简介面向经济管理、统计学、城市规划及系统工程等专业学习者与政策分析人员的专题文档围绕城市竞争力这一多因素综合评价问题介绍如何用层次分析法AHP建立量化评价模型。内容从目标层、准则层、要素层和指标层四级结构展开说明判断矩阵构造、1—9标度赋值、层次单排序与特征向量权重计算并强调一致性比率小于0.1的检验要求结合71项指标及实例演示准则层、要素层、指标层权重求解和综合竞争力水平测算。整包含1个doc文档约832KB适合作为课程报告、论文写作或评价指标体系搭建的参考底稿。已有139人学习读者可据此理解AHP从指标筛选、专家打分到权重合成与结果解释的完整流程也可对照实例复现计算步骤并迁移到区域或城市比较研究。1. 一份把 AHP 讲透的课程报告从判断矩阵到城市竞争力排名第一次看到这份《层次分析法在城市竞争力评价中的应用》的课程报告我先直到下面几个具体词才明白它到底适合谁判断矩阵、1-9 标度、特征向量、一致性比率 CR、71 项指标、四层结构。它面向的就是那类“要用 AHP 交一份能跑通的结果、却卡在权重算不对”的场景并非泛泛介绍“AHP 是什么”的科普文章。它是经济预测与决策课程的学习报告正文走的是“先讲 AHP 基本思想再搭四层指标体系最后逐层赋权、列出计量模型”的完整路线。价值不在结论原作者自己说数据量太大没算出最终总指数而在中间那套可复用的流程骨架怎么把 71 项指标塞进目标层、准则层、要素层、指标层怎么用专家两两比较构造判断矩阵怎么用算术平均法求最大特征值与特征向量怎么做一致性检验并把不合格的矩阵调回去。适合做综合评价、绩效打分、方案选型这类多准则决策的人尤其是手里只有专家意见、缺乏干净数据的场景。2. AHP 四层结构与 1-9 标度先把权重这块地基夯实这份报告最值得借鉴的地方在于它把“模糊的多因素比较”拆成了机器能算的数值。很多人做综合评价翻车是因为一开始指标体系就糊成一团报告偏偏在结构上做得很扎实。2.1 四层结构目标、准则、要素、指标各管什么报告把城市竞争力评价拆成四层这个分层逻辑放到任何综合评价场景都成立层级作用报告中的实例落地时的判断标准目标层最终要求解的问题中国城市综合竞争力全篇只能有一个写成一句话准则层分解总目标遵循的维度动力 0.4883、阻力 0.089337 个太多则判断矩阵难填要素层把准则再细化经济实力 0.4162、政府作用 0.2618每个准则下 25 个指标层可采集、可量化的一层71 项统计年鉴指标必须能拿到数否则整条链断这个结构里有个容易被忽略的设计报告把准则层分成“动力”和“阻力”两类。动力是加分项经济实力、科技实力、对外开放阻力是减分项贫富分化。这在 AHP 里属于把正负向指标分开建模的常见做法——正向指标越大越好负向指标越大越差后面无量纲化时处理方式不同。我一般会建议在结构表里直接把方向标出来否则做到无量纲化那一步才发现某个指标是逆向的整张表都得回头改。要素层到指标层的映射也要能对上。报告表 1 里“经济实力”下面挂着政府作用、消费水平、人力资源等要素这些要素再往下才是具体统计指标。层级之间必须满足“下层元素只隶属一个上层元素”如果出现一个指标同时挂在两个要素下判断矩阵就没法构造权重会重复计算。2.2 1-9 标度到底怎么打分判断矩阵的元素取 1、2、…、9 及其倒数含义是两两比较的相对重要性标度含义1两个元素同等重要3前者比后者稍重要5前者比后者明显重要7前者比后者强烈重要9前者比后者极端重要2、4、6、8上述相邻判断的中间值实操里最容易出问题的是标度用得太随意。常见做法是让专家只回答“谁更重要、重要到什么程度”把 1-9 的语义做成卡片或问卷避免专家直接拍数字。报告采用的就是专家评审法对同一层次的 n 个因素两两比较得到 n×n 的判断矩阵 A其中 a_ij 表示因素 i 对因素 j 的相对重要性且满足 a_ji 1/a_ij对角线为 1。这一步有个隐性约束判断矩阵是正互反矩阵填的时候只需要填上三角下三角自动取倒数。手工填表时如果上下三角都填十有八九会出现 a_ij × a_ji ≠ 1 的低级错误后面一致性检验会因为这种录入错误被误判成“专家判断矛盾”。2.3 用 NumPy 从判断矩阵算出权重报告正文用的是算术平均法列和归一化并给出了幂法迭代求特征向量的步骤。手工算 5 阶以上矩阵基本不现实我一般直接落到代码里同时算算术平均法和特征向量法两者结果接近就说明矩阵没有大问题。import numpy as np # 准则层判断矩阵示例动力/阻力下的 5 个准则两两比较 # 注意只需填上三角下三角取倒数对角线为 1 A np.array([ [1, 3, 5, 7, 9], [1/3, 1, 3, 5, 7], [1/5, 1/3, 1, 3, 5], [1/7, 1/5, 1/3, 1, 3], [1/9, 1/7, 1/5, 1/3, 1] ], dtypefloat) n A.shape[0] # 方法一算术平均法列归一化后按行求均值 col_sum A.sum(axis0) # 每列之和 A_norm A / col_sum # 列归一化 w_arithmetic A_norm.mean(axis1) # 按行平均得到权重 # 方法二特征向量法 eigvals, eigvecs np.linalg.eig(A) max_idx np.argmax(eigvals.real) lambda_max eigvals[max_idx].real w_eigen eigvecs[:, max_idx].real w_eigen w_eigen / w_eigen.sum() # 归一化 # 一致性检验 CI (lambda_max - n) / (n - 1) RI_TABLE {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45} CR CI / RI_TABLE[n] if RI_TABLE[n] 0 else 0 print(算术平均法权重:, np.round(w_arithmetic, 4)) print(特征向量法权重:, np.round(w_eigen, 4)) print(flambda_max{lambda_max:.4f}, CI{CI:.4f}, CR{CR:.4f}) print(一致性是否可接受:, 是 if CR 0.1 else 否需要调整矩阵)代码里几个点值得说清。