加权灰色关联分析法

加权灰色关联分析法（精选11篇）

加权灰色关联分析法 第1篇

交通事故是一种世界性的公害,据红十字国际委员会不久前公布的数据显示:全世界每年死于道路交通事故的人数达50万人,另有500万人受伤[1]。道路交通事故给家庭、集体和国家都带来了巨大的损失,成为世界性的严重的社会问题。

目前对交通事故的分析主要从定性和定量两方面入手。定性分析主要是通过对事故的宏观分析,提出相应的治理措施[2];定量分析中有常规的数理统计方法[3],还有基于数据挖掘的交通事故分析[4,5]。作为数据挖掘的一部分,关联规则的挖掘越来越受到业界人士的高度重视。

本文针对道路交通事故属性的数据模型特点,并考虑到各种事故原因因素对事故属性本身的影响有轻重之分,基于传统关联规则模型[6],提出一种加权关联规则模型,针对用户给出的不同最小支持度和最小信任度,最终得到相应的关联规则和规律,供交通指挥部门道进行路交通管理决策。

1 道路交通事故属性的数据模型

1.1 道路交通事故属性(PRTA)的定义

道路交通事故属性[1](property of the road traffic accident,PRTA)是指道路交通事故发生时,驾驶员属性、车辆属性、道路属性、天气属性、时间属性和事故本身属性的集合。这样,可以将大量的道路交通事故数据按照道路交通事故属性组织为信息,以便进行数据挖掘。

1.2 道路交通事故属性的数据模型

概念层次树是数据库中各属性值和概念依据抽象程度不同而构成的一个层次结构。图1是道路交通事故属性的概念层次树[1]。

概念层次树中第1层是驾驶员属性(D),车辆属性(V),道路属性(R),天气属性(W),时间属性(T),事故本身属性(A)。第2层是第1层的细化,驾驶员属性:性别、年龄、驾龄、驾证种类、出行目的。车辆属性:车辆使用性质、交通方式、行驶状态、所属行业。道路属性:公路行政等级、地形、路面情况、道路横断面、路口路段类型、道路类型、交通控制方式、照明条件。天气属性主要是指事故发生时的天气状况,主要有雨,雪,晴,阴,其他。时间属性:小时、星期、月份。事故本身的属性:事故类型、事故主要原因、事故形态、现场。第3层是对第2层的更进一步细化,主要有性别:男,女,未知。年龄:18岁以下,18~30岁、30~45岁、45岁以上。驾龄:1 a及以下,2~3 a、4~5 a、6~10 a、11~15 a、16~20 a、20 a以上等等。

2 加权关联规则模型的建立

关联规则模型是针对各个因素相互独立且有同等重要性的情况而进行研究的,但在现实生活中,每个影响因素是有轻重之分的,因此通过关联规则模型进行分析得到的结果是个粗略的估计,不会很准确。例如,交通事故中造成财产损失事故和造成死亡事故是不可能视为同等的重要程度处理的,如果采用关联规则模型对其加以分析,得到的结果就会不准确从而使得采取的措施不够恰当,对实际问题的解决帮助不大。本文提出加权关联规则模型, 引入权重来定义支持度和信任度,解决了传统的关联规则模型定义的支持度和信任度存在的问题,运用此模型分析的结果就会比较准确。

加权关联规则的基本模型是:设I={A1,A2,,An}是由n个不同的项目组成的集合。给定一事务数据库D,其中每一个事务T是I中1组项目的集合,即T⊆I, T有1个惟一的标识符TID。若项目集X⊆I且X⊆T,则称事务T包含项目集X。加权函数定义为:α:I[0.1,9](在实际应用中加权函数需由专家来确定或者用主成分分析法[7])。一条加权的关联规则是形如X⇒Y的蕴涵式。其中:X⊂I,Y⊂I且X∩Y=∅。其加权支持度定义为:

$w\text{s}\text{u}\text{p}p(X)=\frac{\alpha (X)|X|}{{\rm N}}$

式中:X=Al∪Am∪As;1l<m<<sn;α(X)=max{α(Al),α(Am), ,α(As)};N为记录数。若w supp(X)≥min supp(最小支持度),称X为频繁项目集。加权信任度定义为:

$\begin{array}{l}w\text{c}\text{o}\text{n}\text{f}(A\Rightarrow B)=\frac{\alpha (A{\displaystyle \cup B})|A{\displaystyle \cup B}|}{\alpha (A)|A|}=\\ \frac{w\text{s}\text{u}\text{p}p(A{\displaystyle \cup B})}{w\text{s}\text{u}\text{p}p(A)}\end{array}$

这样,加权的关联规则可写成:X⇒Y[w supp,w conf]。同时满足最小支持度阈值(min sup p)和最小信任度阈值(min conf)的规则称作强规则。由于此模型中的权重是取所有考虑因素权重的最大值,所以它们的值有可能会超过1,这样就不太符合概率的意义,鉴于它的实际意义,本文把超过1的全部视为1。

3 加权关联规则算法

3.1 算法的思想

传统关联规则算法Apriori算法是把每个属性的重要性都视为相同进行分析的。对于交通事故的分析,如果仍采用传统关联规则算法,挖掘的结果不理想,实用性不大,特别是主要影响因素出现不频繁时,结果可能只是挖掘到一些大家认为“近乎自然”的“平凡”的规则,而与主要影响因素相关的规则却挖掘不出来。为解决这个问题,本文引入了属性的权重,以改进此算法。由于交通事故的特殊性,只需分析原因属性与结果属性的关联即可,不需分析原因属性之间的关联,故可简化一部分操作,从而形成本文的加权关联规则算法。

3.2 算法的步骤

输入:事务数据库,min supp,min conf,权重α(Ai) ,i=1,2, ,n。其中:As(1sn-3)为交通事故原因属性,As(n-2sn)分别表示死亡事故、受伤事故、财产损失事故。

输出:加权关联规则集(包括对应的加权支持度和加权信任度)。

步骤1 计算出Ai(i=1,2, ,n)的支持度。

步骤2 根据加权支持度$w\sup p(A{}_i)=\frac{\alpha (A{}_i)|A{}_i|}{{\rm N}},i=1,2,\cdots ,n$。式中:N为记录组数。求出每个Ai的加权支持度,i=1,2, ,n。

步骤3 若w supp(As)<min supp,n-2sn,则算法停止。

步骤4 类似Apriori算法过程递归求出P∪As的支持度。式中:P=Al∪Al+α∪Al+ab,1l<<l+a+b<n-2,a>0,b>0;n-2sn。

步骤5 根据加权支持度定义,求出P∪As的加权支持度。

步骤6 若w supp(P∪As)≥min supp,则保留P∪As.

步骤7 求出保留下的所有P⇒As的加权信任度w conf(P⇒As)。

步骤8 若w conf(P⇒As)≥min conf,则保留加权关联规则P⇒As。

步骤9 输出所有加权关联规则P⇒As。

4 算 例

本文仅从道路交通事故属性的数据模型的第3层中挑选以下代表性的属性对其进行分析:男(用A1表示)、女(用A2表示)、18~30岁(用A3表示)、30~45岁(用A4表示)、45岁以上(用A5表示)、客车(用A6表示)、货车(用A7表示)、自行车(用A8表示)、弯路(用A9表示)、陡坡(用A10表示)、平直公路(用A11表示)、阴天(用A12表示)、晴天(用A13表示)、雨天(用A14表示)、白天(用A15表示)、傍晚(用A16表示)、深夜(用A17表示)、死亡事故(用A18表示)、受伤事故(用A19表示)、财产损失事故(用A20表示)。

下面用20组记录数据(如表1所列)来说明加权关联规则挖掘算法。其中1为发生;0为未发生。

本文利用Java软件对此问题实现了加权关联规则算法,并设计了加权关联规则模型在交通事故分析中应用研究的软件包。此软件包可以根据用户自己设定的最小支持度和最小信任度,得到加权关联规则,同时此软件包还可以自行选择数据记录。它可以根据不同用户的需要选择不同的数据记录,设定不同的最小支持度和最小信任度,最终挖掘出用户满意的加权关联规则。

取最小支持度为0.4,最小信任度为0.8,利用设计的软件包得到的加权关联规则结果为:

A7∪A11⇒A18(45%,100%)

A5∪A17⇒A18(45%,100%)

A2⇒A19(50%,91%)

A15⇒A19(40%,89%)

A13⇒A20(45%,100%)

A2⇒A20(45%,82%)

A2∪A13⇒A20(45%,100%)

A13⇒A20(45%,100%)表明晴天开车导致财产损失事故的加权支持度为0.45,加权信任度为100% ;A2⇒A20(45%,82%)表明女性开车导致财产损失事故的加权支持度为0.45,加权信任度为0.82;A2∪A13⇒A20(45%,100%)表明女性在晴天开车导致财产损失事故的加权支持度为0.45,加权信任度为100%;A2⇒A19(50%,91%)表明女性开车导致受伤事故的加权支持度为0.5,加权信任度为0.91;A15⇒A19(40%,89%)表明白天开车导致受伤事故的加权支持度为0.4,加权信任度为0.89;A7∪A11⇒A18(45%,100%)表明在平直公路上开货车导致死亡事故的加权支持度为0.45,加权信任度为100%;A5∪A17⇒A18(45%,100%)表明45岁以上的人在深夜开车导致死亡事故的加权支持度为0.45,加权信任度为100%。

用传统的关联规则和加权关联规则方法对表1的数据分别进行实验,对比分析及其结果见表2。

由表2不难看出,对于同一最小支持度和最小信任度得到的关联规则数,加权关联规则数总是大于传统关联规则数。这是由于本例中的属性权重是介于1到3之间所导致的结果。实际上,从加权关联规则模型也可以看出,加权关联规则数的大小是与属性权重的设置有关。以表2的实验次数5为例,选用最小支持度为0.2,最小信任度为0.7,得到的传统关联规则数为5,得到的加权关联规则数为97,其中A13⇒A20(45%,100%)这条规则出现在加权关联规则中而不在传统关联规则中。它在传统关联规则中的支持度为0.15,信任度为0.375。本文用加权关联规则方法增强了它的支持度和信任度,使此规则更容易被发现。可见,本文所提出的方法可以发现同样支持度和信任度条件下传统方法无法发现的一些潜在有用的规则。从中洞察一些潜在的事故高发原因,提供给有关部门,为其作出决策服务。

