｚｙ ｎ ｍ ｅ） ｔａ ｕａ　ｕｚ　 ｕ ｂ ｒ理　 ｒｎ 利用公式 Ｂ 　 ＝ 论， 建立 隶属 函数 。设 Ａ∈Ｒ， 中 Ｒ是　 评价矩 阵以及 专家权重集 ， 其（ ） 定 三 角模 糊权 　 一 确Ｒ蕾ｆ如下 ：⑧Ｒ进行计算 。⑧是模糊运算子 ， 体　 具 实数空 间的模糊集 。Ａ可 以由 （ｂｃ决　 Ｄ ａ， ， ） 为了更能体现数据 的作用 ， 　 定 ， 为 （ ＝ａ ，）其 中为 【ｃ支 撑 区　 运算有多种 ， 记 Ａ （ｂｃ ， ， ） ａ］ ， 般采用加权平均算子 ，得到模糊合成　 间 ， ｂ１ 点（， 为峰 值 ， ） 其隶 属函数 图形及其一矩 阵 ： ＝【 ｂｃ ．【 ｃ 。 Ｂ 【　１】 ?　ｎ 　 ａ １．ａｌｂ ；（） ４ 确定模糊权。 根据三 角模糊 函数　 的特点 ， 确定各个指标 的权重 。 把三角模　 糊 矩阵转化为普通模糊 矩阵 ， ＝ｅｅ …　 Ｅ 【 ，， 　： ｅ】 Ⅱ 辅助模糊评价决策 。 ，ｅ ａ ４ｊｃ ６ ｊｊｂ ｊ　 ＝＋ ＋／ （） ４Ａ｛　 ； （ －’ ｘ ｂ　 　 　ｃ 窿１３６缓 计 嚣 凌 蒲维普资讯 ２０ ０ ７年第 ７期 （ 总第 ２ １ ４基 亍组 避引 言　 变量值的大小进行排序 ，因而众数 的确　 位置平 均数 ，顾名思义是指 由变量　 定 只与变量值 出现 的频数 大小有 关 ， 而　 值 所处 的位 置作为 计算 依据 的平均 数 。 与它在排序 中的位置无关 ，不 能把众数　 　 按照这个定 义 ，中位数是把变量值按 照　 划归位置平均数之列。 　 大小排序后位置 居 中的数值 ，它可 以代　 在 已知未分组 的各个原始 变量值的　 表序列 中各变量 值的平均水平 。中位数　 条件下 ， 位置平 均数按照定义便可确定 。一数 计算次为 （ ＋ ）２的组 。 Ｚｆ１／ 在作此判断之前需、要计 算各组 的累计 频数 ｓ 。具体 方法有两种 。方法 １ ：由小 的变量值 向大 的变量　 值 累计频数 ，称为 向上累计频数或 以下　 累计频数 。在计算 了各组的 向上 累计频　 的计算简单 ，其 数值 大小不受极端大或　 例如 ， 已知 ８ 变量值 ， 它们 由小 到大　 数后 ，中位数所 在组的特征 可用如 图 １ 个 把 　 极端小 的变量值 大小 的影响 ，作为平 均　 排序后 依次 为 Ｘ、２Ｘ、４Ｘ、６Ｘ、８则　 所示 的数轴表示 。 图 １中， ｌ ｓ３ 、５Ｘ、７ ， Ｘ Ｘ Ｘ 在 用箭头表示　 数具有很好 的代表性 ，因而在实践 中得　 上 四分位数 Ｑ 位于 Ｘ 和 Ｘ 之 间 ，中 四　 频 数 累计 方 向 ，　表示 中位 数组 的下　 ． 　 ， Ｌ 到了广泛 的应用 。位置平均数除 了中位　 分位数 Ｑ 即中位数 Ｍｅ 于 ｘ 和 Ｘ 之　 限 ，Ｍｅ表示 中位数 ，　表示 中位数组　 ： 位 ４ 　 Ｕ数之外 ， 还包括分位数 。 分位数是在对变　 间 ， 四分位数 Ｑ 位于 Ｘ 和 Ｘ 之 间。计　 的上 限 ，　 表示 向上 累计至 Ｌ 上 ， 　 　 ｓ 　点 的频　 量值按大小排序后 ，把变量值的个数分　 算如下 ： 　 数， 即在　 以下 的累计频数 ，Ｕ 表示 向　 ｓｍ ． 成若干等份 的数值 。 显然 ， 中位数是最简　 上 累计至 Ｕ 　点 的频数 ， 即在 Ｕ 以下 的　 　 Ｑ＝ ｌ 　 ；Ｑ Ｍ 　 塑 ； ３＝ ２＝ 　＝ Ｑ 　 单 的分位数—— 二分位数 ，它的位置正　 累计频 数 ，在 Ｍ ｅ点 的向上 累计频 数是　 ＋１ 好处于二等分位 ，如果把变量值从小 到　 ６　　 （ ＋ ）２ ∑ｆ１／ 。显然 ， 在计算 了各组 的下 限二簟大排序 ，那 么在左边 小于 中位数 的数值　 在数据经过分组整理后 ，原始 变量　 个数与在右边大 于中位数的数值个数正　 值的信息部分丢失 ，这时就不 能简单 地　 好相等 。 