模糊综合评价法的R语言实现

1背景：

1，本文数据来源于一门课程的调研作业，当时以广外运动小程序为例，研究学生用户对这个小程序的满意度，采用层次分析法和模糊综合评价对学生问卷评价结果进行分析，实现则用了R语言。

2，代码和数据源只需搜索“ 4.5数据源和代码下载”即可找到，如果要在线查看，搜索4.5.1判断矩阵下载，“4.5.2隶属度矩阵”“4.5.3代码下载”
3，作者姓万，参加这个课堂项目时负责理论框架，指导代码设计，当初参加的人应该知道我是谁，但不必说出来。

2本文要研究什么

本文想知道学生对本校的运动监督小程序的满意度有多高或多低？是很不满意、不满意、满意、很满意中的哪一个？
以及更重要的是：到底哪些地方满意，哪些地方不满意，因此就需要知道满意度受哪些因素影响。

3层次分析法和模糊综合评价能干嘛？

3.1层次分析法能评估最优方案

层次分析法是由Saaty(1980)提出的一种多准则决策模型，它将决策问题按目标、评价准则及各备选方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量，求得每一层次的各元素对上一层次某元素的优先权重，
最后再加权和的方法逐层合并各备择方案对总目目标最终权重，最终权重最大者即为最优方案。
如下图，有3个饭堂，要知道哪个饭堂最令人满意，就可以通过饭菜、服务、就餐环境等准则分别打分，如第一饭堂在饭菜品质得33分，服务得56分，环境45分，形象26分，但还要确定哪些准则权重更大，如专家认为，饭菜权重是44%、服务权重19%、环境31%、形象6%。
这样一加总下来，
第一饭堂得分=33X44%+56X19%+45x31%+26X6%=约41分
同理其它饭堂得分，最终看得分排名，排名第一就是最令人满意的。

其基本原理是将待评价或识别的复杂问题分解成若干层次，由专家或决策者对所列指标通过重要程度的两两比较逐层进行判断评分，利用计算判断矩阵的特征向量确定下层指针对上层指标的贡献程度或权重，从而得到最基层指针对于总体目标的重要性权重排序。
它具有方便灵活且实用的特点，广泛应用于人力资源管理、城市规划、决策管理、绩效评价等各领域。

3.2模糊综合评价法能评估等级

模糊综合评价法和层次分析法类似，但它要评估的不是具体的哪个方案或哪个食堂更好，而是在很坏、坏、好、很好这几个评级中，哪一个更符合我们食堂的整体情况。同理，这次项目中，我们想知道这个运动小程序的满意度到底是很不满意、不满意、满意、很满意中的哪个等级。

4怎么实现模糊综合评价法

4.1第一步，构筑层次模型

模糊综合评价的第一步是利用层次分析法，来构筑层次模型，（为了设计问卷），如下图所示，针对本文研究内容，我们设目标C为小程序满意度，分别设准则层C12,C13,C14,C15为质量感知，对价值的感知，实际期望差距及客户抱怨这4个要素，一般只需要参考相关论文或教科书的要素体系，本文参考的教科书是汤兵勇的客户关系管理（第3版)，高等教育出版社；

C12等指标也同理设立即可

4.2第二步，数据源1判断矩阵

模糊综合评价的第二步，是利用层次分析法，来构筑判断矩阵（一张表），会邀请一位专家用两两比较方式打分来填写表格。

比如：
1对于小程序满意度来说，以下哪种情况最符合：
A，C12质量感知的重要性远小于C13价值感知（C12极端重要）
B，C12质量感知的重要性小于C13价值感知（C12稍微重要）
C，C12质量感知的重要性大于C13价值感知（C12稍微不重要）
D，C12质量感知的重要性远大于C13价值感知（C12极端不重要）
E都一样重要

如果选A，如下图，则要给C12和C13相比的那个空格打1/9分,因为它属于评分标准表的最后一种情况，而给C13和C12相比的空格打9分，属于评分表的“极端重要情况”（是的，相比顺序不一样就会有两个空格）

