第三章 研究設計與方法
第二節 層級分析法
一、基本概念
層級分析法(Analytic Hierarchy Process, AHP)是由美國匹茲堡大學著名的研究學 者Saaty (1980)於1971年提出,其主要是將錯綜複雜的評估問題建立層級架構來分析,
透過兩兩比較的方式,讓決策者在多個評估準則間作權衡,儘管是非計量型的評估準 則,也可透過問卷填答中,給予程度上的權數,即可為所有評估準則建立一個優先順 序的排列。主要應用在不確定情況下及具有多數個評估準則的決策問題上(鄧振源、
曾國雄,1989)。
AHP 相較於其他模式而言,可以整理出以下四點特徵(翁振益、周瑛琪,2007):
1. 可以建立模式,並且反映出人類具有的主觀與直覺。
2. 能同時考慮很多的目地模式。
3. 可以明確說明模糊環境的模式。
4. 決策者可以容易使用。
二、基本假設
AHP 方法其基本假設包括下列九項(鄧振源、曾國雄,1989):
1. 一個系統可以被分解成許多種類(classes)或要素(components),藉由系統與要素間 的關係,以遞減之方式排列,形成網路式層級架構。
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,可以用上一階層內某些或所有元素做為評估標準,進行評估。
4. 進行比較評估時,可將絕對數值尺度轉換成比例尺度(Ratio Scale)。
5. 進行成對比較(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),同時關係強度也必須滿足遞移性(A 優於 B 二倍,B 優於 C 三倍,
則 A 優於 C 六倍)。
7. 由於偏好關係完全具備遞移性不容易,因此容許不具遞移性的存在,但必須測試 其一致性(consistency)程度。
8. 要素的優勢程度可以透過加權法則(Weighting Principle)求得。
9. 任何要素只要出現在階層結構中,不論優勢程度如何,皆被認為與整個評估結構 有關,而非檢核階層結構的獨立性。
三、AHP 之應用
主要應用在不確定情況下及具有多數個評估準則的決策問題上(鄧振源、曾國雄,
1989)。其方法已經廣泛在社會及科學上應用,說明了AHP是一項重要的資料分析方
法。根據Saaty 之研究指出,層級分析法可應用於下列12類問題中:
1. 規劃。
2. 產生替代方案。
3. 決定優先順序。
4. 選擇最佳方案或政策。
5. 資源分配。
6. 決定需求。
7. 預測結果或風險評估。
8. 系統設計。
9. 績效衡量。
10. 確保系統穩定。
11. 最佳化。
12. 解決衝突。
另外,在應用AHP方法時,Vargas 認為使用者應具以下幾點認知(王文良、黃聖 莞,2003):
1. 倒數對照特性(Reciprocal Comparison):決策者進行比較時,對於準則喜愛的程度 必須滿足倒數特性,若A 比B 的偏好程度是X 倍,則B 是X/1 倍偏好於A。
2. 同質性(Homogeneity):準則的比較必須是有意義的,並且在一個合理的評估尺度 內。
3. 獨立性(Independence):準則間彼此的比較必須假設互相獨立。
4. 預期性(Expectations):為了完成決策目標,關係層級必須完整的描述,在建構關 係層級及相關準則或是選擇方案時必須完整,不能有遺漏或者忽略。
然而應用AHP時具有優、缺點如下:
(一) AHP 的優點(徐正宇,2000)
1. AHP 具有彈性。若發生資料不足或是有資料遺漏之部分,可以透過層級架構之方
法去彌補,有必要時進行擴充或修改,並且此方法有效的擷取專家們之意見或共 識。
2. AHP主要是為了解錯綜複雜且廣大的問題,此方法提拱簡單的理解,在層級架構 中,各構面、準則的優先順序是逐層演變的結果,因此,我們容易觀察同一層元 素間,彼此具有獨立性的關係及上下層要素間彼此影響力。
3. AHP是根據層級程序逐步推演的,藉此將複雜的問題轉變成系統化的架構,讓決 策者進行在分析時,可兼顧不同元素間的邏輯關係,對於決策的正確性具有正面 之幫助。
(二) AHP 的缺點(Saaty & Vargas, 1982;Belton & Gear, 1985;曾國雄
