統(tǒng)計學經驗法則范文

導語：如何才能寫好一篇統(tǒng)計學經驗法則，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

信貸資產支持證券大致分為資產支持證券 （ABS） 和抵押貸款支持證券 （MBS）。由于證券化產品的結構十分復雜，致它們的定價方式沒有統(tǒng)一的標準。證券化的產品定價主要有三個重點。如下圖所示，第一是定價理論的基礎，第二是提前償付問題，第三是折現率的計算方法。

資產支持證券 （ABS）

ABS定價的理論基礎是現金流折現模型，其價格與其未來產生的現金流的折現值有關。由于ABS基本上沒有嵌入式期權，因此不會發(fā)生提前償付的問題，其折現率可以利用零波動率價差 （Zero-volatility Spread） 來量度。零波動率價差是指在國債的即期利率線上加全個價差后，使得ABS的理論現值與市場價格相等。

現實例子中，我們可以使用零波動率價差來為信用卡應收款項的ABS和汽車消費貸款的ABS定價。就信用卡應收款項的ABS而言，因為它們沒有嵌入式期權，故此使用零波動率價差來定價是恰當的。就汽車消費貸款的ABS而言，雖然它們是有嵌入式期權的，但是基本上都不會被行使，因此也可以使用零波動率價差來定價。

抵押貸款支持證券 （MBS）

實際上MBS和ABS的定價原理很相似，但因為提前償付的問題，MBS的定價過程要復雜于ABS。目前主要流行的MBS定價模型有固定提前償付率模型 （CPR）、美國公共證券協(xié)會經驗法則 （PSA）、美國聯(lián)邦住宅管理局經驗法則 （FHA） 及計量經濟學提前償付模型等。

MBS定價方法主要涉及兩部分，一是確定提前償付假設，二是選取定價模型。

就提前償付假設而言，CPR模型假設貸款期間提前償付率固定不變。其優(yōu)點在于固定提前償付率基于歷史數據及MBS發(fā)行時的經濟環(huán)境確定，簡單實用。而CPR的缺點是未考慮各種因素的變動如何影響借款人的提前償付行為。

而PSA及FHA經驗法則都是根據美國市場的歷史數據建立的，是美國市場的MBS常用的提前償付假設。它們的優(yōu)點是考慮了一些因素的變動對借款人提前償付行為的影響。而其局限性在于，兩者皆依據所制定機構的歷史數據得出，并非適用于所有抵押貸款。若PSA及FHA經驗法要在中國市場實踐， 中國必須建立一個龐大的貸款信息數據庫。

計量經濟學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)計學的回歸分析（Regression Analysis） 對提前償付率進行預測。其優(yōu)點是能更為全面、實際地反映提前償付率與其影響因素之間的關系。而其缺點是計算程序十分復雜，并需要有足夠的數據才可進行分析。

就定價模型的選擇而言，跟ABS一樣，MBS定價的理論基礎都是現金流折現模型，其價格與其未來產生的現金流的折現值有關。就實踐層面而言，資產證券化產品的價格往往根據其與基準利率之間的利差確定，而國際普遍的MBS利差的確定方法主要有兩種，為靜利差分析及期權調整利差分析。

靜態(tài)利差分析在特定的提前償付假設下，假定MBS的收益率曲線與國債（或其他基準利率） 的收益率曲線之間的利差不變，該固定利差即為靜態(tài)利差。其優(yōu)點是較簡單和考慮了利率期限結構對MBS定價的影響。其缺點是未考慮未來利率的波動對預期現金流的影響。

期權調整利差 （OAS） 分析在當今被認為是MBS和ABS產品定價的標準方法。 OAS可以透過運用蒙地卡羅方法 （Monte Carol Method） 或二項式期權定價模型 （Binomial Options Pricing Model） 計算出來，其重點在通過利率期限結構模型模擬不同的利率路徑，預測不同利率環(huán)境下的提前償付行為，以消除早償期權對MBS定價的影響。它的優(yōu)點是考慮了未來利率的波動對預期現金流的影響，而缺點是十分復雜、很難做到十分精準。

中國資產證券化市場的現況和建議

2015年5月，中國國務院常務會議決定進一步推進信貸資產證券化，以改革創(chuàng)新盤活存量資金，新增5000億元人民幣信貸資產證券化試點規(guī)模。中國資產證券化市場今年可能還會有飛躍式成長。此外，時任農行董事長劉士余在今年全國兩會期間表示，信貸資產證券化是化解中國銀行業(yè)不良壓力和金融風險的有效手法，故此值得推廣。

盡管如此，中國信貸資產證券化市場仍然處于起步階段，產品的定價方法依然在摸索與實踐中，還沒有形成一套被廣泛認可、適合我國市場的定價方法。由于中國信貸資產證券化業(yè)務經驗較少，提前償付數據及違約數據等歷史數據不完善，加上利率尚未完全實現市場化等，導致期權調整利差定價模型在我國難以適用。目前，我國信貸資產證券化產品大部分直接采用包含期權補償的靜態(tài)利差進行定價，即采用一年定存利率加上一個固定利差的定價方法。

中國可透過以下三種方法改善中國信貸資產證券化產品的定價機制。

第一，中國可改善發(fā)展貸款信息數據庫去完善市場的定價基礎。根據研究經驗，信貸資產證券化產品的定價有賴于大量信貸基礎數據及相關信用信息的支撐。中國需要建立一個龐大的貸款信息數據庫，形成對貸款早償、違約情況等貸款償付行為數據的積累，并以此來分析貸款的提前償付率、違約率等情況，才能對信貸資產證券化產品進行合理定價。中國至目前為止其實已有一些貸款信息數據庫，例如中國人民銀行征信中心，建議它可和行業(yè)協(xié)會、金融機構加強合作，建立完整有效的抵押貸款信息數據庫，完善市場定價基礎。

第二，中國監(jiān)管機構可進一步規(guī)范和引導發(fā)行人和市場定價行為。中國證監(jiān)會可進一步規(guī)范、引導發(fā)行人和市場定價行為，使他們在進行定價時從產品現金流出發(fā)，考慮合理的早償假設、市場特殊環(huán)境、違約風險、流動性問題和回收假設，并應用更多有效的數學模型，使產品定價反映出MBS產品的真實價值。

