未确知测度

未确知测度（精选8篇）

未确知测度 篇1

1 前言

目前国内外在船厂风险领域的研究主要集中在船厂日常经营风险方面的定性研究, 定量研究则很少, 船厂接单风险及其测度的研究文献则更少。Kavussanos、郭欣等以及王晨歌等学者分别从船价及付款方式、成本及合同风险等方面对船厂的一类或多类风险进行定性研究[1,2,3]。定量研究方面, 学者们在借鉴其他领域风险评价或测度研究方法的同时, 认为纯定量分析技术无法解决风险测度中的半结构化和非结构化问题[4], 针对此缺点提出了模糊综合评价法、神经网络法、功效系数法等方法, 如许立坤和林滨采用模糊综合评价法对客观存在的船东风险进行了研究, 并对两家船东进行了实证研究, 取得了较好的效果[5];陶永宏、祁爱琳则从船舶行业层面将BP神经网络法运用到风险测度中, 并考虑造船市场风险滞后性的特点, 用功效系数法进行优化[6]。

1990年中国工程院院士王光远教授发表的《未确知信息及其数学处理》揭开了未确知数学的第一页, 该学科的创建开辟了有别于随机性、模糊性和灰性的研究途径和方法, 在各领域已得到广泛应用, 如:周书敬等将其用于房地产投资环境的评价中, 克服了以往单层次模型的限制, 实现了有结构决策和无结构决策的结合[7];郭奇将此法用于企业经济效益的评价, 并对三个企业的经济效益进行实证研究, 取得较好的效果[8]。这些研究表明, 该理论作为研究未确知信息的一种数学方法, 可以定量描述具有未确知性的事物处于未确知状态时的大小, 避免了采用其他数学方法造成的信息度量的误差, 是一种较为理想的信息度量方法。

2 未确知测度理论在船厂接单风险测度中的可行性分析

首先, 船厂接单风险具有未确知性。一般风险具有客观性、可变性等特征, 但因船厂订单建造周期长、投资额大、技术要求高等特点, 在完成过程中未确知因素大量存在且不断变换, 由此造成其在风险复杂度和强度上都远高于其他行业。船厂接单风险具有五大显著特征:复杂性、高度集中性、相对性、不确定性和潜在性, 其中复杂性和潜在性最易导致风险的未确知性显现。

其次, 尽管专家们对各要素了解已经很专业, 但在风险估值时将他们的判断集中于一个数值点是不现实的, 而未确知测度理论采用区间处理方法可以根据所选取指标的特点和数据的实际状态所决定;且多位学者认为风险等级是有序分割, 各区间性质不同, 笼统采用最大隶属度识别判断不符合实际, 应采用置信度识别原则[9,10], 而未确知测度理论就是采用该原则。

正是船厂接单风险的特性使决策者在识别接单风险时对其真实状态和风险的数量关系不能准确地识别和度量, 这就要求我们利用科学的方法正确识别风险, 改变风险发生的环境条件, 从而减小风险的负面结果, 而未确知测度理论正是解决这一问题的较好方法。

3 船厂接单风险测度模型

3.1 船厂接单风险测度指标体系的建立

测度指标体系的建立是船厂接单风险测度的重要内容, 其能否全面准确地反映风险影响要素将直接关系到测度结果的有效性。通过参阅大量文献和对南通、扬州及南京等地船厂进行实地调研, 确定指标体系。

本文建立的指标体系遵循一条主线、四大目标和五大原则:

(1) 一条主线, 即以供应商—船厂—船东为主线。订单的风险是由宏观经济风险波及到造船市场, 最终从供应商和船东的风险行为综合作用于船厂, 供应商和船东的风险是外部风险的集中体现, 这是船厂订单风险的传导机制, 也即风险的变化规律。这条主线贯穿风险的始末, 只要抓住这条主线, 就严格遵循风险的变化规律。

(2) 四大目标, 即费用、进度和质量及稳定性的目标。前三种风险管理的三大铁定目标同时也是风险传统的三大信号;对于最后的稳定性是特指船东的可靠度, 每在船市萧条期, 船东遇到危险就将风险转嫁给船厂, 做出弃船、撤单的行为, 对船厂造成很大的危害, 可见订单的可靠度也是不可忽视的。

(3) 五大原则, 即层次化与扁平化相结合、完备性与简明性相结合、动态与静态相结合、指导性与实用性相结合、普遍性与特殊性相结合的原则。

3.2 风险区间的划分及指标的处理

本文按照分值将警度区间划分为五个等级, 考虑到制造业通常以50%作为经济强弱的临界点, 所以本文以50分作为有无风险的临界点, 50~60分作为第一风险区间, 依次划分区间, 五个区间分别对应风险一级至五级。分类标准如表1所示。

(1) 定量指标的处理。本文中共有9个定量指标, 由于各指标的特性不同, 所以各自划分的标准也要因指标而异。其中:船型创新度指标的风险指对船型的不同创新程度所带来的技术上的不确定, 本文用风险值表示。该指标是由船型的建造历史重复性和船型的技术难度来决定的, 且船型的技术难度又是相对于船型的建造重复性而言的, 二者存在乘积关系。正常情况下, 船型的建造历史重复度越高, 船型建造时的技术难度也就越低, 风险性也就越小;反之亦然。根据船厂造船的实际情况, 首制船风险最高, 同类船型建造3次以上即为成熟船型, 风险基本上就已经很小了。本文按照造船技术的难度, 将目前我国所造主要船型分为五个等级 (如表2) , 其中难度最高的为一级, 难度越高则对应的风险也就越大。故船型的计算公式表示为:Hk=Xi×Yj, 其中Hk表示船型的创新风险, i表示同类船型船厂历史建造次数, Xi表示船舶的船型重复性所对应的风险系数, j表示对应船型类别。

与表2一一对应, 表示船型的技术难度等级分布形式如下:

Hk相应的等级分类分别如表3所示。

钢材综合利用率根据行业实际情况最高在94%左右, 本文以92%作为低风险的警戒线。国内钢材综合价格指数波动幅度是由中国钢铁工业协会编制的反映我国钢材价格走势的综合指标, 由于该指标的风险主要发生在未来的一段时间, 所以该指标应以船东询单当时的指数为基准, 考虑未来1至2年内的波动风险, 根据《中国船舶工业年鉴》, 通常以10%作为最高风险的警戒线。船厂工人工资占行业平均工人工资指标参照《中国船舶工业年鉴》计算得出。汇率波动 (上升) 幅度指标根据汇率波动程度对船厂的实际影响来划分, 该指标具有一定的预测性, 实际值应以实际询单时间为基期, 考虑未来1至2年内的波动风险。新船价格指数、船东资产负债率依据《中国船舶工业年鉴》所拟定。历史违约次数指标, 如果船东违约2次及以上, 则其信誉在行业内基本就荡然无存了。

(2) 定性指标的处理。本文所构建的指标体系以定性指标居多, 要将这些因素参与数学计算, 需要运用适当的数学工具将其定量化。本文选择利用未确知有理数或盲数表达专家对船厂接单风险要素的估计, 可以更客观合理地反映评价对象的实际情况。论文所有指标的划分结果如表1所示。对于极大值指标, 对应的风险等级依次为风险高、风险较高、风险中、风险较低、风险低;而对于极小值指标, 对应的风险等级则相反。

本文确定的船厂接单风险测度指标体系如表4所示。

注:论文是以供应商-船厂自身-船东这样一条主线分析识别风险的, 上表的排列顺序与此主线的不一致是为了排版的整洁性需要, 对论文的结果无影响

3.3 船厂接单风险未确知测度模型构建

设有m个待评价的对象, n个评级指标, xij表示第i个评价对象关于第j个属性的测度值, 对于每个xij有p个测度等级。令μijr=μ (xij∈cr) 表示测量值属于第r个评级等级的Cr的程度, 且满足非负有界性、归一性以及可加性。

未确知测度分布函数中直线型未确知测度函数是应用最广的函数, 本文采用此构造方法构造出分类标准的未确知测度函数:

本文采用客观的赋权重的方法———熵值法来确定单指标的权重p, 设μij所确定的信息熵为:

则vij反映了向量μij各分量取值的集中程度, 即指标Ij的重要程度, 称vij为指标的分类区分度。令:

显然, 故称ωijr为指标分类权重, 则综合指标的未确知测度为:

由于评级空间是一个有序分割类, 即评级等级有序, 判别准则不适用最大隶属原则, 因此, 引入置信度识别准则进行计算。设置信度为λ (0.5<λ<1) , 通常取0.6或0.7, 本文对此重新确定, 实例中计算结果为0.9, 令:

则判断xi属于第k0个评级等级ck0, 即xi不低于ck0等级的置信度为λ, 或低于ck0等级的置信度是1-λ。

综上可知, 构建基于未确知测度的综合测度流程如图1所示。

4 案例分析

2012年9月20日, B公司向A公司询单, 订单为MR型成品油船建造合同。B公司是一家历史悠久的公司, 航线遍及中国以及东南亚、澳洲、欧洲、地中海等地, 运输网络完善。C公司是A公司钢板的主要供应商。A公司与B公司是首次合作, C公司也同样是新的供应商。该张订单对于A公司因不同的建造次数而风险差异很大, 因此本文分首制船、建造过2条和3条以上三种情况探讨其风险大小。

