熵权法原理、步骤与应用

在多指标综合评价中，我们经常面临这样的困境：

• 有很多评价指标（经济、社会、环境……），但不知道哪个更重要
• 主观打分容易有偏见，想要一种客观的权重确定方法
• 希望让数据本身说话，而不是拍脑袋决定权重

熵权法（Entropy Weight Method）正是为解决这类问题而提出的：

• 利用信息熵的概念，衡量指标的信息离散程度
• 指标取值越分散、区分度越强，说明该指标携带的信息量越大，权重应该越高
• 指标取值越集中、区分度越弱，说明该指标提供的信息量越少，权重应该越低

它是一种完全基于数据驱动的客观赋权方法，常与TOPSIS、VIKOR等方法组合使用。

1. 熵权法的核心思想

假设我们有：

• $n$ 个评价对象（企业、城市、方案等）：$A_1, A_2, \dots, A_n$
• $m$ 个评价指标：$C_1, C_2, \dots, C_m$
• 原始数据矩阵：$X = (x_{ij})_{n \times m}$

核心思想可以用一句话概括：

==通过计算每个指标在所有对象上的信息熵，来衡量该指标的离散程度，离散程度越大的指标权重越高。==

信息熵的含义：

• 信息熵（Entropy）源自信息论，用于度量信息的不确定性
• 某指标的熵值越小，说明该指标的取值差异越大，提供的信息量越多
• 某指标的熵值越大，说明该指标的取值差异越小，提供的信息量越少

为什么要用熵权法？

1. 客观性：完全基于数据本身，避免主观判断的偏差
2. 数据驱动：让数据的离散程度决定权重，符合信息论原理
3. 易于实现：计算过程标准化，可重复性强
4. 广泛适用：适合各类多指标综合评价问题

2. 熵权法标准步骤

步骤 1：准备原始矩阵

准备原始矩阵$X$，为不同对象在不同指标下的评分数据，$n×m$的矩阵，$n$为对象个数，$m$为指标个数。

$$ X=\left[\begin{array}{cccc} x_{11} & x_{12} & \cdots & x_{1 m} \ x_{21} & x_{22} & \cdots & x_{2 m} \ \vdots & \vdots & \ddots & \vdots \ x_{n 1} & x_{n 2} & \cdots & x_{n m} \end{array}\right] $$

步骤 2：正向化和标准化

不同指标往往具有不同的量纲和数量级，同时指标的方向性也不同（有的越大越好，有的越小越好）。因此需要先进行无量纲化处理。本文采用极差法，可以同时完成指标正向化和标准化两个任务。

• 正向指标（越大越好，如收益、满意度）

对于正向指标，原始值越大越好，标准化后的值也应该越大。使用公式：

$$ z_{ij} = \dfrac{x_{ij} - x_j^{\min}}{x_j^{\max} - x_j^{\min}} $$

其中，$x_j^{\min}$ 和 $x_j^{\max}$ 分别是第 $j$ 个指标在所有对象上的最小值和最大值。标准化后的值域为 $[0, 1]$，原始值越大，标准化后的值越接近1。

• 负向指标（越小越好，如成本、报废率）

对于负向指标，原始值越小越好，需要进行反向处理。使用公式：

$$ z_{ij} = \dfrac{x_j^{\max} - x_{ij}}{x_j^{\max} - x_j^{\min}} $$

标准化后的值域同样为 $[0, 1]$，原始值越小，标准化后的值越接近1。

• 适度指标（在某个区间内最优）

有些指标并非越大越好或越小越好，而是在某个区间内最优。设最优区间为$[a,b]$，则：

$$ z_{ij} = \begin{cases} 1 - \dfrac{a - x_{ij}}{\max(a - x_j^{\min},, x_j^{\max} - b)}, & x_{ij} < a \ 1, & a \le x_{ij} \le b \ 1 - \dfrac{x_{ij} - b}{\max(a - x_j^{\min},, x_j^{\max} - b)}, & x_{ij} > b \end{cases} $$

当 $x_{ij}$ 在最优区间内时，标准化值为1；偏离最优区间越远，标准化值越小。

步骤 3：【可选】非负平移处理

在计算信息熵时需要用到对数函数 $\ln$，而 $\ln 0$ 是无定义的。因此需要处理标准化矩阵中可能出现的0值。有两种处理方式：

方式一：进行非负平移

极差法标准化后的矩阵中最小值为0，可以给所有元素加上一个很小的正数（如0.001或0.01）进行平移：

$$ z_{ij}’ = z_{ij} + 0.001 $$

方式二：不进行非负平移

在计算熵值时，约定当 $p_{ij} = 0$ 时，$p_{ij} \ln p_{ij} = 0$。这样可以直接使用标准化后的矩阵进行计算。

本文采用方式二，即不进行非负平移，在计算时约定 $0 \ln 0 = 0$。

步骤 4：计算比重矩阵

对于标准化后的矩阵 $Z = (z_{ij})$，计算每个指标下各对象的比重。对于第 $j$ 个指标，先计算该指标在所有对象上的总和：

$$ \sum_{i=1}^{n} z_{ij} $$

然后计算每个对象在该指标下的比重：

$$ p_{ij} = \frac{z_{ij}}{\sum_{i=1}^{n} z_{ij}} $$

这个比重 $p_{ij}$ 表示第 $i$ 个对象在第 $j$ 个指标上的相对贡献度，所有对象在同一指标下的比重之和为1。

步骤 5：计算信息熵

对于第 $j$ 个指标，其信息熵定义为：

$$ E_j = -\frac{1}{\ln n} \sum_{i=1}^{n} p_{ij} \ln p_{ij} $$

其中：

• $n$ 是评价对象的个数
• $\frac{1}{\ln n}$ 是归一化系数，使得 $E_j \in [0, 1]$
• 约定：当 $p_{ij} = 0$ 时，$p_{ij} \ln p_{ij} = 0$

信息熵的含义：

• $E_j$ 越小，说明该指标的取值越分散，区分度越强，提供的信息量越大
• $E_j$ 越大，说明该指标的取值越集中，区分度越弱，提供的信息量越小
• 当所有对象在某指标上的取值完全相同时，$E_j = 1$（熵值最大，无信息量）
• 当只有一个对象在某指标上有值时，$E_j = 0$（熵值最小，信息量最大）

步骤 6：计算差异系数

信息熵 $E_j$ 反映的是指标的集中程度，而我们需要的是离散程度。因此定义差异系数：

$$ G_j = 1 - E_j $$

差异系数 $G_j$ 的含义：

• $G_j$ 越大，说明该指标的离散程度越高，区分能力越强
• $G_j$ 越小，说明该指标的离散程度越低，区分能力越弱
• $G_j \in [0, 1]$，且 $G_j$ 与 $E_j$ 互补

步骤 7：计算指标权重

基于差异系数，计算各指标的权重。权重与差异系数成正比：

$$ W_j = \frac{G_j}{\sum_{j=1}^{m} G_j} $$

这样得到的权重满足：

• $W_j \in [0, 1]$
• $\sum_{j=1}^{m} W_j = 1$
• 离散程度越大的指标，权重越高

步骤 8：计算综合得分

得到权重后，可以计算每个对象的综合得分。使用加权求和的方式：

$$ F_i=\sum_{j=1}^m W_j z_{ij} $$

其中，$z_{ij}$ 是步骤2中标准化后的值，$W_j$ 是步骤7计算得到的权重。

最终按 $F_i$ 从大到小排序，就得到了对象的优劣顺序。

3. 完整案例计算流程

让我们通过一个具体案例来完整演示熵权法的计算过程。

3.1 案例背景

某研究机构要评价7家企业的综合绩效，选择了4个评价指标：

• X1（正向指标）：越大越好
• X2（负向指标）：越小越好
• X3（适度指标）：最优值为15000（适度指标的特殊情况：上下限相同）
• X4（适度指标）：最优范围为160-170

原始数据如下：

3.2 准备原始矩阵

根据上述数据，我们得到$7 \times 4$的原始评价矩阵$X$：

$$ X = \begin{bmatrix} 104 & 24698 & 11883 & 131.97 \ 109 & 27272 & 12874 & 132.2 \ 115 & 29488 & 14186 & 143.67 \ 116 & 30576 & 15527 & 160.17 \ 119 & 33418 & 17042 & 169.7 \ 128 & 35816 & 19250 & 222.1 \ 132 & 37821 & 21784 & 250.3 \end{bmatrix} $$

其中，$n=7$（7家企业），$m=4$（4个指标）。

3.3 数据无量纲化

X1指标（正向指标）处理：

$x_{1}^{\max} = 132$, $x_{1}^{\min} = 104$

企业1：$z_{11} = \frac{104-104}{132-104} = 0$

企业2：$z_{21} = \frac{109-104}{132-104} = 0.1786$

企业3：$z_{31} = \frac{115-104}{132-104} = 0.3929$

企业4：$z_{41} = \frac{116-104}{132-104} = 0.4286$

企业5：$z_{51} = \frac{119-104}{132-104} = 0.5357$

企业6：$z_{61} = \frac{128-104}{132-104} = 0.8571$

企业7：$z_{71} = \frac{132-104}{132-104} = 1$

X2指标（负向指标）处理：

$x_{2}^{\max} = 37821$, $x_{2}^{\min} = 24698$

企业1：$z_{12} = \frac{37821-24698}{37821-24698} = 1$

企业2：$z_{22} = \frac{37821-27272}{37821-24698} = 0.8039$

企业3：$z_{32} = \frac{37821-29488}{37821-24698} = 0.635$

企业4：$z_{42} = \frac{37821-30576}{37821-24698} = 0.5521$

企业5：$z_{52} = \frac{37821-33418}{37821-24698} = 0.3355$

企业6：$z_{62} = \frac{37821-35816}{37821-24698} = 0.1528$

企业7：$z_{72} = \frac{37821-37821}{37821-24698} = 0$

X3指标（适度指标）处理：

特殊情况：最优范围上下限相同

最优范围：[15000, 15000]（即最优值为15000）

计算分母：

$a - x_{3}^{\min} = 15000 - 11883 = 3117$

$x_{3}^{\max} - b = 21784 - 15000 = 6784$

$\max(a-x_{3}^{\min}, x_{3}^{\max}-b) = \max(3117, 6784) = 6784$

各企业计算：

企业1（11883 < 15000）：$z_{13} = 1 - \frac{15000-11883}{6784} = 0.5405$

企业2（12874 < 15000）：$z_{23} = 1 - \frac{15000-12874}{6784} = 0.6866$

企业3（14186 < 15000）：$z_{33} = 1 - \frac{15000-14186}{6784} = 0.88$

企业4（15527 > 15000）：$z_{43} = 1 - \frac{15527-15000}{6784} = 0.9223$

企业5（17042 > 15000）：$z_{53} = 1 - \frac{17042-15000}{6784} = 0.699$

企业6（19250 > 15000）：$z_{63} = 1 - \frac{19250-15000}{6784} = 0.3735$

企业7（21784 > 15000）：$z_{73} = 1 - \frac{21784-15000}{6784} = 0$

X4指标（适度指标）处理：

最优范围：[160, 170]

计算分母：

$a - x_{4}^{\min} = 160 - 131.97 = 28.03$

$x_{4}^{\max} - b = 250.3 - 170 = 80.3$

$\max(a-x_{4}^{\min}, x_{4}^{\max}-b) = \max(28.03, 80.3) = 80.3$

各企业计算：

企业1（131.97 < 160）：$z_{14} = 1 - \frac{160-131.97}{80.3} = 0.6509$

企业2（132.2 < 160）：$z_{24} = 1 - \frac{160-132.2}{80.3} = 0.6538$

企业3（143.67 < 160）：$z_{34} = 1 - \frac{160-143.67}{80.3} = 0.7966$

企业4（160.17，在范围内）：$z_{44} = 1$

企业5（169.7，在范围内）：$z_{54} = 1$

企业6（222.1 > 170）：$z_{64} = 1 - \frac{222.1-170}{80.3} = 0.3512$

企业7（250.3 > 170）：$z_{74} = 1 - \frac{250.3-170}{80.3} = 0$

无量纲化后的矩阵：

3.4 计算比重矩阵

对于每个指标，计算各企业的比重。

X1指标：

$\sum_{i=1}^{7} z_{i1} = 0 + 0.1786 + 0.3929 + 0.4286 + 0.5357 + 0.8571 + 1 = 3.3929$

企业1：$p_{11} = \frac{0}{3.3929} = 0$

企业2：$p_{21} = \frac{0.1786}{3.3929} = 0.0526$

企业3：$p_{31} = \frac{0.3929}{3.3929} = 0.1158$

企业4：$p_{41} = \frac{0.4286}{3.3929} = 0.1263$

企业5：$p_{51} = \frac{0.5357}{3.3929} = 0.1579$

企业6：$p_{61} = \frac{0.8571}{3.3929} = 0.2526$

企业7：$p_{71} = \frac{1}{3.3929} = 0.2947$

X2指标：

$\sum_{i=1}^{7} z_{i2} = 1 + 0.8039 + 0.635 + 0.5521 + 0.3355 + 0.1528 + 0 = 3.4793$

企业1：$p_{12} = \frac{1}{3.4793} = 0.2874$

企业2：$p_{22} = \frac{0.8039}{3.4793} = 0.2311$

企业3：$p_{32} = \frac{0.635}{3.4793} = 0.1825$

企业4：$p_{42} = \frac{0.5521}{3.4793} = 0.1587$

企业5：$p_{52} = \frac{0.3355}{3.4793} = 0.0964$

企业6：$p_{62} = \frac{0.1528}{3.4793} = 0.0439$

企业7：$p_{72} = \frac{0}{3.4793} = 0$

X3指标：

$\sum_{i=1}^{7} z_{i3} = 0.5405 + 0.6866 + 0.88 + 0.9223 + 0.699 + 0.3735 + 0 = 4.1019$

企业1：$p_{13} = \frac{0.5405}{4.1019} = 0.1318$

企业2：$p_{23} = \frac{0.6866}{4.1019} = 0.1674$

企业3：$p_{33} = \frac{0.88}{4.1019} = 0.2145$

企业4：$p_{43} = \frac{0.9223}{4.1019} = 0.2248$

企业5：$p_{53} = \frac{0.699}{4.1019} = 0.1704$

企业6：$p_{63} = \frac{0.3735}{4.1019} = 0.0911$

企业7：$p_{73} = \frac{0}{4.1019} = 0$

X4指标：

$\sum_{i=1}^{7} z_{i4} = 0.6509 + 0.6538 + 0.7966 + 1 + 1 + 0.3512 + 0 = 4.4525$

企业1：$p_{14} = \frac{0.6509}{4.4525} = 0.1462$

企业2：$p_{24} = \frac{0.6538}{4.4525} = 0.1468$

企业3：$p_{34} = \frac{0.7966}{4.4525} = 0.1789$

企业4：$p_{44} = \frac{1}{4.4525} = 0.2246$

企业5：$p_{54} = \frac{1}{4.4525} = 0.2246$

企业6：$p_{64} = \frac{0.3512}{4.4525} = 0.0789$

企业7：$p_{74} = \frac{0}{4.4525} = 0$

比重矩阵 $P$：

3.5 计算信息熵

对于每个指标，使用公式 $E_j = -\frac{1}{\ln n} \sum_{i=1}^{n} p_{ij} \ln p_{ij}$ 计算信息熵。

其中 $n=7$，$\ln 7 \approx 1.9459$，约定当 $p_{ij} = 0$ 时，$p_{ij} \ln p_{ij} = 0$。

X1指标的信息熵：

$E_1 = -\frac{1}{1.9459}[0 \times \ln 0 + 0.0526 \times \ln 0.0526 + 0.1158 \times \ln 0.1158 + 0.1263 \times \ln 0.1263 + 0.1579 \times \ln 0.1579 + 0.2526 \times \ln 0.2526 + 0.2947 \times \ln 0.2947]$

$= -\frac{1}{1.9459}[0 + (-0.1534) + (-0.2476) + (-0.2619) + (-0.2976) + (-0.3516) + (-0.3651)]$

$= -\frac{1}{1.9459} \times (-1.6772) = 0.8621$

X2指标的信息熵：

$E_2 = -\frac{1}{1.9459}[0.2874 \times \ln 0.2874 + 0.2311 \times \ln 0.2311 + 0.1825 \times \ln 0.1825 + 0.1587 \times \ln 0.1587 + 0.0964 \times \ln 0.0964 + 0.0439 \times \ln 0.0439 + 0]$

$= -\frac{1}{1.9459}[(-0.3598) + (-0.3485) + (-0.3089) + (-0.2968) + (-0.2253) + (-0.1387) + 0]$

$= -\frac{1}{1.9459} \times (-1.6780) = 0.8625$

X3指标的信息熵：

$E_3 = -\frac{1}{1.9459}[0.1318 \times \ln 0.1318 + 0.1674 \times \ln 0.1674 + 0.2145 \times \ln 0.2145 + 0.2248 \times \ln 0.2248 + 0.1704 \times \ln 0.1704 + 0.0911 \times \ln 0.0911 + 0]$

$= -\frac{1}{1.9459}[(-0.2663) + (-0.2949) + (-0.3318) + (-0.3387) + (-0.2982) + (-0.2145) + 0]$

$= -\frac{1}{1.9459} \times (-1.7444) = 0.8966$

X4指标的信息熵：

$E_4 = -\frac{1}{1.9459}[0.1462 \times \ln 0.1462 + 0.1468 \times \ln 0.1468 + 0.1789 \times \ln 0.1789 + 0.2246 \times \ln 0.2246 + 0.2246 \times \ln 0.2246 + 0.0789 \times \ln 0.0789 + 0]$

