第三章 研究設計
3.3 研究方法之確立
3.3.3 層級分析法(Analytic Hierarchy Process; AHP)
層級分析法係 1971 年由美國賓州匹茲堡大學教授Thomas L. Saaty所發 展應用於多數高階決策分析問題之方法。由於AHP理論簡單且具備高度實用 性;其主要精神係匯集有關學者專家之意見進行一種集體決策之方法【64】。
而其最大特色就是將任何複雜系統或多準則、多目標及多決策者之決策問 題,透過對此問題具專業知識或經驗豐富之專家,將問題予以層級化、結構 化並進行量化,其流程如圖 3.2 所示。它是將複雜問題先劃分成簡單明確的 層級架構,並採用對偶比較方式,運用比例尺度,透過專家評比找出各層級 元素的相對重要性,建立成對比較矩陣,計算特徵值與特徵向量並求取各層
級要素之權重。
No No
Yes Yes
圖3.2 AHP 流程圖 資料來源:【58】
影響要素分析
問卷設計
問題描述 規劃
群體
構建層級架構
決策專 家群體 問卷填寫
建立成對比較 矩陣
計算特徵值與 特徵向量
可行方案之選擇
求取一致性指
標 可行方案加權平均
C.R<0.1 CRH<0.1
求取各層級C.I 值. 求取C.R.H 值
Saaty and Vargas【61】兩位學者針對AHP之主要內容有以下四點說明:
一、將複雜問題間之評估予以結構化,並建立層級結構。
二、設定各問題之評比尺度,並建立成偶比對矩陣。
三、計算各問題之相對權重。
四、檢定其一致性。
而AHP之基本理論假設則可分為以下九點說明【26】:
一、一個系統可被分解成許多層次(Classes)或元素(Components),形成有向網 路(Directed Network)之層級架構。
二、層級結構中,每個層級中之元素均假設具有獨立性(Independence)。
三、每一層級內之元素,皆可使用上一層級內某些或全部的元素作為基準,
進行評估。
四、進行元素間的比對時,可以將名目尺度(nominal scale)轉換成比例尺度(Ratio Scale)。
五、 成偶比較(Pairwise Comparison)後,可使用正倒值矩陣(Positive Reciprocal Matrix)處理。
六、 評估者的偏好關係會滿足遞移性(Transitivity),不僅需要優劣關係滿足遞 移性(即若A 比 B 優,B 比 C 優,則 A 比 C 優),強度關係亦同時滿 足遞移性(即若A 比 B 優二倍,B 比 C 優三倍,則 A 比 C 優六倍)之 結果。
七、由於偏好關係滿足遞移性較不容易,因此,容許某些程度不具遞移性之 存在,但須測試其一致性(Consistency)程度。
八、經由權重法則(Weighting Principle)以求取元素之優勢程度。
九、出現於層級結構中之任何元素,不論其優勢程度如何,均與整個評估結 構相關,而非檢核層級結構之獨立性。
本研究之層級架構評估,主要以AHP所成立之層級架構,建立德爾菲問 卷進行關鍵因素之重要性評比,然後運用AHP之操作模式建立權重,主要目 的係利用兩兩比較之層級區分獲得相對權重,並檢定每一成對比較矩陣及整 體層級架構是否達一致及穩定性程度,以作為策略制定及評估之基礎。以下 為AHP評估指標權重分析步驟簡要說明【29】。
步驟一:構建層級結構關係
AHP主要係將評估問題建立層級且予結構化,及對系統有影響之要 素分成數個群體,每群再分別對應其子群體,層級數目以七至九層為上 限Saaty【58】,而每一層級以不超過七個因素為宜。
首先將一複雜問題區分四個層級(如圖3.3):第一層主要係欲解決 問題之最終目標,其次係達成目標之評估準則為何、衡量第二層評估準 則達成程度之因素與預擬之可行方案。其中,W1 、W2 與 W3 係最終 目標(G)下之評估準則其所佔之權重和為 1;B11 與 B12 係第二層評估準 則 W1 下兩個評估之因素其權重和為 1;以此類推 B21、B22、B23 與 B24 之權重和亦為 1;B31、B32 與 B33 之權重和也為 1。
G
第一層(最終目標)
第二層
W1 W2 W3
(評估準則)
第三層
(評估因素)
B11 B12 B21 B22 B23 B24 B31 B32 B33
第四層(可行方案)
P1 P2 P3
圖3.3 AHP 之層級架構圖資料來源:【58】
