因子分析法是综合评价方法吗

㈠ 如何正确运用因子分析法进行综合评价

得到总评分之后，save，然后排序即可

㈡ 因子分析法和主成分分析法的区别与联系是什么

联系:因子分析法和主成分分析法都是统计分析方法，都要对变量标准化，并找出相关矩阵。区别:在主成分分析中，最终确定的新变量是原始变量的线性组合，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。
1.因子分析法通过正交变换，将一组可能具有相关性的变量转换为一组线性不相关的变量，称为主成分。它主要用于市场研究领域。在市场研究中，研究人员关注一些研究指标的整合或组合。这些概念通常通过分数来衡量。人口学、数量地理学、分子动力学模拟、数学建模、数学分析等学科。因子分析和主成分分析都是统计分析方法，都需要对变量进行标准化，找出相关矩阵。
2.因子分析可以在许多变量中发现隐藏的代表性因素。主成分分析的原理是尝试将原始变量重新组合成一组新的独立综合变量。因子分析在主成分分析的基础上增加了一个旋转函数。这种轮换的目的是更容易地命名和解释因素的含义。如果研究的重点是指标与分析项目之间的对应关系，或者想要对得到的指标进行命名，建议使用因子分析。
3.主成分分析法是根据实际需要，尽量选取尽可能少的求和变量，以反映原始变量的信息。这种统计方法称为主成分分析或主成分分析，这也是一种处理降维的数学方法。主成分分析试图用一套新的不相关的综合指标取代原有指标。因子分析是社会研究的有力工具，但它不能确定一项研究中有多少因素。当研究中选择的变量发生变化时，因素的数量也会发生变化。
拓展资料:霍特林将这种方法推广到随机向量的情况。信息的大小通常由方差或方差的平方和来衡量。因子分析最早由英国心理学家C.E.斯皮尔曼提出。他发现学生在不同科目的成绩之间有一定的相关性。一门学科成绩好的学生往往在其他学科成绩更好，因此他推测是否有一些潜在的共同因素或一些一般的智力条件影响学生的学业成绩。

㈢ 数学建模中综合评价的方法有哪些

综合评价有许多不同的方法：

1、综合指数法：

综合指数法是先综合，后对比平均,其最大优点在于不仅可以反映复杂经济现象总体的变动方向和程度,而且可以确切地、定量地说明现象变动所产生的实际经济效果。但它要求原始资料齐全。平均指数法是先对比,后综合平均，虽不能直接说明现象变动的绝对效果，但较综合指数法灵活,便于实际工作中的运用。

2、TOPSIS法：

其基本原理，是通过检测评价对象与最优解、最劣解的距离来进行排序，若评价对象最靠近最优解同时又最远离最劣解，则为最好；否则不为最优。其中最优解的各指标值都达到各评价指标的最优值。最劣解的各指标值都达到各评价指标的最差值。

3、层次分析法：

运用层次分析法有很多优点，其中最重要的一点就是简单明了。层次分析法不仅适用于存在不确定性和主观信息的情况，还允许以合乎逻辑的方式运用经验、洞察力和直觉。也许层次分析法最大的优点是提出了层次本身，它使得买方能够认真地考虑和衡量指标的相对重要性。

另外还有RSR法、模糊综合评价法、灰色系统法等，这些方法各具特色，各有利弊。

(3)因子分析法是综合评价方法吗扩展阅读：

综合评价的一般步骤

1、根据评价目的选择恰当的评价指标，这些指标具有很好的代表性、区别性强，而且往往可以测量，筛选评价指标主要依据专业知识，即根据有关的专业理论和实践，来分析各评价指标对结果的影响，挑选那些代表性、确定性好，有一定区别能力又互相独立的指标组成评价指标体系。

2、根据评价目的，确定诸评价指标在对某事物评价中的相对重要性，或各指标的权重；

3、合理确定各单个指标的评价等级及其界限；

4、根据评价目的，数据特征，选择适当的综合评价方法，并根据已掌握的历史资料，建立综合评价模型；

5、确定多指标综合评价的等级数量界限，在对同类事物综合评价的应用实践中，对选用的评价模型进行考察，并不断修改补充，使之具有一定的科学性、实用性与先进性，然后推广应用。

