基于变权思想的多因素评价

关于动态群体评价问题的研究，目前正在受到重视，是一个较新的研究领域，研究成果也日渐增多，基本表现在交互式群体评价研究和多阶段群体评价研究两方面内容上。但是对于过程交互式群体评价过程的复杂性、过程演化、交互冲突与协调、交互柔性与协同以及过程交互式群体评价方法的研究相对较少，缺乏系统性，需要对这些问题展开详细研究，以期对社会发展过程中存在的复杂群体评价问题研究，尤其是重大工程项目评价,提供一些解决的思路与对策。（3多阶段群评价是一类典型的动态群评价方法[77-79]。对于一些重大的、复杂的评价问题，为了保证评价结果的可靠性和稳定性，需要从多个阶段进行综合评估。多阶段群评价的评价目标就是综合各个阶段的个体偏好来制定群体最优策略使得评价问题的全局指标达到最优。由于各评价阶段之间是相互关联、相互影响的，且各阶段专家的偏好表现也不尽相同，因此，如何确定阶段权重就成为多阶段群评价过程中的一个重要环节。现有的阶段权重确定方法大都是基于时间概念的特征进行处理[77,78,80,81]，例如通过考虑时间权重方差最小、单调递増或递减、正态分布等情况来确定阶段权重。这些权重计算方法为多阶段群评价分析提供了一定的理论支持，然而，若仅依据时间权重自身的特征进行分析，则可能出现方案综合评价值相似，甚至无法区分的情况[82]。因此，在实际的评价过程中,除了考虑时间权重本身的特征外，还应结合各阶段方案的评价信息，综合考虑两者来确定阶段权重。通过设置合理的阶段权重可以实现各阶段评价信息的折中与协调，从而有效的减少评价误差。朱建军(2008)[66]建立了基于评价先验信息和方案区分度的阶段权重优化模型。卢志平(2013)[56]以最小化各阶段偏好与阶段总偏好的偏差为目标建立了关于阶段权重的数学规划模型。郝晶晶(2013)[82]在综合考虑主观偏好和评价信息对阶段权重影响的基础上，以相邻阶段方案的综合（4在群评价过程中，各专家依据各自掌握的信息所给出的评价矩阵可能会有较大的差异，甚至会产生冲突，如果直接把这些差异较大的个体评价矩阵进行集结，可能会影响最终结果的合理性。因此，在得到最终的解决方案之前，如何对专家评价矩阵进行一致性分析，从而引导群体意见趋向一致就显得十分的必要[83-86]。一致化是一个动态、迭代的群体评价过程，可有效的促使群体意见达成一致。在一致化的过程中，需要将每个专家的个体评价矩阵与由所有专家的个体评价矩阵集结而成的群体评价矩阵进行比较，若二者之间的一致化程度未满足预定的一致化水平，则该一致化程度是不可接受的，此时需修改个体评价信息，经过反复的调整，直到所有专家的个体评价矩阵与群体评价矩阵之间的一致化程度都满足预目前，关于多属性群评价的一致化方法大致可分为交互式和自动式两种。交互式方法依赖于专家的建议，相对来说比较可靠、准确。陈建中(2008)[25]通过定义群体满意度指标，建立了一种逐步逼近满意解的多轮交互式多属性群评价方法。徐泽水讨论了模糊环境下多属性群评价的交互方法[32]，并研究了具有多粒度不确定语言信息的多属性群评价交互方法[87]。付超和杨善林利用证据理论方法对多属性群评价中的群体共识进行了研究[36]，进而提出一种基于证据理论的群体一致化方法，并建立了基于属性权重的多属性群评价反馈模型[88]。Parreiras(2010)[89]针对具有语言评估信息的多属性群评价问题给出了一种灵活的一致化方案。Su(2011)[90]针对属性值为直觉模糊数的多阶段多属性群评价问题，提出了一种动态交互式群评价方法。SinghandBenyoucef(2013)[91]提出了一种基于模糊TOPSIS和软共识的群评价方法来解决供应链协调中的多属性评价问题。然而，大部分交互式方法缺少有效的反馈机制来引导专家进行偏好信息的调整，所以在许多实际的评价问题中，交互式方法使用起来不仅成本昂贵且比较耗时。相比之下，自动式一致化方法则可以避免化专家多次修改偏好信息的繁琐程序，节省了时间，提高了效率。