多源信息云服務質量的猶豫模糊優劣IPA評價方法*

彭定洪，陳文妮，曾洪鑫，武金福

(1.昆明理工大學管理與經濟學院，云南 昆明 650093；2.昆明理工大學質量發展研究院，云南 昆明 650093; 3.東莞理工學院經濟與管理學院，廣東 東莞 523000；4.楚雄供電局，云南 楚雄 675000)

1 引言

多源信息云服務是以感知用戶特定云應用需求為中心，選擇和集成信息資源以提供高效、便捷、可信的一種云計算服務[1]。多源信息云服務聚集了分布在不同時空的數據、物力、模型、知識以及計算等各種信息資源，具有規模大、差異性大、內容不確定等非線性特點[2]。在信息服務日益豐富且商業用戶需求與日俱增的情況下，多源信息云服務提供商只有優化用戶體驗、打造服務差異化才能生存[3]。多源信息云服務質量是影響用戶選擇服務的非常重要的因素[3]。此外，質量評價既是多源信息云服務實際應用效果的客觀表示，也是多源信息云服務研究的重要組成部分[4]。且對多源信息云服務質量進行科學合理的評價，一方面有利于促使多源信息云服務提供商不斷改善所提供的服務，從而吸引更多的用戶；另一方面用戶也可以得到有質量保證的特定服務。然而，國內外學者對于多源信息云服務質量評價的研究相對較少，大多從多源信息云服務隱私[5]、多源信息云體系及云服務模式[6]以及多源信息云服務可信保障機制[7]等方面進行了理論探討。因此，對多源信息云服務質量的評價必要且迫切。

縱觀相關文獻不難發現，多源信息云服務實質上是一種大規模資源共享、集成的一種特殊云服務模型，而以虛擬化服務模式的云服務與傳統服務有著必然的聯系。在多源信息云服務質量評價過程中，用戶滿意度是多源信息云服務提供商最為關注的焦點[4,8]。在以用戶滿意度為導向的傳統服務質量評價中，最具代表性的方法是由Martilla等[9 - 11]提出的重要性能分析IPA(Importance-Performance Analysis)方法，其核心是基于相應因素與產品相關的特定指標來獲取平均重要性和平均感知性能，現已廣泛用于衡量服務質量指標的重要性與感知性能。近些年，部分學者將IPA分析方法用于云服務評價中[12,13]，并證實IPA方法能夠有效獲取云服務管理過程中需要處理或改進的環節，對云服務質量的提升具有現實意義。鑒于此，本文嘗試進一步將IPA方法推廣到多源信息云服務質量評價問題中，利用IPA理念框架構建多源信息云服務質量評價的層次指標體系。

此外，考慮到多源信息云服務信息來源分布較廣的特點，欲對其全面、客觀和有效地評價，需要來自相關領域的專家群體協同參與。從評價方法看，該問題實屬一個多群組專家參與的綜合評價問題。此類問題的關鍵和難點是如何合理地解決各群組中個體意見的分歧從而整體地表征群組意見。針對該情形，2010年西班牙學者Torra[14]提出了猶豫模糊集HFS(Hesitant Fuzzy Set)，通過一組數目不定且無序的取值特征隸屬函數來解決群體中個體意見分歧難達共識的問題。HFS現已普遍用于解決多群組中個體意見的分歧，且在狀態識別、醫療診斷等諸多領域有所應用[15]，并且獲得了良好的效果。依據現有研究，本文嘗試將猶豫模糊集理論運用于多源信息云服務質量評價中，以科學合理地表征各群組中個體意見。