除了二分位数外 ， 常用 的分位数　 　 还有 四分位数 、 十分位数和百分位数 等。 按照定义求位置平 均数 了。 　 二、 在组距变量数列 中求 中位数　 四分位数是把排序后 的变量值分成个数　 在组距变量数列 中，每一个组 内变　 相等 的 ４份 的数值 ， 它共有 ３个 ， 由小到　 量的具体取值 ，通过整理被综合成 了一　 大分别称为下 四分位 数 、中 四分位数和　 下　 上 四分位数 ，其 中的中四分位数就是 中　 个 由上 限和下 限来决定 的取值 范 围 ， 限是 组内变量的最小取值 ，上 限是 组内　 位数 。十分位数是把 排序 后的变量值个　 数 等分成 １ 的数值 ， 有 ９个 ； ０份 共 百分　 变量 的最 大取 值 。尽管原始变量值经 过　 信息丢失较 多 ， 但变量取值　 位 数是 把 排序 后 的变 量 值个 数 等 分成　 分组 整理后 ， 按照大小 排序的这一基本要求必须得 到　 １０份的数值 ， ０ 共有 ９ 。一 般地 ， ９个 ｋ分　 因此 ， 在组距变量数 列中一定 能求　 位 数 把排 序 后 的 变量 值 个 数 等 分成 ｋ 满足。 　 得中位数 。计算原理如下 ： 　 份， 它由 ｋ １ － 个数值构成。 　 第一步 ， 求 出中位 数所在的组 ， 先 即　 需要指 出的是 ，在许 多统计学教材　 中位 数组。 在组距变量数列 中， 如果各组　 中，把 中位数和众数统称 为位置平均数　 是不恰 当的。 这是 因为 ， 众数被定义为 出　 的频数用 ｆ表示 ，那么 中位数在变量值　 排序 中的位次就是 （ ＋ ）２ 求 中位数　 ∑ｆ１／ 。 现频数最大 的变量值 ，计 算众数无需对　 组就是判 断在变量值排序后 ，包含有位（ ） 次权 重 集　 二 层２以下 累计 频数 Ｓ￣ Ｌ和上 限 以下 累计频 数　 Ｓ＋ Ｕ 之后 ，中位 数组 的判断准则是 找 出　 具 有 Ｓ ＋（ ＋ ）２ Ｓｑ 征 的 组 。 Ｌ＜ Ｚｆ１ ／ ＜ 　 寺 　 方法 ２ ：由大 的变量 值 向小 的变量　 值累计频数 ，称为 向下 累计 频数或以上累计频数 。在计算 了各 组的向下 累计频　 数后 ，中位数所在组 的特征可用 如图 ２ 　 所示 的数轴表示。 在图 ２中 ， 箭头表示频　 数 累计 方 向 ， 　表示 中位 数组 的上 限 ， ＵＭ 表示 中位 数 ， 表 示 中位 数组 的下　 　 　 限 ，Ｕ一 ｓｍ表示 向下 累计 至 Ｕ 　点 的频 数 ， 　 即在 Ｕ 　以上 的累计频数 ，　 表示 向下　 ｓ一 累计至 Ｌ 　点 的频数 ， 即在 Ｌ 　以上 的累　 计频数 ， Ｍ 在 ｅ点 的向下 累计频数 是 （ 　 ∑ ｆ１／ 。显然 ， ＋ ）２ 在计算 了各组 的上限以上　 累计频数 Ｓ－ ｕ和下 限 以上 累计频数 ｓ 之　 　 后 ，中位数 组 的 判断 准则 是 找 出具 有　 Ｓ－（ ＋ ）２ ｓ ｕ ∑ｆ１／ ＜ 　特征 的组 。 ＜性评价 的指 标 ， 以采用模 糊权 与组合　 所 三、 结论 　 利 用层次 分析 法确定层 次权 重集 。 权 重 相结 合 ， 权 重进 行 调整 ， 以得　 　 对 可 将二级评价引入模糊综合评 价模 型　 在每一层次按某一规定规 则 ，通过专家　 到指标 包 含 模糊 逆 权重 的最终 调 整权　 中， 不仅体现 了专 家的经验与知识 ， 充　 也 对该层 次的各要素逐一 进行 比较 ，确定　 重　 分体现了被调查者 的信息 ，扩大 了可以　 要素之 间的相对重要性 ， 写成矩 阵形式 ， 　 利用 的信息域 ，用三角模糊数 综合层 次　 ＝ 　 ／ 　 ∑ （　 分析法来确定权重 ，使权重 的确定更加　 ５ ） 用一定 的数学方法 ，计算 该层 元素的权Ｐｉ＝ ｌ重 ，也就是计算 出本层次元 素对上一层　 全面性 。 