本研究之問卷是利用公共工程成本、進度管理問題為架構，以公共工程規劃設計階 段之主要作業內容，並參考過去有關規劃設計之相關文獻，進而發展出各項問題原因及 管理改善方法，主要目的在分析公共工程於規劃設計階段，各項成本、進度常見缺失因 子及管理改善方法之重要性；本問卷分為三大部分，第一部分為基本資料，第二部份為 問卷填寫方式說明，第三部份為國內公共工程規劃設計階段成本及進度管理問題，問卷 各項目之題目數如表3.4 所示：
表3.4 問卷題目數一覽表
項目 分類 題目數
成本 缺失因子
進度 19
成本 管理改善方法
進度 25
本研究問卷設計之內容，其評估尺度採用李克特（Likert）五點式量表方式評估每 一因子的重要度，分成「非常重要」、「重要」、「普通」、「不重要」、「非常不重 要」五等級。而每一問題的重要度在轉換為數值時，傳統上李克特五點尺度中，其「非 常重要」、「重要」、「普通」、「不重要」、「非常不重要」五種語意變數，是以等 距給分「5 分」、「4 分」、「3 分」、「2 分」、「1 分」的方式處理。
但事實上，由於每個人對評估準則的認知不同，每一語意變數間轉換為數值時，並 非等距的。根據【Zadeh 1975】提到，對於複雜或難以定義的情境，很難以傳統的量化 方法來做合理的表達，因此有必要運用語意變數的觀點來處理這類狀況。語意變數是指 本質上或人類語言上就為一個字或一句話所代表的的變數，可將語意變數劃分為數個適 當且有效的語意尺度如「很好」、「好」、「中等」、「差」、「很差」，讓評選者各 自選擇他們認為合適的語意來描述個人對此評選項目的感受。進而透過事先設計好的語 意尺度所代表的模糊數，推算全體評選委員對各評審項目的實際感受值。
【Chen and Hwang 1992】提出的一個方法方便決策者解決模糊多屬性決策問題 Fuzzy Multiple Attribute Decision Making，其基本假設是模糊多屬性決策問題中可以同時 包含模糊與明確資料，並且模糊資料可以用語意性措辭來表示。若模糊資料是語意性措 辭（linguistic terms），即先將語意性措辭轉化為相關的模糊數（fuzzy number），再將 模糊數轉為明確數值（crisp number）。Chen and Hwang 在這種方法中建議了八種轉換 尺度，如圖3.2 所示（圖中 X 軸表示的是歸屬函數的論域（universe of discourse），Y 軸 表示的是X 值對語意值（linguistic value）的歸屬度（degree of membership）。而八種 轉換尺度所用到的語意性措辭如表3.5 所示：
本研究問卷採用Scale3 的五個措辭性語意的原因如下：
1. 由【Miller 1965】及【Green 1973】的研究中，認為人類的心理反應限制應在「七 項加減兩項」的等級。
2. 根據【Saaty 1980】文中例題顯示，1-5 尺度優於 1-9 尺度。
圖3.2 八種轉換尺度
表3.5 八種轉換尺度與語意性措辭【Chen and Hwang 1992】
SCALE 1 2 3 4 5 6 7 8
No. of term used two three five five six seven nine eleven
none yes
v. low yes yes yes yes yes
low-v. low yes yes
low yes yes yes yes yes yes yes
fairly low yes yes yes
mol low yes yes
medium yes yes yes yes yes yes yes
mol high yes yes
fairly high yes yes yes
high yes yes yes yes yes yes yes yes
high-v. high yes yes
v. high yes yes yes yes yes
excellent yes
v：very mol：more or less
使用模糊多屬性決策的方法，評估替選方案的指標、準則的屬性可能都是模糊數，
但模糊數不像明確數值可以直接比較大小，所以為了能夠直接對方案或準則進行評比、
選擇，必須再對模糊數進行排序，以求得反模糊值(defuzzy)。目前模糊數排序法有許多 種，(Chen and Hwang 1992)將其歸納分類整理，如下表 3.6：
表3.6 模糊排序法之分類【Chen and Hwang 1992】
比較的手法 使用的技巧 方法
最佳程度值 (Degree if optimality)
Baas & Kwakernaak(1977) Watson et al.(1979) Baldwin & Guild(1979)
Hamming 距離
Buckley & Chanas(1989) Mabuchi(1988)
偏好的關係 (Preference relation)
比較函數 (Comparison function)
Dubois & Prade(1983) Tsukamoto et al.(1983) Delgado et al.(1988) 模糊平均數及分布
幅度 (Fuzzy mean and
spread)
機率分配
(Probability distribution) Lee&Li(1988) 最佳比例
(Proportion to optimal) McCahone(1987) 左右得分
(Left/Right scores)
Jain(1976) Chen(1985)
Chen & Hwang(1989) 中心指標
(Centroid index)
Yager(1980)
Murakami et al.(1983) 模糊得分
(Fuzzy scoring)
面積測量
(Area measurement) Yager(1981) 直視法
(Intuition) Efstathiou & Tong(1980) 模糊排序
(Linguistic approximation) Tong & Bonissone(1984)
本研究為求計算方便，故採用左右得點法（Right and Left Score）將模糊數轉為明 確數值，其基本概念為應用所定義的fuzzy max 和 fuzzy min 兩模糊數與待轉換模糊數 的交點，以決定左右得點值。當決定出左右得點值時，再利用所推得的公式計算其全得 點（total score），此值即代表此模糊數的明確值。其主要方法如下：
先給定一個最大化集合（maximizing set）及一個極小化集合（minimizing set），表 示如下：
圖3.3 模糊數之轉換
資料來源：【Chen and Hwang 1992】
(陳志堅 1994)將計算之結果整理如下表 3.7：
表3.7 八個尺度中語意性措辭轉換成明確數值彙總表【陳志堅 1994】
SCALE 1 2 3 4 5 6 7 8
No. of term used two three five five six seven nine eleven
none 0.046
v. low 0.091 0.083 0.091 0.083 0.136
low-v. low 0.125 0.299
low 0.166 0.283 0.115 0.250 0.227 0.250 0.333
fairly low 0.300 0.416 0.370
mol low 0.363 0.410
medium 0.583 0.500 0.500 0.500 0.500 0.500 0.500
mol high 0.637 0.590
fairly high 0.700 0.584 0.630
high 0.750 0.833 0.717 0.885 0.750 0.773 0.750 0.667
high-v. high 0.875 0.701
v. high 0.909 0.917 0.909 0.917 0.864
excellent 0.954
v：very mol：more or less