問卷設計與調查

根據所建構的評估層級結構，每一層要素在上一層級某一個要素作為

評估基準下，須由決策群體的專家學者進行成對要素相對重要程度的判 斷，因此需藉由成對比較格式之問卷及問題說明，以利於專家學者進行判 斷。各層級要素或方案權重的求取，首先需由決策者對兩兩準則間相對重 要性進行成對比較，由成對比較矩陣之特徵向量，來求取準則間之相對權 重。若有n 個要素或評估準則要進行比較時，則共需進行C(n，2)=n(n-1)/2 次的成對比較(如表4-1)。

表4-1 AHP成對比較格式

絕強 極強 頗強 稍強 等強 稍弱 頗弱 極弱 絕弱

9:1 7:1 5:1 3:1 1:1 1:3 1:5 1:7 1:9 計畫

（I） 8:1 6:1 4:1 2:1 1:2 1:4 1:6 1:8

計畫

（II）

甲房子 乙房子

甲房子 丙房子

乙房子 丙房子

資料來源：鄧振源，2002，p237。

成對比較(Pairwise Comparative )係以名目尺度(Nominal Scale)加以量化，將名目尺度劃分為同等重要、稍重要、頗重要、

極重要、絕對重要，另外四個名目尺度則介於上述五名目尺度之間，

並賦予名目尺度1、3、5、7、9 等衡量值；另有四項介於五個基本尺度之 間，賦予名目尺度2、4、6、8 等衡量值，共計九個尺度。AHP 在處理認 知反應的評估得點時，則採取比例尺度(Ratio Scale)的方式。各尺度所 代表的意義， 如表4-2 所述。

表4-2 AHP評估尺度及意義說明

尺度 意義 說明

1 同樣重要

(Equal importance)

就某一標準而言，兩者具有相等重要性(具相同 貢獻)

2 介於1 與3 之間

3 稍微重要 (Weak importance)

過去經驗或判斷顯示，因子A顯比因子B稍微重 要(貢獻程度稍多)

4 介於3 與5 之間

5 相當重要 (Strong importance)

過去經驗或判斷顯示，因子A顯比因子B具相當 重要性(貢獻程度多)

6 介於5 與7 之間

7

極為重要 (Demonstrated

importance)

實務上來說，因子A 明顯比因子B 重要得多(貢 獻程度明顯的多)

8 介於7 與9 之間

9 絕對重要 (Absolute importance)

證據顯示，因子A肯定比因子B具有絕對的重要 性(貢獻程度絕對的多出許多)

資料來源：黃思文，2003，p71。

4. 求解特徵向量(Eigen Vector)與最大特徵值(Eigen Value，λ^max) 分析層級程序法以特徵向量與特徵值來代表各評估因素間之優先性 (Priority)及檢定矩陣之一致性(Consistency)。在操作程式上，分析層 級程序法先求取上一層級之特徵向量，於後再求取整體之特徵向量值。而 其計算特徵向量之方法，一般有下列三種方法：

(1) ANC 法(Average of Normalized Columns)

先將成對比較矩陣之各行(columns)予以標準化(normalized)，再將 標準化後各列之評估因素予以加總除以各列之評估因素個數，其結 果即為各列所代表評估因素之優先率(即特徵向量)，其數學式表示 如下：

∑

∑

(2) NRA 法(Normalization of Row Average)

先將成對比較矩陣之各列元素加總，再將各列之加總值除以各加總

(3) NGM 法(Normalization of the Geometric Nean of the rows) 先將成對比較矩陣中各列之評估因素相乘再開 n 次方根(n 為各列之

在實務上，多採用前三種方法來取得權重值(特徵向量)，其中以NGM 法在使用上最為普遍，NGM法利用幾何平均法來求得特徵向量，能有效消 彌極端值、降低C.R.值及C.I.值，因此多數研究利用此方法來求取特徵向 量。