A7 李朝輝 謝浩 王英龍

PAGE答卷編號（參賽學校填寫）：答卷編號（競賽組委會填寫）：論文題目：B題：2010年上海世博會影響力的定量評估組別：本科生參賽隊員信息(必填)：姓名專業(yè)班級及學號聯(lián)系電話參賽隊員1專業(yè)班級學號參賽隊員2專業(yè)班級學號參賽隊員3專業(yè)班級學號參賽學校：黑龍江八一農(nóng)墾大學答卷編號（參賽學校填寫）：答卷編號（競賽組委會填寫）：評閱情況（學校評閱專家填寫）：學校評閱1.學校評閱2.學校評閱3.評閱情況（聯(lián)賽評閱專家填寫）：聯(lián)賽評閱1.聯(lián)賽評閱2.聯(lián)賽評閱3.PAGE22B題：2010年上海世博會影響力的定量評估摘要本文要求從感興趣某一方面對2010上海世博會的影響力做出定量評估，鑒于上海世博會將會對旅游業(yè)及相關(guān)產(chǎn)業(yè)產(chǎn)生直接的效益影響，我們組選定了旅游業(yè)及相關(guān)產(chǎn)業(yè)這一側(cè)面，通過兩個小的問題來完成課題要求。對于問題一我們用了灰色預測和本底趨勢線兩種數(shù)學方法（或模型）。首先建立了灰色預測模型I。對上海市2004—2009年各月的國際旅游人數(shù)建立灰色預測模型，運用Matlab軟件求解得到2004年到2010年3月與實際值吻合度較好，而2010年4月到7月的預測值大幅度小于實際入境的國際旅游人數(shù)，尤其是世博會開展以來，說明世博會對上海的旅游業(yè)產(chǎn)生了相當大的影響。其次我們又建立了本底趨勢線模型，并對求解結(jié)果做了分析。采用孫根年的本底趨勢線模型，對其在旅游產(chǎn)業(yè)影響力進行定量的評估。根據(jù)2006—2009年各月份上海入境旅游人數(shù)的統(tǒng)計數(shù)據(jù)，利用MATLAB數(shù)學軟件進行擬合，得到了正常年份本底趨勢線模型，進而估算2010年上海入境旅游人數(shù)的本底值，實際值與本底值之間的差值為其影響值，1月到12月的影響值分別如下{0.256950.1651480.4281120.4182250.4497840.4801040.4708070.3899320.3950770.4093050.4057950.39958}，由此看出：上海世博會給上海旅游業(yè)帶來了巨大的影響。綜合比較問題一的兩個模型可以看出：模型二更能說明上海世博會對上海旅游業(yè)的巨大影響。對于問題二我們用了模糊定量評價尺度模型，對上海世博會的旅游及其相關(guān)產(chǎn)業(yè)進行了定量評估，首先，我們選擇了五屆影響力較大的世博會與上海世博會進行了定量的縱向評估，利用互聯(lián)網(wǎng)的相關(guān)數(shù)據(jù)，運用層次分析法確定了各級評價指標的相對權(quán)重，然后利用模糊綜合評判法給這六屆世博會的旅游業(yè)（通過人數(shù)）進行了定量評估，利用MATLAB計算出了1933年芝加哥世博會以來六屆綜合性世博會影響力的綜合評分依次為：（75.12、80.01、80、11、77.35、79.35、80.75）由此我們可以肯定上海世博會的影響力是繼1851年倫敦世博會以來最強的。關(guān)鍵詞：MATLAB；灰色預測；本底趨勢線；層次分析法；模糊綜合評判一、問題重述2010年上海世博會是首次在中國舉辦的世界博覽會。從1851年倫敦的“萬國工業(yè)博覽會”開始，世博會正日益成為各國人民交流歷史文化、展示科技成果、體現(xiàn)合作精神、展望未來發(fā)展等的重要舞臺。世博會最本質(zhì)的意義就是推動著人類文明的進步。世博會的舉辦帶動了舉辦地經(jīng)濟的迅速發(fā)展，也無疑會給整個社會經(jīng)濟的各個方面帶來巨大發(fā)展。鑒于上海世博會影響力深遠而廣泛的特點，只有采用見微知著的思路，對某方面因素進行建模，才能做細做精，有所收獲，避免空擺數(shù)據(jù)，淺嘗輒止，泛泛而談。因此從世博會給旅游業(yè)及相關(guān)產(chǎn)業(yè)帶來的影響這一角度入手，通過選取適當?shù)哪Ｐ?，并利用互?lián)網(wǎng)上的數(shù)據(jù)，對其進行精確求解和多角度驗證，進而對2010年上海世博會的影響力進行定量評估。二、問題分析2010年上海世博會已經(jīng)開幕，全世界都把目光投向了上?！@座國際性的大都市。面對新的歷史機遇，上海也必將抓住這次跨越式發(fā)展的機會，尤其是在旅游業(yè)及其相關(guān)產(chǎn)業(yè)方面。一個國家舉辦世博會，受益最直接的就是旅游業(yè)及其相關(guān)產(chǎn)業(yè)，2010年上海世博會巨大的游客數(shù)量，毫無疑問地將給上海旅游業(yè)產(chǎn)生難以估量的積極影響。世博會給上海旅游及其相關(guān)產(chǎn)業(yè)帶來的巨大客源吸引力，也必將增加旅游收入，推動上海旅游業(yè)基礎設施和旅游景點的建設，提升上海旅游形象，增加就業(yè)機會等。世博會也將為上海周邊地區(qū)帶來客源，形成巨大的旅游客源市場。鑒于上海世博會將會對旅游業(yè)及相關(guān)產(chǎn)業(yè)產(chǎn)生直接效益，同時考慮題目要求，為定量分析評估2010年上海世博會的影響力，我們選定旅游業(yè)及相關(guān)產(chǎn)業(yè)這一側(cè)面，通過兩個小的問題來完成課題要求：問題一：對最近幾年來滬的國際旅游人數(shù)做合理的數(shù)據(jù)分析，并預測2010年世博會期間來滬的國際旅游人數(shù)，將其與實際值比較，對結(jié)果進行分析說明。問題二：對歷屆世博會參會的人數(shù)（去參觀世博會的人數(shù)）進行分析，比較其對旅游及相關(guān)產(chǎn)業(yè)的影響，看說明了什么問題。2.1問題一的分析關(guān)于問題一：問題一是對最近幾年來滬的旅游人數(shù)做合理的數(shù)據(jù)分析和預測，并預測出2010年世博會期間來滬的國際旅游的人數(shù)，將其與實際值進行比較。該問題屬于數(shù)據(jù)擬合與預測方面的問題，對于解決該問題通常用到的數(shù)學方法有單耗法、彈性系數(shù)法、統(tǒng)計分析法、專家系統(tǒng)法、模糊數(shù)學法、灰色預測法。分析互聯(lián)網(wǎng)上所給的數(shù)據(jù)可知，數(shù)據(jù)多而雜，并且沒有一定的明顯線性規(guī)律。由于以上原因，我們組選用了兩種方法來解決問題一，進而對上海世博會的影響力作出定量評估。方法一：我們組通過對上海市2004年到2009年每個月的歷史國際旅游人數(shù)（單位：萬人次）進行了宏觀分析，建立12個月份的灰色預測模型，預測出上海市2010年每月份接待的國際旅游人數(shù)，并與該市2010年每月接待的實際國際旅游人數(shù)相比較，從而反映出世博會對上海市2010年國際旅游業(yè)各月份所造成的具體影響，再縱向比較上海市2004年到2009年每年入滬的國際旅游人數(shù)的總體變化趨勢，從而可以評估世博會對上海市旅游業(yè)的總體影響。方法二：世博會對上海旅游產(chǎn)業(yè)的影響的定量評估，首選要確定一個定量評估的標準。為了方便的評估世博會對上海旅游產(chǎn)業(yè)的影響程度，我們組引入影響率的概念，定義影響值與實際值之間的比值未影響率。對于世博會對上海旅游產(chǎn)業(yè)的影響，采用比較成熟的孫根年本底趨勢線模型，對其效應進行量化評估，收集2004-2009年的上海入境旅游人數(shù)統(tǒng)計數(shù)據(jù)，對數(shù)據(jù)進行內(nèi)插處理，對各個月份起伏過大的數(shù)據(jù)采用期望最大化方法進行內(nèi)插處理，內(nèi)插后的值稱為內(nèi)插值，使得本底趨勢線最大符合實際情況（見附錄二）。對旅游本底趨勢線模型的建立，在理論上與傳統(tǒng)回歸分析差不多。都是通過對其擬合方程的合理性進行檢驗，可以找出旅游發(fā)展在常規(guī)情況下的本底趨勢。因此，本底趨勢線模型可以反映在沒有特殊事件和因素的影響下，旅游業(yè)發(fā)展的自然趨勢。因而，應用孫根年的本底趨勢線模型方法分析重大事件活動對旅游業(yè)的影響是合適的。2.2問題二的分析關(guān)于問題二：通過縱向比較歷屆世博會對旅游及相關(guān)產(chǎn)業(yè)的影響來定向說明及評估上海世博會的影響力。世博會本身是用來展示人類文明成就的，但對于主辦國或主辦城市來說，爭辦世博會是有其明確的自身目標利益，不同的主辦國與主辦城市有不同的目標利益，但有一點是共同的，通過舉辦世博會賦予主辦國和主辦城市新的價值、新的地位。利用層次分析法以及模糊評判法縱向比較歷屆世博會，得出上海世博會對旅游及相關(guān)產(chǎn)業(yè)的影響力。三、模型假設（1）假設互聯(lián)網(wǎng)上所給的數(shù)據(jù)真實可靠；（2）假設世博會時每天不限定入園的人數(shù)；（3）假設專家對每個因素的評價是合乎實際的；（4）假設世博會不受偶然事件嚴重沖擊和干擾；（5）世博會對上海及其周邊地區(qū)旅游業(yè)的影響具有延續(xù)性；（6）假設世博會期間來滬旅游的人數(shù)不受外界客觀因素干擾；（7）假設在構(gòu)造成對比較矩陣時對各因素的權(quán)重賦值是合理的；（8）假設確定的各級評價指標的各個因素是合理的且并不相互影響；（9）假設不去考慮在上海世博會開幕之前其對上海旅游業(yè)及其相關(guān)產(chǎn)業(yè)的影響；（10）假設2004年1月到2010年10期間除世博會外沒有其它事件對來滬國際旅游人數(shù)產(chǎn)生重大影響。四、定義與符號說明參考矩陣的極比預測方程的發(fā)展系統(tǒng)預測方程的灰作用量；t代表時間，以月為單位；表示世博總體的綜合評分；入境旅游人次觀測值(萬人次)；實際值與預測值的相對誤差；表示第因素的綜合評分；表示一級評判矩陣的元素；表示第因素的模糊評判矩陣；分別表示兩成對比較矩陣的最大特征根；表示兩個主要因素的分類指標的權(quán)重向量；代表擬合國外旅游者到到上海旅游本底趨勢線函數(shù)；代表擬合國內(nèi)旅游到上海旅游本底趨勢線數(shù)函數(shù)；分別表示兩主要影響因素的成對比較矩陣；表示兩主要因素的權(quán)重相對于目標層的權(quán)重向量；代表世博對國際旅游人士來上海的來上海的影響率。五、模型的建立與求解5.1問題一的建模及求解問題一屬于預測擬合方面的問題，針對這種類型的問題我們組采用了灰色預測模型和本底趨勢線模型兩種模型來解決，并將兩模型所得的結(jié)果進行比較分析，進而加以改進以適應問題一。5.1.1模型I（問題一的灰色模型及求解）（1）數(shù)據(jù)的檢驗與處理首先，為了確保建模方法的可行性，需要對已知數(shù)列做必要的檢驗處理。以某一月份年接待外境旅游人數(shù)向量作為參考數(shù)列（其他月份做同樣處理），經(jīng)過級比判斷得到，根據(jù)下列公式計算參考矩陣的極比求得級比均落在了內(nèi)，則參考數(shù)列可以作為模型GM（1,1）進行灰色預測。（2）建立模型GM（1,1）記為觀測值數(shù)列，且，用1—AGO生成一階累加生成序列其中這樣新生成的數(shù)據(jù)弱化了原始數(shù)據(jù)的隨機性，使原來的數(shù)據(jù)明顯接近指數(shù)關(guān)系規(guī)律。對生成序列建立白化微分方程其中，模型參數(shù)a,b分別稱為發(fā)展灰度和內(nèi)生灰度。對參數(shù)a,b進行最小二乘法估計，分別構(gòu)造數(shù)據(jù)矩陣B及數(shù)據(jù)向量Y為：則a和b的估計值為解微分方程（1），得對數(shù)列進行累減還原得到原始數(shù)列擬合序列為：(3)模型的求解利用Matlab軟件求出模型參數(shù)a,b即發(fā)展灰度和內(nèi)生灰度的估計數(shù)值如下表（見附件一程序）：表a.b的估計值-0.1884-0.1638-0.1123-0.1087-0.1203-0.085719.325022.041334.004633.971131.854934.7871-0.0922-0.0702-0.0742-0.0952-0.0983-0.041733.721637.355736.989140.770437.366237.9712將得到每組代入中即可求出上海市2004-2010年每月入境旅游人數(shù)的預測值（見附錄一程序），具體數(shù)值見下表，表2004—2010年每月入境旅游人次預測值單位：萬人次1月2月3月4月5月6月200421.440927.946732.167032.474829.562430.5064200533.000928.249650.504949.171446.892649.9989200638.676547.529050.922052.653451.565048.2802200748.752047.764360.092056.751057.755053.5574200851.764052.878057.606457.533655.629350.3906200941.474746.868551.061754.929149.000546.9343201065.955465.088869.597868.140968.402459.80197月8月9月10月11月12月200432.205433.505234.986837.849636.991335.8140200545.572048.362447.364856.651051.040044.4375200649.930251.979451.831660.998456.006445.3043200754.069655.125954.667165.111060.206751.7414200851.039148.383150.447362.767559.927141.9753200954.234155.887652.794061.727464.167549.8374201060.924558.342659.490474.813770.307749.6157然后作出2009年1月至2010年7月每月入境旅游人次實際數(shù)據(jù)與預測數(shù)據(jù)差值圖，見下圖：從上圖形分析可知，實際與預測的差值由負變?yōu)檎?，即實際值由小于預測值變?yōu)榇笥陬A測值，而且差距逐漸擴大，說明世博對上海的旅游業(yè)影響也在逐漸變大。（4）該模型的誤差分析在研究世博對上海國際旅游人數(shù)的影響時，我們利用2004年到2009年12個月的歷史數(shù)據(jù)，建立了灰色預測模型，得到各年份的外境旅游人次的預測值，并與實際數(shù)值相比較如下圖：2010年旅游入境人次預測值與實際值比較由上圖可得出灰色預測模型具有較高的預測能力，計算實際值與預測值的相對誤差如下表所示：每月入境旅游人次預測值的相對誤差1月2月3月4月5月6月200500.19910.05940.03100.07190.0553200600.02670.19650.16230.01800.0449200700.23390.12070.02420.07480.0798200800.21860.10280.06590.03390.0624200900.26810.09840.07530.06890.0903201000.27730.15100.04210.05920.08937月8月9月10月11月12月200500.19330.07530.07460.06290.0886200600.22610.08880.09060.08020.1242200700.17340.06650.08120.06180.0949200800.22770.09780.07830.05030.0836200900.16290.07020.06520.04060.0634201000.12480.05490.03360.11780.1338觀測結(jié)果可以知道，除2010年以外，2005年到2009年的入境旅游人次預測值與實際值的相對誤差均較小，達到較高的要求。