神经网络测评方法
人工神经网络(简称神经网络)是一种通过模拟人脑神经细胞的结构和功能来进行信息处理的技术 由大量简单的神经元广泛互联而形成 具有存储和应用经验知识的自然特性。神经网络有多种模型 在进行质量竞争力指数测评时，我们主要采用误差反向传播前馈网络(简称BP网络) 该网络是各类神经网络模型中应用最为广泛的代表性网络。
典型的BP网络含有一个或多个隐含层 一般采用误差反向传播算法训练网络的权值和偏差。
复合线性矩阵测评方法
复合线性矩阵法是一种多因素评价方法，比较适用于企业质量竞争力测评和诊断分析。该方法通过选择对企业运营质量具有重要影响的关键因素与职能部门 分别构建部门一质量意识矩阵和部门一质量因素矩阵 形成复合矩阵(参见下表) 评估各质量因素在具体部门的实施情况 并将其实际运营效果与其最大潜能相比较 最终形成质量竞争力指数。
卓越绩效准则评价方法
2005年1月1日．国家标准《卓越绩效评价准则》正式实施。该准则主要从领导、战略、顾客与市场、资源、过程管理、测量分析与改进 经营结果等七个方面规定了卓越绩效的评价要求．可以全面地诊断、评价组织经营管理的成熟度。卓越绩效评价准则的七种要素结构关系如下图： 从图中可以看出：卓越绩效评价中所考虑到的七方面因素，已经涵盖了质量竞争力测评中涉及的要素，并增加了领导、资源，以及测量、分析与改进等因素。并且，卓越绩效评价考虑到了相对竞争对手和业内标杆的比较，同时注重对评价因素的差异化分析，评价过程中各要素的评分赋值体现了因素的权重分配。因而，卓越绩效评价结果可以在一定程度上为企业质量竞争力水平提供一种近似的估计。
主成分分析法
在进行指数化测评时，较多的测评指标在带来有关信息的同时，也给数据分析带来了一定困难，同时，这些数据之间还可能存在着较强的相关性，如果直接进行分析，可能因多重共线性的存在而无法得出正确结论。此时，我们可以选用主成分分析和因子分析等统计方法，对原始测评数据进行降维处理，将众多观测指标浓缩为少数关键变量，有效提取原始数据的内在结构，并解决多重共线性等问题。
原则上，如果有n个变量，则最多可以提取出n个主成分，但如果将它们全部提取出来就失去了该方法简化数据的实际意义，多数情况下前2～3个主成分就已经包含了90%以上的原始信息，其它主成分则可忽略不计。
层次分析法
在进行质量竞争力指数化测评时，有时限于客观条件约束而缺少量化的数据，需要借助专家知识和经验进行从定性到定量的转化处理，而层次分析法恰恰为此类问题的决策提供了一种简洁而实用的测评方法。该方法最早由美国运筹学家、匹茨堡大学教授TLSaaty于上世纪70年代提出。其特点是在对复杂决策问题的本质，影响因素及其内在关系等进行深入分析基础上，利用较少的定量信息使决策思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法，尤其适用于对决策结果难以直接准确计量的场合。
层次分析法的基本原理是：根据具有递阶结构的目标、子目标(准则)、约束条件、部门等来评价方案，采用两两比较的方法确定判断矩阵，然后把判断矩阵的最大特征根相对应的特征向量的分量作为相应的系数，最后综合给出各方案的权重(优先程度)。它是将复杂的问题分解成为若干层次，在各个层次上再逐步分解，将人为主观判断和定性分析用数量形式表达、转换和处理后综合分析。
