多指标评价方法.doc

多指标评价方法
基本原理
优点
缺点
层次分析法
一种定性、定量相结合的、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。
定性分析与定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定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问题;各因素权重的确定带有一定的
主观性;隶属函数的确定有一定困难,过于繁琐,实用性不强。
TOPSIS评价法
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化处理,并进行预测或决策的方法
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,则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。
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,单纯从比较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问题
;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