试论AHP分析法在行业分析中的应用 - 李亦哲

Economic＆TradeUpdateVol.4Sum.No.45Oct.2006

试论AHP分析法在行业分析中的应用

李亦哲(中南财经政法大学金融学院　湖北　武汉)

【摘要】　行业分析是介于宏观经济分析和微观经济分析之间的重要环节,是投资决策的重要参考。本文在国内外行业分析理论以及方法的研究基础上,使用AHP分析法将各种行业分析理论模型和指标体系进行了系统化总结和归纳,构建了新的行业分析模型,并对各种类型指标的统一量化处理方法进行了研究。【关键词】　AHP分析法　行业分析

　　行业分析是以产业经济学为理论基础以行业发展前景为内容的实证分析。目前较为主流的行业分析模型主要有生命周期模

型、SCP模型、竞争结构模型等。AHP分析法作为一种决策方法,已在世界上获得广泛的应用。其核心思想方法是将整体分为若干部分,并将每部分分为若干层次,从而考察子层次中每个因素对母层次的影响大小并确定权重。本文以三种模型为基础,通过AHP模型为“桥梁”,将影响行业发展的重要因素统一到一个模型中,从而解决行业分析中的片面性和量化程度不足的问题。

一　AHP分析法的基本原理层次分析法(AHP)是将与决策有关的因素分解成目标、准则、方案等层次,在此基础上进行定性和定量分析的决策方法。最早是由美国运筹学家T.L.Saaty教授于20世纪70年代提出。其基本原理是根据问题的性质和要达到的总目标将问题分解为不同的组成因素,按照因素间的相互关联影响及隶属关系,按不同层次聚集组合,形成一个多层次的分析结构模型。具体分析步骤如下:

第一步,层次的划分,即将影响决策对象的众多因素按照一定标准分层,在递阶层次结构中,每一高层次是对相邻低层次的概括,而每一低层次则是其相邻高层次的具体化。

第二步,权重的分配,即根据重要性程度,确定每一层的各因素、各指标在其所归属的相邻高层次的子因素集中所占的权数大小。

第三步,计算各子因素集的指标。

第四步,确定子因素集中每一个因素的得分。

第五步,综合计算评价,即根据各方案的得分进行方案的取舍。二　AHP分析法在行业分析中的应用

在对行业发展前景进行分析时,所需考虑的因素也是非常多的。通过AHP分析法可将决策者对各种因素的判断量化,对各种因素之间的相互关系进行梳理。以下本文将按照AHP分析法的基本原理来研究AHP分析法在行业分析中的具体运用。

(一)　行业分析模型的构建

通过对SCP模型、竞争结构模型、产业生命周期模型以及财务管理学中的相关内容的总结和归纳,找出对行业发展影响最为明显的因素。构建出行业分析的层次结构模型。具体模型见表1。

表1　行业分析层次模型结构表

　　(二)运用AHP法确定各指标的权重

1　构造判断矩阵

矩阵用以表示同一层次各个指标的相对重要性的判断值,它由若干位专家来判定。考虑到专家对若干指标直接评价权重的困难,根据心理学家提出的人区分信息等级的极限能力“7±2”的研究结论,AHP方法在对指标的相对重要程度进行测量时,引入了九分位的相对重要的比例标度,构成一个判断矩阵A。矩阵中各元素表示横行指标对各列指标相对重要程度的两两比较值。相对重要性比较见表2等级标度:

表2　分级标度法

甲指标与乙指标相比甲指标评价值备注

极重要9

很重要7

重要5

略重要3

相等1

略不相等1/3

不重要1/5

很不重要1/7

极不重要1/9

取6,6,4,2,1/2,1/4,1/6,1/8为上述评价值的中间值

　　以现有某行业现有竞争对手的竞争为例,假定专家评定其判断矩阵见表3。

表3　某行业现有竞争对手的竞争状况评价因素判断矩阵指标竞争战略偏好度公司数量差异率目标产业公司集中度

竞争战略偏好度

135

公司数量差异率1/312

目标产业公司

集中度

1/51/21

　　2　一致性检验

在对AHP分析法的实际运用中常常会出现我们所构造的判断矩阵A并不是一致性矩阵的情况。以表3中所假设的某行业现有竞争对手的竞争状况评价因素判断矩阵为例。矩阵中的1/3表示就现有竞争对手的竞争程度来说,竞争战略偏好度和公司数量差异率的重要性之比是1∶3,而1/5是指竞争战略偏好度与目标产业公司集中度的重要性之比是1∶5,1/2时指公司数量差异率和目标产业公司集中度的重要性之比是1∶2,由此可见,目标产业公司集中度对现有竞争对手的竞争程度影响最大。

但是如果仔细分析将会发现,既然指竞争战略偏好度与公司数量差异率的重要性之比是1∶3,而公司数量差异率的重要性之比是与公司数量差异率和目标产业公司集中度的重要性之比为1∶2,则竞争战略偏好度与公司数量差异率和目标产业公司集中度的比例应为1∶6而不是1∶5,这时我们就称判断矩阵A不是一致

