CN110287269A - 一种基于复合层次分析的数据处理分类方法和装置 - Google Patents

一种基于复合层次分析的数据处理分类方法和装置 Download PDF

Info

Publication number
CN110287269A
CN110287269A CN201910401504.7A CN201910401504A CN110287269A CN 110287269 A CN110287269 A CN 110287269A CN 201910401504 A CN201910401504 A CN 201910401504A CN 110287269 A CN110287269 A CN 110287269A
Authority
CN
China
Prior art keywords
matrix
data
layer
correlation
assignment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910401504.7A
Other languages
English (en)
Inventor
朱洁
姬俊杰
李亚杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910401504.7A priority Critical patent/CN110287269A/zh
Publication of CN110287269A publication Critical patent/CN110287269A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于复合层次分析的数据处理分类方法和装置。该方法包括步骤：采用层次分析法，建立层次分析结构；将专家赋值法和数据相关性分析赋值法结合，构造准则层的综合判断矩阵；根据高层判断矩阵和综合判断矩阵进行一致性检验，并进行加权计算与排序，得出方案层各元素的复合AHP数据；以复合AHP数据为波士顿矩阵的横轴，以待分类主体引力指标为波士顿矩阵的纵轴，基于波士顿矩阵分类法，将待分类主体进行分类，输出分类结果。该装置还包括层次分析模块、相关性分析模块和波士顿矩阵分类模块。该装置和方法兼容了经验性的主观判断和数据化的客观计算，增大了容错性，是一种兼具数据化、综合性和简明性的分类方式。