步驟二:建立成偶評估之比對矩陣(pair-wise comparison matrix)
本研究係利用層級結構之程序來解決複雜問題,採由上至下逐一衍 生出各個層次。層級構建雖無一定之程序,但每一階層因素原則上含 7 個以下為宜且每一因素間最好具獨立性。假若一複雜問題有n個因素,
利用成偶比對總共需C2n =n(n-1)/2個判斷,最大因素為7 個以下即可進行 較合理之比較,同時亦可確定獲得較佳之ㄧ致性。
AHP 係採用名目尺度為成偶比對之評估指標,依 Satty 之建議,名 目尺度劃分為:等強、稍強、強、極強與絕強;另外四個尺度介於上述 五尺度之間,共計九個尺度,分別賦予1~9 之極量值(評點)如表 3.2。
反之,劣勢比較亦可劃分為九個尺度,分別賦予1~1/9 之極量值(評點)
如表3.3。
表3.2 層級分析法成偶比對之尺度與評點對照表(等強-絕強)
尺度
等強 等強與稍強間 稍強 稍強與強間 強 強與極強間 極強 極強與絕強間 絕強
評點
1 2 3 4 5 6 7 8 9
資料來源:【58】
表3.3 層級分析法成偶比對之尺度與評點對照表(等弱-絕弱)
尺度
等弱 等弱與稍弱間 稍弱 稍弱與弱間 弱 弱與極弱間 極弱 極弱與絕弱間 絕弱
評點
1 1/2 1/3 1/4 1/5 1/6 1/7 1/8 1/9
資料來源:【58】
然 後 將 所 有 因 素 兩 兩 成 偶 比 較 之 比 例 值 aij , 以 1/9,1/8,…,1/2,1,2,3,…,8,9 表示。將 n 個因素成偶比對判斷之結果,置於 成偶比對矩陣 A 中對角線右上方之元素值,對角線上因素為自身之比 較,數值均為 1,左下方之元素值,為右上方元素值相對位置數值之倒 數。其成偶比對矩陣A 可表示如式(3.2)。
A =
⎢⎣⎡a
ij⎥⎦⎤ =⎥⎥
⎥⎥
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢⎢
⎢⎢
⎢
⎣
⎡
1 1
1
1 1
1
1 2
2 12
1 12
K M O M M
L K
a a
a
a a a
n n
n n
(3.2)
其中因素
i 表示對因素 j 之相對重要性,亦表示決策者對決策因素 i
與j 之重視程度。
步驟三:求取層級權重及一致性檢定
建 立 兩 兩 成 偶 比 對 矩 陣 後 , 再 以 數 值 分 析 法 中 常 用 之 特 徵 值 (Eigenvalue)解法,求出最大特徵值與其對應之特徵向量(Eigen Vector),
進而求出各層級因素間之相對權重。
按矩陣理論w為一致性矩陣A之特徵向量,其特徵值為n。相對權重 分別為w1, w2,…,wn,則項量重要性比值為aij =
w
i/w
j,其矩陣表示如式(3.3)【26】。
[ ]
⎥⎥
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢⎢
⎢
⎣
⎡
=
⎥⎥
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢⎢
⎢
⎣
⎡
×
⎥⎥
⎥⎥
⎥⎥
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢⎢
⎢⎢
⎢⎢
⎢
⎣
⎡
=
=
′
′ ′ w w
w w w w
w w w w
w
w w w
n 2 1
n 2 1
n n n
2 1
n 2 2
2 1 2
1 2
1 1 1
M M
L M O M
M
L L
w w w
w
w w w
w w w
a
n
n
A
ij (3.3)為檢定成偶比對矩陣 A 是否符合一致性,必須計算特徵向量
w
i與最 大特徵值λ
max,其計算公式如式(3.4):一、特徵向量(wi)
1
1 1
∑
=∑
=
= n
j n
i ij
ij
i
a
w n a i , j
=1,2,3Ln
(3.4)其中
n 表決策因素之個數。
二、最大特徵值(λmax)
將成偶比對矩陣
A 乘以所求得之特徵向量 w
i,即可得到一新向 量w′i,再將新向量w′i中之所有因素除以原向量中對應因素,將總合 除以因素個數即求得λ
max如式(3.5)所示。( w w w w w
nw
n)
n
×′
+′
+ +′
= 1 1 2 2 L
max 1
λ
(3.5)若令λ1, λ2,…, λn為矩陣A之特徵值,最大值為λmax,且均為正值。
