案例04｜Fuzzy Scale、TFN、Defuzzification 與 Total Relation Matrix

一、案例定位

本案例依原書 Fig. 10.1 前的方法步驟整理。

理解 Fuzzy MICMAC 如何把 Expert Linguistic Judgment 轉為可計算 Influence Structure。

二、學習目標

理解 Linguistic Scale 與 Triangular Fuzzy Number（TFN）。
掌握 Fuzzy Averaging、Defuzzification、Normalization。
理解 Direct／Indirect Influence 與 Driving／Dependence Sum。

三、案例情境

研究方法段描述：Expert 以 no、low、medium、high、very high 等 Linguistic Scale 評估 Pairwise Influence，再轉成 TFN；多位 Expert 的 Fuzzy Direct-influence Matrix 先 Aggregation，之後以 Centroid／Weighted Mean 等方式 Defuzzify 成 Crisp Matrix，再 Normalization 並取得 Total Relation Matrix。

四、開始資料

步驟	原書方法	用途
Linguistic Judgment	No／Low／Medium／High／Very High	表達 Expert Uncertainty
Fuzzification	Triangular Fuzzy Numbers	將語言判斷數值化
Aggregation	Fuzzy Averaging across experts	整合多位 Expert
Defuzzification	Centroid／Weighted Mean 等	形成 Crisp Direct-influence Matrix
Total Relation	原書文字層顯示 T = S(I − S)^−1，抽取時公式重複	捕捉 Direct＋Indirect Influence
Driving／Dependence	Row Sum／Column Sum	MICMAC Classification

五、Excel／AI 分析方法

Excel 可建立 Fuzzy Scale Lookup、Pairwise TFN Matrix、Aggregation、Defuzzification 與 Row／Column Sum；若原書沒有提供具體 TFN Mapping，不應自行指定例如 Low=(0,0.25,0.5)。

六、計算結果

原書提供方法流程，但未在可讀文字中提供本研究每個 Linguistic Term 的具體 TFN 三元組。

七、結果分析與管理解讀

Fuzzy Logic 的目的不是消除 Judgment，而是顯式表示其模糊性；若隨意自訂 Membership Value，會改變最終 Driving／Dependence Result。

八、AI 提問詞

請依原書流程建立 fuzzy MICMAC calculation template；對來源未提供的 TFN membership values 保持空白並標記 required input，不得自行設定。