也說明世博對上海國際旅游人次具有一定影響，使旅游人數(shù)比預期值上升。5.1.2模型II（問題一的本底趨勢線模型及求解）（1）建立模型本底趨勢線（簡稱本底線）是指在不受偶然事件和重大事件的影響和干擾下，事物本身發(fā)展所呈現(xiàn)的固有趨勢線方程（或動力學方程），它反應了該事務本身發(fā)展天然而穩(wěn)定的的趨勢和時間規(guī)律。本底原是環(huán)境學中的本底值（未受人為污染條件下環(huán)境中各種因素的天然含量）的概念，由于旅游業(yè)總是發(fā)展的，所以反應旅游業(yè)發(fā)展的本底值只可能是動態(tài)曲線。這一概念的提出是受馬克思對價值-價格關(guān)系論述的啟發(fā)。旅游本底線代表“價值”，具有天然穩(wěn)定性，旅游統(tǒng)計線代表“價格”，具有隨機波動性。旅游統(tǒng)計數(shù)據(jù)（實際數(shù)據(jù)）受境內(nèi)外重大政治，經(jīng)濟，環(huán)境事件的沖擊和干擾，圍繞著本底值（理論值）上下波動或漲落。常用的本底趨勢線模型有：直線型：指數(shù)模型：邏輯線增長模型：周期震蕩模型：以及4種常用模型之間的組合?！?】對2004-2010年的國際旅游人數(shù)進行內(nèi)插處理后的數(shù)據(jù)做出散點圖，如下：分析散點圖的走勢，確定各個指標的趨勢線方程，計算各個指標本底值與各年各個指標內(nèi)插值的相關(guān)系數(shù)，根據(jù)該相關(guān)系數(shù)確定最終的趨勢線模型和方程。具體步驟是：先選出該相關(guān)系數(shù)最大的模型和方程；若按模型和方程計算的本底值出現(xiàn)負值，則去掉該模型，接著再選模型計算本底值與內(nèi)插值相關(guān)系數(shù)次大的模型，直到選出沒有負值的本底值為止；若存在實際值比按模型和方程計算的本底值增長100％以上的情況，接著再去掉該模型，接著再選模型計算的本底值與內(nèi)插值相關(guān)系數(shù)次大的模型，直到選出沒有實際值比本底值增長100％以上的情況為止。最終確定的國際旅游人數(shù)模型為直線與三角函數(shù)的復合模型即直線-三角函數(shù)模型:利用MATLAB10.0編程，得到參數(shù)的值的值，結(jié)果如下，國際旅游人數(shù)模型的參數(shù)值為：所以國際旅游人數(shù)的模型為：程序代碼見附件2根據(jù)量化計算出上海世博會對國際游客人次的影響和效應，然后確定最終本底趨勢線，根據(jù)本底曲線函數(shù)，在不受世博會影響的環(huán)境下估計出國際旅游人數(shù)的本底值。對比實際值，求出影響值及影響率，如下表：月份預測值實際值影響值影響率140.19954.113.9010.25695240.006147.927.91390.165148339.706269.4329.72380.428112439.421167.7628.33890.418225539.268971.3732.10110.449784639.335375.6636.32470.480104739.652474.9335.27760.470807840.191365.8825.68870.389932940.868667.5626.69140.3950771041.567270.3728.80280.4093051142.164870.9628.79520.4057951242.563870.8928.32620.399582010年國際來滬人數(shù)的預測值程序代碼見附件3通過用MATLAB數(shù)據(jù)擬合可得國際來滬人數(shù)本地趨勢值和實際值的對比：特別說明：最上方的藍色曲線為實際國際旅游人數(shù)曲線中間紅色的曲線為本地趨勢線最下方的粉紅曲線為影響值曲線由5月~8月入園國際人數(shù)統(tǒng)計擬合：本地趨勢模型程序源代碼見附件4。由上面本地趨勢模型推斷接下來的9月~10月底的入園國際旅游人數(shù)：預計：9月為607458人10月為600000人通過預計人數(shù)可知道世博舉辦期間的國際旅游人數(shù)將超過600萬人次，超過了之前預測的500萬人。由此可以看出，上海世博會對旅游業(yè)的影響是巨大的。5.1.3問題一兩種模型的比較通過以上的兩種預測，其結(jié)果雖然大不相同，但是都同時說明了同一個問題，即上海世博會對上海的旅游業(yè)帶來了巨大的影響。比較兩種模型的優(yōu)缺點可以發(fā)現(xiàn)：模型二即本底曲線模型預測的結(jié)果更優(yōu)，更能說明上海世博會的影響力，而且該模型相對來說更成熟，通過數(shù)據(jù)的檢驗發(fā)現(xiàn)模型二的本地趨勢模型對上海世博會的評估是合理的。并且具有較大的推廣型和實用性。