人类识别管理对象和管理办法的层次性的方法是推行分层次管理的基础，这些识别方法和识别过程可以运用自然科学的成果，特别是统计学、数学成果。如同质性的管理对象的成组或成对差异显著性分析、相关性分析、主成份分析法、聚类分析法、层次分析法等方法，用于对管理对象和管理方法的分层，并对影响分层次的主要因素进行深入分析，揭示形成层次的根本所在，为策划对应的管理层次提供条件。
一般而言，对常规的、比较容易识别管理对象的差异性，可以直接地进行管理对象分层次，按受教育程度划分其层次，如研究生、本科生、专科生、中专生、高中生、小学生等；按管理目的不同划分其层次，设计不同的管理措施，来实现管理目标，如中国区域经济发展的宏观管理；按经济发达差异划分，可以把中国划分为东部沿海地区、东北老工业基地、中部地区、西部地区等，以各地区又好又快发展为目标，需要对各地区进行分层次制订发展政策，推行有区别的分层次管理。
在日常管理中，有时管理对象的差异性难以用简单判断方法进行识别，这时就需要应用数学方法和计算机技术进行识别，帮助区分层次。通常可以从三个角度展开，用数学方法进行技术处理：其一以管理对象的空间范围大小进行层次划分；其二是从数量、规模、尺度的角度进行管理层次划分；其三是以质量等级划分管理对象的层次。 （1）以空间范围大小划分管理对象与方法
这一划分角度，强调了不同空间范围的管理对象具有不同质性，其对管理的要求存在明显的差异。本部分内容以自然界、人类社会、家庭和个人管理为例。
在自然界管理层面上，有一种客观力量管理世界，实现自然界的平衡、稳定和有序。霍金在其《时间简史》中，暗示了能量管理自然的观点，宇宙是在不断的爆炸中创造了时间，在不同的时间段，能量在不断变化，并不断创造物质。能量按其内在的规律主宰着整个宇宙的发展变化，人类企图“征服自然和改选自然”，但只能一个小范围内有效。另外，太阳及其热量分布决定了地球生态群落的存在层次。地表上的一切生物在不同的群落中生存、发展，必然受此环境层次的影响与制约，并因此产生了不同温度带的人类生存与发展模式，包括不同区域的人类的习俗规范、文化行为、社会行为、政治行为、经济行为、精神行为的层次性和差异性，呈现文明的多样性和多元化。从宇宙到星际至地球，自然界的管理也存在层次性，也需要分层次管理，由于人类对大自然的管理还没有足够的智慧，其管理理念与方法主要表现为：“各从其类”和“道法自然”上。
把管理视角从自然转到人类社会，其本质是人与人关系的总和，关键强调为人类服务的关系管理。这种关系至少可以划分为五大层次：其一为人类与自然的关系；其二不同地区的人类关系；其三为不同国家的人类关系；其四为部门或单位的人际关系；其五为家庭内的人际关系，不同层次的关系需要不同的管理手段与方法。中国先哲孔子、孟子认为人类社会管理是“德”层面上的管理，强调“十四人一条心”，即强调人的目标的一致性，人的包容性和人类友好相处的和谐氛围。
从社会角度进入到具体部门或单位。官员管理政府、经理人管理公司、家长管理家庭、个人管理自己的事务，不同的管理对象存在明显的层次差异性，需要分层次管理。政府需要公共服务为主的全局性管理；公司需要有效率、有效益的个性化、创新性管理；家庭需要创造幸福温馨的亲情管理；个人需要成功的、有效的事务管理，只有这样，才能实现不同层次管理对象所要达到的管理目标。
当代管理理论是从上世纪初诞生的管理科学开始的，其诞生环境层次决定了其理论功能主要服务于工业化目标，是以提高企业效益和效率为目的的管理理论体系。面对自然界、人类社会、部门与个人的不同存在的空间范围，当前的管理理论难以适应上述层次的管理需要。所以，需要对自然界、人类社会、部门与个人的各个层次的管理对象，进行层次分析，构建相应的管理理论、方法，提高管理水平和效能。
（2）以数量规模尺度划分管理对象与方法
从数量、规模、尺度的角度划分管理对象的层次容易被人们所接受，其划分一般具有量的规定性，其差异性更容易形成共识。一般而言，对可度量的管理对象，比较容易被分层，一般可用下一节的数学方法加以识别和分层。
（3）以质量等级划分管理对象与方法
对定性的管理对象的层次划分，需要运用模糊数学的工具，先将不确定的管理属性，如质量、等级等进行定量评分，实现其性质的区分。以下以虚拟分层标杆管理为例，对这类管理对象进行分层。一个地区在进行标杆管理时，应首先对其进行层次分析，其次针对不同层次寻找不同的标杆。另外，对每一个层次的标杆，当把标杆分成各个组成部分时，一般情形下，并不是每个组成部分都具有标杆的特性，因此，能否给出一个整体及其组成部分都可以作为标杆的标杆是一个非常值得研究的问题。对几个单元作为标杆的，通常采取不同的部分向不同的单元学习组合形式来完成标杆管理。当“待学单元”的各个组成部分是相互独立时，即视为做法可行，但当各个组成部分不相互独立，每个部分的改变将使其它部分也随之改变，向多个标杆学习就难以得到协调一致的效果，并导致投入产出关系的混乱，从而很难做出优化的学习决策。为了解决上述问题，尝试性提出一个地区性的“待学单元”怎样在分层的情况下，根据不同单元的最佳部分组成一个协调一致的整体——分层虚拟标杆。由于整体与其组成部分都可以作为标杆的标杆，在现实中很难找到，故称其为分层虚拟标杆。
虚拟标杆的建立。以海南省经济发展为例，研究分层虚拟标杆管理理论。主要过程是，首先对待学习单元（海南省的经济发展）进行分层研究；其次针对不同层次构建虚拟标杆；依据每层的具体情况与虚拟标杆建立每层最佳决策模型。
主要管理工作有：待学习单元的分层研究，在调查和整理待学习单元（海南省的经济发展）数据集基础上，应用聚类分析进行初步分类、用主成份分析法找到主要影响成份、用多层统计模型找到高层影响变量、以主要成份和高层影响变量为主进行分层。
每层虚拟标杆的构造方法。首先利用可拓学建立海南省经济发展的物元模型，对物元模型中的不同名称、特征以及特征值利用物元的发散性在全球范围内寻找其同名、同征、同值以及同征同值的物元，并收集相应数据，针对数据的定量与定性的不同情况分别利用DEA和层次分析法确定特征与特征值的标杆。如果所有特征与特征值的标杆都集中于一个整体，那么该整体就是海南省经济发展的标杆。如果不是所有特征标杆都集中于一个整体，以集中较多的特征与特征值的标杆的整体作为初始标杆；其次运用方差分析方法和对数线性模型方法分析没有进入初始标杆的特征的独立与交互影响性，依据特征与特征值是独立还是交互影响的并根据系统在采用该特征时对其它量带动的百分比向初始标杆整合，当相互独立时，取各个部分带动的百分比的最大值加到初始标杆上，当有交互作用时，取交互作用带动的百分比最大值再加到上述标杆上，一直作下去当所有的特征都整合完时就得到每层的虚拟标杆。
每层最佳决策模型。在构造好虚拟标杆基础上，如何给出海南省经济发展最佳决策，有如下做法：利用DEA方法把定量的待学习单元向虚拟标杆做投影，待决策单元投影值与虚拟标杆中定性部分共同组成的集合便是最佳决策。 2.2.1主成分分析
主成分分析方法，首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。其原理是：设法将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法，也是数学上处理降维的一种方法。
主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息，样本信息的大小通常用离差平方和或方差来衡量。
这一分析方法是将多个变量通过线性变换，选出较少个重要变量的一种多元统计分析方法。在管理对象的差异分析时，往往会提出很多与此有关的变量，因为每个变量都在不同程度上反映管理对象某些信息，统计分析方法能从太多变量个数中，找出变量个数较少而得到的信息较多结果。
其基本思想是：主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。最经典的做法就是用F1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即Var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来P个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现再F2中，用数学语言表达就是要求Cov(F1, F2)=0，则称F2为第二主成分，依此类推可以构造出第三、第四，……，第P个主成分。
主要分析步骤如下：第一步，指标数据标准化（SPSS软件自动执行）；第二步，指标之间的相关性判定；第三步，确定主成分个数m；第四步，主成分Fi表达式；第五步，主成分Fi命名。
这一方法在分层次管理应用上，可借助IT技术对数据进行处理，能更有效地做出信息判断，分划出管理对象和管理方法的层次。
2.2.2因子分析法
因子分析法是研究从变量群中提取共性因子的统计技术，最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子，将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。
因子分析与主成分分析有很大的不同，主成分分析不能作为一个模型来描述，它只能作为一般的变量变换，主成分是可测的原始变量的线性组合，而因子分析需要构造一个因子模型，公共因子一般不能表示为原始变量的线性组合。因子分析的基本思想是根据变量相关性的大小把变量分组，使得同组内的变量之间相关性较高，但不同组内的变量的相关性较低.每组变量代表一个基本结构，这个基本结构称为公共因子。对于所研究的问题，就可以试图用最少个数的不可观测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一个分量。因子分析可用于对变量或样品的分类处理。可根据因子的得分值，在因子轴所构成的空间中把变量或样品构画出来，形象直观地达到分类的目的。研究变量的相互关系的因子分析称为R型因子分析，而研究样品之间的相互关系的因子分析称为Q型因子分析。
以人力资源管理为例，如2家公司对48名应聘者进行面试，并给出他们在15个方面所得的分数。这15个方面是：申请书的形式、外貌、专业能力、讨人喜欢、自信心、精明、诚实、推销能力、经验、积极性、抱负、理解能力、潜力、交际能力和适应性。通过因子分析，可把这15个方面归结为应聘者的外露能力、讨人喜欢的程度、经验、专业能力和外貌这五个因子，为选用人才提供了差异性识别方法。在实际应用中，通过因子得分可以得出不同因子的重要性指标，而管理者则可根据这些指标的重要性来决定首先管理对象的分层和相应层次的管理对策。
2.2.3聚类分析方法
管理对象的聚类分析是指对管理对象的集合分组，成为由类似对象组成的多个类的分析过程。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。
从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等，采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多著名的统计分析软件包中，如SPSS、SAS等。
从分层次管理的应用角度看，聚类分析是通过数据挖掘来识别管理对象的层次的有效方法之一，通过聚类观察到管理对象的特征，集中对特定层次的管理对象进行分析。
此方法的主要步骤有：1.数据预处理；2.为衡量数据点间的相似度定义一个距离函数；3.聚类或分组；4.评估输出。具体方法运用可借助统计专业知识和人才，对管理对象和管理方法进行聚类分层。
