整合 OWA、模糊推論與 SIPA 分析探討服務品質績效-以台灣電信業為例

(1)

中華大學碩士論文

整合 OWA、模糊推論與 SIPA 分析探討服務品質績效-以台灣電信業為例

Integration of OWA、Fuzzy Inference and SIPA Analysis of the Service Quality Performance-A

Case of Taiwan Telecom

系所別：工業管理學系碩士班學號姓名：M09821013 黃穆容指導教授：鄧肖琳博士

中華民國 100 年 7 月

(2)

摘要

因考量重要表現程度分析(IPA)法僅能提供管理者本身內部屬性之重要性與表現程度間比較，無法提供競爭者在相關屬性上的表現，所以Burns (1986)提出加入競爭者的表現，且能保持管理者在IPA分析決策上的建議，將三種概念分別是重要性、本身績效表現及競爭對手績效表現交疊的表格，此方法稱之為 SIPA(Simultaneous Importance-Performance Analysis)。但未具體說明如何區分重要性相對位置的好壞或表現程度的高低的方式，且一般消費者對服務使用後的滿意度都是以主觀方式表達，並不能代表消費者內心真實的感受程度。

故本研究擬採用OWA運算子整合品質屬性重要性，判別SIPA中之重要性結果，

使用模糊推論品質屬性表現程度，再判別表現度結果，最後以SIPA法分析品質績效表現之情境。以台灣電信業為研究案例，使用OWA運算子求取各電信業者品質屬性在風險權重向量的基礎下最佳權重，進行排序作為屬性重要性之高低，作為SIPA中重要性判別結果，透過模糊推論結果判別研究對象與競爭業者品質要素表現程度之好與不足，經由求出品質要素績效重要性與研究對象及競爭業者品質要素績效表現程度，再以SIPA法分析產生八種情境，進而提供管理者適當的決策分析。

關鍵字: 模糊推論、SIPA、OWA

(3)

Abstract

IPA can only provide comparison to manager for consideration of significance of internal attribution and performance level. It is not possible to provide the performance of competitors in relevant attribute. Therefore, Burns (1986) proposed to add the performance of competitor which can also remain the decision of manager in IPA analysis. It is to overlap three concepts, including importance, self-performance and competitor performance on a form which is called SIPA (Simultaneous Importance-Performance Analysis). However, this does not specify how to distinguish the relevant location of importance and the performance level. The satisfaction of average consumer who has experienced service are subjective and does not represent the actual inner feeling.

Therefore, this study will integrate with OWA operator the importance of quality attribution, determine the importance of SIPA in the results, make fuzzy inference use of the performance of quality attribution, then determine performance results, finally to use SIPA analyze the quality performance of the situation.A Case Study of Taiwan Telecom, for OWA operator with quality attributes to strike the Telecom in the risk weight the best weight vector, to sort the height of Importance attribute, as a result of SIPA in the importance of the identification, through the fuzzy inference discrimination an object of study and competitor the quality factors degree performance of insufficient and good. And then follow-up by SIPA method produces eight situations,it will lead to SIPA result which can be appropriate decision analysis for managers.

Keywords: Fuzzy-based model , SIPA, OWA(ordered weighted aggregation)

(4)

謝辭

時光匆匆，隨著學期的結束，研究所兩年的生涯也將告一段落。回首這兩年的學習過程，一路上充滿著艱辛與歡樂的美好回憶，也承蒙老師們、朋友及家人的關心與鼓勵，在此獻給感謝照顧、勉勵以及支持我的所有人。

特別感謝我的指導教授鄧肖琳博士，兩年來無怨無悔細心的教導我，以及平易近人和樂於與學生討論的態度，使我學習到許多待人處世的道理，讓我受益良多。且在我研究過程中遇到瓶頸與挫折時，適時給予最大的鼓勵及支持，才能順利克服艱困的難題。在完成論文期間，首先感謝博班俊宇學長、俊偉學長平時的照顧及學習經驗的分享、弘裕學長的訓勉、阿泰學長的督促，還有同窗好友小熊、任伯、小ㄇ、師哥、

小盧、小胖、小葛的勉勵與加油打氣，以及同門學妹之之與同學佳芳等碩士班其他同學的大力協助，好友小喬、珮詩及容瑜在苦悶的研究生活中陪伴著我，給予鼓勵及建議，才能使論文順利完成，謝謝你們大家。

論文口試期間，感謝口試委員葉忠達教授、梁綺華教授與鄧肖琳教授在百忙之中給予論文諸多指正及建議，使論文內容更加嚴謹與完善，在此獻上最真摯的謝枕。

最後要感謝我的家人一直以來在生活上及精神上的扶持，讓我無後顧之憂的完成學業，謝謝你們。謹以此論文的成果與家人及曾幫助過我的人共同分享。

黃穆容謹識於中華大學工業管理學系碩士班中華民國 100 年 6 月

(5)

表目錄

表 1 模糊推論相關彙整(英文部分) ... 11

表 2 模糊推論相關彙整(中文部分) ... 12

表 3 SIPA分析表 ... 16

表 4 最大熵值之最佳權重向量(n=3) ... 23

表 5 品質要素之語意值 ... 24

表 6 各品質要素之OWA值與排序(α =0.1，0.2，...0.4) ... 34

表 7 各品質要素之OWA值與排序(α =0.5，0.6，...0.9) ... 35

表 8 各品質要素之重要性 ... 36

表 9 各項品質要素之最大、最小值及幾何平均值 ... 38

表 10 主觀評價轉換值 ... 38

表 11 各項主觀評價品質要素之語意與隸屬值 ... 39

表 12 缺口之語意與隸屬值 ... 40

表 13 研究對象品質績效模糊推論結果 ... 42

表 14 競爭者品質績效模糊推論結果 ... 43

表 15 研究對象各品質要素績效之模糊權重值 ... 45

表 16 競爭者各品質要素績效之模糊權重值 ... 46

表 17 研究對象各品質績效表現之判別 ... 47

表 18 競爭者各品質績效表現之判別 ... 48

表 19 SIPA分析(一) ... 51

表 20 SIPA分析(二) ... 52

表 21 SIPA分析(三) ... 53

表 22 SIPA分析(四) ... 54

表 23 SIPA分析(五) ... 55

(7)

圖目錄

圖 1 三角隸屬函數 ... 5

圖 2 梯形隸屬函數 ... 6

圖 3 高斯型隸屬函數 ... 6

圖 4 模糊推論基本架構 ... 7

圖 5 研究流程 ... 21

圖 6 主觀評價隸屬函數 ... 25

圖 7 主觀評價K₁之隸屬值 ... 26

圖 8 缺口之隸屬函數圖 ... 28

圖 9 輸出結果之隸屬函數圖 ... 29

(8)

