CN114462872A - 综合置权模糊评判的互联网平台加盟方评级方法 - Google Patents

Abstract

本发明公开了一种综合置权模糊评判的互联网平台加盟方评级方法，其步骤包括：1、利用模糊评判法建立互联网平台加盟方的等级综合评价模型；2、根据三角模糊数和客观置权法计算指标数据的主观权重和客观权重；3、为了提高指标权重结果的合理性，在模糊评判中引入综合置权法，将主观权重和客观权重结合，得到最终的权重向量；4、对模糊评判结果向量进行分析，得出互联网平台加盟方等级综合性的评价结果。本发明能广泛应用于互联网平台对加盟方服务质量的等级评价，可以解决当前加盟方服务质量等级评价模型存在的缺陷，提高加盟方的服务质量等级评价结果的可靠性和精确性。

Description

综合置权模糊评判的互联网平台加盟方评级方法

技术领域

本发明涉及互联网平台加盟方的服务质量等级评价方法，具体是一种综合置权模糊评判的互联网平台加盟方评级方法。

背景技术

近年来，随着新经济新业态和互联网技术的不断发展，互联网经济也在大环境的推动下迅速发展。互联网正有平台化趋势，互联网平台作为新型产业组织，改变着生产、分配、流通、消费各环节的生产关系，通过跨界融合逐渐实现从消费环节至生产环节的垂直演进，对互联网资源进行整合再利用。互联网平台一般由三种角色组成：平台提供商、平台入驻第三方商家即加盟方、终端用户。互联网平台能够较好地解决产业组织分散的现实问题，处于不同社会再生产环节的企业通过建设工业互联网平台实现产业数字化转型，例如淘宝、京东等平台。通过全球化互联网平台能够对互联网资源进行有效的合理优化和管理，协调其各加盟方的运作机制和协作规则，互联网平台入驻第三方商家即加盟方的服务质量直接影响着整个平台运行的经济效益。例如某高校大型仪器设备互联网平台，该平台的加盟方为各高校的商业团队。其中加盟方的服务质量需要进行等级评价，以提供平台用户方最优质的选择。然而，影响互联网平台加盟方服务质量等级评价的因素是多层次、多目标交错的，很难通过简单的判断直接作出决策。

近年来，国内外专家提出了多种方法，评价方法主要包括：层次分析法、故障树法、贝叶斯网络风险评估、基于人工神经网络的方法等进行加盟方选择。但这些方法也存在一些问题，如故障树法中故障树的建立需要花费许多人力、物力、财力，而且一旦某个环节出现逻辑推理错误，将影响整体分析；贝叶斯网络风险评估中，概率参数的确定和网络结构的构造却使贝叶斯网络无法反映实际情况，在一定程度上限制了它的应用；层次分析法是主观因素为主；数据包络分析法过于依赖权重；人工神经网络需要大量的参数，输出结果难以解释，会影响到结果的可信度和可接受程度等。在确定指标权重方面，主观权重方法简单，但人为因素太强：客观权重又过于依赖样本，这两种方法都存在着信息的损失。且目前的研究并未对互联网平台加盟方服务质量等级评价因素中的定量指标和定性指标分别构建隶属度函数，以至于计算结果与实际情况有较大偏差。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种综合置权模糊评判的互联网平台加盟方评级方法，以期有效提高互联网平台加盟方的服务质量等级评价的准确性和可靠性，解决当前加盟方服务质量等级评价模型存在的缺陷，从而能广泛应用于互联网平台对加盟方服务质量的等级评价。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种综合置权模糊评判的互联网平台加盟方评级方法的特点是按如下步骤进行：

步骤1、建立评价要素指标体系：

设置加盟方的评价指标并作为评价要素，记为U＝{U₁,U₂,…,U_i,U_j,…,U_n}，其中，U_i表示第i个评价指标，U_j表示第j个评价指标，n表示评价指标数量，i＝1,2,…,n；j＝1,2,…,n；

步骤2、采用三角模糊数计算主观权重：

步骤2.1、建立三角模糊判断矩阵A＝(a_ij)_n×n，其中，a_ij表示第i个评价指标U_i和第j个评价指标U_j重要性比较的判断结果，并有：a_ij＝[l_ij,m_ij,u_ij]；l_ij表示第i个评价指标U_i和第j个评价指标U_j重要性判断结果的最低值，m_ij表示第i个评价指标U_i和第j个评价指标U_j重要性判断结果的中值，u_ij表示第i个评价指标U_i和第j个评价指标U_j重要性判断结果的最高值，且a_ij＝a_ij ^-1[l_ij,m_ij,u_ij]；

式(1)中，H表示评判专家的人数，a_ij ^h表示第h位评判专家给出的重要性的判断结果，且a_ij ^h＝[l_ij ^h,m_ij ^h,u_ij ^h]，l_ij ^h表示第h位评判专家给出的重要性判断结果的最低值，m_ij ^h表示第h位评判专家给出的重要性判断结果的中值，u_ij ^h表示第h位评判专家给出的重要性判断结果的最高值；

步骤2.2、利用式(2)构造模糊评价因子矩阵E：

步骤2.3、利用式(3)计算调整判断矩阵Q：

步骤2.4、将所述调整判断矩阵Q转换为对角线元素为“1”的判断矩阵A′＝(a′_ij)_n×n，其中，a′_ij表示判断矩阵A′中的第i行第j列元素，且

a′_ij＝1/a′_ji；q_ij表示调整判断矩阵Q中的第i行第j列元素，q_jj表示调整判断矩阵Q中的第j行第j列元素，a′_ji表示判断矩阵A′中的第j行第i列元素；

步骤2.5、用相容矩阵分析法对判断矩阵A′进行变换，得到相容矩阵B＝(b_ij)_n×n，其中，b_ij表示相容矩阵B中的第i行第j列元素，且

a′_ik表示判断矩阵A′中的第i行第k列元素，a′_kj表示判断矩阵A′中的第k行第j列元素；k＝1,2,…,n；且B满足一致性条件b_ij＝b_ik×b_kj，b_ij＝1/b_ji；b_ik表示相容矩阵B中的第i行第k列元素；b_kj表示相容矩阵B中的第k行第j列元素；b_ji表示相容矩阵B中的第j行第i列元素；

步骤2.6、利用式(4)计算第i个评价指标U_i的主观权重w_i：

式(4)中，b_ik表示相容矩阵B中的第i行第k列元素；

步骤3、使用CRITIC权重法，计算第i个评价指标U_i的主观权重β_i：

步骤3.1、采集m个加盟方的n个评价指标并构成原始指标数据矩阵

其中，x_nm表示指标数据矩阵X中的第n行第m列元素；

步骤3.2、利用式(5)将原始指标数据矩阵X中的负向指标转换为正向指标，从而得到实现指标同向化并得到评价矩阵X′：

x′_ij＝1/(σ+max|X_j|+x_ij) (5)

式(5)中，x′_ij表示评价矩阵X′中的第i行第j列元素，max|X_j|为原始指标数据矩阵X中第j列的最大值，σ为协调系数；

步骤3.3、利用式(6)对评价矩阵X′进行无量纲化处理，得到标准矩阵X″：

式(6)中，x″_ij表示标准矩阵X″中的第i行第j列元素；

步骤3.4、利用式(7)、式(8)和式(9)的标准差形式来表现指标变异性：

ρ_ij＝cov(X″_i,X″_j)/(s_i·s_j) (9)

式(7)、式(8)和式(9)中，

为标准矩阵X″中第i行元素的均值；s_i表示标准矩阵X″中第i列元素的标准差；cov(X″_i,X″_j)为标准矩阵X″中第i行与第j行的协方差；ρ_ij表示标准矩阵X″中第i行与第j行的相关系数；

步骤3.5、利用式(10)获取m个加盟方的第i个评价指标U_i的信息量C_i：

步骤3.6、利用式(11)得到m个加盟方的第i个评价指标U_i的的客观权重β_i：

步骤4、采用如式(12)所示的综合置权法将所述主观权重ω_i和所述客观权重β_i结合，从而得到第i个评价指标U_i最终的权重向量Y_i：

步骤5、确定评语论域：

采用“优、良、中、次、差”的5级标度法对互联网平台加盟方的服务质量等级进行评价，从而设置评语论域V＝{v₁,v₂,v₃,v₄,v₅}＝{优，良，中，次，差}；

步骤6、利用式(13)-式(17)建立第i个评价指标对各等级的隶属度函数：

式(13)-式(17)中，x表示评判专家对评价指标的百分制打分；x₁表示等级“优”和等级“良”的临界阈值，x₂表示等级“良”和等级“中”的临界阈值，x₃表示表示等级“中”和等级“次”的临界阈值，x₄表示表示等级“次”和等级“差”的临界阈值；r_i1表示第i个评价指标对等级“优”的隶属度函数，r_i2表示第i个评价指标对等级“良”的隶属度函数，r_i3表示第i个评价指标对等级“中”的隶属度函数，r_i4表示第i个评价指标对等级“次”的隶属度函数，r_i5表示第i个评价指标对等级“差”的隶属度函数，i＝1,2,…,n；

根据隶属度函数得到第m个加盟方的模糊关系矩阵R^m：

式(18)中，

表示第m个加盟方的第i个评价指标对等级“优”的隶属度，

表示第m个加盟方的第i个评价指标对等级“良”的隶属度，

表示第m个加盟方的第i个评价指标对等级“中”的隶属度函数，

表示第m个加盟方的第i个评价指标对等级“次”的隶属度，

表示第m个加盟方的第i个评价指标对等级“差”的隶属度，i＝1,2,…,n；

步骤7、计算互联网平台加盟方服务质量的评价结果：

步骤7.1、利用式(19)得到第m个加盟方的隶属向量Y′_m：

Y′_m＝Y_i·R^m (19)

步骤7.2、对隶属向量Y′_m作归一化处理，得到处理后隶属向量

步骤7.3、利用式(20)得到第m个加盟方的综合评价得分Z_m：

式(20)中，V^T表示V的转置。

本发明所述的综合置权模糊评判的互联网平台加盟方评级方法的特点也在于，所述评价要素包括：人员规模，接单额度，交货时效性，用户评价，货品单价。

与现有技术相比，本发明的有益效果在于：

1、本发明采用模糊评判法，采用模糊评判方法可以综合考虑影响互联网平台加盟方服务质量等级的众多因素，根据各因素的重要程度和评判结果，把原来的定性评价定量化，较好地处理加盟方的服务质量多因素、模糊性以及主观判断等问题，从而提高了评判的准确性、可信性；

2、本发明在模糊评判中，采用综合置权法将三角模糊数的主观置权法与客观置权法CRITIC法引入到平台加盟方的人员规模、接单额度、交货时效性、用户评价、货品单价五个指标权重的确定中，消除了主观偏差和客观片面，使所确定的最终指标权重同时体现主观信息和客观信息，能够真实客观、完整准确地反映互联网平台加盟方服务质量等级的实际情况；

3、为了使决策者以及评价对象本身所具有的模糊性有效地利用起来，在模糊评判中引入三角模糊数，将模糊的不确定的变量转化为确定数值，计算出评价指标的主观权重，省去了普通层次分析法需要一致性检验及需要修正的步骤，从而降低了计算复杂度；

4、为了避免指标权重确定的人为干扰，本发明采用客观权重置权法CRITIC权重法，完全利用数据自身的客观属性进行科学评价，计算出评价指标的客观权重，从而克服主观因素的干扰。

附图说明

图1是现有技术中典型的互联网平台组成示意图；

图2是本发明综合置权模糊评判的互联网平台加盟评级方法的流程图。

具体实施方式

本实施例中，一种综合置权模糊评判的互联网平台加盟方评级方法，是应用于加盟方通过互联网平台进行各种商贸活动，而平台加盟方提供的服务质量需要进行等级评价，以提供平台用户方最优质的选择，具体应用场景如图1所示，该方法包括以下步骤：

步骤1、建立评价要素指标体系：

设置加盟方的评价指标并作为评价要素，记为U＝{U₁,U₂,…,U_i,U_j,…,U_n}，其中，U_i表示第i个评价指标，U_j表示第j个评价指标，n表示评价指标数量，i＝1,2,…,n；j＝1,2,…,n。本实施例中，设定n＝5，U＝{U₁,U₂,U₃,U₄,U₅}＝{人员规模，接单额度，交货时效性，用户评价，货品单价}；

步骤2、采用三角模糊数计算主观权重：

为了定量地评价互联网平台加盟方服务质量的等级，同时反映信息的模糊性对评判结果的影响，采用三角模糊数的模糊层次分析法取代传统层次分析法的1～9标度重要值来建立模糊判断矩阵。具体步骤如下：

步骤2.1、利用式(1)建立三角模糊判断矩阵A＝(a_ij)_n×n，其中，a_ij表示一位评判专家对于第i个评价指标U_i和第j个评价指标U_j重要性比较的判断结果，并有：a_ij＝[l_ij,m_ij,u_ij]；l_ij表示第i个评价指标U_i和第j个评价指标U_j重要性判断结果的最低值，m_ij表示第i个评价指标U_i和第j个评价指标U_j重要性判断结果的中值，u_ij表示第i个评价指标U_i和第j个评价指标U_j重要性判断结果的最高值，且a_ij＝a_ij ^-1[l_ij,m_ij,u_ij]。

式(1)中，H表示评判专家的人数，a_ij ^h表示第h位评判专家给出的两两指标重要性的判断结果，且a_ij ^h＝[l_ij ^h,m_ij ^h,u_ij ^h]，l_ij ^h表示第h位评判专家给出的重要性判断结果的最低值，m_ij ^h表示第h位评判专家给出的重要性判断结果的中值，u_ij ^h表示第h位评判专家给出的重要性判断结果的最高值。三角模糊数的中值m_ij依据AHP1～9标度法确定，如表1所示；

表1 AHP1～9标度法的赋值标准

尺度	含义
		1	C<sub>i</sub>与C<sub>j</sub>的影响相同
3	C<sub>i</sub>比C<sub>j</sub>的影响稍强
		5	C<sub>i</sub>比C<sub>j</sub>的影响强
7	C<sub>i</sub>比C<sub>j</sub>的影响明显强
		9	C<sub>i</sub>比C<sub>j</sub>的影响绝对强
2,4,6,8	C<sub>i</sub>与C<sub>j</sub>的影响之比在上述两个相邻等级之间

利用三角模糊数a_ij＝[l_ij,m_ij,u_ij]构造模糊判断矩阵A，式(2)为10位评判专家评判结果的一个实例：

步骤2.2、利用式(3)构造模糊评价因子矩阵E：

式(3)中，(u_ij-l_ij)/2m_ij为标准离差率，反映了专家评判的模糊程度，标准离差率越大，指标赋值结果模糊程度越大，可信度越小，反之，标准离差率越小，可信度越大。本实例中，利用式(3)计算模糊评判因子矩阵E为：

步骤2.3、利用式(4)计算调整判断矩阵Q：

本实施例中，利用式(4)计算调整判断矩阵Q为：

步骤2.4、将调整判断矩阵Q转换为对角线元素为“1”的判断矩阵A′＝(a′_ij)_n×n，其中，a′_ij表示判断矩阵A′中的第i行第j列元素，且

a′_ij＝1/a′_ji；q_ij表示调整判断矩阵Q中的第i行第j列元素，q_jj表示调整判断矩阵Q中的第j行第j列元素，a′_ji表示判断矩阵A′中的第j行第i列元素。转换后的判断矩阵A′为：

步骤2.5、用相容矩阵分析法对判断矩阵A′进行变换，得到相容矩阵B＝(b_ij)_n×n，其中，b_ij表示相容矩阵B中的第i行第j列元素，且

a′_ik表示判断矩阵A′中的第i行第k列元素，a′_kj表示判断矩阵A′中的第k行第j列元素；k＝1,2,…,n；且B满足一致性条件b_ij＝b_ik×b_kj，b_ij＝1/b_ji；b_ik表示相容矩阵B中的第i行第k列元素；b_kj表示相容矩阵B中的第k行第j列元素；b_ji表示相容矩阵B中的第j行第i列元素。经计算相容矩阵B为：

步骤2.6、利用式(5)计算第i个评价指标U_i的主观权重w_i：

式(5)中，b_ik表示相容矩阵B中的第i行第k列元素。利用式(5)计算权重w_i，得出w₁＝0.082、w₂＝0.164、w₃＝0.240、w₄＝0.272、w₅＝0.242。

步骤3、使用CRITIC权重法，计算第i个评价指标U_i的主观权重β_i：

使用基于评价指标的对比强度和指标之间的冲突性来综合衡量指标的客观置权CRITIC权重法，完全利用数据自身的客观属性进行科学评价，计算出评价指标U_i客观权重。具体步骤为：

步骤3.1、采集m个加盟方的n个评价指标并构成原始指标数据矩阵

其中，x_nm表示指标数据矩阵X中的第n行第m列元素。例如有3个待评价加盟方，5项评价指标，如表2所示：

表2互联网平台加盟方评价指标数据

根据表2构造原始指标数据矩阵X为：

步骤3.2、指标同向化：正向指标是指数值越大则效果越好的指标，负向指标是指数值越小则效果越好的指标。利用式(6)将原始指标数据矩阵X中的负向指标转换为正向指标，从而得到实现指标同向化并得到评价矩阵X′：

x′_ij＝1/(σ+max|X_j|+x_ij) (6)

式(6)中，x′_ij表示评价矩阵X′中的第i行第j列元素，max|X_j|为原始指标数据矩阵X中第j列的最大值，σ为协调系数；利用表3数据，将评价指标中交货时效性、货品单价这两项负向指标转化为正项指标，进行同向化处理得X′：

步骤3.3、利用式(7)对评价矩阵X′进行无量纲化处理，得到标准矩阵X″：

式(13)中，x″_ij表示标准矩阵X″中的第i行第j列元素。本实施例中，计算的标准矩阵X″为：

步骤3.4、利用式(8)、式(9)和式(10)的标准差形式来表现指标变异性：

ρ_ij＝cov(X″_i,X″_j)/(s_i·s_j) (10)

式(8)、式(9)和式(10)中，

为标准矩阵X″中第i行元素的均值；s_i表示标准矩阵X″中第i列元素的标准差；cov(X″_i,X″_j)为标准矩阵X″中第i行与第j行的协方差；ρ_ij表示标准矩阵X″中第i行与第j行的相关系数。使用标准差来表示各指标的内取值的差异波动情况，标准差越大表示该指标的数值差异越大，越能放映出更多的信息，该指标本身的评价强度也就越强。利用式(9)计算标准差s_i为：

s₁＝0.0515,s₂＝0.1116,s₃＝0.0425,s₄＝0.0396,s₅＝0.0234

利用式(10)计算相关系数

步骤3.5、利用式(11)获取m个加盟方的第i个评价指标U_i的信息量C_i：

C_i越大，则第i个指标所含的信息量就越大，该指标就越重要，置权数值也更大。利用式(11)计算信息量C_i为：

C₁＝0.0281,C₂＝0.0701,C₃＝0.0496,C₄＝0.0167,C₅＝0.0282

步骤3.6、利用式(12)得到m个加盟方的第i个评价指标U_i的的客观权重β_i：

利用式(12)计算评价指标客观权重β_i＝(0.146,0.363,0.257,0.087,0.146)；

步骤4、为克服了单一方法置权的局限性，充分发挥各种置权方法自身的优势，采用如式(13)所示的综合置权法将主观权重ω_i和客观权重β_i结合，从而得到第i个评价指标U_i最终的权重向量Y_i：

步骤5、确定评语论域：

利用模糊评判法，在建立互联网平台加盟方服务质量等级评价体系的基础上，确定评语论域：采用“优、良、中、次、差”5级标度法对互联网平台加盟方服务质量进行等级评价，设置评语论域V＝{v₁,v₂,v₃,v₄,v₅}＝{优，良，中，次，差}，评价模型中，指标分值范围、评价等级之间的量化对照关系如表3所示。

表3评价标准量化对照表

指标分值	0～60	60～70	70～80	80～90	90～100
						评价等级	差	次	中	良	优

步骤6、隶属度函数的作用是确定每一个评价指标对互联网平台加盟方服务质量不同评语等级的隶属程度，由于评价打分值呈线性分布，因此选用三角形和半梯形隶属度函数可以较好地反映平台加盟方服务质量的实际等级。利用式(14)-式(18)建立第i个评价指标对各等级的隶属度函数，从而得到模糊关系矩阵R^m：

式(14)-式(18)中，x表示评判专家对评价指标的百分制打分；x₁表示表示等级“优”和等级“良”的临界阈值，x₂表示表示等级“良”和等级“中”的临界阈值，x₃表示表示等级“中”和等级“次”的临界阈值，x₄表示表示等级“次”和等级“差”的临界阈值；r_i1表示第i个评价指标对等级“优”的隶属度函数，r_i2表示第i个评价指标对等级“良”的隶属度函数，r_i3表示第i个评价指标对等级“中”的隶属度函数，r_i4表示第i个评价指标对等级“次”的隶属度函数，r_i5表示第i个评价指标对等级“差”的隶属度函数，i＝1,2,…,n；

根据隶属度函数得到第m个加盟方的模糊关系矩阵R^m：

式(19)中，

表示第m个加盟方的第i个评价指标对等级“优”的隶属度，

表示第m个加盟方的第i个评价指标对等级“良”的隶属度，

表示第m个加盟方的第i个评价指标对等级“中”的隶属度函数，

表示第m个加盟方的第i个评价指标对等级“次”的隶属度，

表示第m个加盟方的第i个评价指标对等级“差”的隶属度，i＝1,2,…,n；

赋值x₁＝90,x₂＝80,x₃＝70,x₄,＝60，不同评语集的隶属度函数表达式如式(20)-式(24)：

例如为了得到互联网平台3个不同加盟方的评判结果，邀请10位评判专家按照上述设定好的5个等级对3个不同加盟方的每个评价指标进行打分，利用式(20)-式(24)计算得到隶属度，结果如表4所示。

表4评判结果

建立1号加盟方评判隶属矩阵R¹：

步骤7、计算互联网平台加盟方服务质量评价结果：步骤7.1、利用式(25)得到第m个加盟方的隶属向量Y′_m：

Y′_m＝Y_i·R^m (25)

利用式(25)计算得到第1个加盟方的隶属向量Y₁′为：

步骤7.2、对隶属向量Y′_m作归一化处理，得到处理后隶属向量

本实施例中，第1个加盟方的隶属向量Y₁′归一化处理后的隶属向量

步骤7.3、利用式(26)得到第m个加盟方的综合评价得分Z_m：

式(26)中，V^T表示V^T＝(v₁,v₂,v₃,v₄,v₅)^T。取v₁＝95,v₁＝85,v₁＝75,v₁＝65,v₁＝95。利用式(26)计算得到第1个加盟方的综合评价得分Z₁为：

按照上述方法求得互联网平台2号加盟方和3号加盟方的综合得分依次为Z₂≈92.95，Z₃≈84.23，根据表3标准，1号加盟方的服务质量等级为“中”，2号加盟方的服务质量等级为“优”，3号加盟方的服务质量等级为“良”。

照此方法，互联网平台端可求得m个加盟方服务质量的综合得分为Z_i,i＝1,2,…,m，并得出m个加盟方服务质量的等级。

Claims (2)

1.一种综合置权模糊评判的互联网平台加盟方评级方法，其特征是按如下步骤进行：

步骤1、建立评价要素指标体系：

设置加盟方的评价指标并作为评价要素，记为U＝{U₁,U₂,…,U_i,U_j,…,U_n}，其中，U_i表示第i个评价指标，U_j表示第j个评价指标，n表示评价指标数量，i＝1,2,…,n；j＝1,2,…,n；

步骤2、采用三角模糊数计算主观权重：

步骤2.1、建立三角模糊判断矩阵A＝(a_ij)_n×n，其中，a_ij表示第i个评价指标U_i和第j个评价指标U_j重要性比较的判断结果，并有：a_ij＝[l_ij,m_ij,u_ij]；l_ij表示第i个评价指标U_i和第j个评价指标U_j重要性判断结果的最低值，m_ij表示第i个评价指标U_i和第j个评价指标U_j重要性判断结果的中值，u_ij表示第i个评价指标U_i和第j个评价指标U_j重要性判断结果的最高值，且a_ij＝a_ij ^-1[l_ij,m_ij,u_ij]；

式(1)中，H表示评判专家的人数，a_ij ^h表示第h位评判专家给出的重要性的判断结果，且a_ij ^h＝[l_ij ^h,m_ij ^h,u_ij ^h]，l_ij ^h表示第h位评判专家给出的重要性判断结果的最低值，m_ij ^h表示第h位评判专家给出的重要性判断结果的中值，u_ij ^h表示第h位评判专家给出的重要性判断结果的最高值；

步骤2.2、利用式(2)构造模糊评价因子矩阵E：

步骤2.3、利用式(3)计算调整判断矩阵Q：

步骤2.4、将所述调整判断矩阵Q转换为对角线元素为“1”的判断矩阵A′＝(a′_ij)_n×n，其中，a′_ij表示判断矩阵A′中的第i行第j列元素，且

a′_ij＝1/a′_ji；q_ij表示调整判断矩阵Q中的第i行第j列元素，q_jj表示调整判断矩阵Q中的第j行第j列元素，a′_ji表示判断矩阵A′中的第j行第i列元素；

步骤2.5、用相容矩阵分析法对判断矩阵A′进行变换，得到相容矩阵B＝(b_ij)_n×n，其中，b_ij表示相容矩阵B中的第i行第j列元素，且

a′_ik表示判断矩阵A′中的第i行第k列元素，a′_kj表示判断矩阵A′中的第k行第j列元素；k＝1,2,…,n；且B满足一致性条件b_ij＝b_ik×b_kj，b_ij＝1/b_ji；b_ik表示相容矩阵B中的第i行第k列元素；b_kj表示相容矩阵B中的第k行第j列元素；b_ji表示相容矩阵B中的第j行第i列元素；

步骤2.6、利用式(4)计算第i个评价指标U_i的主观权重w_i：

式(4)中，b_ik表示相容矩阵B中的第i行第k列元素；

步骤3、使用CRITIC权重法，计算第i个评价指标U_i的主观权重β_i：

步骤3.1、采集m个加盟方的n个评价指标并构成原始指标数据矩阵

其中，x_nm表示指标数据矩阵X中的第n行第m列元素；

步骤3.2、利用式(5)将原始指标数据矩阵X中的负向指标转换为正向指标，从而得到实现指标同向化并得到评价矩阵X′：

x′_ij＝1/(σ+max|X_j|+x_ij) (5)

式(5)中，x′_ij表示评价矩阵X′中的第i行第j列元素，max|X_j|为原始指标数据矩阵X中第j列的最大值，σ为协调系数；

步骤3.3、利用式(6)对评价矩阵X′进行无量纲化处理，得到标准矩阵X″：

式(6)中，x″_ij表示标准矩阵X″中的第i行第j列元素；

步骤3.4、利用式(7)、式(8)和式(9)的标准差形式来表现指标变异性：

ρ_ij＝cov(X”_i,X”_j)/(s_i·s_j) (9)

式(7)、式(8)和式(9)中，

为标准矩阵X″中第i行元素的均值；s_i表示标准矩阵X″中第i列元素的标准差；cov(X″_i,X″_j)为标准矩阵X″中第i行与第j行的协方差；ρ_ij表示标准矩阵X″中第i行与第j行的相关系数；

步骤3.5、利用式(10)获取m个加盟方的第i个评价指标U_i的信息量C_i：

步骤3.6、利用式(11)得到m个加盟方的第i个评价指标U_i的的客观权重β_i：

步骤4、采用如式(12)所示的综合置权法将所述主观权重ω_i和所述客观权重β_i结合，从而得到第i个评价指标U_i最终的权重向量Y_i：

步骤5、确定评语论域：

采用“优、良、中、次、差”的5级标度法对互联网平台加盟方的服务质量等级进行评价，从而设置评语论域V＝{v₁,v₂,v₃,v₄,v₅}＝{优，良，中，次，差}；

步骤6、利用式(13)-式(17)建立第i个评价指标对各等级的隶属度函数：

式(13)-式(17)中，x表示评判专家对评价指标的百分制打分；x₁表示等级“优”和等级“良”的临界阈值，x₂表示等级“良”和等级“中”的临界阈值，x₃表示表示等级“中”和等级“次”的临界阈值，x₄表示表示等级“次”和等级“差”的临界阈值；r_i1表示第i个评价指标对等级“优”的隶属度函数，r_i2表示第i个评价指标对等级“良”的隶属度函数，r_i3表示第i个评价指标对等级“中”的隶属度函数，r_i4表示第i个评价指标对等级“次”的隶属度函数，r_i5表示第i个评价指标对等级“差”的隶属度函数，i＝1,2,…,n；

根据隶属度函数得到第m个加盟方的模糊关系矩阵R^m：

式(18)中，

表示第m个加盟方的第i个评价指标对等级“优”的隶属度，

表示第m个加盟方的第i个评价指标对等级“良”的隶属度，

表示第m个加盟方的第i个评价指标对等级“中”的隶属度函数，

表示第m个加盟方的第i个评价指标对等级“次”的隶属度，

表示第m个加盟方的第i个评价指标对等级“差”的隶属度，i＝1,2,…,n；

步骤7、计算互联网平台加盟方服务质量的评价结果：

步骤7.1、利用式(19)得到第m个加盟方的隶属向量Y′_m：

Y′_m＝Y_i·R^m (19)

步骤7.2、对隶属向量Y′_m作归一化处理，得到处理后隶属向量

步骤7.3、利用式(20)得到第m个加盟方的综合评价得分Z_m：

式(20)中，V^T表示V的转置。

2.根据权利要求1所述的综合置权模糊评判的互联网平台加盟方评级方法，其特征是，所述评价要素包括：人员规模，接单额度，交货时效性，用户评价，货品单价。

Images