权重确定方法归纳

权重确定方法归纳
多指标综合评价是指人们根据不同的评价目的，选择相应的评价形式据此选择多个因素或指标，并通过一定的评价方法将多个评价因素或指标转化为能反映评价对象总体特征的信息，其中评价指标与权重系数确定将直接影响综合评价的结果。

按照权数产生方法的不同多指标综合评价方法可分为主观赋权评价法和客观赋权评价法两大类，其中主观赋权评价法采取定性的方法由专家根据经验进行主观判断而得到权数，然后再对指标进行综合评价，如层次分析法、综合评分法、模糊评价法、指数加权法和功效系数法等。

客观赋权评价法则根据指标之间的相关关系或各项指标的变异系数来确定权数进行综合评价，如熵值法、神经网络分析法、TOPSIS法、灰色关联分析法、主成分分析法、变异系数法等。

两种赋权方法特点不同，其中主观赋权评价法依据专家经验衡量各指标的相对重要性，有一定的主观随意性，受人为因素的干扰较大，在评价指标较多时难以得到准确的评价。

客观赋权评价法综合考虑各指标间的相互关系，根据各指标所提供的初始信息量来确定权数，能够达到评价结果的精确但是当指标较多时，计算量非常大。

下面就对当前应用较多的评价方法进行阐述。

一、变异系数法
（一）变异系数法简介
变异系数法是直接利用各项指标所包含的信息，通过计算得到指标的权重。

是一种客观赋权的方法。

此方法的基本做法是：在评价指标体系中，指标取值差异越大的指标，也就是越难以实现的指标，这样的指标更能反映被评价单位的差距。

例如，在评价各个国家的经济发展状况时，选择人均国民生产总值(人均GNP)作为评价的标准指标之一，是因为人均GNP不仅能反映各个国家的经济发展水平，还能反映一个国家的现代化程度。

如果各个国家的人均GNP没有多大的差别，则这个指标用来衡量现代化程度、经济发展水平就失去了意义。

由于评价指标体系中的各项指标的量纲不同，不宜直接比较其差别程度。

为了消除各项评价指标的量纲不同的影响，需要用各项指标的变异系数来衡量各项指标取值的差异程度。

各项指标的变异系数公式如下：
式中：
是第项指标的变异系数、也称为标准差系数；
是第项指标的
标准差；是第项指标的平均数。

各项指标的权重为：
（二）案例说明
例如，英国社会学家英克尔斯提出了在综合评价一个国家或地区的现代化程度时，其各项指标的权重的确定方法就是采用的变异系数法。

案例：利用变异系数法综合评价一个国家现代化程度时的指标体系中的各项指标的权重。

数据资料是选取某一年的数据，包括中国在内的中等收入水平以上的近40个国家的10项指标作为评价现代化程度的指标体系，计算这些国家的变异系数，反映出各个国家在这些指标上的差距，并作为确定各项指标权重的依据。

其标准差、平均数数据及其计算出的变异系数等见表1-1。

i i
i x V σ=
()n i ,,2,1 =i
V i i σi i x
i ∑==
n
i i
i
i V
V W 1
计算过程如下：
（1）先根据各个国家的指标数据，分别计算这些国家每个指标的平均数和标准差；
（2）根据均值和标准差计算变异系数。

即：这些国家人均GNP 的变异系数为：
农业占GDP 比重的变异系数：
其他类推。

（3）将各项指标的变异系数加总：
（4）计算构成评价指标体系的这10个指标的权重： 人均GNP 的权重：
农业占GDP 比重的权重：
其他指标的权重都以此类推。

（三）变异系数法的优点和缺点
当由于评价指标对于评价目标而言比较模糊时，采用变异系数法评价进行评定是比较合适的，适用各个构成要素内部指标权数的确定，在很多实证研究中也多数采用这一方法。

缺点在于对指标的具体经济意义重视不够，也会存在一定的
7 966.27
0.667
11 938.4
i
i i
V x σ=
=
=782.0352
.9316
.7==
=
i
i
i x V σ0.6670.7820.2360.560.537 4.59+++
++=145.059
.4667
.01
==
=
∑=n
i i
i
i V
V W 1704.059
.4782
.01
==
=
∑=n
i i
i
i V
V W
误差。