该综合评价模 型不　 由此确定 的组 合权重 ，既保 留了调　 具有科 学性 ， 次 目标 的重要程度 ，从而 确定 该层 各指　 查许多有用 的信 息 ，充分考虑 了调查者　 仅可以应用于满意度评价 ，也可 以延伸　 标 的权 重 。 ｗ＝ｗ，： Ｏ ［　 …ｗ 　 Ｗ 具有一定 的现实意义。 　 对各个 因素 的重视 程度 ，又运用了专家　 到其它领域 ， 的经验和知识 。使得最 终的指标权重兼　 由于各 自的期 望标准 ，根据这个 特　 顾 了主观和客观两方 面的因素 ，使实际　 （ 作者单位／ 兰州交通大学交通运 输学院） 　 点， 模型在评 价 中大量采 用 了专 家 的定　 计算更有实际 的现实意义。 （ 责任编辑／ 亦 民）（ ） 合 权 重 的 确 定　 三 组１３７缝 计 与 浇 繁
范文八：模糊综合评价模型的改进及应用第18卷　第3期甘肃科学学报Vol.18　No.32006年9月JournalofGansuSciencesSep.2006模糊综合评价模型的改进及应用陈凯华1,张孝远2(1.兰州交通大学交通运输学院,甘肃兰州　.兰州交通大学人事组织部,甘肃兰州　730070)摘　要:　设计改进的模糊综合评价模型,并以陕西周至国家级自然保护区综合评价为例,从3个1级指标、24个2级指标进行评价分析.其中:运用对称贴近度对2级指标的质量水平进行排序;运用非对称贴近度对1级指标水平和该保护区的总体水平进行等级判定.关键词:　模糊综合评价;非对称贴近度;自然保护区评价中图分类号:　O159,X826　　　文献标识码:　A　　　文章编号:06)03-0111-05ApplicationoftheImprovedFuzzyComprehensiveAppraisalModel12CHENKai-hua,ZHANGXiao-yuan(1.SchoolofTrafficandTransportation,LanzhouJiaotongUniversity,Lanzhou730070,C2.DepartmentofPersonnel,LanzhouJiaotongUniversity,Lanzhou730070,China)Abstract:　TheimprovedfuzzycomprehensiveappraisalmodelwasdesignedandappliedtotheevaluationandanalysisofZhouzhinaturereservewith3primaryfactorsand24secondaryfactors.Thepapersequenceseverysecondaryfactoraccordingtosymmetryclosenessandeveryprimaryfactoronthebasisofasymmetrycloseness.TheleveloftheZhouzhinaturereservewasalsoevaluated.Keywords:　fuzzycoevaluationofnaturereserve　　模糊综合评价方法是目前较为成熟的系统评价方法,由于它很好的克服了指标属性的模糊性,因此,广泛应用于经济、科技、环境、工程等方面的评价[1,2](1)建立评价层次结构:通常在专家指导下,依据评价目的和指标之间的关系建立.(2)建立互反判断矩阵T=(uij)n×n,n为指标个数:一般由专家给出或采用德尔菲法建立.(3)权重计算:为了减少估算法带来的误差,我们运用数学软件MATLAB求T的最大的特征值Kmax及其对应的特向量Xmax,Xmax归一化就得指标权重分配向量:W=(w1,w2,…,wi,…,wn).(4)一致性检验:CR=CI/RI.当CRCI=(Kmax-n)/(n-1),.对自然保护区评价[3～5]的开展是近期才开始,在目前追求自然环境和谐的条件下有着重要的意义,但没有一个统一的标准或方法.