成分分析模型论文

成分分析模型论文（精选12篇）

成分分析模型论文 第1篇

关键词：备件预测,主成分分析,RBF神经网络

0 引言

备件物流是对维修保养、售后产品和物资所涉及的库存、设施和劳动力进行的完整端到端的物流管理。在飞机制造商的备件保障体系中, 备件预测占有非常重要的地位。作为一项基础性工作, 若无科学和严密的预测, 盲目凭经验去生产或购买备件, 会造成备件的短缺或浪费, 进而严重影响盈利能力。包括空客、波音在内的国际各大飞机制造商都很重视备件预测, 进行定性定量的科学计算, 使得备件预测成为了他们参与市场竞争的技术优势[1]。通常飞机备件可分为可修复件和不可修复件。可修复件数量不多, 但价格昂贵, 占总费用的85%, 可修件需求分析的效果将直接影响到飞机能否取得合理有效的航材保障[2]。

由于影响备件需求的因素种类众多且复杂多变, 准确预测备件需求比较困难。国内飞机制造企业在长期的备件预测实践过程中主要是依据一些经验公式或者参考国外飞机制造企业的方法, 简单地将众多的复杂因素简化或合并为几个主要因素, 常造成大量有用信息的丢失, 因此造成备件预测精度不高, 而传统神经网络的预测方法把所有因素都作为神经网络的输入, 显然会增加网络的复杂度, 降低网络性能, 大大增加计算运行的时间, 影响计算的精度。

针对上述现象, 本文提出了基于主成分分析—RBF神经网络的备件预测模型。该模型首先利用主成分分析技术将影响备件预测的众多因素变量进行分析变换, 有效消除原训练样本空间的信息重叠和噪声, 尽可能多地保留原有数据的有用信息, 降低数据维度, 减小网络规模, 得到一组彼此不相关的新输入变量, 然后将重构的训练样本空间作为RBF神经网络的输入, 进行备件预测, 通过实例仿真证明取得较好的预测效果。

1 主成分分析—神经网络模型原理

本文之所以采用主成分分析—RBF神经网络模型, 是由主成分分析和RBF神经网络各自的特点所决定的。主成分分析处在原始因素变量集和RBF神经网络之间, 它的作用是对将要输入RBF神经网络的变量进行筛选, 接下来把累计贡献率大的变量集作为网络的输入, 然后利用RBF神经网络对样本进行训练、测试, 从而得到精度更高、稳定性更好的预测值。图1给出了这个模型的流程图, 下文将详细介绍此模型的原理。

1.1 主成分分析

主成分分析 (Principal Component Analysis, PCA) 是一种数据压缩和特征提取的多变量统计分析技术, 对变量系统中的信息重新进行综合筛选, 从中选出若干对系统具有最佳解释能力的新综合变量即主成分, 用它们进行回归建模。主成分分析能够有效去除数据间的相关性, 在力保数据信息损失最少的原则下, 对高维变量空间进行降维处理[3]。主成分分析的步骤如下:

记X是一个有n个样本点和p个变量的数据表, 即X=, n, *p=, x1, x2, …, xp, , 其中xj=, x1j, x2j, …, xnj, T∈Rn对应第j个变量。

(1) 对数据进行标准化处理, 即

式中, x軃j是xj的样本均值, sj是xj的样本标准差。

(2) 计算标准化数据矩阵X的协方差矩阵V。这时V又是X的相互关系矩阵。

经过主成分分析可以在保留主要信息的基础上降低输入维数, 这将缩小下一步神经网络的规模, 同时神经网络输入元素相关性的消除可以增强网络的泛化性能。

1.2 RBF神经网络

BP神经网络和RBF神经网络已成为整个神经网络体系中应用最广泛的网络结构。相比较而言, RBF神经网络在训练速度、逼近能力等方面则更具优势。RBF神经网络具有收敛速度快、不易陷入局部极小点、鲁棒性好和易于实现等优点。已经证明, RBF神经网络可以在任意精度下逼近任意的非线性函数[4]。因此本文选取RBF神经网络。

RBF (Radial Basis Function) 神经网络即径向基函数神经网络, 是1998年提出的一种典型的三层前馈网络, 由输入层、隐层和输出层组成。

经过主成分分析后, RBF神经网络的输入为m维向量X′=X′1, X′2, …, X′mΣΣ, 即影响备件需求预测的m个主成分。隐层为l维向量R=R1, R2, …, RlΣΣ, 隐层节点个数的确定至今没有理论上完善的计算公式, 本文在经验公式的基础上遍历尝试, 直到达到误差满意为止。网络的输出为一维向量Y, 对应着神经网络的最终预测值。隐层作用函数采用径向基函数, 实现对输入层信息的非线性变换, 本文采用高斯核函数 (Gaussian Kernel Function) 如下:

其中ci为第i个径向基函数的中心 (ci∈Rm, i=1, 2…, l) ;σi是径向基函数的均方差或宽度, 用来调节网络的灵敏度;是向量X′-ci的范数, 表示X′与ci的欧几里德距离;RiXi′i在cj处有一个唯一的最大值, 随着

的增大, RiXi′i迅速衰减到零。RBF神经网络的输出形式为线性函数, 其中Wi表示第i个隐层单元到输出单元Y的权值。

RBF神经网络的训练过程就是对两组网络参数的学习: (1) 径向基函数中心ci、隐层结点数m、均方差σi。 (2) 隐层到输出层的连接权值Wi。其中径向基函数中心ci的计算采用最近邻聚类学习算法, 不需要事先确定隐单元的个数, 而且依据样本的输入信息进行聚类迭代, 以确定RBF神经网络中心[5]。利用最小二乘法进行参数估计, 得到隐含层到输出层的权值Wi。

2 实例研究

2.1 数据收集和因素集选取

本文以我国某航空制造企业有寿命要求的可维修初始备件的预测为实例, 根据国内外备件预测的实际工程经验和考虑到统计数据的可获得性, 选取共8项因素作为模型的指标变量, 它们分别是:产品单机安装数X1 (件) 、飞机架数X2 (架) 、单机在计算时间间隔内的平均飞行时间X3 (小时) 、产品送修平均周转时间X4 (天) 、产品平均更换间隔时间X5 (天) 、产品平均拆毁率X6 (%) 、产品平均订货周期X7 (天) 、保障率X8 (%) , 以该备件需求数量Y (件) 为神经网络的输出。收集该企业1992年至2007年备件需求历史数据, 共4类30组历史数据样本。本文将前28组数据作为主成分分析—RBF神经网络模型的训练样本, 将最后2组数据作为测试样本, 利用计算机进行数据仿真实验。

2.2 基于SPSS的主成分分析

SPSS软件作为世界知名的统计软件, 具有强大的数据处理、统计挖掘和分析制图的能力, 其中的因子分析模块功能, 可以进行主成分分析, 整个样本数据的标准化处理、相互关系矩阵计算、特征值计算和主成分提取均通过该模块实现。本文将收集的28组训练样本 (不含备件需求数量Y) 数据输入SPSS软件, 进行主成分分析, 分析结果如下:

表1所示的是总方差解释表, 左半部分给出了特征值、特征值占总方差的比例、特征值占总方差累积贡献率, 可以看到当主成分 (Component) 提取到第4个时, 主成分对信息累积贡献率达到86.322%≥85%, 涵盖了原始指标变量85%以上的信息, 符合主成分提取的要求。由表1可知前四个主成分的特征值分别是:λ1=2.920, λ2=2.004, λ3=1.279, λ4=0.703, 表1右半部分仅给出了我们所要提取的主成分信息。经过最大迭代次数25次之后生成的主成分碎石图 (Scree Plot) 如图2所示。

提取得到主成分后, 我们关心的是原始变量与主成分之间的关系, 由于我们采用的最小二乘回归算法, 表2主成分得分系数矩阵 (Component Score Coefficient Matrix) 给出了原始变量与主成分之间的线性关系, 根据该矩阵以及原始变量的观测值可以计算主成分的得分, 例如:X′1=-0.298X1+0.014X2+0.074X3+0.291X4+0.096X5+0.284X6+0.215X7+0.163X8。

2.3 基于Matlab的RBF神经网络仿真分析

经过主成分分析后, 接下来利用Matlab软件进行神经网络仿真。首先需要确定神经网络的输入和目标样本, 将训练样本经过主成分分析后得到的数据X′作为输入样本, 将原始训练样本的备件需求数量Y作为目标样本, 由此可以确定该网络的结构:输入层有4个神经元, 输出层有1个神经元。首先要对输入和目标样本进行归一化处理, 这样可以避免某些变量的大幅度波动给网络训练带来的影响, 防治部分神经元达到过饱和状态[6]。利用newrb命令创建一个RBF网络, 该命令在创建RBF网络时可以自动选择隐含层的神经元数目, 省去人工尝试隐层神经元的麻烦[7], 直到平方和误差SSE满足要求为止, 此处设MSE=0.001, 并简称该网络为PCA—RBF网络。

与其他神经网络不同, RBF神经网络中的径向基函数分布密度Spread是网络设计过程中非常重要的参数, 它将严重影响RBF网络的性能和精度[8]。本文将分别创建Spread为0.1, 0.2, 0.3, 0.4, 0.5的5个RBF网络, 通过与真实值的误差分析对比来选择一个最优值, 如图3所示。

由图3可以看到, 当径向基函数的分布密度为0.1时, RBF网络的误差最小, 逼近效果最好;当径向基函数的分布密度为0.5时, 网络的误差最大, 逼近效果最差。下面用Spread=0.1来训练RBF网络, 网络训练效果如图4所示, 训练到第25步, 网络的均方误差MSE达到要求。将训练样本和PCA—RBF网络训练值同时绘入图4, 可见PCA—RBF网络非常完美的拟合了原训练样本。

下面证明基于主成分分析的RBF神经网络在训练性能和时间上的优越性:首先我们将未经过主成分分析的训练样本数据输入RBF神经网络, 在保持Spread=0.1和MSE=0.001不变的前提下, 创建一个输入层有8个, 输出层有1个神经元的RBF神经网络, 利用Matlab训练该网络, 训练效果如图5所示。由此可见, 当未经过主成分分析的RBF神经网络训练到第25时, 网络误差约为0.01, 没有达到SSE的要求。

除了误差训练效果以外, 我们还关心两个

网络在计算精度上存在的差异。接下来将测试样本归一化处理后, 输入到两个已经训练完成的神经网络中, 通过网络计算分别得到输出值, 将该值与测试样本中的真实值比较, 如表3所示PCA—RBF神经网络在计算精度上也优于RBF网络。

3 结论

本文研究基于主成分分析—RBF神经网络模型的备件预测, 通过实例证明具有很好的预测效果。对比于传统的RBF神经网络, 该模型优化了网络结构, 减少了输入维数, 降低了训练样本的相关性, 具有更高的精度和更好的性能。由于利用主成分分析—RBF神经网络模型进行备件预测不需要建立复杂的数学方程, 具有自适应和学习的功能, 可以作为今后航空备件预测的有效方法。

但是, 如何找到最佳的径向基函数密度以及借鉴其他类型神经网络算法优化提高模型的预测精度都是今后研究的重点。随着研究的深入, 基于主成分分析—RBF神经网络模型的备件预测方法将会获得更加广泛的应用。

参考文献

[1]原石中.民用飞机备件需求量预测方法研究[J].航空工程与维修, 2002, 2:47-49.

[2]William C.A handbook of supply inventorymodels[R].AD-A187269, 1987.

[3]王惠文, 吴载斌, 等.偏最小二乘回归的线性与非线性算法[M].北京:国防工业出版社, 2006.

[4]周开利.神经网络模型及其Matlab仿真程序设计[M].北京:清华大学出版社, 2005.

[5]朱明星.RBF网络基函数中心选取算法的研究[J].安徽大学学报:自然科学版, 2000, 24 (1) :73-78.

[6]Wang Yaonan.A Neural Fuzzy Logic Self-Organizing Co-ntroller For Nonlinear System Control[J].Control Theory And Applications, 1997;14 (5) :748-753.

[7]Demuth H, Beale M.Neural Network Toolbox User's Gui-de—Neural Network Toolbox For Use with Matlab[M].The Math Works, Inc., 2002.

主成分分析与全成分分析区别 第2篇

主成分分析：是把几个综合变量来代替原来众多的变量，使这些综合变量能尽可能地代表原来变量的信息量，而且彼此之间互不相关的一种数学降维的方法。

全成分分析：是将送检样品中的原材料、填料、助剂等进行定性定量分析。塑料原材料种类，填料种类、粒径，助剂种类都能影响对产品的性能、寿命，通常是同一种原材料、同 一种填料，因为助剂种类的不同，造成产品性能大不相同。

主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在实际问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时，变量太 多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。主要目的是希望用较少的变量去解释原来资料中的大部分变量，将我们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数少，能解释大部分资料中变量的几个新变量，即所谓主成分，并用以解释资料的综合性指标。由此可见，主成分分析实际上是一种降维方法。

分析步骤

数据标准化;

一、求相关系数矩阵;

二、一系列正交变换，使非对角线上的数置0，加到主对角上;

三、得特征根xi（即相应那个主成分引起变异的方差),并按照从大到小的顺序把特征根排列;

四、求各个特征根对应的特征向量;

五、用下式计算每个特征根的贡献率Vi;

Vi=xi/(x1+x2+........)

