王堅浩, 王 龍, 張 亮, 崔利杰

(1. 空軍工程大學裝備管理與無人機工程學院, 陜西 西安 710051;2. 空軍工程大學航空工程學院, 陜西 西安 710038)

0 引 言

武器裝備供應(yīng)商選擇是軍事采購決策中的一項重要內(nèi)容,為降低武器裝備采購決策風險,一般由裝備論證、研發(fā)、采購和使用等部門組成的決策專家,根據(jù)武器裝備供應(yīng)商績效、成本控制能力、質(zhì)量控制能力、售后服務(wù)能力、兼容性、供應(yīng)穩(wěn)定性及安全性等多個屬性,共同對備選供應(yīng)商進行評價和選優(yōu),其實質(zhì)屬于多屬性決策問題。目前,研究的關(guān)注點主要在指標體系的構(gòu)建、指標權(quán)重的確定和多屬性決策方法的選擇上。在指標體系構(gòu)建上,李力等[1]系統(tǒng)總結(jié)了美各軍種在武器裝備采辦過程中的供應(yīng)商選擇指標體系,主要包括任務(wù)能力、方案風險、供應(yīng)商績效和成本、價格等四大類。隨著我軍軍事訂貨與采購制度改革不斷推進,借鑒現(xiàn)代企業(yè)以供應(yīng)鏈管理為重心的經(jīng)營策略,體現(xiàn)“大后勤”理念的適應(yīng)多變和多樣性保障需求的軍事供應(yīng)鏈應(yīng)運而生,李海林等[2]構(gòu)建了基于軍事供應(yīng)鏈的武器裝備供應(yīng)商選擇指標體系,張亮等[3]構(gòu)建了裝備征用動員背景下的裝備器材供應(yīng)商選擇指標體系,但上述研究缺乏在指標體系構(gòu)建的基礎(chǔ)上進一步實現(xiàn)指標遴選和優(yōu)化。在指標權(quán)重確定上,溫斌等[4]針對武器裝備供應(yīng)商快速選優(yōu)和綜合選優(yōu)兩種模式,綜合運用數(shù)據(jù)包絡(luò)分析和層次分析法(analytic hierarchy process, AHP)[5]以及網(wǎng)絡(luò)層次分析法和熵權(quán)法確定主客觀權(quán)重。在多屬性決策方法選擇上,楊雷等[6]提出了結(jié)合專家個體和專家群體字典序偏好的供應(yīng)商選擇方法,彌補了傳統(tǒng)AHP屬性加權(quán)簡化處理方法的不足。林原等[7-8]采用逼近理想解排序法(technique for order preference by similarity to an ideal solution, TOPSIS)[9-14]對備選供應(yīng)商進行優(yōu)劣排序。

本文通過對已有研究進行分析,針對武器裝備需求不確定性大、對響應(yīng)時效性和質(zhì)量要求高等特點,提出了一種基于灰色群組聚類(grey group clustering, GGC)和改進標準間沖突性相關(guān)性(improved criteria importance through intercriteria correlation, ICRITIC)組合賦權(quán)的擴展多屬性妥協(xié)解(VIKOR)決策方法。本文所提方法的創(chuàng)新點包括:① 采用群層次分析法(group analytic hierarchy process, GAHP),通過決策專家意見的差異程度確定權(quán)重系數(shù),對供應(yīng)商一級指標進行降維遴選,從而構(gòu)建武器裝備供應(yīng)商優(yōu)選指標體系;② 針對傳統(tǒng)CRITIC法的標準差和相關(guān)系數(shù)無法準確衡量指標內(nèi)的對比強度和指標間的沖突程度問題,通過引入基尼系數(shù)提出ICRITIC方法,在此基礎(chǔ)上,基于GGC主觀賦權(quán)和ICRITIC客觀賦權(quán)方法確定主客觀權(quán)重,并設(shè)計權(quán)偏好系數(shù)進行加法組合賦權(quán),克服乘法組合賦權(quán)存在的“倍增效應(yīng)”問題;③ 基于GGC-ICRITIC組合賦權(quán)的VIKOR決策方法應(yīng)用于供應(yīng)商多屬性決策問題,通過VIKOR決策方法集結(jié)備選供應(yīng)商折衷排序值,并針對不同折衷系數(shù)、排序方法和賦權(quán)方法從決策靈活性和穩(wěn)定性兩個維度進行對比分析,驗證所提方法的有效性。