第三，中國可加強人才方面的培訓。中國可培育更多熟悉國際及國內定價環(huán)境的人才，使金融機構有足夠的人才去按照市場和監(jiān)管需求進行合理的產品設計和定價。同時，這也能使監(jiān)管機構有足夠的人才去規(guī)范和審查市場的定價行為。

結語

隨著中國證券化市場的規(guī)模和影響力愈來愈大，有效的證券化產品定價機制是避免金融危機的重要基礎。改善發(fā)展貸款信息數據庫、進一步規(guī)范和引導發(fā)行人及市場定價行為和加強人才方面的培訓等都是完善中國證券化產品定價機制的可行方案。

作者介紹

亞洲金融風險智庫 （Asia Financial Risk Think Tank） 是一支由專家牽頭非盈利性智庫組織，智庫自2011年成立，一直關注當下熱議的金融話題，為關鍵人士提供風險管理意見。

篇2

[關鍵詞]會展社會影響；尺度；廣交會；因子分析

[中圖分類號]F59

[文獻標識碼]A

[文章編號]1002－5006(2010)09－0077－06

一、前言

國外研究顯示，研究當地居民的旅游影響感知，對于減少主客雙方的摩擦、幫助政府理解社會影響及獲得居民支持等方面具有重要意義。但是，在關注測量居民的旅游業(yè)態(tài)度的文獻中，缺乏一致的方法和標準化的工具是非常明顯的。最近幾年來，國內已有一些研究致力于構建旅游影響評價尺度，但是，通過文獻檢索，尚未發(fā)現針對會展活動的影響評價尺度研究。

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

二、尺度構建的方法

會展影響評價尺度的開發(fā)主要按照丘吉爾(Churchill)推薦的標準化調查工具的開發(fā)程序進行，并借鑒了蘭克福特(Lankford)和霍華德(Howard)、愛普(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建程序，總結歸納如圖1。

從圖1可以看出，會展社會影響尺度的構建程序大體上可以分為三大階段六個步驟。

第一階段：初始項目庫的編寫，即第一步。初始項目庫的編寫在國外已經形成了比較固定和成熟的模式，即以文獻綜述為主，結合對專家、居民及相關政府官員的訪談，運用德爾菲法等定性研究方法來逐步縮減、整理項目。

第二階段：項目精簡，包括第二步和第三步。項目精簡主要是以預試樣本和正式調查樣本為參照，通過信度檢驗、因子分析等計量方法來精簡項目。

第三階段：尺度驗證，包括第四步至第六步。這個階段是通過正式調查來驗證會展社會影響尺度的信度和效度。

三、會展社會影響尺度開發(fā)的過程

(一)編寫初始項目庫

1　會展社會影響項目的編寫

(1)尺度項目的編寫

尺度開發(fā)的第一步就是構建一個初始調查項目庫。編寫初始項目庫的程序主要有：首先，檢索已發(fā)表的會展影響、節(jié)事影響和旅游影響研究文獻，作為調查項目的來源。其次，為使初始項目庫貼近實際、更加完善，對15名廣州居民進行了深度訪談以補充所收集的項目。訪談樣本包括普通的廣州居民、會展從業(yè)者、政府官員等。每次訪談持續(xù)大約30至60分鐘。對訪談內容進行現場記錄，事后再對內容進行整理和分析。通過文獻回顧和深度訪談共產生了包含120個項目的會展社會影響的初始項目庫。

(2)專家小組評估

在初始項目庫編寫完成之后，專家小組對項目內容進行了定性評估。專家小組由7名在旅游和會展影響領域有學術或專業(yè)背景的專家組成，其中5名專家來自廣西大學商學院，1名專家來自加拿大馬拉斯賓那大學，1名專家來自澳門旅游學院。這個小組評述了這些項目的內容效度――即測驗題目對有關內容或行為范圍取樣的適當性。小組成員還評述了每個項目的清晰度、可讀性和內容。這些是為了確保每個項目都是清楚、簡潔和準確的。

遵循這一程序，項目數量被減少到82個。此外，邀請了專家小組中的5名專家(來自廣西大學商學院)運用德爾菲法進一步對項目庫進行了精簡。

經過規(guī)范化的步驟之后，共有43個項目保留在會展社會影響評價尺度中。該尺度主要用5分制李克特量表來表示。該問卷用了43個問題或陳述測量受訪者同意或不同意各種陳述的程度(強烈同意=5；同意=4；中立=3；不同意=2，強烈不同意=1)，而這些陳述用來評估廣州居民對廣交會社會影響的感知。

2　影響變量的編寫

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

(二)項目簡化

1　預試問卷

問卷初稿設計完成后，還應進行實地調查，因為小組討論和深入訪談并不能涵蓋問卷設計的所有層面。

預試問卷包括3個部分43個項目：第一部分是廣交會對居民的社會影響感知(個人視角)，包括22個項目，其中積極影響16項，消極影響6項；第二部分是廣交會對廣州的社會影響感知(社區(qū)視角)，包括20個項目，其中積極影響7項，消極影響13項；第三部分是對受訪者的社會人口統(tǒng)計學變量的測量。除了第三部分外，其他部分均用李克特5分量表形式表現(強烈同意=5；同意=4；中立=3；不同意=2，強烈不同意=1)。

2　預試樣本

預試樣本選自廣東外語藝術職業(yè)學院國際貿易等專業(yè)的學生，這些學生被選中的原因是他們參加過廣交會的實習，并且在廣州居住了兩年以上。因此，他們對廣交會有一定認識，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份問卷，回收了240份，有效問卷212份，有效回收率為84.8％。

3　預試結果

(1)信度分析

收集了原始數據之后，利用克朗巴哈α系數評價尺度項目的內部一致性。一條經常使用的經驗法則是：.系數大于0.75。對于可接受的α系數的其他估計從0.50到0.60和0.70之間變動。由于尺度由大量項目構成，因而采用了0.70的經驗法則。運用SPSS 15.0統(tǒng)計分析軟件對預試數據進行了信度分析，結果顯示克朗巴哈α系數(43個項目)為0.837，這表明尺度是可信的。

