宋之杰，王浩，趙紅美

（燕山大學(xué)經(jīng)濟管理學(xué)院，河北秦皇島066004）

0 引言

針對多指標(biāo)決策問題，多維指標(biāo)和各決策者權(quán)重的確定十分關(guān)鍵，關(guān)于該方面的研究成果較多，大致可總結(jié)為主觀賦權(quán)和客觀賦權(quán)兩類。主觀賦權(quán)來自于決策者豐富的知識與經(jīng)驗，Delphi法和AHP法最為成熟和常用，但賦權(quán)結(jié)果的主觀隨性較大。而群決策問題中追求原始評價數(shù)據(jù)確定客觀賦權(quán)更加具備數(shù)理依據(jù)。Wei[1]考慮評價值離差的最大化求解各指標(biāo)權(quán)重大小，然后通過加權(quán)平均算子獲得綜合評價值。Li等[2]基于群體不一致最小思想，建立多目標(biāo)約束模型獲得指標(biāo)權(quán)重。Yue[3,4]通過確定理想方案，基于TOPSIS與投影法對決策者權(quán)重進行計算和調(diào)整后進行決策信息的集中。這類確定權(quán)重的方法可能過度依賴客觀信息而忽視主觀決策者意愿，出現(xiàn)與現(xiàn)實指標(biāo)重要度不符的情形。對此，主客觀相結(jié)合的綜合賦權(quán)方法則在一定程度上有所改進。周榮喜等[5]依據(jù)客觀數(shù)據(jù)穩(wěn)定性與屬性權(quán)重的正相關(guān)關(guān)系，由熵值確定屬性客觀權(quán)重，提出了基于偏好系數(shù)獲得指標(biāo)綜合權(quán)重的方法。Rao等[6]通過評價值方差確定的指標(biāo)客觀權(quán)重與主觀賦權(quán)，以不同比重重新進行集結(jié)而求解得綜合權(quán)重。Almeide等[7]考慮決策者的偏好信息，在群體決策過程中提出一種靈活互動的權(quán)重衡量方法，以改善傳統(tǒng)的折衷調(diào)整方法。上述方法均是涉及指標(biāo)權(quán)重，很少在同一標(biāo)準(zhǔn)下同時考慮各決策者權(quán)重的確定。決策者風(fēng)險偏好在主觀賦權(quán)過程中是不可忽略的主觀意愿，而客觀賦權(quán)下考慮決策者風(fēng)險偏好對多指標(biāo)群體決策者多階段權(quán)重的共同影響，還有待研究。

針對決策信息難以用確定數(shù)描述的多指標(biāo)決策問題，區(qū)間數(shù)受到較大關(guān)注[8,9]。但是區(qū)間數(shù)在描述決策信息時存在一些不足：其一，區(qū)間取值一般表現(xiàn)為均勻分布；其二，為涵蓋取值范圍而使區(qū)間變大，運算后的結(jié)果可能導(dǎo)致信息失真。為此，三參數(shù)區(qū)間數(shù)開始得到廣泛運用。Lan等[10]在決策過程中結(jié)合模糊集定義了三參數(shù)區(qū)間數(shù)模糊值運算規(guī)則和距離測度。Luo等[11]基于灰色理論，提出了一種考慮主客觀權(quán)重的三參數(shù)區(qū)間數(shù)的多屬性灰靶決策方法。閆書麗等[12]基于前景理論下利用“獎優(yōu)懲劣”的三參數(shù)區(qū)間數(shù)變換，依據(jù)綜合前景值進行排序。在三區(qū)間參數(shù)現(xiàn)有的應(yīng)用研究中，重心值在排序結(jié)果中體現(xiàn)出特殊性的較少，風(fēng)險偏好分析中熵測度用于三區(qū)間參數(shù)型的多指標(biāo)群決策問題的文獻不多。

鑒于此，對于多指標(biāo)評價值為三參數(shù)區(qū)間數(shù)的群體決策問題，本文針對重心值的特殊屬性，定義一種簡化的距離公式和記分函數(shù)排序法，基于信息熵理論，以及決策過程中群體意見偏差最小與差異性保留的偏好關(guān)系，提出了一種同時考慮決策風(fēng)險偏好確定的決策指標(biāo)與各決策者權(quán)重的方法，補充三參數(shù)區(qū)間數(shù)型多指標(biāo)群體決策的理論方法，從多角度為相關(guān)部門的群體決策問題提供客觀和科學(xué)的決策參考。

