主成分分析和层次分析法
主成分分析法PPT课件

6
3.832E-16
2.017E-15 100.000
7
3.351E-16
1.764E-15 100.000
8
2.595E-16
1.366E-15 100.000
000
10
1.683E-16
8.860E-16 100.000
11
7.026E-17
3.698E-16 100.000
• 因子分析是要利用少数几个公共因子去解释较多个要观测 变量中存在的复杂关系,它不是对原始变量的重新组合,而 是对原始变量进行分解,分解为公共因子与特殊因子两部分. 公共因子是由所有变量共同具有的少数几个因子;特殊因 子是每个原始变量独自具有的因子.
3、应用中的优缺点比较
• 主成分分析 优点:首先它利用降维技术用少数几个综合变量来代替 原始多个变量,这些综合变量集中了原始变量的大部分信 息.其次它通过计算综合主成分函数得分,对客观经济现象 进行科学评价.再次它在应用上侧重于信息贡献影响力综 合评价. 缺点:当主成分的因子负荷的符号有正有负时,综合评价 函数意义就不明确.命名清晰性低.
12
2.750E-19
1.447E-18 100.000
13
-7.503E-17 -3.949E-16 100.000
14
-1.291E-16 -6.794E-16 100.000
15
-1.742E-16 -9.168E-16 100.000
16
-2.417E-16 -1.272E-15 100.000
四、主成分分析法的步骤
1数据归一化处理:数据标准化Z 2计算相关系数矩阵R: 3计算特征值;
特征值越大说明重要程度越大.
4计算主成分贡献率及方差的累计贡献率; 5计算主成分载荷与特征向量:
结合主成分分析法改进后的层次分析法及应用

结 合 主 成 分 分 析 法 改 进 后 的 层 次 分 析 法 及 应 用
张 秀 红 ,马 迎 雪 ( 华中师范大学数学与统计学学院, 湖北 武汉 4 3 0 0 7 g )
李 延 晖 ( 华中师 范大 学信息与管理学院, 湖北 武汉 4 3 0 0 7 9 )
[ 摘 要 ] 主 成 分 分 析 和 层 次 分 析 法是 计 算 综 合 指 标 的 2种 常 用 方 法 , 2个 方 法 各 有 特 色 却 也 各 有 局 限 性 。
有效 的方 法_ 4 ;李春 平 、杨益 民 、葛莹 玉在 文章 主成 分分 析法 和层 次分 析法 对综 合 指标进 行 定量 评价 比
较 中 ,用 主成 分和 层次 分析 法分别 对 江苏 经济 发展 进行 了评 价并 进行 了比较Ⅲ 5 ] 。下 面 ,笔者 对 主成分 分 析法 和层 次分 析法 进行 了比较 ,然后 用 主 成分 分 析 法 对传 统 的层 次 分析 法 进 行 改进 ,并结 合 R 软件 对 湖北 省工 业企 业创 新能 力进 行综 合评 价 ,从而 验证 了该 方法 的科 学性 与合 理性 。
在现 实生 活 中 ,对 企业 行业创 新 能力 的评 价 常常要 涉及 多 个指标 ,而主成 分 和层ห้องสมุดไป่ตู้次分 析法 就是 计算
综合 指标 的 2种 常用方 法 。层次 分析 法虽 然可 以简 单 的将综 合 指标 定量 化 ,但是 其权 重确 定 的主观 性 太
大 ,当指标过 多 时 由于客 观事物 的 复杂性 或对 事 物认识 的片面 性 ,通过 所构 造 的判 断矩 阵求 出 的权 值 不
1 层 次 分 析 法 与 主 成 分 分 析 法
1 . 1 层 次 分 析 法
主成分分析法及其应用

主成分分析法及其应用一、本文概述主成分分析法(Principal Component Analysis,简称PCA)是一种广泛应用于数据降维和特征提取的统计方法。
它通过正交变换将原始数据集中的多个变量转换为少数几个互不相关的主成分,这些主成分能够最大程度地保留原始数据集中的信息。
本文旨在全面介绍主成分分析法的基本原理、实现步骤以及在各个领域中的应用案例。
我们将详细阐述主成分分析法的数学基础和算法流程,包括协方差矩阵、特征值、特征向量等关键概念的计算方法。