㈣ 因子分析法的优缺点

它的优缺点是相对主成分分析法而言的
因子分析法与主成分分析法都属于因素分析法，都基于统计分析方法，但两者有较大的区别：主成分分析是通过坐标变换提取主成分，也就是将一组具有相关性的变量变换为一组独立的变量，将主成分表示为原始观察变量的线性组合；而因子分析法是要构造因子模型，将原始观察变量分解为因子的线性组合。通过对上述内容的学习，可以看出因子分析法和主成分分析法的主要区别为：
(1)主成分分析是将主要成分表示为原始观察变量的线性组合，而因子分析是将原始观察变量表示为新因子的线性组合，原始观察变量在两种情况下所处的位置不同。
(2)主成分分析中，新变量Z的坐标维数j(或主成分的维数)与原始变量维数相同，它只是将一组具有相关性的变量通过正交变换转换成一组维数相同的独立变量，再按总方差误差的允许值大小，来选定q个(q<p)主成分；而因子分析法是要构造一个模型，将问题的为数众多的变量减少为几个新因子，新因子变量数m小于原始变量数P，从而构造成一个结构简单的模型。可以认为，因子分析法是主成分分析法的发展。
(3)主成分分析中，经正交变换的变量系数是相关矩阵R的特征向量的相应元素；而因子分析模型的变量系数取自因子负荷量，即。因子负荷量矩阵A与相关矩阵R满足以下关系：
其中，U为R的特征向量。
在考虑有残余项ε时，可设包含εi的矩阵ρ为误差项，则有R
−
AAT
=
ρ。
在因子分析中，残余项应只在ρ的对角元素项中，因特殊项只属于原变量项，因此，的选择应以ρ的非对角元素的方差最小为原则。而在主成分分析中，选择原则是使舍弃成分所对应的方差项累积值不超过规定值，或者说被舍弃项各对角要素的自乘和为最小，这两者是不通的。

㈤ 几种综合评价方法

摘要 您好，常用的综合评价方法：1.现有的统计方法:主要为多元统计方法，如多元回归、逐步回归分析、判别分析、因子分析、时间序列分析

㈥ 请问因子分析法在企业绩效评价中能否应用

可以用因子熵值法:
因子熵值法的原理是运用因子分析法减少评价指标，在尽量减少原指标所含信息的损失的基础上，将众多的单项指标综合为少数综合指标；运用熵值法客观确定指标权重，在数学变换中伴随生成综合评价所涉及的权数，最大限度减少评价者个人因素对评价结果的影响。
如下:案例
某建筑集团公司下属有六个施工企业，每年需要对其进行绩效评价。评价指标体系为塔式结构，包含3个指标层，共49个指标（具体评价指标体系略）。以往采用加权合成法、模糊综合评价等方法进行评价，评价工作复杂，评价结果往往受到评价者个人因素的较大影响。因此，该企业尝试在绩效评价体系中应用因子熵值法。
项目管理者联盟文章，深入探讨。
因子熵值法首先需要对因子分析以提取主因子并命名，它的过程包含以下内容：①对原始数据进行标准化处理，对标准化指标求相关系数矩阵。相关系数可反映指标间信息重迭的程度，其值越大，信息重迭的程度越高；其值越小，重迭的程度越低。②计算相关系数矩阵的特征值、特征向量、特征值贡献率和特征值累积贡献率。③根据特征值贡献率和累积贡献率确定主因子个数。确定的一般原则为：当累积贡献率>80%，某一主因子贡献率<5%时，不再累积，也可根据被研究问题的实际情况确定。④计算因子负荷系数。⑤对因子负荷系数矩阵进行正交变换，使主因子的意义更加明确。⑥根据主因子的负荷系数和对应的原始指标，对主因子的经济含义做出解释。
本文转自项目管理者联盟
经过因子提取，得出因子分析结果：公共因子的特征值和贡献率。可以将原来的49个指标综合成5个主因子，即：计划完成率，劳动生产率，劳务合格率，劳资管理，成本计划完成率等15个指标基本反映了生产经营情况，可将它们定义为生产经营因子；大事故发生率，保养质量合格率，安全生产，安全管理，安全设施完好率，安全管理体系等13个因子可以定义为安全质量因子；信息档案管理，物资管理，技术管理，财务管理等因子定义为后勤管理因子；岗位换位互补能力，廉洁奉公等因子定义为领导建设因子；成本降低额和成本降低率等因子定义为成本控制因子。
提取主因子后原指标体系得到简化，我们根据指标间的离散程度，用信息熵来确定指标权重，并对方案进行评价。设有m个待评方案，n项评价指标，形成原始指标数据矩阵，对于某项指标来说，指标值的差距越大，则该指标在综合评价中所起的作用越大；如果某项指标的指标值全部相等，则该指标在综合评价中不起作用。

