第三章 研究方法
3.2 灰關聯分析
表3.1 河域資源遊憩潛力評估模式(續)
評估構面 評估因子 判斷標準 評分值
不明顯 0
有 1
**特殊之地景或地標物
顯著 3
雜草、灌木叢生或缺乏植栽覆蓋 0
尚可 1
***植披及林相之美質
林相優美 4
差 -5
尚可 1
美學因素
****環境整體印象
佳 5
資料來源:[5]。
題 X 所得到之影響問題的因子集 P(X),其所含的因子均為確定,則當 其滿足下列條件時,稱P(X)可轉化為因子空間:
1. 存在性:關鍵因子(或稱影響中心,主題中心)的存在。
2. 可構造性:因子的影響不斷改變而不具固定的模式。
3. 可數性:因子的數目是有限的而且是可數的。
4. 獨立性:各因子之間均具有獨立性。
5. 可包容性:因子的整體性以及參數序列的存在性
二、灰關聯生成
對於轉化成為因子空間的因子集 P(X),其內含之因子可以一序列 xi=(xi (1), xi (2), xi (3),...,xi (k))來表示,xi ∈ P(X), i =1,2,…,n,且 xi(k ), k =1,2,…,m,為因子序列所含的元素。為了使序列具有可以比 較的特性,以利灰關聯分析的進行,序列必須滿足下列三個條件[82]:
P(X)為一灰關聯因子集
設原始數列為:xi=(xi (1), xi (2), xi (3),...,xi (k)) ∈ P(X) 其中:
i=1,2,3,..., m ∈ N ,代表有 m 組數列
k=1,2,3,..., n ∈ N ,代表各數列包含 n 個因子 x1=(x1 (1), x1 (2), x1(3),...,x1(n))
x2=(x2 (1), x2 (2), x2(3),...,x2 (n))
…
xm=(xm (1), xm (2), xm (3),...,xm (n))
若 xi 滿足下列三個條件,則稱 xi 數列具可比性:
1. 無因次性:不論因子 xi (k) 的測度單位為何,均需經過處理使
其為無因次性,也就是不同序列雖代表不同之測度值,但必須 將其單位去除,才得以比較。
2. 同等級性:各序列中之值 xi (k) 均屬同等級或等級相差不大。
3. 同極性:指序列中因子的描述狀態必須有相同的目標,譬如同 時以最大值處理為目標或是最小值處理為目標。
為了滿足以上三個條件以便進行灰關聯分析,必須對數列之數據 做正規化處理,此一處理稱為灰關聯生成,而線性數據前處法即可使 數列滿足可比性原則,依效果測度可分為以下三種方法[83]:
(一) 效益目標之測度(望大) 1.目的:
衡量數據偏離最大值之程度,即希望效果越大越好為其考 慮範圍。
2.數學公式:
( ) ( ) [ ( ) ]
[
xk( )
k]
x[
kx( )
k]
k x x
i i
i i
i max min
* min
−
= − (3.1)
(二) 成本目標之測度(望小) 1.目的:
衡量數據偏離最小值之程度,即希望效果越小越好為其考 慮範圍。
2.數學公式:
( ) [ ( ) ] ( )
[
x( )
k] [
x( )
k]
k x k k x
x
i i
i i
i max min
* max
−
= − (3.2)
(三) 特定目標之測度(望目)
1.目的:希望效果是某個特定目標為其考慮範圍。
2.數學公式:
( ) ( )
[ ( ) ] [ ( ) ]
{
x k OB OB x k}
OB k k x
x
i i
i
i* 1 max max , min
−
−
− −
= (3.3)
其中:
( )
kxi* :灰關聯生成後之數值
[
xi( )
k]
max :表示所有數列中第k 個因子的最大值
[
xi( )
k]
min :表示所有數列中第k 個因子的最大值 OB:為特定值
以上所描述的數據處理方法均可使經過處理的序列滿足前述的序 列可比性的三個條件,我們稱滿足可比性三項條件的序列所構成的空 間為測度空間。
三、灰關聯測度的四大公理
有了灰關聯測度空間之後,滿足灰關聯測度的四項公理,使得灰 關聯分析更具完備性,所謂灰關聯四項公理亦指任一灰關聯測度γ( xi, xj) 所必須滿足的條件如下:
1. 規範性:新的灰關聯度的值是分佈 0 與 1 之間,故其滿足規範性,
