聚类评价方法范文-盘古文库

聚类评价方法范文（精选12篇）

聚类评价方法第1篇

攀枝花市作为一个少雨易旱的山地城市,区域内生态环境多样,尤其是广大农村地区饮用水水源,受各类环境因素影响水质状况较为复杂。因此,使用模糊聚类分析方法对攀枝花市14个乡镇饮用水源地水质进行评价,以更加完备评价结果。

1 模糊聚类方法介绍

模糊聚类分析方法,是用数学方法定量地确定样本的亲疏关系,从而客观地划分类型。事物之间的界限,有些是确切的,有些则是模糊的。例如人群中的面貌相像程度之间的界限是模糊的,天气阴、晴之间的界限也是模糊的。当聚类涉及事物之间的模糊界限时,需运用模糊聚类分析方法。模糊聚类分析广泛应用在气象预报、地质、农业、林业等方面。通常把被聚类的事物称为样本,将被聚类的一组事物称为样本集。

2 模糊聚类数学原理

对含有m个变量的n个样本,按(1)式进行正规化处理:

再按(6-2)式计算样本间的相似系数:

为使相似系数在(0,1]之中,(2)式结果再按(3)式处理:

于是建立模糊相容矩阵R:

将模糊相容矩阵R按(4)式改造:

若R2n O R2n=R2n则R2n为模糊等价矩阵,记为R*在区间(0,1]内取一定值入,令

建立起R*=(rj*)的入截矩阵,按入之值,从大到小绘制分类系统聚类图,根据实际情况,从图上取一适当入值得合理分类结果。

3 模糊聚类分析过程

对参与此次评价的14个乡镇饮用水源地,选用单因子评价法评价浓度较高,对水质存在影响的pH、高锰酸盐指数、氟化物、硫酸盐、氯化物、硝酸盐和铁七个项目进行模糊聚类分析。其监测结果如表1。

使用上表监测数据,按前文模糊聚类数学原理(1)一(4)式运算后,建立模糊矩阵R*,如表2所示。

在模糊矩阵R*中取不同入值,得到从大到小入截分类图,如图1所示。

从图1中可以看出序号11、12水源地成为一类,从表1中可以看出与之对应的丙谷山泉水厂和白马镇水厂硫酸盐和硝酸盐浓度较高。序号10、13、7也成为一类,表1中与之对应的新九水务公司、红格水厂、红格提灌站水质中铁离子、氟化物含量较高,且盐类(硫酸盐)含量也较高。序号3、4、6、5、14也成为一类,表1中与之对应的撒莲镇水厂、哑口自来水厂等5个水源地水质中各种污染物的浓度均较低。

图1对各水源地进行分类,但聚类后的污染特征及归类不明显。为进一步分析各水源地的污染特征及潜在问题,对模糊矩阵R*(表2)按从小到大入截分类得到图2。

由聚类图2聚类情况结合实际监测数据可以看出,此次评价涉及的14个乡镇集中式饮用水源地中,存在严重潜在污染影响的是丙谷山泉水厂(11)、白马镇水厂(12)、红格提灌站(7)、新九水务公司(10)、红格水厂(13)。其中丙谷山泉水厂(11)、白马镇水厂(12)水质中盐类(硫酸盐、硝酸盐)含量较高;红格提灌站(7)是氯化物含量较高,新九水务公司(10)、红格水厂(13)水质中铁离子或氟化物含量较高,且盐类(硫酸盐)含量也较高。

同德集镇供水站(1)、平地集镇供水站(2)、永兴镇水厂(8)、渔门镇水厂(9)水质居中。

撒莲镇水厂(3)、垭口自来水厂(4)、普威镇水厂(5)、湾丘彝族乡水厂(6)布德水管站(14)水质较好。

4 结果分析

模糊聚类分析结果中5个存在严重潜在污染影响的水源地中有4个均位于工业相对集中区(米易白马、盐边的红格和新久),其水源地水质盐类含量均高于其他水源地。这可能是因为其附近存在的大气污染源排放的sO2、NO2等气体经干湿沉降进入土壤,再由土壤渗入地下水水源地或经地表径流汇入地表水水源地。因此,大气污染源对水源地水质盐类含量的影响也不容忽视。

红格与新久是盐边县工业园区,主要从事钒钛磁铁矿开采、洗选和加工,水源地中铁浓度超标与钒钛磁铁矿上述生产有关,这就解释了红格水厂水质中铁浓度超标的原因。当然也可能与水源地周围土壤、岩石中铁含量高有关。

模糊聚类将同德集镇供水站列为水质居中的一类,其原因在于该水源地水质中铁有轻微超标(0.1倍)。该水源地属湖库型,其保护区内没有工业企业,但是在保护区的侧面(200m的陆域外)有铁冶炼铸造企业,该企业排放的含铁烟气对水源地水质铁的影响是存在的。

5 结论

从上述对比结果可以看出,模糊聚类分析方法对水质总体状况的分类划定与单因子评价法存在一定的差异。单因子评价法虽然可以判断出水质类别,准确反映影响水源地水质的首要污染因子,但它同时弱化了其他污染因子的作用,不利于综合反映水质状况,对水质变化的反映灵敏度较低。模糊聚类分析方法综合考虑各污染因子对水质的影响,其水质评价结果对未来水质变化趋势有一定的预判参考价值,但对当前水质污染的严重程度评价有所削弱。在实际工作中如能将二者的评价结果有机结合起来,则能够更加明确水质污染状况,确保水质安全。

摘要：以攀枝花市乡镇集中式饮用水源地水质评价为例,从原理、计算方法、评价过程、原因分析等多个方面阐述了模糊聚类分析方法在水质评价中的应用,并将评价结果与现行水质评价方法——单因子评价法评价结果进行比较、分析。

关键词：模糊聚类,水质评价,应用

参考文献

[1]高新波.模糊聚类分析及其应用[M].西安:西安电子科技大学出版社,2004,23-47.

[2]地表水环境质量标准(GB 3838—2002)[S].

模糊聚类在水质评价中的应用第2篇

摘要：文章提出了利用模糊聚类法对水质进行综合评价的新方法,并利用该方法对龙羊峡水库的水质进行了综合评价研究,其研究结果表明利用该方法对水质进行综合评价,具有理论严谨,实用合理以及计算简单的优点.作者：韩佩琦路金喜宋双虎张晓芳杜贵荣关珂张文丽作者单位：韩佩琦(河北科技大学,石家庄,050018)

路金喜,张晓芳,杜贵荣,关珂,张文丽(河北农业大学,保定,071001)

宋双虎(张河湾抽水蓄能电站,石家庄,050001)

聚类评价方法第3篇

关键词：风险评价；地质灾害；系统聚类；阈回归；权重

1、加权聚类划分方法划分灾害易发区

1. 1加权聚类分析模型的建立

设有一个容量一共为n的样本数据，其中的每一个样品都需要测得它的p项指标，从而就可以得出其原始数据阵为：

其中，xij （i=1，....n.j=1...，n）代表的是第i个样品中，第j个指标的实际观测数据。那么，为了能够精确的计算出Xi样品点和Xj样品点之间所具有的相似程度值，同时也为了能够更好、更精确的反映出每一项指标对于这种相似程度的影响不同，我们还选用了马氏距离公式，这种公式是带有加权系数的，即：

在具体实施的时候，需要先把n个样品自然的分成一类，然后再逐次的缩小，这个时候，离差平方和也就会不断的增加，然后，再选择使T的增幅最小的2个类别进行合并，一直到我们需要的所有样品都最后归为1类才停止。

1. 2权重如何确定

1）对于所有的指标来说，要与研究的目标来进行紧密的相关分析，并要以具体的相关系数值来作为其权重所具有的初始值，即

2）对第一项指标进行适当的调整为，如果这个时候，分类的精确度就出现了下降，则进行反方向的调整，反之，就继续进行同方向上的调整，一直到能够达到允许的精度为止；

2、对灾害的影响因素进行阈回归分析

在这个过程中，首先要判断出各个不同的因素对于灾害的具体影响形式，然后再运用所建立起来的阂回归模型，对不同的影响要素在不同规模的数值之下所造成的灾害特点进行分析，最后再选择一个最为适当的方法，最大程度上来避免多重共线性、异方差和序列相关的出现，这样就可以在残差的分析基础上来最终确定出模型的具体结构和参数。

2.1确定出引起灾害的最主要要素

在選择因变量的时候，以灾害点的密度作为主要考虑因素。首先要计算出zhd和fg之间所具有的相关系数，然后再计算出zhd和ln（fg+l）之间的实际相关系数值，除此之外，zhd和1/fg+1、zhd和fg的平方之间的相关系数值也需要计算出来。通过这些相关系数值之间的比较就可以很容易的看出：zhd和fg之间实际上是属于线性相关的。

2.2基于数值规模的阈回归模型的建立

为了能够反映出各种不同的因素在不同的数值规模下，对于灾害的不同影响程度，通常要以虚拟变量的形式来引人相关的阈值。而灾害点的密度再进行取值的时候，可以划分成4个区间，因此这时候就需要引进3个不同的虚拟变量，以Dj（j=1，2，3）来表示；其中的D1、D2和D3分别代表不同的灾害点密度下所具有的状态。于是就可以建立包含了所有可能的解释变量的模型：

2. 3模型估计

一般我们要避免在各个解释变量之间可能出现多重共线性的问题，通常采用的方法是逐步回归分析，这种方法同时也可以很好的选择出对于灾害密度具有最为显著影响的几个因素。由于在模型当中使用了很多的截面数据，因此对于各种不同类型的区域来说，它们在地质条件上存在的差异性往往就可以造成灾害的波动状态，这个时候就可以采用加权最小二乘法（WLM）估计模型来消除这种异方差的现象，结果见表1。

根据我们以上的分析，最后就可以确定出最终的估计模型结构，具体来说是一个阈回归ARCH的形式，而残差的检验结果也表明了其状态已经转变成了正态白噪声，.

