灰色系统关联度分析法（精选11篇）
灰色系统关联度分析法 第1篇
广东省是我国的海洋大省, 海洋资源十分丰富, 开发优势得天独厚。在新形势下, 广东省经济发展优势在海洋, 希望在海洋。近年来广东省海洋经济迅速发展, 海洋产业总产值持续增长, 但随着海域无序、无度、无偿性的开发, 海洋资源开发不平衡、产业结构不合理等现象日渐突出。如何正确引导广东省开发海洋资源, 实现海洋经济可持续发展, 是一个亟待解决的问题。
1982年, 邓聚龙教授发表“灰色系统的控制问题”一文, 首创“灰色系统”理论[1]。灰色相关分析是灰色系统理论的一个重要组成部分, 并已应用于工程控制、经济管理、社会系统、生态系统及农业系统等多个领域。如, 梁吉义等运用灰色系统对山西农业经济发展进行分析[2];攀兰英运用灰色系统对汾河上游输沙量和降雨径流分析[3];郝永红等运用灰色理论对陕西省宏观经济进行相关分析, 探索山西经济落后的原因[4];尹志红等对大庆市产业发展进行灰色关联分析, 为大庆市可持续发展提供建议[5];叶正伟对江苏农业经济进行灰色关联分析[6];唐海涛等对玉米杂交种主要农艺性状的灰色关联度分析[7];张丽霞等利用灰色关联分析探索天津市经济发展机制[8]等, 但是利用灰色系统理论对海洋经济进行关联分析的研究较少。
鉴于海洋产业系统的复杂性、不确定性以及灰色系统理论的优点, 采用灰色系统方法对海洋产业作相关分析是适宜的, 且具有很大的现实意义。根据20012006年《中国海洋统计年鉴》数据, 对广东省涉及到的十二种海洋产业进行灰色关联度分析, 计算出各产业间的相关度系数。通过分析关联度系数得出影响海洋产业发展的主要因子及其近期发展态势, 为进一步优化广东省海洋产业结构, 合理开发海洋后备资源, 促进广东海洋经济新一轮的大发展提供科学依据。
2 灰色关联分析原理
灰色关联分析的基本思想是根据数据序列曲线几何形状的相似程度来判断数据序列之间的关联度[9]。几何曲线发展变化走势越一致, 彼此间关联度系数越大;反之, 关联度系数越小。
2.1 灰色关联的相关描述
由因变量构成参考序列 (母序列) , 由自变量构成比较序列 (子序列) , 序列表达式均可以表示为Xi:
undefined
设母序列和子序列共有N个因素, 用i来表示参考序列或者比较序列中不同的参考指标, 则i=1, 2, , N;用t来表示参考序列或者比较序列中不同的时间点, 设每个序列共有M个时间数据, 则t=1, 2, , M。
2.2 关联系数及关联度的计算
若考虑各j因素 (j=1, 2, , N) 与某个固定的i因素的关联程度, 则把Xi (t) 序列作为参考序列, Xj (t) 各序列作为比较序列。因素j对因素i的关联系数ζij (t) 计算公式为[10]:
undefined
式 (2) 中undefined称为两级最小差。第一层次的最小差为undefined, 表示j不变, 在绝对值|Xi (t) - Xj (t) |中, 按不同的t (是不同年份) 挑选其中最小的一个差, 然后按同样的方法找出j=1, 2, , N, (j≠i) 共N-1个最小值。从这N-1个最小值中作比较, 选出最小的一个值, 即第二层次的最小值。
undefined为两级最大差, 计算方法和两级最小差基本相同, 只是每次挑选差值最大的数值。
关联度就是关联系数的平均值, 计算公式为[10]:
undefined
2.3 数据预处理
实际情况中, 各序列的量纲可能会不同, 数量级也有可能有差异, 为了增强序列可比性及分析的客观性, 需要对原始数据进行预处理。本研究主要考虑各个产业相对始点的增长速率, 故采用初值变换对原始数据进行预处理。
undefined
3 广东省海洋经济灰色关联分析
3.1 灰色关联分析所采用的指标体系
根据《中华人民共和国海洋行业标准》HY/T052-1999海洋经济统计分类与代码的规定, 把海洋产业分为海洋水产业、海洋油气业、海洋交通运输业、海滨砂矿业、海洋盐业、海洋生物制药和保健品业、沿海造船业、海洋电力和海水利用业、海洋化工业、海洋工程建筑业、海洋信息服务业、海滨旅游业及其他海洋产业等十三个门类的海洋产业。根据广东省海洋产业统计数据, 对海洋水产业、海洋油气业、海洋交通运输业、海滨砂矿业、海洋盐业、海洋生物制药和保健品业、沿海造船业、海洋电力和海水利用业和海滨旅游业等九种产业建立灰色关联分析的指标体系, 进行海洋产业间及海洋总产值的关联度分析。
3.2 灰色关联度分析
广东省20012005年期间海洋产业总产值与相关产业产值数据见表1。下一步将利用灰色关联分析方法对广东省各海洋产业之间的相互关系做初步分析。
续表
(1) X0>=X1+X2++X9, 有些海洋产业无统计数据或数据不全, 像海洋化工、海洋工程建筑等海洋产业. (2) 数据来源:《中国海洋统计年鉴》20022006年.
将表1中数据做初值变换后, 在公式 (2) 中取灰数的白化值k为0.5, 经过公式 (3) 计算得到海洋总产值与各产业及产业之间的关联度系数矩阵R如下:
undefined
3.3 数值分析
从关联度矩阵第一行数据可以得出九种海洋产业与海洋总产值的关联度大小次序 (图1) 。
其中, undefined, 可以得出九种产业中与广东省海洋产业总产值关联度最大的是滨海旅游业, 紧跟其后的是海洋油气业, 其他产业与海洋总产值的关联度从高到低依次排序为:海洋水产业、海洋电力及海水利用业、海洋盐业、沿海造船业、海洋交通运输业、海洋生物制药和保健品业、海滨砂矿业。
从关联度计算结果可以分析出广东省海洋优势产业为:滨海旅游业、海洋油气业、海洋水产业、海洋电力及海水利用业。下面分析与四种优势产业关联度较大的相关产业:
undefined, 表明在海洋水产业、海洋油气业、海洋电力及海水利用业、海洋盐业、沿海造船业、海洋交通运输业、海洋生物制药和保健品业、海滨砂矿业这八种产业中, 与滨海旅游业最为紧密的是海洋水产业。
undefined, 表明在其余八种产业中, 与海洋油气业最为紧密的是海洋水产业。
undefined, 表明与海洋水产业最为紧密的是海洋油气业。
undefined, 表明与海洋电力及海水利用业最为紧密的是海洋盐业。
在九种产业中, 与海洋盐业、沿海造船业、海洋交通运输业、海洋生物制药和保健品业、海滨砂矿业关联度最大的产业分别是沿海造船业、海洋盐业、海洋交通运输业、滨海旅游业。
4 结论
海洋总产值与海洋各产业产值关联度的大小次序在某种程度上反映了海洋产业在海洋经济发展过程中的地位和作用, 排序靠前的产业在经济系统中处于主导地位, 对海洋产业结构和经济发展起着导向性或带动性作用。
广东省九种海洋产业中, 滨海旅游业、海洋油气业、海洋水产业、海洋电力及海水利用业与海洋总产值关联度比较高, 是广东省优势海洋产业。滨海旅游业是广东省海洋经济的主导产业, 稳定和深化滨海旅游业, 对促进广东省海洋经济持续发展具有重要意义。南海富含丰富的油气资源, 进一步发展油气业会促进广东省海洋经济更快的发展。这与广东省海洋经济“十一五”发展规划总体发展目标是一致的。
广东省应大力发展优势海洋产业, 加大海洋科技创新, 积极扶持海洋生物、海水淡化、海洋再生能源开发利用等高新技术产业发展, 推动广东省海洋经济新一轮的大发展。
参考文献
[1]陈绵云.灰色系统及其研究方向[C]//灰色系统与农业论文集.太原:山西省农科院农业资源综考所, 1984.