參考依賴是人類評價和分析的普遍模式。在綜合評價理論中，將該模式具體化的當屬逼近于理想解排序TOPSIS(Technique for Order Prefe- rence by Similarity to an Ideal Solution)方法[16]，該方法根據被評對象與理想化和負理想化目標之間的距離進行排序，從而實現對被評對象的優劣性評價，是目前最常用的方法之一，且在服務質量評價中得到廣泛應用。例如，Lee等[17]將層次模糊TOPSIS方法用于旅游型電子服務質量的評價中；Büyük?zkan等[18]將模糊TOPSIS方法應用到醫療行業電子服務質量戰略評價分析中。近年來，考慮到人們熱衷以平均水平為參照比較的習慣，Keshavarz等[19]于2015年提出了依賴平均距離評價EDAS(Evaluation based on Distance from Ave- rage Solution)方法，該方法通過計算方案集中指標與平均水平的正向距離與負向距離，確立方案集的綜合優劣勢度，進而對各方案進行排序。該方法能夠有效消除專家組對方案集中指標評價的偏差風險[20]，并能夠通過了解方案集中指標的平均水平來獲取各指標的優劣程度。由于以上2種方法自身的優越性，在許多領域得到了廣泛應用，例如服務質量評價、供應商選擇以及場地選擇等。但在實際應用中，TOPSIS方法的正理想解是方案集中并不存在的虛擬最佳方案，它的每一個指標值都是決策矩陣中該指標的最優值；負理想解則是虛擬的最差方案，它的每一個指標值都是決策矩陣中該指標的最差值。因此，傳統的TOPSIS方法會使決策產生一定的偏差。而EDAS方法在實際應用中，卻忽略了指標的最大值和最小值給決策帶來的影響，僅從平均水平考慮，對決策帶來了不可忽略的影響?；谝陨戏治觯讵q豫模糊環境下，本文融合TOPSIS方法的依賴極值參考解思想和EDAS方法依賴均值參考解的思想，以參考解選取為融合點，從依賴極值參考解的距離矩陣中分別獲取方案集中每個指標的最優和最劣距離分量，并將其融合為平均距離分量，以了解方案集中指標在極值狀態下的平均水平，再通過計算以平均水平為參考解的指標綜合優劣勢度來分析指標所在的方案集在IPA框架下的基本情況。將該融合方式用于獲取多源信息云服務質量評價指標的優劣，有利于多源信息云服務提供商充分了解影響用戶滿意度的關鍵指標，從而提供使用戶滿意的多源信息云服務。

無論是TOPSIS方法還是EDAS方法，均需衡量評價方案和參考解之間的差異，而距離測度是衡量差異的主要方式之一[17]。考慮到在多源信息云服務環境下，相關性信息、不對稱信息廣泛存在[21]，可能會對測度的準確性造成干擾。因此，本文通過各類距離測度對比，采用Pearson[22]提出的Squared-χ2距離構建一種新的猶豫模糊距離用于度量多源信息云服務質量評價指標與參考指標之間的差距。

綜上，本文在IPA層次結構框架下，基于猶豫模糊Squared-χ2距離測度，構建了集成TOPSIS方法的依賴極值參考解思想和EDAS方法的依賴均值參考解思想，并且具有分析指標優劣情況特點的猶豫模糊評價模型；并將其應用到多源信息云服務質量評價中，證實其可行性和實用性；并通過與其他方法對比分析說明本文構建的評價模型的優異性。

2 預備知識

2.1 IPA方法

IPA作為一種對產品或服務的用戶滿意度進行分析的方法，最初是由Martilla等[9 - 11]提出的，它根據產品或服務指標對用戶的重要性以及產品或服務的用戶感知性能來衡量用戶滿意度。在IPA方法中，IPA二維矩陣是其核心內容，以圖形方式說明了指標的重要性和滿意度，并將重要性值和性能值繪制在坐標軸中，將其劃分為4個象限，分別為“可能過度殺傷”象限、“保持良好工作”象限、“低優先級”象限和“集中努力”象限。其中，“集中努力”象限(高重要性和低性能)中的指標需要立即關注，并且應提高該指標的用戶滿意度；位于“保持良好工作”象限(高性能和高重要性)的指標具有高重要性和高滿意度的特點，可以用作服務的主要優勢；“低優先級”象限(低重要性和低性能)中的指標不會顯著影響用戶滿意度，也不需要額外的工作量；“可能過度殺傷”象限(高性能和低重要性)中的指標表明，這些指標的資源可以更好地用于其他指標[9]，如見圖1所示。