第一章緒論

第一節研究背景與動機

品質績效的好壞與提升消費者滿意度往往被認為是強化競爭優勢的指標，這兩者之間的相互關係，多數認為品質績效影響滿意度的看法。而品質績效的好壞，可創造顧客價值、滿意和忠誠成為企業創造競爭優勢及維持永續經營的關鍵重要因素，通常是以消費者對品質績效的評價方式來調查，透過消費者對服務後品質績效的認知和了解消費者的期望，經過調查的結果能提供管理者適時掌握監控品質與經營策略的修正，以達到提升品質績效。不過，消費者心中對於品質績效的評價感受，會因主觀意識的影響，導致在評估品質績效時會失真，為了避免此現象，又因模糊理論能用來掌握定義數據模糊特質的事務，應用於較偏重於人類經驗及對問題的掌握程度，主張用簡單的數學模式與結合專家知識於判斷於模糊系統上來解決問題，透過模糊理論將模糊化的概念量化，用來探討人類決策行為，能確切了解消費者對不同產品的偏好與重視，使用人類思考模式以模糊測度及分類方式，來解決複雜與不確定的現象，亦可解決主觀判斷所造成的誤判，將絕對性轉變成程度的客觀觀念，能快速求出取代解。

因為目前衡量品質績效之屬性的優劣勢中，多使用重要-表現程度分析法(IPA)來進行分析，它是一種二維矩陣分析消費者對產品或服務各屬性所表現之重要性和品質績效表現優先排序的量測方法。藉由消費者的重要性和表現情形的測度，將特定服務產品的相關性優先排序的技術。橫軸表示服務屬性的績效表現評價，縱軸則表示服務屬性的重要程度，且在矩陣中軸的尺度和象限的位置可以隨意訂定，而矩陣中各個象限中各不同點的相關位置所代表的意義都有不同。劃分象限的中心點多半藉由屬性之重要性總平均值與表現程度總平均值做為圖形中心值，或是利用統計分析求出重要性的值等，後續眾多研究者都紛紛提出不同新的IPA分析作法，能有利於管理者的相關決策，是一個適合不同產業的管理工具，使用上具方便性，也可以快速提供管理者做為決策的方向，了解消費者本身的看法、服務及對品質的評價。不過只能提供管理者本身內部屬性之重要性與表現程度間比較，無法提供競爭者在相關屬性上的表現，所以Burns (1986)提出加入競爭者的表現，且能保持管理者在IPA分析決策上的建議，將三種概念分別是重要性、本身績效表現及競爭對手績效表現交疊的表格，此方法稱之為SIPA(Simultaneous Importance-Performance Analysis)他將屬性重要程度分為高或

(9)

低，所有績效表現則分為好或不足，藉由同時考量品質屬性之重要性、本身績效表現與競爭者績效表現，可將所有品質屬性分為八種情境，且將每一種情境都有相應的建議。

因SIPA分析法，無法提出區分重要性相對位置的好壞或表現程度的高低，而一般消費者對服務使用後的滿意度都是以主觀方式表達直接填答明確的值，這並不能代表消費者內心真實的感受程度，為了解決SIPA分析法的缺失，有些研究者是利用屬性重要性的平均值做為重要程度的高或低，或是以統計分析方式取得，會先獨立評估模式的各變數，然後再以統計方法(例如迴歸分析、相關分析、結構方程式模式….等等)獲得這些變數之間的關係，這些評估方法常使得參數估計有偏差，使得模式的解釋能力不足。也有透過其他方式評估重要性的值，如以權重的方式呈現重要性的值 (像AHP、ANP、OWA…等等)取得。其中OWA運算子是用於決策處理，在對於數個資料來源時，由專家建議與分析中，以績效表現度為最多的做為決策的根據，在不同情境因素下OWA運算子會產生不同的權重。

因此，本研究藉由模糊理論之模糊推論產生出品質要素表現程度值，經由判別研究對象與競爭者要素屬性表現度的好或不足，以及利用OWA運算子求出品質屬性之重要性，再經過SIPA分析法劃分出八個情境，可看出研究對象與競爭者之間的差異。

第二節研究目的

因傳統 IPA 分析方法無法看出本身與競爭者之間的差異，本研究以 OWA 運算子在不同情境因素下所產生不同的品質績效重要性及加入模糊推論判別品質績效表現程度，透過以學者提出加入競爭者的表現，並且保持管理者在 IPA 分析決策上的建議，將三種概念分別是重要性、研究對象績效表現及競爭對手績效表現交疊的表格產生 SIPA 的八種情境分析。

第三節研究限制與範圍

本研究主要是以整合 OWA 運算、模糊推論及 SIPA 分析建構評估品質績效的模式，透過案例驗證此模式的可行性。本研究限制與範圍如下:

1. 由國營轉民營的研究對象電信業者以全台灣地區性的問卷發放，因時間與預算的限制，故僅取桃竹苗地區性消費者對於電信業之品質績效評價為分析數據，其他競爭者則以桃竹苗地區消費者為主。

(10)

2. 模糊推論的隸屬函數訂定等級範圍及規則庫，受專家對於隸屬函數訂定語意等級經驗的影響，故不排除專家之主觀意識影響。

(11)

第二章文獻探討

第一節模糊推論

一、模糊理論

模糊理論是由Zadeh (1965)所提出用來處理邊界模糊不清的概念問題，透過簡單的計算，可將不確定的程度顯現出來，因人類本身的主觀意識，在不同的時間、環境、

判斷事件的角度下，具有模糊特性，無法研究真實的本質，進而建立假設的數學模式及使用簡單的數學分析來解決問題。在孫宗贏與楊英魁(2005) 提到Zadeh所提出的模糊理論的理由有三大點：(1)因現代研究的科學技術對象都是大規模和複雜的系統，

如想更精密且無失誤就必須從細部做起，所以才需要更好理論。(2)在過去成長的科學技術中，是取決於明確的數學定義，如果不能了解此數學性質，將被迫停止研究。

而Zadeh教授認為數學模式若無法是建構的系統，說明了模糊理論就顯得更加重要。

(3)對人類來說，知識的表達可用語言來描述，每個人的語言中都存在模糊性也會因人的主觀性各所有不同。若此現象的模糊性，不行用傳統的數學工具解決的話，必定要尋找替代的途徑。為了將這些具模糊特性的事物而發展出來的模糊理論，較注重於人類的經驗與掌握問題特性的程度，把傳統數學從二元數值擴展到連續多值，以區間 0到1的數值表示一個元素對應到某一程度的概念元素，對應的值為元素集合的隸屬度。

以模糊集合為基礎的模糊理論不但結合了模糊關係、邏輯、控制系統、量測理論而形成，且用於處理不確定模糊的事物或模糊特性的存在為研究目的，並量化成可用電腦處理的訊息。在模糊理論的觀點中，分為明確集合與模糊集合。明確集合又為傳統集合是很明確的，表示在一個明確的定義範圍內所包含的數值，有著相當明確的邊界界限，是兩個集合的區隔。而模糊集合是調和包容的，沒有明確的邊界，可由 0~1 之間隸屬函數的隸屬值表示。可將模糊集合定義為:^A=