而模型的参数估计结果也可以参见表2中的数据。

在表2当中，回归模型的R2为0. 992，调整后的R2可以达到0. 999，AIL统计量与SC统计量则分别是2. 324和2. 376，因此拟合的效果是非常好的，另外，DW的统计量也达到了2. 065，已经十分接近2，因此也不存在序列相关的现象。

结束语

综上所述，采用阈回归模型可以对发生不同灾害程度之下的各个相关影响因素做出更好的区分，同时我们也对相邻单元的具体灾害发展的态势进行了拟合，可以发现拟合的精度也能够达到99. 99。因此，选择一个合理的统计方法十分重要，这对于地质灾害在风险评价方面的效果会非常显著。

参考文献

[1]马寅牛，张业成，张春山，等.地质灾害风险评价的理论与方法[J].地质力学学报，2004 ， 10（1）：7-18.

[2] 张春山，张业成，马寅牛，等.区域地质灾害风险评价要素权值计算方法及应用—以黄河上游地区地质灾害风险评价为例[J].水文地质工程地质，2006， 33（6）：84-88.

聚类评价方法第4篇

1灰色聚类评估方法[3]

灰色聚类法是根据灰色关联矩阵或灰数的白化权函数将一些观测指标或观测对象聚类成若干个可定义类别的方法, 以灰数的白化函数生成为基础, 将收集到的分散信息, 按照灰类进行归纳, 以判断聚类对象所属灰类, 具体方法[4]如下。

1.1建立样本矩阵

设有n个聚类对象, m个聚类指标, s个不同的灰类, 对象i关于指标j的样本观测值为dij, 记i=1, 2, …, n;j=1, 2, …, m;k=1, 2, …, K为聚类灰数, 即灰类。dij为第i个聚类对象对于第j个聚类指标的样本值, D是以dij为元素的样本矩阵, 见式 (1) 。

1.2确定白化函数

设fjk为第j个聚类指标属于k灰类的白化函数, fjk∈[0, 1], 如图1所示。

图中λjk为fjk的阀值 (即fjk等于1的界值) , 有客观阀值和相对阀值两种。

1.3计算各灰类权值

记ηjk为灰色聚类权, 它表示第j种指标属于第k灰类的权重。关于ηjk的计算可按下述3种情况分别考虑:

(1) 在聚类指标的意义、量纲相同时, 采用式 (2) 计算。

若聚类指标的意义、量纲不同, 且不同指标的样本值在数量上相关很大时, 不能按上式计算ηjk, 否则将会引起评估偏差。

(2) 当聚类指标的单位不同及指标绝对值相差很大时, 先进行无量纲处理:

式 (3) 中, Sjk为第j种指标的第k个灰类的灰数 (标准值) , 或取白化权函数图 (图1) 中的阀值λjk。Sj为第j种指标的参照标准, 在道路使用性能评价中, 可视评价路况的等级目标确定。灰色聚类权值ηjk为式 (4) :

(3) 聚类权ηjk是衡量多指标对同一灰类的权重。为了避免指标重要而指标值相对较小造成评估偏差的弊病, 可采用层次分析法 (AHP) [5]、德尔菲法等, 根据聚类指标的相对重要性而确定灰色聚类权值ηjk。

1.4计算灰色聚类系数及灰色聚类矩阵S

设σik为灰色聚类系数, 它反映第i个聚类对象隶属于第k灰类的程度, 按下式计算:

式中fjk (dij) 系由样本值dij查相应的白化权函数图或代入相应的白化权函数计算式而求得的白化权函数值, 建立的灰色聚类决策矩阵为σc, 见下式 (6) :

聚类行向量σi= (σi1, σi2, …, σik)

2工程应用

2.1模型的建立

根据《公路沥青路面养护技术规范》, 本文选取的路况评价指标为:路面状况指数 (PCI) 、路面强度指数 (SSI) 、路面行驶质量指数 (RQI) 及抗滑指标 (BPN) 。具体建模状况如下:

以陕西某高速公路K0+000~K2+500段的路面使用调查状况结果 (表1) 为例子 (共2.5km, 每500m为一个统计单位) 。其中, 可将2.5km沥青混凝土路面看作一个灰色系统, 每一个单元为待聚类对象, 每个单元有4个测定指标, 即路面状况指数 (PCI) 、路面强度指数 (SSI) 、、路面行驶质量指数 (RQI) 及抗滑指标 (BPN) , 欲把5个路面单元划分为5类:优、良、中、次、差, 而各指标的评价等级见表2。

2.2按聚类指标所属灰类确定白化函数

由1.2所述和表2, 确定各指标的白化函数, 以表2中路面行驶质量指数 (RQI) 为例, 如下:

j=2、3、4可同理得出其他白化函数。

2.3计算灰色聚类权值

2.4计算灰色聚类系数及灰色聚类矩阵S

由此可知, 第1单元属于第3灰类, 即K0+000~K0+500路段路面使用性能为中;第2单元属于第2灰类, 即K0+500~K1+000路段为良, 破坏状况较小;第3、5单元属于第4灰类, 但隶属度有所不同 (分别为0.7432和0.6942) , 即K1+000~K1+500路段和K2+000~K2+500路段为次, 路面损坏比较严重;第4单元属于第5灰类, 即K1+500~K2+000路段为差, 路面损坏最为严重。

3结论

本文运用灰色聚类法对沥青路面使用性能进行综合评价, 从而分析高速公路沥青混凝土路面使用状况及路面破损程度, 并结合实体工程建立评价模型, 分析各路段的路面性能指标。从评价结果可以看出, 该评价方法可以准确地反映各路段的破损程度, 并根据其破损程度进行选择性的修建, 在以后的高速公路性能评价中具有广泛的应用前景。

参考文献

[1]JTJ073.2-2001, 公路沥青路面养护技术规范[S].

[2]王艳丽, 王秉纲.高等级公路沥青路面养护标准研究[J].重庆交通学院学报, 2000, (4) .

[3]刘思峰, 郭天榜.灰色系统理论及其应用[M].北京:科学出版社, 2000.

[4]资建民, 江滔.路面状况综合评价的灰色方法[J].华中科技大学学报, 2002, (3) .

[5]李清富, 胡群芳, 刘文等.路面性能的灰色评估[M].北京:建筑科学 (增刊) , 2002 (2) :14-161.

连通聚类星识别方法第5篇

连通聚类星识别方法

采用星敏感器测卫星姿态是现行方法中精度最高的，其关键是星图识别。本文阐述了只采用观测星的位置信息，利用观测星图与导航星表的.星对角距进行聚类匹配，根据观测星图的连通性进行匹配识别的方法;用图论理论解释了星识别过程;用120M主频的微机模拟分析了门限和位置噪声对识别时间的影响。在门限取0.05°，位置噪声(单轴)δ=0.02°以下时，在任一区域识别率达100%，识别时间平均少于0.2s。

作者：陈元枝郝胜国郝志航作者单位：中国科学院长春光学精密机械与物理研究所，吉林长春 130021刊名：光学精密工程 ISTIC EI PKU英文刊名：Optics and Precision Engineering年，卷(期)：8(3)分类号：V556.5关键词：星敏感器星识别连通性聚类

聚类评价方法第6篇

关键词：学生成绩评价；教学管理；聚类算法；k-means

中图分类号：G434 文献标志码：A 文章编号：1673-8454（2014）13-0075-04

一、引言

在学校教育中，考试与教学不可分割，考试成绩扮演着检验学生学习情况和状态的重要角色。因此，成绩评价对于检测和监控教育质量、引导教师的教学行为，督促学生积极努力地学习是非常有必要的。现在，学校里拥有各种系统和各类数据库，积累了大量的学生成绩数据，但是由于工作人员缺乏相关挖掘知识和技术，只能通过Excel工具的简单统计获得少量信息，隐藏在这些大量数据中的信息不能得到应用。因此，如何利用学生前期的考试成绩数据进行统计分析对提高学生的知识水平有着至关重要的意义。面对这一挑战，数据挖掘技术应运而生，并逐渐显示出了强大的生命力，[1]作为数据挖掘的重要算法，k-means算法是一种硬聚类方法，即在n维的欧几里得空间把n个样本数据分成k类。[2]由于k-means聚类算法对噪声和孤立点敏感以及对处理大数据集非常有效的特点，[3]本文将k-means算法应用于成绩分析，从而全面地分析学生考试结果。

