高志方，劉亞楠，彭定洪

（昆明理工大學(xué)管理與經(jīng)濟(jì)學(xué)院質(zhì)量發(fā)展研究院，云南昆明 650093）

一、引言

企業(yè)績效評(píng)價(jià)是當(dāng)今社會(huì)普遍關(guān)注的話題，設(shè)置科學(xué)合理的企業(yè)績效評(píng)價(jià)指標(biāo)體系，采用有效可行的評(píng)價(jià)方法，不但可以保障企業(yè)績效的正確評(píng)價(jià)，而且對(duì)于企業(yè)運(yùn)作狀況的監(jiān)督以及企業(yè)運(yùn)營績效的提高有著重要的作用［1］。針對(duì)企業(yè)績效評(píng)價(jià)，國內(nèi)外學(xué)者分別從平衡記分卡（BSC）、關(guān)鍵績效指標(biāo)（KPI）［2］、客戶關(guān)系管理（CRM）［3］、企業(yè)資源計(jì)劃系統(tǒng)（ERP）和客戶關(guān)系管理集成系統(tǒng)（ERP-CRM）［4］、經(jīng)濟(jì)增加值（EVA）［5］等不同的角度建立企業(yè)績效評(píng)價(jià)指標(biāo)體系。但這些指標(biāo)體系都是單方面對(duì)企業(yè)進(jìn)行績效評(píng)價(jià)，而卓越績效模式基于系統(tǒng)管理的思想，考慮企業(yè)運(yùn)營過程及結(jié)果的各種要素，使過程與結(jié)果得以統(tǒng)一、評(píng)價(jià)更加全面，為企業(yè)進(jìn)行全面自我診斷和改進(jìn)提供了一套合理高效的工具和方法［6］。因此，本文基于卓越績效模式建立企業(yè)績效評(píng)價(jià)指標(biāo)體系。

在卓越績效模式企業(yè)績效評(píng)價(jià)體系的打分過程中，由于評(píng)價(jià)指標(biāo)的復(fù)雜性和人類思維的模糊性、不確定性，評(píng)審專家很難給某一指標(biāo)打出一個(gè)精確的分值。而且，人們更習(xí)慣于用“好、較好、一般、較差、差”等語言值來表達(dá)自己的偏好性。當(dāng)決策者評(píng)價(jià)某一事物時(shí)，一個(gè)語言評(píng)價(jià)值有時(shí)也不能表達(dá)他的全部評(píng)價(jià)信息，決策者會(huì)在兩個(gè)甚至多個(gè)語言評(píng)價(jià)值中間猶豫。Rodriguez和Meng分別提出了兩種形式的猶豫模糊語言集，結(jié)合了語言集與猶豫模糊集兩者的優(yōu)點(diǎn)，能同時(shí)刻畫多個(gè)決策者在準(zhǔn)則下對(duì)備選方案的所有語言評(píng)價(jià)值［7－8］。但Rodriguez［7］定義的猶豫模糊語言集只給出了決策者評(píng)價(jià)信息可能取的語言術(shù)語值，沒有給出其對(duì)應(yīng)的可能隸屬值，所以反映不出決策者用多個(gè)語言術(shù)語評(píng)價(jià)事物時(shí)的偏好性。與之相比，Meng［8］定義的猶豫模糊語言集，包含了決策者所有的語言評(píng)價(jià)值及其對(duì)應(yīng)的隸屬度，其評(píng)價(jià)信息更加全面，能更好地表達(dá)實(shí)際決策問題中的不確定性。

關(guān)于猶豫模糊語言相似性測(cè)度的研究中，Liao等定義了針對(duì)猶豫模糊語言集的距離測(cè)度以及信息熵的相似性測(cè)度，但是這些公式都必須由決策者主觀地向其中增加元素，損失了數(shù)據(jù)的部分原始信息，與真實(shí)數(shù)據(jù)有一定的偏差，導(dǎo)致決策者作出的決策達(dá)不到最優(yōu)結(jié)果［9－11］。而包含度刻畫一個(gè)集合包含于另一個(gè)集合的程度，是一種描述事物之間不確定關(guān)系的簡單有效的度量方法［12］。依據(jù)包含度理論構(gòu)造猶豫模糊語言相似性測(cè)度，進(jìn)而構(gòu)建基于猶豫模糊語言相似性測(cè)度的距離測(cè)度，計(jì)算過程中無需人為添加元素，決策結(jié)果更加真實(shí)有效。

TOPSIS法［13］、投影算法［14］等多屬性決策方法是借助于理想點(diǎn)距離的思想。它們都是運(yùn)用了數(shù)據(jù)的原始信息，沒有對(duì)數(shù)據(jù)的真實(shí)性造成破壞，具有直觀簡明、計(jì)算簡便的優(yōu)勢(shì)；而且，這些方法對(duì)原始數(shù)據(jù)并沒有特別的要求，與其他單項(xiàng)指標(biāo)分析類方法相比，可以比較集中地刻畫總體趨勢(shì)并進(jìn)行綜合評(píng)價(jià)研究，所以其適用性非常普遍?；疑P(guān)聯(lián)決策方法［15］是根據(jù)因素之間發(fā)展趨勢(shì)的相似或相異程度（亦即“灰色關(guān)聯(lián)度”）衡量因素間的關(guān)聯(lián)程度，許多學(xué)者將其與TOPSIS、投影算法等理想點(diǎn)法相結(jié)合運(yùn)用于多屬性群決策問題的解決當(dāng)中［16－17］。但是，投影算法是依據(jù)備選方案在理想點(diǎn)上的投影來對(duì)方案進(jìn)行排序，忽略了備選方案在負(fù)理想點(diǎn)上的投影，因此無法判斷投影值相等的情況下備選方案的優(yōu)先順序；TOPSIS法雖然考慮了備選方案與正、負(fù)理想點(diǎn)的距離，但卻忽略了備選方案與正、負(fù)理想點(diǎn)這兩者距離的相對(duì)重要程度，當(dāng)備選方案與理想點(diǎn)接近程度不同時(shí)，就可能得到不同的排序結(jié)果。因此，上述理想點(diǎn)法均存在一定的不足。

基于此，本文在Meng［8］給出的猶豫模糊語言信息情境下，提出了基于模糊蘊(yùn)含算子的加權(quán)猶豫模糊語言包含度及相似性測(cè)度；接著基于理想點(diǎn)法思想，對(duì)灰色關(guān)聯(lián)決策方法進(jìn)行改進(jìn)，使之既考慮方案與正、負(fù)理想點(diǎn)的灰色關(guān)聯(lián)度，又考慮這兩者灰色關(guān)聯(lián)度的相對(duì)重要性，最后運(yùn)用改進(jìn)的灰色關(guān)聯(lián)決策方法對(duì)企業(yè)績效進(jìn)行評(píng)價(jià)。

二、基本理論

（一）企業(yè)績效評(píng)價(jià)指標(biāo)體系

本文按照2015—2016年美國波多里奇獎(jiǎng)《卓越績效評(píng)價(jià)準(zhǔn)則》的規(guī)則，采用1 000分打分制，從“過程”和“結(jié)果”兩個(gè)方面，以及領(lǐng)導(dǎo)、戰(zhàn)略、顧客、測(cè)量分析和知識(shí)管理、員工、運(yùn)營及結(jié)果7個(gè)維度建立企業(yè)績效評(píng)價(jià)指標(biāo)體系。其中，一級(jí)、二級(jí)指標(biāo)中各個(gè)指標(biāo)的評(píng)分占總評(píng)分的比重如表1所示。

（二）猶豫模糊語言集

模糊集合理論是美國工程學(xué)家扎德（Zadeh）于1965年創(chuàng)立的［18］。作為模糊集的拓展形式，猶豫模糊語言集不僅包括決策者在對(duì)備選方案評(píng)價(jià)時(shí)可能給出的語言術(shù)語集，還包含語言術(shù)語集中每個(gè)語言術(shù)語的隸屬度。

表1 企業(yè)績效評(píng)價(jià)指標(biāo)體系

定義1［8］設(shè)｝是一個(gè)語言術(shù)語集，LH為其中有限個(gè)語言術(shù)語si及其對(duì)應(yīng)的隸屬度μsi構(gòu)成的集合，即是的一個(gè)集合，那么稱 LH是S上的一個(gè)猶豫模糊語言集。

為了計(jì)算簡便，根據(jù)加權(quán)集結(jié)算子的基本思想，定義基本運(yùn)算如下：

定義2 設(shè)LH1，…，LHi是m個(gè)猶豫模糊語言集，那么LH1，…，LHi的算術(shù)加權(quán)集結(jié)算子為：

其中：wi為 LHi的權(quán)重系數(shù)，w為 μsi中所包含的 ri的個(gè)數(shù)。

定義3［8］如果一個(gè)猶豫模糊語言集的期望函數(shù)和方差函數(shù)分別是E（LH），D（LH），那么

在式（2）—（3）中，N（LH）為LH中包括的語言值的數(shù)量，N（μsi）為 μsi中包括的隸屬度值 rm的數(shù)量，且其中猶豫模糊語言集的大小是利用期望和方差函數(shù)進(jìn)行比較得出的。

猶豫模糊語言集LH1與LH2比較大小，結(jié)果如下：

若 E（LH1）＜E（LH2），則 LH1＜LH2。

三、決策方法

（一）基于模糊蘊(yùn)含算子的猶豫模糊語言包含度及相似性測(cè)度

包含度是有效刻畫非確定性關(guān)系的一種測(cè)量方法，它廣泛應(yīng)用于模糊集合、聚類分析、專家系統(tǒng)、人工智能、圖像處理等方向。根據(jù)包含度的定義與性質(zhì)［10］，本文定義猶豫模糊語言以及加權(quán)猶豫模糊語言包含度如下：

定義 4 設(shè) LH1，LH2，LH3∈X且 LH1，LH2，LH3≠?。若 D為 X上的包含度，則

（1）0≤D（LH2／LH1）≤1

（2）D（LH1／LH1）＝1

（3）LH1∈LH2?D（LH2／LH1）＝1

（5）D（LHi／?）＝0；i＝1，2，3

式（4）為LH1包含于LH2的包含度。其中，N（LHi）為猶豫模糊語言集LHi所包含的語言元素個(gè)數(shù)，

假設(shè) LH1＝｛（s2，0．2），（s3，0．3），（s4，0．4），（s5，0．1）｝，LH2＝｛（s1，0．5），（s2，0．6），（s3，0．4）｝，LH3＝｛（s6，0．2）｝。若無論 LH1是否屬于 LH2，N（LH2－LH1）都只表示 LH2比 LH1多的語言元素個(gè)數(shù)，則會(huì)有 D（LH1／LH2）＜D（LH1／LH3）。但事實(shí)上，LH3與 LH1并無交集，D（LH1／LH3）應(yīng)當(dāng)為 0，D（LH1／LH2）＜D（LH1／LH3）并不符合實(shí)際情況。

τ為模糊蘊(yùn)含算子，τ（x，y）＝x→y是定義在［0，1］×［0，1］上的二元函數(shù)，且滿足 τ（1，0）＝0，τ（0，1）＝τ（0，0）＝τ（1，1）＝1。

模糊蘊(yùn)含算子可以有效衡量模糊隸屬度間的關(guān)系，Gaines-Rescher、Godel、Lukasiewicz、R0－、Goguen、等蘊(yùn)含算子是符合定義4描述條件的蘊(yùn)含算子，利用不同的蘊(yùn)含算子來計(jì)算會(huì)得到相異的包含度。本文選擇比較常用的Lukasiewicz蘊(yùn)含算子［16］來計(jì)算得到包含度。

Lukasiewicz蘊(yùn)含算子：RL（a，b）＝min（1－a＋b，1），?a，b∈［0，1］。

證明：

顯然，

同理，

顯然，

上述猶豫模糊語言包含度同時(shí)考慮猶豫模糊語言元素與隸屬度之間的關(guān)系，較之單獨(dú)考慮語言元素或隸屬度提出的模糊包含度更加全面合理，且無需人為添加因素而造成事實(shí)扭曲，使評(píng)價(jià)結(jié)果更加客觀有效。

定義 6［10］設(shè) LH1，LH2，LH3∈X，且?S（LH1，LH2），若 S為 X上的相似性測(cè)度，則

（1）S（LH1，LH2）＝S（LH2，LH1）；

（2）S（LH1，LH1）＝1；

（3）S（LHi，?）＝0，LHi∈X。

定義7 設(shè)X為非空有限的語言全集，對(duì)于X內(nèi)任意加權(quán)猶豫模糊語言集LH1，LH2。

為H1S與H2S間的相似性測(cè)度。

證明：

（1）S（LH1，LH2）＝D（LH1∪LH2／LH1∩LH2）＝S（LH2，LH1）；

（2）S（LH1，LH1）＝D（LH1∪LH1／LH1∩LH1）＝D（LH1／LH1）＝1；

（3）S（LHi，?）＝D（LHi∪?／LHi∩?）＝D（LHi／?）＝0。

（二）改進(jìn)灰色關(guān)聯(lián)決策方法

由Deng［15］提出的灰色關(guān)聯(lián)法，是根據(jù)因素之間發(fā)展趨勢(shì)的相似或相異程度（亦即“灰色關(guān)聯(lián)度”）衡量因素間的關(guān)聯(lián)程度，具有簡單、實(shí)用和可操作性強(qiáng)等優(yōu)勢(shì)，被廣泛運(yùn)用于決策及評(píng)價(jià)問題中。定義8 灰色關(guān)聯(lián)度公式為：

其中：ξ為分辨率，0＜ξ＜1，一般取 ξ＝0．5；νi（k）為 μi（k）與參考值 μ◇（k）間的關(guān)聯(lián)度，μi（k）為第 k決策者對(duì)第i個(gè)指標(biāo)的評(píng)價(jià)值，μ◇（k）為評(píng)價(jià)指標(biāo)的參考值。

因?yàn)橄嗨菩詼y(cè)度和距離測(cè)度是負(fù)相關(guān)的關(guān)系，即兩猶豫模糊語言集相似度越高，其之間的距離反而越小。當(dāng)兩個(gè)猶豫模糊語言集相似度為1，即它們之間完全相同時(shí)，其距離為0。所以，文獻(xiàn)［9］提出了相似性測(cè)度和猶豫模糊語言集距離測(cè)度之間的關(guān)系公式：

依據(jù)上述相似性測(cè)度和距離測(cè)度的關(guān)系公式，可以得出基于相似性測(cè)度的灰色關(guān)聯(lián)度：

灰色關(guān)聯(lián)公式僅僅衡量某一因素與一個(gè)參考值之間的灰色關(guān)聯(lián)度，因此運(yùn)用傳統(tǒng)灰色關(guān)聯(lián)決策方法做決策時(shí)僅僅通過考慮方案與正理想點(diǎn)的關(guān)聯(lián)度對(duì)方案擇優(yōu)或排序，文獻(xiàn)［16］［17］通過將灰色關(guān)聯(lián)決策方法與TOPSIS法以及投影算法相結(jié)合，使其能同時(shí)考慮方案與正、負(fù)理想點(diǎn)的灰色關(guān)聯(lián)度，但是卻將正、負(fù)理想點(diǎn)對(duì)方案造成的影響視為同等重要。因此，這些決策方法在某些特殊情況下均不合理。

例如，在某些領(lǐng)域選拔人才時(shí)，一個(gè)人其中僅有一科不合格，其他成績都很優(yōu)秀；而另一個(gè)人成績都很一般接近但高于及格線，在選擇人才時(shí)卻認(rèn)為后一個(gè)人比前一個(gè)人優(yōu)秀。這種情況顯然說明負(fù)理想點(diǎn)對(duì)決策造成的影響遠(yuǎn)大于正理想點(diǎn)，因此不能將正、負(fù)理想點(diǎn)對(duì)方案造成的影響視為同等重要。

綜上，為了使決策既考慮方案與正、負(fù)理想點(diǎn)的灰色關(guān)聯(lián)度，又考慮這兩者灰色關(guān)聯(lián)度的相對(duì)重要性，本文對(duì)灰色關(guān)聯(lián)度公式進(jìn)行改進(jìn)。定義如下：

定義9 對(duì)于每個(gè)xi∈X，改進(jìn)的灰色關(guān)聯(lián)決策方法公式為：

其中：νi＋（k）為備選方案與正理想點(diǎn)間的關(guān)聯(lián)度，ν_i（k）為備選方案與負(fù)理想點(diǎn)間的關(guān)聯(lián)度，ε∈［0，1］是一個(gè)妥協(xié)系數(shù)，權(quán)衡決策者做決策時(shí)偏好正負(fù)理想點(diǎn)的程度。當(dāng)ε＝0時(shí)，說明決策者認(rèn)為備選方案與負(fù)理想點(diǎn)的接近程度比較重要，因此做決策時(shí)僅考慮備選方案與負(fù)理想點(diǎn)的接近程度，備選方案距離負(fù)理想點(diǎn)越遠(yuǎn)，則備選方案越優(yōu)；當(dāng)ε＝1時(shí)，說明決策者做決策時(shí)僅考慮備選方案與正理想點(diǎn)的接近程度，備選方案距離正理想點(diǎn)越近，則備選方案越優(yōu)；當(dāng)ε＝0．5時(shí)，決策者認(rèn)為備選方案與正負(fù)理想點(diǎn)的接近程度同等重要。ζ（xi）為備選方案與正負(fù)理想點(diǎn)之間的綜合灰色關(guān)聯(lián)度，ζ（xi）越大，說明該方案越好。

四、企業(yè)績效評(píng)價(jià)

企業(yè)績效評(píng)價(jià)的基本步驟為：

第1步：確定方案的正、負(fù)理想點(diǎn)；

依據(jù)公式（2）計(jì)算各企業(yè)中每個(gè)評(píng)價(jià)指標(biāo)的期望值，若各企業(yè)的同一指標(biāo)期望值相同，則依據(jù)公式（3）計(jì)算此指標(biāo)下各企業(yè)的方差值，并通過期望、方差的大小比較該指標(biāo)下每一方案集的優(yōu)劣，進(jìn)而確定正、負(fù)理想點(diǎn)。其中，正理想點(diǎn)為每一指標(biāo)下各企業(yè)該指標(biāo)評(píng)價(jià)信息的最大值，即：…，zi＋n）。其中，zi＋j＝max zij，i＝1，2，…，m。同理，負(fù)理想點(diǎn)為每一指標(biāo)下各企業(yè)該指標(biāo)評(píng)價(jià)信息的最小值，即。其中，zi－j＝min zij，i＝1，2，…，m。

第2步：依據(jù)式（4）（5）計(jì)算各企業(yè)指標(biāo)評(píng)價(jià)信息與正、負(fù)理想點(diǎn)間的相似性測(cè)度。

第3步：依據(jù)式（8）計(jì)算各企業(yè)指標(biāo)評(píng)價(jià)信息與正、負(fù)理想點(diǎn)間的灰色關(guān)聯(lián)度。

第4步：依據(jù)式（9）計(jì)算各企業(yè)指標(biāo)評(píng)價(jià)信息與正、負(fù)理想點(diǎn)間的綜合灰色關(guān)聯(lián)度。

第5步：依據(jù)各企業(yè)評(píng)價(jià)信息與正、負(fù)理想點(diǎn)之間的綜合灰色關(guān)聯(lián)度的大小對(duì)企業(yè)績效進(jìn)行排序，最大的為績效最佳的企業(yè)。

五、算例分析

重慶市為打造汽車品牌建設(shè)，筆者邀請(qǐng)來自政府、企業(yè)和高校的3位專家組成專家組，并根據(jù)《卓越績效評(píng)價(jià)準(zhǔn)則》對(duì)本市最為著名的x1、x2、x33家汽車企業(yè)進(jìn)行績效評(píng)價(jià)，選出最能代表重慶市的汽車品牌。因?yàn)闀r(shí)間比較緊迫，且專家的知識(shí)存在不全面性，打分時(shí)很難打出精確分值，所以評(píng)分值均用猶豫模糊數(shù)的形式來表示，評(píng)價(jià)信息結(jié)果如表2所示。

表2 專家評(píng)價(jià)信息

將專家給出的語言評(píng)價(jià)信息“VP（Very Poor），P（Poor），MP（Medium Poor），F(xiàn)（Fair），MG（Medium good），G（good），VG（Very good）”分別用“s1，s2，s3，s4，s5，s6，s7”代替。

針對(duì)每一指標(biāo)評(píng)價(jià)信息，計(jì)算各方案的期望值。如：記k1企業(yè)a11指標(biāo)的評(píng)價(jià)信息為z11，則Ez11＝以此類推，求出所有企業(yè)各指標(biāo)評(píng)價(jià)信息的期望值Ezij，計(jì)算結(jié)果如表3所示。

（1）確定方案的正、負(fù)理想點(diǎn)：

因?yàn)樵谙嗤闹笜?biāo)下，3家企業(yè)的期望值大小是不同的，所以可以直接由期望值得到正、負(fù)理想點(diǎn)。

正理想點(diǎn)：｛｛s5（0．6，0．7），s6（0．2，0．3）｝，｛s5（0．3，0．4，0．5），s6（0．6，0．7）｝，｛s3（0．6，0．7）｝，｛s5（0．6，0．7）｝，｛s4（0．6，0．7），s5（0．2，0．3）｝，｛s4（0．2，0．3，0．4），s5（0．6，0．7）｝，｛s5（0．4，0．5），s6（0．2，0．3），s7（0．3）｝，｛s3（0．7，0．8，0．9）｝，｛s5（0．6，0．7）｝，｛s5（0．7，0．8）｝，s6（0．1，0．2，0．3）｝，｛s5（0．2），s6（0．2，0．3），s7（0．5，0．6）｝，｛s3（0．2，0．3），s6（0．6，0．7）｝，｛s5（0．7，0．8，0．9），s6（0．1），s7（0．1）｝，｛s5（0．6，0．7），s6（0．2，0．3）｝，｛s5（0．7，0．8，0．9），s6（0．1，0．2，0．3）｝，｛s5（0．3，0．4），s6（0．6，0．7）｝，｛s5（0．5，0．6，0．7）｝｝。

負(fù)理想點(diǎn)：｛｛s1（0．3，0．4），s2（0．3，0．4），s3（0．3，0．4）｝，｛s3（0．1，0．2），s4（0．5，0．6）｝，s5（0．2，0.3）｝，｛s2（0．2，0．3），s3（0．3），s4（0．4，0．5，0．6）｝，｛s3（0．1，0．2），s4（0．1，0．2），s5（0．7）｝，｛s1（0．1，0.2，0．3），s2（0．7，0．8）｝，｛s3（0．3，0．4），s4（0．5），s5（0．1，0．2）｝，｛s3（0．2，0．3），s4（0．2，0．3），s5（0.5）｝，｛s3（0．4），s4（0．2），s5（0．3，0．4，0．5）｝，｛s4（0．2，0．3）｝，｛s3（0．2，0．3，0．4）｝，｛s4（0．1，0．2），s5（0．6），s6（0．2，0．3）｝，｛s3（0．6）｝，｛s4（0．7），s5（0．1），s6（0．2，0．3）｝，｛s4（0．2，0．3），s5（0．5），s6（0．2，0．3）｝，｛s3（0．4，0．5，0．6），s4（0．4，0．5，0．6）｝，｛s3（0．2，0．3）｝，｛s3（0．4），s4（0．1，0．2，0．3），s5（0．4）｝｝。

又因上述正、負(fù)理想點(diǎn)的表現(xiàn)形式比較繁瑣，可以利用式（1）給出的加權(quán)算術(shù)平均算子（WAA）進(jìn)行集結(jié)。其中，正理想點(diǎn)集結(jié)結(jié)果為：

同理計(jì)算可得：

（2）計(jì)算3家企業(yè)指標(biāo)評(píng)價(jià)信息和正、負(fù)理想點(diǎn)之間的相似性測(cè)度：

同理計(jì)算可得：S（LHA＋／LHx2）＝0．90；S（LHA＋／LHx3）＝0．89；S（LHA－／LHx1）＝0．945

（3）計(jì)算3家企業(yè)指標(biāo)評(píng)價(jià)信息與正、負(fù)理想點(diǎn)間的灰色關(guān)聯(lián)度：

同理計(jì)算可得：

（4）計(jì)算3家企業(yè)指標(biāo)評(píng)價(jià)信息與正、負(fù)理想點(diǎn)間的綜合灰色關(guān)聯(lián)度：

同理計(jì)算可得：

對(duì)ε∈［0，1］運(yùn)用 MATLAB進(jìn)行區(qū)間遍歷，得到ζ（xi）遍歷結(jié)果如圖1。

圖 1 ζ（xi）遍歷結(jié)果

從圖1可以得出，在備選方案靠近正理想點(diǎn)的程度小于0．085時(shí)，3家企業(yè)的績效評(píng)價(jià)從高到低的排序結(jié)果是：x2企業(yè)；x1企業(yè)；x3企業(yè)。在備選方案靠近正理想點(diǎn)的程度大于或等于0．085時(shí)，3家企業(yè)的績效評(píng)價(jià)從高到低的排序結(jié)果是：x1企業(yè)；x2企業(yè)；x3企業(yè)。

將案例分析中所求得的各企業(yè)指標(biāo)評(píng)價(jià)信息與正、負(fù)理想點(diǎn)間的灰色關(guān)聯(lián)度ν＋i（k），ν_i（k），（i＝1，2，3）運(yùn)用灰色關(guān)聯(lián) TOPSIS法［16］與灰色關(guān)聯(lián)投影算法［19］進(jìn)行計(jì)算，得到的各方案貼近度和排序結(jié)果與用本文所提出的改進(jìn)灰色關(guān)聯(lián)決策方法計(jì)算得到的各方案貼近度和排序結(jié)果進(jìn)行對(duì)比，如表4所示。

表4 各方法排序結(jié)果對(duì)比

對(duì)比這3種方法可以看出，灰色關(guān)聯(lián)投影算法僅考慮了方案在正理想點(diǎn)上的投影，而灰色關(guān)聯(lián)TOPSIS法雖然考慮了備選方案和正、負(fù)理想點(diǎn)間的距離，卻忽略了這兩個(gè)相對(duì)距離的不同重要性。用上述兩種方法對(duì)本文的3家汽車企業(yè)的績效進(jìn)行評(píng)價(jià)，從高到低的排序結(jié)果是：x1企業(yè)；x2企業(yè)；x3企業(yè)；然而，當(dāng)利用本文改進(jìn)的灰色關(guān)聯(lián)決策方法在備選方案靠近正理想點(diǎn)的程度小于0．085時(shí)，3家企業(yè)的績效評(píng)價(jià)從高到低的排序結(jié)果是：x2企業(yè)；x1企業(yè)；x3企業(yè)。當(dāng)備選方案靠近正理想點(diǎn)的程度大于或等于0．085時(shí)，3家企業(yè)的績效評(píng)價(jià)從高到低的排序結(jié)果是：x1企業(yè)；x2企業(yè)；x3企業(yè)。這是因?yàn)楸疚母倪M(jìn)的灰色關(guān)聯(lián)決策方法既考慮了決策方案和正、負(fù)理想點(diǎn)間的距離，又區(qū)分了這兩個(gè)相對(duì)距離的不同重要性。決策方案靠近正理想點(diǎn)或遠(yuǎn)離負(fù)理想點(diǎn)的程度不同，最后的決策排序結(jié)果也不同，這樣使得決策結(jié)果更加科學(xué)合理，也更能反映決策者做決策時(shí)的真實(shí)狀況。

六、結(jié)論

針對(duì)企業(yè)績效評(píng)價(jià)中評(píng)價(jià)指標(biāo)的復(fù)雜性以及決策信息的模糊性等問題，本文基于猶豫模糊語言集和灰色關(guān)聯(lián)理論，結(jié)合卓越績效評(píng)價(jià)指標(biāo)體系，提出一種新的猶豫模糊語言灰色關(guān)聯(lián)決策方法，并將其運(yùn)用于企業(yè)績效評(píng)價(jià)當(dāng)中。首先，本文構(gòu)建了企業(yè)績效評(píng)價(jià)的卓越績效評(píng)價(jià)體系；然后，基于模糊蘊(yùn)含算子構(gòu)造猶豫模糊語言包含度，并借助所構(gòu)造的包含度提出新的猶豫模糊語言相似性測(cè)度；最后，提出一種改進(jìn)的猶豫模糊語言灰色關(guān)聯(lián)決策方法對(duì)企業(yè)績效進(jìn)行評(píng)價(jià)，并以算例說明了此方法的可行性。上述分析表明本文的方法無需人為添加元素，既充分利用了原始的決策信息，又考慮了正、負(fù)理想點(diǎn)的相對(duì)重要程度，決策結(jié)果更加合理有效，為企業(yè)績效評(píng)價(jià)提供了一種新的思路。