灰色模糊评价方法

关键词： 科研单位 科研项目 项目风险 汽车

灰色模糊评价方法（精选九篇）

灰色模糊评价方法 篇1

1汽车研发项目的风险来源

研发项目是一种创造性活动,在整个研发过程中,从项目的基本思路的确立到整个项目的完结,科研人员研发能力的提高,知识技能的提升,管理理念的变革等,都是决定整个科研项目成败的关键因素。一般认为,科研项目风险是指由于科研项目所处环境和科研条件本身的不确定性以及项目委托方、受托方或其他相关利益者主观上不能准确预见或控制的因素,使整个科研项目最终结果与当事者的期望产生背离,从而给当事者带来损失或机遇的可能性[1]。

按照过程分类方法,汽车研发项目风险可以分为3个部分:①项目立项过程中的风险。主要包括立项时的认识误差所引发的研究方向和研究技术路线的不合理而导致的风险,及项目执行者由于知识基础和行为能力的不足而导致的风险;②项目实施过程中的风险。在项目的实施过程中,时刻受到静态和动态风险的威胁。静态风险由自然力的不规则作用和人们的错误判断和错误行为导致的风险,而动态风险是由于人们欲望的变化、生产方式和生产技术的变化以及企业组织行为的变化导致的风险;③项目后续风险。项目成果是知识产品,在知识成果转化为社会产品和社会生产力过程中,必然与社会需求等发生可适性的选择。

2模糊—灰色评价方法简介及评价指标的确定

模糊数学和灰色系统理论是目前较为常用的两种不确定性系统研究方法[2],模糊数学着重研究“认知不确定”问题,其研究对象具有“内涵明确,外延不明确”的特点。灰色系统着重研究模糊数学所难以解决的“小样本”、“贫信息”不确定性问题,与模糊数学不同的是灰色系统理论着重研究“外延明确,内涵不明确”。单纯采用模糊方法会造成信息丢失,若仅采用灰色理论方法,则不能充分利用评价规则模糊性的特点,两种情况均造成评价结果与实际存在偏差。对于科研项目风险的评价,在评价中引入模糊—灰色综合评价方法将克服目前单一评价方法中的不足。

研发项目在立项、实施、后续3个阶段中,存在着各种不确定性因素,科研成果的成功与否充满未知性,而且研发成果能否投产、对市场前景预测是否准确等都存在技术风险。因此,可以建立如表1所示的研发项目风险评价指标体系。

3模糊—灰色综合评价模型的构建

3.1 理论基础

模糊—灰色综合评判是在信息不充分的条件下进行评判[3],在综合评判的过程和结果中,信息量的多少应有相应的参量描述。对同一问题,信息充分的程度不同,得到的结果也会不同,或是所得结果的可信度不同。

设A是空间undefined上的模糊子集,若x对于A的隶属度undefined为[0,1]上的一个灰数,其点灰度为undefined,则称A为X上的灰色模糊集合,记作:

undefined (1)

用集偶表示成undefined,其中undefined称为undefined的模糊部分(简称模部),undefined称为undefined的灰色部分(简称灰部),在式(1)中,如undefined,则undefined;如vA(x)=0,则undefined,所以可将灰色模糊集合看作是对模糊集合和灰色集合的综合和推广。

影响研发项目的不确定因素繁杂众多【2】,利用灰色关联分析确定影响因素的权重系数,为专家建立的指标(影响因素)赋予权重系数。考虑到专家评判信息存在一定的灰度,根据基于三角白化权函数的灰色评估,建立白化权函数,通过利用灰色聚类理论得到的综合聚类系数矩阵,构造出模糊隶属度矩阵,再利用模糊算法评估结构安全,从而将灰色理论与模糊评价方法相结合,建立一种基于模糊灰色的综合评价方法。

3.2 评价准则

1)建立危险性因素集,对于项目不同时期的风险性的因素:决策风险、资金风险、技术风险、市场风险等组成集合,也是评价指标集,通常用U来表示,undefined。

2)建立评语集并赋值,我们将研发项目的风险按照从低到高分为3个等级,用undefined表示。

3)求各风险因素的权重,由于影响汽车研发项目的因素的复杂性及阶段性特点,仅靠几位专家来确定权重是不恰当的【4】。应当请一组(群)专家对已建立的指标进行两两比较,然后利用群AHP方法确定权重【5】。具体步骤为:首先通过专家判断每对风险因素之间的相对重要程度,比值用1～9表示(1表示两个风险因素重要性相同,3表示一个比另一个稍重要,5表示一个比另一个明显重要,7表示一个比另一个强烈重要,9表示某种风险比另一个极端重要,2、4、6、8为相邻两个评语的中值),由此建立判断矩阵A;将判断矩阵的每一行按行相乘得到一组新向量, 将该组向量各元素分别开n次方,n为判断矩阵阶数;将n次方根向量归一化得到特征向量W=(W1,W2,…,Wn),即所求的权重值。

4)评价矩阵的确定,通常可以建立如表2所示的评价准则:

设共有r位专家根据评价规则对指标进行评价,得到第i因素的综合评价向量为(di1,di2,…,dir)。在风险性评价中,评语集为undefined,一般地,undefined为低风险等级,undefined为中风险等级,undefined为高风险等级。确定评价灰类就是要确定评价灰类的等级数、灰数及其白化权函数。灰类要根据评价等级,通过定性分析确定,可建立如下3种白化权函数:低风险的下限测度白化权函数;中等风险的适中测度白化权函数;高风险的上限测度白化权函数。

分别计算ui属于f1(ui)、f2(ui)、f3 (ui)的灰色统计量,归一化处理得向量(ri1,ri2,ri3),表示此向量即为因素ui属于危险程度的模糊隶属度,并构造因素ui的模糊隶属度矩阵R:

因素ui的隶属度向量可构成一个总的评价函数矩阵R:

再对R进行模糊矩阵运算,得到系统的模糊评判矩阵B:

undefined (7)

根据最大隶属度原则可以判断:当undefined时,表示该项目风险较低;当undefined时,表示该项目风险为中等可控;当undefined时,表明该项目具有较高的风险。

3.3 研发项目评价例证

对某个汽车研发项目的风险评价进行实例分析。首先,根据层次分析法确定各指标的权重。然后根据计算,确定风险子指标集undefined中各项指标进行评判,建立判断矩阵为:

undefined

经计算,各指标的权重W为:

undefined

根据白化权函数,逐一计算各指标的灰色统计量并经过归一化处理,得到模糊隶属度矩阵R如下所示:

undefined

对上式标准化后,结合指标权重可得该研发项目的风险评价结果,并对结果进行归一化处理为:

undefined

按照最大隶属度原则,该项目应评价为具有较高的风险性。

4评价结果及处理措施

根据风险评价结果,可采取如下风险处理方法:①风险避免。当风险评价结果为“高”的情况下,即项目潜在威胁太大,不利后果很严重时,可以对威胁性较大的因素进行改善,消除高风险源,将风险降低到可接受的水平。②风险控制。当项目风险水平可以承受,就要在项目的实施和后续过程中,监控威胁较大的风险因素,降低或缓解可能出现的风险状况,降低风险发生的概率或是尽量减轻风险对项目的影响。③风险转移。当发现某风险因素发生的可能性极大时,则应当在项目实施和后续过程中采取相应措施,使整个系统的风险降低。④风险承担。针对存在的特定风险,主动做出决策[6]。

对科研项目管理者而言,应当在风险预测、风险识别、风险评价的基础上,在项目立项、实施和后续的各个阶段实行全过程风险管理,并对科研项目可能存在的风险水平和重大风险因子,根据其类别和危害程度,采取相应的风险处理方法。

参考文献

[1]邹超,朱光伟,姜澄宇.重大科研项目风险管理探讨[J].西北大学学报,2007(4).

[2]李立新,刘琳,王强.模糊灰色综合评价方法的构建及应用[J].沈阳建筑大学学报,2008(7).

[3]程卫民,周刚,王刚,等.基于灰色-模糊-改进动量BP算法的矿工安全行为评价方法[J].煤炭学报,2010(1).

[4]郭鹏,施品贵.项目风险模糊灰色综合评价方法研究[J].西安理工大学学报,2005,21(1).

[5]L i Yan xi,Tao Zh i.St ructure method fo r judging mat rix ofgroup in the AHP[J].Journal of Shenyang Normal University(Natural Science),(in Chinese)2002,20(2).

灰色模糊评价方法 篇2

①水利工程建设绩效评价水平的显著提升。我国水利工程建设绩效评价体系起步比较晚，管理制度不够规范,在实际应用的过程中，不能保证顾及到水利工程建设的所有细节，基于灰色模糊评价的水利工程管理绩效评价研究，针对这个问题，在我国现有水利工程建设绩效评价体系之上进行了创新，弥补了传统绩效体系的不足，改变了后评价的评价方式，优化了水利工程绩效评价流程。与此同时随着我国社会经济的快速进步，我国政府对水利工程绩效评价体系的关注度越来越高，提供了大量的资金支持和技术支持，使我国水利工程建设绩效评价体系水平有了质的飞跃。

②提高了水利工程建设绩效评价方法的实用性。基于灰色模糊评价的水利工程管理绩效评价研究，以模糊数学计算法为基本，根据水利工程建设的实际情况，建立了模糊数学应用模型，对水利工程建设的关键点进行了有效的定量分析，用更加科学合理的方式处理了外部信息给工程建设带来的影响，与此同时排除了人们主观上的惯性评价理论，从最基本的层面人手，确保了绩效评价体系实际应用的科学有效性，进而提高了水利工程建设绩效评价的实用性效果。

灰色模糊评价方法 篇3

XLPE电力电缆具有击穿电场强度高、介质损耗小、载流量大等极佳的电气性能,被广泛应用于高压电路中。为保证电力电缆处于良好运行状态,提高供电可靠性,减少经济损失,有必要对XLPE电力电缆进行合理的健康评价,发现问题于萌芽阶段并及时解决,确保其健康、安全运行。

XLPE电力电缆的健康状况与各个指标的关系需要建立在大量统计数据的基础上,然而,目前国内对XLPE电力电缆等设备的健康评价研究还处于起步阶段,没有大量的统计样本数据库,无法直接得到设备的寿命模型,设备的状态评价存在模糊性。因此,国内外专家学者开始结合模糊数学原理,对电力电缆等电力设备进行综合评判和故障分析,并取得了一定研究成果。文献[1]提出了一种基于模糊综合评判的城市电网电缆化改造方法;文献[2]结合模糊数学提出用模糊综合评判法评估电力变压器的工作状态。文献[3]提到由于评判者的能力偏好不同导致评判标准不统一,带有一定灰度,且设备各部件关系不明确,故引入了灰色理论,文献[4]基于灰色关联分析法对电缆火灾危险进行分析;文献[5]采用基于灰色聚类分析的方法对变压器绝缘故障进行诊断。