本文所引用的文献一阐述了成绩管理的作用、现状以及现有成绩管理的不足，并说明了决策树算法及粗糙集理论在成绩管理中的作用；文献二介绍了k-means聚类算法，并在此基础上提出了一种改进的遗传k-means聚类算法；文献三在分析k-means聚类算法优缺点的基础上进行改进，并通过实验比较了改进算法与原算法的优劣；文献四介绍了典型的数据预处理技术，实现了一种基于日志请求的参考文件的启发式会话识别算法。

论文利用k-means聚类算法对学生的成绩进行评价、统计和分析，从而确定学生的学业成绩在一个群体中所处的相对位置，为提高学生的成绩做准备，为教学工作提供反馈信息，并采取针对性的补救措施，从而进一步提高学校的教学质量。

二、基于聚类算法的成绩评价方案

1.总体设计方案

本论文将按图1所示，设计总体方案。同时论文将选用所在学院的成绩数据库，成绩数据库中包括了学生所有课程的考试成绩。

第一步，数据采集，为了保证数据的完整性和准确性，首先必须做好原始数据的选择和整理工作，本文选取学院某个年级的学生在某一学期的课程成绩。

第二步，数据预处理，数据预处理是一个逐步深入、由表及里的过程，经过数据审查、数据清理、数据转换和数据验证四大步骤对数据进行预处理，解决数据冲突和数据不一致等问题，最终形成一份学生成绩表。[4]

第三步，执行聚类算法在确定挖掘任务后，通过编写k-means聚类算法在matlab程序代码，实现k-means在学生成绩分析上的处理。

第四步，聚类结果评价，对聚类结果所发现的信息进行解释和评价。采用k-means聚类算法后，在学生成绩评价中，每一个类就是一个成绩群，不同的类相应地对各个成绩群进行了划分，也相应地给出了不同成绩群的中心成绩，这些中心成绩就是学生成绩划分参考标准之一。

第五步，提出针对策略，将挖掘出来的信息提供给教学决策者，调整教学策略，进一步指导教学工作，提高学生成绩。

2.基于k-means的算法设计原理

图2给出了K-means算法研究学生成绩的流程，在整个设计流程中，存在两个关键问题，分别是成绩的表示和成绩的距离计算，对于第一个问题，论文将每个学生各科目的考试成绩看做q维向量，记作xi=（x1i，x2i，…，xqi），（i=1，2，…，n），其中xki表示学生编号为i的第k门科目的成绩，成绩采用百分制，并根据不同的科目赋予不同的权重。对于第二个问题，论文采用欧式加权距离来定义学生成绩之间的距离，将聚类组数设为P，cj（j=1，2，…，p）为聚类中心，则成绩到聚类中心的距离可以用公式表示为：

xi-cj=■，（1≤j≤p）（1）

其中，q为粒子的属性组成的维数，？諼k为各属性的权值；

对所有学生的各科成绩进行分组聚类的K-means聚类算法的具体步骤如下：

Step1：设学生成绩集为Q=（x1，x2，…xn-1，xn），其中xi=（x1i，x2i，…，xqi）；

Step2：随机选取每个类里的一个粒子作为初始聚类中心c1，c2，…，cP；

Step3：根据公式（2）将学生成绩集Q中的对象xi（i=1，2，…，n）依次按欧式平均距离分配给距离最近的中心cj（j=1，2，…，p）。

xi-cj=min（■），（1≤j≤p）（2）

其中，q为粒子的属性组成的维数，？諼k为各属性的权值；

Step4：按公式（3）计算P个聚类新的中心cj（j=1，2，…，P）。

cj=■■xi，j=1，2，…，P（3）

其中，Nj为第j个聚类Sj中所包含的粒子个数；

Step5：如果各个聚类中心cj（j=1，2，…，p）不再变化，否则结束，否则返回Step3。

3.基于成绩评价的学生管理策略

在论文设计方案中，将学生（其中不包含不及格需要补考的学生）分为四类，分别是优秀、良好、中等、偏差，并从自我发展和教学管理两方面向不同类别的学生提出了建议性策略。（见表1）endprint

三、实证分析

1.实例描述与成绩评价过程

第一步：数据采集

通过学院提供的数据库，选取某个年级的学生在某一学期的课程成绩。学生该学期均有8门功课，分别是信息资源管理、概率论、会计学、口语、工程力学、毛概、体育、数学实验，依次对应的加权是0.2、0.2、0.2、0.1、0.1、0.1、0.05、0.05，学生成绩均为百分制，随机选择200名学生的成绩形成一张原始成绩单。

第二步：数据预处理

论文将200名学生原始成绩单集成为一张成绩单。通过数据处理，使表中的每一个数据都是唯一和没有疑义的，同时对空白数据进行填补或者删除。首先考虑到数据库中存在“0分”异常数据会对k-means算法造成很大的影响，因此本论文不将其考虑在研究范围内。同时，通过Excel工具将成绩小于60分的选出，所对应的该学生成绩也不采取k-means算法进行处理，因为成绩一旦低于60分，该学生要进行补考，相应分数也会做更改处理。本论文数据采集的200名学生中一共有10人出现挂科情况，接下来会对剩下的190名学生的考试成绩做k-means算法处理。

第三步：k-means算法对学生成绩进行分析处理

确定聚类个数k值，聚类个数要接近于所用的聚类变量的个数，本次实验选取k=4。通过数据初始中心分析，随机选择几个学生的学习成绩作为初始聚类中心，通过matlab算法实现。

实验结果可视化：（见图3-图7）

2.实证结果分析

（1）由图3可知，第二类学生成绩为优秀，第一类学生成绩为良好，第三类学生成绩为中等，第四类学生成绩为偏差。通过计算，优秀和良好的人数占总人数的47%，中等和偏差的人数占总人数的48%，其余为存在挂科学生的比例，说明本文随机选取的这个专业整体的学习状态有待进步，相关教职人员和教师应该采取必要的措施提高学生学习的积极性。同时，通过分析研究还可以发现，每一科学生成绩随中心的变化都会影响整体成绩的分布情况，特别是像会计学、概率论、信息资源管理等加权比较重的科目。

（2）如图4、5、6、7所示，距离第二个聚类中心更近的21名学生聚成一类；距离第三个聚类中心更近的52名学生聚成一类；距离第四个聚类中心更近的44名学生聚成一类；距离第一个聚类中心更近的73名学生聚成一类。从中可以看出相近的成绩都被划分到了同一类，从而弥补了传统划分方法“在学生成绩差别不大的情况下，经过划分后结果可能相差很大”的缺陷。

（3）聚类分析技术的应用不仅可以使190名学生清楚自己相对于整体成绩的位置，还可以体现某类学生某些学科的不足，从而提醒教学人员针对性地采取相应的措施，实验结果可以为教学人员制定出有针对性的解决办法提供依据，从而提高学生后期的学习成绩。

四、结论

本文研究k-means聚类算法在学生成绩评价分析中的应用。通过对数据的预处理，采用k-means算法，利用matlab工具对数据进行处理分析，弥补了传统统计方法的缺陷。并针对不同类型的学生，给出了学生自我发展策略和教学管理策略，从而为后期提高学生成绩和教学质量做准备。

参考文献：

[1]谭庆.基于k-means聚类算法的试卷成绩分析研究[J].河南大学学报（自然科学版），2009，39（4）： 412-415.

[2]刘婷，郭海湘，诸克军，高思维.一种改进的遗传k-means聚类算法[J].数学的实践与认识，2007，37（8）：104-111.

[3]周爱武，于亚飞. k-means聚类算法的研究[J].计算机技术与发展，2011，21（2）：61-65.

[4]张丽伟，李礼.Web 挖掘中数据预处理技术研究[J].电脑知识与技术，2010，6（15）： 4324-4325.

（编辑：王天鹏）endprint

三、实证分析

1.实例描述与成绩评价过程

第一步：数据采集

第二步：数据预处理

第三步：k-means算法对学生成绩进行分析处理

实验结果可视化：（见图3-图7）

2.实证结果分析

四、结论

参考文献：

[1]谭庆.基于k-means聚类算法的试卷成绩分析研究[J].河南大学学报（自然科学版），2009，39（4）： 412-415.

[2]刘婷，郭海湘，诸克军，高思维.一种改进的遗传k-means聚类算法[J].数学的实践与认识，2007，37（8）：104-111.

[3]周爱武，于亚飞. k-means聚类算法的研究[J].计算机技术与发展，2011，21（2）：61-65.

[4]张丽伟，李礼.Web 挖掘中数据预处理技术研究[J].电脑知识与技术，2010，6（15）： 4324-4325.

（编辑：王天鹏）endprint

三、实证分析

1.实例描述与成绩评价过程

第一步：数据采集

第二步：数据预处理

第三步：k-means算法对学生成绩进行分析处理

实验结果可视化：（见图3-图7）

2.实证结果分析

四、结论

参考文献：

[1]谭庆.基于k-means聚类算法的试卷成绩分析研究[J].河南大学学报（自然科学版），2009，39（4）： 412-415.

