研究方法

國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y 第三章 研究設計與實施

本章內容共分為四節，第一節為研究方法，第二節為研究架構與流程，第三節 為研究樣本與工具，第四節為資料處理。

第一節 研究方法

德菲術(Delphi method)是一種專家預測法，也是一種群體決策法，主要借重 專家學者的知識及經驗，透過反覆問卷獲取其共識。其優點主要有：提供更多的 知識和訊息、提供更多的問題解決方法、產生較高品質的決策內容以及增加對最 後決策的承諾與認同。

雖然傳統德菲術已提供相當多的優點，但對調查或預測不確定性及模糊性的 問題卻依然存在(黃良志等，2001)。傳統德菲術至少需經過三回的問卷調查，頗 為費時，且專家意見的收斂效果不大，加上重複調查的次數愈多，其成本就愈高。

另外，可能因協調者在歸納時已有先入為主的觀念，導致過濾專家意見時產生系統 性的削弱對手與抑制不同想法的過程 (吳政達，2004)。換言之，傳統德菲術對於 專家判斷意見非贊同即反對、不是0就是1的二值邏輯分析方式，極易忽略0到1中 間任意連續值所提供的重要資訊。

模糊德菲術係Murray T.J.於1985年整合德菲術與模糊理論之一種研究方法

（陳梅娥，2003），其將模糊概念導入德菲術的運用，考慮不確定性、語意變數 等因素，應用模糊理論中之三角模糊數於德菲術，可改良傳統德菲術之缺點（陳 淑珍，2004），其主要精神為利用每位參與者之偏好關係，以建構其個人之模糊 偏好關係，以求得團體的偏好關係來做最佳選擇。本研究鑑於傳統德菲術之缺點，

並考量政策利害關係人對指標選擇的思維常存有模糊性之情形，故採用模糊德菲 術做為整合政策利害關係人意見之方法。以下簡要說明模糊德菲術之主要理論基 礎及資料處理方式。

壹、模糊集合

與古典集合（classical set）的二值邏輯（非 A 即 B）不同，模糊集合 對 人類思維、判斷或決策中的不確定性與模糊性，允許以 0 到 1 之間的連 續任意 值來代表其隸屬程度，且用隸屬函數（Membership function）表示 其間的從 屬關係，以反應真實世界中模糊多元的特質（湯家偉，2006）。

貳、語意變數

語意變數是模糊統計分析的一個重要工具，也被普遍地應用於日常生活中，

例如，今天的天氣，我們會以｛很好，不錯，有點毛毛雨，下大雨，颳風下雨｝等用 詞來表示。但是基於人的思維與語意的複雜性，具有許多不確定的偏好，其運作 方式要比布林（Booleam）邏輯的結果來得複雜，因此，使用模糊模式的呈現方 式要比直接指定單一物體的特定值，更適合 於評估物體間的相關特性。而語意變 數（linguistic variables）通常以自然 語言中的語意措辭為變數，例如專家 對問題的看法，常用｛非常同意、同意、部分同意、不同意、非常不同意｝等措 辭，而後將其轉換成模糊評估值，以達到量化目的（陳梅娥，2003）。

參、隸屬函數

隸屬函數是用以表達元素對集合的隸數度（menbership grade），其範圍介 於0與1之間；若一個元素屬於某一個集合的程度越大，則其隸數度值 越接近於1，

反之則越接近於0。利用隸屬函數可以描述模糊集合的性質，是模糊理論最基本 的概念，透過隸屬函數才能對模糊集合進行量化，也才有可能利用精確的數學方 式，去分析和處理模糊性的資訊。所以，為要獲得觀察值的模糊模式，或是由模 糊模式來估計模糊輸出值，首先必須將觀 察值轉換為模糊資料集，這個轉換的過 程就稱為模糊化（fuzzification）。 而這個過程是透過隸屬函數來予以轉換的