六、根据特征根及其特征向量解释主成分物理意义。

主成分分析的基本思想

主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。

主成分分析，是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关.通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。

成分分析模型论文 第3篇

1.确定财务指标

选取的财务指标包括上市公司的偿债能力、营运能力、赢利能力、发展能力4个方面企业会计信息失真的指标识别体系。

2.判别显著指标

估计样本选取失真样本的前20个和非失真样本的前20个，选取非失真样本的后8个和失真样本的后8个作为预测组，从偿债能力、营运能力、赢利能力、发展能力4个方面选取17个财务比率指标组成会计信息失真预测模型的主成分，输入SPSS软件后得出自由度和伴随概率如下：

表1 自由度Df和伴随概率Sig

指标T值DfSig.

X1-3.739380.001

X2-3.083380.004

X3-2.739380.009

X42.157380.037

X50.229380.82

X63.574380.001

X7-1.584380.122

X8-0.223380.825

X9-0.576380.568

X10-0.091380.928

X11-2.122380.04

X12-2.586380.014

X13-1.096380.28

X14-1.109380.274

X15-2.416380.021

X16-2.601380.013

X17-1.714380.095

3.T统计量显著性检验：（显著性水平为0.05）

根据T值结果，分析如下：

（对于X1，即流动比率，T检验结果为0.001，小于0.05，P值落在拒绝域，即失真样本和非失真样本之间存在显著性差异，X1应该得到保留。

（同样对于X5，即产权比率，T检验结果为0.82，大于0.05，P值落在接受域，即失真样本和非失真样本之间无显著性差异，X5应该剔除。依照这个规则，X1，X2，X3，X4，X6，X11，X12，X15，X16这九个变量得到保留。

4.主成分因子的确定

SPSS20.0软件操作：选择分析-降维-因子分析（选取主成分分析法），首先进行主成分分析的适用性检验：KMO统计量值为0.592，在0-1之间，比较接近于1，符合主成分分析的要求；球形假设检验的相伴概率是0.000，小于显著性水平0.05，球形假设被拒绝，因此指标之间并非独立，适合进行主成分分析.接着进行主成分的确定与解释，进行主成分分析得到主成分特征值和贡献率。

表2 主成分特征值和贡献率

成份初始特征值提取平方和载入

合计方差的%累积%合计方差的%累积%

13.66640.7340.733.66640.7340.73

21.86120.68261.4121.86120.68261.412

31.35315.03476.4461.35315.03476.446

40.9410.44386.8890.9410.44386.889

50.5656.28293.171

60.3363.73596.906

70.1842.0498.945

80.0790.88199.826

90.0160.174100

表2中前四个主成分累积贡献率达到86.889%，满足经验要求值85%.通过公因子方差表中的数据也可以看出，提取的主成分基本解释了所有变量，提取的信息比较充足，大部分都在80%以上，所以确定主成分因子数目为4个。

再由因子载荷矩阵得出：因子Z1主要由X1，X4，X6，X11，X12构成，因子Z2主要由X2，X3，X15构成，因子Z3主要有X4，X6，X16构成，因子Z4主要由X4，X11，X12，X15构成

5.构造预测模型并选择预测分割点

表3 因子得分系数矩阵

成份1234

X10.254-0.146-0.0730.169

X20.245-0.18-0.0630.168

X30.239-0.173-0.080.162

X4-0.079-0.1710.6120.075

X6-0.150.15-0.0170.608

X110.0650.324-0.0140.662

X120.1370.3950.189-0.203

X150.1370.373-0.05-0.352

X160.1450.0360.5570.053

所以可以由贡献率表和因子得分系数矩阵得到预测模型为

Y=0.4073Z1+0.20682Z2+0.15034Z3+0.10443Z4

Z1=0.254X1+0.245X2+…+0.145X16Z2=-0.146X1+-0.180X2+…+0.036X16Z3=-0.073X1+-0.063X2+…+0.557X16Z4=0.169X1+0.168X2+…+0.053X16

通过以上公式得到各个公司的预测值Y，失真数据在前，非失真数据在后。

表4 估计样本的预测值

公司代码预测值公司代码预测值公司代码预测值公司代码预测值

000863-0.1270000818-1.69010004020.4407*0000890.2496

0005170.2031000673-0.01580004080.3041*0000360.7384*

000688-0.0928600155-0.16550004090.3709*0000480.6998*

0001000.16856008170.24510004100.4479*0000590.3317*

6007510.1014002200-0.71910001510.6807*0000340.3547*

000719-0.13320004030.26700001530.3075*0000391.3698*

600556-0.21736006910.23890001570.5937*0000450.5101*

6001850.25090000350.25280001580.3447*0000501.4730*

6009880.11816004620.23150000050.3178*0000280.3567*

以0.28为分割点，可以区分有无会计信息失真的公司，如上表所示，标记为*号的代表超过0.28的公司预测值，其中失真样本的20个样本全部小于0.28，全部通过，非失真样本的20个样本中有19个样本大于0.28，成功率为95%，可信度高，说明模型区分度好，准确度高。

6.结论

成分分析模型论文 第4篇

随着国内经济的迅速发展, 我国危险化学品的运输量逐年迅速增加, 每天危险化学品的运输量超过100万吨, 每年总运输量将超过4亿吨[1], 且目前石化原料主要是通过海运完成。据统计, 通过码头运输的化工物品中, 具有易燃、易爆、有毒液体危险化学品以达到千余品种[2]。石油化工码头储运化学品的数量大、种类多, 一旦发生管道泄漏事故, 不仅会造成巨大的经济损失, 而且对人的健康以及环境都会造成严重危害。[3]。2010年7月16日, 大连中石油原油输油管道爆炸事故[4], 造成原油大量泄漏并引起火灾, 溢油量超万吨, 事故造成50km2海面污染, 成为中国海上溢油事故之最。

近年来, 对液体管道泄漏后果模型的研究已经有很多, 例如:李大全[5]提出了成品油管道泄漏扩散规律, 姜虹、李丽霞、沙锡东[6]对池火灾热辐射数值的研究, 朱红萍、罗艾民等人[7]对重气泄漏扩散的研究, 项小强、戴联双、曹涛等[8]对输油管道泄漏液池的蒸气云扩散模型的研究, 陈国华[9]对蒸气云爆炸后果的研究等。这些模型是针对液体管道泄漏后所造成的某一种事故后果的研究, 而对于不同液体管道泄漏 (非同时) 后可能造成的多种事故后果之间的比较的研究较少, 因此, 本文在后果模型分析的基础上, 利用主成分分析方法建立了一套可以比较不同液体管道泄漏后果的综合评价模型, 从而对液体危险品管道运输做出综合评估。

1 主成分分析方法

主成分分析法 (PCA) 是一种高效处理高维数据的多元统计分析方法。该方法的基本思想是对研究系统进行降维, 通过对原指标体系相关矩阵内部结构关系的分析和计算, 产生一系列互不相关的新变量, 并可以根据需要从中选出少数几个携带了能够充分体现原指标信息的新变量, 从而使利用新变量分析和解决多元交叉问题得以实现[10]。该法不仅可以减少选择指标的工作量、消除指标之间的相互关联, 而且计算过程可用数理统计软件SPSS进行简化, 在原始指标和数据确定的情况下, 利用SPSS的因子分析模块进行主成分分析, 可以实现数据的全计算机处理, 计算过程快捷、结果精确[11]。

2 评价指标的选取

根据液体管道泄漏可能引起的事故种类, 液体管道泄漏的事故后果评价指标体系主要着眼事故后果分析包括:一级指标由火灾事故、爆炸事故和中毒事故构成, 二级指标由50m处目标接收到的热辐射通量 (kw/m2) 、热辐射轻伤半径 (m) 、热辐射重伤半径 (m) 、热辐射死亡半径 (m) 、可燃气体TNT当量 (kg) 、冲击波正相最大超压 (MPa) 、冲击波轻伤半径 (m) 、冲击波重伤半径 (m) 、冲击波死亡半径 (m) 、冲击波对建筑物的摧毁半径 (m) 、立即威胁生命和健康距离 (m) 、短时间接触容许距离 (m) 、立即威胁生命和健康面积 (m2) 、短时间接触容许面积 (m2) 能够直接表示事故后果严重程度的14个分指标构成, 分别由p1, p2, ..., p14表示。

3 实例分析

3.1 初始数据获取

本文在对天津港临港工业区某5万吨级液体化工码头进行现场实地调研的基础上, 选取该码头日常由管道运输的具有代表性的15种液体危险化学品为样本, 它们分别为甲苯、甲醇、丙烯腈、苯乙烯、醋酸、对二甲苯、正丁醇、丙酮、异丁醛、苯酚、丙烯酸、二氯甲烷、环氧丙烷、醋酸正丁酯、乙酸乙酯, 分别由n1, n2, ..., n15表示。在选择基本环境条件 (见表1) 后建立池火灾[6]、蒸气云爆炸[9]以及毒气扩散[7]等模型, 经计算得到主成分分析的初始数据, 如表2所示。

表1中的环境条件的选取完全基于实际作业场所的环境和作业条件, 所选参数均是最常状态下的参数。由于港口管道运输的特点, 一般情况下同一港口不存在交叉运输现象, 因此, 管道的泄漏量大小按照无连通的伯努利泄漏模型考虑, 在环境条件确定的情况下, 主要由运输液体的泵的压力和泄漏孔径大小决定, 在选定管道压力和裂口尺寸后, 各种液体的泄漏量即可通过模型计算得到。泄漏量的大小是计算其泄漏后引发事故后果的关键, 因此, 泄漏量的改变必然引起事故后果的变化, 可以通过多种泄漏情况的假设, 来计算多次泄漏后果, 然后利用主成分分析多次处理数据, 得到动态的数据变化。

表2中的数据, 是在选择管道泄漏模型[5], 液池扩展模型[5], 液池蒸发模型[5], 气体扩散模型[7,8]以及池火灾[6]和蒸气云爆炸[9]模型的基础上计算得来的, 各种化学品基础的理化性质是各模型的计算中涉及到的基本数据, 应用模型计算过程中要充分考虑包括密度、粘度、饱和蒸气压以及物质的STEL等各种理化性质, 从而得到表2中事故后果的数据。从表2可以直接看出, 15种样本发生泄漏后的后果, 大部分样本同时具有三种危险性, 通过后果模型的分析可知危险化学品火灾、爆炸、毒性危险性互相关联, 利用主成分分析方法处理数据, 可以消除指标数据之间存在的相互关联, 另外, n2、n5、n10、n11、n12、n13、n14这7个样本的火灾危险性很小, 可以忽略, 即只考虑其爆炸和中毒的危险性。由于, 所选危险化学品属于典型个例, 因此, 样本泄漏后扩散的爆炸和毒性基本共存, 如有选择样本只有一种危险性时, 其独立的危险后果可以直接通过选择相应后果模型计算得到, 同时也可以利用主成分分析方法与其他带有多种危险性的样本进行比较。

3.2 数据处理

用SPSS13.0对表2中的14项指标进行主成分分析, 得到相关系数矩阵、方差分解主成分提取分析表和正交标准化后的初始因子载荷矩阵, 分别如表3、表4、表5所示。

3.3 选择和解释主成分

由表4可以看出, 前三个因子的累计贡献率占总方差的比例为95.358%, 大于85%, 表明这3个因子可以概括原始数据的大部分信息, 其主成分分别用F1、F2、F3表示。

通过正交标准化后的初始因子载荷矩阵 (得分系数矩阵) 可以得到各个主成分的表达式:

由F1、F2、F3的表达式可以看出:对第一主成分贡献率较大的是p5-p10, 在原始指标体系中p5-p10表示的是爆炸事故危害后果, 第一主成分加强了爆炸事故风险的权重, 同时兼顾了火灾事故风险, 并降低了中毒事故风险的权重, 因此, 单独用第一主成分对系统进行评价时, 比较偏重爆炸事故风险。第二主成分中p11-p14的贡献率较大, 在原始指标体系中p11-p14表示的是中毒事故危害后果, 第二主成分加强了中毒事故风险的权重, 降低了爆炸事故风险的权重, 它是对第一主成分对中毒后果影响产生偏差的修正, 同时兼顾了火灾事故风险。第三主成分中p1-p4表示的是火灾事故危害后果, 其贡献率明显提高, 这说明第三主成分加强了火灾事故风险的权重, 降低了爆炸和中毒危害后果的影响, 第三主成分主要是为了修正第一主成分和第二主成分对火灾事故后果影响的偏差。可以看出, 上述三个主成分, 从火灾、爆炸和中毒后果三个方面可以对系统进行比较全面和客观的评价, 因此, 应用主成分分析方法结合事故后果模型的计算得到针对液体化学品管道泄漏的综合评价指标体系是准确的。但是, 单独使用某一指标对系统进行评价, 会忽略其他相关因素的影响, 因此, 要将选择的三个主成分进行合并, 以得道能够准确反映液体化学品管道泄漏事故后果的综合评价值。

3.4 计算综合评价值

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, 通过表4和表6计算得出综合评价指标F的表达式如下:

从综合评价指标F中可以看出所有初始指标的贡献率都为正, 没有出现负贡献的指标, 这说明原始指标体系中指标的选择比较准确。

3.5 排序

将各类液体化学品泄漏的后果评价指标 (表2) 的综合评价值计算出并按从小到大的顺序, 得到表6。

由表6可知, 环氧丙烷的管道泄漏后果指标的综合评价值最高, 说明其泄漏所能造成的伤害最严重;醋酸正丁酯的管道泄漏后果指标的综合评价值最低, 其泄漏所造成的伤害最弱。15种液体化学品管道泄漏后果严重程度由大到小排序为环氧丙烷、丙烯腈、苯酚、丙酮、丙烯酸、二氯甲烷、醋酸、甲醇、苯乙烯、乙酸乙酯、正丁醇、甲苯、异丁醛、对二甲苯、醋酸正丁酯。

4 结论

1) 在液体管道泄漏事故后果模型计算的基础上, 提出了后果模型与主成分分析法相结合的管道泄漏后果评价方法, 得到了新的评价指标体系, 新的评价指标F的累计贡献率达到95.358%, 足以体现管道泄漏事故后果安全评价的关键点。经实例分析表明该方法适用于评价港口码头等储运多种液体危险化学品的行业。

2) 从微观角度, 确定了液体管道泄漏事故后果安全评价指标体系, 由50m处目标接收到的热辐射通量、热辐射轻伤半径、热辐射重伤半径、热辐射死亡半径、可燃气体TNT当量、冲击波正相最大超压、冲击波轻伤半径、冲击波重伤半径、冲击波死亡半径、冲击波对建筑物的摧毁半径、立即威胁生命和健康距离、短时间接触容许距离、立即威胁生命和健康面积、短时间接触容许面积14个指标组成。

3) 运用主成分分析对液体管道泄漏后果进行安全评价, 具有一定的应用价值, 实例分析得到了15类液体化学品管道泄漏后果危险性的排序, 评价具有客观性和较高的可信度, 为进一步规范港口码头等液体危险化学品管道运输企业的安全评价提供了有效的方法保证。

参考文献

[1]2008年世界各国化学品全面实施GHS制度[EB/OL].http://www.scianet.org/news/news_detaillist.asp?id=4810&aclass=4, 2005-07-08

[2]Abbasi T, Abbasi S A.The boiling liquid expanding vapour explosion (BLEVE) :Mechanism, consequence assessment, management[J].Journal of Hazardous Materials, 2007, 141 (3) :489-519.