Description

一种基于复合层次分析的数据处理分类方法和装置
技术领域
本发明涉及数据处理技术领域，特别涉及一种基于复合层次分析的数据处理分类方法和装置。
背景技术
层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹茨堡大学教授托马斯L·萨蒂于20世纪70年代初提出的一种层次权重决策分析方法，其基本原理是根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层(供决策的方案、措施等)相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定，总结来说就是需要计算各指标权重，再通过加权得到各对象总得分和排序，主要应用在具有多个评估因素的决策问题上。
构造两两比较判断矩阵是层次分析法的一个较为重要的步骤，现有技术中，应用层次分析法构造判断矩阵时，一般仅使用评价者(即专家)主观判断进行赋值，得到的判断矩阵偏于主观，对数据分析结果影响非常大。
发明内容
本发明的目的是提出一种基于复合层次分析的数据处理分类方法和装置，以解决上述技术问题。
为实现上述目的，本发明提供了如下方案：
本发明实施例的第一个方面，提供了一种基于复合层次分析的数据处理分类方法，包括如下步骤：
采用层次分析法，建立包括目标层、准则层和方案层的层次分析结构；
基于层次分析结构，构造高层判断矩阵；将专家赋值法和数据相关性分析赋值法结合，构造准则层的综合判断矩阵；
根据高层判断矩阵和综合判断矩阵进行一致性检验，并进行加权计算与排序，得出方案层各元素的复合AHP数据；
以复合AHP数据为波士顿矩阵的横轴，以待分类主体引力指标为波士顿矩阵的纵轴，基于波士顿矩阵分类法，将待分类主体进行分类，输出分类结果。
可选的，基于所述层次分析结构，构造高层判断矩阵，将专家赋值法和数据相关性分析赋值法结合、构造所述准则层的综合判断矩阵，包括：
获取专家对层次分析结构中两两元素重要性的赋值数据，构造高层判断矩阵和底层初始判断矩阵；
收集待分类主体的准则层最底层各元素对应的数据，依据所述准则层的最底层各元素对应的数据，进行两两元素之间的相关性分析，计算皮尔逊相关系数，得到相关系数矩阵；
根据预设赋值规则，将相关系数矩阵转化为相关性判断矩阵；
将底层初始判断矩阵和相关性判断矩阵按照预设比例进行综合计算，得到综合判断矩阵。
可选的，获取专家对两两元素重要性进行的赋值数据，构造高层判断矩阵和底层初始判断矩阵，包括：
将准则层第一层所包括的多个元素设为大指标，将准则层底层所包括的多个元素设为小指标，将每个大指标下的小指标相对于上层的重要性进行两两比较并量化，得到多个底层初始判断矩阵；判断每个大指标相对于所述目标层的重要性进行两两比较并量化，得到高层判断矩阵。
可选的，根据预设赋值规则，将相关系数矩阵转化为相关性判断矩阵，包括根据如下赋值规则进行转化：
设第i个元素和第j个元素的相关系数绝对值为rij，对应在所述相关性判断矩阵中赋值为pij，比较第i个元素与第j个元素的重要性，当第i个元素更为重要时，则:
0＜rij≤0.2,pij＝9；0.2＜rij≤0.4,pij＝7；0.4＜rij≤0.6,pij＝5；
0.6＜rij≤0.8,pij＝3；0.8＜rij≤1,pij＝1。
可选的，将底层初始判断矩阵和相关性判断矩阵按照预设比例进行综合计算，得到综合判断矩阵，包括：在满足一致性检验的前提下，使所述相关性判断矩阵占比最大。
可选的，收集待分类主体的准则层最底层各元素对应的数据，之后包括：
进行数据预处理，将非正指标数据转化为正指标数据。其中，实际值越大、在分类主体复合AHP数据中所起的正面效应也越大的指标数据为正指标数据，其他数据为非正指标数据。
本发明实施例的第二个方面，还提供一种基于复合层次分析的数据处理分类装置，包括层次分析模块、相关性分析模块和波士顿矩阵分类模块；
层次分析模块，用于基于层次分析法，建立层次分析的目标层、准则层和方案层；并构造高层判断矩阵；
相关性分析模块，用于将专家赋值法和数据相关性分析赋值法结合，构造准则层的综合判断矩阵；
层次分析模块，还用于根据高层判断矩阵和综合判断矩阵进行一致性检验，并进行加权计算与排序，得出方案层各元素的复合AHP数据；
