李偉偉,易平濤,郭亞軍
(東北大學(xué)工商管理學(xué)院,遼寧沈陽(yáng)110169)
信息集結(jié)是將多種來(lái)源的信息融合為一個(gè)整體的過程,是多屬性決策領(lǐng)域一項(xiàng)重要的研究?jī)?nèi)容.迄今為止,關(guān)于信息集結(jié)方法的研究在眾多學(xué)者的共同努力下已取得了豐碩的理論成果[1-8].進(jìn)一步,為提升理論方法解決實(shí)際問題的能力,在理論研究中考慮決策者的需求也十分必要.眾所周知,激勵(lì)是一種重要且常見的管理手段,在信息集結(jié)過程中準(zhǔn)確而自然地融入決策者的激勵(lì)偏好,能夠?qū)Ρ辉u(píng)價(jià)對(duì)象的發(fā)展(尤其長(zhǎng)期發(fā)展)起到持續(xù)有效地引導(dǎo)作用.
目前,已有部分學(xué)者對(duì)體現(xiàn)激勵(lì)特征的信息集結(jié)方法展開研究.易平濤等[9]用直線型的激勵(lì)控制線表達(dá)決策者的激勵(lì)偏好,對(duì)被評(píng)價(jià)對(duì)象的發(fā)展趨勢(shì)進(jìn)行激勵(lì),提出了一種基于雙激勵(lì)控制線的動(dòng)態(tài)信息集結(jié)方法,并進(jìn)一步將其拓展至泛激勵(lì)控制線的情形[10].劉微微等[11,12]在體現(xiàn)被評(píng)價(jià)對(duì)象發(fā)展趨勢(shì)的基礎(chǔ)上,融入對(duì)被評(píng)價(jià)對(duì)象變化速度的考慮,在雙激勵(lì)控制線的基礎(chǔ)上提出了兼顧發(fā)展速度的動(dòng)態(tài)信息集結(jié)方法.文獻(xiàn)[13]在雙激勵(lì)的基礎(chǔ)上,提出了按層級(jí)激勵(lì)的信息集結(jié)方法.馬贊福等[14]考慮被評(píng)價(jià)對(duì)象在不同時(shí)刻發(fā)展水平的差異,提出了一種基于屬性值增益水平的信息集結(jié)方法.張發(fā)明[15]在文獻(xiàn)[14]的基礎(chǔ)上做了進(jìn)一步的拓展,以顯性激勵(lì)為基礎(chǔ),加入隱性激勵(lì),提出了雙重激勵(lì)的信息集結(jié)模型.
總結(jié)上述信息集結(jié)方法,發(fā)現(xiàn)一個(gè)共同的特點(diǎn),即上述方法多是對(duì)被評(píng)價(jià)對(duì)象發(fā)展趨勢(shì)或狀態(tài)的“整體激勵(lì)”,這種激勵(lì)模式能夠?qū)Ρ辉u(píng)價(jià)對(duì)象的發(fā)展起到一定的引導(dǎo)作用,但決策者的激勵(lì)偏好卻通常被隱藏于激勵(lì)模型的計(jì)算中,且模型的數(shù)值過程一般都比較復(fù)雜,因而會(huì)導(dǎo)致被評(píng)價(jià)對(duì)象對(duì)決策者激勵(lì)偏好的感知與反饋比較籠統(tǒng),落實(shí)到被評(píng)價(jià)對(duì)象的行為引導(dǎo)上,就會(huì)出現(xiàn)被評(píng)價(jià)對(duì)象大多選擇模糊地提升自身在各方面(屬性)的取值,卻不明白如何采取最優(yōu)的行動(dòng)方案以獲取最大程度的激勵(lì)成果.