[3]张江华, 朱道力.危险化学品运输风险分析研究综述[J].中国安全科学学报, 2007, 17 (3) :136-141ZHANG Jiang-hua, ZHU Dao-li.Review on risk analysis dangerous chemical transportation[J].China Safety Science Journal, 2007, 17 (3) :136-141

[4]唐少曼, 沈婷婷.大连新港漏油事件[J].海洋世界, 2010 (08) :24-28TANG Shao-man, SHEN Ting-ting.Oil spill event of xingang, dalian[J].Ocean word, 2010 (08) :24-28

[5]李大全, 姚安林.成品油管道泄漏扩散规律分析[J].油气储运, 2006, 25 (8) :18-24Ll Da-quan, YAO An-lin.The study on oil-diffusing law of produet pipeline leaking[J].OGST, 2006, 25 (8) :18-24

[6]姜虹, 李丽霞, 沙锡东.甲苯池火灾热辐射数值模拟[J].中国安全生产科学技术, 2011, 7 (4) :34-39JIANG Hong, LI Li-xia, SHA Xi-dong.Numerical simulation of heat radiation by toluene pool fire[J].Journal of Safety Science and Technology, 2011, 7 (4) :34-39

[7]朱红萍, 罗艾民, 李润求.重气泄漏扩散事故后果评估系统研究[J].中国安全科学学报, 2009, 19 (5) :119-124ZHU Hong-ping, LUO Ai-min, LI Run-qiu.Research on the consequence assessment system of heavy gas leakage accidents[J].China Safety Science Journal, 2009, 19 (5) :119-124

[8]项小强, 戴联双, 曹涛, 等.输油管道泄漏液池的蒸气云扩散模型[J].油气储运, 2011, 30 (5) :334-336XIANG xiao-qiang, DAI Lian-shuang, CAO Tao, et al.Vapor cloud dispersion model for leakage pool of oil pipeline[J].Oil&Gas Storage and Transportation, 2011, 30 (5) :334-336

[9]CHEN Guo-hua, ZHOU Jian-feng, ZHANG Hui, eet al.Probabilistic consequence analysis for vapor cloud explosion of flammable gas[J].Computers and Applied Chemistry, 2005, 23 (12) :1199-1204

[10]余福茂, 肖亮, 袁飞.主成分分析在重大危险源风险评价中的应用研究[J].中国安全生产科学技术, 2008, 4 (5) :42-45YU Fu-mao, XIAO Liang, YUAN Fei.Application and research of PCA on risk assessment of major hazard installation[J].Journal of Safety Science and Technology, 2008, 4 (5) :42-45

金属化学成分分析 第5篇

金属化学成分分析

金属成分鉴定，金属成分分析，金属成分测试，PMI现场检测，不锈钢现场检测，合金成分分析，不锈钢材质分现场金属检测、金属成分分析、现场金属代检、不锈钢牌号鉴定、现场快速PMI、材料可靠性鉴别、现场ROHS检测、现场金属无损检测金属成分分析、现场安监协助服务、出口货物PMI、光谱仪租赁

一、检测方式：现场检测、无损检测、金属成分分析、定性检测、定量检测、金属牌号鉴定、全元素检测

二、仪器类型：金属成分分析、手持式光谱仪、便携式直读光谱仪、台式直读光谱仪。

三、业务类型：

1、金属现场检测、金属成分分析、成分分析；金属现场无损检测；不锈钢牌号鉴定；原料、来料检测；成品PMI（材料可靠性鉴别）

2、电子电器rohs检测与管控，金属成分分析金属成分分析玩具以及纺织品的重金属测试，en-71测试，无卤素测试，金属成分分析金属成分分析邻苯测试，低毒测试，含铅测试等涉及重金属管控的现场测试或者寄样检测

3、协助工厂做质量认证以及质量管控金属成分分析

4、光谱仪租赁（配有一名专业的品质检测工程师）

四、检测项目以及元素：2秒确定金属牌号，金属成分分析5~10秒检测35种金属元素含量，精确显示至0.01%,现场出检测结果，可打印材质分析报告。检测重金属时，配有专门的rohs和玩具检测模式。

铜Cu,铁Fe,镍Ni,铬Cr,钼Mo,锰Mn,钴Co,铝Al，锌Zn,锡Sn,铅Pb,金Au,银Ag,钯Pd,铂Pt,砷As,铪Hf,铟In,铱Ir,铌Nb,硒Se,铋Bi,锑Sb,钽Ta,钛Ti,钒V,钇Y,锆Zr（Ba、Sb、Sn、Cd、Bi、Pb、Br、Se、As、Hg、Au、Zn、Cu、Ni、Fe、Cr、V、Ti、Cl、Al、In、Pd、Ag、Mo、Nb、Zr、Pt、Co、Mn、Cl+Br）等

五、功能介绍：

1、成分分析、金属成分分析牌号鉴别和快速PMI鉴定；

2、2秒鉴定合金牌号金属成分分析和15秒测定30多种金属元素含量；

3、快速、无损分析，金属成分分析对样品外观无太多限制；

4、工程师代检，金属成分分析现场出检测结果，结果可电脑存档待查。

5、检测精度：数据精确显示至0.01%.绝对误差小于0.10%;金属成分分析（如某304不锈钢的镍Ni实际含量为8.0%,仪器将测得为：7.90%~8.10%）;

飞机草营养成分分析 第6篇

关键词 飞机草；营养成分；含量测定

中图分类号：S451 文献标志码：A 文章编号：1673-890X(2014)06-098-03

飞机草（Eupatorium odoratum）又名香泽兰，为菊科泽兰属多年生草本或亚灌木植物，是我国最常见的一种外来入侵物种。飞机草入侵性极强，可入侵草地、农田、林地等，并很快成为优势种群，抑制其他植物的生长，对畜牧业、农业、林业和生物多样性造成了严重的危害，但其具有散瘀、消肿、解毒和止血的功效，主要用于跌打肿痛、疮疡肿毒、皮炎和外伤出血等［1］。在农药应用方面也有不少的研究，是我国民间常用草药之一。本试验以海南省五指山市分布的飞机草为原料，旨在分析其营养成分，变害为宝，为进一步开发提供基础

数据。

1 材料与方法

1.1 材料

新鲜飞机草（采自于海南省五指山市区，经琼州学院生物科学与技术学院黎明老师鉴定。）

1.2 方法

1.2.1 水分含量测定——常压烘箱干燥法［2］11

1.2.2 灰分含量测定——灼烧恒重法［2］39

1.2.3 总糖与还原糖含量测定——斐林试剂置换法［3］

1.2.4 粗纤维含量测定——酸碱蒸煮法［4］

1.2.5 叶绿素含量的测定——分光光度法［5］

2 结果

本研究以海南省五指山市内分布的飞机草为实验材料，对其营养成分——水分、灰分、总糖和还原糖、叶绿素进行提取及含量测定，测得结果见表1。

3 分析讨论

外来入侵植物一直被视为有害植物，飞机草是比较常见的一种。研究主要集中于它的入侵危害和综合防治等方面，而对于其体内有用物质的研究比较少。由此，针对飞机草的水分、灰分、还原糖和总糖、粗纤维、叶绿素进行了提取与测定。鉴于对有害入侵植物综合治理的可持续发展重要战略之一是变废为宝，对飞机草的营养成分提取利用是值得关注的。

3.1 水分与灰分

实验结果表明，飞机草中含水分74.06%，灰分1.87%。说明飞机草含无机盐丰富，在药用方面可以补充矿质元素。

测定水分时应先把新鲜的植株清洗干净后晾干再进行称量，烘干时注意控制恒温箱的温度，防止温度过高或过低；注意观察植物颜色的变化，防止植物变焦。测定灰分时，样品在灼烧前要先进行烘干和炭化，否则灰化不完全。灰化温度不得高于550 ℃，不然磷酸盐融化，同时增加KCl和NaCl的挥发，致使结果产生误差［6］。

3.2 总糖与还原糖

本实验采用斐林试剂置换法测得总糖与还原糖的含量分别为0.84%和0.76%。从实验结果可知，飞机草含糖量较低，这也与飞机草全草入药时味略苦和微酸的实际情况相符。经过2次试验失败后，总结出此方法成功的关键在于火候的控制。火力太小会导致沸腾不连续，实验现象不明显，甚至不出现实验现象，从而导致实验失败。当火力足够大时，整个滴定过程要在1～2 min内完成，待样液变黄时，停止滴定，减少实验误差。糖类是维持植物体内代谢和生长的重要物质，还原糖具有抗衰老抗病毒、抗肿瘤作用，降血脂、抗血栓作用等等药用价值。

3.3 粗纤维

本实验使用的是酸碱蒸煮法，据表1可知，飞机草中粗纤维的含量为4.82%，是一种粗纤维含量较丰富的植物（此次实验过程中需用到煮沸的硫酸和氢氧化钠，都是强酸强碱，实验中有使用乙醇乙醚处理，而乙醚具微毒，因此操作应在通风的地方操作，要注意安全）。纤维素本身没有营养，但有不可缺少的维护人体健康的作用，被称为人体必需的第7营养素，具有促进胃肠蠕动、缩短排泄物在肠内通过时间、增强消化功能、结合或放出发酵产生的挥发性脂肪酸、阻止胆固醇的吸收、维护血糖平衡，从而达到预防和治疗肿瘤、脑血管硬化、缺铁性心脏病、糖尿病等疾病的

目的［7］。

3.4 叶绿素

本实验使用80%的丙酮提取叶绿素，测得叶绿素的含量为0.2374 mg/g，实验所用的材料应为刚采下的新鲜的飞机草叶片，在提取的时候应该多次用丙酮过滤研钵里剩余的残渣尽量减小误差。在本次实验过程中，分光光度计的对照物容易弄错，导致实验失败。找到缺陷后，经过仔细分析再进行下一次实验就可提高成功率。叶绿素分子结构与人体内的血红素分子相似，不同的是血红素分子结构中包围着铁原子，而叶绿素分子构造中包围着镁原子。随着人们对飞机草的不断研究，它将会成为药用等方面的重要资源之一。

4 结语

综上所述，飞机草是一种外来入侵植物，在某些方面是有害的。目前，虽然国内外对飞机草的生物学特性和防治措施做了不少的研究探索，但总体而言比较薄弱，与飞机草的发生危害程度相去甚远。但其营养成分很丰富，具有良好的药用价值。通过研究其营养成分进一步认识飞机草，变害为宝，减少飞机草的危害，减轻对农业、畜牧业造成的经济损失，加快农业发展的步伐，防止生态失衡并充分利用飞机草资源。而且，飞机草分布广泛、繁殖快，所以，飞机草的开发利用前景是十分可观的。到目前为止，对飞机草研究比较多的还是它的分布，生物特性和危害方面比较多，而营养成分方面的研究还是很少。由此，通过对飞机草营养成分的分析为进一步研究飞机草提供一定的理论依据。

参考文献

［1］ 国家中医药管理局《中华本草》编委会.中华本草［M］.上海：上海科学技术出版社，1998.

［2］ 黄伟坤.食品化学分析［M］.上海：上海科学技术出版社，1979.

［3］ 魏炳栋，陈群，于秀芳，等.乳酸菌发酵豆粕、菜籽粕和棉籽粕过程中总糖和还原糖含量变化的研究［J］.林畜牧兽医，2010，31（2）：48.

［4］ 国家技术监督局.GB/T10469-1989水果、蔬菜粗纤维的测定方法［S］北京：中国标准出版社，1989.

［5］ 范树国，王朝英，李国树，等.5种入侵植物叶绿素的提取与含量测定［J］.江苏农业科学，2009（2）：124-126.

［6］ 作物分析法委员会.栽培植物营养诊断分析测定法［M］.北京：中国农业出版社，1984.

［7］ 王乃祥.高纤维功能食品成新潮［J］.中国食品，1998，5（3）：45-46.