與計算尺度項目的克朗巴哈α系數緊密相關的是計算每個項目一改進后的項目一總體相關系數。與α系數一樣，項目一總體相關系數的經驗法則也有很多，最普遍的法則是：項目一總體相關系數低于0.5的項目被刪除，以及如果刪除某項目后是否增加相應的α值。然而，有些研究者偏向于更保守的方法，即在評估尺度項目時選擇更低水平的項目一總體相關系數。例如，有研究將相關系數的標準確定為0.3，更有學者鼓吹在不低于0.15的相關系數上“重組”項目

考慮到預試樣本可能存在的局限性及尺度編制的嚴謹性，決定把那些項目一總體相關系數低于0.30的項目 刪除。在預試中的43個項目中，有16個項目的項目一總體相關系數得分在0.30以下，因而被刪除。

(2)預試樣本的探索性因子分析

在進行了信度檢驗之后，對保留下來的27個項目執(zhí)行了探索性因子分析，試圖識別會展社會影響尺度的維度。KMO檢驗值為0.848，該值等于或大 于0.6是適合進行因子分析的條件。使用方差最大正交旋轉法來提取主成分，并結合主成分碎石圖來幫助判斷提取主成分數量。

從主成分碎石圖的每個點可以看出：“平坡”和“陡坡”之間的斷點起著分界的作用，從斷點開始的左邊各個“陡點”是有決定意義的主成分，即公共因子，所以表明提取4個公共因子是適合數據的。這4個公共因子解釋了數據中58.423％的方差。

公共因子1包括“A6～A9，A11～A16”10個項目，被識別為“個人收益”，其方差貢獻率為17.598％，說明公共因子1即個人收益可以解釋樣本中居民的會展社會影響感知中的17.598％的方差，這是解釋力最強的公共因子；公共因子2包括“A18、A19、A20、B8、B9、B10、B13、B20”8個項目，按照設計量表時的預設，B8、B9、B10、B13和B20是社區(qū)成本，但是經過與預試受訪者的交流，大多數受訪者認為個人成本與社區(qū)成本很難區(qū)分開來，實際上看起來是社區(qū)成本的項目，但是最終仍是由單個個體來承擔。關于成本維度的區(qū)分，留待正式樣本中進一步證實。在預試階段暫時將公共因子2解釋為“個人成本”維度，其方差貢獻率為16.112％，排在第二位，說明該因子所含信息量也較大；公共因子3包括“B15、B16、B18、B19”4個項目，命名為“社區(qū)成本”，其方差貢獻率為12，500％；公共因子4包括“B1、B2、B3、B5、B7”這5個項目，是“社區(qū)收益”，這5個項目的方差貢獻率為12.214％。

(3)對預試問卷的修訂

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

結合預試樣本的數據分析結果和預試受訪者的反饋意見，對保留的27個項目構成的問卷進行了如下調整：第一，把每個項目陳述中“廣交會”字眼省略。第二，將兩個表格合并為一個表格，按照先易后難的順序進行排列。第三，對個別項目進行了更加口語化的調整。如“廣交會過度使用了社區(qū)的人力資源”和“廣交會過度使用了社區(qū)的財政資源”，改寫為“過度使用了社區(qū)的人力”和“過度使用了社區(qū)的財力”。

經過調整之后，正式調查中有27個項目測量居民的會展社會影響感知，這27個項目構成了用于正式調查的會展社會影響尺度。

三、尺度驗證

(一)正式調查的基本情況

1　正式調查的問卷

正式調查的問卷包括兩個部分。第一部分是27個測量項目：X1－使廣州居民的生活質量提高了，X2－使參展者和廣州居民的關系更融洽，船一使廣州居民的娛樂機會增多了，X4－使居民增強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，X8－提高了廣州居民的普通話和英語水平，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－使廣州的公共設施維護得更好了，X13－提升了廣州的國際化大都市形象，X14－使廣州居民所在的社區(qū)更加團結，X15－提高了廣州的公共防護能力(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－使廣州房價和租賃成本上漲，X20－使廣州的商品和服務價格上漲了，X21－使廣州傳統(tǒng)生活方式和民風民俗發(fā)生改變，X22－降低了人與人之間的相互信任，X23－廣州居民的停車問題更突出了，X24－使廣州的社會道德水準下降，X25－使廣州的社會治安狀況有惡化的趨勢，X26－過度使用了社區(qū)的人力，X27－過度使用了社區(qū)的財力；第二部分是受訪者的背景信息，包括11個問題。

2　樣本獲取及背景資料

為了進一步精簡并驗證會展社會影響尺度，調整后的測量項目以李克特5分量表形式組織起來，于2008年12月至2009年2月間提交給1000名隨機挑選的廣州居民。共計回收問卷811份，回收率為81.1％(n=811)，其中有效問卷733份。根據巴比的標準，70％回收率是非常好的。90.4％的受訪者年齡介于20～45歲之間，女性占到樣本總人數的49.7％，91.3％的受訪者的文化程度在高中以上，在企事業(yè)單位謀職的受訪者占樣本總人數的60.9％，超過半數的受訪者月均實際收入在2000～5000元之間。另外，居住或工作地點在海珠區(qū)的廣州居民有157人，天河區(qū)217人，越秀區(qū)173人，分別占樣本總人數的21.4％、29.6％和23.6％。在廣州居住5年以上的居民占樣本總人數的61.5％，距離廣交會琶洲展館車程在40分鐘以下的居民占樣本總人數的65.7％，直接為廣交會工作的廣州居民占樣本總人數的19.0％，在會展業(yè)或旅游業(yè)工作的廣州居民占樣本總人數的21.9％。

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

3　描述性統(tǒng)計分析

27個項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同廣交會提升了廣州的國際化大都市形象，其次得分較高的是x11(均值為3.7299)，表明居民認同廣交會使得廣州的市容更漂亮了。同時，X20、X18等項目的得分也較高(均值分別為3.7203和3，7240)，這表達了廣州居民感知到商品價格上漲及噪音和垃圾增加等成本。另外，項目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于廣交會使得“廣州的社會道德標準下降”、“社會治安狀況惡化”、“過度使用了社區(qū)人力”和“過度使用了社區(qū)財力”等社區(qū)成本方面保持了中立態(tài)度。