(1) 假设为首制船, 根据表3, 对应的风险区间为60~70。

1) 定量指标及定性指标的处理。首先, 定量指标数据如表5所示。

注:预测数据来自前瞻产业研究院及中国外汇交易中心, 实际数据由中国船舶网、myspic及克拉克松等网站收集和整理

其次, 对于定性指标, 本文采用专家调查法。要将专家意见参与数学计算, 需要运用适当的数学工具将其定量化, 本文选择利用未确知有理数或盲数表达专家对船厂订单风险要素的估计, 可以更客观合理地反映评价对象的实际情况。然而由于人类自身认识能力受到各种条件的约束, 具有一定的有限性和局限性, 所以专家意见的正确性和准确性也是相对的。这种相对性, 我们用可信度来描述, 取区间[0, 1]某个值来量化表示。设α表示可信度, 这α=1表示最可信, α=0表示最不可信[13]。对专家可信度进行度量, 我们常采用如下方法之一或结合使用: (1) 由专家本人根据自己的专业知识和对信息的掌握程度给出; (2) 由作者根据该专家的成就或者相关经历给出; (3) 由周围对专家较为了解的人给出。本文考虑到所研究对象的复杂性和专业性, 决定选取方法 (2) 。对于专家数量的选取, 一般以5~10人为宜, 也可以因情况而异。设有n名专家F1、F2、…、Fn组成专家组, 对船厂订单风险要素进行估计, 各个专家评价结果的可信度相应为α1、α2、…、αn。计算步骤如下:

(1) 专家F1关于专家组的综合可信度为:

(2) 专家组的综合可信度为:

(3) 由于专家评估区间有交叉, 需对专家估计的区间的端点值aij、bij (j=1, 2, …, n) 按大小进行排序。若设所得序列为ai1, ai2, bi1, bi2, …, aik, bik, 则根据此序列可组成新的区间序列[ai1, ai2], [bi1, bi2], …, [aik, bik], 设此时的置信度为γ1、γ2、…、γk, γj (j=1, 2, …, k) 的求解按比例分配的方法得到。以区间[ai1, ai2]的可信度γ1为例:

本文经选取专家调研及其可信度评价等过程, 最后根据公式 (6) 和 (7) 分别求得各专家和专家组的综合可信度分别为:α1=0.2, α2=0.2, α3=0.3, α4=0.1, α5=0.2;α=0.9;各指标的评估结果如表6所示。

由表6可看出, 测度指标评估区间有交叉, 因而进行无交叉化处理及可信度的计算。对于要素“主机供应可靠性I111”, 首先对ai1和bi1重新排序, 结果为70、75、80、85, 于是得到新的区间序列:[70, 75]、[75, 80]、[80, 85]。根据公式8可得γ1、γ2、γ3:;同理可得γ2、γ3分别为0.5和0.3。则对要素“主机供应可靠性I111”的估计结果为:I111:, 根据未确知有理数及盲数期望的定义及运算法则计算得:

, 由于E (f1 (x) ) 的总可信度α=1, 故该一阶未确知有理数实际上就是实数78, 即x1=78。用同样的方法可得出“其他关键设备供应可靠性I112”, 结果如下:

同理可得其他指标相应的结果, 篇幅限制, 不再一一列出。

2) 指标测度过程以二级指标下的底层指标“主机供应可靠性I111”、“其他关键设备供应可靠性I112”为例来说明单指标测度过程。对于I111, 将专家组评分综合值x1=78代入分类标准的未确知测度分布函数方程中:μ111 (x∈c1) =0, μ111 (x∈c2) =0.3, μ111 (x∈c3) =0.7, μ111 (x∈c4) =0, μ111 (x∈c5) =0, 故指标I111的单指标测度向量为: (0 0.3 0.7 0 0) ;同理, I112的单指标测度向量为: (0.8 0 0 0.2 0) 。由以上各个单指标测度向量可得同一个二级指标下的测度矩阵为:;同理可得:。由公式 (2) — (4) 可得:;同理得v112、ω112为0.5020、0.4475。

故I11指标下的分类权重为:, 由公式 (4) 可得:;同理可得:μ12= (0 0.1857 0.1108 0.2314 0.4721) , μ13= (0 0 00.1975 0.8025) 。同样根据公式 (2) — (4) , 重复两次上面的计算, 可得最终的测度值:μ= (0.210.2287 0.5942 0.0329 0) 。

3) 识别与排序。由于评价空间是一个有序分割类, 因此可用置信度判断准则来进行判断。根据前面的计算, 取λ=0.9, 由上述综合测度评价向量和公式 (5) 可知, k=3, 故该订单的风险等级为三级。该结果对决策者来说, 该订单的风险较大, 要极其慎重考虑, 建议不接单。

(2) 假设建造过两次, 依据上述算法, 则对应的测度值为 (0.1375 0.3421 0.1649 0.3555 0) , 相应的风险等级为四级。

(3) 假设建造过三次以上, 依据上述算法, 则对应的测度值为 (0.0308 0.0264 0.0851 0.38250.4752) , 相应的风险等级为五级。

据此分析, 后两种情况下订单均可接, 只是前者风险更大一些, 建造时要将风险严格控制。

5 结论与启示

本文针对当前造船市场风险巨大的现状, 探寻船厂接单的风险测度模式, 经过研究得出以下结论:

(1) 本文将未确知测度理论引入到船厂接单风险测度研究中, 并与客观的赋权重的方法———熵权法有机结合, 根据船型建造次数不同则风险差异较大的规律分三种情况进行探讨, 测度出企业的风险级别并给出接单建议。这表明未确知测度理论能够定量解决船厂的接单风险问题, 避免纯主观的盲目性, 为决策者接单决策提供科学的理论依据。

(2) 不同的时间及不同的船厂测度对应的权重和结果也不同, 本文在此只对船型不同、建造次数进行了分类讨论和测度, 船厂应根据实际情况进行分类测度。另外, 该测度方法若与网络技术相结合形成决策系统, 将为船厂提供更加高效的决策工具, 这也为笔者及其他学者后续研究指明了方向。

摘要：受全球金融危机的影响, 船厂接单风险再次笼罩整个船舶行业, 这些风险较为复杂且具有较大的不确定性, 对此提出未确知测度理论来测度经营者因信息掌握不全条件下的风险, 以期为决策者作出接单决策提供科学依据。对未确知测度理论的概念和应用现状进行概述, 分析该理论在接单风险测度中的可行性, 并依据1-4-5思维方法建立船厂接单风险测度指标体系, 构建船厂接单风险测度未确知测度模型;最后, 通过案例进行有效性和实用性分析。

关键词：接单风险,测度指标体系,未确知测度理论,风险测度

参考文献

[1]KAVUSSANOS.International comparison of market risks across shipping-related industries[J].Market Policy&Management, 2010, 7 (30) :200–204

[2]郭欣, 刘舟豪, 徐雅啸, 等.后经济危机时代船舶修造企业的材料成本管理[J].造船技术, 2011 (1) :5–10

[3]王晨歌.浅析造船合同下的撤单风险[J].重庆科技学院学报, 2012 (10) :51–53

[4]李晓宇.高新技术风险测度系统研究[D].北京:北京交通大学, 2006:12–13

[5]许立坤, 林滨.船东风险评估实证研究[J].中国造船, 2010 (1) :26–27

[6]陶永宏, 祁爱琳.基于功效系数及神经网络的造船业风险测度研究[J].中国造船, 2010 (5) :193–194

[7]周书敬.房地产投资环境未确知测度的综合评价方法[J].统计与决策, 2006 (11) :15–16

[8]郭奇.基于未确知测度理论的工业企业经济效益评价[J].数学的实践与认识, 2011, 41 (2) :45–49

[9]王超.确知测度理论的冲击危险性综合评价模型及应用研究[D].北京:北京交通大学, 2011:12–15

[10]万玉成.基于未确知性的预测与决策方法及其应用研究[D].南京:东南大学, 2010

未确知测度 篇2

基于未确知模拟信息的河流水质风险评价

在定义水环境系统未确知参数和河流水质未确知风险概念的基础上,运用未确知数学理论,建立了突发性泄漏情形下污染物运移、扩散和转化规律的`二维河流水质未确知模拟模型和水质风险可靠度计算模型.根据河流水质模拟结果,运用未确知风险可靠度计算模型对突发性水质风险进行评价.实例研究表明,以未确知数学理论研究河流水质风险问题,理论上是可行的,评价结果是可信的.

作 者：李如忠 钱家忠 汪家权 作者单位：合肥工业大学资源与环境工程学院,合肥,230009刊 名：武汉理工大学学报 ISTIC PKU英文刊名：JOURNAL OF WUHAN UNIVERSITY OF TECHNOLOGY年，卷(期)：27(1)分类号：X824关键词：未确知信息 未确知风险 未确知模拟模型 可靠度

未确知测度 篇3

在知识经济时代, 智力资本管理己经成为企业经营管理的核心。Bornemann等人 (1999) 通过研究发现, 能够较好地管理其智力资本的企业比一般企业拥有更强的竞争优势。Bontis (1998, 2000) [1][2]用主成分分析法和偏最小二乘法 ( PLS) 等计量方法测量智力资本构成, 研究智力资本各构成之间的相互关系, 以及与企业绩效的关系。Marvidis (2004, 2005) [3][4]采用VAICTM方法分别对日本银行和希腊银行进行智力资本绩效研究, 证实了智力资本对企业绩效产生显著的正向影响作用。国内目前对智力资本与企业绩效的研究主要集中在对人力资本与企业绩效的研究上, 方润生, 李垣 (2002) [5]通过对企业管理层人员变动与企业绩效的实证分析, 认为管理层人力资本结构的变化对企业绩效的改善存在明显的积极作用。以知识为核心的智力资本在企业绩效和持续竞争优势的获取中发挥着越来越重要的作用 (Teece 2000) [6]。由此可见, 在理论研究中, 学者们普遍指出智力资本对企业市场价值、股票价格、企业绩效有正相关关系, 智力资本能够构建和保持企业绩效和竞争优势。

从现有研究文献可以看出, 现有的研究成果为本研究奠定了理论基础, 在研究方法上, 国内外关于智力资本对企业绩效影响的研究多数采用定性方法, 定量的较少。国内外虽然有不少文献对智力资本评价进行定量研究, 但是对智力资本对企业绩效影响的定量研究却比较少。基于此, 本文引入了未确知数学理论, 建立了智力资本对企业绩效影响的未确知测度模型。

2 智力资本绩效评价指标体系的构建

评价的基础工作就是制定、设计一套合理的评价指标体系。指标的科学性和合理性 (或可操作性) 决定了评价结果的准确性和有效性。本文通过对现有文献进行总结和归纳, 根据指标构建的基本原则, 建立智力资本绩效评价指标体系, 如图1所示。

3 智力资本对企业绩效影响的未确知测度综合模型

设x1, x2, …, xn为待评价的n个企业, 则评价对象空间为X={x1, x2, …, xn}, 称之为论域。对xi∈X, 有m个评价指标I1, I2, …, Im, 指标空间I={I1, I2, …, Im}。用xij表示对象xi在指标Ij下的观测值。设C={c1, c2, …, ck}为评价空间, 其中ck (1≤k≤K) 为第 个评语等级。

(1) 单指标未确知测度

对象xi关于指标Ij的观测值xij不同时, 则该指标使xi处于各评语等级的程度也不同。设xij使xi处于第k个评语等级ck的程度为μijk=μ (xij∈ck) 。那么, μijk是对程度的一种测量结果。要求μ满足:

$\begin{array}{l}0\le \mu (x{}_{ij}\in c{}_k)\le \\ \mu (x{}_{ij}\in U)=1\\ \mu (x{}_{ij}\in {\displaystyle \underset{k=1}{\overset{{\rm K}}{\cup }}c}{}_k)={\displaystyle \sum _{k=1}^{{\rm K}}\mu }(x{}_{ij}\in c{}_k)\end{array}(1)$

其中, 1, 2, …, nj=1, 2, …, m;k=1, 2…, K;称上述三条准则为“非负有界性、归一性、可加性”, 满足这些准则的μ称为未确知测度。

则称矩阵

$(\mu {}_{ijk}){}_{m\times {\rm K}}=\left[\begin{array}{cccc}\mu {}_{i11}& \mu {}_{i12}& \cdots & \mu {}_{i1{\rm K}}\\ \mu {}_{i21}& \mu {}_{i22}& \cdots & \mu {}_{i2{\rm K}}\\ ┆& ┆& \cdots & ┆\\ \mu {}_{im1}& \mu {}_{im2}& \cdots & \mu {}_{im{\rm K}}\end{array}\right](2)$

为对象xi的单指标测度评价矩阵。其中μ${}_j^i$ (1≤j≤m) 表示观测值xij使xi处于各个评语等级的未确知测度。

(2) 指标权重的确定

对象xi关于指标Ij的观测值xij使对象处于c1, c2, …, ck各个评语等级的未确知测度为

指标权重w${}_j^i$是用来定量描述指标Ij对对象xi的分类贡献的大小, 而w${}_j^i$的大小由μ${}_j^i$的各个分量取值的集中与分散程度描述。对于μ${}_j^i$各分量取值集中与分散程度描述有多种, 本文采取信息熵来确定。由测度μijk所确定的信息熵为

${\rm H}(j)=-{\displaystyle \sum _{k=1}^{{\rm K}}\mu }{}_{ij{\rm K}}\cdot \log \mu {}_{ij{\rm K}}(4)$

$\begin{array}{l}V{}_j^i=1-\frac{1}{\log {\rm K}}{\rm H}(j)\\ 1+\frac{1}{\log {\rm K}}{\displaystyle \sum _{k=1}^{{\rm K}}\mu }{}_{ij{\rm K}}\cdot \log \mu {}_{ij{\rm K}}(5)\end{array}$

令

$w{}_j^i=\frac{V{}_j^i}{{\displaystyle \sum _{j=1}^{m}V}{}_j^i}(6)$

显然, 0≤w${}_j^i$≤1且${\displaystyle \sum _{j=1}^{m}w}{}_j^i=1$, 由信息熵的性质可知:①当且仅当$\mu {}_{ij1}=\mu {}_{ij2}=\cdots =\mu {}_{ij{\rm K}}=\frac{1}{{\rm K}}$时, Vj取到最小值为0;②当且仅当存在一个μijk0=1其余的K-1个均为0时, Vj取到最大值为1;③μijk取值越集中, Vj的值越接近于1, 反之μijk取值越分散时, Vj的值越接近于0。

由Vj的上述三条性质可知, 由 (6) 式定义的w${}_j^i$是指标Ii关于xi的分类权重。称

为指标I1, I2, …, Im关于xi的分类权重向量。

(3) 综合评价系统

将μijK改写成μijK=w${}_j^i$·μijK+ (1-w${}_j^i$) ·μijK, 如果w${}_j^i$=0, 即指标Ij对xi的分类未做贡献, 此时亦有w${}_j^i$·μijK=0;若w${}_j^i$>0, 则指标Ij对xi的分类做了非零贡献, 注意到

$\begin{array}{l}0\le {\displaystyle \sum _{j=1}^{m}w}{}_j^i\cdot \mu {}_{ijk}\le 1\\ {\displaystyle \sum _{k=1}^{{\rm K}}[}{\displaystyle \sum _{j=1}^{m}w}{}_j^i\cdot \mu {}_{ijk}]={\displaystyle \sum _{j=1}^m[}w{}_j^i{\displaystyle \sum _{k=1}^{{\rm K}}\mu }{}_{ijk}]\\ ={\displaystyle \sum _{j=1}^{m}w}{}_j^i=1\end{array}$

知${\displaystyle \sum _{j=1}^{m}w}{}_j^i\cdot \mu {}_{ijk}$是综合m项指标使xi处于第k个评语等级的未确知测度。

因此, 如果关于xi的单指标测度评价矩阵 (2) 已知, 关于xi的各指标分类权重为 (7) 。令

$\begin{array}{l}\mu {}^i=W{}^i\cdot (\mu {}_{ijk}){}_{m\times {\rm K}}\\ =(w{}_1^i,w{}_2^i,\cdots ,w{}_m^i)\left[\begin{array}{cccc}\mu {}_{i11}& \mu {}_{i12}& \cdots & \mu {}_{i1{\rm K}}\\ \mu {}_{i21}& \mu {}_{i22}& \cdots & \mu {}_{i2{\rm K}}\\ ┆& ┆& \cdots & ┆\\ \mu {}_{im1}& \mu {}_{im2}& \cdots & \mu {}_{im{\rm K}}\end{array}\right]\\ \mu {}^i=(\mu {}_{i1},\mu {}_{i2},\cdots ,\mu {}_{i{\rm K}})(8)\end{array}$

则μi为xi的评价向量。

(4) 评价准则

用评语等级划分是有序的, 第k个评语等级ck“好于”第k+1个评语等级ck+1, 所以最大测度识别准则不合适, 改用置信度识别准则。

若{c1, c2, …, ck}满足ci>ci+1 (i=1, 2, …, k-1) , 设置信度为λ通常取0.6或0.7, 令

${\rm K}{}_0=\min [{\displaystyle \sum _{l=1}^{k}u}{}_{il}\ge \lambda ,{\rm K}=1,2,\cdots ,{\rm K}](9)$

则判xi属于第k0个评价等级ck0。

4 算例

由表1可知, 构建的智力资本绩效评价指标同时包含定性指标和定量指标, 这里将各指标的评价等级分为5级, 用评价等级表示为:C={c1, c2, …, c3}={很好, 较好, 一般, 较差, 很差}, 评价分级系列见表1。

定性指标需要他人做出评价, 本案例中请专家、企业内部中高层管理者和业务经理作为参评者, 共10人, 每位参评者对企业做出评价, 每项指标以10分计, 分布于5个评语等级上。根据参评者评价结果, 企业的得分统计数据见表2。定量指标根据调查的实际数据来评价, 企业的实际数据见表3。

对于定量指标需要根据未确知测度函数来确定对象的单指标测度矩阵。根据 (1) 求得所有定量指标的单指标测度值, 结合表3可以得出企业的单指标测度矩阵为:

根据式 (4) 至 (6) 计算出指标分类权重向量为:

由18个单指标测度评价矩阵及指标权重向量, 按式 (8) 得评价向量为:

取λ=0.7, 根据式 (9) 得:当k0=2时, 0.4117+0.4487=0.8604>0.7。因此, 该企业的智力资本绩效水平被评为较好水平。

根据本研究建立的模型, 企业可以定期进行智力资本绩效评价, 以随时发现偏差, 这样可以在绩效下降初期及时采取有针对性的控制措施防患于未燃。同时, 采用本模型还可以对多个企业进行智力资本绩效评价, 并对其进行排序, 根据排序和等级评定结果判断企业智力资本投资和管理的效率。同一类智力资本在不同的时间可能对企业的作用程度就不同, 因此, 有必要建立科学、可行、通用的绩效评价模型, 以帮助企业定期对企业智力绩效进行评价, 以有效利用这些智力资本, 同时及时发现企业内部欠缺的智力资本, 为投资决策提供依据。智力资本对企业绩效影响的未确知测度模型, 考虑到评价空间的“有序性”和“信息不确定性”, 给出了合理的置信度准则和排序的评分准则, 可使评价结果合理、分辨率更高。与主成分投影、物元分析法、BP神经网络模型相比, 未确知测度模型既可以对评价结果进行优劣排序, 又可以进行等级评定。刘开第教授通过采用未确知测度法、物元分析法、BP人工神经网络和模糊综合评判法对城市质量进行评价, 最后验证了未确知测度的优越性、可行性和可操作性。

摘要：高技术企业智力资本的绩效决定了该企业智力资本是否具有竞争力, 智力资本的绩效评价对于智力资本管理具有非常重要的意义。针对目前国内研究对智力资本对企业绩效影响的定量研究相对缺乏的问题, 本文建立了智力资本对企业绩效影响的未确知测度模型, 将定性指标与定量指标结合起来评价智力资本绩效, 同时, 该模型考虑到评价空间的“有序性”和“信息不确定性”, 给出了合理的置信度准则和排序的评分准则, 使评价结果更加合理、分辨率更高。

关键词：智力资本,企业绩效,未确知测度,影响程度

参考文献

[1]BONTIS N.Intellectual Capital:An Exploratory Study That DevelopsMeasures and Models[J].Management Decision, 1998, 36 (2) :63-74.

[2]BONTIS N, KEOW W C, RICHARDSONS.Intellectual Capital andBusiness Performance in Malaysian Industries[J].Journal of Intel-lectual Capital1, 2000 (1) :223-247.

[3]MAVRIDIS D G.The Intellectual Capital Performance of The JapaneseBanking Sector[J].Journal of Intellectual Capital, 20045 (1) :92-115.

[4]MAVRIDIS G, KYRMIZOGLOU P.Intellectual Capital PerformanceDrivers in The Greek Banking Sector[J].Management ResearchNew, 2005, 28 (5) :43-62.

[5]方润生, 李垣, 冯进路.管理层人力资本结构的变化对企业绩效的影响[J].科研管理, 2002, 2 (6) :5-6.

[6]TEECE D J.Strategies for Managing Knowledge Assets:The Role ofFirm Structure and Industrial Context[J].Long Range Planning, 2000 (33) :35-34.

[7]刘开第, 庞彦军, 姚立根, 等.大气环境质量评价的未确知测度模型[J].环境科学, 2000, 21 (5) :11-15.

未确知测度 篇4

近年来,我国公路隧道通车里程增长十分迅速, 同时出现的病害也越来越多,尤其是隧道水害事故对其造成了极大的影响。据统计,我国有30% ~ 40% 的公路隧道存在着较为严重的水害问题[1,2,3,4,5]。 公路隧道水害不仅影响着隧道寿命,更对行车安全造成严重影响。因此,对公路隧道水害的危险性进行合理的评价显得极其重要,基于未确知测度理论, 根据相应的实测数据构建未确知测度函数,同时利用信息熵理论获得各判别指标的权重,依据置信度识别准则进行等级判定,最后得出公路隧道水害危险性评价结果。国内外对于公路隧道水害的研究多停留在定性评价阶段,用于定量评价公路隧道水害危险性的方法并不多见,而且在处理诸多不确定性影响因素时带有较强的主观性,难免使评价结果产生偏差。文献[5]提出采用瑞利波超前预测的方法,探究公路隧道水害的可能性; 文献[6]基于SVM的隧道涌水来源进行识别隧道水害预测与评估; 文献[7]运用模糊数学以及层次分析法综合评价公路隧道水害的危险倾向性。以上方法的评价均是侧重了单个或某几个影响因素进行评价,实际上公路隧道水害是受多因素综合作用的结果,既有定量因素又有定性因素,既有内因作用又有外因作用,并且各因素相互作用、相互影响。鉴于此,将未确知测度理论运用到公路隧道水害危险性评价之中,并对其进行定量分析,超前预测公路水害发生可能性及危险性,及时做好应对措施,从而促进我国公路隧道的良好发展。

1未确知测度理论概述

1.1单指标未确知测度

1.2指标权重及多指标未确知测度

设wj表示测量指标xij与其他指标相比具有的相对重要度,要求wj满足0 ≤ wj≤ 1 ,则w = {w1, w2, …wm} 称为指标权重向量 。 再此, 利用熵确定权重[9],即

1.3多指标未确知测度

向量 μik= ( μi1, μi2, …μip) 为Xi的多指标综合测度评价向量[11]。

1.4置信度识别准则

引入“置信度 λ ”可以得出最终的评价结果,λ ≥0. 5 ,通常取 λ = 0. 6或0. 7。若C1> C2> … > Cp

则认为评价对象属于第k0个评价等级Ck0。

2公路隧道水害危险性评价指标体系的建立

基于未确知测度理论的公路隧道水害评价指标体系是一个非常复杂的综合评价系统,需要足够多的评价指标、构建科学完善的评价指标体系,才能实现预期的评价目标。当然,评价指标既要全面覆盖保证评价体系的客观有效,又要避免出现不必要的评价指标而无谓的增加了评价体系的复杂程度和难度。影响公路隧道水害危险性的因素很多,大致可分为外因和内因两大类。前者是指隧道围岩分级、 隧道渗透水情况等,后者主要是指隧道区平均气温、 隧道区地下水腐蚀性( 酸性) 、植被覆盖率等。鉴于某些评价指标之间存在较大的相关性[13,14,15,16],因此, 公路隧道水害危险性评价体系结构尽可能全面而简洁。

影响公路隧道水害危险性的两大因素包括定性指标和定量指标,要将定性指标进行量化才能有效的实现危险性评价,参考大量的文献资料( 包括相关技术标准规程) ,通过特定的处理方法将定性指标转化成半定量指标再参与评价,这类指标包括隧道施工分级、防排水工程措施、围岩分级等。采用分级标准量化对各指标进行分级并取值,将每个指标分为4级,集合 {C1,C2,C3,C4},级I级、II级、III级、IV级,分别表示水害危险性极大、危险性较大、 危险性一般、危险性小,每级都规定一个衡量标准或者范围区间。需要特别指出的是,由于南方降水的差异故将隧道区降水量的指标根据地区划分标准, 构造断裂带类型的指标划分中将储水、阻水断层共同划分在III级标准中,同时由于高温和低温均会对隧道区渗透水性产生巨大影响,故将 < 0℃或 > 40℃ 共同划分在I级标准中,由于地下水对隧道的腐蚀性基本为酸性水质故只研究隧道区酸性地下水对隧道的腐蚀性,其他指标标准可以根据相关标准和资料进行划分,具体见表1和表2。

根据上述有关单指标测度函数的定义和表1、2中有关各指标评判标准,构建公路隧道水害危险性评价的各指标测度函数,可以求得公路隧道水害危险性各评价指标的未确知测度值。其中,隧道区降水量、隧道区渗透系数、岩土分类、围岩分级等指标测度函数分别见图1 ~ 图5。

以上仅列出了5项评价指标未确知测度函数, 其中隧道区单位涌水量、平均气温、植被覆盖率、地下水腐蚀性可以参照图1 ~ 图4构造出未确知测度函数,而防排水措施情况、隧道施工分级、地表水文情况、构造断裂带及安全管理情况单指标测度函数与围岩分级的未确知测度函数相同,故具体计算时可以参照图5。构建各指标未确知测度函数对于计算公路隧道的单指标评价矩阵、各评价指标的权重具有十分重要的意义,在工程实例中根据单指标测度函数,根据公路隧道相应指标的测定值得出未确知测度模型评价结果,将得出的结果与公路隧道现状进行对比,验证未确知测度理论应用在公路隧道水害的有效性,从而更好的对公路隧道水害的危险性进行评价。

图2 南方隧道区降水量单指标测度函数 Fig.2 Uncertainty measurement function of precipitation of tunnel area in the southern region

图3 隧道区渗透系数单指标测度函数 Fig.3 Uncertainty measurement function of permeability coefficient of tunnel area

图4 隧道区岩土分类单指标测度函数 Fig.4 Uncertainty measurement function of geotechnical classification of tunnel area

图5 围岩分级单指标测度函数 Fig.5 Uncertainty measurement function of surrounding rock classification

3工程实例

许多公路隧道都开展过水害评价与防治的综合研究工作,从中选取六条最具代表性的公路隧道,包括安化隧道、大寨隧道、广华隧道、魏黄隧道、岭头隧道、橘子头隧道。结合6条隧道实际情况,运用未确知测度模型评价其水害危险性,6条公路隧道相应的指标统计值见表3。

将表3中的各个指标值,分别代入图1 ~ 图5对应的单指标未确知测度函数中,可计算出6条隧道的单指标评价矩阵。由式( 2) ~ ( 3) 来确定各评价指标的权重,求得安化隧道、大寨隧道、广华隧道、 魏黄隧道、岭头隧道、橘子头隧道这6条隧道中各个评价指标的权重分别为:

由多指标测度评价向量式( 4 ) 求出相应的多指标综合测度评价向量,取 λ = 0. 6 ,并结合置信度评价准则式( 5 ) 获得6条隧道水害的综合未确知测度及评价结果,见表4。

从表4可以看出,安华隧道水害的危险性等级为IV级,即危险性小; 广华隧道水害的危险性等级为III级,即危险性一般; 大寨隧道水害的危险性等级为II级,即危险性大; 魏黄隧道水害的危险性等级为II级,即危险性大; 岭头隧道水害的危险性等级为I级,即危险性极大; 橘子头隧道水害的危险性等级为I级,即危险性极大。因为必须针对大寨隧道、魏黄隧道、岭头隧道以及橘子头隧道采取相应的隧道防排水技术措施以及安全管理措施,包括凿槽封堵、注装封堵、钻孔截水等措施,并且制定完善的安全管理制度,提高安全管理人员安全素养和专业技能。对于安化隧道水害的危险性一般的评价结果,决不能麻痹大意,应从安全管理的角度和高度防止事故的发生。

根据历史资料,岭头隧道、大寨隧道、魏黄隧道以及橘子头隧道在运营过程中均有水害事故发生, 如岭头隧道发生涌( 突) 水事故涌水量大、水压高, 并且突发性强、涌水点集中,受降水影响明显,涌水往往同时涌砂,从而造成非常严重的财产损失甚至人员伤亡; 而安华隧道及广华隧道在运营过程中未见水害事故发生的相关信息。即采用未确知测度模型评价公路隧道水害危险性的结果和隧道实际相符。

4结论

1) 公路隧道水害受到诸多不确定因素( 如围岩分级情况、渗透水率、安全管理情况等) 的影响,系统应充分考虑水害危险性评价的内因、外因指标,以保证基于未确知测度的公路隧道水害评价合理有效。

2) 结合信息熵理论以及置信度识别准则确保了评价系统的结构合理性,依据评价结果采取相应的防排水措施,以应对公路隧道水害的危险性。

未确知测度 篇5

多属性评价理论在工程领域中有着重大的实用价值和广阔的应用前景。近年来, 多属性评价方法的研究与应用取得了很大的进展, 但是对于那些含有定性定量指标的复杂系统而言, 它是具有随机性和模糊性的多属性评价, 采用传统的数学方法或准则进行建模和求解很难奏效[1], 仍需进一步研究, 目前多属性评价尚无统一标准。

传统的多属性评价方法有很多, 主要基于概率论和模糊集理论为进行分析[2], 如:层次分析法、模糊综合评判法、贝叶斯及BP神经网络等方法。这些方法从不同的角度去探讨风险评估问题, 各有优点, 但存在共同性的缺点:指标 (尤其是模糊指标) 的权重赋值往往主观性过强, 直接影响结果的客观性和准确性;评估过程往往太繁锁, 应用起来不方便;不能彻底解决评估过程存在的大量不确定性和模糊性问题, 使得完全客观的评估难以实现。云重心理论是用语言值表示的某定性概念与定量表示间的不确定性转换模型, 能较好地解决概念的不确定性、模糊性和随机性问题。针对定性定量的转换问题, 有人提出了定性定量转换模型——云模型[3], 在量纲统一方面, 很多文献都对其有研究[4], 但其中的方法计算量较大, 采用云重心评判法只需评价当前状态与理想状态之间的云重心偏离度, 只需对标准状态进行量纲的统一, 减少了工作量。笔者采用云重心评判法[5], 并在原有评判法的基础上进行改进, 不仅计算了该状态与理想状态的云重心偏离程度, 同时给出该状态与其他的状态之间的差距。与此同时将云重心评判法与客观权重方法未确知测度方法结合, 提出一种方法, 并以实例验证。

1 基础理论

1.1 未确知测度模型[6, 7]

假设对象空间评价目标Q的对象空间Q={Q1, Q2, …, Qn}, Qi=1, 2, …, n, ∀Qi∈Q有J个指标, 指标空间I={I1, I2, …Ij, Ij+1, …, I}。每个评价指标有K个评价等级, 构成评价空间C={C1, C2, …, Ck, Ck+1, …, CK}, Ck表示第k个评价等级, k=1, 2, …, K, 设定第k级好于第k+1级, 通常评价向量是有序的, 即对于指标Ij, 评价等级Ck记为Ckj, 如果k≠1且k≠p, 那么C (k-1) <Ck<C (k+1) 或C (k-1) >Ck>C (k+1) , 从而得到标准矩阵记为R:

如果任意评价对象记为Qi, Qi用评价空间来表示Qi={I1, I2, …, Ij, Ij+1, …, IJ}, Qi关于指标Ij处于等级Ck的程度记为δk, j, 称δk, j是程度的未确测度, 根据Qi和标准矩阵R求未确测度δk, j, 得到矩阵S=[δk, j]K×J。以评价对象Qi的第j个指标Ij为例计算未确测度δ1, j=1 (k=1, 2, …, K) 进行说明, 其他指标的未确测度可依此方法进行:

a. 当min (r1, j, rK, j) <Ij<max (r1, j, rK, j) 时, 根据均匀函数概率分配得到:δk, j=|Ij-r (k+1) , j|/Δ, δ (k+1) , j=|Ij-rk, j|/Δ, δt, j=0, 式中t≠k, t≠k+1, t∈{1, 2, …, K}, 1≤k<K, Δ=max (rk, j, r (k+1) , j) -max (rk, j, r (k+1) , j) 。

b. 当Ij≥max (r1, j, rK, j) 或Ij≤min (r1, j, rK, j) 时, 如果r1, j<rK, j且Ij≥rK, j, 那么δK, j=1, δt, j=0, t≠K, t∈{1, 2, …, K}。如果r1, j<rK, j且Ij≤r1, j, 那么δ1, j=1, δt, j=0, t≠1, t∈{1, 2, …, K}。如果r1, j>rK, j且Ij≥rK, j, 那么δ1, j=1, δt, j=0, t≠1, t∈{1, 2, …, K}。如果r1, j>rK, j且Ij≤r1, j, 那么δK, j=1, δt, j=0, t≠K, t∈{1, 2, …, K}。

1.2 云概念[8]

设U是一个用数值表示的定量论域, C是U上的定性概念, 若定量值x∈U是定性概念C的一次随机实现, x对C的确定度是具有稳定倾向的随机数:

μ:U→[0, 1]∀x∈Ux x→μ (x) (2)

则x在论域U上的分布称为云, 记为云C (x) , 每个 (x, μ (x) ) 称为一个云滴。云由云滴组成, 云滴是定型概念到定量数据的依次映射, 云滴越多, 越能反映这个定性概念的整体特征。

云有3个数值特征:期望Ex、熵En、超熵He。期望Ex是云滴在论域空间分布的期望, 是概念量化的最典型样本;熵En是定性概念的不确定性度量;超熵He是熵的不确定性度量, 也叫熵的熵, 其值取决于熵的模糊性与随机性, 反映了云滴的聚集程度。由期望Ex和熵En两个数字特征便可确定具有正态分布形式的期望曲线方程。它将模糊性和随机性完全集成到一起, 构成定性和定量数据之间的映射, 建立了定性定量之间的转化模型, 如图1所示。

1.3 云重心理论原理[9,10]

1.3.1 云重心

云重心可以表示为T=a×b, 其中, a表示云重心的位置, b表示云重心的高度。期望反映了相应模糊概念的信息中心值, 即云重心位置。期望发生改变, 所代表的信息中心值发生变化, 云重心也相应地变化。通常情况下, 云重心的变化反映出系统状态信息的变化情况。通常云重心的高度值b取0.317。

各指标的云模型表示在给出系统的性能指标体系中, 既有精确数值型表示的, 又有用语言值表示的, 文中以数值型表示的指标数据为例进行说明。提取组样品组成决策矩阵, 那么n个精确数值型就可以用一个云模型来表示。其中,

$\{\begin{array}{l}Ex=(Ex{}_1+Ex{}_2+\cdots +Ex{}_n)/n\\ En=[\max (Ex{}_1,Ex{}_2,\cdots ,Ex{}_n)-\\ \min (Ex{}_1,Ex{}_2,\cdots ,Ex{}_n)]/[(n-1)\times 2.355]\end{array}(3)$

J个性能指标所表示的评价目标状态可用一个J维综合云来表示, 当J个指标发生变化时, 这个J维综合云的形状也发生变化, 重心就会改变。一个系统的标准状态是已知的。m维综合云重心向量用T来表示:$\overrightarrow{{\rm T}}=({\rm T}{}_1,{\rm T}{}_2,\cdots ,{\rm T}{}_J)$, 其中, Tj=aj×bj, j=1, 2, …, J。当系统状态发生变化时, 其重心变化为${\overrightarrow{{\rm T}}}^{\prime }‚{\overrightarrow{{\rm T}}}^{\prime }=({\rm T}{}_{1^{\prime }},{\rm T}{}_{2^{\prime }},\cdots ,{\rm T}{}_{J^{\prime }})$。

1.3.2 云重向量偏离度[11]

用偏离度θ来衡量两种状态下云重心的差异情况, 假定两种系统状态分别用云重心向量$\overrightarrow{{\rm T}}$a和$\overrightarrow{{\rm T}}$b表示, $\overrightarrow{{\rm T}}{}_a=({\rm T}{}_{a,1},{\rm T}{}_{a,2},\cdots ,{\rm T}{}_{a,J})$代表最初状态, $\overrightarrow{{\rm T}}{}_b=({\rm T}{}_{b,1},{\rm T}{}_{b,2},\cdots ,{\rm T}{}_{b,J})$代表改变后的状态, $\overrightarrow{{\rm T}}$a和$\overrightarrow{{\rm T}}$b之间偏离度θ的计算方法如下:

a. 将实际状态的综合云重心向量进行归一化, 得到一组向量TG= (TG, 1, TG, 2, …, TG, J) , 其中:

TGj= (Tj-T1, j) /max (Tj, T1, j) (4)

b. 设标准状态下的向量为 (0, 0, …, 0) , 将各指标归一化后的向量乘以权重, 再相加, 得到加权偏离度的值$\theta ‚\theta ={\displaystyle \sum _{j=1}^m(}\omega {}_j{\rm T}{}_{G,j})$。

c. 如果θ为负数, 表示在标准状态的左边, 反之亦然。

根据偏离度θ得到判定结果:计算实际数据与各个等级之间的偏离度, 偏离度绝对值最小者对应的等级即评价等级。

2 评价模型

笔者采用未确知测度模型来计算权重, 采用云重心评价模型进行评价, 具体过程如下:

a. 确定标准矩阵R。

b. 使用未确知测度模型, 得到未确测度矩阵s。

数据的归一化处理。对于语言表示的数据, 采用正向云模型发生器实现定性数据到定量数据的转换。具体做法为:多个专家给出同一指标语言值, 将专家给出语言值所占的比例作为隶属度, 根据隶属度最大及次大的两个云计算分值。如果最能代表隶属度最大云及此大云的数字特征分别为0.5、0.7, 那么将该指标的数字表示为[0.5, 0.7]之间的数, 语言值为隶属度大的云对应的语