（责任编辑：刘昀）

摘 要 飞机草属菊科泽兰属多年生草本或亚灌木植物，是我国最常见的一种外来入侵物种，同时也是我国民间常用草药之一。本实验以飞机草为材料采用常压烘箱干燥法测定水分含量；灼烧恒重法测定灰分含量；斐林试剂置换法测定总糖与还原糖含量；酸碱蒸煮法测定粗纤维含量；丙酮提取叶绿素并测定其含量。结果如下：飞机草鲜样中含水分74.06%，灰分1.87%，干样中含总糖0.84%、还原糖0.76%，粗纤维含量为4.823%，叶绿素含量为0.2208 mg/g。

关键词 飞机草；营养成分；含量测定

中图分类号：S451 文献标志码：A 文章编号：1673-890X(2014)06-098-03

飞机草（Eupatorium odoratum）又名香泽兰，为菊科泽兰属多年生草本或亚灌木植物，是我国最常见的一种外来入侵物种。飞机草入侵性极强，可入侵草地、农田、林地等，并很快成为优势种群，抑制其他植物的生长，对畜牧业、农业、林业和生物多样性造成了严重的危害，但其具有散瘀、消肿、解毒和止血的功效，主要用于跌打肿痛、疮疡肿毒、皮炎和外伤出血等［1］。在农药应用方面也有不少的研究，是我国民间常用草药之一。本试验以海南省五指山市分布的飞机草为原料，旨在分析其营养成分，变害为宝，为进一步开发提供基础

数据。

1 材料与方法

1.1 材料

新鲜飞机草（采自于海南省五指山市区，经琼州学院生物科学与技术学院黎明老师鉴定。）

1.2 方法

1.2.1 水分含量测定——常压烘箱干燥法［2］11

1.2.2 灰分含量测定——灼烧恒重法［2］39

1.2.3 总糖与还原糖含量测定——斐林试剂置换法［3］

1.2.4 粗纤维含量测定——酸碱蒸煮法［4］

1.2.5 叶绿素含量的测定——分光光度法［5］

2 结果

本研究以海南省五指山市内分布的飞机草为实验材料，对其营养成分——水分、灰分、总糖和还原糖、叶绿素进行提取及含量测定，测得结果见表1。

3 分析讨论

外来入侵植物一直被视为有害植物，飞机草是比较常见的一种。研究主要集中于它的入侵危害和综合防治等方面，而对于其体内有用物质的研究比较少。由此，针对飞机草的水分、灰分、还原糖和总糖、粗纤维、叶绿素进行了提取与测定。鉴于对有害入侵植物综合治理的可持续发展重要战略之一是变废为宝，对飞机草的营养成分提取利用是值得关注的。

3.1 水分与灰分

实验结果表明，飞机草中含水分74.06%，灰分1.87%。说明飞机草含无机盐丰富，在药用方面可以补充矿质元素。

测定水分时应先把新鲜的植株清洗干净后晾干再进行称量，烘干时注意控制恒温箱的温度，防止温度过高或过低；注意观察植物颜色的变化，防止植物变焦。测定灰分时，样品在灼烧前要先进行烘干和炭化，否则灰化不完全。灰化温度不得高于550 ℃，不然磷酸盐融化，同时增加KCl和NaCl的挥发，致使结果产生误差［6］。

3.2 总糖与还原糖

本实验采用斐林试剂置换法测得总糖与还原糖的含量分别为0.84%和0.76%。从实验结果可知，飞机草含糖量较低，这也与飞机草全草入药时味略苦和微酸的实际情况相符。经过2次试验失败后，总结出此方法成功的关键在于火候的控制。火力太小会导致沸腾不连续，实验现象不明显，甚至不出现实验现象，从而导致实验失败。当火力足够大时，整个滴定过程要在1～2 min内完成，待样液变黄时，停止滴定，减少实验误差。糖类是维持植物体内代谢和生长的重要物质，还原糖具有抗衰老抗病毒、抗肿瘤作用，降血脂、抗血栓作用等等药用价值。

3.3 粗纤维

本实验使用的是酸碱蒸煮法，据表1可知，飞机草中粗纤维的含量为4.82%，是一种粗纤维含量较丰富的植物（此次实验过程中需用到煮沸的硫酸和氢氧化钠，都是强酸强碱，实验中有使用乙醇乙醚处理，而乙醚具微毒，因此操作应在通风的地方操作，要注意安全）。纤维素本身没有营养，但有不可缺少的维护人体健康的作用，被称为人体必需的第7营养素，具有促进胃肠蠕动、缩短排泄物在肠内通过时间、增强消化功能、结合或放出发酵产生的挥发性脂肪酸、阻止胆固醇的吸收、维护血糖平衡，从而达到预防和治疗肿瘤、脑血管硬化、缺铁性心脏病、糖尿病等疾病的

目的［7］。

3.4 叶绿素

本实验使用80%的丙酮提取叶绿素，测得叶绿素的含量为0.2374 mg/g，实验所用的材料应为刚采下的新鲜的飞机草叶片，在提取的时候应该多次用丙酮过滤研钵里剩余的残渣尽量减小误差。在本次实验过程中，分光光度计的对照物容易弄错，导致实验失败。找到缺陷后，经过仔细分析再进行下一次实验就可提高成功率。叶绿素分子结构与人体内的血红素分子相似，不同的是血红素分子结构中包围着铁原子，而叶绿素分子构造中包围着镁原子。随着人们对飞机草的不断研究，它将会成为药用等方面的重要资源之一。

4 结语

综上所述，飞机草是一种外来入侵植物，在某些方面是有害的。目前，虽然国内外对飞机草的生物学特性和防治措施做了不少的研究探索，但总体而言比较薄弱，与飞机草的发生危害程度相去甚远。但其营养成分很丰富，具有良好的药用价值。通过研究其营养成分进一步认识飞机草，变害为宝，减少飞机草的危害，减轻对农业、畜牧业造成的经济损失，加快农业发展的步伐，防止生态失衡并充分利用飞机草资源。而且，飞机草分布广泛、繁殖快，所以，飞机草的开发利用前景是十分可观的。到目前为止，对飞机草研究比较多的还是它的分布，生物特性和危害方面比较多，而营养成分方面的研究还是很少。由此，通过对飞机草营养成分的分析为进一步研究飞机草提供一定的理论依据。

参考文献

［1］ 国家中医药管理局《中华本草》编委会.中华本草［M］.上海：上海科学技术出版社，1998.

［2］ 黄伟坤.食品化学分析［M］.上海：上海科学技术出版社，1979.

［3］ 魏炳栋，陈群，于秀芳，等.乳酸菌发酵豆粕、菜籽粕和棉籽粕过程中总糖和还原糖含量变化的研究［J］.林畜牧兽医，2010，31（2）：48.

［4］ 国家技术监督局.GB/T10469-1989水果、蔬菜粗纤维的测定方法［S］北京：中国标准出版社，1989.

［5］ 范树国，王朝英，李国树，等.5种入侵植物叶绿素的提取与含量测定［J］.江苏农业科学，2009（2）：124-126.

［6］ 作物分析法委员会.栽培植物营养诊断分析测定法［M］.北京：中国农业出版社，1984.

［7］ 王乃祥.高纤维功能食品成新潮［J］.中国食品，1998，5（3）：45-46.

（责任编辑：刘昀）

摘 要 飞机草属菊科泽兰属多年生草本或亚灌木植物，是我国最常见的一种外来入侵物种，同时也是我国民间常用草药之一。本实验以飞机草为材料采用常压烘箱干燥法测定水分含量；灼烧恒重法测定灰分含量；斐林试剂置换法测定总糖与还原糖含量；酸碱蒸煮法测定粗纤维含量；丙酮提取叶绿素并测定其含量。结果如下：飞机草鲜样中含水分74.06%，灰分1.87%，干样中含总糖0.84%、还原糖0.76%，粗纤维含量为4.823%，叶绿素含量为0.2208 mg/g。

关键词 飞机草；营养成分；含量测定

中图分类号：S451 文献标志码：A 文章编号：1673-890X(2014)06-098-03

飞机草（Eupatorium odoratum）又名香泽兰，为菊科泽兰属多年生草本或亚灌木植物，是我国最常见的一种外来入侵物种。飞机草入侵性极强，可入侵草地、农田、林地等，并很快成为优势种群，抑制其他植物的生长，对畜牧业、农业、林业和生物多样性造成了严重的危害，但其具有散瘀、消肿、解毒和止血的功效，主要用于跌打肿痛、疮疡肿毒、皮炎和外伤出血等［1］。在农药应用方面也有不少的研究，是我国民间常用草药之一。本试验以海南省五指山市分布的飞机草为原料，旨在分析其营养成分，变害为宝，为进一步开发提供基础

数据。

1 材料与方法

1.1 材料

新鲜飞机草（采自于海南省五指山市区，经琼州学院生物科学与技术学院黎明老师鉴定。）

1.2 方法

1.2.1 水分含量测定——常压烘箱干燥法［2］11

1.2.2 灰分含量测定——灼烧恒重法［2］39

1.2.3 总糖与还原糖含量测定——斐林试剂置换法［3］

1.2.4 粗纤维含量测定——酸碱蒸煮法［4］

1.2.5 叶绿素含量的测定——分光光度法［5］

2 结果

本研究以海南省五指山市内分布的飞机草为实验材料，对其营养成分——水分、灰分、总糖和还原糖、叶绿素进行提取及含量测定，测得结果见表1。

3 分析讨论

外来入侵植物一直被视为有害植物，飞机草是比较常见的一种。研究主要集中于它的入侵危害和综合防治等方面，而对于其体内有用物质的研究比较少。由此，针对飞机草的水分、灰分、还原糖和总糖、粗纤维、叶绿素进行了提取与测定。鉴于对有害入侵植物综合治理的可持续发展重要战略之一是变废为宝，对飞机草的营养成分提取利用是值得关注的。

3.1 水分与灰分

实验结果表明，飞机草中含水分74.06%，灰分1.87%。说明飞机草含无机盐丰富，在药用方面可以补充矿质元素。

测定水分时应先把新鲜的植株清洗干净后晾干再进行称量，烘干时注意控制恒温箱的温度，防止温度过高或过低；注意观察植物颜色的变化，防止植物变焦。测定灰分时，样品在灼烧前要先进行烘干和炭化，否则灰化不完全。灰化温度不得高于550 ℃，不然磷酸盐融化，同时增加KCl和NaCl的挥发，致使结果产生误差［6］。

3.2 总糖与还原糖

本实验采用斐林试剂置换法测得总糖与还原糖的含量分别为0.84%和0.76%。从实验结果可知，飞机草含糖量较低，这也与飞机草全草入药时味略苦和微酸的实际情况相符。经过2次试验失败后，总结出此方法成功的关键在于火候的控制。火力太小会导致沸腾不连续，实验现象不明显，甚至不出现实验现象，从而导致实验失败。当火力足够大时，整个滴定过程要在1～2 min内完成，待样液变黄时，停止滴定，减少实验误差。糖类是维持植物体内代谢和生长的重要物质，还原糖具有抗衰老抗病毒、抗肿瘤作用，降血脂、抗血栓作用等等药用价值。

3.3 粗纤维

本实验使用的是酸碱蒸煮法，据表1可知，飞机草中粗纤维的含量为4.82%，是一种粗纤维含量较丰富的植物（此次实验过程中需用到煮沸的硫酸和氢氧化钠，都是强酸强碱，实验中有使用乙醇乙醚处理，而乙醚具微毒，因此操作应在通风的地方操作，要注意安全）。纤维素本身没有营养，但有不可缺少的维护人体健康的作用，被称为人体必需的第7营养素，具有促进胃肠蠕动、缩短排泄物在肠内通过时间、增强消化功能、结合或放出发酵产生的挥发性脂肪酸、阻止胆固醇的吸收、维护血糖平衡，从而达到预防和治疗肿瘤、脑血管硬化、缺铁性心脏病、糖尿病等疾病的

目的［7］。

3.4 叶绿素

本实验使用80%的丙酮提取叶绿素，测得叶绿素的含量为0.2374 mg/g，实验所用的材料应为刚采下的新鲜的飞机草叶片，在提取的时候应该多次用丙酮过滤研钵里剩余的残渣尽量减小误差。在本次实验过程中，分光光度计的对照物容易弄错，导致实验失败。找到缺陷后，经过仔细分析再进行下一次实验就可提高成功率。叶绿素分子结构与人体内的血红素分子相似，不同的是血红素分子结构中包围着铁原子，而叶绿素分子构造中包围着镁原子。随着人们对飞机草的不断研究，它将会成为药用等方面的重要资源之一。

4 结语

综上所述，飞机草是一种外来入侵植物，在某些方面是有害的。目前，虽然国内外对飞机草的生物学特性和防治措施做了不少的研究探索，但总体而言比较薄弱，与飞机草的发生危害程度相去甚远。但其营养成分很丰富，具有良好的药用价值。通过研究其营养成分进一步认识飞机草，变害为宝，减少飞机草的危害，减轻对农业、畜牧业造成的经济损失，加快农业发展的步伐，防止生态失衡并充分利用飞机草资源。而且，飞机草分布广泛、繁殖快，所以，飞机草的开发利用前景是十分可观的。到目前为止，对飞机草研究比较多的还是它的分布，生物特性和危害方面比较多，而营养成分方面的研究还是很少。由此，通过对飞机草营养成分的分析为进一步研究飞机草提供一定的理论依据。

参考文献

［1］ 国家中医药管理局《中华本草》编委会.中华本草［M］.上海：上海科学技术出版社，1998.

［2］ 黄伟坤.食品化学分析［M］.上海：上海科学技术出版社，1979.