对于电力设备状态评价问题,如单纯使用模糊数学进行评价容易造成信息的丢失;若仅采用灰色理论方法,则不能充分利用评价规则模糊性的特点。基于以上考虑,本文将灰色理论与模糊评价方法相结合,建立一种基于模糊灰色理论的综合评价方法。

本文全面分析可能影响XLPE电缆健康状况的各种内外部因素,通过预防性试验、在线监测、巡检和历史记录进行数据获取;根据目前的条件,充分考虑工程应用的可操作性,选取合理的状态参量;在专家评判的基础上采用AHP法确定权重系数,基于模糊灰色的综合评价法,建立XLPE电力电缆的健康评价模型。该方法不仅提高了评判电力电缆健康度的科学性和可靠性,确保电力系统的安全稳定运行,而且以此为理论依据,还可对电缆的状态检修策略方案进行优化,适时进行状态检修,减少人力物力的损失。

2 状态参量的选取

XLPE电力电缆状态参量众多,选择合适的状态参量至关重要。XLPE电力电缆状态参量体系分为三层:第一层为电缆健康度评判目标层;第二层为因素层;第三层为具体状态参量指标层。其中,因素层通过分析电缆的运行情况及影响因素,将影响其运行的因素分为内部因素和外部因素;内部因素的相关状态参量又划分为机械性能、绝缘性能、热性能以及历史记录4个类别状态参量体系如图1所示。

3 基于模糊灰色综合评判的健康评价

目前对XLPE电力电缆的健康评价还处于探索阶段,由于各种因素与其健康度的内在关系复杂,尚无法明确,而且专家评判存在一定灰度,因此,本文采用模糊灰色综合评判法进行分析。该方法结合模糊数学中的模糊综合评判与灰色理论中的灰色聚类分析理论,针对评价对象中参量关系模糊、灰色、难以量化的特点,特别对解决不确定的小样本事件具有重要意义。模糊灰色综合评判法建立在实际经验的基础上,可操作性强,通过状态评判明确电缆所处的健康状况,可为检修工作计划提供了理论依据。

3.1 评判因素集

从图1可以看出,XLPE电力电缆的健康评价体系分为两层,第一层为电缆健康度,第二层包括内部因素和外部因素两项,表示为:

第三层即为各具体指标参量,分别为:

3.2 权重确定

层次分析法(AHP)建立在专家咨询基础上,将复杂系统中各指标划分为相互联系的有序层次,把多层次、多指标的权重赋值简化为各指标重要性的两两比较,然后进行数学处理,具有可信、灵活和实用的特点。本文采用专家调研方式,邀请供电局专家根据实际经验给出各因素间两两比较的相对重要性,通过层次分析法进行计算,得权重系数矩阵见表1。

表1中,wH、w1、w2分别表示内外部因素以及具体状态参量的权重系数矩阵。

3.3 利用灰色聚类理论构造模糊隶属矩阵

(1)确定评判准则

对每一层指标参量进行评价,如表2所示。例如,当评价分值为0.1时,表示指标处在“正常”状态,当评价分值为0.4时,表示指标处在“可靠性下降”状态,以此类推。评语集“正常”,“可靠性下降”,“怀疑”,“危险”4种状态,对应的评价分值分别为0.1~0.3、0.3~0.5、0.5~0.7、0.7~0.9。

根据制定的《输电设备状态评价标准(电缆)》对状态量进行评判,评语集中4种评价分别定义如下:

正常——状态量在规程规定的警示值、注意值(以下简称标准限值)以内;

可靠性下降——状态量变化趋势朝接近标准限值方向发展,但未超过标准限值;

怀疑——状态量变化较大,已接近或略微超过标准限值;

危险——严重超过标准限值。

(2)进行样本评判

设有r位专家对各指标参量进行评判,得因素层i中指标参量j的评判结果为(uij1,uij2,⋯uijk,⋯uijr)。取其均值得其综合评判为。

(3)构造模糊隶属矩阵

根据评语集(4个评语对应4个灰类)对应的风险系数建立三角白化权函数。指标j第k(k=1,2,3,4)个灰类的白化权函数为

式(1)中,λjk为j指标k灰类临界值,取ujk和ujk+1的均值,如表3所示。

将k代入式(1)可得j的三角白化权函数为:

式(2)属评语“正常”的白化权函数,式(3)属评语“可靠性下降”的白化权函数,式(4)属评语“怀疑”的白化权函数,式(5)属评语“危险”的白化权函数。

将综合评判值代入各白化权函数,再根据综合聚类系数公式:

得到第二层因素i的综合聚类系数矩阵σi归一化后即第二层因素i的模糊隶属度矩阵

其中σik为第二层因素i属于k灰类的综合聚类系数,wij为各指标权重。

3.4 模糊评价

采用加权运算,对最终风险度进行评价得:

当b1=max{b1,b2,b3,b4}时,评语为“正常”状态;

当b2=max{b1,b2,b3,b4}时,评语为“可靠性下降”状态;

当b3=max{b1,b2,b3,b4}时,评语为“怀疑”状态;

当b4=max{b1,b2,b3,b4}时,评语为“危险”状态。

4 实例分析

基于上述方法,本文对某一实际电网110kVXLPE电力电缆线路进行健康评价,其状态参量的评价如表4所示。

结合表1权重取值和表2评判准则,通过白化权函数对电缆的健康度进行模糊灰色综合评价;将评价值代入白化权函数,根据综合聚类系数公式,得到:

内部因素I=[1,0.3333,0,0],外部因素E=[0.6372,0.6961,0,0],则归一化后的该线路电缆健康度H=[0.5867,0.4133,0,0],根据文献[10]中提到的最大隶属值有效度,采用最大隶属值进行判断,因此判断该线路总体处于“正常”状态,能够正常运行。由评价结果还可以看出,该线路内部性能较好,基本不存在劣化迹象,无需跟踪观察,但外部环境较差,需加强巡视管理。

5 结论

XLPE电力电缆的工作状态和寿命可以通过试验和监测获取内部因素的状态参量,巡视获取外部因素的状态参量进行综合判断,本文结合模糊数学和灰色理论,将模糊灰色综合评判的方法引入到电力电缆的状态评估中,以实际电网110kV XLPE电力电缆为例进行评估与分析,得到以下结论:

(1)本文通过获取XLPE电力电缆各主要状态参量,采用专家调研方式,运用模糊层次分析法确定权重,客观全面地反映出各状态参量对设备健康度的贡献程度,具有可信、灵活和实用的特点;

(2)结合电力电缆内外部因素,引入模糊数学和灰色理论的方法,建立基于模糊灰色综合评判的XLPE电力电缆状态评价模型,实例校验证明了该模型是有效的,具有较强的可操作性;

(3)通过评估结果可对电力电缆的状态检修工作提供指导依据,增强了设备检修的针对性,提高了工作效率。

摘要：XLPE电力电缆凭借其优良的电气性能,在高压电网中得到广泛应用。以XLPE电力电缆作为研究对象,通过预防性试验、在线监测、运行检修记录等方式获取其特征参量,构建合理的状态评价指标体系。对各项指标权重采用AHP法进行分析,并基于模糊灰色综合评判理论,建立XLPE电力电缆的健康评价模型,对其健康度进行评价。以某电网实际运行的110kV XLPE电力电缆为例进行计算,其综合评价结果与设备实际状态一致,验证了本文所建立模型和方法的正确性与合理性。

关键词：XLPE电力电缆,健康评价,模糊灰色评判,层次分析法

参考文献

[1]葛少云,闫大威,董智.基于模糊综合评判的城市电网电缆化改造[J].现代电力,2005,22(3):37-40.

[2]Bi Pengxiang,Xue Jun,Ni Jianli,et al.Practice and strategy for condition based maintenance of power sup ply equipment[R].IEEE/PES Transmission and Dis tribution Conference&Exhibition:Asia and Pacific Dalian,China,2005.

[3]Johan Skj lberg,Sverre Hvidsten,Hallvard Farmeo.Experience from on-site condition assessment of XLPE MV cables[A].IEEE International Symposium on Electrical Insulation[C],June2006:432-435.

[4]S.Bomben,H.G.Sedding,S.Rizzetto.Assessment of station cable condition using wireless telemetry and diag nostic tests[J].IEEE Electrical Insulation Magazine,vol.18,no.4,July/August2002:24-29.

[5]李俭,孙才新,陈伟根,等.灰色聚类与模糊聚类集成诊断变压器内部故障的方法研究[J].中国电机工程学报,2003,23(2):112-115.

[6]廖瑞金,王谦.基于模糊综合评判的电力变压器运行状态评估模型[J].电力系统自动化,2008,32(3):70-75.

[7]钟小璇,陈曦.基于灰色关联分析法的电缆火灾危险性分析[J].安全与环境工程,2010,17(4):60-63.

[8]李俭,孙才新,陈伟根,等.基于灰色聚类分析的充油电力变压器绝缘故障诊断的研究[J].电力技术学报,2002,17(4):80-83.

[9]党耀国,刘思峰,翟振杰,等.灰色综合聚类评估模型的研究[J].统计与决策,2004(10):4-5.

[10]李立新,刘琳,王强.模糊灰色综合评价方法的构建及应用[J].沈阳建筑大学学报,2008,24(4):577-580.

[11]郭鹏,施品贵.项目风险模糊灰色综合评价方法研究[J].西安理工大学学报,2005,21(1):106-109.

灰色模糊评价方法 篇4

基于灰色模糊综合评价理论在新产品开发项目选择中的应用

通过对目前一些常用评价方法,如层次分析法(AHP)、模糊综合评判法的优缺点研究,提出了灰色模糊关联产品开发项目评价新方法.建立了基于灰色模糊理论新产品开发项目选择综合评价模型,并通过实际评价获得了较满意的`效果.