與鄧振源,1989;Millet & Harker, 1990)
1. AHP的基本假設中,各構面準則皆必須具有獨立性,各層級也盡可能納入與上層 相關的所有構面之間具有互斥性,但是實際上是有困難的,因為人的思考上受到 限制,並且資訊取得不容易,讓各層級彼此並不互斥,造成了評估結果產生的不 合理現象。
2. 在運用AHP進行評估時,為了使決策更完善,因此需要綜合許多不同群體專家之 意見。但是當專家們意見不同,且決策者對於決策屬性的認知差異很大,有可能 無法反映真實的評估結果。
3. 在AHP方法中是以1至9的比例尺度衡量準則之間的相對重要程度,讓決策者本身 主觀認定的不確定(具有模糊性)數值,用精確的數值來處理,常常造成分析結果 與事實情況產生落差。
4. 容易受到比率尺度應用上的邏輯性之限制,例如:構面A對於構面B是絕對重要的,
然而構面B對於構面C的也是絕對重要,構面A對於構面C的重要性至少在絕對重 要以上。但是,在實際計算時,卻必須滿足AHP遞移性之基本假設,因此在計算 邏輯上產生問題受到比例尺度的限制。
5. 當層級數增加時,各構面、準則進行兩兩比較,建立成對比較矩陣,然而兩兩比
較的次數將會呈現指數成長,造成問題過多,使填答問卷者產生思緒混亂的問題,
進而導致AHP效率降低。
6. 在AHP之問卷設計上,問卷設計過於複雜,且加上各構面、準則進行兩兩比較次 數過多,造成填答問卷者產生厭煩及困擾,因此將影響問卷的回收及填答的準確 性。
四、AHP 使用步驟
AHP 主要包括三個階段,第一個是層級架構的建立,第二是層級架構的評估,
第三為一致性檢定。然而 1980 年 Saaty 研究報告顯示,在同一層級內的成對比較評 估要素,以不超過七個為限,倘若超出應再分層予以解決,以免在評估時造成矛盾的 現象,這樣才可以進行較有效的成對比較,以及獲得較好的一致性。
AHP 具有以下四個主要步驟(Saaty & Vargas, 1984),如圖 5 所示為完整之方法流程 圖:
確認評估問題
把問題建立為層級式架構
建立成對比較之矩陣
計算出最大特徵值及特徵向量
整體權重之計算
提供決策者參考的資訊 是
C.R.≦ 0.1 影響要素分析
一致性檢定
否
圖 5 層級分析方法流程圖
Note. From”The Ligimacy of Rank Reversal by Saaty, T.L.,& Vargas, L. G. ,1984, The Ligimacy of Rank Reversal. OMEGA, 12(5), p513-516.。
(一)建立層級架構
將複雜的問題,利用層級架構加以評估系統化。因此若問題有 n 個要素,則需 作(n2-n)/2 個判斷,而在最大要素個數為七個的以內,較能進行合理的比較並同時 可保證其一致性之層級數為 n/7。
將影響系統的要素加以分解成數個群體,每群再區分成數個次群,逐級建立全部 的層級結構,其關係如圖 4 所示。然而層級的劃分視分析問題之複雜程度而定,各層 級要素彼此間應獨立。
A
B1 B2
C12
C11 C21 C22 C23
方案一 方案二 方案三
最終目標
評估準則
方案選擇
圖 6 AHP 之層級架構圖
資料來源:「決策分析方法與應用」,翁振益、周瑛琪,
2007,台北市:華泰文化出版。
(二)建立成對比較矩陣
建立層級架構後,評估準則與各因素間進行兩兩成為比較,進而計算出各層級評 估構面相對重要的權重,建立成對比較矩陣。AHP 是運用幾何平均數做為整合,而 不是利用算數平均數。當一位評估決策者的評比結果為 a1,另一位評估決策者的評 估結果為 a2,則整合之結果應該為
1 2
a a 而不是(a1+a2) / 2。所以倘若有 n 個決策評
估者判斷值為
a a
1,
2, , a
n,則結果應為n 1 2a a a
n 。將 n 個要素比較之結果,置於成對比較矩陣 A 的上三角形部分,主對角線為要素本身的比較,故均為 1,而 下三角形部分的數值,為上三角形相對位置數值的倒數。即
a = 1/ a
。矩陣如圖 5所示:
12 1
2 12
1 2
1
1 1
[ ]
1 1
1
n
n ij
n n
a a
