模糊德爾菲法

模糊德 爾菲 法(Fuzzy Delphi Method, FDM)顧名思義就是將模糊理論(Fuzzy Theory)結合傳統的德爾菲法(Delphi Method)，藉以解決傳統德爾菲法的缺點。所謂的 模糊理論是模糊關係、模糊集合、模糊邏輯、模糊控制與模糊量測等理論的泛稱(郭 怡助，2000)，模糊理論是由 Zadeh (1965)在學術雜誌中提出「模糊集合論(Fuzzy Set Theory)」，並在文中提出了應用模糊集合的理由(向殿正男，1990)：

1. 解決目前科學必須要求極為精確，不容錯誤的困境。

2. 解決科學必須倚賴精確的數學定義，否則無法研究的困境。

3. 解決人類語言表達十分模糊且語意因人而異的問題。

傳統德爾菲法是一種藉由專家問卷有效整合結果價值的方法(Chang et al., 1995)，

是為一系列、多回合式匿名問卷收集資訊的過程，過程持續直到專家意見達成群體共 識為止(Chu & Hwang, 2008)，且此發放問卷之方式並無橫向連結之關係。德爾菲法是 起源於 1950 年美國國防部委託美國蘭德公司(Rand Corporation)預測蘇聯癱瘓美國最 佳的攻擊目標群和攻擊所需要的原子數量，因此蘭德公司中的德爾克(Dalkey)與其助 手 Helmer 共同發展出這種利用專家群體溝通發展出來的，專家群體們對未發生的未 來共同進行預測，一系列過程最終形成一致性的共識，作為決策者參考的一種分析方 式(林瑞華，2009)，而自 1960 年起已被廣泛地運用在預測、政策分析、方案規劃以 及其他決策問題的調查與分析。其命名取自於古希臘神諭之地「德爾菲」(Delphi)，

主要是因為城中有座阿波羅神殿可預卜未來，取其權威與信望之意義德爾菲法(郭怡 助，2000)。然而德爾菲法已被廣泛地使用多年，但仍有令人所詬病之處，表 19 為德 爾菲法優缺點的整理表。

表 19

德爾菲法優缺點的整理表

德爾菲法優點 德爾菲法缺點

1

團體判斷優於個人判斷，有系統的反覆 進行測試，獲得專家群體之共識，可達 集思廣義的效果

以中位數及中間 50%作為篩選評估準 則的依據，僅能做為訂立策略時方向指 引以及參考

2

專家群體透過匿名化或個別方式進行 測試，可兼顧每位專家獨立判斷之特 質，個人知識資訊貢獻之回饋

預測部門在彙總專家意見時，容易有先 入為主，過濾掉正確專家的意見，以系 統性削弱或抑制不同的觀點

3 調查方法簡單易懂，不需艱深的統計，

即能分析複雜和多面向的問題

反覆進行次數愈多，導致成本增加及有 效回收率下降

4 能反應整體意見中細微的差異，及有個 人看法修正的機會

專家選取不易，優秀專家不一定能夠參 與

5

可同時當研究及學習工具，尤其當專家 成員具有決策者身分時，在有限資源及 特定情境下，以達到獲得策略上共識之 工具

執行上常發生方法不當、執行不利、拙 劣問卷設計、回饋及共識價值有限等

6 特別適用所預測事物歷史資料很少，或 道德兩難因技術及經濟受限之狀況

實施相當耗時，控制進度不易，因此不 適用緊急決策之狀況

資料來源：從價值鏈的觀點探討台灣農業轉型-建立農產品產銷履歷制度關鍵成功因 素之研究，林瑞華，2009，未出版之碩士論文，清雲科技大學經營管理研究所，中 壢市。

德爾菲法進行的方式是以問卷調查的方式來徵詢對討論的議題有所了解以及鑽 研的專家，請專家單獨對於問卷上之問題表示意見，但每位專家間並不會知道同時參 與的其他專家，因此事先亦不會針對此一議題有所討論以及意見交換，而是由協調人 員歸納所有專家的意見，並統計其分佈的情形求取「中位數」以及「中間 50%」的意 見所在，之後再函請各專家進行第二次的問卷，待收回第二次問卷時再進行整理與歸 納，並將結果呈現以下次問卷參考，此方式將反覆進行三次至五次(許士軍，1981)。

