模糊德爾菲法摘要說明

德爾菲法(Delphi)也稱為專家預測法，運用並整合不同專家學者的個別意見來進 行預測。這是一種被普遍使用於構想評估及群體決策的方法，經由多次重複的專家意 見整合，尋求專家學者們對決策問題的一致性共識(看法和意見)，藉以取得比較一致 的預測結果，解決複雜的問題。傳統德爾菲法的缺點如下：

1. 採用通訊方式的匿名意見發表，導致實施步驟與過程較為繁複，專家意見的蒐 集耗費時日。

2. 屬於綜合個別專家學者意見的預測結果，並非系統性預測，結論可能較為籠統。

3. 所謂專家意見一致，只是專家的意見落在某一範圍中，此範圍隱含模糊性，但 在處理過程中並未將模糊性納入考量，意見的不易收斂，將使評估結果偏頗。

4. 若缺乏良好的誘因，不易獲得專家配合，導致問卷回收率低。

在傳統德爾菲法中應用模糊理論，可解決上述的德爾菲法所面臨的困境。換言之，

採用模糊德爾菲法可以降低問卷調查次數、讓專家意見可完整表達、同時也可將在填 答過程中的模糊性納入考慮。模糊德爾菲法的施行步驟如下：

一、建立決策層級與評估因子

經由對本研究決策目標的探討以及國內外相關研究文獻的彙整，提出安寧病房 公共空間療癒性構成要素的層級和各層評估因子的項目與其內容。在參考台灣 安寧病房中各項設施現況的調查結果之後，進行初步的修正與調整，建立在目

標構面與評估因子層級的評估指標項目。

二、蒐集專家學者意見

設計第一階段專家問卷，並組成專家小組，初步取得所有專家對各層級評估因 子之間的項目重要性所選取的可能區間數值，以便進行專家認知的檢驗。如表 3-3-1 所示的模糊語意變數所代表的三角模糊數的區間數值，在區間數值中的 最小值是此專家對該評估項目量化分數的「最保守認知值」；最大值則是此專 家對該評估項目量化分數的「最樂觀認知值」。

三、計算模糊德爾菲法的評估值

對於每一項評估因子，分別統計由所有專家在其勾選的區間數值中的最保守認 知值(最小值)與最樂觀認知值(最大值)，並將落於二倍標準偏差(2)之外的極端 值刪除。再由未被刪除的部分，依據「雙三角模糊數」之模糊德爾菲法，分別 計算這些最保守認知值的三角模糊數(最小值，幾何平均數與最大值)，以及最 樂觀認知值的三角模糊數(最小值，幾何平均數與最大值)。

本研究是將傳統德爾菲法以下列的「平均正規化模式(mean normalization mode)」

(Klir and Folger, 1988)處理，換言之，是以由問卷取得之專家勾選的區間數值 (評估值)，來建立模糊德爾菲法所需之三角模糊函數。

假設有 m 位專家與 n 個準則，第 e 位專家對第 f 個評估因子的項目重要性評價 函數 (𝑊̃_𝑒𝑓)，其評價值的最小值 a (𝑥_𝑒𝑓)、平均數 M (𝑦_𝑒𝑓)與最大值 b (𝑧_𝑒𝑓)的說 明如下：

𝑊̃_𝑒𝑓 = (𝑥_𝑒𝑓, 𝑦_𝑒𝑓, 𝑧_𝑒𝑓)

其中 e = 1, 2, 3…m (專家) f = 1, 2, 3…n (評估因子) 𝑥_𝑒𝑓，𝑦_𝑒𝑓，𝑧_𝑒𝑓

第 f 個評估因子的項目重要性的三角模糊數 W̃_𝑓的計算式如下：

𝑊̃_𝑓 = (𝑥_𝑓, 𝑦_𝑓, 𝑧_𝑓)

f = 1, 2, 3…n

𝑥_𝑓 = Min{𝑥_𝑒𝑓}，𝑦_𝑓= √∏ 𝑦_𝑒𝑓

𝑚

𝑒=1

𝑚 ，𝑧_𝑓 = Max{𝑧_𝑒𝑓}

𝑥_𝑓是所有專家對第 f 個評估因子的評價值的最小值(下限)

𝑦_𝑓是所有專家對第 f 個評估因子的幾何平均數，代表大多數專家的共識。

𝑧_𝑓是所有專家對第 f 個評估因子的評價值的最大值(上限) 𝑥_𝑓與 𝑧_𝑓是專家共識的三角模糊數的兩端點。

圖 3-3-1 三角模糊函數示意圖

圖 3-3-1 中，a 是最小值、m 是幾何平均數、b 是最大值、J 是專家評估值、Un(x) 為專家共識的隸屬函數。若 x = m，隸屬度= 1。若 x  a 或 x  b，隸屬度= 0。

若 a  x  m，隸屬度= ^x-a

m-a。若 m  x  b，隸屬度=^x-m c-m。 四、模糊語意

語意值的隸屬函數可用三角模糊數表示。此做法可將非量化的問題經由模糊語 意變數而獲得適當的權重分析配比。在第一階段的專家問卷中採用模糊語意，

m b a

0 1

J Un(x)

共識區間

並搭配各語意隸屬的三角模糊數，進行評估準則的初步重要性權重分析。

表 3-3-1 語意變數的三角模糊數區間數值

語意變數 三角模糊數

非常重要 (7,9,9)

重要 (5,7,9)

普通 (3,5,7)

不重要 (1,3,5) 非常不重要 (1,1,3)

五、篩選評估準則

由前述步驟可得到所有專家對各層級因子重要性的三角模糊數。再利用幾何平 均數(𝑦_𝑓)做為代表各專家學者對各個層級因子間的初步共識值。其次，設定一 固定門檻值 t (fixed threshold value)做為層級因子的篩選標準。如果 𝑦_𝑓 ≥ 𝑡，則 接受第 f 個層級因子；反之，若𝑦_𝑓 < 𝑡，則捨棄此項層級因子或修正之。