关于层次分析法的企业知识管理评价模型构建-123

层次分析法层次分析法（AHP）又称多层次权重分析法，是一种用于定性分析的多目标分析方法。

它能有效地分析指标体系各层次之间排序关系，有效地综合衡量和判断评价者的意图。

适用于多目标、多准则、多因素、难以量化的大型复杂系统，已广泛应用于资源系统分析、建设管理、交通、评标、经济评价等各个社会领域。

层次分析法解决复杂问题的基本思想是：首先，将总目标进行分层，并根据各个指标之间隶属关系和相关影响，将各个指标按不同层次进行分类。

形成指标层、准则层和目标层，然后利用层次分析法，求本各层次的指标对上一层次指标的权重，然后利用最大特征值方法依次归并，最终求出总目标权重系数。

指标越重要，其指标权重系数越大。

因此，层次分析方法的计算需要以下步骤：（1）建立层次结构模型首先，将问题分解为不同的组成部分，并根据各个指标之间的相互影响和隶属关系，对各指标进行分组和组合，形成多层次结构，相对于确定最高层的综合相对重要性系数，即相对优序，系统分析被简化到最底层。

（2）调查问卷设计，对同一层次的指标将进行重要性等级进行两两访问对比，确定其重要性，然后利用比例标度法，。

构成比较判断矩阵。

表1-1 比例标度法Table4-1 Proportional scaling method两指标影响比较相等稍微重要明显重要非常重要极其重要δ1113579（3）调查对象的构成在选择范围上，主要选择具有绿色施工、绿色建筑、节能环保等研究领域的高校专家和学者、建设单位项目管理人员、工程项目施工单位工作人员和涉及环保监督政府人员。

（4）整理分析问卷并构建判断矩阵整理出问卷中的信息，并将问卷中信息进行汇总分析，计算出各因素的要性程度，建立判断矩阵。

见表1-2。

表1-2 各因素相对重要性判断矩阵Table4-2 Relative importance judgment matrixB k B 1 B 2 B n B 1 δ11 δ12 ... δ1n B 2 δ21 δ22 ... δ2n ... ... ... ... ... B nδn1δn2...δnn其中，δij 是对于A k 而言，B i 对B j 的相对重要性的数值表示，δij 是δi 与δj 的比值。