Figure 1 Two-dimensional matrix of IPA 圖1 IPA二維矩陣

IPA方法作為一種用戶滿意度分析工具，近年來已被廣泛應用于服務質量、云服務質量以及教育服務質量等領域。例如，Pezeshki等[23]采用IPA方法為營銷人員提供用來評估客戶行為和服務質量性能以改進決策和資源分配的依據，并將其應用于移動通信服務行業；Deng[24]根據人類感知具有模糊性的特質，將模糊集與IPA方法結合，并將其應用于臺灣溫泉酒店的服務質量評價當中；Cheng等[25]將IPA方法與模糊理論結合，對臺灣梵塔野生主題公園游客滿意度及其與旅游屬性的關系進行了定量分析；O’Neill等[26]根據IPA分析方法討論了高等教育部門的服務質量評估問題，并為質量持續改進工作提供信息方面的實用價值。根據以上研究及IPA自身優點不難得出，IPA方法能夠為決策者提供影響用戶滿意度關鍵因素的基本情況。基于此，本文嘗試進一步將IPA方法推廣到多源信息云服務質量評價問題中，利用IPA理念框架構建多源信息云服務質量評價的層次指標體系。

2.2 HFS相關知識及猶豫模糊Squared-χ2距離測度

多源信息云服務質量評價是指對多源信息云服務提供商提供的特定云服務是否能夠滿足用戶需求的評價[21]。在評價過程中，由于多源信息云環境的復雜性、不確定性、動態性可能會導致數據缺失，且多源信息云服務涉及對象的廣泛性可能會出現被評對象無法精準刻畫、評價意見無法統一等問題。為解決以上問題，本文采用HFS處理不確定信息。以下給出HFS的定義及計算法則：

定義1[14]設M={μ1,μ2,…,μN}是一組有N個隸屬函數的集合。那么，與M相關的猶豫模糊集hM(x)定義如下：

hM(x)=∪μ∈M{μ(x)}

其中,hM(x)為取值為[0,1]的若干不同數值的集合。為表述方便，將hM(x)稱為猶豫模糊元。

定義2[15]對于任意的3個猶豫模糊元h、h1和h2，它們的基本運算法則如式(1)～式(4)所示(其中θ為常數)：

h1∩h2=h{min(γ1,γ2)|γ1∈h1,γ2∈h2}

(1)

h1∪h2=h{max(γ1,γ2)|γ1∈h1,γ2∈h2}

(2)

θh=h{1-(1-γ)θ|γ∈h},θ>0

(3)

h1⊕h2=h{(γ1+γ2-γ1γ2)|γ1∈h1,γ2∈h2}

(4)

距離測度是本文所提方法的重要環節。文獻[27]基于閔氏距離TOPSIS方法對云服務供應商進行了排序，文獻[28]基于Bhattacharyya距離對多云系統進行了評價。然而，在多源信息云服務環境下，指標的相關性與不對稱信息的廣泛存在使得這些距離測度所得結果與現實不符。因此，本文通過Pearson[22]提出的Squared-χ2距離測度構建一種新的猶豫模糊距離用于度量多源信息云服務質量評價指標與參考指標之間的差距。下面將給出具體定義：

定義3設ha=∪γa∈ha{γa}與hb=∪γb∈hb{γb}是任意2個猶豫模糊元，則ha與hb間的猶豫模糊Squared-χ2距離測度為:

dS～2(ha,hb)=

(5)

其中,#ha與#hb分別為ha和hb中元素的個數，有0≤dS～2(ha,hb)≤1。

下面以1個簡單的例子說明其具體運算：

假設h1={0.4,0.6,0.3}，h2={0.2,0.7}，那么:

(6)

按類似計算方式，可得出其余計算結果，如下：

(7)

(8)

(9)

(10)

(11)

則得到h1和h2的猶豫模糊Squared-χ2距離為0.799。

3 多源信息云服務質量評價模型

3.1 基于指標優劣的猶豫模糊IPA方法

在多源信息云服務背景下，評價和分析多源信息云服務質量指標的優劣是用戶滿意度測量的最重要目標之一[4,8]。參考點依賴是人類評比事物的一般模式，將該模式具體化的評價方法當屬TOPSIS方法和EDAS方法。為對多源信息云服務質量指標優劣性進行科學合理的評價，下面在猶豫模糊環境下，融合TOPSIS的極值參考解依賴和EDAS的均值參考解依賴思想，從評價方案與極值參考解的距離矩陣中再進一步分別以平均參考解為基準獲取方案各指標的最優和最劣距離分量，并得出能夠反映各評價方案集中指標優劣性的綜合優劣勢度。

此外，本文將IPA方法轉化為層次結構，以提供方案集中指標優劣性分析的基本框架，從而獲取用戶滿意度的基本情況。首先，將方案指標劃分為重要性指標(I類指標)和性能指標(P類指標)；接著，基于參考解依賴規則，計算I類指標和P類指標在極值狀態下的平均水平；然后，計算以平均水平為參考解的I類指標和P類指標的綜合優勢度；最后，將方案的I類綜合優勢度和P類綜合優勢度置于IPA二維矩陣中，分析各類指標的優劣性以選出最優方案，同時為管理人員提供影響用戶滿意度的關鍵指標和需要改進指標的基本情況，如圖2所示。

Figure 2 IPA framework for analysis of pros and cons of indicators圖2 指標優劣性分析的IPA框架

3.2 多源信息云服務質量評價步驟

c1c2…cn

(12)

步驟3利用猶豫模糊算術平均將各專家組ek的評價信息進行集結。

(13)

得到以下猶豫模糊集結矩陣：

c1c2…cn

(14)

步驟4從集結決策矩陣中選取正負理想解。正理想解是方案集中并不存在的虛擬的最佳方案，它的每一個指標值都是決策矩陣中該指標的最優值；負理想解則是虛擬的最差方案,它的每一個指標值都是決策矩陣中該指標的最差值。在多指標決策過程中，其決策指標通?？梢苑譃椤靶б嫘汀敝笜?、“成本型”指標。設h+為正理想解，h-為負理想解，可得:

若hij屬于效益型：

(15)

(16)

若hij屬于成本型：

(17)

(18)

步驟5利用猶豫模糊Squared-χ2距離測度分別計算每一個備選方案下指標與正理想解和負理想解的距離。

(19)

因此，得到各方案與正理想解的距離矩陣PD。

(20)

(21)

得到各方案與負理想解的距離矩陣ND。

(22)

(23)

步驟7利用基于依賴極值參考解所得到的平均參考解計算距離矩陣來判斷指標的優劣性。若指標評價值高于平均水平，該指標為優；相反，該指標為劣(其中，h0表示隸屬度全為0的一個特殊HFS)。下面給出不同類指標的距離公式：

若指標cj為效益型指標，則:

(24)

(25)

若指標cj為成本型指標，則:

(26)

(27)

則分別得到正向距離矩陣(PDA)和負向距離矩陣(NDA)：

PDA=[PDAij]m×n

(28)

NDA=[NDAij]m×n

(29)

步驟8對指標進行標準化，再計算每個方案到平均水平的總距離。

(30)

(31)

其中，wj是各指標的權重。

步驟9計算各方案的綜合優劣勢度。為使得到的方案滿足遠離負理想解接近正理想解，本文基于參考解依賴規則，融合依賴極值參考解思想和依賴均值參考解思想，得到各方案的綜合優勢度。

(32)

ssi=(1-cci)·SNi+cci·SPi

(33)

其中，cci表示貼近度，ssi表示綜合優劣勢度。

通過以上步驟，能夠得到各方案指標的綜合優勢度，因此，每個方案都能在IPA網格的4個象限中表示(可參見圖2)。位于象限A(集中努力)的方案屬于低性能高重要性(必要非充分)的方案，云提供商需要立刻關注用戶滿意度；位于象限B(保持良好的工作)的方案屬于高性能高重要性的方案，被認為對多源信息云提供商而言是最優的方案；位于象限C(低優先級)的方案屬于低性能低重要性的方案，被認為是最劣方案；位于象限D(可能過度殺傷)的方案屬于高性能低重要性(充分非必要)方案，被認為對多源信息云提供商而言是不能滿足用戶的基本需求但可用來提高顧客滿意度的方案。

