多属性综合评价的逻辑过程

多属性综合评价的逻辑过程

评价是指通过确定目标来测量对象系统的属性，并将属性转化为客观指定的计算值和主观利润行为。所谓综合评价(comprehensiveevaluation,CE)是指对以多属性体系结构描述的对象系统做出全局性、整体性的评价,即对评价对象的全体,根据所给的条件,采用一定的方法给每个评价对象赋予一个评价值,再据此择优或排序。多属性(或多指标)综合评价根据评价对象和评价目的,从不同的侧面选取刻画系统某种特征的评价指标,建立指标体系,并通过一定的数学模型(或算法)将多个评价指标值合成一个整体性的综合评价值。多属性综合评价的过程,实际上就是系统组成要素之间指标信息交换、流动和组合的过程,是一个集成了主客观信息的复杂过程。多属性综合评价的经典逻辑过程如图1所示。综合评价指标体系的建立是整个多属性综合评价的关键,建立科学的指标体系是对评价对象进行较准确的排序或分类的基础和前提。然而,在建立指标体系的过程中,常会出现不同程度的不合理,如指标体系的结构不合理、指标冗余度过高和指标全面性不足等。因此,系统研究多属性综合评价指标体系的理论,对指标体系建立的全过程展开具体而深入的理论探索具有一定的指导意义,有助于提高指标体系的合理性和综合评价的科学性。1建立初建指标体系的基本方法和评论1.1对经济系统的综合评价邱东教授将指标体系的选取方法分为定性和定量两大类,并提出了定性选取评价指标体系的5条基本原则,即目的性、全面性、可行性、稳定性和与评价方法的协调性。目前各类多属性综合评价实践中基本上是采用定性方法进行指标的选取。在初建指标体系前,首先必须明确评价对象和评价目的,它们在一定程度上决定了指标体系和评价方法,也确定了评价项目(即总评价目标下的子评价目标),如对经济系统的综合评价,一般包括的评价项目有:政策性指标、技术性指标、经济性指标、社会性指标和资源性指标等。评价项目既要全面地反映评价目的,又要具有一定的概括性和专一性,能反映系统某一方面的特征。然后运用多种指标体系初建方法(如调查研究、系统分析和Delphi方法)或者多种方法的结合,得到综合评价指标集,并确定指标间的结构和相互制约关系。指标体系的初建包括两方面的内容,一是指标的选取,二是指标体系结构(指标间的相互关系)的设计。指标选取要充分考虑各指标的概念、计算范围(包括计算的总体范围界定、时空范围界定和标志内容界定)、计算方法和计量单位等。选取单个指标的过程中,需要明确指标测量的目的并给出理论定义、选择待构指标的标志并给出操作性定义、设计指标计算内容和计算方法,以及实施指标测验等基本步骤。多属性综合评价问题的复杂性往往决定了指标体系的层次结构,比较典型的指标体系结构有目标层次式结构和因素分解式结构(如杜邦指标体系)两类。前者主要用于对现象的水平评价;后者主要用于评价对象的因素分析。综合评价指标体系的初选方法主要有5种,如表1所示。1.2评价对象自身特征属性问题的问题设定问题综合法克服了由于主观认识造成的随意性,同时也综合了多种不同观点,但由于该方法是基于已有指标体系的归类研究,因而对于新的评价对象由于没有可以参考的指标体系而无法使用;分析法是通过对评价对象系统进行科学分析而生成的指标体系,集中反映了评价对象自身的特征属性,具有代表性,但是在分析过程中往往由于评价者自身知识结构、认识水平和模糊性等因素的影响,存在较大的主观性;分层法通俗易懂、计算简便、实用性强,而且通过确定目标结构,可以对指标之间的交叉重复有一定的限制作用,但是目标层和准则层的选择没有客观的依据,往往通过人们对评价问题的理解来决定,存在主观随意性;交叉法能体现出两种或3种要素之间的对比或协调作用关系,但是这种方法的应用范围有限;指标属性分组法思路清晰、目的明确且便于较为全面地构建指标体系,但是容易造成指标之间的重复,需要不断修改完善。指标体系的初建应当从评价的目的和原则出发,对评价对象的特性进行系统分析,精心设计指标的内涵,尽可能选取全面、必要、稳定和可行的指标,并由评价者和决策者共同确定指标和指标体系的结构。2评价指标体系的基本方法和评论2.1建立个性分析与定量分析相结合的方法对初建指标体系得到的关于评价对象和评价目的“指标可能全集”需要进行筛选,以得到指标的“充分必要集合”。指标体系筛选包括两个层面,即对单个指标的检验和对整个指标体系的检验,以保证单个指标的科学性和指标体系整体的科学性。单个指标的检验着重于可行性、正确性和真实性3个方面,即考察指数数值的可获取性、指标计算方法、计算范围及内容的科学性,以及数据资料的质量高低。指标体系的整体检验着重于考察指标之间的协调一致性、整体必要性和整体齐备性。采用定性分析与定量分析相结合的办法降低指标体系的冗余度。指标体系筛选过程中用到的定量分析方法如表2所示。2.2粗模拟指标体系的建立,投资管理中的个体干一般来说,初建指标体系的优化,往往是通过统计检验将大量指标缩减形成具有显著统计特性的一组,对于线性问题以及一些特定的非线性问题很容易找出相关变量,剔除相关性高以及区分度不大的指标。然而,对于复杂的非线性问题,神经网络凭借其非线性映射能力和泛化能力,无需先验假设,同时避免主观因素对指标选择的干扰,合理地选择需要的指标,排除不合理的指标,建模过程简化,精度较高,从而为非线性系统的指标体系筛选提供了有效的方法。粗糙集属性约简方法可以减少冗余和关联指标,在剔除不相关或不重要的指标时,并不影响评价的效果。Vague理论能更好地借助专家知识,同时表示专家支持、反对和弃权的证明,使得关键指标体系的建立过程更为流畅和简单易行。因此,神经网络方法、粗糙集方法和Vague集方法等新型方法应用于初建指标体系的筛选时,与传统的统计方法相比,具有原理更科学、模型更简洁,以及精度更高等优势,将成为未来指标体系筛选算法研究的重要方向。3优化方法和评价体系3.1体系优化方法指标体系的结构优化,有定性的完备性分析方法,检查评价目标的分解是否完备,避免分解的目标交叉而导致结构混乱的情况,分析指标体系的平行结点的重叠性与独立性。若出现了子目标之间的相互包含,则进行归并处理或剥离处理,即将重叠的子目标合并成一个共同的子目标,或将重叠的部分从指标体系中剥离出来。指标体系结构优化的方法中,有为适应人工处理而提出的经纬法、编网法和最大树法等,在运用中采用了大量的启发性规则,难于用计算机处理。最大树法是以图论中的最大树算法为理论基础,但是却只能处理树型指标体系,适用范围有限。张于心和智明光在1995年提出了一种优化指标体系结构的方法,按顶点的入度排序,从小到大依次处理,对指标进行分级。苏为华在2000年给出了层次深度与出度之间的关系,如对于出度为M、层次为L和指标总数为P的指标体系,粗略地满足P=ML-1的关系式,且指标出度以4～6、层次以3～6为宜。3.2功能聚合分析指标体系的结构优化,有助于实现系统评价信息的有效存储和管理,对系统评价问题的建模和求解、系统评价支持系统的开发都有重要意义。指标体系的结构优化需要运用图论和信息系统的相关理论,同时也需要系统理论辅助指标体系的功能聚合分析,检验各子系统模块划分的合理性。良好的指标体系结构应当是功能聚合度高、深度(层数)和出度合理,以及无回路的树形结构图,往往可以仿效数据结构理论中的“层次型数据库”技术使评价指标体系变成树形结构。更好地结合图论、系统论和信息系统论等多方面的理论,融合现有的结构优化方法,提出更具有系统性且功能强大的指标体系结构优化方向,将是进一步研究的方向。4指标体系理论研究的展望建立合理的多属性综合评价指标体系,是进行科学的综合评价的基础和关键,是