依照熵值法的计算步骤，计算各指标的比重，熵值，差异性系数，进而确定出各指标的权重和综合经济效益系数。

通过因子熵值分析可知，该建筑集团下属施工企业注重生产经营和安全管理，但在后勤管理、领导建设、成本控制等方面做的不够，说明各施工必须提高企业的管理水平和领导自身建设。熵值评价表明施工企业E的绩效评价排名第一，该集团总部可以对该企业给予相应的奖励以激励管理者及员工的积极性，同时应鼓励其他企业借鉴其经验。该评价方法受到集团总部的好评，认为完全符合该集团公司的实际状况，为企业的发展和建设指明了方向。

针对建筑施工企业绩效评价指标体系指标多的特点，用因子熵值法是一种较为客观的企业绩效评价方法，它通过对评标指标进行定量化的描述和相关性分析，在尽量保留原有指标信息的基础上可以克服主观赋权的局限性，能准确、客观、方便地对企业绩效进行评价，并在一定程度上改善和提高了企业绩效评价的质量，在企业绩效评价中有较好的应用。

㈦ 因子分析法和主成分分析法的区别与联系

主成分分析和因子分析都是信息浓缩的方法，即将多个分析项信息浓缩成几个概括性指标。

• 因子分析在主成分基础上，多出一项旋转功能，该旋转目的即在于命名，更容易解释因子的含义。如果研究关注于指标与分析项的对应关系上，或是希望将得到的指标进行命名，SPSSAU建议使用因子分析。

• 主成分分析目的在于信息浓缩（但不太关注主成分与分析项对应关系），权重计算，以及综合得分计算。如希望进行排名比较，计算综合竞争力，可使用主成分分析。

SPSSAU可直接保存因子得分及综合得分，不需要手动计算。

㈧ 因子分析概念

在各个领域的科学研究中，往往需要对反映事物的多个变量进行大量的观测并收集大量数据，以便分析寻找规律。多变量大样本无疑会为科学研究提供丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在大多数情况下，许多变量之间可能存在的相关性增加了问题分析的复杂性，同时对分析带来不便。如果分别分析每个指标，分析又可能是孤立的，而不是综合的。盲目减少指标会损失很多信息，产生错误的结论。因此需要找到一个合理的方法，在减少分析指标的同时，尽量减少原指标包含信息的损失，对所收集的资料作全面的分析。由于各变量间存在一定的相关关系，因此用较少的指标分别综合存在于各变量中的各类信息，这少数几个综合指标彼此不相关，即所代表的信息是不重叠的，通常称为因子，因子分析法因此得名。因此，因子分析是将多个实测变量转换为少数几个不相关的综合指标的多元统计分析方法（于志钧等，1984；赵旭东，1992；陆明德，1991）。

因子分析方法由Spearman在19世纪初研究心理学问题时提出，1957年由Krumbein引入地质学，后来Imbrie对因子分析在地质学中的应用和发展做了大量工作。