德爾菲法是一個用於團體溝通問題之結構化方法，因此，Kilr and Yuan (1995)提 出在進行過程中有下列幾項原則需注意：

1. 多元化之遴選參與者，以包容不同專業、觀點或利益分歧之代表人士，以達到群 體決策之整體性與客觀性。

2. 參與者之匿名性。在使用問卷或其他溝通管道時，可以避免少數人具有支配權力 的參與而影響他人的決定。

4. 分析結果為一種保證在最後回答中，群內成員意見皆能被表達出來的方法。

楊宜真 (1999)提出在進行德爾菲法時亦有下列兩項基本之假設：

1. 由群體成員一起討論所產生的決策，應比個人獨自思考出的方法更為周全。尤其 當群體成員之組成均為專精於該討論議題的專家時，其決策之品質應更佳。

2. 群體決策雖較個人決策有效，但當群體成員面對面溝通時，卻容易因群體級化 (group polarization)、群體迷思(groupthink)等眾多因素干擾，而影響結果。

儘管德爾菲法有其價值所在，亦被認為在對於問題解決，決策和群體共識的處理 上是個可靠的定性研究方法(Chu & Hwang, 2008; Wey & Wu, 2008)，但在整個群體的 決策的過程中對於問題量測與意見回應上，卻存有含糊、不確定性與不一致性的缺陷 (Chang, Huang, & Lin, 2000; Wey and Wu, 2007)，因存有以上問題，因此 Murray et al.

(1985)將模糊理論導入傳統的德爾菲法中成為模糊德爾菲法，此法是一種藉由人類語 意程度的不同，並且利用所相對應之變數的價值來表達。Murray 等人提出這樣的方 法不外乎是想要解決傳統的德爾菲法中所存在的含糊與不確定性的問題，但其未提出 具體化的計算方式，因此後續的研究中對於模糊德爾菲法有著許多的解決方式，例如：

Ishikawa, Amagasa, Shiga, Tomizawa, Tatsuta, and Mieno (1993)提出的最大值-最小值法 (Max-Min)與糢糊積分法(Fuzzy Integration)，Chang et al.(1995)利用三角糢糊數為基礎，

陳昭宏(2001)提出的雙三角糢糊數等等的方法。而因模糊德爾菲法具有以下四項特性 與優點，可改善傳統德爾菲法所存在的含糊與不確定性的問題(Chang et al., 2000; Wey

& Wu, 2007)

1. 個別專家的意見都會被考慮進去

2. 可減少調查次數、降低時間與經費的消耗 3. 預測項目之語意結構明確

4. 個別專家屬性亦加入考量

徐村和 (1998)提出對於一般的模糊德爾菲法可採用以下三個步驟進行：

1. 建立影響因子集 2. 蒐集決策群體意見

3. 用模糊德爾菲法進行評估值之計算

根據以上所述，模糊德爾菲法將可以改善德爾菲法的缺點，使其更為完善、合理 且客觀的採納眾多參與者的群體意見。本論文在此將採用模糊德爾菲法進行第一次的 專家問卷，以期篩選初步的外包商評選因子，在此，所採用的方法是以王維民(2010)

提出之，其概念是以 Ishikawa et al. (1993)為核心概念，且結合鄭滄濱(2001)、並以 Lee, Wang and Lin 與 Wang(2008)為基礎，除參考以上學者，並參酌其他相關的研究(陳昭 宏，2001；黃燕萍、王維民，2008；Chang et al., 1995；Chang & Wang, 2006；Dzeng

