9299.net
大学生考试网 让学习变简单
当前位置:首页 >> 理学 >>

数学建模中的综合评价方法

数学建模中的综合评价方法


综合评价
评价是人类社会中一项经常性的、极重要的认识活动,是决策中的基础性工作。在实际问题的解 决过程中,经常遇到有关综合评价问题,如医疗质量的综合评价问题和环境质量的综合评价等。它是 根据一个复杂系统同时受到多种因素影响的特点,在综合考察多个有关因素时,依据多个有关指标对 复杂系统进行总评价的方法;综合评价的要点: (1)有多个评价指标,这些指标是可测量的或可量化 的; (2)有一个或多个评价对象,这些对象可以是人、单位、方案、标书科研成果等; (3)根据多指 标信息计算一个综合指标,把多维空间问题简化为一维空间问题中解决,可以依据综合指标值大小对 评价对象优劣程度进行排序。 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。 目前,综合评价有许多不同的方法,如综合指数法、TOPSIS 法、层次分析法、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,由于受多方面因素影响,怎样使评价法更 为准确和科学,是人们不断研究的课题。下面仅介绍综合评价的 TOPSIS 法、RSR 法和层次分析法的 基本原理及简单的应用。

8.1 TOPSIS 法(逼近理想解排序法) 逼近理想解排序法)
Topsis 法是系统工程中有限方案多目标决策分析的一种常用方法。是基于归一化后的原始数据矩阵, 找出有限方案中的最优方案和最劣方案(分别用最优向量和最劣向量表示) ,然后分别计算诸评价对象与 最优方案和最劣方案的距离,获得各评价对象与最优方案的相对接近程度,以此作为评价优劣的依据。

8.1.1 基本原理 基本原理
TOPSIS 法是 Technique for Order Preference by Similarity to Ideal Solution 的缩写, 即逼近于理想解的技 术,它是一种多目标决策方法。方法的基本思路是定义决策问题的理想解和负理想解,然后在可行方案中 找到一个方案,使其距理想解的距离最近,而距负理想解的距离最远。 理想解一般是设想最好的方案,它所对应的各个属性至少达到各个方案中的最好值;负理想解是假定 最坏的方案,其对应的各个属性至少不优于各个方案中的最劣值。方案排队的决策规则,是把实际可行解 和理想解与负理想解作比较,若某个可行解最靠近理想解,同时又最远离负理想解,则此解是方案集的满 意解。

8.1.2 距离的测度
采用相对接近测度。设决策问题有 m 个目标 f j ( j = 1,2 ,? , m ),n 个可行解 Z i = Z i1 , Z i 2 ,? , Z im ( ) ( i = 1,2 ,? , n );并设该问题的规范化加权目标的理想解是 Z*,其中
+ + Z + =(Z1+ , Z 2 ,? , Z m) ,

那么用欧几里得范数作为距离的测度,则从任意可行解 Z i 到 Z + 的距离为:

Si+ =
? ?

∑( Z
j =1

m

ij

? Z + j )2

i=1 ,…,n



(8.1)

式中,Zij 为第 j 个目标对第 i 个方案(解)的规范化加权值。 同理,设 Z ? = Z1 , Z 2 ,? , Z m 为问题的规范化加权目标的负理想解,则任意可行解 Z i 到负理想解 ( )
? T

Z ? 之间的距离为:

1

S i? =

∑ (Z
j =1

m

ij

? Z ? )2 j

i=1 ,…,n ,

(8.2)

那么,某一可行解对于理想解的相对接近度定义为:

Ci =

S i? S i? + S i+

0≤Ci ≤1,i=1,…,n ,

(8.3)

于是,若 Z i 是理想解,则相应的 Ci =1;若 Z i 是负理想解,则相应的 C i =0。 Z i 愈靠近理想解,Ci 愈 接近于 1;反之,愈接近负理想解, Ci 愈接近于 0。那么,可以对 Ci 进行排队,以求出满意解。

8.1.3


TOPSIS 法计算步骤

第一步: 设某一决策问题,其决策矩阵为 A. 由 A 可以构成规范化的决策矩阵 Z′,其元素为 Z′ij,且

′ Z ij =

f ij

∑f
i =1

n

i = 1,2, ? , n; j = 1,2, ? , m
2 ij

(8.4)

式中,fij 由决策矩阵给出。

(8.5) 第二步: 构造规范化的加权决策矩阵 Z,其元素 Zij i=1,…,n; j =1,…,m (8.6) Zij =Wj Z′ij Wj 为第 j 个目标的权。 第三步: 确定理想解和负理想解。如果决策矩阵 Z 中元素 Zij 值越大表示方案越好,则
+ + Z + =(Z 1+ , Z 2 ,? , Z m) = { max Z ij j = 1,2 ,? , m } i ? ? Z ? =(Z 1? , Z 2 ,? , Z m) = { min Z ij j = 1,2 ,? , m } i

(8.7) (8.8)

第四步:计算每个方案到理想点的距离 Si 和到负理想点的距离 S -i 。 第五步:按式(8.3)计算 Ci,并按每个方案的相对接近度 Ci 的大小排序,找出满意解。 多目标综合评价排序的方法较多,各有其应用价值。在诸多的评价方法中,TOPSIS 法对原始数据的 信息利用最为充分,其结果能精确的反映各评价方案之间的差距,TOPSIS 对数据分布及样本含量,指标 多少没有严格的限制,数据计算亦简单易行。不仅适合小样本资料,也适用于多评价对象、多指标的大样 本资料。利用 TOPSIS 法进行综合评价,可得出良好的可比性评价排序结果。

8.1.4 应用实例
1、TOPSIS 法在医疗质量综合评价中的应用 试根据表 8.1 数据,采用 Topsis 法对某市人民医院 1995~1997 年的医疗质量进行综合评价。 表 8.1 某市人民医院 1995~1997 年的医疗质量 出入院 手术前 床位 三日 床位周 平均 诊断符 后诊断 年度 周转率 确诊率 转次数 住院日 合率 符合率 (%) (%) (%) (%) 1995 20.97 113.81 18.73 99.42 99.80 97.28 1996 21.41 116.12 18.39 99.32 99.14 97.00 1997 19.13 102.85 17.44 99.49 99.11 96.20 危重病 治愈 院内 病死率 人抢救 好转率 感染率 (%) 成功率 (%) (%) (%) 96.08 2.57 94.53 4.60 95.65 2.72 95.32 5.99 96.50 2.02 96.22 4.79

在原始数据指标中,平均住院日、病死率、院内感染率三个指标的数值越低越好,这三个指标称为低 优指标;其它指标数值越高越好,称为高优指标。是低优指标的可转化为高优指标,其方法为是绝对数低 优指标 x 可使用倒数法(

100 ) ,是相对数低优指标 x ,可使用差值法( 1 ? x ) 。这里,平均住院日采用 x
2

倒数转化,病死率、院内感染率采用差值转化。转化后数据见表 8.2。 表 8.2 转化指标值 出入院 手术前 床位 三日 治愈 床位周 平均 诊断符 后诊断 年度 周转率 确诊率 好转率 转次数 住院日 合率 符合率 (%) (%) (%) (%) (%) 1995 20.97 113.81 5.34 99.42 99.80 97.28 96.08 1996 21.41 116.12 5.44 99.32 99.14 97.00 95.65 1997 19.13 102.85 5.73 99.49 99.11 96.20 96.50

危重病 院内 病死率 人抢救 感染率 (%) 成功率 (%) (%) 97.43 94.53 95.40 97.28 95.32 94.01 97.98 96.22 95.21

根据表 8.2 数据,利用公式(8.4)进行归一化处理,得归一化矩阵值,如表 8.3。

Z ij =

f ij

∑(f )
n i =1 ij

(8.9)

2

例如计算 1995 年床位周转次数归一化值,由公式(8.9)得:

Z 11 =
其余归一化数值以此类推。 床位周 床位 平均 转次数 周转率 住院日 0.590 0.602 0.538 0.592 0.604 0.535 0.560 0.570 0.601

20.97 20.97 2 + 21.412 + 19.132

= 0.509

年度 1995 1996 1997

表 8.3 归一化矩阵值 出入院 手术前 三日 治愈 诊断符 后诊断 确诊率 好转率 合率 符合率 0.577 0.580 0.580 0.577 0.577 0.576 0.578 0.575 0.578 0.576 0.574 0.580

危重病 病死率 人抢救 成功率 0.577 0.572 0.576 0.577 0.580 0.583

院内 感染率 0.581 0.572 0.579

由式(8.7)和式(8.8)得最优方案和最劣方案:
+ + Z = Z1+ , Z 2 , ? , Z m) ( +

(8.10) = (0.602,0.604,0.601,0.578,0.580,0.580,0.580,0.580,0.583,0.581) ? ? ? Z = Z1 , Z 2 , ? , Z m) ( = (0.538,0.535,0.560,0.577,0.576,0.574,0.575,0.576,0.572,0.572) (8.11) 由式(8.10)(8.11)和式(8.1)(8.2)计算各年度 D + 和 D ? ,见表 8.4。 、 、 + ? 例如计算 1997 年 S 和 S :
?

S + = (0.602 ? 0.538) + (0.604 ? 0.535) + ? + (0.581 ? 0.579 ) = 0.094
2 2 2 2

2

(8.12)

S ? = (0.538 ? 0.538) + (0.535 ? 0.535) + ? + (0.572 ? 0.579 ) = 0.044
其余各年依次类推。 由式(8.3)计算各年度 C i ,见表 8.4。 例如计算 1997 年 C i :

2

(8.13)

Ci =

0.044 = 0.319 0.094 + 0.044

(8.14)

其余各年以次类推。 表 8.4 不同年度指标值与最优值的相对接近程度及排序结果 年份

D+

D?
3

Ci

排序结果

1995 0.045 0.078 0.634 2 1996 0.034 0.095 0.736 1 1997 0.094 0.044 0.319 3 由表 8.4 的排序结果可知 1996 年医疗质量最好。 2 TOPSIS 法在环境质量综合评价中的应用实例 在环境质量评价中, 把每个样品的监测值和每级的标准值, 分别看作 TOPSIS 法的决策方案, TOPSIS 由 法可以得到每个样品和每级标准值的 Ci 值,对 Ci 值大小排序,便可以得到每个样品的综合质量及不同样 品间进行综合质量优劣比较。 表 8.5 列出所选的参评要素和所确定的评判等级及其代表值 某海湾沿岸海水侵染程度分级表 表 8.5 某海湾沿岸海水侵染程度分级表 分级 参评要素 氯离子 (mg/l) 矿化度 (mg/l) 溴离子 (mg/l) rHCO3/rCl 纳 吸 附 比
# #

Ⅰ 级 Ⅱ 级 Ⅲ 级 Ⅳ 级 (无或很轻侵染) (轻度侵染) (较严重侵 染) (严重侵染) 100 500 0.25 1.00 1.40 400 1 500 1.25 0.31 2.60 800 2 500 2.50 0.14 4.50 2 200 3 500 9.00 0.02 15.50

测得 111 和 112 水样的各参评要素值如表 8.6。 # # 表 8.6 111 和 112 水样监测值 要素 样品号 氯离子 矿化度 溴离子 rHCO3/rCl 纳 吸 附 比 (mg/l) (mg/l) (mg/l) 111 112
# #

134.71 542.15 152.44 721.18

0 0.20

0.882 1.267

1.576 1.366

取海水侵染Ⅰ~Ⅳ级标准值和 111 及 112 样品监测值构成 TOPSIS 法中的决策矩阵 A,那么





由式(8.4)算出 A 的规范化矩阵 Z′

因在制定海水侵染分级标准时,各因子的重要性已隐含在分级标准值中,因此,本文由标准值来确定 权重,其计算式如下:

4

Wi =

S i ( n ?1) / Si I

∑ (S
i =1

n

(8.15)

i ( n ?1)

/ Si I )

式中,Wi 为 i 因子的权重; n 为标准分级数,在本例中 n = 4 ; S i ( n?1) 为 i 因子的第 n ? 1 级标准值; S i I 为

i 因子的第 I 级标准值。
式(8.15)适用于低优指标型因子,在本例中如氯离子、矿化度、溴离子、纳吸附比等,权重计算时用 S Ⅲ/SI;而对高优指标型因子如 rHCO3/rHCl,计算时用 SⅡ/SⅣ。 通过计算得权重向量 WT={0.198 0.119 9 0.239 8 0.371 7 0.076 7} 由式(8.6)得加权后的规范化矩阵 Z 为

由式(8.7),式(8.8)得

Z + ={0.1768 0.0898 0.2288 0.2520 0.0719} Z ? -={0.0081 0.0128 0 0.0041 0.0064}
最后,由式(8.1),式(8.2)和式(8.3)计算 S i , S i 和 Ci 值(表 8.7)。 表 8.7 S i , S i 和 Ci 值表 Ⅰ Ⅱ Ⅲ Ⅳ 111


+

?

+

?

112



S i+ S i? Ci

0.053 5 0.196 2 0.245 5 0.390 5 0.076 7 0.008 7 0.355 0 0.263 1 0.209 3 0.869 0 0.572 8 0.460 2 0 0 0.345 3 0.384 7 0.818 2 0.977 9

把 Ci 排序得 C 112>CⅠ>C 111>CⅡ>CⅢ>CⅣ 于是可知:112#样品综合质量优于 111#样品综合质量,112#样品质量优于 I 级标准最低界限值, 为 I 级;111#样品质量介于 I 级和Ⅱ级最低界限值之间,属于Ⅱ级。因此,111 #样品为轻度侵染,112 #样品为无或很轻污染。由监测值也可以知道:111#有 4 个因子达到Ⅱ级,1 个因子达到 I 级;112#有 2 个因子达到Ⅱ级(接近 I 级),3 个因子达到 I 级。因此,本方法评价结果符合客观实际。

8.1.5

结论

TOPSIS 法是一种多目标决策方法,适用于处理多目标决策问题。本文提出 TOPSIS 法应用于环境质 量综合评价中,取得较好的效果,与其他方法比较,具有以下优点: 1、与环境标准巧妙结合起来,不仅能确定各评价对象所属的级别,还能进行不同评价对象间质量的 优劣比较。 2、 TOPSIS 法原理简单,能同时进行多个对象评价,计算快捷,结果分辨率高、评价客观,具有较 好的合理性和适用性,实用价值较高。 TOPSIS 法的缺点是 Ci 只能反映各评价对象内部的相对接近度, 并不能反映与理想的最优方案的相对 接近程度。
*

8.2 秩和比法
5

秩和比法是我国统计学家田凤调教授于 1988 年提出的一种新的综合评价方法, 它是利用秩和比 RSR (Rank-sum ratio)进行统计分析的一种方法,该法在医疗卫生等领域的多指标综合评价、统计预测预报、 统计质量控制等方面已得到广泛的应用。秩和比是一个内涵较为丰富的综合性指标,它是指行(或列)秩 次的平均值,是一个非参数统计量,具有 0~1 连续变量的特征,近年来秩和比统计方法不断完善和充实。