正式調查樣本中絕大多數變量的偏度和峰度系數小于0，說明樣本總體上呈左偏分布和尖峰分布。

(二)尺度檢驗與精簡

1　信度檢驗

與預試樣本一樣，用克朗巴哈α系數來測量尺度的內部一致性。正式樣本的克朗巴哈α系數為0.841，說明尺度具有良好的信度。

由于正式樣本規(guī)模遠大于預試樣本，因此刪除某個項目的標準是其改進后項目一總體相關系數低于0.40。正式調查樣本27個項目中的18個項目的改進后項目一總體相關系數小于0.40。為了慎重起見，通過觀察刪除這些項目后的克朗巴哈α系 數來決定是否直接刪除。SPSS內部一致性信度檢驗結果顯示，在刪除了18個項目后，克朗巴哈α系數顯著上升，達到0.874。

這表明：27個項目組成的尺度信度盡管達到標準(本研究采用的標準為0.70)，但是一些測量項目中可能存在較高的相關性，或者可能在語義上相互包容，并且刪除后導致α系數顯著上升。因此，決定刪除未達標的18個項目。

2　探索性因子分析

對正式調查樣本進行探索性因子分析，以驗證會展社會影響尺度的結構效度。通過SPSS統(tǒng)計軟件執(zhí)行了與預試樣本中基本相似的操作步驟，結果如下：

KMO檢驗結果為0.744，表明正式樣本數據適合進行因子分析。

變量共同度表顯示變量的即“促進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X6的方差做出了59.5％的貢獻。同樣，提取的公共因子對X8(即“提高了廣州居民的普通話和英語水平”)的方差做出了74.9％的貢獻。以此類推。

表1是主成分列表。從表中可見，第一主成分特征值為3.455，方差貢獻率為38.391％。前3個主成分的累計貢獻率為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圖。從圖中可見，前3個主成分的特征值都在1以上，因此提取3個主成分是合適的。

根據經過正交旋轉后的因子載荷矩陣，可以給出旋轉后的各變量的因子表達式：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關鍵步驟。塔巴克尼卡和菲德爾(Tabachnica＆Fidell)提出了下列標準：當因子載荷大于0.71，也就是該因子可以解釋觀察變量50％的方差時，是非常理想的狀況；當載荷大于0.63，也就是該因子可以解釋觀察變量40％的方差時，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％的觀察變量方差時，是非常不理想的狀況。旋轉后的因子載荷均大于0.71，即可以解釋觀察變量50％以上的方差時，是非常理想的狀況。

經過正交旋轉后，9個項目形成了3個主成分或公共因子。公共因子1包括“X11、X12、X13”3個項目，它們的因子載荷分別是0.906、0.912和0.888，被識別為“社區(qū)收益”，其方差貢獻率為38.391％，說明公共因子1即社區(qū)收益可以解釋樣本中居民的會展社會影響感知中的38，391％的方差，這是3個公共因子中解釋力最強的公共因子；公共因子2包括“X17、X18、X19”3個項目，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，其方差貢獻率為22.112％，排在第二位，說明該因子所含信息量也較大；公共因子3包括“X6、X8、X9”3個項目，因子載荷分別是0.759、0.855和0.758，命名為“個人收益”，其方差貢獻率為15.990％。包括9個項目的會展社會影響尺度的α系數為0.744。從方差貢獻率和克朗巴哈a系數可以看出，由9個項目構成的會展社會影響尺度具備較好的結構效度和內在一致性。

表2是因子得分系數矩陣。從表中可以得到因子得分表達式，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、結論與討論

篇3

關鍵詞：LM-BP網絡；糧食產量；預測

中圖分類號：S11+4；TP183 文獻標識碼：A 文章編號：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

糧食產量預測是復雜的農學和統(tǒng)計學問題，受自然環(huán)境、政策、資源投入等多因素的影響。國內外的相關研究中，不少學者構建了許多很有價值的理論假說和預測模型，主要有4類：投入產出模型、遙感技術預測模型、氣候生產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糧食產量預測進行了研究[1，2]。但這些模型多數采用傳統(tǒng)的統(tǒng)計預測技術，如時間序列統(tǒng)計模型、定性與推斷技術、因果關系方法。而糧食產量是受不確定性因素影響的，是一個復雜的非線性系統(tǒng)。

人工神經網絡具有很強的處理大規(guī)模復雜非線性系統(tǒng)的能力。近年來，許多學者已將人工神經網絡成功地應用于實際問題的預測中，取得了令人滿意的結果[3-12]。為此，采用改進算法的神經網絡建立了糧食產量預測系統(tǒng)，結果表明，基于改進算法的BP神經網絡預測模型具有良好的預測精度、訓練時間短、收斂速度快等特點。

1 仿真試驗數據

1.1 預測因子的選擇

根據能夠計量及具有農學意義的原則，結合農業(yè)專家的意見，通過前期大量的影響因子分析[13-15]，選取1994-2009年的糧食總產量為輸出因子，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、受災面積、農村用電量、農業(yè)機械總動力、從事農業(yè)的人口、農村居民家庭生產性固定資產原值、農村居民家庭平均純收入9個因子作為輸入因子構筑模型，原始數據來源于2010年《中國統(tǒng)計年鑒》。

1.2 網絡輸入的初始化

為了消除不同因子之間由于量綱和數值大小的差異而造成的誤差，以及由于輸入數值過大造成溢出，首先需要對數據進行標準化處理，即把輸入數據轉化為[0，1]或[-1，1]的數。通過公式y(tǒng)=（x-min（x））/（max（x）-min（x））對糧食產量進行處理，得到了符合網絡要求的數據。減少了識別數據的動態(tài)范圍，使預測成功的可能性得以提高。然后將數據分成兩部分：網絡的訓練樣本集（前11年的數據）和檢測樣本集（后5年的數據）。

2 預測仿真模型的建立

BP網絡是誤差反向傳播（Back Propagation）人工神經網絡的簡稱，是目前計算方法比較成熟、應用比較廣泛、效果比較好、模擬生態(tài)經濟系統(tǒng)的神經網絡模型，但傳統(tǒng)BP網絡存在學習過程收斂慢，局部極小、魯棒性不好、網絡性能差等缺點。為了改進算法，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梯度方向，而是允許誤差沿著惡化的方向進行搜索，同時通過在最速梯度下降法和高斯-牛頓法之間自適應調整來優(yōu)化網絡權值，使網絡能夠有效收斂，大大提高網絡的收斂速度和泛化能力，它能夠降低網絡對誤差曲面局部細節(jié)的敏感性，有效抑制網絡陷入局部極小。

