【正文】 ％ 9％ 2022 19％ 42％ 25％ 14％ 2022 17％ 38％ 27％ 17％ 2022 14％ 32％ 31％ 21％ 2022 13％ 30％ 35％ 19％ 2022 11％ 31％ 33％ 22％ 2022 8％ 27％ 37％ 24％ 2022 9％ 23％ 38％ 26％ 2022 7％ 24％ 36％ 28％ 表 5 愿意到后勤消費(fèi)的比例 （每月到食堂就餐次數(shù)，按一日三餐計(jì)算） 年份 40 天以下 40－ 59 天 60－ 79 天 80 天以上 2022 14％ 33％ 35％ 18％ 2022 13％ 31％ 37％ 19％ 2022 11％ 35％ 36％ 18％ 2022 12％ 36％ 35％ 17％ 2022 11％ 33％ 38％ 18％ 2022 9％ 32％ 39％ 20％ 2022 10％ 29％ 42％ 19％ 2022 8％ 27％ 46％ 19％ 2022 9％ 24％ 45％ 22％ 2022 8％ 21％ 47％ 24％ 附錄 II R2=[1 。 16 內(nèi)部運(yùn)營指標(biāo) 表 13 相關(guān)矩陣 3 總資產(chǎn)周轉(zhuǎn) 率 （％） 人均產(chǎn)值 正式員工占總員工比例 （％） 人均服務(wù) 人數(shù) 相關(guān) 總資產(chǎn)周轉(zhuǎn)率（％） 人均產(chǎn)值 正式員工占總員工比例（％） 人均服務(wù)人數(shù) 表 14 公因子方差 3 初始 提取 總資產(chǎn)周轉(zhuǎn)率 （％） 人均產(chǎn)值 正式員工占總員工比例 （％） 人均服務(wù)人數(shù) 提取方法： 主成分分析 。 取樣足夠度的 KaiserMeyerOlkin 度量。用來尋找判斷事物或現(xiàn)象的綜合指標(biāo)，并對綜合指 標(biāo)所包含的信息進(jìn)行適當(dāng)?shù)慕忉尅? 七 、模型的評價(jià)與改進(jìn) 模型的評價(jià) 模型的優(yōu)點(diǎn) 模型中圖表居多，便于理解和對比，更加直觀清晰； 在多指標(biāo)分析中，運(yùn)用主成分分析法可達(dá)到降低細(xì) 化指標(biāo)的個(gè)數(shù)，用新的指標(biāo)樣本代替原樣本進(jìn)行統(tǒng)計(jì)分析，將問題簡化； 在分析不同指標(biāo)之間的關(guān)系時(shí)，為了避免主觀推斷的結(jié)果與實(shí)際產(chǎn)生太大偏離，我們通過對其相關(guān)矩陣的分析使得關(guān) 系數(shù)據(jù)化，這也是解決這類問題的較優(yōu)方法； 建模方法簡便易懂，便于操作，卻又不失實(shí)用性與可靠性。 Bartlett 的球形度檢驗(yàn) 近似卡方 df 10 .Sig 發(fā)展能力指標(biāo)的 KMO 和 Bartlett 的檢驗(yàn) 取樣足夠度的 OlkinMeyerKaiser ?? 度量 。 首先 分析經(jīng)濟(jì)效益指標(biāo) 利用 Excel 表格將經(jīng)濟(jì)效益指標(biāo)中年份與主成分值的對應(yīng)關(guān)系畫成散點(diǎn)圖，并 通過比較 求出擬合函數(shù) 。可見 11Z 綜合反映了每年經(jīng)濟(jì)效益的大小， 11Z 的值越大，則經(jīng)濟(jì)效益越高。 對 于問題二的分析 根據(jù)問題一的結(jié)果數(shù)據(jù)運(yùn)用等權(quán)值加和法的綜合指標(biāo)來衡量各指標(biāo)的優(yōu)劣 ，再利用時(shí)間序列預(yù)測系統(tǒng)以及 Excel 圖像分析預(yù)測未來五年走勢。經(jīng)濟(jì)上自負(fù)盈虧，獨(dú)立核算。 根據(jù)問題一的結(jié)果數(shù)據(jù)運(yùn)用等權(quán)值加和法的綜合指標(biāo)來衡量各指標(biāo)的優(yōu)劣 ， 通過 時(shí)間序列預(yù)測法來考慮經(jīng)濟(jì)效益指標(biāo)、發(fā)展能力指標(biāo)和內(nèi)部運(yùn)營指標(biāo)在未來五年的走勢。題目 高校后勤集團(tuán)運(yùn)營績效 摘 要 高校后勤集團(tuán) 的經(jīng)濟(jì)效益，發(fā)展?jié)摿皟?nèi)部運(yùn)營是關(guān)系到一個(gè)集團(tuán)運(yùn)營績效走勢的幾個(gè)關(guān)鍵要素，據(jù)此問題研究重點(diǎn)就從這三個(gè)要素之間展開，進(jìn)行研究分析，得出結(jié)果。 根據(jù)擬合曲 線 ： 5 657 .05 660 225y x x? ? ? ? 求出未來五年的預(yù)測結(jié)果 。 某高校后勤集團(tuán)為了研究公司運(yùn)營績效走勢，詳細(xì)調(diào)查 了 2022 年至 2022 年的運(yùn)營指標(biāo)。最后將所預(yù)測的數(shù)據(jù) 與原始數(shù)據(jù)相比較證明預(yù)測的數(shù)據(jù)在合理的范圍內(nèi)，從而 驗(yàn)證模型預(yù)測的正確性。由此可排 出 每年經(jīng)濟(jì)效益的次序， 2022年的 11Z 最小，表明 2022 的經(jīng)濟(jì)效益最差， 2022 年的 11Z 最大，說明 2022 年的經(jīng)濟(jì)效益最高。 7 y = R2 = 4321012341998 2022 2022 2022 2022 2022 2022主成分值線性 (主成分值) 圖一 經(jīng)濟(jì)效益指標(biāo)中 各年份與主成分值的對應(yīng)關(guān)系散點(diǎn)圖 求出的擬合曲線為 ： 0. 72 55 3 14 53 .8yx?? 其中 2 ? 符合擬合曲線的基本準(zhǔn)則 。 Bartlett 的球形度檢驗(yàn) 近似卡方 df 6 .Sig 9 內(nèi)部運(yùn)營指標(biāo)的 KMO 和 Bartlett 的檢驗(yàn) 取樣足 夠度的 OlkinMeyerKaiser ?? 度量 。 模型的缺點(diǎn) 在分 析各指標(biāo)之間的動(dòng)態(tài)關(guān)系時(shí)，采用各指標(biāo)的幾個(gè)主成分 代表該指標(biāo)數(shù)據(jù)進(jìn)行分析，會產(chǎn)生一定的誤差； 本文處理問題方法單一數(shù)據(jù)處理工作量大； 預(yù)測時(shí)方法有限，預(yù)測可能不太準(zhǔn)確。以此達(dá)到壓縮數(shù)據(jù)，解釋數(shù)據(jù)的作用。 近似卡方 df 6 Sig. 表 9 公因子方差 1 初始 提取 經(jīng)營收入 年終節(jié)余 返還工資 上繳利潤 人均收入 提取方法：主成分分析 。 表 12 解釋的總方差 2 成份 初始特征值 提取平方和載入 合計(jì) 方差的 % 累積 % 合計(jì) 方差的 % 累積 % 1 2 3 4 提取方法：主成分分析。 11 九 、參考文獻(xiàn) [1]姜啟源 ，