CN110717687A - 一种评价指数获取的方法及系统 - Google Patents

Abstract

本申请涉及数据统计分析工具技术领域，具体而言，涉及一种评价指数获取的方法及系统。本申请提供的评价指数获取的方法包括：接收对城市发展进行评价的原始指标并进行无量纲化，得到与原始指标相对应的标准化数据；使用探索性因子分析模型对所述标准化数据进行代表性公共因子提取处理，得到所述评价指数的多个权重信息；使用加权求和的融合规则对所述多个权重信息进行逐级加权求和处理，得到城市发展评价指数值。一定程度上解决在一些评价指数的实现方式中主成分含义模糊，定量数据少，线性组合计算得分不准确的问题，提高评价指数的客观性，实用性和准确性。

Description

一种评价指数获取的方法及系统

技术领域

本申请涉及数据统计分析工具技术领域，尤其涉及一种评价指数获取的方法及系统。

背景技术

评价指数是指运用多个指标，通过多方面地对一个目标对象进行评价的方法。使用评价指数对目标对象进行量化的评价，可以及时发现目标对象的变化趋势，及时对目标对象进行调整和控制。

在一些评价指数的获取方法中，将目标对象包含的多项变量通过数理学运算变换成少量的综合变量，用变换后的综合变量对原始变量的方差、协方差结构进行解释得到评价指数。在另一些评价指数的获取方法中，将目标对象包含的诸多指标之间的联系用少数几个因子去描述，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子，达到分析降维，利用成分得分系数矩阵构造因子与原始变量的线性组合计算因子得分从而得到评价指数。

但是，当使用评价指数对城市发展进行评估时，通过成分得分系数矩阵构造因子与原始变量的线性组合计算因子得分，线性组合系数既包含正数也包含负数，当评价城市发展的某个正向指标系数为负，则该指标的增长导致因子得分下降，进而导致总得分下降，这种情况下造成了城市发展评价指数的总得分出现异常波动时无法准确定位造成得分异常的具体指标。

发明内容

本申请提供了一种评价指数获取的方法及系统，通过因子旋转获取一级指标权重和二级指标权重，然后进行评价指数的计算，一定程度上可以解决使用因子分析模型在城市发展评价指数获取的过程中总得分出现异常波动时无法准确定位造成得分异常的具体指标的问题。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种评价指数获取的方法，包括：接收对城市发展进行评价的原始指标并进行无量纲化，得到与原始指标相对应的标准化数据；使用探索性因子分析模型对所述标准化数据进行代表性公共因子提取处理，得到所述评价指数的多个权重信息；使用加权求和的融合规则对所述多个权重信息进行逐级加权求和处理，得到城市发展评价指数值。

可选地，使用探索性因子分析模型对所述标准化数据进行公共因子提取处理，得到所述评价指数的多个权重信息包括以下步骤：对所述探索性因子分析模型的第一因子载荷矩阵进行代表性公共因子提取，得到第二因子载荷矩阵；旋转所述第二因子载荷矩阵即将所述第二因子载荷矩阵右乘一个正交矩阵，得到第三因子载荷矩阵；基于所述第二因子载荷矩阵和所述第三因子载荷矩阵得到代表性公共因子的方差贡献率和累积方差贡献率，通过所述代表性因子的方差贡献率除以所述代表性因子的累积方差贡献率得到所述多个权重信息中的一级指标权重；基于所述第三因子载荷矩阵，通过代表性公共因子可用载荷最大的原始指标变量来解释的原则重新排列所述原始指标，得到所述代表性公共因子和所述原始指标对应的表格，计算单个原始指标的因子载荷平方除以所述原始指标所属代表性公共因子下所有原始指标与该代表性公共因子的因子载荷平方之和，得到所述多个权重信息中的二级指标权重。

可选地，所述一级指标权重为使用所述第三因子载荷矩阵对所述标准化数据提取的代表性公共因子的权重；所述二级指标权重为使用所述第三因子载荷矩阵获取所述标准化数据在各代表性公共因子上的权重分布。

