導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇統(tǒng)計(jì)學(xué)經(jīng)驗(yàn)法則，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

信貸資產(chǎn)支持證券大致分為資產(chǎn)支持證券 （ABS） 和抵押貸款支持證券 （MBS）。由于證券化產(chǎn)品的結(jié)構(gòu)十分復(fù)雜，致它們的定價(jià)方式?jīng)]有統(tǒng)一的標(biāo)準(zhǔn)。證券化的產(chǎn)品定價(jià)主要有三個(gè)重點(diǎn)。如下圖所示，第一是定價(jià)理論的基礎(chǔ)，第二是提前償付問(wèn)題，第三是折現(xiàn)率的計(jì)算方法。

資產(chǎn)支持證券 （ABS）

ABS定價(jià)的理論基礎(chǔ)是現(xiàn)金流折現(xiàn)模型，其價(jià)格與其未來(lái)產(chǎn)生的現(xiàn)金流的折現(xiàn)值有關(guān)。由于A(yíng)BS基本上沒(méi)有嵌入式期權(quán)，因此不會(huì)發(fā)生提前償付的問(wèn)題，其折現(xiàn)率可以利用零波動(dòng)率價(jià)差 （Zero-volatility Spread） 來(lái)量度。零波動(dòng)率價(jià)差是指在國(guó)債的即期利率線(xiàn)上加全個(gè)價(jià)差后，使得ABS的理論現(xiàn)值與市場(chǎng)價(jià)格相等。

現(xiàn)實(shí)例子中，我們可以使用零波動(dòng)率價(jià)差來(lái)為信用卡應(yīng)收款項(xiàng)的ABS和汽車(chē)消費(fèi)貸款的ABS定價(jià)。就信用卡應(yīng)收款項(xiàng)的ABS而言，因?yàn)樗鼈儧](méi)有嵌入式期權(quán)，故此使用零波動(dòng)率價(jià)差來(lái)定價(jià)是恰當(dāng)?shù)?。就汽?chē)消費(fèi)貸款的ABS而言，雖然它們是有嵌入式期權(quán)的，但是基本上都不會(huì)被行使，因此也可以使用零波動(dòng)率價(jià)差來(lái)定價(jià)。

抵押貸款支持證券 （MBS）

實(shí)際上MBS和ABS的定價(jià)原理很相似，但因?yàn)樘崆皟敻兜膯?wèn)題，MBS的定價(jià)過(guò)程要復(fù)雜于A(yíng)BS。目前主要流行的MBS定價(jià)模型有固定提前償付率模型 （CPR）、美國(guó)公共證券協(xié)會(huì)經(jīng)驗(yàn)法則 （PSA）、美國(guó)聯(lián)邦住宅管理局經(jīng)驗(yàn)法則 （FHA） 及計(jì)量經(jīng)濟(jì)學(xué)提前償付模型等。

MBS定價(jià)方法主要涉及兩部分，一是確定提前償付假設(shè)，二是選取定價(jià)模型。

就提前償付假設(shè)而言，CPR模型假設(shè)貸款期間提前償付率固定不變。其優(yōu)點(diǎn)在于固定提前償付率基于歷史數(shù)據(jù)及MBS發(fā)行時(shí)的經(jīng)濟(jì)環(huán)境確定，簡(jiǎn)單實(shí)用。而CPR的缺點(diǎn)是未考慮各種因素的變動(dòng)如何影響借款人的提前償付行為。

而PSA及FHA經(jīng)驗(yàn)法則都是根據(jù)美國(guó)市場(chǎng)的歷史數(shù)據(jù)建立的，是美國(guó)市場(chǎng)的MBS常用的提前償付假設(shè)。它們的優(yōu)點(diǎn)是考慮了一些因素的變動(dòng)對(duì)借款人提前償付行為的影響。而其局限性在于，兩者皆依據(jù)所制定機(jī)構(gòu)的歷史數(shù)據(jù)得出，并非適用于所有抵押貸款。若PSA及FHA經(jīng)驗(yàn)法要在中國(guó)市場(chǎng)實(shí)踐， 中國(guó)必須建立一個(gè)龐大的貸款信息數(shù)據(jù)庫(kù)。

計(jì)量經(jīng)濟(jì)學(xué)提前償付模型是將影響提前償付的因素歸納一起，并以統(tǒng)計(jì)學(xué)的回歸分析（Regression Analysis） 對(duì)提前償付率進(jìn)行預(yù)測(cè)。其優(yōu)點(diǎn)是能更為全面、實(shí)際地反映提前償付率與其影響因素之間的關(guān)系。而其缺點(diǎn)是計(jì)算程序十分復(fù)雜，并需要有足夠的數(shù)據(jù)才可進(jìn)行分析。

就定價(jià)模型的選擇而言，跟ABS一樣，MBS定價(jià)的理論基礎(chǔ)都是現(xiàn)金流折現(xiàn)模型，其價(jià)格與其未來(lái)產(chǎn)生的現(xiàn)金流的折現(xiàn)值有關(guān)。就實(shí)踐層面而言，資產(chǎn)證券化產(chǎn)品的價(jià)格往往根據(jù)其與基準(zhǔn)利率之間的利差確定，而國(guó)際普遍的MBS利差的確定方法主要有兩種，為靜利差分析及期權(quán)調(diào)整利差分析。

靜態(tài)利差分析在特定的提前償付假設(shè)下，假定MBS的收益率曲線(xiàn)與國(guó)債（或其他基準(zhǔn)利率） 的收益率曲線(xiàn)之間的利差不變，該固定利差即為靜態(tài)利差。其優(yōu)點(diǎn)是較簡(jiǎn)單和考慮了利率期限結(jié)構(gòu)對(duì)MBS定價(jià)的影響。其缺點(diǎn)是未考慮未來(lái)利率的波動(dòng)對(duì)預(yù)期現(xiàn)金流的影響。

期權(quán)調(diào)整利差 （OAS） 分析在當(dāng)今被認(rèn)為是MBS和ABS產(chǎn)品定價(jià)的標(biāo)準(zhǔn)方法。 OAS可以透過(guò)運(yùn)用蒙地卡羅方法 （Monte Carol Method） 或二項(xiàng)式期權(quán)定價(jià)模型 （Binomial Options Pricing Model） 計(jì)算出來(lái)，其重點(diǎn)在通過(guò)利率期限結(jié)構(gòu)模型模擬不同的利率路徑，預(yù)測(cè)不同利率環(huán)境下的提前償付行為，以消除早償期權(quán)對(duì)MBS定價(jià)的影響。它的優(yōu)點(diǎn)是考慮了未來(lái)利率的波動(dòng)對(duì)預(yù)期現(xiàn)金流的影響，而缺點(diǎn)是十分復(fù)雜、很難做到十分精準(zhǔn)。

中國(guó)資產(chǎn)證券化市場(chǎng)的現(xiàn)況和建議

2015年5月，中國(guó)國(guó)務(wù)院常務(wù)會(huì)議決定進(jìn)一步推進(jìn)信貸資產(chǎn)證券化，以改革創(chuàng)新盤(pán)活存量資金，新增5000億元人民幣信貸資產(chǎn)證券化試點(diǎn)規(guī)模。中國(guó)資產(chǎn)證券化市場(chǎng)今年可能還會(huì)有飛躍式成長(zhǎng)。此外，時(shí)任農(nóng)行董事長(zhǎng)劉士余在今年全國(guó)兩會(huì)期間表示，信貸資產(chǎn)證券化是化解中國(guó)銀行業(yè)不良?jí)毫徒鹑陲L(fēng)險(xiǎn)的有效手法，故此值得推廣。

盡管如此，中國(guó)信貸資產(chǎn)證券化市場(chǎng)仍然處于起步階段，產(chǎn)品的定價(jià)方法依然在摸索與實(shí)踐中，還沒(méi)有形成一套被廣泛認(rèn)可、適合我國(guó)市場(chǎng)的定價(jià)方法。由于中國(guó)信貸資產(chǎn)證券化業(yè)務(wù)經(jīng)驗(yàn)較少，提前償付數(shù)據(jù)及違約數(shù)據(jù)等歷史數(shù)據(jù)不完善，加上利率尚未完全實(shí)現(xiàn)市場(chǎng)化等，導(dǎo)致期權(quán)調(diào)整利差定價(jià)模型在我國(guó)難以適用。目前，我國(guó)信貸資產(chǎn)證券化產(chǎn)品大部分直接采用包含期權(quán)補(bǔ)償?shù)撵o態(tài)利差進(jìn)行定價(jià)，即采用一年定存利率加上一個(gè)固定利差的定價(jià)方法。

中國(guó)可透過(guò)以下三種方法改善中國(guó)信貸資產(chǎn)證券化產(chǎn)品的定價(jià)機(jī)制。

第一，中國(guó)可改善發(fā)展貸款信息數(shù)據(jù)庫(kù)去完善市場(chǎng)的定價(jià)基礎(chǔ)。根據(jù)研究經(jīng)驗(yàn)，信貸資產(chǎn)證券化產(chǎn)品的定價(jià)有賴(lài)于大量信貸基礎(chǔ)數(shù)據(jù)及相關(guān)信用信息的支撐。中國(guó)需要建立一個(gè)龐大的貸款信息數(shù)據(jù)庫(kù)，形成對(duì)貸款早償、違約情況等貸款償付行為數(shù)據(jù)的積累，并以此來(lái)分析貸款的提前償付率、違約率等情況，才能對(duì)信貸資產(chǎn)證券化產(chǎn)品進(jìn)行合理定價(jià)。中國(guó)至目前為止其實(shí)已有一些貸款信息數(shù)據(jù)庫(kù)，例如中國(guó)人民銀行征信中心，建議它可和行業(yè)協(xié)會(huì)、金融機(jī)構(gòu)加強(qiáng)合作，建立完整有效的抵押貸款信息數(shù)據(jù)庫(kù)，完善市場(chǎng)定價(jià)基礎(chǔ)。

第二，中國(guó)監(jiān)管機(jī)構(gòu)可進(jìn)一步規(guī)范和引導(dǎo)發(fā)行人和市場(chǎng)定價(jià)行為。中國(guó)證監(jiān)會(huì)可進(jìn)一步規(guī)范、引導(dǎo)發(fā)行人和市場(chǎng)定價(jià)行為，使他們?cè)谶M(jìn)行定價(jià)時(shí)從產(chǎn)品現(xiàn)金流出發(fā)，考慮合理的早償假設(shè)、市場(chǎng)特殊環(huán)境、違約風(fēng)險(xiǎn)、流動(dòng)性問(wèn)題和回收假設(shè)，并應(yīng)用更多有效的數(shù)學(xué)模型，使產(chǎn)品定價(jià)反映出MBS產(chǎn)品的真實(shí)價(jià)值。