然后,我们将通过实例演示如何使用主成分分析法进行数据降维和特征提取,以及如何通过可视化工具展示降维后的数据效果。
我们将探讨主成分分析法在机器学习、图像处理、生物信息学、社会科学等多个领域中的实际应用,展示其在数据分析和处理中的重要价值和潜力。
二、主成分分析法的基本原理主成分分析法(Principal Component Analysis,简称PCA)是一种在多个变量中找出主要影响因素,并通过降维技术把多个变量转化为少数几个互不相关的综合变量的统计方法。
这种方法在保持数据信息损失最小的原则下,通过正交变换将原始数据转化为一个新的坐标系统,使得在这个新的坐标系统中,任何数据的最大方差都投影在第一主成分上,第二大的方差都投影在第二主成分上,以此类推。
变量降维:在多数情况下,原始数据集中可能存在多个变量,这些变量之间可能存在相关性。
主成分分析通过构造新的变量(即主成分),这些新变量是原始变量的线性组合,并且新变量之间互不相关,从而将原始的高维数据空间降维到低维空间,实现数据的简化。
方差最大化:主成分分析的另一个重要原理是方差最大化。
这意味着,第一个主成分将捕获数据中的最大方差,第二个主成分捕获第二大方差,以此类推。
通过这种方式,主成分分析能够识别出数据中的主要变化方向和模式。
数据解释性:主成分分析生成的主成分是对原始数据的线性变换,因此,每个主成分都可以被解释为原始变量的某种组合。
主成分分析法

主成分分析法什么事主成分分析法:主成分分析(principal components analysis , PCA 又称:主分量分析,主成分回归分析法主成分分析也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。
在统计学中,主成分分析(principal components analysis,PCA)是一种简化数据集的技术。
它是一个线性变换。
这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上,第二大方差在第二个坐标(第二主成分)上,依次类推。
主成分分析经常用减少数据集的维数,同时保持数据集的对方差贡献最大的特征。
这是通过保留低阶主成分,忽略高阶主成分做到的。
这样低阶成分往往能够保留住数据的最重要方面。
但是,这也不是一定的,要视具体应用而定。
主成分分析的基本思想:在实证问题研究中,为了全面、系统地分析问题,我们必须考虑众多影响因素。
这些涉及的因素一般称为指标,在多元统计分析中也称为变量。
因为每个变量都在不同程度上反映了所研究问题的某些信息,并且指标之间彼此有一定的相关性,因而所得的统计数据反映的信息在一定程度上有重叠。
在用统计方法研究多变量问题时,变量太多会增加计算量和增加分析问题的复杂性,人们希望在进行定量分析的过程中,涉及的变量较少,得到的信息量较多。
主成分分析正是适应这一要求产生的,是解决这类题的理想工具同样,在科普效果评估的过程中也存在着这样的问题。
科普效果是很难具体量化的。
在实际评估工作中,我们常常会选用几个有代表性的综合指标,采用打分的方法来进行评估,故综合指标的选取是个重点和难点。
如上所述,主成分分析法正是解决这一问题的理想工具。
因为评估所涉及的众多变量之间既然有一定的相关性,就必然存在着起支配作用的因素。
根据这一点,通过对原始变量相关矩阵内部结构的关系研究,找出影响科普效果某一要素的几个综合指标,使综合指标为原来变量的线性拟合。
主成分分析

什么是主成分分析法主成分分析也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。
在统计学中,主成分分析(principal components analysis,PCA)是一种简化数据集的技术。
它是一个线性变换。
这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上,第二大方差在第二个坐标(第二主成分)上,依次类推。
主成分分析经常用减少数据集的维数,同时保持数据集的对方差贡献最大的特征。
这是通过保留低阶主成分,忽略高阶主成分做到的。
这样低阶成分往往能够保留住数据的最重要方面。
但是,这也不是一定的,要视具体应用而定。