波士顿矩阵分类模块，用于以复合AHP数据为波士顿矩阵的横轴，以待分类主体引力指标为波士顿矩阵的纵轴，基于波士顿矩阵分类法，将待分类主体进行分类，输出分类结果。
可选的，层次分析模块，用于获取专家对两两元素重要性进行的赋值数据，构造高层判断矩阵和底层初始判断矩阵；
相关性分析模块，用于收集待分类主体的准则层最底层各元素对应的数据，依据准则层的最底层各元素对应的数据，进行两两元素之间的相关性分析，计算皮尔逊相关系数，得到相关系数矩阵；根据预设赋值规则，将相关系数矩阵转化为相关性判断矩阵；将底层初始判断矩阵和相关性判断矩阵按照预设比例进行综合计算，得到综合判断矩阵。
可选的，相关性分析模块，用于根据如下赋值规则进行转化：
设第i个元素和第j个元素的相关系数绝对值为rij，对应在相关性判断矩阵中赋值为pij，比较第i个元素与第j个元素的重要性，当第i个元素更为重要时，则
0＜rij≤0.2,pij＝9；0.2＜rij≤0.4,pij＝7；0.4＜rij≤0.6,pij＝5；
0.6＜rij≤0.8,pij＝3；0.8＜rij≤1,pij＝1。
可选的，相关性分析模块，用于按照在满足一致性检验的前提下，使相关性判断矩阵占比最大的原则，将底层初始判断矩阵和相关性判断矩阵进行综合计算。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开的基于复合层次分析的数据处理分类方法和装置，提出了这一种复合层次分析法，并将相关性分析、层次分析法和波士顿矩阵分类法这三种基础数据分析方法有机地结合在一起：在专家赋值法基础上结合运用相关性分析构建层次分析需要的两两重要性判断比较矩阵(即综合判断矩阵)，再将层次分析法的计算结果作为构建波士顿矩阵的一个因素。其中，将专家赋值法和数据相关性分析赋值法结合而构造得出的综合判断矩阵，加入了更为客观的数据化的判断，相比于单纯依靠专家赋值数据，使数据分析结果更加合理；并且，将层次分析法输出的复合AHP数据作为构建波士顿矩阵的横轴，相比于现有技术中采用增长率、占有率数据等单一因素构建波士顿矩阵的方式，使得分类结果的参考价值更高，数据预测的准确度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于复合层次分析的数据处理分类方法的一个实施例的流程示意图；
图2为本发明一种基于复合层次分析的数据处理分类方法的一个应用示例的层次结构示意图；
图3为本发明一个应用示例中2016年的波士顿气泡图；
图4为本发明一个应用示例中2017年的波士顿气泡图；
图5为本发明一个应用示例的主体流程简要示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明实施例1提供了一种基于复合层次分析的数据处理分类方法，如图 1所示，该方法包括如下步骤：
步骤S100，采用层次分析法，建立包括目标层、准则层和方案层的层次分析结构。
步骤S101，基于该层次分析结构，构造高层判断矩阵；将专家赋值法和数据相关性分析赋值法结合，构造所述准则层的综合判断矩阵。
其中，作为一种可实施方式，高层判断矩阵为根据专家赋值法，依据目标层和准则层第一层构建的判断矩阵。而综合判断矩阵则是将专家赋值法和数据相关性分析赋值法结合而构建的用于定量描述准则层两两元素比较关系的判断矩阵。
步骤S102，根据高层判断矩阵和综合判断矩阵进行一致性检验，并进行加权计算与排序，得出方案层各元素的复合AHP数据。
步骤S103，以复合AHP数据为波士顿矩阵的横轴，以待分类主体引力指标为波士顿矩阵的纵轴，基于波士顿矩阵分类法，将待分类主体进行分类，输出分类结果。
本发明实际上是提出了一种复合层次分析法，是在层次分析法(AnalyticHierarchy Process，简称AHP)的基础上结合相关性分析，而作为一种可实施方式，本发明所基于的层次分析法的主要步骤可包括：
(1)***层次结构的建立
本步骤的目的是把一个复杂的问题所涉及的因素分解成若干个层次，得到由目标层、准则层和方案层构成的层级结构。目标层一般为分析问题的预定目标或理想结果，只有一个元素；准则层可有多个层次，包括相对于目标层的实现所需要考虑的准则和子准则；方案层则包括为实现目标可供选择的各种措施、决策和方案等，一般只有一个层次。
(2)构造两两比较判断矩阵