[2]梁吉义, 王学萌, 聂宏声, 等.应用灰色系统理论对陕西省农业经济发展到分析[C]//灰色系统与农业论文集.太原:山西省农科院农业资源综考所, 1984.
[3]攀兰英.汾河上游输沙量和降雨径流的灰色关联分析[C]//灰色系统与农业论文集.太原:山西省农科院农业资源综考所, 1984.
[4]郝永红, 周海潮, 刘洁.山西省宏观经济的灰色关联分析[J].经济地理, 2002, 22 (3) :297-300, 305.
[5]尹志红, 王恒久, 王艳秋.大庆市产业发展的灰关联分析[J].黑龙江八一农垦大学学报, 2006, 18 (1) :104-105.
[6]叶正伟.江苏农业现代化与农业经济的灰色关联分析[J].安徽农业科学, 2006, 34 (11) :2 580-2 581, 2 594
[7]唐海涛, 张彪, 林勇, 等.玉米杂交种主要农艺性状的灰色关联度[J].湖南农业大学学报, 2007, 33 (8) :109-114.
[8]张丽霞, 李勇, 韦福祥.基于灰色关联的天津宏观经济分析[J].数学的实践与认识, 2008, 38 (15) :70-74.
[9]姚勇, 方景清, 张燕歌.天津市海洋经济发展态势研究[J].海洋信息, 2008 (1) :9-12.
绿豆主要农艺性状的灰色关联度分析 第2篇
应用灰色关联度分析法对26个绿豆品种(系)的主要农艺性状和单株粒重进行了分析.结果表明农艺性状对单株粒重的关联度从高到低依次为单株英数>百粒重>单荚粒数>荚长>节数>株高.对单株粒重影响最大的`是单株荚数和百粒重.因此.在绿豆高产育种中.应注重对单株荚数和百粒重的选择.
作 者：闫锋 Yan Feng 作者单位：黑龙江省农业科学院齐齐哈尔分院,齐齐哈尔,161006 刊 名：中国种业 PKU英文刊名：CHINA SEED INDUSTRY 年，卷(期)： “”(5) 分类号：S5 关键词：绿豆 农艺性状 灰色关联度
灰色系统关联度分析法 第3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).
灰色系统关联度分析法 第4篇
随着复杂大型武器系统越来越多地装备部队, 如果使之尽快形成战斗力引起了各级指挥员的关注。提高日常的训练操作效率是使复杂大型武器系统形成战斗力的有效途径。
准备时间是衡量武器系统操作优劣的重要指标, 缩短准备时间不论对于提高火力打击的突然性还是武器系统自身的生存能力都具有重要意义。而武器系统各操作环节所耗时间与总体准备时间并非为简单的并联或串联关系, 显然也不是独立的, 其间必存在着一定的相互作用。灰色系统理论认为:人们对客观事物的认识具有广泛的灰色性, 即信息的不完全性和不确定性, 因而由客观事物所形成的是一种灰色系统, 即部分信息已知, 部分信息未知的系统。灰色关联分析是一种多因素统计分析方法, 它是以各因素的样本数据为依据, 用灰色关联度来描述因素间关系的强弱、大小和次序的。将武器系统的作战准备时间按操作环节分成多个时间段, 通过改进灰色关联分析法对各个阶段进行关联度分析, 从而得出各环节对于整个作战准备时间的重要性排序是可行的, 这对于提高复杂大型武器系统的训练效率有一定的指导意义。
2 灰色关联分析法
灰色关联度分析法是一种因素比较分析法, 它通过对灰色系统内有限数据序列的分析, 寻求系统内部诸因素间的关系, 找出影响目标值的主要因素, 进而分析各因素间关联程度。它通过确定参考数列和若干比较数列几何形状的相似程度, 判断灰色过程发展态势的关联程度。
设XK={Xk (j) |=1, 2, n}为参考数列 (亦称母数列) , Xi={Xi (k) |k=1, 2, n}为比较数列 (亦称子数列) , 根据灰色关联理论, 比较数列中元素Xi (j) 与参考数列元素Xk (j) 之间的关联系数为:
undefined
其中:△j (j) =|Xk (j) -Xi (j) |为Xi与Xk第j个指标 (时间、空间、效益、费用等) 的绝对差。undefined是所有绝对差中最小值, undefined是所有绝对差中最大值, ρ为分辨系数, 取值范围[0, 1], 一般取ρ=0.5。
根据国内一些学者的研究成果, 分辨系数ρ对ζ的影响有:
(1) ρ不仅可以调节ζ的大小, 而且可以控制ζ的变化区间;
(2) 当ρ0.5463时, 比较容易观察关联度分辨率的变化;
(3) 当ρ1时, 无法进行关联度分析, 此时ζ1 (对所有的i和k) 。
因此分辨系数ρ的选择取具体可视运算结果而定, 当不能满足分析结果时, 可适当减小以提高分辨力。
通过关联系数的计算, 我们可得到各比较数列在各点的关联系数值, 但信息过于分散, 不便于分析比较。将比较数列各个指标的关联系数集中体现出来, 即为灰关联度, 比较数列对参考数列的灰色关联度记为γj (Xk, Xi) , 在不致混淆的情况下, 简记为γj。
计算灰色关联度常用平均值法, 即
undefined
按平均值法计算关联度时, 实际是对比较数列各指标或空间作平均权处理, 即将其视为同等重要的因素。而事实上, 存在许多不平均权重的情况, 即人们对某些指标有所偏爱, 或认为某些指标更为重要, 因此也可以通过对各个关联系数做非平均加权求整体的关联度。设各指标的重要性各不相同, 并按重要性的不同赋予相应的权值, 则可定义加权关联度为:
undefined
其中
undefineda (j) =1 a (j) ≥0
值得注意的是, 在关联度的分析中, 数列的处理方法不同, 关联度的大小会发生变化, 但关联序一般不会发生变化, 即关联度的大小只是因子间相互作用、相互影响的外在表现, 而关联序才是其实质。
另外由于灰色关联分析是对关联程度的分析, 因而对样本量的大小没有太高的要求, 分析时不需要典型的分布规律, 具有广泛的实用性, 适合于复杂武器系统的训练研究。
3 灰色关联分析法在某复杂武器系统中的应用
假定某复杂武器系统一次完整作战准备时间可分为M个区间 (各区间之间若有重叠, 计算总准备时间时将重叠部分减去即可) , 则每一次作战准备训练结束后我们可以得到一个包含总时间在内的具有M+1个数据的一维数组, 如果我们能找出N个有效的样本, 则得到一个 (M+1) N的数据阵。
undefined
我们将各样本中相同的区间提取出来并进行分组, 得到M个长度为N的参考数列, 将总时间组成参考数列。
根据上面的步骤, 我们粗略把某复杂武器系统作战准备时间分为发现目标、系统检测、跟踪目标、弹种选择、参数计算、参数装订等6个区间, 用于分析的样本数为6, 得到如下矩阵 (单位为毫秒) :
undefined
依照关联分析法, 可得归一化后的数据:
与度量标准1相比较, 可得绝对差值阵如下:
从中可得maximaxk△j (j) =0.9402, minimink△j (j) =0.7017。
关联系数矩阵为:
关联序为:
显然, 从关联序可以看出, 对整体准备时间来说, 各阶段用时的重要性排序为:
跟踪目标>发现目标>弹种选择>系统检测>参数计算>参数装订, 这与我们一般的认识略有差异, 这也正是该方法的价值所在。
依据关联分析的结果, 我们可以得出结论, 对于本文中我们研究的武器系统, 如果在操作标准一致的情况下, 则操作的优劣将以时间来衡量, 即将准备时间作为标准, 而每一阶段的标准同样可以用时间来度量。通过关联分析法, 我们不难得出哪一个阶段的操作对整体的影响相对于其他阶段的大小。参考这个影响结果, 在训练中对此阶段多加注意, 显然可以提高整体的效率。
4 结论
关联分析法一般用来分析不同方案与最优方案 (参考方案) 的关联程度, 关联度最高的方案将被选择出来。将关联分析法应用于提高复杂武器系统的操作效率中, 将以往定性分析的内容用定量的方法进行研究, 是一种全新的思路和尝试。针对某型复杂系统的应用表明了这种方法的可行性与先进性。
摘要：在分析某炮兵武器系统训练特征及其缺陷的基础上, 提出运用灰色关联分析法分析各训练环节对整体训练效果的影响, 从而较科学地确定评价各环节对整体结果的贡献, 减小了主观因素对评价结果的影响。
关键词：灰色关联分析法,价值工程,权重
参考文献
[1]邓聚龙.灰色系统理论教程[M].武汉:华中理工大学出版社, 1990.
[2]傅立.灰色系统理论及其应用[M].北京:科学技术文献出版社, 1992.
灰色系统关联度分析法 第5篇
针对长江流域日益严重的水污染现状,根据流域各站点的检测值,利用灰色关联分析法建立模型,并对长江水质进行了定量综合评价.通过计算抽样水质与<地表水环境质量标准>(GB3838-)中各限值的关联度,得出各时间点(某断面不同时段)的.水质综合评价指标,从而判断水质类别,同时还得出了各断面水质的演变趋势.
作 者：周明 成筠 姚云鹏 Zhou Ming Cheng Yun Yao Yunpeng 作者单位：周明,成筠,Zhou Ming,Cheng Yun(三峡大学,经济与管理学院,湖北,宜昌,443002)
姚云鹏,Yao Yunpeng(三峡大学,土木水电学院,湖北,宜昌,443002)
灰色系统关联度分析法 第6篇
复杂的人机系统设计过程中，在进行人机功能分配时往往需要对大量的输入/输出控制节点进行整合，实现人机系统控制节点的模块化布局[1,2]，从而有效地提高操作人员的工作绩效，反之则可能导致操作人员效率低下，甚至人为差错频发[3]。因此，合理地进行人机系统功能聚类，是人机系统设计过程中的一个重要环节，通过进行科学有效的功能聚类，可以使操作人员与机器系统进行高效、安全的交互。
传统的人机系统功能聚类方法往往以设计人员的经验或简单的主观分析来完成，主要考虑功能模块的使用频率、重要性等因素，缺少有效的针对功能模块之间关联关系的量化方法。本文针对复杂人机系统设计中功能聚类的问题，提出一种基于灰色关联度的人机系统功能聚类方法，给出了人机系统功能的关联系数求解方法和人机系统功能的分层聚类方法，可为人机系统功能聚类及高效模块化布局设计提供技术支撑。
1 人机系统功能模块关联系数求解方法
在求解人机系统功能模块的关联系数时，首先指定参考序列，设任意人机系统有p个功能模块，即功能模块c=(c1,c2，…，cp），有n个任务阶段，以功能模块ci的各任务阶段的操纵次数为参考序列，记为Oi，则Oi可表示为Oi=(oi(1），…，oi(k），…，oi(n）），其中，oi(n）为第n个任务阶段的操纵次数。ci之外的其余功能模块为比较模块，同理可得到一系列比较序列，记为Oj。
对于一参考序列Oi，当有多个比较序列O1,O2，…，Oi-1,Oi+1，…，Op时，采用比较序列与参考序列在k阶段的差值关系表示二者之间的关联系数[4,5]。关联系数的求解步骤如下：
(1）求差序列。各任务阶段的比较序列与参考序列的绝对差如表1所示。
(2）求比较序列Oj与参考序列Oi的最小差与最大差。
最小差为：
最大差为：
(3）计算关联系数。关联系数的求解公式为：
其中：ε为分辨系数，一般取值为0.5。
将需要对比的功能模块操纵数据代入式（3），得出ξj(k）（关联系数的值介于0～1之间），即各任务阶段下两功能模块的关联系数为：
由于多任务情况下关联系数较多，信息较为分散，不便于进行对比，需要将各任务阶段的关联系数综合为一个值，即采用求平均值方式对信息进行综合得到关联度：
由此，可得出p个功能模块的相互关联度，如表2所示。
2 人机系统功能的分层聚类方法
分层聚类的方法总体上分为两种：聚集和分割。聚集法是将所有分析的对象都分别划分一类，将最“接近”的对象先聚集，再将这一类和其他类别最“接近”的连接起来，继续组合，直到所有的对象都连接成一类或符合一个阈值范围为止[6]。分割法则是将所有的分析对象看成一类，然后进行分割，保证非同类的对象之间尽可能分离[7]。本文主要采用聚集法进行分析。
在对功能模块进行聚类时，根据求出的功能模块间的相关系数，按照相关系数越大，两个变量越“靠近”的原则[8,9]进行。基于分层聚类法的理论，聚类的过程如下：
(1）基于相关系数越大距离越近原则，找出表2中相互关联度的最大值，即r(Oi,Oj)=maxrij{i,j∈（1,2，…，p）}，同时将Oi和Oj聚成新类
(2）求出其余功能模块和新类的相互关联度，取其余功能模块与Oi、Oj的相互关联度中较大的作为它们与的关联度。
(3）重复步骤（1）和步骤（2），找出聚类后新构建的关联度表中的最大值，直至全部的功能模块完成聚类为止，最后得到的功能模块的分层聚类结果形式如图1所示。
3 功能模块聚类实例
以某在研飞机座舱人机系统为例，基于灰色关联度进行功能聚类。通过不同飞行任务阶段各控制模块的操纵次数，分析得到的不同飞行阶段飞行员在不同功能区域的操作次数如表3所示。
次
根据灰色关联度的计算方法，得出不同功能区域之间关联度，飞机座舱人机系统功能模块的相互关联度如表4所示。表4中，X1～X9分别为飞行控制、发动机控制、燃油控制、环境控制、导航控制、通信控制、雷达控制、火控、外挂管理功能模块的操作序列。
采用分层聚类方法对功能模块进行聚类。在表4中，X5和X6的相互关联度最大，因此先聚类为，再求X1、X2、X3、X4、X7、X8、X9和的相互关联度，取这些序列和X5、X6的关联系数中较大的作为相互关联度，通过这样的方式求得所有相互关联度，如表5所示。其中最大的相互关联度为0.900 0，因此将X2和X3聚为新类。重复上述聚类过程，直至全部模块变量都合并为止，最后形成座舱功能区域的分层聚类图，如图2所示。
4 结语
本文提出了一种基于灰色关联度的人机系统功能聚类方法，给出了人机系统功能的关联系数求解方法和人机系统功能的分层聚类方法，并通过案例分析验证了该方法的有效性和可行性，其可为人机系统功能聚类及高效模块化布局设计提供技术支撑。
参考文献
[1]高卫国,徐燕申,陈永亮,等.广义模块化设计原理及方法[J].机械工程学报,2007,43(6):48-54.
[2]曹啸博,许承东,胡春生,等.基于设计能力的设计资源聚合方式[J].计算机集成制造系统,2015,21(9):2296-2311.
[3]黄曙东,张力,戴立操.复杂人机系统人误分析技术研究[J].工业工程与管理,2007(4):70-74.
[4]刘思峰,党耀国.灰色系统理论及其应用[M].北京:科学出版社,2010.
[5]邓聚龙.灰色控制系统[M].武汉:华中理工大学出版社,1988.
[6]徐华.数据挖掘:方法与应用[M].北京:清华大学出版社,2014.
[7]Zhang T,Ramakrishnan R,Livny M.BIRCH:an efficient data clustering method for very large databases[G]//Proc 1996ACM-SIGMOD Int Conf Management of Data.Montreal,Canada,1996:103-114.
[8]Pal N R,Bezdek J C,Tsao E C K.Generalized clustering networks and Kohonen’s self-organization scheme[J].IEEE Transactions on Neural Networks,1993,4(4):549-557.
糜子主要农艺性状的灰色关联度分析 第7篇
1 材料与方法
1.1 材料
参试材料包括26个品系和1个育成品种。
1.2 试验设计及性状调查
试验于2009年春季在黑龙江省农业科学院齐齐哈尔分院试验地进行, 前茬为大豆。4月2日灭茬、旋耕、起垄, 4月21日灌水。5月10日采用机械开沟, 人工播种。用磷酸二铵作种肥, 用量为225 kghm-2, 播后镇压。试验采用随机区组设计, 3行区, 3次重复, 行长3.75 m, 行距0.65 m。从每小区选取5株有代表性的植株进行室内考种, 调查株高、穗长、生物产量、节数、穗重、穗粒重、千粒重7个农艺性状。
1.3 统计分析
1.3.1 设定序列
采用邓聚龙[9]的方法, 把所有参试品种 (系) 的7个农艺性状看成是一个灰色系统, 设穗粒重为参考序列X0, 其它性状比较序列Xi。各农艺性状的平均值列于表1。
1.3.2 原始数据的无量纲化
无量纲化处理采用标准差法。按公式Xi (K) =[Xi′ (K) -Xi]/Si将原始数据标准化 (见表2) 。式中Xi (K) 为无量纲化结果, Xi′ (K) 为原始数据, Xi为同一性状平均值, Si为同一性状标准差。
1.3.3 关联系数及关联度的计算
用下列公式计算各农艺性状与穗粒重的关联系数及关联度。
undefined (1)
undefined (2)
式中§ij为关联系数, MIN△ij为最小二级绝对差值, MAX△ij为最大二级绝对差值, P为分辨系数 (取0.5) , Ri为各农艺性状与穗粒重的等权关联度。
2 结果与分析
由表3可以看出, 各因素对穗粒重的关联度顺序为穗重 (0.9034) >生物产量 (0.8165) >株高 (0.7035) >节数 (0.7032) >千粒重 (0.6965) >穗长 (0.6762) 。根据关联度分析的原理可知, 关联度大的数列与参考数列的关系密切, 而关系度小的数列则与参考数列关系疏远。因此, 糜子农艺性状中对单株粒重影响大小顺序依次为穗重>生物产量>株高>节数>千粒重>穗长。
3 结论与讨论
运用灰色关联度评价影响穗粒重的因素是可行的, 结果表明, 各因素对穗粒重的关联度顺序为穗重>生物产量>株高>节数>千粒重>穗长。可见, 穗重和生物产量对穗粒重影响较大, 穗长对穗粒重的影响力最低。在育种实践中, 既要考虑影响穗粒重的主导因素, 同时也要兼顾各性状的协调发展, 最大限度地发挥糜子品种 (系) 自身各因素的增产潜力。因此, 在糜子高产育种中, 应当侧重对穗重和生物产量的选择。
灰色关联度分析是研究作物多元性状比较重要的一种方法, 与传统的相关分析、回归分析和通径分析等方法相比, 灰色关联度分析具有计算简单、方便易行等优点。但灰色关联度分析是相对一个发展变化系统进行发展动态量化比较的分析方法, 不同的时间和环境都可能使参试材料的性状发生改变, 从而影响分析结果[6]。影响糜子产量的农艺性状较多, 该研究仅对6个农艺性状进行了初步探讨, 有关其它的性状尚待进一步研究。
参考文献
[1]胡兴雨, 陆平, 贺建波, 等.黍稷农艺性状的主成分分析与聚类分析[J].植物遗传资源学报, 2008, 9 (4) :492-496.
[1]代惠萍.糜子植株衰老与活性氧代谢研究[D].杨凌:西北农林科技大学, 2008.
[3]黄开健, 杨华铨, 黄艳花, 等.玉米自交系数量性状遗传参数研究[J].广西科学, 1999, 6 (4) :290-292.
[4]林志清, 巢元金, 曹希之.新疆粳稻主要经济性状遗传参数的探讨[J].作物杂志, 1993 (增刊) :27-30.
[5]张保亮.花生主要数量性状相关遗传参数分析[J].花生科技, 1999 (3) :10-12.
[6]胡铁欢.不同农艺性状对玉米产量影响的灰色关联度分析[J].河北农业科学, 2009, 13 (6) :20-21.
[7]张富厚, 郑跃进, 王黎明.河南省夏大豆主要农艺性状的灰色关联度分析[J].安徽农业科学, 2006, 34 (19) :4842-4843.
[8]王晓林, 甄志高, 段莹.运用灰色系统理论对花生农艺性状重要性的评价[J].中国农学通报, 2005, 21 (3) :316-318.