Levenberg-Marquardt算法實際上是梯度下降法和擬牛頓法的結合，該算法期望在不計算Hessian矩陣的情況下獲得高階的訓練速度，其公式表達為XK+1=XK-[JTJ+μI]-1JTe，其中，JT為雅克比矩陣，e是網絡誤差向量。如果μ=0的話，就變成采用近似Hessian矩陣的擬牛頓法；如果μ很大，即成為小步長的梯度下降法，由于牛頓法在誤差極小點附近通常能夠收斂得更快更準確，因此算法的目的就是盡快轉換為牛頓法。如果某次迭代成功，誤差性能函數減小，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隨著迭代的進行而下降到極小值。Matlab工具箱提供了Trainlm 函數Levenberg-Marquardt算法的計算。

網絡結構的選擇是應用BP網絡成功與否的關鍵因素之一，一個規(guī)模過大的神經網絡容易造成網絡容錯性能下降、網絡結構復雜、泛化能力較差等缺陷；而規(guī)模過小的神經網絡往往對訓練樣本的學習較為困難，學習過程可能不收斂，影響網絡的表現能力，降低網絡應用的精度。理論研究表明，只要具有足夠的隱層神經元，3層人工神經網絡可以無限地逼近任何時間序列和函數，因此這里采用含有一個隱含層的3層神經網絡結構。隱含層神經元數的選擇較為復雜，它關系到整個BP網絡的精確度和學習效率，但目前，它的選取尚無一般的指導原則，只能根據一些經驗法則或通過試驗來確定，如Hecht-Nielsen提出的“2N+1”法，由輸入矩陣可以確定輸入層節(jié)點數為9，根據“2N+1”這一經驗，可確定隱含層節(jié)點數為19；輸出層節(jié)點數為1，這樣就構成了一個9-19-1的BP神經網絡模型，其中，訓練函數為Trainlm，輸入層到隱含層以及隱含層到輸出層的傳遞函數分別為Logsig和Purelm，最大訓練次數Epochs為50 000次；訓練誤差精度Goal為0.001；訓練時間間隔Show為5，學習步長Lc為0.5，動量因子Me為0.95，其他參數均選用缺省值。

3 仿真結果

取1994-2004年的11個實際產量作為訓練樣本集，將2005-2009年的5個實際產量作為預測效果檢測樣本集。將1994-2004年9個指標的原始數據作為BP神經網絡的輸入樣本，糧食產量實際值作為輸出樣本，然后對網絡進行訓練，可得相應結點的權值與閾值，將2005-2009年9個指標的原始數據（檢測樣本）作為網絡的仿真輸入，得到最終預測結果，表1是1994-2009年中國糧食實際產量和神經網絡方法模擬值對比分析結果。

從表1可以看出，訓練樣本集中擬合精度平均相對誤差為0.47%，最大值為2004年的1.13%，模擬值和實際值的相關系數為0.996；檢測樣本集中，BP神經網絡預測模型得到的預測值和實際值具有較好的擬合效果，平均相對誤差為0.56%，最大相對誤差為1.11%，最小相對誤差僅為0.04%，模擬值和實際值的相關系數為0.994；2005-2009年的糧食產量預測值的相對誤差均較小。這種改進后的方法比較有效，利用該算法獲得的預測數據結果較好。

總之，由以上分析結果可以看出，無論是擬合精度還是預測5個獨立樣本，BP神經網絡模型的精度都比較高。但從預測結果也可以看出，BP網絡模型方法預測的平均相對誤差為0.56%，平均預測精度仍有待提高。

4 小結與討論

針對中國糧食產量預測問題，將BP神經網絡應用于國家糧食安全預警系統(tǒng)中，采用1994-2004年的中國糧食產量和影響因子的歷史數據建立模型，利用2005-2009年的數據檢驗模型，研究得出以下結論。

1）由于常規(guī)統(tǒng)計模型難以滿足糧食產量的預測要求，提出的改進BP算法較好地解決了神經網絡收斂慢和易陷入局部極小值的問題，通過建立預測模型，運用該改進方法對中國糧食產量進行了預測，實例證明，運用基于Levenberg-Marquardt算法的改進BP神經網絡，無論從訓練結果精度上還是在收斂性能上都表現出較好的效果，說明運用該方法來預測糧食產量是完全可行的，彌補了傳統(tǒng)BP算法的不足，提高了預測精度，加快了收斂速度，而且具有很好的外延性。

2）BP神經網絡模型的預測精度高，預測值和實際產量的擬合性好。BP神經網絡法允許原始的隨機數據或數據中含有較多的噪聲，這是它區(qū)別于其他模型的最大優(yōu)勢，因而任何能用傳統(tǒng)的模型分析或統(tǒng)計方法解決的問題，BP神經網絡能處理得更好。在進行糧食產量預測時，BP神經網絡法是一種非常理想的預測方法，但是在構造神經網絡的預測模型時，要注意正確選擇影響因素，不要漏掉對預測對象有重大影響的因素。

由于糧食產量受各種因素的影響，波動性較大，除了受到上述9種因素的影響外，在很大程度上還受國家宏觀政策、作物品種、耕作技術等因素的影響，如何更全面地將難以量化的因素也納入模型中進行考慮分析，從而不斷地改進預測模型、提高預測精度，是需要進一步研究的工作。

參考文獻：

[1] 和文超，師學義，鄧青云，等.土地利用規(guī)劃修編中糧食產量預測方法比較[J].農業(yè)工程學報，2011，27（12）：348-352.

[2] 周永生，肖玉歡，黃潤生. 基于多元線性回歸的廣西糧食產量預測[J]. 南方農業(yè)學報，2011，42（9）：1165-1167.

[3] 王巧華，文友先.基于BP神經網絡的雞蛋大小分級方法研究[J].湖北農業(yè)科學，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網絡的糧食產量預測模型[J].湖北農業(yè)科學，2011，50（10）：2135-2137.