因子分析可以从以下几个方面为地质研究提供帮助：①压缩原始数据。因子分析为众多复杂的地质数据精简提供了一种数学算法，它能在数量上大大精简原始数据但又不损失数据中包含的成因信息，这样就有利于地质人员进行综合分析。②指示成因推理方向。因子分析能够把庞杂纷乱的原始数据按成因上的联系进行归纳、整理、精炼和分类，理出几条客观的成因线索，为地质人员提供逻辑推理方向，启发思考相应的成因结论。③分解叠加的地质过程。现实中观测到的地质现象往往是多种成因过程叠加的产物，因子分析提供了一个分解叠加过程而识别每个单一地质过程的手段。

鉴于上述原因，因子分析在地学领域的应用十分广泛，已有效地应用于沉积盆地蚀源区的研究、沉积物的粒度分析、沉积相研究、地层分析、古环境与古生态的研究、石油及天然气成因研究、油田水化学研究、有机地球化学研究及石油、天然气化探资料分析等各个方面（曾溅辉等，2002；张俊，2005；陈科贵等，2006）。

㈨ 因子分析法的概念

1.主成分分析
主成分分析主要是一种探索性的技术，在分析者进行多元数据分析之前，用他来分析数据，让自己对数据有一个大致的了解，这是非常有必要的。主成分分析一般很少单独使用：a、了解数据。（screening the data），b、和cluster analysis（聚类分析）一起使用，c、和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成分对变量简化（rece dimensionality），d、在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。
1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成各变量的线性组合。
2、主成分分析的重点在于解释各变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。
3、主成分分析中不需要有假设（assumptions），因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。
4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。
5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这种情况也可以使用因子得分做到。所以这种区分不是绝对的。
在算法上，主成分分析和因子分析很类似，不过在因子分析中所采用的协方差矩阵的对角元素不再是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的部分）。
2.聚类分析（Cluster Analysis)
聚类分析是直接比较各事物之间的性质，将性质相近的归为一类，将性质差别较大的归入不同的类的分析技术。
在市场研究领域，聚类分析主要应用方面是帮助我们寻找目标消费群体，运用这项研究技术，我们可以划分出产品的细分市场，并且可以描述出各细分市场的人群特征，以便于客户可以有针对性的对目标消费群体施加影响，合理地开展工作。
3.判别分析（Discriminatory Analysis)
判别分析（Discriminatory Analysis）的任务是根据已掌握的1批分类明确的样品，建立较好的判别函数，使产生错判的事例最少，进而对给定的1个新样品，判断它来自哪个总体。根据资料的性质，分为定性资料的判别分析和定量资料的判别分析；采用不同的判别准则，又有费歇、贝叶斯、距离等判别方法。
费歇（FISHER）判别思想是投影，使多维问题简化为一维问题来处理。选择一个适当的投影轴，使所有的样品点都投影到这个轴上得到一个投影值。对这个投影轴的方向的要求是：使每一类内的投影值所形成的类内离差尽可能小，而不同类间的投影值所形成的类间离差尽可能大。贝叶斯（BAYES）判别思想是根据先验概率求出后验概率，并依据后验概率分布作出统计推断。所谓先验概率，就是用概率来描述人们事先对所研究的对象的认识的程度；所谓后验概率，就是根据具体资料、先验概率、特定的判别规则所计算出来的概率。它是对先验概率修正后的结果。
距离判别思想是根据各样品与各母体之间的距离远近作出判别。即根据资料建立关于各母体的距离判别函数式，将各样品数据逐一代入计算，得出各样品与各母体之间的距离值，判样品属于距离值最小的那个母体。
4.对应分析（Correspondence Analysis)
对应分析是一种用来研究变量与变量之间联系紧密程度的研究技术。
运用这种研究技术，我们可以获取有关消费者对产品品牌定位方面的图形，从而帮助您及时调整营销策略，以便使产品品牌在消费者中能树立起正确的形象。
这种研究技术还可以用于检验广告或市场推广活动的效果，我们可以通过对比广告播出前或市场推广活动前与广告播出后或市场推广活动后消费者对产品的不同认知图来看出广告或市场推广活动是否成功的向消费者传达了需要传达的信息。
5.典型相关分析
典型相关分析是分析两组随机变量间线性密切程度的统计方法，是两变量间线性相关分析的拓广。各组随机变量中既可有定量随机变量，也可有定性随机变量（分析时须F6说明为定性变量）。本法还可以用于分析高维列联表各边际变量的线性关系。
注意
1．严格地说，一个典型相关系数描述的只是一对典型变量之间的相关，而不是两个变量组之间的相关。而各对典型变量之间构成的多维典型相关才共同揭示了两个观测变量组之间的相关形式。
2．典型相关模型的基本假设和数据要求
要求两组变量之间为线性关系，即每对典型变量之间为线性关系；
每个典型变量与本组所有观测变量的关系也是线性关系。如果不是线性关系，可先线性化：如经济水平和收入水平与其他一些社会发展水之间并不是线性关系，可先取对数。即log经济水平，log收入水平。
3．典型相关模型的基本假设和数据要求
所有观测变量为定量数据。同时也可将定性数据按照一定形式设为虚拟变量后，再放入典型相关模型中进行分析。
6.多维尺度分析（Multi-dimension Analysis)
多维尺度分析（Multi-dimension Analysis) 是市场研究的一种有力手段，它可以通过低维空间（通常是二维空间）展示多个研究对象（比如品牌）之间的联系，利用平面距离来反映研究对象之间的相似程度。由于多维尺度分析法通常是基于研究对象之间的相似性（距离）的，只要获得了两个研究对象之间的距离矩阵，我们就可以通过相应统计软件做出他们的相似性知觉图。
在实际应用中，距离矩阵的获得主要有两种方法：一种是采用直接的相似性评价，先将所有评价对象进行两两组合，然后要求被访者所有的这些组合间进行直接相似性评价，这种方法我们称之为直接评价法；另一种为间接评价法，由研究人员根据事先经验，找出影响人们评价研究对象相似性的主要属性，然后对每个研究对象，让被访者对这些属性进行逐一评价，最后将所有属性作为多维空间的坐标，通过距离变换计算对象之间的距离。
多维尺度分析的主要思路是利用对被访者对研究对象的分组，来反映被访者对研究对象相似性的感知，这种方法具有一定直观合理性。同时该方法实施方便，调查中被访者负担较小，很容易得到理解接受。当然，该方法的不足之处是牺牲了个体距离矩阵，由于每个被访者个体的距离矩阵只包含1与0两种取值，相对较为粗糙，个体距离矩阵的分析显得比较勉强。但这一点是完全可以接受的，因为对大多数研究而言，我们并不需要知道每一个体的空间知觉图。
多元统计分析是统计学中内容十分丰富、应用范围极为广泛的一个分支。在自然科学和社会科学的许多学科中，研究者都有可能需要分析处理有多个变量的数据的问题。能否从表面上看起来杂乱无章的数据中发现和提炼出规律性的结论，不仅对所研究的专业领域要有很好的训练，而且要掌握必要的统计分析工具。对实际领域中的研究者和高等院校的研究生来说，要学习掌握多元统计分析的各种模型和方法，手头有一本好的、有长久价值的参考书是非常必要的。这样一本书应该满足以下条件：首先，它应该是“浅入深出”的，也就是说，既可供初学者入门，又能使有较深基础的人受益。其次，它应该是既侧重于应用，又兼顾必要的推理论证，使学习者既能学到“如何”做，而且在一定程度上了解“为什么”这样做。最后，它应该是内涵丰富、全面的，不仅要基本包括各种在实际中常用的多元统计分析方法，而且还要对现代统计学的最新思想和进展有所介绍、交代。
主成分分析通过线性组合将原变量综合成几个主成分，用较少的综合指标来代替原来较多的指标（变量）。在多变量分析中，某些变量间往往存在相关性。是什么原因使变量间有关联呢？是否存在不能直接观测到的、但影响可观测变量变化的公共因子？因子分析法（Factor Analysis）就是寻找这些公共因子的模型分析方法，它是在主成分的基础上构筑若干意义较为明确的公因子，以它们为框架分解原变量，以此考察原变量间的联系与区别。
例如，随着年龄的增长，儿童的身高、体重会随着变化，具有一定的相关性，身高和体重之间为何会有相关性呢？因为存在着一个同时支配或影响着身高与体重的生长因子。那么，我们能否通过对多个变量的相关系数矩阵的研究，找出同时影响或支配所有变量的共性因子呢？因子分析就是从大量的数据中“由表及里”、“去粗取精”，寻找影响或支配变量的多变量统计方法。
可以说，因子分析是主成分分析的推广，也是一种把多个变量化为少数几个综合变量的多变量分析方法，其目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。
因子分析主要用于：1、减少分析变量个数；2、通过对变量间相关关系探测，将原始变量进行分类。即将相关性高的变量分为一组，用共性因子代替该组变量。