灰色系统关联度分析法 第8篇
毛刺虽小,危害极大。毛刺不仅影响零件的尺寸精度和表面质量,而且影响装配精度和产品性能。近年来,随着产品向微小型化发展和微机电系统的快速发展,新的加工微小型零部件的技术也随之出现,微铣削技术具有加工能力强和效率高等优点,已经成为微小型零件加工制造的重要技术之一。由于微小型零件尺寸小,所以微铣削产生的毛刺与工件尺寸相比要比常规铣削产生的毛刺大得多,而且毛刺去除更困难。目前常用的毛刺去除方法有滚筒研磨法、电化学法、热能法、磁力研磨 法、磨粒流法、激光法、超声波法 等[1]。但上述去除毛刺的方法均采用事后补救措施,有些方法很难用于微铣削毛刺的去除。
运行中的微铣削系统可以看作是一个复杂的灰色系统,因为该系统存在多种影响因素使其没有确定的映射关系和作用原理[2]。采用灰色关联度分析法对微铣削加工工艺系统进行分析,可通过模式识别和故障树研究,确定产生毛刺的原因和影响规律,做到事前优化微铣削工艺系统和加工工艺参数,从而抑制微铣削毛刺的产生。
1灰色关联度分析法
灰色关联度是指事物之间不确定的关联,它通过一定的方法寻求系统中各子系统(或因素)之间的数值关系,以定性分析为前提,定量分析为依据,对系统因素和系统行为之间曲线相似性进行关联分析。灰色关联度对发展趋势进行分析,对样本大小要求不高,无需典型的分布规律,而分析结果一般与定性分析类似[2,3]。
假设微铣削系统要建立的标准故障模式特征向量有m个,即影响微铣削毛刺产生的因素有m个,每个特征向量包含n个元素,则相应的故障标准模式特征向量XR如下:
实测信号的特征向量YT为
式(1)中的元素无量纲,式(2)中的元素有量纲且各元素量纲不同,需对其进行均值化量纲一处理, 才能研究实测特征向量YT与标准特征向量XR的关联度,YT与XR中各标准特征向量对应元素的最小绝对差值[4]如下:
最大绝对差值为
实测特征向量YT与标准特征向量XR在k点的关联度系数ξij(k)如下:
其中,ρ为分辨系数,满足0<ρ<1,可以事先确定,一般取ρ=0.5。则关联度如下:
由式(6)可得关联度序列R = (r1,r2,…,rm),用关联度数值大小分析微铣削工艺系统各因素对毛刺产生的影响规律,只需按数 值大小排 序rs> rh>rp即可,其中s、h、p ∈ [1,m]。这种排序体现了实测模式特征向量(YT)与标准模式特征向量(s、h、p)关联度从大到小的排列次序。如果实测模式与某一标准模式的关联度最大,则可以认为该实测模式属于相应的标准模式,达到对该模式的正确分类识别[4]。
2应用研究
以零件出现毛刺为顶事件建立故障树,如图1所示。毛刺的产生主要由机床自身、外部环境、 工装夹具、工件自身和加工工艺参数等因素引起。 其中机床自身因素包括主轴回转零部件动不平衡 (x1)、传动系统中齿轮和滚珠丝杠冲击(x2)、机床导轨磨损(x3)和主轴转速过大(x4)。外部环境因素包括附近有产生振动的大型设备(x5)和重型车辆频繁地在附近行驶[5](x6)。工装夹具因素包括刀具选择不当(x7)和工件装夹不当(x8)。工件自身因素包 括断续切 削 (x9)、加工余量 变化 (x10)、工件材料硬度变化(x11)和毛坯局部有气孔和砂眼等缺陷(x12)。加工工艺参数因素主要有主轴转速过小(x13)、进给量过大(x14)和背吃刀量过大(x15)。
根据各底事件发生的概率,运用灰色关联度分析法可以获得导致顶事件发生的各因素的重要度和关联度[6]。
2.1求出最小割集
故障树是一种倒立的树状逻辑因果关系图, 最顶层的称为顶事件,最底层的称为底事件,如果底事件的发生会影响顶事件的发生,那么这样的底事件称为割集。而最小割集就是导致顶事件发生的充分且必要的底事件集合。全部最小割集就是顶事件发生的所有可能原因,每一个最小割集都代表系统的一种故障模式[4,7]。
图1所示毛刺 产生故障 树有15个底事件xj,其中j=1,2,…,n,即n=15。其最小割集为xri,其中i=1,2,…,m,最小割集数m =7, 按“下行法”求出割集分别为:xr1= (x1,x2,x3, x4);xr2= (x5,x6);xr3= (x7,x8);xr4= (x9,x10, x11,x12);xr5= (x13);xr6= (x14);xr7= (x15)。
2.2典型故障特征矩阵的建立
建立典型故障树的结构函数如下:
第i个最小割集xri由ni个底事件x1,x2,…,xni组成,在最小割集xri中,令ni个底事件为“1”,其余的n-ni个底事件为“0”,则构成的典型故障特征矩阵如下:
2.3待检模式向量的建立
在图1所示故障树中,底事件的重要性越大, 顶事件发生的可能性就越大,底事件的重要性可用下式所示重要度表示[4]:
式中,Ij为第j个底事件的重要度;Pi为第i个最小割集发生的概率;Ps为顶事件发生的概率。
根据底事件的发生概率可以得到每个最小割集的发生概率Pi(i=1,2,…,m )和顶事件的发生概率Ps,如表1所示,各底事件的重要度Ij(j = 1,2,…,n)如表2所示[8?9]。
用表2中各底事件的重要度作为式(2)中的元素,得到待检模式向量:
将YT作为母因素、xri(i=1,2,…,m)作为子因素进行计算,并对YT进行均值化处理,得
由序差公式, 计算各序差 , 得
上述序差序列中的最小值和最大值分别为
由式(5)计算关联度系数ξij,结果如表3所示。其中,i = 1,2,…,m;j = 1,2,…,n;ρ = 0.5。
由式(6)计算关联度ri,结果如表4所示[10]。
将关联度按从 大到小排 列顺序如 下:r6> r7>r5>r2>r3>r1>r4。因此微铣 削加工过程中7种类型因素发生的可能性大小依次为: (x14);(x15);(x13);(x5,x6);(x7,x8);(x1,x2, x3,x4);(x9,x10,x11,x12)。即(进给量过大); (背吃刀量过大);(主轴转速过小);(附近有产生振动的大型设备,重型车辆频繁地在附近行驶); (刀具选择不当,工件装卡不当);(回转零部件不平衡,传动系统中的齿轮、轴承等冲击,机床导轨的磨损,主轴转速过大);(断续切削,加工余量变化,工件材料硬度变化,毛坯局部有气孔、砂眼等缺陷)。
2.4实验验证
微铣削加工采用直径d =0.5mm的硬质合金微铣刀,如图2所示,刀具长度为50mm,加工中刀具悬伸量为30mm。工件材料为合金钢,查切削参数手 册得最优 切削速度vc为90~ 105 m/min[11],切削速度与主轴转速n的关系为vc= πdn/1000,因此微铣 削主轴转 速在57 296~ 66 845r/min比较合适;同理,查切削参数手册得微铣削进给量在0.002~0.005mm/r较合适,背吃刀量在0.03~0.04mm较合适,当背吃刀量大于0.04mm则认为过大。