針對(duì)上述問題,本文給出了采用“分段激勵(lì)”的方式對(duì)被評(píng)價(jià)對(duì)象進(jìn)行誘導(dǎo)性激勵(lì)的解決思路.論文的主要?jiǎng)?chuàng)新之處是以分布分位數(shù)的方式衡量被評(píng)價(jià)對(duì)象的相對(duì)發(fā)展水平,并以分布分位數(shù)為基礎(chǔ),對(duì)決策者的激勵(lì)偏好進(jìn)行細(xì)化描述,提出了有序分位加權(quán)集結(jié)算子的方法.進(jìn)一步采用隨機(jī)模擬的思路分析了理想激勵(lì)點(diǎn)的求解方法,以算例的形式驗(yàn)證了該方法的有效性,并得出當(dāng)采用正向雙點(diǎn)激勵(lì)方式時(shí),不僅能夠?qū)崿F(xiàn)對(duì)被評(píng)價(jià)對(duì)象的獎(jiǎng)懲并重,且能夠通過獎(jiǎng)懲凸顯被評(píng)價(jià)對(duì)象之間差異的結(jié)論.與已有文獻(xiàn)中“整體激勵(lì)”的方式相比,本文給出的“分段激勵(lì)”和有序分位加權(quán)集結(jié)方法,能夠更加細(xì)膩地刻畫決策者的激勵(lì)偏好,同時(shí)能使被評(píng)價(jià)對(duì)象對(duì)決策者的激勵(lì)偏好有著更清晰的認(rèn)識(shí),從而實(shí)現(xiàn)對(duì)被評(píng)價(jià)對(duì)象系統(tǒng)性發(fā)展的良性引導(dǎo).
該部分首先對(duì)衡量被評(píng)價(jià)對(duì)象在各屬性上相對(duì)發(fā)展程度的分布分位數(shù)進(jìn)行求解,然后基于分布分位數(shù)構(gòu)建有序分位加權(quán)集結(jié)算子,在此基礎(chǔ)上研究體現(xiàn)激勵(lì)特征的屬性權(quán)重(稱之為“分位權(quán)重”)的計(jì)算方法.
對(duì)由n個(gè)被評(píng)價(jià)對(duì)象(o1,o2,...,on)及m個(gè)屬性(x1,x2,...,xm)構(gòu)成的n×m維決策矩陣為[xij]n×m,不失一般性,令m,n≥3.通常,實(shí)際問題中被評(píng)價(jià)對(duì)象關(guān)于某屬性xj,j=1,2,...,m的取值存在一個(gè)理想的上限和可接受的下限,分別記為Mj和mj.參照無(wú)量綱化方法中的“極值處理法”[16],下面對(duì)分布分位數(shù)的定義進(jìn)行界定.
定義1對(duì)被評(píng)價(jià)對(duì)象oi在屬性xj上的取值xij,稱
為與屬性值xij對(duì)應(yīng)的分布分位數(shù),有qij∈[0%,100%].
由定義1可知,qij的取值越大,代表被評(píng)價(jià)對(duì)象oi在屬性xj上的相對(duì)發(fā)展程度越高.除用于衡量被評(píng)價(jià)對(duì)象的相對(duì)發(fā)展程度之外,分布分位數(shù)的另一個(gè)作用是為決策者激勵(lì)偏好的表達(dá)提供了便利.下面以圖1為例,對(duì)其進(jìn)行簡(jiǎn)單說明.圖1中,黑色圓點(diǎn)表示某被評(píng)價(jià)對(duì)象屬性值的分布分位數(shù),α1和α2為決策者給出的兩個(gè)激勵(lì)點(diǎn),其取值介于0%~100%之間.因而可將圖1視為由兩個(gè)激勵(lì)點(diǎn)區(qū)分的3段激勵(lì)子區(qū)間,即[0%,α1),[α1,α2),[α2,100%].不失一般性,決策者的激勵(lì)偏好可表述為,對(duì)分布分位數(shù)分布于[0%,α1)子區(qū)間內(nèi)的屬性值給予懲罰;對(duì)分布于[α1,α2)內(nèi)的屬性值不懲罰也不獎(jiǎng)勵(lì);對(duì)分布于[α2,100%]內(nèi)的屬性值給予獎(jiǎng)勵(lì).
