Métodos de optimización para la evaluación del entorno de inversión
(1) Método de análisis paramétrico
El proceso de análisis de este método es: ①Seleccionar un conjunto de datos que pueda reflejar el entorno de inversión regional general, como el coeficiente de inversión, el multiplicador de inversión, Tendencia del consumo marginal, saturación de la inversión, adaptabilidad de la infraestructura, riesgo de la inversión, tasa de demanda efectiva, nivel de consumo nacional, tasa de valor agregado de los recursos, tasa optimizada de los productos básicos, etc. ② Estime el valor de cada parámetro y haga que los resultados de la estimación sean similares a los de; áreas con mejor entorno de inversión Comparar los indicadores ③ Analizar las similitudes y diferencias de los resultados de la comparación para determinar la calidad del entorno de inversión (similitud significa que el entorno de inversión es bueno). Este método es más completo y objetivo, pero sin una explicación clara, es difícil determinar "áreas reconocidas por tener un mejor entorno de inversión".
(2) Método de análisis de cuasi números
Utilice el método de análisis de cuasi números para dividir los factores que afectan el entorno de inversión en coeficiente de incentivo del entorno de inversión K, coeficiente de mejora de la planificación urbana P, impuestos -coeficiente de beneficio S, coeficiente de productividad laboral L, coeficiente de base regional B, coeficiente de tipo de cambio T, coeficiente de mercado M y coeficiente de derechos de gestión F. Cada tipo de factores se puede dividir en varios subfactores. Después de ponderar las puntuaciones de estos subfactores, la puntuación total de este tipo de factor se puede obtener mediante la suma. Para reflejar la conexión orgánica entre un factor y otros factores, generalmente se utilizan estándares integrales para medir el entorno de inversión para superar las deficiencias del método de puntuación mecánica y obtener resultados de evaluación más completos.
(3) Proceso de jerarquía analítica
El proceso de jerarquía analítica fue propuesto por T.L. Saaty, un científico en logística de la Universidad de Pittsburgh en Estados Unidos, en 1980. Este método se basa en el principio de nivel de sistema en la teoría de sistemas y descompone problemas complejos en varios problemas simples ordenados y organizados jerárquicamente. Es un método de toma de decisiones de análisis de peso de múltiples niveles. Analizará, comparará, cuantificará y clasificará problemas que son más simples que el problema original en otro nivel, y luego realizará gradualmente una evaluación y optimización integrales para abordar el juicio subjetivo humano de manera formal. El proceso de jerarquía analítica es un método de optimización y evaluación de múltiples factores y un nuevo método que combina análisis cualitativo y cuantitativo. Hay cinco pasos en el uso del proceso de jerarquía analítica: establecer un modelo de estructura jerárquica, construir una matriz de juicio, clasificación de un solo nivel, clasificación de nivel total y prueba de consistencia. Los últimos tres pasos se llevan a cabo capa por capa. El proceso de jerarquía analítica tiene las siguientes cuatro características:
1) El principio es muy simple. El proceso de jerarquía analítica se basa en la psicología experimental y la teoría de matrices y es fácil de aceptar. Su principio es claro, conciso y fácil de usar; no requiere mucha información cuantitativa.
2) Estructura clara. La idea de resolución de problemas es dividir los problemas complejos en varios problemas simples estructurados y jerárquicos, y luego resolver los problemas simples.
3) Combinar métodos cualitativos y cuantitativos. El método AHP determina la matriz de juicio a través de encuestas de expertos (como el método Delphi), determina el peso de cada elemento del indicador mediante métodos cuantitativos rigurosos y, finalmente, realiza una evaluación y optimización integrales.
4) El proceso de jerarquía analítica es adecuado para determinar el peso de cada factor en el sistema dinámico multifactorial y multinivel del entorno de inversión. Puede objetivar eficazmente los juicios subjetivos de los expertos en ingeniería de sistemas y resolver problemas que no pueden abordarse únicamente mediante métodos cuantitativos. Se utiliza ampliamente en el análisis de decisiones de sistemas sociales y económicos.
(4) Análisis de componentes principales
El análisis de componentes principales (PCA) consiste en "convertir un conjunto dado de variables relacionadas en otro conjunto de variables no correlacionadas mediante una transformación lineal en matemáticas". Organiza las nuevas variables en orden de varianza decreciente, lo que reduce la interferencia entre factores en el sistema de índice, facilita la búsqueda de factores dominantes y simplifica el proceso de evaluación.
El análisis de componentes principales consiste en reducir la dimensionalidad del espacio variable de alta dimensión bajo el principio de garantizar los datos más completos, es decir, optimizar la simplificación integral de los datos multivariados. La ventaja es que se pueden obtener pesos objetivos y se pueden evitar las desviaciones causadas por factores humanos.
La desventaja es que los factores económicos no se consideran en los cálculos puramente matemáticos y es difícil dar una explicación razonable de la importancia económica de los componentes principales basándose en la realidad objetiva; se ignora la importancia del indicador en sí y se ignora el peso del indicador obtenido; es demasiado diferente de lo esperado y la información del indicador original extraída es la información de diferencia de los datos, en lugar de información más importante, como el significado y la importancia de los indicadores.
