灰色模糊评价法的应用研究

6.2.2.1　基于灰关联分析的多层次模糊评价法分析

已有若干文献对采用灰关联改进模糊综合评价展开分析和研究，并应用于诸如风险评价和决策等领域。在系统绩效评价时，由于评价对象是一个复杂系统，需要采集若干评价专家的评价意见。在多层次的模糊综合评价时，评价指标（因素）的重要程度（以模糊集A表示）会直接反映最终的评价结果，权重会大大影响最终的评价结果，不同权重往往会得到完全不同的评价结果。所以权重的选择会直接影响到评价结果的有效性。权重确定方法目前比较流行的有Delphi法（专家评议法）、AHP（层次分析法）和专家调查法等，实际应用中可根据实际评价需要和评价对象（系统）的复杂性予以选择[Sung，2014]。

AHP法首先构建评价指标的层次结构，请若干评价专家评价同一个指标，据此得到评价矩阵，得到的评价矩阵经常差异性较大，对此必须利用恰当的数学处理方法对得到的多个评价矩阵进行适当处理，以求得到一个恰当的综合评价矩阵参与最终的层次分析和评价。同时这个评价矩阵反映的众多评价专家的共同意见，就可以有效地解决单个评价专家引起的片面评价问题，使得评价结果与客观实际一致[刘亚斐，2013]。

但在实际评价中，众多决策者和评价专家在构建评价矩阵时往往困难重重，主要原因有以下两点：①两两比较指标时难以确定比较标准，尤其是比较重要的指标时难度更大；②众多评价专家很多时候难以得到一致性较好的评价矩阵，对此也很难进行调整和处理。针对这个问题，许多人提出了若干AHP的改进算法，但专家评价不一致的问题解决效果依然让人难以满意。所谓评价专家一致性是指评价指标重要性时应该总体上与逻辑相符合，应该杜绝矛盾出现。评价指标重要性矛盾主要原因有两点。①当评价指标过多时，评价专家对指标进行重要性两两评价时容易产生分歧和矛盾。②当多个评价专家参与评价时，评价专家之间的评价矛盾会转化为评价矩阵的矛盾。如果能在实践中解决以上两个问题就可以较好的解决评价矩阵的专家评价不一致性问题[王海元，2016]。

有文献指出评价多指标系统时，由于人类认识的多样性以及评价对象的复杂性，在多专家评价时应注意以下几种情况：①在两两比较众多指标重要性时，众多专家的评价意见不一致发生时，评价意见应集中位于在某确定区间，评价意见可能呈现正态分布，也可能呈现均匀分布，而实际的意见分布情况可能是非常复杂的；②评价专家中有的可能对评价对象不是很熟悉，而有的专家则非常熟悉评价对象，因此对评价对象的先验知识不同专家的掌握程度完全不同，甚至由于评价的回避原则使得不同指标的评价专业人数都不一致，由此得到的评价矩阵自然是残缺不可靠的[罗党，2010]。目前业内专家主要采取算数评价法或几何评价法来构建评价矩阵并对矩阵进行排序解决AHP排序问题；也有学者采用区间数的方法解决评价指标过多问题，尽管该方法也依据一定的理论基础，但是它仅仅对评价呈均匀分布时适用；也有专家利用聚类分析方法，系统聚类单个专家排序结果，根据聚类结果赋予不同专家以不同权重系数，与此同时利用区间数特征向量，将AHP单个指标评价矩阵的最小二乘法应用到多指标多专家评价系统，从而得到模糊AHP的多专家评价排序结果。另有学者尝试通过构建一个全新的重要性矩阵来解决评判专家原因导致评价平均不一致问题，构建新矩阵时要求所有指标间在系统内部做过一次两两比较，这就要求所有评价专家对所有指标都具有相同的了解程度，否则无法进行所有指标的两两比较[罗党，2010]。

6.2.2.2　本文基于灰关联分析的多层次模糊评价法

针对上述研究成果，本文提出了基于灰关联分析的多层次模糊评价法。在对价格竞争网络营销系统进行评价时，专家在对不同标准权重赋值时本身也是一个模糊处理过程，故而模糊判断对此也非常适用[Rian，2011]。对于由于评价专家对研究对象的信息不完全了解而导致的评价偏差，或由于评价专家收到某种干扰而产生评价失误时，这些情况都可以归结为一个字：灰，既信息不完全。此时可以利用灰关联分析来解决评价专家不一致问题。灰关联度反映的是标准对象（理想对象）与各评价对象（指标）之间的近似程度，也就是对评价对象评价结果的优劣质量的排序，是一种非统计的数学处理方法。该方法在统计方法要求不能满足以及缺乏系统数据时具有较好的适用性，因此本文以此方法来解决专家评价不一致问题，力图构造一个具有较好一致性的评价矩阵，将多专家评价的AHP方法转化为单个因素评价的AHP方法。(www.xing528.com)

本文的计算方法简单列举如下：

（1）请评价专家对各个指标（因素）的重要性程度进行打分，以百分比形式统计所有评价专家的评价结果；

（2）利用第（1）步的计算结果，构建模糊评判矩阵（因素重要程度），以得到群体评价意见；

（3）借助于灰关联分析法，对各个单因素的重要性程度进行排序计算，替下面第（4）步中的计算解决专家评判不一致问题；

（4）借助第（3）步中的排序结果，构建相应的判断矩阵，用AHP构建各个评价指标（因素）的重要性模糊集。

经过验证计算，在综合评价时这些结果可以为系统评价者提供更全面的系统信息。只需对评价专家的原始评价进行适当处理，就可以快速得到最终结果。评价较复杂的系统时，评价因素数量相对较多时，与专家调查法和专家评议法相比，本文提出的评价方法能够克服各位评价专家在确定评价因素重要性时的评价困难，能够相对简单的选择各评价因素的模糊级别，还可以在同一级别的模糊级上选择多个评价因素，并保证评判准确性。