［3］ 魏炳栋，陈群，于秀芳，等.乳酸菌发酵豆粕、菜籽粕和棉籽粕过程中总糖和还原糖含量变化的研究［J］.林畜牧兽医，2010，31（2）：48.

［4］ 国家技术监督局.GB/T10469-1989水果、蔬菜粗纤维的测定方法［S］北京：中国标准出版社，1989.

［5］ 范树国，王朝英，李国树，等.5种入侵植物叶绿素的提取与含量测定［J］.江苏农业科学，2009（2）：124-126.

［6］ 作物分析法委员会.栽培植物营养诊断分析测定法［M］.北京：中国农业出版社，1984.

［7］ 王乃祥.高纤维功能食品成新潮［J］.中国食品，1998，5（3）：45-46.

成分分析模型论文 第7篇

纺织行业在我国经济发展中起着重要的作用，它促进了我国的就业，扩大了外贸出口，它的健康平稳的发展，对国计民生和社会稳定至关重要。然而受国际市场需求的下降、产业转型升级步伐加快、成本增加等因素的影响，纺织企业的生存发展遇到了最严峻的挑战。为了保障企业长期稳定的发展，我国纺织企业迫切需要建立一套有效合理的财务预警系统，及时预测纺织企业的财务状况，及早发出预警风险信号，提高纺织企业抗风险能力。本文结合财务预警相关理论，选取部分上市纺织公司进行实证研究，构建了一套适合我国纺织行业的主成分-Logistic财务风险预警的模型，以保障纺织企业长期安全稳定运营和发展。

二、研究设计

1. 样本的选取

本文将上市公司中的“*ST类”公司定义为“存在财务风险”企业。根据同花顺软件的数据，截止2015年4月，在我国A股市场上共计39家纺织制造业上市公司。其中被界定为*ST纺织制造公司的有3家，*ST中毅（600610),*ST新民（002127),*ST派神（000779），然后再随机抽取12家纺织上市公司作为研究样本（如表1），研究这些公司2011年-2013年的财务数据。

2. 财务指标的选择

在财务预警指标的选择上，本文首先参考了国泰安“中国上市公司财务指标分析数据库”中对财务指标设置的分类，然后结合纺织企业实际情况和财务数据的可获得性，最后选取了反映企业偿债能力、盈利能力、成长能力、营运能力、现金流量能力五个方面的10个财务指标来构建纺织行业财务指标预警模型，如表2所示。

3. 模型的选取

本文采用的预警模型为主成分—Logistic回归模型。首先，采用主成分分析法，将多个解释变量（财务指标）化为少数几个相互无关的综合指标，实现降维，然后再把综合指标引入Logistic模型进行回归分析。该模型不要求研究的数据符合正态分布，只判别上市公司是否出现财务危机情况。定义如下：

假设用p表示事件发生的概率，即P=P(Y=1)，事件未发生的概率为(1-p)。引入p的Logistic变换，即：

以logit(0.5)=0为中心对称，当p≥0.5时，就可以认为上市公司发生了财务危机，而当p<0.5时，则认为上市公司没有发生财务危机。主成分—Logistic回归模型以k个主成分作为Logistic分析的解释变量，克服了单纯采用Logistic分析的共线性和原始变量数据丢失信息等问题，具有比较高的判断正确率。

三、模型的构建和检验

1. 预警模型的构建

本文采用主成分分析法提取影响纺织行业财务运作的关键因子。首先，采用SPSS20.0把原始数据标准化，然后对标准化后的数据进行KMO统计量与Bartlett球形检验，以检验其是否适合进行主成分分析，如表3所示。

KMO统计量的值介于0和1之间。一般情况下，KMO大于0.5表明适合进行主成分分析。从表3可以看出，KMO值为0.737，大于0.5,Barlett检验的近似卡方统计值的显著性概率为0.000<0.05，所以，我们认为样本数据较适合做主成分分析。

其次，采用SPSS20.0对标准化后的数据进行主成分分析。结果如表4所示。从表4中，我们可以看到前4个主成分的累计贡献率达到87.933%，也就是说，这4个主成分包含了87.933%的原指标信息，因此，我们选择这4个主成分来代替原来的10个解释变量。

提取方法：主成分分析法

由因子载荷矩阵可知：X1、X2在第一主成分上有较高载荷，主要反映了偿债能力；X10在第二主成分上有较高载荷，主要反映了现金流量能力；X3、X4、X5、X9在第三主成分上载荷较高，主要反映了盈利能力；X6、X7、X8在第四主成分上有较高的载荷，主要反映了企业的成长能力和营运能力。我们用提取的四个主成分代替原来的10个变量，并将原始变量X1,X2，…，X10的值代入，即可计算出各样本的4个主成分值F1、F2、F3、F4，然后再对F1、F2、F3、F4四个主成分进行Logistic回归分析，得到纺织企业财务危机预警模型为：

从回归系数的绝对值可以看出，F1、F2两个主成分对P值的影响大于F3、F4，这就意味着，在纺织企业财务预警方面，偿债能力指标和现金流量能力指标比成长能力指标、营运能力指标更有效。

2. 模型的检验

将研究样本的数据代入所建立的财务危机预警模型，结果如表5所示。从表5可以看出，该模型的预测准确度为91.11%，我们可以得出如下结论：该模型对纺织行业具有较好的整体预警作用。

四、研究结论

1. 主成分-Logistic模型具有较强的准确性和实用性。

该模型通过对综合指标的回归分析，避免了原始数据信息的丢失，使得模型预警结果的准确性和合理性提高。本文研究的数据来自纺织服装业上市公司，因此，本模型的结果对纺织服装行业的预测性较高，其他行业的适用性有待验证。

2. 主成分-Logistic模型仍需要进一步修正。

在建立纺织企业财务风险预警模型时，本文并未考虑定性方面的影响因素，仅仅采用定量分析法对财务指标进行了研究。在以后的研究中，应当综合考虑定性指标对模型进行修正，使得模型更加符合实际，更加有效。

摘要：纺织行业健康平稳的发展,关系着国计民生和社会稳定的大局。目前我国纺织企业急需一套有效合理的财务预警系统来保障企业长期稳定的发展。本文以我国纺织上市公司为研究样本,构建了纺织企业财务风险预警的主成分-Logistic模型,为纺织企业发展提供帮助。

关键词：纺织企业,财务预警,Logistic模型

参考文献

[1]曹秀俊.后经济危机下中国纺织行业上市公司财务预警的实证研究[J].商业会计,2014(3):45-47.

[2]刘青,王瑞雪.纺织业上市公司财务危机预警模型的构建[J].辽宁师范大学学报,2013(9):329-333.

[3]赵息,肖铮.Logistic模型在上市公司财务预警中的应用研究[J].西安电子科技大学学报,2007(3):21-24.

[4]李建中,武铁梅.基于因子—Logistic模型的房地产业上市公司财务预警分析[J].哈尔滨商业大学学报,2010(5):89-93.

成分分析模型论文 第8篇

基于以上文献, 本文分别采用VAR脉冲响应和主成分分析两种方法, 来构建包含汇率、利率、股价、房价在内的金融形势指数。在构建我国金融形势指数的基础上, 分析FCI作为我国央行同时关注价格稳定和金融稳定参考指标的可能性。

1 金融形势指数的构造及估计

1.1 方法的选取及介绍

对于FCI的构造, 本文主要借鉴Goodhard和Hofmann (2011) [5]的方法, 构建包括房地产价格缺口、股票价格缺口、汇率缺口、利率缺口、货币供应量缺口的金融形势指数。具体形式如下:

其中, 和分别表示真实房地产价格缺口、真实股票价格缺口、真实汇率缺口、真实利率缺口和真实货币供应量缺口。是资产在FCI中的权重。

权重系数的测算是FCI模型构建的重点, 本文采用VAR脉冲响应和主成分法两种方法来对其进行估计。采用VAR脉冲响应方法时的公式如下:

是变量的缺口值的单位cholesky新息冲击在随后10个月内对CPI通货膨胀率产生的平均脉冲响应值。

再进行VAR的脉冲响应分析时, 各变量缺口值的顺序会对模型的结果有一定的影响, 从而可能由于变量顺序的不确定得到不同的权重系数, 近而影响模型的解释能力。因此, 本文又采用了对变量顺序不敏感的主成分分析方法得到各变量的权重系数。

1.2 数据的选取及处理

本文选取高频月度数据进行分析, 起于2005年主要是因为在汇率改革之前, 我国的汇率制度是钉住美元汇率制, 汇率变化不大, 把它作为构建指数的一个信息不太合适, 故本文选取汇改之后的数据。根据公式, 测算FCI要先找到各个解释变量的缺口值。除实际利率外, 其他各变量的缺口值为100* (实际值—均衡值) /均衡值, 利率缺口采用实际利率的月环比增量作为代理变量。所有变量都用HP滤波获得时变趋势, 在选择HP的平滑系数时, 年度数据、季度数据、月度数据分别设为100、1600和14400, 本文采用的是月度数据, 因此采用HP滤波法平滑系数设为14400。

1.3 脉冲响应函数计算FCI

1.3.1 平稳性检验

VAR模型要求系统必须是平稳的, 系统中变量的平稳性可以保证系统的平稳特征。通过扩展的迪基-富勒 (Augment DickeyFuller) ADF单位根检验法检验各变量缺口值的平稳性, 结果如下表1:

注:c表示截距项, t表示趋势项, n表示滞后阶数;*是表示在1%的显著水平上是显著的, **表示在5%的显著水平上是显著的。

从表1可以看出, 居民消费价格指数CPI和货币供应量缺口m2gap的ADF值都小于1%的临界值, 则说明CPI和rm2gap都是一阶单整的。GDP缺口, 实际利率缺口和实际汇率缺口是在1%的显著水平上是平稳的, 实际房屋价格指数缺口和实际股票价格指数在5%的水平上是平稳的, 由此表明各解释变量的时间序列都是平稳的, 可以构建VAR模型。

1.3.2 VAR模型变量次序的确定和滞后阶数的选择

在VAR模型中变量的次序是事先确定的, 由于产出缺口能影响同期的CPI, 同时这两个变量对其他变量的冲击并不会立即作出反应, 则把gdpgap和CPI放在前两位。货币供应量一般滞后于产出缺口和价格水平, 将rm2gap放在第三位。房地产价格较其他变量更具有粘性, 把rspgap放在第四位。而由于股票市场受经济各个方面的影响, 股票价格会对其他变量的冲击做出同期反应, 因此将rspgap放在最后一位。通过建立滞后阶数为2的VAR模型, 进行AR根图检验, 所有的特征根都位于单位圆内, 这表明VAR (2) 是稳定的, 能进行脉冲响应分析。

1.3.3 脉冲响应函数分析及权重的估计

选择30个月的滞后, 考察CPI和GDP缺口的脉冲响应, 结果如下图1。

脉冲响应表明: (1) 实际货币供应量缺口对产出缺口和通货膨胀缺口具有显著的正向影响, 通货膨胀CPI在第19期达到最大, 并在25期后趋于平稳, 30个月内的平均脉冲响应为0.353%。 (2) 实际有效汇率缺口的正向冲击导致产出缺口的负向变化在第5期有负变正, 第6期达到正向最大, 此后又变为负, 并趋于稳定, 通货膨胀率有负变正, 30个月内的平均脉冲响应为0.035%。

1.4 主成分分析计算FCI

1.4.1 提取主成分

首先对各个变量之间的相关性进行检验, 各变量的相关程度较高, 信息重叠程度较高, 可以进行主成分分析。主成分分析结果如下表2。

一般提取的主成分个数小于解释变量的个数, 根据表2主成分分析结果可以看出前三个主成分累计贡献率达到85.23%, 大于一般要求的累计贡献率达到85%的要求, 因此, 选择m=3, 提取3个主成分, 能较好地反映5个指标的一般变动情况。其中第一个主成分方差提取率43.22%, 对原有变量的综合解释能力最强, 第二个主成分方差占全部方差的24.07%, 第三主成分占比17.93%。

1.4.2 权重计算

采用通常的做法, 把各主成分的方差贡献率占累计方差贡献率的比重作为其权重, 即PC1、PC2、PC3的权重系数分别为0.507、0.282、0.211, 由此计算出金融形势指数:

2 FCI指数与CPI走势

2.1 相关性分析

两种方法构建的月度FCI指数与月度通货膨胀率之间的运行趋势大致相同, 并且FCI领先于通货膨胀5~10个月, 这说明FCI与通货膨胀有较强的相关关系, 并且FCI对通货膨胀有一定的预测作用。进一步对FCI和通货膨胀做跨期相关性检验, 结果发现二者具有显著的跨期动态相关性, 最大相关系数达到0.6420, 但随着FCI滞后期数的增加, 二者的相关性减弱, 再滞后20期时接近0, 即更远期的FCI对当前或未来通货膨胀的预测作用减弱。

2.2 格兰杰检验

对FCI和通货膨胀进一步进行格兰杰因果关系检验。结果发现FCI不是通货膨胀率的原因的概率非常小, 而通货膨胀率不是FCI的原因的概率则很大, 由此可以推断FCI是引起通货膨胀的原因。

3 结论

本文运用我国经验数据, 通过两种方法构建我国金融形势指数进行研究, 发现我国的FCI指数与通货膨胀CPI之间有良好的相关性。从格兰杰因果检验的结果来看, 我国的FCI与CPI之间存在的是单项因果关系, FCI是CPI的格兰杰原因。从实证结果来看, FCI与CPI具有较好的相关性和先导性, 可以将其作为通货膨胀的先行指标, 并且FCI能提前预示宏观经济运行的趋势, 包含未来通货膨胀和经济走势的丰富信息, 监测对产出和通胀有预示作用的FCI, 有助于央行及时采取措施, 控制物价波动, 保持经济平稳较快增长。

摘要：本文分别运用了VAR脉冲响应模型和主成分分析两种方法, 构建了包含实际利率缺口、实际房价缺口、实际汇率缺口、实际股价缺口、实际货币供应量缺口的金融形势指数。FCI与通货膨胀指标CPI之间存在很高的相关性, 从格兰杰因果关系上看, FCI是引起通货膨胀的原因, FCI可以在提前5到10个月对CPI的走势具有预测作用。因而, FCI可以作为央行关注价格稳定、制定货币政策的重要参考指标。

关键词：VAR脉冲响应模型,主成分分析,金融形势指数,通货膨胀

参考文献

[1]A.Montagnoli, O.Napolitano.Financial Condition Index and interest Rate Settings:A Comparative Analysis[J].American Economic Review, 2005 (70) .