5 结束语

本文针对交通事故的实际问题,建立了基于关联规则理论的加权关联规则模型,提出一种对道路交通事故进行分析的新方法,来分析事故本身因素与驾驶员因素、车辆因素、道路因素、天气因素和时间因素中代表性的因素的关联性,并用Java编程实现,对得到的结果规则进行了分析。同时说明了本方法的研究对杜绝事故隐患、减少事故发生有着十分重要的意义。关联规则挖掘的应用越来越突出,从事此技术领域的人也越来越多.随着经济的发展,人们生活水平的提高,交通安全越来越被重视,将数据挖掘这样一门相对而言较新的技术完美的应用到交通安全领域将成为近一段时期甚至将来的一个重要热门课题。

摘要：考虑到各种交通事故因素对交通事故属性本身的影响有轻重之分,基于传统的关联规则挖掘模型,提出了一种加权关联规则的模型,设计与实现了加权关联规则的挖掘算法,并应用到道路交通事故属性的分析中。

关键词：数据挖掘,关联规则,权重系数,交通事故

参考文献

[1]吴昊.基于关联规则的道路交通事故数据挖掘的研究[D].吉林:吉林大学,2005

[2]谷志杰,李欣亮.承德市道路交通事故易发多发点段分析及治理措施[J].河北交通科技,2007,4(1):52-56

[3]李淦山.云南省交通事故数据的分析研究[J].中国安全科学学报,2007,17(7):72-80

[4]刘军.基于数据挖掘技术的交通事故分析与研究[J].科技信息,2007(27):433-434

[5]董立岩.数据挖掘技术在交通事故分析中的应用[J].吉林大学学报:理学版,2006,44(6):951-955

[6]Han J,Kamber M.Data mining,concepts and tech-niques[R].Morgan Kaufmann,2000

农业科技灰色关联熵分析论文 第2篇

3实证研究

为了能更清楚的认识农业科技系统演化发展的状况，就有必要通过实证分析来论证。由于农业科学技术一直在发展更新，因此整个农业科技系统的演化也在不断进行。农业科学技术的进步有很多方面可以体现出来，为了论证的方便，本文选取两个大的类别：农业机械技术和农业生物化学技术。能表征这两方面技术发展水平的指标比较多，为了能较全面的反映农业科技演化的情况，本文从众多的指标中选取有代表性的，同时参考以下几个方面：(1)指标的选取必须尽量全面、完整，而且所选取的指标能根据不同的要求来考查。(2)要选取有代表性的和典型性的指标，对于表征的含义相同、相近或者具有较大关联性的指标不予考虑，所选取的指标尽可能的含有更多的信息量，以此来反映问题的不同方面。(3)选取的指标应该具有实用性和可行性，能反映某一时期的农业科学技术水平，并且能有明确的含义，更易于量化分析和评价。根据以上几点的要求，本文选取农业机械化、电气化、水利化和生物化学化这四个方面来反映农业科技在某一时期的发展水平。具体而言，这四个方面分别指的是指的是农业机械总动力、农村用电量、化肥施用量和农药施用量、有效灌溉面积。本文参考《河南省统计年鉴》(2001-2009年)获得相关数据见表1。利用表征农业技术发展程度的农业机械总动力、农业的用电量、化肥施用量、农药使用量、有效灌溉面积这五个指标作为比较数列Xi={Xi(t)，t｝=1，2，9，i=1，2，3，4，5，取农业总产值作为参考列X0={X0(t)，t=1，2，，9｝，计算X1，X2，X3，X4，X5与X0之间的灰色关联系数。由此得出X0与X1，X2，X3，X4，X5间的`关联度为：γ01=0.7081，γ02=0.6332，γ03=0.6698，γ04=0.7644，γ05=0.6358。根据灰色关联熵的相关理论可知，在系统的发展变化过程中，表征农业科技系统某一时期发展水平的值与某一合理阈值的关联系数越大，则演化过程中系统的有序性就越强。根据所获得的数据可以看出，河南省农业电气化和农业化学化的发展相对于其他方面呈现出较强的有序性，农业机械化的发展过程中的有序性最弱。农业的现代化发展过程中，电力、农药化肥、机械设备必不可少，由于河南人口众多，农业的发展主要以家庭为单位，大规模机械化耕作不能实现。由于近几年政府一直加大农村电网的改造，农村电力基础设施日趋完善，有助于农业科技的发展。通过改善化肥的效用和农药的功效，可以不断的增加农业的产值。由于河南省人口众多，加上不同地区的地貌差异比较大，山区农业机械化的推广就要比平原地区难很多，个体农业耕种都会影响农业机械化的使用效率，进而就会影响对农业科技系统的演化进程。另外，国家政策、农业发展资金、劳动力素质以及气候等的原因，都会对农业科技系统的演化发展有影响。为更进一步了解农业科技系统演化的情况如何，本文根据熵变理论，把上述时间分为几个时间段，求其不同时间段的灰关联熵，以此来判定农业科技系统的演化方向。根据熵的变化理论，经过计算得出以上的灰关联熵值，可以看出，所选取的五个反映农业科技发展水平的指标，随着时间的发展，熵值都呈递减趋势，也反映了农业科技系统的演化发展是良性的。如果将三个时间段的数据相加可以得到s1=6.8122，s2=4.4978，s3=3.3204，可以看到熵值总体也在递减，农业科技系统处于良性循环的演化发展过程中，也表明系统的功能处于一个稳定的状态。

4结论

加权灰色关联分析法 第3篇

旅游产业具有关联度高,带动效应明显的特性。它不仅涵盖住宿业、餐饮业、客运交通业、文化娱乐部门等服务业门类,而且可与农业、林业和加工制造业等联动发展,提高农业、工业等行业附加值,是现代产业体系中与多个产业相互融合的重要纽带。

一、河北旅游发展概况

(一)旅游资源

河北是中国唯一兼具海滨、平原、湖泊、丘陵、山地、高原的省份,地貌多样、气候宜人,名山大川、急流飞瀑、江河湖海、温泉冰雪、森林草原、珍稀生物等各类旅游资源应有尽有,美不胜收。

河北旅游资源丰富,可用“五色”来概括。“金色”主要以承德避暑山庄及外八庙、清东陵清西陵等皇家胜迹为代表,“红色”主要以革命圣地西柏坡为代表,“蓝色”主要以北戴河、乐亭等地海滨海岛为代表,“绿色”主要以坝上草原、太行燕山等自然生态为代表,“白色”主要以张家口、承德等地的冰雪旅游为代表。河北现有历史文化名城(镇)10座(邯郸、承德、保定、宣化、蔚县、山海关、定州、正定、井陉天长镇、永年广府镇),国家级文物保护单位168处,世界级文化遗产3处(承德避暑山庄及周围寺庙群、长城、清东陵和清西陵),国家风景名胜区7处,国家森林公园24处,世界地质公园2处,国家自然保护区11处,各类景区500余处。璀璨的历史文化,旖旎的水光山色与绚丽的民俗风情交响辉映,构成了河北五彩缤纷的旅游大观园。

(二)区位交通

河北内环京津,外环渤海,地处畿辅,比邻五省,北靠燕山,西倚太行,南临黄河,区位优越,交通便利。河北是北京通往各省的必经之地,公路纵横,分布密集,通车里程达4万多公里。

(三)旅游产业发展速度

数据显示,2001-2010年河北旅游总收入整体呈上升趋势。2003年和2008年有所下降,这是因为2003年发生非典、2008年全球爆发金融危机所致。2003年河北省旅游总收入为205.3亿元,下降26.4%,2004年旅游总收入350.4亿元,增长70.7%,实现井喷增长;2008年河北旅游总收入554.5亿元,下降4.9%,2009年旅游总收入为709.7亿元,增长28%,也实现了大幅度增长。

数据来源:河北省国民经济和社会发展公报

二、河北旅游产业关联模型建立

(一)选取指标体系

旅游产业是第三产业以及整个国民经济各产业带动性最强的产业,是调整区域经济产业结构的重要驱动力量。在指标选取时,考虑与旅游业密切相关的农林牧渔业、工业、交通运输、批发零售、餐饮住宿等产业(时间序列为2004—2009年),通过分析其产业数值联系来确定与旅游产业的关联度。

(二)建立灰色关联模型

1. 确定参考数列和比较数列。

旅游数列为参考数列,农林牧渔业、工业、交通邮电业、批发零售业、住宿餐饮业为比较数列。

2. 处理原始数据,无量纲化。

各产业产值有不同量纲和数量级,为便于比较进行无量纲化处理,对原始数据进行初值化。

3. 计算灰色关联系数。

对数据进行无量纲化处理后,计算各年份旅游产业与相关产业的关联系数。

ρ为分辨系数,一般取ρ=0.5,具有较高的分辨率。

4. 灰色关联度的计算。

本文的灰色关联度是指旅游产业与相关产业关联的量度,关联度越大的产业,它与旅游产业的相互依赖程度越密切,旅游产业的发展对该产业的拉动效应越明显。

三、实证分析

总体来看关联度在0.6035~0.7006,关联度较高,其中关联度由大到小的顺序是交通运输业0.7006>工业0.6587>农林牧渔业0.6567>住宿餐饮业0.6035。

(一)原始数据整理

(数据来源:国家统计年鉴)

(二)关联度计算

运用上述公式,计算关联度,见下表。

(三)关联度分析

1.旅游业与交通运输、仓储、邮政通讯业关联度分析

旅游业与交通运输、仓储、邮政通讯业的关联度为0.7006。交通运输是旅游业三大行业之一,是旅游产品的组成内容,游客在旅途中享受的服务和档次会影响对整个游历过程的评价。河北现已经建立起了四通八达的海、路、空网络交通体系,旅游区外和区内交通设施不断完善,对促进旅游经济增长起了重要作用。

2.旅游业与工业关联度分析

旅游业与工业的关联度为0.6587。目前河北有冀中能源峰峰集团梧桐庄矿、冀中能源股份公司邢东矿、冀中能源井矿集团段家楼、华北制药集团、开滦国家矿山公园、河北钢铁集团唐钢公司、河北钢铁集团邯钢公司、河北钢铁集团矿业公司司家营铁矿等多家工业旅游示范点,这不但丰富了旅游产品,满足了不同层次的市场需求,完善旅游产业的内涵,增加旅游消费新亮点,还有利于打造企业的品牌形象,推动工业由制造型向创造型、服务型转变。