二、层次分析法
（一）层次分析法概述
人们在对社会、经济以及管理领域的问题进行系统分析时，面临的经常是一个由相互关联、相互制约的众多因素构成的复杂系统。

层次分析法则为研究这类复杂的系统，提供了一种新的、简洁的、实用的决策方法。

层次分析法(AHP法) 是一种解决多目标的复杂问题的定性与定量相结合的决策分析方法。

该方法将定量分析与定性分析结合起来，用决策者的经验判断各衡量目标能否实现的标准之间的相对重要程度，并合理地给出每个决策方案的每个标准的权数，利用权数求出各方案的优劣次序，比较有效地应用于那些难以用定量方法解决的课题。

（二）层次分析法原理
层次分析法根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层(供决策的方案、措施等)相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定。

层次分析法的特点是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上，利用较少的定量信息使决策的思维过程数学化，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。

尤其适合于对决策结果难于直接准确计量的场合。

（三）层次分析法的步骤和方法
•建立层次结构模型
•构造判断（成对比较）矩阵
•层次单排序及一致性检验
•层次组合排序及一致性检验
1. 建立层次结构模型
利用层次分析法研究问题时，首先要把与问题有关的各种因素层次化，然后构造出一个树状结构的层次结构模型，称为层次结构图。

一般问题的层次结构图分为三层，如图所示。

最高层为目标层（O ）：问题决策的目标或理想结果，只有一个元素。

中间层为准则层（C ）：包括为实现目标所涉及的中间环节各因素，每一因素为一准则，当准则多于9个时可分为若干个子层。

最低层为方案层（P ）：方案层是为实现目标而供选择的各种措施，即为决策方案。

一般说来，各层次之间的各因素，有的相关联，有的不一定相关联；各层次的因素个数也未必一定相同．实际中，主要是根据问题的性质和各相关因素的类别来确定。

层次分析法所要解决的问题是关于最低层对最高层的相对权重问题，按此相对权重可以对最低层中的各种方案、措施进行排序，从而在不同的方案中作出选择或形成选择方案的原则。

2. 构造判断（成对比较）矩阵
构造比较矩阵主要是通过比较同一层次上的各因素对上一层相关因素的影响作用．而不是把所有因素放在一起比较，即将同一层的各因素进行两两对比。

比较时采用相对尺度标准度量，尽可能地避免不同性质的因素之间相互比较的困难。

同时，要尽量依据实际问题具体情况，减少由于决策人主观因素对结果造成的影响。

决策目标(o )
准则1(C 1)
准则2(C 2)
准则m 1(C m1)
子准则1(C 1(1)
)
子准则2(C 2(1)
)
方案
方案
方案
子准则m 2 (C m2(1)
)
设要比较n 个因素n C C C ,,,21 对上一层（如目标层）O 的影响程度，即要确定它在O 中所占的比重。

对任意两个因素i C 和j C ，用ij a 表示i C 和j C 对O 的影响程度之比，按1～9的比例标度来度量),,2,1,(n j i a ij =．于是，可得到两两成对比较矩阵n n ij a A ⨯=)(，又称为判断矩阵，显然
0>ij a ,),,2,1,(,1,1
n j i a a a ii ij
ji ===
因此，又称判断矩阵为正互反矩阵．
比例标度的确定：
ij a 取1-9的9个等级，ji a 取ij a 的倒数,1-9标度确定如下： ij a = 1，元素i 与元素j 对上一层次因素的重要性相同； ij a = 3，元素i 比元素j 略重要； ij a = 5，元素i 比元素j 重要； ij a = 7， 元素i 比元素j 重要得多； ij a = 9，元素i 比元素j 的极其重要； 2ij a n =，1,2,3,4
n =元素i 与j 的重要性介于21ij a n =-与21ij a n =+之间；
1
ij a n
=
，1,2,9n =当且仅当ji a n =。

由正互反矩阵的性质可知，只要确定A 的上（或下）三角的
2
)
1(-n n 个元素即可。

在特殊情况下，如果判断矩阵A 的元素具有传递性，即满足
),,2,1,,(n k j i a a a ij kj ik ==
则称A 为一致性矩阵，简称为一致阵． 3. 层次单排序及一致性检验
3.1相对权重向量确定 （1）和积法
取判断矩阵n 个列向量归一化后的算术平均值，近似作为权重，即
),,2,1(11
1
n i a a n w n j n k kj
ij
i ==∑∑==
类似地，也可以对按行求和所得向量作归一化，得到相应的权重向量。

（2）求根法（几何平均法）
将A 的各列（或行）向量求几何平均后归一化，可以近似作为权重，即
),,2,1(1
11
11
1n i a a w n
j n
k n
n j kj n
ij n j i =⎪⎪⎭
⎫ ⎝⎛⎪⎪⎭
⎫ ⎝⎛=∑
∑∏∏====
（3）特征根法
设想把一大石头Z 分成n 个小块n c c c ,,,21 ，其重量分别为n w w w ,,,21 ，则将n 块小石头作两两比较，记j i c c ,的相对重量为),,2,1,(n j i w w a j
i
ij ==，于是可得到比较矩阵
1
1
112222121
2
n n n n n n w w w w w w w w w w w w A w w w w w w ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦
显然，A 为一致性正互反矩阵，记12(,,
,)T n W w w w =，即为权重向量．且
12
111,,
,
n A W w w w ⎛⎫=⋅ ⎪⎝⎭
则
12
11
1,,
,
n A W W W nW w w w ⎛⎫
⋅=⋅= ⎪⎝⎭
这表明W 为矩阵A 的特征向量，且n 为特征根．
事实上：对于一般的判断矩阵A 有max A W W λ⋅=，这里)(max n =λ是A 的最大
特征根，W 为m ax λ对应的特征向量．
将W 作归一化后可近似地作为A 的权重向量，这种方法称为特征根法。

注：现有软件求得最大特征根与特征向量。

3.2一致性检验
通常情况下，由实际得到的判断矩阵不一定是一致的，即不一定满足传递性和一致性．实际中，也不必要求一致性绝对成立，但要求大体上是一致的，即不一致的程度应在容许的范围内．主要考查以下指标： （1）一致性指标：1
max --=n n CI λ．
（2）随机一致性指标：RI ，通常由实际经验给定的，如表2-1。

表2-1 随机一致性指标
（3）一致性比率指标：RI
CI CR =，当10.0<CR 时，认为判断矩阵的一致性是可以
接受的，则m ax λ对应的特征向量可以作为排序的权重向量。

此时
()1
max 1
1
1
n
ij j
n
n
j i
i i i
i
a w
A W nw n w λ===⋅≈=∑∑
∑
其中(A )i W ⋅表示A W ⋅的第i 个分量。

4.计算组合权重和组合一致性检验 （1）组合权重向量
设第1-k 层上1-k n 个元素对总目标（最高层）的排序权重向量为
(
)
1
(1)
(1)(1)(1)1
2
,,,k T
k k k k n W
w
w
w
-----=
第k 层上k n 个元素对上一层(1-k 层)上第j 个元素的权重向量为
(
)
(1)
()()()121,,
,,1,2,
,k T
k k k k j
j j
n j
k P p p p
j n --==
则矩阵
1()()()
()12,P ,,P k k k k k n P P -⎡⎤=⎣⎦
是1-⨯k k n n 阶矩阵，表示第k 层上的元素对第1-k 层各元素的排序权向量．那么第k 层上的元素对目标层（最高层）总排序权重向量为
(
)
1()()(1)()()
()(1)
1
2()
()()12
,P ,,P ,,
,k k
k k k k k k k n T
k k k n W P W P W w w w
---⎡⎤=⋅=⋅⎣⎦
=
或
k k j n j k ij k i
n i w p w
k ,,2,1,)
1(1
)()(1
==-=∑- 对任意的2>k 有一般公式
()()(1)(3)(2)(2)k k k W P P P W k -=⋅⋅
⋅⋅>
其中(2)W 是第二层上各元素对目标层的总排序向量． （2）组合一致性指标
设k 层的一致性指标为)
()(2)(11
,,,k n
k k k CI CI CI - ，随机一致性指标为 )
()(2)(11
,,,k n k k k RI RI RI - 则第k 层对目标层的（最高层）的组合一致性指标为
()1
()()()
()(1)
12,,
,k k k k k k n CI CI CI CI W --=⋅ 组合随机一致性指标为
(
)
1
()()()
()(1)
12,,
,k k k k k k n RI RI RI RI W --=⋅ 组合一致性比率指标为
)3()()
()
1()
(≥+=-k RI
CI CR
CR
k k k k 当10.0)(<k CR 时，则认为整个层次的比较判断矩阵通过一致性检验．
（四）案例说明
实例：人们在日常生活中经常会碰到多目标决策问题，例如假期某人想要出去旅游，现有三个目的地（方案）：风光绮丽的杭州（1P ）、迷人的北戴河（2P ）和山水甲天下的桂林（3P ）。