企业知识管理的模型构建和优化近年来，随着知识经济时代的到来，企业知识管理已成为了企业发展的重要方面。

然而，在实践中，很多企业对于知识管理的重视程度不够，无法从知识管理中获得满意的效果。

因此，本文将从企业知识管理的模型构建和优化两方面，对企业知识管理作出进一步的探讨。

一、企业知识管理的模型构建企业知识管理的模型构建，是指建立起一个科学、合理、可行的知识管理模型。

在这个模型中，需要涉及到知识的获取、存储、分享、创新以及管理等方面的内容。

接下来，本文将重点针对这些方面，展开一一探讨。

1、知识的获取知识的获取是企业知识管理的第一步，在这个阶段，企业需要在外部和内部不断地寻找和收集各种知识。

其中，外部的知识主要包含竞争对手的情报、专利技术、顾客需求以及市场动态等。

而内部的知识则是指企业员工的技能、经验以及业务知识等。

在知识获取的过程中，企业应该注重对信息的筛选和整合。

首先，企业需要制定明确的获取计划和战略，对信息进行筛选，选择对企业有用的知识进行收集。

其次，为了方便知识的管理和利用，企业应该对所获取的知识进行整合，形成联系紧密的知识体系。

2、知识的存储知识的存储是企业知识管理的核心部分。

在这个阶段，企业需要将所获得的知识进行分类、存储、整理和更新。

存储知识的方式有很多种，例如，人力库、文档库、数据库、图书资料等。

为了方便管理和使用，企业应该采用高效的知识管理系统。

这个系统不仅需要能够快速的检索和获取知识，还需要能够将知识进行分类、整合以及以一种可视化的方式呈现出来。

同时，系统还应该能够保证知识的安全性，以防泄密和丢失等情况的发生。

3、知识的分享知识的分享是企业知识管理的重要环节之一。

在这个过程中，企业应该鼓励员工之间的知识共享，加强沟通和协作。

通过共享，可以促进知识的优化和创新，提高企业的全面竞争力。

除了鼓励员工之间的知识共享外，企业还可以设置相应的奖励机制来推动知识分享的发生。

例如，设立知识分子、优秀员工等奖项，激发员工的积极性，推动知识分享的发生。

[论文关键词]层次分析法知识管理评价[论文摘要]文章基于企业知识管理能力内涵的分析，利用层次分析法，从近期、中期、远期层次，构建企业知识管理能力评价指标体系，并相应确定权重，形成企业知识管理绩效评价模型，旨在帮助企业发现自身不足，为企业加强知识管理提供参考。

1总体思路总的思路是将整个评估体系建立在目标实现的基础上。

简而言之，就是通过考察企业目标的实现程度来反映企业的知识管理系统的效能。

同时，用层次分析法分析各个目标的层次，以及各个层次目标中所包括的指标和重要度，并在此基础上结合考虑权重的情况，形成最后的知识管理效能的评估量化值。

层次分析法首先根据问题的性质和要求提出一个总体的目标，然后将问题按层次分解，对同一层次内的诸因素通过两两比较确定出相对于上一层次目标的各自的权系数。

这样层层分析，直至给出所有因素相对于总目标而言的按重要性的排序。

对于现代组织而言，目标的制定是管理工作的前提，也是管理的目的所在，因而以知识目标实现作为知识管理绩效度量的指标是非常合适的。

在上述绩效评估目标体系下，下面将运用层次分析法建立企业知识管理绩效的评估模型。

2指标的分层量化按照上文所述的知识目标的三个层次，我们可以将整个评估目标分为以下几个层次分开考虑，同时在不同层次的目标中选取最后的评估指标。

知识目标可以分为近期、中期和长期三个层次。

在一个总的知识目标的基础上，分为以上三个层次。

然后在每一个层次中，确定对目标影响最大的制约因素，通过对这些制约因素的分析，得到目标的受影响情况，之后在综合几个分层次的目标情况反映整个最终目标的性质。

2．1近期目标层近期目标通常以组织的知识共享水平作为评价标准。

具体涉及组织内部显性知识的共享水平，包括组织内部显性知识编码化的水平和组织内部部门之间的交流水平；组织内部隐性知识的共享水平，包括员工个人知识显性化水平和组织内人际交流水平；组织外部显性知识的共享，包括外部知识编码化和组织对外部的沟通水平；组织外部隐性知识的共享，包括外部隐性知识内部化和外部隐性知识显性化。

企业知识管理与知识管理能力评价知识管理是企业用来培育创新和获取竞争优势的十分重要的一种管理方式。

在当今的企业家中，知识管理的能力被认为是一种成功的必备条件。

然而，如何科学评估知识管理能力，也是当前企业管理面临的一大问题。

本文将从企业知识管理概念、企业知识管理能力评价体系结构及企业知识管理目标识别等角度，探讨企业知识管理与知识管理能力评价。

企业知识管理概念知识管理是一种组织和协调内部与外部知识资源，以满足企业对知识的需求，为实现企业的战略目标和其他价值的过程。

它是将企业内部的知识资源、知识建模、知识分析、知识交流、知识发现等等技术和方法结合起来，以达到协调知识的目的的管理过程。

企业知识管理的宗旨在于构建企业组织内知识的有效流动，以及有效利用企业组织内外知识，增加企业核心竞争力。

企业知识管理能力评价体系结构企业知识管理能力评价是一种量化诊断企业内部知识管理现状的一种指标体系，可以用来衡量企业在知识管理方面的能力水平。

目前，企业知识管理能力评价体系结构通常是分为三大类：第一类是技术能力评价模型，包括自动化知识管理系统，数据库管理系统，文档管理系统，人工智能技术等等；第二类是服务能力评价模型，基于业务需要而构建的评估模型等；第三类是组织能力评价模型，包括企业规划能力、企业文化能力、组织结构能力、管理能力等。