8.2.1

分析原理及步骤

1、分析原理 秩和比是一种将多项指标综合成一个具有 0~1 连续变量特征的统计量,也可看成 0~100 的计分。多用 于现成统计资料的再分析。不论所分析的问题是什么,计算的 RSR 越大越好。为此,在编秩时要区分高优 指标和低优指标,有时还要引进不分高低的情况。例如,评价预期寿命、受检率、合格率等可视为高优指 标;发病率、病死率、超标率为低优指标。在疗效评价中,不变率、微效率等可看作不分高低的指标。指 标值相同时应编以平均秩次。 秩和比综合评价法基本原理是在一个 n 行 m 列矩阵中,通过秩转换,获得 无量纲统计量 RSR;在此基础上,运用参数统计分析的概念与方法,研究 RSR 的分布;以 RSR 值对评价 对象的优劣直接排序或分档排序,从而对评价对象作出综合评价。 2、分析步骤 ① 编秩: 将 n 个评价对象的 m 个评价指标列成 n 行 m 列的原始数据表。编出每个指标各评价对象 的秩,其中高优指标从小到大编秩,低优指标从大到小编秩,同一指标数据相同者编平均秩。 ② 计算秩和比(RSR):根据公式 RSRi =

∑ m × n 计算,式中 i=1,2,…,n;
j =1

m

Rij

Rij 为第 i 行第 j

列元素的秩,最小 RSR=1/n,最大 RSR=1。当各评价指标的权重不同时,计算加权秩和比(WRSR),其 计算公式为 wRSRi =

1 m ? ∑ w j Rij ,Wj 为第 j 个评价指标的权重,∑Wj=1。通过秩和比(RSR)值的大小, n j =1

就可对评价对象进行综合排序, 这种利用 RSR 综合指标进行排序的方法称为直接排序。 但是在通常情况下 还需要对评价对象进行分档,特别是当评价对象很多时,如几十个或几百个评价对象,这时更需要进行分 档排序,由此应首先找出 RSR 的分布。 ③ 计算概率单位(Probit):将 RSR(或 WRSR)值由小到大排成一列,值相同的作为一组,编制 RSR(或 WRSR)频率分布表,列出各组频数 f,计算各组累计频数∑f;确定各组 RSR(或 WRSR)的秩 次范围 R 和平均秩次 R ;计算累计频率 p=AR/n;将百分率 p 转换为概率单位 Probit,Probit 为百分率 p 对应的标准正态离差 u 加 5。 ④ 计算直线回归方程:以累计频率所对应的概率单位 Probit 为自变量,以 RSR(或 WRSR)值为因 变量,计算直线回归方程,即 RSR(WRSR)=a+b×Probit。 ⑤ 分档排序:根据标准正态离差μ分档,分档数目可根据试算结果灵活掌握,最佳分档应该是各档 方差一致,相差具有显著性,一般分 3-5 档,下面是常用分档数对应的百分位数及概率单位见表 8.8。 表 8.8 常用分档数及对应概率单位

依据各分档情况下概率单位 Probit 值,按照回归方程推算所对应的 RSR(或 WRSR)估计值对评价对
6

象进行分档排序。具体的分档数根据实际情况决定。

8.2.2 秩和比法在对某病区护士综合评价中的应用实例 秩和比法在对某病区护士 病区护士综合评价中的应用实例
某医院对护士考核有 4 个指标,它们分别是:业务考核成绩( x1 ) 、操作考核结果( x2 ) 、科内测评 ( x3 )和工作量考核( x 4 ) ;下表 8.9 是某病区 8 名护士的考核结果: 表 8.9 某病区 8 名护士的考核结果

x1 x2 x4 3 待评对象(n) 护士甲 86 优100 233.9 护士乙 92 良 98.2 192.9 护士丙 88 良 99.1 311.1 护士丁 72 良 95.5 274.9 护士戊 70 优 97.3 263.6 护士己 94 优 100 182.3 护士庚 84 良 91.97 220.6 护士辛 50 良 91.97 182.0 利用秩和比综合评价法对其进行综合评价。 根据秩和比综合评价法的评价步骤,第一步分别对要评价的各项指标进行编秩,由于对护士考核的 4 个 指标都是高优指标,所以对要评价的各项指标进行编秩如表 8.10:
表 8.10 评价的各项指标编秩 待评对象(n) 护士甲 护士乙 护士丙 护士丁 护士戊 护士己 护士庚 护士辛

x

x1
86(5) 92(7) 88(6) 72(3) 70(2) 94(8) 84(4) 50(1)

x2
优-(6) 良(3) 良(3) 良(3) 优(7.5) 优(7.5) 良(3) 良(3)

x3
100 (7.5) 98.2(5) 99.1(6) 95.5(3) 97.3(4) 100(7.5) 91.97(1.5) 91.97(1.5)

x4
233.9(5) 192.9(3) 311.1(8) 274.9(7) 263.6(6) 182.3(2) 220.6(4) 182.0(1)

第二步,计算各指标的秩和比(RSR)

RSRi = ∑
j =1

m

Rij m×n
Rij
为各指标的秩次,RSR 值即为多指标的平均秩次,其值越大越

其中 m 为指标个数,n 为分组数, 优。

各护士 4 项护理考核指标编秩及 RSR 值如表 8.11 表 8.11 各护士 4 项护理考核指标编秩及 RSR 值

x2 x4 3 待评对象(n) x1 RSR 护士甲 86(5) 优-(6) 100 (7.5) 233.9(5) 0.7344 护士乙 92(7) 良(3) 98.2(5) 192.9(3) 0.5313 护士丙 88(6) 良(3) 99.1(6) 311.1(8) 0.7188 护士丁 72(3) 良(3) 95.5(3) 274.9(7) 0.5000 护士戊 70(2) 优(7.5) 97.3(4) 263.6(6) 0.6094 护士己 94(8) 优(7.5) 100(7.5) 182.3(2) 0.7813 护士庚 84(4) 良(3) 91.97(1.5) 220.6(4) 0.3906 护士辛 50(1) 良(3) 91.97(1.5) 182.0(1) 0.2031 如果将 8 名护士进行排序,则可根据 8 名护士的秩和比(RSR),按由大到小排列就可得到 8 名护士 由好到差的所有排序;如果要将 8 名护士分成几档,则还需继续进行下列工作。 第三步,确定 RSR 的分布 将各指标的 RSR 值由小到大进行排列,计算向下累计频率,查《百分数与概率单位对照表》,求其
7

x

所对应的概率单位值,见表 8.12 表 8.12 RSR 0.2031 0.3906 0.5000 0.5313 0.6094 0.7188 0.7344 0.7813 f 1 1 1 1 1 1 1 1 累积频数 1 2 3 4 5 6 7 8

概率单位值

R
1 2 3 4 5 6 7 8

( R / n ) × 100%
12.5 25.5 37.5 50.5 62.5 75.0 87.5

Y 3.8197 4.3255 4.6814 5.0000 5.3186 5.6745 6.1503 6.8663

96.91)

1 1) 其中数据 96.9 是利用 1 ? ( ) 100% 估计的。 × 4n
第四步,求回归方程:RSR=A+BY 将概率单位值 Y 作为自变量,秩和比 RSR 作为因变量,经相关和回归分析,因变量 RSR 与自变量概 率单位值 Y 具有线性相关 (r=0.9528) ,线性回归方程为: RSR=0.1877Y-0.4232,经 F 检验, F=59.078,P=0.0002, 这说明所求线性回归方程具有统计意义。 第五步,将 8 名护士进行分档,分多少档根据评价对象具体要求确定,如果将 8 名护士分为优良差 三档,根据统计学家田凤调教授提供的一个分档标准,分档如下表 8.13: 表 8.13 8 名护士分档表 等级 差 良 优 Y 4 以下 4~ 6~