{ (

^x,µA(^x)

)

|^x∈^U

}

，U 為整個論域，µ_A(.)為A集合的隸屬函數，µ_A(x)為在A集合的隸屬值。

一般都是以隸屬函數來表達模糊集合元素之隸屬程度，而對於同一個模糊概念每個人都不盡相同及想法，決定隸屬函數也沒有一定的規定，它可透過專家或個人主觀認定、模糊統計…等等取得。因決定的方式過於主觀，所建立的隸屬函數據有爭議性而無法被廣泛使用。吳柏林(2005)隸屬函數分為離散與連續型，離散型隸屬函數在有

(12)

限的模糊集合中每個元素的隸屬度都是直接給予的，而連續型隸屬函數則是以函數形式來表達模糊集合。可以各是無限與有限的模糊集合元素和隸屬度之間的關係。常見的有三角隸屬函數、梯型隸屬函數、高斯型或鍾型隸屬函數…等等。如圖1、2、3下列所示:

1. 三角隸屬函數 :

( )















−

=

0 0

c b

x b

a c

a x x

u

[ ]

b x if

b c x if

c a x if

a x if

>

∈

<

, ,

1

u(x)

0 a c b

x 圖 1 三角隸屬函數

資料來源:「類神經網路」，張斐章與張麗秋，2005，367-368 頁。

2. 梯形隸屬函數:

( )











−

=

0 1 0

d b

x b

a c

a x

x

u

[ ] [ ] [ ]

b x if

b d x if

d c x if

c a x if

a x if

>

∈

<

, , ,

(13)

1

u(x)

0 a c b

x d

圖 2 梯形隸屬函數

3. 高斯型隸屬函數:

( ) ( )







=  − ₂

2

exp 2 σ

c x x

u

1

u(x)

0 c

x σ

圖 3 高斯型隸屬函數

二、模糊推論

模糊推論的理論源自於模糊集合理論、模糊規則(IF-Then)及模糊推論等理論基礎。因模糊推論不但能處理明確與模糊的命題也不需要精確的數學模型，可藉由專家的知識結合推論規則導出新的結論，比起傳統明確值的推理，更能反映人類模糊邏輯推論的優點且合理與彈性。一般來說，模糊推論基本架構由模糊化、模糊規則庫、模

(14)

糊推論引擎、解模糊化所組成，如圖4所表示。將傳統的邏輯推論運算發展至模糊推論運算，是以模糊知識為依據，用以模糊推理的一種智慧型系統，是使用模糊集理論，

將給定輸入對應到輸出的值，它的功能是將模糊化的語言變量，經過搜尋規則集中適當的規則，以推論的方式呈現，進行解模糊化，產生資料庫、規則庫及推論引擎而建立規則表。

模糊規則庫

模糊推論引擎解模糊化

明確的模糊化輸入值

明確的輸出值 圖 4 模糊推論基本架構

(一) 模糊化

是將輸入值轉換成以模糊集合的語言變數，可將輸入值對應到隸屬函數而得到隸屬值。它可分為單值型法和非單值型法，通常以非單值型法為觀測值映射和轉換函數。模糊化的目的為觀測值由轉換或映射後，能適用於模糊規則庫。

(二) 模糊規則庫

黃有評(2002)通常都是由專家透過經驗或訓練樣本所建構的，來說明輸入與輸出之間的關係，而規則都是以IF~ Then 的形式所表達。IF是判斷語句成立與否的條件，

Then是用來表現條件符合的結果。而規則庫的多寡可藉由訓練樣本來增加或刪除，規則越多亦可以達到更精細的控制結果。先將輸入變數模糊化，透過規則庫所進行推論所需要的規則，模擬人類的思考推論方式，是以如果在什麼條件或原因下則就執行動作(IF …..Then )表示。將模糊推論的過程如下:

規則一:IF x is A₁and y is B₁thenz is C₁

其中A₁和B₁是前項歸屬函數分別對應模糊輸入變數 x 和 y，後項C₁為歸屬函數對應輸出變數 z。

(三) 模糊推論引擎

模糊推論是由模糊邏輯的運算所得來的，利用人類思考的判斷來模擬的模式，將資料的儲存與控制規則的模糊語言，把輸入變數做模糊化的運算，是為模糊邏輯控制的核心。一般推論的方法採用合成規則，又稱近似推論或模糊推論所得到推論結果的

(15)

模糊訊息，可用來模擬人類思考的決策。將輸入的變數轉換成相對應的模糊量，以提供推論引擎作為推論的依據。黃有評(2002)、蔡明勳(2008)常見推論模式有三種：

1. 形式一:單值式推論法

i im

m i

i

i If x is A and and x is A Then y is w

R : ₁ ... ，，其中w 為單值型式，是最常_i

使用的。

2. 形式二:語意式推論法 (1)Mamdani 模糊法

i im

m i

i

i If x is A and and x is A Then y is

R : ₁ ... ， B ，其中B 為語意式。是利用最_i

大與最小法來求出輸出值，簡單來說是取最小者的隸屬度而得到每個規則激發強度，

再以取隸屬度最大者合成相同的語意項為最後的推論結果，常又被稱為min-max運算法則。

(2)Tsukamoto模糊法

此法與上式Mamdani 模糊法相似，不過結論的語言變數為單調的遞增或遞減的模糊集合，最後將輸出值加權平均所得到的。

3. 形式三:由Takagi 和Sugeno 所發展的線性模糊法

(

_i _m

)

i im

m i

i

i If x is A and and x is A Then y is f x x x

R : ₁ ... ， , ₂..., ，而輸入變數的線

性組合是結論的部分。

(四) 解模糊化

而模糊推論所得到的輸出模糊變數，必須透過解模糊化才能得到明確的輸出值，

不同的解模糊化，對實際輸出結果也有不同的影響，一般使用的解模糊化法有很多種，以下列出常用的幾種方法:

1. 重心法(Center of Gravity Defuzzification)

推論結果所獲得模糊集合的重心值為推論的輸出，公式如下:

( )

∑ ( )

∑

=

×

= _n

i

i c

i c n

i i

y y y

y

1

*

* 1

µ

 µ

*

c 是論域Y上的模糊集合，Y =

{

y₁,y₂,...yn

}

，n為論域Y中的元素個數。

(16)

2. 平均高度法(Mean of Height Method)

是將規則前題部的隸屬度乘上所對應的輸出模糊集合的中心值，在相加除上前題 部的隸屬度總合即為Y

，使用此方法的運算有較高的效率，如以下表示:

∑

=

×

= _n

i i

i n

i i

f g f y

1

 1

f 為規則前題部的隸屬度，i g 為輸出模糊集合的中心值。 _i

3. 面積法(Area method)

此方法必須計算重心與面積，是比較複雜及費時的方法，依下式可算出:

∑

=

×

= _n

i i

i n

i i

A Y A y

1

 1

( )

Y dy

A_i ⁼

∫

^µ_c^* _i ^為第ⁱ條規則推論結果的所有的面積。Y 為重心的部分與重心法_i 公式相同。

4. CFCS模式

Opricovic and Tzeng(2003)所提出的CFCS解模糊化模式發展一個類似的方法基於輸出的模糊集合且包含模糊數轉換成明確值的分數而選擇一個明確值元素。相同的模糊值被定義為明確的數值利用相同的步驟取決於左側及右側的值，分別為模糊最小值和最大值，而整體的值是根據歸屬函數的權重平均來取得的。認為兩者之間求得的數值是根據第i個準則下的模糊數~f_ij

，j=1....,J (當J為兩者之間的數值)。對於三角模糊數~f_ij

=(

l

^ij^,

m

^ij^,

r

^ij^)， ^j⁼¹^....,^J ，第i個準則下的明確值可以由CFCS四個演算步驟來取得。

步驟一:標準化

l r l

r

ⁱ^max⁼

max

^ij^， ⁱ^min⁼

min

^ij 計算兩者之中的全部

a

^，^j j⁼1....,J.

max min min) ( − ∆

=

l l x

^lj ^ij ⁱ

max min min)

( − ∆

=

m l

x

^mj ^ij ⁱ

(17)

max min min) ( − ∆

=

r l x

^rj ^ij ⁱ

步驟二:計算左邊值(ls)和右邊( rs )值，從 j=1....,J )

1

(

x x x

x

^ls^j ⁼ ^mj ⁺ ^mj⁻ ^lj

) 1

(

x x x

x

^rs^j ⁼ ^rj ⁺ ^rj⁻ ^mj

步驟三:計算標準化後的整體明確值，從 j=1....,J

[ _x _x _x _x ] [ _x _x ]

x

^crisp^j ⁼ ^ls^j⁽¹⁻ ^ls^j⁾⁺ ^rs^j ^rs^j ¹⁻ ^ls^j⁺ ^rs^j

步驟四:計算明確值，從 j=1....,J

max min

min+ ∆

=

l x

f

ij i ^crispj

這CFCS四步驟產生整體準則的表現~f_i

，i∈n~，而n~代表模糊數中準則評估的集合。而CFCS解模糊模式有以下幾特點：

(1)能使用MCDM模式於最大的明確集合和模糊準則。

(2)是一個適合用於轉換模糊數的明確值。

(3)藉由轉換考慮到隸屬函數和X軸上的相關位置。

(4)利用隸屬函數像權重方程式來改變。

(5)其他優勢。

運用CFCS解模糊的步驟，對於每個模糊數的準則表示在準則兩者之間的數值分別可改變明確的數值。

5. 最大加權平均法(WMOM)

是可將結果落在連續範圍上的關鍵性順序及根據真實程度評估規則，以下最大加權平均法，公式如下所示:

∑ ∑

= wi x WMOM wⁱ ⁱ

w 為第i i個隸屬函數真實度，x 為第_i i個隸屬函數到達最大值之假設值，WMOM為模糊權重值。

因此，在眾多解模糊化方法之間並沒有好或不好的差別，都各有適用的情況，在本研究中是採用最大加權平均做為解模糊化的方式，且以Mamdani 模糊推論法的最小-最大值來推論。

(18)

三、模糊推論的應用

目前模糊理論中的模糊推論不僅用於控制工程上，已被廣泛應用於各不同的領域，經由國內外文獻彙整後可由表 1 及表 2 可知，後續許多學者也更進一步的研究，

說明了模糊推論相關研究成為現今熱門的議題。

表 1

模糊推論相關彙整(英文部分)

作者研究內容

Mahmoud, Dutton & Denman (2005)

提出了一種模糊控制器的設計和模擬控制水電站水輪機液壓耦合條件下的非線性過程。

Koga, Horio & Yamakawa (2006) 採用模糊推論以人類的知識評價啟發式來表達評估準則。

Mendoza, Melin & Sandoval (2007)

結合模糊推論系統中 Type-2 模式應用在不同數字圖像邊緣檢測技術進行比較。

Bai & Chen(2008)

利用模糊推論和學生的測試紀錄來自動建構概念地圖且應用於自適性學習系統上。

Tarek (2009)

利用模糊推論系統來處理多屬性的風險評估，改善了現有定性的方法，允許風險排名可以相同的模糊風險指數量測，並以液化天然氣 LNG 船裝載/

卸載在終端上為個案研究，提出證明有能力可被發展的方法。

Tay & Lim(2010)

研究以模糊推論來獲得風險優先數 (RPN)值的得分，主要利用模糊規則插值和減少技術來設計出新的模糊 RPN 模式，克服傳統 RPN 模式。

(19)

表 1 (續)

作者研究內容

Luo, Xiang, Xie & Wang(2010)

提出一個基於優化的模糊推論來模擬電路故障診斷的手法，使得模擬電路判斷故障較簡易。

Ariyanti, kusumadewi & Paputungan(2010)

提出一個以模糊推論系統中 T-S 模式評估於貝克憂鬱量表第二階段測試，

用於診斷一個人在心理學及精神病學的憂鬱程度。

表 2

模糊推論相關彙整(中文部分)

作者研究內容

徐村和與林凌仲(2005)

運用兩階段模糊評估，先以第一段模糊多準則功能性構面做為第二階段 IF-Then 的推論為基礎，藉由以零售業在評估市場機制策略的組合，適當的推理決策行為。

黃世旭、劉時誌與賴建元(2006)

提出一個高速模糊推論適用於梯型隸屬函數的處理器，在使用模糊推論之前，先探討輸入變數與模糊規則庫之間的相互關係，找出與隸屬函數有交集的輸入變數可以去除無貢獻的模糊規則，來減少推論的時間。

葉瑞徽與謝妹圜(2007)

提出以模糊理論為基礎的失效模式與效應分析來評估汙水處理廠系統的可靠度分析分別與傳統的失效模式與效應分析作比較。

柳永青與何晉亨(2008)

結合模糊理論與到傳遞類神經網路，建立在不同的交通動態下煞車行為模式，藉由實驗數據收集比較兩者及有效推論出煞車行為無明顯的差異。

蔡樸生、林盈灝與蔡宗福(2009)

提出推導性系統模型的結構化方法且針對三輪式輪型機器人的鋼體結構，建立一個適當的運動模型，導入專家的知識與經驗，以模糊推論來實現小型機器人軌跡追蹤的控制

(20)

表 2 (續)

第二節 SIPA (Simultaneous

Importance-Performance Analysis)

一、重要表現程度分析法(Importance-Performance Analysis)

重要表現程度分析法簡稱(IPA分析法)，是一種分析消費者對產品或服務各屬性所表現出來之重要性和表現程度。Martilla and James (1977)，它是共同測量滿意程度為服務屬性但不能滿足顧客對服務屬性的重要性優先排序的量測方法，被定義為屬性的相對重要性與相關服務或產品和同時表明(測量滿意)程度的表現，產品或服務的屬性應該著重在提高顧客滿意，運用重要性與表現程度(滿意度)的平均得分繪圖在一個二維矩陣的座標，IPA分析法不但能檢視衡量項目的表現也能決定重要性因素在回應者的滿意。結合了消費者的評價提供了一個整體滿意而清楚的對策給管理者在哪時應注意的辦法作用所構成的，因而此方法可用來評估各屬性之間對顧客的重要性和這些屬性中對顧客的認知績效表現程度。

然而傳統的IPA隱藏了重要性的假設，是採用消費者直接回應的評估品質屬性重要性和表現，視為品質屬性間的變項是互有獨立性的。假如在具有因果相關性的特性下，傳統的IPA分析並不能精確的探討重要性和優先順序的改善。雖然IPA是一個非常有價值的模式，以往的研究有幾個重要的缺點。例如:Matzler, Bailom, et al. (2004) 指出原始的IPA有兩個隱含的假設：(1)表現的屬性和重要性的屬性為獨立變數。(2)

作者研究內容

盧崑宏與江季哲(2010)

以液晶顯示器製程中 TFT 金屬鍍膜為例，利用田口方法計算出各品品質特性的 S/N 比，將 S/N 比轉為灰關聯係數，

最後結合模糊推論系統推論出多重品質特性的衡量指標。

江瑞利、林雨谷與王啓全(2010)

運用具多重品質特性指標模以糊推論於田口法結合有限元素法分析求得直驅式輪毂馬達之幾何參數組合最適化，能使馬達具有低轉矩漣波及輸出高效能的性能。

(21)

表現屬性與整體表現之間的關係為線性和對稱的。這些假設在實際世界中都是有誤差的，表現的屬性程級和整體滿意度之間的關係是無對稱的(Matzler & Sauerwein, 2002;

Matzler, Sauerwein & Heischmidt, 2003; Matzler, Bailom, et al., 2004 )且表現屬性和重要性屬性之間的關係為因果關係(Oh, 2001; Ryan & Huyton, 2002)。換句話說，Matzler and Sauerwein (2002)認為當表現屬性改變時，相對的重要性屬性也一樣會改變。因此，消費者的自我評價的重要性不能適當地量測真實的相對重要性屬性。為了解決這個問題，IPA的開創者多次使用統計來推斷重要性的評級。Garver (2003)發現多元迴歸和結構方程模式是常見的統計方法來獲得隱含性的重要性屬性。但是，Taylor (1997) 認為這些統計方法假設(1)資料是相對標準的。(2)獨立和獨立變數之間的關係是線性的。(3)獨立變數之間的多重線性是相對較低的。所以，隱含的重要性屬性所取得透過統計模式可能讓人產生偏見和誤導。

除了傳統IPA應用之外，近年來許多學者發展更多綜合的修正和延伸限制於基本的假設和改善評估模式而建構成策略矩陣。如Garver (2002)發現IPA模式有一些隱藏的假設：(1)品質屬性的重要性和表現給予固定的假設。(2)假設即認為表現和滿意度為線性關係。(3)品質屬性是互相獨立的變數且無因果關係，這些假設通常發現在固定的實施，在顧客滿意度的研究中，這些假設通常幾乎都是違反的。Matzler、Sauerwein and Heischmidt (2003)提出屬性重要性由部份相關分析在屬性表現和整體顧客滿意之間獲得，內文中談論及批評傳統的IPA法有爭議為歸因於表現程度和重要性屬性是獨立可變的與表現屬性和整體表現關係之間是線性與對稱的。Huang、Wu and Hsu (2006) 用IPA來研究公路中、長旅程的顧客滿意度服務品質。Tonge and Moore (2007)使用IPA 和缺口分析評估旅客對於海洋科技園區的行為品質感覺，能更有效的管理於環境保護。Lee、Yen and Tsai (2008)應用IPA在評估供應商的績效表現。李友錚、閻鐵民與蔡志弘(2008)提出了修正IPA模式新的決策分析方法，利用多元迴歸建立隱性重要度於品質特性和整體滿意度，以缺口分析算出品質特性的績效，再用決策實驗室分析算出品質特性間的因果和相互影響的關係程度。Lin、Chan and Tsai (2009)提出IPA是一個評估的模式取決於重要性和滿意度兩者之間的相關性製圖描述各屬性的表現能方便及有效的分析技術，也能廣泛的應用於不同的領域，像是醫療服務、旅遊及觀光、交通及運輸工業等。Miranda、Chamorro、Murillo and Vega (2010)利用IPA分析調查病人和管理者對於健康保健中心的健康看護服務品質屬性的感覺。Silva and Fernandes

(22)

(2010)應用IPA分析評估高等教育的品質屬性模式，以不同的角度探討學校學生的技術和管理。Frauman and Banks (2011)利用變化性的IPA分析所產生的圖表網格來評估居民對環境、文化和經濟屬性，可以更加了解旅遊業的發展。Hema and Samuel (2011) 以IPA分析法探討發現不同消費者在不同的旅館服務方面各服務屬性的重要性。

二、SIPA

因IPA分析法，可以簡單又快速的被使用，確實能幫助管理者對於市場相關策略的決定，站在自己本身的立場，評估自己本身的優劣勢。但是，它不考慮具體的表現程度在競爭者不同的產品或公司屬性，在銷售管理者認為是一個競爭的孤立狀態所形成，因只有考慮相關是在不同的評估準則下的重要程度和公司或品牌的表現程度。這種情況只發生在罕見的情況下，此方法可明確的擴大包含競爭者的表現程度。由於以上的方法定位競爭者的表現程度經過幾種變化程度的測試，在IPA分析法方格中多加入一個競爭者的表現程度是可以理解的。例如，一個主要的競爭者發現和該公司的表現程度位於重要性表現程度網格中，可能是特定的值，仔細地比較或計算數值可以決定公司表現較好的在哪一個象限內。然而，與其他競爭者的加入和使用多種評估的準則，使系統很快的失去其能力能夠有效的描述銷售策略的影響。

因此，Burns (1986)提出改善IPA模式擴大到將競爭者的表現納入，簡易地將三種概念重要性、本身績效表現和競爭者績效表現交疊考量的表格。在此表格中，各屬性依據重要性分為高或低，同時對於競爭者的所有屬性表現評價分為好或不足。而Yavas and Shemwell (1997)也使用四種是三個加上有限的屬性，規劃出16種策略建議。決定的屬性是可以清楚地區別競爭者透過反覆的量測設計MANOVA及一系列的比較測驗。而修改方格是複雜的，但觀念中的屬性決定因素是可能是多餘及複雜化。

透過學者所提出的SIPA分析法，可同時考慮品質屬性的重要性、本身的績效表現及競爭者績效表現，將品質屬性分為八種適當的行銷決策活動，而都有相對應的建議。如下表3所示:

(23)

表 3 SIPA 分析表

品質屬性之重要程度

本公司該屬性之品質績效

競爭者該屬性之

品質績效市場機會

高

不足不足被忽略的機會

好競爭劣勢

好不足競爭優勢

好肉搏戰

低

不足不足無價值機會

好假警報

好不足假優勢

好無謂的競爭

而SIPA圖所產生的八種情境分析分別如下:

1. 被忽略的機會:品質屬性之重要程度高，但本身與競爭者均表現不佳。若能有效的品質規劃與改善，能獲取消費者對品質績效評價滿意的優勢。

2. 競爭劣勢: 品質屬性之重要程度高，但本身表現不如競爭者。此為本身關鍵性的缺點，看出競爭者的優勢。

3. 競爭優勢: 品質屬性之重要程度高，且本身表現優於競爭者。此說明本身在市場上的差異性。

4. 肉搏戰: 品質屬性之重要程度高，且本身表現與競爭者同樣所獲評價不錯。此意謂不能任何閃失和輕忽。

5. 無價值機會:競爭者表現與本身評價一樣不高，對於消費者角度來說，不存在競爭機會。

6. 假警報:競爭者表現較佳，但對消費者而言，不會影響品牌選擇或購買意願。

7. 假優勢:本身表現較佳，但該品質屬性之重要程度低，此本身對消費者可能在不具影響力的屬性上投入過多的資源與浪費。

8. 無謂的競爭:本身表現與競爭者評價一樣不錯，對於消費者角度，為不影響消費者購買的無意義較利。

而後續對 SIPA 法的研究像是( Matzler & Sauerwein, 2002; Garver, 2003; Matzler et al.,

(24)

2004; Lee et al., 2008; Hu et al., 2009; Deng & Pei, 2009)認為在傳統的 IPA 模式，服務重要性屬性是由消費者的自我感受所衡量出來的，很多學者注意到當表現屬性改變時，因而給予相對的重要性屬性。因此，消費者的自我感受的重要性不能充分的衡量出實際相對的重要性屬性。Bei and Shang (2006)建構市場策略於 SIPA 分析以個人本身公司為背景探討消費者滿意度和服務品質。Lee、Hsieh and Huang (2010)認為 SIPA 是一個新的修正方法，利用缺口分析來計算服務表現屬性和複迴歸分析建構服務屬性的重要性，來區別自我經營與競爭者兩者之間競爭性的不同。

然而，透過加入競爭者表現的 SIPA 分析法，可以讓管理者更加了解自我績效表現與競爭者之間的差異，本研究運用此分析法的八種情境，希望達到更加精確的分析管理。

第三節 OWA

OWA(ordered weighted aggregation )此概念第一次在1988年Yager所提出，是一種重要的權重聚集運算子模式，它可以求出屬性在風險權重向量的基礎下最佳權重。一個OWA的 n 維度運算子是映象函數F:Rⁿ →R，具有

∑

=1

i

wi ，^∀

w

ⁱ^∈[ ]⁰^,¹ ^，

n

i=1,..., 有相關的 n 權重向量。如式(1)所示:

[ ] ∑

=

= ⁿ

i i i n

T

n f a a a wb

w w w w

1 2

1, ..., , ( , ,...., ) (1) 當b 是第_i i個最大聚集的元素使a₁,a₂,....,a_n聚集，函數值 f(a₁,a₂,....,a_n)成自變量的聚集值a₁,a₂,....,a_n 。以一個數的特殊實例來說明運算子，舉例來說 : n=4,

[

0.1,0.2,0.4,0.3

]

=

w , b₁ =1 , b₂ =0.5 , b₃ =0.6 , b₄ =0.1 ，可得到 47

. 0 1 . 0

* 3 . 0 6 . 0

* 4 . 0 5 . 0

* 2 . 0 1

* 1 . 0 ) 1 . 0 , 6 . 0 , 5 . 0 , 1

( = + + + =

f 。假如在 W 中 w₁=1 和

=0

wj ， j≠1，可得到OWA(a₁,a₂,....,a_n)=Maxj

[ ]

aj ，這個權重向量代表W^*。如果

=1

wn 和w_j =0， j≠ ，可得到OWAn (a₁,a₂,....,a_n)=Minj

[ ]

aj ，權重表示為W_*。如果 w_j = n1，定義為Wn，而OWA(a₁,a₂,....,a_n)= 

∑

=



 



 ⁿ

j aj

n ¹

1 ；也提出了兩個重要的量測特

性表示 OWA 運算子中的權重向量 W 。其中 orness 的關聯運算被定義為

( )

i n

i

w i n n

W

orness

∑

=

− −

= 1 1

) 1

( ，而orness(W)=α 為情境參數，另外為dispersion的衡量被

(25)

定義為 _i

n

i

i w

w W

dispersion ( ) ln

1

∑

=

−

= 。

O’Hagan (1988)提出一個模式結合最大熵值與 Yager 的方法來定義OWA向量在特別的分類中有最大熵值是OWA權重給予一個orness的程度，而此方法問題解決如下表示：

最大目標函數 _i

n

i

i W

w ln

1

∑

=

− (2)

限制式

( )

,0 1 1

1

≤

− −

=

∑

=

α

α ⁿ _i

i

w i n n

^w ^wi

[ ]

ⁱ ⁿ

i

i =1,∀ ∈ 0,1, =1,....,

∑

Fuller and Majlender (2003)以最小變異法提出在給定的orness尺度下，OWA運算子權重變異的最小化，以下為求解數學規劃模式:

2

1 1)

1 ( )

( =

∑

ⁿ_i= _i − w n W n

D

Minimize (3)

∑

= −

= ⁿ_i n i w_i

W n orness t

s ₁( )

1 ) 1

( .

. α

[ ]

ⁱ ⁿ

w

w _i

n

i i 1 , 0,1 , 1,...., ,

1

0≤α ≤

∑

=1 = ∈ =

Wang and Parkan (2005)以最小化最大差距的方法，在orness尺度的給定下，任兩個最小化相鄰權重間的最大差距，如下表示:

Minimize

{

Max_i∈_{1,...,_n−1_}w_i −w_i+1

}

(4)

∑

= −

= ⁿ

i n i wi

W n orness t

s 1( )

1 ) 1

( .

. α

[ ]

i n

w

w _i

n

i i 1 , 0,1 , 1,...., ,

1

0≤α ≤

∑

=₁ = ∈ =

Wang et. al., (2007)介紹兩種模式決定同樣重要的OWA權重也可能給定相同的 orness等級。此模式如下表示：

∑

⁻

( )

= − +

= ¹

1

2 1

min 1

n

i

i w

w J

imize (5)

( )

=α

−

=

∑

−

=

i n

i

n w i w n

orness t

s

1 1

. .

n i

w w

w ... 1, 0 1, 1,..., ,

1

0≤α ≤ + + = ≤ ≤ =

(26)

And

∑

⁻

=

+

+ 

 



 −

= ¹

1

2 1

1

min 2

n

i i

i

i i

w w w J w

imize (6)

( )

=α

−

=

∑

−

= i

n

i

n w i w n

orness t

s

1 1

. .

n i

w w

w ... _n 1, 0 _i 1, 1,..., ,

1

0≤α ≤ ₁+ + = ≤ ≤ =

而OWA運算子大部分多用於處理決策分析上，基本的概念如專家建議或部門分析所給予的眾多資訊中根據最多數的績效度做為最後的決策。Yager (1988)在定義有序加權平均運算子指出在不確定的條件決策架構中，會有不同的決策準則像是樂觀決策(最大化最大值)、悲觀決策(最大化最小值)、相同可能性(Laplace決策準則)以及 Hurwicz決策模式。且過去在個體當中的門檻數被定義為多數的，而至今已可用模糊邏輯或語意量子來解釋。像是Yager (1993 and 1996)認為OWA運算子的權重可藉由語意量詞來衡量，且OWA運算子求算權重值是也可用模糊多數為基礎加上決策者所決定的語意量子來求出。

且後有許多專家及研究者應用於在各領域的權重運算，此OWA的運算方法在於相關權重的量測且較為合理也使隸屬函數較為平順。像是O’Hagan (1988)發展OWA權重透過非線性的最佳化，以Orness為限制式和目標函數熵值來產生最大熵值權重。

Filev and Yager (1998)研究獲得權重是從運用特別的OWA運算子觀察一些表現原因及發展兩個程序，是基於指數平滑產生的權重所給予一個必要程級的orness。Fuller and Majlender (2001)利用多語意轉換Yager’s OWA運算子多項式求出最佳權重向量下的最大熵值。Smolikova and Wachowiak (2002)以整合的方法說明及比較於專家多準則決策分析。Xu and Da (2003)廣泛探討OWA的延伸及運用。Torra (2004)將OWA運算子應用於建立資料探勘與資料選取的模式。Cheng、Chang、Ho and Chen (2005)提出一種以動態模糊OWA算子聚合模式為基礎情況，可以修改相關的動態權重，即可知最大權重所依賴的最少訊息或相同屬性權重的最大訊息，可用於航空公司服務品質的評估。Liu (2006)給予OWA運算子產生相等不同的OWA運算子且討論此特性。Amin and Emrouznejad (2006)及Amin (2007)使用最小最大差距法延伸在不同的最佳化模型。Chang, et al., (2008)利用模糊集合與OWA運算子求出航空推進器系統可靠度數值。鄭景俗、陳智賢與蘇勇戩(2008)利用模糊權重強化傳統的推薦系統用以資訊檢索整合的技術，可用語言表示使用者對產品屬性的重要性，也可查出理想所要的產品。

(27)

陳振東與鄭亦真(2009)以模糊理論結合整合相關不確定有序加權平均運算及語意轉換，有效及準確分析模糊區間語意決策。Emrouznejad and Amin (2010)提出了一種替代差距的模式來確定OWA運算子的權重，以數學模式發展最小總和誤差介於不同的 OWA權重之間。Merigo and Casanovas (2010)發展一些新的OWA運算子，如引導多個有序加權平均運算(IHOWA)、不確定有序加權平均運算(UHOWA)及UIHOWA，在決策問題上開發一個應用程序的新方法。

(28)

第三章模式建立

本研究經過相關文獻整理後建構出整體架構，先運用模糊推論判別個別品質績效的好壞，再將順序加權平均運算子(OWA)與模糊推論出的品質績效的值以SIPA法產生八種情境分析，透過八種情境分析研究對象與競爭者的相互影響關係，研究流程如圖5。

品質要素

電信業品質問卷施測

輸入變數(主觀評價及缺口) 情境參數(α)

整合最佳權重向量

OWA值 OWA運算子

模糊推論

建立隸屬函數

建立模糊規則庫

品質要素績效表現度判別品質要素績效重要性

SIPA八種情境

解模糊化

圖 5 研究流程

一、品質要素

為了提供更好的品質服務，傾聽消費者的心聲，經過消費者的服務需求與反應彙整出衡量品質要素的項目，分別為系統業者(如台灣地區電信業者)、客服電話(如撥通情形、服務人員服務態度以及專業知識)、通信品質(如清晰度、雜音或斷訊)、帳單的正確性、電子帳單服務、優惠方案(如手機促銷方案..等)、瀏覽網站(電信業者所提供

(29)

的)、加值服務(如來電答鈴)、費率以及整體滿意度等十項品質要素。

二、電信業品質問卷施測

本人有幸參與一產學合作案，其案是協助某一龍頭電信業者，完成該公司各項業務服務績效之調查與分析，包括有線、行動、固網與國際電話業務等，已於 2009 年 11 月完成郵寄調查。其中行動電信業務回收資料共計有效回收 1398 筆，因考量本研究的預算與時間限制，故僅進行地區性研究，以上述資料中之桃竹苗地區 127 筆行動通訊資料為主要公司 A 之資料來源；另外，為取得 A 公司之競爭者績效資料，故以該產學合作案之行動電話服務績效問卷內容為依據，設計競爭者行動通訊績效問卷 (請參考附錄 A)，採立意抽樣於電信門市進行問卷之發放與調查，共發放問卷 200 份，

有效回收 176 份。本研究信度採 Cronbach’s α 為信度分析衡量指標，結果顯示都大於 0.7，表示本問卷信度良好。

三、計算OWA值

許多研究者求取隱含屬性的重要性所使用的統計技術大部分都以相關分析，多元回歸和結構方程模式來取得，近而發現這些方法在使用上有些微不足的地方，常會受到極大與極小值的影響，造成產生權重值有誤差，透過OWA運算子的整合資訊運算可求出權重。本研究藉由Fuller & Majlender(2001)利用拉格朗日乘數的模式轉換Yager 的OWA的方程式變成多項方程式，它能決定在最大熵值下最佳權重向量。經由它的模式，便可獲得相關的權重向量，如以下方程式(7)~(9)表示。

1 1

1

ln 1

ln 1 1

ln 1 ⇒ = ⁻ ⁻ ⁻

− + −

−

= − _n _j ⁿ ⁿ ^j _n^j

j w w w w

n j w n

n

w j (7)

and

( ( ) )

( )

1

1 1

nw n

w n w_n n

− +

−

+

−

= −

α

α (8)

Then

[ (

¹

)

¹

] ( (

¹

) ) ( [ (

¹

) )

1 ¹

]

1 1

1 n− + −nw = n− ⁻ n− −n w +

w α ⁿ α ⁿ α (9) 而 w 為權重向量，n 為屬性的數量，α 為情境參數。藉由(9)式可得w 的最佳值，₁

求得w 之後且能由(8)式求得₁ w ，然而其他權重便可由(7)式所獲得。在特殊的案例_n

中，當w w w_n n1 ...

