军融智库丨部队整体训练评估指标体系的构建

学术   2024-10-31 17:55   北京  
部队整体训练评估指标体系的构建
石路 杜荔红




摘要】本文研究了部队整体训练评估指标体系的构建,旨在提升部队遂行军事任务的能力。首先阐述了整体训练的概念,并提出了构建评估指标体系的必要性。后详细介绍了评估指标体系的三个主要组成部分:指标层次、测评标准和指标赋权。在指标赋权部分,区分了主观赋权方法和客观赋权方法,并对每种方法的原理、步骤和优缺点进行了深入分析。主观赋权方法包括德尔菲法、层次分析法、二项系数法和环比评分法;客观赋权方法包括变异系数法、熵权法、主成分分析、因子分析和灰色关联度分析法。


关键词】训练评估|指标体系|指标赋权


部队整体训练是军事部队为提高遂行作战任务的能力而进行的各个要素的协调训练。其核心在于依据职责分工,按照作战流程,提升各部门的配合水平,形成整体作战能力。为提升整体训练的质量和效益,关键是构建与实战要求相适应的考核评估指标体系,为全面、系统、精准地开展整体训练评估奠定基础,使评估结果能全面检验部队的作战能力,促进部队整体训练水平的不断提升和核心战斗力的稳步增强。


一、整体训练评估指标层次的划分


由于每个指标都是围绕评估目的而设置的,具有很强的指向性和一致性,因而可以采用逐层分解目标的方法来建立指标体系的结构。为了准确反映整体训练综合态势,评估指标体系通常应划分三至四级指标。一般来说,以整体训练总的目标任务为“树根”,作为一级指标;根据这个“树根”进行大的评估项目分类,作为二级指标;根据每项二级指标逐步分出评估项目,作为三级指标;根据三级指标划分具体的评估内容,以此类推,逐步细化。


二、整体训练评估指标测评标准的确立


测评标准,是评价每项指标优劣的尺度。这是建立评估指标体系最为重要、最为复杂、最讲科学的工作。指标的测评标准设置不科学、不明确,建立起来的指标体系也难以发挥作用。由于各级指标具有明确的从属关系,因此测评标准只对末端指标起直接作用。每个末端指标,可以有一个测评标准,也可以有数个测评标准。


三、整体训练评估指标赋权方法


指标赋权是基于不同的准则或信息来源来确定各个评价指标在整体评价体系中的相对重要性的过程。指标赋权方法一般分为主观赋权方法和客观赋权方法。

(一)主观赋权方法

主观赋权方法是在建立评价体系时,依据决策者的主观判断或专家的经验、直觉等非量化信息来确定各项指标权重的方法。优点在于能够充分考虑决策者的专业知识和特定情境下的特殊需求,尤其在数据难以量化或无法获取客观数据的情况下,具有很强的应用灵活性。缺点是受制于个人偏见、认知局限等因素,权重的确定可能存在较大的主观随意性和不确定性。常用的主观赋权方法包括以下几种:

1.德尔菲法

德尔菲法(Delphi Method),又称专家调查法。选择若干专家组成评判小组,各专家独立给出一套权数,形成一个评判矩阵,通过综合处理得出综合权数。该方法是利用专家的知识、智慧、经验等无法数量化的、带有很大模糊性的信息形成对各方面的评价权数,体现了评价者的主观偏好。优点是方法操作简单,原理清楚明了,能够充分体现训练组织者和领导者的决策导向。缺点是权数受主观因素影响较大,不能形成具有说服力且稳定的一套权数。适合数据收集困难或者信息量化不易准确的评价项目。

2.层次分析法

层次分析法(Analytic Hierarchy Process,AHP)是根据研究对象的性质,将要求达到的目标分解为多个组成元素,并按照元素之间的支配关系,将其层次化,组成一个有序的层次结构模型,通过求解判断矩阵的特征向量,得出各元素相对于上一级元素的优先权重。

3.二项系数法

二项系数法通常用于处理具有对称性或顺序性的指标体系。对于一个由n个指标组成的体系,每个指标都被视为一个二项式的项,其权重由二项式系数来确定。二项系数法的关键在于通过组合数学中的二项式定理来计算权重。二项系数法适用于指标之间具有一定对称性的情况,如果指标之间差异很大,则不适用。需要注意的是,虽然名为“二项系数法”,但在实际应用中,如何精确地将二项系数映射到权重分配上的细节可能会因具体应用场景的不同而有所差异。

4.环比评分法

环比评分法,也称为DARE法或相邻比较法,是一种通过逐级比较相邻指标的重要性来逐步分配权重的主观赋权方法。基本步骤如下:

(1)初始化评分:针对评价体系中的所有指标,专家或决策者需要对其进行一次整体重要性的初始评分或排序。

(2)相邻比较:从上至下(或从最重要到相对次要)进行相邻指标间的对比评分,即,专家依次比较第一个指标与第二个指标的重要性,第二个指标与第三个指标的重要性,依此类推。

(3)暂时赋权与修正:每一对相邻指标间比较的结果转化为一个分数或比例,暂定为这两个指标的重要度系数。为了保证权重分配的连续性和稳定性,往往会对这些暂定系数进行修正。