㈩ 基于因子分析的国际石油合作潜力评价研究

孙 鹏

（中国石化石油勘探开发研究院，北京 100083）

摘 要 随着我国石油对外依存度屡创新高，国际石油合作需求也日益迫切，进行国际石油合作潜力评价意义重大。通过从资源基础、投资环境和收益潜力3个方面构建国际石油合作潜力评价指标体系，并采用统计概率法、专家咨询法和理论分析法相结合，设计选取评价要素指标，运用因子分析方法对30个主要石油资源国进行国际石油合作潜力评价。结果表明，应该加强关注社会经济发展水平和投资环境相对稳定的石油资源国。

关键词 石油合作 潜力评价 因子分析 指标体系

International Oil Cooperation Potential Evaluation：

Based on Factor Analysis

SUN Peng

（Exploration and Proction Research Institute，SI NOPEC，

Beijing 100083，China）

Abstract With China’s dependence on overseas oil supply hit higher and higher record，the demand for international oil cooperation is increasingly urgent，and the potential evaluation for international petroleum cooperation is of great significance.This paper designed international oil cooperation potential evaluation system and selected evaluation indicators，from the three aspects of the resource base，investment environment and the revenue potential，combining the method of statistical probability，expert advice and theoretical analysis.Used the factor analysis methods to calculate the index system.Then selected the 30 major oil resources to carry out empirical research，and obtained the evaluation resuts.

Key words oil cooperation；potential evaluation；factor analysis；index system

当今的国际石油市场中，进口国与资源国之间，国家石油公司与国际石油公司之间，资源国与国际石油组织之间等关系错综复杂。国际石油合作尤其是在上游进行勘探开发项目合作成为各石油公司至关重要的一项经营活动。我国石油公司同时担负着保证国家石油安全和追求企业经济效益优化的双重目标，近年来海外业务发展迅速，国际勘探开发合作项目已经拓展到全球范围内的几十个国家和地区。在迅猛的规模发展阶段之后，我国石油公司将不可避免地进入精细化、效益化发展时期，面对众多石油资源潜在合作国家，如何在双重目标指导下不断优化合作选区决策成为我国石油公司国际化发展战略中的重要命题。

而当前，国家石油公司（NOC）与国际石油公司（IOC）的竞合格局正从20世纪以资本和技术为主导，向以资源为主导的形态转变。主要石油资源国凭借自身资源优势，在国际石油市场中的发展能力和话语权得到了全面增强。随着我国工业化进程的不断推进，对油气资源需求增速迅猛提升，对外依存度屡创新高，同主要石油资源国的合作也更加密切。开展国际石油合作潜力评价，有利于我国石油公司海外选区决策，也有利于保障国家石油供给安全，具有很强的理论和现实意义。

1 国际石油合作潜力评价体系设计

合作潜力评价包含合作双方各自具备的能力及合作可能性两方面因素。所以，国际石油合作潜力评价不简单等同于对石油资源国投资环境的评价：后者主要是对合作目标对象的基本能力分析，包括资源基础实力、经济社会状态、法律技术实力、自然人文环境等因素；而合作潜力评价中除包含有投资环境分析评价外，还要对合作可能性（即是否满足合作者投资效益要求）进行分析评判。因此，国际石油合作潜力评价的要素范围要比投资环境评价更为广泛，且评价效果也更加科学有效。

本研究从资源基础、投资环境及收益潜力3个角度构建国际石油合作潜力评价指标体系框架（图1），并具体从油气储量、产量及其变化趋势来评价资源国资源基础；从经济、政治、法律、对外合作、自然、技术、运输等方面来评价资源国总体投资环境，并具体归纳为资源开放程度、经济贸易实力、政治法律基础和技术设施条件4个方面；从石油合同模式中，选取效益影响关键因子对资源国进行收益潜力分析。

图1 国际石油合作潜力评价指标设计框架

在对评价要素指标进行选取和设计的过程中，遵循：(1)代表性原则，即所选指标具有较强代表性，能够比较全面地反映各石油资源国的合作潜力情况；(2)可获得性原则，即所选指标会充分考虑数据的可获得性，最大程度利用权威统计资料及规范标准，提高指标体系的可行性和权威性；(3)可量化性原则，即所选指标来源可靠，能够直接量化或通过专家打分等方式量化处理^［1］。

通过综合采用统计概率法、专家咨询法和理论分析法3种方法，对中国学术期刊CNKI数据库中关键指标进行检索，并结合分析童晓光（2003）、徐小杰（2002）和Otto（1995）等有关国际石油合作文献中的评价指标选取情况，从资源基础、投资环境和收益潜力3个方向确定国际石油合作潜力评价指标体系，如表1所示。

表1 国际石油合作潜力评价指标体系

2 主要石油资源国合作潜力评价

在国际石油合作潜力评价过程中，需要对多个资源国的多个评价指标变量进行大量观测，收集大量数据并分析寻找规律，从而对其进行综合评价。常用的综合评价方法主要包括德尔菲法、层次分析法、主成分分析法和因子分析法等^［2］。其中，因子分析法是多指标综合评价方法中较为客观科学的方法，尤其适用于本文所设计要素较多的评价指标体系。

因子分析法主要从分析变量的相关关系出发，通过研究众多变量之间的内部依赖关系，寻找这些数据的基本结构，并用少数几个被称为公因子的不可观测变量，来表示数据结构。本文所设计的国际石油合作潜力评价指标体系中的各项指标之间具有很强的相关关系，并通过采用因子分析方法，整合出新的公因子对评价体系和评价结果进行系统分析解释，适用因子分析方法对该指标体系进行评价。

在选择具体资源国研究对象过程中，遵循以下几个原则：(1)该资源国探明储量潜力较大，位于世界前列；(2)具有一定规模的石油产量，同时在满足本国资源需求基础上，具有较强的石油出口能力；(3)资源国在石油对外合作过程中较为开放，允许国外石油公司进入并采取合作模式进行开发；(4)同中国具有较好的石油合作或贸易往来基础，并且在未来合作前景较大；(5)石油进口来源多元化原则，兼顾各个地区内均有合作资源国的分析研究对象。最终选取了30个资源国作为本研究的评价对象，进行具体赋值（表2）。

表2 全球石油重点国家合作潜力评价指标情况^［3～10］

续表

在对30个资源国各个指标进行具体赋值后，利用SPSS统计分析软件进行因子分析测算，并提取出5个公因子，包括：(1)资源国的社会经济适应性公因子F₁；(2)资源国的资源基础公因子F₂；(3)资源国与中国双边关系公因子F₃；(4)资源国运输环境公因子F₄；(5)资源国基础设施水平公因子F₅。

根据旋转后的因子载荷矩阵可以写出资源国合作潜力指标的因子分析模型：

油气成藏理论与勘探开发技术（五）

得出因子载荷矩阵后，利用SPSS统计软件得出因子得分系数矩阵，然后得到下面的因子得分函数：

油气成藏理论与勘探开发技术（五）

根据这个得分函数分别计算了30个资源国的5个因子的得分，再利用初始特征值计算各个公因子权重，每个因子得分乘以其权重，最后加总计算出综合得分。综合得分模型F的计算公式如下：