[5] 李紅平，魏振方，郭衛(wèi)霞.小麥白粉病的數學模型預測[J].湖北農業(yè)科學，2011，50（17）：3611-3613.

[6] 李 艷，劉 軍.農產品價格預測系統(tǒng)設計與實現[J].湖北農業(yè)科學，2011，50（14）：2976-2978.

[7] 黃 華，黎未然.人工神經網絡在柚皮總黃酮提取中的應用[J].湖北農業(yè)科學，2011，50（10）：2088-2091.

[8] 汪東升，李小昱，李 鵬，等.基于小波和神經網絡的柴油機失火故障檢測[J].湖北農業(yè)科學，2011，50（15）：3181-3183.

[9] 梁 丹，李小昱，李培武，等.近紅外光譜法對食用植物油品種的快速鑒別[J].湖北農業(yè)科學，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藥殘留無損檢測方法研究[J].湖北農業(yè)科學，2010，49（4）：961-963.

[11] 章 英.基于收購質量的烤煙煙葉無損檢測技術研究綜述[J].湖北農業(yè)科學，2011，50（7）：1297-1300.

[12] 李 哲，李干瓊，董曉霞，等.農產品市場價格短期預測研究進展[J]. 湖北農業(yè)科學，2011，50（17）：3666-3675.

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

篇4

關鍵詞：汽車安全配置；配置評價模型；區(qū)間層次分析法；安全貢獻度

中圖分類號：U461.91文獻標文獻標識碼：A文獻標DOI：10.3969/j.issn.2095-1469.2016.05.11

隨著道路交通安全問題日益突出，消費者對汽車的安全性越來越重視，汽車安全配置的高低也逐漸成為影響消費者購買的重要因素。通常，先進的技術都優(yōu)先配備在最高端的車型上，隨著時間的推移逐漸擴散到下一等級的車型中，但近年來市場上汽車安全配置的擴散不一定是循序漸進地發(fā)展，“高端配置低端化”現象層出不窮，成為眾多中低端汽車宣傳和吸引消費者的熱點。定速巡航應用在8萬元左右的車型上，疲勞駕駛預警系統(tǒng)和全景攝像頭應用在10萬元左右的車型上，一鍵啟動、無鑰匙進入成為某品牌10萬元以內全系車型的標配，汽車廠家對安全配置的選擇和應用開始打破傳統(tǒng)，推陳出新。面對越來越理智的消費者，進行安全配置的評價研究從而探索安全配置擴散的優(yōu)先級順序成為各汽車廠家亟待解決的問題。

對安全配置的評價研究可分為兩類，一類是基于試驗或事故仿真方法層面的評價研究，張慶等[1]建立了基于試驗的電子穩(wěn)定控制系統(tǒng)（Energy Absorbing Steering Column，ESC）主、客觀評價體系，適用于目前企業(yè)評估ESC系統(tǒng)；何]等[2]根據上海地區(qū)的真實交通工況，對自動緊急制動系統(tǒng)（Autonomous Emergency Braking，AEB）在4個典型測試場景中進行建模分析，得到AEB的總體安全收益，對在中國上市的AEB系統(tǒng)的評估具有重要意義。另一類是基于事故統(tǒng)計數據方法層面的評價研究，目前主要集中在國外，國內研究者涉足較少。豐田汽車公司的 Aga等[3]基于交通事故數據研究分析了車身穩(wěn)定控制系統(tǒng)（Vehicle Stability Control，VSC）的有效性；挪威交通運輸經濟學研究所的Erke[4]在回顧前人實證分析的基礎之上對ESC進行了評價；Kusano等[5]借助自然駕駛研究（Naturalistic Driving Studies，NDS）數據量化研究了預碰撞警示系統(tǒng)（Forward Collision Warning，FCW）的作用效果；Bálint等[6]通過德國事故深入研究數據庫（GIDAS）等交通數據建立起相對碰撞速度與受傷人數的關系，以AEB系統(tǒng)能夠減少的相應傷害的受傷人數比例來評價其收益，直觀地得到AEB系統(tǒng)的安全收益。

以上評價研究都是針對單個安全配置，且大多處于不同評價層面，缺乏系統(tǒng)性，無法進行配置之間的相互比較。而當前市面上安全配置種類繁多，作用方式、效果大相徑庭，且各配置的質量、成本、開發(fā)周期難以衡量，因此系統(tǒng)性地對各安全配置進行建模分析很困難，不確定性很大，鮮有文獻涉及。國內同濟大學的周圣立[7]從GIDAS出發(fā)，提出了從同一層面評價汽車安全系統(tǒng)安全收益的標準和方法，并預測了各汽車安全系統(tǒng)對今后交通安全帶來的總收益，為安全配置的優(yōu)化選擇提供了重要參考。但該評價方法建立在充分詳實的數據基礎上，而目前我國缺乏類似的數據庫，所以該方法對于一般的研究者并不適用。

本文提出了一種適用于現階段的配置評價方法，在客觀事故數據的基礎上結合實際調研進行配置的系統(tǒng)化評價，實現同類安全配置的橫向比較。在對影響配置擴散的各方面因素進行分析后，針對因子量化過程中不確定性和模糊性的特點，采用模糊區(qū)間數與層次分析法相結合的方法，建立了不確定多屬性配置評價模型，分析安全配置擴散的優(yōu)先級順序，為汽車企業(yè)選擇汽車配置提供了科學的

依據。

1 問題描述

配置擴散是指隨著時間的推移，配置不斷被越來越多的消費者所采用的過程。在配置的擴散過程中，消費者基于自身的需求和價值感知對各個配置有不同的偏好，生產廠家則在探索獲取消費者配置偏好的基礎上，結合自身資源和競爭對手形勢，綜合考慮后制定配置投放市場的計劃。基于系統(tǒng)性和普遍性的原則，構建了表1所示的配置擴散影響因子分析模型，其中消費者方面的因子包括需求形成和購買過程的所有影響因子，具體到汽車配置的各因子見表1。汽車生產廠家是配置擴散中決定性的一環(huán)，本文從生產廠家的角度出發(fā)，通過研究汽車配置擴散的優(yōu)先級順序，從而指導廠家進行技術選擇和新車型定位。