作 者：张健 ZHANG Jian 作者单位：苏州市职业大学,江苏,苏州,215004刊 名：成组技术与生产现代化英文刊名：GROUP TECHNOLOGY & PRODUCTION MODERNIZATION年，卷(期)：24(1)分类号：N941.5关键词：项目选择 灰色模糊理论 综合评价方法

灰色模糊评价方法 篇5

进口LNG涉及许多安全和质量状态指标,它对LNG的运输、贮存和使用均直接或间接地产生很大的影响。随着LNG在我国能源利用中的比例的急剧上升以及使用总量的不断增加,对LNG安全和质量状态的影响应引起足够的重视。因此尽早探索进口LNG的安全和质量控制方法,就成为制定和完善LNG国家标准和进出口检验控制标准必做的基础工作,也成为保护我国环境安全和国民经济安全的需要[8]。

液化天然气安全和质量分析指标等级的确定

液化天然气具有许多技术指标,包括容量性质指标,如温度、压力、密度、压缩因子等;燃烧性质指标,如发热量和互换性;冷凝性质指标,如水含量/水露点、潜在烃含量/烃露点;组成指标,如甲烷、乙烷、丙烷、C4烷烃、C5+烷烃、二氧化碳、氧、氮、汞、硫化物含量等。从LNG的实际情况出发,本文筛选发热量(高位发热量)、互换性(沃泊指数变化)、甲烷、C4烷烃、C5+烷烃、二氧化碳、氧、氮、总硫和硫化氢为安全和质量状态指标。

进口LNG的安全和质量状态评价等级可以根据我国和其他国家有关的天然气标准[3],世界各地区及我国深圳、莆田口岸的LNG合同等来确定(如表1)。

应用模糊数学方法建立进口LNG安全和质量状态分析系统

如上所述,评价液化天然气质量的因素包括甲烷含量、丁烷含量、C5+烃含量、氮、氧、二氧化碳、硫化氢、总硫、高热值、Wobbe指数等十个因子。考虑到这些因子之间的渐变性和模糊性,常规的数学方法或数学模型不能综合反映LNG的安全和质量状态,而模糊数学综合评价方法能够将一些界定不清、不能定量的因素进行定量、综合分析,从而得出更加全面、客观、合理的结论。因此采用灰色系统理论和模糊数学方法建立进口LNG的安全和质量状态分析系统是一种最为有效的方法[3,4,5,6,7,8]。

1 模糊数学模型

模糊数学模型中最重要的两个因素就是权重矩阵和数据矩阵。多因子模糊数学评价计算公式为:T=W×U={t1,t2,…,ti},W为权重矩阵,U为数据矩阵,计算结果T为各样本的综合评价结果矩阵,其中ti为各样本的综合评价结果。

2 权重因子

当评价因子错综复杂时,其权重也各不相同,如何确定出各因子相对应的权重,模糊数学一般采用单个评价因子在所有评价因子中所作的贡献,或者采用灰色系统理论通过计算灰色关联系数和关联度,再进行归一化处理求得各因子的权重。在灰色关联分析中,灰色关联系数和关联度是两个最基本的要素。按照灰色系统理论的关联度分析方法,设定参考序列为X0={X0(j)/j=1,2,…,n},比较序列为Xi={Xi(j)/j=1,2,…,n},i=1,2,…,m,参考序列与比较序列的关联系数按照公式(1)进行计算。

式中εij为关联系数,Δij=|x0j-xij|,i=1,2,…,m,Δmin和Δmax分别为Δij中的最小值和最大值,ρ为灰色分辨系数。分辨系数ρ与分辨率成反比,ρ越大,分辨率越低,ρ越小,分辨率越高。各因子关联度按照公式(2)进行计算。

式中ri为各因子的关联度,再进行归一化,计算出各因子的权重wi,从而建立权重集W。

3 评价因子的隶属度函数和模糊数学关系矩阵的建立

(1)评价因子的隶属度函数

模糊数学模型中的数据矩阵是通过隶属度函数计算出来各样本不同因子的隶属度建立的矩阵。根据各因子评价标准的不同,其隶属度计算也不一样,而且如果有多级评价标准的话,相应的隶属度函数计算公式也要发生变化。

评价因子隶属度函数按公式(3)或(4)进行计算:

其中xi为样本某一因子的实测值;ai、bi分别为该因子不同质量等级的标准值,如果有更多质量等级,则依次再加入相应的计算公式。

(2)模糊数学关系矩阵

按公式(3)和式(4)计算不同因子的隶属度后,就得到模糊数学关系矩阵。

4 LNG安全和质量状态评价值的计算

按照前述的模糊数学评价公式T=W×U={t1,t2,…,tm},计算权重和不同因子隶属度矩阵的乘积,得到LNG安全和质量状态评价值。总之,观察隶属度值和最终评价值就可了解各批次进口LNG需要关注的指标情况和整体安全和质量状态情况。

深圳和莆田口岸进口LNG安全和质量状态分析

由于液化天然气质量多因子分析过程中,不同因子的分类和单位不同,无法进行统一运算,因此按照灰色系统理论先对数据进行无量纲化处理,并采用灰色关联分析计算出各因子之间的关联系数和关联度,从而得出各因子对分析结果的权重,也就是先计算出模糊数学模型中的权重矩阵W。再根据液化天然气等级质量标准(见表1)计算出相应的数据矩阵,从而实现对样本质量的多因子综合评价。

1 不同国家液化天然气质量评价

(1)样本实际检测结果

深圳和莆田进口的液化天然气来自不同的国家和地区,按照不同国家作为评价数据组,对不同国家的液化天然气质量进行综合评价。实测平均值见表2。

(2)数据无量纲化

由于评判标准涉及到10种评价因子,每种评价因子的单位并不相同,高热值与经济利益直接挂钩,因此量值越高越好,主成分甲烷也应达到一定水平。而杂质成分含量越低越好,沃泊(△Wobbe)指数与互换性直接联系,应该是越稳定越好,即△Wobbe越小越好。要对所有评价因子进行统一分析,就必须对检测数据进行无量纲化处理,处理结果见表3。

(3)高热值与各质量因子的关联度和关联系数

誗高热值与各质量因子的差序列。高热值与各质量因子差序列按照公式Δi=|G-Gi|进行计算,其中G为高热值无量纲化结果,Gi为其他质量因子无量纲化处理结果。质量因子差序列结果见表4。

誗高热值与质量因子的关联系数和关联度。根据灰色关联度分析方法,高热值与质量因子的关联系数和关联度按照公式(1)和(2)进行计算。分辨系数ρ与分辨率成反比,ρ越大,分辨率越低,ρ越小,分辨率越高。考虑到指标之间的差异性对质量评价的权重,取ρ为0.5。关联系数和关联度计算结果见表5。

(4)权重因子

对各单项质量因子的关联度进行归一化处理,计算出各相关指标的权重因子(见表6)。

(5)模糊关系矩阵的建立

根据本实验各评价因子对应的液化天然气等级标准,将不同样本各因子实测值代入隶属度函数公式(3)和(4)进行计算,得出模糊关系矩阵U。

●高热值隶属度计算公式:

●甲烷含量隶属度计算公式:

其他指标的隶属度公式类推。按照各隶属度计算公式计算,得到6个国家进口LNG的各批次平均值的模糊关系矩阵。

(6)不同国家液化天然气的安全和质量状态综合分析结果

代入矩阵计算公式T=W×U={t1,t2,…,tn},得出各国液化天然气的安全和质量状态综合分析结果为:T={1.000,0.986,0.882,0.977,0.970,0.964}。

(7)综合分析结果的判断

按照一项最小权重指标不达标情况(T值为0.936)计算,依此获得以下判断标准:如果T=1.00,则认为该批LNG为I级,安全和质量状态优秀;如果0.936

由此可以看出,各国进口的LNG除了阿尔及利亚以外,均处于优秀(I级)和良好(II级)的水平。安全和质量状态排序为澳大利亚>阿曼>尼日利亚>埃及>赤道几内亚>阿尔及利亚。阿尔及利亚液化天然气质量整体较差,与其O2含量几乎均处于临界值有关。

2澳大利亚不同批次液化天然气综合评价

共检测进口的澳大利亚液化天然气100多船次,按照上述的隶属度计算公式,代入矩阵计算公式,得出100多批次液化天然气的综合评价结果。从评价结果可以看出,绝大多数样本均达到I级和II级质量标准,在所有100多批次样本中符合IV级质量标准的仅有2批次,占1.96%。而仅有的两批次IV级LNG也是O2含量达不到要求。

3深圳和莆田口岸进口LNG的安全和质量状态基本评价

从模糊数学计算结果可以看出,深圳和莆田口岸进口的LNG的安全和质量状态基本处于优良的水平。但仍有个别批次的进口LNG属于不良水平,主要问题是O2含量的问题,因此进口LNG时,需要特别注意O2含量,还包括N2和互换性。

结论

(1)充分参考了国内外各种LNG的国家标准、法规以及地区和行业标准,考虑了世界各地LNG的合同指标,同时也参考了世界各地LNG安全和质量指标的实际范围,包括深圳和莆田进口LNG的安全和质量指标的实际测定值,确定了高热值、互换性(沃泊指数变化)、甲烷含量、C4烃类含量、C5+烃类含量、总硫、硫化氢、氧、氮、二氧化碳等十个指标的安全和质量状态分级。

(2)运用灰色关联分析对模糊数据体系中不同单位或者无法量化的不同因子进行量化,通过计算它们之间的关联系数和关联度来确定其权重,为进口LNG的检验提供了一种简明、高效的权重计算方法。通过简单的隶属度计算公式,可以快速得到各评价因子隶属度,最后得到进口安全和质量状态评价值。这样,就提供了各批次进口LNG整体清晰、简单的安全和质量状态分析结果。

(3)利用模糊综合评价模型分析方法对来自不同国家的LNG进行安全和质量状态分析,结果表明大部分国家的LNG的安全和质量状态均处于优良的水平,各国LNG的安全和质量状态排名如下:澳大利亚>阿曼>尼日利亚>埃及>赤道几内亚>阿尔及利亚。阿尔及利亚的LNG的安全和质量状态较差,具体表现在O2含量在临界值的批次较多。

(4)利用灰色理论和模糊数学方法既可以顾及分析对象的层次性,又可使分析评价标准、影响因素的模糊性得以体现,还可以做到定性和定量因素相互结合,使分析精度得以提高,并在分析中能够充分发挥人的经验,使分析结果更符合实际情况。该方法层次清晰、简单实用,能使众多的因素参与分析,它是由单因素分别评判、定性评判向综合性、半定量乃至定量的多因素综合动态分析过渡的有效途径。

参考文献

[1]侯素霞,刘新铭,钟秦.模糊数学在丹河水环境综合评价中的应用[J].生态环境.2008,17(4):1411-1414.

[2]天然气分析测试技术及其标准化编写组.天然气分析测试技术及其标准化[M].北京.石油工业出版社.2000.

[3]王楼明,叶锐钧.进口LNG的质量及其控制指标探讨[J].中国石油和化工标准与质量.2009,22(3):23-28.

[4]邹志红,孙靖南,任广平.模糊评价因子的熵权法赋权及其在水质评价中的应用[J].环境科学学报.2005,25(4):552-553.

[5]翟航,卢文喜,杨威,等.模糊数学和污染指数法在土壤重金属污染中的应用[J].土壤.2008,40(2):212-215.

[6]霍红.模糊数学在食品感官评价质量控制方法中的应用[J].食品科学.2004,25(6):185-189.

[7]王念秦,姚勇.基于模糊数学和权的最小平方法的泥石流易发性评价方法[J].灾害学.2008,23(2):5-9.