3.旅游业与农林牧渔业关联度分析

旅游业与农林牧渔业的关联度为为0.6567,仅次于与工业的关联度。河北旅游业与农林牧渔业的关联性主要体现在农业为旅游业提供原材料和为旅游市场提供旅游产品,例如水果、海产品以及各种土特产。保定顺平桃花节、石家庄赵县梨花节等均在国内有一定的知名度和影响力,预计到2015年,河北乡村旅游总收入突破200亿元。农业旅游的出现既是拓宽旅游业发展领域的最佳选择,又是实现高效农业、生态农业的重要途径。

4.旅游业与批发零售业关联度分析

旅游业与批发零售业的关联度为0.6108。从2004至2009年期间,批发零售商业呈逐年递增的趋势,旅游购物是批发零售业收入增加的重要驱动力,但购物始终是河北旅游产业的薄弱环节。因此河北要抓住建设沿海休闲度假产业带契机,建立专门的旅游商品公司生产旅游工艺品、纪念品;采取公司+农户模式,统一管理、保障供货渠道;建立专门的购物街、网上购物店,多层面满足消费者要求。

四、结论与建议

加权灰色关联分析法 第4篇

基于灰色关联层次分析的飞机战伤抢修性评价

分析了飞机战伤抢修性的主要影响因素,建立了抢修性评价指标体系.给出了灰色关联与层次分析相结合的分析模型,并研究了该模型在飞机战伤抢修性评价中的应用,通过实例计算表明了这种评价模型的.有效性和实用价值.

作 者：侯满义 李曙林 李寿安 HOU Man-yi LI Shu-lin LI Shou-an 作者单位：空军工程大学工程学院,西安,710038刊 名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL年，卷(期)：200613(6)分类号：V271.4关键词：灰色关联 层次分析 关联度 飞机战伤抢修 战伤抢修性

加权灰色关联分析法 第5篇

【摘要】 运用灰色关联度分析法分析了新疆2008区试中晚熟组的各年度材料的8个产量性状,研究了玉米主要性状对产量的影响。结果表明:各性状对产量影响的大小依次为:生育期>穗行数>株高>行粒数>穗位高>穗粒重>百粒重>穗长。优质高产育种中应选择生育期较长、大穗品种的材料做亲本。

【关键词】 玉米 主要性状 产量 灰色关联度

玉米的经济产量是由穗粒数、亩穗数和百粒重三个产量因素构成的。在玉米生产中,玉米的产量与品种对路、苗全苗齐、施肥习惯等因素存在着密切的关系。运用灰色系统理论和方法,进一步弄清楚产量构成因素与农艺性状间的主次亲疏关系,为指导玉米育种提供理论参考依据。

1.材料和方法

1.1供试材料选取2008在新疆维吾尔自治区异地多点试验的参试品种19个。

1.2试验方法在新疆范围内选择有代表性的试验点7个,以统一的试验方案进行异地多点品种比较试验。玉米平均亩穗数3703穗,平均穗粒数544粒,百粒重预计28克,与去年持平。理论亩产为564公斤,实际亩产按理论亩产的80%计算为451.2公斤, 比上年实际增加17.65公斤, 增长4.07 %。玉米受叶螨、粘虫为害较往年轻,但连续降雨使玉米根系活力受到影响,部分玉米倒伏,排水不及时,根系缺氧,植株生理代谢失调,加上肥无法供应,养分不能正常向果穗输送,造成玉米早衰使生育期提前,对玉米生产产生了一定影响。

2.结果与分析

2.1参试品种各性状间的关联系数

将2008年异地多点参试品种主要产量农艺性状的5 点次观察值汇总整理,取其各性状平均值(见表1)。

2.2玉米各性状间的关系分析

根据关联分析原则,关联度大的数列与参考数列关系较为密切,关联度小的数列与参考数列的关系较为疏远。从表2 可以看到:与产量关系最为密切的性状是生育期,关联度为0.4294,其次是穗行数,关联度为0.3918,再依次是株高、行粒数、穗位高、穗粒重、百粒重、穗长。

由此可见:生育期、穗行数是影响产量的主要性状,以高产为目标的育种途径应该选生育期较长的大穗品种。

3.讨论

本研究对多地域、多品种进行灰色关联度分析,为选育高产、优质玉米提供科学的理论依据。同时发现苗全、苗齐是基础。 玉米亩茎数不能靠分蘖来调整,并且缺苗补种的玉米植株细小瘦弱,只有正常植株产量的30%。所以对玉米来说,苗全苗齐很关键,可以说“七分种,三分管”,缺苗亩穗数减少,就意味着减产。为保证苗全苗齐苗壮,我们要求农民保证播种质量,使用种肥,播后立即浇水,防止玉米回芽,影响苗全苗齐;使用锄草剂时要结合杀虫剂,防止一代棉铃虫等害虫危害而造成缺苗、断垄现象发生。

【参考文献】

[1]卢宪英,崔卫杰. 影响农户玉米种植规模的因素分析[J]. 生产力研究,2009,(06).

[2]韩毅敏.对榆次区玉米生产可持续发展的思考[J].现代农村科技,2009,(13).

加权灰色关联分析法 第6篇

建筑业是资源和能源消耗的典型产业,其发展同时面临着增强竞争力和提高可持续水平的挑战。然而目前国内在产业层面上对建筑业的研究多侧重于产业竞争力或可持续发展其中一方面,综合考虑较少。王家远和叶银川用主成分分析法综合评价了北京等6省市的建筑业竞争力[1]。徐燕君从发展水平、发展效率、发展能力、发展协调度、资源消耗和环境效应几个方面研究了上海建筑业的可持续发展[2]。刘星和任夏仪提出了面向房地产企业的可持续竞争力指标体系[3]。国外多以企业为主体研究建筑业企业的可持续竞争力,如Sinem Korkmaz和John I. Messner对美国和土耳其建筑公司的调查比较[4]。

本文研究的建筑业可持续竞争力,是指建筑业按照产业可持续发展的要求,通过在竞争力各个要素上的改善,使产业处于优势竞争地位和可持续发展状态的综合能力。

1 建筑业可持续竞争力指标体系

“可持续发展”的明确定义首次出现在世界环境与发展委员会(WCED)1987年的报告《我们共同的未来》中。产业竞争优势理论则由迈克尔·波特(Michael Porter)提出,他认为“生产要素”“需求条件”“相关与支持性产业”“企业战略、结构和竞争对手”四大关键要素和“政府”“机会”两个不可控变数构成的“钻石体系”决定了产业竞争力[5]。

本文综合分析了产业竞争优势理论和可持续发展理论,并进一步结合我国建筑业实际,建立了建筑业可持续竞争力指标体系,如表1所示。

2 均方根差法基本步骤

2.1 无量纲化

均方根差法立足于客观差异确定权重而不是评价值,因而无量纲化即可满足其数据变换要求。叶宗裕比较了极差正规化、标准化和均值化,认为均值化保留了指标变异程度,更适用于处理客观数据[6]。本文采纳均值化法进行无量纲化。

设有比较对象集C={ci|i∈N},其中,N={1,2,…,n};指标集D={dj|j∈M},其中,M={1,2,…,m}。令指标值集为X=(xij)n×m,xij表示第i个对象的第j个指标值,并用Xi表示第i个对象各个指标值的序列,用Xj表示第j个指标在各个对象下的指标值序列,则均值化无量纲化计算公式为:

$x^{\prime }{}_{ij}=\frac{x{}_{ij}}{\overline{X}{}_j}=\frac{x{}_{ij}}{\frac{1}{n}{\displaystyle \sum _{i=1}^{n}x}{}_{ij}}$ (1)

2.2 计算各指标的均方根差

各指标均方根差的计算公式为:

$\sigma (X^{\prime }{}_j)=\sqrt{\frac{{\displaystyle \sum _{i=1}^n(}{x}^{\prime }{}_{ij}-E(X^{\prime }{}_j)){}^2}{n}}$ (2)

根号内的常数分母可在归一化时约去,有时为便于计算,式(2)可简化为:

$\sigma (X^{\prime }{}_j)=\sqrt{{\displaystyle \sum _{i=1}^n(}{x}^{\prime }{}_{ij}-E(X^{\prime }{}_j)){}^2}$ (3)

$E(X^{\prime }{}_j)=\frac{1}{n}{\displaystyle \sum _{i=1}^n{x}^{\prime }}{}_{ij}$ (4)

2.3 归一化均方根差得到权重

均方根差的归一化公式为:

$\omega {}_j=\frac{\sigma (X^{\prime }{}_j)}{{\displaystyle \sum _{j=1}^m\sigma }(X^{\prime }{}_j)}$ (5)

由以上基本步骤可知,基于均值化的均方根差法重视各比较对象间的属性差异,因而得出的权重具有较好的区分度。

3 加权灰关联分析原理

灰关联分析常用于因素分析、优选排序和优势分析[7]。灰均衡关联度可以修正灰关联度潜在的点关联倾向[8],但仍然没有考虑指标权重。同等看待各项指标不利于充分体现比较对象间的差异,为克服这一缺陷,本文将均方根差法确定的权重与关联系数结合得出加权灰均衡关联度,以之作为比较依据。步骤如下。

3.1 数据变换

对涉及到的极大型指标和极小型指标,本文采纳与文献[9]中一致的思路,先进行数据变换,根据指标极性确定由最理想值构成的参考序列后再进行比较[9]。

为保留信息差异,采用均值化进行数据变换,方式同式(1)。

3.2 确定参考序列

记参考序列为X′0={x′0j|j∈M},当X′j为极大型指标时:

$x^{\prime }{}_{0j}=\underset{i\in {\rm N}}{{\displaystyle \max }}{x}^{\prime }{}_{ij}$ (6)

当X′j为极小型指标时:

$x^{\prime }{}_{0j}=\underset{i\in {\rm N}}{{\displaystyle \min }}{x}^{\prime }{}_{ij}$ (7)