（阮亨中與吳柏林，2000）。

設U為論域。U 上的模糊集合A,是指利用隸屬函數μ說明U 上的元素 屬於 A 的程度，μ為一個從U 對應到［0, 1］的函數。μA：χ→［0,1］，χ□ Ａ。

μA：表示集合中元素χ屬於模糊集合A 的隸屬程度，其為0 到1 之間 的實數。

當μA(χ)接近於1 時，表示χ隸屬於A的程度大；若μA(χ)趨近於0時， 表示χ隸 屬於A的程度小（鍾欣儒，2008）。

肆、三角模糊數

在評估方案或績效時，若為質化準則指標，則其描述通常為一語詞， 而其 所對應的數值，通常是在一個範圍之內；若以一個明確值表示，反而 較不能反應 真實情況，因此在模糊多屬性評估方法中，大多採用模糊數的 概念，三角模糊 數是典型的模糊數之代表，係因三角模糊數具有運算簡 單、容易瞭解之特性。

舉例來說，若模糊數A為一模糊集，其隸屬函數為： μA(χ)：R→［0,1］，若滿 足下列三項條件者，則為三角模糊數（吳政達，2004）：

一、μA(χ)為區段連續（prerewise continous）。

二、μA(χ)為一凸模糊子集（conves fuzzy subset）。

三、μA(χ)為正規化模糊子集（normality of a fuzzy subset）。

三角模糊數的圖形，如下圖3-3所示，三角模糊數為A，其3個端點為 (l, m ,u)。其中l點代表專家共識的最小點，u點代表專家共識的最大點，此 兩 點係極端值，故將其隸屬函數訂為0。l與u之間則代表任何程度的共識 性，故 分別給予不同的隸屬度。

三角模糊數的圖形，如下圖3-3所示，三角模糊數為A，其3個端點為 (l, m ,u)。其中l點代表專家共識的最小點，u點代表專家共識的最大點，此 兩 點係極端值，故將其隸屬函數訂為0。l與u之間則代表任何程度的共識 性，故 分別給予不同的隸屬度。

μA(χ)

1

l m u x

圖 3-1 三角模糊數

若以數學式表示，設一三角函數 A=(l, m, u)L-R ，則其隸屬函數定義為：

(χ－l ) / (m－l ), l≦χ≦m μA(χ)＝ (χ－u) / (m－u), m≦χ≦u

0, otherwise

圖中L點表示專家們共識最小點，U點表示專家們共識的最大點，此兩 點乃是 極端值，所以訂定其隸屬函數為0。而U至L點之間則包括任何形式的 共識性，因此分 別給予不同的隸屬度。另外，吳政達(2004)認為幾何平均數 較不受極端值影響，因 此採取該幾何平均數M點為隸屬度1之代表。

伍、模糊數之計算

此模糊數 的 總 值(total score) 採 取 Chen 和 Hwang(1992) 所 提 之 模 糊 集 合 反 模 糊 化 (defuzzify)的方法，再由專家給定一門檻值α，以篩選出適合的指標。有 關 Chen-Hwang法係先假設最大集與最小集的隸屬函數概念，球出實際受測指 標 的總隸屬值。其計算步驟如下(吳政達，2004)：

一、建立各初選指標之適宜性程度的三角模糊數A。

二、建立最大集與最小集的隸屬函數μ max (x)及μ min (x)。令：

x, 0≦x≦1 最大集的隸屬函數：μ _max (x) = 0 , otherwise

最小集的隸屬函數：μ _min (x) = 1－x, 0≦x≦1 0 , otherwise

μ _max (x)及μ _min (x)將分別與三角模糊數A的右界值與左界值產生交集，已知 A=(L,M,U)代表三個點座標(L,0)、(M,1)、(U,0)，由(L,0)、(M,1)兩點可建

r

五、經由左右界值計算此模糊數A的總值(total score)，並由此值表示模糊數之明確值。

如下式：

μ (A) =﹝μ R (A)+1－μ L (A)﹞/2

六、再以α－截集(α－cut或α－level)方式將模糊集合轉變成明確集合，其定義為：

對於給定的實數α（0≦α≦1）