测控软件质量的灰色模糊评价 篇6

软件质量是指与软件产品满足规定和隐含需求能力有关的全体特征和特性,现代测控系统依靠软件完成其复杂的测量控制功能,测控软件的质量是决定系统效能的重要指标。为获得高质量软件,除采用先进的开发方法和测试技术外,还需要从管理上运用ISO9000质量保证体系和CMM软件成熟度模型对软件过程进行控制,并通过软件评价获得软件产品所达到的质量等级。由于测控软件具有结构复杂、代码量庞大、涉及因素多和运行过程不确定的特点,使软件质量评价成为软件质量研究的重要课题。

为解决软件质量评价复杂的问题,国际标准化组织(ISO)和国际电子协议(IEC),联合颁布了《软件工程—产品质量》(ISO/IEC 9126[1])和 《软件工程—产品评价》(ISO/IEC 14598[2])国际标准。前者提出了一个评价软件质量的通用模型,后者定义了软件质量评价过程模型,为软件产品质量的测量、评估和评价提供了方法。通过将模糊集合、灰色方法和神经网络等理论引入软件质量评价,增强了对不完整、不确定度量数据的处理能力,改善了模型的精确性,降低了复杂度[3,4,5],使ISO/IEC质量模型得到业界的广泛认同。

当前对软件质量的研究主要以通用软件系统为评价对象,虽然有学者对一些行业应用软件的质量评价进行了探索[6,7],但大多围绕其通用软件特性进行评价,而对特定于应用的质量特性考虑不多。实际上,很多行业应用软件的质量更取决于与软件功能和应用环境有关的特性,文献[8]提出的办公软件测评指标体系就是一个例证。在测量控制领域,为了使测量控制软件能以检定时确认的功能和性能可靠安全地工作,欧洲国家法定计量服务组织(WELMEC)、国际法制计量组织(OIML)和国家法制计量管理技术委员会分别颁布了OIML D 31[9]、JJF1182-2007[10]和WELMEC[11]等用于法制计量的测控软件技术规范,规定了测控软件在安全保护、可靠性以及数据存储和数据传输方面的需求,这些特性决定测控软件的可用性和软件质量。

文中结合ISO/IEC 9126/14598标准和测控类型软件技术规范,基于模糊灰色理论,探索了测控类行业应用软件的质量评价方法。

1灰色模糊评价模型

1.1评价指标模型

遵循ISO/IEC 9126通用质量模型建议,定义图1所示的指标模型四级结构,最高级(第0级)表示整个软件整的指标。由多个作为一级指标的质量特性组成,每个质量特性包含若干个作为二级指标的子特性,每个子特性又由多个属性构成,属性为三级指标,可以通过某种评价活动直接获得其度量值,而其上各级指标的度量值则需通过下级指标度量值综合获得。

用A${}_{ki}^{}$表示第k级的第i个指标,S${}_{ki}^{}$为其下级指标集合,令S${}_{ki}^{}$={A${}_{(k+1)j{}_t}^{}$|1≤t≤p${}_{ki}^{}$},p${}_{ki}^{}$是其下级指标数,W${}_{ki}^{}$=(w${}_{ki1}^{}$,w${}_{ki2}^{}$,...)是各下级指标的权重向量,F${}_{ki}^{}$为通过下级指标度量值计算A${}_{ki}^{}$指标值的函数,R${}_{ki}^{}$=(r${}_{(k+1)j{}_1}^{}$,r${}_{(k+1)j{}_2}^{}$,...)为各下级指标度量值向量,r${}_{ki}^{}$是该指标的度量值,则:

rki=Fki(Rki,Wki) (1)

1.2评分值获取及灰色聚类

为便于指标度量值的综合,定义两种测量标度类型:评分值和指标值。评分值采用百分制,是技术专家对评价活动中采集到的数据经过转换和计算而获得的属性度量值,评分值越大,质量越高。指标值用属于各个质量等级的隶属度表示,属性的指标值通过白化函数对其评分值进行转换得来,其它指标值通过对其所包含的下级指标值综合获得。

考虑到评价者知识背景、评价环境和评价方法都可对评分值产生影响,综合s位技术专家的评分值来计算软件质量指标值,以提高评价的准确性。将第j位测评者对第i个属性的评分值样本记为dij,则全部s位专家对m个质量属性的评分值可用以下矩阵表示:

由于现有测评手段难以获得对复杂的软件系统质量属性的完全认知,故将属性的质量优劣看成灰数,使用白化函数从评分值计算各属性属于各质量等级的白化值。记被评软件质量分q个等级,用集合V=(v1, v2, ..., vq)表示。将第l质量等级vl所对应的的白化函数记为fl(x),则根据第j个评价者对第i个属性的评分值dij,可获得该属性属于第k质量等级的白化值fl(dij)。计算灰色统计数$\eta {}_{il}={\displaystyle \sum _{j=1}^{s}f}{}_l(d{}_{ij})$和总灰色统计数$\eta {}_i={\displaystyle \sum _{l=1}^m\eta }{}_{il}$,则综合s位技术专家的评分值,可获得:第i个属性属于第l个质量等级的隶属度为$r{}_{3il}=\frac{\eta {}_{il}}{\eta {}_i}$,第i个属性属于各质量等级的聚类值为r3i=(r3i1,r3i2,…,r3iq)T,则第三级指标的指标值矩阵:

1.3白化权函数设计

合理的白化权值反映属性属于对应质量等级的隶属度,并且随自变量连续变化,因此合理的白化权函数应满足如下要求:i)连续函数,对同一评分值计算出来的各白化权值之和为1;ii)每个白化权函数均有一个点或区间的函数值为1,在该点或区间左右两边,函数分别为单调非减和单调非增;iii)每个评分值最多聚类成对于两个相邻的质量等级的隶属度大于0。

考虑上述因素和简化原则,将各质量等级的白化权函数构造成图2中的对应折线,将评分值取值范围[0,100]用t1,t2,…,tq-1划分成q个区间,fk在(tk-1+tk)/2处获得最大值1,和在tk-1和tk处取值0.5,在(tk-2+tk-1)/2及(tk+tk+1)/2处取值下降到0,在区间[(tk-2+tk-1)/2, (tk+tk+1)/2]之外取值均为0,但f1和fq在分别在第一个和最后半个区间分别取值为1。

各白化权函数的解析形式为:

当2≤l≤q-1时,

1.4指标值模糊综合

通过白化权函数计算出来的各属性白化值是该属性属于不同质量等级的隶属度,同一属性各隶属度构成一个模糊向量,因而可采用模糊综合方法,从属性开始,自下向上计算子特性、特性和整个软件系统的指标值。基于模糊综合方法可将式(1)的具体形式推导如下:

$\begin{array}{l}r{}_{ki}=\left[r{}_{ki1},r{}_{ki2},...,r{}_{kiq}\right]{}^{{\rm T}}=(W{}_{ki}˚R{}_{ki}{}^{}){}^{{\rm T}}=R{}_{ki}{}^{{\rm T}}˚W{}_{ki}{}^{{\rm T}}\\ =\left[\begin{array}{cccc}r{}_{(k+1)j{}_{1}1}& r{}_{(k+1)j{}_{2}1}& ...& r{}_{(k+1)j{}_{p{}_{ki}}1}\\ r{}_{(k+1)j{}_{1}2}& r{}_{(k+1)j{}_{2}2}& ...& r{}_{(k+1)j{}_{{}_{p{}_{ki}}}2}\\ ⋮& ⋮& & ⋮\\ r{}_{(k+1)j{}_{1}q}& r{}_{(k+1)j{}_{2}q}& ⋮& r{}_{(k+1)j{}_{p{}_{ki}}q}\end{array}\right]˚\left[\begin{array}{c}w{}_{ki1}\\ w{}_{ki2}\\ ⋮\\ w{}_{kip{}_{ki}}\\ \end{array}\right]\end{array}$

将矩阵乘法中的求和及求积运算分别定义成两个抽象运算⊕和⨂以增强模糊综合的通用性,则上式可写成:

(1) 质量等级评定

如果需要评定软件质量等级,可先将两个抽象运算符分别定义成普通的加法和乘法运算,即x⊕y=x+y,x⨂y=x×y,利用公式(7),可计算出各级指标值以及综合指标值;然后利用最大隶属度原则给出整个软件及各特性的质量等级。若要突出质量等级较低的属性和质量特性的影响,可将抽象运算符分别定义成普通的乘法和乘方运算,即x⊕y=x×y,x⨂y=xy。

(2) 质量对比评测

当对多个软件产品(P1,P2,…,Pu)的质量进行对比评价时,首先计算出各软件的各级指标值以及综合指标值;然后为每个质量等价设置一个分值G=(g1,g2,…,gq),根据式(3)从被评软件的综合指标值计算各被评软件的综合评分;

Bi=r${}_{0i}^{{\rm T}}$×GT=(r0i1,r0i2,…,r0iq)×(g1,g2,…,gq)T (8)

最后比较各被评软件的质量等级、综合评分、综合指标值和各级指标值。

(3) 质量合格评定

采用与质量等级评定相同的方法计算软件的各级指标值,利用最大隶属原则确定各级指标的质量等级,并与最低合格质量等级对比,可确定软件产品是否合格。

1.5指标权值确定

指标权值的设置可影响到软件质量评价结果,应该为各种软件属性和质量特性分配合理的权值。软件各质量属性的重要程度与系统功能、应用领域和软件结构等密切相关,其权值确定具有较强的主观性。由于层次分析法(AHP)能把人们主观的直觉、经验与客观的理性、规律密切结合,将人的主观判断表示成数字形式,并进行形式化的逻辑推理,适合软件质量评价的特点,因此文中采用AHP方法进行指标权值的分配,按照判断矩阵的构造、权向量与一致性检验等三步进行权值计算。

(1) 判断矩阵构造

为减小主观因素的影响,采用Satty提出的 “1～9 比率标度法”表,对同属某一上层指标(A)的各下层指标(B1,B2,…,Bn)的相对重要性进行两两比较,构建两两比较判断矩阵。

$A=(b{}_{ij}){}_{n\times n}=\left(\begin{array}{cccc}b{}_{11}& b{}_{12}& \cdots & b{}_{1n}\\ b{}_{21}& b{}_{22}& \cdots & b{}_{2n}\\ \cdots & \cdots & \cdots & \cdots \\ b{}_{n1}& b{}_{n2}& \cdots & b{}_{nn}\end{array}\right)$

其中,bij>0, bii=1,bij=1/bji(i,j=1,2,…,n), bij表示对Ak而言, Bi对Bj相对重要性的数值表示。

(2) 权值向量计算

对判断矩阵A,计算满足Ax=λmaxx的特征根λmax和特征向量x,x即为权值向量的潜在解W。

(3) 一致性检验

计算一致性指标$C.{\rm I}.=\frac{\lambda {}_{\max }-n}{n-1}$,查有关表获得平均随机一致性指标R.I.,计算随机一致性比例$C.R.=\frac{C.{\rm I}.}{R.{\rm I}.}$,当C.R.<0.1时,可以认为判断矩阵具有满意的一致性,将W作为指标权值,否则重新调整判断矩阵在的元素,直到判断矩阵具有满意的一致性为止。