[编辑]主成分分析的基本思想在实证问题研究中,为了全面、系统地分析问题,我们必须考虑众多影响因素。
这些涉及的因素一般称为指标,在多元统计分析中也称为变量。
因为每个变量都在不同程度上反映了所研究问题的某些信息,并且指标之间彼此有一定的相关性,因而所得的统计数据反映的信息在一定程度上有重叠。
在用统计方法研究多变量问题时,变量太多会增加计算量和增加分析问题的复杂性,人们希望在进行定量分析的过程中,涉及的变量较少,得到的信息量较多。
主成分分析正是适应这一要求产生的,是解决这类题的理想工具。
同样,在科普效果评估的过程中也存在着这样的问题。
科普效果是很难具体量化的。
在实际评估工作中,我们常常会选用几个有代表性的综合指标,采用打分的方法来进行评估,故综合指标的选取是个重点和难点。
如上所述,主成分分析法正是解决这一问题的理想工具。
因为评估所涉及的众多变量之间既然有一定的相关性,就必然存在着起支配作用的因素。
根据这一点,通过对原始变量相关矩阵内部结构的关系研究,找出影响科普效果某一要素的几个综合指标,使综合指标为原来变量的线性拟合。
这样,综合指标不仅保留了原始变量的主要信息,且彼此间不相关,又比原始变量具有某些更优越的性质,就使我们在研究复杂的科普效果评估问题时,容易抓住主要矛盾。
综合评价研究方法综述

综合评价研究方法综述本文主要是在前人研究基础上,分析了AHP层次法、模糊评测法、主成分分析法以及topsis等几种评价方法的基本思想、优缺点。
为以后的研究提供参考。
标签:AHP层次法;模糊评测法;主成分分析法;topsis在工作生活中,我们经常讲影响事物的各个因素分析整理成一个综合指标,从而全面面、准确评价一个问题,这就是多指标综合评价方法。
近年来,围绕多指标综合评价方法,多学科知识不断融合,相应的研究方法已有几十种。
根据权重计算方法大致可以分为依靠专家经验打分的专家经验法以及依靠计量模型的客观复制法。
前者主要是专家学者利用学识、工作经验等人为给予指标权重。
如层次分析法;后者主要是依靠指标之间的统计关系来确定指标权重,依据相关检验筛选指标,如主成分分析方法。
下文对相应的研究进行整理。
一、专家经验法1.层次分析法层次分析法美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初提出的,他的基本原理是将复杂问题划分成几个层次,层次之间元素大致相等并且相互联系,层次之间按照隶属关系构成一个有序的递阶层次模型。
计算方法是,首先根据两两重要性程度,进行两两对比,并按重要性程度评价,构建一个判断矩阵。
其次根据判断矩阵,计算权重向量,并归一化为权值;最后进行一致性检验,在计算判断矩阵的阶数时,难以构建出满足一致性的矩阵,因此必须对判断矩阵的偏离一致性检验程度进行判定。
(1)层次分析法的优点①定性与定量相结合。
该方法把指标进行两两对比,并根据指标重要性,由专家根据经验赋予指标权重,从而将定性指标定量化。
充分发挥定量分析与定性分析优势。
②所需定量数据信息较少。
层次分析法模拟人脑的思维过程,将各要素抽象化,具体化,定量化。
(2)层次分析法的缺点①定量数据少,定性程序多,信服力不够。
由于各指标之间的重要性是人为赋予的,不同指标的重要性在不同专家那儿重要性不够。
主观随意性强,说服力不够。
②元素过多容易出现不一致问题。
当同一层次的元素数量过多时,决策者容易做出错误的判断,从而矩阵很难满足通过一致性检验,预测效果不理想。
评价指标体系构建原则及综合评价方法

评价指标体系构建原则及综合评价方法设置评价指标体系时一般要遵循以下原则:(1)区域性原则衡量一个研究对象的运行情况,要从特定的区域出发因地制宜、发挥优势,评价指标要具有针对性。
(2)动态性原则研究对象是一个动态的过程,指标的选取不仅要能够静态的反映考核对象的发展现状,还要动态的考察其发展潜力。
选取的指标要能够具有动态性,可以衡量同一指标在不同时段的变动情况,并且要求所选指标在较长的时间具有实际意义。
(3)可量化原则数据的真实性和可靠性是进行监测的前提条件和重要保障,需要大量的统计数据作为支持。