这一步通常邀请若干领域内的专家对两要素相较于上层某元素的相对重要性进行定量的判断，目前最普遍的量化标准是美国萨迪教授提出的1-9标度法。如，要对要素i和j按1-9标度对重要度赋值，并构成判断矩阵 A＝(aij)n×n,参见表1.1，则有：
表1.1 1-9标度赋值规则
显然，判断矩阵具有如下性质：
且满足aij＞0，aii＝1，i，j＝1，2，3…，n。
(3)一致性检验
在判断矩阵的构造中并不要求判断矩阵具有完全一致性，但大体上的一致性是需要满足的，比如X比Y绝对重要，Y比Z绝对重要，Z是不可能比X绝对重要的。如果判断矩阵过于偏离一致性，那么它本身是不可取的。为此需要进行一致性检验。检验通过条件是：CR＝CI/RI＜0.1。CI为一致性指标，有：
CI＝(λmax-n)/(n-1)
其中λmax为矩阵的最大特征值，而随机一致性指标RI由矩阵阶数n决定，如表1.2所示。
表1.2同阶平均随机一致性指标查询表(部分)
(4)加权计算与排序
这一步需经过多次迭代，可由软件如Matlab辅助计算。依据判断矩阵计算出每层次各元素的权重，再对预处理后的数据进行加权积分，可得出方案层各对象的综合排序。
此外，本发明以复合层次分析法输出的复合AHP数据为波士顿矩阵的一个因素，构建波士顿矩阵，基于波士顿矩阵分类法，将待分类主体进行分类，输出分类结果。
其中，波士顿矩阵分类法，即美国著名的管理学家、波士顿咨询公司创始人布鲁斯·亨德森于1970年提出的波士顿矩阵分类法，其核心思想是一般决定产品结构的基本因素有两个，即市场引力数据与企业实力数据，以这两个因素为横纵轴，可得到四种不同性质的产品类型，即瘦狗型，问题型，公牛型和明星型，它们处于四个象限。其分类规则如表1.3(判断低高的标准点为矩阵原点)所示：
表1.3波士顿矩阵分类规则
本发明采用专家赋值法和数据相关性分析赋值法相结合的方式构造层次分析法中最关键的判断矩阵，以避免传统层次分析法仅使用评价者主观判断赋值的局限，提出了一种复合相关系数动态检测AHP(Analytic Hierarchy Process)法，即复合AHP法。本发明以复合AHP数据代表待分类主体的实力数据，构建波士顿矩阵，可简单合理地将波士顿矩阵与层次分析法结合起来，最终得到一种兼具数据化、综合性和简明性的分类方式。
实施例2
本发明实施例2提供一种基于复合层次分析的数据处理分类方法的一个优选实施例。
S200，采用层次分析法，建立包括目标层、准则层和方案层的层次分析结构。
S201，获取专家对层次分析结构中两两元素重要性的赋值数据，构造高层判断矩阵和底层初始判断矩阵。
优选地，作为一种可实施方式，将准则层第一层所包括的多个元素设为大指标，将准则层底层所包括的多个元素设为小指标，将每个大指标下的小指标相对于上层(即大指标所在层)的重要性进行两两比较并量化，得到多个底层初始判断矩阵；判断每个大指标相对于目标层的重要性进行两两比较并量化，得到高层判断矩阵。
S202，收集待分类主体的准则层最底层各元素对应的数据，依据准则层的最底层各元素对应的数据，进行两两元素之间的相关性分析，计算皮尔逊相关系数，得到相关系数矩阵。
皮尔逊相关系数(Pearson correlation coefficient)，又称皮尔逊积矩相关系数(Pearson product-moment correlation coefficient，简称PPMCC 或PCCs)，用于度量两个变量X和Y之间的相关(线性相关)，其值介于-1 与1之间。
S203，根据预设赋值规则，将相关系数矩阵转化为相关性判断矩阵。
优选地，作为一种可实施方式，赋值规则为：设第i个元素和第j个元素的相关系数绝对值为rij，对应在所述相关性判断矩阵中赋值为pij，比较并判断第i个和第j个元素哪个更为重要，当第i个元素更为重要时，则:
0＜rij≤0.2,pij＝9；0.2＜rij≤0.4,pij＝7；0.4＜rij≤0.6,pij＝5；
0.6＜rij≤0.8,pij＝3；0.8＜rij≤1,pij＝1。
而当第j个元素更为重要时，赋值规则与之对应，不再赘述。
S204，将底层初始判断矩阵和相关性判断矩阵按照预设比例进行综合计算，得到综合判断矩阵。在满足一致性检验的前提下，应使相关性判断矩阵占比最大。
下面以国内75家上市物流企业作为待分类主体的示例，以其绩效数据作为目标层，对本发明实施例提供的基于复合层次分析的数据处理分类方法进一步说明。
本发明的实现可分为层次分析法的改进和新型波士顿分类矩阵的构建两部分。