可选地，所述第一因子载荷矩阵的获取步骤包括：基于所述探索性因子分析模型提取所述标准化数据的简单相关系数矩阵R；基于所述简单相关系数矩阵R得到所述简单相关系数矩阵R的特征值及对应的单位特征向量；基于所述特征值和所述单位特征向量，代入所述探索性因子分析模型得到第一因子载荷矩阵。

可选地，所述特征值大于等于0。

可选地，对所述探索性因子分析模型的第一因子载荷矩阵进行代表性公共因子提取，得到获取第二因子载荷矩阵，在此步骤之前还包括以下步骤：验证所述原始指标的标准化数据是否具有较强的相关关系；验证所述原始指标的标准化数据的共同度。

可选地，所述一级指标权重需满足代表性公共因子的累积方差贡献率大于预设值参数W。

可选地，所述旋转第二因子载荷矩阵为使用方差极大法旋转所述第二因子载荷矩阵。

可选地，所述加权求和的融合规则包括：基于所述二级指标权重计算各所述代表性公共因子得分；基于各所述代表性公共因子得分和一级指标权重计算评价指数值。

本申请实施例的第二方面提供一种评价指数获取的系统，包括：

通信模块,其用于接收对城市发展进行评价的原始指标；

评价指数分析计算模块，其包括探索性因子分析模型以接收所述原始指标以及评估城市发展；

存储器，其用于存储计算机程序指令；

至少一个处理器，其耦合至所述存储器并和所述评价指数分析计算模块通信，所述至少一个处理器可操作运行程序指令用以：对所述原始指标并进行无量纲化，得到与原始指标相对应的标准化数据；使用探索性因子分析模型对所述标准化数据进行代表性公共因子提取处理，得到所述评价指数的多个权重信息；使用加权求和的融合规则对所述多个权重信息进行逐级加权求和处理，得到城市发展评价指数值。

本申请提供的技术方案包括以下有益技术效果：通过一级指标权重的获取，使得评价指数构成的因子能够反映其代表的含义，评价指数的总得分异常时可以准确定位有问题的指标，提高评价指数的实用性；进一步通过因子旋转获取二级指标权重，增加评价指数构成的定量数据比例，提高评价指数的客观性；最终一级指标得分仅通过载荷大的二级指标变量进行加权计算，而不采用全部原始指标变量的线性组合进行计算，提高了评价指数的准确性。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请实施例一种评价指数获取方法的流程图；

图2示出了本申请实施例通过因子分析模型获取多个权重信息方法的流程图；

图3示出了本申请实施例使用融合规则获取评价指数值方法的流程图；

图4示出了本申请实施例评价指数获取系统的简化框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本说明书通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。

图1示出了本申请实施例一种评价指数获取方法的流程图。

在步骤100中，接收对城市发展进行评价的原始指标并进行无量纲化，得到与原始指标相对应的标准化数据。不同原始评价指标往往具有不同的量纲，数值间的差别可能很大，不进行处理会影响到数据分析的结果。为了消除指标之间的量纲和取值范围差异的影响，需要进行标准化处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析。如将原始指标属性值映射到[-1,1]或者[0,1]内。

在本实施例中，在城市各领域评价指数计算过程中，由于所述的原始指标的量纲、数量级均不相同，需先将所述原始指标进行数据标准化。在本实施例中，通过z-score方法标准化原始指标，从而将不同评判标准的原始指标的数值统一到一致的评价标准下，z-score标准化计算公式如下：

其中，x^*为原始指标的标准化数据，x为所述原始指标，

为所述原始指标数据的均值，σ为原始指标数据的标准差。

在一些实施例中，对原始指标进行无量纲化获取原始指标的标准化数据，对于负向指标，可以先将负向指标转化为正向指标，再进行标准化。

继续参考图1，在步骤200中，使用探索性因子分析模型对所述标准化数据进行代表性公共因子提取处理，得到所述评价指数的多个权重信息。

探索性因子分析法是一项用来找出多元观测变量的本质结构、并进行处理降维的技术。因子分析的目的是用少数几个因子去描述许多原始指标之间的联系，既将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子，之所以称之为因子，是因为它是不可观测的，既不是具体的变量，以较少的几个因子反映原始指标的大部分信息。在本实施例中，因子分析的核心是用较少的互相独立的因子反映原有变量的绝大部分信息，可以用数学模型来表示。设有p个原始指标的标准化数据x₁，x₂，...，x_p，现将每个原始指标的标准化数据用k(k<p)个因子f₁，f₂，...，f_k的线性组合来表示，其因子分析的数学模型表示如下，