根据灰色关联度方法计算得到的关联度最大值为r6= 0.8867(如表4所示),对应的底事件为x14(进给量过大),它对毛刺产生的影响最大。保持其他参数处于合适范围不变,当进给量取合适值时,即f=0.003mm/r时,铣削的微槽如图3a所示,可以看出微槽边沿的毛刺较少且悬伸长度小;当进给量过大时,即f=0.008mm/r时,铣削的微槽如图3b所示,微槽边沿的毛刺较多且悬伸长度大,因此实验结果与灰色关联度方法计算结果相吻合。
关联度值 从大到小 排在第二 的是r7= 0.8727,对应的底事件为x15(背吃刀量过大)。保持其他参数处于合适范围不变,当背吃刀量取合适值时,即ap=0.03mm时,铣削的微槽如图4a所示,可以看出微槽边沿的毛刺较少且悬伸长度小;当背吃刀量过大时,本实验取ap=0.08mm, 铣削的微槽如图4b所示,微槽边沿的毛刺较多且悬伸长度大,实验结果与灰色关联度方法计算结果相吻合。
关联度值 从大到小 排在第三 的是r5= 0.8701,对应的底事件为x13(主轴转速过小)。保持其他参数处于合适范围不变,当主轴转速取合适值时,即n=60 000r/min时,铣削的微槽如图5a所示,可以看出微槽边沿的毛刺较少且悬伸长度小;当主轴转 速过小时,本实验取n=1000r/min,铣削的微槽如图5b所示,微槽边沿的毛刺较多且悬伸长度大,实验结果与灰色关联度方法计算结果相吻合。
3结论
(1)影响微铣削加工毛刺产生的因素较多,采用灰色关联度分析法能够定性分析和定量计算不同因素对微铣削毛刺产生的关联度,各因素与微铣削毛刺产生关联度从大到小分别为:进给量过大、背吃刀量过大、主轴转速过小、外部环境产生的振动、工件夹具、机床自身、工件自身。
(2)对关联度最大的前三个因素 (进给量过大、背吃刀量过大、主轴转速过小)分别进行微铣削实验,其毛刺产生的扫描电子显微镜(SEM)图片表明实验结果与灰色关联度分析结果相吻合。
灰色系统关联度分析法 第9篇
1 材料与方法
1.1 材料
主要试材为山西省长治地区主栽品种:潞玉13、潞玉6号、长玉16、长单46、先玉335、大丰26、晋玉811、强盛16、富友9号、万孚7号、安森7号、永玉3号、东单80、丹玉26、三北6号、屯玉50、奥利23、谷丰8号、谷丰902、谷丰709和谷丰11共21个品种(见表1、表2。其中1~21的序号序依次代表上述21个品种)。
1.2 方法
采用随机排列法,设3 次重复,行距57 cm,株距30 cm,行长4 m,每行13株,每品种2 行。每一重复随机选取5 株为调查对象,调查性状为株高、穗位、茎粗、雄穗分枝数、叶片数、叶间距、茎叶夹角、叶面积、单株穗粒重、小区产量共10项。各性状调查数据均值见表1。
调查方法:茎粗是地上基部第三节叶片着生部位垂直方向的茎秆粗;叶片数为全株绿叶数;叶间距是地上基部至顶生叶之间的所有绿叶平均间距;茎叶夹角为穗位上三叶平均夹角;叶面积是指棒三叶平均叶面积,叶面积计算方法为叶长叶宽0.75;单株穗粒重和小区产量在室内考种分别测定。
采用灰色关联度分析法及Excel数据分析程序处理数据。
2 结果与分析
2.1 小区产量与株型各因素的灰色关联度
在灰色关联分析中以21个品种的产量和9个性状因素为一个整体,设小区产量为参考数列。由于各性状数据的量纲不同,需通过公式Xi(K)=[X′I (K)-Xi]/Si进行标准化处理(结果略)。按公式△i(K)=∣X0(K)-Xi(K)∣得出X0与Xi对应点的绝对差值(结果略)并分别求出产量与性状序列的两极差M=maximaxk△i(K), m=minimink△i(K),并代入公式:
undefined为分辨系数值为0.5)计算出产量与各因素的关联系数(见表2),由关联度公式undefined得出产量与各因素的关联度(见表3)。
表3 的分析结果显示,玉米的小区产量与玉
米株型各因素关联顺序依次为:单株穗粒重>叶间距>株高>叶片数>茎粗>茎叶夹角>穗位>雄穗分枝数>叶面积,单株穗重与玉米的小区产量关联度最大,其次与叶间距、株高、叶片数等玉米株型因素关联紧密。
2.2 单株穗粒重与各因素的关联度
单株穗粒重与株型各因素的关联度分析方法同上,关联次序为:叶间距>株高>茎叶夹角>茎
粗>雄穗分枝数>叶片数>穗位>叶面积,与小
区产量对株型性状各因素的关联度次序不同,在
茎叶夹角、茎粗、雄穗分枝数、叶片数、穗位的关联次序上发生变化(见表4)。
3 结论与讨论
运用灰色关联分析法根据不同的环境和不同的材料来评价各品种中的株型性状对产量关联分析,结果不一定相同,试验中玉米株型与小区产量、单株穗粒重的关联度次序就明显不同,这是由于关联分析中参考数列分别是个体(单株穗粒重)和群体(小区产量)的因素所造成的。利用关联度分析不同玉米品种中的株型各因素对产量的关联度,按照关联度分析的原则关联度大的数列与参考数列关系最为密切,小的则关系较疏远[7],因此,玉米植株的叶间距、株高等株型性状与产量的关联紧密。
分析得出,玉米株型性状与玉米群体产量的关联主要在叶间距、株高、叶片数、茎粗、茎叶夹角5方面,说明玉米株型通过影响群体株丛的叶片伸展方向,光在株丛冠层中的分布、叶间隙通透性、植株对光能的截获能力以及抗倒性、抗旱性,导致群体构成的质量变化,并最终影响群体产量。玉米株型性状与单株穗粒重的关联度则不同,体现的是个体产量与株型的关联关系,表现与群体不同的关联次序,但关联紧密的依然是叶间距、株高。说明对株型选择既存在着个体与群体的矛盾与统一,同时又存在着产量因素与株型各因素的矛盾与统一,是植株各因素综合作用的结果,因此,在进行株型选育时应注重对叶间距、株高的选择。
采用株行距30 cm57 cm,密度为6万株hm-2,若在合理的范围内加大种植密度,可以增加单位面积的有效穗数,而对株型的选择则表现得尤为重要,所以,应该在高密度条件下进行株型与产量的关联分析,对选择适宜的栽培品种实现抗旱高产和采取相应的技术措施选育本地区株型理想的优良品种提供参考和借鉴。
摘要：采用灰色关联度分析法对不同玉米品种的小区产量与株型性状因素进行分析。结果表明:小区产量与单株粒重的关联度最大,其次与叶间距、株高、叶片数等玉米株型性状因素关联紧密,说明玉米的产量变化是单株穗粒重与株型各性状因素综合作用的结果。在玉米杂交选育中以杂交优势为基础结合株型育种,应注重叶间距、株高、叶片数、茎粗、茎叶夹角的选择。
关键词：玉米,株型,关联度
参考文献
[1]赵久然,孙世贤.对“超级玉米”育种目标及技术路线的认识和思考[C]//中国玉米品种科技论坛.北京:中国农业科技出版社,2007:53-57.