圖1 基于分布分位數(shù)的激勵(lì)偏好示意圖Fig.1 Diagram of incentive preference based on quantile
定義2對(duì)被評(píng)價(jià)對(duì)象oi在m個(gè)屬性上的取值(xi1,xi2,...,xim),按其對(duì)應(yīng)的分布分位數(shù)由小到大的順序進(jìn)行排序,得到有序數(shù)對(duì)則有稱
為被評(píng)價(jià)對(duì)象oi的有序分位加權(quán)集結(jié)值,其中為與有序數(shù)對(duì)〉對(duì)應(yīng)的分位權(quán)重,滿足且
定義3對(duì)屬性值xij,設(shè)其對(duì)應(yīng)的分布分位數(shù)分布于激勵(lì)子區(qū)間[αt,αt+1),t=0,1,...,k,則屬性值xij的分位權(quán)重系數(shù)為
式(3)的構(gòu)建保證了發(fā)展程度分布于同一激勵(lì)子區(qū)間內(nèi)的屬性值所獲獎(jiǎng)懲幅度相同,但可依據(jù)(qij-αt)/(αt+1-αt)進(jìn)一步調(diào)整不同屬性值對(duì)應(yīng)的分位權(quán)重系數(shù)的大小.此外,由式(3)可以看出,分布于不同激勵(lì)子區(qū)間內(nèi)的屬性值的分位權(quán)重的取值區(qū)間也不盡相同.因而,通過式(3)可在實(shí)際應(yīng)用中實(shí)現(xiàn)對(duì)不同發(fā)展程度的屬性值的差異獎(jiǎng)懲.
由定義3可知,分位權(quán)重的求解與激勵(lì)系數(shù)相關(guān),而對(duì)激勵(lì)系數(shù)的求解可借鑒Yager[2]提出的orness系數(shù)的測(cè)度方法,這里將其定義為激勵(lì)偏好系數(shù)(記為Ip),則有
其中Ip∈[0,1].
為保證激勵(lì)偏好的一致性,激勵(lì)系數(shù)h0,h1,...,hk+1之間的大小應(yīng)依次遞增或遞減,即當(dāng)激勵(lì)系數(shù)之間大小關(guān)系依次遞增時(shí),有ht+1>ht,t=0,1,...,k,表明決策者偏好于相對(duì)發(fā)展程度較高的屬性值,此時(shí)有Ip∈(0.5,1],這里稱此種情形為“正激勵(lì)”;相反地,當(dāng)ht+1<ht時(shí),Ip∈[0,0.5),表示決策者偏好于相對(duì)發(fā)展程度較低的屬性值,此種情形被稱為“負(fù)激勵(lì)”;除此之外,當(dāng)ht+1=ht=1/(k+2)時(shí),Ip=0.5,表示無(wú)論屬性值的相對(duì)發(fā)展程度如何,決策者給出的激勵(lì)偏好相同,此種情形被稱為“無(wú)方向均等激勵(lì)”.由上述分析可以看出,式(4)的構(gòu)建思路是通過激勵(lì)系數(shù)大小關(guān)系的設(shè)置將決策者不同程度及不同方向的激勵(lì)偏好融入同一表達(dá)式中,從而使得實(shí)際應(yīng)用中決策者激勵(lì)偏好的表達(dá)更具靈活性.
基于上述分析,依據(jù)適度激勵(lì)原則,可通過以下規(guī)劃模型求解激勵(lì)系數(shù),然后將求解得到的激勵(lì)系數(shù)代入式(3)即可得到對(duì)應(yīng)的分位權(quán)重.
規(guī)劃模型為
上述規(guī)劃模型的合理性體現(xiàn)于,目標(biāo)函數(shù)的設(shè)置使得激勵(lì)系數(shù)的均方差最小,目的是為了縮小不同激勵(lì)子區(qū)間激勵(lì)系數(shù)之間的差異,從而實(shí)現(xiàn)適度激勵(lì)的效果;約束條件通過激勵(lì)偏好系數(shù)和激勵(lì)系數(shù)大小關(guān)系的設(shè)定,兼顧了正激勵(lì)和負(fù)激勵(lì)兩種情形,從而提升了運(yùn)用該模型解決實(shí)際問題的應(yīng)用空間.
對(duì)有序分位加權(quán)集結(jié)算子用于解決激勵(lì)問題的基本過程進(jìn)行總結(jié),具體如下.
步驟1對(duì)某決策矩陣,依據(jù)式(1)求解被評(píng)價(jià)對(duì)象在各屬性上的分布分位數(shù);
步驟2決策者提供激勵(lì)點(diǎn),據(jù)此分析各被評(píng)價(jià)對(duì)象在不同激勵(lì)子區(qū)間內(nèi)的分布情況;
步驟3基于決策者的激勵(lì)偏好(系數(shù)),依據(jù)式(4)~式(6)求解激勵(lì)系數(shù),將求解得到的激勵(lì)系數(shù)代入式(3)求得各被評(píng)價(jià)對(duì)象的分位權(quán)重;
步驟4將(規(guī)范化處理后的)屬性值、對(duì)應(yīng)的分布分位數(shù)及分位權(quán)重代入式(2),計(jì)算得到帶有激勵(lì)特征的集結(jié)值,并依據(jù)集結(jié)值大小對(duì)被評(píng)價(jià)對(duì)象進(jìn)行擇優(yōu)或排序.
實(shí)際應(yīng)用中,激勵(lì)措施的采用,除能夠通過分段激勵(lì)的方式讓被評(píng)價(jià)對(duì)象清晰明白自身的發(fā)展水平從而對(duì)其起到直接引導(dǎo)作用外,激勵(lì)措施的另一個(gè)作用就是為了凸顯被評(píng)價(jià)對(duì)象之間的差異,從而使得被評(píng)價(jià)對(duì)象看清自身與其他被評(píng)價(jià)對(duì)象之間的差距,以對(duì)其發(fā)展起到間接的引導(dǎo)作用.由上述有序分位加權(quán)集結(jié)算子的應(yīng)用步驟可知,在這一過程中起關(guān)鍵作用的是決策者給出的激勵(lì)點(diǎn)的位置.理想的激勵(lì)點(diǎn)應(yīng)分布于所有被評(píng)價(jià)對(duì)象分布分位數(shù)的取值區(qū)間內(nèi),從而實(shí)現(xiàn)對(duì)被評(píng)價(jià)對(duì)象發(fā)展的“直接引導(dǎo)”(或“內(nèi)部激勵(lì)”),同時(shí)也應(yīng)能夠最大程度地區(qū)分不同被評(píng)價(jià)對(duì)象集結(jié)值之間的差異,實(shí)現(xiàn)對(duì)被評(píng)價(jià)對(duì)象的“間接引導(dǎo)”(或“外部激勵(lì)”).基于此,下面給出確定理想激勵(lì)點(diǎn)的兩條基本原則.
原則1內(nèi)部激勵(lì).決策者給出的激勵(lì)點(diǎn)應(yīng)分布于所有被評(píng)價(jià)對(duì)象分布分位數(shù)的取值范圍內(nèi).
原則2外部激勵(lì).決策者給出的激勵(lì)點(diǎn)應(yīng)使所有被評(píng)價(jià)對(duì)象最終集結(jié)值之間的差異最大.
對(duì)原則1,設(shè)被評(píng)價(jià)對(duì)象oi關(guān)于m個(gè)屬性的分布分位數(shù)集合為{qi1,qi2,...,qim},則理想激勵(lì)點(diǎn)αl,l=1,2,...,k的取值范圍為αl∈[min(qij),max(qij)],i=1,2,...,n;j=1,2,...,m.
對(duì)原則2,設(shè)集結(jié)值之間的差異用兩個(gè)集結(jié)值之間的偏差衡量,因而理想激勵(lì)點(diǎn)的給出應(yīng)使集結(jié)值之間的最小偏差最大化,即激勵(lì)點(diǎn)αl的給出應(yīng)使min(|yi-yk|),i≠k最大.
基于尋找理想激勵(lì)點(diǎn)的兩條原則,下面給出求解理想激勵(lì)點(diǎn)的基本過程.
步驟1對(duì)某決策矩陣,求解對(duì)應(yīng)的分布分位數(shù)矩陣;
步驟2決策者給出激勵(lì)偏好系數(shù)Ip及激勵(lì)點(diǎn)的個(gè)數(shù);
步驟3在分布分位數(shù)的最大值與最小值之間隨機(jī)取定激勵(lì)點(diǎn),依據(jù)激勵(lì)偏好系數(shù)Ip、式(3)~式(6)求解分位權(quán)重,將屬性值和分位權(quán)重代入式(2)計(jì)算得到被評(píng)價(jià)對(duì)象的集結(jié)值;
步驟4計(jì)算所有被評(píng)價(jià)對(duì)象集結(jié)值之間的最小偏差,重復(fù)步驟3,尋找能使該最小偏差最大的激勵(lì)點(diǎn).
由上述理想激勵(lì)點(diǎn)的求解過程可知,理想激勵(lì)點(diǎn)的尋找是在分布分位數(shù)的最大值與最小值之間“隨機(jī)尋優(yōu)”的過程,因而隨機(jī)模擬仿真的方法可作為獨(dú)立組件融入到該尋優(yōu)過程中,不僅可提升該過程的可操作性,同時(shí)可節(jié)約求解的時(shí)間成本.下面對(duì)理想激勵(lì)點(diǎn)的隨機(jī)模擬求解步驟進(jìn)行歸納.
步驟1對(duì)決策矩陣[xij]n×m,計(jì)算其分布分位數(shù),并將分布分位數(shù)矩陣中的最大值和最小值分別記為qmax和qmin;
步驟2設(shè)置仿真次數(shù)監(jiān)控變量count(初始值為0),設(shè)置存儲(chǔ)變量σ0(初始值為0),αl,α2,...,αk(設(shè)決策者給定k個(gè)激勵(lì)點(diǎn),初始值為0);
步驟3count←count+1,在區(qū)間[qmin,qmax]內(nèi)按均勻分布的方式隨機(jī)生成k個(gè)隨機(jī)數(shù)(激勵(lì)點(diǎn)),記為r1,r2,...,rk;
步驟4基于決策者給出的激勵(lì)偏好系數(shù)Ip計(jì)算各被評(píng)價(jià)對(duì)象的分位權(quán)重,并按有序分位加權(quán)集結(jié)算子的方式對(duì)(規(guī)范化處理后)決策信息進(jìn)行集結(jié),得到被評(píng)價(jià)對(duì)象的集結(jié)值yi,并計(jì)算集結(jié)值之間兩兩偏差的最小值,記為σ;
步驟5若σ>σ0,則σ0←σ;α1←r1,α2←r2,...,αk←rk;
步驟6若count=sum(sum為決策者給出的仿真總次數(shù),一般[qmin,qmax]區(qū)間范圍越大,sum值越大),轉(zhuǎn)入步驟7,否則轉(zhuǎn)入步驟3;
步驟7保存σ0和α1,α2,...,αk的數(shù)值,退出程序.
通過上述模擬仿真得到的激勵(lì)點(diǎn)α1,α2,...,αk即為理想激勵(lì)點(diǎn).
對(duì)某公司5名員工在出勤情況(x1),銷售業(yè)績(jī)(x2),工作積極性(x3),學(xué)習(xí)能力(x4),客戶滿意程度(x5)和工作創(chuàng)新性(x6)的表現(xiàn)進(jìn)行績(jī)效評(píng)價(jià).5名員工的績(jī)效數(shù)據(jù)見表1.
由問題描述可知,6個(gè)考核項(xiàng)均為效益型屬性,依據(jù)式(1)求得員工在各考核屬性上的相對(duì)發(fā)展程度(分布分位數(shù))如表2所示,其中各考核屬性得分的理想上限為10分,可接受的下限為1分.
表1 員工在各考核屬性上的績(jī)效得分Table 1 Performance score of employees in each assessment attribute
表2 員工在各考核屬性上的分布分位數(shù)Table 2 Distribution quantiles of employees in each assessment attribute
1)激勵(lì)點(diǎn)求解
依據(jù)理想激勵(lì)點(diǎn)的模擬仿真步驟,激勵(lì)點(diǎn)的隨機(jī)取值區(qū)間為[34%,76%].下面分別就決策者給出1個(gè)和2個(gè)激勵(lì)點(diǎn)的情形進(jìn)行模擬仿真(單激勵(lì)點(diǎn)仿真10萬(wàn)次,雙激勵(lì)點(diǎn)仿真100萬(wàn)次),仿真結(jié)果分別如表3和表4所示.需要說明的是,由于員工在各考核屬性上的得分區(qū)間相同(為[1,10]),所以無(wú)需對(duì)得分值進(jìn)行標(biāo)準(zhǔn)化處理.
表3 單激勵(lì)點(diǎn)情形下的模擬結(jié)果Table 3 Simulation result under single incentive point
表4 雙激勵(lì)點(diǎn)情形下的模擬結(jié)果Table 4 Simulation result under double incentive points
2)結(jié)果分析
(a)不同激勵(lì)偏好系數(shù)下的激勵(lì)點(diǎn)的變化分析
為便于觀察,繪制不同激勵(lì)偏好系數(shù)下激勵(lì)點(diǎn)的變化趨勢(shì)圖,見圖2.需要說明的是,為作圖方便,圖2中Ip=0.5時(shí)的激勵(lì)點(diǎn)取其他激勵(lì)偏好系數(shù)下激勵(lì)點(diǎn)的均值.
圖2 不同激勵(lì)偏好系數(shù)下激勵(lì)點(diǎn)的變化趨勢(shì)Fig.2 Variation tendency of incentive points under various incentive preference coefficients
觀察兩種激勵(lì)情形下激勵(lì)點(diǎn)的變化情況,可以發(fā)現(xiàn)無(wú)論是單點(diǎn)激勵(lì)還是雙點(diǎn)激勵(lì),“負(fù)激勵(lì)”(Ip<0.5)時(shí),不同激勵(lì)偏好系數(shù)下激勵(lì)點(diǎn)的變化幅度均大于“正激勵(lì)”時(shí)激勵(lì)點(diǎn)的變化幅度,表明負(fù)激勵(lì)時(shí)激勵(lì)點(diǎn)對(duì)決策者激勵(lì)偏好系數(shù)的敏感程度大于正激勵(lì)時(shí)的敏感程度.
(b)不同激勵(lì)偏好系數(shù)下各員工集結(jié)值的變化分析
當(dāng)激勵(lì)偏好系數(shù)在0.1~0.9之間變動(dòng)時(shí),分別繪制單點(diǎn)激勵(lì)和雙點(diǎn)激勵(lì)情形下員工集結(jié)值的變化趨勢(shì),如圖3所示.
圖3 單、雙點(diǎn)激勵(lì)情形各員工集結(jié)值的變化情況Fig.3 Change of aggregations of alternatives under single and double incentive points respectively
觀察圖3可以發(fā)現(xiàn),單點(diǎn)激勵(lì)情形下,隨激勵(lì)偏好系數(shù)的變化,各員工集結(jié)值的變化趨勢(shì)基本一致(變化幅度略有不同),說明單點(diǎn)激勵(lì)情形下,決策者激勵(lì)偏好系數(shù)對(duì)各員工獎(jiǎng)懲結(jié)果的影響是同方向的,即激勵(lì)偏好系數(shù)的變化能夠?qū)λ袉T工實(shí)現(xiàn)同時(shí)獎(jiǎng)勵(lì)(集結(jié)值變大)或懲罰(集結(jié)值變小);雙點(diǎn)激勵(lì)時(shí),員工2、員工3和員工5的集結(jié)值變化趨勢(shì)一致,隨著激勵(lì)偏好系數(shù)的增加,集結(jié)值基本呈上升趨勢(shì),但員工5的上升趨勢(shì)不明顯,而員工1和員工4的集結(jié)值變化趨勢(shì)一致,隨著激勵(lì)偏好系數(shù)的增加,集結(jié)值基本呈先上升再下降的趨勢(shì),說明雙點(diǎn)激勵(lì)情形下,決策者激勵(lì)偏好系數(shù)的變化能夠?qū)Ω鲉T工實(shí)現(xiàn)獎(jiǎng)懲并行.
(c)不同激勵(lì)偏好系數(shù)下員工之間集結(jié)值的對(duì)比分析
為分析激勵(lì)措施的采取是否對(duì)員工起到獎(jiǎng)懲作用,這里將不同激勵(lì)偏好系數(shù)下員工的集結(jié)值與采用算術(shù)平均方法(代表無(wú)激勵(lì)情形)得到的員工集結(jié)值(分別為5.60,6.23,5.80,5.42,6.23)進(jìn)行比較分析,見圖4.
圖4 單、雙點(diǎn)激勵(lì)情形員工之間集結(jié)值的對(duì)比圖Fig.4 Comparison of aggregations of alternatives under single and double incentive points respectively
觀察圖4可以得出,比較Ip=0.5的集結(jié)值和平均集結(jié)值,發(fā)現(xiàn)無(wú)論單點(diǎn)激勵(lì)還是雙點(diǎn)激勵(lì),Ip=0.5時(shí)各員工的集結(jié)值均大于其平均集結(jié)值,且集結(jié)值之間的差異變大(參照表4和上述平均集結(jié)值),原因是有序分位加權(quán)集結(jié)算子中分位權(quán)重加和不等于1,即相比于平均集結(jié)方法,有序分位加權(quán)集結(jié)算子中Ip=0.5時(shí)分位權(quán)重之和的增加拉大了集結(jié)值及其差異,因而本文將Ip=0.5的情形定義為“無(wú)方向的均等激勵(lì)”而非“無(wú)激勵(lì)”;單點(diǎn)激勵(lì)時(shí),無(wú)論在何種激勵(lì)偏好系數(shù)下,員工集結(jié)值均大于平均集結(jié)值,而雙點(diǎn)激勵(lì)時(shí),存在員工集結(jié)值小于平均集結(jié)值的情形,說明單點(diǎn)激勵(lì)多體現(xiàn)的是對(duì)員工的獎(jiǎng)勵(lì),而雙點(diǎn)激勵(lì)是對(duì)員工的獎(jiǎng)懲并行;當(dāng)激勵(lì)偏好系數(shù)Ip≥0.3時(shí),員工之間的集結(jié)值變化趨勢(shì)基本一致,但隨著激勵(lì)偏好系數(shù)的增加,各員工集結(jié)值之間的變化幅度也有所增大,而激勵(lì)偏好系數(shù)較小時(shí)(Ip=0.1,0.2),員工之間的集結(jié)值變化趨勢(shì)與Ip≥0.3時(shí)的差異較大,表明負(fù)激勵(lì)且激勵(lì)程度越大時(shí),能夠?qū)T工之間的排序產(chǎn)生影響,而正激勵(lì)雖然對(duì)員工之間排序影響不大,卻能夠拉大員工集結(jié)值之間的差異.
綜上可知,在本文給出的算例中,建議選用正向雙點(diǎn)激勵(lì)(且激勵(lì)偏好系數(shù)應(yīng)盡可能大)的方式對(duì)被評(píng)價(jià)對(duì)象進(jìn)行激勵(lì),因?yàn)檫@種激勵(lì)方式不僅能夠?qū)崿F(xiàn)對(duì)被評(píng)價(jià)對(duì)象的獎(jiǎng)懲并重,又能夠通過獎(jiǎng)懲凸顯被評(píng)價(jià)對(duì)象之間的差異.上述求解理想激勵(lì)點(diǎn)的方式適用于以下兩種情形:一是決策者能夠給出激勵(lì)方向和激勵(lì)程度的判斷,卻不能明確把握激勵(lì)位置;二是決策者意圖通過分段激勵(lì)最大程度地實(shí)現(xiàn)獎(jiǎng)懲并拉大被評(píng)價(jià)對(duì)象之間的差異.
本文面向管理決策中的激勵(lì)問題,提出了有序分位加權(quán)集結(jié)算子這一新的集結(jié)方式.該集結(jié)方法具有以下特點(diǎn):1)以分布分位數(shù)的方式衡量被評(píng)價(jià)對(duì)象的相對(duì)發(fā)展程度;2)決策者通過提供激勵(lì)點(diǎn)的方式實(shí)現(xiàn)對(duì)被評(píng)價(jià)對(duì)象的分段激勵(lì),這種激勵(lì)方式能夠更加細(xì)膩地刻畫被評(píng)價(jià)對(duì)象之間的發(fā)展差異;3)分位權(quán)重的設(shè)置擴(kuò)大了權(quán)重系數(shù)的取值范圍,從而提升了獎(jiǎng)勵(lì)或懲罰的幅度.進(jìn)一步將研究有序分位加權(quán)集結(jié)算子在動(dòng)態(tài)獎(jiǎng)懲評(píng)價(jià)問題中的集結(jié)理論及應(yīng)用.