上述数学模型也可用矩阵的形式表示为：

X＝AF+ε

其中，F称为因子，由于出现在每个原有变量的线性表达式中，因此又称为公共因子。因子可以理解为高维空间中互相垂直的k个坐标轴。

A称为因子载荷矩阵，α_ij(i＝1，2，...，p；j＝1，2，...，k)称为因子载荷，是第i个原始指标变量在第j个因子上的负荷。如果把变量看成k维空间中的一个向量，则a_ij表示x_i在坐标轴f_j上的投影。ε称为特殊因子，表示原有变量不能被因子解释的部分，其均值为0。

首先基于所述探索性因子分析模型提取所述标准化数据的简单相关系数矩阵R，基于所述简单相关系数矩阵R获取所述简单相关系数矩阵R的特征值λ₁≥λ₂≥λ₃≥…≥λ_p，以及所述简单相关系数矩阵R对应的单位特征向量μ₁，μ₂，μ₃，...，μ_p。

在一些实施例中，所述特征值的选取为大于等于0。

基于所述特征值和所述单位特征向量，代入所述探索性因子分析模型得到第一因子载荷矩阵：

在一些实施例中，基于所述第一因子载荷矩阵，验证所述原始指标的标准化数据是否具有较强的相关关系。因子分析的目的是从众多的原始指标变量中综合出少数具有代表性的因子，这就要求原始指标变量之间应具有较强的相关关系。

在计算权重之前，需检验数据是否适合进行因子分析，因子分析效果如何，因子提取效果如何。如果原有变量之间不存在较强的相关关系，就无法从中综合出能够反映某些变量共同特征的几个较少的公共因子。具体而言，可以采用巴特利特球度检验和KMO检验进行所述相关性的验证。

巴特利特球度检验以原有变量的相关系数矩阵为出发点，其原假设H₀是：相关系数矩阵是单位矩阵，即相关系数矩阵为对角阵，即对角元素不为0，非对角元素均为0，且主对角元素均为1。巴特利特球度检验的检验统计量根据相关系数矩阵的行列式计算得到，且近似服从卡方分布。如果该统计量的观测值比较大，且对应的概率P-值小于给定的显著水平α，则应拒绝原假设，认为相关系数矩阵不太可能是单位矩阵，原有变量适合作因子分析；反之，如果检验统计量的观测值比较小，且对应的概率P-值大于给定的显著性水平α，则不能拒绝原假设，可以认为相关系数矩阵与单位矩阵无显著差异，原有变量不适合作因子分析。

KMO检验统计量是用于比较变量间简单相关系数和偏相关系数的指标，其数学公式定义为：

其中，r_ij是变量x_i和其他变量x_j间的简单相关系数，p_ij是变量x_i和其他变量x_j间在控制了剩余变量下的偏相关系数。KMO将相关系数矩阵中的所有元素都加入到平方和的计算中。

由上式可知，KMO统计量的取值在0～1之间。当所有变量间的简单相关系数平方和远大于偏相关系数平方和时，KMO值接近1。KMO值越接近1，意味着变量间的相关性越强，原有变量越适合作因子分析。当所有变量间的简单相关系数平方和接近于0时，KMO值接近0。KMO值越接近0，意味着变量间的相关性越弱，原有变量越不适合作因子分析。Kaiser给出了常用的KMO度量标准：0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合。