4 案例分析

Figure 3 Multi-source information cloud service quality evaluation index system圖3 多源信息云服務質量評價指標體系

4.1 指標體系構建

用戶根據多源信息云服務質量來選擇相應的特定云服務，從而需建立合理且系統的多源信息云服務質量評價體系。鄧仲華等[29]構建了信息資源云服務質量評價指標，包括6個一級指標：資源條件、資源調度、資源負載均衡、服務費用、服務效用和云服務效用，以及 22 個二級指標，但沒有明確相關指標度量和賦值的方法，沒有測試指標的可行性以及后續的修改；Garg等[12]從不同視角描述了多源云服務質量的組成特征，多源云服務的服務質量QoS(Quality of Service)指標主要包括服務時效性、服務費用、成本、服務執行成功率、可用性、可靠性、穩定性以及安全性；周相兵等[30]研究并優化了多源信息云服務質量模型，從 QoS、軟件即服務SaaS(Software-as-a-Service)、平臺即服務PaaS(Platform-as-a-Service)、基礎設施即服務IaaS(Infrastructure-as-a-Service)和用戶需求UR(User Requirement)5個維度構建多源信息云服務質量的多指標衡量體系，該體系共有25個指標，具有較好的完整性和可測性。綜合以上研究，本文從指標的重要性和性能2個維度，根據多源信息云服務自身的特點和企業服務要求，同時參照指標體系設計原則，構建了科學、合理、系統的多源信息云服務質量評價層次指標體系[1 - 8,26 - 28]，具體指標如圖3所示。

4.2 評價步驟

利用本文所構建的指標體系與評價模型對多源信息云服務質量進行評價，并確定最優方案，步驟如下所示：

步驟1確定I類指標與P類指標評價值。由專家組e1，e2，e3分別對6個方案的I類指標和P類指標進行質量評價，考慮到上文所述的動態性、模糊性等問題，專家組給出的主觀評價數值均為猶豫模糊元，客觀指標值均為近3年的原始數據進行加權平均所得到的結果，評價結果如表1和表2所示。

步驟2利用式(13)將3個專家對I類指標和P類指標的評價信息進行集結，得到猶豫模糊集結矩陣，如表3和表4所示。

步驟3根據式(15)～式(18)從猶豫模糊集決策矩陣中選取方案的正負理想解，如表5和表6所示。

從表5和表6所反映的信息來看，方案4預測為最優方案，方案5預測為最劣方案。

Table 1 Evaluation of I-type indicators by three expert groups

Table 2 Evaluation of P-type indicators by three expert groups

Table 3 I-type indicator assembly matrix

Table 4 P-type indicator assembly matrix

Table 5 Positive and negative ideal solutions for I-type indicators

Table 6 Positive and negative ideal solutions for P-type indicators

步驟4利用式(19)～式(22)分別計算I類指標和P類指標備選方案與正理想解和負理想解的距離，因此得到PD矩陣和ND矩陣，如表7所示。

步驟5分別從I類指標和P類指標的PD矩陣和ND矩陣中選取最大距離分量和最小距離分量，利用式(23)得到每項指標的平均解，如表8所示。

步驟6利用式(24)和式(27)計算各方案到I類指標和P類指標的平均解的距離，從而得到PDA矩陣和NDA矩陣，如表9所示。

步驟7利用式(30)和式(31)對I類指標和P類指標進行標準化，再計算每個方案到平均解的總距離，并根據實際情況，各專家組給予了標準化指標的權重，如表10和表11所示。

Table 7 Distances between I-type and P-type indicators and positive and negative ideal solutions

Table 8 Relative idealized average solutions for I-type indicators and P-type indicators