1、层次分析法的改进——数据相关性分析与专家赋值的结合
(1)前期处理
首先，按照传统层次分析法的思路，确定分析的对象和评价指标体系，构建分析层次结构，收集准则层最底层指标的数据。优选地，对收集的数据进行预处理，把负指标和特殊指标全转化为正指标，以便免除负相关系数的考虑，即建立转化规则时可只考虑相关系数绝对值。
参见图2，针对75家上市物流公司，建立层次分析的目标层、准则层和方案层。准则层有两层，底层有15个元素，即15个小指标，收集对应的数据并进行预处理。这15个小指标可分为5个方面，即准则层第一层的五个大指标(即图2中所示B1-B5)：投资与收益、盈利能力、运营能力、偿债能力和资本结构。
(2)构造判断矩阵
本方法采用专家赋值法和数据相关性赋值法相结合的方式构造层次分析法中最关键的判断矩阵，称之为复合相关系数动态检测AHP法，简称复合AHP 法。该方法的关键处在于如何得到相关性矩阵及如何将之与专家矩阵结合起来。
1)构造专家赋值判断矩阵
这一步与传统层次分析法类似，获取专家对两两指标重要性进行的赋值数据。将每个大指标下的小指标相对于上层的重要性进行两两比较并量化，能得到5个判断矩阵，可称之为底层初始判断矩阵。同理，判断大指标相对于目标层的重要程度能得到1个判断矩阵，可称之为高层判断矩阵。该应用实例能得到判断矩阵有6个，分别是高层判断矩阵E，底层初始判断矩阵E1,E2,E3,E4,E5 (按照盈利能力、资本结构、经营能力、偿债能力、投资与收益为序)，如下：
2)构造相关性赋值矩阵
对所有的AHP的层次结构，准则层的最底层都是可以量化的指标。把这些指标看作多个变量，每个变量下都具有一组能够计算的数据，依据这些数据可进行两两变量之间的相关性分析，即计算统计指标—皮尔逊相关系数，从而得到5个相关系数矩阵。具体地，用r表示两个变量之间相关关系的数字特征量，对于两个变量X＝x1，x2，x3，……，xn；Y＝y1，y2，y3，……，它们的相关系数r为：
r的取值范围为[-1，1]，当-1<r<0,表示两变量负相关；当0<r<1，表示两变量负相关；r的绝对值越大，相关性越强。
本发明列举的该应用示例分别收集了2016，2017年两年的数据，对应构建的相关性矩阵分别为和如下：
相关系数矩阵转化为相关性判断矩阵的规则是：假定第i个变量和第j 个变量的相关系数绝对值为rij，对应在判断矩阵中赋值为pij。获取专家意见判定哪个变量更为重要，若第i个变量更为重要，则采用步骤S203阐述的赋值规则，可以得到对应的如下：
3)综合判断矩阵
目标层和第一准则层间没有具体的数据，故不采用综合的判断矩阵确定权重，而直接根据专家赋值的结果来确定，即矩阵E。准则层间，经过多次试验、调节专家和相关系数的综合比例，满足第一依据即通过显著性一致性检验，同时满足第二依据即相关性判断矩阵占比最大，即两种矩阵综合时在满足一致性检验的情况下，应使相关性判断矩阵占比最大。
在该示例中，作为一种可实施方式，按照专家赋值：相关性赋值＝0.9:0.1 的比例进行综合，即按照底层初始判断矩阵：相关性判断矩阵＝0.9:0.1的比例进行综合计算：
∑i＝0.9Ei+0.1Pi
其中，∑i为第i个综合判断矩阵，Ei为第i个底层初始判断矩阵，Pi为第 i个相关性判断矩阵。
2016年综合矩阵和2017年综合矩阵分别如下：
(3)一致性检验与权重计算
此步骤通过计算判断矩阵，得到各矩阵的特征向量、特征值和一致性检验值，确认通过一致性检验后，即可认为判断矩阵合理并得到综合权重表。
仍然以对物流企业层次分析的过程为例，借助Matlab R2017a(版本号9.2.0)完成判断矩阵的迭代计算，得到各矩阵的特征向量、特征值和一致性检验值。
表2.1各层次指标特征向量、最大特征根及一致性比率
CR<0.1，通过一致性检验，低层判断矩阵合理。整理后得到各层指标权重表。
层次单排序通过一致性检验后，检验层次总排序的一致性。若已求得第K 层第j个元素为准则的一致性指标平均随机一致性指标则总排序一致性指标CR的计算公式为：
表2.2 2016年层次总排序一致性检验表
CR＝0.0377，CR<0.1，通过一致性检验，层次总排序合理。2016年各层指标权重表如表2.3。
表2.3 2016年各层指标权重表
同理，进行2017年层次总排序一致性检验：
表2.4 2017年层次总排序一致性检验表