选取的指标应该具有可量化的特点,在保证指标有较高反映考核对象的前提下,能够直接查到或者通过计算间接得到指标数据,以保证评价的可操作性,同时数据来源要具有权威性,这样能保证正确评估研究对象。
(4)层次性原则一级指标同时分别设立多个具体的子指标。
在众多指标中,把联系密切的指标归为一类,构成指标群,形成不同的指标层,有利于全面清晰的反映研究对象。
综合评价方法的选取:随着计算机技术飞速发展和普遍应用,用于定量评价多指标问题的多指标综合评价法被广泛应用到经济、生活的各个方面,特别是SAS、SPSS等统计软件的使用更加提高综合评价法的实用性。
目前用于分析多指标体系的综合评价方法主要有模糊综合评价法、灰色综合评价法、数据包络分析法(DEA 法)、层次分析法、主成分分析法以及因子分析法以等多种方法,不同方法的评价结果都是依据指数或分值对参评对象的综合状况进行排序评价。
在综合评价过程中,指标权重的确定十分重要。
对指标赋值主要有主观赋值和客观赋值,也有将主观、客观赋值法结合起来的。
对于指标数量比较大时,采用传统的主观赋值法确定指标的权重则难以全面把握众多指标,依赖主观判断会增大或降低一些指标的重要程度,导致实证的结果难以反映客观实际情况。
客观赋值法如主成分分析法、变异系数法、熵值法等,权重的确定是根据各项指标的变异程度或者各指标之间的相互关系。
主成分分析法

主成分分析法什么事主成分分析法:主成分分析(principal components analysis,PCA)又称:主分量分析,主成分回归分析法主成分分析也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。
在统计学中,主成分分析(principal components analysis,PCA)是一种简化数据集的技术.它是一个线性变换。
这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上,第二大方差在第二个坐标(第二主成分)上,依次类推。
主成分分析经常用减少数据集的维数,同时保持数据集的对方差贡献最大的特征。
这是通过保留低阶主成分,忽略高阶主成分做到的。
这样低阶成分往往能够保留住数据的最重要方面。
但是,这也不是一定的,要视具体应用而定。
主成分分析的基本思想:在实证问题研究中,为了全面、系统地分析问题,我们必须考虑众多影响因素。
这些涉及的因素一般称为指标,在多元统计分析中也称为变量。
因为每个变量都在不同程度上反映了所研究问题的某些信息,并且指标之间彼此有一定的相关性,因而所得的统计数据反映的信息在一定程度上有重叠.在用统计方法研究多变量问题时,变量太多会增加计算量和增加分析问题的复杂性,人们希望在进行定量分析的过程中,涉及的变量较少,得到的信息量较多。
主成分分析正是适应这一要求产生的,是解决这类题的理想工具。
同样,在科普效果评估的过程中也存在着这样的问题。
科普效果是很难具体量化的。
在实际评估工作中,我们常常会选用几个有代表性的综合指标,采用打分的方法来进行评估,故综合指标的选取是个重点和难点。
如上所述,主成分分析法正是解决这一问题的理想工具.因为评估所涉及的众多变量之间既然有一定的相关性,就必然存在着起支配作用的因素。
根据这一点,通过对原始变量相关矩阵内部结构的关系研究,找出影响科普效果某一要素的几个综合指标,使综合指标为原来变量的线性拟合.这样,综合指标不仅保留了原始变量的主要信息,且彼此间不相关,又比原始变量具有某些更优越的性质,就使我们在研究复杂的科普效果评估问题时,容易抓住主要矛盾。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