假如选择的标准和依据（行动方案准则）有5个景色，费用，饮食，居住和旅途。

1.建立层次结构模型
目标层 准则层
2.构造判断矩阵
1234511/243
3217
551/4
1/711/21/31/31/52111/3
1/53
11C C A C C C ⎛⎫ ⎪
⎪ ⎪= ⎪
⎪ ⎪⎝⎭
构造所有相对于不同准则的方案层判断矩阵 （1）相对于景色
O 择旅游地
P1桂林
C1
景色 C2费用
C3居住
C4饮食
C5旅途
P2黄山
P3北戴河
12
3
4
5
C C C C C 11231
251/2121/51/2`1P B P P ⎛⎫ ⎪= ⎪
⎪⎝⎭
1
2
3
P P P
（2）相对于费用
（3）相对于居住
（4）相对于饮食
（5）相对于旅途
3. 层次单排序及一致性检验
3.1用matlab 求得判断矩阵A 的最大特征根与特征向量：
max 5.073λ=，对应于max 5.073λ=的正规化的特征向量为：
(2)(0.263,0.475,0.055,0.099,0.110)T W =
判断矩阵1B 的最大特征值与特征向量max 3.005λ=(3)
10.5950.2770.129W ⎛⎫ ⎪= ⎪ ⎪⎝⎭
122311/31/8311/383`1P B P P ⎛⎫ ⎪= ⎪
⎪⎝⎭
1
2
3
P P P 132********/31/3`1P B P P ⎛⎫ ⎪= ⎪
⎪⎝⎭
1
2
3
P P P 14231341/3111/41`1P B P P ⎛⎫ ⎪= ⎪
⎪⎝⎭
1
2
3
P P P 1523111/4111/4441P B P P ⎛⎫ ⎪= ⎪
⎪⎝⎭
1
2
3
P P P
判断矩阵2B 的最大特征值与特征向量max 3.002λ=(3)
20.2360.682W ⎪= ⎪ ⎪⎝⎭
判断矩阵3B 的最大特征值与特征向量max 3λ=(3)
30.4290.429,0.142W ⎛⎫ ⎪= ⎪ ⎪⎝⎭
判断矩阵4B 的最大特征值与特征向量max 3.009λ=(3)
40.6330.193,0.175W ⎛⎫
⎪= ⎪ ⎪⎝⎭
判断矩阵5B 的最大特征值与特征向量max 3λ=(3)
50.1660.166.0.668W ⎛⎫ ⎪= ⎪ ⎪⎝⎭
4.一致性检验
对于判断矩阵A 进行一致性检验：max 5.0735
0.018251
51
n
CI n λ--=
=
=--
查表知平均随机一致性指标RI ，从而可检验矩阵一致性：
0.018250.0162950.11.12
CI CR RI =
==< 同理，对于第二层次的景色、费用、居住、饮食、旅途五个判断矩阵的一致性检验均通过。

利用层次结构图绘出从目标层到方案层的计算结果：
5.层次总排序
各个方案优先程度的排序向量为：
(3)(2)
W W W =0.5950.0820.4290.6330.1660.3000.4750.2770.2360.4290.1930.1660.2460.0550.1290.6820.1420.1750.6680.4560.0990.110 ⎪
⎛⎫⎛⎫ ⎪ ⎪ ⎪ ⎪== ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭⎝
⎭ ⎪ ⎪⎝⎭
决策结果是首选旅游地为3P 其次为1P ，最后为2P 。

（五）优点与缺点
人们在进行社会的、经济的以及科学管理领域问题的系统分析中，面临的常常是一个由相互关联、相互制约的众多因素构成的复杂而往往缺少定量数据的系统。

层次分析法为这类问题的决策和排序提供了一种新的、简洁而实用的建模方法。

在应用层次分析法研究问题时，遇到的主要困难有两个： （i ）如何根据实际情况抽象出较为贴切的层次结构；
（ii ）如何将某些定性的量作比较接近实际定量化处理。

层次分析法对人们的思维过程进行了加工整理，提出了一套系统分析问题的方法，为科学管理和决策提供了较有说服力的依据。

但层次分析法也有其局限性，主要表现在：
（i ）它在很大程度上依赖于人们的经验，主观因素的影响很大，它至多只能排除思维过程中的严重非一致性，却无法排除决策者个人可能存在的严重片面性。