我们借鉴文献[1～5]中模糊综合评价思想,并引进对称和非对称贴近度对其进行改进,建立一套更科学、有效的自然保护区评价方法,旨在为自然保护区更好地实施保护与管理提供决策依据.1　评价模型的建立和改进1.1　层次分析法(AHP)确定指标权重AHP是美国学者TLSAATY于20世纪70年代提出的一种把人的主观判断进行客观量化,将定性问题转化为定量分析,一种用于复杂系统的非常有效的分析方法,其具体的计算过程如下:收稿日期:(甘112肃科学学报　　　　　　　　　　　　　　　　　　　　　2006年　第3期n为T的阶数,RI为T的平均随机一致性指标,由大量试验给出,部分常用值列于表1.表1　随机一致性指标RI阶数nRI30.5840.9051.1261.2471.3281.4191.45101.49111.51121.54131.561.2　模糊综合评价原理模糊数学是对不确定、模糊性的事物量化后运用数学知识进行科学分析的一门科学工具.具体评价的过程如下:(1)根据专家意见确立评价指标集C和评语集V以及指标质量水平标准集VU;分别如下记:C={c1,c2,…,ci,…,cn},1,M2,…,Mj,…,Mm},V={MU1,U2,…,MUj,…,MUm},VU={MG的紧贴的指标层的权向量,则综合评价目标G的综合评价模糊向量:G=W。B=(g1,g2,…,gm).(4)利用贴近度进行评价分析.?利用对称贴近度进行单项指标的质量水平大小排序评价.根据决策者的偏好,结合客观需要选取某一标准模糊向量E,通过海明贴近度计算待评价指标的模糊向量Ri与标准模糊向量E之间的对称贴近度,然后根据择近准则进行大小排序.海明绝对距离公式:j)-LE(Mj)?　　NH(Ri,E)=1-m∑?LRi(M.j=1m(2)其中m为评价等级数或指标质量水平级别数.标准集VU是定义在评语集V上的一个子集,各指标的标准集应根据指标的内涵或依据统计资料或经验确定.(2)模糊评价矩阵建立.请若干专家,根据提供的各指标因子的背景材料,按规定的标准集VU给出各指标ci隶属的等级Mj∈V.然后统计出ci隶属于Mjm(3)贴近度的大小反映了指标因子水平的优劣,把所有指标因子的贴近度进行排序比较分析,找出之间差距,从而作为指标的质量水平评估以及改善的依据.?利用非对称贴近度进行综合等级判定.在单项评价中用的是式(3),它是个对称式,没考虑评价等级Mj之间的区别,但它是用来进行各个单项指标间的相互排序分析的,也不失其真实性;然而,在综合等级评价中,目的是通过有效的、科学的准则判定综合指标和评价目标的质量水平等级,因此应考虑等级之间的区别:对越差的等级越要重视.不妨用kj(kj=j,j=1,2,…,m,m为评价等级数)体现等级Mj之间区别.等级Mj中的对象最理想的子集是Dj=(0,…,0,1,0,…,0),其中1是第j个分量,称此子集为等级Mj的理想目标.对任何等级模糊向量Ai,计算它与理想目标Dj之间的关于Mj的贴近度N(Ai,Dj).计算式如式(2),可见它是非对称式,称之为非对称贴近度计算式.N(Ai,Dj)=1-?LAi(Mj)-m(m+1)∑j=1j)?LDj(Mkj,于Mj的隶属度..m等级的频数fij,最后用专家总数∑fij除各频数,得j=1各因子指标所属评价等级的隶属度:mrij=fij/∑fij,j=1,2,…,mj=1由此得到最底级评价因子的模糊评价向量:Ri=(ri1,ri2,…,rij,…,rim),从而得到上一级综合评价指标的模糊评价矩阵:TTTR=(R1,R2,…,Rn).(3)综合模糊向量计算.由层次分析法得到的指标因子权重向量WR与其对应的模糊评价矩阵R,通过模糊矩阵合并运算,得到上一级评价指标综合评价模糊向量:Bi=WR。R=(bi1,bi2,…,bim),(1)。其中:“”为广义模糊乘,因问题的要求和评价因子与评价标准之间的关系来选用不同的算子,此处为兼顾各个因素,使用算子M=(?,∑)进行计算.