1 三參數(shù)區(qū)間數(shù)的相關(guān)定義

在實際決策情形中，當(dāng)決策者認為區(qū)間數(shù)參量有一個最可能值時，區(qū)間數(shù)不能更好地描述決策信息。因此，本文在區(qū)間數(shù)基礎(chǔ)上提出三參數(shù)區(qū)間數(shù)，使得決策評判過程更加符合實際，其定義如下：

定義1[13]：設(shè)區(qū)間數(shù)[al,au]是一個包含最大可能性取值為aˉ的區(qū)間數(shù)，則稱a=[al,,au]為三參數(shù)區(qū)間數(shù)。

定義1中，al和au為三參數(shù)區(qū)間數(shù)的上界和下界，為其重心，al＜ˉ＜au，區(qū)間長度表示為la=au-al。當(dāng)al=或=au時，三參數(shù)區(qū)間數(shù)退化為區(qū)間數(shù)；當(dāng)al=ˉ=au時，三參數(shù)區(qū)間數(shù)退化為實數(shù)。三參數(shù)區(qū)間數(shù)在同等標(biāo)度下滿足一些基本運算法則和性質(zhì)，見文獻[13]。

定義2：設(shè)a=[al,,au]與b=[bl,ˉ,bu]，二者的距離為：相比文獻[13]和文獻[12]中的定義，d()a,b考慮到重心的特殊性，簡化并賦予了三參數(shù)區(qū)間數(shù)的上下界與重心不同的權(quán)重系數(shù)。其中，ε1和ε2為決策者對區(qū)間數(shù)左右端點的偏好系數(shù)，ε1+ε2=1。本文認為決策者偏好于取值越大越好，故假設(shè)ε1取值0.7，ε2取值0.3。特別地，當(dāng)，未知時，距離公式退化為求解區(qū)間數(shù)距離，即當(dāng)a=b時，d()a,b=0。

定義3提出的三參數(shù)區(qū)間數(shù)的記分函數(shù)排序考慮了三參數(shù)區(qū)間數(shù)的重心與端點對其排序的影響。文獻[12]定義的可能度其中，m(a)和m(b)分別是三參數(shù)區(qū)間數(shù)a和b的中點，可證明與p(a＞b)是等價關(guān)系。相比于可能度的排序方法，該定義的記分函數(shù)排序計算簡單，最顯著的特點是通過記分函數(shù)差值，能夠定量和直觀地判斷三參數(shù)區(qū)間數(shù)a對b的優(yōu)劣程度。

2 考慮風(fēng)險偏好調(diào)整權(quán)重的決策方法

2.1 問題的描述

設(shè)某一多指標(biāo)群體決策問題，其方案集S={s1,s2,…,sm}，i=1,2,…,m；評價指標(biāo)集C={c1,c2,…,cn}，j=1,2,…,n；決策者構(gòu)成的決策集D={d1,d2,…,dp}，k=1,2,…,p；決策者dk對于方案si下指標(biāo)cj的評價值形成的矩陣，其中依據(jù)決策者經(jīng)驗與組成結(jié)構(gòu)，對指標(biāo)給出的主觀賦權(quán)向量下文將依據(jù)以上信息進行方案的排序。

2.2 決策方法和步驟

步驟1：指標(biāo)評價值的規(guī)范化處理

為消除不同指標(biāo)下準(zhǔn)則信息在量綱上的差異性，增加其可比性，本文采用三參數(shù)區(qū)間數(shù)的極差變換公式[11]。

針對收益型指標(biāo)：

針對成本型指標(biāo)：

步驟2：熵測度下指標(biāo)風(fēng)險偏好調(diào)整權(quán)重

在信息熵理論中，信息熵越小，那么在指標(biāo)信息中的差異性越大，其提供的信息量越多，綜合決策中的影響越顯著[14]。本文考慮三參數(shù)區(qū)間數(shù)重心的特色性質(zhì)，以區(qū)間數(shù)長度和重心為參數(shù)，通過熵測度來衡量指標(biāo)評價值的差異程度。

關(guān)于三參數(shù)區(qū)間數(shù)信息下指標(biāo)評價值的權(quán)重熵測度為：

在式（5）中，α1和β1分別為三參數(shù)區(qū)間數(shù)長度和重心的偏好系數(shù)，且α1+β1=1。當(dāng)α1＞β1時，決策者偏好于指標(biāo)評價值的上下限范圍，則認為其是風(fēng)險追求者；當(dāng)α1＜β1時，決策者偏好于指標(biāo)評價值的最可能值，則認為其是風(fēng)險規(guī)避者；當(dāng)α1=β1時，則認為決策者是風(fēng)險中立者。由此，定義熵測度的指標(biāo)綜合權(quán)重為：