CR＝0.0378，CR<0.1，通过一致性检验，层次总排序合理。2017年各层指标权重表如表2.5所示：
表2.5 2017年各层指标权重表
(4)加权得到复合AHP数据
此步只需要对预处理后的数据进行加权计算即可。综合以上各层次指标权重，分别对2016年、2017年75家上市物流公司进行综合排序，如表2.6、表 2.7所示(省略对应公司名称)。
表2.6 2016年75家上市物流公司加权数据综合排序表
表2.7 2017年75家上市物流公司加权数据综合排序表
2、新型分类矩阵的构建——复合AHP与波士顿矩阵的结合
以复合AHP数据为波士顿矩阵的横轴，以另一自定义的引力代表指标(如最常用的增长率数据)为纵轴即可将复合AHP法与波士顿矩阵分类法结合起来。
在本发明该应用示例中，选择了营业收入增长率作为企业实力的代表指标，为了检验分类效果，分别构建出了2016，2017两年的波士顿矩阵，如图 3和图4所示。至此便完成了复合层次分析的分类方法。本发明列举的该应用示例的主体流程简图参见图5所示。
对于该应用实例的结果分析参见表2.8和2.9，附录在下：
表2.8 2016年具体分类
表2.9 2017年具体分类
结果分析：
可分为如下四种情况，分析2016年、2017年75家待分类对象的分类情况：
1)2016年的明星类企业，共计4家，营业增长率和复合AHP数据均较高的它们属于成长型企业，次年它们均演变成公牛类；
2)2016年的公牛类企业，共计10家，次年9家企业仍为公牛类，说明复合AHP数据较高的他们已发展成熟，状况保持稳定；
3)2016年的问题类企业，共计12家，虽然这类型企业营业收入增长率较高，但它们的复合AHP数据一般，未来很难保持住增长率的优势。事实上，次年有11家演变为瘦狗类；
4)2016年的瘦狗类企业，共计49家，这类企业如果不重视改善财务运行状况，未来营业收入增长率也会保持低谷。事实上，次年有43家企业类型保持不变，处于后继无力的衰退状态。
对以上四种情况的分析，证明本发明这种改进型层次分析与波士顿矩阵相结合的分析方法，能够辅助有需求者了解待测对象的运行现状，可针对企业提出一定有效建议，并能对未来企业的运行状况发展趋势做出分析和大致预测，在一定程度上具有可靠性和实用性。
需要说明的是，本发明的数据处理分类方法适用于多种待分类对象，并不仅限于上述应用示例所限。
实施例3
本发明实施例还提供一种基于复合层次分析的数据处理分类装置，该装置包括层次分析模块、相关性分析模块和波士顿矩阵分类模块。
层次分析模块，用于基于层次分析法，建立层次分析的目标层、准则层和方案层；并构造高层判断矩阵；
相关性分析模块，用于将专家赋值法和数据相关性分析赋值法结合，构造准则层的综合判断矩阵；
层次分析模块，还用于根据高层判断矩阵和综合判断矩阵进行一致性检验，并进行加权计算与排序，得出方案层各元素的复合AHP数据；
波士顿矩阵分类模块，用于以复合AHP数据为波士顿矩阵的横轴，以待分类主体引力指标为波士顿矩阵的纵轴，基于波士顿矩阵分类法，将待分类主体进行分类，输出分类结果。
综上，现有技术中的层次分析法一般构造判断矩阵时，仅使用评价者主观判断进行赋值，得到的矩阵偏于主观。但这是层次分析法中最重要的一步，对结果影响非常大；而波士顿矩阵分类法中，最常用于构建波士顿矩阵的元素是：增长率-相对占有率，但待分析对象的待测指标往往是个复杂的、难以量化的因素，仅使用如相对占有率这样的一个典型指标作为代表无疑有其局限性。
因此本发明提出了改进后的层次分析法即为复合AHP法，且与传统波士顿矩阵构造法不同，本发明方法不再选择单一属性的指标来代表企业实力，而是以复合AHP法的输出复合AHP数据作为构造判断矩阵的企业实力因素，从而将两种方法结合起来。
复合AHP法兼容了经验性的主观判断和数据化的客观计算，理论上增大了容错性，更加合理；且该方法还将复合AHP法与波士顿矩阵分类法结合，避免了估量企业实力等数据对象时的片面，更加可靠。
在一个或多个示例性设计中，所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、 ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、 DSL或诸如红外先、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (10)

1.一种基于复合层次分析的数据处理分类方法，其特征在于，包括如下步骤：
采用层次分析法，建立包括目标层、准则层和方案层的层次分析结构；
基于所述层次分析结构，构造高层判断矩阵；将专家赋值法和数据相关性分析赋值法结合，构造所述准则层的综合判断矩阵；
根据所述高层判断矩阵和所述综合判断矩阵进行一致性检验，并进行加权计算与排序，得出所述方案层各元素的复合AHP数据；
以所述复合AHP数据为波士顿矩阵的横轴，以待分类主体引力指标为波士顿矩阵的纵轴，基于波士顿矩阵分类法，将待分类主体进行分类，输出分类结果。
2.根据权利要求1所述的一种基于复合层次分析的数据处理分类方法，其特征在于，所述步骤基于所述层次分析结构，构造高层判断矩阵，将专家赋值法和数据相关性分析赋值法结合、构造所述准则层的综合判断矩阵，包括：
获取专家对所述层次分析结构中两两元素重要性的赋值数据，构造高层判断矩阵和底层初始判断矩阵；
收集待分类主体的准则层最底层各元素对应的数据，依据所述准则层的最底层各元素对应的数据，进行两两元素之间的相关性分析，计算皮尔逊相关系数，得到相关系数矩阵；
根据预设赋值规则，将所述相关系数矩阵转化为相关性判断矩阵；
将所述底层初始判断矩阵和所述相关性判断矩阵按照预设比例进行综合计算，得到综合判断矩阵。
3.根据权利要求2所述的一种基于复合层次分析的数据处理分类方法，其特征在于，所述步骤获取专家对两两元素重要性进行的赋值数据，构造高层判断矩阵和底层初始判断矩阵，包括：
将准则层第一层所包括的多个元素设为大指标，将准则层底层所包括的多个元素设为小指标，将每个大指标下的小指标相对于上层的重要性进行两两比较并量化，得到多个底层初始判断矩阵；判断每个大指标相对于所述目标层的重要性进行两两比较并量化，得到高层判断矩阵。
4.根据权利要求2所述的一种基于复合层次分析的数据处理分类方法，其特征在于，所述步骤根据预设赋值规则，将所述相关系数矩阵转化为相关性判断矩阵，包括根据如下赋值规则进行转化：
设第i个元素和第j个元素的相关系数绝对值为rij，对应在所述相关性判断矩阵中赋值为pij，比较第i个元素与第j个元素的重要性，当第i个元素更为重要时，则:
0＜rij≤0.2,pij＝9；0.2＜rij≤0.4,pij＝7；0.4＜rij≤0.6,pij＝5；
0.6＜rij≤0.8,pij＝3；0.8＜rij≤1,pij＝1。
5.根据权利要求2所述的一种基于复合层次分析的数据处理分类方法，其特征在于，所述步骤将所述底层初始判断矩阵和所述相关性判断矩阵按照预设比例进行综合计算，得到综合判断矩阵，包括：在满足一致性检验的前提下，使所述相关性判断矩阵占比最大。
6.根据权利要求2所述的一种基于复合层次分析的数据处理分类方法，其特征在于，所述步骤收集待分类主体的准则层最底层各元素对应的数据，之后包括：
进行数据预处理，将非正指标数据转化为正指标数据。
7.一种基于复合层次分析的数据处理分类装置，其特征在于，包括层次分析模块、相关性分析模块和波士顿矩阵分类模块；
层次分析模块，用于基于层次分析法，建立层次分析的目标层、准则层和方案层；并构造高层判断矩阵；
相关性分析模块，用于将专家赋值法和数据相关性分析赋值法结合，构造准则层的综合判断矩阵；
所述层次分析模块，还用于根据所述高层判断矩阵和所述综合判断矩阵进行一致性检验，并进行加权计算与排序，得出所述方案层各元素的复合AHP数据；
波士顿矩阵分类模块，用于以所述复合AHP数据为波士顿矩阵的横轴，以待分类主体引力指标为波士顿矩阵的纵轴，基于波士顿矩阵分类法，将待分类主体进行分类，输出分类结果。
8.根据权利要求7所述的一种基于复合层次分析的数据处理分类装置，其特征在于：
所述层次分析模块，用于获取专家对两两元素重要性进行的赋值数据，构造高层判断矩阵和底层初始判断矩阵；
所述相关性分析模块，用于收集待分类主体的准则层最底层各元素对应的数据，依据所述准则层的最底层各元素对应的数据，进行两两元素之间的相关性分析，计算皮尔逊相关系数，得到相关系数矩阵；根据预设赋值规则，将所述相关系数矩阵转化为相关性判断矩阵；将所述底层初始判断矩阵和所述相关性判断矩阵按照预设比例进行综合计算，得到综合判断矩阵。
9.根据权利要求8所述的一种基于复合层次分析的数据处理分类装置，其特征在于，所述相关性分析模块，用于根据如下赋值规则进行转化：
设第i个元素和第j个元素的相关系数绝对值为rij，对应在所述相关性判断矩阵中赋值为pij，当第i个元素更为重要时，则0＜rij≤0.2,pij＝9；0.2＜rij≤0.4,pij＝7；0.4＜rij≤0.6,pij＝5；0.6＜rij≤0.8,pij＝3；0.8＜rij≤1,pij＝1。
10.根据权利要求8所述的一种基于复合层次分析的数据处理分类装置，其特征在于，所述相关性分析模块，用于按照在满足一致性检验的前提下，使所述相关性判断矩阵占比最大的原则，将所述底层初始判断矩阵和所述相关性判断矩阵进行综合计算。
CN201910401504.7A 2019-05-14 2019-05-14 一种基于复合层次分析的数据处理分类方法和装置 Pending CN110287269A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910401504.7A CN110287269A (zh) 2019-05-14 2019-05-14 一种基于复合层次分析的数据处理分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910401504.7A CN110287269A (zh) 2019-05-14 2019-05-14 一种基于复合层次分析的数据处理分类方法和装置