对每一个具有下层指标的软件特性和子特性,重复上述过程,即可求得整个指标体系的权值。

2测控软件质量评价

2.1质量等级

软件质量等级的划分与软件类型和评价目标密切相关,因软件种类及评价目标繁多,故 ISO/IEC模型并没有给出质量等级划分标准。WELMEC 7.2[11]以测控软件质量的等级评定为目标,对测控软件一级指标质量特性规定了低、中、高三个风险等级,并通过对一级指标的质量等价进行组合,定义了从低到高六种风险等级A、B、C、D、E、F;JJF1182-2007[10]根据面向计量测评的要求规定了与评价等级对应的三个质量等级:低等、中等和高等。为便于分辨不同产品间的质量差异并尽力遵循已有规范,本文采用通用的五级制质量等级,即评价等级集合V={v1, v2, v3, v4, v5},五个等级分别表示较差、一般、中等、良好和优秀。

按通常惯用的转换规则,最大隶属度分属五个质量等级的评分值区间分别为 [0,60)、[60,70)、[70,80)、[80,90)和[90,100],各白化权函数的转折点是各个区间的中点,五个白化权函数f1,f2,f3,f4,f5中的参数值为t0=0,t1=60,t2=70, t3=80,t4=90, t5=100。在将指标值转换成综合评分时,可将式(8)中的五个质量等级对应的分值分别设置为g1=30,g2=65, g3=75, g4=85,g5=95。

2.2指标体系及权重

ISO/IEC标准将软件质量总结成功能性、可靠性、易用性、效率、维护性和可移植性六大特性,细分为21个子特性,虽然对普通软件质量特性具有较好的覆盖性,但难以完全适合于各类行业应用软件的质量需求。由于很多测控软件运行于贸易结算和公众计量等领域,防范使用者、开发人员甚至系统管理员欺诈和攻击关系到软件的可用性,软件保护能力是其最关键的质量属性。因此,国内外测控软件技术规范WELMEC 7.2和JJF1182-2007等将软件保护特性细分为误操作预防欺诈性使用防范两个子特性,并针对可能的安全攻击至少需要采用六种保护技术作为质量属性,每种保护技术都有对应的验证方法。这些规范大大超越ISO/IEC标准对软件保护的要求。显然,仍然将软件保护作为一个功能特性(一级指标)下的子特性(二级指标)[1]将难以合理地评价该特性的质量等级及重要程度,故应将其提升为一级质量特性,同时可移植性和可维护性等其他质量特性在内容和重要性方面也发生了较大变化,整个指标体系应进行较大调整,对此将另外撰文研究。按照JJF1182-2007规范对测控仪器软件保护特性作为一级指标并展开后纳入ISO/IEC模型后的评价指标结构如图3所示。

2.3应用实例

限于篇幅,仅对软件保护一级指标(如图3所示)应用文中提出的模糊灰色方法进行综合评价,采用同样的方法可从各一级指标计算整个测控软件的质量等级。

(1) 属性评分及指标值计算

采用层次分析法进行指标权值计算已在众多文献[13]中进行了阐述,本实例不给出计算过程,仅给出指标权值的计算结果,表1给出了软件保护各个下层指标的权重与7位专家的评分。

不难获知,各专家评分构成了式(7)中的评分矩阵D的子矩阵D′。利用白化权函数式(4)-式(6),可计算出第三级指标的指标值矩阵的子矩阵:

$R^{\prime }{}_3\left[\begin{array}{l}r{}_{31}^{{\rm T}}\\ r{}_{32}^{{\rm T}}\\ r{}_{33}^{{\rm T}}\\ r{}_{34}^{{\rm T}}\\ r{}_{35}^{{\rm T}}\\ r{}_{36}^{{\rm T}}\end{array}\right]=\left[\begin{array}{ccccc}0& 0& 0& 0.53& 0.47\\ 0& 0& 0.13& 0.71& 0.16\\ 0& 0.07& 0.47& 0.43& 0.03\\ 0& 0.34& 0.66& 0& 0\\ 0& 0& 0& 0.20& 0.80\\ 0.31& 0.65& 0.04& 0& 0\end{array}\right]$

(2) 综合评价

将式(7)中的两个抽象运算符分别定义成普通的加法和乘法运算,则软件保护特性各二级指标的指标值为:

r21=[0 0 0 0.53 0.47]T

$r{}_{22}=\left[\begin{array}{ccccc}0& 0& 0.13& 0.71& 0.16\\ 0& 0.07& 0.47& 0.43& 0.03\\ 0& 0.34& 0.66& 0& 0\\ 0& 0& 0& 0.20& 0.80\\ 0.31& 0.65& 0.04& 0& 0\end{array}\right]{}^{{\rm T}}\times \left[\begin{array}{l}0.39\\ 0.12\\ 0.23\\ 0.16\\ 0.10\end{array}\right]=\left[\begin{array}{l}0.03\\ 0.15\\ 0.27\\ 0.36\\ 0.19\end{array}\right]$

测控软件一级指标软件保护特性的指标值可用同样的方式计算:

$r{}_{1k}=[r{}_{21}r{}_{22}]{}^{{\rm T}}\times \left[\begin{array}{l}0.1\\ 0.9\end{array}\right]=[0.030.130.240.380.22]{}^{{\rm T}}$

根据最大隶属度原则,该测控软件质量等级为v4,即良好等级。

最后,利用式(8)计算软件保护特性的综合评分:

$B{}_{1k}=\left[\begin{array}{l}0.03\\ 0.13\\ 0.24\\ 0.38\\ 0.22\end{array}\right]{}^{{\rm T}}\times \left[\begin{array}{l}30\\ 65\\ 75\\ 85\\ 95\end{array}\right]=80.5$

3结语

传统基于ISO/IEC质量模型难以对测量类型软件进行合理的评价。文中将ISO/IEC质量模型与测控类型软件技术规范相结合,探索测控软件的质量评价模型,提出了测控软件的指标结构模型,采用灰色模糊评价理论,构造使属性仅隶属相邻等级的白化权函数进行评分值的灰色聚类,对各质量属性的评分进行了模糊综合,获得了各级质量特性和整个软件系统的质量等级和综合评分,用定量的方法实现对软件质量的定性评价,对其他行业应用软件的质量评价具有推广意义。

灰色模糊评价方法 篇7

一、相关研究评述

目前, 上市公司投资价值评估领域的研究取得了丰富的研究成果, 无论从评价指标体系的创新, 还是评价方法的选取应用, 都体现着理论研究的与时俱进。

(一) 指标体系构建方面:由单一的指标逐渐被多元指标体系取代

国外, Combola and Kets (1983) 考虑了现金流量指标与公司盈利指标的差异, 并且重视应收应付项目对现金流量的影响, 用严格调整后的经营活动营运资本和经营活动现金流量及其他会计数据设计了40个财务指标, 通过主成分分析提炼了8个可以近似代表所有指标的主成份, 并且经营活动现金流量指标是其中的一个主成份。国内, 顾纪生和吕厚军 (2001) 针对已有分析指标已难以适应新形式新市场格局的变化, 创设了一套新的指标体系, 具体包括:每股经营活动现金流增量、总资产收益率、每股应收款、内外销比率等九个指标。高立辉和杨文超 (2005) 采用SQXS分析方法定量评价上市公司的投资价值, 建立的评价指标体系包括成长与收益能力分析和风险分析两个方面。韩兆洲和谢铭杰 (2004) 等学者也都对上市公司投资价值评估指标体系进行过探讨。2006年9月, 国务院国有资产监督管理委员会根据《中央企业综合绩效评价管理暂行办法》制定了《中央企业综合绩效评价实施细则》, 将公司绩效评价体系横向分为四个部分, 纵向分为3个层次, 形成主体结构。这改变了以往投资者仅仅依靠对公司情况的定性分析去选取投资对象的状况, 促使价值投资理念逐步形成。

(二) 评价方法的选择应用方面:呈现多样性

国外, Charnes A.and Cooper W.W. (1984) , Myers J N. (1999) 等学者把DEA方法、基因算法、神经网络等现代数学方法和工具应用到投资评价中, 并取得了丰硕的成果;Bodie Z, Kane A, Alan J M. (2005) 认为股票持有者有可能获得现金红利和资本利得或承担损失, 一般地, 当股票的内在价值大于股票现价时, 则该上市公司股票具有投资价值。国内, 赵旭 (2007) 运用C2R模型和超效率模型对2002~2005年中国上证50指数中的33家上市公司的经营效率进行的实证分析表明, 超效率评价模型对投资者的投资决策具有较高的参考价值, 确实能够对决策单元进行充分评价和排序。陈敬武和雷升 (2008) 根据市场中常用的指标体系及评判对象客观存在的灰色性特点, 基于熵值赋权、运用灰色系统理论对上市公司的投资价值做出较为公允的评价, 评判的结果可为债权人、投资者及企业经营管理人员等作决策提供有力的参考依据。此外, 还有雷兆春 (2006) , 苏冬蔚和陈宇欣 (2006) , 潘邦贵 (2007) , 陈伟 (2009) , 唐立峰、何瑜峰、华惠川 (2009) 等针对其所研究的对象也都采用不同的评价体系及评价方法对上市公司的投资价值进行了分析, 丰富了上市公司投资价值评价研究。

二、指标体系构建

本文借鉴已有的相关研究成果及国资委制定的企业绩效评价标准, 结合经济危机背景, 并充分考虑指标数据的易得性, 除了常用的从上市公司盈利能力、营运能力、偿债能力、发展能力四方面选用的指标外, 还从每股扩张能力、现金流量分析和公司治理状况三个方面反映其投资价值, 并着重突出了每股扩张能力等三方面财务指标在目前上市公司投资价值评估中的重要性, 具有重要的现实意义。

(一) 盈利能力

是评价公司股票相对内在投资价值的重要衡量指标。选用的评判指标为销售净利率、总资产收益率和净资产收益率。

(二) 营运能力指企业运用各项资产以赚取利润的能力。企业

资产周转越快, 流动性越高, 企业营运能力越强, 资产获取利润的速度就越快。除通常选用的评价指标应收账款周转率、存货周转率、总资产周转率外, 本文还选用了股东权益周转率, 该指标说明了公司运用所有者的资产的效率, 该比率越高, 所有者资产的运用效率越高, 营运能力越强。

(三) 偿债能力

是影响股票相对内在投资价值的重要因素, 可以用流动比率、速动比率、利息保障倍数和资产负债率来表示。通过对公司偿债能力的分析, 可以考察公司持续经营的能力和风险, 有助于对未来收益进行预测。

(四) 发展能力

是企业在生存的基础上, 扩大规模、壮大实力的潜在能力。本文选用的指标包括主营业务收入增长率、净利润增长率、净资产增长率、总资产增长率。

(五) 每股扩张能力

通常, 经营业绩良好的上市公司, 每股扩张能力也较强。用每股净资产、每股公积金和每股未分配利润这三个指标, 来反映上市公司的股本扩张能力。在当前经济危机中, 企业不仅要生存下来, 而且要壮大, 并在此基础上着力打造自己的股本扩张能力。一旦经济复苏, 企业即可乘势发展, 实现大而强的目标。