基于主成分分析和层次分析法的某市投资环境评价模型建立研究 1 关于因子分析 围绕浓缩原有变量提取因子的核心目标,因子分析主要涉及以下内容: 1.1因子分析的前提条件; 1.2因子载荷矩阵的求解和因子提取; 1.3因子命名 1.4计算因子得分。 2层次分析法 运用层次分析法建模,大体上可按下面四个步骤进行: 2.1建立递阶层次结构模型; 2.2构造出各层次中的所有判断矩阵; 2.3层次单排序及一致性检验; 2.4层次总排序及一致性检验。 3指标体系的建立与评价模型的构建 3.1指标体系的建立 X市投资环境评价分为三个层次:第一层是目标层;第二层准则层包括发展与效率综合指标、基础设施与配套能力综合指标、人力资源与社会责任综合指标、环境保护与节能减排综合指标、技术创新综合指标等五个二级指标;第三层是具体的评估指标。按照指标选取的全面性、科学性、目的性、可操作性以及最少性的原则,本研究引入22个指标变量以反映综合投资环境水平。 3.2评价模型的构建 3.2.1准则层评价模型的构建 为把各具体投资环境评价指标项聚合成为准则层的综合得分,采用主成分分析法进行处理。使用主成分法作综合评价时,主成分量选择的原则是其累计概率≥85%。 在主成分分析法确定各综合评价因子权重的基础上,构造评价模型,即:
mijijjVUp1)5,4,3,2,1( (1)
其中pj代表各子竞争力得分,Ui为各子竞争力相应的因子的主成分得分,Vi为各子竞争力相应的因子的权重值(即为主成分贡献率),m 为综合因子数。 3.2.2目标层评价模型的构建 在已求得的准则层综合得分的基础上,我们选择层次分析法(AHP)来确定准则层的权重。本研究运用层次分析法建模时,具体步骤为:第一步,建立层次分析模型;第二步,构造判断矩阵A;第三步,计算层次权重及一致性检验。 目标层投资环境评价模型为:
njjjPIS1 (2)
其中S 为研究对象投资环境评价综合得分,Ij为准则层各综合指标的权重值,Pj为准则层各综合指标得分,n为5。 4 某市投资环境评价的实证分析 4.1利用主成分分析计算各准则层综合得分 利用SPSS软件对准则层其下属指标层各变量系统进行主成分分析,其综合得分及排名如表1所示。 以准则层发展与效率指标为例,利用SPSS软件来实现该系统变量的主成分分析。 第一,采用Z-Score方法对原始数据进行标准化处理[6]。本文采用SAS软件中的proc、standard命令对数据进行标准化处理,变换后所得的新数据,mean=0,std=1,变化幅度大大缩小,从而实现了对原始数据的标准化处理。 第二,建立指标之间的相关系数矩阵R。由SPSS程序输出结果知c1与c2、c3、c4、c5这些指标之间存在很强的相关性,所以必须在这些具有重复性情报信息的变量中,选择能够说明大部分情报信息的几个主成分。 第三,计算相关矩阵R的特征值λi和特征向量hj及方差贡献率(如表2所示)。表2是SPSS程序输出样本相关矩阵的特征值、差值、贡献率以及累积贡献率的结果。Eigenvalue是样本相关矩阵的特征值(即主成分的方差),Difference为相关矩阵的差值,Proportion为各主成分的贡献率,Cumulative为主成分的累积贡献率。主成分方差越大,主成分的贡献率越大,则主成分对情报的说明力越强,从表2我们可以看出,第一主成分的特征值是4.91845091,而第一主成分的贡献率也已达到了54.65%。 第四,确定主成分个数。由表2知前四个主成分的累计贡献率已达到93.70%,说明前四个主成分基本包含了全部指标具有的信息,即完全能够反映大部分情报,所以取前四个主成分即可,并计算出相应的特征向量(即主成分负载值,见表3) 第五,利用公式Ci=eiZ=e1iZ1+e2iZ2+K+eπZp计算各主成分得分。其中ei为个主成分负载值,Z 为原始数据经过标准化后的数据(各主成分得分结果略)。 第六,数据解释。各地区得分有负值出现,这是因为在主成分分析中,由于各指标均进行了标准化处理,得分无满分概念,综合得分数值的大小只是反映了样本在经济及产业结构竞争力水平的高低,31个地区的平均水平为零,正分为高出平均水平的程度,负分为低于平均水平的的程度。 4.2利用AHP计算综合竞争力得分1.构造判断矩阵 首先,组织专家利用T.L.Saaty提出的(1~9)九标度方法对四大子竞争力系统进行打分,然后在此基础上,再构造判断矩阵,并由此计算出比较元素间的相对权重[5]。判断矩阵如表4所示。在判断矩阵的基础上,利用Matlab软件计算矩阵最大特征值λmax及相应的特征向量(各子系统的相应权重),结果如下:λmax =4.102 2,W%i =(w1,w2, w3, w4 ) = (0.496 5, 0.313 2,0.139 3,0.050 9)。 2.