油气成藏理论与勘探开发技术（五）

式中：λ₁、λ₂、λ₃、λ₄、λ₅分别是第一、第二、第三、第四、第五个公共因子的初始特征值。

利用SPSS统计分析软件，根据因子得分以及5个公共因子的特征值计算出来的权重，可以计算出30个资源国的综合得分，并从高到低排列，如表3所示。

从各主要资源国综合得分情况看，排名前3位的都是经济水平相对发达的国家，其中澳大利亚综合得分位居第一，该国主要是在经济社会适应性、管线建设程度和与我国的运输距离3个方面具有很强的竞争力；俄罗斯排名其后，该国的资源基础，以及同我国的双边关系导致合作潜力较大；巴西的合作促进因素与澳大利亚相似，只是在因子得分上有些差距，位列第三位。

拉美、中东、亚太和中亚－俄罗斯地区的主要石油资源国家位列排名中游，拉美地区的巴西和墨西哥主要是在国家社会经济适应性和国家管线建设基础上得分较高；中东的伊朗和阿联酋在资源基础方面排在所有国家前列；紧随其后的是亚太地区的马来西亚和泰国，由于较好的国家社会经济基础条件且与我国较近的运输距离是双方合作潜力的主要促进因素；中亚的哈萨克斯坦得益于国家资源基础和与我国较近的运输距离，排名也相对靠前；非洲国家中排名第一的是阿尔及利亚，主要是从双边关系及对我国原油出口的增长态势看，具有很大的合作潜力。

表3 公因子得分及综合得分

3 结论与建议

首先，国际石油合作潜力评价是一个综合性的系统工程，不能简单从资源国政治、经济环境做出片面判断，尤其是在我国国家石油公司肩负着保障国家石油供应安全和企业自身经营效益的双重目标下，在进行国际石油合作潜力评价时，要从资源基础、投资环境和收益潜力3个方面进行综合分析权衡，避免某一个方面的指标突出，导致主观上的判断失误。

其次，我国石油公司在 “走出去” 战略指导下，目前已经基本确立了非洲、中东、南美、中亚－俄罗斯和亚太五大战略合作区。从目前合作现状来看，传统的非洲和中东地区占据了我国石油合作项目的主要比例。从评价结果看，不能忽视政治环境更为稳定、基础设施条件良好、资源基础具备一定实力的经济较发达的油气资源国。进入发展中国家与进入发达国家，应该采取有区别的商业思维和战略决策原则，还需要考量包括决策思维、企业行为、社会责任以及公共利益最大化等因素。

最后，国际石油合作潜力评价是一项动态评价。资源国各项指标数值随时都有可能发生变化；待评价资源国的对象范围也会随着国际石油市场的瞬息变幻而发生改动。另外，从我国石油公司进行国际石油合作的目的来分析，国际石油合作潜力评价的重点和角度也不是一成不变的。这些因素都需要在确立指标体系和待评价资源国对象范围时进行更新修正，从而确保国际石油合作潜力评价结果的科学性和有效性。

参考文献

［1］何贤杰，盛昌明，刘增洁，等.石油安全评价指标体系初步研究［M］.北京：地质出版社，2006：81～82.

［2］陈芙蓉，安海忠，雷涯邻.国际油气资源合作环境评价与排序［J］.山西财经大学学报.2007，29（2）：21～22.

［3］Daniel Johnston 【美】 着.朱起煌，马爱山，张会中，等译.国际油气财税制度与产品分成合同［M］.北京：地震出版社，1999.

［4］王妍娉.石油企业海外投资的政治风险分析［J］.国际经济合作，2006，12：12～14.

［5］王越.非洲油气资源现状及投资环境分析［J］.中国矿业，2008，17（11）：8～11.

［6］童晓光，窦立荣，田作基，等.21世纪初中国跨国油气勘探开发战略研究［M］.北京：石油工业出版社，2003.

［7］宋国明.2009/2010年度全球矿业投资环境调查评估［J］.世界有色金属.2010，7：26～27.

［8］Fraser Institute.Survey of mining companies annual－2010/2011［R］.2011，3.

［9］国家发展和改革委员会能源局，中国石油集团经济技术研究院.世界油气投资环境指南［R］.2007.

［10］BP.Statistical Review of World Energy，2011.