第三，中國(guó)可加強(qiáng)人才方面的培訓(xùn)。中國(guó)可培育更多熟悉國(guó)際及國(guó)內(nèi)定價(jià)環(huán)境的人才，使金融機(jī)構(gòu)有足夠的人才去按照市場(chǎng)和監(jiān)管需求進(jìn)行合理的產(chǎn)品設(shè)計(jì)和定價(jià)。同時(shí)，這也能使監(jiān)管機(jī)構(gòu)有足夠的人才去規(guī)范和審查市場(chǎng)的定價(jià)行為。

結(jié)語(yǔ)

隨著中國(guó)證券化市場(chǎng)的規(guī)模和影響力愈來(lái)愈大，有效的證券化產(chǎn)品定價(jià)機(jī)制是避免金融危機(jī)的重要基礎(chǔ)。改善發(fā)展貸款信息數(shù)據(jù)庫(kù)、進(jìn)一步規(guī)范和引導(dǎo)發(fā)行人及市場(chǎng)定價(jià)行為和加強(qiáng)人才方面的培訓(xùn)等都是完善中國(guó)證券化產(chǎn)品定價(jià)機(jī)制的可行方案。

作者介紹

亞洲金融風(fēng)險(xiǎn)智庫(kù) （Asia Financial Risk Think Tank） 是一支由專(zhuān)家牽頭非盈利性智庫(kù)組織，智庫(kù)自2011年成立，一直關(guān)注當(dāng)下熱議的金融話(huà)題，為關(guān)鍵人士提供風(fēng)險(xiǎn)管理意見(jiàn)。

篇2

[關(guān)鍵詞]會(huì)展社會(huì)影響；尺度；廣交會(huì)；因子分析

[中圖分類(lèi)號(hào)]F59

[文獻(xiàn)標(biāo)識(shí)碼]A

[文章編號(hào)]1002－5006(2010)09－0077－06

一、前言

國(guó)外研究顯示，研究當(dāng)?shù)鼐用竦穆糜斡绊懜兄?，?duì)于減少主客雙方的摩擦、幫助政府理解社會(huì)影響及獲得居民支持等方面具有重要意義。但是，在關(guān)注測(cè)量居民的旅游業(yè)態(tài)度的文獻(xiàn)中，缺乏一致的方法和標(biāo)準(zhǔn)化的工具是非常明顯的。最近幾年來(lái)，國(guó)內(nèi)已有一些研究致力于構(gòu)建旅游影響評(píng)價(jià)尺度，但是，通過(guò)文獻(xiàn)檢索，尚未發(fā)現(xiàn)針對(duì)會(huì)展活動(dòng)的影響評(píng)價(jià)尺度研究。

本文的主要研究目的是構(gòu)建一個(gè)會(huì)展社會(huì)影響尺度(Social Impacts Scale 0f Convention，SISC)，為測(cè)量居民的會(huì)展社會(huì)影響感知提供可操作化的工具。

二、尺度構(gòu)建的方法

會(huì)展影響評(píng)價(jià)尺度的開(kāi)發(fā)主要按照丘吉爾(Churchill)推薦的標(biāo)準(zhǔn)化調(diào)查工具的開(kāi)發(fā)程序進(jìn)行，并借鑒了蘭克福特(Lankford)和霍華德(Howard)、愛(ài)普(Ap)和克萊普頓(Crompton)、德拉米爾等(Delamere，et al.)、斯莫等(Small，et al.)、盧小麗和肖貴蓉、以及張文和何桂培的尺度構(gòu)建程序，總結(jié)歸納如圖1。

從圖1可以看出，會(huì)展社會(huì)影響尺度的構(gòu)建程序大體上可以分為三大階段六個(gè)步驟。

第一階段：初始項(xiàng)目庫(kù)的編寫(xiě)，即第一步。初始項(xiàng)目庫(kù)的編寫(xiě)在國(guó)外已經(jīng)形成了比較固定和成熟的模式，即以文獻(xiàn)綜述為主，結(jié)合對(duì)專(zhuān)家、居民及相關(guān)政府官員的訪(fǎng)談，運(yùn)用德?tīng)柗品ǖ榷ㄐ匝芯糠椒▉?lái)逐步縮減、整理項(xiàng)目。

第二階段：項(xiàng)目精簡(jiǎn)，包括第二步和第三步。項(xiàng)目精簡(jiǎn)主要是以預(yù)試樣本和正式調(diào)查樣本為參照，通過(guò)信度檢驗(yàn)、因子分析等計(jì)量方法來(lái)精簡(jiǎn)項(xiàng)目。

第三階段：尺度驗(yàn)證，包括第四步至第六步。這個(gè)階段是通過(guò)正式調(diào)查來(lái)驗(yàn)證會(huì)展社會(huì)影響尺度的信度和效度。

三、會(huì)展社會(huì)影響尺度開(kāi)發(fā)的過(guò)程

(一)編寫(xiě)初始項(xiàng)目庫(kù)

1　會(huì)展社會(huì)影響項(xiàng)目的編寫(xiě)

(1)尺度項(xiàng)目的編寫(xiě)

尺度開(kāi)發(fā)的第一步就是構(gòu)建一個(gè)初始調(diào)查項(xiàng)目庫(kù)。編寫(xiě)初始項(xiàng)目庫(kù)的程序主要有：首先，檢索已發(fā)表的會(huì)展影響、節(jié)事影響和旅游影響研究文獻(xiàn)，作為調(diào)查項(xiàng)目的來(lái)源。其次，為使初始項(xiàng)目庫(kù)貼近實(shí)際、更加完善，對(duì)15名廣州居民進(jìn)行了深度訪(fǎng)談以補(bǔ)充所收集的項(xiàng)目。訪(fǎng)談樣本包括普通的廣州居民、會(huì)展從業(yè)者、政府官員等。每次訪(fǎng)談持續(xù)大約30至60分鐘。對(duì)訪(fǎng)談內(nèi)容進(jìn)行現(xiàn)場(chǎng)記錄，事后再對(duì)內(nèi)容進(jìn)行整理和分析。通過(guò)文獻(xiàn)回顧和深度訪(fǎng)談共產(chǎn)生了包含120個(gè)項(xiàng)目的會(huì)展社會(huì)影響的初始項(xiàng)目庫(kù)。

(2)專(zhuān)家小組評(píng)估

在初始項(xiàng)目庫(kù)編寫(xiě)完成之后，專(zhuān)家小組對(duì)項(xiàng)目?jī)?nèi)容進(jìn)行了定性評(píng)估。專(zhuān)家小組由7名在旅游和會(huì)展影響領(lǐng)域有學(xué)術(shù)或?qū)I(yè)背景的專(zhuān)家組成，其中5名專(zhuān)家來(lái)自廣西大學(xué)商學(xué)院，1名專(zhuān)家來(lái)自加拿大馬拉斯賓那大學(xué)，1名專(zhuān)家來(lái)自澳門(mén)旅游學(xué)院。這個(gè)小組評(píng)述了這些項(xiàng)目的內(nèi)容效度――即測(cè)驗(yàn)題目對(duì)有關(guān)內(nèi)容或行為范圍取樣的適當(dāng)性。小組成員還評(píng)述了每個(gè)項(xiàng)目的清晰度、可讀性和內(nèi)容。這些是為了確保每個(gè)項(xiàng)目都是清楚、簡(jiǎn)潔和準(zhǔn)確的。

遵循這一程序，項(xiàng)目數(shù)量被減少到82個(gè)。此外，邀請(qǐng)了專(zhuān)家小組中的5名專(zhuān)家(來(lái)自廣西大學(xué)商學(xué)院)運(yùn)用德?tīng)柗品ㄟM(jìn)一步對(duì)項(xiàng)目庫(kù)進(jìn)行了精簡(jiǎn)。

經(jīng)過(guò)規(guī)范化的步驟之后，共有43個(gè)項(xiàng)目保留在會(huì)展社會(huì)影響評(píng)價(jià)尺度中。該尺度主要用5分制李克特量表來(lái)表示。該問(wèn)卷用了43個(gè)問(wèn)題或陳述測(cè)量受訪(fǎng)者同意或不同意各種陳述的程度(強(qiáng)烈同意=5；同意=4；中立=3；不同意=2，強(qiáng)烈不同意=1)，而這些陳述用來(lái)評(píng)估廣州居民對(duì)廣交會(huì)社會(huì)影響的感知。

2　影響變量的編寫(xiě)

通過(guò)文獻(xiàn)綜述挑選出一些獨(dú)立變量，它們是：性別、年齡、職業(yè)、文化程度、月收入、居住年限、居住地與會(huì)展目的地的距離、是否在會(huì)展業(yè)或旅游業(yè)工作、與參展者的接觸等。關(guān)于影響變量與居民會(huì)展社會(huì)影響感知的關(guān)系，將有專(zhuān)文論述。

(二)項(xiàng)目簡(jiǎn)化

1　預(yù)試問(wèn)卷

問(wèn)卷初稿設(shè)計(jì)完成后，還應(yīng)進(jìn)行實(shí)地調(diào)查，因?yàn)樾〗M討論和深入訪(fǎng)談并不能涵蓋問(wèn)卷設(shè)計(jì)的所有層面。

預(yù)試問(wèn)卷包括3個(gè)部分43個(gè)項(xiàng)目：第一部分是廣交會(huì)對(duì)居民的社會(huì)影響感知(個(gè)人視角)，包括22個(gè)項(xiàng)目，其中積極影響16項(xiàng)，消極影響6項(xiàng)；第二部分是廣交會(huì)對(duì)廣州的社會(huì)影響感知(社區(qū)視角)，包括20個(gè)項(xiàng)目，其中積極影響7項(xiàng)，消極影響13項(xiàng)；第三部分是對(duì)受訪(fǎng)者的社會(huì)人口統(tǒng)計(jì)學(xué)變量的測(cè)量。除了第三部分外，其他部分均用李克特5分量表形式表現(xiàn)(強(qiáng)烈同意=5；同意=4；中立=3；不同意=2，強(qiáng)烈不同意=1)。

2　預(yù)試樣本

預(yù)試樣本選自廣東外語(yǔ)藝術(shù)職業(yè)學(xué)院國(guó)際貿(mào)易等專(zhuān)業(yè)的學(xué)生，這些學(xué)生被選中的原因是他們參加過(guò)廣交會(huì)的實(shí)習(xí)，并且在廣州居住了兩年以上。因此，他們對(duì)廣交會(huì)有一定認(rèn)識(shí)，并且可能在一定程度上代表廣州居民。2008年12月在該校發(fā)放了250份問(wèn)卷，回收了240份，有效問(wèn)卷212份，有效回收率為84.8％。

3　預(yù)試結(jié)果

(1)信度分析

收集了原始數(shù)據(jù)之后，利用克朗巴哈α系數(shù)評(píng)價(jià)尺度項(xiàng)目的內(nèi)部一致性。一條經(jīng)常使用的經(jīng)驗(yàn)法則是：.系數(shù)大于0.75。對(duì)于可接受的α系數(shù)的其他估計(jì)從0.50到0.60和0.70之間變動(dòng)。由于尺度由大量項(xiàng)目構(gòu)成，因而采用了0.70的經(jīng)驗(yàn)法則。運(yùn)用SPSS 15.0統(tǒng)計(jì)分析軟件對(duì)預(yù)試數(shù)據(jù)進(jìn)行了信度分析，結(jié)果顯示克朗巴哈α系數(shù)(43個(gè)項(xiàng)目)為0.837，這表明尺度是可信的。

與計(jì)算尺度項(xiàng)目的克朗巴哈α系數(shù)緊密相關(guān)的是計(jì)算每個(gè)項(xiàng)目一改進(jìn)后的項(xiàng)目一總體相關(guān)系數(shù)。與α系數(shù)一樣，項(xiàng)目一總體相關(guān)系數(shù)的經(jīng)驗(yàn)法則也有很多，最普遍的法則是：項(xiàng)目一總體相關(guān)系數(shù)低于0.5的項(xiàng)目被刪除，以及如果刪除某項(xiàng)目后是否增加相應(yīng)的α值。然而，有些研究者偏向于更保守的方法，即在評(píng)估尺度項(xiàng)目時(shí)選擇更低水平的項(xiàng)目一總體相關(guān)系數(shù)。例如，有研究將相關(guān)系數(shù)的標(biāo)準(zhǔn)確定為0.3，更有學(xué)者鼓吹在不低于0.15的相關(guān)系數(shù)上“重組”項(xiàng)目

考慮到預(yù)試樣本可能存在的局限性及尺度編制的嚴(yán)謹(jǐn)性，決定把那些項(xiàng)目一總體相關(guān)系數(shù)低于0.30的項(xiàng)目 刪除。在預(yù)試中的43個(gè)項(xiàng)目中，有16個(gè)項(xiàng)目的項(xiàng)目一總體相關(guān)系數(shù)得分在0.30以下，因而被刪除。

(2)預(yù)試樣本的探索性因子分析

在進(jìn)行了信度檢驗(yàn)之后，對(duì)保留下來(lái)的27個(gè)項(xiàng)目執(zhí)行了探索性因子分析，試圖識(shí)別會(huì)展社會(huì)影響尺度的維度。KMO檢驗(yàn)值為0.848，該值等于或大 于0.6是適合進(jìn)行因子分析的條件。使用方差最大正交旋轉(zhuǎn)法來(lái)提取主成分，并結(jié)合主成分碎石圖來(lái)幫助判斷提取主成分?jǐn)?shù)量。

從主成分碎石圖的每個(gè)點(diǎn)可以看出：“平坡”和“陡坡”之間的斷點(diǎn)起著分界的作用，從斷點(diǎn)開(kāi)始的左邊各個(gè)“陡點(diǎn)”是有決定意義的主成分，即公共因子，所以表明提取4個(gè)公共因子是適合數(shù)據(jù)的。這4個(gè)公共因子解釋了數(shù)據(jù)中58.423％的方差。

公共因子1包括“A6～A9，A11～A16”10個(gè)項(xiàng)目，被識(shí)別為“個(gè)人收益”，其方差貢獻(xiàn)率為17.598％，說(shuō)明公共因子1即個(gè)人收益可以解釋樣本中居民的會(huì)展社會(huì)影響感知中的17.598％的方差，這是解釋力最強(qiáng)的公共因子；公共因子2包括“A18、A19、A20、B8、B9、B10、B13、B20”8個(gè)項(xiàng)目，按照設(shè)計(jì)量表時(shí)的預(yù)設(shè)，B8、B9、B10、B13和B20是社區(qū)成本，但是經(jīng)過(guò)與預(yù)試受訪(fǎng)者的交流，大多數(shù)受訪(fǎng)者認(rèn)為個(gè)人成本與社區(qū)成本很難區(qū)分開(kāi)來(lái)，實(shí)際上看起來(lái)是社區(qū)成本的項(xiàng)目，但是最終仍是由單個(gè)個(gè)體來(lái)承擔(dān)。關(guān)于成本維度的區(qū)分，留待正式樣本中進(jìn)一步證實(shí)。在預(yù)試階段暫時(shí)將公共因子2解釋為“個(gè)人成本”維度，其方差貢獻(xiàn)率為16.112％，排在第二位，說(shuō)明該因子所含信息量也較大；公共因子3包括“B15、B16、B18、B19”4個(gè)項(xiàng)目，命名為“社區(qū)成本”，其方差貢獻(xiàn)率為12，500％；公共因子4包括“B1、B2、B3、B5、B7”這5個(gè)項(xiàng)目，是“社區(qū)收益”，這5個(gè)項(xiàng)目的方差貢獻(xiàn)率為12.214％。

(3)對(duì)預(yù)試問(wèn)卷的修訂

盡管德拉米爾等人在他們的研究中提出，為了謹(jǐn)慎起見(jiàn)，寧愿保留或修改尺度項(xiàng)目，而不是直接刪除這些項(xiàng)目。但是，考慮到這16個(gè)項(xiàng)目在意義表達(dá)上未能較好反映居民的會(huì)展社會(huì)影響感知，從字面上進(jìn)行重述的意義不大；況且刪除后的整體克朗巴哈系數(shù)將大幅度提高(刪除前α值為0.837，刪除后α值為0.876)，即刪除這16個(gè)項(xiàng)目后，能明顯地提高評(píng)價(jià)尺度的信度；另外，在預(yù)試過(guò)程中注意到，項(xiàng)目過(guò)多可能降低受訪(fǎng)者的填寫(xiě)意愿和配合程度。因此，在該階段決定直接刪除這16個(gè)項(xiàng)目。

結(jié)合預(yù)試樣本的數(shù)據(jù)分析結(jié)果和預(yù)試受訪(fǎng)者的反饋意見(jiàn)，對(duì)保留的27個(gè)項(xiàng)目構(gòu)成的問(wèn)卷進(jìn)行了如下調(diào)整：第一，把每個(gè)項(xiàng)目陳述中“廣交會(huì)”字眼省略。第二，將兩個(gè)表格合并為一個(gè)表格，按照先易后難的順序進(jìn)行排列。第三，對(duì)個(gè)別項(xiàng)目進(jìn)行了更加口語(yǔ)化的調(diào)整。如“廣交會(huì)過(guò)度使用了社區(qū)的人力資源”和“廣交會(huì)過(guò)度使用了社區(qū)的財(cái)政資源”，改寫(xiě)為“過(guò)度使用了社區(qū)的人力”和“過(guò)度使用了社區(qū)的財(cái)力”。

經(jīng)過(guò)調(diào)整之后，正式調(diào)查中有27個(gè)項(xiàng)目測(cè)量居民的會(huì)展社會(huì)影響感知，這27個(gè)項(xiàng)目構(gòu)成了用于正式調(diào)查的會(huì)展社會(huì)影響尺度。

三、尺度驗(yàn)證

(一)正式調(diào)查的基本情況

1　正式調(diào)查的問(wèn)卷

正式調(diào)查的問(wèn)卷包括兩個(gè)部分。第一部分是27個(gè)測(cè)量項(xiàng)目：X1－使廣州居民的生活質(zhì)量提高了，X2－使參展者和廣州居民的關(guān)系更融洽，船一使廣州居民的娛樂(lè)機(jī)會(huì)增多了，X4－使居民增強(qiáng)了作為廣州人的自豪感，x5－使廣州居民更加珍視自己的生活方式，X6－促進(jìn)了廣州居民與參展者的文化交流，X7－提升了廣州居民的環(huán)保意識(shí)，X8－提高了廣州居民的普通話(huà)和英語(yǔ)水平，X9－使廣州居民的文明程度和好客度增加，X10－提升廣州居民之間的凝聚力，X11－使廣州的市容更漂亮了，X12－使廣州的公共設(shè)施維護(hù)得更好了，X13－提升了廣州的國(guó)際化大都市形象，X14－使廣州居民所在的社區(qū)更加團(tuán)結(jié)，X15－提高了廣州的公共防護(hù)能力(如消防、防盜)，X16－展館附近地區(qū)的交通更擁堵了，X17－使酗酒、故意破壞等不良行為增加了，X18－使展館附近的噪音和垃圾增加了，X19－使廣州房?jī)r(jià)和租賃成本上漲，X20－使廣州的商品和服務(wù)價(jià)格上漲了，X21－使廣州傳統(tǒng)生活方式和民風(fēng)民俗發(fā)生改變，X22－降低了人與人之間的相互信任，X23－廣州居民的停車(chē)問(wèn)題更突出了，X24－使廣州的社會(huì)道德水準(zhǔn)下降，X25－使廣州的社會(huì)治安狀況有惡化的趨勢(shì)，X26－過(guò)度使用了社區(qū)的人力，X27－過(guò)度使用了社區(qū)的財(cái)力；第二部分是受訪(fǎng)者的背景信息，包括11個(gè)問(wèn)題。

2　樣本獲取及背景資料

為了進(jìn)一步精簡(jiǎn)并驗(yàn)證會(huì)展社會(huì)影響尺度，調(diào)整后的測(cè)量項(xiàng)目以李克特5分量表形式組織起來(lái)，于2008年12月至2009年2月間提交給1000名隨機(jī)挑選的廣州居民。共計(jì)回收問(wèn)卷811份，回收率為81.1％(n=811)，其中有效問(wèn)卷733份。根據(jù)巴比的標(biāo)準(zhǔn)，70％回收率是非常好的。90.4％的受訪(fǎng)者年齡介于20～45歲之間，女性占到樣本總?cè)藬?shù)的49.7％，91.3％的受訪(fǎng)者的文化程度在高中以上，在企事業(yè)單位謀職的受訪(fǎng)者占樣本總?cè)藬?shù)的60.9％，超過(guò)半數(shù)的受訪(fǎng)者月均實(shí)際收入在2000～5000元之間。另外，居住或工作地點(diǎn)在海珠區(qū)的廣州居民有157人，天河區(qū)217人，越秀區(qū)173人，分別占樣本總?cè)藬?shù)的21.4％、29.6％和23.6％。在廣州居住5年以上的居民占樣本總?cè)藬?shù)的61.5％，距離廣交會(huì)琶洲展館車(chē)程在40分鐘以下的居民占樣本總?cè)藬?shù)的65.7％，直接為廣交會(huì)工作的廣州居民占樣本總?cè)藬?shù)的19.0％，在會(huì)展業(yè)或旅游業(yè)工作的廣州居民占樣本總?cè)藬?shù)的21.9％。

需要說(shuō)明的是，在問(wèn)卷中填寫(xiě)居住年限小于1(例如0.5或半年)的樣本均被剔除。

3　描述性統(tǒng)計(jì)分析

27個(gè)項(xiàng)目的均值得分范圍是2.9603～3.8145。X13得分最高(均值為3.8145)，表明樣本中廣州居民比較認(rèn)同廣交會(huì)提升了廣州的國(guó)際化大都市形象，其次得分較高的是x11(均值為3.7299)，表明居民認(rèn)同廣交會(huì)使得廣州的市容更漂亮了。同時(shí)，X20、X18等項(xiàng)目的得分也較高(均值分別為3.7203和3，7240)，這表達(dá)了廣州居民感知到商品價(jià)格上漲及噪音和垃圾增加等成本。另外，項(xiàng)目X24、X25、X26、X27的均值比較低(分別為2.9603、3.0605、3.0587和3.1421)，這意味著樣本中的廣州居民對(duì)于廣交會(huì)使得“廣州的社會(huì)道德標(biāo)準(zhǔn)下降”、“社會(huì)治安狀況惡化”、“過(guò)度使用了社區(qū)人力”和“過(guò)度使用了社區(qū)財(cái)力”等社區(qū)成本方面保持了中立態(tài)度。

正式調(diào)查樣本中絕大多數(shù)變量的偏度和峰度系數(shù)小于0，說(shuō)明樣本總體上呈左偏分布和尖峰分布。

(二)尺度檢驗(yàn)與精簡(jiǎn)

1　信度檢驗(yàn)

與預(yù)試樣本一樣，用克朗巴哈α系數(shù)來(lái)測(cè)量尺度的內(nèi)部一致性。正式樣本的克朗巴哈α系數(shù)為0.841，說(shuō)明尺度具有良好的信度。

由于正式樣本規(guī)模遠(yuǎn)大于預(yù)試樣本，因此刪除某個(gè)項(xiàng)目的標(biāo)準(zhǔn)是其改進(jìn)后項(xiàng)目一總體相關(guān)系數(shù)低于0.40。正式調(diào)查樣本27個(gè)項(xiàng)目中的18個(gè)項(xiàng)目的改進(jìn)后項(xiàng)目一總體相關(guān)系數(shù)小于0.40。為了慎重起見(jiàn)，通過(guò)觀(guān)察刪除這些項(xiàng)目后的克朗巴哈α系 數(shù)來(lái)決定是否直接刪除。SPSS內(nèi)部一致性信度檢驗(yàn)結(jié)果顯示，在刪除了18個(gè)項(xiàng)目后，克朗巴哈α系數(shù)顯著上升，達(dá)到0.874。

這表明：27個(gè)項(xiàng)目組成的尺度信度盡管達(dá)到標(biāo)準(zhǔn)(本研究采用的標(biāo)準(zhǔn)為0.70)，但是一些測(cè)量項(xiàng)目中可能存在較高的相關(guān)性，或者可能在語(yǔ)義上相互包容，并且刪除后導(dǎo)致α系數(shù)顯著上升。因此，決定刪除未達(dá)標(biāo)的18個(gè)項(xiàng)目。

2　探索性因子分析

對(duì)正式調(diào)查樣本進(jìn)行探索性因子分析，以驗(yàn)證會(huì)展社會(huì)影響尺度的結(jié)構(gòu)效度。通過(guò)SPSS統(tǒng)計(jì)軟件執(zhí)行了與預(yù)試樣本中基本相似的操作步驟，結(jié)果如下：

KMO檢驗(yàn)結(jié)果為0.744，表明正式樣本數(shù)據(jù)適合進(jìn)行因子分析。

變量共同度表顯示變量的即“促進(jìn)廣州居民與參展者的文化交流”的共同度為0.595，即提取的公共因子對(duì)X6的方差做出了59.5％的貢獻(xiàn)。同樣，提取的公共因子對(duì)X8(即“提高了廣州居民的普通話(huà)和英語(yǔ)水平”)的方差做出了74.9％的貢獻(xiàn)。以此類(lèi)推。

表1是主成分列表。從表中可見(jiàn)，第一主成分特征值為3.455，方差貢獻(xiàn)率為38.391％。前3個(gè)主成分的累計(jì)貢獻(xiàn)率為76.493％。

圖2是碎石圖，就是按照特征值大小排列的主成分散點(diǎn)圖。從圖中可見(jiàn)，前3個(gè)主成分的特征值都在1以上，因此提取3個(gè)主成分是合適的。

根據(jù)經(jīng)過(guò)正交旋轉(zhuǎn)后的因子載荷矩陣，可以給出旋轉(zhuǎn)后的各變量的因子表達(dá)式：X12=0.912F'，X11=0.906F'，X13=0.888F'X18=0.921F2'，X19=0.870F2'，X17=0.856F2'X8=0.855F3'，X6=0.759F3'，X9=0.758F3'

因子命名是探索性因子分析中的一個(gè)關(guān)鍵步驟。塔巴克尼卡和菲德?tīng)?Tabachnica＆Fidell)提出了下列標(biāo)準(zhǔn)：當(dāng)因子載荷大于0.71，也就是該因子可以解釋觀(guān)察變量50％的方差時(shí)，是非常理想的狀況；當(dāng)載荷大于0.63，也就是該因子可以解釋觀(guān)察變量40％的方差時(shí)，是非常好的狀況；但是，如果載荷小于0.32，也就是該因子解釋不到10％的觀(guān)察變量方差時(shí)，是非常不理想的狀況。旋轉(zhuǎn)后的因子載荷均大于0.71，即可以解釋觀(guān)察變量50％以上的方差時(shí)，是非常理想的狀況。

經(jīng)過(guò)正交旋轉(zhuǎn)后，9個(gè)項(xiàng)目形成了3個(gè)主成分或公共因子。公共因子1包括“X11、X12、X13”3個(gè)項(xiàng)目，它們的因子載荷分別是0.906、0.912和0.888，被識(shí)別為“社區(qū)收益”，其方差貢獻(xiàn)率為38.391％，說(shuō)明公共因子1即社區(qū)收益可以解釋樣本中居民的會(huì)展社會(huì)影響感知中的38，391％的方差，這是3個(gè)公共因子中解釋力最強(qiáng)的公共因子；公共因子2包括“X17、X18、X19”3個(gè)項(xiàng)目，它們的因子載荷分別是0.856、0.921和0.870，解釋為“成本感知”維度，其方差貢獻(xiàn)率為22.112％，排在第二位，說(shuō)明該因子所含信息量也較大；公共因子3包括“X6、X8、X9”3個(gè)項(xiàng)目，因子載荷分別是0.759、0.855和0.758，命名為“個(gè)人收益”，其方差貢獻(xiàn)率為15.990％。包括9個(gè)項(xiàng)目的會(huì)展社會(huì)影響尺度的α系數(shù)為0.744。從方差貢獻(xiàn)率和克朗巴哈a系數(shù)可以看出，由9個(gè)項(xiàng)目構(gòu)成的會(huì)展社會(huì)影響尺度具備較好的結(jié)構(gòu)效度和內(nèi)在一致性。

表2是因子得分系數(shù)矩陣。從表中可以得到因子得分表達(dá)式，如下所示：

F1'=-0.089X6-0.072X8-0.045X9+0.389X11+0.387X12+…-0.073X19

F2'=0.024X6-0.026X8-0.032X9-0.056X11-0.051X12-…+0.382X19

F3'=0.418X6+0.467X8+0.409X9-0.061X11-0.052X12-…+0.008X19

四、結(jié)論與討論

篇3

關(guān)鍵詞：LM-BP網(wǎng)絡(luò)；糧食產(chǎn)量；預(yù)測(cè)

中圖分類(lèi)號(hào)：S11+4；TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2012）23-5479-03

Forecasting Corn Production Based on LM-BP Neural Network

GUO Qing-chun1，3，4，HE Zhen-fang2，4，LI Li3

（1. Teaching Affairs Office， Shaanxi Radio & TV University， Xi’an 710068， China； 2. Cold and Arid Regions Environmental and Engineering Research Institute， Chinese Academy of Sciences， Lanzhou 730000， China； 3. Institute of Earth Environment Research， Chinese Academy of Sciences， Xi’an 710075， China； 4. Graduate University， Chinese Academy of Sciences， Beijing 100049， China）

Abstract： A corn production porecasting method based on improved LM-BP was proposed. According to measurement and agricultural significance principle， 9 factors of grain-sown area， fertilizer input， effective grain irrigated area， stricken area， rural electricity consumption， total agriculture mechanism power， the population engaged in agriculture， rural residents family productive assets， the average net income of rural households were extracted as the network input； corn production was extracted as the network output. The LM algorithm could minimize the error， and the modeling results were evaluated with the correlation coefficients， relative error， etc. For training sample set， the correlation coefficient between the simulated value and the actual value was 0.996， the average relative error was 0.47%； for testing sample set， the correlation coefficient between the forecasted value and the actual value was 0.994， the average relative error was 0.56%. The results showed that the improved LM-BP model could improve simulation precision and stability of the model. This method is effective and feasible for corn production prediction.