企业知识管理目标识别知识管理的目标是帮助企业提高组织中的效率、改善企业的竞争力，并最大限度地发挥企业的内在潜力。

因此，首先要从整体上确定知识管理的目标，确定企业知识管理的技术、组织和服务上的实施目标。

其次，要认识到知识管理是企业组织协调统一的一个过程，建立一套系统的知识管理模式与技术支撑，使各部门、各层次的知识管理工作得到有效协调。

最后，要通过控制知识资产的使用，提高企业的资源利用率，减少企业的成本，提高企业的绩效。

结综上所述，企业知识管理与知识管理能力评价是当今企业组织的一大重要任务，其主要目的在于提供企业内部知识的有效流动，提升企业核心竞争力，并最大限度地发挥企业的内在潜力，以实现企业的战略目标和其他价值。

企业如何构建知识管理评估体系管理咨询公司AMT研究说明：在一个价值和竞争优势越来越多依靠无形资产的管理经济环境中，组织管理的重点不在于拥有有形资产及资金资本，而是必须努力创造新方法来理解和控制如何建立组织所需的知识资本。

新的资本形式如何互动并产生价值的无形资产平衡表和模型，用来帮助想要加速智力资本流动的经理们的新方法都已经产生。

而知识管理是一门全新的实践，上面这些发现以及管理和评价知识的新方法都还没有完全成为知识管理的规范和标准。

尽管如此，各种试验如雨后春笋般出现，而且初步的结果说明采用了这些新方法改良了组织的智力资产管理能力。

评估本身是不能代替战略的。

它只是战略的反映和实施战略的工具。

如果使用得当，评估就像人体的神经系统一样。

它可以让企业直面战略的极端现实，即与对企业来说非常重要的各方人士如顾客、员工、供给商、管理者以及社区的接触情况。

如果使用不当，评估就有可能破坏变革，因为这样的话，评估将不再为组织提供真正重要的信息。

我们希望找到一种稳定有效的评估方法，对智力资产开展评估以便强化或实施具有建设性的措施来建立知识、保持知识并且对知识开展转移，组织必须具备以下必要条件和迎接以下挑战：表1企业具备的条件和挑战重点扩展组织理论以捕获知识对组织表现的影响：区分有形资产和无形资产。

逐步建立和完善知识管理的评估体系。

发挥评估体系的激励作用。

过程知识的价值取决于使用的环境，企业只能间接地控制知识，特别是员工大脑中的隐性知识，因此不能定量化地评估知识，也就不可能完全准确地做好评估工作：企业知识库的改变必须是可见的，并且这些变化能用相关的知识目标来解释。

评估知识不是计算其货币价值，应集中于企业追求和到达知识目标的过程评估。

阻力知识管理评估也会有来自企业内部的阻力：知识的评估很容易政治化。

评估过程不可能完全客观，总是会产生部分有偏见的评价。

评估标准不与奖励机制严密联系。

误区企业在开展具体的知识管理评估时，由于没有统一的标准可循，会导致以下评估问题：没有评估重要方面。

二、模型的假设1、假设我们所统计和分析的数据，都是客观真实的；2、在考虑影响毕业生就业的因素时，假设我们所选取的样本为简单随机抽样，具有典型性和普遍性，基本上能够集中反映毕业生就业实际情况；3、在数据计算过程中，假设误差在合理范围之内，对数据结果的影响可以忽略.三、符号说明四、模型的分析与建立1、问题背景的理解随着我国改革开放的不断深入，经济转轨加速，社会转型加剧，受高校毕业生总量的增加，劳动用工管理与社会保障制度，劳动力市场的不尽完善，以及高校的毕业生部分择业期望过高等因素的影响，如今的毕业生就业形势较为严峻.为了更好地解决广大学生就业中的问题，就需要客观地、全面地分析和评价毕业生就业的若干主要因素，并将它们从主到次依秩排序.针对不同专业的毕业生评价其就业情况，并给出某一专业的毕业生具体的就业策略.2、方法模型的建立 （1）层次分析法层次分析法介绍：层次分析法是一种定性与定量相结合的、系统化、层次化的分析方法，它用来帮助我们处理决策问题.特别是考虑的因素较多的决策问题，而且各个因素的重要性、影响力、或者优先程度难以量化的时候，层次分析法为我们提供了一种科学的决策方法.通过相互比较确定各准则对于目标的权重，及各方案对于每一准则的权重.这些权重在人的思维过程中通常是定性的，而在层次分析法中则要给出得到权重的定量方法.我们现在主要对各个因素分配合理的权重，而权重的计算一般用美国运筹学家T.L.Saaty 教授提出的AHP 法. （2）具体计算权重的AHP 法AHP 法是将各要素配对比较，根据各要素的相对重要程度进行判断，再根据计算成对比较矩阵的特征值获得权重向量k W .Step1. 构造成对比较矩阵 假设比较某一层k 个因素12,,,k C C C 对上一层因素ο的影响，每次两个因素i C 和j C ，用ij C 表示i C 和j C 对ο的影响之比，全部比较结果构成成对比较矩阵C ，也叫正互反矩阵.*()k k ij C C =，0ij C >，1ij jiC C=， 1ii C =.若正互反矩阵C 元素成立等式：* ij jk ik C C C = ，则称C 一致性矩阵.标度ij C含义1i C 与j C 的影响相同 3 i C 比j C 的影响稍强 5i C 比j C 的影响强 7 i C 比j C 的影响明显地强 9i C 比j C 的影响绝对地强2,4,6,8i C 与j C 的影响之比在上述两个相邻等级之间11,,29i C 与j C 影响之比为上面ij a 的互反数Step2. 计算该矩阵的权重 通过解正互反矩阵的特征值，可求得相应的特征向量，经归一化后即为权重向量12 = [ , ,..., ]T kkkkkQ q qq ，其中的ikq 就是i C 对ο的相对权重.由特征方程A-I=0λ，利用Mathematica 软件包可以求出最大的特征值max λ和相应的特征向量.Step3. 一致性检验1）为了度量判断的可靠程度，可计算此时的一致性度量指标CI ：max1kCI k λ-=-其中maxλ表示矩阵C 的最大特征值，式中k 正互反矩阵的阶数，CI 越小，说明权重的可靠性越高.2）平均随机一致性指标RI ，下表给出了1－14阶正互反矩阵计算1000次得3）当0.1CR RI=<时，（CR 称为一致性比率，RI 是通过大量数据测出来的随机一致性指标，可查表找到）可认为判断是满意的，此时的正互反矩阵称之为一致性矩阵.进入Step4. 否则说明矛盾，应重新修正该正互反矩阵.转入Step2.Step4. 得到最终权值向量将该一致性矩阵任一列或任一行向量归一化就得到所需的权重向量. 