搜索
第十二章农村发展研究评价方法主要内容•第一节农村发展研究评价的一般过程和分类•第二节农村发展研究常用的评价方法第一节农村发展研究评价的一般过程和分类•一、评价概述•二、农村发展研究评价的一般过程•三、评价方法分类一、评价概述•评价就是参照一定标准对客体的价值或优劣进行评判比较的一种认知过程，同时也是一种决策过程。•评价分综合评价和单项评价单项评价：评价标准单一、明确（单指标评价）综合评价：评价标准复杂、抽象（多指标评价）二、农村发展研究评价的一般过程•评价的目的是通过对评价对象属性的定量化测定，实现对评价对象整体水平或功能的量化描述，从而揭示事物的价值或发展规律。二、农村发展研究评价的一般过程•完整的评价可以分为如下几个阶段：（1）确定评价目的，选取评价对象（2）建立评价指标体系•具体包括评价目标的细分与结构化，指标体系的初步确定，指标体系的整体检验与初步检验，指标体系结构的优化，定性变量的数量化等环节。（3）选择评价方法与模型•具体包括评价方法选择，权数构造，评价指标体系的标准值与评价规则的确定。二、农村发展研究评价的一般过程•完整的评价可以分为如下几个阶段：（4）综合评价实施•包括指标体系数据搜集、数据评估、必要的数据推算模型参数求解等。（5）对评价结果进行评估与检验，以判别所选评价模型、有关标准、有关权值、甚至指标体系合理与否。•若不符合要求，则需要进行一些修改，甚至返回到前述的某一环节。（6）评价结果分析与报告•具体包括评价结果的书面分析，撰写评价报告，提供与发布评价结果，资料的储备与后续开发利用。三、评价方法分类评价方法可以分为定性评价方法和定量评价方法两类。按其评价思想不同，可以分为加权评价方法和非加权评价方法两类。按各评价方法的理论基础不同，可以分为六大类定量评价方法。三、评价方法分类•定性评价方法：专家会议法、德尔菲法•常规定量评价方法：功效系数法、综合指数法•多元统计评价方法：主成分分析法、因子分析法、聚类分析法、判别分析法、理想点法•运筹学评价方法：层次分析法、DEA法（数据包络分析）•模糊评价方法：模糊综合评价、模糊聚类、模糊识别、模糊物元、模糊积分第二节农村发展研究常用的评价方法•一、综合指数法•二、功效系数法•三、主成分分析•四、因子分析•五、聚类分析•六、判别分析•七、层次分析法一、综合指数法•综合指数法是指在确定一套合理的经济效益指标体系的基础上，对各项经济效益指标个体指数加权平均，计算出经济效益综合值，用以综合评价经济效益的一种方法。即将一组相同或不同指数值通过统计学处理，使不同计量单位、性质的指标值标准化，最后转化成一个综合指数，以准确地评价工作的综合水平。一、综合指数法•各项指标的权数是根据其重要程度决定的，体现了各项指标在经济效益综合值中作用的大小。•综合指数法的基本思路则是利用层次分析法计算的权重和模糊评判法取得的数值进行累乘，然后相加，最后计算出经济效益指标的综合评价指数。综合指数法的基本步骤•（1）选择适当的指标•（2）确定权重•（3）根据实测数据及其规定标准，综合考察各评价指标，探求综合指数的计算模式。•（4）合理划分评价等级•（5）检验评价模式的可靠性应用实例•引用甲、乙两地区2000年农业经济效益资料，说明综合指数法在分析评价农业经济效益方面的具体应用。•甲乙两地区2000年农业经济效益相关资料见表1：以农业物耗与产值比表示资金产出率；以亩均产量和亩均收入表示土地生产率；以劳均产值、劳均收入等表示劳动生产率。•在构建指标体系的基础上，通过德尔菲咨询，进行层次分析来确定各指标的权数，以初值化消除量纲，计算农业经济效益综合指数。•其计算公式为:•由计算结果可知，2000年两地区经济效益综合指数分别为110.28%和115.52%，均大于100%，说明两地区农业经济效益较好，且乙地区农业经济效益优于甲地区农业经济效益。二、功效系数法•功效系数法是根据多目标规划原理而建立的一种评价方法。•其含义是：在评价某一整体的综合效益时，一般有多种指标，而这些指标的性质和度量单位往往不同，不能直接相加或综合，需要通过一定形式的函数关系将其转化为同度量指标，再将这些同度量指标加权综合，使之形成一个综合指标，称之为总功效系数，以此评价整体的综合效益。•在以往功效系数法的应用中,最后功效系数值使用加权算术平均的方法确定,为了更准确地评价整体效益状况,统计学家设计出改进功效系数,对每一评价指标分别确定一个满意值与不允许值,以满意值为标准上限,不允许值为标准下限,按线性正相关的方法将不同的评价指标无量纲化转为相应的评价分数,经加权几何平均得出综合评价分数,对评价对象的综合状况作出评估。•综合功效系数越大,表明评价对象综合状况越佳。•其数学模型为:应用实例：•基于功效系数法的城市土地利用效益评价———以武汉市为例城市土地利用可从经济效益、社会效益、生态效益三个方面对其进行评价，但其涉及的指标繁杂，且性质与度量单位也存在较大差异，因此可以使用功效系数法对其进行评价。三、主成分分析•主成分分析（PrincipalComponentAnalysis，PCA）在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。在用统计分析方法研究多变量的课题时，变量个数太多就会增加课题的复杂性。人们希望变量个数较少而得到的信息较多。当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析方法的原理•设法将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上降维处理的一种方法。主成分分析的具体步骤•1、确定指标体系在各项具体指标的设置和选择过程中，要注意指标的全面性、代表性、可得性、简洁性和整合性。