基于Dempster-Shafer理论的公共服务供给模式群决策框架研究

为解决公共服务供给模式选择中的多准则不确定性问题，研究人员构建了基于Dempster-Shafer理论和层次聚类的群决策框架，通过融合主观与客观权重、证据语言项集（ELTS）和TOPSIS方法，实现了旧社区改造等场景下的最优模式选择，为政府决策提供了科学工具。

　　

公共服务供给一直是政府改革的核心议题，尤其在财政压力和服务需求多元化的背景下，如何选择最优供给模式成为难题。当前研究面临三大挑战：供给模式与服务的交叉性导致适配标准模糊（如Kauppi等指出的多样性问题）；评价指标如成本、公平性等存在争议（Schoute等与Li等结论不一）；动态需求使固定模式难以持续。针对这些问题，国内研究人员提出了一种创新性解决方案。

研究团队构建了包含资产专用性、市场竞争等8项指标的评价体系，结合Dempster-Shafer理论（DST）处理不确定性信息，并引入凝聚层次聚类（AHC）降低证据冲突。通过两阶段证据融合（类内融合与类间融合）和主客观权重结合，最终采用TOPSIS（逼近理想解排序法）实现模式排序。关键技术包括：基于Jousselme距离的专家客观可信度计算、证据语言项集（ELTS）的模糊评价表达，以及针对旧社区改造案例的实证验证。

研究结果显示，在"背景描述"部分，该框架可拓展至医疗领域PPP医院等复杂场景；"多准则群决策框架"章节详细设计了专家评价聚合流程，通过L名专家对m种模式在n项指标下的ELTS评分，结合权重W完成融合；"结论"部分强调该研究填补了公共服务模式选择的理论空白，其分层证据融合机制显著提升了决策可靠性。

讨论部分指出，该框架的创新性体现在三方面：首次建立公共服务供给的八维评价体系；通过层次聚类优化DST证据合成；构建可迁移的ELTS-TOPSIS决策链。研究不仅为旧社区改造提供直接方案，更为教育、医疗等领域的公私合作（PPP）模式选择提供了方法论支持，发表于《Engineering Applications of Artificial Intelligence》的成果标志着人工智能在公共管理决策中的前沿应用。