1 供應(yīng)商指標體系

1.1 初始指標體系

根據(jù)現(xiàn)有研究和資料[3-4],武器裝備供應(yīng)商選擇通常包含兼容性C1、供應(yīng)商績效C2、發(fā)展創(chuàng)新能力C3、生產(chǎn)經(jīng)營管理能力C4、供應(yīng)穩(wěn)定性及安全性C5等5個一級指標和20個二級指標,利用魚骨圖得到初選指標體系如圖1所示。

圖1 武器裝備供應(yīng)商選擇初始指標體系魚骨圖Fig.1 Initial indicator system fishbone diagram of weapon equipment supplier selection

然而,由于武器裝備是一類特殊商品,軍事需求的不確定性、時效性和特殊性使得對武器裝備供應(yīng)商的選擇與現(xiàn)代企業(yè)內(nèi)的供應(yīng)商選擇相比具有較大差異;此外,初選的指標體系不僅數(shù)量多,容易造成狀態(tài)空間維數(shù)增加、數(shù)據(jù)分析過程復雜、計算量龐大等問題,而且部分指標差別不大、區(qū)分度不高,若直接采用初選指標體系進行供應(yīng)商選擇,既影響選擇決策結(jié)果的客觀性,又加大工作量和難度。因此,需要對初選指標體系進行降維遴選,構(gòu)建武器裝備供應(yīng)商優(yōu)選指標體系。

1.2 基于GAHP的指標優(yōu)選

一般情況下，采用AHP對指標進行遴選和權(quán)重分析,根據(jù)各指標的重要程度,通過兩兩比較的方式,邀請裝備論證、裝備采購和裝備使用等部門的決策者給出相應(yīng)的指標重要性判斷矩陣。然而,傳統(tǒng)AHP在對多個決策者意見進行綜合時,沒有考慮決策者意見的差異程度[15-16],根據(jù)武器裝備供應(yīng)商選擇實際和傳統(tǒng)AHP存在的問題,采用GAHP進行指標降維遴選。

GAHP以Saaty標度為基準,確定各指標相互之間的重要性標度,建立判斷矩陣,由傳統(tǒng)AHP方法求得各判斷矩陣的權(quán)重向量為Y=(y1,y2,…,ym),m為指標數(shù)量,設(shè)第p位決策者與第q位決策者的相近程度用歐氏距離表示,則

(1)

式中:dpq滿足dpq=0,p=q;dpq=dqp≥0。dpq越小,表明Y(p)與Y(q)相似度越高,即兩位決策者的意見越統(tǒng)一,當且僅當dpq=0且p≠q時,說明第p位決策者與第q位決策者的判斷完全一致。

設(shè)第l位決策者與其他所有決策者的相似程度為

(2)

第l位決策者的最終決策權(quán)重系數(shù)λl為

(3)

由式(3)可知,當dl越大時,表明該決策者與其他決策者的分歧越大,其決策權(quán)重系數(shù)越小;當dl越小時,表明該決策者與其他決策者的分歧越小,其決策權(quán)重系數(shù)越大。這就突出了決策者之間對指標權(quán)重分配的共性認識,使指標賦權(quán)更具合理性。

(4)

1.3 供應(yīng)商指標體系構(gòu)建

由初選指標體系和基于GAHP的指標優(yōu)選過程,根據(jù)各指標的重要程度,通過兩兩比較,邀請裝備論證、裝備采購和裝備使用3個部門的3位專家分別給出相應(yīng)的判斷矩陣,如表1所示。

表1 判斷矩陣

分別對每位決策專家判斷矩陣的特征向量、決策權(quán)重系數(shù)進行求解,得到最終的指標權(quán)重向量Y*=(0.164 1,0.294 4,0.173 4,0.161 3,0.206 8)。根據(jù)0.618優(yōu)選法即黃金分割法[17],選取發(fā)展創(chuàng)新能力、供應(yīng)商績效、供應(yīng)穩(wěn)定性及安全性等3個權(quán)重較大的一級指標作為優(yōu)選指標開展研究,得到武器裝備供應(yīng)商優(yōu)選指標體系見圖2所示。

圖2 武器裝備供應(yīng)商優(yōu)選指標體系Fig.2 Optimization indicator system of weapon equipment supplier selection

2 供應(yīng)商指標權(quán)重

2.1 灰色群組聚類主觀賦權(quán)

灰色群組聚類可以依據(jù)多個決策專家意見用灰色關(guān)聯(lián)矩陣對決策專家進行分類,再根據(jù)判斷矩陣的歸一化排序向量構(gòu)成標準矩陣,運用熵權(quán)原理進行類內(nèi)賦權(quán),通過兩兩之間的灰色關(guān)聯(lián)度,將意見相近的決策專家聚為同一類,在類別間獲得較大的權(quán)重。在同一類的決策專家中,邏輯清晰、評價合理、不確定性程度小的決策專家在類內(nèi)獲得較大的權(quán)重[18]。

基于灰色群組聚類確定供應(yīng)商多屬性決策一級指標權(quán)重步驟如下。

步驟 1確定決策專家判斷矩陣。

(5)

步驟 2對判斷矩陣進行一致性檢驗。

受決策專家知識水平和主觀偏好影響,需要進行一致性檢驗,判斷矩陣的相容性,以保證判斷結(jié)果的可信度和準確性。計算一致性指標CI和隨機一致性比例CR:

(6)

式中:λmax為判斷矩陣Ak的最大特征根;RI為平均隨機一致性指標。

當CR<0.1時,認為判斷矩陣具有可接受的一致性;否則,就認為判斷矩陣的一致性不符合標準。

步驟 3構(gòu)建決策專家群排序矩陣。

(7)

由判斷矩陣歸一化處理后得到的排序向量,構(gòu)建決策專家群排序矩陣為

(8)

步驟 4構(gòu)建決策專家群灰色關(guān)聯(lián)矩陣。

對于決策專家i和j的排序向量Ui和Uj,采用灰色理論中的灰色關(guān)聯(lián)度eij度量決策專家給出的判斷信息之間的相似程度:

(9)

式中:

(10)

(11)

則決策專家群灰色關(guān)聯(lián)矩陣為

(12)

根據(jù)決策專家群組大小,選取聚類閾值κ∈[0,1]。閾值κ越接近1,則決策專家群組的分類越細;當選取eij≥κ(i≠j)時,可認為決策專家i和j的排序向量Ui和Uj具有同類判斷特質(zhì),即認為決策專家i和j可聚為一類。

步驟 5計算類間權(quán)重和類內(nèi)權(quán)重。

若K位決策專家被區(qū)分為T類,且決策專家k所在類t中包含φt(φt≤K)位決策專家,則決策專家k所在類t的類間權(quán)重為

(13)

根據(jù)排序向量可知蘊含的信息熵為

(14)

信息熵越小,邏輯越合理,應(yīng)賦予權(quán)重越大,則決策專家的類內(nèi)權(quán)重為

(15)

步驟 6計算決策專家權(quán)重和指標權(quán)重。

ηk=λt·αtk

(16)

(17)

2.2 ICRITIC客觀賦權(quán)

CRITIC法的基本思想是通過指標內(nèi)的對比強度和指標間的沖突程度綜合確定客觀權(quán)重[19-20],其中對比強度是指標在不同決策方案之間的差異性大小,傳統(tǒng)CRITIC法采用標準差和相關(guān)系數(shù)來衡量指標內(nèi)的對比強度和指標間的沖突程度。通常標準差越大,決策方案之間的差異越大,指標所占權(quán)重越大;相關(guān)系數(shù)越大,指標間的沖突性越小,體現(xiàn)的信息量重復性越強,指標權(quán)重越小。但由于指標的量綱和數(shù)量級不同,標準差并不能反映指標的對比強度,此外指標間的相關(guān)系數(shù)可能出現(xiàn)負數(shù),導致出現(xiàn)相關(guān)系數(shù)越小而指標沖突性越大的情況。

針對傳統(tǒng)CRITIC法存在的上述兩個問題,通過引入基尼系數(shù)[21]衡量指標內(nèi)的對比強度,并考慮指標間正負相關(guān)情況,將沖突系數(shù)中的相關(guān)系數(shù)取絕對值,提出ICRITIC法,其主要步驟如下:

步驟 1利用初始樣本數(shù)據(jù),建立決策矩陣:

(18)

式中:xij為第i個指標下的第j個決策方案所對應(yīng)的初始樣本數(shù)據(jù)。

步驟 2根據(jù)離差標準化方法,對決策矩陣中的指標值進行標準化處理,得到標準化決策矩陣:

(19)

若指標為效益型指標,則標準化決策矩陣元素zij為

(20)

若指標為成本型指標,則標準化決策矩陣元素zij為

(21)

步驟 3根據(jù)Pearson相關(guān)系數(shù),得到相關(guān)系數(shù)矩陣:

(22)

式中:rij為在第i個指標和第j個指標間的相關(guān)系數(shù),其表達式為

(23)

步驟 4計算指標基尼系數(shù):

(24)

式中:ξi為第i個指標的基尼系數(shù),ξi∈[0,1],采用基尼系數(shù)衡量指標內(nèi)對比強度,ξi=1表示該指標的對比強度最大,ξi=0表示該指標的對比強度最小。

步驟 5對指標間的沖突程度進行量化處理,考慮指標間正負相關(guān)情況,將沖突系數(shù)中的相關(guān)系數(shù)取絕對值,計算沖突系數(shù)為

(25)

步驟 6計算指標綜合信息量:

楊先生瞄著手中的煙盒，一時無語。沉吟半晌，他抬頭說：“這樣吧，大梁先去黃州，問問慢成，看政府能不能出面。我寫個信，你拿著信去找他。他現(xiàn)在的身份是省黨部駐黃州特派員?！?/p>

Ci=ξici

(26)

步驟 7確定指標權(quán)重:

(27)

由式(27)可知,Ci越大,指標i所包含的信息量越大,在多屬性決策過程中的作用越重要,則指標i的權(quán)重越大。

2.3 GGC-ICRITIC組合賦權(quán)

采用加法組合賦權(quán)方法:

(28)

式中:λ為權(quán)偏好系數(shù)。

采用差異系數(shù)法設(shè)計權(quán)偏好系數(shù)λ,其公式為

(29)

式中:P1,P2,…,Pm為主觀權(quán)重各分量從小到大的重新排序。

3 供應(yīng)商VIKOR決策

VIKOR方法的基本思想是通過最大化的“群體效益”和最小化的“個體損失”對有限決策方案進行折衷排序,得到最終被決策者接受的折衷解[23-31]。

(30)

(31)

步驟 2計算決策方案的最大群體效益值Sj、最小個體遺憾值Rj和折衷值Qj:

(32)

(33)

(34)

步驟 3根據(jù)最大群體效益值Sj、最小個體遺憾值Rj和折衷值Qj,對決策方案進行升序排序,數(shù)值越小表示決策方案越優(yōu)。

步驟 4確定折衷決策方案。

假設(shè)按照折衷值Qj升序的排列結(jié)果為Y(1),Y(2),…,Y(j),…,Y(n)。如果同時滿足以下兩個條件,則Y(1)為最優(yōu)方案。

①Q(mào)(Y(2))-Q(Y(1))≥1/(n-1);

② 在依據(jù)最大群體效益值Sj和最小個體遺憾值Rj進行排序時,Y(1)至少有一個排列為最小值。

如果不能同時滿足上述條件,則可以依據(jù)以下情況分別得到折衷方案:

① 如果不滿足條件2,則Y(1)和Y(2)均是折衷方案;

② 如果不滿足條件1,則折衷方案為Y(1),Y(2),…,Y(j),其中Y(j)滿足

Q(Y(j))-Q(Y(1))<1/(n-1)

(35)

4 實例驗證與分析

4.1 實例驗證

為完成軍事任務(wù)所進行的某型武器裝備供應(yīng)商選擇,先后經(jīng)歷資格預審、短期拜訪、深度調(diào)研后,確定4個備選供應(yīng)商Y1、Y2、Y3、Y4,依據(jù)武器裝備供應(yīng)商優(yōu)選指標體系,通過數(shù)據(jù)收集和分析,獲得各備選供應(yīng)商指標數(shù)據(jù)如表2所示。

表2 武器裝備供應(yīng)商選擇指標數(shù)據(jù)

利用本文所提出的GGC-ICRITIC-VIKOR多屬性決策方法對備選供應(yīng)商進行排序,具體步驟如下:

步驟 1基于第2.1節(jié)提出的灰色群組聚類權(quán)重確定方法,計算指標主觀權(quán)重。

邀請裝備論證、裝備采購和裝備使用等部門的6位專家組成決策專家群,按照構(gòu)建的指標體系,對發(fā)展創(chuàng)新能力、供應(yīng)商績效、供應(yīng)穩(wěn)定性及安全性3個一級指標權(quán)重進行評價,各專家判斷矩陣為

由式(6)～式(12)計算可得決策專家群灰色關(guān)聯(lián)矩陣為

選取聚類閾值κ=0.97,聚類結(jié)果為決策專家1、2、3、4聚為一類,決策專家5和決策專家6各自聚為一類,即{(1,2,3,4),(5),(6)}。

由式(13)～式(15)計算可得類間權(quán)重和類內(nèi)權(quán)重為

由式(16)～式(17)計算可得決策專家權(quán)重和一級指標主觀權(quán)重為

η=(0.212 1,0.230 3,0.204 9,0.241 6,0.055 6,0.055 6)
ωG1=(0.309 1,0.414 6,0.276 3)

采用同樣的方法確定二級指標主觀權(quán)重,限于篇幅,詳細計算過程不再贅述,最終得到供應(yīng)商選擇指標主觀權(quán)重如表3所示。

表3 供應(yīng)商選擇指標主觀權(quán)重

步驟 2基于第2.2節(jié)提出的ICRITIC權(quán)重確定方法,計算指標客觀權(quán)重為

ωC=(0.092 7,0.112 9,0.104 3,0.084 7,0.084 1,0.060 6,0.129 8,0.089 3,0.089 9,0.101 3,0.050 3)

步驟 3基于第2.3節(jié)提出的GGC-ICRITIC組合賦權(quán)方法,計算指標組合權(quán)重為

ω=(0.095 7,0.109 6,0.104 5,0.083 9,0.082 4,0.061 6,0.128 7,0.087 5,0.090 6,0.102 9,0.052 6)

步驟 4取折衷系數(shù)μ=0.5,計算備選供應(yīng)商方案的群體效用值Sj、個體遺憾值Rj和折衷值Qj,根據(jù)Sj、Rj和Qj值對備選供應(yīng)商Y1、Y2、Y3、Y4進行升序排列,排序結(jié)果如表4所示。

由表4可以看出,備選供應(yīng)商Y2滿足Q(Y4)-Q(Y2)=0.308 8(≤1/3),且Y2在依據(jù)Rj排序時為最小值。因此,當μ=0.5時,備選供應(yīng)商Y2和Y4為折衷方案。

表4 備選供應(yīng)商排序結(jié)果

4.2 對比分析

4.2.1 不同折衷系數(shù)影響

在供應(yīng)商選擇中,專家的決策偏好是影響備選供應(yīng)商方案決策結(jié)果的一個關(guān)鍵因素。專家可能有不同的決策偏好,進而采用不同的折衷系數(shù),當μ=0.5時,代表群體效用和個體遺憾均衡折衷選擇備選供應(yīng)商方案;當μ<0.5時,代表在備選供應(yīng)商方案決策中傾向于最小化個體遺憾;μ>0.5時,代表在備選供應(yīng)商方案決策中傾向于最大化群體效用,不同折衷系數(shù)μ對備選供應(yīng)商排序結(jié)果影響如表5所示。

表5 折衷系數(shù)μ對備選供應(yīng)商排序結(jié)果影響

不同折衷系數(shù)μ對備選供應(yīng)商排序結(jié)果影響雷達圖如圖3所示。

圖3 折衷系數(shù)μ對排序結(jié)果影響雷達圖Fig.3 Influence radar map of compromise coefficient μ on the sorting result

由表5和圖3可以看出,針對不同的折衷系數(shù)μ,根據(jù)決策專家的不同偏好進行決策,得到不同的排序結(jié)果,當μ取值為{0.0,0.1,0.2,0.3}時,得到的排序結(jié)果為Y2fY3fY1fY4,備選供應(yīng)商折衷方案為Y2和Y3;當μ=0.4時,得到的排序結(jié)果為Y2fY3fY1fY4,備選供應(yīng)商最優(yōu)方案為Y2;當μ=0.5時,得到的排序結(jié)果為Y2fY4fY3fY1,備選供應(yīng)商折衷方案為Y2和Y4;當μ取值為{0.6,0.7}時,得到的排序結(jié)果為Y2fY4fY1fY3,備選供應(yīng)商折衷方案為Y2和Y4;當μ取值為{0.8,0.9}時,得到的排序結(jié)果為Y4fY2fY1fY3,備選供應(yīng)商折衷方案為Y2和Y4;當μ=1.0時,得到的排序結(jié)果為Y2fY3fY1fY4,備選供應(yīng)商最優(yōu)方案為Y2。因此,在實際的供應(yīng)商選擇過程中,針對不同的折衷系數(shù)μ,應(yīng)優(yōu)先選擇Y2為備選供應(yīng)商,即備選供應(yīng)商Y2是穩(wěn)定的供應(yīng)商選擇方案。因此,本文所提方法一方面能夠根據(jù)專家的決策偏好得到不同的排序結(jié)果,提高了決策的靈活性和可用性,另一方面針對不同的決策偏好始終得到穩(wěn)定的備選供應(yīng)商方案,具備較好的決策穩(wěn)定性。

