（一）分布一致性标准
使用Kruskal-Wallis H检验方法进行检验，通过SPSS20.0软件计算，结果如表5-3所示，可以看出，根据秩均值越大，赋权方法之间差异越明显的原则，各方法的优良次序是：TOPSIS法＞灰色关联度法＞BP神经网络法＞主成分分析法。检验的卡方值为0.620，自由度为3，渐进显著性远大于0.05，接近于1，即表示4种赋权方法没有显著的差异。
表5-3 Kruskal-Wallis H检验结果
注：a.Kruskal Wallis检验；b.分组变量：评价方法。
（二）相关性标准
采用Kendall’W协同系数检验4种赋权方法的相关性，通过SPSS20.0软件计算，结果如表5-4所示。根据秩均值可以看出，赋权方法优良性从高到低依次是：主成分＞BP神经网络＞灰色关联度。检验的卡方值为1.351，自由度为3，渐进显著性为0.717，远大于0.05，接近于1，表明我们所使用的4种赋权方法没有显著的差异。
表5-4 Kendall’W协同系数检验结果
注：a.Kendall协同系数。
（三）离散程度
使用欧氏距离（Euclidian Distance）计算4种赋权方法结果的近似矩阵表，该相似矩阵表实质是一个不相似矩阵，其中数值代表不同方法的离散程度，数值越大，表示两个方法之间的距离越大，即离散程度越高。
表5-5 近似矩阵
从计算的近似矩阵来看，主成分分析法与其他三种方法的近似值较大，而TOPSIS法、灰色关联度法以及BP神经网络法之间的离散程度较小，从4种方法的两两近似值的均值也可以看出，主成分分析法的均值要大于其他三种方法，说明TOPSIS法、灰色关联度法以及BP神经网络法在离散程度这个标准上要优于主成分分析法。
（四）内在一致性
采用克隆巴赫α系数来检验我们使用的4种赋权方法的内在一致性，通过SPSS20.0软件计算，结果如表5-6、表5-7所示，可以看出克隆巴赫α系数为0.843，表示4种赋权方法的内在一致性极好。
表5-6 项间相关性矩阵
表5-7 可靠性统计量
(www.xing528.com)
（五）赋权方法优良性的综合测度
以上运用分布一致性、离散程度、相关性以及内在一致性优良标准都可以得出相应的优良赋权结果，但是单一的方法并不能全面综合地反映赋权方法的优良性，需将四个标准结合起来，对赋权方法的优良性进行综合测度。本书采用公式（5-5）的方法进行指标正向化，采用公式（5-6）极差正规化法进行指标的无量纲化。
表5-8 各优良标准排名结果表
续表
将正向化和无量纲化后的标准值相加，即得优良标准的综合测度值Y：
根据Y的值和排名，可以将各种赋权方法的优良性从高到低排序为：BP神经网络法＞灰色关联度法＞主成分分析法＞TOPSIS法。
（六）结论
本书提出了对被评价对象对客观条件的适应性、分布一致性、相关度、离散程度、内在一致性、导向作用6个综合评价赋权方法的优良标准，并通过实际案例对分布一致性、相关度、离散程度、内在一致性4个优良标准进行了实证检验，最后构造优良性综合测度的方法，并对各种赋权方法进行了优良性综合测度。
实证结果表明，对于既定的被评价对象，各种综合评价的赋权方法存在着一定的差异性，从优良标准的综合测度来看，优良性从高到低依次为：BP神经网络法、灰色关联度法、主成分分析法、TOPSIS法，选择相对优良的方法能够提高综合评价结果的准确性。本书也为综合评价方法的遴选提供了一个新的视角。
【注释】
[1]郭亚军.综合评价理论、方法与拓展[M].北京：科学出版社，2012：104-106.
[2]李红，朱建平.综合评价方法研究进展评述[J].统计与决策.2012（9）：7-11.
[3]陈衍泰，陈国宏，李美娟.综合评价方法分类及其研究进展[J].管理科学学报，2004，7（2）：69-79.
[4]李鹏，俞国燕.多指标综合评价方法研究综述[J].机电产品开发与创新.2009，22（4）：24、25、28.
[5]朱喜安，李良.综合评价赋权优良标准的研究[J].统计与决策，2016，（19）：23-26.
[6]李良.中国普惠金融进展及特征研究[D].中南财经政法大学，2017.
[7]朱喜安，李良.综合评价赋权优良标准的研究[J].统计与决策，2016，10（19）：23-26.
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