言值。将语言值转化为数值值, 即定性概念到定量概念的转化。

对于数值型表示的指标通常分为两种, 收益性指标和成本性指标, 对于这两种指标的处理方式不同。所谓的收益性指标是指数值越大越好的指标, 而成本性指标与此相反。 收益性指标的处理:$r{}_{kj}=\frac{r{}_{kj}}{{\displaystyle \sum _{k=1}^{{\rm K}}r}{}_{kj}}$, 成本性指标的处理:$r{}_{kj}=1-\frac{r{}_{kj}}{{\displaystyle \sum _{k=1}^{{\rm K}}r}{}_{kj}}$, 然后再用同样的方法然后再将其按收益性指标处理的方式进行归一化处理。由于归一化后的数据都较小, 不方便查看, 为解决此问题将数据进行放大100倍, 得到的处理后的数据。

使用未确知测度模型, 得到未确测度矩阵s。

c. 综合评价云的数字特征。

依据处理后的数据得到定性评测云的数字特征, 从而得到定性评价曲线。根据虚云理论的综合云算法计算等级云的数字特征, 公式为:

上式中的Hei根据经验获得, 在同一量纲下, 每个指标给出的Hei是一样的经过上式计算得到的He的值与每个Hei的值相同, 均取0.2。

d. 指标熵权。

计算各项指标的信息熵值s及信息效用值σ。第j项指标的信息熵值的计算公式如下:

$s{}_j=-\frac{1}{\text{l}\text{n}J}{\displaystyle \sum _{k=1}^{{\rm K}}u}{}_{k,j}\ln u{}_{k,j}‚j=1,2,\cdots ,J$ (6)

评价指标Ij的信息效用价值σj取决于1与该指标的信息熵sj之间的差值:σj=1-sj。

计算指标权向量:ω={ω1, ω2, …, ωJ}, 其中$\omega {}_j=\sigma {}_j/{\displaystyle \sum _{j=1}^J\sigma }{}_j,0\le \omega {}_j\le 1,{\displaystyle \sum _{j=1}^J\omega }{}_j=1$。

e. 计算最终熵权。

按照步骤b、c计算每个评价对象对应的熵权, 评价对象Qi对应的权重用$\overrightarrow{\omega }$i来表示, 那么n个评价对象的权重n为权重的平均值, $\overrightarrow{\omega }=\frac{1}{n}(\overrightarrow{\omega }{}_1+\overrightarrow{\omega }{}_2+\cdots +\overrightarrow{\omega }{}_n)$。

f. 计算云重心位置T。

g. 计算云重心偏离度θ, 偏离度绝对值最小者对应的等级即评价等级。

3 模型应用

3.1 评价对象及指标体系[12,13]

某矿业集团在安全生产检查过程中, 依照矿井生产条例、煤矿安全规程确立了煤矿安全评价指标体系:I1安全管理分值、I2自然发货期 (月) 、I3煤层倾角 (°) 、I4粉尘浓度 (mg/m3) 、I5风量供需比 (%) 、I6通风设备完好率 (%) 、I7排水设备完好率 (%) 、I8瓦斯抽放率 (%) 、I9平均瓦斯涌出量 (m3/h) 、I10万吨瓦斯超限次数、I11万吨瓦斯积聚次数、I12万吨瓦斯突出次数。该集团确定了等级评价标准, 各指标均分为5个等级Ⅰ (“安全”) 、Ⅱ (“较安全”) 、Ⅲ (“一般安全”) 、Ⅳ (“较不安全”) 、Ⅴ (“不安全”) 。根据评价标准及各指标等级得到标准矩阵R:

$\left[\begin{array}{cccccccccccc}95& 9& 5& 4& 100& 95& 95& 80& 4& 0.05& 0.05& 0.005\\ 85& 7& 10& 6& 95& 85& 85& 70& 6& 0.1& 0.1& 0.01\\ 75& 5& 15& 8& 90& 75& 75& 60& 8& 0.15& 0.15& 0.015\\ 65& 3& 20& 10& 85& 65& 65& 50& 10& 0.2& 02& 0.02\\ 55& 1& 25& 12& 80& 55& 55& 40& 12& 0.25& 0.25& 0.025\end{array}\right]$

对矿业集团旗下的4个矿区的检查结果并进行数据的归一化处理, 结果见表1。

3.2 模型应用

3.2.1 获取权重及评语

对于每个矿, 计算得到的未确测度矩阵s, 以矿1为例的未确测度矩阵为:

$\left[\begin{array}{cccccccccccc}0.5& 0& 0.5& 0& 0& 0& 0& 0& 0& 0& 0& 0.9\\ 0.5& 0.5& 0.5& 0& 0& 1& 0& 0.5& 0& 0& 0& 0.1\\ 0& 0.5& 0& 0.75& 0.6& 0& 1& 0.5& 0& 0& 0.4& 0\\ 0& 0& 0& 0.25& 0.4& 0& 0& 0& 0.75& 1& 0.6& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0.25& 0& 0& 0\end{array}\right]$

其他的未确测度矩阵也可用同样的方法获得, 不再一一列出。根据式 (9) ～ (11) 得到指标熵权的权重如下:

$\begin{array}{l}\overrightarrow{\omega }{}_1=(0.0739,0.0739,0.0739,0.0793,0.0747,0.1025,0.1025,0.0739,0.0793,0.1025,0.0747,0.0891)\\ \overrightarrow{\omega }{}_2=(0.0861,0.0747,0.0722,0.0766,0.0791,0.0714,0.099,0.099,0.0714,0.099,0.0722,0.099)\\ \overrightarrow{\omega }{}_3=(0.0722,0.0774,0.1001,0.1001,0.073,0.073,0.0722,0.0722,0.1001,0.0799,0.0799,0.1001)\\ \overrightarrow{\omega }{}_4=(0.1025,0.0739,0.0747,0.0739,0.0747,0.0891,0.0891,0.1025,0.0739,0.0819,0.0819,0.0819)\end{array}$

通过上述的4组权重得到最终权重为:

$\overrightarrow{\omega }=(0.084,0.075,0.08,0.082,0.075,0.084,0.091,0.087,0.081,0.091,0.077,0.093)$

为了符合经常的思维习惯, 需要对标准矩阵进行处理, 处理方法如下:由于每个指标分为5个等级, 那么最终的评价等级与各指标等级相同, 也分为5个, 对应的评语也与单个指标的相同。经过步骤1的计算得到5个等级云的数字特征为:Ⅰ (27.8856, 1.3163, 0.2) 、Ⅱ (24.7161, 1.3163, 0.2) 、Ⅲ (21.5452, 1.3463, 0.2) 、Ⅳ (18.3723, 1.3163, 0.2) 、Ⅴ (15.2054, 1.3163, 0.2) 。将上述5个评语置于连续的语言标尺上, 并且每个评语值都用云模型来实现, 构成一个定性评测发生器, 采用计算机模拟技术, 每个评语值对应的云模型用虚拟的500组数据及500个云滴来表示, 对应的评语标尺如图2所示。

3.2.2 获取评价结果

以矿1为例, 计算该组数据与各个等级状态之间的云重心偏离度, 得到的结果见表2。

表2中的正数表示在对应等级状态的右边, 负数表示在对应等级状态的左边。采用其他方法可获取其他煤矿的各属性相对于各状态的重心偏离度。然后用式 (5) 计算当前状态相对于各等级的重心偏离度。重心偏离度的数据见表3。

由表3可知矿1所处的等级为Ⅲ, 评语为“一般安全”, 位于等级Ⅱ与等级Ⅲ之间。矿2所处的等级为Ⅱ, 评语为“较安全”, 位于等级Ⅱ与等级Ⅲ之间。矿3所处的等级为Ⅳ, 评语为“较不安全”, 位于等级Ⅲ与等级Ⅳ之间。矿4所处的等级为Ⅳ, 评语为“不安全”, 位于等级Ⅲ与等级Ⅳ之间。

4 结束语

基于未确知测度和云重心理论的多属性评价方法将未确知测度和云重心理论相结合, 采用未确知测度和熵权相结合的权重获取方法, 使用云重心评判方法进行评价。相比于其他的评价方法而言, 只需对标准矩阵进行量纲的统一, 减少了工作量。与此同时, 给出了与理想状况的差距, 同时给出当前等级云重心的变化可能到达的等级。存在的问题是:评估的定性结论依赖于加权偏离度与评测云发生器中状态的比较, 如果相对于两个云的云重心偏离度相同, 即激活这两个评语云对象的程度相同, 那么评估定性结论的确定将会变得较困难。

未确知测度 篇6

企业国有资产,是指国家对企业各种形式的出资所形成的权益。主要特征有:是国家以各种形式对企业的出资形成的;二是国家作为出资人对出资企业所享有的一种权益。国有资产运行效率是国有资产管理的核心问题。从微观视角上来看,企业效率的实现与否取决于国家整体上对国有资产的配置是否合理;从宏观视角看,国有资产的经营能从整体上保证效率,那么微观企业的效率就能有效实现。由于国有资产存在运行效率低、成本高、流失严重等问题,因此,在深化国有资产经营体制的改革之中,依据市场经济运行条件对企业国有资产运行效率进行系统评价是十分必要的。

目前,针对国有资产运行效率评价问题的研究主要集中于非经营性国有资产,如单黎明(2008)提出非经营性国有资产运行绩效的分析框架和衡量指标,从规模、结构、效益三个角度对中外非经营性国有资产运行绩效进行实证分析。而针对经营性国有资产,特别是企业国有资产运行效率评价问题的研究较为罕见。未确知数学理论由王光远(1990)提出,是一种不同于模糊信息、随机信息和灰色信息的新的不确定性信息理论。而后,许多学者将该理论应用到各个学科领域当中,其中成果最多的是未确知测度评价模型的应用。例如,张凤霞(2006)应用未确知测度模型,建立了企业信用评价综合体系。王日仙(2008)、郭奇(2010)等将未确知测度模型应用到企业绩效评价中。本文尝试将未确知测度模型引入到企业国有资产运行效率评价中,具体研究逻辑为:建立企业国有资产运行效率评价指标体系及评价标准;构造单指标未确知测度三角函数,计算出单指标测度评价矩阵;采用层次分析法确定指标权重,计算出评价对象的未确知综合评价向量;根据置信度识别准则,得出评价对象的评价等级。

二、企业国有资产运行效率评价的未确知测度模型

(一)未确知测度模型

多目标评价的显著特点是指标之间的不可公度性难以比较,未确知测度模型则能较好的解决这个问题。设为x1,x2,…xn,为n个评价对象,称X={x1,x2,…xn}为n维评价空间,对任意xi∈X,(i=1,2,…,n),有m项评价指标,指标空间I={I1,I2,…,Im}。

xi∈X,(i=1,2,…,n)是评价体系中第i个研究对象,指标Ij∈I,(j=1,2,…,m)反映了所具有的特征。Ij可以是定量的,也可以是定性的。以xij表示xi在指标Ij下的测度值。对每个测度值,设定p个评语等级v1,v2,…,vq,那么评语空间V={v1,v2,…,vq}。并且q是V的一种有限划分。即。

上文提到了xij表示xi在指标Ij下的测度值,但是xij这个观测值究竟处于评语空间状态的具体情况确不知道,所以用一种可能性测度:μijk=μ(xij∈v)i,其含义是测度值xij属于第i个评价等级vi的程度的一种测度,是对程度测量的结果。xij和vi不存在元素和集合的关系。如果μ同时满足:非负有界性、可加性和归一性,即:

,其中i=1,2,…,n;j=1,2,…,q;μ(xij∈I)=1。

就称μ为未确知测度,简称测度。称:

为单指标测度判断矩阵。

(二)指标权重确定

层次分析法(AHP)的基本步骤是:明确要解决问题所包含的层次和范围,建立一个由最高层、若干中间层和最低层组合排列的层次分析结构模型。对每一层次的因素两两进行比较,对各因素的相对重要性以1-9级进行量化标度,引入合适的数值,构造判断矩阵,以确定各个效率评价指标的权重。建立权重判断矩阵:

权重的计算公式即为:

其中,,aij=1(1,2,…,m)。wi∈(0,1)为各指标的权重。

为了确定权重判定矩阵的可信性,需要进行一致性检验,其一致性比率公式如下:

其中,,λ是判断矩阵的最大特征向量,RI参照表1。如果CR<0.1就认为判定矩阵的不一致性在允许的范围之内。

(三)综合未确知测度

计算出单指标测度评价矩阵就可以得到评价对象的综合未确知测度向量Di=(di1,di2,…,dip)',由于指标分类权重向量为wj=(w1,w2,…,wm)i,m为指标个数则:

其中,。称Di=(di1,di2,…,dip)'为未确知综合评价向量。

(四)评价准则

由于评语等级划分是有序的,即,优秀等级好于良好等级,所以不能采用最大测度识别准则。本文使用置信度识别,设置信度为λ∈(0.5,1),通常取值为0.6或者0.7。令:

则认为xi属于第P0个评价等级VP0。

三、实证分析

(一)企业国有资产运行效率评价指标体系及指标标准

本文根据指标选取的系统性、科学性、客观性、可比性及可操作性等原则,构建由25个三级指标、10个二级指标和3个一级指标构成的贵州省遵义市某国有商业企业国有资产运行效率评价指标体系,如表2所示。参照国务院国资委财务监督与考核评价局制定的《企业绩效评价标准值2012》,结合专家意见,制订贵州省遵义市某国有商业企业国有资产运行效率评价标准,如表2所示。原始数据来源于贵州省遵义市某国有商业企业2011年度《资产负债表》、《利润表》和《遵义市统计年鉴2011年》。

(二)单指标未确知测度函数

根据未确知测度模型非负有界性,可加性和归一性的要求,建立单指标未确知测度三角函数,已有的研究采用的是等区间构造分段函数,本文构建单指标未确知测度三角函数是根据插值法,即,将优秀值和差值之间长度分为三个区间,取区间的中点为临界值,这样就克服了区间数据极端值的影响。以资产报酬率为例,其评语等级如表3所示,单指标未确知测度三角函数构造如下:

根据原始数据和单指标未确知测度函数可求得单指标未确知测度矩阵:

(三)计算单指标权重

以积累效率为例,根据公式(2)和(3),求得积累效率各指标权重为:

根据公式(4),并参照表1,求得CR<0.1,通过一致性检验。同理可得其他单指标权重为:经济效益:W13=(0.14,0.43,0.43);盈利能力:W14=(0.125,0.125,0.375,0.375);偿债能力:W15=(0.25,0.75);营运能力:W16=(0.6,0.2,0.2);就业效应:W18=(0.75,0.25);三农效应:W19=(0.5,0.5)。

(四)二级指标测度

根据单指标测度矩阵、单指标权重和公式(5)可求得二级指标测度矩阵为:

则二级指标测度矩阵为:

(五)一级指标测度

根据公式(2)、(3)和(4),求得二级指标权重为:宏观经济效率:W1=(0.75,0.25);微观经济效率:W2=(0。33,0.33,0.12,0.11,0.11);社会效率:W3=(0.28,0.65,0.07)。

由二级指标测度矩阵、二级指标权重和公式(5),可求得一级指标测度矩阵为:

根据公式(2)、(3)、(4),求得一级指标权重:

由一级指标测度矩阵、一级指标权重和公式(5),求得综合评价向量为:

(六)识别评价

取置信度λ=0.7,根据公式(6),当k=2时,0.47+0.28=0.75>0.7。所以,贵州省遵义市某国有商业企业国有资产运行效率评价结果为“良好”。

四、结论

未确知测度 篇7

虚拟研发团队 (Virtual R&D teams) 是以研发项目为中心的动态、柔性、高效协作的人力资源组织模式, 它利用网络和信息技术将不同地域、不同组织的人连接起来完成一项具体任务。与传统团队不同, 虚拟研发团队强调跨时间、空间和组织边界, 借助现代通信技术进行沟通与协作, 利用遍及全球的稀缺资源对客户需求作出快速响应。由于虚拟研发团队成员间缺乏面对面交流的机会, 他们之间更容易产生相互猜疑和虚拟欺诈, 信任关系既难建立又容易失去。如何在虚拟研发团队中有效地建立和维系信任关系, 成为管理虚拟研发团队必须解决的一个重要问题。

二、评价虚拟研发团队成员间信任度的指标体系构建

虚拟研发团队成员间信任度的评价指标体系是用来衡量信任关系的影响因素或属性的集合。本文认为虚拟团队成员的个人特征、虚拟团队的团队特征以及成员合作经历, 文化与地缘差异等指标共同影响着虚拟团队中的信任度水平, 如图所示。同时, 这里将企业信任度评价指标等级按梯级理论划分评价空间为:{非常信任, 信任, 较信任, 不信任, 很不信任}, 分别以:C={C1, C2, C3, C4, C5}为等级代表。

三、虚拟研发团队成员间信任度的未确知测度评价模型设计

设x1, x2, ∧, xn表示第n个待评价的虚拟研发团队成员, 记为X={x1, x2, ∧, xn}为论域;评价Xi (Xi∈X) 有m项指标I1, I2, ∧, Im。记为I={I1, I2, ∧, Im}。用Xij表示虚拟研发团队成员Xi在指标Ij下的观测值。设C={c1, c2, ∧, ck}为评价空间, 其中, ck= (1≤k≤K) 为第k个信任度评语等级。

1. 单指标未确知测度

虚拟研发团队成员Xi关于指标Ij的观测值Xij不同时, 则该指标使Xi处于各信任度评语等级的程度也不同。设Xij使Xi处于第k个信任度评语等级ck的程度为μijk=μ (Xij∈ck) 。令:

式2-1为虚拟研发团队成员Xi的单指标测度矩阵。其中μij (1≤j≤m) 表示观测值Xij使Xi处于各信任度评语等级的未确知测度。

2. 指标权重的确定

虚拟研发团队成员Xi关于指标Ij的观测值Xij使对象处于c1, c 2, ∧, ck各个信任度评语等级的未确知测度向量为:

令和, 定义Wij是指标Ij关于xi的分类权重。称:Wi={wi1, Wi2, ∧, Wim}, 为指标I1, I2, ∧, Im关于Xi的分类的权重向量。

3. 综合评价系统

若关于虚拟研发团队成员的单指标测度评价矩阵式2-1已知, 令:

则μi为Xi的信任度评价向量。用评语等级划分是有序的, 第K个评语等级ck“好于”第k+1个评语等级ck+1, 所以最大测度识别准则不适合, 改用置信度识别准则。设置信度为λ (0.5<λ<1) 通常取0.6, 令, 则判Xi属于第k0个评价等级Ck0。