col_sum是列和A / col_sum完成列归一化这一步对应报告里的“列和归一化”思路.mean(axis1)按行求均值得到权重向量这就是算术平均法的全部。特征向量法的关键是np.argmax(eigvals.real)因为 NumPy 对实矩阵也可能返回复数特征值取实部再取最大避免复数比较报错。CR 判断用的RI_TABLE是随机一致性指标阶数 1 和 2 时 RI 为 0此时矩阵天然完全一致代码里做了除零保护。跑出来两组权重接近且 CR 小于 0.1这个判断矩阵才算能用。如果两组权重差得远往往说明矩阵内部矛盾较大先别急着调 CR回头检查录入。提示n2 时 CR 恒为 0因为二阶正互反矩阵必然完全一致。如果你看到某份材料对 2 阶矩阵报出非零 CR那是计算方式有问题不是矩阵有问题。3. 一致性检验判断矩阵不合格怎么改回去报告里三层判断矩阵都出现了“不完全一致”的表述然后靠一致性检验过关。这一段是整个报告最有工程价值的部分也是新手最容易糊弄过去的地方。3.1 CI 与 CR 的计算链路一致性检验的设计目标是回答一个问题专家的两两比较是否存在逻辑矛盾。比如 A 比 B 重要、B 比 C 重要那 A 比 C 的重要性理论上应该被前两条蕴含如果专家填了 C 比 A 重要就矛盾了。AHP 用最大特征值偏离 n 的程度来量化这种矛盾完全一致时λ_max nCI (λ_max − n)/(n − 1) 0越不一致λ_max 偏离 n 越远CI 越大CR CI / RIRI 是随机生成的同阶正互反矩阵一致性指标的平均值相当于“随机乱填”的基准线通常以 CR 0.1 作为满意一致性的门槛。报告里给出的判断是“CR 小于 0.1 则具有满意的一致性否则需要重新审查并调整判断矩阵赋值”。这条门槛是经验值不是定理n 越大越难满足实际做 7 阶以上矩阵时 CR 卡在 0.1 边缘很正常别为了压 CR 把专家的真实判断改得面目全非。3.2 一个能落地的调矩阵流程矩阵不合格时的调整不能靠乱试。我一般按这个顺序走第一步找出矛盾最集中的元素。计算一致性向量看哪个元素的偏差最大。简化做法是把每列归一化后检查同一行内各元素的离散程度离群的那个就是嫌疑项。第二步优先修“专家最不确定”的那几个格子。通常是标度 5、7、9 这种强判断改成 3 或 4 往往就能把 CR 拉回来而不是动 1、2 这种弱判断。第三步小步调整每次只改一对改完立刻重算 CR不要一次改五六个格子否则你永远不知道是哪一下起的作用。def find_worst_pair(A, w): 定位对一致性破坏最大的元素比较实际 a_ij 与理论 w_i/w_j 的偏离 n A.shape[0] worst (0, 0) max_dev 0 for i in range(n): for j in range(n): if i j: continue ideal w[i] / w[j] # 理论上应有的比值 dev abs(np.log(A[i, j] / ideal)) # 取对数偏差避免量级放大 if dev max_dev: max_dev dev worst (i, j) return worst, max_dev worst, dev find_worst_pair(A, w_arithmetic) print(f偏离最大的元素位置: {worst}, 对数偏差: {dev:.4f}) print(f当前值: {A[worst]}, 建议向 {w_arithmetic[worst[0]]/w_arithmetic[worst[1]]:.3f} 附近调整)这段代码解决的是“往哪个方向调”的问题。思路是把实际填的 a_ij 与权重推出的理想比值 w_i/w_j 做比较取对数偏差是因为比值本身就是对数尺度直接做差会让大数值元素主导结果导致总是报高标度的那几格。返回值告诉你是哪一对元素矛盾最重以及建议值大致在哪个区间你按这个提示改一档标度再重算通常两三轮就能收敛。3.3 逐层权重怎么合成到总目标报告表 2 给出的不是单一权重而是“相对于其上层”的权重。要得到指标层对总目标的组合权重必须做层次总排序把每一层的权重按隶属关系连乘再求和。以报告的数据为例准则层“动力”权重 0.4883其下要素层“经济实力”权重 0.4162那么经济实力对总目标的组合权重就是 0.4883 × 0.4162 ≈ 0.2032。指标层再往下乘一层最终得到每个指标在总目标里的实际贡献。def combine_weights(hierarchy): hierarchy: 嵌套字典形如 {目标: {准则A: {权重: 0.5, 子: {要素1: {权重: 0.4, 子: {...}}}}}} 这里用简化结构每层给 (自身权重, 子字典) result {} def dfs(node, prefix_w): for name, (w, children) in node.items(): total_w prefix_w * w if children: dfs(children, total_w) else: result[name] total_w dfs(hierarchy, 1.0) return result # 报告表2的结构切片动力0.4883 - 经济实力0.4162 - 政府作用0.2618 等 tree { 动力: (0.4883, { 经济实力: (0.4162, { 政府作用: (0.2618, {}), 消费水平: (0.0624, {}), 人力资源: (0.0986, {}), }), 科技实力: (0.1611, {}), 对外开放: (0.6667, {}), # 简化示意实际对外开放在下层 }), 阻力: (0.0893, { 贫富分化: (1.0, {}), }), } flat combine_weights(tree) for k, v in sorted(flat.items(), keylambda x: -x[1]): print(f{k}: {v:.4f})combine_weights用深度优先把路径上的权重连乘走到叶子节点时把结果写进扁平字典。这个写法比手工在 Excel 里拉公式可靠因为层级一多漏乘某层或串行错位很难肉眼发现。注意dfs传入的是prefix_w每一层都用父级累计权重乘以本层权重所以叶子节点的值就是相对总目标的组合权重全部叶子加起来应该等于 1前提是每层权重都归一化过。如果总和偏离 1 明显说明某个判断矩阵的权重向量没做归一化或者层级结构里有元素没被挂上。注意报告原文在要素层到指标层的赋值里留了不少占位“同理可依次求得”后面没有具体数值复现时不要把这些空缺当成零权重必须自己补齐判断矩阵否则组合权重之和永远凑不到 1。4. 从 71 项指标到综合指数无量纲化与计量模型串联报告的指标层有 71 项从统计年鉴里抠数据这一步没法在报告里完成但它给出的计量模型骨架是完整可复现的。这一章把“拿到指标数据之后怎么算”补成可执行流程。4.1 无量纲化的方向与公式选择报告明确写了“首先将其无量纲化”再逐层代公式。这一步是整个评价里最容易造成排名结果错误的环节不同无量纲化方法能让同一批城市排出完全不同的名次。常见做法按指标方向分两类指标类型典型指标无量纲化公式说明正向越大越好GDP 总量、科研投入(x − min)/(max − min)归一化到 01负向越小越好贫富分化、污染排放(max − x)/(max − min)取反后同向适度中间最优某些结构比例1 −x − x0报告把准则层分成“动力”和“阻力”本质上就是在做方向区分只是原文没把公式展开写。阻力类指标贫富分化直接参与正向加权会得出“贫富差距越大竞争力越强”的荒谬结论必须反向处理。我一般会在数据表里加一列方向标记1 / −1无量纲化时按标记分支避免把方向判断散落在各个公式里。还有一个坑是量纲差异71 项指标里有的是绝对量GDP 总量单位亿元有的是比率失业率单位 %有的是人均量。如果直接用原始值算加权和绝对量大的指标会彻底主导结果权重再准也没用。所以无量纲化必须在加权之前完成且所有指标要落到同一区间。4.2 计量模型的三层串联报告给出了三层公式要素层指数由指标层加权得到准则层指数由要素层加权得到总目标指数由准则层加权得到。写成矩阵形式就是一条链import numpy as np import pandas as pd # 假设已无量纲化的指标数据行城市列指标 # 这里用随机示例数据实际替换为统计年鉴摘录 np.random.seed(42) n_city, n_indicator 6, 8 X_norm np.random.rand(n_city, n_indicator) # 0~1 区间 # 指标对要素的组合权重由上一章层次总排序得到这里给示例值 w_indicator np.array([0.12, 0.08, 0.15, 0.20, 0.10, 0.13, 0.11, 0.11]) assert abs(w_indicator.sum() - 1) 1e-6, 指标权重必须归一化 # 要素层指数指标加权求和 element_index X_norm w_indicator # 假设指标到要素的分组映射每组的指标列索引 group_map { 经济实力: [0, 1, 2], 科技实力: [3, 4], 政府作用: [5], 环境水平: [6, 7], } # 要素层权重来自组合权重汇总此处示例 w_element {经济实力: 0.2032, 科技实力: 0.0787, 政府作用: 0.1278, 环境水平: 0.0948} criterion_index np.zeros(n_city) for name, idxs in group_map.items(): # 组内先归一化再加权保证组内指标贡献不被组规模稀释 sub_w w_indicator[idxs] / w_indicator[idxs].sum() sub_index X_norm[:, idxs] sub_w criterion_index sub_index * w_element[name] # 总目标指数 total_index criterion_index # 若要素层已覆盖全部准则可直接用 df_result pd.DataFrame({ 城市: [f城市{i1} for i in range(n_city)], 综合指数: np.round(total_index, 4), }).sort_values(综合指数, ascendingFalse).reset_index(dropTrue) df_result[排名] df_result.index 1 print(df_result)这段代码做的是报告里“三层计量模型”的矩阵化实现。X_norm w_indicator是最基本的加权求和但直接用它会让指标多的组比如经济实力下 3 个指标在数值上压过指标少的组政府作用 1 个指标所以我在group_map循环里先做组内权重归一化再乘组权重这样每个要素层指数的量级只由组权重决定不受组内指标个数影响。assert abs(w_indicator.sum() - 1) 1e-6这行不是装饰。层次总排序算出来的权重只要有一层判断矩阵没归一化或某个分支漏算总和就会偏离 1而加权求和在总和不为 1 时结果会整体缩放排名虽可能不变但指数的绝对水平失去意义后续如果要设阈值分等级就会出错。df_result按综合指数降序排列并标名次对应报告“指数越大排名越靠前”的结论。实际使用时城市的指标数据往往有缺失缺失值怎么处理剔除、均值填充、还是单独标记会显著影响排名这一点报告没有展开但落地时绕不开。4.3 指标数据采集的替代方案报告的指标层来自统计年鉴71 项指标的数据采集成本很高。如果只是为了验证方法链路可以先用公开统计数据库的年度数据截取一个子集或者用模拟数据把流程跑通再逐步替换为真实指标。我一般会建议先按“每个要素下至少留 2 个能拿到的指标”来裁剪指标体系保证判断矩阵可构造、权重可计算跑通一轮再扩充否则一上来铺 71 项光数据清洗就能把整个流程拖住。报告作者也在结尾明确说了数据量太大、未能算出最终总指数这个坦诚反而说明方法流程与数据可得性之间的落差是真实存在的。5. 复现时的避坑清单与一个自检脚本上面几章把流程拆完了但真正动手复现这份报告时翻车的点往往不在算法本身而在数据流和矩阵录入这些细节。5.1 五个高频踩坑记录现象一CR 一直算出来是 nan 或负数。原因判断矩阵里出现了 0 或负数或者RI_TABLE里查不到当前阶数比如 n10常见 RI 表只到 9。正互反矩阵的元素必须全为正标度最小值是 1/9不会出现 0。解决录入时加校验assert (A 0).all()阶数超过 9 时补全 RI 表或拆分为多个低阶矩阵。现象二两层权重乘完叶子节点之和等于 1.2 或 0.7。原因某层判断矩阵计算权重后没做归一化或者层次结构里有一个元素被两个父节点引用组合权重被重复累加。解决每个判断矩阵算完权重后强制w w / w.sum()结构表里对每个节点做唯一父节点检查用集合记录已访问节点。现象三正向、负向指标混在一起后排名和常识相反。原因阻力类指标未取反就参与加权或者无量纲化时 max/min 顺序写反。解决数据表加方向列无量纲化前先按方向分支处理处理完抽查两个城市的单项得分确认“更好的城市该项得分更高”。现象四算术平均法和特征向量法权重差很多但 CR 又小于 0.1。原因矩阵接近一致但仍有系统偏差或者某一列数值量级异常比如误把 9 填成 0.9。解决打印两种方法的结果逐项对比差异超过 10% 的项重点核查原始标度通常能定位到录入错误。现象五判断矩阵规模太大专家填到后面开始瞎填。原因一个准则下挂了 7 个以上要素两两比较要填 21 个格子以上认知负荷过高。解决拆层。把 7 个要素按性质分成 34 两个子组先组间比较再组内比较逐层构建比一次性铺开可靠得多。5.2 一个跑完全流程的自检脚本把前面几章串起来写一个自检函数输入是层次结构和各层判断矩阵输出是权重表与一致性报告能在正式做评价之前把所有常见错误挡在门外def ahp_selfcheck(matrices, ri_tableNone): matrices: dict, {层名: 判断矩阵 np.ndarray} 返回: {层名: {weight: ..., CR: ..., pass: bool}} ri_table ri_table or {1:0, 2:0, 3:0.58, 4:0.90, 5:1.12, 6:1.24, 7:1.32, 8:1.41, 9:1.45} report {} for name, A in matrices.items(): A np.asarray(A, dtypefloat) n A.shape[0] # 基础合法性检查 if A.shape[0] ! A.shape[1]: report[name] {error: 非方阵}; continue if not np.allclose(A * A.T, np.ones_like(A), atol1e-6): report[name] {error: 不满足正互反 a_ij * a_ji 1}; continue col_sum A.sum(axis0) w (A / col_sum).mean(axis1) w w / w.sum() eigvals np.linalg.eigvals(A) lambda_max np.max(eigvals.real) CI (lambda_max - n) / (n - 1) if n 1 else 0 RI ri_table.get(n, None) if RI is None: report[name] {error: f缺少 n{n} 的 RI 值} continue CR CI / RI if RI 0 else 0.0 report[name] { weight: np.round(w, 4).tolist(), lambda_max: round(float(lambda_max), 4), CI: round(float(CI), 4), CR: round(float(CR), 4), pass: CR 0.1, } return report # 使用把各层判断矩阵放进字典一次跑完 demo { 准则层: np.array([ [1, 3, 5], [1/3, 1, 3], [1/5, 1/3, 1] ], dtypefloat), 要素层_动力: np.array([ [1, 2, 4], [1/2, 1, 3], [1/4, 1/3, 1] ], dtypefloat), } for layer, res in ahp_selfcheck(demo).items(): status 通过 if res.get(pass) else res.get(error, 未通过) print(f[{layer}] CR{res.get(CR, N/A)} 状态{status})这个脚本把三个检查做在前面方阵校验、正互反校验A * A.T是否全为 1、RI 表覆盖校验。正互反校验这一行能挡掉大部分手工录入错误因为上下三角填反、取倒数取错都会在这一步暴露。pass字段直接给出 CR 是否小于 0.1 的布尔结论批量跑多层矩阵时一眼能看出哪层需要重填。RI 缺失时返回明确错误而不是抛异常避免因为阶数不常见导致整个流程中断。我现在的习惯是任何一次 AHP 计算之前先把所有判断矩阵丢进这个自检脚本跑一遍全部pass为真才往下走无量纲化。有一次赶进度跳过这一步结果 CR 在阈值边缘组合权重算出来某个要素占了 0.6排名全乱回头查是要素层某个矩阵的上三角被填成了下三角——这种错误肉眼几乎看不出来但正互反校验一秒就能抓到。从那以后我每次做综合评价都强制走一遍自检宁可多花十分钟也不愿意在排名结果里翻车。希望这个流程帮到你把这份报告里的思路真正用到自己的评价体系上。本文还有配套的精品资源点击获取
简介面向经济管理、统计学、城市规划及系统工程等专业学习者与政策分析人员的专题文档围绕城市竞争力这一多因素综合评价问题介绍如何用层次分析法AHP建立量化评价模型。内容从目标层、准则层、要素层和指标层四级结构展开说明判断矩阵构造、1—9标度赋值、层次单排序与特征向量权重计算并强调一致性比率小于0.1的检验要求结合71项指标及实例演示准则层、要素层、指标层权重求解和综合竞争力水平测算。整包含1个doc文档约832KB适合作为课程报告、论文写作或评价指标体系搭建的参考底稿。已有139人学习读者可据此理解AHP从指标筛选、专家打分到权重合成与结果解释的完整流程也可对照实例复现计算步骤并迁移到区域或城市比较研究。1. 一份把 AHP 讲透的课程报告从判断矩阵到城市竞争力排名第一次看到这份《层次分析法在城市竞争力评价中的应用》的课程报告我先直到下面几个具体词才明白它到底适合谁判断矩阵、1-9 标度、特征向量、一致性比率 CR、71 项指标、四层结构。它面向的就是那类“要用 AHP 交一份能跑通的结果、却卡在权重算不对”的场景并非泛泛介绍“AHP 是什么”的科普文章。它是经济预测与决策课程的学习报告正文走的是“先讲 AHP 基本思想再搭四层指标体系最后逐层赋权、列出计量模型”的完整路线。价值不在结论原作者自己说数据量太大没算出最终总指数而在中间那套可复用的流程骨架怎么把 71 项指标塞进目标层、准则层、要素层、指标层怎么用专家两两比较构造判断矩阵怎么用算术平均法求最大特征值与特征向量怎么做一致性检验并把不合格的矩阵调回去。适合做综合评价、绩效打分、方案选型这类多准则决策的人尤其是手里只有专家意见、缺乏干净数据的场景。2. AHP 四层结构与 1-9 标度先把权重这块地基夯实这份报告最值得借鉴的地方在于它把“模糊的多因素比较”拆成了机器能算的数值。很多人做综合评价翻车是因为一开始指标体系就糊成一团报告偏偏在结构上做得很扎实。2.1 四层结构目标、准则、要素、指标各管什么报告把城市竞争力评价拆成四层这个分层逻辑放到任何综合评价场景都成立层级作用报告中的实例落地时的判断标准目标层最终要求解的问题中国城市综合竞争力全篇只能有一个写成一句话准则层分解总目标遵循的维度动力 0.4883、阻力 0.089337 个太多则判断矩阵难填要素层把准则再细化经济实力 0.4162、政府作用 0.2618每个准则下 25 个指标层可采集、可量化的一层71 项统计年鉴指标必须能拿到数否则整条链断这个结构里有个容易被忽略的设计报告把准则层分成“动力”和“阻力”两类。动力是加分项经济实力、科技实力、对外开放阻力是减分项贫富分化。这在 AHP 里属于把正负向指标分开建模的常见做法——正向指标越大越好负向指标越大越差后面无量纲化时处理方式不同。我一般会建议在结构表里直接把方向标出来否则做到无量纲化那一步才发现某个指标是逆向的整张表都得回头改。要素层到指标层的映射也要能对上。报告表 1 里“经济实力”下面挂着政府作用、消费水平、人力资源等要素这些要素再往下才是具体统计指标。层级之间必须满足“下层元素只隶属一个上层元素”如果出现一个指标同时挂在两个要素下判断矩阵就没法构造权重会重复计算。2.2 1-9 标度到底怎么打分判断矩阵的元素取 1、2、…、9 及其倒数含义是两两比较的相对重要性标度含义1两个元素同等重要3前者比后者稍重要5前者比后者明显重要7前者比后者强烈重要9前者比后者极端重要2、4、6、8上述相邻判断的中间值实操里最容易出问题的是标度用得太随意。常见做法是让专家只回答“谁更重要、重要到什么程度”把 1-9 的语义做成卡片或问卷避免专家直接拍数字。报告采用的就是专家评审法对同一层次的 n 个因素两两比较得到 n×n 的判断矩阵 A其中 a_ij 表示因素 i 对因素 j 的相对重要性且满足 a_ji 1/a_ij对角线为 1。这一步有个隐性约束判断矩阵是正互反矩阵填的时候只需要填上三角下三角自动取倒数。手工填表时如果上下三角都填十有八九会出现 a_ij × a_ji ≠ 1 的低级错误后面一致性检验会因为这种录入错误被误判成“专家判断矛盾”。2.3 用 NumPy 从判断矩阵算出权重报告正文用的是算术平均法列和归一化并给出了幂法迭代求特征向量的步骤。手工算 5 阶以上矩阵基本不现实我一般直接落到代码里同时算算术平均法和特征向量法两者结果接近就说明矩阵没有大问题。import numpy as np # 准则层判断矩阵示例动力/阻力下的 5 个准则两两比较 # 注意只需填上三角下三角取倒数对角线为 1 A np.array([ [1, 3, 5, 7, 9], [1/3, 1, 3, 5, 7], [1/5, 1/3, 1, 3, 5], [1/7, 1/5, 1/3, 1, 3], [1/9, 1/7, 1/5, 1/3, 1] ], dtypefloat) n A.shape[0] # 方法一算术平均法列归一化后按行求均值 col_sum A.sum(axis0) # 每列之和 A_norm A / col_sum # 列归一化 w_arithmetic A_norm.mean(axis1) # 按行平均得到权重 # 方法二特征向量法 eigvals, eigvecs np.linalg.eig(A) max_idx np.argmax(eigvals.real) lambda_max eigvals[max_idx].real w_eigen eigvecs[:, max_idx].real w_eigen w_eigen / w_eigen.sum() # 归一化 # 一致性检验 CI (lambda_max - n) / (n - 1) RI_TABLE {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45} CR CI / RI_TABLE[n] if RI_TABLE[n] 0 else 0 print(算术平均法权重:, np.round(w_arithmetic, 4)) print(特征向量法权重:, np.round(w_eigen, 4)) print(flambda_max{lambda_max:.4f}, CI{CI:.4f}, CR{CR:.4f}) print(一致性是否可接受:, 是 if CR 0.1 else 否需要调整矩阵)代码里几个点值得说清。col_sum是列和A / col_sum完成列归一化这一步对应报告里的“列和归一化”思路.mean(axis1)按行求均值得到权重向量这就是算术平均法的全部。特征向量法的关键是np.argmax(eigvals.real)因为 NumPy 对实矩阵也可能返回复数特征值取实部再取最大避免复数比较报错。CR 判断用的RI_TABLE是随机一致性指标阶数 1 和 2 时 RI 为 0此时矩阵天然完全一致代码里做了除零保护。跑出来两组权重接近且 CR 小于 0.1这个判断矩阵才算能用。如果两组权重差得远往往说明矩阵内部矛盾较大先别急着调 CR回头检查录入。提示n2 时 CR 恒为 0因为二阶正互反矩阵必然完全一致。如果你看到某份材料对 2 阶矩阵报出非零 CR那是计算方式有问题不是矩阵有问题。3. 一致性检验判断矩阵不合格怎么改回去报告里三层判断矩阵都出现了“不完全一致”的表述然后靠一致性检验过关。这一段是整个报告最有工程价值的部分也是新手最容易糊弄过去的地方。3.1 CI 与 CR 的计算链路一致性检验的设计目标是回答一个问题专家的两两比较是否存在逻辑矛盾。比如 A 比 B 重要、B 比 C 重要那 A 比 C 的重要性理论上应该被前两条蕴含如果专家填了 C 比 A 重要就矛盾了。AHP 用最大特征值偏离 n 的程度来量化这种矛盾完全一致时λ_max nCI (λ_max − n)/(n − 1) 0越不一致λ_max 偏离 n 越远CI 越大CR CI / RIRI 是随机生成的同阶正互反矩阵一致性指标的平均值相当于“随机乱填”的基准线通常以 CR 0.1 作为满意一致性的门槛。报告里给出的判断是“CR 小于 0.1 则具有满意的一致性否则需要重新审查并调整判断矩阵赋值”。这条门槛是经验值不是定理n 越大越难满足实际做 7 阶以上矩阵时 CR 卡在 0.1 边缘很正常别为了压 CR 把专家的真实判断改得面目全非。3.2 一个能落地的调矩阵流程矩阵不合格时的调整不能靠乱试。我一般按这个顺序走第一步找出矛盾最集中的元素。计算一致性向量看哪个元素的偏差最大。简化做法是把每列归一化后检查同一行内各元素的离散程度离群的那个就是嫌疑项。第二步优先修“专家最不确定”的那几个格子。通常是标度 5、7、9 这种强判断改成 3 或 4 往往就能把 CR 拉回来而不是动 1、2 这种弱判断。第三步小步调整每次只改一对改完立刻重算 CR不要一次改五六个格子否则你永远不知道是哪一下起的作用。def find_worst_pair(A, w): 定位对一致性破坏最大的元素比较实际 a_ij 与理论 w_i/w_j 的偏离 n A.shape[0] worst (0, 0) max_dev 0 for i in range(n): for j in range(n): if i j: continue ideal w[i] / w[j] # 理论上应有的比值 dev abs(np.log(A[i, j] / ideal)) # 取对数偏差避免量级放大 if dev max_dev: max_dev dev worst (i, j) return worst, max_dev worst, dev find_worst_pair(A, w_arithmetic) print(f偏离最大的元素位置: {worst}, 对数偏差: {dev:.4f}) print(f当前值: {A[worst]}, 建议向 {w_arithmetic[worst[0]]/w_arithmetic[worst[1]]:.3f} 附近调整)这段代码解决的是“往哪个方向调”的问题。思路是把实际填的 a_ij 与权重推出的理想比值 w_i/w_j 做比较取对数偏差是因为比值本身就是对数尺度直接做差会让大数值元素主导结果导致总是报高标度的那几格。返回值告诉你是哪一对元素矛盾最重以及建议值大致在哪个区间你按这个提示改一档标度再重算通常两三轮就能收敛。3.3 逐层权重怎么合成到总目标报告表 2 给出的不是单一权重而是“相对于其上层”的权重。要得到指标层对总目标的组合权重必须做层次总排序把每一层的权重按隶属关系连乘再求和。以报告的数据为例准则层“动力”权重 0.4883其下要素层“经济实力”权重 0.4162那么经济实力对总目标的组合权重就是 0.4883 × 0.4162 ≈ 0.2032。指标层再往下乘一层最终得到每个指标在总目标里的实际贡献。def combine_weights(hierarchy): hierarchy: 嵌套字典形如 {目标: {准则A: {权重: 0.5, 子: {要素1: {权重: 0.4, 子: {...}}}}}} 这里用简化结构每层给 (自身权重, 子字典) result {} def dfs(node, prefix_w): for name, (w, children) in node.items(): total_w prefix_w * w if children: dfs(children, total_w) else: result[name] total_w dfs(hierarchy, 1.0) return result # 报告表2的结构切片动力0.4883 - 经济实力0.4162 - 政府作用0.2618 等 tree { 动力: (0.4883, { 经济实力: (0.4162, { 政府作用: (0.2618, {}), 消费水平: (0.0624, {}), 人力资源: (0.0986, {}), }), 科技实力: (0.1611, {}), 对外开放: (0.6667, {}), # 简化示意实际对外开放在下层 }), 阻力: (0.0893, { 贫富分化: (1.0, {}), }), } flat combine_weights(tree) for k, v in sorted(flat.items(), keylambda x: -x[1]): print(f{k}: {v:.4f})combine_weights用深度优先把路径上的权重连乘走到叶子节点时把结果写进扁平字典。