[2]李登海.玉米株型在育种中的作用Ⅰ株型的增产效果[J].山东农业科学,1992(3):4-8.
[3]王元东,段民孝,邢锦丰.玉米理想株型育种的研究进展与展望[J].玉米科学,2008,16(5):47-50.
[4]李北齐,赵苏维,王贵强,等.玉米杂交组合产量相关因素的灰色关联度评价[J].玉米科学,2006,14(2):44-46.
[5]孙海潮,万金红,郭安斌,等.灰色关联度分析在玉米组合鉴定试验中的应用[J].玉米科学,2006,14(2):47-49.
[6]杨金慧.夏玉米杂交种单株产量与相关因素间的灰色关联度分析[J].陕西农业科学,1997(1):10-12.
灰色系统关联度分析法 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：
灰色系统关联度分析法 第11篇
巴黎气候大会通过《巴黎协定》要求各缔约国加强对气候变化威胁的全球应对。就中国而言,全球最大的CO2排放量使中国政府面临国际社会的巨大压力,在向联合国提交的应对气候变化国家自主贡献文件中,提出到2030年左右CO2排放达到峰值,将继续采取多种措施降低能耗强度、发展清洁能源,坚定不移地走绿色可持续发展道路。能耗强度,指单位国内生产总值消耗的能源量,是综合反映能源利用效率和经济增长质量的重要指标。降低能耗强度,必须先探讨影响能耗强度的因素及其作用大小,为此,本文建立了基于灰色关联度的能源效率影响因素模型,分析了影响能耗强度的各因素与能耗强度的关联程度,并结合模型结果给出了降低能耗强度的建议。
1 灰色关联分析基本原理及步骤
灰色关联度描述系统发展过程中因素间相对变化的情况,是因素间关联性大小的量度,如果两个因素在发展过程中相对变化态势一致性高,则两者的灰色关联度大,反之,灰色关联度则小。灰色关联分析对样本量的多少和样本有无规律都同样适用,不会出现量化结果与定性分析结果不符的情况[1]。其具体分析步骤如下:
(1)确定反映系统行为特征的参考数列和影响系统行为的比较数列;
(2)对参考数列和比较数列进行无量纲处理;
(3)求参考数列与比较数列的灰色关联系数;
(4)求参考数列与比较数列的关联度;
(5)关联排序。
2 基于灰色关联度的能源效率影响因素分析
2.1 能耗强度因素选取及表征指标
针对能耗强度影响因素,国内外学者从不同的角度出发,探索了影响能耗强度的诸多因素。这些因素按所属范畴,主要划分为经济因素、能源因素和社会因素。经济因素包括产业结构和对外贸易结构等。史丹等研究表明产业结构变动是影响我国能耗强度的主要因素[2];齐志新等研究表明工业轻重结构变化对能耗强度有重要影响,并提出2003年我国能耗强度反常上升是由于重工业比例的增加[3];陈芳等研究表明对外开放水平提高有利于降低能耗强度[4]。能源因素包括能源消费结构、能源转化效率和能源价格等。向其凤等研究表明能源结构影响能源效率,能源结构调整是实现节能减排的重要途径[5];有研究表明中国能耗强度下降主要是各部门能源使用效率提高的结果[6];胡宗义等研究表明提高能源价格在短期和长期均能显著降低能耗强度[7]。社会因素包括城镇化水平等。阚大学等研究表明城市化会通过各种渠道使能源效率得到提高[8];刘耀彬等研究表明中国城市化水平的提高有利于提高能源的利用效率[9]。本文综合考虑影响能耗强度的3类因素,探究产业结构、城镇化水平、能源消费结构、能源价格、能源转化效率和对外贸易结构与能耗强度的关系。考虑到数据的可获取性,关于这6个因素的评价指标,本文用第二产业生产总值占国内生产总值的比值表征产业结构,用城市人口比例表征城镇化水平,用煤炭占一次能源的消费比例表征能源消费结构,用能源价格指数表征能源价格,用能源加工转化效率表征能源转化效率,用货物进出口总额占GDP的比重表征对外贸易结构。以我国2000~2013年的数据为样本,具体数据见表1。
数据来源:《中国统计年鉴2014》。
2.2 作用机理分析及Granger因果关系检验
2.2.1 作用机理分析
(1)产业结构对能耗强度的作用机理。由于不同产业部门的能耗强度不同,能耗强度高的产业在国民经济中占得比例越高,总的能耗强度就越高,所以产业结构调整改变了不同能耗强度的产业在国民经济中的比例,从而改变了能耗强度。
(2)城镇化水平对能耗强度的作用机理。一方面,农村居民和城镇居民用能方式存在本质的不同,城镇居民能源消费种类以电能和汽车燃料为主,利用效率高,农村居民对煤炭等低品质的能源利用较多,且利用方式多为小炉子燃烧,能源利用效率低;另一方面,城镇化水平的提高意味着社会的发展进步,社会的发展进步推动了能源利用技术的进步,使能源转化效率提高。
(3)能源消费结构对能耗强度的作用机理。能源不仅有量的差别,也有质的差别,即所谓的能源品质。能源品质在很大程度上决定了该能源的利用效率,相对煤炭而言,石油和天然气品质高,利用效率也高。能源品质高的能源占能源消费总量的比重越高,能源总体利用效率就越高,能耗强度就越低。
(4)能源转化效率对能耗强度的作用机理。人类对能源的利用均需要转化,将能源中的化学能转化为热能、光能、电能等其他形式的能量再利用,由于能源转化效率无法达到100%,故每经过一次能量转化,就有一部分能量被浪费。提高能源转化效率,就能减少在转化过程中的能量浪费,从而降低能耗强度。
(5)能源价格对能耗强度的作用机理。能源价格对能耗强度的作用可以分为直接作用和间接作用。直接作用方面,能源作为一种基本生产要素,是企业成本的重要组成部分,能源价格的提高导致企业生产成本的提高,由于能源、劳动力、资本等生产要素在一定范围内有替代性,在能源价格提高时,企业为了获得最大利益,会倾向于在一定范围内用劳动力和资本等其他生产要素替代能源,减少能源投入,从而降低能耗强度;间接作用方面,能源价格的提高会促进企业改进生产技术和改变能源消费结构,通过推进技术进步,增加高效率能源的利用量,降低生产成本,从而也降低了能耗强度。
(6)对外贸易结构对能耗强度的作用机理。对外贸易结构的改变会引起产业结构、能源价格、能源消费结构等的变化,进而影响能耗强度,另外,对外贸易水平的提高意味着更多的先进技术和先进管理机制的交流,这些都能提高我国的科技水平,进而提高能源效率。
2.2.2 Granger因果关系检验
为了进一步确认这6类因素对能耗强度有影响,在通过ADF检验证明序列随时间平稳后,进行Granger因果关系检验,检验结果见表3。表中,X0表示能耗强度,X1~X6分别表示产业结构、城镇化水平、能源消费结构、能源转化效率、能源价格和对外贸易结构。由表2可知,取Granger因果关系检验常用的10%显著性水平,产业结构与能耗强度、能源消费结构与能耗强度存在双向Granger因果关系,城镇化水平、能源转化效率、能源价格和对外贸易结构均是能耗强度的单向Granger原因。