2

1 = = = = ，於是dispersion(W)=lnn，此為α =0.5求得(7)式最佳解。透過Matlab軟體計算OWA運算子，可求出在不同的情境參數(α 下，及屬性的個) 數(n)不同時，所產生的最大熵值之最佳權重向量皆不同。對於本研究各品質要素下

(30)

整合研究對象與競爭者來說，因競爭者為兩者再加上研究對象，故本研究之屬性個數為(n=3)，如表4可知。

表 4

最大熵值之最佳權重向量(n=3)

α w ₁ w ₂ w ₃

0.1 0.02630 0.14741 0.82629 0.2 0.08186 0.23627 0.68185 0.3 0.15397 0.29026 0.55397 0.4 0.23837 0.32326 0.47384 0.5 0.33333 0.33333 0.33333 0.6 0.43835 0.32324 0.23839 0.7 0.55395 0.29199 0.15399 0.8 0.68185 0.23584 0.08189 0.9 0.82629 0.14697 0.02630

以下舉例說明計算過程:

以整合研究對象及競爭業者下品質要素之「客服撥通情形」，以模糊集合表示

[ ]

) 0.861316/

(0.52036/

) 0.17641/

/ 18118 . 0 ( ) 0.26409/

(0.10247/

) 0.42086/

(0.23671/

) 0.74/

5 / 76 . 0 (

* ) 23839 . 0 ( ) 0.817/

(0.317/

* (0.32324) )

0.96/

5 / 54 . 0 (

* ) 43835 . 0 ( ) , , ( , 23839 . 0 , 32324 . 0 , 43835 . 0 ,

6 . 0 ,

) 0.96/

/ 54 . 0 ( C ), 0.74/

/ 76 . 0 ( B ), 0.817/

/ 317 . 0 (

高中等

高

中等高

中等

高中等

高

中等高中等

高中等

+

=

+ +

+

=

+ +

+

=

+

= +

=

C B A f W

A α

而0.861316為所求出的該項品質績效OWA值。

四、品質績效表現度之模糊推論

在決定模糊推論系統的主要為確立模糊歸屬函數與規則庫，而往往都要經過錯誤及嘗試的經驗來試出較適合的法則，大致上來說都以IF….Then的法則為輸入和輸出變數的呈現方式。

步驟一：首先將定義輸入變數，經過模糊化隸屬函數產生模糊數，結果輸出為各績效品質好與不足兩種表現程度值。此研究的輸入變數為主觀評價與缺口(消費者對

(31)

該企業整體滿意度與該項品質屬性表現的差異)，語意措辭集合分別為五個語意值和四個語意值，而輸出變數為品質績效表現則有兩個語意值，各自描述消費者對各項品質要素的評價，所給予的語意值，如表5。

表 5

品質要素之語意值

輸入變數輸出變數

主觀評價之語意值缺口之語意值品質績效表現

1~3:非常低 -9~-3:非常大 Χ−σ ~10:好 2~5:低 -3~-0.3大 Χ+σ ~0:不足 4~7:中等 -0.5~0.5:無

6~9:高 0.3~9:超越

8~10:非常高

步驟二：將輸入變數轉化為隸屬函數

輸入變數一：主觀評價為消費者對該企業各項品質要素下所給予的評價得分。而因消費者個人評價會因主觀意識而影響各品質要素的滿意度評分，為了避免造成此情形，可透過Klir and Folger (1988)所提出以幾何平均數來做為三角模糊數的中間值，使判斷能與事實符合。因此本研究將各項品質要素所獲得的評價，分別以最小值、

最大值、幾何平均數來顯示。例如:品質要素之「客服電話撥通情形」最小值(l)為3，

最大值(u)為10，幾何平均數(m)為5.477，以最小值、最大值及幾何平均數來表達模糊集合，因兩個極端值會造成誤差，所以透過許惠玲(2005)所提出的轉換值做為模糊集合的模糊數。

轉換值(K)=

[ ( ) ( ) ]

m m u m

l− + − +

3 (10) 由(10)式可以得到各品質要素的轉換值(K)。

續接上例:轉換值(K)=

[ ( ) ( ) ]

2 . 3 5

2 . 5 9 2 . 5

3− + − +

=5.73。

此模糊推論輸入變數，經由專家訂定主觀評價之隸屬函數，以圖6表示。

(32)

圖 6 主觀評價隸屬函數

而主觀評價每一尺度的函數式如下所示:

非常低:

( )









= − 0

2 3 0 k k

u

[ ]

3 3 , 1 1

>

∈

<

k if

低:

( )















−

=

0 5 . 1 5

5 . 1

2 0

k k k

u

[ ]

5 5 , 5 . 3

5 . 3 , 2 2

>

∈

<

k if

中等:

( )















−

=

0 5 . 1 7

5 . 1

4 0

k k k

u

[ ]

7 7 , 5 . 5

5 . 5 , 4 4

>

∈

<

k if

(33)

高:

( )















−

=

0 5 . 1 9

5 . 1

6 0

k k k u

[ ]

9 9 , 5 . 7

5 . 7 , 6 6

>

∈

<

k if

非常高:

( )









= − 0

2 10 0 k k

u

[ ]

10 10 , 8 8

>

∈

<

k if

將主觀評價原始得分轉換為K值帶入函數示可獲得隸屬值。以K1=5.73為例，語意等級為中等，隸屬值為0.847。如圖7所示:

圖 7 主觀評價 K1之隸屬值

將所得到的轉換值隸屬函數圖及函式，便可得到各自的隸屬值。

輸入變數二：缺口為消費者對該企業整體滿意度與該項品質要素表現的差異。缺口的函數式及隸屬函數如圖8所示:

0.847

(34)

非常大:

( )















−

− +

=

0 3 3 3

9 0

x x x

u

[ ]

3 3 , 6

6 , 9 9

−

>

−

∈

−

∈

−

<

x if

大:

( )















−

− +

=

0 35 . 1

3 . 0

35 . 1

3 0

x x

x

u

[ ]

3 . 0

3 . 0 , 65 . 1

65 . 1 , 3 3

−

>

−

∈

−

∈

−

<

x if

無:

( )















− +

=

0 5 . 0 5 . 0

5 . 0

5 . 0 0

x x x

u

[ ]

5 . 0

5 . 0 , 0

0 , 5 . 0

5 . 0

>

∈

−

∈

−

<

x if

超越:

( )















−

=

0 35 . 4 9

35 . 4

3 . 0 0

x x x

u

[ ]

9 9 , 65 . 4

65 . 4 , 3 . 0

3 . 0

>

∈

<

x if

整合 OWA、模糊推論與 SIPA 分析探討服務品 質績效-以台灣電信業為例

中 華 大 學 碩 士 論 文