3.3 计算灰关联系数与加权灰关联度

各比较对象与理想值构成的参考序列的关联系数计算公式为:

$\gamma (x^{\prime }{}_{0j},x^{\prime }{}_{ij})=\frac{\text{m}\text{i}\underset{i\in {\rm N}}{{\displaystyle \text{n}}}\text{m}\text{i}\underset{j\in {\rm M}}{{\displaystyle \text{n}}}|x^{\prime }{}_{0j}-x^{\prime }{}_{ij}|+\xi \text{m}\text{a}\underset{i\in {\rm N}}{{\displaystyle \text{x}}}\text{m}\text{a}\underset{j\in {\rm M}}{{\displaystyle \text{x}}}|x^{\prime }{}_{0j}-x^{\prime }{}_{ij}|}{|x^{\prime }{}_{0j}-x^{\prime }{}_{ij}|+\xi \text{m}\text{a}\underset{i\in {\rm N}}{{\displaystyle \text{x}}}\text{m}\text{a}\underset{j\in {\rm M}}{{\displaystyle \text{x}}}|x^{\prime }{}_{0j}-x^{\prime }{}_{ij}|}$ (8)

其中,ξ为分辨系数,按照最小信息原理,ξ取0.5[9]。

加权关联度计算公式为:

${\gamma }^{\prime }(X^{\prime }{}_0‚X^{\prime }{}_i)={\displaystyle \sum _{j=1}^m\omega }{}_j\gamma (x^{\prime }{}_{0j}‚x^{\prime }{}_{ij})$ (9)

关联度计算公式为:

$\gamma (X^{\prime }{}_0,X^{\prime }{}_i)=\frac{1}{m}{\displaystyle \sum _{j=1}^m\gamma }(x^{\prime }{}_{0j}‚x^{\prime }{}_{ij})$ (10)

3.4 计算均衡度

建立灰关联系数映射:

$\rho {}_{ij}=\frac{\gamma (x^{\prime }{}_{0j}‚x^{\prime }{}_{ij})}{{\displaystyle \sum _{j=1}^m\gamma }(x^{\prime }{}_{0j}‚x^{\prime }{}_{ij})}$ (11)

则第i个对象的灰关联系数熵为:

${\rm H}{}_i=-{\displaystyle \sum _{j=1}^m\rho }{}_{ij}\ln \rho {}_{ij}$ (12)

灰关联系数熵与最大熵的比值即为均衡度:

$B{}_i=\frac{{\rm H}{}_i}{{\rm H}{}_{\max }}=\frac{{\rm H}{}_i}{\text{l}\text{n}m}$ (13)

3.5 计算加权灰均衡关联度

加权灰均衡关联度计算公式为:

B′ai=Bi·γ′(X′0,X′i) (14)

灰均衡关联度计算公式为:

Bai=Bi·γ(X′0,X′i) (15)

4 实例分析

根据《中国统计年鉴-2008》和《中国建筑业统计年鉴-2008》中的数据(西藏地区能耗、电耗2指标统计数据缺失,采用均数替代),计算后比较分析我国31个省市区的建筑业可持续竞争力。

用基于均值化的均方根差法得到的指标权重向量为:

W=(0.035,0.031,0.033,0.023,0.016,0.026,0.079,0.083,0.062,0.050,0.038,0.021,0.049,0.047,0.022,0.029,0.030,0.019,0.023,0.026,0.043,0.021,0.039,0.051,0.074,0.030)。

灰均衡关联度以及加权灰均衡关联度的值和排序结果见表2。

从表2可以看出,加权灰均衡关联度与灰均衡关联度得出的两种排序发生了变化,部分比较对象(如河北与西藏)相对位置变动剧烈。对比可知,加权灰均衡关联度的计算结果更符合各省市区的实际差异。造成这种变化的原因可以从权重向量中分析得出:均方根差法尊重了客观信息差异,变异程度大的指标权重较大,因此用该法加权更合理。

5 结语

本文综合考虑竞争优势理论和可持续发展理论,从生产要素资源、发展支持条件、产业结构效益和可持续效应四方面建立了建筑业可持续竞争力指标体系,运用基于均值化和均方根差法的加权灰均衡关联度对我国31个省市区(不含港澳台)进行了比较研究。实例分析验证了该方法符合实际地区差异,较为合理有效。

摘要：将产业竞争优势理论和可持续发展理论结合,建立了建筑业可持续竞争力指标体系,用加权灰关联分析方法衡量比较对象与理想序列的符合程度,实例分析证明该方法的有效性。

关键词：建筑业,可持续竞争力,均方根差,加权灰关联度

参考文献

[1]王家远,叶银川.主成分分析法评价地区建筑业竞争力[J].深圳大学学报(理工版),2009,26(1):92-97.

[2]徐燕君.上海建筑业可持续发展评价体系研究[D].上海:同济大学,2007.

[3]刘星,任夏仪.房地产企业可持续竞争力评价指标体系[J].统计与决策,2005(7):37-38.

[4]S.Korkmaz,John I.Messner.Competitive positioning and conti-nuity of construction firms in international markets[J].Journalof Management in Engineering,2008,24(4):207-216.

[5]迈克尔.波特.国家竞争优势[M].李明轩,邱如美,译.北京:华夏出版社,2002:65-123.

[6]叶宗裕.关于多指标综合评价中指标正向化和无量纲化方法的选择[J].浙江统计,2003(4):24-25.

[7]肖新平,宋中民,李峰.灰技术基础及应用[M].北京:科学出版社,2005:3-9.

[8]张岐山,邓聚龙,邵勇.均衡关联度灰关联分析方法[J].华中理工大学学报,1995,23(11):94-97.

基于灰色关联分析的图像匹配方法 第7篇

目前的图像匹配算法主要可分为基于图像特征的匹配和基于像素灰度值的匹配这两大类[1,2]。前者是通过提取图像中的边缘、轮廓、直线、纹理等特征来作为匹配标准, 优点是计算量小, 但对特征复杂且提取困难的图像达不到理想的效果。而后者利用图像间灰度信息的相关性作为匹配判决准则, 优点是实现简单, 匹配精度高, 但不适用于对运算速度有较高要求的场合。

将灰色关联分析方法运用于图像匹配, 能够充分地利用图像中的差异和相似信息。而单一地采用灰色关联理论判断图像的相似程度, 这种方法存在如下问题:两个序列间整体的相关度并不能反映序列中对应每个点的相关程度, 所以由此判断图像是否匹配不具有唯一性。所以为了确定两幅图像匹配的绝对性, 本文先利用灰色关联分析理论找出模板图像和原图的最大关联处, 然后通过直方图关联和边缘匹配进一步验证该位置的子图像和模板图像是否一定匹配, 从而完善整个匹配过程的准确程度, 找到正确的匹配位置。

1 灰色关联匹配模型

灰色关联分析是根据数据序列间的发展趋势、信息相似性, 找出信息系统中各因素间的复杂关系, 判别数据序列之间的相关程度[3,4,5,6]。灰色关联匹配模型采用灰色关联分析来判断模板图像和子图像的之间相似关系, 从而找到原图像中的最大关联处, 以便确定待匹配目标的最佳位置。

假设待匹配图像F的大小为MM, 而模板图像T的大小为NN (N为奇数) , 以模板图像同样大小的搜索窗口在待匹配图像上平移, 所覆盖的子图记作Sp, q, 其中 (p, q) 为子图Sp, q左上角像素点在图像F中的位置 (1p, qM-N+1) 。以子图Sp, q的灰度值作为比较序列Sk, 模板图像T的灰度值作为参考序列T0, 那么两个序列间的关联程度为

其中

式中:ε称为分辨系数, 其值在 (0, 1) 区间选择。

参考序列和比较序列分别表示为

式中:L为数据序列的个数。

根据式 (1) 可知, R0, k∈ (0, 1], 当其取值越大时, 表示参考序列和比较序列之间的关联度越大, 即说明该位置处的子图与模板图像的相似度越大, 且越接近于最佳匹配位置。若子图和模板图像完全一致, R0, k达到最大值为1。

2 基于直方图的灰色关联度分析

图像的直方图是图像像素灰度分布的体现, 反映了图像中各个灰度级和其对应频数间的关系。而上述基于图像灰度关联的匹配模型能对模板图像在原图像上的坐标进行定位, 但是并不能保证图像匹配位置的准确性。所以本文首先从灰度分布这一方面, 利用图像直方图间的灰色关联度, 验证上述定位出的子图像和模板图像间的相关程度。

若将模板图像的直方图作为参考序列TR, 将最佳位置处子图像的直方图作为比较序列Si, 那么两序列间的灰色关联度为

其中

式中:nbins为关联序列的长度, 取值为图像直方图的灰度级数;t0 (k) 和si (k) 分别表示参考序列TR和比较序列Si集合中的元素。

由式 (8) 可知, 子图与模板图像直方图关联得出的RTS值越大, 表明该块图像和模板图像的相似度越高。同样, 当两幅图像完全匹配时, 其取值为1。

然而, 图像的直方图信息仅仅反映了图像中不同灰度总体的概率分布, 无法体现具有不同灰度值的像素之间的空间位置关系, 所以具有相同直方图的图像并不能充分证明图像是完全一致的。而图像的直方图信息所表示的只是图像的灰度特征, 因此需要考虑图像的几何特征来进一步确定模板图像和定位出的子图像是否一致。

3 边缘特征和Hausdorff距离

图像的几何特征分为很多类, 其中最基本是边缘特征[7]。为了验证图像匹配结果的正确性, 本文利用Canny算子提取图像的边缘, 通过计算边缘对应点之间Hausdorff距离, 从而从特征分布这一方面来验证匹配结果的正确性。

Hausdorff距离是一种描述两组点集间相似程度的量度[8,9]。由于基本形式的Hausdorff距离存在许多缺陷, 故采用均值Hausdorff距离来进行匹配验证。若通过灰色关联匹配模型得到定位处的子图像为I, 而模板图像为T, 则均值Hausdorff距离的定义为

式中:NI是I中边缘点的个数;dT (i) 表示I中的点i到点集T的最小距离;代价函数ρ是对称函数, 而且在零点有唯一的一个最小值, 定义为

式中:τ是用来剔除出格点的阈值;hT (I, T) 度量了I和T两个点集之间的最大不匹配度, 其值越小证明匹配程度越高。若图像完全匹配, hM (I, T) 取最小值为0。

4 实验

根据本文的设计思路, 全部程序在MATLAB 7.1上实现。选取的待匹配图像如图1所示, 大小为550550。而模板图像为在待匹配图像中截取大小为3131的子图, 如图2所示。

将图像灰度化后, 通过灰色关联匹配模型找出待匹配图像中的最佳匹配点, 程序返回原图与模板图像匹配位置的中心坐标, 即可能匹配的点 (288, 286) , 在待匹配图像中以 (288, 286) 为中心坐标截取大小为3131的子图像。

通过直方图关联分析, 程序返回该子图与模板图像直方图间的灰色关联度, 实验计算得到的值为1。而通过边缘提取, 程序返回该子图与模板图像间的Hausdorff距离, 得到的值为0, 结果均符合两幅图像完全匹配时的条件。由此可知, 模板图像在原图像上空间对准的坐标为 (288, 286) , 匹配结果如图3所示。

若在原图中截取大小为4343的模板图像, 如图4所示。同上述过程, 先通过灰关联匹配模型, 找到可能匹配的点 (308, 248) , 截取子图像。同样程序返回直方图间的关联度为1, Hausdorff距离为0, 匹配结果如图5所示。结果证明了通过灰关联匹配模型得到的最佳匹配位置均符合灰色特征和几何特征两方面相关时的条件。

将模板图像叠加到原图像中的匹配位置处, 图像的边缘衔接处光滑平坦且纹理自然完整。在实验过程中采用了多张不同的图片进行图像匹配, 通过上述相同的实验步骤均得到了理想的匹配结果, 也验证了其正确性。

5 总结

本文利用灰色关联理论完成了定位匹配目标的过程, 并且结合图像的直方图信息和边缘特征间相关程度, 排除了匹配失误的可能性, 增强了图像匹配的正确率。通过对不同图片进行实验, 展示了灰色关联模型的匹配定位以及从灰色特征和几何特征两方面求取相似度的全过程, 同时也验证了这种算法的有效性和可行性, 可用于实时计算。

摘要：针对图像匹配正确率的问题, 在研究灰色关联理论的基础上, 提出了基于灰色关联分析的匹配方法, 找出模板图像在待匹配图像中的最佳匹配位置。通过计算图像直方图的灰关联度及边缘点集间的Hausdorff距离, 从图像的灰度分布和形状特征两方面来验证了定位的准确性。实验采用了多张不同的图片进行图像匹配, 实验结果表明了该算法的有效性和良好的匹配效果, 具有匹配效率高、匹配误差小等特点。

关键词：图像匹配,灰色关联分析,直方图,边缘特征,Hausdorff距离

参考文献

[1]章毓晋.图像工程 (中册) :图像分析[M].2版.北京:清华大学出版社, 2005.

[2]ZITOVA B, FLUSSER J.Image registration methods:a survey[J].Image and Vision Computing, 2003 (21) :977-1000.

[3]胡隽, 何辅云, 贺静.灰色系统理论在图像处理中的应用[J].电视技术, 2003, 27 (7) :19-22.

[4]黄瑶, 熊和金.目标识别的灰关联方法研究[J].湖南农业大学学报:自然科学版, 2009, 35 (S1) :103-105.

[5]杜志顺, 吴国平, 裘永宵, 等.复合板灰色自适应瑕疵检测[J].计算机应用, 2010, 30 (8) :2250-2253.

[6]马苗, 鹿艳晶.基于灰色理论和遗传算法的快速图像匹配方法[J].计算机工程与应用, 2008, 44 (32) :169-172.

[7]任澍, 唐向宏, 康佳伦.纹理和边缘特征相结合的图像修复算法[J].计算机辅助设计与图形学学报, 2013, 25 (11) :1682-1693.

[8]张洪霞, 俞利, 叶旭鸣.基于边缘特征和hausdorff距离的图像匹配算法[J].计算机工程与应用, 2010, 46 (9) :47-50.

我国煤炭出口影响因素灰色关联分析 第8篇

长久以来, 外贸出口一直都是我国经济增长的重要驱动力之一。自改革开放以来, 我国经济和出口贸易都得到了快速增长。2001年入世之后, 我国的出口贸易更是得到了飞速发展, 净出口对经济增长的贡献率一直保持不小的比例。我国的煤炭储量丰富, 截至2012年底, 我国拥有煤炭可采储量1, 145亿吨, 仅次于美国和俄罗斯, 位居世界第三位。我国是世界第一产煤大国, 也是煤炭消费大国。多年来, 我国煤炭的出口量一直呈递增趋势, 直至2002年;从2003年开始, 我国煤炭的出口量逐年下降, 而我国煤炭进口量却呈逐年增加趋势。2003年, 我国煤炭出口量为9, 402万吨, 进口量只有1, 109万吨;到了2012年, 我国煤炭出口量减少到927万吨, 而煤炭进口量却增加到28, 851万吨。

另一方面, 进入2012年以来, 煤炭工业在经历了10年高速增长后, 突然遭遇“寒冬”。“十一五”以来的7年间, 全国煤炭采选业固定资产投资完成2.25万亿元, 累计新增煤炭产能约20多亿吨。2013年, 全国现有煤矿总产能约46亿吨, 产能过剩5亿吨左右, 煤炭消费量由10年前的年均增长约9%下降到约2.6%。截至2013年12月底, 生产和利用煤炭的相关企业存煤约8, 400万吨, 同比增加70万吨。2014年初以来, 煤炭市场持续呈现需求低速增长, 产能释放, 进口增加, 库存高位的严峻态势。当前, 我国煤炭企业面临严峻的考验, 煤炭产能过剩带来的库存压力以及进口煤的冲击带来的价格下行压力使得我国煤炭企业陷入了困境。

因此, 在当前的发展形势下, 探讨我国煤炭出口的影响因素, 对于理解、预测我国煤炭的出口形势, 促进煤炭合理出口, 缓解进口煤炭冲击压力, 以及有效减轻煤炭工业萧条对我国经济发展造成的不利影响, 具有重要的理论和实践价值。

二、文献综述

目前, 对于煤炭出口的研究, 国内学者都停留在定性分析层面。黄佐钘、邵汝军通过对世界煤炭贸易概况、我国煤炭出口的主要竞争对手、我国煤炭出口的优势和劣势进行分析, 提出了提升我国煤炭出口竞争力的三条对策建议:一是对有条件的中小型煤炭, 要鼓励他们进行兼并重组, 提高煤炭行业集中度和安全生产标准;二是努力降低各项政策对煤炭出口的不利影响;三是充分利用地理优势, 扩大煤炭在东亚地区的出口量。尹南利用国际贸易相关理论, 采集大量历史数据, 并建立计量经济学模型来分析我国煤炭出口与亚太地区煤炭价格之间的关系, 结果表明二者之间存在负相关性。陈洁对影响中国煤炭进出口的各种因素进行分析, 得出了中国目前呈现煤炭“出口锐减、进口速增”的新局面, 主要是我国政府的煤炭出口导向政策变化的结果。继而在对煤炭产品独特的国内外环境加以分析和研究, 并结合环境及国家安全等因素的情况下, 给出了具体制定我国煤炭出口政策的相关建议。廉国恩、刘晓红认为煤炭出口退税政策的调整改变了国内国际煤炭产品的相对价格, 从而会对出口企业的利润水平和内销企业的竞争力产生影响;并针对如何让煤炭企业适应煤炭出口退税政策提出了三点建议:一是要积极关注国际煤炭市场变化带来的影响;二是要以内销为重点制定发展战略;三是内销企业要以转型升级为重点提升竞争实力。

郭珉、武玉英从国内生产总值、全社会固定资产投资、财政科技拨款、R&D经费、外商直接投资、我国的贸易进口额、实际有效人民币汇率指数等17个方面对影响我国出口贸易的相关因素进行灰色关联分析。刘芳从出口退税率、外商直接投资、人民币汇率、国内生产总值和工业品出厂价格指数等五个方面对影响我国机电产品出口的因素进行了灰色关联分析。综上所述, 本文在参考以上学者研究成果的基础上, 结合当前煤炭国际贸易现状, 选取我国煤炭总产量、国内生产总值、关税、我国煤炭进口总量、煤炭行业固定资产投资、煤炭价格指数、汇率、我国煤炭消费总量、外商直接投资、煤炭生产技术进步等因素, 运用灰色关联法分析这些因素对我国煤炭出口的影响程度。

三、我国煤炭出口影响因素灰色关联分析

(一) 灰色关联分析方法概述。

灰色关联度是指系统中影响因素之间的相似程度。在系统发展过程中, 如果两个因素随时间的变化的态势是一致的, 即同步变化程度较高, 则可以认为两者关联较大;反之, 则两者关联度较小。灰色关联分析是通过灰色关联度来分析和确定系统因素间的影响程度或因素对系统主行为的贡献测度的一种方法。灰色关联分析的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越接近, 相应序列之间的关联度就越大, 反之就越小。该分析方法既对样本量的多少没有限制, 也不要求样本有典型的分布规律, 更重要的是量化结果通常与定性分析结果相符, 因而在实际中应用十分广泛。

(二) 数据选取。

本文通过分析影响我国煤炭出口的相关因素, 从影响煤炭出口的众多因素中选取具有代表性的10种进行定量分析, 分别是我国煤炭总产量 (万吨, 用X1表示) 、国内生产总值 (亿元, 用X2表示) 、关税 (亿元, 用X3表示) 、我国煤炭进口总量 (万吨, 用X4表示) 、煤炭行业固定资产投资 (亿元, 用X5表示) 、煤炭价格指数 (上年等于100, 用X6表示) 、人民币汇率 (100美元可兑换的人民币, 用X7表示) 、我国煤炭消费总量 (万吨, 用X8表示) 、外商直接投资 (亿美元, 用X9表示) 、生产技术进步 (亿元, 用X10表示) 。由于生产技术进步这一指标无法直接计量, 故用国家财政科学技术支出来反映。X1~X10作为比较序列, 煤炭出口总量X0作为参考序列, 本文选取2001~2012年的年度数据进行分析, 数据来源于国家统计局统计年鉴和我国海关总署。 (表1)