而如果选B，则要给C12和C13相比的那个空格打1/3分,而给C13和C12相比的空格打3分（是的，相比顺序不一样就会有两个空格），因为这里大于则给C13比C12那格打3分，对应的另一格则打3分的倒数（1/3分）

如果选C，则和B相反，给C12和C13相比的那个空格打3分，C13和C12相比的空格打1/3分。
选D，则和选A相反，则要给C12和C13相比的那个空格打9分,而给C13和C12相比的空格打1/9分。
如果选E，则两个格均为1分。
当然，实际上的评分标准如图，除了明显重要、强烈重要外，还有个取中值表示介于强烈重要与极端重要（8分）、明显与强烈（6分）等情况。

但是打完了C12和C13指标的得分，还有C12和C14、C12和C15、C13和C14等还需要打分，只要是满意度直接下属的C12-C15指标，就要进行两两比较，才能完成下图这第一个判断矩阵。

C12直接下属的指标也有矩阵，C13到C15也都各有矩阵。

4.3数据源2 隶属度矩阵

4.3.1问卷设计

1首先要根据上图的二级指标设计问卷，让用户给这些指标打分，
如果你很熟悉的话就跳过这部分的说明，去看“4.4.2问卷统计为评级”

比如：以C126可靠性为例，可以出2个量表题（只出一道则风险较高，若检验信效度时发现这个题目应当放弃，则这个C126二级指标也得被放弃）。
比如：
6.小程序大部分时候是稳定的，不会卡顿，对于这句话，你的态度是以下哪种？
A非常反对 B反对（代表不满意） C认同（代表满意） D非常认同

7.小程序的操作很简单,不担心操作失误，对于这句话，你的态度是以下哪种？
A非常反对 B反对 （代表不满意）C认同（代表满意） D非常认同

以上题目，采用的是4分制，（A则1分，B则2分，C则3分，D则4分）不过你也可以选择5分制，多一个选项而已。

4.3.2问卷统计为评级

2之后，对于每道题，统计选非常反对，反对，认同，非常认同选项的用户百分比分别是多少，再用如下公式计算出C126评为这4个评级的百分比（也许你能找到更好的公式）

C126被评为“非常不满意”的百分比=average（C126旗下第一题选择非常反对的用户占比+旗下第二题选择非常反对的用户占比+…+旗下第N题选择非常反对的用户占比）

同理，评为“不满意”的百分比
C126被评为不满意的百分比=average（C126旗下第一题选择反对的用户占比+旗下第二题选择反对的用户占比+…+旗下第N题选择反对的用户占比）
其它评为满意、非常满意的百分比也同理。
最终得到如下结果：（C126那一行）

这里统计发现，C126被评为很不满意的比例0.1471，不满意的为0.3382…
其它指标也同理，最终评完所有二级指标，得到下图的所有数值。

4.3.3整理成隶属度矩阵

但为了读取方便，一般会按照C12,C13,C14,C15这种高级指标来分别存放这些表格，这就是隶属度矩阵，如下图：

C12质量隶属度矩阵内部如下：

注意，要有V1-V4这些列名，否则R语言读取出错，其它隶属度矩阵同理。

4.4 第三步：代码处理判断矩阵

1此处的处理分为 一致性检验、计算权重，代码如下

#L1准则层判断矩阵读取、一致性检验、权重w1
setwd("C:/data")#设定数据源路径，将从该路径读取CSV表格
a=read.csv("准则层对目标层判断矩阵.csv")#该CSV里面是专家判断矩阵
a#显示该CSV的数据，
ev=eigen(a)
lamda=ev$values[1]
#此处lamda用round()保留有效小数2位，防止浮点数运算精度问题
lamda=round(lamda,2)
#判断矩阵行数n=4，查表得随机一致性指标RI=0.90，即crl公式的分母
cil=(lamda-4)/3
crl=