模糊综合评价法（FCE）是一种基于模糊数学隶属度理论的方法，它将定性评价转化为定量评价。这种方法结果清晰、系统性强，能有效解决模糊且难以量化的问题，非常适合处理各类非确定性决策。
FCE 计算的前提之一是确定各评价指标的权重（即权向量）。虽然这通常由决策者直接指定，但在面对指标繁多且相互关联的复杂问题时，直接给出权重往往比较困难。这正是层次分析法（AHP）所擅长的领域，因此两者常结合使用。
1. 模糊综合评价算法步骤
我们以企业组织和管理水平评价为例，尝试用模糊综合评价方法给出定量结果。这一过程主要涉及模糊综合评价法（模糊数学范畴）、层次综合分析法（运筹学范畴）以及线性代数矩阵运算基础。本文将重点介绍模糊综合评价法的实际应用。
我们先看一个具体的评价数据表。这是专家投票表决后的统计数据，简单来说，就是对需要评价的因素（指标）给出主观或客观的'优、良、一般、较差、非常差'等评价。基于这些数据，我们该如何对企业做出最终评价呢？
1.1. 确定因素集及权重向量
因素集是由影响评价对象的各种因素组成的普通集合，通常用 $U$ 表示，即 $U=(u_1, u_2, \cdots, u_m)$。其中元素 $u_i$ 代表影响评价对象的第 $i$ 个因素，这些因素通常都具有不同程度的模糊性。
假设评定公司组织与管理水平的指标集为 $U=(u_1, u_2, u_3, u_4, u_5)$，分别对应持证上岗、组织赋能、合规管理、员工赋能和绩效管理。
在实际业务中，因素集中的元素往往较多，直接分析容易混乱。我们通常可以对其进行归类分层，形成多级指标。比如通过准则层和因素层构建评价体系，这就涉及到了多级模糊综合评价（一般一级指标不超过 5 个）。
上表中的权重来自 AHP（层次分析法），因素集和权重矩阵的实际数据如下所示。权重通过 AHP 逐层分解，例如'持证上岗'的权重会进一步分解到'人员专业化'和'人员持证率'两项。需要注意的是，因素层之间如果没有直接关系，其各自权重应独立使用。
1.2. 建立综合评价的评价集
评价集是评价者对评价对象可能做出的各种结果所组成的集合，通常用 $V$ 表示，即 $V=(v_1, v_2, \cdots, v_n)$。其中元素 $v_j$ 代表第 $j$ 种评价结果，可以根据实际情况设定，例如 $V=${优，良，一般，较差，非常差}。