汽車廠家考慮各方面的因素進行配置評價從而判斷配置擴散優(yōu)先級順序的問題屬于多屬性決策問題，層次分析法（Analytic Hierarchy Process，AHP）具有處理定量和定性屬性的能力，應用簡單，是多屬性決策的首選方法。同時考慮到配置評價各屬性信息呈現不完整性、不確定性及不可靠性等特點，以及決策人員對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，應用區(qū)間數能柔性地表達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研究配置評價問題，可有效克服定量因子和定性因子并存的難題，而且更為細致和直觀地刻畫目標屬性信息和決策者的判斷信息。

實際中由于不確定信息的決策經常出現，區(qū)間層次分析法的應用很廣泛。高顯義等[8]針對工程項目風險評估中存在的復雜性和影響因素的不確定性，提出了基于區(qū)間數層次分析法的工程項目風險評估方法，合理處理了決策因素的不確定性以及專家判斷的模糊性，使評估結果更具可信性及科學性。郝慶波等[9]基于評價對象和相似產品之間可靠性水平的差異程度很難準確評定的問題，提出了一種引入區(qū)間層次分析的數控機床可靠性預計方法，進一步提高預計結果的準確性。朱慶鵬等[10]針對高速送料機可靠性分配中存在的模糊因素較多難以定量分析的問題，在多級模糊評判的基礎上引入區(qū)間層次分析法，提出一種高速送料機的可靠性綜合分配方法。區(qū)間層次分析法還在供應商評價、天然氣供應系統(tǒng)風險評價、災害危險性評價等方面都有應用，它在處理不確定多屬性決策問題中具有廣泛的適用性和實用性。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價模型進行配置擴散優(yōu)先級順序研究。

2 不確定多屬性配置評價模型

根據AHP解決問題的主要步驟，制定了不確定性多屬性配置評價模型的建模過程。

步驟 1：判斷矩陣構建。

設為目標屬性集，假設這些屬性是加性獨立的，有p個決策者對n個屬性進行兩兩比較，每個決策者都做出他們相對重要程度的判斷，記為，

且要求

，重要程度的賦值按照傳統(tǒng)的AHP1-9標度定義，得到判斷矩陣，

其中，

，表示p個決策者一致認為屬性Qi，Qj相對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重求解。

區(qū)間數判斷矩陣必須保證具有局部滿意一致性，否則求得的權重沒有意義。而根據相關定理[11]，區(qū)間數判斷矩陣一致等價于和一致。如果區(qū)

間數判斷矩陣不滿足一致性則需要決策者調整判斷賦值表。

將美國運籌學家游伯龍?zhí)岢龅奶荻忍卣飨蛄糠ㄇ蠼鈾嘀剡M行拓展，得到區(qū)間數判斷矩陣的權重計算公式[12]：

。

式中：任意取定，

。

步驟3：指標值的規(guī)范化處理。

記Si，為目標方案集，假設以不同物理量綱給出的Si關于某個指標Qj的度量值為一個區(qū)間值，其中，則可采用“比

重變換法”對其進行規(guī)范化處理，計算式如下：

（當Qj為效益型指標），

（當 Qj為成本型指標）。

顯然，。

步驟4：求解決策方案的綜合評估值。

設屬性的權重向量為，則根

據多屬性決策分析的加權法則，決策方案Si的綜合評價值區(qū)間，可以分別由下列兩個線

性規(guī)劃模型求得[13]：

步驟5：模糊區(qū)間值排序。

考慮到目標對準確性的要求，同時兼顧實用性和易操作性等客觀要求，在此選用期望-方差法作為度量配置綜合評估值的排序方法。

記方案Si的綜合評價值為，設ui為區(qū)間數上服從均勻分布的隨機變量，由概率密度函數容易求得[14]：

。

3 汽車安全配置擴散研究

3.1 評價指標的選取

從汽車生產廠家角度出發(fā)，探索汽車安全配置的擴散規(guī)律，研究對象囊括被動安全配置和主動安全配置，主動安全配置又劃分為自動輔助類、信息提醒類和視野輔助類，在汽車上已經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、制動防抱死系統(tǒng)（Antilock Brake System，ABS）和電子制動力分配系統(tǒng)（Electric Brakeforce Distribution，EBD），以及車輛防盜類安全配置不在本次研究范圍內。汽車生產廠家在選擇安全配置時需要考慮的因素錯綜復雜（表1），但企業(yè)最關注的是直接促使消費者做購買決策的各個因子，所以產品的功能、技術成熟度、成本都是企業(yè)考慮的重點，情感因素是很難統(tǒng)一的，因此影響力不大，在此不考慮。價值感知因子是由需求約束因子驅動形成的，兩者之間存在較強的相關性，即在考慮價值感知因子的同時需求約束因子已經很大程度被融入在內。政策法規(guī)作為國家調控市場的有力手段，關乎企業(yè)的生存根本，作用效果明顯，有必要對其進行考慮。至于生產廠家自身資源及競爭形勢，為了簡明扼要地分析問題，可考慮在配置評價的結果之上再對其進行適當考慮。綜上所述，最終確定安全貢獻度Q1、成本Q2和政策引導Q3這三個影響因子作為配置選擇的評價指標。

3.2 評價指標的量化

安全貢獻度Q1是指安全配置對汽車安全性能提高的影響程度，它與配置的功能定位以及技術發(fā)揮的穩(wěn)定程度有關，在衡量功能重要性的過程中融入了消費者調研數據，因此消費者的需求偏好也同時在該指標里面加以考慮。安全貢獻度是一個綜合性指標，本文對安全貢獻度的計算進行如下定義：

。

式中：Q1e為期望安全貢獻度；r為技術風險值。

3.2.1 期望安全貢獻度

被動安全類配置按照作用的事故類型、保護對象和主要保護部位可以確定其期望安全貢獻度。各事故類型對Q1e的重要程度由各類型事故發(fā)生的頻率決定，它直接關系到相應配置發(fā)揮作用的機率。根據C-NCAP[15]評分規(guī)則中身體各部位所占分值，可以擬定在碰撞事故中保護頭部、頸部、胸部、膝部和腹部各部分的相對必要性比值為13∶9∶15∶6∶4。C-NCAP中僅對成人乘員做了比較全面的考慮，而在實際的交通環(huán)境中，兒童乘員和行人是不得不考慮的兩個構成部分，因此在判斷各類保護對象的相對重要度時應參照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，確定保護對象的相對重要度為前排乘員∶后排乘員∶兒童乘員∶ 行人=5∶4∶3∶2。被動安全的期望安全貢獻度值見表2。