[2]刘婷，郭海湘，诸克军，高思维.一种改进的遗传k-means聚类算法[J].数学的实践与认识，2007，37（8）：104-111.

[3]周爱武，于亚飞. k-means聚类算法的研究[J].计算机技术与发展，2011，21（2）：61-65.

[4]张丽伟，李礼.Web 挖掘中数据预处理技术研究[J].电脑知识与技术，2010，6（15）： 4324-4325.

聚类评价方法第7篇

信息技术行业是我国的新兴产业之一,对国民经济的发展起着重要的作用。科学、合理的对其财务状况进行评价,有助于经营者清晰的了解企业现状,明确自身的优势与不足之处,有利于加强企业财务管理,促进企业的健康发展。本文选取了13项财务指标,结合主成分分析和聚类分析法,对我国信息技术行业上市公司的财务状况进行分析,力求客观反映其财务现状,期望能为其发展提供一定的参考。

2 我国信息技术行业上市公司绩效评价的主成分分析

主成分分析法是通过降低维度来处理数据的,在利用原变量相关关系的基础上,将多个变量化为相互独立的少数几个综合变量,这些变量既能反映出原来多个变量的大部分信息,同时可以使问题简单化。本文以在沪深两市上市的信息技术行业的2015年年报数据为依据进行分析,在样本选取时参考了以下标准:(1)选取仅发行A股的公司;(2)为了防止极端值对结果造成的不利影响,剔除ST公司;(3)剔除年报数据不完全的公司;(4)剔除个别指标值异常的公司。截止3月1日,仍有多家公司未公布其年报数据,故仅选取了58家信息行业上市公司作为研究对象,研究数据来源于上海证券交易所(www.sse.com)、深圳证券交易所(www.szse.cn)和国泰君安数据库(www.gtarsc.com)。

2.1 指标体系建立

绩效的评价可以从财务指标和非财务指标两方面来完成,由于非财务指标很难量化,所以本文仅以财务指标作为衡量公司绩效的标准。根据现代财务理论,公司财务状况的好坏主要体现在盈利、偿债、营运和发展这四个方面,基于此,本文选取了13项财务指标来反映公司的绩效。具体财务指标见表1。

2.2 运用主成分分析的过程

首先,在进行主成分分析前,对变量间的相关性进行检验,以判断该数据是否适合做主成分分析。从数据的相关矩阵得知,变量间的相关性较强,同时,通过KMO值0.621(大于0.6)判断,该数据适合做主成分分析。

2.2.1 计算变量的特征值、方差贡献率和累计方差贡献率

计算变量的特征值、方差贡献率和累计方差贡献率见表2。

从表2中可以发现,前5个主成分累计方差贡献率为85.713%,已经超过85%,这些变量已包含了原变量的大部分的信息。指标已减至5个主成分,降低了数据处理的工作量,同时也消除了指标间的多重相关性。

2.2.2 主成分载荷矩阵

通过对原始数据的处理,可得到主成分载荷矩阵(见表3)。从表3中可以发现总资产净利润率、净资产收益率和营业净利率在第一主成分上有较高载荷,说明第一主成分基本上反映了这些指标信息,因而定义第一主成分为盈利能力因子;流动比率、速动比率和资产负债率在第二主成分上有较高载荷,定义第二主成分为偿债能力因子;资本保值增值率和每股净资产增长率在第三主成分上有较高载荷,定义第三主成分为发展能力因子;应收账款周转率和总资产周转率在第四主成分上有较高载荷,定义第四主成分为营运能力因子;存货周转率在第五主成分上有较高载荷,定义第五主成分为存货周转因子。

2.2.3 计算各主成分的线性组合

计算各主成分的线性组合具体内容如下:

以每个主成分所对应的特征值占所提取的主成分总特征值之和的比例作为权重计算主成分综合模型:

依据综合模型,得到各个公司的综合得分和排名,见表4。

2.2.4 实证结果分析

从各因子得分情况来看,整个信息技术行业的盈利能力较强,但存货周转较慢。加快存货周转速度是各企业不容忽视的问题,经营者应制定并落实相关制度,缩短存货周转周期。从综合得分来看,位居前三名的分别是三七互娱、高升控股和航天信息。其中,三七互娱的第一主成分值排名第一,表明其具有较强的盈利能力;但其第二主成分值较低,表明其偿债能力较弱。高升控股的第三主成分排名第一,表明其发展能力较强,后期的发展潜力较大;同时,高升控股的第二主成分排名靠前,表明其偿债能力较强;航天信息的第四主成分排名靠前,表明其运营能力较强。

3 我国信息技术行业上市公司绩效评价的聚类分析

3.1 聚类分析

聚类分析是对样本或变量进行分类的一种多元统计方法,其最终目的是将相似的事务进行归类。本文选择盈利、偿债、营运、发展和存货周转5个因子的得分作为聚类变量,将因子得分排名前20的公司进行分类,并对各类公司的数据进行分析。

3.2 聚类分析的结果

本文运用SPSS21.0软件对处理后的20组有效样本数据进行系统聚类分析,从聚类过程的树状结构图可以看出,对绩效综合得分值排名前20的企业分类较为合理,其结果如表5所示。

从表5中可以得出,90%的信息技术行业公司盈利能力和偿债能力较强,但发展能力和存货周转能力较弱,整个行业的发展有待加强;高升控股的发展能力和偿债能力较强,但盈利能力较弱;博彦科技存货周转能力较强,但发展、偿债能力等方面较弱。作为经营者我们应认识到自身的优势与不足之处,发挥优势,改善其不足之处,从而促进企业的良好发展。

4 结语

本文通过对沪深两市2015年58家信息技术公司的数据进行实证分析,发现在主成分分析的基础上进行聚类分析,更有利于分析整个行业的财务状况。然而,本文在绩效评价指标的选取方面,仅选取了财务指标。对于数据的选取,仅局限于一年的数据,且截止3月份仍有多家公司未公布其年报数据,其研究结果难免会产生一定的偏差,尽管如此,仍希望能为信息技术行业上市公司绩效评价有所帮助。

摘要：以我国沪深两市的信息技术行业的上市公司为研究对象,借助2015年的年报数据,从盈利能力、偿债能力、营运能力以及发展能力方面,选取了13项财务指标,运用主成分分析和聚类分析法,结合SPSS21.0和EXCEL软件,对我国信息技术行业的上市公司的绩效进行综合评价。

关键词：主成分分析,聚类分析,信息技术行业,绩效评价

参考文献

[1]赵银德,李丹,赵叶灵.基于主成分分析的民营制造业上市公司绩效评价研究[J].财会通讯,2011,(7).

[2]杜强,贾丽艳,严先锋.SPSS统计分析[M].北京:人民邮电出版社,2014,(7).

聚类评价方法第8篇

关键词：矿井通风系统,指标体系,灰色理论,TWW函数,模糊综合评价

矿井通风的目的是为井下各工作地点提供足够的新鲜空气,使其中有毒有害气体、粉尘不超过规定值,并有适宜的气候条件。矿井通风系统通常被称为矿井的心脏与动脉[1]。矿井通风是保障矿井安全的最主要技术手段之一,对矿井通风系统进行综合评价是现代化矿井制订生产规划、进行技术方案决策的重要依据。

1 矿井通风系统综合评价体系建立

经过考察不同类型的矿井通风系统,在深入研究矿井通风理论,参考前人的研究成果并汲取国内近年来煤矿各次重大灾害事故发生及扩大的原因和影响因素的基础上[2,3,4,5],依据矿井通风系统的组织结构,建立矿井通风系统综合评价体系,见图1。

2 评价体系的建立

考虑到矿井通风系统是一个典型的灰色系统,故选择基于三角白化权(Trigonal Whitening Weight,TWW)函数的灰色评价并结合模糊评价方法建立矿井通风系统综合评价模型。

2.1 评价模型

针对评价对象的性质,设置m个评价指标,

s个不同的灰类,某一评价对象i关于指标j的样本观测值为Xij,j=1,2,,m。根据Xij的值对相应的对象i进行评估、诊断。该评价采用二级综合评价。

第一级评价采用基于白化权函数的灰色评估方法,其具体步骤如下[6]:

第一步,按照评价要求所需划分的灰类数s,将各个评价指标的取值范围也相应地划分为s个灰类,例如,将j指标的取值范围[a1,as+1]划分为s个区间:

[a1,a2],,[ak-1,ak],,[as-1,as],[as,as+1]

其中ak(k=1,2,,s,s+1)的值要根据实际问题的要求或定性研究结果取定。

第二步,令λk=(ak+ak+1)/2属于第k个灰类的TWW函数值为1,连接(λk,1)与第k-1个灰类的起点ak+1和第k+1个灰类的终点ak+2,得到指标j关于k灰类的TWW函数f $_{j}^{k}$ (),j=1,2,,m;k=1,2,,s。对于fj1()和fjs(),可分别将j指标的取值域向左、右延拓至a0,as+2,见图2。