可得更上一级评价指标的综合模糊评价矩阵:TTB=(BT1,B2,…,Bn).(4)式中LAi(Mj)是Ai所对应的对象ci的质量水平隶属第18卷　　　　　　　　　　　　　　　　陈凯华等:模糊综合评价模型的改进及应用　　　　　　　　　　　　　　　　　113若N(Ai,Dj)=mj.ax{N(Ai,Dj)},则ci∈Mj∈Jm的.总面积52931hm,森林覆盖率90%,最高海拨达2900m.区内森林植物茂盛,资源丰富;森林植被属暖温带针阔叶混交林,以华中和华北植物成分为主,有高等植物619种,其中属国家保护的植物有22种.区内脊椎动物199种,约占陕西省脊椎动物的30.7%,其中属于国家重点保护野生动物有金丝猴、大熊猫、羚牛、金钱豹、黑鹳等22种.最为重要的是区内共有金丝猴14群,1500多只,是数量最多、分布最为集中的地区.此外,还分布有一定数量的羚牛大熊猫等珍稀动植物,具有重要的保护价值.2.2　评价体系和层次结构的建立根据层次分析法原理[6]以及专家意见并参考已发表的论文[7～9],建立了一个由3个1级综合评价指标、24个2级单项指标、5个评语等级构成的周至自然保护区综合评价指标体系(见表2).同时参考相关文献[6]和[10],确立评价层次结构(见图1).2在计算N(Ai,Dj)时,为了能直接利用上式,可将任一综合模糊评价向量Ai作如下标准化,得(j)Ai=(aj,a(j-1),a(j+1),a(j-2),a(j+2),…);相对应Dj标准化,得D1=(1,0,0,…).这样计算N(Ai,Dj)可用计算N(A(ij),D1)代替,然后进行综合等级判定.2　实例分析以陕西周至国家级自然保护区综合评价为例进行评价模型的有效性分析.2.1　周至国家级自然保护区简介周至自然保护区是1984年经陕西省人民政府批准建立,1988年晋升为国家级自然保护区.该保护区位于陕西省周至县南部秦岭主梁北坡,以保护我国珍稀野生动物金丝猴及其生态环境为主要目表2　评价指标体系1级指标(准则)生态价值C1评语和质量水平标准(等级)2级指标MU1(好M1)多样性C11稳定性C12自然性C13面积适宜性C14代表性C15人类威胁C16稀有性C17有效管理水平C2人员配置C21基础设施C22经费状况C23管理发展目标C24法规建设C25管理计划C26本地资源调查C27专题科学研究C28科技力量C29资源保护现状C210自养能力C211日常管理秩序C212与社区关系C213社会经直接实物价值C31济价值生态功能价值C32C3非使用类价值C33直接服务价值C34物种极丰,生境极复杂且类型多极好极完好极适宜很具有代表性无威胁极其罕见极好极好非常好极明确,可行极健全极详细全面非常全面、整理极好成果非常显著数量、结构水平强非常好完全可以自立有条不紊非常好效益非常好非常好非常好非常好MU2(较好M2)物种较,生境较复杂,类型多样较好较完好较适宜较具有代表性不明显较罕见较好较好较好较明确,可行较健全较详细全面较全面、整理较好成果较显著数量、结构水平较强较好只能部分自立较好较好效益较好较好较好较好MU3(一般M3)物种中等丰富,生境较简单,类型少一般一般完好一般适宜一般强度一般一般可见一般一般一般较明确,可行性不大一般完善一般不全面、整理不好成果一般数量、结构水平一般一般经营收入一般一般一般效益一般一般一般一般MU4(较差M4)物种一般丰富,生境简单,类型单一较差不完好,破坏较严重不太适宜代表性较差性强度较大较常见较差较差较差不明确,无可行性不完善较模糊,不健全较不全面、没有整理很少成果数量、结构水平较差较差经营收入很少混乱较差效益较差较差较差较差MU5(极差M5)难把握极差破坏极严重极不适宜无代表强度极大极常见极差极差很差无模糊不清很模糊,极不健全没有调查几乎无成果数量、结构水平极差很差无经营收入很混乱很差几乎无效益极差极差极差甘114肃科学学报　　　　　　　　　　　　　　　　　　　　　2006年　第3期2.3　研究结果及分析评价(1)单项评价结果和分析　根据模糊矩阵建立的原理,统计处理由20位专家依据文献[11]提供的关于周至自然保护区2001年的资源详细信息以及参照表2中指标质量水平标准进行等级判断的数据,建立2级评价指标的模糊评价矩阵R=(rij)24×5(因受篇幅所限略).