& Wen, 2005；Hsiao, 2006；Kuo & Chen, 2008；Wey & Wu, 2008)，本論文將採用的是 雙三角糢糊數，因徐慧明、衛萬明與蔡佩真 (2007)提出運用雙三角糢糊數會較一般 單一三角糢糊數求取幾何平均數更為客觀且合理，其主要的原因是因為雙三角糢糊數 需要透過「灰色地帶檢定法」來檢驗專家的意見是否達成共識能收斂。此方法之詳細 步驟如下：

【步驟 1】

收集並建立所有可能會影響的相關因子 𝑈 = { 𝑢_𝑖 | 𝑖 = 1, 2, 3, … , 𝑛}，ui 為建立 的因子 i 。

【步驟 2】

將需探討的議題建立其初步的因子架構並設計成專家問卷，然遴選適當的專家並 組成專家小組，請每位專家針對個別的問題(因子)進行給予評估意見，此評估的意見 是為一個介於 0 至 10 的區間值 𝑆^𝑖 = ��𝐶_𝑘 ^𝑖 , 𝑂_𝑘^𝑖��，但需為整數，𝐶_𝑘 ^𝑖 代表專家 k 給評 估因子 ui 的可允許最小值，𝑂_𝑘^𝑖代表專家 k 給評估因子 ui 可允許的最大值，此兩個數 值亦分別代表著每位專家對該因子之量化分數的「最保守認知值」與「最樂觀認知值」

(鄭滄濱，2001；Chang & Wang, 2006)。

【步驟 3】

在此將針對每一個評估因子 ui 中所有專家所給予的「最保守認知值」𝐶_𝑘 ^𝑖 與「最 樂觀認知值」𝑂_𝑘^𝑖 進行統計分析，將落於兩倍標準差以外的極端評估值予以刪除(Wey &

Wu, 2008)，再將保留下來的評估值分別計算出「最保守認知值」 𝐶_𝑘 ^𝑖中的最小值 𝐶_𝐿 ^𝑖、 幾何平均值 𝐶_𝑀 ^𝑖 與最大值 𝐶_𝑈 ^𝑖 以及「最樂觀認知值」𝑂_𝑘^𝑖 中的最小值 𝑂_𝐿 ^𝑖、幾何平均值 𝑂_𝑀 ^𝑖 與最大值 𝑂_𝑈 ^𝑖 。

【步驟 4】

接續步驟 3 的結果，分別建立每一個評估因子 ui 的「最保守認知值」與「最樂 觀認知值」三角糢糊數，𝐶^𝑖 = �𝐶_𝐿^𝑖, 𝐶_𝑀^𝑖 , 𝐶_𝑈^𝑖� 與 𝑂^𝑖 = �𝑂_𝐿^𝑖, 𝑂_𝑀^𝑖 , 𝑂_𝑈^𝑖� ，而此兩者若有重

圖 6 所示 (陳昭宏，2001；鄭滄濱，2001；Ishikawa et al., 1993；Hsiao, 2006；

Wey & Wu, 2008)：

隸屬度

認知值 1

0

糢糊關係 之 灰色區域

圖 6 雙三角模糊數與模糊關係之灰色地帶示意圖

【步驟 5】

此步驟之目的為檢驗專家們的意見是否達成共識。欲判斷專家們是否已達成共識，

必須藉由每一個評估因子 ui 的灰色地帶計算其「共識重要程度值」𝐺^𝑖 (鄭滄濱，2001；

Ishikawa et al.,1993；Hsiao, 2006；Lee et al., 2010)，𝐺^𝑖 亦代表評估因子 ui 的重要程度，

數值愈高則代表愈重要。欲計算「共識重要程度值」𝐺^𝑖 ，則應先判斷 𝐶_𝑈^𝑖 與 𝑂_𝐿^𝑖 之關 係，兩者關係相對應之計算方式如下：

1. 當 𝐶𝑈𝑖 ≤ 𝑂𝐿𝑖 (兩個三角糢糊數無重疊)時，則表示該評估因子 ui 的灰色區域𝑍^𝑖 不 存在，代表專家們對此評估因子已達成共識，因各專家對於此評估因子的評估意 見值有共識的區段，因此，令此時的 𝐺^𝑖 為 𝐶_𝑀^𝑖 與 𝑂_𝑀^𝑖 的算術平均數，如下列方程 式 1

𝐺^𝑖 = 𝐶_𝑀^𝑖 + 𝑂_𝑀^𝑖

2 (1)

2. 當 𝐶_𝑈^𝑖 > 𝑂_𝐿^𝑖 (兩個三角糢糊數有重疊)時，則表示該評估因子 ui 具有灰色區域𝑍^𝑖 ， 𝑍^𝑖 = 𝐶_𝑈^𝑖 − 𝑂_𝐿^𝑖 (鄭滄濱，2001；Lee et al., 2010)。此時則應判斷「樂觀認知的幾 何平均值」與「保守認知的幾何平均值」的區間範圍值 𝑀^𝑖 ，𝑀^𝑖 = 𝑂_𝑀^𝑖 − 𝐶_𝑀 ^𝑖 ， 而根據 𝑀^𝑖 與 𝑍^𝑖 之關係而有相對應之處理方式，其處理方式如下：

(1) 當 𝑍^𝑖 < 𝑀^𝑖 時，表示雖然專家們給予的意見評估值雖無共識區間，但給予極

C

C

O

C

O

O

𝐶

𝑂

端意見的專家並沒有與其他專家們相差甚大導致意見分歧發散，因此，令此 評估因子 ui 的「共識重要程度值」𝐺^𝑖 為兩三角糢糊數的模糊關係交集(min) 運算(如方程式 2)所得的模糊集合，再求取最大的隸屬度值(如方程式 3)(鄭滄 濱，2001；Lee et al., 2010)，其中，𝜇_𝐹^𝑖�𝑥_𝑗� 為三角糢糊數 𝐶^𝑖 與 𝑂^𝑖交集的隸屬 函數。

𝐹^𝑖�𝑥𝑗� = ���𝑚𝑖𝑛�𝐶^𝑖�𝑥𝑗� , 𝑂^𝑖�𝑥𝑗��� 𝑑𝑥

𝑥

� , 𝑗 ∈ 𝑈 (2)

𝐺^𝑖 = �𝑥𝑗�max 𝜇_𝐹^𝑖 (𝑥𝑗)�, 𝑗 ∈ 𝑈 (3) (2) 當 𝑍^𝑖 > 𝑀^𝑖 時，表示專家們給予的意見評估值已無共識區間，且給予極端意 見的專家與其他專家們相差甚大導致意見分歧發散，因此將未收斂的評估因 子 ui 提供 𝑀^𝑖 值給予下次填寫問卷的專家參考，並重複步驟 2 至步驟 5，再 次填寫專家問卷，直到達到所有的評估因子皆收斂並求出 𝐺^𝑖 為止(鄭滄濱，

2001)。

【步驟 6】

此步驟的目的為篩選評估因子。欲判斷評估因子 ui 是否該刪除是根據步驟 5 所 求出之「共識重要程度值」𝐺^𝑖 以及每個研究自行訂定之門檻值 S ，作為依據，在篩 選因子時是將評估因子 ui 的「共識重要程度值」𝐺^𝑖 與門檻值 S 作比較，若𝐺^𝑖 > 𝑆 則 應將該評估因子 ui 予以保留，反之，則應將該評估因子 ui 予以刪除(Dzeng & Wen, 2005)。其中，門檻值 S 的訂定是視決策者實際需求而主觀設定(張有恆、徐村和、陳 曉玲，1997；Dzeng & Wen, 2005；Kuo & Chen, 2008)，但根據文獻指出，一般建議 將門檻值 S 的值訂於 6.0 至 7.0 是最為適當。