也就是滿足0 < ( xi, xj) ≤ 1 , ∀ i, | ∀j,當γ( xi, xj)=1 時,表示兩序列 為相同之序列,當γ( xi, xj)=0 時,則表示比較序列 xj 與參考數列 xi 的關係為所有比較中最無關聯者。
2. 偶對稱性:當數列只有兩組時,兩兩比較是對稱的。
γ( xi, xj)=γ( xj, xi)
3. 整體性:當數列大於三組 (含三組) 時,則必須考慮其整體的序列
之間相互影響的關係,所以 γ( xi, xj) ≠ γ( xj, xi) 4. 接近性:
∣xi (k)-xj (k)∣為整個 γ( xi, xj)的主控項,亦即灰關聯度的大小必 須與此項有關。
四、傳統灰關聯度之推導
經數據前處理後,使數據滿足可比性的三個條件且不會將原始數 據扭曲,接著定義出一測度公式,稱之灰關聯度,以進行量化的工作。
灰關聯度的定義是表示兩個數列的關聯程度。在求灰關聯度時,只有 一個數列 x0為參考數列時,則稱為“局部性(localized)灰關聯度”;若任 一數列 xi ,i = 1,2,3,...,m 均可為參考數列時,則稱為“整體性(globalized) 灰關聯度”。
灰關聯中之灰關聯度可分為局部性分析與整體性分析,而本研究 僅採用局部性分析,茲分述如下:
(ㄧ)灰關聯係數
在灰關聯空間P(X)中有一數列
設一數列:xi x( i (1), xi (2), xi (3),...,xi (k)) ∈ X
其中:
i = 1,2,3,...,m ∈ N ,代表有m組數列
k =1,2,3,...,n ∈ N ,代表各數列包含n 個因子 x0 = (x0 (1), x0 (2), x0 (3),...,x0(n))
x1 = (x1 (1), x1 (2), x1 (3),...,x1(n)) x2 = (x2 (1), x2 (2), x2 (3),...,x2(n))
…
xm=(xm (1), xm (2), xm (3),...,xm (n))
下所述:
1. 局部性:當只有ㄧ個數列 x0 (k)為參考數列時,其他數列為比較 數列時。
2. 整體性:當數列中任ㄧ個數列 xi (k) 均可以為參考數列,其他數 列為比較數列時。
( ) ( )
(
0, ) = Δ Δ
0min( ) + + ζ ζ Δ Δ
maxmaxγ x k x k k
i
i (3.4)
其中:
i =1,2,3,...,m∈N ,代表有m組數列(ㄧ個數列代表ㄧ個樣點)
k =1,2,3,...,n∈N ,代表各數列包含n 個因子(河域遊憩潛力評 估構面中各評估因子)
x0 為參考數列,xi 為比較數列
( )
k x( )
k xi( )
ki = −
Δ0 0 ,代表 x0 (k) 與 xi (k) 差之絕對值
( )
kk i
j i
0 min =min.min.Δ
Δ ∀ ∈ ∀ ,代表所有 xi 中最小之Δ0j
( )
k( )
kk i
j i
0 max =max.max.Δ
Δ ∀ ∈ ∀ ,代表所有 xi 中最大之Δ0j
( )
k ζ:辨識係數:ζ∈ [ 0 , 1 ](二)辨識係數(ζ)
在灰關聯係數中的功能主要是做背景值和待測值之間的對比,數 值的大小可以依據實際的需要做適當之調整。ㄧ般而言,辨識係數值 均取 0.5[84],但是為了加大結果的差異性,可以依實際需要做調整。
由實際的數學證明中得知,辨識係數的值只會改變相對數值的大小,
不會影響灰關聯度的排序。
(三)灰關聯度
當求得灰關聯係數後,針對每個比較數列,將灰關聯係數乘上權 重後所得之加權平均即為該數列的灰關聯度Γ0i ,此可視為每一數列所 得之分數,若分數越高則表示該數列愈形重要,公式如下:
( ) ( )
( )
[ ]
∑
=×
= Γ n
k
i k
i w x k x k
1
0
0 γ , (3.5)
其中wk 為權重,權重經標準化處理後,則
∑
= n =
k
wk 1
1
灰關聯度表示兩數列之相關程度,其中0 <Γ0j ≤1,愈接近 1 表示 相關程度愈高。若將m 個比較數列對同一參考數列的灰關聯度,依其 大 小 順 序 排 序 , 可 以 組 成 一 排 列 關 係 的 灰 關 聯 序(Ordinal Grey Relational),以供研究者評估方案或制定決策之用。本文即利用局部性 分析之灰關聯度衡量中港溪遊憩潛力,以灰關聯序作為遊憩潛力高低 排名之依據,研究流程,如圖3-1 所示。
( ),Δmin,Δmax
Δ koi