对于j指标的TWW函数为

$f_{j}^{k} (x) = {\begin{matrix} 0 & x \notin [a_{k - 1}, a_{k + 2}] \\ \frac{x - a_{k - 1}}{λ_{k} - a_{k - 1}} & x \in [a_{k - 1}, λ_{k}] \\ \frac{a_{k + 2} - x}{a_{k + 2} - λ_{k}} & x \in [λ_{k}, a_{k + 2}] \end{matrix} (1)$

若评价对象i对于指标j的观测值为x,由式(1)可计算出其关于灰类k(k=1,2,,s)的隶属度fjk(x)。

第三步,计算评价对象i(i=1,2,,n)关于灰类k(k=1,2,,s)的综合聚类系数σ $_{i}^{k}$ :

$σ_{i}^{k} = \sum_{j = 1}^{m} f_{j}^{k} (x_{i j}) \cdot η_{j} (2)$

式中:fjk(xij)为对象i(i=1,2,,n)在指标j(j=1,2, ,m)下关于灰类k(k=1,2,,s)的TWW函数;ηj为指标j在综合聚类中的权重。

第二级评价采用基于单级的模糊综合评价方法[7],其具体步骤如下:

第一步,构成因素集。该级模糊综合评价因素集为D,其中的每一个因素Di(i=1,2,,n)由上一级评价中的各聚类(即评价体系的次级目标)所构成。

第二步,构成评语集。C={优秀A级(C1),合格B级(C2),不合格C级(C3)}

第三步,构成模糊评判矩阵。σ $_{i}^{k}$ 关于灰类k的不同函数值,则代表了该次级指标在3个不同评语等级的隶属度值,分别计算各个次级指标的σ $_{i}^{k}$ 关于灰类k的不同函数值(隶属度值),得矩阵 $\tilde{C}_{i} = (r_{i 1}, r_{i 2}, r_{i 3})$ ,用 $\tilde{C}_{i} (i = 1 ‚ 2 ‚ \dots ‚ n)$ 构成模糊评判矩阵 $\tilde{R} = (\tilde{C}_{1}, \tilde{C}_{2}, \dots, \tilde{C}_{n})^{Τ}$ 。

第四步,计算模糊评判结果。因素集D的权重分配为 $\tilde{A}$ ,得评判结果为 $\tilde{A}$ 。 $\tilde{R}$ ,归一化得 $\tilde{B} = (b_{1}, b_{2}, b_{3})$ 。

第五步,确定评价等级。根据模糊综合评价结果 $\tilde{B} = (b_{1}, b_{2}, b_{3})$ ,首先按最高隶属度原则确定基本评价等级,然后根据其余等级隶属度大小,按下列原则进行修正[2]:

1) 如果基本评价等级为C级,当b1+b2>b3/2时,则最终评价等级应上调至B级,否则保持不变为C级。

2) 如果基本评价等级为A级,当b2+b3>b1/2时,则最终评价等级应下调至B级,否则保持不变为A级。

3) 如果基本评价等级为B级,当b1>b2/2>b3时,则最终评价等级应上调至A级;当b1<b2/2<b3时,则最终评价等级应下调至C级,否则保持不变为B级。

2.2 评价指标权重的定量

矿井通风系统进行综合评价也是一个由相互关联和相互制约的一系列定性或定量因素所构成的复杂系统的决策问题。因此确定评价指标权重值可采用层次分析法(AHP)来确定,其方法见参考文献[8,9]。

2.3 矿井通风系统指标评价分级界定值的确定

参考典型煤炭企业规章制度、煤矿生产法律法规条文、矿山安全导则、矿井统计数据等各类文献,确定矿井通风系统指标评价分级界定值见表1[2],分指标取数域延拓值见表2。

对于指标X14,反风合格度定义为反风时间合格度与反风率合格度的乘积,即当反风时间和反风度同时达到《煤矿安全规程》的要求(反风时间10 min以内,反风率40%以上)[10]时定义较好类得分为1,即该类隶属度得分为满分,否则得零分,故该指标不存在延拓值,不需要进行白化权函数计算。

3 应用实例

唐山沟煤矿实测各指标数据如表3所示。

根据前述方法对该矿通风系统进行评价,用该模型计算得到的评判结果经归一化处理为

$\tilde{B} = (b_{1}, b_{2}, b_{3}) = (0.328 6, 0.412 7, 0.258 7)$

评价后得到的基本评价等级为B级,因为b1>b2/2>b3,则最终评价等级应上调至A级;故该矿井现有的通风系统评价等级为A(优秀)等级。

4 结论

1) 构建了矿井通风系统综合评价体系,确定了风量与风质合格度等6大类23小项的评价指标。

2) 建立了基于灰色聚类分析模糊综合评价的矿井通风系统评价模型,划分出通风效果等级,通过已建立的评价模型计算后,最终得到矿井通风效果的评价等级。

3) 以唐山沟煤矿实际通风系统状况为例进行了评价,评价结果与现场实际情况完全符合。

4) 根据综合聚类系数本身的性质,还可进一步分析各个指标的动态变化情况,从而有针对性地指导实际生产工作。

参考文献

[1]黄元平.矿井通风[M].徐州:中国矿业大学出版社,1986.

[2]陈开岩.矿井通风系统优化理论及应用[M].徐州:中国矿业大学出版社,2003.

[3]蔡卫,吴兵.层次分析法在矿井通风评价中的应用[J].辽宁工程技术大学学报,2005,24(2):149-152.

[4]程磊,杨运良,熊亚选.矿井通风系统评价指标体系的研究[J].中国安全科学学报,2005,15(3):91-94.

[5]陈伯辉.福建煤矿通风系统改造与优化研究[D].福州:福州大学,2007.

[6]刘思峰,郭天榜.灰色系统理论及其应用[M].北京:科学出版社,1999.

[7]宋晓秋.模糊数学原理和方法[M].徐州:中国矿业大学出版社,2000.

[8]许树柏.层次分析法原理[M].天津:天津大学出版社,1998.

[9]程健维,杨胜强.矿井采掘工作面通风效果的综合评价[J].中国安全科学学报,2007,17(5):156-161.

波兰桑蚕品种的综合评价与聚类分析第9篇

波兰的地理纬度在32°至54°之间, 全境属于由海洋性向大陆性气候过渡的温带阔叶林气候, 自西而东, 自北而南, 海洋性渐减, 大陆性递增, 年降水量450~800 mm, 南部山区可超过1 000mm。辽宁位于北纬38°至43°之间, 属于温带大陆性季风气候区, 年平均降水量一般在500~1000mm, 由东向西逐渐减少。东南部地区多达800~1050mm。

鉴于波兰和中国辽宁地理纬度相近, 气候条件相似, 辽宁省蚕科所从波兰先后引进10个桑蚕品种 (品系) , 2012年对引进的波兰品种 (品系) 进行饲育整理, 分类提纯, 2013-2015年进行10个波兰桑蚕品种 (品系) 饲育研究, 力求探明引进品种的基本性状, 遴选出地域适应性强, 性状表现独特、突出的优势品种, 准确、全面评价波兰桑蚕品种的价值, 科学评估引进品种在中国桑蚕品种选育中充分利用的可行性, 为中国桑蚕品种资源创新研究奠定基础。

1 材料与方法

1.1 参试桑蚕品种

波兰引进的KBDA、KBDB、UCZA、UC-ZB、波白A、波白B、波黄A、波黄B、波黄C、波T为参试品种 (品系) , 辽宁地区现行桑蚕品种辽凤、雪萤、菁松和皓月[3]为对照品种。

1.2 试验内容

在相同试验环境与饲育条件下对引进品种 (品系) 和对照种进行催青、收蚁和饲育, 同时进行各项性状调查。

1.3 试验方法

1.3.1 催青

采用标准的原原种催青方法。

1.3.2 收蚁

采用单蛾收蚁。

1.3.3 试验处理

引进波兰桑蚕品种 (品系) 及对照种每个品种 (品系) 实行单蛾育, 3次重复。全龄三回育, 一至三龄单蛾育, 四龄起蚕第二天数蚕, 每区400头。小蚕塑料薄膜覆盖育, 大蚕常规育。簇具为塑料折簇, 上簇3天后采茧, 平铺于匾内 (25℃保护) , 第七天进行茧质调查。选择性状良好的2个蛾区进行异蛾区交配留种继代, 调查春季饲育各项指标。

1.4 统计方法

利用DPS数据处理系统对原始数据进行灰色关联度分析和聚类分析[2]。

2 结果与分析

2.1 饲育结果

注:表中数据为2013-2015年春季均值

2.2 综合表现

KBDA、KBDB、UCZA、UCZB4个品种 (品系) , 孵化良好, 眠起快而齐一, 行动活泼。食桑旺盛, 食桑量大。稚蚕期有趋光性, 发育快而匀整, KBDA、UCZA蚕体青白色为素斑蚕, KBDB、UCZB蚕体青白色为普斑蚕, 壮蚕蚕体粗壮, 上簇齐涌, 茧白色长椭圆形, 皱缩中等。

波白A、波白B2个品种, 孵化良好, 眠起快而齐, 食桑活泼, 食桑量较大。壮蚕蚕体粗壮, 区间、个体间开差极小。蚕体青白色, 普斑蚕, 壮蚕蚕体粗壮, 上簇齐一, 茧白色浅束腰, 皱缩中等, 全龄经过比对照较短12~24h。