(三) 灰色关联分析

1、对参考数列和比较数列进行无量纲化处理。

由于原始数据的量纲不一定统一, 导致数据的量纲也不一定相同不便于比较, 或在比较时难以得到正确的结论, 因此在进行灰色关联度分析时, 一般都要进行“无量纲化”的数据处理, 也就是进行标准变化, 根据同一个比较标准进行下一步处理。本文采用均值化法对原始数据进行无量纲化处理。先从每个X数列中找出每列数据的平均值, 然后再作为分母对原始数据进行变换, 得到新的序列。采用均值化法对原始数据进行无量纲化处理, 处理结果见表2。 (表2) 均值公式为:

2、求差序列。

差序列公式为:△i (k) =x'0 (k) -x'i (k) , (i=1, 2, …, 10;k=1, 2, …, 12) , 差序列计算结果见表3。 (表3)

3、求两级最大差与最小差。

两级最大差、最小差公式为:最大值M=miaxmkax△i (k) ;最小值m=miinmkin△i (k) , 由表3易得M=1.7308, m=0.0003。

4、求关联系数。

计算公式为其中ξ称为分辨系数, ξ越小, 分辨力越大, 一般ξ的取值区间为 (0, 1) , 具体取值可视情况而定, 通常取ξ=0.5。计算结果见表4。 (表4)

5、计算关联度。

关联度计算公式为计算可得各影响因素的关联度为:γ01=0.5871, γ02=0.8019, γ03=0.9008, γ04=0.6208, γ05=0.8165, γ06=0.5974, γ07=0.9072, γ08=0.7469, γ09=0.8790, γ0, 10=0.7702。

6、影响因素排序。

按从大到小的顺序对各影响因素的关联度进行排序可得, γ07>γ03>γ09>γ05>γ02>γ0, 10>γ08>γ04>γ06>γ01详见表5。 (表5) 由表5可得各因素对我国煤炭出口的影响程度由强到弱依次为:人民币汇率>关税>外商直接投资>煤炭行业固定资产投资>国内生产总值>国家财政科学技术支出>煤炭消费总量>煤炭进口总量>煤炭价格指数>煤炭总产量。

四、结论与分析

数据的灰色关联度分析结果表明, 2001~2012年对我国煤炭出口影响的各因素中, 汇率、关税、外商直接投资、煤炭行业固定资产投资、国内生产总值、国家财政科学技术支出等影响程度较大, 总体关联度呈递减趋势。

(一) 人民币汇率对我国煤炭出口的影响程度最大。

汇率对我国煤炭出口影响最明显, 排第一位。一国的汇率下降, 意味着该国产品的国际竞争能力相对提高, 贸易收支容易出现顺差。汇率是国际贸易最有影响力的调节杠杆, 2001~2005年我国的人民币汇率总体保持稳定, 2006~2012年人民币汇率呈持续下降趋势。我国汇率下降的结果是导致人民币升值, 从而使得煤炭进口的价格下跌, 利于煤炭进口而限制煤炭出口。根据国家统计局的数据, 我国自从2001年加入世贸组织以后, 人民币对美元的汇率逐年降低, 100美元兑换的人民币数目从2001年的827.7降到2012年的631.25。与此同时, 煤炭出口量也从2001年的9, 012万吨下降到2012年的927万吨。由此可见, 人民币汇率的变动对我国煤炭出口的影响非常明显。

(二) 影响程度次之的是关税。

关税是影响我国煤炭出口的关键因素之一, 其中出口退税政策是主要调节手段。20世纪末, 我国开始实施煤炭出口退税政策。1997年我国明确煤炭出口税率为3%, 1999年为改变煤炭企业亏损严重的情况, 我国将煤炭出口退税率提高到13%。出口退税率的不断提高为煤炭出口企业提供了一定程度的赢利能力, 促进了煤炭出口的发展。进入21世纪后, 我国煤炭企业的出口退税政策出现逆转, 2004年1月1日起煤炭出口退税率降为11%;2005年5月1日再次下降为8%;2006年9月15日起取消煤炭出口退税政策。2006年11月1日, 焦煤出口开始征收5%的出口暂定关税;2008年8月20日, 炼焦煤出口税率由5%提高至10%;其他烟煤等征收出口暂定关税税率为10%。我国煤炭贸易政策近十年来的变化表明, 国家对煤炭由鼓励出口到限制出口, 关税是主要的调节杠杆。由此可见, 关税对我国煤炭出口的影响程度非常大。

(三) 外商直接投资和煤炭行业固定资产投资是重要影响因素。

外商直接投资对我国煤炭出口贸易的影响主要体现在国际市场上。我国在相当长的时期内, 对外资企业都将实行出口导向型政策, 要求外资企业的产品必须全部返销国际市场, 不得进入国内市场。相对国内企业而言, 外商对国际市场更了解, 在营销手段、分销渠道等方面更具优势。煤炭系统固定资产增加有助于推进我国煤炭产业的优化升级, 从而提升我国煤炭产业的国际竞争力, 为促进我国煤炭产业在国际市场上的发展提供强劲动力。由此可见, 外商直接投资和煤炭行业固定资产投资是我国煤炭出口的重要影响因素。

(四) 国内生产总值也是一个不容忽视的有力影响因素。

对外贸易是经济增长的核心, 对国民经济的发展具有重要的意义。国民经济的高速发展带动了煤炭需求的增长, 2004~2013年这10年, 国内生产总值的年平均增长率接近两位数。当前, 我国正加快进行煤炭产业优化升级, 逐步淘汰落后低效产能, 这将对我国煤炭的生产有一定的影响, 从而使得煤炭产能不足以满足需求, 需要通过进口来保证我国煤炭供需平衡。另一方面, 随着经济结构的不断调整, 国民经济增长将会放缓, 2014年预期增长率为7.5%。能源结构的逐步调整则会使得未来我国煤炭资源将出现供大于求的局面, 需要通过出口来保证我国煤炭的供需平衡。由此可见, 国内生产总值对于我国煤炭出口而言也是一个不容忽视的有力影响因素。

(五) 国家财政科学技术支出也有一部分影响作用。

技术进步因素, 特别是国家财政拨款对我国煤炭出口有一定程度的影响。我国是一个资源相对缺乏且资源利用效率较低的国家。我国人均资源占有量还不到世界平均水平的一半。我国每吨水泥熟料燃料消耗为170公斤标煤, 而国际先进水平为107.5公斤标煤, 高出58.1%;我国每吨钢可比能耗平均为966公斤标煤, 国际先进水平是656公斤标煤, 高出47.3%;我国火电厂供电煤耗为每千瓦时404克标煤, 国际先进水平为317克标煤, 高出27.4%。科学技术的发展, 一方面可以开发新能源替代传统化石能源;另一方面可以提高我国的能源利用效率, 从而降低国民经济发展对煤炭的需求, 进而会在一定程度上破坏煤炭供需平衡, 最终影响我国煤炭出口量。

(六) 消费量、进口量、价格指数、总产量等因素影响程度较弱。

煤炭生产总量与煤炭行业固定资产投资关联性较强, 而煤炭消费总量与国内生产总值关联性较强, 因而二者对煤炭出口的影响都受到较强关联因素的弱化。煤炭价格指数反映的是煤炭市场的波动情况, 只表现供求关系的紧张和舒缓, 并不直接作用于进口。煤炭进口与出口的关联度也较低, 主要是受到贸易政策的影响。

综上所述, 采用灰色关联方法分析煤炭出口及其影响因素的关联度, 具有一定的参考价值, 可为理解、预测我国的煤炭出口形势及制定相关政策提供参考。

参考文献

[1]黄佐钘, 邵汝军.中国煤炭出口的国际竞争力比较[J].生产力研究, 2008.17.

[2]尹南.中国煤炭出口与亚太地区煤炭价格关系剖析[J].价格月刊, 2010.6.

粮食产量影响因素的灰色关联分析 第9篇

粮食是经济社会得以持续发展的基础。我国是一个超过13亿人口的大国, 全国粮、油、肉的年消费量分别达5.5亿吨、2400万吨、8000万吨左右并以粮食每年250万吨、植物油100万吨、肉200万吨的速度继续增长。在耕地资源有限的情况下, 深入分析影响粮食产量的因素, 提出针对性的解决措施, 是十分重要的课题。

国内外已有许多学者对粮食产量影响因素进行了研究。刘钦普运用回归分析和时间序列分析的方法对河南省粮食产量影响因素进行了探讨。石洪景运用聚类分析的方法对粮食产量水平的影响因素进行了分析。结论表明, 粮食生产基础要素投入水平、自然因素和生产价格、土地投入三个因素对于粮食产量影响最大。范东君对于粮食产量影响因素进行了实证分析, 并且对每个因素贡献率进行了测算。以上作者的研究成果给本课题的研究提供了有益的借鉴。

本文将运用灰色关联理论, 以我国粮食总产量为被解释变量, 分析粮食总产量与各个影响因素之间的内在关联性。

二、灰色关联动态分析的建模步骤

1. 建立原始数列的因变量参考数列和自变量比较数列

因变量参考数列又叫母序列记作

自变量比较数列又叫子序列

2. 将原始序列进行无量纲处理

这是为了消除数量级大小不同而造成的影响, 便于进行计算和比较。可以运用初始化法, 均值化法等进行, 计算公式分别是

3. 计算每个时刻点上母序列与各个子序列差的绝对值, 找出最大差和最小差

差序列:Δi (k) =|x0 (k′) -xi (k′) | (i=1, 2, 3, ..., n) 。

则差序列为:Δi=[Δi (1) , Δi (2) , Δi (3) , Δi (k) ]。

4. 计算灰色关联系数

其中L0i (k) 是子序列xi (i=1, 2, 3, ..., n) 的k个数与母序列x0的关联系数, 表示式中是分辨系数, 在0到1之间, 通常取λ=0.5。