这个写法比手工在 Excel 里拉公式可靠因为层级一多漏乘某层或串行错位很难肉眼发现。注意dfs传入的是prefix_w每一层都用父级累计权重乘以本层权重所以叶子节点的值就是相对总目标的组合权重全部叶子加起来应该等于 1前提是每层权重都归一化过。如果总和偏离 1 明显说明某个判断矩阵的权重向量没做归一化或者层级结构里有元素没被挂上。注意报告原文在要素层到指标层的赋值里留了不少占位“同理可依次求得”后面没有具体数值复现时不要把这些空缺当成零权重必须自己补齐判断矩阵否则组合权重之和永远凑不到 1。4. 从 71 项指标到综合指数无量纲化与计量模型串联报告的指标层有 71 项从统计年鉴里抠数据这一步没法在报告里完成但它给出的计量模型骨架是完整可复现的。这一章把“拿到指标数据之后怎么算”补成可执行流程。4.1 无量纲化的方向与公式选择报告明确写了“首先将其无量纲化”再逐层代公式。这一步是整个评价里最容易造成排名结果错误的环节不同无量纲化方法能让同一批城市排出完全不同的名次。常见做法按指标方向分两类指标类型典型指标无量纲化公式说明正向越大越好GDP 总量、科研投入(x − min)/(max − min)归一化到 01负向越小越好贫富分化、污染排放(max − x)/(max − min)取反后同向适度中间最优某些结构比例1 −x − x0报告把准则层分成“动力”和“阻力”本质上就是在做方向区分只是原文没把公式展开写。阻力类指标贫富分化直接参与正向加权会得出“贫富差距越大竞争力越强”的荒谬结论必须反向处理。我一般会在数据表里加一列方向标记1 / −1无量纲化时按标记分支避免把方向判断散落在各个公式里。还有一个坑是量纲差异71 项指标里有的是绝对量GDP 总量单位亿元有的是比率失业率单位 %有的是人均量。如果直接用原始值算加权和绝对量大的指标会彻底主导结果权重再准也没用。所以无量纲化必须在加权之前完成且所有指标要落到同一区间。4.2 计量模型的三层串联报告给出了三层公式要素层指数由指标层加权得到准则层指数由要素层加权得到总目标指数由准则层加权得到。写成矩阵形式就是一条链import numpy as np import pandas as pd # 假设已无量纲化的指标数据行城市列指标 # 这里用随机示例数据实际替换为统计年鉴摘录 np.random.seed(42) n_city, n_indicator 6, 8 X_norm np.random.rand(n_city, n_indicator) # 0~1 区间 # 指标对要素的组合权重由上一章层次总排序得到这里给示例值 w_indicator np.array([0.12, 0.08, 0.15, 0.20, 0.10, 0.13, 0.11, 0.11]) assert abs(w_indicator.sum() - 1) 1e-6, 指标权重必须归一化 # 要素层指数指标加权求和 element_index X_norm w_indicator # 假设指标到要素的分组映射每组的指标列索引 group_map { 经济实力: [0, 1, 2], 科技实力: [3, 4], 政府作用: [5], 环境水平: [6, 7], } # 要素层权重来自组合权重汇总此处示例 w_element {经济实力: 0.2032, 科技实力: 0.0787, 政府作用: 0.1278, 环境水平: 0.0948} criterion_index np.zeros(n_city) for name, idxs in group_map.items(): # 组内先归一化再加权保证组内指标贡献不被组规模稀释 sub_w w_indicator[idxs] / w_indicator[idxs].sum() sub_index X_norm[:, idxs] sub_w criterion_index sub_index * w_element[name] # 总目标指数 total_index criterion_index # 若要素层已覆盖全部准则可直接用 df_result pd.DataFrame({ 城市: [f城市{i1} for i in range(n_city)], 综合指数: np.round(total_index, 4), }).sort_values(综合指数, ascendingFalse).reset_index(dropTrue) df_result[排名] df_result.index 1 print(df_result)这段代码做的是报告里“三层计量模型”的矩阵化实现。X_norm w_indicator是最基本的加权求和但直接用它会让指标多的组比如经济实力下 3 个指标在数值上压过指标少的组政府作用 1 个指标所以我在group_map循环里先做组内权重归一化再乘组权重这样每个要素层指数的量级只由组权重决定不受组内指标个数影响。assert abs(w_indicator.sum() - 1) 1e-6这行不是装饰。层次总排序算出来的权重只要有一层判断矩阵没归一化或某个分支漏算总和就会偏离 1而加权求和在总和不为 1 时结果会整体缩放排名虽可能不变但指数的绝对水平失去意义后续如果要设阈值分等级就会出错。df_result按综合指数降序排列并标名次对应报告“指数越大排名越靠前”的结论。实际使用时城市的指标数据往往有缺失缺失值怎么处理剔除、均值填充、还是单独标记会显著影响排名这一点报告没有展开但落地时绕不开。4.3 指标数据采集的替代方案报告的指标层来自统计年鉴71 项指标的数据采集成本很高。如果只是为了验证方法链路可以先用公开统计数据库的年度数据截取一个子集或者用模拟数据把流程跑通再逐步替换为真实指标。