5.2問題二的建模及求解5.2.1模型III（問題二的綜合評價模型及求解）=1\*Arabic1建立模型（1）運用層次分析法確定評價指標權(quán)重圖2層次分析法是把專家的經(jīng)驗認識與理性認識結(jié)合起來，以科學的解決確定加權(quán)系數(shù)的問題。首先我們逐一判斷世博會每一層次上指標的相對重要程度，并將兩兩比較判斷的結(jié)果按給定的比率標度定量化，從而構(gòu)成成對比較矩陣，通過計算矩陣的最大特征值極其相應的特征向量，最終得出該層次指標權(quán)重系數(shù)。圖2我們將決策問題分解為3個層次,最上層為目標層,即為世博會旅游業(yè)影響力的綜合定量評估,最下層為方案層，表示六屆世博會旅游影響力的綜合評分的最終排序,中間層為準則層,有直接影響和間接影響兩個一級準則,下設餐飲業(yè)、灑店業(yè)、出租也、就業(yè)率、提長升國際地位、帶動區(qū)域旅游業(yè)、產(chǎn)業(yè)結(jié)構(gòu)調(diào)整七個二級準則,具體關(guān)系如下圖：世博會旅游業(yè)及相關(guān)產(chǎn)業(yè)影響力世博會旅游業(yè)及相關(guān)產(chǎn)業(yè)影響力綜合定量評估直接影響間接影響餐飲業(yè)酒業(yè)經(jīng)濟出租業(yè)資就業(yè)率提升國際地位帶動區(qū)域旅游業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整上海世博會旅游業(yè)及相關(guān)產(chǎn)業(yè)影響力綜合評估的層次結(jié)構(gòu)圖=1\*GB3①構(gòu)建成對比較矩陣。成對比較矩陣元素的數(shù)值反映了各元素的相對重要程度，采用1-10及其倒數(shù)來進行標度（見下表）評價尺度賦值表重要性同等重要過渡值稍微重要過渡值明顯重要過渡值重要得多過渡值絕對重要過渡值賦值12345678910=2\*GB3②采用和法求成對比較矩陣的最大特征值和特征向量,步驟如下：將5.1.3成對比較矩陣A的每一列向量歸一化得對按行求和得將歸一化即為近似特征向量計算，作為最大特征根的近似值.=3\*GB3③進行一致性檢驗．一致性指標可由得出；平均隨機性指標可由表2得出。多階判斷矩陣的值階數(shù)123456789RI0.000.000.580.9021.411.45當隨機一致性比率時，認為層次分析法的結(jié)果有滿意的一致性，即權(quán)重的分配是合理的。否則，要調(diào)整判斷矩陣的元素取值，重新分配權(quán)重的值。（2）運用模糊分析法對六屆世博會進行綜合評價模糊綜合評判的一般提法：設為研究對象的因素(或指標),稱之為因素集(或指標集)。為諸因素(或指標)的各種評判所構(gòu)成的評判集(或稱評語集,評價集,決策集等),它們的元素個數(shù)和名稱均可根據(jù)實際問題的需要和決策人主觀確定.實際中,很多問題的因素評判集都是模糊的,因此,綜合評判應該是上的一個模糊子集,其中為評判對模糊子集的隸屬度：,即反映了第種評判在綜合評價中所起的作用.綜合評判依賴于各因素的權(quán)重,即它應該是上的模糊子集,且,其中表示第種因素的權(quán)重.于是,當權(quán)重給定以后,則相應地就可以給定一個綜合評判.=1\*GB3①依據(jù)層次分析法得出的各級指標權(quán)重，建立歷屆世博會模糊定量評價尺度模型。一級指標集，相應的權(quán)重集為，分別代表直接影響和間接影響。二級指標集，相應的權(quán)重集為，分別表示餐飲經(jīng)濟，酒店經(jīng)濟……產(chǎn)業(yè)結(jié)構(gòu)調(diào)整。定義評語集為，對其賦值為:。②利用專家或群眾對世博會融入舉辦地經(jīng)濟社會的情況進行評價，得到從二級指標到評語集的模糊矩陣。根據(jù)評語集劃分的五個等級,=評價第個因素為第個等級的人數(shù)/評委的總?cè)藬?shù)，且其表示第個二級因素第個等級的隸屬度。于是可以得到二個主要因素的模糊評判矩陣；③根據(jù)層次分析法確定權(quán)重向量:．④確定一級評價指標第四步：求一級評判矩陣，，⑤各主要因素的權(quán)重相對于目標層的權(quán)重向量為:由此便可得評判矩陣⑥設分數(shù)值;則可得到兩主要影響因素的綜合評分為：，其中總體綜合評分為：2模型的求解：在構(gòu)造上海世博會綜合評分的成對比較矩陣和確定各評價指標的相對重要程度時，我們綜合分析了一個世紀來影響力較大的六屆世博會（如下表）的相關(guān)數(shù)據(jù)，同時權(quán)衡了世博會本身各評價指標的相對重要程度，然后確定成對比較矩陣。六屆世博會參觀人數(shù)的柱形圖我們通過這六屆世博會的國際參觀人數(shù)(如上圖其中上海的數(shù)據(jù)是官方預測得到)來確定旅游業(yè)這一評價指標的權(quán)重大小,由表我們可以根據(jù)參觀人數(shù)的情況依次給美國芝加哥世博會,加拿大蒙特利爾世博會…中國上海世博會賦值:3、5、6、4、3、7。下面我們以上海世博會為例,對直接影響的四個評價指標和間接影響的三個評價指標分別構(gòu)造成對比較矩陣為:根據(jù)和法求出其最大特征根和特征向量分別為:對以上兩個成對比較矩陣進行一致檢驗:對于有:，而從而我們可以得到，因此的不一致性在容許的范圍內(nèi),可用其特征向量作為其權(quán)向量．對于有:，而從而我們可以得到,因此的不一致性在容許的范圍內(nèi),可用其特征向量作為其權(quán)向量.取兩個主要因素的權(quán)向量通過參考上海世博會的各項數(shù)據(jù)和專家和群眾對各項指標的評價意見,我們得到:由層次分析法我們得到:從而我們可以得到（程序見附錄）：根據(jù)以上方法,我們同理可以得到上述六屆世博會的綜合評分如下表：六屆世博會的綜合評分匯總表舉辦時間193319671970199220002010舉辦地芝加哥蒙特利爾大阪塞爾維亞漢諾威上海綜合評為75.1280.0180.1177.3579.8580.75由上表可知，通過對歷屆世博會旅游業(yè)效益的各項評價指標的綜合評估，上海世博會的旅游效益的影響力是歷屆最強的，這也從一個方面說明上海世博會必將對上海旅游業(yè)的發(fā)展乃至全國的國際旅游產(chǎn)生積極的推動作用，世界各地的游客涌入上海，必將促使上海成為國際化的政治和金融中心。六、模型評價與推模型的優(yōu)缺點：優(yōu)點：（1）模糊綜合評價，計算比較簡單，易與推廣；（2）運用MATLAB，使得解決該模型簡單，明了；（3）利用MATLAB軟件對數(shù)據(jù)進行處理并作出各種平面圖，簡便，直觀、快捷；（4）建立模型所用到的理論已有較成熟的研究，在理論上保證了模型的可靠性；（5）通過數(shù)據(jù)的檢驗發(fā)現(xiàn)模型二的本地趨勢模型對上海世博會的評估是合理的。并且具有較大的推廣型和實用性。缺點：（1）模型二本意是要在不考慮世博的影響下給出本底趨勢線模型。但是世博會的影響是階段性的，（2）模型二的不足主要在于旅游業(yè)的發(fā)展還會受到境內(nèi)外重大政治、經(jīng)濟、環(huán)境事件的沖擊和干擾，因此在進行預測時結(jié)果會受到干擾；（3）近幾年來我國的第三產(chǎn)業(yè)迅猛發(fā)展，旅游業(yè)的起伏比較大，有時會脫離本底線的正常軌道。模型的推廣在所建立模型的基礎上，一方面，我們可以將模型改進推廣到國際環(huán)境，收集有關(guān)前幾屆世博的旅游數(shù)據(jù)，并與2010世博會進行對比分析。另一方面，我們還可以將模型應用到世博對其他方面的影響，例如文化、科技、教育等。通過選取有關(guān)數(shù)據(jù)，設置可以定量分析的指標體系，來反映世博的影響力。此外，本文建立的本底趨勢線模型和模糊優(yōu)化綜合評價模型理論研究比較成熟，社會的許多重大事件（如奧運、世界杯等）影響力都可以通過這種建模方法進行定量分析。七、參考文獻[1]上海統(tǒng)計局網(wǎng):.[2]上海旅游政務網(wǎng):.[3]中國統(tǒng)計局網(wǎng)：.[4]中國統(tǒng)計數(shù)據(jù)庫:/data/HTML/1002.html..[5]姜啟源.數(shù)學模型（第三版）[M],高等教育出版社,2003.[6][5]李克平，2010年上海世博會客流分析預測，萬方數(shù)據(jù)[7][劉衛(wèi)國.MATLAB程序設計教程·北京,中國水利水電出版社,2005.[8]於世為.高等教育經(jīng)濟效益模糊綜合評價改進模型,科技進步與對策,2005年02期.[9]蔣小浪.2010年世博會對上海旅游業(yè)的影響研究,上海,華東師范大學:38至42頁,2009年.[10]孫根年.我國境外旅游本底趨勢線的建立及科學意義,地理科學，第18卷第5期，1998年10月.[11]戴光全,保繼剛.昆明世博會效應才定量估算,本底曲線模型,經(jīng)濟科學,第二十七卷第三期:426頁-433頁,2007年6月.

八、附件附件1：程序：clc,clear,closeallformatshortZ11=[21.430026.645631.160032.132128.462329.553432.161732.823634.534436.963436.334535.443221.440927.946732.167032.474829.562430.506432.205433.505234.986837.849636.991335.814033.0009 28.2496 50.5049 49.1714 46.8926 49.998945.5720 48.3624 47.3648 56.6510 51.0400 44.437538.6765 47.5290 50.9220 52.6534 51.5650 48.280249.9302 51.9794 51.8316 60.9984 56.0064 45.304348.7520 47.7634 60.0920 56.7510 57.7550 53.557454.0696 55.1259 54.6671 65.1110 60.2067 51.741451.7640 52.8780 57.6064 57.5336 55.6293 50.390651.0391 48.3831 50.4473 62.7675 59.9271 41.975341.4747 46.8685 51.0617 54.9291 49.0005 46.934354.2341 55.8876 52.7940 61.7274 64.1675 49.8374];%1997--2002的原始數(shù)據(jù)Z=Z11(1:6,:)';fori=1:5B1(:,i)=Z(:,i)./Z(:,i+1);endB1a1=exp(-2/7),a2=exp(2/7);%經(jīng)判斷都在范圍內(nèi)%進行一次累加Z1=[Z(:,1),(sum(Z(:,1:2)'))',(sum(Z(:,1:3)'))',(sum(Z(:,1:4)'))',(sum(Z(:,1:5)'))',(sum(Z(:,1:6)'))'];%累加序列%生成均值fori=2:6Z2(:,i-1)=0.5*Z1(:,i)+0.5*Z1(:,i-1);endZ2%均值序列Yn1=[Z(1,2:6)'];C1=[-Z2(1,:)',ones(5,1)];u1=(inv(C1'*C1)*C1'*Yn1)';Yn2=[Z(2,2:6)'];C2=[-Z2(2,:)',ones(5,1)];u2=(inv(C2'*C2)*C2'*Yn2)';Yn3=[Z(3,2:6)'];C3=[-Z2(3,:)',ones(5,1)];u3=(inv(C3'*C3)*C3'*Yn3)';Yn4=[Z(4,2:6)'];C4=[-Z2(4,:)',ones(5,1)];u4=(inv(C4'*C4)*C4'*Yn4)';Yn5=[Z(5,2:6)'];C5=[-Z2(5,:)',ones(5,1)];u5=(inv(C5'*C5)*C5'*Yn5)';Yn6=[Z(6,2:6)'];C6=[-Z2(6,:)',ones(5,1)];u6=(inv(C6'*C6)*C6'*Yn6)';Yn7=[Z(7,2:6)'];C7=[-Z2(7,:)',ones(5,1)];u7=(inv(C7'*C7)*C7'*Yn7)';Yn8=[Z(8,2:6)'];C8=[-Z2(8,:)',ones(5,1)];u8=(inv(C8'*C8)*C8'*Yn8)';Yn9=[Z(9,2:6)'];C9=[-Z2(9,:)',ones(5,1)];u9=(inv(C9'*C9)*C9'*Yn9)';Yn10=[Z(10,2:6)'];C10=[-Z2(10,:)',ones(5,1)];u10=(inv(C10'*C10)*C10'*Yn10)';Yn11=[Z(11,2:6)'];C11=[-Z2(11,:)',ones(5,1)];u11=(inv(C11'*C11)*C11'*Yn11)';Yn12=[Z(12,2:6)'];C12=[-Z2(12,:)',ones(5,1)];u12=(inv(C12'*C12)*C12'*Yn12)';fork=1:5R11(k)=(Z(1,1)-u1(2)/u1(1))*exp(-u1(1)*k)+u1(2)/u1(1);endR12=[Z(1,1),R11];%累加數(shù)列預測值fork=1:5R13(k)=R12(k+1)-R12(k);endR14=[Z(1,1),R13]%04-09年1月份預測值y1=(Z(1,1)-u1(2)/u1(1))*exp(-u1(1)*6)+u1(2)/u1(1)-R12(6)%10年1月份預測值fork=1:5R21(k)=(Z(2,1)-u2(2)/u2(1))*exp(-u2(1)*k)+u2(2)/u2(1);endR22=[Z(2,1),R21];%累加數(shù)列預測值fork=1:5R23(k)=R22(k+1)-R22(k);endR24=[Z(2,1),R23]%04-09年2月份預測值y2=(Z(2,1)-u2(2)/u2(1))*exp(-u2(1)*6)+u2(2)/u2(1)-R22(6)%10年2月份預測值fork=1:5R31(k)=(Z(3,1)-u3(2)/u3(1))*exp(-u3(1)*k)+u3(2)/u3(1);endR32=[Z(3,1),R31];%累加數(shù)列預測值fork=1:5R33(k)=R32(k+1)-R32(k);endR34=[Z(3,1),R33]%04-09年3月份預測值y3=(Z(3,1)-u3(2)/u3(1))*exp(-u3(1)*6)+u3(2)/u3(1)-R32(6)%10年3月份預測值fork=1:5R41(k)=(Z(4,1)-u4(2)/u4(1))*exp(-u4(1)*k)+u4(2)/u4(1);endR42=[Z(4,1),R41];%累加數(shù)列預測值fork=1:5R43(k)=R42(k+1)-R42(k);endR44=[Z(4,1),R43]%04-09年4月份預測值y4=(Z(4,1)-u4(2)/u4(1))*exp(-u4(1)*6)+u4(2)/u4(1)-R42(6)%10年4月份預測值fork=1:5R51(k)=(Z(5,1)-u5(2)/u5(1))*exp(-u5(1)*k)+u5(2)/u5(1);endR52=[Z(5,1),R51];%累加數(shù)列預測值fork=1:5R53(k)=R52(k+1)-R52(k);endR54=[Z(5,1),R53]%04-09年5月份預測值y5=(Z(5,1)-u5(2)/u5(1))*exp(-u5(1)*6)+u5(2)/u5(1)-R52(6)%10年5月份預測值fork=1:5R61(k)=(Z(6,1)-u6(2)/u6(1))*exp(-u6(1)*k)+u6(2)/u6(1);endR62=[Z(6,1),R61];%累加數(shù)列預測值fork=1:5R63(k)=R62(k+1)-R62(k);endR64=[Z(6,1),R63]%04-09年6月份預測值y6=(Z(6,1)-u6(2)/u6(1))*exp(-u6(1)*6)+u6(2)/u6(1)-R62(6)%10年6月份預測值fork=1:5R71(k)=(Z(7,1)-u7(2)/u7(1))*exp(-u7(1)*k)+u7(2)/u7(1);endR72=[Z(7,1),R71];%累加數(shù)列預測值fork=1:5R73(k)=R72(k+1)-R72(k);endR74=[Z(7,1),R73]%04-09年7月份預測值y7=(Z(7,1)-u7(2)/u7(1))*exp(-u7(1)*6)+u7(2)/u7(1)-R72(6)%10年7月份預測值fork=1:5R81(k)=(Z(8,1)-u8(2)/u8(1))*exp(-u8(1)*k)+u8(2)/u8(1);endR82=[Z(8,1),R81];%累加數(shù)列預測值fork=1:5R83(k)=R82(k+1)-R82(k);endR84=[Z(8,1),R83]%04-09年8月份預測值y8=(Z(8,1)-u8(2)/u8(1))*exp(-u8(1)*6)+u8(2)/u8(1)-R82(6)%10年8月份預測值fork=1:5R91(k)=(Z(9,1)-u9(2)/u9(1))*exp(-u9(1)*k)+u9(2)/u9(1);endR92=[Z(9,1),R91];%累加數(shù)列預測值fork=1:5R93(k)=R92(k+1)-R92(k);endR94=[Z(9,1),R93]%04-09年9月份預測值y9=(Z(9,1)-u9(2)/u9(1))*exp(-u9(1)*6)+u9(2)/u9(1)-R92(6)%10年9月份預測值fork=1:5R101(k)=(Z(10,1)-u10(2)/u10(1))*exp(-u10(1)*k)+u10(2)/u10(1);endR102=[Z(10,1),R101];%累加數(shù)列預測值fork=1:5R103(k)=R102(k+1)-R102(k);endR104=[Z(10,1),R103]%04-09年10月份預測值y10=(Z(10,1)-u10(2)/u10(1))*exp(-u10(1)*6)+u10(2)/u10(1)-R102(6)%10年10月份預測值fork=1:5R111(k)=(Z(11,1)-u11(2)/u11(1))*exp(-u11(1)*k)+u11(2)/u11(1);endR112=[Z(11,1),R111];%累加數(shù)列預測值fork=1:5R113(k)=R112(k+1)-R112(k);endR114=[Z(11,1),R113]%04-09年11月份預測值y11=(Z(11,1)-u11(2)/u11(1))*exp(-u11(1)*6)+u11(2)/u11(1)-R112(6)%10年11月份預測值fork=1:5R121(k)=(Z(12,1)-u12(2)/u12(1))*exp(-u12(1)*k)+u12(2)/u12(1);endR122=[Z(12,1),R121];%累加數(shù)列預測值fork=1:5R123(k)=R122(k+1)-R122(k);endR124=[Z(12,1),R123]%04-09年12月份預測值y12=(Z(12,1)-u12(2)/u12(1))*exp(-u12(1)*6)+u12(2)/u12(1)-R122(6)%10年12月份預測值R=[R14;R24;R34;R44;R54;R64;R74;R84;R94;R104;R114;R124];%預測矩陣%作出實際數(shù)據(jù)與預測數(shù)據(jù)的差值分幅圖t=[1:19];figure(1)plot(t,[Z11(6,:),Z11(7,1:7)]-[R(:,6)',y1,y2,y3,y4,y5,y6,y7],'b-*')xlabel('月份');ylabel('實際數(shù)據(jù)與預測數(shù)據(jù)差值');figure(2)t1=[1:12];plot(t1,R(:,5),'r-*',t1,Z11(5,:),'b-+')title('2008年入境旅游人次');legend('預測數(shù)據(jù)','實際數(shù)據(jù)');xlabel('月份');ylabel('入境旅游人次（萬人）');q=abs(Z-R);r=q./Z%殘差與相對誤差s1=std(q)%殘差方差s2=std(Z)%原始數(shù)據(jù)方差C=s1/s2%均方差比值h=jbtest(s1,0.05)%h=0,則殘差方差服從正態(tài)分布附件2：x=1:1:60;y=[24.3825.0826.3226.58