•2、建立原始信息矩阵Xn×p•3、对矩阵X中的数据实行标准化处理，统一指标之间的量纲，使其具有可比性•4、求标准化矩阵Z的相关矩阵R，利用标准化后的数据计算P个指标间的相关系数•5、求相关矩阵R的特征值和特征向量•6、确定主成分的个数k累计贡献率大于等于85%的k值•7、给出主成分Yi,i=1,2,…,p的表达式。•8、计算综合评价指标综合评价指标其实就是前K个主成分的线性加权值•9、计算评价分值并排序应用实例：•主成分分析及其应用探讨——以山西省农村居民消费结构为例年份消费性支出构成食品X1衣着X2家庭设备用品及服务X3医疗保险X4交通和通讯X5娱乐教育文化服务X6居住X7杂物商品及服务X81980100.0059.8915.493.710.440.401.6118.120.341985100.0054.3214.628.002.680.515.2913.810.771990100.0052.8712.456.854.060.656.7315.520.871995100.0063.1511.104.633.351.516.778.371.121996100.0058.3911.155.013.821.887.999.252.511997100.0057.0310.555.134.053.628.189.501.941998100.0056.0610.825.144.493.029.539.121.821999100.0051.5510.344.965.574.4211.529.781.862000100.0048.649.874.255.254.2511.7812.523.442001100.0047.559.674.184.844.6411.6614.043.422002100.0043.8610.184.774.767.6213.0412.643.13山西省农村居民家庭平均每人全年消费性支出构成(1980~2002）SPSS操作•1、Analyze---DataReduction----Factor2、选择后弹出现下面的对话框3、把数据都选进Variables去3、把数据都选进Variables去4、点击•5、弹出现下面的对话框6、在对话框的空白处填0，记得上面的图中要选中前面的点•7、点击continue钮•8、返回上个对话框•9、如需要得到相关系数矩阵，点击在Coefficients前的方框打上钩•10、然后点击continue钮•11、返回上个对话框，点击“OK”分析结果——表格•相关系数矩阵CorrelationMatrix1.000.456.006-.617-.759-.755-.239-.688.4561.000.377-.897-.760-.903.617-.828.006.3771.000-.040-.404-.228.062-.423-.617-.897-.0401.000.698.934-.520.733-.759-.760-.404.6981.000.889-.257.813-.755-.903-.228.934.8891.000-.416.872-.239.617.062-.520-.257-.4161.000-.268-.688-.828-.423.733.813.872-.2681.000食品X1衣着X2家庭设备用品及服务X3医疗保险X4交通和通讯X5娱乐教育文化服务X6居住X7杂物商品及服务X8Correlation食品X1衣着X2家庭设备用品及服务X3医疗保险X4交通和通讯X5娱乐教育文化服务X6居住X7杂物商品及服务X8•可以看出变量之间的相关性，证明变量之间存在信息重叠。分析结果——表格•方差分解主成分提取分析表TotalVarianceExplained5.13764.21764.2175.13764.21764.2171.36517.06881.2851.36517.06881.2851.09213.65094.9351.09213.65094.935.2172.71597.650.2172.71597.650.1491.86699.517.1491.86699.517.033.41999.935.033.41999.935.005.065100.000.005.065100.0003.37E-0164.22E-015100.000Component12345678Total%ofVarianceCumulative%Total%ofVarianceCumulative%InitialEigenvaluesExtractionSumsofSquaredLoadingsExtractionMethod:PrincipalComponentAnalysis.特征值主成分贡献率累积贡献率•初始因子载荷矩阵ComponentMatrixa-.712-.672-.196.042.013-.034.004-.935.289.035-.128.073.136.016-.338.081.930-.027.108-.051-.002.905-.132.326.143-.184.047.040.907.189-.136-.346.012-.052.022.988.036.119-.021-.043.058-.051-.432.869-.154.150-.093-.0527.97E-005.915.118-.161.187.296.010.013食品X1衣着X2家庭设备用品及服务X3医疗保险X4交通和通讯X5娱乐教育文化服务X6居住X7杂物商品及服务X81234567ComponentExtractionMethod:PrincipalComponentAnalysis.7componentsextracted.a.•每一个载荷量表示主成分与对应变量的相关系数。•将前三个因子载荷矩阵输入（可用