数学建模宜居城市综合评价.docVIP

六、问题一的模型建立与求解 6.1宜居城市评价指标体系 6.1.1宜居城市的评价指标的粗选 根据参考文献中的宜居城市指标体系，可以看出这些指标的评选具有较高的权威性，故该文献中选取的宜居城市指标可作为问题一中宜居城市的评价指标的粗选结果。我们以附录中的表为各指标直接相对应的数值，整理并定义三级宜居城市评价指标体系如下，见表6.1.1： 表6.1.1.1宜居城市评价指标（粗选） 一级指标 二级指标 三级指标 宜居城市评价 社会文明度 政协委员会人数 人民政协和民主党派固定资产投资 社会捐赠款 社会福利院单位数 社区服务站数 社区养老服务机构单位数 社会组织情况 公共图书馆机构数量 经济富裕度 人均GDP 城镇居民人均可支配收入 人均财政收入 就业率 第三产业就业人口占就业总人口的比重 环境优美度 废水排放总量 固体废物综合利用量 自然保护区数量 造林面积 湿地面积 资源承载度 人均可用水资源总量 工业用水重复利用率 人均住房面积 耕地面积 人均生活能源消费量 生活便利度 家用汽车拥有量） 商业服务 市政设施 教育文化体育设施 绿色敞开空间 公共卫生 6.1.2指标遴选 6.1.2.1直接遴选 直接遴选是指在不借用任何算法的情况下，凭借逻辑推理和可行性分析排除一些不合适的数据。我们通常排除那些不便于进行统一的估测、计算的数据，这些不实用的数据通常有以下两个特点： （1）指标数据难以被量化，且指标涵盖的范围太大。 （2）指标所含数据有大量缺失，不能保证对于描述对象的一般性。 根据以上特点，我们考虑将以下指标剔除，如表6.1.2.1所示： 表6.1.2.1直接遴选剔除的评价指标 序号 所剔除的三级指标 原因 1 人民政协和民主党派固定资产投资 指标难以被量化 2 政协委员会人数 指标难以被量化 3 湿地面积 指标难以被量化 4 市政设施 指标难以被量化 5 公共卫生 指标难以被量化 6 商业服务 指标难以被量化 7 绿色敞开空间 指标难以被量化 8 社会福利院单位数 指标对应数据大量缺失 9 社区养老服务机构单位数 指标对应数据大量缺失 10 人均财政收入 指标对应数据大量缺失 11 人均住房面积 指标对应数据大量缺失 12 工业用水重复利用率 指标对应数据大量缺失 6.1.2.2间接遴选 间接遴选是指通过一些数学算法，计算不同的三级指标之间的相关程度，通过计算出的相关性筛选相应的三级指标，能够全面地反映更高层次指标的内容，并且最大化地避免同层次指标之间的重复性。 目前常用的计算指标间相关程度的算法有两种，一种是以线性回归为基础的算法，代表算法是以皮尔逊相关系数为思想核心的主成分分析法；另一种是以根据因素之间发展趋势的相似或相异程度为基本思想的算法，其代表算法是灰色关联分析法。 由于我们注意到，求出的少数几个主成分往往不具备实际意义，或实际意义难以被洞察；同时，主成分分析法基于线性回归，而宜居城市的评价指标之间显然不是简单的线性关系。因此，我们选择灰色关联分析法来分析各个指标之间的相互关系。 灰色关联度分析具体步骤如下： 确定比较对象（评价对象）和参考数列（评价标准）。将表6.1.1.1中经直接筛选后保留的三级指标进行编号：1,2，?，n： 1,2，?，k。构造参考数列： 以及比较数列： 根据以上定义，我们定义： （1） 为比较数列对参考数列在k时刻的关联系数，其中为分辨系数。称（1）式中分别为两级最小差及两级最大差。 一般来讲，分辨系数越大，分辨率越大；越小，分辨率越小。 则相应的关联度R为： （2） 根据上述模型，结合附录中表的数据，可以根据以下步骤求解： Step 1.求解各序列值的初值像，令： Step 2.计算灰色关联系数，利用公式： 其中： 为差序列的最小值， 为差序列的最大值； 为差值；为分辨系数，取值在区间上，本文中取0.5。当越大时，越小，反之则越大。因此的大小刻画了两组数据之间的大小。 Step 3.得到关联系数，根据关联度公式（2），可计算得到经过直接筛选后的指标。 显然，经过Zscore标准化处理后的数据关联程度极为相近，这可能是由于数据“缩小”后的均值和方差的相近所导致的。于是，我们选择0-1标准化处理后的问题关联度作为间接筛选的参考。 经过查阅相关资料，我们规定关联度判定表如下表6.1.2.2(a)所示。 表6.1.2.2(a) 关联度判定表 等级 极度失联 严重失联 中度失联 濒临失联 初级失联 中级关联 良好关联 关联度 （0，0.3） （0.3，0.5） （0.5，0.7） （0.7，0.8） （0.8，0.85） （0.85，0.9） （0.9，1.0） 我们取0.8为筛选指标的标准，高于0.8的指标由于与其他关联度过高会造成计算的繁琐和重复，而被删除。 综合