? RSR

<0.3276 0.3276~ 0.703~

分档 护士辛 护士乙护士丁护士戊 护士庚 护士甲 护士丙 护士己

说明 (1) 上例评估护士的四个指标都是上优指标, 所以指标越高秩次值越高, 如果有些指标是下优指标, 则指标越低秩次值越高。 (2)上例评估护士的四个指标都认为同等重要,可以认为具有相同的权重。如果认为评估护士的四 个指标重要不同, 则认为四个指标是具有不同的权重, 例如在四个评估指标中, 如果业务考核成绩占 40%、 操作考核结果成绩占 30%、科内测评成绩占 10%( x3 )、工作量考核成绩占 20%,则护士甲的 RSR 值计 算为: 护士甲的 RSR=[40% × 5+30% × 6+10% × 7.5+20% × 5]/8=0.69375 类似可得到其他护士的 RSR 值,依据以上步骤就可得到护士的加权秩和比排序分档。 秩和比评价法的优点是是以非参数法为基础,对指标的选择无特殊要求,适于各种评价对象;此方 法计算用的数值是秩次,可以消除异常值的干扰,合理解决指标值为零时在统计处理中的困惑,它融合了 参数分析的方法,结果比单纯采用非参数法更为精确,既可以直接排序,又可以分档排序,使用范围广泛, 且不仅可以解决多指标的综合评价,也可用于统计测报与质量控制中。 但是秩和比评价法的缺点是排序的主要依据是利用原始数据的秩次,最终算得的 RSR 值反映的是综 合秩次的差距,而与原始数据的顺位间的差距程度大小无关,这样在指标转化为秩次是会失去一些原始数 据的信息,如原始数据的大小差别等。另外,当 RSR 值实际上不满足正态分布时,分档归类的结果与实际 情况会有偏草差, 且只能回答分级程度是否有差别, 不能进一步回答具体的差别情况。 为了解决这个问题, 一些学者对秩和比评价法的进行了改进,提出了非整秩次秩和比法,此方法用类似于线性插值的方式对指 标值进行编秩,以改进 RSR 法编秩方法的不足,所编秩次与原指标值之间存在定量的线性对应关系,从而 克服了 RSR 法秩次化时易损失原指标值定量信息的缺点。 非整秩次秩和比法是对 RSR 法的编秩方法作了一些改进,用类似于线性插值的方式进行编秩。所编 秩次除最小和最大指标值必为整数外,其余基本上为非整数,故将改进后的 RSR 法称为“非整秩次秩和比 法”,简称为非整秩次 RSR 法。 非整秩次 RSR 法的编秩方法:

8

对于高优指标: R = 1 + n ? 1 ( )

X ? X min X max ? X min X ?X R = 1 + n ? 1) max ( X max ? X min 对于低优指标:

式中 R 为秩次,n 为样本数,X 为原始指标值, X min 、

X max

分别为最小、最大的原始指标值。

对于不分高低指标,不论指标值的大小,秩次一律为:R=

1+ n 。偏(或稍)高优指标、偏(或稍)低优 2

指标的秩次公式同 RSR 法。 应用实例 某市医院 1983~1992 年工作质量统计指标及其非整秩次、权重系数见表 8.14。求出 RSR、wRSR 与 概率单位的相关系数及回归直线方程为:

? RSR =0.02529+0.1085y γ=0.9553 ? WRSR =-0.1012+0.1316y γ=0.9434
进行最佳分档,结果见表 8.15。 表 8.14 某市人民医院 1983~1992 年工作质量非整秩次 RSR 评分 治 愈 度 率* 75.2 983 (4.36) 76.1 984 (5.34) 80.4 985 (10) 77.8 986 (7.18) 75.9 987 (5.12) 74.3 988 (3.39) 74.6 989 (3.71) 72.1 990 (1) 72.8 991 (1.76) 72.1 992 (1) 重 0.093 系 数 病 死率△ 3.5 (1) 3.3 (1.9) 2.7 (4.6) 2.7 (4.6) 2.3 (6.4) 2.4 (5.95) 2.2 (6.85) 1.8 (8.65) 1.9 (8.2) 1.5 (10) 周转 率* 38.2 (8.07) 36.7 (6.69) 30.5 (1) 36.3 (6.33) 38.9 (8.71) 36.7 (6.69) 37.5 (7.43) 40.3 (10) 37.1 (7.06) 33.2 (3.48) 平 均 病 床 平均住 RSR 病床工作日 使用率* 院日△ * 370.1 (6.91) 369.6 (6.86) 309.7 (1) 370.1 (6.91) 369.4 (6.84) 335.5 (3.52) 356.2 (5.55) 401.7 (10) 372.8 (7.17) 358.1 (5.73) 101.5 (9.69) 101 (9.43) 84.8 (1) 101.4 (9.64) 101.2 (9.53) 91.9 (4.69) 97.6 (7.66) 101.1 (9.48) 102.1 (10) 97.8 (7.76) 10.0 (4) 10.3 (1.75) 10.0 (4) 10.2 (2.5) 9.6 (7) 9.2 (10) 9.3 (9.25) 10.0 (4) 10.0 (4) 10.4 (1) WRSR

0.5672 0.4165 0.5328 0.4062 0.3600 0.3819 0.6193 0.5459 0.7267 0.7032 0.5707 0.6087 0.6742 0.6966 0.7188 0.7594 0.6365 0.6856 0.4828 0.6225

0.418

0.132

0.100

0.098

0.159

注:* 高优指标,△ 低优指标;( )中数字为秩次 表 8.15 本法与 RSR 法排序与分档的比较 方法 排 序 与 分 档 好 中 1983 年,1989 年,
9

差 —

未 加 RSR 1987 年,1990 年,





1991 年

1986 年,1988 年, 1984 年,1992 年, 1985 年 1989 年,1991 年, 1986 年,1988 年, 1983 年,1984 年, 1992 年 1989 年,1992 年, 1988 年,1986 年, 1983 年 1991 年,1992 年, 1988 年,1986 年

本法 1987 年,1990 年

1985 年

RSR 1990 年,1991 年, 加权 法 1987 年 本法 1990 年,1987 年, 1989 年

1985 年,1984 年 1983 年,1984 年, 1985 年

对 RSRW 的排序与分档进行方差一致性检验(Bartlett 检验):χ2=2.8848,P>0.05,方差一致。 方差分析:F=43.2921,P<0.01,各档差异有显著性意义。 Newman-Keuls q 多重比较:好>中>差,均具有显著性意义。 在本法编秩中,对于高优指标,最小的指标值编为 1,最大的指标值编为 n(此点与 RSR 法相同),但 其余指标值由小到大分别编为 1 与 n 之间的线性递增的非整秩次。所编秩次与原指标值之间存在定量的线 性对应关系,即原指标值被定量地转换为秩次,而不是简单的等级化,从而避免了秩次化后原指标值定量 信息的损失。低优指标的编秩方法相同,但大小方向相反。 与 RSR 法比较,非整秩次 RSR 法的不足是不能直观地列出秩次,而需经过计算得出,故运算比 RSR 法多一步。但所增加一点运算换取更准确、更客观的评价结果是值得的。