Publications (1)

Publication Number Publication Date
CN110287269A true CN110287269A (zh) 2019-09-27

Family

ID=68001766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910401504.7A Pending CN110287269A (zh) 2019-05-14 2019-05-14 一种基于复合层次分析的数据处理分类方法和装置

Country Status (1)

Country Link
CN (1) CN110287269A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111816291A (zh) * 2020-07-17 2020-10-23 首都医科大学附属北京天坛医院 一种设备维护方法及装置
WO2021073065A1 (zh) * 2019-10-16 2021-04-22 深圳壹账通智能科技有限公司 技术指标数据化处理方法、装置、计算机设备及存储介质
CN114900512A (zh) * 2022-05-26 2022-08-12 云南中烟工业有限责任公司 一种基于web端的AHP层次分析平台
CN117114105A (zh) * 2023-10-25 2023-11-24 中国科学技术信息研究所 基于科研大数据信息的目标对象推荐方法和***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834987A (zh) * 2015-03-09 2015-08-12 中国人民解放军装甲兵工程学院 基于层次分析的量化决策方法及***
CN109377049A (zh) * 2018-10-23 2019-02-22 东南大学 一种“产业-行业-企业”全流程开发区产业选择方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834987A (zh) * 2015-03-09 2015-08-12 中国人民解放军装甲兵工程学院 基于层次分析的量化决策方法及***
CN109377049A (zh) * 2018-10-23 2019-02-22 东南大学 一种“产业-行业-企业”全流程开发区产业选择方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021073065A1 (zh) * 2019-10-16 2021-04-22 深圳壹账通智能科技有限公司 技术指标数据化处理方法、装置、计算机设备及存储介质
CN111816291A (zh) * 2020-07-17 2020-10-23 首都医科大学附属北京天坛医院 一种设备维护方法及装置
CN114900512A (zh) * 2022-05-26 2022-08-12 云南中烟工业有限责任公司 一种基于web端的AHP层次分析平台
CN114900512B (zh) * 2022-05-26 2024-03-29 云南中烟工业有限责任公司 一种基于web端的AHP层次分析平台
CN117114105A (zh) * 2023-10-25 2023-11-24 中国科学技术信息研究所 基于科研大数据信息的目标对象推荐方法和***
CN117114105B (zh) * 2023-10-25 2024-01-30 中国科学技术信息研究所 基于科研大数据信息的目标对象推荐方法和***

Similar Documents

Publication Publication Date Title
CN110287269A (zh) 一种基于复合层次分析的数据处理分类方法和装置
Abdullah et al. Integration of fuzzy AHP and interval type-2 fuzzy DEMATEL: An application to human resource management
Gu et al. [Retracted] Application of Fuzzy Decision Tree Algorithm Based on Mobile Computing in Sports Fitness Member Management
CN113779264A (zh) 基于专利供需知识图谱的交易推荐方法
Aydın et al. How efficient airways act as role models and in what dimensions? A superefficiency DEA model enhanced by social network analysis
CN109697566A (zh) 机电产品加工工艺评价***及其评价方法
CN105512465A (zh) 基于改进vikor法的云平台安全性量化评估方法
CN114529038A (zh) 一种基于企业需求的智能匹配招商策略***及方法
CN111680859A (zh) 基于信息生态理论和rf-ga-bp神经网络的平台专利价值评估方法
CN110968651A (zh) 一种基于灰色模糊聚类的数据处理方法及***
Zandebasiri et al. The place of AHP method among Multi Criteria Decision Making methods in forest management
Shen et al. Sequential optimization three-way decision model with information gain for credit default risk evaluation
CN114462872A (zh) 综合置权模糊评判的互联网平台加盟方评级方法
CN107644285A (zh) 售电市场盈利能力评估指标的筛选与权重确定方法及***
CN117473424A (zh) 基于随机森林的变压器故障诊断方法、***、设备及介质
CN113837913B (zh) 一种村镇耕地资源承载力关键阈值确定方法及装置
CN110727801A (zh) 基于本体的模糊评价搜索引擎广告优化方法
CN116823487A (zh) 一种esg评价体系投资决策***
Mao et al. An optimization-based three-way decision for multi-criteria ranking strategy considering intuitionistic fuzzy concept
CN116308809A (zh) 一种基于事件域交互的分析师观点质量评估方法及模型
Cheng et al. Modeling mode choice behavior incorporating household and individual sociodemographics and travel attributes based on rough sets theory
CN115860552A (zh) 一种农村能源互联网综合效益评价方法
CN112801544A (zh) 一种公路数字化管理绩效评价方法及***
Li Evaluation Method of Economic Growth Quality of Tourism‐Driven Real Estate Based on AHP
Liang et al. A statistical analysis model of big data for precise poverty alleviation based on multisource data fusion

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190927

RJ01 Rejection of invention patent application after publication