a a A a
a a
= =
圖 7 層級分析法成對比較矩陣圖
資料來源:「決策分析方法與應用」,翁振益、周瑛琪,
2007,台北市:華泰文化出版。
AHP 方法採用的評估尺度為比率尺度,即同等重要、稍重要、重要、非常重要、
絕對重要等,並賦予名目尺度 1、3、5、7、9 的衡量值;另有四項介於五個名目尺度 間的 2、4、6、8 的衡量值。名目尺度代表之意義如圖 8 所示:
成對比較值 定義 說明
1 同等重要 兩個評估構面的貢獻程度具有一樣重要
3 稍重要 經驗上判斷,某評估構面稍微傾向重要
5 重要 經驗上判斷,某評估構面強烈傾向重要
7 非常重要 實際上顯示,某評估構面非常重要
9 絕對重要 有充分的證據重視某評估構面
2,4,6,8 相鄰尺度的中間值 須要折衷值時 圖 8 層級分析法比例尺度
Note. From”Axiomatic Foundation of Analytic Hierarchy Process”, by Saaty, T. L. , 1986, Management Science,32(7), p.841-855.
(三)計算特徵向量
建立成對比較矩陣後,可以求取各層級要素的權重。並利用數值分析以求得特徵 向量級最大特徵值,可確定建立模型的一致性,及個要素間之相對權重。(Saaty, 1990) 提出了以下四種特徵向量方法:
1. 行向量平均值常態化,又稱 ANC 法(average of normalized columns),首先將各行 予以常態化,再將常態化後之各列元素加總,最後除以各列元素之個數。
1 1
1 ; , 1, 2 ,
n jk
j n
k
jk j
W a j k n
n = a
=
=
∑
=∑
(1)2. 列向量平均值常態化,又稱 NRA 法(normalization of the row average),將各列元素 予以加總後,再常態化。
1
1 1
; , 1, 2 ,
n jk k
j n n
j k
j k
a
W j k n
a
=
= =
=
∑
=∑∑
(2)3. 列向量幾何平均值的常態化,又稱為 NGM 法(normalization of the geometric mean of the rows),將各列元素相乘後,取幾何平均數再將其常態化。
1
1
1
1 1
; , 1, 2 ,
a n
jk k j
n
n n
jk
j k
a
W j k n
a
=
= =
= =
∏
∑ ∏
(3)
4. 行向量和倒數的標準化將各行元素予以加總後,再求其倒數並常態化。
1
1 1
1
; , 1, 2 , 1
n jk j j
n n k
jk j
a
W j k n
a
=
=
=
= =
∑
∑ ∑
(4)
(四) 一致性檢定
受訪者填答問卷時是否一致,必須藉由一致性檢定來判斷其正確性,AHP 方法 採用一致性指標(consistency index, C.I.)作為成對比較是否具有一致性的判斷指標。
Saaty (1980)建議一致性指標必須小於等於 0.1,才方可視為較佳的一致性。
1. 最大特徵值
最大特徵值求法是將成對比較矩陣 A 乘上特徵向量 W,所得到的W',W'之向量 值分別除以原向量 W 的向量值,最後將求得的數值求算數平均數,求得方式如下。
1 1 1
1 1
1 2
2 2 2 2
1
2 1
'
n
n
n n
n n n
n
W W W
w w
W W W
w w
W W
AW W
W W
w w
W
W W
W
W W
= = =
(5)
1 2
max
2 2
1
nn
w w w
n w w w
λ
= + + +
(6)2. 計算一致性比率(consistency ratio, C.R.)
(鄧振源&曾國雄,1989)所述,Dak Ridge National Laboratory 與 Wha-rton School 進行的研究,從評估尺度所產生正倒值的矩陣在不同階數下,所產生不同的 C.I.值,
稱為隨機指標(random index, R.I.)。一致性比率 C.R.值是由一致性指標(consistency index, C.I.)除以隨機指標 R.I.所得。其求得方法如下: