第三章灰色综合评价

基于层次分析法的灰⾊关联度综合评价模型第1章基于层次分析法的灰⾊关联度综合评价模型灵活型公共交通系统是⼀个复杂的综合性系统，单⼀的常规评价⽅法不能够准确对系统进⾏全⾯评价【39】，这就要求在进⾏灵活型公共交通系统评价时，结合系统固有特点，根据各种评价⽅法的优缺点，构建适合该系统的综合评价模型。

本章以灵活型公共交通系统评价指标体系为基础，参考常规型公共交通系统评价⽅法，建⽴了基于层次分析法的灰⾊关联度综合评价模型。

1.1评价⽅法适应性分析灰⾊关联度分析法基于灰⾊系统理论，是⼀种多指标、多因素分析⽅法，通过对系统的动态发展情况进⾏定量化分析，考察系统各个要素之间的差异性和关联性，当⽐较序列与参考序列曲线相似时，认为两者有较⾼关联度，反之则认为它们之间关联度较低，从⽽给出各因素之间关系的强弱和排序【50】。

与传统的其它多因素分析法相⽐【80】【81】【82】，灰⾊关联度分析法对数据量要求较低，样本量要求较少，计算量较⼩，可以利⽤各指标相对最优值作为参考序列，为最终综合评价等级的确定提供依据，⽽不必对⼤量实践数据有过⾼要求，能够较好解决灵活型公共交通系统作为新型辅助式公系统没有⾜够的经验数据⽀撑其模型参数的问题。

此外，灵活型公共交通系统评价体系是基于乘客、公交企业、政府三⽅主体的综合评价体系，涉及因素较多，指标较为复杂，部分指标之间存在关联性和重复性，信息相对不完全，⽽灰⾊系统的差异信息原理以及解的⾮唯⼀性原理，可以很好的解决这⼀问题【79】。

综上所述，认为灰⾊关联度分析法⽐较适合于灵活型公共交通系统的综合评价。

然⽽灰⾊关联度分析法将所有指标对于总⽬标的影响因素⼤⼩视作等同，没有考虑指标权重的影响，评价值可信度较低，应当通过科学的⽅法，确定指标权重，将其与关联度系数相结合，增加评价结果的科学性和有效性【83】。

常见的权重确定⽅法包括，专家打分法、等权重法、统计试验法、熵值法等。

等权重法不能很好的体现不同指标影响程度的差异性，并且在综合评价值相差不⼤时不利于⽅案的选择【84】；专家打分法、统计试验法评价的主观性较⾼，并且不适⽤于指标较多的情况【85】；⾏和正规化法、列和求逆法等指对判断矩阵的⼀部分数据进⾏利⽤，结果可信度不⾼【86】；最⼩偏差法、对数回归法等，利⽤同⼀指标不同⽅案值，认为变化程度较⼤的指标传递更多信息，应具有较⾼权重，然⽽对于灵活型公共交通系统单⽅案综合⽔平等级评价的情况，并不适⽤。

第三章灰色关联分析一般的抽象系统，如社会系统，经济系统，农业系统，生态系统等都包含有许多种因素，多种因素共同作用的结果决定了该系统的发展态势。

我们常常希望知道众多的因素中，哪些是主要因素，哪些是次要因素，哪些因素对系统发展影响大，哪些因素对系统发展影响小，哪些因素对系统发展起推动作用需加强，哪些因素对系统发展起阻碍作用需抑制……数理统计中的回归分析，方差分析，主成分分析等都是用来进行系统特征分析的方法。

但数理统计中的分析方法往往需要大量数据样本，且服从某个典型分布。

灰色关联分析方法弥补了采用数理统计方法作系统分析所导致的缺憾.它对样本量的多少和样本有无规律都同样适用,而且计算量小,十分方便,更不会出现量化结果与定性分析结果不符的情况。

灰色关联分析的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密。

曲线越接近，相应序列之间关联度就越大，反之就越小。

例如某地区农业总产值X,0种植业总产值X，畜牧业总产值2X和林业总产值3X，从11997-2002年共6年的统计数据如下：X=（18，20，22，35，41，46）X=（8，11，12，17，24，29）1X=（3，2，7，4，11，6）20X =（5，7，7，11，5，10）从直观上看，与农业总产值曲线最相似的是种植业总产值曲线，而畜牧业总产值曲线和林果业总产值去与农业总产值曲线在几何形状上差别较大。

因此我们可以说该地区的农业仍然是以种植业为主的农业，畜牧业和林果业还不够发达。

3.1灰色关联因素和关联算子集进行系统分析，选准系统行为特征的映射量后，还需进一步明确影响系统行为的有效因素。

如要作量化研究分析，则需要对系统行为特征映射量和各有效因素进行处理，通过算子作用，使之化为数量级大体相近的无量纲数据，并将负相关因素转化为正相关因素。

定义3.1.1设((1),(2),,())ii i i X x x x n =为因素i X 的行为序列，1D 为序列算子，且1111((1),(2),,())i i i i X D x d x d x n d =其中1()()(1)0;1,2(1)i i i i x k x k d x k nx =≠=，则称1D 为初值化算子。

模糊评价一、模型的建立设系统有n 个待优选的对象组成备择对象集，有m 个评价因素组成系统的评价指标集。

每个评价指标对每一备择对象的评判用指标特征量表示，则系统有n m ⨯阶指标特征量矩阵：n m ij mn m m n n mxn x x x x x x x x x x X ⨯=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=)(212222111211，;,,2,1m i =)2(3,,2,1 n j = 式中ij x 为第j 个备择对象的第i 个评价因素的指标特征量，一般情况下，它具有两种类型:（1)“越大越优”型，其隶属度计算式为：)3(3maxx x r ij ij =式中max x 为n j m i x ij ,,1;,,1, ==中的最大值。

（2）“越小越优”型,其隶属度计算式为：)4(3min ijij x x r =式中min x 为n j m i x ij ,,1;,,1, ==中的最小值。

优化的任务在于根据指标特征量矩阵选择出最优对象或对象的最优排序。

事实上，优与次（或劣）这一对立的概念之间不存在绝对分明的界限，这是优化的模糊性。

另一方面，优化是依据指标特征量在备择对象集中进行，优或次是相对于备择对象集中的元素间比较而言，这是优化的相对性。

通过3（3）、3（4）式，可将指标特征量矩阵3（2）转变为指标隶属度矩阵3（5）（例如可用适当的计算隶属度公式等）：),(212222111211ij mn m m n n mxnr r r r r r r r r r R =⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡= ;,,2,1m i =)5(3,,2,1 n j = 根据优化的模糊性与相对性概念，可以给出下面定义： 定义1 设系统有指标隶属度矩阵3（5）若)6(3),,,(),,,(21222211121121Tmn m m n n Tm r r r r r r r r r g g g G ∨∨∨∨∨∨∨∨∨==称为系统的优向量。