徐迎军(2010)[92]提出了一种基于一致化迭代模型的自动式一致化群评价方法，并利用乘性加权集结算子对一致化后的群体评价矩阵进行集结，从而得到方案的群体综合属性值并选出最优方案。徐泽水(2009)[93]利用加性加权集结算子(AWA)得到群体评价矩阵，并构造了一个收敛的迭代算法来达到群体一致。徐玖平建立了一个离散支持模型来自动修改某些专家的偏好，从而达到预定的一致化水平[94]，随后又提出了一种两阶段的一致化方法来解决不确定语言环境下的多属性群评价问题[95]。但是。由于自动式一致化方法缺失了专家对一致化调整过程的参与和控制，使得最终的群评价结果无法反映专家的主观调整意见。可见，上述两种一致化方法在实际的评价过程中都存在不足和需要改进的地方。对于自动式一致化方法来说，专家更希望在评价过程中能够掌握交互过程，更加直观地得到修正信息，更好地提出自己的意见,而不仅仅是得到最后的结果；对于一般的交互式一致化方法来说，其大都将群体交互过程分割处理，把交互式群评价看作是单次群评价的简单重复，实质上仍属于静态群评价，其不完善之处是在意见反馈环节对于专家如何调整偏好信息缺乏有效的引导，专家对个体信息的调整具有随意性和盲目性。此外，在现有的一致化方法中，专家权重大都是固定不变的，即随着专家偏好信息的调整专家权重没有发生任何改变，这样的权重总之，随着多属性群评价理论与方法的不断发展和完善，其在管理、经济、社会、军事和科学技术等诸多领域的应用也越来越广泛和深入。未来的研究热点和方向主要集中在以下几个方面：具有不确定或不完全信息的多属性群评价、动态群评价、群评价效果的评价与比较、混合型多属性群评价、网络环境下的复杂大群体评价、各种群评价支持系统的开发与应用等。1.2.2多属性群体评价研究现状专家给出的偏好信息根据准确性可分为确定信息和不确定信息两类。确定信息如整数、效用函数值、序数等。不确定信息主要包括粗糙信息、模糊信息（如三角模糊数、梯形模糊数、直觉模糊数、区间数、语言信息等）和随机信息（如概率偏好信息）[30]1.2.2.1属性权重是多属性群评价要考虑的一个首要问题。属性权重反映的是属性的重要性程度，影响着方案最终的排序结果。目前关于属性权重的确定方法主要有以下四种：（1）主观赋权法。由评价者根据自身的经验和认识及对各属性的主观重视程度进行赋权。主要有：AHP法、Delphi法、模糊综合评判法、判断矩阵法、最小平方法等。属性的主观权重能较好的体现评价者的意愿，但同时也具有较大的随意性，缺乏客观性。（2）客观赋权法。单纯利用属性的客观信息确定权重，不依赖于人的主观意识。主要有：离差最大化法[36]、熵权法[55-56]、线性规划法[58]、二次规划法[59]、基于支持度法[60]及多种方法的混合[61]。郭凯红[55]提出一种基于模糊熵权变换的属性权重计算方法。杨威(2013)[58]针对基于三角模糊数的多属性群体评价问题，给出了一个确定属性值权重的方法，并通过求解线性规划模型来确定属性权重。刘培德(2012)[59]针对区间概率条件下基于不确定语言变量的风险型多属性决策问题，通过计算理想解和负理想解，建立了确定属性权重的二次规划模型。戚筱雯(2013)[60]针对具有语言型、直觉模糊数和区间直觉模糊数三种评价信息的混合型多属性群决策问题，在统一化后，定义了基于支持度的属性权重确定方法。刘小弟(2014)[61]利用相对熵方法建立了计算属性权重的单目标规划模型。属性的客观权重虽然具有较强的数学理论依据，但却没有考虑决策者的主观意愿。（3）主客观综合赋权法。也称为组合赋权法，该方法综合了属性的主、客观权重信息，克服了主、客观赋权法的不足。闫书丽(2014)[62]针对基于区间灰数信息的多属性群决策问题，利用灰色关联度和极大熵原理建立了确定属性客观权重的规划模型，并结合主观权重求得属性的综合权重。丁勇(2010)[63]针对语言型多属性群决策方法，给出了基于二元语义集成算子的属性主观赋权法和基于最小偏差的属性客观赋权方法，并对两类权重信息进行有机集成得到属性的综合权重。