[发明专利]基于模糊综合评价的国家高等教育体系健康评价

权利要求书

1.一种基于模糊综合评价的国家高等教育体系健康评价，其特征在于，包括以下步骤：

步骤1：利用因子分析得到具有代表性和现实性的评价指标；

步骤2：将步骤1中的评价指标相关数据进行归一化处理，压缩到[0,1]的范围之内；

步骤3：采用指标降维的方法对步骤2中的数据进行处理分析；利用方差贡献率等，根据累积贡献率的大小，为了使公主成分所包含的数据信息不会过多丢失，提高主成分分析的效率，只要主成分的累积方差贡献率大于70％，就可以选取这些作为主成分提取结果，即高等教育的教育水平、高等教育的当前发展、高等教育的发展前景；

步骤4：对步骤3中的一级指标进行权重分析；

步骤5：利用模糊综合评价模型，通过步骤4的权向量作为各因素权重，确定模糊综合判断矩阵，最后得到的模糊向量为：

B＝[0.6118 0.2871 0.3398 0.2957 0.3170]

步骤6：根据以上建立的高等教育健康状况评价模型，计算得到以下几个国家的具体评级，见图8；

步骤7：建立时间序列模型，用ARIMA(p,q,d)模型，一旦被识别后就可以从时间序列的过去值及现在值来预测未来值，得到p＝1,q＝1,d＝1；

步骤8：对步骤7中的模型进行检验，检验是否具有统计意义；

步骤9：对未来4年的数据进行预测，得到的数值如图9所示；

步骤10：利用步骤9中的数据带入步骤1、2、3、4、5建立的模型，得到各国高等教育健康评级；

步骤11：将上面建好的模型运用到澳大利亚这样一个实例中，为该国家的教育体系提出一个可实现的、合理的愿景，以支持一个健康和可持续的高等教育体系。

2.根据权利要求1所述的基于模糊综合评价的国家高等教育体系健康评价，其特征在于，所述步骤5和步骤7中的健康评级模型和时间预测模型的具体内容：

步骤2中，利用min-max标准化,将原始数据线性化的方法转换到[0,1]的范围，归一化公式如下：

步骤4中，在进行权重分析之前，必须对其进行一致性检验，检验我们构造的判断矩阵和一致矩阵是否有太大的差别

步骤5中的模糊综合评价建模，包括以下几点：

(1)确定因数集(评价指标集)，对于高等教育健康水平而言，这里直接利用主成分分析法中降维之后的三个指标：高等教育水平，高等教育基础，高等教育前景，记为

U＝{u₁ u₂ u₃}

(2)确定评语集，由于每个指标的评价值的不同,往往会形成不同的等级，此处拟定五个等级，等级1-5，高等教育体系健康水平最高为等级5，最低为等级1,记为：

V＝{v₁ v₂ v₃ v₄ v₅}

(3)确定各因素的权重，一般情况下,因素集中的各因素在综合评价中所起的作用是不相同的,综合评价结果不仅与各因素的评价有关,而且在很大程度上还依赖于各因素对综合评价所起的作用,这就需要确定一个各因素之间的权重分配,它是U上的一个模糊向量，此处已经通过AHP计算得到一个权重向量A，记为

A＝{a₁ a₂ a₃}

(4)确定模糊综合判断矩阵

综合上述所有向量得到因素评判矩阵如下：

确定单因素评判矩阵R和因素权向量A之后，通过模糊变化将U上的模糊向量V变为A上的模糊向量，最后得到的模糊向量为：

B＝[0.6118 0.2871 0.3398 0.2957 0.3170]

步骤7中，将预测对象随时间推移而形成的数据序列视为一个随机序列，如果序列仅存在趋势，当经过d阶逐步差分就可以平稳，用一定的数学模型来近似描述这个序列，使用ARIMA(p,q,d)模型，一旦被识别后就可以从时间序列的过去值及现在值来预测未来值：

首先通过ADF检验，检查原始时间序列的平稳性，如果原始时间序列是平稳的，那么d＝0；如果原始数据不平稳，那么做差分运算，通过ADF检验直到时间序列平稳，一般差分次数不超过2次，d的值可取1，国家高等教育的基础在一阶差分之后具有的平稳性，国家高等教育满足ARIMA(p,q,1)模型，通常在时间序列分析中，采用自相关函数(ACF)、偏自相关函数(PACF)来判别ARMA(p,q)模型的系数和阶数。