计算出来的准则层对目标层的权重即不同因素的最终权重，这样一来，我们就可以按权重大小将进行排序了. （3）组合权向量的计算成对比较矩阵显然非常好体现了我们研究对象——各个因素之间权重的比较状态，能够有效地全面而深刻地表现出有关的数据信息，显然也是矩阵数学模型的重要应用价值. 因素往往是有层次的，我们经常在进行决策分析时，要进行多方面、多角度、多层次的分析与研究，把我们的决策选择建立在深刻而广泛的分析研究基础之上的.一个总的指标下面可以有第一层次的各个方面的指标、因素、成份、特征性质、组成成分等等，而每个这种因素又有新的成份在里面.这就是决策分析的数学模型的真正的意义之所在.定理1：对于三决策问题，假设第一层只有一个因素，即这是总的目标，决策总是最后要集中在一个总目标基础之上的东西，然后才能进行最后的比较.又假设第二层和第三层因素各有n 、m 个，并且记第二层对第一层的权向量（即构成成份的数量大小、成份的比例、影响程度的大小的数量化指标的量化结果、所拥有的这种属性的程度大小等等多方面的事情的量化的结果）为：(2)(2)(2)(2)12(,,,)Tn w w w w =， 而第3层对第2层的全向量分别是：(3)(3)(3)(3)12(,,,)Tk k k km w w w w =，这表示第3层的权重大小，具体表示的是第2层中第k 个因素所拥有的面对下一层次的m 个同类因素进行分析对比所产生的数量指标.那么显然，第三层的因素相对于第一层的因素而言，其权重应当是：先构造矩阵，用 (3)k w 为列向量构造一个方阵 (3)(3)(3)(3)12(,,)nWw w w=，这个矩阵的第一行是第3层次的m 个因素中的第1个因素，通过第2层次的n 个因素传递给第1层次因素的权重，故第3层次的m 个因素中的第i 个因素对第1层次的权重为 (2)(3)1nkkik w w=∑，从而可以统一表示为：(1)(3)(2)wWw=，它的每一行表示的就是三层（一般是方案层）中每一个因素相对总目标的量化指标.定理2：一般公式如果共有s 层，则第k 层对第一层（设只有一个因素）的组合权向量为()()(1),3,4,k k k k s wWw-==，其中矩阵 ()k W的第i 行表示第k 层中的第i 个因素，相对于第1k -层中每个因素的权向量；而列向量 (1)k w-则表示的是第1k -层中每个因素关于第一层总目标的权重向量.于是，最下层对最上层的的组合权向量为：()()(1)(3)(2)s s s wWWW w-=，实际上这是一个从左向右的递推形式的向量运算.逐个得出每一层的各个因素关于第一层总目标因素的权重向量. （4）灰色关联度综合评价法灰色系统的关联分析主要是对系统动态发展过程的量化分析，它是根据因素之间发展态势的相似或相异程度，来衡量因素间接近的程度，实质上就是各评价对象与理想对象的接近程度，评价对象与理想对象越接近，其关联度就越大.关联序则反映了各评价对象对理想对象的接近次序，即评价对象与理想对象接近程度的先后次序，其中关联度最大的评价对象为最优.因此，可利用关联序对所要评价的对象进行排序比较.利用灰色关联度进行综合评价的步骤如下：1)用表格方式列出所有被评价对象的指标. 2)由于指标序列间的数据不存在运算关系，因此必须对数据进行无量纲化处理.3)构造理想对象，即把无量纲化处理后评价对象中每一项指标的最佳值作为理想对象的指标值.4)计算指标关联系数.其计算公式为：min max imax()()ik k ρρξ+=+∆∆∆∆其中min()()minminiikk k x x =-∆，max()()maxmaxiikk k x x =-∆，()ik ∆=0()()ik k x x -，1,2,i n =，1,2,k m =.式中n 为评价对象的个数；m 为评价对象指标的个数；()ik ξ为第i 个对象第k 个指标对理想对象同一指标的关联系数；A 表示在各评价对象第k 个指标值与理想对象第k 个指标值的最小绝对差的基础上，再按1,2,,i n =找出所有最小绝对差中的最小值；max ∆表示在评价对象第k 个指标值与理想对象第k 个指标值的最大绝对差的基础上，再按1,2,,i n =找出所有最大绝对差中的最大值；min ∆为评价对象第k 个指标值与理想对象第k 个指标值的绝对差.