[2]戴国强, 张建华.中国金融状况指数对货币政策传导作用研究[J].财经研究, 2009 (7) .

[3]封思贤, 蒋伏心.金融状况指数预测通货膨胀趋势的机理与实证——基于中国1999-2011年月度数据的分析[J].中国工业经济, 2012 (4) .

[4]卞志村, 孙智慧, 曹媛媛.金融形势指数与货币政策反应函数在中国的实证检验[J].金融经济, 2012 (8) .

成分分析模型论文 第9篇

企业财务困境预测已经成为金融风险评估中的一个重要问题。从20世纪30年代开始, 国外许多学者便开始尝试对这一领域进行研究。Fitzpartrick (1932) 选取了19对破产企业和非破产企业, 利用单变量分析法进行判别, 发现净利润/股东权益和股东权益/负债这两个指标能很好的对两类企业进行区分。随后, Beaver (1966) 选取1954-1964年79对财务失败企业和非失败企业, 进行相同研究, 发现现金流量/负债总额能较好的判定公司的财务状况, 其次是资产负债率。于此同时, 他还得出离财务失败年份越近预测效果越好的结论。1966年, Altman创建了“Z积分法”, 以1946-1965年间提出破产申请的33家破产企业和33家配对企业为研究对象, 利用5个财务指标构建了一个多元线性方程, 得出破产前一年该模型判断准确率明显高于单变量分析法的结论。1980年, Ohlson首次将logistic模型应用于财务危机预测领域, 他选用非配对样本进行研究, 认为Logistic回归方法比判别分析法更为合理, 并且发现公司规模是一个重要的模型预测变量。从20世纪90年代开始, 一些非传统统计方法的人工智能技术如神经网络也被引入了财务危机预警领域的研究, 并取得了不错的预测效果。

相比国外在该领域70多年的研究, 国内对企业财务困境预测的研究主要是引用国外方法或者在其基础上进行改进, 方法路线和国外大致相同。吴世龙 (1986) 、周首华 (1996) 、陈静 (1999) 、杨淑娥 (2003) 等都以我国上市企业为研究对象, 采用不同的方法对财务困境预测问题展开了相关研究, 具有一定借鉴意义。

在借鉴已有研究经验基础上, 本文与以前研究有所不同;一是样本新、时间长、容量大、行业统一。本文选取2007-2010年间存在的财务困境的企业52家以及配对企业52家作为研究对象, 样本量达到104家。二是初始预测指标选取范围广, 数量多。为了避免因随机选取初始指标而带来的重要指标的遗漏, 本文特选取了7大类74项财务指标作为初始预警指标。三是利用主成分分析法筛选回归变量。本文利用主成分分析法计算主成分的特征向量并以此为权重计算回归变量。

二、问题的提出

基于以上思考, 本文选取2007-2010年间存在的财务困境的制造业企业作为研究对象, 收集相关财务指标。

(一) 企业财务困境的界定

参考国内外相关研究资料, 结合我国企业的实际情况, 同时为了避免因行业差异性而降低模型预测能力。本文特将财务困境企业界定为我国上市制造业企业中因“财务状况异常”而被“特别处理”的ST企业。

(二) 预警指标的选取

本文选取样本企业财务困境发生前的财务指标进行风险预警。选取变量时, 主要考虑所选指标能反映企业短期偿债能力、发展能力、风险水平、现金流量、盈利能力、营运能力和长期偿债能力的要求, 同时考虑以前财务风险研究中指标选取情况和数据的可获得性。特选取7大类74项财务指标作为预警指标, 如下所示:

期偿债能力:流动比率X1、速动比率X2、保守速动比率X3、现金比率X4、营运资金比率X5、营运资金对资产总额比率X6;发展能力:资本保值增值率X7、资本积累率X8、固定资产增长率X9、总资产增长率X10、净资产收益率增长率X11、营业收入增长率X12;风险水平:财务杠杆系数X13、经营杠杆系数X14、综合杠杆X15;现金流量:现金流量利息保障倍数X16、现金流量比率X17、债务保障率X18、营业收入现金比率X19、全部资产现金回收率X20、营运指数X21、资本支出与折旧摊销比X22、现金再投资比率X23、每股经营活动现金净流量X24、每股投资活动现金净流量X25、每股筹资活动现金净流量X26、每股现金净流量X27;盈利能力:营业利润率X28、销售净利率X29、息税前利润与营业收入比X30、息税前利润与资产总额比X31、资产报酬率X32、总资产净利润率X33、流动资产净利润率X34、固定资产净利润率X35、净资产收益率X36、投入资本回报率X37、长期资本收益率X38、营业税金率X39、营业成本率X40、成本费用利润率X41、销售期间费用率X42、销售费用率X43、管理费用率X44、财务费用率X45;营运能力:资本密集度X46、应收账款与收入比X47、应收账款周转率X48、存货与收入比X49、存货周转率X50、应付账款周转率X51、营运资金 (资本) 周转率X52、流动资产与收入比X53、流动资产周转率X54、固定资产与收入比X55、固定资产周转率X56、长期资产周转率X57、总资产周转率X58、股东权益周转率X59;长期偿债能力:资产负债率X60、长期资本负债率X61、营运资金与借款比X62、利息保障倍数X63、息税摊销前利润与债务比X64、权益对负债比率X65、所有者权益比率X66、长期资产适合率X67、股东权益对固定资产比率X68、流动资产比率X69、非流动资产比率X70、固定资产比率X71、有形资产比率X72、流动负债比率X73、长期负债比率X74。

(三) 样本的范围

根据以上对财务困境企业的界定, 本文首先在我国制造业上市公司中选取了2007-2010年四年中首次因财务异常状况被ST的企业共72家, 并搜集其陷入财务困境之前的相关财务指标。需要指出的是, 大多数“财务异常状况”企业是都是因为“连续两年亏损”而被“特别处理”, 故以一年前和两年前数据预测财务困境没有任何实际意义。所以本文只选用“被ST”发生前三年相关财务指标, 来预测其三年后 (t+3年) 的财务状况。接着, 对入选企业进行筛选, 剔除20家因上市时间短、财务数据不全的的企业。然后, 对照这52家财务困境企业, 依据同时期、同行业、同规模的原则选取52家财务正常企业, 并搜集其三年前财务指标。如此便得到了一个容量为104的样本集。最后选取其中80%的样本作为训练数据建立模型, 而将剩下20%的样本作为检验数据。

(四) 数据的预处理

由于所选财务指标量纲指标不完全一致, 所以需要对其进行标准化处理, 本文采用的标准化公式为:xn= (xi-x) /σ2。

三、模型的建立

(一) 差异性检验

我们首先要对样本进行正态性检验, 以便进一步选择合适的差异性检验方法。经过单样本K-S检验发现在假设总体为正态分布和置信水平为95%的条件下, 共有9个指标接受原假设, P值大于临界值0.05, 它们分别是X17、X18、X20、X24、X40、X60、X66、X70、X71。与此同时, 另有65个指标不服从正态分布。对于服从正态分布的9个财务指标采用T检验, 剩下65个指标采用非参数检验法, 以便进一步筛选建模变量。

假设ST企业和非ST企业的财务指标间无差异。对服从正态分布的9个指标在进行T检验, 我们发现X17、X18均值之差与0的差异在95%水平下是显著的, 而不服从正态分布的65个指标在进行非参数检验时, 我们发现X11、X14、X15、X19、X21、X26、X28、X29、X30、X31、X32、X33、X34、X35、X36、X37、X38、X41、X63、X64这20个指标均值之差与0的差异在95%的水平下是显著的, 保留这22个显著性差异指标。同时为了使预警指标体系更完整, 结合前人经验, 将反映短期偿债能力的X1和X2, 反映发展能力的X8以及反映运营能力的X48、X50、X54和X58这7个不显著的指标同时纳入了最终的财务预警指标体系。

(二) 主成分分析

最终保留的财务预警指标还有29个, 但各指标包含的信息可能存在多重共线性的影响。因此在构建logistic模型的时候需要进行主成分分析。首先我们对样本进行KMO统计量和Bartlett’s球形检验判断样本是否适合运用主成分分析, 经检验KMO统计量 (0.7064) 大于0.5且巴特利特球度检验P值小于0.05, 说明样本适合用主成分法。

接着我们对样本进行主成分分析, 得到各主成分的方差贡献率如表1所示:

然后根据主成分累计贡献率大于80%和特征根大于1的原则提取8个主成分代替原来29个指标。

经过主成分产生的因子载荷矩阵, 我们发现主成分F1主要包括X28、X29、X30、X31、X32、X33、X34、X35、X36、X37、X38、X41这12个指标, 他们主要反映盈利能力, 因此可以将F1定义为盈利因子。同理我们将主要包含X17和X18的主成分F2定义为现金流量因子, 将主要包含X1和X2的主成分F3定义为短期偿债能力因子, 将主要包含X54和X58的主成分F4定义为营运能力因子, 将主要包含X14的主成分F5定义为风险水平因子。

同时由于主成分F6、F7和F8包含的因子载荷大于0.5的变量数目只有一个, 故解释力不强, 将其剔除, 只保留主成分F1、F2、F3、F4和F5。但主成分分析模型需要的不是因子载荷矩阵而是特征向量, 所以还需要计算特征向量。

ui为第i个主成分的特征向量;ai为因子载荷矩阵中的第i列向量;λi是第个特征根。经过计算得到各主成分的特征向量。

(三) Logistic回归模型

下面以保留下来的5个主成分的特征向量为权重计算回归变量 (见表2) , 并代入二元Logistic回归模型中, 采用后退法 (Backward:LR) 逐步筛选指标。此处由于是配对分析, 故分类临界值设置为0.5。

运行logistic回归, 经过4步剔除对模型贡献较小的变量以及wald检验, 最终剩下F3和F5这2个变量作为最终入选的建模变量。而从表3可以看出进行到第四步的时候, 模型对训练样本的分类准确率达到最高, 为69.05%。为了明确最终模型, 可以对模型进行HosmerLemeshow检验。

可以发现, 经过卡方检验, 本模型的P值为0.037小于0.05, 可以说本模型的模拟效果不错。因此可以以Logit (P) 为因变量建立线性回归模型。

P为给定自变量x1, x2, xi的值时事件发生的概率。将SPSS计算结果带入上式, 得到本文的回归模型。

进一步变换可得到最终的回归模型:

(四) 模型的检验

模型之前已经用训练样本进行了内部检验, 下面就引入事先预留的检验样本对它进行外部检验。将10家ST企业和10家非ST企业相关财务指标进行标准化处理, 计算筛选出的主成分F3和F5特征向量, 代入预测模型中, 计算出这20家企业的回归值P, 按照大于0.5取1, 小于0.5取0的原则对计算结果进行分类。如表5所示:

四、研究结论

本文针对我国上市企业的特点, 将由于“财务异常状况”而被“特别处理”的企业定义为财务困境企业, 选取2007-2010年间首次因“财务异常状况”而被“特别处理的”的制造业企业52家以及配对企业52家作为研究对象, 收集“被ST”发生前三年相关财务指标, 以80%样本作为训练样本, 利用主成分分析法提取回归变量, 建立二元Logistic回归模型, 得到训练样本69%的预测准确率以及测试样本65%的预测准确率。表明, 本文所建立的预测模型能较好的对企业财务状况进行判别。这也提醒财务状况良好的企业在以后的经营过程中应着重关注F3和F5 (即短期偿债能力和风险水平) 这两方面财务指标的变化情况, 以求尽量避免陷入财务困境。

与此同时, 本文对构建模型的变量仅仅限于财务指标, 而未考虑非财务指标。实际上公司在发生财务风险的前几年, 其非财务指标 (如企业信心指数等) 也会发生相应的变化。因此, 在以后的研究中可以考虑将这些非财务指标同时纳入预警指标体系中, 以求建立更全面、预测精度更高的预警模型。

摘要：文章针对我国上市企业的特点, 将由于“财务异常状况”而被“特别处理”的企业定义为财务困境企业, 选取2007-2010年间存在的财务困境的制造业企业52家以及配对企业52家作为研究对象, 收集t-3年相关财务指标, 以80%样本作为训练样本, 利用主成分分析法和二元Logistic回归建立模型, 剩下20%样本对模型预测效果进行检验得到65%的预测准确率。表明文章所建立的预测模型能对企业财务状况进行较好判别。

关键词：财务困境,主成分分析,二元Logistic回归

参考文献

[1]、P.J.Fitzpartrick.A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Finns[J].Certified Public Accountant, 1932 (10-12) .

[2]、W.H.Beaver.Financial Ratios as Predictors of Failure, in Empirical Research in Accounting:Selected Studies[J].Supplement to Journal of Accounting Research, 1966 (7) .

[3]、E.I.Altman.Financial Ratio Discriminate Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance, 1968 (4) .

[4]、J.A.Ohlson.Financial Ratios and Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research, 1980 (18) .

[5]、吴世农, 黄世忠.企业破产的分析定性指标和预测模型[J].中国经济问题, 1986 (6) .

[6]、周首华, 杨济华, 王平.论财务危机的预警分析——F分数模式[J].会计研究, 1996 (8) .

[7]、陈静.上市公司财务恶化预测的实证分析[J].会计研究, 1999 (4) .

成分分析模型论文 第10篇

关键词：短期负荷预测,影响因素,主成分分析,最小二乘支持向量机

0 引言

长期以来,国内外学者对电力系统负荷预测的理论和方法作了大量研究,提出了多种负荷预测方法[1,2,3,4,5,6,7],如神经网络法[1]、粗糙集[2]、模糊聚类方法[3]、灰色方法[4]等。其中,支持向量机法采用结构风险最小化原理,同时最小化训练样本的经验风险和置信范围,能自动解决网络结构问题,有效克服了神经网络基于风险最小化原理的一些弊端,目前被认为是神经网络的替代方法[6]。最小二乘支持向量机[8]是标准支持向量机的一种扩展,其优化指标采用平方项,并用等式约束代替标准支持向量机的不等式约束,将二次规划问题转化为线性方程组求解,降低了计算的复杂性,提高了求解速度。

影响负荷变化的因素非常多,但输入变量过多,网络结构复杂,加重训练负担,影响学习速度;主观筛选则很有可能丢失某些重要影响因素,降低预测性能。因而预测模型输入变量的合理选择是影响预测效果的关键问题。文献[1,2]采用粗糙集理论对影响因子进行属性约简、去除冗余信息,用得到的属性作为输入量进行训练。文献[3]应用聚类分析的基本原理,根据输入样本的相似度选取训练样本。文献[4]采用灰色关联分析法对影响因素与负荷进行关联度计算,选取关联度大的因素作为输入。这些方实质上都是挑选部分影响因素,很显然完全丢失了其余因素所携带的数据信息。多元统计分析中的主成分分析方法[9]是在降维思想下产生的一种处理高维数据的方法。该方法原理简单,应用方便。通过构造原有变量的一系列线性组合,形成互不相关的新变量,从中提取主成分,尽可能多地包含了所有原变量的信息,同时有效降低维数,使问题简化。因此,这里将主成分分析和最小二乘支持向量机结合起来,发挥各自的优点,既全面考虑了影响负荷预测的各种因素,又避免了由于输入变量间的相关性导致预测精度低以及数目过多而导致的计算复杂、训练时间长等不足。

1 主成分分析法原理

主成分分析是由Hotelling提出的一种多元统计分析方法。该方法通过构造原变量的一系列线性组合形成新变量,使这些新变量在彼此互不相关的前提下尽可能多地反映原变量的信息。数据信息主要反映在数据变量的方差上,方差越大,包含信息越多,通常用累计方差贡献率来衡量。主成分分析是:对多个样本的输入变量形成的数据矩阵求取相关矩阵,根据相关矩阵的特征值,获得累计方差贡献率;根据相关矩阵的特征向量,确定主成分。具体的计算分为4个步骤。

a.原始数据标准化。为消除由于原变量的量纲不同、数值差异过大带来的影响,对原变量作标准化处理,即

式中N为样本个数;m为变量个数。

b.建立相关矩阵R,并计算其特征值和特征向量。

式中X*为标准化后的数据矩阵。

求得R的特征值为λ1≥λ2≥≥λm和其对应的单位化特征向量u1、u2、、um。

c.确定主成分个数。

计算方差贡献率:

累计方差贡献率:

选取主成分的个数取决于累计方差贡献率,通常累计方差贡献率大于85～90,对应的前p个主成分便包含m个原始变量所能提供的绝大部分信息,则主成分个数就是P个。

d.p个主成分对应的特征向量为Ump则N个样本的p个主成分构成的矩阵为

2 最小二乘支持向量机原理

支持向量机是Vapnik等人根据统计学理论提出的一种新的机器学习方法。支持向量机的基本思想是:首先通过非线性变换ψ将输入变量映射到高维特征空间,在这个空间中根据结构风险最小化原则构造最优线性回归函数,具体的函数形式可表示为

这样,在高维特征空间的线性回归便对应于低维空间的非线性回归,并巧妙地利用原空间的核函数取代高维特征空间中w和φ的点积运算。其中,w为权值向量,b为偏差量。根据结构风险最小化原则,确定参数w、b,即

其中,‖w‖2/2表示决策函数的复杂程度;γ是正则化的惩罚参数,它能在训练误差和模型复杂度之间取一个折衷,以便使所求得函数具有较好的泛化能力;Remp为经验风险的训练误差,经验风险由损失函数来度量。损失函数有多种形式,考虑到ε-不敏感损失函数具有较好的稀疏特性,可保证结果的泛化性,通常采用ε-不敏感损失函数来表示,即

ε-不敏感损失函数表示如果预测值和实际值之间的差别小于ε,则损失等于0。表示为

其中,yi为实际值,f(xi)为预测值。

选取不同的损失函数可以构造不同形式的支持向量机。最小二乘支持向量机在优化目标中选择的损失函数为训练误差的2范数,并且用等式约束代替标准支持向量机的不等式约束,因此优化问题为

根据强对偶定理,引人拉格朗日乘子ai,建立拉格朗日函数

根据最优化理论中的KKT(Karush-Kuhn-Tucker)条件,得到:

消除变量w、ξi,可得到矩阵方程:

=[1,,1];I为单位矩阵;Ω为n维方阵,元素Ωij=φ(xi)Tφ(xj);a=[α1,,αn]T;y=[y1,,yn]T。

由式(13)求得参数α、b,则预测模型为

根据Mercer条件,存在映射函数和核函数,满足K(xi,xj)=φ(xi)Tφ(xj),从而巧妙地解决了高维特征空间中的点积运算。则最小二乘支持向量机的预测模型为

3 基于PCA的LS-SVM短期负荷预测方法

最小二乘支持向量机建立在统计学理论的VC维理论和结构风险最小化原理基础上,能很好地解决小样本、非线性和高维数的回归预测问题。但对于复杂问题和高维输入变量,会带来网络规模剧增,增加运算时间,降低网络的收敛性能和泛化能力;另外,由于影响因素之间可能存在的相关性,导致输入信息重叠,使模型预测的准确率降低。因此,应对众多的影响因素进行必要的处理。这里提出利用主成分分析对样本数据变量进行主成分提取,消除数据的相关性,降低样本空间的维数,将提取的主成分作为最小二乘支持向量机的输入进行训练和预测。

3.1 数据预处理

电力系统负荷预测建模所需的历史数据,除了受测量设备本身或数据传输中的种种因素影响外,还有人为的影响,因此历史负荷数据中往往包含一些非真实数据。这些数据势必会影响预测精度,应对其进行预处理[7]。

3.2 主成分分析

短期电力负荷具有以日、周为周期的周期性;下一时段的负荷发展趋势对上一时段的负荷具有某种继承性;预测日的星期类型不同,日负荷变化曲线有所区别。同时,负荷还受天气、政治活动、经济等因素的影响。根据这些特点,每个样本的输入变量v包括以下几类:

a.预测日前n天内同时刻的负荷数据A=[Ld-1,h,Ld-2,h,,Ld-n.h];

b.预测日该时刻之前t个时段的负荷数据B=[Ld,h-1,Ld,h-2,,Ld,h-t];

c,预测日前l周同天同时刻的负荷数据C=[Ld-17,h,Ld-27,h,,Ld-17,h];

d,预测日属性,D=[1,2,,7]代表星期一、二、、日;

e.气象因素,E=[最高温度,最低温度,日照,降水,风速等];

f,其他相关因素,F=[经济因素,政治活动等]。

因此N个样本构成的输入矩阵为

根据上述主成分分析原理步骤对样本进行分析,提取主成分,作为最小二乘支持向量机的输入。

输出量为预测日h时刻的实际负荷值。

3.3 最小二乘支持向量机的建模与预测

最小二乘支持向量机预测模型的建模工作主要就是参数的确定。本文选用径向基函数RBF作为最小二乘支持向量机的核函数。

这样,LS-SVM模型需要确定2个参数:核参数σ和惩罚参数γ。在实际操作时这些参数往往靠经验或测试给定。根据文献[10],本文采用k折交叉确认标准,在程序中加入参数自寻优模块,使得不同的训练样本可自行确定参数,建立相应的预测模型,避免了经验确定参数的主观性和进行大量试验测试的麻烦。模型建立的具体步骤如下:

a.计算输入样本集的球半径r;

b.初始化参数;

c.采用looms算法,按照k折交叉确认标准分别在区间(10-4/r2,104/r2)和(0.244,2000)上搜索最优的γ和核参数σ2,选取使训练样本的平均相对误差最小的σ和r作为最优的参数对;

d.输出参数,预测模型确定。

综上所述,基于PCA的最小二乘支持向量机负荷预测方法的实现步骤如下:

步骤1选取数据,进行预处理;

步骤2进行主成分分析,提取主成分作为最小二乘支持向量机的输入;

步骤3采用k折交叉确认标准,确定参数,建立最小二乘支持向量机的预测模型;

步骤4利用所建立好的模型进行预测。

4 算例分析

本文以北京某地区2004年负荷数据为例,对7月1日至8月31日的24点日负荷数据进行了仿真计算。首先整理数据,将其分为训练集和测试集。建立训练集是为了由训练样本得出目前尚不完全清楚的规律,并利用它进行预测;建立测试集是为了检验所建模型的预测推广能力,测试集数据不参与训练学习的建模过程。其中7月1日至8月24日的数据作为训练样本,8月25～31日数据作为测试样本。

本文取前4天内同时刻的负荷,前4小时的负荷,前1周同天同时刻的负荷,预测日属性,以及预测日平均气温、最高气温、最低气温、平均相对湿度、降水量、平均气压和平均风速7类气象因素,共17个输入变量v,则m=17。主成分分析方法处理过程简单,计算快速,Matlab6.5环境下运行,只要0.016 s。根据第1节主成分分析的步骤对样本输入矩阵进行主成分分析,分析结果如表1～2所示。

由表1可见,前5个主成分的累计方差贡献率为91.0012%,基本上反映了所有原变量的信息,从而可用5个互不相关的新变量来替代原有17个变量,且各新变量互不相关。

由表2中数据可看出,5个主成分对各变量的总贡献率均超过了90%,即5个主成分包含了各个原变量所包含的数据信息90%以上。因而可用5个新的综合变量来代替原来的17个变量,作为最小二乘支持向量机的输入。

本文在Matlab 6.5环境下编写了基于PCA的LS-SVM短期电力负荷预测程序。对同一样本集分别采用本文方法和常规LS-SVM方法进行了训练和测试。表3所示为统计预测结果比较(m为输入变量数目,εr,max为最大相对误差,εr,av为平均相对误差,tca为计算时间)。

由表3中2种方法结果对照可见,本文方法由于应用了主成分分析法,从整体上提高了模型的学习效率和预测精度。最小二乘支持向量机的网络输入变量显著减少,程序的运行时间明显缩短,预测精度更佳。与常规LS-SVM相比,平均相对误差降低了36.21%,计算速度提高了13.74%。

图1所示为8月31日1:00～24:00的预测误差曲线。由图可见采用本文方法进行预测时,预测精度明显高于常规LS-SVM方法的预测精度。

5 结论

本文提出了一种基于主成分分析和最小二乘支持向量机的短期负荷预测方法。利用主成分分析方法对电力负荷的影响因素进行分析,提取主成分以此作为最小二乘支持向量机的输入进行训练和预测。这些主成分最大程度地包含了所有原变量的信息,能有效避免直接删除某些变量而丢失的数据信息。通过对实际数据计算分析,证明了主成分分析方法处理高维输入变量的简单实用性,可有效地消除众多预测因子间的相关性,去除冗余信息,减少输入变量个数,提高预测效率和预测精度。实例分析表明该方法有效可行。

参考文献

[1]张庆宝，程浩忠，刘青山，等．基于粗糙集属性约简算法和支持向量机的短期负荷预测[J]．电网技术，2006，30(8)：56-59，70 ZHANG Qingbao,CHENG Hanzhong，LIU Qingshan,et al.Short -term load forecasting based on attribute reduction algorithm of rough sets and support vector machine[J].Power System Tech- nology,2006,30(8):56-59,70.

[2]张晓星，周湶，任海军，等．基于增量约简算法确定电力负荷预测模型输入参数[Jj．电力系统自动化，2005，29(13)：40-44．ZHANG Xianxing,ZHOU Quan,REN Haijun,et al.Input para- meters selection in short-term load forecasting model based on incremental reduction algorithm[J].Automation of Electric Power Systems,2005,29(13):40-44.

[3]刘小华，刘沛，张步涵，等．逐级均值聚类算法的RBFN模型在负荷预测中的应用[J]．中国电机工程学报，2004，24(2)：17-21．LIU Xianhua,LIU Pei,ZHANG Buhan,et al.Application of RBFN model for load forecasting based on ranking means clustering [J].Proceedings of the CSEE,2004,24(2):17-21.

[4]文艳，宋宗勋，张国柱，等．基于灰色天联-神经网络模型的城市电力负荷短期预测的研究和应用[J]．继电器，2005，33(19)：36-40．WEN Yan,SONG Zongxun,ZHANG Guozhu,et al.Research and application of gray-connection neural-network model in city short-tenn electric power load forecast[J].Relay,2005,33(19): 36-40.

