评价的方法

目前，在不同的领域已有几十到上百种评价方法。但每一种评价方法，都必须包含如下两部分内容:提供为解决属性之间不可公度问题的方法；构建一个纯量化多元函数，用以权衡评价对象的综合效用或综合水平。下面重点介绍几种常用的评价方法。

（1）层次分析法

层次分析法在目前的旅游资源评价、旅游环境承载力、生态预警等方面都有运用。层次分析方法又称解析递阶过程，是美国著名的运筹学家、匹兹堡大学教授塞蒂 （T.L.Saaty，1973）提出的一种系统分析法，主要用于求解层次结构或网络结构的复杂评估系统的评估问题。就国内而言，1988年，在中国天津召开了第一届国际层次分析法研讨会；以后每两至三年举办一次，至今已召开了6届。层次分析法是指将决策有关的元素进行层次分解，并在此基础上进行定量分析的决策方法。

层次分析法的基本思路是根据系统的具体性质和要求，将复杂问题分为若干层次，建立层次模型，再由专家和决策者对所列问题通过两两比较而逐层进行判断评分，确定评价因子的权重，进而计算判断矩阵的特征向量，确定下层指标对上层指标的贡献程度。层次分析法目前在旅游资源评价、旅游环境承载力、生态预警等方面都有运用，往往与特尔菲法结合使用。

（2） 特尔菲法 （Delphi Method）

特尔菲法又称专家征询法，是由美国兰德公司数学家赫尔默和达尔奇首先提出并投入应用。特尔菲法是一种以问卷的形式对专家进行意见征询，然后汇总专家意见，并以之作为问题解答的一种方法。最后结论的确立一般建立在多轮意见征询的基础上。

特尔菲法一般分3～4轮征询。特尔菲法的基本程序是:首先确定征询主题，征询题目一般是对社会发展某一领域有重大影响且直接分析困难、意见分歧较大的课题；然后选择所要征询的专家，要求专家有广泛的代表性，一般应包括研究层、管理层和决策层的专家，而且总人数应控制在适当范围，一般以20～50人之间为宜，某些大型课题也可达100人左右；最后就是设计意见征询表并回收、整理意见；进行继续征询，最后得出解答问题的结论。由于被征询人是本领域的专家，而且各专家独立思考不受其他人影响，因此，最后给出自己的结论的可靠程度较高。可以采用多轮征求意见的办法^[20]。地质旅游资源环境的综合评价是一项系统工程，它的指标体系的构建复杂。指标体系的构建是否合理关系到评价结果的客观性。

（3）主成分分析法

主成分分析是多元统计分析的一个分支。20世纪30年代，由于费希尔 （Fisher）、　霍特林 （Hotelling）、　许宝禄及罗伊（Roy）等人的一系列奠基性工作，使得多元统计分析成为应用数学的一个重要分支。主成分分析，先是由卡尔 （Karl）、皮尔逊 （Pearson）应用于非随机向量，而后霍特林 （Hotelling）将之推广到了随机向量。主成分分析方法是一种多变量数学分析方法，能将众多的具有错综复杂关系的指标归结为少数几个综合指标，也就是主成分，每个主成分都是原来多个指标的组合。比如，在旅游资源评价中，对旅游资源等级的评定一般采用专家打分法。主成分分析方法吸收了传统专家打分法的优点，又能消除各指标的重复信息，在旅游资源实体评价中是一大进步^[21]。

（4）数据包络分析法

1978年，美国著名运筹学家查恩斯 （A.Charnes）等人，以相对效率概念为基础，以凸分析和数学规划为工具，创建了一个以他们的名字命名的DEA模型——C2R模型。DEA法不仅可对同一类型各决策单元的相对有效性作出评价与排序，而且还可进一步分析各决策单元非DEA有效的原因及其改进方向，从而为决策者提供重要的管理决策信息。

（5）模糊评价法

模糊评价法奠基于模糊数学。模糊数学诞生于1965年，它的创始人是美国自动控制专家L.A.Zadeh。这一理论提出之后，开始在西方学术界为某些偏见所左右，并未引起足够的重视。20世纪80年代后期，日本将模糊技术应用于机器人、过程控制、地铁机车、交通管理、故障诊断、医疗诊断、声音识别、图像处理、市场预测等众多领域。

模糊综合评价法以模糊数学为理论基础，通过数量化的描述和运算，对系统中多个相互影响的因素进行综合评价^[22]。模糊综合法的基本原理是将评价对象视为由多种因素组成的模糊集合，通过建立评价标集到评语集的模糊映射，分别求出各指标对各级评语的隶属度，构成评判矩 （或称模糊矩阵），然后根据各指标在系统中的权重分配，通过模糊矩阵合成得到评价的定量解值。

模糊综合法根据模糊隶属度理论将定性评价转化为定量评价，较好地处理了多因素、系统模糊性及评价的主观判断问题，实现了定性与定量的有机结合。但是，根据最大隶属度或主导因素原则对综合评价矩阵确定的过程中，却容易丢失各评价单元之间的相关信息，从而可能造成与实际不符的评价结果。模糊评价法不仅可对评价对象按综合分值的大小进行评价和排序，而且还可以根据模糊评价集上的值按最大隶属度原则去评定对象所属的等级。

（6） 人工神经网络模型 （Artifieial Neural Networks，ANN）

随着网络类型的多样化、网络结构的完善以及网络学习算法的成熟，人工神经网络模型逐渐受到众多评价学者的青睐。人工神经网络是指将大量简单神经元联接而成的非线性复杂网络系统，以其分布处理、自组织、自适应、自学习和健全性与容错性等独特性而引起广泛关注，尤其在信息不完备的情况下，在模式识别、方案决策、知识处理等方面具有很强的能力。其非线性的模式识别、分类、预测、优化、控制等功能被广泛应用于自然科学、工程技术甚至社会科学研究中。