在一些实施例中，基于所述第一因子载荷矩阵，验证所述原始指标的标准化数据的共同度。变量共同度即变量方差，变量xi的共同度

的数学公式定义为：

其中，变量x_i的共同度是所述第一因子载荷矩阵A中第i行元素的平方和。

变量x_i的共同度体现了因子全体对变量x_i信息解释的程度，是评价变量x_i信息丢失程度的重要指标。如果大多数原有变量的变量共同度均较高，例如高于0.8，则说明提取的因子能够反映原有变量80％的信息，仅有较少的信息丢失，因子分析的效果较好。因此，变量共同度是衡量因子分析效果的重要指标。

图2示出了本申请实施例通过因子分析模型获取多个权重信息方法的流程图。

在步骤201中，对所述探索性因子分析模型的第一因子载荷矩阵进行代表性公共因子提取，得到第二因子载荷矩阵。由于因子分析的目的是减少变量的个数，因此在因子分析的数学模型中，因子数目k小于原有变量个数p。下面对所述代表性公共因子提取的过程进行详细的描述。

在因子不相关的前提下，因子载荷α_ij是变量x_i与因子f_j的相关系数，反映了变量x_i与因子f_j的相关程度。

因子载荷α_ij的绝对值小于等于1，绝对值越接近1，表明因子f_j与变量x_i的相关性越强，对于某个公共因子上所发挥的作用越大。同时，因子载荷a_ij的平方也反映了因子f_j对解释变量x_i的重要作用和程度。

因子f_j的方差贡献的数学定义为：

其中，因子f_j的方差贡献是因子载荷矩阵A中第j列元素的平方和。因子的方差贡献反映了因子对原有变量总方差的解释能力。所述因子f_j的方差贡献越高，说明相应因子的重要性越高。因此，因子的方差贡献是衡量因子重要性的关键指标。

在本实施例中，根据因子的累积方差贡献率确定代表性公共因子的个数。

前k个代表性公共因子的累积方差贡献率定义为：

λ_i为相关系数矩阵R的特征值，p为总方差，可以预设置当累积方差贡献率大于W时的特征值个数为因子个数k。通常地，系数W可以根据实际情况进行设置，在本实施例中，预设值参数累积方差贡献率W取值为0.85。在本实施例中，在处理计算所述第一因子载荷矩阵时，只选取前k个特征值和对应的特征向量，其中k为代表性公共因子的个数，得到包含k个代表性公共因子的第二因子载荷矩阵：

在一些实施例中，确定代表性公共因子个数k还可以根据特征值确定，观察各个特征值，选取特征值大于1的的作为代表性公共因子。

在步骤202中，旋转所述第二因子载荷矩阵即将所述第二因子载荷矩阵右乘一个正交矩阵，得到第三因子载荷矩阵。

在使用评价指数对实际分析中，总是希望对因子的实际含义有比较清楚的认识。通过因子旋转的方式使一个变量只在尽可能少的因子上有比较高的载荷。最理想状态下，使某个原始指标变量x_i在某个代表性公共因子f_j上的载荷趋于1，在其他因子上的载荷趋于0。这样，一个代表性公共因子f_j就能够成为某个变量的典型代表，于是因子x_i的实际含义也就清楚了。所谓因子旋转就是将所述第二因子载荷矩阵A右乘一个正交矩阵τ后得到一个新的矩阵B，我们称之为第三载荷矩阵。

所述第三载荷矩阵它并不影响原始指标变量x_i的共同度，却会改变所述代表性公共因子的方差贡献。因子旋转可以使原始指标变量在代表性公因子上的载荷重新分布，从而使原始指标变量在公因子上的载荷两级分化，这样公因子就能够用那些载荷大的原始指标变量来解释。