8.3 层次分析法; 层次分析法;
人们在实际问题中常常会遇到各种各样的决策问题,如旅游地的选取问题,旅游者初次筛选几处旅游 地,但每个旅游地的景色、所需费用、居住条件、饮食条件交通等各不相同,根据个人的条件和爱好等如 何确定旅游地。 再例如,某人准备选购一台电冰箱,他对市场上的 6 种不同类型的电冰箱进行了解后, 在决定买那一款式是,往往不是直接进行比较,因为存在许多不可比的因素,而是选取一些中间指标进行 考察。例如电冰箱的容量、制冷级别、价格、型式、耗电量、外界信誉、售后服务等。然后再考虑各种型 号冰箱在上述各中间标准下的优劣排序。借助这种排序,最终作出选购决策。在决策时,由于 6 种电冰箱 对于每个中间标准的优劣排序一般是不一致的,因此,决策者首先要对这 7 个标准的重要度作一个估计, 给出一种排序,然后把 6 种冰箱分别对每一个标准的排序权重找出来,最后把这些信息数据综合,得到针 对总目标即购买电冰箱的排序权重。 象这样类似的问题很多, 其特点是这类问题所往往涉及到经济、 社会、 人文等方面的因素。在作比较、判别、评价、决策时这些因素的重要性、影响力或者优先程度往往难以量 化,人的主观选择会起着相当重要的作用,这就给用一般的数学方法解决问题带来本质上的困难。 层次分析法(analytical hierarchy process ,AHP)是美国匹兹堡大学教授撒泰(A.L.Saaty)于 20 世纪 70 年代提出的一种系统分析方法。 它综合定性与定量分析, 模拟人的决策思维过程, 来对多因素复杂系统, 特别是难以定量描述的社会系统进行分析。目前,AHP 是分析多目标、多准则的复杂公共管理问题的有力 工具。它具有思路清晰、方法简便、适用面广、系统性强等特点,便于普及推广,可成为人们工作和生活 中思考问题、解决问题的一种方法。将 AHP 引入决策,是决策科学化的一大进步。它最适宜于解决那些 难以完全用定量方法进行分析的公共决策问题。应用 AHP 解决问题的思路是,首先,把要解决的问题分 层次系列化,将问题分解为不同的组成因素,按照因素之间的相互影响和隶属关系将其分层聚类组合,形 成一个递阶的、有序的层次结构模型。然后,对模型中每一层次因素的相对重要性,依据人们对客观现实 的判断给予定量表示,再利用数学方法确定每一层次全部因素相对重要性次序的权值。最后,通过综合计 算各层因素相对重要性的权值,得到最低层(方案层)相当于最高层(总目标)的相当重要性次序的组合 权值,以此作为评价和选择方案的依据。AHP 将人们的思维过程和主观判断数学化,不仅简化了系统分析 与计算工作,而且有助于决策者保持其思维过程和决策原则的一致性,对于那些难以全部量化处理的复杂 的问题,能得到比较满意的决策结果。因此,它在能源政策分析、产业结构研究、科技成果评价、发展战 略规划、人才考核评价以及发展目标分析等许多方面得到广泛的应用。 下面介绍层次分析法的基本原理、步骤、计算方法、及其应用。

8.3.1 层次分析的基本原理
为了说明 AHP 的基本原理,首先分析下面这个简单的事实。
10

假定我们已知 n 只西瓜的每只西瓜的重量分别为 w1 , w2 ,…, wn 且总和为 1,即

∑w
i =1

n

i

= 1 。把

这些西瓜两两比较(相除),很容易得到表示 n 只西瓜相对重量关系的比较矩阵(以后称之为判断矩阵):

? W1 ? ? W1 ? W2 ?W ? 1 ? ?W ? n ?W ? 1

W1 W2 W2 W2 ? Wn W2

? ? ? ?

显然 aii =1, aij = 对于矩阵 aij

W1 ? ? Wn ? W2 ? Wn ? = (aij )n×n ? ? ? Wn ? Wn ? ? 1 a , aij = ik , i, j, k = 1,2, ? , n a ji a jk

(8.16)

( )

n×n

,如果满足关系 aij =

证明具有完全一致性的矩阵 A= aij

( )

aik ( i, j, k = 1,2, ? , n ),则称矩阵具有完全一致性。可以 a jk

n×n

有以下性质:

1)A 的转置亦是一致阵; 2)矩阵 A 的最大特征根 λmax = n ,其余特征根均为零。 3)设 u = (u1 , u2 ,? , un ) 是 A 对应 λmax 的特征向量,则 aij =
T

ui , i, j = 1,2,? , n 。 uj

若记

W1 ? ? W1 W1 ? ? ? Wn ? ? W1 ? ? W1 W2 ? ? W2 ? ? W2 W2 ?W2 ? ? A = ? W1 W2 Wn ? , W = ? ? , ? ? ? ? ? ? ? ? ? ? ?W W ?W ? Wn ? n? n ? n ? ?W W ? W ? 2 n ? ? 1 则矩阵 A 是完全一致的矩阵,且有 W1 ? ? W1 W1 ? ? ? Wn ? ? W1 ? ? nW1 ? ? W1 W2 W2 ? ?W ? ? nW ? ? W2 W2 ? 2? ? 2? ? AW = ? W W2 Wn ? ? ? = ? 1 ? ? ? ? ? ? ? ? ? ? ?? ? ? ?W W Wn ?Wn ? ? nWn ? ? ? ? ? n n ? ? ?W W ? W ? 2 n ? ? 1

= nW

(8.17)

即 n 是 n 只西瓜相对重量关系的判断矩阵 A 的一个特征根,每只西瓜的重量对应于矩阵 A 特征根 为 n 的特征向量 W 的各个分量。 很自然,我们会提出一个相反的问题,如果事先不知道每只西瓜的重量,也没有衡器去称量,我们 如果能设法得到判断矩阵 A(比较每两只西瓜的重量是容易的),能否导出每只西瓜的重量呢?显然是可 以的,在判断矩阵具有完全一致的条件下,我们可以通过解特征值问题 AW= λmax W 求出正规化特征向量(即假设西瓜总重量为 1),从而得到 n 只西瓜的相对重量。同样,对于复杂 的社会公共管理问题,通过建立层次分析结构模型,构造出判断矩阵,利用特征值方法即可确定各种方案 和措施的重要性排序权值,以供决策者参考。 对于 AHP,判断矩阵的一致性是十分重要的。此时矩阵的最大特征根 λmax = n ,其余特征根均为 零。在一般情况下,可以证明判断矩阵的最大特征根为单根,且
11

λmax ≥ n 。当判断矩阵具有满意的一致

性时,最大的矩阵的特征值为 n,其余特征根接近于 0,这时,基于 AHP 得出的结论才基本合理。但由于 客观事物的复杂性和人们认识上的多样性,要求判断矩阵都具有完全一致性是不可能的,但我们要求一定 程度上的一致,因此对构造的判断矩阵需要进行一致性检验。

8.3.2

层次分析法的计算步骤

一、 建立层次结构模型 运用 AHP 进行系统分析,首先要将所包含的因素分组,每一组作为一个层次,把问题条理化、层次 化,构造层次分析的结构模型。这些层次大体上可分为 3 类 1、最高层:在这一层次中只有一个元素,一般是分析问题的预定目标或理想结果,因此又称目标层; 2、中间层:这一层次包括了为实现目标所涉及的中间环节,它可由若干个层次组成,包括所需要考 虑的准则,子准则,因此又称为准则层; 3、最底层:表示为实现目标可供选择的各种措施、决策、方案等,因此又称为措施层或方案层。 层次分析结构中各项称为此结构模型中的元素,这里要注意,层次之间的支配关系不一定是完全的, 即可以有元素(非底层元素)并不支配下一层次的所有元素而只支配其中部分元素。这种自上而下的支配 关系所形成的层次结构,我们称之为递阶层次结构。 递阶层次结构中的层次数与问题的复杂程度及分析的详尽程度有关,一般可不受限制。为了避免由于 支配的元素过多而给两两比较判断带来困难,每层次中各元素所支配的元素一般地不要超过 9 个,若多于 9 个时,可将该层次再划分为若干子层。 例如,大学毕业的选择问题,毕业生需要从收入、社会地位及发展机会方面考虑是否留校工作、读研 究生、到某公司或当公务员,这些关系可以将其划分为如图 8.1 所示的层次结构模型。

图 8.1 再如,国家综合实力比较的层次结构模型如图 6 .2:

图 6 .2 图中,最高层表示解决问题的目的,即应用 AHP 所要达到的目标;中间层表示采用某种措施和政策 来实现预定目标所涉及的中间环节,一般又分为策略层、约束层、准则层等;最低层表示解决问题的措施 或政策(即方案)。 然后,用连线表明上一层因素与下一层的联系。如果某个因素与下一层所有因素均有联系,那么称这 个因素与下一层存在完全层次关系。有时存在不完全层次关系,即某个因素只与下一层次的部分因素有联 系。层次之间可以建立子层次。子层次从属于主层次的某个因素。它的因素与下一层次的因素有联系,但 不形成独立层次,层次结构模型往往有结构模型表示。 二、构造判断矩阵 任何系统分析都以一定的信息为基础。 AHP 的信息基础主要是人们对每一层次各因素的相对重要性给 出的判断,这些判断用数值表示出来,写成矩阵形式就是判断矩阵。判断矩阵是 AHP 工作的出发点,构 造判断矩阵是 AHP 的关键一步。 当上、下层之间关系被确定之后,需确定与上层某元素(目标 A 或某个准则 Z)相联系的下层各元素 在上层元素 Z 之中所占的比重。 假定 A 层中因素 Ak 与下一层次中因素 B1,B2,…,Bn 有联系,则我们构造的判断矩阵如表 8.16 所 示。 表 8.16 判断距阵
12

Bn … b1n … b2n … ┇ ┇ bnn Bn … 表 8.16 中,bij 是对于 Ak 而言,Bi 对 Bj 的相对重要性的数值表示, 判断矩阵表示针对上一层次某因素而言,本层次与之有关的各因素之间的相对重要性。填写判断矩阵 的方法是:向填写人(专家)反复询问:针对判断矩阵的准则,其中两个元素两两比较哪个重要,重要多 少。对重要性程度 Saaty 等人提出用 1-9 尺度赋值,见下表 8.17 表 8.17 重要性标度含义表 重要性标度 含 义 1 表示两个元素相比,具有同等重要性 3 表示两个元素相比,前者比后者稍重要 5 表示两个元素相比,前者比后者明显重要 7 表示两个元素相比,前者比后者强烈重要 9 表示两个元素相比,前者比后者极端重要 2,4,6,8 表示上述判断的中间值 Ak B1 B2 B1 b11 b21 ┇ bn1 B2 b12 b22 ┇ bn2 若元素 i 与元素 j 的重要性之比为 bij , 则元素 j 与元素 i 的 倒数 重要性之比为 b ji =

设填写后的判断矩阵为 B = bij (1) bij > 0,(2) b ji =

( )

1 bij

n×n

,则判断矩阵具有如下性质:

1 ,(3) bii =1 bij

i = 1,2.? , n.

根据上面性质,判断矩阵具有对称性,因此在填写时,通常先填写 bii =1 部分,然后再仅需判断及填 写上三角形或下三角形的 n(n-1)/2 个元素就可以了。 在特殊情况下,判断矩阵可以具有传递性,即满足等式: bij ? b jk = bik , 当上式对判断矩阵所有元素都成立时,则该判断矩阵为一致性矩阵。 采用 1~9 的比例标度的依据是:(1)心理学的实验表明,大多数人对不同事物在相同属性上差别的 分辨能力在 5~9 级之间,采用 1~9 的标度反映了大多数人的判断能力;(2)大量的社会调查表明,1~9 的比例标度早已为人们所熟悉和采用; (3)科学考察和实践表明,1~9 的比例标度已完全能区分引起人们 感觉差别的事物的各种属性。 因此目前在层次分析法的应用中,大多数都采用尺度。当然,关于不同尺 度的讨论一直存在着。 三、层次单排序 所谓层次单排序是指根据判断矩阵计算对于上一层某因素而言本层次与之有联系的因素的重要性次 序的权值。它是本层次所有因素相对上一层而言的重要性进行排序的基础。 层次单排序可以归结为计算判断矩阵的特征根和特征向量问题,即对判断矩阵 B,计算满足 (8. 18) BW = λmax W 的特征根与特征向量。式中, 量

λmax 为 B 的最大特征根;W 为对应于 λmax 的正规化特征向量;W 的分

wi 即是相应因素单排序的权值。
为了检验矩阵的一致性,需要计算它的一致性指标 CI,CI 的定义为 CI =

λmax ? n
n ?1

(8.19)

显然,当判断矩阵具有完全一致性时,CI=0。 λmax ? n 越大,CI 越大,判断矩阵的一致性越差。注意 到矩阵 B 的 n 个特征值之和恰好等于 n, 所以 CI 相当于除 λmax 外其余 n-1 个特征根的平均值。为了检验 判断矩阵是否具有满意的一致性,需要找出衡量矩阵 B 的一致性指标 CI 的标准,Saaty 引入了随机一致性 指标表 8.18。
13



表 8.18 阶 1

1~9 矩阵的平均随机一致性指标 2 3 4 5 6 7 8 9

RI 0.00 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.45 对于 1 阶、2 阶判断矩阵,RI 只是形式上的,按照我们对判断矩阵所下的定义,1 阶、2 阶判断矩阵 总是完全一致的。 当阶数大于 2 时, 判断矩阵的一致性指标 CI, 与同阶平均随机一致性的指标 RI 之比 称为判断矩阵的随机一致性比率,记为 CR。当 CR=

CI RI

CI <0.01 时,判断矩阵具有满意的一致性,否则就需 RI

对判断矩阵进行调整。 四、层次总排序 利用同一层次中所有层次单排序的结果,就可以计算针对上一层次而言本层次所有因素重要性的权 值,这就是层次总排序。层次总排序需要从上到下逐层顺序进行,设已算出第 k-1 层上 n 个元素相对于总 目标的排序为
( w ( k ?1) = ( w1( k ?1) ,? , wnk ?1) )T ,

第k层

nk 个元素对于第 k ? 1 层上第 j 个元素为准则的单排序向量
uj
(k ) ( ( ( = (u1 kj ) , u2kj) ? , unk j) ) T k

j = 1,2.? , n. k = 1,2,? , nk nk × n
(k ) 1n (k ) 2n

其中不受第 j 个元素支配的元素权重取零,于是可得到
(k ) 11 (k ) 21 (k ) 12 (k ) 22

阶矩阵

?u u ? u ? ? ? u ? u ? ?u ( ( U (k ) = u1 k ) , u 2k ) , ? , unk )) ? ( ( = ? ? ? ? ? ? ? ( ) ( ? u n 1 u nk 2 ? u nkn) ? k k ? ? k (k ) 其中 U 中的第 j 列为第 k 层 nk 个元素对于第 k ? 1 层上第 j 个元素为准则的单排序向量。
记第 k 层上各元素对总目标的总排序为:
( ( w ( k ) = ( w1 k ) ,? , wnk ) )T


(k (k (k ( ? u11 ) u12 ) ? u1n ) ? ? w1 k ?1) ? ? (k ) ?? ? (k ) (k ) ( ? u 21 u 22 ? u 2 n ? ? w2k ?1) ? = ? ? ? ? ? ?? ? ? ? ?? ? ( ) ( ? u n 1 u nk 2 ? u nkn) ? ? w ( k ?1) ? n ? k k ? ? ? k n ? ? ? ∑ u1( k ) w (jk ?1) ? j ? j =1 ? ? n ( k ) ( k ?1) ? u w = ?∑ 2 j j ? j =1 ? ? ? ? ? n ? u ( k ) w ( k ?1) ? ? ∑ nk j j ? ? j =1 ?

w (k ) = U (k ) w (k ?1)

即有
( wi( k ) = ∑ uijk ) w (jk ?1) , i = 1,2,? , nk j =1 n

五、一致性检验 为评价层次总排序的计算结果的一致性如何,需要计算与单排序类似的检验量。 由高层向下,逐层进行检验。设第 k 层中某些因素对 k-1 层第 j 个元素单排序的一致性指标为 CI j ,
14
(k )

平均随机一致性指标为 RI j ,(k 层中与 k-1 层的第 j 个元素无关时,不必考虑),那么第 k 层的总排序的 一致性比率为:

(k )

∑w
CR ( k ) =

nk

∑w
j =1

j =1 nk

( k ?1) j ( k ?1) j

CI (j k ) RI (j k )

同样当 CR

(k )