ρ为分辨系数，ρ越小分辨力越大，一般ρ的取值区间[0,1]，更一般地取ρ=0.5.5)确立层次分析模型.6)确定判断矩阵，计算各层次加权系数及加权关联度，加权关联度的计算公式为：()mk iikk γξω=∑,式中7为第i 个评价对象对理想对象的加权关联度，kω为第k 个指标的权重.7)依加权关联度的大小，对各评价对象进行排序，建立评价对象的关联序，从而可以得出关联度较大的对象，关联度越大其综合评价结果也越好. （5）线性回归分析法假如对象（因变量）y 与p 个因素（自变量）12,,,p x x x 的关系是线性的，为研究他们之间定量关系式，做n 次抽样，每一次抽样可能发生的对象之值为12,,ny y y它们是在因素(1,2,,)i i p x =数值已经发生的条件下随机发生的.把第j 次观测的因素数值记为：12,,,jjpj x xx （1,2,j n =）那么可以假设有如下的结构表达式：1111011212201213011p pp pn nppy x x y x x y x xβββεβββεβββε⎧=++++⎪⎪=++++⎪⎨⎪⎪=++++⎪⎩其中，01,,,pβββ是1p +个待估计参数，12,,,n εεε是n 个相互独立且服从同一正态分布2(0,)N σ的随机变量.这就是多元线性回归的数学模型.若令12n y y y y ⎛⎫ ⎪ ⎪ ⎪= ⎪ ⎪ ⎪⎝⎭，111212122212111p p n n np x xx x x x x xxx ⎛⎫ ⎪ ⎪= ⎪ ⎪ ⎪⎝⎭，012p βββββ⎛⎫ ⎪ ⎪⎪ ⎪= ⎪ ⎪ ⎪ ⎪⎝⎭，12n εεεε⎛⎫ ⎪⎪= ⎪ ⎪ ⎪⎝⎭ 则上面多元线性回归的数学模型可以写成矩阵形式：y x βε=+在实际问题中，我们得到的是实测容量为n 的样本，利用这组样本对上述回归模型中的参数进行估计，得到的估计方法称为多元线性回归方程，记为011p p y b b x b x =+++式中，012,,,,p b b b b 分别为01,,,pβββ的估计值.（6）主成分分析法 1）主成分的定义 设有p 个随机变量12,,,p x x x ，它们可能线性相关，通过某种线性变换，找到p 个线性无关的随机变量12,,,pz z z，称为初始向量的主成分.设12(,,,)Tp αααα=为p 维空间pR 中的单位向量，并记所有单位向量的集合为{}0|1TR ααα==，且记X ＝12(,,,)Tp X X X .2）用相关矩阵确定的主成分令*i E X -=，**(,),ij i j E r X X =1,2,,j p =.*X=***12(,,)Tp X X X ,则1212121211()1pp ij p p R r r r rr r r⎛⎫ ⎪⎪== ⎪ ⎪ ⎪⎝⎭为*X 的协方程.类似地，我们可对R 进行相应的分析.3）主成分分析的一般步骤 第一步、选择主成分设X 的样本数据经过数据预处理后计算出的样本相关矩阵为121*21212111*()11()()pT p p p R ij n r r r rr XX r r⎛⎫ ⎪ ⎪=== ⎪- ⎪ ⎪⎝⎭. 由特征方程0R I λ-=，求出p 个非负实根，并按值从大到小进行排列：120p λλλ≥≥≥≥.将iλ带入下列方程组，求出单位特征向量iα()0,1,2,,i i R I i m λα-==确定m的方法是使前m个主成分的累计贡献率达到85％左右.第二步、利用主成分进行分析在实际分析时，通常把特征向量的各个分量的取值大小和符号（正负）进行对照比较，往往能对主成分的直观意义作出合理的解释.利用主成分可以进行以下分析：a)对原指标进行分类；b)对原指标进行选择；c)对样品进行分类；d)对样品进行排序；e)预测分析.。