高速運輸業(yè)安全資信評析
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了高速運輸業(yè)安全資信評析范文，希望能給你帶來靈感和參考，敬請閱讀。
1資信評價體系
1.1指標集
定義指標集：U=（u1，u2，……，um），其中m表示評價指標數(shù)。評價指標應具有可測性、代表性、可比性和獨立性，每個指標應該均能表征企業(yè)運輸安全水平的某一方面。為了有效評估各運輸企業(yè)的安全資信等級，本文中m=4；u1、u2、u3和u4分別表示超速率（Up-Speedratio，USR）、疲勞駕駛率（Tired-Driveratio，TDR）、夜間行駛率（Night-Travelratio，NTR）和無信號車率（Non-Signalratio，NSR），其中US表示企業(yè)單位時間的超速次數(shù)，TD表示企業(yè)單位時間的疲勞駕駛的次數(shù)，NT表示企業(yè)單位時間的夜間行駛次數(shù)，NS表示企業(yè)單位時間的無信號車個數(shù)，N表示該企業(yè)擁有的車輛總數(shù)。
1.2評語集
評語集是評價者對評價對象可能做出的各種評價結(jié)果所組成的集合。評語集一般可表示為：V=（v1，v2，……vρ），其中ρ的取值應以適中為宜。本文ρ取值為4，即將交通運輸企業(yè)安全等級分為4個等級：V=（優(yōu)秀、良好、合格、較差）。
2安全資信評估原理及評估方法
2.1安全資信評估原理
2.1.1差異驅(qū)動原理
差異驅(qū)動的指標客觀賦權(quán)法的基本思想是：權(quán)重系數(shù)應當是各個指標在指標總體中變異程度和對其他指標影響程度的度量，賦權(quán)的原始信息應當直接來源于各指標所提供的信息量，并由其來決定相應指標的權(quán)重系數(shù)，避免人為干擾。針對n個被評價對象，有m個評價指標u1，u2，……，um，相應的權(quán)重系數(shù)為a1，a2，……，am，用ui1，ui2，……，uim表示第i個評價對象的各評價指標的取值，即U=（uij）n×m。則yi=mj=1Σajuij令Y=（y1，y2，…，yn）T，A=（a1，a2，…，am）T得到：Y=UA，其樣本方差s2=yTyn-y2，式中y是yi的均值，因為原始數(shù)據(jù)經(jīng)過標準化處理后y=0，于是有ns2=yTy=ATUTUA=ATHA式中：H=UTU。求得上式的最大值就使得各個指標之間的信息差異最大，從而實現(xiàn)差異驅(qū)動，于是可得：maxAHAT，s.tATA=1H＞1，計算H的最大特征值對應的特征向量，并對其歸一化后得到A，即指標權(quán)重系數(shù)構(gòu)成的向量。
2.1.2模糊C均值算法（FCM）
模糊C均值算法（FCM，F(xiàn)uzzyCMeans）以類內(nèi)平方誤差和最小為聚類準則，通過對目標函數(shù)的反復迭代優(yōu)化來實現(xiàn)對集合的劃分，從而計算每個樣本屬于各模糊子集（聚類）的隸屬度，即屬于各模糊子集的程度。聚類中心和隸屬度計算公式如下：mj=ni=1Σμijbxini=1Σμijb，j=1，2，…，c利用上述公式得出樣本對各個類別的隸屬度矩陣：U其中uij是第i個樣本對于第j個資信等級的隸屬度。
2.2評估算法
本算法結(jié)合差異驅(qū)動原理和模糊C均值算法，將具體算法步驟描述如下：Step1：計算評價指標的權(quán)重向量。構(gòu)建評價指標矩陣U，U=（uij）n×m，根據(jù)差異驅(qū)動法原理，對矩陣U進行標準化處理后并轉(zhuǎn)置，得到矩陣UT；進而求矩陣UT的特征值及特征向量，最大特征值對應的特征向量經(jīng)歸一化即為指標權(quán)重系數(shù)向量A。Step2：計算各企業(yè)的評分。設企業(yè)的得分向量為Z，Z=A×UT。Step3：對所有企業(yè)的得分進行聚類分析。設集合Z=（zi，i=1，2，…，n）為個企業(yè)的得分向量，利用模糊C均值聚類算法，將Z劃分成c個等級（即評語的個數(shù)），求出Zi對各等級的隸屬度矩陣Ucn，其中uij為第j個企業(yè)對第i個等級的隸屬度。Step4：綜合評價各企業(yè)的資信等級。設矩陣U=（u1，u2，……，un），其中uj=（u1j，u2j，…，ucj）（j=1，2，…，n），求uj中的最大元素ukj，即得第j個企業(yè)的資信等級為k。3結(jié)語本文提出USR、TDR、NTR、NSR組成的評價指標只需通過GPS數(shù)據(jù)分析得出，具有經(jīng)濟性；采用差異驅(qū)動原理和模糊C均值的高速公路運輸企業(yè)安全資信評價方法具有一定的預見性，可以通過企業(yè)的違規(guī)情況預見運輸企業(yè)的安全等級。