Table 9 PDA matrix and NDA matrix for I-type indicators and P-type indicators

Table 10 Indicator weights

Table 11 Weighted total distances of I-type indicators and P-type indicators

步驟8利用式(32)和式(33) 計算各方案的I類指標的綜合優勢度和P類指標的綜合優勢度，如表12所示。

獲得每個方案的綜合重要性和綜合性能值后，在IPA網格上繪制了6個方案(如圖4所示)。通過繪制平均重要性能值(0.730)和平均性能值(0.698)得出2個軸，將矩陣分為4個區域。其中，方案1和方案2在“集中努力”象限，方案4在“保持良好工作”象限，方案5在“低級優先”象限，方案3和方案6在“可能過度殺傷”象限。象限A代表了高重要性低性能方案，因此該象限中的方案被認為是管理上的問題，需要立即關注用戶滿意度；象限B代表了高重要性高滿意度方案，表明位于該象限的方案被認為是對用戶充分且必要的方案，同時被評為具有高水平性能的方案，即該象限的方案為最優方案；象限C代表低重要性低性能值方案，從方案5的原始數據可知，可控性、集成性、可用性、可管理性分值均為最低分；象限D代表了低重要性高性能方案，表明位于該象限的方案被認為對用戶而言是充分非必要的方案。綜合以上分析，我們可以得出方案排序結果：x4>x1>x2>x6>x3>x5。

Figure 4 Basic situation of the schemes in the IPA two-dimensional matrix圖4 IPA二維矩陣中方案基本情況

4.3 比較分析

通過本文所給出的評價模型可知，方案4為利用價值最高的方案，為進一步驗證該模型的準確性與優越性，本節將利用相同的原始數據分別使用不考慮用戶滿意度IPA層次結構TOPSIS方法與具有態勢分析SWOT(Strengths Weaknesses Oppor-tunities Threats)層次結構但未考慮平均思想的TOPSIS方法進行對比分析。為節約篇幅這里僅給出最終的排序結果。

(1)根據專家組給出的評價信息與指標權重，利用不具備IPA層次結構TOPSIS方法進行計算，并得出排序結果：x4>x3>x1>x2>x6>x5。通過結果可以看出，不具備IPA層次結構的TOPSIS方法得出最優方案為x4，與本文模型的評價結果一致。一方面，從問題最原始的評價值與重要性角度出發，x4在指標體系中所評價的眾多方面均有出色的表現，且同樣得出x5為綜合得分最低的方案，通過表2與表3所給出的數據可以看出，x5在c1、c3、c4、c7的得分值基本為最低分，所以x5為最劣方案這一評價結果與實際情況相符。另一方面，x1、x2、x3和x6的排序結果與本文所給模型結果不盡相同，主要在于x3和x1的排序，由原始數據可知，在I類指標維度下，x3的c2、c3、c4、c7、c8指標值都優于x1的，其他指標下x3與x1差別不大，因此x3更優于x1。通過以上分析可知，本文所提出的充分考慮用戶滿意度的IPA層次結構對多源信息云服務質量評價具有一定的適用性與優越性。

(2)此外，本文還與具有SWOT層次結構但未考慮平均水平的TOPSIS方法進行了對比，進一步驗證了當評價模型具備層次結構但沒有考慮平均思想時的情況，排序結果為x3>x1>x2>x6>x4>x5，發現與本文模型的x4與x3的排序發生了顛倒。通過IPA網格圖可知，x3離象限B近，但通過數據可知，x3在平均值以下的指標有4類，而x4在平均值以下的指標只有1類。在現實生活中，往往平均思想更貼近決策實際，決策者會選擇平均水平以上的方案。因此，本文模型充分結合實際情況對多源信息云服務質量進行評價，有利于得出更為真實的評價結果。

5 結束語

針對多源信息云服務質量評價問題，以提高多源信息云服務用戶滿意度為出發點，本文在IPA層次分析結構下，以猶豫模糊集為評價信息表述形式，融合TOPSIS方法的極值參考解依賴和EDAS方法的均值參考解依賴思想，提出了一種用于多源信息云服務質量評價的猶豫模糊IPA指標優劣性評價方法。進而，通過對東莞A數字移動網綜合信息服務中心所提出的6種方案進行質量評價，得出該評價模型能夠有效、科學地為多源信息云提供商提供影響用戶滿意度的指標優劣分析。分析結果表明，多源信息云服務提供商可從可控性、集成性和可用性和可管理性4個方面提升多源信息云服務用戶滿意度。

Table 12 I-type indicators and P-type indicators dominance