Key words： LM-BP network； corn production； forecast

糧食產(chǎn)量預(yù)測(cè)是復(fù)雜的農(nóng)學(xué)和統(tǒng)計(jì)學(xué)問(wèn)題，受自然環(huán)境、政策、資源投入等多因素的影響。國(guó)內(nèi)外的相關(guān)研究中，不少學(xué)者構(gòu)建了許多很有價(jià)值的理論假說(shuō)和預(yù)測(cè)模型，主要有4類(lèi)：投入產(chǎn)出模型、遙感技術(shù)預(yù)測(cè)模型、氣候生產(chǎn)力模型及多元回歸和因子分析模型，這些模型從不同角度對(duì)糧食產(chǎn)量預(yù)測(cè)進(jìn)行了研究[1，2]。但這些模型多數(shù)采用傳統(tǒng)的統(tǒng)計(jì)預(yù)測(cè)技術(shù)，如時(shí)間序列統(tǒng)計(jì)模型、定性與推斷技術(shù)、因果關(guān)系方法。而糧食產(chǎn)量是受不確定性因素影響的，是一個(gè)復(fù)雜的非線(xiàn)性系統(tǒng)。

人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的處理大規(guī)模復(fù)雜非線(xiàn)性系統(tǒng)的能力。近年來(lái)，許多學(xué)者已將人工神經(jīng)網(wǎng)絡(luò)成功地應(yīng)用于實(shí)際問(wèn)題的預(yù)測(cè)中，取得了令人滿(mǎn)意的結(jié)果[3-12]。為此，采用改進(jìn)算法的神經(jīng)網(wǎng)絡(luò)建立了糧食產(chǎn)量預(yù)測(cè)系統(tǒng)，結(jié)果表明，基于改進(jìn)算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有良好的預(yù)測(cè)精度、訓(xùn)練時(shí)間短、收斂速度快等特點(diǎn)。

1 仿真試驗(yàn)數(shù)據(jù)

1.1 預(yù)測(cè)因子的選擇

根據(jù)能夠計(jì)量及具有農(nóng)學(xué)意義的原則，結(jié)合農(nóng)業(yè)專(zhuān)家的意見(jiàn)，通過(guò)前期大量的影響因子分析[13-15]，選取1994-2009年的糧食總產(chǎn)量為輸出因子，初步選取糧食作物播種面積、化肥施用量、糧食作物有效灌溉面積、受災(zāi)面積、農(nóng)村用電量、農(nóng)業(yè)機(jī)械總動(dòng)力、從事農(nóng)業(yè)的人口、農(nóng)村居民家庭生產(chǎn)性固定資產(chǎn)原值、農(nóng)村居民家庭平均純收入9個(gè)因子作為輸入因子構(gòu)筑模型，原始數(shù)據(jù)來(lái)源于2010年《中國(guó)統(tǒng)計(jì)年鑒》。

1.2 網(wǎng)絡(luò)輸入的初始化

為了消除不同因子之間由于量綱和數(shù)值大小的差異而造成的誤差，以及由于輸入數(shù)值過(guò)大造成溢出，首先需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即把輸入數(shù)據(jù)轉(zhuǎn)化為[0，1]或[-1，1]的數(shù)。通過(guò)公式y(tǒng)=（x-min（x））/（max（x）-min（x））對(duì)糧食產(chǎn)量進(jìn)行處理，得到了符合網(wǎng)絡(luò)要求的數(shù)據(jù)。減少了識(shí)別數(shù)據(jù)的動(dòng)態(tài)范圍，使預(yù)測(cè)成功的可能性得以提高。然后將數(shù)據(jù)分成兩部分：網(wǎng)絡(luò)的訓(xùn)練樣本集（前11年的數(shù)據(jù)）和檢測(cè)樣本集（后5年的數(shù)據(jù)）。

2 預(yù)測(cè)仿真模型的建立

BP網(wǎng)絡(luò)是誤差反向傳播（Back Propagation）人工神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)稱(chēng)，是目前計(jì)算方法比較成熟、應(yīng)用比較廣泛、效果比較好、模擬生態(tài)經(jīng)濟(jì)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，但傳統(tǒng)BP網(wǎng)絡(luò)存在學(xué)習(xí)過(guò)程收斂慢，局部極小、魯棒性不好、網(wǎng)絡(luò)性能差等缺點(diǎn)。為了改進(jìn)算法，引入Levenberg-Marquardt優(yōu)化算法，其基本思路是使其每次迭代不再沿著單一的負(fù)梯度方向，而是允許誤差沿著惡化的方向進(jìn)行搜索，同時(shí)通過(guò)在最速梯度下降法和高斯-牛頓法之間自適應(yīng)調(diào)整來(lái)優(yōu)化網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)能夠有效收斂，大大提高網(wǎng)絡(luò)的收斂速度和泛化能力，它能夠降低網(wǎng)絡(luò)對(duì)誤差曲面局部細(xì)節(jié)的敏感性，有效抑制網(wǎng)絡(luò)陷入局部極小。

Levenberg-Marquardt算法實(shí)際上是梯度下降法和擬牛頓法的結(jié)合，該算法期望在不計(jì)算Hessian矩陣的情況下獲得高階的訓(xùn)練速度，其公式表達(dá)為XK+1=XK-[JTJ+μI]-1JTe，其中，JT為雅克比矩陣，e是網(wǎng)絡(luò)誤差向量。如果μ=0的話(huà)，就變成采用近似Hessian矩陣的擬牛頓法；如果μ很大，即成為小步長(zhǎng)的梯度下降法，由于牛頓法在誤差極小點(diǎn)附近通常能夠收斂得更快更準(zhǔn)確，因此算法的目的就是盡快轉(zhuǎn)換為牛頓法。如果某次迭代成功，誤差性能函數(shù)減小，那么就減小μ值，而如果迭代失敗，就增加μ值。如此可以使得誤差性能函數(shù)隨著迭代的進(jìn)行而下降到極小值。Matlab工具箱提供了Trainlm 函數(shù)Levenberg-Marquardt算法的計(jì)算。

網(wǎng)絡(luò)結(jié)構(gòu)的選擇是應(yīng)用BP網(wǎng)絡(luò)成功與否的關(guān)鍵因素之一，一個(gè)規(guī)模過(guò)大的神經(jīng)網(wǎng)絡(luò)容易造成網(wǎng)絡(luò)容錯(cuò)性能下降、網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、泛化能力較差等缺陷；而規(guī)模過(guò)小的神經(jīng)網(wǎng)絡(luò)往往對(duì)訓(xùn)練樣本的學(xué)習(xí)較為困難，學(xué)習(xí)過(guò)程可能不收斂，影響網(wǎng)絡(luò)的表現(xiàn)能力，降低網(wǎng)絡(luò)應(yīng)用的精度。理論研究表明，只要具有足夠的隱層神經(jīng)元，3層人工神經(jīng)網(wǎng)絡(luò)可以無(wú)限地逼近任何時(shí)間序列和函數(shù)，因此這里采用含有一個(gè)隱含層的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。隱含層神經(jīng)元數(shù)的選擇較為復(fù)雜，它關(guān)系到整個(gè)BP網(wǎng)絡(luò)的精確度和學(xué)習(xí)效率，但目前，它的選取尚無(wú)一般的指導(dǎo)原則，只能根據(jù)一些經(jīng)驗(yàn)法則或通過(guò)試驗(yàn)來(lái)確定，如Hecht-Nielsen提出的“2N+1”法，由輸入矩陣可以確定輸入層節(jié)點(diǎn)數(shù)為9，根據(jù)“2N+1”這一經(jīng)驗(yàn)，可確定隱含層節(jié)點(diǎn)數(shù)為19；輸出層節(jié)點(diǎn)數(shù)為1，這樣就構(gòu)成了一個(gè)9-19-1的BP神經(jīng)網(wǎng)絡(luò)模型，其中，訓(xùn)練函數(shù)為T(mén)rainlm，輸入層到隱含層以及隱含層到輸出層的傳遞函數(shù)分別為L(zhǎng)ogsig和Purelm，最大訓(xùn)練次數(shù)Epochs為50 000次；訓(xùn)練誤差精度Goal為0.001；訓(xùn)練時(shí)間間隔Show為5，學(xué)習(xí)步長(zhǎng)Lc為0.5，動(dòng)量因子Me為0.95，其他參數(shù)均選用缺省值。

3 仿真結(jié)果

取1994-2004年的11個(gè)實(shí)際產(chǎn)量作為訓(xùn)練樣本集，將2005-2009年的5個(gè)實(shí)際產(chǎn)量作為預(yù)測(cè)效果檢測(cè)樣本集。將1994-2004年9個(gè)指標(biāo)的原始數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入樣本，糧食產(chǎn)量實(shí)際值作為輸出樣本，然后對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可得相應(yīng)結(jié)點(diǎn)的權(quán)值與閾值，將2005-2009年9個(gè)指標(biāo)的原始數(shù)據(jù)（檢測(cè)樣本）作為網(wǎng)絡(luò)的仿真輸入，得到最終預(yù)測(cè)結(jié)果，表1是1994-2009年中國(guó)糧食實(shí)際產(chǎn)量和神經(jīng)網(wǎng)絡(luò)方法模擬值對(duì)比分析結(jié)果。

從表1可以看出，訓(xùn)練樣本集中擬合精度平均相對(duì)誤差為0.47%，最大值為2004年的1.13%，模擬值和實(shí)際值的相關(guān)系數(shù)為0.996；檢測(cè)樣本集中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型得到的預(yù)測(cè)值和實(shí)際值具有較好的擬合效果，平均相對(duì)誤差為0.56%，最大相對(duì)誤差為1.11%，最小相對(duì)誤差僅為0.04%，模擬值和實(shí)際值的相關(guān)系數(shù)為0.994；2005-2009年的糧食產(chǎn)量預(yù)測(cè)值的相對(duì)誤差均較小。這種改進(jìn)后的方法比較有效，利用該算法獲得的預(yù)測(cè)數(shù)據(jù)結(jié)果較好。

總之，由以上分析結(jié)果可以看出，無(wú)論是擬合精度還是預(yù)測(cè)5個(gè)獨(dú)立樣本，BP神經(jīng)網(wǎng)絡(luò)模型的精度都比較高。但從預(yù)測(cè)結(jié)果也可以看出，BP網(wǎng)絡(luò)模型方法預(yù)測(cè)的平均相對(duì)誤差為0.56%，平均預(yù)測(cè)精度仍有待提高。

4 小結(jié)與討論

針對(duì)中國(guó)糧食產(chǎn)量預(yù)測(cè)問(wèn)題，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于國(guó)家糧食安全預(yù)警系統(tǒng)中，采用1994-2004年的中國(guó)糧食產(chǎn)量和影響因子的歷史數(shù)據(jù)建立模型，利用2005-2009年的數(shù)據(jù)檢驗(yàn)?zāi)Ｐ?，研究得出以下結(jié)論。

1）由于常規(guī)統(tǒng)計(jì)模型難以滿(mǎn)足糧食產(chǎn)量的預(yù)測(cè)要求，提出的改進(jìn)BP算法較好地解決了神經(jīng)網(wǎng)絡(luò)收斂慢和易陷入局部極小值的問(wèn)題，通過(guò)建立預(yù)測(cè)模型，運(yùn)用該改進(jìn)方法對(duì)中國(guó)糧食產(chǎn)量進(jìn)行了預(yù)測(cè)，實(shí)例證明，運(yùn)用基于Levenberg-Marquardt算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，無(wú)論從訓(xùn)練結(jié)果精度上還是在收斂性能上都表現(xiàn)出較好的效果，說(shuō)明運(yùn)用該方法來(lái)預(yù)測(cè)糧食產(chǎn)量是完全可行的，彌補(bǔ)了傳統(tǒng)BP算法的不足，提高了預(yù)測(cè)精度，加快了收斂速度，而且具有很好的外延性。

2）BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度高，預(yù)測(cè)值和實(shí)際產(chǎn)量的擬合性好。BP神經(jīng)網(wǎng)絡(luò)法允許原始的隨機(jī)數(shù)據(jù)或數(shù)據(jù)中含有較多的噪聲，這是它區(qū)別于其他模型的最大優(yōu)勢(shì)，因而任何能用傳統(tǒng)的模型分析或統(tǒng)計(jì)方法解決的問(wèn)題，BP神經(jīng)網(wǎng)絡(luò)能處理得更好。在進(jìn)行糧食產(chǎn)量預(yù)測(cè)時(shí)，BP神經(jīng)網(wǎng)絡(luò)法是一種非常理想的預(yù)測(cè)方法，但是在構(gòu)造神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型時(shí)，要注意正確選擇影響因素，不要漏掉對(duì)預(yù)測(cè)對(duì)象有重大影響的因素。

由于糧食產(chǎn)量受各種因素的影響，波動(dòng)性較大，除了受到上述9種因素的影響外，在很大程度上還受?chē)?guó)家宏觀(guān)政策、作物品種、耕作技術(shù)等因素的影響，如何更全面地將難以量化的因素也納入模型中進(jìn)行考慮分析，從而不斷地改進(jìn)預(yù)測(cè)模型、提高預(yù)測(cè)精度，是需要進(jìn)一步研究的工作。

參考文獻(xiàn)：

[1] 和文超，師學(xué)義，鄧青云，等.土地利用規(guī)劃修編中糧食產(chǎn)量預(yù)測(cè)方法比較[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（12）：348-352.

[2] 周永生，肖玉歡，黃潤(rùn)生. 基于多元線(xiàn)性回歸的廣西糧食產(chǎn)量預(yù)測(cè)[J]. 南方農(nóng)業(yè)學(xué)報(bào)，2011，42（9）：1165-1167.

[3] 王巧華，文友先.基于BP神經(jīng)網(wǎng)絡(luò)的雞蛋大小分級(jí)方法研究[J].湖北農(nóng)業(yè)科學(xué)，2005（1）：97-99.

[4] 于平福，陸宇明，韋莉萍，等.基于小波廣義回歸神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測(cè)模型[J].湖北農(nóng)業(yè)科學(xué)，2011，50（10）：2135-2137.

[5] 李紅平，魏振方，郭衛(wèi)霞.小麥白粉病的數(shù)學(xué)模型預(yù)測(cè)[J].湖北農(nóng)業(yè)科學(xué)，2011，50（17）：3611-3613.

[6] 李 艷，劉 軍.農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].湖北農(nóng)業(yè)科學(xué)，2011，50（14）：2976-2978.

[7] 黃 華，黎未然.人工神經(jīng)網(wǎng)絡(luò)在柚皮總黃酮提取中的應(yīng)用[J].湖北農(nóng)業(yè)科學(xué)，2011，50（10）：2088-2091.

[8] 汪東升，李小昱，李 鵬，等.基于小波和神經(jīng)網(wǎng)絡(luò)的柴油機(jī)失火故障檢測(cè)[J].湖北農(nóng)業(yè)科學(xué)，2011，50（15）：3181-3183.

[9] 梁 丹，李小昱，李培武，等.近紅外光譜法對(duì)食用植物油品種的快速鑒別[J].湖北農(nóng)業(yè)科學(xué)，2011，50（16）：3383-3385.

[10] 吳澤鑫，李小昱，王 為，等. 基于近紅外光譜的番茄農(nóng)藥殘留無(wú)損檢測(cè)方法研究[J].湖北農(nóng)業(yè)科學(xué)，2010，49（4）：961-963.

[11] 章 英.基于收購(gòu)質(zhì)量的烤煙煙葉無(wú)損檢測(cè)技術(shù)研究綜述[J].湖北農(nóng)業(yè)科學(xué)，2011，50（7）：1297-1300.

[12] 李 哲，李干瓊，董曉霞，等.農(nóng)產(chǎn)品市場(chǎng)價(jià)格短期預(yù)測(cè)研究進(jìn)展[J]. 湖北農(nóng)業(yè)科學(xué)，2011，50（17）：3666-3675.

[13] 宰松梅，溫 季，仵 峰，等.基于灰色關(guān)聯(lián)分析的遼寧省糧食產(chǎn)量預(yù)測(cè)模型[J].節(jié)水灌溉，2011（5）：64-66.

篇4

關(guān)鍵詞：汽車(chē)安全配置；配置評(píng)價(jià)模型；區(qū)間層次分析法；安全貢獻(xiàn)度

中圖分類(lèi)號(hào)：U461.91文獻(xiàn)標(biāo)文獻(xiàn)標(biāo)識(shí)碼：A文獻(xiàn)標(biāo)DOI：10.3969/j.issn.2095-1469.2016.05.11

隨著道路交通安全問(wèn)題日益突出，消費(fèi)者對(duì)汽車(chē)的安全性越來(lái)越重視，汽車(chē)安全配置的高低也逐漸成為影響消費(fèi)者購(gòu)買(mǎi)的重要因素。通常，先進(jìn)的技術(shù)都優(yōu)先配備在最高端的車(chē)型上，隨著時(shí)間的推移逐漸擴(kuò)散到下一等級(jí)的車(chē)型中，但近年來(lái)市場(chǎng)上汽車(chē)安全配置的擴(kuò)散不一定是循序漸進(jìn)地發(fā)展，“高端配置低端化”現(xiàn)象層出不窮，成為眾多中低端汽車(chē)宣傳和吸引消費(fèi)者的熱點(diǎn)。定速巡航應(yīng)用在8萬(wàn)元左右的車(chē)型上，疲勞駕駛預(yù)警系統(tǒng)和全景攝像頭應(yīng)用在10萬(wàn)元左右的車(chē)型上，一鍵啟動(dòng)、無(wú)鑰匙進(jìn)入成為某品牌10萬(wàn)元以?xún)?nèi)全系車(chē)型的標(biāo)配，汽車(chē)廠(chǎng)家對(duì)安全配置的選擇和應(yīng)用開(kāi)始打破傳統(tǒng)，推陳出新。面對(duì)越來(lái)越理智的消費(fèi)者，進(jìn)行安全配置的評(píng)價(jià)研究從而探索安全配置擴(kuò)散的優(yōu)先級(jí)順序成為各汽車(chē)廠(chǎng)家亟待解決的問(wèn)題。

對(duì)安全配置的評(píng)價(jià)研究可分為兩類(lèi)，一類(lèi)是基于試驗(yàn)或事故仿真方法層面的評(píng)價(jià)研究，張慶等[1]建立了基于試驗(yàn)的電子穩(wěn)定控制系統(tǒng)（Energy Absorbing Steering Column，ESC）主、客觀(guān)評(píng)價(jià)體系，適用于目前企業(yè)評(píng)估ESC系統(tǒng)；何]等[2]根據(jù)上海地區(qū)的真實(shí)交通工況，對(duì)自動(dòng)緊急制動(dòng)系統(tǒng)（Autonomous Emergency Braking，AEB）在4個(gè)典型測(cè)試場(chǎng)景中進(jìn)行建模分析，得到AEB的總體安全收益，對(duì)在中國(guó)上市的AEB系統(tǒng)的評(píng)估具有重要意義。另一類(lèi)是基于事故統(tǒng)計(jì)數(shù)據(jù)方法層面的評(píng)價(jià)研究，目前主要集中在國(guó)外，國(guó)內(nèi)研究者涉足較少。豐田汽車(chē)公司的 Aga等[3]基于交通事故數(shù)據(jù)研究分析了車(chē)身穩(wěn)定控制系統(tǒng)（Vehicle Stability Control，VSC）的有效性；挪威交通運(yùn)輸經(jīng)濟(jì)學(xué)研究所的Erke[4]在回顧前人實(shí)證分析的基礎(chǔ)之上對(duì)ESC進(jìn)行了評(píng)價(jià)；Kusano等[5]借助自然駕駛研究（Naturalistic Driving Studies，NDS）數(shù)據(jù)量化研究了預(yù)碰撞警示系統(tǒng)（Forward Collision Warning，F(xiàn)CW）的作用效果；Bálint等[6]通過(guò)德國(guó)事故深入研究數(shù)據(jù)庫(kù)（GIDAS）等交通數(shù)據(jù)建立起相對(duì)碰撞速度與受傷人數(shù)的關(guān)系，以AEB系統(tǒng)能夠減少的相應(yīng)傷害的受傷人數(shù)比例來(lái)評(píng)價(jià)其收益，直觀(guān)地得到AEB系統(tǒng)的安全收益。

以上評(píng)價(jià)研究都是針對(duì)單個(gè)安全配置，且大多處于不同評(píng)價(jià)層面，缺乏系統(tǒng)性，無(wú)法進(jìn)行配置之間的相互比較。而當(dāng)前市面上安全配置種類(lèi)繁多，作用方式、效果大相徑庭，且各配置的質(zhì)量、成本、開(kāi)發(fā)周期難以衡量，因此系統(tǒng)性地對(duì)各安全配置進(jìn)行建模分析很困難，不確定性很大，鮮有文獻(xiàn)涉及。國(guó)內(nèi)同濟(jì)大學(xué)的周圣立[7]從GIDAS出發(fā)，提出了從同一層面評(píng)價(jià)汽車(chē)安全系統(tǒng)安全收益的標(biāo)準(zhǔn)和方法，并預(yù)測(cè)了各汽車(chē)安全系統(tǒng)對(duì)今后交通安全帶來(lái)的總收益，為安全配置的優(yōu)化選擇提供了重要參考。但該評(píng)價(jià)方法建立在充分詳實(shí)的數(shù)據(jù)基礎(chǔ)上，而目前我國(guó)缺乏類(lèi)似的數(shù)據(jù)庫(kù)，所以該方法對(duì)于一般的研究者并不適用。

本文提出了一種適用于現(xiàn)階段的配置評(píng)價(jià)方法，在客觀(guān)事故數(shù)據(jù)的基礎(chǔ)上結(jié)合實(shí)際調(diào)研進(jìn)行配置的系統(tǒng)化評(píng)價(jià)，實(shí)現(xiàn)同類(lèi)安全配置的橫向比較。在對(duì)影響配置擴(kuò)散的各方面因素進(jìn)行分析后，針對(duì)因子量化過(guò)程中不確定性和模糊性的特點(diǎn)，采用模糊區(qū)間數(shù)與層次分析法相結(jié)合的方法，建立了不確定多屬性配置評(píng)價(jià)模型，分析安全配置擴(kuò)散的優(yōu)先級(jí)順序，為汽車(chē)企業(yè)選擇汽車(chē)配置提供了科學(xué)的