根据表2中指标评语的等级属性,在5个评价1,M2,M3,M4,M5中,M1,M2是决策者所期望的保护等级M区质量指标水平,也是自然保护区的保护价值和取得良好经济、生态目的基础;而M3,M4,M5正好相反.因此标准模糊向量E中分量ej根据下列原则构成:ej=max(rij),(i=1,2,…,n,j=1,2)ej=min(rij),(i=1,2,…,n;j=3,4,5).据此确定的标准模糊向量如下:E=(0.45,0.5,0.1,0,0),j=1,2,…,5然后通过式(3)计算得到关于评价目标G的24个2级评价指标的贴近度大小(质量水平),并进行综合排序图示分析(见图2).可见该保护区的生物多样性C11、基础建设C22、图2　G的2级评价指标的贴近度(质量水平)综合排序分析生态功能价值C32是有很大优势的;但是,管理目标和发展规划C24、日常管理秩序C212处在最劣势状态,应是整个自然保护区的未来管理活动中重中之重的对象.科技力量C29也较薄弱,与社区的关系C213也处于紧张的状态,直接事物价值C31也较低,对本地资源的调查C27开展的也不好.总之,贴近度越小,其质量水平就越低,越要重点考虑.(2)非对称贴近度进行等级综合评价　根据图1的层次结构,结合专家意见,分别建立关于1级指标C1、C2、C3和评价目标G的互反判断矩阵　　TC1=(uij)7×7,TC2=(uij)13×13　　TC3=(uij)4×4,TG=(uij)3×3(矩阵的具体形式因受篇幅限制略去).利用MAT-LAB计算得到指标权重向量(归一化):WC1=(0.3,0.8,0.1,0.0742),WC2=(0.1,0.3,0.6,0.8,0.7,0.8,0.1092),WC3=(0.2,0.0),WG=(0.1,0.0782).然后,再通过式(1)和式(2),算出1级指标C1、C2、C3和评价目标G的综合模糊评价向量(表3).表3　综合模糊评价向量综合评价向量BC1BC2BC3等级M10..00.M30..90.M50..0293第18卷　　　　　　　　　　　　　　　　陈凯华等:模糊综合评价模型的改进及应用　　　　　　　　　　　　　　　　　115由于评价等级数m=5,那么j=1,2,…,5,因此理想子集:Dj=(0,…,0,1,0,…,0),于是D1=(1,0,0,0,0).由表3知,待评价的综合模糊向量集:A={Ai}={BC1,BC2,BC3,BG},i=1,2,…,4利用公式(4)计算出C1、C2、C3、G对应的关于各个评价等级的非对称贴近度(见表4).将表4中数据按行比较:等级表4　综合模糊评价向量的非对称贴近度非对称贴近度N(A1,Dj)C1N(A2,Dj)C2N(A3,Dj)C3N(A4,Dj)GM10..M20..M30..M40..M50..N(A1,D2)C1=max{N(A1,Dj)C1}=0.8453,N(A2,D3)C2=max{N(A2,Dj)C2}=0.7275,N(A3,D2)C3=max{N(A3,Dj)C3}=0.8322,N(A4,D2)G=max{N(A4,Dj)G}=0.8159,依据判定准则:c1∈M2,c2∈M3,c3∈M2,G∈M2即生态价2;有效管理水平处在较差的等级M3;社值水平较好M会价值水平较好M2;周至国家级自然保护区总体水[3]　阉传海.安徽省萧县皇藏峪自然保护区评价研究[J].农村生态环境,):12-15.[4]　杨瑞卿,肖扬.太白山国家级自然保护区的生态评价[J].地理学与国土研究,):75-78.[5]　吕一河,傅伯杰,刘世梁,等.卧龙自然保护区综合功能评价　　　[J].生态学报,):571-579.