（ii ）当指标量过多时，对于数据的统计量过大，此时的权重难以确定。

AHP 至多只能算是一种半定量（或定性与定量结合）的方法。

三、熵值法
（一）熵值法的原理
在信息论中，熵是对不确定性的一种度量。

信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。

根据熵的特性，我们可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响越大。

（二）算法实现过程 1.数据矩阵
m n nm n m X X X X A ⨯⎪⎪⎪
⎭⎫ ⎝⎛=
1111其中ij X 为第i 个方案第j 个指标的数值。

2. 数据的非负数化处理
由于熵值法计算采用的是各个方案某一指标占同一指标值总和的比值，因此不存在量纲的影响，不需要进行标准化处理，若数据中有负数，就需要对数据进行非负化处理。

此外，为了避免求熵值时对数的无意义，需要进行数据平移：
对于越大越好的指标：
m
j n i X X X X X X X X X X X nj j j nj j j nj j j ij ij ,,2,1;,,2,1,1)
,,,min(),,,max()
,,,min(212121' ==+--=
对于越小越好的指标：
m
j n i X X X X X X X X X X X nj j j nj j j ij
nj j j ij
,,2,1;,,2,1,1)
,,,min(),,,max(),,,max(212121' ==+--=
为了方便起见，仍记非负化处理后的数据为ij X 3.计算第j 项指标下第i 个方案占该指标的比重
),2,1(1
m j X
X P n
i ij
ij
ij ==
∑=
4.计算第j 项指标的熵值
1
e 0,ln 1
0ln ,0,)log(*1≤≤=≥>-=∑=则一般令有关，
与样本数。

式中常数为自然对数，其中m
k m k e k P P k e j n
i ij ij j 5.计算第j 项指标的差异系数。

j j e g -=1
对于第j 项指标，指标值ij X 的差异越大，对方案评价的作用越大，熵值就越小。

6.求权数
m j g
g W m
j j
j
j 2,1,1
==
∑=
7.计算各方案的综合得分
)
,2,1(*1n i P W S ij m
j j i ==∑=
（三）熵值法的优缺点
熵值法是根据各项指标值的变异程度来确定指标权数的，这是一种客观赋权法，避免了人为因素带来的偏差，但由于忽略了指标本身重要程度，有时确定的指标权数会与预期的结果相差甚远，同时熵值法不能减少评价指标的维数。

熵值法实例讲解.xl sx
四、主成分分析法
（一）主成分分析法简介
主成分分析是将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法，又称主分量分析。

在实际问题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。

但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。

人们自然希望变量个数较少而得到的信息较多。

在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。

主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映问题的信息方面尽可能保持原有的信息。

信息的大小通常用离差平方和或方差来衡量。

（二）主成分分析原理
主成分分析是数学上对数据降维的一种方法。

其基本思想是设法将原来众多的具有一定相关性的指标1X ，2X ，…，P X （比如P 个指标），重新组合成一组较少个数的互不相关的综合指标m F 来代替原来指标。

那么综合指标应该如何去
提取，使其既能最大程度的反映原变量P X 所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。

设1F 表示原变量的第一个线性组合所形成的主成分指标，即
11112121...p p
F a X a X a X =+++,由数学知识可知，每一个主成分所提取的信息量可
用其方差来度量，其方差1()Var F 越大，表示1F 包含的信息越多。

常常希望第一主成分1F 所含的信息量最大，因此在所有的线性组合中选取的1F 应该是1X ，
2X ，…，P X 的所有线性组合中方差最大的，故称1F 为第一主成分。

如果第一主
成分不足以代表原来P 个指标的信息，再考虑选取第二个主成分指标2F ，为有效地反映原信息，1F 已有的信息就不需要再出现在1F 中，即2F 与1F 要保持独立、不相关，用数学语言表达就是其协方差11(,)0Cov F F =，所以2F 是与1F 不相关的
1X ，2X ，…，P X 的所有线性组合中方差最大的，故称2F 为第二主成分，依此类推构造出的1F 、2F 、……、m F 为原变量指标1X ，2X ，…，P X 第一、第二、……、
第m 个主成分。

11111221221122221122...............p p
p p
m m m mp p
F a X a X a X F a X a X a X F a X a X a X =+++⎧⎪=+++⎪⎨
⎪⎪=+++⎩ （三）利用主成分确定权重
现举例说明：
假设我们对反映某卖场表现的4项指标（实体店、信誉、企业形象、服务）进行消费者满意度调研。

调研采取4级量表，分值越大，满意度越高。

现回收有效问卷2000份，并用SPSS 录入了问卷数据。

部分数据见下图。

图4-1 主成分确定权重示例数据（部分）
表4-1 KMO 和Bartlett 的检验
图4-2 KMO检验标准
表4-3成份矩阵
图4-3 各指标在两个主成分线性组合中的系数。