（4）交互式赋权法。上述三种赋权法都是由决策者一次导出的，交互式赋权法需要经过多次循环，由决策者通过相互协调对属性权重进行不断的调整和修正来确定最终权重[64-65]综上可知，目前关于属性权重的研究主要集中在属性的客观赋权方法上。然而，现有的属性客观权重信息大都只从某一侧面(如支持度、贴近度、偏离度等)对属性的重要程度进行刻画和度量，没有充分利用专家提供的偏好信息，无法全1.2.2.2专家权重是多属性群评价中另一个需要考虑的重要问题。专家权重的确定方法可分为三大类：（1）主观赋权法。由评价者根据各专家的知识、水平、经验、能力、权威以及对评价问题的熟悉程度等来对专家进行赋权，或者通过群体内部专家之间的相互评价来确定专家权重，主要有AHP法和Delphi法等。（2）客观赋权法。根据各专家提供的评价矩阵对专家水平进行评判，从而确定专家权重。郭凯红(2011)[55]提出一种基于证据距离的专家权重计算方法。周伟(2013)针对直觉模糊群决策提出一种依靠非犹豫度的精确加权方法计算专家权重。闫书丽(2014)[62]针对区间灰数多属性群决策问题，构建了基于群体意见一致性和信息分布特点的单目标规划模型确定专家权重。朱建军(2008)[66]提出了基于一致性水平和决策偏差的专家客观赋权方法。卢志平(2013)[56]针对多阶段群决策问题，通过计算专家个体偏好与群体偏好之间的贴近程度确定各阶段内的专家权重。岳忠良[67-69]通过定义正、负理想矩阵利用扩展的TOPSIS方法给出基于相对贴近度的专家权重确定方法。戚筱雯[60]针对具有语言型、直觉模糊数和区间直觉模糊数三种评价信息的混合型多属性群决策问题，在统一化后，定义了基于熵值的专家权重确定方法。徐泽水(2008)[70]通过定义不确定语言的期望函数将风险态度因子引入各专家偏好关系中，并基于其与总体偏好关系之间的偏离度确定专家权重。岳忠良(2012)[71]通过引入乐观系数对专家个体决策矩阵相对于正、负理想决策矩阵的相似度进行集结从而建立反映决策者风险态度的专家权重确定模型。梁昌勇和戚筱雯[60，72]通过计算单个决策矩阵的熵值和决策矩阵之间的距离测度确定了两类专家权重。王坚强(2014)[73]基于单个决策矩阵的不确定度和决策矩阵之间的偏差度给出了两类专家权重。叶军(2013)[74]引入基于直觉模糊集和区间直觉模糊集的信息熵度量公式对单个决策矩阵中各专家关于各方案在各属性上的评价值进行度量，并据此计算各专家的细粒度权重。陈晓红(2013)[75]通过定义直觉梯形模糊数间的距离测度计算各专家关于各方案在各属性上的偏好值与群体平均偏好值之间的相似度，从而确定专家的细粒度权重。（3）主客观综合赋权法。宋光兴(2001)[76]在提出基于AHP判断矩阵的专家客观赋权法以及基于排序向量的专家客观赋权方法的基础上，将专家的客观权重与主观权重组合在群体评价中，由于同一个专家面对不同的评价问题，可能拥有不同的知识水平和信息量，权重也应随之做出相应的调整和改变。若仅使用主观赋权法可能不太可行，因此，如何对专家进行客观赋权具有重大的现实意义。目前专家的客观权重确定方法有两大发展趋势：（1）权重信息更加全面，从单纯考虑偏离度、贴近度、相似度等发展到两类权重信息的综合[60，72，73]。（2）权重信息更加精细，从每个专家对应一个权重，到每个专家在各属性下对应一个权重，再到每个专家在各属性下关于各方案对应一个权重[74，75]。如何结合上述两大发展趋势确定具有更强综合性和更高精确性的专家细粒度客观综合权重信息将是未来研究的一个方向。群体评价作为评价分析领域的一个重要分支，有着广泛的理论与实际应用背景，其着重研究关于离散的、有限个评价方案的群体评价问题，具体表现为：多个专家依据个人的经验、知识与偏好针对多个因素，对有限方案集进行评价或判断，给出每个方案的偏好信息或者做出优劣排序。进而对各专家给出的偏好信