在式（6）中，ξ1表示決策者對指標(biāo)評價值權(quán)重中主客觀信息的重視程度。當(dāng)ξ1＞0.5時，決策者較重視指標(biāo)已賦值主觀權(quán)重的影響；當(dāng)ξ1＜0.5時，決策者較重視指標(biāo)評價值客觀權(quán)重的影響；當(dāng)ξ1=0.5時，則決策者認為二者同等重要。

步驟3：群體偏差與差異性最小化的風(fēng)險偏好決策者權(quán)重

在步驟2基礎(chǔ)上，決策者dk對于方案si下指標(biāo)cj的評價值信息進行集結(jié)，可得出綜合指標(biāo)值為：

式（7）可理解為決策者層面決策者dk對于方案si的綜合指標(biāo)值矩陣為定義uk′是決策者dk的理想綜合指標(biāo)值的決策方案，則由uk′構(gòu)成的向量稱之為群體理想決策集，其中：

針對集結(jié)各決策者指標(biāo)評價值信息的綜合指標(biāo)值，在群體層面下群體意見一致性和偏差最小化極為重要?；谑剑?）和式（8），則群體決策在方案si下與群體理想決策的偏差為，那么群體決策下的綜合偏差為，則可構(gòu)建群體意見偏差最小化的優(yōu)化模型：

群體決策需要保留個別專家有差異性的意見，過于追求群體偏差最小化反而會導(dǎo)致關(guān)鍵意見和信息的忽略，因此，引入熵測度[14]信息的不確定性極為合適，可構(gòu)建極大熵的優(yōu)化模型：

因此，權(quán)衡考慮群體偏差與特例保留的雙目標(biāo)，將上述兩個優(yōu)化模型進行等價轉(zhuǎn)化成單目標(biāo)優(yōu)化模型M：

步驟4：方案的排序，集結(jié)各決策者的綜合信息，對于方案si的群體決策綜合值為最后依據(jù)定義3進行排序。

3 算例分析

本文針對商用大型飛機某零部件的國際供應(yīng)商的決策問題，由4家供應(yīng)商構(gòu)成備選方案集考慮4個指標(biāo)評價：質(zhì)量c1、價格c2、設(shè)計方案c3以及競爭力c4，集結(jié)3位決策者共同決策。依據(jù)公司自身因素和歷史數(shù)據(jù)，現(xiàn)對4個評價指標(biāo)給出主觀賦權(quán)向量為ω={0.3,0.26,0.23，0.21}，指標(biāo)評價矩陣見文獻[12]。

假定決策群體的風(fēng)險偏好表現(xiàn)為風(fēng)險追求者類型，則取αq=0.7，βq=0.3，q=1,2。下面依據(jù)上述信息結(jié)合上文的決策方法，確定最佳方案：

（1）利用式（1）對指標(biāo)評價矩陣規(guī)范化處理，僅價格為成本型指標(biāo)，結(jié)果如下：

（2）依據(jù)式（5）和式（6）計算決策者對各指標(biāo)評價信息熵測度權(quán)重。假設(shè)對主客觀信息保持中立，則式（6）取ξ1=0.5（注：已將ξ改為ξ1），可計算出各決策者下各指標(biāo)層的綜合權(quán)重（見表1中風(fēng)險追求者下的權(quán)重值）。

（3）計算各決策者的權(quán)重。依據(jù)式（7）和式（8），可求得理想決策集為運用MATLAB軟件可計算得決策層的權(quán)重為ηk=(0.329,0.365，0.306)。（注：已將ηk改為ηk）

（4）方案的排序。計算方案si的群體決策綜合值μi為：

為了分析不同風(fēng)險偏好對決策排序的影響，對比決策群體風(fēng)險偏好表現(xiàn)為風(fēng)險追求者和風(fēng)險規(guī)避者（取αq=0.3，βq=0.7，q=1,2）兩種決策情形，其計算結(jié)果如下頁表1所示：

由表1可知，案例中決策者的風(fēng)險偏好對方案排序結(jié)果有較大影響。在風(fēng)險追求偏好下，本文排序選擇最佳方案為s1。在風(fēng)險規(guī)避偏好下，各決策者下指標(biāo)權(quán)重和決策者權(quán)重發(fā)生相應(yīng)的變化，與風(fēng)險追求偏好類型以及文獻[12]中考慮期望灰靶決策下的權(quán)重相差較大，最終導(dǎo)致排序結(jié)果的改變，但是最佳方案s3和次佳方案s1記分函數(shù)差值較為接近。對比表中數(shù)據(jù)可知，風(fēng)險追求偏好下的排序結(jié)果，相鄰方案的記分函數(shù)值差異相對比較分散，體現(xiàn)出一定的區(qū)分度。此外，上述排序結(jié)果比可能度排序更加直觀地體現(xiàn)出方案之間的優(yōu)劣程度。

