论文部分内容阅读
对城市公共交通系统的性能进行评价具有重要意义,它影响着如何优化分配宝贵的资本、人力物力、时间和精力,是进行有效及有利决策的重要依据。首先,本文通过建设性的讨论,建立了对服务系统的效率及效益的概念,以及二者相互关系的理解。其次,通过对历史文献的综述,可知多准则决策评价方法(The Multi Criteria Decision Making,MCDM)是一种合理的方法,比原始性能衡量方法(primitive performance measurement),前沿(确定性&随机性)方法(Frontier approaches),数据包络分析(Data Envelop Analysis,DEA-BCC&CCR),随机前沿分析(Stochastic Frontier Analysis,SFA)和质量衡量方法(客观和主观感知研究)都更有效。TOPSIS(作为评估方法)和熵权法(Entropy Weight Method,EWM)(作为客观决策权重方法)是被广泛接受和应用的方法,两者具有完善的逻辑与理论基础。但是,应用不同的标准化方法会影响TOPSIS方法权重的选择和熵权法(EWM)的结果,学术界对这种影响研究很少,理解也不够深入和透彻。标准化方法共有7种,它们分别是:求和标准化(Sum Normalization,SN)、矢量标准化(Vector Normalization,VN)、最大最小标准化(Min Max Normalization,MMN)、最大-最小除法标准化-1(Max-Min Devision-1,MMD1)、最小-最大除法标准化-2(Min-Max Division-Ⅱ,MMD2)、最大-最小除法规范化-3(Max-Min Difference Division-Ⅲ,MMD3)和改进的最大最小标准化(Min Max Normalization,MMN Imp)。本文运用了 5个决策权重方法,即平等的决策权重(Equal Weights,EW)、关键的决策权重(Pivotal Decision Weights,PDW)、显著性决策权重(Distinctiveness Decision Weights,DDW)、集成决策权重-1(Combined Decision Weights Type-Ⅰ,CDW-Ⅰ)和集成决策权重-2(Combined Decision Weights Type-Ⅱ,CDW-Ⅱ),将上述7个标准化方法分别应用于材料领域的6个实验数据集进行分析。选择材料领域的实验数据集进行标准化影响分析的原因是,首先,MCDM被成熟地应用于材料领域,其次,材料属性值是确定的,最后,对实验数据集领域的专业知识欠缺减少了实验过程中由于专业知识引起的评价偏差的可能性。对于EWM,第1组技术,即SN、VN、MMD1、MMD2和MMD3,由于使用单参考点(即公约数),会导致相同的熵权值;而第2组技术,即MMN和MMN Imp,由于使用两个参考点,即在用公约数除法之前执行减法操作,会导致不同的熵权值。此外,MMN对成本类型属性变量的反向数据模式导致了反向的信息熵和熵权值,而不是真实值,这就是运用MMN方法会造成EWM结果的合理性和逻辑上的错误。然而,MMN Imp技术(也在第1组技术中)没有造成上述影响,与第1组技术有相同的结果相比,它导致了不同的熵权,因此MMN-Imp被强烈推荐用于EWM以获得熵权。最后,通过证明信息熵与方差系数(代表数据方差的方法)需要比较多的限制条件,解决了熵权法适用条件的问题,进而,通过提出的相似度度量(Na?ve Similarity Measure,NSM),对熵权法(EWM)获得的权重和提出的方差权重改进法(VWM Imp)获得的方差权重进行了相似度测试。熵权(EWM)表示可识别性(comparative distinguishability)(在概率方面),而方差权重(VWM Imp)表示属性交替值之间的可分辨性(comparative differentiability)(相对均值而言),它们建立了一个合理的基础,其中,两者都代表同一数据分布的两个不同视角,在某些情况下,可能在某种程度上类似。对于TOPSIS,根据潜在评价法(Latent evaluation method,LEM)的主观和客观评价结果,在原始TOPSIS和改进TOPSIS的功能之间建立了清晰的关系。应用原始TOPSIS时采用MMN(也包括SN*,VN*and MMD1*),这些歧视性标准化技术会导致误导性结果,非歧视性标准化技术,包括:SN,VN,MMD1,MMD2,MMD3 and MMN-Imp,也会导致改进TOPSIS产生误导性结果。因此,可以得出这样的结论:原始TOPSIS只适用非歧视性标准化技术(即SN、VN、MMD1、MMD2、MMD3和MMN Imp),而改进的TOPSIS则可应用歧视性标准化技术,即MMN(也包括 SN*、VN*和 MMD1*)。此外,利用 EW 建立了 SN、VN、MMD1、MMD2、MMD3 和 MMN Imp(原始TOPSIS)和 MMN(改进 TOPSIS)的评价视角。在 MMD1、MMD2、MMD3、VN、MMN 和 MMN Imp 的情况下,发现除数的属性尺度的差异导致了除数的尺度偏差。然而,由于标准化化的概率性质,在SN的情况下,发现上述偏差理论上不存在,在VN的情况下,发现上述偏差最小。接着,还发现MMD1、MMD2、VN和SN的操作方式对于克服TOPSIS法欧氏距离的固有缺点是无效的,因此评价过程也受到固有的偏差影响。相比之下,在原始TOPSIS的MMN Imp和MMD以及和改进TOPSIS的MMN情况下,通过上述操作方法将最大和最小标准化值之间的距离设为1,可以克服TOPSIS方法固有的可比性限制,结果在评价过程中,系统地消除了固有偏差和除数尺度偏差的影响,最终得到了相同的评价结果结果。通过参照最大-最小差的公约数对SN、VN、MMD1和MMD2标准化数据集进行重新标准化,得到了与MMD3、MMN Imp和MMN相同的评价结果,上述事实得到了重新验证。此外,还分析了非EW决策权重下的主观技术的前景,即PDW、DDW、CDW-Ⅰ和CDW-Ⅱ,发现由于除数的尺度偏差(SN除外)和固有偏差以及受控偏差(决策权重)的影响,SN、VN、MMD1和MMD2的评价过程属于半控制环境。相反,在原始TOPSIS中的MMN Imp和MMD3,以及改进TOPSIS中的MMN的情况下,由于理论上不存在固有偏差和除数尺度偏差影响,属性能够获得与受控偏差(决策权重)值相同的PIS-NIS尺度值。因此,建立了原始TOPSIS中的MMN Imp和MMD3以及改进TOPSIS中的MMN的受控的评价环境,使决策者在理论上完全控制评价过程。最后,将基于反馈效用的沙巴评价方法(Shabir’s Utility Based Reward,SUBR)和沙巴混合评价方法(SUBR-Hybrid evaluation method)应用于公共交通运输真实案例,并与MMN-Imp-Original-TOPSIS方法进行了比较,结果表明,所提出的SUBR评价方法比MMN-Imp-Original TOPSIS 方法及 SUBR-TOPSIS Hybrid evaluation method 能获得更好的评价结果。此外,基于多准则的SUBR评价方法(the SUBR criteria-based evaluation method)能够使决策者以简单有效的方式对复杂准则下的方案进行评价。根据SUBR评价方法,2015-3是表现最好的月份,其次是2014-6,2015-5表现第三,而2015-3是最差的月份。