波黄A、波黄B、波黄C和波黄T4个品种, 孵化较好, 眠起快而齐一, 行动活泼, 食桑旺盛。稚蚕期有趋光性, 发育快而匀整, 蚕体色为带黑色条纹的虎斑蚕, 区间、个体间开差小, 眠起齐一, 食桑量大, 特别是五龄盛食期更为明显, 上簇齐涌, 营茧快且游山蚕少。茧金黄色, 深束腰, 穿头茧较多, 全龄经过比对照短28~30h。

2.3 关联度分析

利用灰色系统理论对16个品种 (品系) 的7个性状进行关联度分析, 结果见表2。

关联度分析结果表明:各品种之间的关联度开差不明显, 即各品种 (品系) 的综合表现差异不明显。通过加权关联度分析后按优劣进行排序:KBDA>KBDB>波白A>辽凤>UCZB>菁松A>菁松B>雪萤>UCZA>波黄B>波白B>波T>波黄C>皓月A>皓月B>波黄A;通过等权关联度分析后按优劣进行排序:KBDA>KBDB>UCZB>波白A>辽凤>波白B>UCZA>菁松B>菁松A>波黄B>雪萤>波T>波黄C>皓月B>皓月A>波黄A。由此可见, 波兰引进的桑蚕品种 (品系) KBDA、KBDB、波白A和UCZB表现较好, 优于中国桑蚕品种, 波白B、波T、波黄C和波黄A在辽宁地区表现较一般。

2.4 聚类分析

对表3数据进行标准化处理后, 采用欧氏距离的离差平方和法对16个品种 (品系) 进行聚类分析。结果见图1。

聚类分析结果表明:16个品种 (品系) 被分成两大类, 第一类为中国桑蚕品种皓月A、皓月B、菁松A、菁松B、辽凤和雪萤;第二类为引进的波兰品种 (品系) KBDA、KBDB、UCZA、UC-ZB、波白A、波白B、波黄A、波黄B、波黄C、波T。引进波兰的又分为两类, 一类为白色茧色茧品种 (品系) KBDA、KBDB、UCZA、UCZB、波白A、波白B, 另一类为有色茧品种波黄A、波黄B, 波黄C、波T。由此可见, 从波兰引进的10个桑蚕品种 (品系) 与辽宁现行桑蚕品种有着较远的亲缘关系。

3 小结与讨论

3.1 波兰桑蚕品种在辽宁地区的适应性

波兰引进的10个桑蚕品种 (品系) 在辽宁地区有着不同的饲育表现。KBDA、KBDB、波白A和UCZB综合表现突出, KBDA、KBDB的死笼率、全茧量、茧层量、茧层率等性状优于辽宁现行桑蚕品种, 在辽宁地区有着较强的适应性;波黄A表现一般, 其余品种 (品系) 与辽宁现行桑蚕品种表现相近。

3.2 波兰桑蚕品种的利用

引进的波黄A、波黄B、波黄C和波黄T, 均为黄色茧品种, 蚕体斑纹独特。利用其作为亲本, 与中国辽宁的彩色茧材料杂交, 选育出具有两国特点的蚕体斑纹独特、强健好养、茧质优良的彩色茧品种将成为可能。

通过聚类分析可以看出, 波兰桑蚕品种与辽宁现行桑蚕品种有着较远的亲缘关系。利用这一特点, 将波兰白色茧桑蚕品种 (品系) 与辽宁地方品种进行杂交, 有望选育出配合力高、综合性能优良的桑蚕新品种及强杂种优势的桑蚕杂交种。

利用灰色系统理论进行品种的综合评价, 已在农作物中广泛应用[4,5,6,7], 尤其采用加权关联度分析法, 能更可客观地反映不同性状对品种的贡献, 克服等权关联度中对不同性状赋予相同权重的缺点。

参考文献

[1]浙江农业大学.家蚕良种繁育与育种学[M].北京:农业出版社, 1979:239.

[2]冯家新.家蚕育种选集[C].杭州:浙江大学出版社, 2002:19-27.

[3]唐启义, 冯明光.实用统计分析及其DPS数据处理系统[M].北京:科学出版社, 2002:333-339, 614-621.

[4]苏泽春, 张红梅, 魏团仁, 等.灰色关联度对香料烟品种资源的综合评价[J].云南农业大学学报, 2008, 23 (6) :840-844.

[5]职明星, 甄志高, 范春燕, 等.灰色关联度评判在花生育种中的应用[J].中国农学通报, 2007, 23 (7) :241-244.

[6]陈守一, 高安辉, 袁启风, 等.用灰色关联法评价印江县引入的杂柑新品种[J].中国农学通报, 2010, 26 (1) :162-165.

聚类评价方法第10篇

科研经费是促进高层次人才培养、提高科技水平、增强科研成果产出的重要条件。随着国家对科技投入的不断加大, 高校承担的科研项目数量与经费额度日趋增长。高校科研经费管理中仍然存在着重申请、轻管理, 科研经费和资源配置不合理等问题。如何分析高校经费使用特征、评价高校科研经费的绩效, 促进科学、合理、高效地使用科研经费, 加强财务制度执行力度和预算, 促进科研水平的进一步提高和优秀科研成果的产生, 成为各高校的一项重要任务。

二、指标体系构建

(一) 建立评价指标的必要性

科学的科研经费绩效评价体系, 必须反映项目从申请立项到审批、结题的全过程。既要体现财务制度、科研政策的合理有效性, 又要体现科研经费投入的科学性, 还需反映出经费资源配置的效率。从高校管理层面来看, 对管理过程进行评价, 通过聚类分析发现学校科研效率低下存在的共性原因, 进而为高校管理者决策和优化科研资源配置提供科学依据。

(二) 评价指标的选取

科研经费绩效评价应该遵循国家科技部的五原则。张超豪从科研投入、科研运行及科研成果方面设置5个一级指标和18个二级指标, 反映科研经费的使用效率;苏琴从科研经费预算管理、日常管理、变更管理角度进行了高校经费的绩效评价;李洋构建的科研经费绩效评价指标包括人员投入、设备材料投入、研发劳务投入等;王汇认为, 高校科研绩效应该划分经济绩效、社会绩效及科学绩效。综上, 现有文献对科研经费绩效评价指标选取上或偏重科研产出或偏重总投入, 缺乏经费投入中重点支出项指标。本文综合现有的文献研究, 从科研投入、运行及产出构建科研经费评价指标体系, 力求实现对科研经费动态的、全面的、科学的评价。 (见表1)

三、A高校科研经费绩效评价聚类分析

(一) 权重与评价分值确定

本文采用专家调查法向理论水平和实践经验丰富的科研、财务专家提供科研经费评价体系中的一至三层次评价指标的有关资料, 请专家给各指标的重要程度作出判断并确定其权重。通过上述步骤向20位专家发放问卷, 得到第一层权重U1、U2、U3分别为0.34、0.09、0.57;同理, 得到第二层与第三层指标权重。本课题研究采用百分制定义总分, 根据测度出的各层权重, 将100分分解至各个指标并定义其分值, 邀请12位专家对A高校14个院系科研经费按照评价指标体系分解的指标值, 打分汇总至一级指标得分, 各个院系得分如表2所示。

(二) 聚类分析

根据学科门类, 考虑A高校实际科研经费使用情况, 将分类最佳数确定为3类。本文采用SPSS23系统聚类方法对该问题进行处理。个案处理结果中, 14个学院全部进入聚类, 变量系统聚类分析聚成三个类时, 个案类归属情况如表3所示。通过聚类分析构建可视化图谱, 以显示各个学院科研经费投入、科研经费过程、科研产出的聚类群体, 如图1所示。

由表3与图1可知:首先, 1类学院科研经费绩效评价中, 科研产出得分较高, 如农装学院、化工学院、食品学院, 该类学院论文、专利成果丰富, 成果奖励与队伍建设较优秀, 在科技成果转化上成效显著;科研经费投入中支出仪器设备、科研业务费及人员费用占比较为科学;在科研经费运行管理上存在较大欠缺, 仍需加强在预算变更、经费转拨上的管理;其次, 2类学院财经学院与理学院的科研经费绩效评价中, 科研产出得分居中, 2类学院论文与队伍建设较好, 但在成果奖励与在科技成果转化上比较弱, 主要由于此类学院的学科特性决定, 加强引导, 找寻落地, 鼓励理论与实践相结合, 促进研究成果的转化以及对企业、政府的辅助决策;科研经费投入中支出仪器设备、科研业务费及人员费用占比中科研人员费用占比较大, 科研业务费占比较少;科研经费运行管理良好;最后, 3类学院人文学院、法学院与外语学院的科研经费绩效评价中, 科研产出得分偏低, 3类学院论文级别偏低, 科研队伍尚未形成, 基本属于教师个人单干, 要加强团队建设, 鼓励教师之间的交流与合作, 促进研究团队的形成与研究成果的转化;科研经费投入中支出仪器设备、科研业务费及人员费用占比差异较大, 投入效率不高;科研经费运行管理欠佳。

四、结语

随着高校科研事业不断发展和科研经费的不断增长, 应积极开展针对高校科研经费的绩效评价工作。现有文献对科研经费绩效评价指标选取上或偏重科研产出或偏重总投入, 缺乏经费投入中重点支出项的指标。综合现有的文献研究基础, 从科研经费投入、科研经费运行及科研产出构建三个1级指标、七个2级指标、11个三级指标的科研经费评价指标体系, 全过程化地披露科研经费的财务状况及使用情况, 实现对科研经费动态的、全面的、科学的评价。实证部分对A高等学校14个学院科研经费进行了绩效评价, 并根据1级指标的及权重进行聚类分析, 针对聚类结果, 发现科研管理工作中的问题, 给出相应的建议, 及时整改, 促进高校财务管理水平的提高。

参考文献

[1]张超豪.高校科研经费模糊综合绩效评价研究[J].会计之友, 2013, (10) .

[2]苏琴.模糊综合评价在高校科研经费绩效评价中的应用[J].会计研究, 2010, (10) .

[3]李洋.高校科研经费绩效评价指标体系设计[J].集体经济, 2010, (12) .

[4]王汇.浅论高校科研经费管理的绩效[J].教育财会研究, 2010, (12) .

聚类评价方法第11篇

关键词：因子分析；聚类分析；互联网上市企业；财务绩效

1 概述

当今我国互联网已成为全球互联网发展的重要组成部分。互联网全面渗透到经济社会的各个领域，成为生产建设、经济贸易、科技创新、公共服务等的新型平台和变革力量，推动着我国向信息社会发展。然而，随着中国互联网如火如荼的发展，越来越多的互联网企业却遭到“成长的烦恼”。科学的财务绩效评价是了解企业的有效途径。因此，研究互联网企业财务绩效评价问题具有重要的意义。

利用因子分析和聚类分析相结合的方法对上市公司进行绩效评价的研究很普遍，但很少有学者将这种方法应用在互联网上市公司财务绩效评价的研究上。基于这种背景，本文选取20家互联网上市公司作为样本，利用统计分析软件SPSS16.0对样本公司的财务状况进行因子分析和聚类分析。先利用因子分析法计算出这20家公司的因子得分和综合得分并得出排名，再对每家公司因子得分进行聚类，把20家企业分成五类，最后对每一类公司各因子得分进行统计描述，以便对每类公司提出不同的发展战略。

2 互联网上市企业财务绩效评价指标体系的构建

2.1 样本的选取与数据来源

互联网企业上市之初往往存在“泡沫”，所以本文以2009年12月31日以前在美国纳斯达克证券交易所和香港证券交易所上市的互联网企业作为研究对象。符合上述要求的互联网企业有23家，但为了保证数据的有效性，本文剔除了少数资料不完全的上市公司，如：网龙、第九城市、酷6网。最终得到20家上市公司2012 年样本数据。本文数据来源于BVD-Osiris全球上市公司分析库、上市公司年报（腾讯）、新浪财经网（http：//stock.finance.sina.com.cn/usstock/quotes/BIDU.html）。

2.2 评价指标的构建

考虑当前经济环境下的互联网上市公司的实际情况，除了满足指标的内涵明确清晰、有独立性、有针对性等基本要求外，还应根据4M 原则（Meaningful、Measurable、Manageable、Material）[1]選取相应的指标。本文分别从偿债能力、营运能力、盈利能力、发展能力四个方面选取了反应企业财务状况的12个指标来。如表1所示。

由表1可看出，上述指标体系中，用于偿债能力分析的3个指标为适度指标，其他9个均为正向指标。因此，本文运用X′=1/（1+|X-A|）（A为X的理论最优值）方法对流动比率、资产负债率、产权比率这3个指标进行趋同化处理。另外，为了消除各指标之间的量纲影响，在趋同化后，我们对所有样本原始指标进行了无量纲化处理。

3 互联网上市企业的因子分析

因子分析是一种相关分析技术，是以较少几个因子反映原资料的大部分信息的统计方法。根据因子分析的思想，事先通过因子分析，从具有共线性的多个变量中筛选出少数几个变量。它们概括了原始变量观测值中绝大部分信息，使用这些变量建立的回归方程能再现原始变量之间的关系。[2]

本文对所选取的20个指标进行KMO和巴特利特球形检验，SPSS中输出的结果KMO=0.429，虽然KMO值较小，但是考虑到变量的个数本身很少，因此重点看球形检验统计量，观测值为219.722，对应概率p接近于0，概率p小于显著性水平，通过检验，适合进行因子分析。[3]

3.1 互联网上市企业的因子分析

利用SPSS软件从12项指标变量中提取出4类主要因子。第一个主因子的方差贡献度为24.29%，第二个主因子的方差贡献度为23.60%，第三个主因子的方差贡献度为18.94%，第四个主因子的方差贡献度为15.25%。由此可见，前四个因子的累计贡献率已经达到了82%，满足因子个数对累计贡献率的要求，因此，用这四个主因子就可以概括12个指标的大部分信息。

为了分别使四个主因子明显的代表一部分变量，本文对因子进行旋转，旋转后的因子载荷矩阵如表2所示。

表2 Rotated Component Matrixa

[＼&Component＼&1＼&2＼&3＼&4＼&Z流动比率

Z资产负债率

Z销售净利率

Z总资产净利率

Z权益净利率

Z营业收入增长率

Z资本积累率

Z市盈率

Z产权比率

Z净利润增长率

Z营运资本周转率

Z总资产周转率＼&-.892

.942

.109

.225

.293

.859

-.184

.323

.427＼&.164

.954

.898

.783

.244

.438

.275

-.352

-.140＼&

.194

-.247

-.560

-.116

-.584

.323

.387

.807

.771＼&

.106

.716

.717

-.637

.133

.593

＼&]

由表2可以看出，主因子1上载荷较大的变量：资产负债率、流动比率、产权比率，可以命名为偿债能力因子（F1）；主因子2上载荷较大的变量：销售净利率、总资产净利率、权益净利率，命名为盈利能力因子（F2）；主因子3上载荷较大的变量：营运资本周转率、总资产周转率，命名为营运能力因子（F3）；主因子4上载荷较大的变量：资本积累率、营业收入增长率、市盈率、净利润增长率，命名为成长能力因子（F4）。

3.2 因子得分及互联网上市企业排名

以各个旋转后因子的方差贡献率为权数，可得到样本公司综合得分模型：F=0.24293F1+0.23604F2+0.18940F3+0.15247F4。由综合得分模型可以计算出20个企业的综合财务业绩得分及排名为：1、搜房（4.288） 2、新浪（3.64） 3、掌上灵通（2.431） 4、腾讯（2.379） 5、携程（2.17） 6、搜狐（1.861） 7、前程无忧（1.369） 8、太平洋网（1.032） 9、当当（0.979） 10、畅游（0.791） 11、易车网（0.774） 12、巨人网络（0.647） 13、网易（0.638） 14、鳳凰新媒体（0.607）15、盛大游戏（0.477） 16、百度（0.413） 17、空中网（0.396） 18、麦考林（-0.007） 19、金融界（-0.546） 20、优酷土豆（-6.105）。

4 互联网上市企业的聚类分析

本文选用层次聚类法对处理后的20组有效样本数据进行分层聚类分析。层次聚类法的基本思想是：首先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到所有的对象都在一个簇中，或者某个终结条件被满足。

本文层次聚类法把20家互联网企业分成五类。第一类：腾讯、百度、搜狐、携程、畅游、盛大游戏、巨人网络、太平洋网、易车网；第二类：网易、前程无忧、凤凰新媒体、空中网、金融界、掌上灵通；第三类：新浪、搜房；第四类：当当、麦考林；第五类：优酷土豆。可以看出，分类结果与互联网上市企业综合得分排名有密切联系，分在第一类的9个互联网企业的综合排名都在综合得分前十名；分在第二类的6个企业综合得分排名都在14名以后。

5 结论政策建议

根据以上对各互联网上市企业财务状况进行分析并提出以下建议：第一类互联网企业在偿债能力、盈利能力、成长能力方面因子得分都处于平均水平以上，个别企业在营运能力因子得分上低于平均水平。且第一类企业在营运能力和成长能力方面非常相似，因子得分基本都处于0-1之间。这类企业综合实力较强。所以要不断加大新技术的研发投入、及时跟进互联网技术的革新，以满足互联网用户新的、更广泛的需求，不断提高企业的综合能力，使企业整体水平得到稳步上升。

第二类互联网企业在偿债能力、盈利能力方面的差距较大，在营运能力和成长能力方面比较稳定，基本都处在平均水平左右。这类企业综合实力稍弱于第一类企业。对于偿债能力、盈利能力弱的企业来说，应加强内部管理，对资本结构进行调整的同时也要加大资本的利用效率，抓住自己的核心优势。对于偿债能力、盈利能力强的企业来说，在加大资本的利用效率的同时开发新技术来满足用户新的需求，使企业整体水平得到稳步上升。

第三类互联网企业在各个得分因子上比较均衡，偿债能力、盈利能力因子得分较高，而营运能力、成长能力因子得分较低。说明这类企业处于成长初期。对于这类公

司，更重要的是确立差异化发展战略，避开与大公司的正面较量，突出产品和服务特色，做到“人无我有，人有我优”，要继续保持良好的盈利能力和偿债能力。[4]

第四类互联网企业在偿债能力、盈利能力方面都低于平均水平，但成长能力、营运能力较强，综合得分也高于平均水平。这类公司起步较晚，有较高的成长空间，所以管理者应在保持其高速增长的优势基础上，注意偿债和盈利方面能力的提高。

第五类的互联网企业只有优酷土豆，优酷土豆的偿债能力、盈利能力非常低，成长能力处于平均水平，而营运能力非常高，说明优酷土豆的资产管理效率较高，对于这类公司要从内部管理抓起，要找准市场定位，集中优势资源，发挥自己的核心优势。

参考文献：

[1]Yu yali，Zhou xiao，Wu wei. Financial Performance Measurement for Banks.Bei jing.Enterprise Management Publishing，2003.

[2]侯治平.因子分析与聚类分析在电子商务网站评价中的应用研究[J].科技管理研究，2011（18）：144-147.

[3]夏怡凡.SPSS统计分析精要与实例讲解[M].电子工业出版社，2010：264.

[4]周延，郭建林.基于因子分析和聚类分析的寿险公司财务评价[J].华东师范大学学报，2010（2）：84-88.

基金项目：

聚类评价方法第12篇

近年来环境管理体系在我国企业中得到了一定的发展, 但在实践中, 由于环境管理体系管理程序复杂、实施比较复杂等因素, 企业的运行效益呈现了不同的状况。而鉴于环境管理体系实施在经济、社会、环境上的作用, 想要提高其运行效益, 需要从环境成本、环境效益、环境绩效等方面来分析, 从而做出环境管理体系运行效益的评价。

1 背景和方法

我国于1996年引进ISO14000系列环境管理体系标准, 但在多年实施过程中, 各个企业的运行效益状况并不理想。因而对环境体系的运行效益评价, 并分析得出影响因素便成了亟需解决的问题。

对于效益评价主要有层次分析法、模糊评价法、主成分分析法等, 这些方法一般都是基于最优化原理进行的, 并且这些方法都要考虑各个指标的权重, 对于得出的结果掺入了主观性, 影响了测定结果的真实性。所以本文选择聚类分析法, 因为在对环境管理体系实施的效益评价时, 并没有事先的经验或一些国际标准、国内标准、行业标准, 分类便会显得随意和主观。这时只要设定比较完善的分类变量, 就可以通过聚类分析法得到较为科学合理的类别。本文对层次分析法、模糊评价法、主成分分析法和聚类评价法进行了如下对比:

层次分析法:系统性的分析方法、所需定量数据信息较少、需要确定各个指标的权重。

模糊评价法:评价的结果为集合、适用于定性指标的定量评价、评价结果对评价对象通常具有唯一性、需要确定各个指标的权重。

主成分分析法:可消除评价指标之间的相关影响、可减少指标选择的工作量、需要确定各个指标的权重。

聚类评价法:适用于没有先验知识的分类, 能够分析事物的内在特点和规律, 并根据相似性原则对事物进行分组并且不需确定各个指标的权重。

2 聚类分析法

系统聚类分析, 一种使用于小样本的样本聚类或指标聚类, 是聚类分析中应用最广泛的一种方法。具体的又可以分为凝聚的和分裂的两种方案。无论哪种方案其聚类原则都是相近的聚为一类, 即距离最近或最相似的聚为一类。分类是否合理的评判标准:同类样本之间的离差平方和较小, 类与类之间的离差平方和较大。

设将n组样本分成k类G1, G2, , Gk, 用xit表示Gt类中的第i个样本, nt表示Gt类中样本的个数, xt表示Gt的重心, 则Gt类中的样本离差平方和为

总的类中离差平方和为

先将n个样本各自看作一类, 每合并一类时其离差平方和就增大, 选择使S增加最小的两类进行合并, 直到所有的样本归为一类[1,2]。

3 实例分析

3.1 实例

本文研究的是环境管理体系运行效益问题, 就决策单元的选取上, 考虑到环境管理体系的运行会因企业的规模大小、对环境污染程度高低而产生很大差异, 因而我们收集规模相当、对环境污染相对比较严重的20家企业作为决策单元, 其中包括纺织业6家、造纸和纸制品业4家、石油加工业6家、化学原料和化学制品制造业4家。收集分析的数据如表1。

3.2 评价指标

对于环境管理体系运行效益评价来说, 企业的投入对应的通常有两种效益, 一种为环境效益另一种为经济效益, 而环境效益并不能用货币来计量和体现, 所以我们只考虑经济效益。而所用评价指标通常为环境成本、环境收入、环境收益。环境成本基本上可以用货币进行计量, 包括环保设备购买费用、环保设施建设费、环保设备维护费用、环境方面的其他支出 (人员培训费用、环保监测费用和废物处理费用等等) , 而对环境收入来说能够定量的分析的因素包括利用“三废”加工生产的产品销售收入、排污权转让收入、废弃物处理收入、采用先进的环保技术节约材料和能源而降低的成本、开展环保活动取得的财政补贴、减免税收入、低息及无息贷款收入[3]。在许多因素并不能用数据直接体现的情况下, 我们认为环境收益等于环境收入减去环境成本。本文使用的是对于20家企业搜集的数据, 并通过聚类分析方法来对环境管理体系的运行效益进行评价。本文中利用SPSS软件得到了聚类结果。

3.3 聚类分析结果

运用SPSS17.0进行Q型聚类, 聚类方法采用组间连接法, 并采用平方欧氏距离 (Squared Euclidean distance) 得到如下结果。

由树形图 (图1) 直观可见:

企业A、企业J、企业M、企业S、企业T为一类, 企业R为一类, 其余14家企业为一类。

3.4 总结分析

根据所得结果, 我们可以看到大多数企业在环境管理体系的实施中效益并不是很理想。虽然我们只能从能够通过货币计量的因素来分析, 但我们也可以从数据的分析结果中, 试着从每一类的企业在其管理、工艺以及是否有国家政策扶持等方面进行分析。

运行效益不理想的企业, 其可能在环境管理体系认证后疏于管理, 并且企业本身工艺过老旧, 使得设备与工艺脱节、新型设备无法充分利用, 最终环境管理体系的实施并没有为企业带来明显的经济效益甚至由于设备的引进摊销而导致企业的总效益减少。而从环境效益明显的企业来看, 其在环境管理体系运行中, 可能管理得当、工艺先进、并且得到国家扶持政策, 因而企业得到了一定的环境效益。

所以在实施环境管理体系的过程中, 企业应该注意管理方面, 分配专业人员进行企业环境管理, 并且企业在引进新型环保设备的同时也要更新企业的工艺, 使得设备能与工艺很好地协调合作。

4 结束语

本文运用聚类分析中的系统聚类方法对于环境管理体系的实施效益进行了评价, 虽然评价的指标仅是能够用货币计量的指标, 但是至少对于今后环境管理体系标准的实施提出了一定的改进建议, 为更好地利用环境管理体系提高企业盈利能力提供了一定的借鉴。环境管理体系标准作为提倡可持续发展时代的可持续发展的一项具体配套措施, 需要在不断的实践、总结以及改进中得到更好的发展。

参考文献

[1]李卉, 孙灿明.基于低碳经济理念下的企业环境成本效益分析评价[J].企业家天地:下旬刊, 2010 (3) .

[2]李婷.聚类分析在交通流时序数据挖掘中的应用[D].北京:北京交通大学, 2008.

聚类评价方法范文

聚类评价方法第1篇

模糊聚类在水质评价中的应用第2篇

聚类评价方法第3篇

聚类评价方法第4篇

连通聚类星识别方法第5篇

聚类评价方法第6篇

聚类评价方法第7篇

聚类评价方法第8篇

波兰桑蚕品种的综合评价与聚类分析第9篇

聚类评价方法第10篇

聚类评价方法第11篇

聚类评价方法第12篇

聚类评价方法范文

猜你喜欢

栏目

最近更新

热门标签

聚类评价方法范文

聚类评价方法 第1篇

模糊聚类在水质评价中的应用 第2篇

聚类评价方法 第3篇

聚类评价方法 第4篇

连通聚类星识别方法 第5篇

聚类评价方法 第6篇

聚类评价方法 第7篇

聚类评价方法 第8篇

波兰桑蚕品种的综合评价与聚类分析 第9篇

聚类评价方法 第10篇

聚类评价方法 第11篇

聚类评价方法 第12篇

聚类评价方法范文

猜你喜欢

栏目

最近更新

热门标签

聚类评价方法第1篇

模糊聚类在水质评价中的应用第2篇

聚类评价方法第3篇

聚类评价方法第4篇

连通聚类星识别方法第5篇

聚类评价方法第6篇

聚类评价方法第7篇

聚类评价方法第8篇

波兰桑蚕品种的综合评价与聚类分析第9篇

聚类评价方法第10篇

聚类评价方法第11篇

聚类评价方法第12篇