CN105574625A - 一种基于1stOPT回归分析的多元非线性质量综合评价系统及方法 - Google Patents

Abstract

本发明提供了一种基于1stOPT回归分析的多元非线性质量综合评价系统，包括评价指标体系和样本数据集，所述评价指标体系包括用于采集评价因素的评价目标、全部因子和质量因子，所述样本数据集与评价指标体系相连，用于对所采集到的数据进行评价、整理和储存。本系统及方法可以广泛的应用于营销领域或服务行业的业务工作质量评价。

Description

一种基于1stOPT回归分析的多元非线性质量综合评价系统及方法

技术领域

本发明涉及质量评价系统，尤其涉及一种多元非线性质量综合评价系统及方法。

背景技术

目前较为常用的评价模型有：层次分析模型、模糊综合评价模型、灰色关联分析模型。尤其是层次分析法与模糊综合评价法以及以这两种模型为基础的其他方法，在各行业服务质量评价方面应用比较广泛。

1.层次分析法

层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备选方案的顺序分解为不同的层次结构，然后得用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再用加权求和的方法，递阶归并各备选方案对总目标的最终权重，最终权重最大者即为最优方案。

运用层次分析法进行决策，可以分为以下四个基本步骤：

1)建立层次分析结构模型

深入分析实际问题，将有关因素自上而下分层(目标层-准则或指标-方案或对象)，上层受下层影响，而层内各因素基本上相对独立。

2)构造成对比较矩阵(判断矩阵)

从层次结构模型的第2层开始，对同一层次中的各因素关于上一层次中某一准则的重要性进行两两比较，借助1-9比较尺度构造成对比较阵，直到最低层。

3)计算权向量并做一致性检验

由判断矩阵计算被比较因素对于该准则的相对权重，并进行一致性检验，若检验通过，特征向量(归一化后)即为权向量；若不通过，需重新构造判断矩阵。

4)计算组合权向量并做组合一致性检验

计算最低层对目标的组合权向量，并根据公式做组合一致性检验，若检验通过，则可按照组合权向量表示的结果进行决策，否则需要重新考虑模型或重新构造那些一致性比率较大的成对比较阵。

2.模糊综合评价法

模糊综合评价法是一种基于模糊数学的综合评标方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。

为了便于描述，依据模糊数学的基本概念，对模糊综合评价法中的有关术语定义如下：

评价因素(F)：系指对招标项目评议的具体内容。

评价因素值(Fv)：系指评价因素的具体值。

评价值(E)：系指评价因素的优劣程度。

平均评价值(Ep)：系指评标委员会成员对某评价因素评价的平均值。

权重(W)：系指评价因素的地位和重要程度。

加权平均评价值(Epw)：系指加权后的平均评价值。

综合评价值(Ez)：系指同一级评价因素的加权平均评价值(Epw)之和。

运用模糊综合评价法进行评价，一般有以下几个基本步骤：

1)模糊综合评价指标的构建

模糊综合评价指标体系是进行综合评价的基础，评价指标的选取是否适宜，将直接影响综合评价的准确性。进行评价指标的构建应广泛涉猎与该评价指标系统行业资料或者相关的法律法规。

2)采用构建好权重向量

通过专家经验法或者AHP层次分析法构建好权重向量。

3)构建评价矩阵

建立适合的隶属函数从而构建好评价矩阵。

4)评价矩阵和权重的合成

采用适合的合成因子对其进行合成，并对结果向量进行解释。

目前营销领域业务质量评价工作的开展，主要开始以层次分析法、模糊综合评价法，或者基于两种方法构建的其他模型，但是评价目标与评价因素之间本质上还是一种线性关系，其核心仍然是线性加权评价方法。而这些先行加权评价方法应用与营销业务质量评价主要有以下缺陷或不足。

1)某些指标的突出影响无法完全体现

线性的加权评价方法存在的一大缺陷即为其无法反映某些评价指标的所具有的突出影响。所谓指标的突出影响即指指标对评价结果的影响仅靠增大权重无法完全体现，具体的说，当被评对象某个指标值很高而其他指标值相对较低时，实际情况下可以认为其是优秀的或不良的，但应用加权平均法后，由于权重影响的不足，这个指标的突出影响就无法体现，而使整体的评价结果与实际相悖。

2)同层级指标数量太多，权重向量分歧较大

营销业务由于本身业务环节较多、内容较复杂，因此其同层级质量评价指标数量相对较多，无论是通过专家经验法或AHP层次分析法确定指标权重，都不太容易形成统一的结论，分歧与误差较大。

3)不符合评价活动的实际本质

从一般意义上讲，评价的本质应是人的智能活动，而人脑的思维过程多是非线性的，因此一般来讲它具有非线性的特征。所有的评价问题都应该是非线性评价，线性评价只是非线性评价在一定范围内的近似。而大量的评价实践证明，评价工作的不确定性导致了评价的非线性，因此非线性的评价模型能更好的符合评价的实际。

1stOpt(FirstOptimization)是七维高科有限公司独立开发，拥有完全自主知识产权的一套数学优化分析综合工具软件包。在非线性回归、曲线拟合、非线性复杂工程模型参数估算求解等领域傲视群雄、首屈一指，居世界领先地位。

发明内容

本发明的目的是提供一种基于1stOPT回归分析的多元非线性质量综合评价系统及方法。针对服务业务或营销业务特点，在层次分析法、模糊综合评价法的基础上，利用1stOPT多元非线性回归分析，创建一种更为一般也更符合评价实际及本质的多元非线性质量综合评价模型，一方面从理论上弥补了传统线性加权评价方法的不足，另一方面更好的满足了服务业务或营销业务质量评价工作实际需求。本系统及方法可以广泛的应用于营销领域或服务行业的业务工作质量评价。

本发明是通过以下技术特征来实现其目的的：

一种基于1stOPT回归分析的多元非线性质量综合评价系统，包括评价指标体系和样本数据集，所述评价指标体系包括用于采集评价因素的评价目标、全部因子和质量因子，所述样本数据集与评价指标体系相连，用于对所采集到的数据进行评价、整理和储存。

优选地，所述全部因子包括全过程质量X1、全员质量X2和全企业质量X3。

优选地，所述评价目标包括业务子项质量Y。

优选地，所述质量因子评价值能够在[0，100]或[60，100]之间任意变化。

优选地，所述样本数据集是通过以下步骤得到的：

(1)赋予每个质量因子相应的评价值，即其质量量化得分，所有质量因子的评价值组成1组质量因子评价值集，也称为1组输入变量值集；

(2)1组质量因子评价值集分别与3组质量因子权重相乘，分别计算出3个全过程质量、全员质量、全企业质量评价值；

(3)按照线性加权法，全过程质量、全员质量、全企业质量的评价值，统一取最大值和最小值，计算出评价目标评价值的最大、最小值，即业务子项的质量量化得分最高值、最低值；

(4)利用随机函数rand()，在目标评价值最大值和最小值之间随机得到1个数值，视为评价目标的最终评价值，也就是业务子项的最终质量量化得分，也称为输出变量值；

(5)取评价目标最终的评价值，以及对应的质量因子评价值集，也就是输出变量值与对应的输入变量值集，共同构成1组样本数据；

(6)任意赋予多组不同的质量因子评价值集，计算出相应的目标评价值，最终构造出样本数据集。

利用上述的评价系统的方法，包括以下步骤：

(1)利用1stOpt(FirstOptimization)数学优化分析综合工具软件包定义多元非线性函数如下： $Y={\∂}_1*X_1^{t_1}+{\∂}_2*X_2^{t_2}+...+{\∂}_n*X_n^{t_n}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\∂}_i{X}_i^{t_i};$

(2)将构造的样本数据集，导入1stOpt工具；

(3)编写回归分析程序，选择相应的回归分析算法，进行多次迭代拟合，确定与等常量参数以确定最终评价模型。

优选地，所述步骤(1)中质量因子的评价值x11，x12，x13，x21，x22，x31，x32定义为自变量，作为评价目标的业务子项质量评价值Y定义为因变量。

本发明提供的一种评价系统带来的有益效果如下：

由于评价具有非线性的特征，评价工作中某些指标具有的突出影响就是这种非线性特征的一种表现。但常用的质量评价模型多为线性形式，而本发明技术方案很好的解决了这一问题，既能够反映某种指标的突出影响，又能把线性加权平均模型看作它的特例。同时，将本发明技术方案应用于对电力营销业务质量评价的演示实例，得到了比线性加权评价法更令人信服的结果，特别是当质量因子数量较多的情况下，更真实的表现了某些特定因子对业务质量的突出影响，证明了该方法的优越性与实用性。

1)实现了基于1stOPT回归分析的多元非线性质量综合评价方法在电力营销领域的应用，实现了电力营销业务质量的准确评价。

2)本发明作为通用性方法论，适用于各服务行业开展相关业务工作质量的综合评价工作。

3)本发明作为通用性方法论，适用于其他行业营销领域开展营销业务工作质量的综合评价。

附图说明

图1是一种基于1stOPT回归分析的多元非线性质量综合评价系统的创建流程；

图2为多层评价指标体系图。

具体实施方式

为了更好地理解本发明的技术方案，下面结合附图对本发明进行详细说明。如图1所示本系统的创建有如下几个步骤：

1、构建多层评价指标体系

模糊综合评价指标体系是进行综合评价的基础，评价指标的选取是否适宜，将直接影响综合评价的准确性。在实际实施应用过程中，需要结合具体的行业与业务特点，设计符合其业务质量综合评价需求的多层评价指标体系。体系及指标分析逻辑如图2所示：

(1)评价对象/目标

在实际营销业务质量综合评价工作中，评价对象/目标通常对应具体的业务单元或业务项，对具体的业务单元或业务项的综合业务表现进行质量量化评价。

本发明选择电力营销业务作为实施应用试点。按照国网“三集五大”改革要求及“大营销”体系建设方案，电力营销可以划分业务类、业务项、业务子项等三层业务架构，例如业务类包括市场业务、营业业务、客户业务等；客户业务类包括95598客户服务、用电检查、优质服务管理等业务项；而95598客户服务业务项包括投诉、举报、建议等业务子项。因此业务子项即作为多层评价指标体系中的评价对象/目标。

(2)全过程质量、全员质量、全企业质量

业务子项的综合质量，可以从全过程质量、全员质量、全企业质量三个方面来综合衡量与评价。其中全过程质量主要评价其业务流程及各业务环节的质量；全员质量主要评价参与业务执行与管理的具体人员的质量，正所谓“质量问题，人人有责”；全企业质量主要评价企业层面的管理行为对业务子项综合质量的影响情况。

(3)质量因子

具体业务子项的全过程质量、全员质量、全企业质量，可根据业务子项的相关管理办法、规定、制度等，分别按照全过程、全员、全企业的维度或视角，分析整理出关键的业务环节、岗位职责、能力要求、业务标准、管理规定等质量管控点，本文统称为关键质量影响因素，简称质量因子。

2、构造样本数据集

本发明一方面按照层次分析法和模糊综合评价法，分别计算确定各层级指标的权重，然后依据底层质量因子的评价值，逐层计算上层指标评价值并最终计算出评价目标的评价值。另一方面通过构建多组质量因子层权重，保留实际评价工作中的不确定性与差异性，直到最后计算出多个目标评价值，形成合理真实的目标评价值区间，然后按照随机处理方式确定1个目标评价值，形成1组样本数据，包括输入变量(质量因子评价值)和对应的输出变量(目标评价值)。

(1)计算各层级指标权重

依据专家经验判断，分别对全部因子层、整体因子层各评价指标进行两两比较，采用1-9标度法，构造相应的判断矩阵。然后对判断矩阵进行一致性检验、归一化处理，计算出各指标权重值。其中，质量因子层由于因子数量较多，各因子的权重不太容易统一和确定，因此本文保留对其3组权重。

(2)确定目标评价值

赋予一组质量因子评价值，然后利用线性加权计算方法，按照以下步骤，计算并确定评价目标的评价值，即业务子项的综合质量量化得分。

1)赋予每个质量因子相应的评价值，即其质量量化得分，所有因子的评价值组成1组因子评价值集，也称为1组输入变量值集；

2)1组因子评价值集分别与3组因子权重相乘，分别计算出3个全过程质量、全员质量、全企业质量评价值；

3)继续按照线性加权法，全过程质量、全员质量、全企业质量的评价值，统一取最大值和最小值，计算出评价目标评价值的最大、最小值，即业务子项的质量量化得分最高值、最低值；

4)利用随机函数rand()，在目标评价值最大值和最小值之间随机得到1个数值，视为评价目标的最终评价值，也就是业务子项的最终质量量化得分，本文也称为输出变量值；

5)取评价目标最终的评价值，以及对应的质量因子评价值集，也就是输出变量值与对应的输入变量值集，共同构成1组样本数据。

(3)构造样本数据集

质量因子的评价值反映的是对其质量因子代表的质量管控点的实际业务工作表现的量化评价。简而言之，质量因子评价值是可变化的，其取值应该在[0，100]或[60，100]之间任意变化，具体取值受实际业务工作表现及质量评价标准的影响。

因此，在电力营销业务实际质量评价过程中，本文在合理的取值范围内，任意赋予多组不同的质量因子评价值集，计算出相应的目标评价值，最终构造足够多数量的样本数据集，为后续的1stOPT回归分析提供充分的数据支撑。

3、1stOPT多元线性回归分析与模型确定

本文将各个质量因子的评价值x11，x12，x13，x21，x22，x31，x32定义为自变量，业务子项质量评价值Y定义为因变量，自变量与因变量之间的关系定义为以下多元非线性函数： $Y={\∂}_1*X_1^{t_1}+{\∂}_2*X_2^{t_2}+...+{\∂}_n*X_n^{t_n}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\∂}_i{X}_i^{t_i}$

其中，当时，自变量与因变量之间为多元线性加权关系，即为层次分析法、模糊综合评价法等传统线性评价模型。因此，本文提出的多元非线性综合评价方法是对传统线性加权评价方法的改进与优化。

$Y={\∂}_1*X_1+{\∂}_2*X_2+...+{\∂}_n*X_n=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\∂}_i{X}_i$

将构造的样本数据集，导入1stOpt工具，编写回归分析程序，选择相应的回归分析算法，进行多次迭代拟合，确定与等常量参数以确定最终评价模型。

实施例1：

以营销全业务客户业务类95598业务项投诉业务子项为案例，创建确定其对应的多元非线性质量综合评价模型。

1、定义质量因子(评价指标体系)

2、构造判断矩阵

此处仅以全企业质量下层的所有质量因子对应的判断矩阵为例说明。

3、计算各层级指标权重

4、构造样本数据集

5、构造利用1stOPT进行回归分析

运行程序：

运行结果：

6、模型确定

根据1stOPT回归分析的运行结果，可以确定投诉业务的多元非线性质量综合评价模型，即输入各个质量因子质量得分时，可计算出合理的投诉业务质量得分。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应该涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种基于1stOPT回归分析的多元非线性质量综合评价系统，其特征在于，包括评价指标体系和样本数据集，所述评价指标体系包括用于采集评价因素的评价目标、全部因子和质量因子，所述样本数据集与评价指标体系相连，用于对所采集到的数据进行评价、整理和储存。

2.根据权利要求1所述的评价系统，其特征在于，所述全部因子包括全过程质量X1、全员质量X2和全企业质量X3。

3.根据权利要求1所述的评价系统，其特征在于，所述评价目标包括业务子项质量Y。

4.根据权利要求1所述的评价系统，其特征在于，所述质量因子评价值能够在[0，100]或[60，100]之间任意变化。

5.根据权利要求1所述的评价系统，其特征在于，所述样本数据集是通过以下步骤得到的：

(1)赋予每个质量因子相应的评价值，即其质量量化得分，所有质量因子的评价值组成1组质量因子评价值集，也称为1组输入变量值集；

(2)1组质量因子评价值集分别与3组质量因子权重相乘，分别计算出3个全过程质量、全员质量、全企业质量评价值；

(3)按照线性加权法，全过程质量、全员质量、全企业质量的评价值，统一取最大值和最小值，计算出评价目标评价值的最大、最小值，即业务子项的质量量化得分最高值、最低值；

(4)利用随机函数rand()，在目标评价值最大值和最小值之间随机得到1个数值，视为评价目标的最终评价值，也就是业务子项的最终质量量化得分，也称为输出变量值；

(5)取评价目标最终的评价值，以及对应的质量因子评价值集，也就是输出变量值与对应的输入变量值集，共同构成1组样本数据；

(6)任意赋予多组不同的质量因子评价值集，计算出相应的目标评价值，最终构造出样本数据集。

6.利用权利要求1-5任一所述的评价系统的方法，其特征在于，包括以下步骤：

(1)利用1stOpt(FirstOptimization)数学优化分析综合工具软件包定义多元非线性函数如下： $Y={\∂}_1*X_1^{t_1}+{\∂}_2*X_2^{t_2}+...+{\∂}_n*X_n^{t_n}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\∂}_i{X}_i^{t_i};$

(2)将构造的样本数据集，导入1stOpt工具；

(3)编写回归分析程序，选择相应的回归分析算法，进行多次迭代拟合，确定与等常量参数以确定最终评价模型。

7.根据权利要求6所述的评价方法，其特征在于，所述步骤(1)中质量因子的评价值x11，x12，x13，x21，x22，x31，x32定义为自变量，作为评价目标的业务子项质量评价值Y定义为因变量。