≤ 0.10 时,我们认为层次总排序的计算结果具有满意的一致性。

8.3.3 层次分析法的应用
层次分析法在 T .L.Saaty 正式提出以来,由于它在处理复杂的决策问题上的实用性和有效性,很快就 在世界范围内得到普遍的重视和广泛的应用,目前 它的应用已遍及经济计划和管理、能源政策和分配、行为科学、军事指挥、运输、农业、教育、医疗、 环境等领域。从处理的类型看,主要是决策、评价、分析、预测等,这个方法在 20 世纪 80 年代初引入我 国,很快为广大的数学工作者和有关领域的科技人员所接受,得到了成功的应用。 1 旅游地的选择 问题:某人准备假期旅游,初次筛选了桂林、黄山和北戴河三处旅游地,但每个旅游地的景色、所需 费用、居住条件、饮食条件交通等各不相同,如何在 3 个旅游地中按照景色、费用、居住条件、饮食和路 途 6 个因素选择一个最佳的旅游地。 根据层次分析的基本思想,可分以下几步进行处理: 将选择旅游地的决策问题分解为三个层次,最上层为目标层,即选择旅游地,最下层为方案层,有 P1 (桂林)、P2(黄山)、P3(北戴河)三个供选择的地点,中间层为准则层,有 C1(景色)、C2(费用)、 C3(居住)、C4(饮食)、C5(旅途)5 个准则,各层间的联系用相连的直线表示如图 8.3 所示。

目标层

O(选择旅游地)

准则层

C1 景色

C2 费用

C3 居住

C4 饮食

C5 旅途

P2 黄山 P3 北戴河 图 8.3 相对于总目标而言,根据旅游者自己的喜好,给出 5 个准则之间的相对重要性,利用 Saaty 等人提 出用 1-9 尺度赋值,构造准则层对目标的成对比较阵 构造判断矩阵

方案层

P1 桂林

? ? ? A=? ? ? ? ?

1 2 1/ 4 1/ 3 1/ 3

1/ 2 1 1/ 7 1/ 5 1/ 5

4 7 1 2 3

3 ? 5 ? ? 1 / 2 1 / 3? ? 1 1 ? 1 1 ? ? 3 5

这里,判断矩阵是不一致,如 a 21 ? a13 ≠ a 23 ,为了计算对于上一层选择旅游地而言本层次的 5 个准则 的重要性次序的权值和判断矩阵是否具有满意的一致性,利用 MATLAB 软件可求出矩阵 A 的最大特征根 λ=5.073 及对应于λ的正规化特征向量
( ( w ( 2 ) = ( w1( 2 ) , w22 ) ,? , w52 ) )T =(0.263,0.475,0.055,0.090,0.110 ) 。

T

一致性指标
15

CI =

5.073 ? 5 = 0.018 5 ?1

随机一致性指标 RI=1.12 (n=5,查表),一致性比率 CR=0.018/1.12=0.016<0.1 通过一致性检验,所以判断矩阵具有满意的一致性。对于上一层选择旅游地而言本层次的 5 个准则的 重要性次序的权值
( ( w ( 2 ) = ( w1( 2 ) , w22 ) ,? , w52 ) )T =(0.263,0.475,0.055,0.090,0.110 ) 。

T

同样求第 3 层(方案)对第 2 层每一元素(准则)的权向量: 方案层对 C1(景色)的成对比较阵

?1 B1 = ?1 / 2 ? ?1 / 5 ?

2 1 1/ 2
( 3)

5? 2? , ? 1? ?
T

最大特征根 λ1 = 3.006, 对应于 λ1 , 的正规化特征向量 u1 =(0.595,0.276,0.128 ) 。 一致性指标

CI1 =

3.006 ? 3 = 0.003 3 ?1

随机一致性指标 RI 1 =0.58 (n=3),一致性比率 CR=0.003/0.58=0.0052<0.1, 通过一致性检验,所以判断矩阵具有满意的一致性。对于上一层景色而言本层次的 3 个方案的重要性 次序的权值

u1( 3) = (0.595,0.276,0.128 ) 。
方案层对 C2(费用)的成对比较阵

T

? 1 1/ 3 1/ 8 ? B2 = ? 3 1 1 / 3? , ? ? ?8 3 1 ? ? ?
T

( 最大特征根 λ2 = 3.002, 对应于 λ2 , 的正规化特征向量 u23) =(0.082,0.236,0.682 ) 。 一致性指标

CI 2 =

3.002 ? 3 = 0.001, 3?1

随机一致性指标 RI 2 =0.58 (n=3),一致性比率 CR=0.001/0.58=0.0017<0.1, 通过一致性检验,所以判断矩阵具有满意的一致性。对于上一层费用而言本层次的 3 个方案的重要性 次序的权值
( u23) = (0.082,0.236,0.682 ) 1 ?1 方案层对 C3(居住)的成对比较阵 B3 = ? 2 1 ? ?1 3 1 3 ?
T



3? 3? ? 1? ?
( 3)
T

最大特征根 λ3 = 3, 对应于 λ3 , 的正规化特征向量 u3 =(0.429,0.429,0.142 ) 。 一致性指标

CI 3 =

3. ? 3 = 0, 3 ?1

随机一致性指标 RI=0.58 (n=3),一致性比率 RI 3 =0/0.58=0<0.1, 通过一致性检验,所以判断矩阵具有满意的一致性。对于上一层居住而言本层次的 3 个方案的重要性 次序的权值
16

( u33) =

(0.429,0.429,0.142 ) 。

T

? 1 3 4? ? ? 方案层对 C4(饮食)的成对比较阵 B4 = 1 3 1 1 , ? ? ?1 4 1 1? ? ? T 最大特征根 λ = 3.009, 对应于 λ4 , 的正规化特征向量 u ( 3) =(0.634,0.192,0.174 ) 。
4
4

一致性指标

CI 4 =

3.009 ? 3 = 0.0045 3 ?1

随机一致性指标 RI 4 =0.58 (n=3),一致性比率 CR=0.0045/0.58=0.0078<0.1, 通过一致性检验,所以判断矩阵具有满意的一致性。对于上一层饮食而言本层次的 3 个方案的重要性 次序的权值
( u 43) =(0.634,0.192,0.174 ) T 。

方案层对 C5(旅途)的成对比较阵

?1 1 1 4? B5 = ?1 1 1 4? ? ? ?4 4 1 ? ? ?
( 3)
T

最大特征根 λ5 = 3, 对应于 λ 5 , 的正规化特征向量 u5 =(0.167,0.167,0.667 ) 。 一致性指标

CI 5 =

3?3 = 0, 3 ?1

随机一致性指标 RI 5 =0.58 (n=3),一致性比率 CR=0/0.58=0<0.1, 通过一致性检验,所以判断矩阵具有满意的一致性。对于上一层旅途而言本层次的 3 个方案的重要性 次序的权值
( u53) =(0.167,0.167,0.667 ) 。
T

U

( 3)

?0.595 0.082 0.429 0.634 0.167? = u , u , ? , u ) ?0.276 0.236 0.429 0.192 0.167? ( = ? ? ?0.128 0.682 0.142 0.174 0.667? ? ?
( 3) 1 ( 3) 2 ( 3) 5

第 3 层(方案层)对第 1 层(目标层)的组合权向量

w ( 3)

?0.264? ? ? ?0.595 0.082 0.429 0.634 0.167? ?0.476? ?0.299? = W ( 3) w ( 2 ) = ?0.276 0.236 0.429 0.192 0.167? ?0.054? = ?0.245? ? ?? ? ? ? ?0.128 0.682 0.142 0.174 0.667? ?0.098? ?0.455? ? ? ? ? ?0.109? ? ?