[5]牛东晓，刘达，陈广娟，等．基于遗传优化的支持向量机小时负荷滚动预测[J]电工技术学报，2007，22(6)：148-153．NIU Dongxiao,LIU Da,CHEN Guangjuan,et al.Support vector machine models optimized by genetic algorithm for hourly load rolling forecasting[J].Transactions of China Electro Technical Society,2007,22(6):148-153.

[6]CHEN Bojuen,CHANG Mingwei,LIN Chihjen.Load forecasting using support vector machines:a study on EUNITE competition 2001[J].IEEE Transactions on Power Systems.2004,19(4): 1821-1830.

[7]YANG Yanxi,ZHENG Gang,LIU Ding.BP-GA mixed algorithms for short t-term load forecasting[C]//Prnceedings of 2001 Interna- tional Conference on Information Technology aud Information Net- work.Beijing,China:[s.n.],2001:334-339.

[8]SUYKENS J A K,VANDEWALI,E J.Last squares support vector machine classifiers[J].Neural Processing Letters,1999,9(3): 293-300.

[9]JOHNSON R A，WICHERN D W．实用多元统计分析[M]．陆璇，译．北京：清华大学出版社，2001．

预防结石复发先行成分分析 第11篇

以前医生只知道取石头，不重视预防结石复发，忽视了对其病因的研究及预防。现在不同了，取出结石后医生会提醒患者进行成分分析，它可以帮你找到结石的成因，以利于有效预防结石的复发。对于反复发生结石的患者，医生还会建议做24小时尿液成石危险因素分析。这是为什么呢？

泌尿系结石具有高发病率和高复发率的特点

泌尿系结石属高发疾病。调查发现，全国成年人尿石症的发病率为6.06%。如果将中国以长江为界分为南方和北方，南方地区的发病率高于北方地区，广东和重庆的发病率最高，分别为11.63%和11.29%，甘肃和山西的发病率最低，分别只有1.86%和0.14%；农村地区发病率高于城市地区，高发年龄为20-50岁，男性略多于女性。泌尿系结石的复发率非常高，5年复发率为30%-50%，10年更高达60%-80%。有研究表明，尿石症患者未接受有效的预防措施，终生复发率接近100%。相反，接受预防治疗者，复发率仅为15%。因此，预防结石复发至关重要。

预防结石复发，要查明结石成分

泌尿系统结石按其成分可分为草酸钙、磷酸钙、磷酸镁铵、尿酸盐及感染性结石等30余种，多以混合的形式出现，主要为草酸钙、尿酸盐及磷酸钙的混合结石。想要预防结石复发，须摸清它的“底细”，知己知彼方能百战不殆。如果能了解不同结石的具体成分，就可以推断结石形成的具体机制，制订有针对性的结石预防计划，包括饮食、运动、体重控制等方面；并为住院患者建立健康档案，跟踪治疗。如此可大大降低结石复发率。

举例来说，如果成分分析显示是尿酸结石，患者就要尽量减少嘌呤类的食物摄入，包括红肉（牛肉、猪肉）、啤酒、咖啡、动物内脏和海鲜等；如果是草酸钙结石，要尽量吃一些含草酸低的食物，含草酸高的菠菜就应该尽量少吃；如果以含钙结石为主，如磷酸钙、草酸钙，则应该少吃一些动物蛋白高的食物（如鱼、肉），高糖的食物也应少吃。另外，像一些感染性的结石，主要是控制感染。

草酸钙与尿酸结石多是在酸性的尿液环境下生成的。还有一些结石（如磷酸钙结石）则是在碱性的尿液环境中生成。如果人为地改变尿液的酸碱环境，对于预防结石的生成及治疗结石病具有重要意义。

反复发生结石的患者应查明结石成因

对反复发生结石的患者，医生会建议做24小时尿液成石危险因素分析，从改变尿液性质人手，不给结石留下有利的生长环境。

24小时尿液成石危险分析主要是检测尿钙、钾、镁、钠、磷、尿酸、草酸、枸橼酸等指标的含量有无异常。这些指标的异常会影响结石的形成。例如，尿钙、钠、磷、草酸含量的升高和尿枸橼酸的降低，都会促进草酸钙、磷酸钙结石的形成；尿酸的升高会促进尿酸结石的形成。通过检测，医生可以看出哪些指标是异常的，进行针对性治疗。临床上两种治疗难度较大和复发率较高的结石，一是肾结石，二是感染性结石，查明结石成因对预防该类结石更有重要意义。

肾结石多为草酸钙与磷酸钙混合性结石，这类患者出现低枸橼酸尿的比例高达80%以上。如果及时发现低枸橼酸尿、合并远端肾小管性酸中毒等代谢异常，及时采取相关预防措施，通过服用枸橼酸盐来增加体内枸橼酸含量，对预防肾结石复发效果显著。

结石红外光谱自动分析系统

由于结石标本大多来自冲击波碎石后患者排出的粉末，一般标本量较少.化学方法测定比较困难.结果也不准确。红外光谱是物质的“指纹”.其检测原理是根据不同质地的结石吸收红外线波长的不同.来确定人体结石的成分.所需标本仅为1毫克，具有准确、快捷、方便的特点。在国外.它已成为结石分析的金标准。

结石红外光谱自动分析系统不与患者身体直接接触.通过对自排结石和手术取出的结石进行核心、各个层面和外观的观察.再经过处理（将结石样品碾磨压片）放入样品仓.通过软件控制，采集样品数据，计算透过率，画出图谱，结合患者信息计算机自动检索结石数据库.得出准确的结石成分检测结果.并自动给出相应的规范化防治方案.可以为预防结石复发提供科学依据。

感染性肾结石也是泌尿外科临床常见结石类型，既往研究已经证实泌尿系感染在此类结石的形成中起到重要作用。近来通过24小时尿液成石危险因素分析、合并远端肾小管性酸中毒的检查，证实“成石相关性代谢”在此类结石形成中所起到的作用，主要表现为低枸橼酸尿、高草酸尿与远端肾小管性酸中毒。推测除了泌尿系感染因素外，成石相关性代谢异常在此类结石的形成和复发中也起到一定的作用。因此，预防感染性结石复发，除控制泌尿系感染外，还应将控制成石相关性代谢异常作为主要内容。

成分分析模型论文 第12篇

1. 1 科技创新与技术创新理论

约瑟夫·熊彼特[1]第一个系统研究技术创新,他认为所谓的技术创新就是 “建立一种新的生产函数”的过程,即一种 “新生产要素的重新组合”,技术创新在很大程度上受到政府、科技体制环境和科技政策等因素的影响。而克里斯托弗·弗里曼指出,无论是技术创新还是制度创新均源于人们思想观念的进步与创新,首先是一种新思想的产生,然后是新知识新技术的出现、传播与应用以及新产品的设计、生产; 而这种思想指导下的制度安排,会反过来影响创新的绩效。因此,科技创新不仅仅是技术方面的变革与应用,也不仅仅是科学研究、技术进步与应用创新的协同发展,由于科技创新内涵广泛,且涉及政府、企业、科研院所、高等院校、国际组织、中介机构、社会公众等多个主体,包括人才、资金、科技基础、知识产权、制度政策等多个要素,学术界也在不断地探索着这些要素间的秩序和内部联系、构建着科技创新体系。

1. 2 科技创新体系与国家创新体系理论

国家科技创新体系这个概念是由英国苏塞克斯大学科学政策研究所教授、经济学家克里斯托弗·弗里曼在1987 年首先提出来的。他认为国家科技创新体系是公私部门的机构组成的网络,它们的活动和相互作用促成、引进、修改和扩散了各种新技术。他给予4 个因素以特别的关注: 政府政策的作用、企业及其研究与发展努力的作用、教育和培训的作用、产业结构的作用。

经济合作与发展组织( OECD)[2]通过对其十几个成员国的国家创新体系比较之后,于1997 年发表的 《国家创新系统》报告中指出,科技创新系统的正常运转依赖于: 企业相互的科技创新合作及 “产学研”科技创新互动; 科技公共服务平台在各科技创新行为主体间发挥衔接作用; 政府通过各部门的协调对各创新参与者的科技创新活动发挥引导和协调作用。

中国科技促进中心柳御林教授经过研究,认为政府、企业、科研与高校、支撑服务等4 个要素以及它们彼此之间的相互作用构成了国家科技创新体系。

1. 3 科技创新体系评价与区域科技创新体系评价研究

随着科技创新受到人们的日益重视,作为国家创新系统的重要子系统———区域创新系统的研究也成为学术界的研究热点,其中的重点更是放在如何对区域科技创新系统的绩效进行测度评价上。经济合作与发展组织( OECD) 建立的科学技术评价指标体系、瑞士洛桑国际管理研究院( IMD) 的国家科学技术发展指标体系都属于测量一国( 或地区)科技创新体系绩效的指标体系。举例而言,联合国工业发展组织( UNIDO) 的产业发展计分板( Industrial Development Scoreboard) 就从4 个方面来评价一个区域的产业竞争力: 科技影响、产业绩效、技术引进以及人才要素,该计分板主要的评价指标包括美国授权专利数、企业科技创新投入、产业附加值、产业总出口状况、中高端技术对产业出口状况的影响、外资对产业科技创新的投入、高等院校相关技术专业就读人数及科技创新基础设施状况等。世界银行[3]的科学技术评价指标体系确定研究与发展经费、科学技术期刊论文、高技术产品出口、专利权与专利费、专利申请数、商标注册数等为世界各国科技评价的具体指标。国内学者迟国泰等[4]则根据科学发展观内涵,根据科技投入、科技产出、科技对经济的影响、科技对社会的影响等评价准则构建了适合于中国省级行政区的科技评价指标体系。

省域科技创新体系是建设全国科技创新体系、深化科技体制改革、充分发挥科技对经济社会发展的支撑引领作用、稳步推进经济新常态的基础,对省域科技创新体系进行测度评价的意义重大。

2 评价指标体系模型的构建方法

2. 1 省域科技创新体系的评价指标

在弗里曼的国家创新体系中,科研机构与研究型高校是科学技术知识供应者和创新源; 企业是技术创新主体; 政府是创新体系协调机构; 还有作为科学技术知识转移和扩散机构的教育培训部门和中介机构; 另外新生技术知识流动与金融体制效率相关甚密,金融服务、金融政策对创新的影响较为直接; 最后历史文化因素影响着人们的思维方式和行为模式[5]。以此为基础,参考国内外科技创新体系评价的研究,特提出本文构建的省域科技创新体系评价模型的理论框架,如图1 所示。

根据以上理论框架,本文选取科学适宜的评价指标。省域科技创新体系以企业为主体,首先本文从两个方面入手衡量企业科技创新活动绩效: 企业科技研发与应用绩效,企业科研人才资源质量。人才资源从数量规模与能力素质两方面衡量,本文暂以研究人员( 指R&D人员中具备中级以上职称或博士学历学位的人员) 占R&D人员比重来对企业人才的质进行评价。在衡量研发机构与高校科研绩效时,本文选取科研机构与高校的课题项目数量、科研机构与高校人才资源、科研机构与高校学术质量3 个角度,学术质量用国外主要检索工具( 主要是SCI美国( ( 科学引文索引) ) 收录的我国科技论文数量来反映。企业、科研机构与高校的人员数量代表的都是国际通用、用于比较科技人力投入的指标R&D人员全时当量,即R&D全时人员( 全年从事R&D活动累积工作时间占全部工作时间的90% 及以上人员) 工作量与非全时人员按实际工作时间折算的工作量之和。由于资料和数据的限制,本文对政府政策扶持绩效的评价仅能从定量指标上入手,以政府财政支持和产业计划的分配来衡量政府政策扶持绩效,其中政府部门科技活动资金囊括了来自各级政府部门的各类资金,包括财政科学技术拨款、科学基金、教育等部门事业费以及政府部门预算外资金的实际支出。科技创新环境是宏观概念,它包含科技创新体制机制、经济基础、科技创新公共服务支撑与社会教育程度,等等,本文选取产业结构、经济成果、科技教育培训、公共服务支持绩效4 个方面纳入指标评价体系。公共服务支持绩效中,专利所有权转让与许可收入指省域内单位( 个人) 转让专利所有权或允许专利技术由被许可单位( 个人)使用而得到的收入,当年从被转让方或被许可方得到的一次性付款和分期付款收入,以及利润分成、股息收入等。另外本文将经济基础解构为经济总量与经济结构,以人均地区生产总值代表省域经济发展状况,以第一产业、第二产业、第三产业占地区经济总产值的比率表示产业结构,高技术产业包括有核燃料加工、信息化学品制造、医药制造业、航空航天制造、电子计算机等高知识性、高转化率、高创新性、高效益性的诸多产业,因此高技术产业是衡量省域是否完成产业结构优化升级的重要标尺,本文以高新技术产业收入来衡量高技术产业的产业规模与生产效率。

参考文献

[1]熊彼特.经济发展理论[M].孔伟艳,等,译.北京:北京出版社,2008

[2]OECD.Main science and technology indicators[M].Paris:OECD,2007

[3]WORLD BANK.World development indicators 2012[EB/OL].(2013-02-26)[2015-03-01].http://issuu.com/world.bank.publications/docs/9780821389850

[4]迟国泰,顾雪松,王卫.基于关联分析的科技评价模型及典型省份实证[J].科研管理,2011(32):68-78

[5]林衡博,陈运兴.弗里曼国家创新体系理论的改进初探[J].当代经济,2003(6):35-36

[6]黄伟.我国科技成果转化绩效评价——影响因素分析及对策研究[D].长春:吉林大学,2013

[7]黄速建,刘建丽.当前中国区域创新体系的突出问题[J].人民论坛·学术前沿,2014(9):78-95