表1 不同風(fēng)險偏好下各決策者指標(biāo)權(quán)重、決策者權(quán)重及排序結(jié)果

4 結(jié)束語

本文考慮指標(biāo)值為三參數(shù)區(qū)間數(shù)形式的群體決策問題，通過突顯重心值的特殊屬性，以及決策過程中群體意見偏差最小與差異性保留的偏好關(guān)系，引入熵測度方法，基于風(fēng)險偏好視角同時對指標(biāo)階段和決策者階段進行權(quán)重調(diào)整，最終以三參數(shù)區(qū)間數(shù)形式表現(xiàn)各方案的決策綜合值，保留了原始的信息含量。該方法注重三參數(shù)區(qū)間數(shù)重心值的意義，提出了一種簡化的三參數(shù)區(qū)間數(shù)的距離公式和記分函數(shù)排序法，直觀地體現(xiàn)了方案間的優(yōu)劣程度；在確定指標(biāo)權(quán)重階段和決策者權(quán)重階段考慮了風(fēng)險偏好的影響，更加符合實際決策情形。最后通過案例分析，在群體決策過程中的風(fēng)險偏好訴求對不同決策階段的權(quán)重有較大影響，可能導(dǎo)致方案排序結(jié)果與其優(yōu)劣程度發(fā)生變化。在后續(xù)研究中，如何綜合考慮決策者心理行為和風(fēng)險偏好共同影響，以及在動態(tài)環(huán)境下構(gòu)建相應(yīng)的三參數(shù)區(qū)間數(shù)型群體決策模型，具有一定研究意義。

[1]Wei G W.Grey Relation Analysis Method for 2-tuple Linguistic Multiple Attribute Group Decision Making With Incomplete Weight Information[J].Expert Systems With Application,2011,38(5)

[2]Li D F,Chen G H,Huang Z G.Linear Propramming Method for Mutiattribute Group Decision Making Using If Sets[J].Information Sciences,2010,180(9).

[3]Yue Z L.An Extended TOPSIS for Determining Weights of Decision Makers With Interval Numbers[J].Knowledge-based Systems,2011,24(1).

[4]Yue Z L.Approach to Group Decision Making Based on Determining the Weights of Experts by Using Projection Method[J].Applied Mathematical Modelling,2012,36(7).

[5]周榮喜，范福云，何大義，邱菀華.多屬性群決策中基于數(shù)據(jù)穩(wěn)定性與主觀偏好的綜合熵權(quán)法[J].控制與決策,2012,27(7).

[6]Rao R V,Pate B K.A Subjective and Objective Integrated Multiple Attribute Decision Making Method for Material Selection[J].Materials and Design,2010,31(10).

[7]De Almeida A T,et al.A New Method for Elicitation of Criteria Weights in Additive Models:Flexible and Interactive Tradeoff[J].European Journal of Operational Research,2016,(250).

[8]Wu X M,Perloff J M.GMM Estimation of a Maximum Entropy Distribution With Interval Date[J].Journal of Economics,2007,38(2).

[9]梁燕華,郭鵬,朱煜明,趙靜.基于區(qū)間數(shù)的多時點多屬性灰靶決策模型[J].控制與決策,2012,27(10).

[10]Lan R,Fan J L.TOPSIS Decision-making Method for Three Parameter Interval-valued Fuzzy Sets[J].Systems Engineering-Theory&Practice,2009,29(5).

[11]Luo D,Wang X.The Multi-attribute Grey Target Decision Method for Attribute Value Within Three-parameter Interval Grey Number[J].Applied Mathematical Modelling,2012,36(5).

[12]閆書麗.灰靶決策方法及應(yīng)用研究[D].南京:南京航空航天大學(xué)博士論文，2014.

[13]胡啟洲，于莉，張愛萍.基于三元區(qū)間數(shù)的多指標(biāo)決策方法[J].系統(tǒng)管理學(xué)報，2010,19（1）.

[14]邱菀華.管理決策熵學(xué)及其應(yīng)用[M].北京：中國電力出版社，2014.

[15]Winston W L.Operations Research Application and Algorithms[M].Beijing:Tsinghua University Press,2006.