熵值-模糊綜合評價的應用研究

呂亞洲 李熙然 朱沛康 馬毓哲

摘? 要：模糊綜合評判模型能較好地解決非確定性問題，廣泛應用于評價，但權值只能人為選擇;而熵值可以通過判斷指標數據離散程度而近似確定指標重要程度。對模糊綜合評價的權值采用熵值法改進，可以將績效評價客觀化，提高了績效評價的質量。以高校輔導員績效評價問題為例，構建熵和多級模糊綜合評判評價模型進行應用研究，結果客觀且符合實際情況。該模型可有效解決評價過程中出現的主觀性問題，提高績效評價的效率，具有實用價值。

關鍵詞：熵值法;模糊綜合評判模型;績效評價

Abstract：The fuzzy comprehensive evaluation model can better solve the non-deterministic problem，and is widely used in evaluation，but the weight can only be selected artificially;the entropy value approximates the importance of the index by judging the degree of dispersion of the index data;for fuzzy comprehensive evaluation The weight is improved by the entropy method，which can make the performance evaluation objective and improve the quality of the performance evaluation. Taking the performance evaluation of college counselors as an example，constructing an evaluation model of entropy and multi-level fuzzy comprehensive evaluation method for application research，the results are objective and in line with the actual situation. This model can effectively solve the subjective problems in the evaluation process，improve the efficiency of performance evaluation，and has practical value.

Keywords：entropy method;fuzzy comprehensive evaluation model;performance evaluation

0? 引? 言

熵值-模糊綜合評價模型是對原有的績效評價模型的嘗試性改進，可以改變權值的人為主觀傾向，并提高綜合評判的效率，有更大的發揮空間和實用價值。本文以高校輔導員績效評價為例，建立了全面且復雜的指標體系，對熵值-模糊綜合評價模型進行應用研究。現階段已有學者對績效評價模型進行了探索，其中李戰軍等人提出了績效考核評價體系;彭高輝、申林青建立了多層次模糊評判模型，思路比較清晰;段愛玲、李永剛通過票選，利用層次分析法和有序加權平均算子進行績效評價，但是主觀性較強。

本文結合已有研究成果，構建信息熵和多級模糊綜合評價模型。相對于傳統的模糊評判，信息熵可以依據離散程度確定指標的重要程度從而決定其權重，可以有效解決評價過程中出現的主觀性問題，同時也可適用于復雜的指標體系，為以后績效評價的研究提供很好的理論依據。

1? 評價指標的確立

筆者根據國家政策，通過收集資料、參考優秀的研究成果，以及對多個學校的考核標準進行綜合比較，選取了與高校輔導員績效更為貼切的指標[1]，如表1所示。

2? 構建評價模型

2.1? 構建模糊關系矩陣

通過將影響評估對象的指標因素進行分類，所有的評判指標組成集合U={u1，u2，…，ui}，i=（1，2，…，n），ui代表不同的指標因素。

模糊關系矩陣的n代表有n類指標因素作為輔導員分數評判的標準，并依據指標因素的重要程度進行加權[2]，打分專家依據輔導員的工作情況對每個輔導員確定評語等級并形成一個普通矩陣，再對普通矩陣進行加權處理得到模糊關系矩陣。

2.2? 熵值法確立權重

2.2.1? 概述

在信息論中，熵是對不確定性的一種度量。根據熵的特性，可以通過熵值來判斷一個事件的隨機性和無序程度，也可以衡量某個指標的離散程度。指標的離散程度越大，該指標對綜合評價的影響越大;其權重就越大，熵值就會越小。

2.2.2? 指標的歸一化處理

由于各項指標的計量單位并不統一，因此在用它們計算綜合指標前，先要進行標準化處理，從而解決各項不同指標值的同質化問題[2]。由于正向指標和負向指標數值代表的含義不同（正向指標數值越高越好，負向指標數值越低越好），因此，對于高低指標本文用不同的算法進行數據標準化處理。其具體方法如下：

2.3? 建立熵值-模糊綜合評判模型

模糊綜合評判是指應用模糊變換原理和最大隸屬度原則，考慮與被評價事務相關的各個要素對其所作的綜合評價，由熵值法確定權重得到模糊綜合評判單因素評判矩陣。由于因素較多，且各因素之間還有層次之分，因此，為了更好地比較系統中事務間的優劣次序，得到有意義的評判結果，還需要進行多級綜合評判[3]。