我一般会建议先按“每个要素下至少留 2 个能拿到的指标”来裁剪指标体系保证判断矩阵可构造、权重可计算跑通一轮再扩充否则一上来铺 71 项光数据清洗就能把整个流程拖住。报告作者也在结尾明确说了数据量太大、未能算出最终总指数这个坦诚反而说明方法流程与数据可得性之间的落差是真实存在的。5. 复现时的避坑清单与一个自检脚本上面几章把流程拆完了但真正动手复现这份报告时翻车的点往往不在算法本身而在数据流和矩阵录入这些细节。5.1 五个高频踩坑记录现象一CR 一直算出来是 nan 或负数。原因判断矩阵里出现了 0 或负数或者RI_TABLE里查不到当前阶数比如 n10常见 RI 表只到 9。正互反矩阵的元素必须全为正标度最小值是 1/9不会出现 0。解决录入时加校验assert (A 0).all()阶数超过 9 时补全 RI 表或拆分为多个低阶矩阵。现象二两层权重乘完叶子节点之和等于 1.2 或 0.7。原因某层判断矩阵计算权重后没做归一化或者层次结构里有一个元素被两个父节点引用组合权重被重复累加。解决每个判断矩阵算完权重后强制w w / w.sum()结构表里对每个节点做唯一父节点检查用集合记录已访问节点。现象三正向、负向指标混在一起后排名和常识相反。原因阻力类指标未取反就参与加权或者无量纲化时 max/min 顺序写反。解决数据表加方向列无量纲化前先按方向分支处理处理完抽查两个城市的单项得分确认“更好的城市该项得分更高”。现象四算术平均法和特征向量法权重差很多但 CR 又小于 0.1。原因矩阵接近一致但仍有系统偏差或者某一列数值量级异常比如误把 9 填成 0.9。解决打印两种方法的结果逐项对比差异超过 10% 的项重点核查原始标度通常能定位到录入错误。现象五判断矩阵规模太大专家填到后面开始瞎填。原因一个准则下挂了 7 个以上要素两两比较要填 21 个格子以上认知负荷过高。解决拆层。把 7 个要素按性质分成 34 两个子组先组间比较再组内比较逐层构建比一次性铺开可靠得多。5.2 一个跑完全流程的自检脚本把前面几章串起来写一个自检函数输入是层次结构和各层判断矩阵输出是权重表与一致性报告能在正式做评价之前把所有常见错误挡在门外def ahp_selfcheck(matrices, ri_tableNone): matrices: dict, {层名: 判断矩阵 np.ndarray} 返回: {层名: {weight: ..., CR: ..., pass: bool}} ri_table ri_table or {1:0, 2:0, 3:0.58, 4:0.90, 5:1.12, 6:1.24, 7:1.32, 8:1.41, 9:1.45} report {} for name, A in matrices.items(): A np.asarray(A, dtypefloat) n A.shape[0] # 基础合法性检查 if A.shape[0] ! A.shape[1]: report[name] {error: 非方阵}; continue if not np.allclose(A * A.T, np.ones_like(A), atol1e-6): report[name] {error: 不满足正互反 a_ij * a_ji 1}; continue col_sum A.sum(axis0) w (A / col_sum).mean(axis1) w w / w.sum() eigvals np.linalg.eigvals(A) lambda_max np.max(eigvals.real) CI (lambda_max - n) / (n - 1) if n 1 else 0 RI ri_table.get(n, None) if RI is None: report[name] {error: f缺少 n{n} 的 RI 值} continue CR CI / RI if RI 0 else 0.0 report[name] { weight: np.round(w, 4).tolist(), lambda_max: round(float(lambda_max), 4), CI: round(float(CI), 4), CR: round(float(CR), 4), pass: CR 0.1, } return report # 使用把各层判断矩阵放进字典一次跑完 demo { 准则层: np.array([ [1, 3, 5], [1/3, 1, 3], [1/5, 1/3, 1] ], dtypefloat), 要素层_动力: np.array([ [1, 2, 4], [1/2, 1, 3], [1/4, 1/3, 1] ], dtypefloat), } for layer, res in ahp_selfcheck(demo).items(): status 通过 if res.get(pass) else res.get(error, 未通过) print(f[{layer}] CR{res.get(CR, N/A)} 状态{status})这个脚本把三个检查做在前面方阵校验、正互反校验A * A.T是否全为 1、RI 表覆盖校验。正互反校验这一行能挡掉大部分手工录入错误因为上下三角填反、取倒数取错都会在这一步暴露。pass字段直接给出 CR 是否小于 0.1 的布尔结论批量跑多层矩阵时一眼能看出哪层需要重填。RI 缺失时返回明确错误而不是抛异常避免因为阶数不常见导致整个流程中断。我现在的习惯是任何一次 AHP 计算之前先把所有判断矩阵丢进这个自检脚本跑一遍全部pass为真才往下走无量纲化。有一次赶进度跳过这一步结果 CR 在阈值边缘组合权重算出来某个要素占了 0.6排名全乱回头查是要素层某个矩阵的上三角被填成了下三角——这种错误肉眼几乎看不出来但正互反校验一秒就能抓到。从那以后我每次做综合评价都强制走一遍自检宁可多花十分钟也不愿意在排名结果里翻车。希望这个流程帮到你把这份报告里的思路真正用到自己的评价体系上。本文还有配套的精品资源点击获取