5. 计算灰色关联度

要求得总的关联度, 需要考虑到不同的观测点在总体观测中的重要性程度, 因此需要确定各个点的权重。一般情况下, 采用算术平均数的方法计算灰色关联度。

r0i表示数列x0与数列xi之间的关联系数。

6. 关联度排序

根据r0i的大小进行关联度排序。关联度越接近于1, 说明关联程度越大。根据经验, 当λ=0.5时, 关联度大于0.6便认为关联性显著。

三、指标选取及计算

1. 指标选取

本文选取粮食产量作为衡量我国粮食生产水平的指标, 记为A1 (单位:万吨) 。影响粮食产量的因素有:粮食播种面积, 记为A2 (单位:千公顷) ;粮食单产, 记为A3 (单位:公斤/公顷) ;农林水支出, 记为A4 (单位:亿元) ;农业科技人员数量, 记为A5 (单位:人) ;化肥使用量, 记为A6 (单位:万吨) ;农业机械动力, 记为A7 (单位:万千瓦) ;有效灌溉面积, 记为A8 (千公顷) 。具体数据如表1所示。

资料来源:中国统计年鉴 (2004-2010)

选择上述因素的原因:粮食产量是粮食生产水平高低的最重要标志, 因此选择这个指标反映我国粮食生产水平;粮食播种面积和粮食单产显然是影响粮食产量的重要因素;农林水支出反映财政对于粮食生产的支持力度;农业科技人员数量反映农业科技水平, 而农业科技水平显然对粮食产量有重要影响;化肥使用量是粮食增产的重要保障;农业机械总动力反映农业机械化水平;有效灌溉面积反映水平建设的水平。

2. 基于灰色理论的计算

按照上述步骤计算的结果如表2所示。

记粮食产量与各个影响因素关联度为A1i, 其中i=2-8。按照粮食产量与各个影响因素关联度大小排序为:A16>A13>A17>A12>A18>A15>A14。

四、结论

根据上述分析可以看出, 对粮食产量影响最大的因素是化肥使用量。首先, 这表明我国农业还没有走出粗放型生产模式。因此, 今后农业生产中, 应实行更加科学的施肥方法, 如测土施肥法, 从而在减少化肥使用量的同时, 提高化肥使用效率。其次, 粮食单产对于粮食总产量影响作用相当大。随着我国人口不断增长, 各个方面使用土地的需求更加迫切。所以, 我国粮食总产量的增长不能寄希望于扩大播种面积, 应该高度重视提高粮食单产。要采用更科学的技术, 通过精耕细作, 提高粮食单产。再次, 农业机械总动力对粮食产量有很重要的影响。通过农业机械化生产, 可以提高粮食生产效率, 减少浪费, 从而稳步提高粮食产量。同时, 粮食播种面积对于粮食总产量有直接的影响。基于我国的国情, 不可能再大幅度扩大粮食播种面积。需要做的事情是要稳定粮食播种面积。最后, 有效灌溉面积表明我国水利设施对于粮食产量有很大的影响作用。

参考文献

[1]刘钦普.基于时空回归模型的河南省粮食产量预测[J].安徽农业科学, 2011 (28) .

[2]石洪景.粮食产量水平的影响因素及聚类分析[J].西南农业大学学报, 2011 (10) .

[3]范东君.粮食产量影响因素的实证分析与贡献率测算[J].湖南工业大学学报, 2011 (09) .

[4]刘思峰, 郭天榜.灰色系统理论及其应用[M].河南大学出版社, 1991.

[5]易德生, 郭萍.灰色理论与方法[M].石油工业出版社, 1992.

加权灰色关联分析法 第10篇

关键词：灰色关联分析；供应链；信用风险；评估

一、权重测定方法

如何更好的进行权重的测定是必须要解决的问题。在权重方法测定的研究中，很多学者进行了大量的研究，其中具有代表性和可行性的方法是结构熵权法。程启月（2010）[1]根据熵理论提出了一种主客观相结合的权重确定方法，其基本指导思想是将采集专家意见的德尔菲专家调查法与模糊分析法相结合，形成“典型排序”按照给定的熵决策公式进行熵值计算、“盲度”分析，并对可能产生潜在的偏差数据统计处理，根据主客观结果加权平均值的方法测定了最后的权重，这种方法保留了主观方法的可说明性的同时又强调了数学方法在逻辑上的重要性，本文权重的测定方法将引用结构熵权法。

（1）专家意见收集及排序矩阵的形成

首先选定专家组成员，对专家发放指标体系权重测定反馈表，每位专家采取德尔菲法的规定和程序，对每个指标的重要性进行排序，重要性由1-N。现有N个专家对M个指标进行重要性排序，其中a11表示第一个专家对第一个指标重要性排序，其数值（1-m）由小到大表示重要性的逐渐降低，同理am1表示第1个专家对第m个指标重要性排序，amn表示第n个专家对m个指标重要性排序，根据最后的排序形成典型排序矩阵A。

（2）偏差度的纠正

由于每位专家由于所出的工作或研究领域不同，对每个指标的认识程度也不同，因此所形成的数据会产生一定的偏差，为了降低偏差的程度和不确定性，需要将上式的数据进行偏差度的纠正。对上一节的排序矩阵进行转化，定义排序转化的隶属度函数为：

F（amn）=-ηpn（amn）lnpn（amn）

其中，pn（amn）=t-amnt-1，取η=1ln（t-1），将pn（amn）=t-amnt-1 和η=1ln（t-1）代入公式并化简求得θmn=-ln（t-amn）ln（t-1），本文将θmn称为amn对应的隶属度函数值，取t=m+2，当指标的最大数为4时，t=6。θmn为专家排序数amn的隶属度，称Bmn为隶属度矩阵。

视n个专家对第k个指标（k=1，2，…m）的“话语权”相同，即计算n个专家对第k个指标的“一致看法”称为平均认识度，记作Bk；将专家对第k个指标在认知方面的偏差称为“认知偏差度”，记作Ck；

令Bk=（θk1+θk2+…+θkn）n；

Ck=max（θk1，θk2，…，θkn）-Bk+min（θk1，θk2，…，θkn）-Bk2，定义n个专家对于第k个指标的总体认识度Rk=Bk（1-Ck），则n个专家对m个指标的总体认识度向量R可写作矩阵R=R1，R2，…，Rm。

（3）归一化处理

为了求得第k个指标的权重ωk，需要对Rk=Bk（1-Ck）进行归一化处理ωk=Rk∑m1Rk，顯然，∑m1Rk=1，ωk≥0，本文将所求出的ωk称之为第k个指标所占的权重。

二、风险评估步骤

在灰色理论中，灰色关联分析是分析系统中各个元素之间关联度或相似程度的方法，其基本思想是根据关联的程度对所评估目标进行排序。灰色关联分析是分析事物发展的趋势，对样本的数量没有严格的规定，同时样本也不需要服从某种数学分布。

（1）专家评分阶段

请每位专家按照评估指标的选项对选中的目标进行评估，设评估的等级为1、2、3、4、5，数字的大小说明该评估目标在其中某一指标的表现，数值越大表示表现的水平越好。设评估指标有m个，选取专家k人（本文默认选取专家的学识水平、相关经验上的水平都是相同的），则根据专家的评分可对所评估的每个目标构成一个m×k的评分矩阵A。

（2）对比矩阵的构建

灰色关联分析的首要条件是选择一个参考数列，设所评估目标结果对应的最优评估指标集F* =f*1 ，f*2 ，…，f*m ，其中f*k 表示第k个指标的最优值，k=1、2、…m。其中，fnm表示第n个企业在第m个指标的平均评估值，fnm=am1+am2+…+amkk；将最优指标集与对比矩阵合并，形成一个新的矩阵。

（3）指标值的规范化处理

在评判指标里通常有不同的量纲以及数量纲，因此一般不能进行直接比较，为确保结果的可靠性，需要对上述指标进行规范化处理。

设第k个指标的变化区间为fk1，fk2，fk1为第k个指标在所有被评估融资企业中的最小值，fk2为第k个指标在所有被评估企业中的最大值，那么可以采用下式将上式中的指标数值转换成无量纲值Cik∈（0，1）。Cik=jik-jk1jk2-jik，i=1、2…n；k=1、2…m，由此矩阵D'转换成矩阵C

D'=f 11f 12…f 1mf 21f 22…f 2m…………f n1f n2…f nm；C=C*1C*2…C*mC11C12…C1m…………Cn1Cn2…Cnm

（4）计算综合评估结果

根据灰色系统理论，将C*=C*1，C*2，…，C*m作为参考数列，将C=Ci1，Ci2，…，Cim作为最优的对比数列，用关联分析法求的第i个企业第k个指标与第k个最优指标的关联系数εi（k），即：

εi （k）=minminC*k-Cik+ ρmaxmaxC*k-CikC*k-Cik+ ρmaxmaxC*k-Cik

ρ为分辨系数，一般取0.5，ρ∈（0，1）。由关联计算方法可以得到关联矩阵E：

E=ε1（1）ε1（2）…ε1（m）ε2（1）ε2（2）…ε2（m）…………εn（1）εn（2）…εn（m）

这样综合评估结果为：R=E×W，即ri=∑mj=1W（k）×εi（k）。式中R=r1，r2，…，rnT为n个被评估企业的综合判断结果向量；W=w1，w2，…，wmT为m个评估指标的权重分配向量，其中∑mj=1wj=1。

若关联度ri越大，则说明Ci与最优指标C*最接近，亦即第i企业优于其他企业。据此一方面可以排出供应链金融模式下融资企业相适应应收账款、预付账款或存货质押下的关联度次序，也即关联度越大，融资企业信用风险越小。另一方面可以反映某一融资企业对应应收账款、预付账款或存货质押下的关联度，也即可以作为商业银行评估内容之一为融资企业指导供应链金融模式适用度。（作者单位：广东科技学院）

参考文献：

科技投入与经济增长的灰色关联分析 第11篇

科技进步与经济增长既相互依存, 又相互矛盾, 二者交互作用。科技投入是技术进步的物质保障和动力。从而, 科技投入与经济增长之间也存在一种互动关系。一般而言, 经济增长越快, 经济总量越大, 科技投入也越高;科技投入越高, 则经济增长越快。随着科技进步对经济增长贡献率的不断提高, 应该越来越重视对科技的投入, 从而实现科技进步与经济增长的良性循环。

1 灰色关联分析方法的应用

国内外对科技投入与经济增长的关联研究有多种思路和分析方法, 目的在于寻找它们之间相互依赖、相互作用的机制和规律。具体的方法包括:线性关联分析、各种回归分析、时间序列分析、模糊相似优先比分析、灰色关联分析等等。本文重点探讨灰色关联分析方法的应用问题。