四、结论

在虚拟研发团队成员间信任度评价中引入未确知测度综合评价模型, 其应用价值非常强。但我们也应该注意到, 由于在构建评价指标体系仅为关键性指标, 会对评价结果造成一定程度的影响。因此, 应不断对虚拟研发团队成员间信任度评价指标体系进行修改完善, 使其更具代表性。最后, 还要注意到信任问题的动态性, 为了实现真正意义上的虚拟研发团队成员间高度信任, 要对虚拟研发团队进行长期的、有阶段性、有步骤的信任度评价, 以求得到不断变化的信任信息, 为虚拟研发团队管理提供更科学、更准确的参考依据。

摘要：本文通过构建虚拟研发团队成员间信任度的评价指标体系, 设计出未确知测度评价模型、信息熵确定指标分类权重并应用置信度识别准则, 对虚拟研发团队成员间信任度进行符合客观实际的评价, 从而能够更直观、更合理地分析评价虚拟研发团队成员间信任关系程度。

关键词：虚拟研发团队,信任度,未确知测度模型

参考文献

[1]颜士梅:虚拟团队及其管理[J].外国经济与管理, 2001 (5) :23～27)

未确知测度 篇8

本文重点针对供电企业危机管理中的危机识别与评估环节展开讨论, 即应用未确知理论对危机评估过程提出一种新的评定方法, 该方法充分考虑了危机的不确定性和参评人员主观认识的未确知性, 并将评定结果量化, 使得对危机信息的鉴别、分析及危害评估更准确, 能更合理地反映危机评估结果的客观性。

一、未确知数理论

(一) 盲数理论简介

(二) 危机管理中不确定性量化的数学模型

一般来讲, 危机具有突发性、紧急性、偶然性、危害性、传导性等特点, 其不确定性是非常大的, 但危机的爆发一般都有一个从端倪到发展、再到爆发的变化过程。本文引入盲数理论, 将不确定信息量化, 可以保证对收集的信息进行有效、真实的传递, 也便于监管者及时做出反应和应对, 将危机的发生率降到最小。

不确定性的量化多采用专家意见法, 即将专家们的意见用一个不确定性的量来表示。如用一个未确知数、灰数或盲数来表示。如评定某一对象X, 就某一组因素A1、A2、……An综合考虑, 首先经专家及有关人员评定, 根据各因素的重要性让专家B1、B2……Bm以十分制给每一因素打分, 为减少打分过程中的主观因素, 要求每位参评人员打出分值区间Cij, 即为未确知有理数或灰数, Cij∈G (G表示未确知有理数集) 。Cij (i=1, 2…n, j=1, 2…m) 表示的是第个专家对第i个因素的打出的分值区间。事实上由于专家认识的主观未确知性, 专家的打分Cij大多是信息型未确知有理数或灰数。就Ai来说, 它的打分为Ci1, Ci2, …Cim (i=1, 2…n) 然后确定每位专家B1, B2, …, Bm的可信度分别为α1, α2, …, αm, 再利用公式计算每位专家的综合可信度a1, a2, …, am, 我们将集合{Ci1, Ci2, …, Cim}中的实数从小到大排列为Cij1, Cij2, …, Cijk (k≤m) , 这时相同的数字只算作一个, 于是关于因素Ai得如下盲数:Ai=fi (x) , 其中:

而aij1, aij2, …, aijk分别是打分为Cij1, Cij2, …, Cijk的那些专家们的综合可信度之和, 所以, X的不确定性量化值应为C=q1A1+q2A2+…qnAn, C称为评价对象X的不确定性量化值, 显然C是一个盲数, 它的期望值E (C) 为一阶未确知有理数, 且总可信度为1。显然E (C) 就是专家意见的综合量化值。根据风险顺序数值的计算公式RNP=E (CA1) *E (CA2) …E (CAn) , 计算其RNP, 然后根据RNP的大小, 确定采取措施的优先等级。

本方法与传统专家打分法的区别是:若本方法专家打分表中所有Cij∈R (实数集) , 则本法实质上就退化为传统专家打分法, 而本法中专家意见是未确知数, 是传统专家打分法的推广, 并且有严格的数学理论做基础, 因此, 所得结果更为合理, 更为接近客观实际。

二、危机的识别与评估

供电企业的危机管理系统可以划分为的三个模块:危机的识别与评估、分析与预防、控制和处理。危机的识别与评估主要是找出关键危机所在, 本文通过定量分析与定性分析相结合的方法, 将危机的识别与评估环节量化, 以实现预防危机和减少危机损失的目的。

(一) 危机的识别

危机会给供电企业利益相关方造成巨大损害, 因此危机识别围绕供电企业的利益相关方展开。本文从社会、环境、用户、所有者、伙伴、员工和供电企业七个维度展开, 通过对六个利益相关方和企业自身可能产生影响的危机进行识别, 识别的危机如图1所示, 共识别危机14项, 其中对社会产生影响的危机有3项, 分别是大面积停电、重要客户停电和重大活动停电;对环境产生影响的危机2项:噪声污染和城市和谐干扰;对用户产生影响的危机有2项:客户关系重大纠纷和顾客人身安全、财产安全危机;对所有者产生影响的危机主要是是财务危机;对合作伙伴产生影响的主要是信用危机;对员工产生影响的主要是员工健康安全危机;对企业自身产生影响的主要有:人力资源危机、工程建设危电网运行危机和声誉危机。

(二) 危机的评估

在危机识别与评估的基础上, 采用失效模型和效果分析法 (FEMA方法) , 从危机的后果严重度、发生可能性和可控性3个维度, 对识别的14项危机进行了评估, 形成了危机分级表。

评估采用调研的形式, 由供电企业各部门对各危机的严重度、发生可能性和可控度进行1-10的打分。对严重度来讲, 1表示危机非常小, 几乎可以忽略不计, 分值越高表示后果越严重;对发生可能性来讲, 1表示完全不可能发生, 分值越高表示发生的可能性越大;对可控度来讲, 1表示完全可控, 分值越高表示危机的控制程度越差。然后计算每项危机的风险优先数值 (RPN) , RPN是危机事件发生的可能性、危机的严重程度和可控性三者乘积, RPN的取值最小是1, 最大是1000。数字越大, 风险越高, 采取措施的优先级越高。通过预防措施, 减少RPN, 降低风险。FMEA的中心思想是:通过风险顺序数RPN及其排序, 使得对风险的定性评估向定量评估转变。本文根据供电企业危机评估的RPN的大小来衡量可能的危机事件及其等级, 以便采取可能的预防措施, 从而以较低的成本减少事后损失, 提高系统的可靠性。

三、供电企业危机评估算例分析

本文以某供电企业的社会危机中的大面积停电危机为例, 综合考虑大面积停电危机事件的严重度、发生的可能性、可控度三个方面, 采用10分制请每位参评人员对危机事件的严重度A1、发生的可能性A2、可控度A3的打分结果如表1所示。

将参评人员对每一因素的打分结果用一个盲数来表示, 假定三个参评人员的可信度分别为0.7, 0.8, 0.9。对其进行归一化处理:先计算其可信度的和为0.7+0.8+0.9=2.4, 由此可以得到相应的综合可信度分别为:0.7/2.4=0.29, 0.8/2.4=0.33, 0.9/2.4=0.38, 其和为1。

注:其中, [a, b]表示未确知有理数

则供电企业大面积停电危机的严重度表示为盲数A1=f1 (x) 。

大面积停电危机发生的可能性表示为盲数A2=f2 (x) 。

大面积停电危机的可控度表示为盲数A3=f3 (x) 。

这样就把大面积停电危机三个维度的专家意见的不确定性进行了量化。显然A1、A2、A3都是盲数, 它们的期望值E (C) 为一阶未确知有理数, 且总可信度为1, 所以其期望值也是个实数, 通过盲数期望值运算可以将盲数清晰化。

此时,

由此我们可以得到供电企业大面积停电危机的风险顺序数值RPN为188.424, 说明大面积停电危机是在供电企业危机中是重要程度较高的危机事件, 需要重点管理。

四、结论

本文以未确知理论为基础, 针对供电企业危机管理的危机评估环节中存在的主观不确定性, 建立了供电企业危机评估的盲数模型, 并采用失效模型和效果分析法 (FEMA方法) , 从供电企业危机事件的后果严重度、发生可能性和可控性三个维度分析, 计算其风险顺序数值, 进行风险预测, 评估各项危机发生的概率, 以此作为判定危机等级的重要依据。本文以某供电局危机评估为例, 重点针对供电企业社会危机中的大面积停电危机的严重度、发生的可能性、可控性进行了专家测评打分, 然后对打分结果进行清晰化处理, 最后运用公式计算该危机的风险顺序数值。这种方法克服了以前危机评估中的主观性这一缺点, 充分考虑了专家意见的不确定性, 使得危机评估过程更加客观合理, 增强了评估结果的科学性和可信度。

摘要：文章引入未确知理论, 针对供电企业危机管理的危机评估环节, 建立了基于盲数理论的危机评估FEMA模型, 并以某供电企业大面积停电危机为例, 采用专家打分法从危机的后果严重度、发生可能性和可控度三个维度对危机进行评估, 计算其风险顺序数值 (RPN) , 得到了更加客观合理的数据, 为危机事件的等级判定提供了重要可靠的依据, 对供电企业建立完善的危机管理体系具有一定的参考价值。

关键词：未确知理论,盲数,供电,危机管理

参考文献

[1]、孟祥星, 韩学山.不确定性因素引起备用的探讨[J].电网技术, 2005 (1) .

[2]、赵庭红.盲数的BM模型在经济管理中的应用[J].商业研究, 2004 (36) .

[3]、王光远.未确知信息及其数学处理[J].哈尔滨建筑工程学院学报, 1990 (4) .

[4]、刘开第, 吴和琴等.不确定性信息数学处理及应用[M].科学出版社, 1999.

[5]、钱维忠.我国供电企业危机管理体系研究[D].复旦大学, 2009.