主動安全配置由于作用工況復雜，作用方式差別很大，難以按統(tǒng)一指標對其進行評價，本文采取消費者調研與客觀事故數據相結合的方法，通過對配置進行功能層級劃分來確定Q1e值。表3為自動輔助類配置的Q1e值，根據其作用工況和自動化程度確定。各工況的相對重要程度通過對50名駕駛員進行電話訪談或者面談來獲取數據，根據數理統(tǒng)計學的經驗法則，認為樣本量大于30的就可以應用一些統(tǒng)計分布的結論，且本文調研的駕駛員樣本都是經過嚴格篩選的，所有駕駛員實際獨立駕車時間都在3個月以上，對車輛的各個工況有較好的了解，因此調研結果具備較高的可靠性和真實性。配置的自動化程度劃分為4個等級，4級自動化程度可以完全解放手和腳的操作，3級自動化程度可以解放手或腳的操作，2級自動化程度可以輔助手和腳的操作，1級自動化程度的配置是2級自動化程度配置的補充。

信息提醒類配置的Q1e值確定過程見表4，先按照信息類別的調研結果進行排序，再通過對相同功能不斷細分比較，結合插值法最終求出各配置的 Q1e值。視野輔助類配置的Q1e值也按同一思路進行，在此不再詳述。

3.2.2 技術風險值量化

技術風險主要是指由于技術本身的成熟度、技術壽命的不確定性、創(chuàng)新技術的能力、技術難度等因素導致的技術失敗的可能性。技術采用生命周期（Technology Adoption Life Cycle）表現為一條鐘形曲線（圖1），它將新技術在消費者中的擴散過程分成5個階段，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的比例分別為2.5%、13.5%、34%、34%、16%[17]。技術生命采用周期各階段的技術風險值見表5[18]。本文研究的各安全配置的技術風險值可根據其所處的技術擴散階段來確定，而配備率能很好地反映各配置目前的市場滲透情況。對于屬于同類技術的不同配置，技術風險值應統(tǒng)一取最小值。

安全配置的成本主要包括兩大部分：購置價格和持有價格。多數安全配置在汽車的使用壽命范圍內都能正常運行且維修支出較小，在此只關注安全配置的購置價格。購置價格通常包含在整車價格之內，單個安全配置的價格很難獲取，因此成本數據依據現行市場上在4S店加裝該配置的價格來確定。政策引導即國家、行業(yè)對該配置的重視程度，汽車上配備率達到100%的安全配置不在本文的研究范圍內，所以國內的強制性安裝法規(guī)不包括在內。政策對安全配置擴散的引導程度首先是根據國內相關的政策和技術標準來進行等級劃分，用1表示法規(guī)要求強制安裝，0表示完全沒有任何相關的政策和技術法規(guī)，當然這種極端情況是很少出現的。確定政策引導力度與國內政策法規(guī)之間的關聯(lián)關系（表6），再綜合考慮該配置在國外是否屬于法規(guī)強制安裝的或者新車評價規(guī)程所鼓勵安裝的配置，相應調整配置的政策引導力度上升一個等級。各配置的屬性量化值見表7。

3.3 實例分析

鑒于我國自主品牌乘用車目前主要定位于中低端市場，本文選取8～10萬元價格區(qū)間內的乘用車進行安全配置的擴散規(guī)律研究，旨在給自主品牌汽車企業(yè)選擇安全配置提供科學的參考。

3.3.1 目標屬性權重確定

有3位決策者參與決策，針對8～10萬元價格的乘用車，分別對安全貢獻度Q1、成本Q2和政策引導Q3進行重要程度的判斷，得到群體決策判斷矩陣。

3.3.3 決策方案的綜合評估值及排序

根據步驟4和步驟5計算各配置的綜合評估值，按照綜合評估區(qū)間值的期望值和方差進行排序，得到8～10萬元車型上的各類安全配置擴散的優(yōu)先級順序（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、長安、長城七大品牌的8～10萬元價格區(qū)間的102輛暢銷車型的配備率來對預測結果進行驗證。由圖2可知，該排序結果與市場上8～10萬元價格區(qū)間暢銷車型的安全配置配備率分布（圖中未出現的配置配備率為0）基本一致，結果中存在一些微小的差異主要是因為實際應用過程還需要考慮各配置間的裝配關系、配置功能互補或重復程度、產品具體定位等諸多因素。

在被動安全類的排序中，由于前后排頭部氣囊通常為一體化裝置，因此實際擴散過程中后排頭部氣囊的優(yōu)先級順序提前。在自動輔助類排序中，上坡輔助和陡坡緩降是在VSC系統(tǒng)的基礎上加裝的，其擴散的優(yōu)先級順序會排在VSC系統(tǒng)之后。制動輔助與ABS屬于功能互補關系，結合使用能發(fā)揮“1+1>2”的功效，所以它在實際應用擴散中的擴散優(yōu)先級會提前。主動制動與ABS在一定程度上屬于功能重復關系，而ABS具有絕對的擴散優(yōu)先權，所以主動制動擴散優(yōu)先級會延后。定速巡航除了是一種安全配置外，給消費者帶來的舒適性和科技感也不可忽略，本文僅從安全角度出發(fā)，因此造成其擴散排序偏后。對于信息提醒類配置前駐車雷達，大部分消費者會在購車后自行加裝，故實際的前駐車雷達配置率高于分布圖中的配置率。

總之，本文的排序結果是建立在對配置的安全貢獻度、成本和政策引導三方面綜合評估的基礎之上的，這三方面作為企業(yè)關注的核心部分，配置的排序結果對企業(yè)有較大的參考意義。車型在具體應用過程中應進一步考慮各配置間的配合關系，并根據其具體定位進行適當調整。在安全配置擴散預測結果的基礎之上，企業(yè)再進行配置的選擇時，復雜、難以處理的問題變得條理清晰、有據可依，本文提出的不確定多屬性配置評級模型為企業(yè)的安全配置選擇以及技術路線規(guī)劃提供了科學合理且靈活應對的應用方法。