2.3 能源效率影响因素灰色关联模型建立与求解
作用机理分析及Granger因果关系检验结果均表明产业结构、城镇化水平、能源消费结构、能源转化效率、能源价格和对外贸易结构是能耗强度的影响因素,下面通过模型建立和求解给出各因素与能耗强度的关联度和关联序。
2.3.1 确定比较数列和参考数列
本模型中,能耗强度为参考数列X0,影响能耗强度的因素:产业结构、城镇化水平、能源消费结构、能源转化效率、能源价格和对外贸易结构分别为比较数列X1,X2,X3,X4,X5,X6。
2.3.2 数据无量纲处理
由于参考数列和比较数列数据的量纲不同,为了消除量纲影响得到正确结论,结合本模型数据特点,采用下式对数据进行无量纲化:
得到无量纲化后的数据:
X'0={1,0.954,0.927,0.972,1.025,1.018,0.99,0.941,0.892,0.859,0.824,0.807,0.78,0.751}
X'1={1,0.986,0.974,0.994,0.996,1.026,1.034,1.016,1.017,0.993,1.001,1.002,0.974,0.944}
X'2={1,1.04,1.079,1.119,1.153,1.187,1.224,1.267,1.297,1.335,1.379,1.416,1.451,1.483}
X'3={1,0.987,0.983,1.009,1.004,1.023,1.027,1.027,1.016,1.017,0.983,0.988,0.962,0.954}
X'4={1,1.004,1,1.005,1.027,1.036,1.032,1.025,1.036,1.043,1.055,1.048,1.049,1.048}
X'5={1,0.868,0.867,0.931,0.951,0.997,0.97,0.904,1.045,0.773,1.008,0.96,0.874,0.837}
X'6={1,0.974,1.077,1.301,1.494,1.589,1.629,1.563,1.424,1.101,1.248,1.247,1.173,1.133}
2.3.3 求参考数列与比较数列的绝对差
根据式(2)得到参考数列与比较数列的绝对差:
2.3.4 求参考数列与比较数列的灰色关联系数
根据参考数列与比较数列的绝对差,得到绝对差二级最小min min=0,二级最大max max=0.733,取分辨系数ρ等于0.5代入(3)式,得到灰色关联系数ζi(k)如表4所示。
2.3.5求参考数列和比较数列的关联度
因为关联系数ζi(k)是能耗强度X0与影响因素Xi在k时刻的关联程度值,所以它的数不止一个,不便于进行整体性比较,根据(4)式求其平均值,作为各影响因素与能耗强度关联程度的数量表示,即关联度:
2.3.6 关联排序
各影响因素与能耗强度的关联程度,主要是用关联度的大小次序描述,而不仅是关联度的大小。根据关联度得到各影响因素与能耗强度的关联序如表4所示。
3 结论及建议
3.1 结论
(1)产业结构、城镇化水平、能源消费结构、能源转化效率、能源价格和对外贸易结构均是能耗强度的影响因素,与能耗强度的关联度由大到小分别是能源价格、产业结构、能源消费结构、能源转化效率、城镇化水平和对外贸易结构。
(2)能源价格、产业结构、能源消费结构、能源转化效率与能耗强度的关联度均超过了0.75,表明能源价格、产业结构、能源消费结构、能源转化效率与能耗强度有很强的关联性,是影响能耗强度的关键因素。
(3)相比其他4个因素,城镇化水平、对外贸易结构与能耗强度的关联性相对较小,但关联度也都超过了0.5,表明城镇化水平和对外贸易结构也是影响能耗强度的不可忽视的因素。
3.2 建议
(1)建立合理的能源价格形成机制。从模型结果来看,能源价格与能耗强度之间的关联程度最高,合理的能源价格能降低能耗强度。长期以来,受计划经济的影响,我国的能源价格形成机制基本是国家指令性定价。煤炭方面,尽管1984年开始就制定了煤炭价格双轨制,实行政府定价和市场调节两种价格形成机制,但直到2007年,国家发改委下发了《关于做好2007年跨省区煤炭产———运———需衔接工作的通知》,煤炭价格市场形成机制才算基本构建;石油方面,虽然原油价格已经与国际接轨,但成品油价格仍然没有放开,市场对能源的优化配置作用没有充分发挥。能源作为一种特殊的生产要素,不仅具有经济价值,还具有存在价值和环境价值,加快建立能源价格的正确评估和核算体系,替代国家指令性定价,使能源价格正确反映生产成本、社会成本和环境成本。同时,充分发挥财政作用,调整因能源价格变动导致的利益不公平分配。
(2)加快产业结构转变,降低高耗能产业比重。产业结构与能耗强度的关联程度仅次于能源价格,是影响能耗强度的重要因素。就能耗强度而言,由高到低分别为第二产业、第一产业和第三产业,故调整产业结构,大力发展第三产业能有效降低能耗强度。同时,注重调整第二产业内部结构,减少高耗能产业比重以降低能耗强度。
(3)改变能源消费结构,减少煤炭等低品质能源的使用,增加石油和天然气的比例,大力开发新能源如太阳能、风能、核能等。另外,通过科技进步和管理提升提高能源转化效率,提高城镇化水平,加强对外交流及技术引进,均是降低我国能耗强度的有力举措。
参考文献
[1]王治祯.灰色系统及模糊数学在环境保护中的应用[M].哈尔滨:哈尔滨工业大学出版社,2007
[2]史丹.结构变动是影响我国能源消费的主要因素[J].中国工业经济,1999,(11):38~43
[3]齐志新,等.工业轻重结构变化对能源消费的影响[J].中国工业经济,2007,(2):35~42
[4]陈芳,等.对外开放与能源消耗强度——基于中国省级面板数据的研究[J].山东财经大学学报,2015,(6):52~59
[5]向其凤,等.中国能源结构调整及其节能减排潜力评估[J].经济与管理研究,2014,(7):13~22
[6]吴巧生,等.中国工业化中的能源消耗强度变动及因素分析——基于分解模型的实证分析[J].财经研究,2006,(6):75~85
[7]胡宗义,等.能源价格对能源强度和经济增长影响的CGE研究[J].财经理论与实践,2008,(2):91~95
[8]阚大学,等.我国城市化对能源强度的影响——基于空间计量经济学的分析[J].当代财经,2010,(3):83~88
[9]刘耀彬.中国城市化与能源消费关系的动态计量分析[J].财经研究,2007,(11):72~81
[10]刘小丽.基于价格指数的中国能源强度分解方法研究[J].工业技术经济,2013,(11):107~112