因子旋转通过改变坐标轴，能够重新分配各个因子解释原始指标变量方差的比例，使因子更易于理解和表达含义。

在本实施例中，通过采用方差极大法实现因子旋转。在方差极大法中，如果只考虑两个因子的正交旋转，第二因子载荷矩阵A右乘一正交矩阵τ后的获得第三载荷矩阵B为：

为实现因子旋转的目标(一部分变量仅与第一个因子有关，另一部分变量与第2个因子相关)，这里应要求和

两组数据的方差尽可能大，综合考虑应要求下式最大

然后通过求导数的方法求解出参数。

当因子个数大于2时，首先逐次对两两因子进行上述旋转，需进行

次旋转，然后继续重复下一轮旋转，直至G基本不变或达到指定的迭代次数为止。

在一些实施例中，所述因子旋转还可以采用正交旋转的方法，例如四次方最大法、方差极大法、等量最大法；也可以采用斜交旋转的方法，这些旋转的目标是一致的，只是策略不同。

在步骤203中，基于所述第二因子载荷矩阵和所述第三因子载荷矩阵得到代表性公共因子的方差贡献率和累积方差贡献率，通过所述代表性因子的方差贡献率除以所述代表性因子的累积方差贡献率得到所述评价指数的多个权重信息中的一级指标权重。

所述一级指标权重为使用所述第三因子载荷矩阵对所述原始指标的标准化数据提取的代表性公共因子的权重。以营商环境部分指标及因子分析输出结果为例，简述一级指标权重计算过程。

在一些实施例中，可以设置所述一级指标权重需满足累积方差贡献率大于85％，，既W取值为85％。以保证提取的因子对原有变量总方差的解释能力足够大，如表1所示。

在此之前已进行KMO检验，KMO统计量为0.847，适合进行因子分析，且大部分原始指标变量共同度均在0.8以上，因子间没有线性相关性，解释的总方差与第三载荷矩阵如表1所示，前5个代表性公共因子的累积方差贡献率达86％，因子提取效果较好。

表1

其中，成分列表示22个因子；合计列表示因子的特征值，方差％列表示因子方差贡献，该值反映了因子对原有指标变量总方差的解释能力，该值越高，说明相应因子的重要性越高；累积％列表示前k个因子累积方差贡献率，因子旋转并不影响原始指标变量的共同度，却会改变因子的方差贡献；旋转平方和载入三列表示因子旋转后的数值。

根据表1的数据计算一级指标权重，通过旋转后的因子方差贡献率计算，其公式如下：

因子1的权重＝因子1的方差贡献率/5个因子的累积方差贡献率*100％。

其余因子权重算法同理。

根据表1的数据，5个因子权重分别为：

B1权重＝32.942/86.367*100％＝38.1％

B2权重＝20.626/86.367*100％＝23.9％

B3权重＝18.012/86.367*100％＝20.9％

B4权重＝8.597/86.367*100％＝10.0％

B5权重＝6.189/86.367*100％＝7.2％

在步骤204中，基于所述第三因子载荷矩阵，通过代表性公共因子可用载荷最大的原始指标变量来解释的原则重新排列所述原始指标，得到所述代表性公共因子和所述原始指标对应的表格，计算单个原始指标的因子载荷平方除以所述原始指标所属代表性公共因子下所有原始指标与该代表性公共因子的因子载荷平方之和，得到评价指数的多个权重信息中的二级指标权重。

所述二级指标权重为使用所述第三因子载荷矩阵获取所述原始指标的标准化数据在所述各代表性公共因子上的权重分布。

根据分析需要，将将B1、B2、B3、B4、B5分别命名为生产性服务、对外联系、城市软硬件、经济增速、环境绿化。

通过因子旋转，所述代表性公共因子可用载荷大的原始指标变量来解释，通过重新排列所述原始指标，代表性公共因子B1至B5下包含的原始指标如表2所示。

表2

其中，成分列为第三载荷矩阵的各个因子与变量的因子载荷。因子旋转可以使原始指标变量在所述代表性公因子上的载荷重新分布，从而使原始指标变量在所述代表性公共因子上的载荷两级分化，这样所述代表性公因子就能够用那些载荷大的原始指标变量来解释。

因子载荷的平方也反映了因子对解释变量的重要作用和程度，所以原始指标权重即二级指标权重利用第三载荷矩阵计算，其计算公式如下，

二级指标权重＝该指标与因子B1的因子载荷平方/B1下所有指标与该因子的因子载荷平方之和*100％，其余指标算法同理。

以出租汽车运营数为例，其权重为

0.876²/(0.876²+0.838²+0.838²+0.793²+0.792²+0.776²+0.767²+0.761²+0.683²+0.600²)*100％＝12.7％

