摘要
企业风险评估是有效决策的重要组成部分，它需要在多样且往往不确定的标准下对多个备选方案进行系统评估。随着复杂且异构的商业数据快速增长，传统决策方法在同时表示不完全信息、不确定性和周期性行为时可能面临困难。这些挑战凸显了对灵活且计算高效的算法框架的需求，以支持在不确定且具有相位依赖性的决策信息下进行结构化风险评估。为应对这些挑战，本研究开发了一种针对复杂单值中性模糊软集（CSvNSSs）的Einstein聚合框架。该研究引入了中性模糊Einstein加权算术平均算子和中性模糊Einstein加权几何算子，以实现不确定决策信息的非线性聚合。所提出的框架提供了一种灵活机制，用于有效整合风险评估和决策问题中的复杂、周期性和不完全信息。建立了所提出算子的基本性质，以验证其数学一致性和适用性。随后，开发了一种风险感知的MADM算法，用于聚合专家评估、纳入属性权重，并在数据不确定性和参数不确定性同时存在的情况下对竞争备选方案进行排序。本文提出了一个假设性的商业选址案例研究，以说明所提出框架的计算适用性，并采用额外的合成决策问题来检验数值可扩展性和内部一致性。所得排序结果通过与现有基于聚合的决策方法进行对比分析进一步进行了考察。最后，本文以完整的研究发现、其局限性及未来研究方向作为结论。
