第三章 研究原理與資料處理
第四節 層級分析法
3.4.1 分析法原理
層級分析法為 1971 年 Thomas L. Saaty 所發展出來,主要應用在不確定情形 下及具有多個評估準則的決策問題上,其發展目的就是要將複雜問題系統化,由 不同的層面給予層級分解,並透過量化判斷,得到脈絡後再加以綜合評估,可提 供決策者選擇方案的充分資訊,減少決策錯誤之風險性。
AHP 之基本假設包括了下列幾項(鄧振源、曾國雄,1989):
1. 一個系統可被分解成許多種類(Classes)或成份(Components),並形成有向網格層 級結構。
2. 層級結構中,每一層級的要素均假設具獨立性(Independence)。
3. 每一層級內的要素,可以用上一層級內某些或所有要素作為評準,進行評估。
4. 比較評估時,可將絕對數值尺度轉換成比例尺度(Ratio Scale)。
5. 成對比較(Pairwise Comparison)後,可使用正倒值矩陣(Positive Reciprocal Matrix) 處理。
6. 偏好關係滿足遞移性(Transitivity),不僅優劣關係滿足遞移性(A優於B,B優於C,
則A優於C),同時強度關係亦滿足遞移性(A優於B二倍,B優於C三倍,則A優 於C六倍)。
7. 完全具遞移性並不容易,因此容許不具遞移性的存在,但需測試其一致性 (Consistency)的程度。
9. 任何要素只要出現在階層結構中,不論其優勢程度是如何小,均被認為與整個
(Equal Importance)
兩比較方案的貢獻程度具同等重要性
‧等強(Equally) 2 相鄰尺度之中間值
(Intermediate values)
需要折衷值時
3 稍重要
(Weak Importance)
經驗與判斷稍微傾向喜好某一方案
‧稍強(Moderately) 4 相鄰尺度之中間值
(Intermediate values)
需要折衷值時
5 頗重要
(Essential Importance)
經驗與判斷強烈傾向喜好某一方案
‧頗強(Strongly) 6 相鄰尺度之中間值
(Intermediate values)
需要折衷值時
7 極重要
(Very Strong Importance)
實際顯示非常強烈傾向喜好某一方案
‧極強(Very Strong) 8 相鄰尺度之中間值
(Intermediate values)
需要折衷值時
9 絕對重要
(Absolute Importance)
有足夠證據肯定絕對喜好某一方案
‧絕強(Extremely)
AHP 法在評估階段常與德菲法(Delphi)合用,尋求、收集專家意見,稱為 DHP(Delphi Hierarchy Process)。根據問卷調查所得之結果,建立成對比較矩陣。
假設有 n 個要素,需進行 n(n-1)/2 次成對比較,將 n 個要素比較的結果置於成對 (Consistency Index, C.I.)來表示與一致性的接近程度,其式如下:
𝐶. 𝐼. =𝜆−𝑛𝑛−1 (3.4)
最後將λ 值代入即可得到 C.I.值,當 C.I.=0 表示成對比較矩陣 A 完全具有一致性,
C.I.>0 則表示前後判斷不一致;然而要完全達成一致性是相當不容易,故 Saaty 建議 C.I.≦0.1 為可容許的偏差。
根據 Dak Ridge National Laboratory 與 Wharton School 進行之研究,發現從評 估尺度 1-9 所產生的正倒值矩陣 A,在不同的階數下會產生不同的 C.I.值,稱為 隨機指標(Random Index, R.I.)。而矩陣階數為 1-11 的 R.I.值是以 500 個樣本所求 得之平均值,矩陣階數為 12-15 的 R.I.值則是以 100 個樣本所求得之平均值,隨 機指標值對照如下表所示。
表 3-4 隨機指標值對照表 (鄧振源、曾國雄,1989)。
階數 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
R.I. 0.00 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51 1.48 1.56 1.57 1.59
而在相同矩陣階數下,C.I.值與 R.I.值比率稱為一致性比率(Consistency Ratio, C.R.),
關係式為:
𝐶. 𝑅. =𝐶.𝐼.𝑅.𝐼. (3.7)
若 C.R.值≦0.1 時,其矩陣的一致性程度是很高的。
AHP 法的優點在於能將複雜問題系統化,有助於決策者評估決定各方案的優 先順序,或選擇出最適當方案的優點,然而其方法仍有缺失的部分。缺點在於判 斷的感覺模糊,並且 1-9 的評估尺度過於細瑣,而不同背景之專家著眼點不同,
導致結果可能會有差異(鄧振源、曾國雄,1989) 。