依據(jù)。

1 問(wèn)題描述

配置擴(kuò)散是指隨著時(shí)間的推移，配置不斷被越來(lái)越多的消費(fèi)者所采用的過(guò)程。在配置的擴(kuò)散過(guò)程中，消費(fèi)者基于自身的需求和價(jià)值感知對(duì)各個(gè)配置有不同的偏好，生產(chǎn)廠(chǎng)家則在探索獲取消費(fèi)者配置偏好的基礎(chǔ)上，結(jié)合自身資源和競(jìng)爭(zhēng)對(duì)手形勢(shì)，綜合考慮后制定配置投放市場(chǎng)的計(jì)劃。基于系統(tǒng)性和普遍性的原則，構(gòu)建了表1所示的配置擴(kuò)散影響因子分析模型，其中消費(fèi)者方面的因子包括需求形成和購(gòu)買(mǎi)過(guò)程的所有影響因子，具體到汽車(chē)配置的各因子見(jiàn)表1。汽車(chē)生產(chǎn)廠(chǎng)家是配置擴(kuò)散中決定性的一環(huán)，本文從生產(chǎn)廠(chǎng)家的角度出發(fā)，通過(guò)研究汽車(chē)配置擴(kuò)散的優(yōu)先級(jí)順序，從而指導(dǎo)廠(chǎng)家進(jìn)行技術(shù)選擇和新車(chē)型定位。

汽車(chē)廠(chǎng)家考慮各方面的因素進(jìn)行配置評(píng)價(jià)從而判斷配置擴(kuò)散優(yōu)先級(jí)順序的問(wèn)題屬于多屬性決策問(wèn)題，層次分析法（Analytic Hierarchy Process，AHP）具有處理定量和定性屬性的能力，應(yīng)用簡(jiǎn)單，是多屬性決策的首選方法。同時(shí)考慮到配置評(píng)價(jià)各屬性信息呈現(xiàn)不完整性、不確定性及不可靠性等特點(diǎn)，以及決策人員對(duì)各屬性重要程度的判斷（偏好信息）本身也具有模糊性和不完整性等特點(diǎn)，應(yīng)用區(qū)間數(shù)能柔性地表達(dá)屬性信息和決策者偏好，適合不確定背景下的決策。鑒于以上分析，以區(qū)間層次分析法為框架來(lái)研究配置評(píng)價(jià)問(wèn)題，可有效克服定量因子和定性因子并存的難題，而且更為細(xì)致和直觀(guān)地刻畫(huà)目標(biāo)屬性信息和決策者的判斷信息。

實(shí)際中由于不確定信息的決策經(jīng)常出現(xiàn)，區(qū)間層次分析法的應(yīng)用很廣泛。高顯義等[8]針對(duì)工程項(xiàng)目風(fēng)險(xiǎn)評(píng)估中存在的復(fù)雜性和影響因素的不確定性，提出了基于區(qū)間數(shù)層次分析法的工程項(xiàng)目風(fēng)險(xiǎn)評(píng)估方法，合理處理了決策因素的不確定性以及專(zhuān)家判斷的模糊性，使評(píng)估結(jié)果更具可信性及科學(xué)性。郝慶波等[9]基于評(píng)價(jià)對(duì)象和相似產(chǎn)品之間可靠性水平的差異程度很難準(zhǔn)確評(píng)定的問(wèn)題，提出了一種引入?yún)^(qū)間層次分析的數(shù)控機(jī)床可靠性預(yù)計(jì)方法，進(jìn)一步提高預(yù)計(jì)結(jié)果的準(zhǔn)確性。朱慶鵬等[10]針對(duì)高速送料機(jī)可靠性分配中存在的模糊因素較多難以定量分析的問(wèn)題，在多級(jí)模糊評(píng)判的基礎(chǔ)上引入?yún)^(qū)間層次分析法，提出一種高速送料機(jī)的可靠性綜合分配方法。區(qū)間層次分析法還在供應(yīng)商評(píng)價(jià)、天然氣供應(yīng)系統(tǒng)風(fēng)險(xiǎn)評(píng)價(jià)、災(zāi)害危險(xiǎn)性評(píng)價(jià)等方面都有應(yīng)用，它在處理不確定多屬性決策問(wèn)題中具有廣泛的適用性和實(shí)用性。因此，本文采用區(qū)間層次分析法建立不確定多屬性配置評(píng)價(jià)模型進(jìn)行配置擴(kuò)散優(yōu)先級(jí)順序研究。

2 不確定多屬性配置評(píng)價(jià)模型

根據(jù)AHP解決問(wèn)題的主要步驟，制定了不確定性多屬性配置評(píng)價(jià)模型的建模過(guò)程。

步驟 1：判斷矩陣構(gòu)建。

設(shè)為目標(biāo)屬性集，假設(shè)這些屬性是加性獨(dú)立的，有p個(gè)決策者對(duì)n個(gè)屬性進(jìn)行兩兩比較，每個(gè)決策者都做出他們相對(duì)重要程度的判斷，記為，

且要求

，重要程度的賦值按照傳統(tǒng)的AHP1-9標(biāo)度定義，得到判斷矩陣，

其中，

，表示p個(gè)決策者一致認(rèn)為屬性Qi，Qj相對(duì)重要程度存在的范圍，其置信度為1，故取為群體決策所作出的判斷。

步驟 2：矩陣的一致性判斷及權(quán)重求解。

區(qū)間數(shù)判斷矩陣必須保證具有局部滿(mǎn)意一致性，否則求得的權(quán)重沒(méi)有意義。而根據(jù)相關(guān)定理[11]，區(qū)間數(shù)判斷矩陣一致等價(jià)于和一致。如果區(qū)

間數(shù)判斷矩陣不滿(mǎn)足一致性則需要決策者調(diào)整判斷賦值表。

將美國(guó)運(yùn)籌學(xué)家游伯龍?zhí)岢龅奶荻忍卣飨蛄糠ㄇ蠼鈾?quán)重進(jìn)行拓展，得到區(qū)間數(shù)判斷矩陣的權(quán)重計(jì)算公式[12]：

。

式中：任意取定，

。

步驟3：指標(biāo)值的規(guī)范化處理。

記Si，為目標(biāo)方案集，假設(shè)以不同物理量綱給出的Si關(guān)于某個(gè)指標(biāo)Qj的度量值為一個(gè)區(qū)間值，其中，則可采用“比

重變換法”對(duì)其進(jìn)行規(guī)范化處理，計(jì)算式如下：

（當(dāng)Qj為效益型指標(biāo)），

（當(dāng) Qj為成本型指標(biāo)）。

顯然，。

步驟4：求解決策方案的綜合評(píng)估值。

設(shè)屬性的權(quán)重向量為，則根

據(jù)多屬性決策分析的加權(quán)法則，決策方案Si的綜合評(píng)價(jià)值區(qū)間，可以分別由下列兩個(gè)線(xiàn)

性規(guī)劃模型求得[13]：

步驟5：模糊區(qū)間值排序。

考慮到目標(biāo)對(duì)準(zhǔn)確性的要求，同時(shí)兼顧實(shí)用性和易操作性等客觀(guān)要求，在此選用期望-方差法作為度量配置綜合評(píng)估值的排序方法。

記方案Si的綜合評(píng)價(jià)值為，設(shè)ui為區(qū)間數(shù)上服從均勻分布的隨機(jī)變量，由概率密度函數(shù)容易求得[14]：

。

3 汽車(chē)安全配置擴(kuò)散研究

3.1 評(píng)價(jià)指標(biāo)的選取

從汽車(chē)生產(chǎn)廠(chǎng)家角度出發(fā)，探索汽車(chē)安全配置的擴(kuò)散規(guī)律，研究對(duì)象囊括被動(dòng)安全配置和主動(dòng)安全配置，主動(dòng)安全配置又劃分為自動(dòng)輔助類(lèi)、信息提醒類(lèi)和視野輔助類(lèi)，在汽車(chē)上已經(jīng)基本配備的安全配置――主副安全氣囊安全帶及安全帶未系提示、兒童座椅接口、制動(dòng)防抱死系統(tǒng)（Antilock Brake System，ABS）和電子制動(dòng)力分配系統(tǒng)（Electric Brakeforce Distribution，EBD），以及車(chē)輛防盜類(lèi)安全配置不在本次研究范圍內(nèi)。汽車(chē)生產(chǎn)廠(chǎng)家在選擇安全配置時(shí)需要考慮的因素錯(cuò)綜復(fù)雜（表1），但企業(yè)最關(guān)注的是直接促使消費(fèi)者做購(gòu)買(mǎi)決策的各個(gè)因子，所以產(chǎn)品的功能、技術(shù)成熟度、成本都是企業(yè)考慮的重點(diǎn)，情感因素是很難統(tǒng)一的，因此影響力不大，在此不考慮。價(jià)值感知因子是由需求約束因子驅(qū)動(dòng)形成的，兩者之間存在較強(qiáng)的相關(guān)性，即在考慮價(jià)值感知因子的同時(shí)需求約束因子已經(jīng)很大程度被融入在內(nèi)。政策法規(guī)作為國(guó)家調(diào)控市場(chǎng)的有力手段，關(guān)乎企業(yè)的生存根本，作用效果明顯，有必要對(duì)其進(jìn)行考慮。至于生產(chǎn)廠(chǎng)家自身資源及競(jìng)爭(zhēng)形勢(shì)，為了簡(jiǎn)明扼要地分析問(wèn)題，可考慮在配置評(píng)價(jià)的結(jié)果之上再對(duì)其進(jìn)行適當(dāng)考慮。綜上所述，最終確定安全貢獻(xiàn)度Q1、成本Q2和政策引導(dǎo)Q3這三個(gè)影響因子作為配置選擇的評(píng)價(jià)指標(biāo)。

3.2 評(píng)價(jià)指標(biāo)的量化

安全貢獻(xiàn)度Q1是指安全配置對(duì)汽車(chē)安全性能提高的影響程度，它與配置的功能定位以及技術(shù)發(fā)揮的穩(wěn)定程度有關(guān)，在衡量功能重要性的過(guò)程中融入了消費(fèi)者調(diào)研數(shù)據(jù)，因此消費(fèi)者的需求偏好也同時(shí)在該指標(biāo)里面加以考慮。安全貢獻(xiàn)度是一個(gè)綜合性指標(biāo)，本文對(duì)安全貢獻(xiàn)度的計(jì)算進(jìn)行如下定義：

。

式中：Q1e為期望安全貢獻(xiàn)度；r為技術(shù)風(fēng)險(xiǎn)值。

3.2.1 期望安全貢獻(xiàn)度

被動(dòng)安全類(lèi)配置按照作用的事故類(lèi)型、保護(hù)對(duì)象和主要保護(hù)部位可以確定其期望安全貢獻(xiàn)度。各事故類(lèi)型對(duì)Q1e的重要程度由各類(lèi)型事故發(fā)生的頻率決定，它直接關(guān)系到相應(yīng)配置發(fā)揮作用的機(jī)率。根據(jù)C-NCAP[15]評(píng)分規(guī)則中身體各部位所占分值，可以擬定在碰撞事故中保護(hù)頭部、頸部、胸部、膝部和腹部各部分的相對(duì)必要性比值為13∶9∶15∶6∶4。C-NCAP中僅對(duì)成人乘員做了比較全面的考慮，而在實(shí)際的交通環(huán)境中，兒童乘員和行人是不得不考慮的兩個(gè)構(gòu)成部分，因此在判斷各類(lèi)保護(hù)對(duì)象的相對(duì)重要度時(shí)應(yīng)參照Euro NCAP[16]中成人乘員、兒童乘員、行人在總分中各占51.4%，28.0%，20.6%的比重，確定保護(hù)對(duì)象的相對(duì)重要度為前排乘員∶后排乘員∶兒童乘員∶ 行人=5∶4∶3∶2。被動(dòng)安全的期望安全貢獻(xiàn)度值見(jiàn)表2。