[6]　汪应洛.系统工程(第2版)[M].北京:机械工业出版社,　　　1999.[7]　郑允文,薛达元,张更生.我国自然保护区生态指标评价标准[J].农村生态环境,):22-25.[8]　薛达元,郑允文.我国自然保护区有效管理评价指标研究　　　[J].农村生态环境,):6-9.[9]　薛达元.自然保护区生物多样性经济价值类型及其评估方法[J].农村生态环境,):54-59.[10]　汪培庄,陈永义.综合评判的数学模型[J].模糊数学,1983,1(1):61-70.[11]　周至国家级自然保护区管理局编写组.秦岭自然保护区群陕西周至国家级自然保护区管理计划[R].西安:陕西周至国家级自然保护区管理局,2001.平较好M2.不难发现,如果采用文献[1～5]原理,仅依据表3中的数据,可判断c2∈M4,与上述判断结果不同,从而显示上述改进模型的优越性.参考文献:[1]　徐婧文,张威.模糊评价法在建设工程评标中的应用[J].甘肃科学学报,):18-21.[2]　颜扬,杜纲.企业柔性的指标体系及其AHP-模糊综合评价方法的研究[J].甘肃科学学报,):120-123.作者简介:陈凯华,(1980-),男,山东省郓城人,现为兰州交通大学交通运输学院硕士研究生,研究方向为管理科学与工程.
范文九：谈高职学生综合评价模型的改进谈高职学生综合评价模型的改进作者：吴昊来源：《广西教育·C版》2013年第04期【摘 要】分析现行高职学生综合评价系统存在的优点与缺点，并提出改进方案。【关键词】综合评价 课程成绩评价模型 能力素质评价模型 平均学分绩 因子分析 层次分析【中图分类号】G【文献标识码】A【文章编号】（46-04随着素质教育的推广，21世纪的高职生除拥有过硬的专业知识外，还需要提高各项综合能力和素质，而综合评价就是考核这些能力与素质的标准，它是否合理关系到学生的综合排名、奖学金的评选，甚至影响毕业生的就业。但是，当前高职生综合评价体系在很多方面还存在一些缺陷。因此，如何有效合理地评价学生的综合能力和素质成为各高职院校关注的问题。高职生综合评价模型的常用方法有层次分析法、模糊分析法。此外，还有一些比较简单实用的模型。这些文献大都把学生课程成绩与能力评价进行综合的整体研究，却很少有对课程成绩评价作出细致研究后，再把学生的成绩与能力有机结合进行综合讨论。基于此，本文试图在这一方面作出改进。本文将高职学生的综合评价分为两部分：一是对学生课程成绩的评价；二是对学生能力素质的评价。其中，课程成绩作为学生学习效果的衡量标准，在评价中起关键作用。一、课程成绩评价模型（一）旧的课程成绩评价模型（平均学分绩模型）。平均学分绩模型就是把学生每门课程的成绩与该课程学分相乘后再相加，最后除以课程学分总数。计算公式可表示为：W=■■mi（■xij）。其中，W表示学生课程学习综合分，m为累计总学分，mi表示第i门课程学分，k为科目数，xij 表示学生第i门课程第j学期的成绩，Si为授课的学期数，即m=■（mi×Si）。 该模型的优点是计算简便且体现了专业课的重要性（专业课难度越大，学分越多），缺点是有时不能正确反映学生分数与其学习能力之间的关系。（二）新的课程成绩评价模型（学分绩与因子分析相结合）。学分绩与因子分析相结合的评价方法其实是在因子分析的基础上进行改进。1.因子分析的基本思想。因子分析法是用少数几个公共因子（f1，f2…fm）去描述许多指标（x1，x2…xp）之间关系，并解释各个公共因子含义的一种统计方法。模型为： xi=ai1f1+ai2f2+…+aimfm+？着i（i=1，2…p）用矩阵表示为：X=AF+？着 （1）其中，F=（f1，f2…fm）T为公共因子，A=（aij）p×m为因子载荷矩阵，？着=（？着1，？着2…？着p）T为特殊因子。要求（1）满足：m≤Pcov（F，？着）Var（F）=Im=0 分析的一般步骤是：（1）把数据标准化（此处的数据为学生的成绩），消除主观因素的