1.1 科技投入与经济增长的灰色关联性

按照灰色系统理论, 信息完全明确的系统称为白色系统;信息完全不明确的系统称为黑色系统;信息部分明确、部分不明确的系统称为灰色系统。经济系统就是常见的灰色系统之一。按照系统论的方法可以把科技进步与经济增长看作一个大系统, 科技投入和经济增长又分别是这一大系统的子系统或要素。科技投入与经济增长两个子系统之间的相互关系比较复杂, 有些关系甚至无法明确表达, 部分原因是灰色因素、灰色关联性在起作用。灰色关联分析方法是考察科技投入与经济增长相互关系的有效研究方法之一。

1.2 灰色关联分析方法

灰色关联分析方法是对一个系统发展变化态势进行定量描述和比较的方法, 通过确定参考数列和若干比较数列之间的关联系数和关联度, 寻求系统中各因素间的主要关系, 从而掌握事物的主要特征, 促进和引导系统迅速而有效的发展。灰色关联分析的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密, 曲线越接近, 相应序列之间的关联度就越大, 反之就越小。灰色关联度分析对于一个系统发展变化态势提供了量化的度量, 非常适合动态历程分析。与回归分析、方差分析、主成分分析等数理统计方法相比, 灰色关联分析方法在样本量多少和有无典型的分布规律条件下均可应用, 计算简单, 一般不会出现量化结果与定性分析结果不相符的情况。这种方法不要求知道变量的分布, 也不要求变量之间相互独立, 比较适合对经济现象的分析。

1.3 灰色关联系数及关联度

灰色关联分析作为一种定量分析方法, 其核心指标是关联系数ξi (k) 与关联度ri。通常, 设参考数列为x0, 因素数列为xi, i=1, 2, , N, 且x0={x0 (1) , x0 (2) , , x0 (n) }, xi={xi (1) , xi (2) , , xi (n) }, 则称ξi (k) 为曲线x0与xi在第k点的关联系数。undefined, 其中, undefined称为两级最小差, undefined称为第一级最小差, 表示在第xi曲线上各点与x0的最小差, undefined是第二级最小差, 表示在第一级最小差基础上, 再找出所有曲线xi中的最小差。undefined是两级最大差, 其意义与最小差相似。ρ称为分辨系数, 介于0与1之间, 一般取ρ=0.5。△ik=|x0 (k) -xi (k) |称为第k点x0与xi的绝对差。综合各点的关联系数, 得到整个xi曲线与曲线x0的关联度undefined。按关联度的大小次序排序, 构成关联序, 反映了各因素数列对于参考数列的强弱关联程度。

1.4 应注意的几个问题

诸多学者对灰色关联理论、方法的研究与运用作了大量的工作。结合已有的研究, 本文认为在灰色系统关联分析的计算中, 应注意以下几个问题:

(1) 参考数列与比较数列的选取。反映系统行为特征的数据序列, 称为参考数列;影响系统行为的因素组成的数据序列, 称为比较数列。作为一种关联分析方法, 在灰色关联系数的公式中, 参考数列与比较数列的地位是对等的, 其区分是由定性分析决定的。

(2) 数列的无量纲化处理。对于单位不同, 或初始值不同的数列在关联度分析时, 一般要作无量纲化处理。处理的方法有两种:一种是均值化处理, 即每一个指标原始数据与其所在数列的平均值相除;第二种是初值化处理, 即每一个指标的原始数值与所在数列的第一项相除。以初值为基准的无量纲化处理, 反映的是考察期间内, 参考量与解释量的以变动速度表示的变化趋势;以均值为基准的无量纲化处理, 则反映的是相对于均值的离散程度。对于具有单调性的数列而言, 初值为极值, 初值化处理后的数列离散程度一般要大于均值化处理的结果, 这需要在实际运用时注意。

(3) 灰色关联系数与关联度的求解。所谓关联程度, 实质上是曲线间几何形状的差别程度。在求解关联系数时有必要观察各数列的曲线形状。将各个时刻 (即曲线中的各点) 的关联系数求其平均值, 即比较数列与参考数列间的关联程度。由关联系数求简单平均值得关联度, 不能忽视极端值的影响。

2 实证分析:以河北省为例

依据以上分析, 下文以河北省为例进行实证分析。近年来河北省科技投入与经济增长情况如表1所示。

2.1 指标选取

科技投入包括科技人员投入与科技经费投入。根据各类统计年鉴, 常见的指标分别有:从事科技活动人员总数、研究与试验发展约当全时人数、人才密度指数、每万名经济活动人口中科技活动人数、从事科技活动的科技人员占全部科技人员的比重;科技活动经费总量、国家科技拨款、R&D经费总量及人均值、各项科技经费占GDP的比重、科技经费占财政支出的比重等等。本文以科技活动人员数作为科技人员投入的指标, 科技经费筹集额作为科技经费投入的指标, 反映了各部门对科技活动的重视与投入情况。同时, 以地区生产总值来衡量经济增长。根据以上指标, 按照科技投入的性质不同与执行主体不同, 建立两类模型分别考查与经济增长的关系。

注:X0:地区生产总值 (亿元) , X1:科技人员投入 (人) , X2:科技经费投入 (万元) , X3:科研机构科技经费投入 (万元) , X4:高等院校科技经费投入 (万元) , X5:大中型企业科技经费投入 (万元) , X6:其他机构科技经费投入 (万元)

2.2 以科技投入为参考数列的测算

科技投入的预算及最终的决算, 主要参考的是前一年的经济总量及变动趋势。本文认为相对而言, N-1年的经济总量能更好地解释第N年的科技投入。模型Ⅰ将考察2000至2006年经济增长与其下一年科技投入的关系。

从模型Ⅰ计算结果看, 经济增长与科技人员投入、科技经费投入的关联度分别为0.6713、0.6321, 表明科技投入与经济增长两个子系统之间的因素, 随时间而变化的关联性较强。2006年河北省地区生产总值比2000年增长了1.28倍, 经济的平稳较快增长, 为增加科技投入提供了基本的物质保障;产业结构升级也派生出巨大的技术需求。2007年科技经费投入比2001年增加了2.09倍、科技人员总数增加了0.38倍。但是, 如图1所示, 以均值化为基础进行无量纲化处理后的各指标趋势图中, 经济增长与科技人员投入、科技经费投入增长的相异性也比较突出。如河北省科技人员投入的增幅较小, 同比低于全国0.05个百分点;2007年河北科技活动人员占全国的3.1%, 而人口占全国的5.3 %;每万人中河北省科技人员为20人, 全国平均水平为35人。另外, 河北省科技经费投入仍然比较低, 20032007年河北省研究与试验发展经费支出占国内生产总值的比例一直徘徊在0.5%0.7%之间;2007年为0.66%, 而同年全国平均水平为1.49%;低于全国平均水平近1个百分点, 更低于沿海部分发达省份的投入比例。2007年末, 河北省人口总数为6943万人, 占全国总人口的5.25%, 全国排名第6位;同年, 河北省地区生产总值为13709.50亿元, 占全国国内生产总值的5.49%, 全国排名第6位。如此的科技投入状况与人口大省、经济大省的地位是远不相称的。因此, 河北省仍需加大科技投入力度和强度, 只有这样才能真正转变经济增长方式, 依靠科技进步, 实现科学发展。

2.3 按执行部门的测算

考虑到科技投入的特殊性, 尤其是产出效应的滞后性, 为计算的便利, 本文将滞后期统一为2年。模型Ⅱ拟考查2001年至2006年按执行部门分类的科技经费投入与2002年至2008年经济增长的关系。

从模型Ⅱ计算结果看, 四类执行部门科技经费投入与经济增长的关联度分别为0.720043、0.621129、0.732039、0.552482。按关联度由高到低排序为大中型企业、科研机构、高等院校、其他结构。其中, 大中型企业作为市场主体, 处于区域创新系统的核心位置。近年来, 河北省大中型企业科技经费投入大幅提高, 2007年比2001年增加了2.67倍, 绝对数量占到全省经费投入的60%以上。一方面, 企业科技经费投入相对强度大, 2007年来自企业的科技资金达981466万元, 占当年全部科技经费筹集额的71%;另一方面, 大中型企业科技投入以应用研究及试验发展为主要类型, 与经济增长有着更为直接的关系。科研机构是专门从事科学研究的重要组织, 2007年其经费投入比2001年增加了1.34倍, 占到全省经费投入的16%;投入基数较大、增长速度较快, 与经济增长的关联度较强。高校作为科研的重要力量, 近年来积极服务区域经济发展。2007年科技投入经费比2001年增加了1.07倍, 实现了较快增长。但由于基数小, 2007年经费筹集额仅为大中型企业的10.74%、科研结构的40.69%, 与经济增长的直接关联度不如前两者。除此之外的其它机构, 近年来科技经费投入总体呈下降趋势。2007年比2001年减少了近10%, 与经济增长的态势相异, 关联度不强。因此, 要构建以市场为主导, 企业为主体, 产学研相结合的区域创新体系, 必须加强政府的协调与服务职能, 进一步引导企业的科技投入, 增强科研部门, 尤其是要进一步发挥高校的智力资源优势, 以促进经济又好又快的发展。

3 结束语

科技投入与经济增长的关联分析, 对于认识二者的内在联系与规律具有理论意义, 对于政府公共管理和政策制定以及公众认知也具有一定的参考价值。不同的定量分析方法各有适用的对象, 灰色关联分析对于认识科技投入与经济增长发展趋势的相似度具有工具性。以河北省为例的分析, 也从侧面反映出科技投入与经济增长的互动性。由此, 加大科技投入、推动科技进步, 突出产、学、研科技力量的协调发展, 成为推动社会经济科学发展的首要任务。

参考文献

[1]金玉国.一种测定权数的新方法:灰色系统关联分析法[J].统计教育, 2002 (03) :14-15.

[2]刘建慧.关联分析方法比较研究[J].北京农学院学报, 1997 (06) :63-68.

[3]张磊.科技进步与经济增长的互动性[J].科技管理研究, 2008 (09) :68-70.

[4]李强.现代大学与高新技术产业[J].河北大学学报:哲学社会科学版, 2001 (02) :101-104.