66

时代经贸　2006年10月　第4卷　总第45期

性矩阵。即:A不满足aij*ajk=aik,(i,j,k=1,2,3…,n)

不过当A是n较大的判断矩阵时,要求判断矩阵一致性矩阵是比较困难的。由于n阶一致性矩阵的唯一非零特征根为n,而n阶互反矩阵的最大特征值为λ≥n。且当λ=n时A是一致性矩阵。若λ比n大的越多,则A的不一致性就越严重。针对这一特点T.L.Saaty提出了一种通过比较n阶矩阵的最大特征根λ与n的差值的大小来衡量矩阵不一致性大小的方法,在这里我们也借用了这一方法进行分析。T.L.Saaty提出了CI值这一指标,其定义为:

CI=(λ-n)/(n-1)

当n=0时,A为一致性矩阵。CI越大则A的非一致性就越严重。

为了确定A的不一致性程度的容许范围,Saaty又提出了随机一致性指标RI,并对不同的n求出RI的数值。见表4。

表4　随机一致性指标的RI数值

nRI

10

20

30.58

4

5

6

7

8

9

10

111.51

0.901.121.241.321.411.451.49

统计所有专家所打分数的算术平均值mij

即mi=i=1

n

式中mij是第j位专家对第i项指标的评分,n是参加专家的人数。

2　定量指标

因为行业间的具体情况的差异,对同一定量指标来说也不能使用同一量化标准来进行衡量。所以,也必须采用适当的方法来确定定量指标的模糊评分分值。具体分析时可以区分为三种情况:

①　　对于越大越优的指标采用升半梯行分布函数其公式为:

10

mi(x)=10*(a2-x)/(a2-a1)

0

x≤a1

a1

∑m

n

ij

　　表中n=1、2时RI=0,这是因为1、2阶的正互反矩阵总是一致性矩阵。对于n≥3的矩阵A,将它们的一致性指标CI与同阶的随机一致性指标RI之比称作一致性比率CR,当CR=CI/RI<0.1时认为A的不一致程度是在容许范围之内的,也就是说所构建的判断矩阵是可以使用的,反之则要重新对A进行调整直到CR<0.1时方可使用。

3　求出各影响因素的权重

在确定所构建的判断矩阵A满足一致性检验的要求后我们可以利用几何平均法的原理将各个因素的权重求出。

首先对判断矩阵A按行将各元素连乘,求出各元素的几何平均值。公式为:

bi=n

n

式中x表示指标值,a2,a1表示定量指标的合理取值范围的上下限。值得提出的是,对于缺乏行业标准值的指标,我们可以用国外先进企业的数据作为参考指标进行估算,从而反映现阶段我国行业发展水平。

②对越小越优的指标采用降半梯形分布函数其公式为:

10

mi(x)=10*(a2-x)/(a2-a1)

0

③对于越接近某标准越优型的指标

当指标值大于标准值时,所得分数为:mi=(1-(当x>a2时mi=0)

当指标值小于标准值时,所得分数为:mi=(1-(当x

(四)　计算上层次因素的得分

在综合(二)(三)两部分所得到的子因素层各个指标的权重和各指标的得分后,计算出上层因素的得分:

M=∑wimi

i=1n

x≤a1

a1

∏(i=1,

j-1

2,3……n)

x-a

)a2-aa-x

)a-a1

然后把bi(i=1,2,3……n)归一化,即求得指标权重系数wi。公式为:

wi=

b

∑b

i

n

(i=1,2,3……n)

i

　　(三)　指标度量的确定

由于在行业分析的模型中,定量指标和定性指标是相互混杂的,而且在行业之间存在着不同的行业标准,这都给指标的度量带来了一定的困难。为了解决这些问题,使评价体系更有操作性,可以采用模糊评价法并设定模糊评价法的等级集合。

评价等级的设定是比较灵活的,在本文中笔者将其设定为V={V1重大利好,V2一般利好,V3无影响,V4一般利空,V5重大利空},其中最好评价赋值10,最差评价赋值0。由于前文所提及的各类指标的混杂问题,以下将分情况讨论如何针对各种指标进行模糊评分。

1　定性指标

对于此类指标采用算术平均的方法来确定每个指标度量的大小。即让参与评价的各个专家分别独立给出各指标的分值,然后

四　结论

AHP分析法在对复杂的行业分析的过程中,可以把影响行业发展前景的各种定量信息和定性信息进行系统的处理,并且使决策过程数学化。对改善目前行业分析方法较为混乱以及所使用的模型有片面化缺点的情况具有一定的意义。值得提出的是,行业分析中使用的AHP分析法是将对行业具有影响的各个因素进行系统联系分析的一种方法。在使用过程中所具有的层次不能局限于本文所列举的四个层次,而应该针对各个不同的行业扩展出更为丰富的子因素层次,使模型贴近于每一个行业的具体情况,从而提高分析结果的精确度与准确度。

67