El método de optimización de evaluación integral del componente principal es una optimización de evaluación relativa, y su estándar de optimización de evaluación (función de evaluación) está relacionado con la selección de muestras. El número, la adición y la eliminación de unidades de optimización de la evaluación afectarán la conclusión de la optimización de la evaluación. Además, el método de optimización de evaluación integral del componente principal no puede eliminar la información superpuesta de índices. Se ve fácilmente afectado por la superposición de indicadores, lo que da como resultado que los resultados óptimos de una evaluación integral estén estrechamente relacionados con la estructura de correlación de los indicadores.
(5) Método de optimización y evaluación integral difusa
El método de optimización y evaluación integral difusa fundado por el científico estadounidense L.A. Zadch en la década de 1960 se basa en matemáticas difusas y sus correspondientes estadísticas difusas. Un método integral de evaluación y optimización que considera de manera integral muchos factores que afectan algo y describe cuantitativamente algunos factores que no son claros y difíciles de cuantificar.
El método de optimización de la evaluación integral difusa incluye: ① Definir el sistema de optimización de la evaluación integral (con indicadores P), es decir, el dominio del factor U (2) Definir el dominio del nivel de revisión V (con m; niveles de revisión); ③ Determinar el peso del índice w; (4) Establecer una matriz de relación difusa r ⑤ Calcular el valor integral difuso b; o clasificación de optimización de evaluación integral, es decir, reconocimiento de categoría difuso.
Los expertos relevantes continúan desarrollando métodos de optimización y evaluación integral difusa en la práctica de aplicaciones, y sus campos de aplicación también se expanden constantemente. Varios métodos combinados con métodos de optimización y evaluación integral difusa también se expanden constantemente en muchos campos. Debido a que el dominio es muy complejo, los modelos variarán ampliamente, lo que dará como resultado modelos cada vez más complejos.
La ventaja del método de optimización y evaluación integral difusa es que cuando se trata de la evaluación y optimización de problemas complejos de múltiples niveles y el juicio integral de múltiples factores, el impacto de cada factor en el conjunto es integral. Se pueden considerar y utilizar números objetivos para reflejar las opiniones subjetivas de las personas.
Sin embargo, al cuantificar algunos factores con límites poco claros y difíciles de cuantificar, la información que contienen los factores puede perderse y los factores después de la cuantificación son muy diferentes de los anteriores a la cuantificación.
(6) El análisis de conglomerados combinado con el análisis de componentes principales se utiliza para evaluar el método de optimización.
Primero, se realiza un análisis de conglomerados para distinguir la influencia del objeto de preferencia evaluado, y luego se calcula el valor de preferencia de la persona evaluada a través del análisis de componentes principales, y se realizan clasificaciones intraclase e interclase. basado en el valor de preferencia. Este método tiene en cuenta los objetivos específicos de evaluación y optimización para eliminar en la mayor medida la correlación entre los indicadores de evaluación y optimización. Al mismo tiempo, tiene en cuenta indicadores de importancia importantes para minimizar el error subjetivo al determinar el peso de los indicadores. , mejorando así la eficiencia de la evaluación y la eficacia de los resultados de optimización.
Sin embargo, este método debe establecer de antemano los factores de optimización de la evaluación con influencia decisiva y realizar una agrupación en función de estos factores, lo que requiere una mayor cuantificación de los indicadores.
(7) Método de optimización de la evaluación que combina el proceso de jerarquía analítica y la optimización de la evaluación integral difusa.
Utilice el proceso de jerarquía analítica para determinar el peso de cada factor. Después de obtener los pesos, se utiliza el método matemático difuso para calcular el valor de optimización de la evaluación de cada factor y luego se obtiene la puntuación integral. La combinación del proceso de jerarquía analítica y el método de optimización de evaluación integral difusa es muy adecuada para una evaluación integral del entorno de inversión de riesgo en la región. Este método tiene en cuenta la naturaleza compleja y multinivel de los factores del entorno del capital riesgo y no es adecuado para la evaluación y optimización del entorno del capital riesgo en toda la región.
(8) Método del peso de la entropía
La entropía (es decir, la capacidad de cambio) fue propuesta por el físico alemán R.J.E. Clausius en 1864 al estudiar los ciclos térmicos. En 1948, N. Wiener y C.E. Shannon fundaron la teoría de la información. Shennong llamó entropía de la información a la incertidumbre en el proceso de transmisión de señales desde fuentes de información. Muestra la relación entre elección, incertidumbre y práctica aleatoria, y resuelve el problema de la descripción cuantitativa de la información. El aumento de entropía significa la pérdida de información; cuanto más ordenado sea el sistema, menor será la entropía y mayor será la cantidad de información. Cuanto mayor es la entropía, menor es la cantidad de información. En 1967, Theil propuso por primera vez el índice de Theil al estudiar la brecha de ingresos entre países.
Se obtiene restando el valor de entropía de la información h de la constante LgN. Este método utiliza la diferencia de información reflejada en la entropía en diferentes eventos de probabilidad en la teoría de la información y la teoría de sistemas como base teórica para establecer el peso. Es decir, para un sistema compuesto por múltiples valores de índice, cuanto mayor es la dispersión del valor del índice, mayor es la dispersión del valor del índice. mayor es el valor de entropía de la información del índice. Cuanto más pequeño es, mayor es la importancia reflejada.
El método de ponderación de entropía es un método matemático para calcular indicadores integrales basados en la información proporcionada por varios factores. Es un método objetivo e integral para determinar ponderaciones basadas en la cantidad de información que cada indicador transmite a los tomadores de decisiones.