多指标评价方法

1、多指标评价方法基本原理优点缺点层次分析法 一种疋性、疋里相 结合的、系统化、 层次化的分析方 法。这种方法将决 策者的经验给予量 化，特别适用于目 标结构复杂且缺乏 数据的情况。一个复杂问题中的各个指标通过划分相 互之间的关系使其分解为若干个有序层 次。结构模型一般包括目标层、准则层 和方案层。重要性以定量的形式加以反 映，两两比较判断，相对重要性，相对 重要性权数，最后通过在递阶层次结构 内各层次相对重要性权数的组合，得到 全部指标相对于目标的重要程度权数。疋性分析与疋量分析有机结 合起来，有主观的逻辑判断 和分析，有客观计算和推演； 分析层次化系统化随机性，专家认识的主观与模糊性，同一评价

2、 对象不同时间和环境下判断不一致；判断矩阵易出现严重的不一致现象，如一致性 矩阵的准测时，结果可能不符合常理，模糊综合评判法 以模糊数学为基 础，将一些边界不 清，不易定量的因 素定量化，进行综 合评价的一种方 法。有指标集，评价集（对x的评价等级层）， 再分别确定各个因素的权重及它们的隶 属度向量，模糊评判矩阵，最后把模糊 评判矩阵与因素的权重集进行模糊运算 并进行归一化，得到模糊评价综合结果。隶属函数和模糊统计方法为 疋性指标定量化提供了有效 的方法；解决了判断的模糊 性和不确定性问题；所得结 果为一向量，包含的信息量 丰富。不能解决评价指标间相关造成的评价信息重复 冋题；各因素权重的确定

3、带有一定的 主观性；隶属函数的确疋有一疋困难，过于繁 琐，实用性不强。TOPSI那价法逼近于理想解的思路，在基于归一化后 的原始矩阵中，找出有限方案中的最优 方案和最劣方案（向量），然后分别计算 出评价对象与最优方案和最劣方案间的 距离，获得该评价对象与最优方案的相 对接近程度，作为评价优劣。适用于少样本资料，也适用 于多样本的大系统；评价对 象既可以是空间上的，也可 以是时间上的。其应用范围 广；原始数据利用充分，信 息损失比较少。权重主观随意性；不能解决评价指标间 相关造成的评价信息重复问题；条件唯一不可 变。灰色关联度分析法 针对少数据且不明 确的情况下，利用 既有数据所潜在之 讯息来白

4、化处理， 并进行预测或决策灰色关联度分析认为若干个统计数列所 构成的各条曲线几何形状越接近，即各 条曲线越平行，贝U它们的变化趋势越接 近，其关联度就越大，可利用各方案与 最优方案之间关联度的大小对评价对象 进行比较、排序。该方法首先是求各个计算简单，不用归一化处理， 原始数据可直接利用；无需 大量样本，不需要经典的分 布规律，代表性的少量样本 即可影响关联度因素多，如参考序列，比较序列， 规范化方式，分辨系数，取值不同，关联度不 同；常用关联度总为正值，但事物有正相关/负 相关，而且存在负相关关系的时间序列曲线的 形状大相径庭，仍采用常用的关联度模型则会 出现错误结论；理论基础很狭隘，单纯从

5、比较的方法方案与由最佳指标组成的理想方案的关 联系数矩阵，由关联系数矩阵得到关联 度，关联度大小排序，结论。曲线形状的角度来确定因素之间的关联程度是 不合适的，相互联系的因素之间的发展趋势并 不总是呈平行方向，它们可以交叉，甚至可以 以相反的方向发展；不能解决指标间相关造成 的评价信息重复冋题；默认的权重为等权，对 实际情况不利。主成分分析法 利用降维的思想， 把多指标转化为几 个综合指标的多元 统计分析方法把给定的一组相关变量通过线性变换转 成另一组不相关的变量，这些新的变量 按照方差依次递减的顺序排列，在数学 变换中保持变量的总方差不变，使第一 变量具有最大的方差，称为第一主成分， 第二变

6、量的方差次大，并且和第一变量 不相关，称为第二主成分用较少的指标来代替原来较 多的指标，并使这些较少的 指标尽可能地反映原来指标 的信息，解决了指标间的信 息重叠问题；各综合因子的 权重不是人为确定的，而是 根据综合因子的贡献率的大 小确定的，克服主观性计算繁琐，样本量要求较大，影响评价结果； 假设指标之间的关系都为线性关系，若实际中 非线性，则可能导致评价结果偏差；结果没有 明确的范围，只反映强弱关系动态综合评价法 适用于随时间变化 指标和参数变化较 大的多指标系统应用线性规划方法，从时序数据表挖掘 信息，计算权重，使得从整体上最大限 度的突出系统在不同时刻运行状况之间 的差异具有时序特征，

7、权重客观性 强，不具有可继承性；能反 映被评价对象随时间的动态 发展情况权重为非固定值，随评价对象的指标特征变化， 不适于静态评价人工神经网络神经网络模型由输入层、输出层、隐含 层三层神经元组成，输入层接受信息， 输出层输出信息，各层单元的连接权值 通过反向传格算法进仃自动学习而得； 学习是神经网络研究的一个重要内容， 它的适应性是通过学习实现的。根据环 境的变化，对权值进行调整，改善系统 的行为自主学习功能，同时对于预 测有特别重要的意义；反馈、 联想存储功能；解决优化解 的能力强大，因为可以设计 成为针对某问题的反馈型人 工神经网络不宜用来求解得到正确答案的问题；不宜用来 求解用数字计算机

8、解决的很好的问题；体系通 用性待定层次分析法-灰色关 联度运用层次分析法确 定评价指标权值，以 方案的灰色关联度AHP计算权值建立灰色关联度矩阵，设计方案的评价 指标矩阵，最优方案向量，规范化处理后 的评价指标矩阵，确定灰色关联度矩阵。吸取了 AHP的优点,同时针 对评价目标树的特点,对 AHP计算法加以简化，避免 了层次总排序和整体一致性 检验计算；将产品方案评价两方法合并的数学理论基础联系程度未知作为评判准则，指 标间关联性比较强 的评价体系来 说,AHP法并不是最 佳评价方法系统视为灰色系统，不仅考 虑各评价指标的相对权值 , 还考虑指标间的相互联系 ， 对于指标间关联性很强的评 价体系

9、，具有实际意义。熵权法-灰色关联度 通过指标间指标值 差异大小确定熵 值，从而确定信息 量，再对各指标赋 权，并将其应用于 灰色局势决策，使 决策结果更具可信 度根据各指标的联系程度或各指标所提供 的信息量来决定指标的权重；对于某项 指标xi对指标值xij的差距越大，则该 指标在综合评价重所起的作用越大；如 果某项指标值全部相等，则该指标在综 合评价中不起作用，在信息论中，某项 指标值变异程度越大，该指标提供的信 息量越大，该指标的权重也应越大，反 之亦然应用熵值赋权法给各指标赋 权是一种完全意义上的客观 赋权法，精确度高，客观性 强；普通excel可以完成两方法合并的数学理论基础联系程度未知

10、5771001803090012095 5790368228596330825771001803090012386 5761373997357606965771001803090013594 5780775799025155125771001803090012387 5771649826018180515771001803090012138 5721311921589183265771001803090012359 5790368223610760535771001803090012356 5761352861437917425771001803090012355 57508786970469327917088100343355274 10122994432583337917088100343355275 10186673293883200817088100343356107 10158115250150052217088100343356108 10100018005987173217088100343354295 10107419414268701717088100343356184 10187866086962880217088100343356185 10177583117408667417088100343356109 1010860143735728461708810