CN110222853B - 一种实现报废汽车回收效率提升的决策方法 - Google Patents
一种实现报废汽车回收效率提升的决策方法 Download PDFInfo
- Publication number
- CN110222853B CN110222853B CN201910497055.0A CN201910497055A CN110222853B CN 110222853 B CN110222853 B CN 110222853B CN 201910497055 A CN201910497055 A CN 201910497055A CN 110222853 B CN110222853 B CN 110222853B
- Authority
- CN
- China
- Prior art keywords
- decision
- scale
- efficiency
- value
- decision unit
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06Q10/30—Administration of product recycling or disposal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Sustainable Development (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了提供了一种实现报废汽车回收效率提升的决策方法,该决策方法包括以下步骤:步骤1:使用数据包络分析测量决策单元的规模效率值,根据决策单元的规模效率值和规模收益来制定决策备选方案;步骤2:将备选方案的投入投影值作为更新后的投入指标,使用灰色预测模型和三次指数平滑法预测出的产出值来更新投影值,将更新后的投影值作为产出指标;步骤3:使用CCR模型计算无效决策单元的松弛改进量,用于构建决策矩阵;步骤4:运用TOPSIS方法对备选方案决策矩阵进行排序,并使用熵权法确定决策矩阵的权重。本发明是对报废汽车行业具有多个投入指标和产出指标进行效率提升的多属性决策的有效方法。
Description
技术领域
本发明涉及管理科学技术领域,具体涉及一种实现报废汽车回收效率提升的决策方法。
背景技术
由于自然资源和原材料的缺乏、环境原因以及政府对于报废产品的法规,产品和材料的回收和越来越受到关注。报废产品中含有大量可再生资源。对报废产品进行有效回收以节约资源。对报废产品的有效处理,可以有效减少环境的污染。
报废汽车是重要的再生资源,是“城市矿产”之一。汽车工业生产和销售汽车的增加也将带来报废汽车数量的增加。显然,在未来的几十年里,随着汽车拥有量的增加,报废汽车的数量将会大量增加。因此有必要对报废汽车行业的效率提升的决策方法进行研究。
发明内容
本发明的目的是提供一种实现报废汽车回收效率提升的决策方法,以得到对报废汽车行业具有多个投入指标和产出指标进行效率提升的多属性决策的有效方法。
为达到上述目的,本发明提供了一种实现报废汽车回收效率提升的决策方法,其包括以下步骤:
步骤1:使用数据包络分析测量决策单元的规模效率值,根据决策单元的规模效率值和规模收益来制定决策备选方案;
步骤2:将备选方案的投入投影值作为更新后的投入指标,使用灰色预测模型和三次指数平滑法预测出的产出值来更新投影值,将更新后的投影值作为产出指标;
步骤3:根据备选方案更新后的投入指标和产出指标,使用CCR模型计算无效决策单元的松弛改进量,用于构建决策矩阵;
步骤4:运用TOPSIS方法对备选方案决策矩阵进行排序,并使用熵权法确定决策矩阵的权重,以从备选方案决策矩阵选择出优选方案。
上述的实现报废汽车回收效率提升的决策方法,其中,该决策方法还包括:步骤5:采用加权和法、加权积法以及ELECTRE方法的决策方案排序与采用TOPSIS的决策方案排序进行对比,以此来验证与采用TOPSIS的决策方案。
上述的实现报废汽车回收效率提升的决策方法,其中,步骤1中,决策单元的规模效率值和规模收益由以下步骤确定:
步骤1.1:采用CCR模型得到决策单元的技术效率,采用BCC模型得到决策单元的纯技术效率,通过技术效率和纯技术效率的比值得到决策单元的规模效率值;
步骤1.2:通过规模效率值判断规模收益:当规模效率值>1时,规模收益递减;规模效率值<1时,规模收益递增;规模效率值=1,规模收益不变。
上述的实现报废汽车回收效率提升的决策方法,其中,步骤4中,排序步骤为:通过构造多指标问题的理想解和负理想解,以靠近理想解和距离负理想解为基准来评价备选方案决策矩阵。
相对于现有技术,本发明具有以下有益效果:
对报废汽车行业的多属性决策有助于报废汽车回收行业的管理。本发明所提出的多属性决策的方法,有利于报废汽车行业的在决策时,通过详细分析备选方案的投入与产出指标,做出相对有利的决策,也有利于报废汽车行业的行业规划和投资决策,实现利润的最大化。为报废汽车行业管理人员、研究人员处理报废汽车行业效率问题时提供了有效的解决方案。通过本发明所提出的多属性决策的方法还可以帮助政府更好地制定报废汽车行业的相关政策。
附图说明
图1为本发明中实现报废汽车回收效率提升的决策方法流程图。
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述,这些实施例仅用于说明本发明,并不是对本发明保护范围的限制。
如图1所示,本发明应用数据包络分析(DEA)计算投入和产出指标的效率值,计算输入决策单元和基于灰色预测和三次指数平滑法预测的输出决策单元的各个指标的松弛改进量作为决策依据,应用TOPSIS的多属性决策方法排序备选决策方案,同时使用了加权和法、加权积法和ELECTRE方法对备选决策方案进行排序。该决策方法具体包括以下步骤:
步骤1:使用数据包络分析测量决策单元(DMUs)的规模效率值,根据决策单元的规模效率值和规模收益来制定决策备选方案;
决策单元的规模效率值和规模收益由以下步骤确定:
步骤1.1:采用CCR模型得到决策单元的技术效率(Thechnical Efficiency,TE),采用BCC模型得到决策单元的纯技术效率(Pure Techical Efficiency,PTE),通过技术效率和纯技术效率的比值得到决策单元的规模效率值(Scale Efficiencym,SE),SE=TE/PTE;
步骤1.2:通过规模效率值判断规模收益:当规模效率值>1时,规模收益递减;规模效率值<1时,规模收益递增;规模效率值=1,规模收益不变。
DEA计算多投入、多产出的DMUs与前沿面的距离来确定规模效率值。CCR模型假设规模收益不变,其得出的技术效率包含了规模效率,BCC模型假设规模效益可变,得出的技术效率排除了规模的影响,被称为纯技术效率。按照对效率的测量方式,DEA模型分为投入导向模型和产出导向模型和非导向模型。投入导向模型是从投入的角度对评价DMUs无效率程度进行测量,关注在产出既定的条件下,各项投入应减少的值。产出导向模型是从产出的角度对被评价DMUs无效率的程度进行测量,关注在投入既定的条件下,各项产出应增长的值。CCR非导向模型是同时从投入和产出两个方面进行测量。
采用ρ表示被评价DUM的效率值,同时从投入和产出两个角度来对无效率进行测量,被称为非导向模型。投入和产出的无效率分别为:
{xik}和{yrk}分别为DMUs的投入指标和产出指标的观察值;和分别为投入指标和产出指标的松弛改进量,m和q为投入指标和产出指标的数量;λ为DMUs的权重系数。在约束条件中增加eλ=1,则表示规模收益可变用于测量纯技术效率的BCC模型。当效率值ρ=1,被评价DMU为有效,否则无效。对于无效被评价DMU用投影的方法对其效率进行改进,达到相对有效。被评价DMU的投影值为:
步骤2:将备选方案的投入投影值作为更新后的投入指标,使用灰色预测模型和三次指数平滑法经精度比较后预测出的产出值来更新投影值,将更新后的投影值作为产出指标;
S2.1、确定的备选方案中企业投入指标的投影值作为未来的投入指标值;
S2.2、采用灰色预测和三次指数平滑法预测未来年份企业的营业收入,以未来年份的预测产出值作为未来年份的产出指标值。
一阶单变量微分灰色模型One Order Single Variable Gray Model简称GM(1,1)模型,针对系统主变量自身的演化特征构建,通过构建一阶微分方程和一阶差分方程来分析系统变量的演化趋势,GM(1,1)对样本量没有过多的要求,是一种研究少数据、贫信息不确定性问题的方法。
设系统主变量原始数据序列为:
X(0)=(x(0)(1),x(0)(2),...x(0)(n))
其一次累加生成(Accumulating Generate Operator)序列为:
X(1)=(X(1)(1),X(10)(2),...X(1)(n))
X(0)的上标0代表原始数据序列,X(1)的1代表一次累加序列。
GM(1,1)的灰微分方程模型为:
x(0)(k)+az(1)(k)=b
三次指数预测模型为:
α为指数预测权重,式中t为本期,t-1为上期。
步骤3:根据备选方案更新后的投入指标和产出指标,使用CCR模型计算无效决策单元的松弛改进量,用于构建决策矩阵;
步骤4:运用TOPSIS方法对备选方案决策矩阵进行排序,并使用熵权法确定决策矩阵的权重,以从备选方案决策矩阵选择出优选方案;排序步骤为:通过构造多指标问题的理想解和负理想解,以靠近理想解和距离负理想解为基准来评价备选方案决策矩阵。
熵权法应用信息熵计算投入指标和产出指标的熵权,依据计算出的熵权确定各指标的权重。熵是无效程度的度量指标,指标的信息熵越小,指标的变异程度越大,对评价的影响越显著,则其权重越大。反之,信息熵越大,指标权重越小。
Hwang和Yoon提出的TOPSIS方法(Hwang and Yoon),通过构造多指标问题的理想解和负理想解,以靠近理想解和距离负理想解为基准来评价可行方案的依据(MEI-juan etal.,2015)。
多属性决策问题备选方案{ak},衡量方案向量为{vt},应用TOPSIS对备选方案进行排序计算(Yue,2003)。
(1)规范决策矩阵的属性值;
设V={vkt}为多属性决策矩阵,规范的决策矩阵为Z={zkt},则
(2)构建加权规范矩阵X={xkt};
各属性值权重ω=(ω1,ω2,...,ωt)T则
xkt=ω1·Zkt
(3)确定理想解x*和负理想解x0;
步骤5:采用加权和法、加权积法以及ELECTRE方法的决策方案排序与采用TOPSIS的决策方案排序进行对比,以此来验证与采用TOPSIS的决策方案。
加权和法、加权积法以及ELECTR法均采用标准0-1变换对决策矩阵进行预处理,具体包含以下步骤:
S5.1、采用加权和法对TOPSIS决策方案进行验证。
S5.2、采用加权积法对TOPSIS决策方案进行验证。
S5.2、采用ELECTR法对TOPSIS决策方案进行验证。
综上所述,(1)本发明所采用三次指数平滑的预测方法和DEA的组合方法计算相对无效DMUs的投影值,能为效率提升提供了目标,并使用无效DMUs的松弛改进量可以来构建用于效率提升的决策矩阵。(2)采用熵权法和TOPSIS组合的方法可以从决策矩阵中选择出优选方案,并使用加权和法、加权积法以及ELECTRE方法与TOPSIS计算的决策方案进行对比,能够验证多属性决策的稳定性。(3)上述方法的组合是对报废汽车行业具有多个投入指标和产出指标进行效率提升的多属性决策的有效方法。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (3)
1.一种实现报废汽车回收效率提升的决策方法,其特征在于,包括以下步骤:
步骤1:使用数据包络分析测量决策单元的规模效率值,根据决策单元的规模效率值和规模收益来制定决策备选方案;当规模效率值等于1,被评价决策单元为有效,否则无效;
步骤1中,决策单元的规模效率值和规模收益由以下步骤确定:
步骤1.1:采用CCR模型得到决策单元的技术效率,采用BCC模型得到决策单元的纯技术效率,通过技术效率和纯技术效率的比值得到决策单元的规模效率值;
步骤1.2:通过规模效率值判断规模收益:当规模效率值>1时,规模收益递减;规模效率值<1时,规模收益递增;规模效率值=1,规模收益不变;
步骤2:对于无效的被评价决策单元,将备选方案的投入投影值作为更新后的投入指标,使用灰色预测模型和三次指数平滑法预测出的产出值来更新投影值,将更新后的投影值作为产出指标;
步骤3:根据备选方案更新后的投入指标和产出指标,使用CCR模型计算无效决策单元的松弛改进量,用于构建决策矩阵;
步骤4:运用TOPSIS方法对备选方案决策矩阵进行排序,并使用熵权法确定决策矩阵的权重,以从备选方案决策矩阵选择出优选方案。
2.如权利要求1所述的实现报废汽车回收效率提升的决策方法,其特征在于,该决策方法还包括:步骤5:采用加权和法、加权积法以及ELECTRE方法的决策方案排序与采用TOPSIS的决策方案排序进行对比,以此来验证与采用TOPSIS的决策方案。
3.如权利要求1所述的实现报废汽车回收效率提升的决策方法,其特征在于,步骤4中,排序步骤为:通过构造多指标问题的理想解和负理想解,以靠近理想解和距离负理想解为基准来评价备选方案决策矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497055.0A CN110222853B (zh) | 2019-06-10 | 2019-06-10 | 一种实现报废汽车回收效率提升的决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497055.0A CN110222853B (zh) | 2019-06-10 | 2019-06-10 | 一种实现报废汽车回收效率提升的决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222853A CN110222853A (zh) | 2019-09-10 |
CN110222853B true CN110222853B (zh) | 2021-11-02 |
Family
ID=67815977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910497055.0A Active CN110222853B (zh) | 2019-06-10 | 2019-06-10 | 一种实现报废汽车回收效率提升的决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222853B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401655A (zh) * | 2020-03-26 | 2020-07-10 | 上海第二工业大学 | 一种医疗废弃物回收设施选址的决策方法 |
CN112926862A (zh) * | 2021-03-04 | 2021-06-08 | 上海第二工业大学 | 一种新能源汽车动力电池召回选址的决策方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268518A (zh) * | 2013-05-22 | 2013-08-28 | 南京财经大学 | 一种投入导向型的城市公共交通绩效评价方法 |
EP3121770A1 (en) * | 2015-07-23 | 2017-01-25 | Tata Consultancy Services Limited | Evaluating performance of organizational units using human capital values |
CN106570634A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院地理科学与资源研究所 | 城市群经济环境效率评估方法 |
CN107992006A (zh) * | 2017-12-01 | 2018-05-04 | 四川用联信息技术有限公司 | 基于svm的制造过程多元质量诊断分类器 |
CN109635965A (zh) * | 2018-12-24 | 2019-04-16 | 成都四方伟业软件股份有限公司 | 公车报废决策方法、装置及可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778314A (zh) * | 2012-10-26 | 2014-05-07 | 无锡南理工科技发展有限公司 | 基于最优/最劣决策单元c2r模型的高校创新创业能力评价方法 |
CN105469155A (zh) * | 2015-12-18 | 2016-04-06 | 北京农业智能装备技术研究中心 | 一种城市可持续发展能力的动态评估方法 |
CN106384170A (zh) * | 2016-09-24 | 2017-02-08 | 华北电力大学(保定) | 基于小波分解与重构的时间序列风速预测方法 |
CN107392455A (zh) * | 2017-07-12 | 2017-11-24 | 东南大学 | 一种综合交通运输系统的耦合性聚合评定方法 |
-
2019
- 2019-06-10 CN CN201910497055.0A patent/CN110222853B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268518A (zh) * | 2013-05-22 | 2013-08-28 | 南京财经大学 | 一种投入导向型的城市公共交通绩效评价方法 |
EP3121770A1 (en) * | 2015-07-23 | 2017-01-25 | Tata Consultancy Services Limited | Evaluating performance of organizational units using human capital values |
CN106570634A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院地理科学与资源研究所 | 城市群经济环境效率评估方法 |
CN107992006A (zh) * | 2017-12-01 | 2018-05-04 | 四川用联信息技术有限公司 | 基于svm的制造过程多元质量诊断分类器 |
CN109635965A (zh) * | 2018-12-24 | 2019-04-16 | 成都四方伟业软件股份有限公司 | 公车报废决策方法、装置及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
Cost optimization of Reverse Logistics:A Review;Sandra Yang,etc.;《Association for Computing Machinery》;20170830;第158-161页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110222853A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Multi-attribute decision making on reverse logistics based on DEA-TOPSIS: A study of the Shanghai End-of-life vehicles industry | |
CN111859680A (zh) | 一种系统性能综合评价方法 | |
CN110008553B (zh) | 基于生命周期成本和环境影响的产品设计方案优选方法 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN106802977A (zh) | 一种用于烧结矿性能指标预测及综合质量评价方法 | |
CN110222853B (zh) | 一种实现报废汽车回收效率提升的决策方法 | |
CN106447075B (zh) | 行业用电需求预测方法与系统 | |
CN113822499B (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
CN103065042A (zh) | 基于情景的多目标综合决策评价方法 | |
CN112016755A (zh) | 输变电工程施工图通用设计造价标准化技术模块构建方法 | |
CN113344449B (zh) | 一种预测月尺度工业需水量的方法 | |
CN112149976B (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN109697566A (zh) | 机电产品加工工艺评价系统及其评价方法 | |
CN105184420A (zh) | 一种基于灰色关联分析的充电站规划方案评估方法 | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN114004530B (zh) | 基于排序支撑向量机的企业电力信用分建模方法及系统 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
CN114298538A (zh) | 电网零购项目的投资方案评估方法、系统及存储介质 | |
CN116644562B (zh) | 一种新能源电站运维费用评估系统 | |
CN105931133A (zh) | 配电变压器更换优先级评定方法和装置 | |
CN113159535A (zh) | 一种基于熵权法的软件服务绩效评价方法 | |
CN104008429B (zh) | 一种航空发动机装配任务优先度排序方法 | |
Yan et al. | Research on UBI auto insurance pricing model based on adaptive SAPSO to optimize the fuzzy controller | |
CN105488734A (zh) | 基于全生命周期的电能计量装置质量评估方法及系统 | |
CN116050664A (zh) | 一种垃圾产量预测方法、系统、电子设备和可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |