多指标常用综合评价方法比较研究.doc

1、多指标常用综合评价方法比较研究摘要：通过对常用的多指标综合评价方法的基本理念和应用步骤进行了论述，并对其优缺点和各自适用情况进行对比，以期为其应用研究提供合理的选择。 关键词：综合评价方法；比较 中图分类号：F2 文献标识码：A 文章编号：16723198（2014）07002001 1 引言 综合评价是指对以多属性体系结构描述的对象系统作出全局性、整体性的评价，即根据条件运用一定方法对评价对象全体中的每一个评价对象赋予评价值，并排序、择优。20 世纪 7080 年代，现代综合评价方法蓬勃兴起，产生了多种评价方法。但因各评价方法的使用条件、优缺点及适用对象不同，故文章在对多属性指标常用综合评价

2、方法的基本思想和步骤概述的基础上，对各评价方法优缺点及适用情况的对比，为应用研究中的合理选择使用提供参考。 2 常用综合评价方法 2.1 层次分析法 层次分析法（Analytic Hierarchy Process，AHP）是 20 世纪 70 年代由著名运筹学家 T.L.Saaty 提出，用于解决多因素复杂问题，经过多年发展已成为一种较为成熟的评价方法。该方法将定性分析与定量分析相结合，通过全面分析待评价系统的性质和影响因素将备选方案的各要素按层次分解，构造出自下而上的递阶层次结构，再对同层次要素比较，判断得出重要度并排序。 AHP 方法大致步骤如下：（1）根据评价对象的性质和目标，建立系统

3、的递阶层次结构；（2）对同一层次上的各要素对其上一层次的相对重要性进行两两比较，构造判断矩阵；（3）计算各要素的相对权重，进行层次单排序和一致性检验；（4）逐层合成计算每个判断矩阵各因素对目标层的相对权重，进行层次总排序，并对排序结果进行一致性检验。 2.2 模糊综合评价法 模糊综合评价（Fuzzy Comprehensive Evaluation，FCE）以模糊数学为基础，运用模糊关系合成的原理，针对评价对象因素的模糊性，将边界不清晰的因素定量化，根据多个评价因素对被评价对象隶属等级状况进行评价的一种方法。该方法依据评价条件，对评价对象全体的每一个对象赋予一个非负实数，据此进行排序并择优。

4、FCE 方法的基本步骤如下：（1）确定评价对象的因素集 U 和评语集V；（2）对各因素赋予相应的权数，得到权重集 A；（3）单因素评价，得到模糊关系矩阵 R；（4）将 A 与 R 合成计算得到各模糊综合评价结果向量 B；（5）对 B 进行分析、排序和择优。 2.3BP 神经网络评价法 BP（Back Propagation）神经网络又称为误差反向传播网络，实现一种从输入到输出的映射关系，由输入层、隐含层和输出层组成，是一种典型的多层前馈网络。BP 神经网络的学习过程包括信息正向传播和误差反向传播两部分，正向传播时输入样本从输入层节点输入，经过隐含层处理并传向输出层，若输出层未得到期望输出，则转

5、入反向传播。 标准 BP 神经网络学习算法的步骤如下：（1）网络初始化，给定各连接权值、误差函数、计算精度值和最大学习次数；（2）随机选取输入样本及对应期望输出，计算隐含层各神经元的输入输出；（3）计算误差函数对输出层的各神经元的偏导数；（4）计算误差函数对隐含层各神经元的偏导数；（5）对连接权值进行修正并计算全局误差；（6）对计算结果进行评判。 2.4 数据包络分析法 数据包络分析（Data Envelopment Analysis， DEA）是美国著名运筹学家 A.Charnes 和 W.W.Cooper 等学者提出，以相对效率概念为基础发展起来的一种综合评价方法。DEA 使用数学规划模型

6、比较决策单元（DMU）之间的相对效率对 DMU 做出评价，不仅能对同类型 DMU 的相对有效性进行评定、排序，而且能够分析其非 DEA 有效的原因及改进放方向。DEA 评价方法步骤如下：（1）明确评价目标，并围绕目标对评价对象进行分析；（2）选择 DMU，并对其结构、层次进行分析；（3）建立能够全面反映评价目标和评价内容的输入输出指标体系；（4）收集并整理数据，根据研究问题的实际背景选择 DEA 模型进行计算；（5）对计算结果进行分析。 3 多指标综合评价方法比较分析 通过上述分析，根据常用综合评价方法的特性，归纳整理各方法的优缺点及适用情况如表 1 所示。 表 1 常用多指标综合评价方法比较

7、 方法 1 优点 1 缺点 1 适用情况 AHP1 定性与定量相结合，原理简单，评价结果可靠性高，误差小 1 评价对象因素数量限制，权重确定易受主观因素影响 1 适用于总目标不明确，难以完全定量化的复杂问题 FCE1 模型简单易懂，将不确定信息定量化，评价结果包含信息丰富，实用性强1 未能有效解决指标间信息重叠，权重确定主观性较强 1 适用于权数确定、边界描述不清晰的多因素、多层次的复杂问题 BP1 具有自适应能力、可容错性，可实现输入与输出间的任意非线性映射 1 需要大量训练样本，计算结果精度不高 1 处理非线性、非局域性与非凸性的大型复杂系统DEA1 对数据和函数形式无具体要求，信息利用率

8、较高，客观性强，评价结果明确 1 对数据极为敏感，且有效决策单元所提供信息较少 1 适用于评价多输入多输出的大系统参考文献 1王宗军.综合评价的方法、问题及其研究J.管理科学学报，1998，1（1）：7379. 2T.L.Saaty. Theory of analytical hierarchies applied to political candidacyJ.Behavioral Science，1977，22（4）：237. 3杨纶标，高英仪，凌卫新.模糊数学原理及应用（第五版）M.广州：华南理工大学出版社，2011. 4Geva Vashitz， David Shinar， Yuval Blum. Invehicle information systems to improve traffic safetyin road tunnelsJ.Transportation Research Patr F， 2008， （11）： 6174. 5Chames A， W W Cooper， E Rhodes. Measuring the efficiency of decision making unitsJ. European Journal of Operations Research，1978， （2）：429444.