主動(dòng)安全配置由于作用工況復(fù)雜，作用方式差別很大，難以按統(tǒng)一指標(biāo)對(duì)其進(jìn)行評(píng)價(jià)，本文采取消費(fèi)者調(diào)研與客觀(guān)事故數(shù)據(jù)相結(jié)合的方法，通過(guò)對(duì)配置進(jìn)行功能層級(jí)劃分來(lái)確定Q1e值。表3為自動(dòng)輔助類(lèi)配置的Q1e值，根據(jù)其作用工況和自動(dòng)化程度確定。各工況的相對(duì)重要程度通過(guò)對(duì)50名駕駛員進(jìn)行電話(huà)訪(fǎng)談或者面談來(lái)獲取數(shù)據(jù)，根據(jù)數(shù)理統(tǒng)計(jì)學(xué)的經(jīng)驗(yàn)法則，認(rèn)為樣本量大于30的就可以應(yīng)用一些統(tǒng)計(jì)分布的結(jié)論，且本文調(diào)研的駕駛員樣本都是經(jīng)過(guò)嚴(yán)格篩選的，所有駕駛員實(shí)際獨(dú)立駕車(chē)時(shí)間都在3個(gè)月以上，對(duì)車(chē)輛的各個(gè)工況有較好的了解，因此調(diào)研結(jié)果具備較高的可靠性和真實(shí)性。配置的自動(dòng)化程度劃分為4個(gè)等級(jí)，4級(jí)自動(dòng)化程度可以完全解放手和腳的操作，3級(jí)自動(dòng)化程度可以解放手或腳的操作，2級(jí)自動(dòng)化程度可以輔助手和腳的操作，1級(jí)自動(dòng)化程度的配置是2級(jí)自動(dòng)化程度配置的補(bǔ)充。

信息提醒類(lèi)配置的Q1e值確定過(guò)程見(jiàn)表4，先按照信息類(lèi)別的調(diào)研結(jié)果進(jìn)行排序，再通過(guò)對(duì)相同功能不斷細(xì)分比較，結(jié)合插值法最終求出各配置的 Q1e值。視野輔助類(lèi)配置的Q1e值也按同一思路進(jìn)行，在此不再詳述。

3.2.2 技術(shù)風(fēng)險(xiǎn)值量化

技術(shù)風(fēng)險(xiǎn)主要是指由于技術(shù)本身的成熟度、技術(shù)壽命的不確定性、創(chuàng)新技術(shù)的能力、技術(shù)難度等因素導(dǎo)致的技術(shù)失敗的可能性。技術(shù)采用生命周期（Technology Adoption Life Cycle）表現(xiàn)為一條鐘形曲線(xiàn)（圖1），它將新技術(shù)在消費(fèi)者中的擴(kuò)散過(guò)程分成5個(gè)階段，分別為創(chuàng)新者采用階段、早期采納者采用階段、早期大眾采用階段、晚期大眾采用階段與落后者采用階段，各階段的采用者占整體使用人數(shù)的比例分別為2.5%、13.5%、34%、34%、16%[17]。技術(shù)生命采用周期各階段的技術(shù)風(fēng)險(xiǎn)值見(jiàn)表5[18]。本文研究的各安全配置的技術(shù)風(fēng)險(xiǎn)值可根據(jù)其所處的技術(shù)擴(kuò)散階段來(lái)確定，而配備率能很好地反映各配置目前的市場(chǎng)滲透情況。對(duì)于屬于同類(lèi)技術(shù)的不同配置，技術(shù)風(fēng)險(xiǎn)值應(yīng)統(tǒng)一取最小值。

安全配置的成本主要包括兩大部分：購(gòu)置價(jià)格和持有價(jià)格。多數(shù)安全配置在汽車(chē)的使用壽命范圍內(nèi)都能正常運(yùn)行且維修支出較小，在此只關(guān)注安全配置的購(gòu)置價(jià)格。購(gòu)置價(jià)格通常包含在整車(chē)價(jià)格之內(nèi)，單個(gè)安全配置的價(jià)格很難獲取，因此成本數(shù)據(jù)依據(jù)現(xiàn)行市場(chǎng)上在4S店加裝該配置的價(jià)格來(lái)確定。政策引導(dǎo)即國(guó)家、行業(yè)對(duì)該配置的重視程度，汽車(chē)上配備率達(dá)到100%的安全配置不在本文的研究范圍內(nèi)，所以國(guó)內(nèi)的強(qiáng)制性安裝法規(guī)不包括在內(nèi)。政策對(duì)安全配置擴(kuò)散的引導(dǎo)程度首先是根據(jù)國(guó)內(nèi)相關(guān)的政策和技術(shù)標(biāo)準(zhǔn)來(lái)進(jìn)行等級(jí)劃分，用1表示法規(guī)要求強(qiáng)制安裝，0表示完全沒(méi)有任何相關(guān)的政策和技術(shù)法規(guī)，當(dāng)然這種極端情況是很少出現(xiàn)的。確定政策引導(dǎo)力度與國(guó)內(nèi)政策法規(guī)之間的關(guān)聯(lián)關(guān)系（表6），再綜合考慮該配置在國(guó)外是否屬于法規(guī)強(qiáng)制安裝的或者新車(chē)評(píng)價(jià)規(guī)程所鼓勵(lì)安裝的配置，相應(yīng)調(diào)整配置的政策引導(dǎo)力度上升一個(gè)等級(jí)。各配置的屬性量化值見(jiàn)表7。

3.3 實(shí)例分析

鑒于我國(guó)自主品牌乘用車(chē)目前主要定位于中低端市場(chǎng)，本文選取8～10萬(wàn)元價(jià)格區(qū)間內(nèi)的乘用車(chē)進(jìn)行安全配置的擴(kuò)散規(guī)律研究，旨在給自主品牌汽車(chē)企業(yè)選擇安全配置提供科學(xué)的參考。

3.3.1 目標(biāo)屬性權(quán)重確定

有3位決策者參與決策，針對(duì)8～10萬(wàn)元價(jià)格的乘用車(chē)，分別對(duì)安全貢獻(xiàn)度Q1、成本Q2和政策引導(dǎo)Q3進(jìn)行重要程度的判斷，得到群體決策判斷矩陣。

3.3.3 決策方案的綜合評(píng)估值及排序

根據(jù)步驟4和步驟5計(jì)算各配置的綜合評(píng)估值，按照綜合評(píng)估區(qū)間值的期望值和方差進(jìn)行排序，得到8～10萬(wàn)元車(chē)型上的各類(lèi)安全配置擴(kuò)散的優(yōu)先級(jí)順序（表8）。

本文選取上海大眾、上海通用、一汽大眾、上汽通用五菱、吉利、長(zhǎng)安、長(zhǎng)城七大品牌的8～10萬(wàn)元價(jià)格區(qū)間的102輛暢銷(xiāo)車(chē)型的配備率來(lái)對(duì)預(yù)測(cè)結(jié)果進(jìn)行驗(yàn)證。由圖2可知，該排序結(jié)果與市場(chǎng)上8～10萬(wàn)元價(jià)格區(qū)間暢銷(xiāo)車(chē)型的安全配置配備率分布（圖中未出現(xiàn)的配置配備率為0）基本一致，結(jié)果中存在一些微小的差異主要是因?yàn)閷?shí)際應(yīng)用過(guò)程還需要考慮各配置間的裝配關(guān)系、配置功能互補(bǔ)或重復(fù)程度、產(chǎn)品具體定位等諸多因素。

在被動(dòng)安全類(lèi)的排序中，由于前后排頭部氣囊通常為一體化裝置，因此實(shí)際擴(kuò)散過(guò)程中后排頭部氣囊的優(yōu)先級(jí)順序提前。在自動(dòng)輔助類(lèi)排序中，上坡輔助和陡坡緩降是在VSC系統(tǒng)的基礎(chǔ)上加裝的，其擴(kuò)散的優(yōu)先級(jí)順序會(huì)排在VSC系統(tǒng)之后。制動(dòng)輔助與ABS屬于功能互補(bǔ)關(guān)系，結(jié)合使用能發(fā)揮“1+1>2”的功效，所以它在實(shí)際應(yīng)用擴(kuò)散中的擴(kuò)散優(yōu)先級(jí)會(huì)提前。主動(dòng)制動(dòng)與ABS在一定程度上屬于功能重復(fù)關(guān)系，而ABS具有絕對(duì)的擴(kuò)散優(yōu)先權(quán)，所以主動(dòng)制動(dòng)擴(kuò)散優(yōu)先級(jí)會(huì)延后。定速巡航除了是一種安全配置外，給消費(fèi)者帶來(lái)的舒適性和科技感也不可忽略，本文僅從安全角度出發(fā)，因此造成其擴(kuò)散排序偏后。對(duì)于信息提醒類(lèi)配置前駐車(chē)?yán)走_(dá)，大部分消費(fèi)者會(huì)在購(gòu)車(chē)后自行加裝，故實(shí)際的前駐車(chē)?yán)走_(dá)配置率高于分布圖中的配置率。

總之，本文的排序結(jié)果是建立在對(duì)配置的安全貢獻(xiàn)度、成本和政策引導(dǎo)三方面綜合評(píng)估的基礎(chǔ)之上的，這三方面作為企業(yè)關(guān)注的核心部分，配置的排序結(jié)果對(duì)企業(yè)有較大的參考意義。車(chē)型在具體應(yīng)用過(guò)程中應(yīng)進(jìn)一步考慮各配置間的配合關(guān)系，并根據(jù)其具體定位進(jìn)行適當(dāng)調(diào)整。在安全配置擴(kuò)散預(yù)測(cè)結(jié)果的基礎(chǔ)之上，企業(yè)再進(jìn)行配置的選擇時(shí)，復(fù)雜、難以處理的問(wèn)題變得條理清晰、有據(jù)可依，本文提出的不確定多屬性配置評(píng)級(jí)模型為企業(yè)的安全配置選擇以及技術(shù)路線(xiàn)規(guī)劃提供了科學(xué)合理且靈活應(yīng)對(duì)的應(yīng)用方法。