基于AHP的Yaahp软件对自动驾驶农机项目应用的效益评价

2021-07-30智晓慧陈玉兰张伦宁

南方农机 2021年14期

智晓慧，陈玉兰，张伦宁

（新疆农业大学经济与贸易学院，新疆乌鲁木齐 830052）

0 引言

目前，国家不断出台优惠政策来支持我国智能农机项目的发展，同时，国内农机装备产业面临着升级转型的巨大挑战和机遇，如何顺应新时代发展下的形势及需求，以发展创新作为驱动力，快速响应市场及政府的相关需求并取得竞争优势，成为目前我国农机制造企业所面临的重要课题。

自动驾驶农机是精准农业的重要组成部分，具有广泛的适用性，可应用于田间的多种作业形式，能有效避免重复作业，提高土地利用率及生产效率，减轻农民的作业强度，进而提高农作物种植质量，降低人工运行投入成本，提高农民收益[1]。

笔者通过构建项目效益评价模型，在研究效益评价指标问题时采用专家评审的方式，利用层次分析法来确定评价体系中各指标的权重。通过对农机制造项目效益评价方法的研究，为该农机项目找到一种具有行业针对性且符合农机制造行业特点的效益评价方法。

1 评价方法与软件介绍

1.1 评价方法概述

层次分析法，简称AHP(Analytic Hierarchy Process)，是一种进行定性和定量分析的层次权重决策分析方法，由美国匹兹堡大学的T.L.Saaty教授于20世纪70年代提出，主要用于解决多目标、多层次、多因素的复杂问题，特别是难以定量描述的针对社会系统的分析。其基本原理是通过对与决策相关的元素进行层次分解，使各因素形成有序的递阶层次结构，由领域专家或者是权威决策者对选出的指标按照重要程度进行两两比较，对各层次之间的影响因素对比赋值，然后利用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或权重，并通过对比矩阵最终计算出权值，得到最基层指标对于总体目标的重要性权重排序，从而为决策者们提供判断依据[2]。

层次分析法常应用于复杂的决策问题，可以较好地完成对复杂系统的评价，具有较强的实用性。笔者利用层次分析法，通过构建一套多层次的评价指标体系，完成对定性指标的定量化分析。先基于AHP对要素进行层次化分解，再综合构建多层次的效益评价模型的基本思路，最终确定各层级指标的权重。

1.2 软件介绍

Yaahp(Yet Another AHP)软件将层次分析法、建模与数学计算完美结合，拥有图形可视化的层次模型绘制界面、可直接导出层次模型、使用文字描述刻度选取形式输入判断矩阵值、不一致判断矩阵自动修正、便捷的模型编辑功能、残缺不可接受判断矩阵自动补全、灵敏度分析、直接生成Excel调查表、高效进行一致性调整等功能。在功能使用方面具有简单快捷性，自动化计算、可视化操作且直观方便，方便决策者更改层次模型，提高了数据计算能力及工作效率，该软件已经被广泛用于土地整理、项目风险评估、能源开发评价、医疗服务质量评价、工程方案决策、高校教学方法分析决策等方面[2]。

笔者尝试运用此软件构建自动驾驶农机项目应用的效益评价模型，从而为当前农机项目应用的效益水平评价提供科学依据。

2 效益评价指标体系构建

2.1 评价指标的选择

通过阅读文献，对农业领域的综合效益评价指标进行整理筛选之后，再对该农机领域的专家进行采访，对汇总的指标进行二次筛选，并依据构建效益评价指标体系需具备的全面代表性、可比可得性以及简洁性等特点，最终确定自动驾驶农机项目应用的效益评价体系中的各个指标，从经济、社会、生态三个层面构建自动驾驶农机项目的效益评价指标体系，即：目标层——效益评价体系；准则层——经济效益、社会效益和生态效益。每个准则层又包含各自的子准则层，共有9个子准则层，即：亩均产量增长率（%）、亩均成本降低率（%）、劳动力其他就业提高率（%）、农业机械化水平提高率（%）、管理风险降低率（%）、使用满意度、土壤质量改善度、土壤保护力度、病虫防治力度。从而构建出该农机项目应用的效益评价模型[1,3-4]。

2.2 建立层次结构模型

层次结构模型具有多种形式，应根据需求对目标层进行分解，本文所采用的层次结构模型分为三层：目标层（效益评价）、准则层（经济效益、社会效益、生态效益）及子准则层（9个指标）。将目标层、准则层和子准则层按照相互关系分为最高、中间、最低层，如此一来，在Yaahp软件的“层次结构模型”界面中绘制出的自动驾驶农机项目应用的效益评价层次结构模型如图1所示。