(六) 现金流量分析

现金及其等价物不仅是企业偿还债务、支付股利、进行各种投资的支付手段, 而且现金流量信息是评价企业资产的流动性、盈利能力、抵御风险以及在很大程度上决定着企业的生存和发展的重要依据, 稳定的现金流对企业来说至关重要。对于当前来说, 通过现金流量分析, 可以发现公司财务方面存在的问题, 以便对公司未来的状况做出科学预测。

(七) 公司治理状况

公司治理是指股东、董事会、经理层等诸多利益相关者的关系, 这些利益关系决定着企业的发展方向和绩效。股权结构是影响公司治理的基本要素, 我国上市公司具有第一大股东持股比例高、处于绝对优势的特征, 这就决定了第一大股东在公司治理中不可动摇的地位。薪酬机制是上市公司治理的重要机制之一, 直接体现了股东与经理人之间的代理问题。由次贷危机引发金融危机, 进而导致了全球的经济危机, 高管薪酬激励机制的失效无疑是其重要原因之一。为此, 本文选取第一大股东持股比例和董事长薪酬两个指标表征公司治理状况。

因此, 本文建立的上市公司投资价值评价指标体系见表1:

三、模型建立及实例分析

企业的盈利能力、每股扩张能力、现金流量分析和公司治理状况等七个方面是评估上市公司投资价值的主要因素, 同时又是有机联系相互影响的统一整体。多因素优选问题往往同时包含模糊和灰色两种信息, 这些灰色信息常常蕴含着耦合因素之间的相关关系, 是具有整体意义的全局性信息。基于以上认识, 本文根据上市公司投资价值评估指标体系的多层性和评估主体对客体的灰色模糊性, 引入灰色关联分析对传统的模糊优选模型进行改进, 建立了投资价值评估的灰色模糊优选模型, 对上市公司投资价值评估问题进行探索。

(一) 模型建立模型建立过程主要包括以下步骤:

(1) 设投资者有n个可选投资对象。

(2) 确定评估因素集。评估因素集是上市公司投资价值评估指标的集合, 选择评估因素时, 要结合宏观环境重点考虑影响上市公司投资价值的主要因素。本文的评估因素集是两级的:

一级指标:V={V1, V2, V3, V4, V5, V6, V7};

二级指标:Xij={X11, X12, ……, X72}

(3) 确定灰关联系数。通常, 首先构建一个理想参照序列。实际运用中, 投资者可以根据自己的风险偏好和承受能力, 选择理想参照序列。

然后, 通过均值法或初值法将样本无量纲化, 对评估对象的实际序列和理想参照序列进行相关性分析, 得到评估对象指标相对其理想值的相关系数:

式中:i∈[1, 7];j∈[1, 4];ξ为分辨系数, 一般取0.5。

上式的含义为, 考虑了各个待选投资对象中二级指标Xij之间相互耦合共同影响投资价值后, 该投资对象可能达到理想投资目标的程度, 因此也是某指标归属于理想样本的量度, 称为指标的灰关联系数。它不仅考虑了各指标自身的影响, 也同时考虑了指标间相互耦合对其优属程度的影响, 因而体现了评估的整体性。采用上面的灰关联系数求解方法, 可得投资价值评估的灰关联系数矩阵:R= (Rij) 24*n。

(4) 确定评估因素绝对权重集。绝对权重用以描述各指标对于投资价值的绝对重要程度, 其值可通过由主观赋权法或客观赋权法得来的相对权重值得到。

其中wij∈[0, 1], 且∑wij=1。

(5) 灰色模糊优选评价。基于上述分析, 得到各可选投资对象对于理想投资目标的灰色模糊优选模型:

Zn=11+Σ[wij (1-Rij) ]2/Σ (wijRij) 2

(6) 确定最终评估结果:Z= (Z1, Z2, Z3, ……, Zn)

依据最终评估值, 一方面, 可以按照最优投资对象对准理想投资目标的隶属度最大原则, 选择最优投资对象;另一方面, 可以评价各个投资对象相对准理想投资目标的优劣, 得到满意排序。而且, 需要说明的是, 灰色模糊优选模型具有一个优良特性:该模型放大了投资对象评价值之间的差异, 即各投资对象对于理想投资目标的灰色模糊优选值有更大的分散性, 容易使投资者做出决策。

(二) 实例分析

本文实例研究所用样本为沪深两地上市的主板非金融类河北省民营上市公司, 剔除ST、PT公司后, 样本实际包括4家上市公司;观测年度为2008年;数据主要来源于中国上市公司资讯网站、巨潮资讯网和金融界网站。

(1) 计算河北省民营上市公司投资价值的评估指标值, 并构造理想化样本。理想化样本是各个指标的最佳值组成的。对于该理想化样本的确定, 既要考虑其科学性, 又要考虑其可行性。

(2) 确定指标的灰关联系数。通过初值法对样本进行无量纲化, 计算同一时刻的绝对值并找出△max、△min, 最后计算指标的灰关联系数。

(3) 指标权重确定。文章采用主观赋权法确定指标权重, 其优点是专家可以根据当前实际问题, 合理确定各指标之间的重要性及排序。并且在赋权过程中, 充分考虑各指标间的相关关系。

(4) 灰色模糊优选评估, 确定评估结果。根据建立的灰色模糊优选评价模型, 对上市公司投资价值进行评估。可得4个投资对象的灰色模糊隶属度向量, 即河北民营上市公司投资价值的灰色模糊优选评估值为:Z= (0.420, 0.756, 0.584, 0.591)

依据可选投资对象目前的具体状况和最大隶属度原则, 容易得出福成五丰对理想投资目标的隶属度最大, 4个对象的满意度排序为:福成五丰>威远生化>晶源电子>渤海物流。

按照灰色模糊优选模型进行的投资价值评价结果, 在投资者进行投资选择时, 投资福成五丰最接近投资者的理想目标, 能够带来的收益最大, 而投资于渤海物流的风险最大。投资顺序依次为:福成五丰>威远生化>晶源电子>渤海物流。由于指标体系充分考虑了具体的环境, 而且灰色模糊优选模型的构建充分考虑了指标间的耦合性, 因此其结论比运用托宾Q值或市净率、净资产收益率、市盈率等单一指标评价上市公司的投资价值的结果更符合实际情况, 更能体现这些上市公司的内在投资价值。

本文基于经济危机的背景, 从投资者的角度, 建立了新的投资价值评价指标体系, 突出了当前每股扩张能力、现金管理能力和公司治理状况对于公司可持续发展的重要性, 而且所用指标数据全部容易直接获取。其次, 文章构建的灰色模糊优选模型既考虑了投资者的主观偏好, 也注重了指标间相互耦合的客观现状, 具有科学性、实用性、可操作性等特点。投资者在选择投资对象或者构造适合的投资组合时, 可运用灰色模糊优选模型对上市公司投资价值进行评价, 并参考评价结果作出相应的投资决策, 从而降低投资风险、提高投资收益。虽然本文的实例只有四个评价样本, 但所构建的模型具有结构性和程序性, 可以通过计算机软件EXCEL、SPSS等实现大样本的评价需求。但本文仍然有需要进一步研究的地方, 如指标体系对于评价环境的适应性, 以及权重在特定环境中的调整等问题。

参考文献

[1]屈福正、费烨、王欣:《复杂机械方案多属性灰色模糊优选模型及应用》, 《大连理工大学学报》2005年第2期。

[2]赵旭:《基于超效率模型的上市公司投资价值评价》, 《统计与信息论坛》2007年第4期。

[3]陈敬武、雷升:《基于熵值赋权的上市公司投资价值灰关联评判》, 《河北工业大学学报》2008年第1期。

[4]李春玲、高伟、李艳丽:《基于灰色模糊优选模型的科技型中小企业人力资本投资风险评价》, 《科学学与科学技术管理》2009年第6期。

[5]刘新梅、徐润芳、张若勇:《邓氏灰色关联分析的应用模型》, 《统计与决策》2008年第8期。

[6]Michel J..Gombola, J.Edward Ketz.A Note On Cash Flow and Classification Patterns of Financial Ratios.The Accounting Review, 1983.

[7]Banker R.D., Charnes A., Cooper W.Some models for estimating technical and scale inefficiencies in Data Envelopment Analysis.Management Science, 1984.

[8]Myers J.N.Implementing Residual Income Valuation with Linear Information Dynamics.The Accounting Review, 1999.

灰色模糊评价方法 篇8

我国水电资源蕴含量丰富,分布广泛。经过多年发展,小水电已逐渐成为我国农村地区经济社会发展的重要基础设施。小水电上网电能质量与电网供电质量以及小水电的高效、经济、安全、可靠运行密切相关[1]。随着电力市场化的发展,电力系统厂网分开,供输分离是一种必然的趋势[2]。建立一种有效实用的小水电电能质量综合评价方法,不仅是建立公平的电力市场的重要条件,同时也能够有效地指导电力企业的管理,提高供电质量,降低发供电成本和电价。

近年来很多人对电能质量的综合评价做了研究,主要采用基于概率统计[3]、模糊理论[4,5,6]及智能化算法[7,8]等方法。利用概率统计方法进行分析时,模型评估结果的准确性很大程度上依赖于各项指标的基准值的选取,但是如果基准值选取不当,会对电能质量评估的准确性有很大的影响。现有的基于模糊理论的电能质量评估方法在构建评价矩阵时,受主观因素的影响较大,影响了评估结果的客观性。而基于人工智能算法的评估方法一般需要大量的训练样本,且模型的物理意义不够明确。

本文提出一种包含组合赋权法、灰色关联度分析和模糊综合评价的电能质量评估方法。在组合赋权法中,利用层次分析法法确定主观权重, 熵值法确定客观权重, 然后利用线性加权的方法将两者结合构成综合权重,既能够充分挖掘样本数据本身所包含的信息,又能够充分考虑专家的建议和经验。用灰色关联度分析的方法确定评价关系矩阵,避免了确定隶属度函数时主观因素的影响,使评价结果尽量客观。

1综合评价指标和权重的确定

1.1综合评价指标的确定

电压偏差、频率偏差、谐波含量、电压波动和闪变、三相电压不平衡都是反映电能质量的重要指标。根据国家标准[9,10,11],结合电能质量评价要求以及小水电自身易出现电压过高和欠发无功的特点[12],将小水电电能质量评价体系分为8个一级指标和14个二级指标,将待评价指标归列于表1。

1.2权重的确定

1.2.1组合赋权方法

评价结果很大程度上会受到权重的影响,确定权重的方法有主观法和客观法。为了避免单一方法赋权影响评价结果,本文采用客观熵值法赋权[13]和主观层次分析法赋权[14]相结合的组合赋权方法。

1.2.2基于熵值法的客观权重的确定

用熵值法确定电能质量各分项因素指标权重系数的步骤如下:

(1)设有n个待评价样本数据序列,每个样本有m个评价因素指标,构造判断矩阵:

$\mathit{X}=(x{}_{ji}){}_{mn},(i=1,2,\cdots ,n;j=1,2,\cdots ,m)(1)$

(2)原始判断矩阵中数据的量纲不同,要对数据进行无量纲化处理才能进行比较,通常进行归一化处理,得到规范化矩阵Y(yji)mn,其中:

$y{}_{ji}=x{}_{ji}/{\displaystyle \sum _{i=1}^{n}x}{}_{ji}(2)$

(3)第j个评价指标的熵值为:

${\rm H}{}_i=-\frac{1}{\ln m}\left({\displaystyle \sum _{i=1}^{n}y}{}_{ji}\ln y{}_{ji}\right)(3)$

显然,当yji=0时,ln yji没有意义。在此,当yji=0时,取yjilnyji=0。

(4)指标的熵权为:

$w{}_j^{´}=(1-{\rm H}{}_j)/\left(n-{\displaystyle \sum _{j=1}^m{\rm H}}{}_j\right)‚\text{且}\text{满}\text{足}{\displaystyle \sum _{i=1}^{m}w}{}_j^{´}=1(4)$

于是,各指标的权重向量为W′=(w′1,w′2,…,w′m)。

1.2.3基于层次分析法的主观权重的确定

层次分析法(Analytic Hierarchy Process,简称AHP),是一种定性和定量相结合的评价策略,该方法把复杂问题分解为各个组成因素,两两比较确定层次中各个因素的相对重要性,采用1～9标度方法,构造两两比较矩阵, 其比例标度及含义见表2。本文用AHP确定主观权重。

用AHP法确定电能质量权重集的步骤:

(1)构造判断矩阵A。两两比较电能质量各分项指标的相对重要程度,按照表1的待评估分项指标,以表2为依据,通过两两比较,建立判断矩阵A=(aji)n×n。

(2)一致性检验。采用判断矩阵最大特征根以外的其余特征根的负平均值作为度量判断矩阵偏离一致性的指标检查判断矩阵的一致性。即用

$C{\rm I}=\frac{\lambda {}_{\max }-n}{n-1}(5)$

CI值越大,表明判断矩阵偏离完全一致性的程度越大;CI值越小(接近于0),表明判断矩阵的一致性越好。

引入判断矩阵的平均一致性指标RI值。对于1～9阶判断矩阵,RI的值分别列于表3中。

当随机一致性比率CR=CI/RI<0.10时,即认为层次单排序的结构具有满意的一致性。

(3)计算主观权重向量W″。求出最大特征值对应的特征向量,进行归一化处理,即得出通过AHP获得的主观权重向量W″=(w″1,w″2,…,w″m)。

1.2.4综合权重的确定

将客观权重和主观权重进行线性加权,得到各指标的组合权重:

$w{}_j=\alpha w{}_j^{´}+(1-\alpha )w{}_j^{˝}(j=1,2,\cdots ,m;\alpha \in [0,1])(6)$

得到权重向量W=(w1,w2,…,wm)。

2灰色模糊综合评价

要建立评价关系矩阵,首先要求解隶属度ηi(j)。通过计算灰色关联系数求解,步骤如下。

(1)确定最优指标集。

$y{}^{*}(y{}_1^{*},y{}_2^{*},\cdots ,y{}_m^{*})(7)$

式中:y*j(j=1,2,…,m)为第j个指标的最优值。

可以构造初始矩阵E:

$\mathit{E}=\left[\begin{array}{cccc}y{}_1^{*}& y{}_2^{*}& \cdots & y{}_m^{*}\\ y{}_{11}& y{}_{12}& \cdots & y{}_{1m}\\ ⋮& ⋮& & ⋮\\ y{}_{n1}& y{}_{n2}& \cdots & y{}_{nm}\end{array}\right](8)$

式中:yij为电能质量数据样本i的第j个因素yj的指标值。

(2)指标集的无量纲化处理。由于评估中所涉及的各个指标因素的量纲不同,需要对原始数据进行无量纲化处理。假设第j个因素指标yj的最小值为yjmin,最大值为yjmax,那么令:

$C{}_{ij}=\frac{y{}_{ij}-y{}_{j\text{m}\text{i}\text{n}}}{y{}_{j\text{m}\text{a}\text{x}}-y{}_{j\text{m}\text{i}\text{n}}}(i=1,2,\cdots ,n;j=1,2,m)(9)$

(3)计算灰色关联系数。无量纲化处理后,将最优指标集C*=(C*1,C*2,…,C*m)作为参考数据列,以各样本数据的指标值Ci(i=1,2,…,n),Ci=(Ci1,Ci2,…,Cim)作为被比较序列,那么第i个样本数据在第j个因素yj的指标yij的作用下语气最优指标y*j的关联系数

$\eta {}_i(j)=\frac{\min (i)\min (j)|C{}_j^{*}-C{}_{ij}|+\rho \max (i)\max (j)|C{}_j^{*}-C{}_{ij}|}{|C{}_j^{*}-C{}_{ij}|+\rho \max (i)\max (j)|C{}_j^{*}-C{}_{ij}|}(10)$

式中:ρ∈[0,1],一般取ρ=0.5,称为分辨系数。采用这种方法求得的关联系数就是隶属度。以此求取个数据样本的各分项指标的单因素评价向量,即可得到综合评价矩阵:

$\underset{˜}{R}=(R{}_1,R{}_2,\cdots ,R{}_n)(11)$

(4)由前面求得的$\underset{˜}{W}‚\underset{˜}{R}$及$\underset{˜}{B}=W\times \underset{˜}{R}‚$可计算得到$\underset{˜}{B}=(b{}_1,b{}_2,\cdots ,b{}_n)$。

3实例分析

下面对某水电站3个10 kV母线观测点实测数据进行分析。实测数据为表4中y1、y2、y3,其C4表示波动次数(h-1),c9表示短时电压闪变值,C15为电压暂降持续时间(ms),C1、C3、C5、C6、C7、C10、C12、C14、C16为偏差量与相应标称量的百分比,C2、C8、C11、C13为相应持续时间与检测时间百分比,;y*为理想样本,S1～S5分别为优质样本、良好样本、中等样本、合格样本、较差样本。

下面对计算步骤进行描述。

(1)由于缺少数据,因此在客观权重的计算过程中暂时不考虑电压暂降。由表4中y1、y2、y3建立数据样本矩阵B,由 (1) ～ (4) 式,可计算得到各因素指标的客观权重W′=(0.081 23 0.069 04 0.083 09 0.070 78 0.070 26 0.070 84 0.067 60 0.072 31 0.071 50 0.064 36 0.064 36 0.076 76 0.073 15 0.064 72)。

(2)建立第1层因素指标的判断矩阵为:

$\mathit{E}=\left[\begin{array}{ccccccc}1& 0.5& 1& 0.5& 0.3333& 1& 1\\ 2& 1& 2& 1& 0.5& 2& 2\\ 1& 0.5& 1& 0.5& 0.3333& 1& 1\\ 2& 1& 2& 1& 0.5& 2& 2\\ 3& 2& 3& 2& 1& 0.3333& 3\\ 1& 0.5& 1& 0.5& 3& 1& 1\\ 1& 0.5& 1& 0.5& 0.3333& 1& 1\end{array}\right]$

判断矩阵A的最大特征值λmax=7.707 0,则CR=0.089 3<1,符合一致性要求。与λmax相对应的特征向量为(0.218 8 0.425 2 0.218 8 0.425 2 0.567 8 0.415 2 0.218 8),进行归一化处理后得到第1层因素指标的权重向量为(0.087 9 0.170 8 0.087 9 0.170 8 0.228 1 0.166 8 0.087 9)。

(3)按照步骤(2)的方法求得第2层因素的权重分别为w11=0.75,w12=0.25,w21=0.166 7,w22=0.833 3, w31=0.25,w32= 0.125,w33= 0.125,w34= 0.5,w41=1,w51=0.25,w52=0.75,w61=0.75,w62=0.25,w71=1。

(4)由步骤(3)、(4)得主观权重向量W″=(0.065 9 0.022 0 0.028 5 0.142 3 0.022 0 0.011 0 0.011 0 0.044 0 0.170 8 0.057 0 0.171 1 0.125 1 0.041 7 0.087 9)。将W′和W″代入式(6),取α=0.5,得到组合权重向量W=(0.073 6 0.045 5 0.055 8 0.106 6 0.046 1 0.040 9 0.039 3 0.058 1 0.121 1 0.060 7 0.117 7 0.100 9 0.057 4 0.076 3)。

(5)根据各个指标因素的实际意义,显然,各因素的取值越小越好。因此得到y*=(0 0 0 0 0 0 0 0 0 0 0 0 0 0),再结合表4得到初始矩阵:

$\mathit{E}=\left[\begin{array}{cccccccccccccc}0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 1.2& 0.86& 1.71& 0.51& 0.69& 0.55& 0.27& 0.15& 0.86& 0.07& 0.86& 0.34& 0.86& 5\\ 3& 2.14& 4.29& 1.29& 1.71& 1.37& 0.69& 0.39& 2.14& 0.17& 2.14& 0.86& 2.14& 10\\ 4.5& 3.21& 6.43& 1.93& 2.57& 2.06& 1.03& 0.58& 3.21& 0.26& 3.21& 1.29& 3.21& 15\\ 7& 5& 10& 3& 4& 3.2& 1.6& 0.9& 5& 0.4& 5& 2& 5& 20\\ 14& 10& 20& 6& 8& 6.4& 3.2& 1.8& 10& 0.8& 10& 4& 10& 40\\ 0.9& 5.9& 2.1& 3& 1.5& 1.8& 1& 3.6& 0.4& 0.2& 2.4& 0.4& 5& 9\\ 6.1& 9& 12& 7& 3.1& 2.9& 1.1& 9& 0.9& 0.2& 2.4& 1.4& 8& 11\\ 0.9& 2.5& 1.1& 1.8& 0.8& 0.6& 0.4& 1.9& 0.2& 0.2& 2.4& 0.2& 1.1& 8\end{array}\right]$

(6)根据公式(9) 、(10) 、(11)求得:

$\underset{˜}{\mathit{R}}=\left[\begin{array}{cccccccc}0.8878& 0.7280& 0.6330& 0.5200& 0.3467& 0.9215& 0.5557& 0.9215\\ 0.8874& 0.7283& 0.6334& 0.5200& 0.3467& 0.4771& 0.3714& 0.6933\\ 0.8881& 0.7278& 0.6330& 0.5200& 0.3467& 0.8595& 0.4727& 0.9369\\ 0.9077& 0.7599& 0.6703& 0.5600& 0.3832& 0.5600& 0.3467& 0.6868\\ 0.8870& 0.7285& 0.6332& 0.5200& 0.3467& 0.7564& 0.5859& 0.8667\\ 0.8875& 0.7282& 0.6327& 0.5200& 0.3467& 0.6656& 0.5456& 0.8758\\ 0.8898& 0.7266& 0.6327& 0.5200& 0.3467& 0.6400& 0.6163& 0.8320\\ 0.9600& 0.8548& 0.7866& 0.6933& 0.5200& 0.3467& 0.1733& 0.5059\\ 0.8874& 0.7283& 0.6334& 0.5200& 0.3467& 0.9630& 0.8814& 1.0000\\ 0.8851& 0.7298& 0.6303& 0.5200& 0.3467& 0.6933& 0.6933& 0.6933\\ 0.8874& 0.7283& 0.6334& 0.5200& 0.3467& 0.7027& 0.7027& 0.7027\\ 0.8889& 0.7273& 0.6322& 0.5200& 0.3467& 0.8667& 0.6118& 0.9455\\ 0.8874& 0.7283& 0.6334& 0.5200& 0.3467& 0.5200& 0.4000& 0.8525\\ 0.8320& 0.6933& 0.5943& 0.5200& 0.3467& 0.7172& 0.6710& 0.7429\end{array}\right]$

(7)模糊评价。

由前面求得的$\underset{˜}{W}‚\underset{˜}{R}$及$\underset{˜}{B}=\underset{˜}{W}\times \underset{˜}{R},$可得:

$\underset{˜}{B}=\begin{array}{cccccccc}(0.8897& 0.7362& 0.6428& 0.5343& 0.3607& 0.7180& 0.5722& 0.8096)\end{array}$

即S1>y3>S2>y1>S3>y2>S4>S5,也就是说综合考虑所有评估指标,样本y3的电能质量达到良好水平,样本y1的电能质量达到一般水平,接近于良好,样本y2的电能质量达到合格水平,距离一般水平还有一定差距。y1的电压偏差持续时间和谐波畸变持续时间较长;y2在电压偏差持续时间、谐波畸变持续时间和三相不平衡持续时间较长,电压波动幅度偏差较大,波动次数较多;样本y3的缺欠在于谐波畸变持续时间较长。

4结论

本文用主观层次分析法和客观熵值法组合赋权,使得电能质量各项指标权重的确定既体现了决策者的主观意志又避免了随意性,得到了比较合理的权重系数。全面考虑电能质量各分项因素指标的灰色关系和模糊性,采用灰色关联度的方法确定评价关系矩阵,建立了模糊评价模型。这种方法不仅能够对数据样本的电能质量进行整体评估还可以对同一等级的电能质量进行精细的评价,并且能够反映出电能质量各分项指标的优劣情况,对小水电站的调整与改进提供参考。并通过实际算例验证了该模型的有效性和可行性。

灰色模糊评价方法 篇9

技术创新是指企业抓住市场潜在的赢利机会, 以获取商业利益为终极目标, 对产品设计、制造工艺、生产原料等进行独有的改良, 建立起产品效用更强、生产效率更高、制造成本更低的生产经营体系, 从而开辟新的市场, 获得更高的市场占有率的过程。技术创新是企业发展之源, 是企业获取高附加值的唯一途径。企业通过对其自身技术创新能力的分析评价, 帮助企业了解其自身在技术创新活动中的现状和潜力, 并总结经验, 改正不足, 尽可能的提高自身技术创新水平。

本文以建立模糊评价模型为基础, 克服了评价中对定性因素判断的模糊性, 通过采用灰色关联度来求解模型中的隶属度, 采用层次分析法取得各因素指标的权重途径, 综合了FUZZY、GARY、AHP三种评价方法的优点, 以形成新的组合评价方法。

二、构建指标评价体系

企业技术创新能力评价指标体系是一个复杂的系统, 包含着各种定量的、定性的且又相互关联着的多种因素。本文根据建立企业技术创新能力评价指标的目的和构建指标体系所遵循的原则, 将体系分为目标层、准则层和指标层, 构建出评价指标体系, 如下图所示。

三、多层次灰色模糊组合评价过程

在构建出的指标评价体系基础上, 进行多层次灰色模糊组合评价, 具体评价过程如下。

(一) 构建模糊评价模型

在企业技术创新能力的评价中, 参与评价的企业所组成的集合为X={x1, x2, …, xn};决定企业技术创新能力的因素指标集为Y={y1, y2, …, y9}, yi是i第个因素的指标。对于某一特定参评企业xj, 可以表示成一个向量xj= (y1j, y2j, …, y9j) , yij∈yi, i=1, 2, …, 9;j=1, 2, …, n。在因素指标yi上建立一个单目标模糊决策函数。

对于给定的参评企业集合X={x1, x2, …, xn}, 函数值 表示就因素指标yi而言, 参评企业xi, 属于优越的程度。令

这样, 就可以得到一个模糊关系矩阵

R的第i行向量 中每一个分量ξij为第j个参评企业xj的第i个因素指标yij与i第个最优指标yi*的关联度;R为综合评价矩阵。

由于Y中各因素对参评企业技术创新能力的影响和重要程度不同, 需要对其进行权重分配。在这里用权数分配集P= (p1, p2, …, p9) 来表示各因素的权重分配, P即是底层各元素对系统目标的合成权重, 这里pi∈[0, 1], 且 这样, 参评企业技术创新能力评价的数学模型为:

B为参评企业xi综合考虑所有影响因素后, 属于优越的程度集合, bi∈[0, 1], j=1, 2, …, n。

至此, 已经建立了企业技术创新能力的模糊评价模型。

(二) 求解综合评价矩阵

的求解始于基于灰色关联度的隶属度的求解。隶属度ξij为参评企业xj就因素指标yj而言, 其技术创新能力属于优越的程度。构造隶属函数是求解隶属度的常规方法。在这里ξij的求解是通过计算灰色关联系数来求解的。这种方法的实质是参评企业xj就指标因素yj而言, 其指标yij与yi*虚拟最优值指标的关联程度, 其具体算法步骤为:

1. 确定最优指标集yi*

式中yi* (i=1, 2, …, 9) 为第i个指标在各个参评企业中的最优值。因此, 我们可以根据最优指标集和企业实际数据构造初始矩阵E:

式中yij为参评企业xj第i个因素指标值。

2. 指标值的无量纲化处理

由于决策中所涉及的各个指标具有不同的量纲, 不同的量纲之间不能直接比较, 因此, 需要对原始数据进行无量纲化处理, 得出新的矩阵:

3. 计算灰色关联系数

根据灰色关联系数计算公式:

可得第j个参评企业xj的第i个因素指标yij与第i个最优指标yi*的关联系数ξij。式中ρ∈[0, 1], 一般取ρ=0.5, 称作分辨系数。采取这种方法求得关联系数, 就是隶属度, 从而可以得出综合评价矩阵R。

(三) 求解权数分配集P

权数是表示因素之间相对重要性大小的度量值。主观赋权法数是评价问题中常见的方法, 这种方法中权数的确定一般是凭经验主观臆断, 这样主观判断经常会严重扭曲客观事实, 有可能导致评价结果的严重失真, 进而影响决策者的正确判断。在条件允许的情况下, 有着严格逻辑性的数学方法可以剔除所确定权数中的主观成分, 使其符合客观事实, 尽可能的为决策者的判断提供准确依据。

这里所用的层次分析法是一种行之有效的确定权数的数学方法。

1. 构造两两比较判断矩阵C= (Cef) h×h

Cef表示因素e和因素f相对于上层目标Bk的重要值, Cef>0, Cef=1/Cef (e≠f) , Cee=1。在层次分析法中, 常用1~9标度法来定量Cef, 对Cef赋值是根据定性分析的直觉和判断力而确定的。

2. 层次单排序及其一致性检验

层次单排序是指通过判断矩阵计算对于上一层某元素而言本层次与之有联系元素重要性的权值并对其进行排序的过程。层次单排序计算问题可以通过计算判断矩阵的最大特征根λmax来解决。计算判断矩阵的最大特征根可以使用方根法、特征根法、和法、最小二乘法等。

对于因素多规模大的问题, 在两两比较之后, 有可能出现甲比乙重要, 乙比丙重要, 丙又比甲重要的情况。为了避免这种不合理的情况出现, 在构造完判断矩阵后, 要利用所求出的判断矩阵最大特征根对其进行一致性检验, 即用判断矩阵最大特征根以外的其余特征根的负平均值, 作为度量判断矩阵偏离一致性的指标, 以检验决策者判断思维是否一致。指标算法如下:

CI值越大, 表明判断矩阵的一致性越差;CI值越小, 表明判断矩阵的一致性越好。当判断矩阵具有完全一致性时, CI=0, 也就是说, 当CI=0, λ1=λmax=h时, 判断矩阵具有完全一致性。

要求所有判断矩阵满足完全一致性即CI=0是不现实的, 在λmax稍大于h时也可以满足对一致性的要求, 称为满意一致性。对于不同阶的判断矩阵, 判断的思维一致性误差不同, 对CI值的要求也不同。为了衡量不同阶的判断矩阵是否具有满意一致性, 引入了判断矩阵的平均随机一致性指标值RI。对于1~9阶判断矩阵, RI值分别列于下表:

可以看出, 对于1、2阶的判断矩阵, RI并没有实际意义, 因为1、2阶的判断矩阵总是具有完全一致性。而对于大于2阶的判断矩阵, 其CI值与同阶的平均随机一致性指标RI之比称为随机一致性比率CR。当 时, 可以认为层次单排序的结构具有满意一致性, 否则就需要调整判断矩阵的元素的取值, 直至其符合满意一致性。

3. 层次总排序

从最高层次到最低层次逐层计算各层元素对系统目标的合成权重, 并根据权重进行总排序, 从而确定结构图中最底层 (即指标层) 各个元素在总目标中的重要程度。权数分配集P= (p1, p2, …, p9) 即为指标层各元素对系统目标的合成权重, Pi (i=1, 2, …, 9) 为指标层第个因素指标对系统目标的影响权重, 其计算公式如下:

其中, W'k为指标层上层即准则层第个因素对于系统总目标的权重, Wik为指标层第i个因素对于准则层第k个因素权重, 得到权数分配集P。

通过以上分析, 得到综合评价矩阵R和权数分配集P, 通过B=P·R= (b1, b2, …, bn) , 就可以求得参评企业xj综合考虑所有影响因素yi (i=1, 2, …, 9) 后, 属于优越的程度集合B, 再通过对bj的大小排序, 就可以对各个参评企业的技术创新能力进行分析与评价。

四、结束语

本文提出的综合FUZZY、GARY、AHP这三种评价方法各自优势的新组合评价方法, 在准确有效评价技术创新能力进而提高企业赢利能力和抗击市场波动能力上有着现实意义和广泛应用。

参考文献

[1]韩超群, 赵维双, 王育红, 李敏.企业技术创新能力的模糊综合评价模型研究[J].沈阳工业学院学报, 2003 (3) :88-90.

[2]魏一鸣, 童光煦, 吉兆宁.基于灰色关联度的矿山经营状况模糊层次分析[J].中国钼业, 1995 (3) :28-32.