一致性检验 对判断矩阵的一致性检验的步骤如下: (1)计算一致性指标CI。CI=λmax-n n-1 =4.1022-43 =0.03406 (2)查找相应的平均随机一致性指标RI。对n=1,Λ,9,Saaty给出了RI的值,如表5所示。 (3)计算一致性比例CR。当CR<0.10时,认为判断矩阵的一致性是可以接受的,否则应对判断矩阵作适当修正。 本文中,CR=CIRI=0.034 060.9 =0.037 85<0.10 所以,矩阵A 满足一致性检验,即各子系统权重W%i=(w1,w2,w3,w4)=(0.496 5,0.313 2,0.139 3,0.050 9)是成立的。 3 确定河北省综合竞争力得分及排名 利用评价模型式2计算中国31省市综合竞争力得分及排名,如表6所示。 5.3结果分析 上述31省市综合竞争力得分及排名结果基本上反应了我国地区竞争力的格局。其中,第一集团包括上海、广东、北京、江苏、浙江、天津、山东、辽宁、福建9个地区,这9个地区得分均为正数,说明竞争力处于平均水平之上,而该9地区的前6名得分更是高于1,是中国省域竞争力实力的领跑者。第二集团主要包括重庆、内蒙古、河北、湖北、吉林、山西、河南、湖南、四川等12个地区,该集团主要特点就是地区得分相差不大,综合竞争力水平不相上下。第三集团包括新疆、江西、甘肃、贵州等10地区,由得分可知,该类地区竞争力水平较低,从地理位置上看,这一阵营的地区基本上都是属于我国西部地区,因此,国家还是应该继续加大力度支持西部,以缩小地区之间差距。 由表6可知,河北省综合竞争力在中国31省市中排名第12位,处于第二集团,属于中等发展水平。但是,虽然河北省竞争力名次不太落后,而得分却只有-0.488分,说明竞争力实力水平处于序列域的平均水平之下,发展水平仍需提高。下面我们就各子系统竞争力做详细分析。 经济及产业结构竞争力,河北省得分-0.645, 排名第15位。按照国际惯例,三次产业之间的协调 比例应为1∶4∶5,而河北省这一比例为1.5∶5.2 ∶3.3,与上述要求还有距离,因此,产业结构需要进 一步调整与优化。 国际竞争力,河北省得分-0.645,排名第10 位,较其它子竞争力有相对优势,这主要是因为河北 省地处环京津、环渤海经济圈,位于渤海地区的中心 地带,与日本、韩国隔海相望,是中国东北地区与国 内其它省区联系的通道和西北诸省区的北方出海通 道,具有较好的地区优势。 科学文化竞争力,河北省得分-0.245,排名第 6位,是四个子系统中竞争实力最弱的一个。地区 的文化是城市可持续发展和有效竞争的保障,而科学技术则是地区竞争力的直接推动力,地区的发展 潜力取决于地区的文化和科技竞争力,由此可见科 教文化的重要性。因此,河北省应该加大力度发展 科教文化事业,以推动区域竞争力的尽快提升。 基础设施与环境竞争力,河北省得分0.041,排 名第11位,是四个子系统竞争力中唯一一个竞争实 力高于平均水平的系统。基础设施是地区社会经济 活动的基本载体,是社会经济发展的基本前提和保 证,最近几年以来,河北省努力发展城市建设事业, 不断提高城镇化发展水平,使得河北省的环境竞争 力发展水平有了很大提高。 综上所述,河北省竞争力虽有值得肯定的地方, 但是总体来说,其在经济发展水平、产业结构、科技 文化事业、基础设施等诸多方面与发达地区如上海、 广东的差距明显。在现代化建设的今天,一个地区 的竞争力水平很大程度上反映了该地区社会经济的 发展。因此,面对知识经济时代的挑战,应如何抓住 机遇,努力提高竞争力发展水平是河北省目前经济 发展的首要问题。 参考文献: [1] 鲁继通.国内区域竞争力问题研究综述[J].科技风,2008(2). [2] 金浩.经济统计分析与SAS的应用[M].北京:经济科学出版社,2002. [3] 左继红,胡树华.区域竞争力的指标体系及评价模型研究[J].商业研究,2005(16). [4] 余瑞娟,吴广谋.基于主成分分析的区域产业竞争力评价[J].价值工程.2008(7). [5] 王连月,韩立红.AHP法在区域竞争力综合评价中的应用[J企业经济,2004(6). [6] 中华人民共和国统计局.中国统计年鉴[M].北京:中国统计出版社,2009.