即选取桂林、黄山、北戴河的权重分别为 0.299、0.245 和 0.455. 组合一致性检验 记 CI = (CI 1 , CI 2 , CI 3 , CI 4 , CI 5 ) = ( 0.003,0.001,0,0.005,0)

RI = ( RI 1 , RI 2 , RI 3 , RI 4 , RI 5 ) = (0.58,0.58,0.58,0.58,0.58)

17

?0.264? ?0.476? ? ? CI ( 3) = CI ? w ( 2 ) = [0.003 0.001 0 0.005 0]?0.054? = 0.00176 ? ? ?0.098? ?0.109? ? ? ?0.264? ?0.476? ? ? RI ( 3) = RI ? w ( 2 ) = [0.58 0.58 0.58 0.58 0.58]?0.054? = 0.58 ? ? ?0.098? ?0.109? ? ? CR ( 3) = CI ( 3) 0.00176 = =0.003 < 0.1 , RI ( 3) 0.58

通过一致性检验,我们认为层次总排序的计算结果具有满意的一致性,所以旅游地的选取次序为北戴 河、桂林、黄山,它们的权重分别为 0.455、0.299 和 0.245. 2、一笔留成利润利用的综合评价 背景:某企业有一笔留成利润要由领导决定其用途,总目标是希望能促进工厂更进一步发展。可供选 择的方案有:作为奖金发给职工;扩建食堂、托儿所等福利设施;开办职工业余学校进行职工培训;建设 图书馆或俱乐部等娱乐设施;引进新设备进行技术改造。衡量这些方案(措施)可从以下三方面着眼:是 否调动了职工的生产积极性;是否提高了企业的技术水平;是否改善了职工的物质文化生活状况。现在要 对上述五种方案进行优劣性评价,或者说是按优劣顺序把这五种方案排列起来,以便领导从中选择一种方 案付诸实施。 建立层次结构模型:我们应用 AHP 对此问题进行分析后,可建立如图 8.4 所示的层次模型。

图 8.4 首先根据准则层 C 各因素相对于目标层的相对重要性构造比较矩阵并进行计算, 所得判断矩阵 B 及相 应计算结果如下:

? ?1 ? B = ?5 ?3 ? ?
判断矩阵 B 的最大特征值

1 5 1 1 3

1? ? 3? 3? 1? ? ?
T

λmax = 3.0385 , 最 大 特 征 值 相 应 的 正 规 化 特 征 向 量

( ( w ( 2 ) = ( w1( 2 ) , w22 ) , w32 ) )T =(0.1042,0.6372,0.2583 ) ,一致性指标 CI =0.0193,随机一致性指标 RI =0.58 CI ( n = 3 ),所以一致性比率 CR = =0.0332<0.10 ,通过一致性检验,所以判断矩阵具有满意的一致 RI

性。所以对于目标层而言准则层次的 3 个准则的重要性次序的权值
( ( w ( 2 ) = ( w1( 2 ) , w22 ) , w32 ) )T =(0.1042,0.6372,0.2583 )

T

同样求第 3 层(方案)对第 2 层每一元素(准则)的权向量:
18

(1)判断距阵 B1 (相对于调动生产积极性准则而言,各方案之间的相对重要性比较)及计算结果

?1 ?1 ? ?3 ?1 B1 = ? 5 ?1 ?4 ?1 ? ?7
最大特征值

3 1 1 3 1 2 1 5

5 3 1 2 1 3

4 7? ? 2 5? ? 1 3? ?, 2 ? 1 3? ? 1 1? 3 ?

λmax = 5.126 ,
对应的正规化特征向量 u1 =(0.491,0.232,0.092,0.138,0.046 ) 。 CI=0.032 RI=1.12 CR=0.028<0.10 通过一致性检验。 (2)判断距阵 B2 (相对于提高技术水平准则而言,各方案之间的相对重要性比较)及计算结果
( 3) T

? ?1 ? ?7 B2 = ? 3 ? ? ?5 ?
最大特征值

1 7 1 1 5 1 3

1 3 5 1 3

1? ? 5? 3? 1? 。 3? ? 1? ?

λmax = 4.117 ,
( 对应的正规化特征向量 u23) =(0.055,0.564,0.118,0.263 ) 。 CI =0.039 ,RI =0.90 , CR =0.043<0.10 ,通过一致性检验。 (3)判断距阵 B3 (相对于改善职工生活状况准则而言,各方案之间的相对重要性比较)及计算结果

T

?1 ? ?1 1 B3 = ? ?3 ?1 ? ?3
最大特征值

1 3 3? ? 1 3 3? 1 1 1? ? 3 ? 1 1 1? 3 ?

λmax = 4,
对应的正规化特征向量 u3 =(0.406,0.406,0.094,0.094 ) 。
( 3)

T

CI =0 ,RI =0.90 , CR =0<0.10 ,通过一致性检验。 第三层对第一层总排序计算结果见表 8.19: 表 8.19 第三层对第一层总排序计算结果 C1 0.104 0.491 0.232 0.092 0.138 0.046 C2 0.637 0 0.055 0.564 0.118 0.263 C3 0.285 0.406 0.406 0.094 0.094 0 层次 P 总排 序权值 0.157 0.164 0.393 0.113 0.172 方案排序 4 3 1 5 2

CI = 0.028 ,RI = 0.9231 ,CR = 0.0305<0.10,通过一致性检验。
19

计算结果表明,为合理使用企业利润留成,对于该企业来说,所提出的五种方案优先次序为: P3——办职工业余和短训班进行职工培训,权值为 0.393; P5——引进设备,进行企业技术改造,权值为 0.172; P2——扩建职工住宅、食堂、托儿所等集体福利设施,权值为 0.164; P1——作为奖金发给职工,权值为 0.157; P4——建立图书馆、职工俱乐部等文化设施,权值为 0.113。 企业领导可根据上述排序结果进行决策。需要注意的是,不同的人对不同企业中的不同情况有不同的 判断,用不同的判断值计算的排序结果也不一样。所以应当其请那些对所处理的问题有专门研究的人来作 判断,因为他们对所处理的问题和周围的环境了解得比较透彻,能得到合理的判断和正确的排序结果。

8.3.4 层次分析法的优点和局限性
1 系统性 层次分析法把研究对象作为一个系统,按照分解、比较判断、综合的思维方式进行决策 ,成为继机 理分析、统计分析之后发展起来的系统分析的重要工具。 2 实用性 层次分析法把定性和定量方法结合起来,能处理许多用传统的最优化技术无法着手的实际问题,应用 范围很广,同时,这种方法使得决策者与决策分析者能够相互沟通,决策者甚至可以直接应用它,这就增 加了决策的有效性。 3 简洁性 具有中等文化程度的人即可以了解层次分析法的基本原理并掌握该法的基本步骤,计算也非常简便, 并且所得结果简单明确,容易被决策者了解和掌握。 以上三点体现了层次分析法的优点,该法的局限性主要表现在以下几个方面: 第一 只能从原有的方案中优选一个出来,没有办法得出更好的新方案。 第二 该法中的比较、判断以及结果的计算过程都是粗糙的,不适用于精度较高的问题。 第三 从建立层次结构模型到给出成对比较矩阵,人主观因素对整个过程的影响很大,这就使得结果 难以让所有的决策者接受。当然采取专家群体判断的办法是克服这个缺点的一种途径。 层次分析法是一种定性分析与定量分析相结合的系统分析方法,其解决问题的思路是:首先,把要 解决的问题分层系列化。然后,对模型中每一层因素的相对重要性,依据人们对客观现实的判断给予定量 表示,再利用数学方法确定每一层次全部因素相对重要性次序的权值。最后,通过综合计算各层因素相对 重要性的权值,得到最低层(方案层)相对于最高层(总目标)的相对重要性次序的组合权值,以次作为 评价和选择方案的依据。

20


推荐相关:
网站首页 | 网站地图
All rights reserved Powered by 大学生考试网 9299.net
文档资料库内容来自网络,如有侵犯请联系客服。zhit325@qq.com