环比评分法简单易操作,特别适用于当评价指标数量不多且专家能够清晰比较相邻指标重要性差异的情况。通过逐层递归比较和修正,该方法可以在一定程度上减少单一赋权决策带来的偏差,更加贴近实际评价需求。

(二)客观赋权法

客观赋权法是指在构建评价指标体系时,依据数据本身固有的特征、统计规律或相关性,而不是完全依赖于专家或决策者的主观判断,来确定各项指标权重的方法。这种赋权方法强调数据驱动和客观事实基础,常用于有大量历史数据或统计数据可供分析的场景。下面介绍几种常见的客观赋权法:

1.变异系数法

变异系数法(Coefficient of Variation,CV)基于统计学原理,用于评价指标体系中各指标的数据变异程度,适用于在多个指标的单位或量纲不一致,或者期望突出变动幅度较大的指标时,用来计算指标的权重。

变异系数是标准差与平均数之比,公式如下:
CV(变异系数)=σ/μ

其中:σ是指标的标准差,它反映了数据围绕平均数的分散程度;μ是指标的平均数。

在赋权过程中,变异系数法的具体步骤如下:

(1)计算每个评价指标的标准差和平均数;
(2)根据上述公式计算每个指标的变异系数;
(3)将各个指标的变异系数相加以得到总变异系数;
(4)计算每个指标的权重。计算公式:权重=变异系数/总变异系数之和。

2.熵权法

熵权法(Entropy Method)是一种基于信息熵理论的客观赋权方法。熵在信息论中表示信息的不确定性,熵越大,说明信息的不确定性越高,蕴含的新信息量也就越多。在评价指标体系中,熵权法认为,指标提供的新信息量越大,其权重就应该越高。运用熵权法赋权的具体步骤如下:

(1)数据预处理:对于每一个评价指标i,首先收集到m组样本数据,将其标准化或归一化处理;
(2)计算概率分布:计算每个指标i在所有样本中不同取值出现的概率Pij;
(3)计算指标熵:使用信息熵公式计算每个指标的熵值Ei,公式为:Ei=-∑(Pij*logPij)。其中,j代表指标i的所有可能取值,log是以2为底的对数,常用自然对数代替。

通过熵权法,可以有效地避免主观赋权的不确定性,更客观地反映出各指标在总体评价体系中的信息价值。然而,熵权法同样依赖于数据质量和完整性,在实际应用中,对于非常集中或分散的数据,熵权法的效果可能会受到影响。

(三)组合赋权方法

由于主观赋权法和客观赋权法各有利弊,因此在实际应用中,常采取主客观相结合的方式,以提高赋权结果的稳定性和可靠性。

1.算术平均法
最直接的组合方法,即将主观权重和客观权重简单平均,得到最终的权重。公式如下:
Wfinal=(Wsubjective+Wobjective)/2
其中,Wsubjective是通过主观方法得到的权重,Wobjective是通过客观方法得到的权重。

2.加权平均法
根据主观和客观权重的可信度或重要性给予不同的权重,然后进行加权平均。公式如下:
Wfinal=Wsubjective×α+Wobjective×(1−α)
其中,α是主观权重的权重系数,取值范围在0到1之间。

3.乘积平均法
通过计算两种权重的乘积的平均值来得到组合权重,步骤如下:

(1)对每个指标计算组合权重:
Wfinal,i=∑(Wsubjective,i×Wobjective,i)/n
(2)为了确保组合权重的总和为1,需要对计算出的组合权重进行归一化处理:
Wnormalized,i=Wfinal,i/∑Wfinal,i


四、结语


综上所述,构建一个科学合理的整体训练评估指标体系对于提升部队的作战能力和训练质量至关重要。通过综合运用主观赋权和客观赋权方法,我们可以更全面地评估整体训练效果,并为决策提供有力支持。然而,每种赋权方法都有其局限性,因此在实践中应根据评估目的、数据可用性和专家意见等因素,灵活选择和组合不同的赋权方法。




参考文献
[1]中国人民解放军军语[Z].2011.
[2]杜立平,蔡二庆.军事训练评估基本问题研究[J].军事运筹与评估,2022,37(4).
[3]张杰,唐宏.效能评估方法研究[M].北京:国防工业出版社,2009.
[4]刘志强,王慧晴,温颖.科技评估方法综述及简评[J].科技与创新,2021(10).
[5]杨宇.多指标综合评价中赋权方法评析[J].理论新探,2006(7).

进入小程序,为您喜欢的论文点赞!

来源:中国军融智库

本期编辑:王迪

合作邮箱:hezuo@chnmil.cn

投稿邮箱:tougao@chnmil.cn

你的赞和在看,我都喜欢!

中国军转民
中国军转民杂志,是由国防科工局主管的国家一级期刊,主要覆盖相关政府部门、各军兵种装备机关、各大军工集团、各省市工办、各军地高校、科研院所,和广大民口、民营企业单位。宣传和开展军转民的各项工作,是军地技术、人才、产品互相转化的专业平台。
 最新文章