本文已經發表，請詳細下載完整版PDF：
https://www.hanspub.org/journal/PaperInformation.aspx?paperID=31792
歡迎引用！
Research on L / D Mechanism based on AHP extension
Feng Liu1, Xuanxuan Du2, Shiying Lu3
Wuxi Prithink Information Technology Co., Ltd… Wuxi, China
Email: [email protected]
Abstract:
Analytic hierarchy process, called AHP, is widely used in safety science, environmental science, economic management and other fields. However, once the AHP alignment layer is determined, it will not be able to change the relevant content to a certain extent limit the application of the method, that is, the AHP model determined under this method can only represent the state of a certain time. Therefore, this paper expands based on AHP, adds time T dimension into consideration, combined with the time series to suppose the AHP LD mechanism.
Keywords:
AHP, L-D mechanism, Dynamic expansion, Decision mechanism, Credit
基於 AHP 拓展的 L-D 機制探究
劉峯1 杜璇璇2 陸詩穎3
無錫優級先科信息技術有限公司，無錫，中國
Email: [email protected]
摘要：
層次分析法，稱AHP，被廣泛應用於安全科學、環境科學、經濟管理等領域。但AHP一旦對準則層進行確定後，將無法更改相關內容一定程度的限制了該方法的應用，即該方法下確定的AHP模型僅能夠代表某一時刻的狀態。因此，本文基於AHP進行擴展，加入時間T維度的考慮，結合時間序列對AHP的L-D機制進行猜想。
關鍵詞: AHP、L-D機制、動態拓展、決策機制、信用
一、簡單AHP與擴展
層次分析法，簡稱AHP，由美國運籌學家匹茨堡大學教授薩蒂於20世紀70年代初提出。AHP爲決策層與決策對象，其中分爲最高層、中間層和最低層。在確定各層次各因素之間的權重時，進行兩兩相互比較，同時採用相對尺度，來減少性質不同的諸因素相互比較的困難，從而提高準確度。如對某一準則，對其下的各方案進行兩兩對比，並按其重要性程度評定等級，即
。
對應於判斷矩陣最大特徵根的特徵向量，經歸一化後記爲W（即層次單排序），而確認W時，則需要進行一致性檢驗。其中，n階一致陣的唯一非零特徵根爲n；n 階正互反陣A的最大特徵根,當且僅當時，A爲一致矩陣。由於連續的依賴於,則比n大的越多，A的不一致性越嚴重，一致性指標用CI計算，CI越小，說明一致性越大。用 -n 數值的大小來衡量A 的不一致程度。定義一致性指標爲：CI=
, CI=0，則說明有完全的一致性；CI 接近於0，有滿意的一致性；CI 越大，不一致越嚴重。爲衡量CI 的大小，引入隨機一致性指標RI=
。一般情況下，矩陣階數越大，則出現一致性隨機偏離的可能性也越大。
因此，層次分析法能夠滿足多時期、多準則、多目標的系統評價，並且簡單的數學計算也使得其推廣得更快。在定性數據較多，指標過多，權重難以確定等等的問題上，目前存在諸多AHP與其他結合的方法，比如與模糊定價，大數據權重，logistics等，旨在解決定性不穩定，不具備說服力，權重製定的問題，最終使得該模型或者結果有效[1]。
然後，上述改進對於AHP的關注點主要集中在優化其模型與結果，單個的AHP的優化固然重要，但是單個AHP的結果並無法永遠代表某一事物或者系統，因此，考慮到時間T維度，將諸多個階段性時間t的AHP結合，最終得到結果，可以顯示出動態的變化，而不是單個AHP靜態下的結果。本文基於對時間維度T的考慮，基於時間序列分析[2]，對AHP進行了猜想，即AHP的L-D機制。
二、AHP的L-D機制
假定在一個時間T下，存在三階段時間t，即t1、t2、t3，相應分別得出三個AHP，即。
考慮到該三組數據的特點是現實的、真實的數據，即該數據將反映出某一現象的統計指標，觀察其背後的變化規律，並且是動態的。因此，在假設通過觀察、調查、統計抽樣等方法取得三組AHP相關數據後，進行散點矩形圖等圖像分析，判斷變化與趨勢週期等特徵，而後進行合適的模型建立，最後辨認合適的隨機模型進行曲線擬合，出現的結果可能諸多，比如簡單的時間序列，平穩時間序列等等。最終，將T時間下的AHP都整合在一個表達式中，實現了T下的動態變化。
三、L-D機制下的應用探索
舉例說明，對某一大學生進行徵信測評[3]，基於AHP的L-D機制闡述，考慮到用戶的特殊性，即在該用戶成長過程中，其準測層的變化並非巨大的，因此假設最終其結果服從時間序列迴歸，F檢驗顯示整體顯著。
當用戶成長週期T爲大學招聘入職至入職後續的長期跟蹤發展。初期進行校園招聘篩選時，企業可基於5C模型[4]，以品質、能力、資產、社交、條件五個維度，分別收集大學生用戶對應行爲即網上支付、網上黑名單、信用卡違約記錄、網絡信用違約記錄等；績點、實習、比賽、學歷、網上支付、網上外賣、生活費按時繳納等；流動性資產、不動產、非理財保險等；社交範圍、社交影響力等；學業成績穩定性、網絡負債額度變化、花唄支付額度變化等，而後將收集信息轉化爲評估指標，得到個人信用水平指標，進行門檻篩選簡歷[5]。
後期企業內部人才管理時，該徵信模型持續跟隨職工人員，針對不同階段的發展可進行維度的更改，可依舊基於5C模型，以品質、能力、資產、社交、條件五個維度，但收集用戶行爲可更改爲網上支付、網上黑名單、信用卡違約記錄、網絡信用違約記錄等；工作績效、上下班時間、加班率、請假率等；流動性資產、不動產、理財保險等等；企業社交範圍、社交影響力等；工作完成度、年終獎金變動等等，而後依舊而後將收集信息轉化爲評估指標，得到個人信用水平指標，對員工進行考覈，時刻防範員工信用失信問題。此時，員工信用爲：
因此，伴隨時間t的變化，對該員工的信用形成了一個動態的長時間的觀察，使得其信用判斷更適合實際中的應用。
四、總結
社會的發展是快速的，單個AHP代表的某一時刻或某一小階段的靜態狀態已經無法適應社會生活的應用，社會在變化，企業在變化，產業也在變化，對於長期動態變化的領域中，考慮時間T的因素對模型進行擴展明顯更加符合社會發展的趨勢[6]，因此，在時間序列的猜想下，L-D的機制應用而生，旨在做到將組合，以T的形式呈現出結果，體現出某一事物或者系統的動態變化。
參考文獻
[1] 李玲.層次分析法在企業權重管理中的應用研究[J].中國市場,2019(06):80-81.
[2] 史文彬. 時間序列的相關性及信息熵分析[D].北京交通大學,2016.
[3] 孫小剛,張世免.校園招聘存在的問題及對策探討[J].科技風,2017(17):229-230.
[4] 杜文軍,朱亞麗.基於“5C”模型的核心素養培養案例分析[J].教學與管理,2019(06):98-101.
[5] 葉珍. 基於AHP的模糊綜合評價方法研究及應用[D].華南理工大學,2010.
[6] 鄭毅. 時間序列數據分類、檢索方法及應用研究[D].中國科學技術大學,2015.