4.2.2 不同排序方法影響

在供應(yīng)商選擇中,排序方法是影響備選供應(yīng)商方案決策結(jié)果的另一個關(guān)鍵因素。為了衡量所提方法的有效性和穩(wěn)定性,與基于TOPSIS、改進TOPSIS排序方法進行比較,排序方法對備選供應(yīng)商排序結(jié)果的影響如表6所示。

表6 排序方法對備選供應(yīng)商排序結(jié)果影響

由表6可以看出,針對不同的排序方法,基于TOPSIS和改進TOPSIS方法得到備選供應(yīng)商方案的排序結(jié)果均為Y2fY1fY4fY3,備選供應(yīng)商最優(yōu)方案均為Y2。與本文所提方法相比,雖然排序結(jié)果有一定差異,但備選供應(yīng)商Y2均是穩(wěn)定的供應(yīng)商選擇方案,而本文所提方法在決策靈活性上明顯優(yōu)于TOPSIS和改進TOPSIS方法。

4.2.3 不同賦權(quán)方法影響

在供應(yīng)商選擇中,不同的賦權(quán)方法是影響備選供應(yīng)商方案決策結(jié)果的第三個關(guān)鍵因素。為了衡量所提方法的有效性和穩(wěn)定性,與基于GGC-CRITIC組合賦權(quán)方法進行比較。采用GGC-CRITIC組合賦權(quán)方法計算備選供應(yīng)商方案的群體效用值S1=0.304 9,S2=0.256 5,S3=0.390 1,S4=0.163 7,個體遺憾值R1=0.115 0,R2=0.103 4,R3=0.082 7,R4=0.123 2,取折衷系數(shù)μ=0.5,計算備選供應(yīng)商方案的折衷值Q1=0.710 4,Q2=0.460 9,Q3=0.500 0,Q4=0.500 0,由此得到備選供應(yīng)商排序結(jié)果如表7所示。

表7 基于GGC-CRITIC組合賦權(quán)方法的備選供應(yīng)商排序結(jié)果

由表7可以看出,備選供應(yīng)商Y2滿足Q(Y3/Y4)-Q(Y2)=0.039 1(≤1/3),且Y2在依據(jù)Sj、Rj排序時均不是最小值。因此,μ=0.5時,無法得到備選供應(yīng)商方案。

不同折衷系數(shù)μ對采用GGC-CRITIC組合賦權(quán)方法的備選供應(yīng)商排序結(jié)果影響如表8所示。

表8 折衷系數(shù)μ對采用GGC-CRITIC組合賦權(quán)方法的備選供應(yīng)商排序結(jié)果影響

由表7和表8可以看出,采用GGC-CRITIC組合賦權(quán)方法存在以下兩種特殊情況:① 當μ取值為{0.4,0.6}時,得到供應(yīng)商Y1、Y2、Y3、Y4均為備選供應(yīng)商折衷方案;② 當μ=0.5時,無法得到備選供應(yīng)商折衷方案。因此,從不同賦權(quán)方法角度看,無論是決策的有效性、靈活性和可用性,GGC-CRITIC組合賦權(quán)方法均劣于所提方法。

5 結(jié) 論

本文在構(gòu)建武器裝備供應(yīng)商選優(yōu)指標體系的基礎(chǔ)上,提出了一種灰色群組聚類和ICRITIC組合賦權(quán)的供應(yīng)商選擇VIKOR多屬性決策方法,首先運用群層次分析法進行供應(yīng)商指標約簡遴選,其次基于灰色群組聚類和ICRITIC賦權(quán)方法確定指標權(quán)重,并設(shè)計權(quán)偏好系數(shù)實現(xiàn)組合賦權(quán);然后,采用VIKOR決策方法集結(jié)備選供應(yīng)商折衷排序值;最后,通過武器裝備供應(yīng)商選擇實例并結(jié)合不同折衷系數(shù)和排序方法的對比分析,驗證所提方法的有效性和靈活性。