由於aij =
w
i/w
j與aij = 1且成偶比對矩陣為一致性矩陣,則 nn
i i=
∑
=1λ
。若將aij作微量變動,其特徵值也將會作微量變動,則aij之微量變動 將使λmax趨近於n,其餘特徵值均趨近於零,即λmax=n,因此w為一 致性矩陣
A 之特徵向量,而其特徵值為
n。由於在成偶比對時,評 估者僅憑主觀判斷而決定aij值,與真實之wi/w
j必有些許之差異,因 此A×w′=n×w′便無法成立,因此Saaty【58】認為以 A 矩陣中最大 特徵值λmax來取代n。由此以上式可求得矩陣A 之最大特徵值,即為
各因素之權重。在AHP 之基本理論假設中主要係採用一致性指標(Consistency Index;
C.I.)及一致性比率(Consistency Ratio; C.R.)來檢測成偶比對矩陣之一致 性。
. 1 . max
−
= −
n I n
C λ
(3.6)一致性指標(C.I.)係由特徵向量法中求得(如式 3.6),以λmax與n(矩陣 維數)兩者之差異程度來衡量評估者之判斷是否達到一致性。當C.I. =0 時,表示評估者在同一層級因素下之n 個因素成偶比對判斷完全具一致 性。若C.I.>0 時,則表示評估者之判斷不一致,即應及時修正,而Saaty
【58】認為C.I.<0.1 一致性最佳,但最大可容許的偏誤為C.I.<0.2。此 外,根據Dak Ridge National Laboratory 與Wharton School 之研究,從評 估尺度所產生之正倒值矩陣,在不同階數下產生不同之C.I.值稱為隨機指 標(Random Index; R.I.),其值隨矩陣階數之增加而增加【26】。隨機指標 如表3.4 所示。
表3.4 隨機指標表
N 1 2 3 4 5 6 7 8 9 10 11 12 13
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
資料來源:【58】
在 同 階 數 之 矩 陣 下 ,C.I. 值 與 R.I. 值 之 比 率 , 稱 為 一 致 性 比 率 (Consistency Ratio; C.R.),即式(3.7)所示。C.R.<0.1 則一致性之程度才 被接受【58】。
. .
. . . .
R I
I R C
C
= (3.7)上述係針對單一成偶比對矩陣之一致性衡量,至於整體層級架構一 致 性 之 評 定 , 可 運 用 整 體 層 級 一 致 性 比 率(Consistency Ratio of the Hierarchy; C.R.H.)來檢定,其數學式說明如式(3.8、3.9、3.10)。而當C ..RH
<0.1 時,表示整體層級架構的一致性達到可接受水準。
∑
= . . . H
I
C
(每層級之優先向量)×(每層級C.I.值) (3.8)∑
=
H I
R .
. (每層級之優先向量)×(每層級R.I.值) (3.9)H
I H C R
C
. . . ..
. = (3.10)
計算C.R與C ..RH值之目的在瞭解所得矩陣是否符合數學遞移律,
若C.R.與C ..RH 值愈小,Satty 認為該矩陣愈符合數學遞移律,亦即該矩 陣愈適合運用AHP 萃取出關鍵因素,而兩者 Saaty 均建議宜在 0.1 左右,
即C.R.<0.1 且 C.R.H.<0.1,才能保證其具有一致性。
步驟四:計算各方案之優勢比重值
各層級經過一致性檢定達到可接受水準後,即可計算各方案優勢比 重值,一般係以pi代表方案i之優勢比重值,pi可由各層級之權重相乘加 總而得,數值越大表示順序越優先。本研究係運用AHP之決策程序,求 取影響決策目標之評估準則權重,所以採用不完整層級(如圖3.4)亦較 適合處理許多分枝之問題故無方案之優勢比較【58】。
A
第一層(最終目標)
第二層
A1 A2 A3
(評估準則)
第三層
(評估準則)
A11 A12 A21 A22 A23 A24 A31 A32 A33
圖3.4 不完整層級架構示意圖資料來源:【58】
上述為AHP 之分析過程,其雖係一套系統結構化之評估方法,然為使各 成偶比對因素進行評估時能有客觀之參考依據,於調查時對受訪者應提供完 整之資訊,包含各備選方案之詳細介紹及其各評估準則之成效,以使評估結 果更為客觀合理【29】。