其余指标同理。结合一级指标权重和二级指标权重得到表3。

最终各指标权重如表3所示，根据二级指标权重计算各一级指标得分，再根据一级指标权重计算指数总得分，既可横向对比各个城市总指数得分情况、各城市一级指标得分情况，又可纵向对比某城市历年得分趋势。

表3

在步骤300中，使用加权求和的融合规则对所述多个权重信息进行逐级加权求和处理，得到城市发展评价指数值。如图3所示首先将所述原始指标的分数进行标准化，基于所述二级指标权重使用乘法计算各所述代表性公共因子得分，可以得到B1至B5的分数，然后基于各所述代表性公共因子得分和一级指标权重乘法计算最终评价指数的分数。

如图4所示，本申请还提供了一种评价指数获取的系统100，包括：通信模块120,其用于接收对城市发展进行评价的原始指标；评价指数分析计算模块162，其包括探索性因子分析模型以接收所述原始指标以及评估城市发展；存储器160，其用于存储计算机程序指令；至少一个处理器110，其耦合至所述存储器并和所述评价指数分析计算模块通信，所述至少一个处理器可操作运行程序指令用以：

对所述原始指标并进行无量纲化，得到与原始指标相对应的标准化数据；

使用探索性因子分析模型对所述标准化数据进行代表性公共因子提取处理，得到所述评价指数的多个权重信息；

使用加权求和的融合规则对所述多个权重信息进行逐级加权求和处理，得到城市发展评价指数值。所述系统实现评价指数获取的具体方法在上文中已做详细的阐述，在此不做赘述。

如图4所示，系统100包括耦合到通信模块120的处理器110，诸如单芯片微处理器或多核处理器的形式的一个或多个商用中央处理单元(CPU)，该通信模块120被配置为经由通信网络(在图4中未示出)与另一个设备或系统(例如，管理者设备或客户端设备，未示出)通信，系统100还可以包含缓存器150，诸如RAM存储器模块。系统100还可以包含输入设备130(例如，触控屏、鼠标和/或键盘以输入内容)以及输出设备140(例如，触控屏、用于显示的计算机监视器、LCD显示器、打印机)。

处理器110与存储器160通信。存储器160可以包括任何适当的信息存储设备，包含磁存储设备(例如，硬盘驱动器)、光、固态驱动器、和/或半导体存储器设备的组合。在一些实施例中，存储器160可以包括数据库系统，包含在一些配置中的存储器内数据库。

存储器160可以存储程序代码或指令以控制评价指数分析计算模块162的操作以依照本申请中的过程在其中获取城市发展评价指数。处理器110可以执行用于实现评价指数分析计算模块162的指令以从而根据本申请中描述的实施例中的任何实施例进行操作。评价指数分析计算模块162可以被存储在压缩的、未编译的和/或加密的格式中。此外，对于评价指数分析计算模块162的程序指令可以包含其它程序元件，诸如由处理器110使用的操作系统、数据库报告系统、和/或设备驱动器以与例如客户端、管理者、以及外围设备(在图4中未示出)进行接口。存储器160还可以包含数据161。在一些方面中，在执行本申请的过程的一个或多个过程(包含个体过程，那些过程的个体操作，以及个体过程和个体过程操作的组合)时，数据161可以由系统100使用。例如，根据本申请中的一些实施例，数据161可以包括例如所述一级指标权重需满足代表性公共因子的累积方差贡献率大于85％的预设数值等。

本申请的有益效果在于，通过一级指标权重的获取，使得评价指数构成的因子能够反映其代表的含义，评价指数的总得分异常时可以准确定位有问题的指标，方便定位问题提高评价指数的实用性；进一步通过因子旋转获取二级指标权重，增加评价指数构成的定量数据比例，提高评价指数的客观性；最终一级指标得分仅通过载荷大的二级指标变量进行加权计算，而不采用全部原始指标变量的线性组合进行计算，提高了评价指数的准确性。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。

需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

应当理解的是，本申请并不局限于上面已经描述的内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种评价指数获取的方法，其特征在于，包括：

接收对城市发展进行评价的原始指标并进行无量纲化，得到与原始指标相对应的标准化数据；

使用探索性因子分析模型对所述标准化数据进行代表性公共因子提取处理，得到所述评价指数的多个权重信息；

使用加权求和的融合规则对所述多个权重信息进行逐级加权求和处理，得到城市发展评价指数值。

2.根据权利要求1所述的一种评价指数获取的方法，其特征在于，使用探索性因子分析模型对所述标准化数据进行公共因子提取处理，得到所述评价指数的多个权重信息包括以下步骤：

对所述探索性因子分析模型的第一因子载荷矩阵进行代表性公共因子提取，得到第二因子载荷矩阵；

旋转所述第二因子载荷矩阵即将所述第二因子载荷矩阵右乘一个正交矩阵，得到第三因子载荷矩阵；

基于所述第二因子载荷矩阵和所述第三因子载荷矩阵得到代表性公共因子的方差贡献率和累积方差贡献率，通过所述代表性因子的方差贡献率除以所述代表性因子的累积方差贡献率得到所述多个权重信息中的一级指标权重；

基于所述第三因子载荷矩阵，通过代表性公共因子可用载荷最大的原始指标变量来解释的原则重新排列所述原始指标，得到所述代表性公共因子和所述原始指标对应的表格，计算单个原始指标的因子载荷平方除以所述原始指标所属代表性公共因子下所有原始指标与该代表性公共因子的因子载荷平方之和，得到所述多个权重信息中的二级指标权重。

3.根据权利要求2所述的一种评价指数获取的方法，其特征在于，

所述一级指标权重为使用所述第三因子载荷矩阵对所述标准化数据提取的代表性公共因子的权重；

所述二级指标权重为使用所述第三因子载荷矩阵获取所述标准化数据在各代表性公共因子上的权重分布。

4.根据权利要求2所述的一种评价指数获取的方法，其特征在于，所述第一因子载荷矩阵的获取步骤包括：

基于所述探索性因子分析模型提取所述标准化数据的简单相关系数矩阵R；

基于所述简单相关系数矩阵R得到所述简单相关系数矩阵R的特征值及对应的单位特征向量；

基于所述特征值和所述单位特征向量，代入所述探索性因子分析模型得到第一因子载荷矩阵。

5.根据权利要求4所述的一种评价指数获取的方法，其特征在于，所述特征值大于等于0。

6.根据权利要求2所述的一种评价指数获取的方法，其特征在于，对所述探索性因子分析模型的第一因子载荷矩阵进行代表性公共因子提取，得到获取第二因子载荷矩阵，在此步骤之前还包括以下步骤：

验证所述原始指标的标准化数据是否具有较强的相关关系；

验证所述原始指标的标准化数据的共同度。

7.根据权利要求3所述的一种评价指数获取的方法，其特征在于，所述一级指标权重需满足代表性公共因子的累积方差贡献率大于预设值参数W。

8.根据权利要求2所述的一种评价指数获取的方法，其特征在于，所述旋转第二因子载荷矩阵为使用方差极大法旋转所述第二因子载荷矩阵。

9.根据权利要求1所述的一种评价指数获取的方法，其特征在于，所述加权求和的融合规则包括：

基于所述二级指标权重计算各所述代表性公共因子得分；

基于各所述代表性公共因子得分和一级指标权重计算评价指数值。

10.一种评价指数获取的系统，其特征在于，包括：

通信模块,其用于接收对城市发展进行评价的原始指标；

评价指数分析计算模块，其包括探索性因子分析模型以接收所述原始指标以及评估城市发展；

存储器，其用于存储计算机程序指令；

至少一个处理器，其耦合至所述存储器并和所述评价指数分析计算模块通信，所述至少一个处理器可操作运行程序指令用以：

对所述原始指标并进行无量纲化，得到与原始指标相对应的标准化数据；

使用探索性因子分析模型对所述标准化数据进行代表性公共因子提取处理，得到所述评价指数的多个权重信息；

使用加权求和的融合规则对所述多个权重信息进行逐级加权求和处理，得到城市发展评价指数值。

Images