图1 自动驾驶农机项目应用的效益评价层次结构模型图

2.3 构造判断矩阵

2.3.1 判断矩阵

判断矩阵指同上一层次某因素相比，本层次与其相关的各因素之间相比较而言的重要程度。通过“一致矩阵法”的使用，就全部的指标进行两两比较，采用相互尺度的方法，减小不同性质指标之间相互比较的难度，进而提高准确性。采用此种方法来确定各指标对总效益的权重，从而构造出判断矩阵。在层次分析法中，采用矩阵判断标度以使矩阵中各要素能够定量显示其重要程度。其中，矩阵判断标度表如表1所示。

由相关业内专家采用成对比较法和1~9标度法，对同一层次两两指标之间的相对重要程度进行打分。基于专家对于自动驾驶农机项目应用的效益各评价指标的重要性判断，构造出各层对上一层每一因素的判断矩阵，从而计算出权重系数（主要基于德尔菲法，对各指标要素的权重进行赋值）。

2.3.2 判断矩阵的录入

对相关专家调查问卷的数据进行严格的有效性分析，在Yaahp软件的“判断矩阵”界面中，可以将对应的层级关系和成对比较矩阵的比较数值输入，即可自动计算出各准则层的权重。在此步骤中，如果人工手算或者使用Excel来计算权重值的话，计算步骤较为复杂烦琐，本文在此不再赘述。

由于录入矩阵的数量较多，下面只列两张代表性的软件截图，如图2、图3所示。

图2 指标层判断矩阵

图3 经济效益判断矩阵

将专家们对各效益评价指标的相对重要性的打分结果依次导入Yaahp软件，完成对专家所打分数进行专家打分赋权，具体的判断矩阵如表2~表5所示。

表2 综合效益判断矩阵A-B

表3 经济效益判断矩阵B1-C

表4 社会效益判断矩阵B2-C

表5 生态效益判断矩阵B3-C

2.4 层次单排序计算权重量及一致性检验

层次单排序就是指根据判断矩阵计算对于上一层某因素而言，本层次与之有联系的因素的重要性次序的权值。用数学语言来讲，就是对该矩阵的最大特征根及其所对应特征的向量进行求解，即就某一判断矩阵A而言，计算满足：

其中，λmax为判断矩阵A的最大特征根；W为λmax所对应的正规化特征向量。

一致性指标计算：

计算一致性比率：

当CR<0.10时，表示该判断矩阵A的一致性可以接受，否则的话，就需要对该判断矩阵进行修正。

通过Yaahp软件自动进行层次分析计算，在上述四个判断矩阵中，分别对应的最大特征根λmax及—致性比率CR的值汇总成如表6所示。

表6 一致性检验汇总表

上述判断矩阵的一致性校验结果均小于0.1，故全部通过一致性检验，则总目标层的层次总排序符合要求，影响因素权重总排序和各因素的比较值也相对比较合理。

另外，上述四个判断矩阵分别对应的归一化特征向量W1=[0.637 0.258 3 0.104 7]T，W2=[0.454 5 0.454 5 0.090 9]T，W3=[0.730 6 0.188 4 0.081]T，W4=[0.242 6 0.669 4 0.087 9]T，因其均通过一致性检验，故特征向量W分别为目标层下的各准则层指标的权重值。

3 结果与讨论

3.1 计算结果

通过层次分析法和使用专家数据计算，最终得出群决策权重结果，将最终的效益评价体系中各个指标的权重值整理成表格，如表7所示。

表7 各指标权重表

由表7可以看出，在此项目效益评价方面，占主导地位的是经济效益，其次为社会效益和生态效益，因此在自动驾驶农机项目应用的效益评价中，经济效益指标是最重要的。在自动驾驶农机项目应用的效益评价设置的9个影响因素中，权重占比为前三名的分别是：亩均产量增长率、亩均成本降低率、劳动力其他就业提高率。由此得出，用AHP法得出的结论与专家意见基本一致。自动驾驶农机项目应用的效益评价权重条形图如图4所示。

图4 自动驾驶农机项目应用的效益评价权重条形图

3.2 效益评价分析

前文中通过分析目标层与指标层之间的复杂关系，构建层次结构，对评价指标本身的相对重要性进行定量化处理，将问题简单化，使用层次分析法并经过数学计算来计算确定各个效益评价指标可靠的权重值。相比传统定权方法，本文所采用的定权结果更具有科学准确性。事实证明，评价结果与客观情况相一致，进一步验证了AHP法可适用于自动驾驶农机项目应用的效益评价，评价结果合理可信，为自动驾驶农机项目应用的效益评价提供了科学的依据。通过将该效益评价指标体系运用到自动驾驶农机项目，结合评价指标权重和实际指标数据对项目投入使用前及使用后的效益进行评价，根据评价结果得出该项目应用的综合效益情况。

通过效益评价指标权重，结合实际统计的相关数据，对该项目的综合效益进行评价。利用z-score方法标准化后的各指标数据，乘以各指标权重，计算得出该项目综合效益得分[5]，如表8所示。