投影寻踪分类模型在会计工作评价中运用.docVIP

投影寻踪分类模型在会计工作评价中运用 　　【摘 要】 投影寻踪分类模型是一种典型的高维数据分析模型，在多因素分析领域有广泛的应用。文章以江苏靖江市某企业为例，综合考虑2012年每季度会计部门员工的工作考核情况及年工作出错率，利用投影寻踪分类模型对各员工2012年度的工作进行综合考量和评价。结果表明投影寻踪分类模型在会计工作评价中具备相当的可行性，所得结果客观科学、公平公正，在大型企业会计工作考核中有一定的推广价值。 　　【关键词】 投影寻踪分类模型； 会计评价； 企业会计 　　工作技术评价早在西方国家第一次工业革命时期就已出现，在二战后迅速推广，并成为比较流行的评价技术，从20世纪40年代国外学者开展工作评价技术方面的研究以来，人们一直在寻找能够最大程度增加评价有效性的手段，从而指导实践中的工作评价（周丽，2009）。在大型公司会计工作评价过程中，核心是如何合理地将不同时期的考核指标转化成单个综合评价指标的形式，在低维空间中实现员工会计工作的评价，而目前国内外学者提出的一些优选理论如模糊综合评判模型、灰色综合优选模型、层次分析优选模型等，在权重的赋予上多带有人为主观因素，容易偏离评价目标，为此，本文选取基于实数编码的加速遗传算法（RAGA）的投影寻踪分类模型进行会计工作评价，利用投影寻踪分类模型技术评价大型公司的员工会计工作，不仅客观性强，避免了人为的干扰，还可充分利用原始数据的内部结构特点，保证原始信息的全面性。目前投影寻踪分类模型已经在理工科科学研究中得到了广泛应用并取得了很好的效果，而在经济管理和工作评价领域应用则不多。因此本文一方面介绍其原理和建模方法，另一方面以江苏靖江某公司为例进行实例分析，旨在为统计学的优秀模型在财务工作管理中的应用开辟新径，并为财务管理人员对会计员工的工作评价提供有益参考。 　　一、投影寻踪分类模型的原理 　　投影寻踪（Projection Pursuit，简称PP）是一种用来分析和处理高维数据，尤其是处理非线性、非正态分布高维数据的一种新兴方法。其实质是利用计算机技术，通过把高维数据投影到低维子空间，???找能够反映原高维数据结构或者特征的投影，在低维空间研究数据结构，从而达到研究与分析高维数据的目的。 　　二、投影寻踪分类模型建模方法 　　建模步骤如下： 　　（一）建立评价矩阵 　　设评价的样本容量为n，评价指标（变量）数目为p，第i个样本的第j个指标值为xij*，则所有样本指标数据可以用n×p列的数据矩阵X*表示： 　　X*=x11* x12* … x1p*x21* x22* … x2p* … … …xn1* xn2* … xnp* 　　（二）无量纲化处理 　　为解决各指标值的量纲不同，对不同样本指标值进行无量纲化处理： 　　对数值越大越优的指标采取如下处理： 　　xij= 　　对数值越小越优的指标采取如下处理： 　　xij= 　　处理后得到n×p的数据矩阵X： 　　X=x11 x12 … x1px21 x22 … x2p … … …xn1 xn2 … xnp 　　式中：max（xj*）——第j个指标的最大值；min（xj*） ——第j个指标的最小值。 　　（三）线性投影 　　投影实质上就是从不同的角度去观察数据，寻找能够最大程度地反映数据特征和最能够充分挖掘数据信息的最优投影方向，从而实现数据降维。本文将高维数据投影到一维线性空间进行研究，因此，设单位向量a={a1，a2，…，ap}为一维线性投影方向，则矩阵X投影到a上的一维投影特征值为zi。 　　zi=aj·xij （i=1，2，3，…，n；j=1，2，3，…，p） 　　（四）构造投影目标函数 　　综合投影指标值时，根据分类原则，投影值的散布特征尽可能满足如下要求：局部投影点尽可能密集，最好凝聚成若干点团；整体上投影点团之间尽可能散开，即：使多元数据在一维空间散布的类间距离SZ和类内密度DZ同时取得最大值。因此，将投影目标函数表示为类间距离和类内密度的乘积： 　　Q（a ）=SZ·DZ 　　式中：SZ——投影特征值zi的标准差，也称类间距离；DZ——投影特征值zi的局部密度，也称类内密度。 　　SZ= 　　式中E（z）——序列{zi│i=1～n│}的平均值。 　　DZ=（R-rik）·f（R-rik） 　　式中R——局部密度的窗口半径。 　　rik=│ri-rk│ 　　f（t）=0 t≥01 t≤0 　　i，k=1，2，3，…，n，表示样本容量。 　　（五）优化投影目标函数 　　对于给定的样本集指标值，投影指标函数Q（a）随着投影方向a的变化而变化，能够最大可能地反映高维数据某类结构特征的投影方向即为最佳投影方向。因此运用目标函数最大化对投影目标函数进行优化：