$= -\frac{1}{1.9459}[(-0.2826) + (-0.2835) + (-0.3063) + (-0.3383) + (-0.3383) + (-0.1987) + 0]$

$= -\frac{1}{1.9459} \times (-1.7477) = 0.8983$

各指标信息熵汇总：

信息熵分析：

• X4的熵值最高（0.8983），说明该指标的取值相对较为集中
• X1的熵值最低（0.8621），说明该指标的取值相对较为分散
• 四个指标的熵值都比较接近，说明它们的离散程度相差不大

3.6 计算差异系数

使用公式 $G_j = 1 - E_j$ 计算各指标的差异系数：

$G_1 = 1 - 0.8621 = 0.1379$

$G_2 = 1 - 0.8625 = 0.1375$

$G_3 = 1 - 0.8966 = 0.1034$

$G_4 = 1 - 0.8983 = 0.1017$

各指标差异系数汇总：

差异系数分析：

• X1的差异系数最大（0.1379），说明该指标的区分能力最强
• X4的差异系数最小（0.1017），说明该指标的区分能力相对较弱
• 差异系数与信息熵呈反向关系，熵值越小，差异系数越大

3.7 计算指标权重

首先计算差异系数的总和：

$\sum_{j=1}^{4} G_j = 0.1379 + 0.1375 + 0.1034 + 0.1017 = 0.4805$

然后使用公式 $W_j = \frac{G_j}{\sum_{j=1}^{m} G_j}$ 计算各指标权重：

$W_1 = \frac{0.1379}{0.4805} = 0.2870 \approx 28.70%$

$W_2 = \frac{0.1375}{0.4805} = 0.2861 \approx 28.61%$

$W_3 = \frac{0.1034}{0.4805} = 0.2152 \approx 21.52%$

$W_4 = \frac{0.1017}{0.4805} = 0.2117 \approx 21.17%$

各指标权重汇总：

权重分析：

1. X1和X2权重最高（约28.7%和28.6%），说明这两个指标的区分能力最强，在综合评价中最重要
2. X3和X4权重相对较低（约21.5%和21.2%），但仍占有相当比重
3. 四个指标的权重相对均衡，没有出现某个指标权重过高或过低的情况
4. 权重完全由数据驱动，反映了各指标在实际数据中的离散程度

3.8 计算综合得分

使用公式 $F_i=\sum_{j=1}^m W_j z_{ij}$ 计算各企业的综合得分。

企业1： $F_1 = 0.2870 \times 0 + 0.2861 \times 1 + 0.2152 \times 0.5405 + 0.2117 \times 0.6509$ $= 0 + 0.2861 + 0.1163 + 0.1378 = 0.5402$

企业2： $F_2 = 0.2870 \times 0.1786 + 0.2861 \times 0.8039 + 0.2152 \times 0.6866 + 0.2117 \times 0.6538$ $= 0.0513 + 0.2300 + 0.1478 + 0.1384 = 0.5675$

企业3： $F_3 = 0.2870 \times 0.3929 + 0.2861 \times 0.635 + 0.2152 \times 0.88 + 0.2117 \times 0.7966$ $= 0.1128 + 0.1817 + 0.1894 + 0.1686 = 0.6525$

企业4： $F_4 = 0.2870 \times 0.4286 + 0.2861 \times 0.5521 + 0.2152 \times 0.9223 + 0.2117 \times 1$ $= 0.1230 + 0.1580 + 0.1985 + 0.2117 = 0.6912$

企业5： $F_5 = 0.2870 \times 0.5357 + 0.2861 \times 0.3355 + 0.2152 \times 0.699 + 0.2117 \times 1$ $= 0.1537 + 0.0960 + 0.1504 + 0.2117 = 0.6118$

企业6： $F_6 = 0.2870 \times 0.8571 + 0.2861 \times 0.1528 + 0.2152 \times 0.3735 + 0.2117 \times 0.3512$ $= 0.2460 + 0.0437 + 0.0804 + 0.0743 = 0.4444$

企业7： $F_7 = 0.2870 \times 1 + 0.2861 \times 0 + 0.2152 \times 0 + 0.2117 \times 0$ $= 0.2870 + 0 + 0 + 0 = 0.2870$

熵权法综合评价结果：

3.9 结果分析

从熵权法分析结果可以看出：

（1）企业4表现最优（$F_4 = 0.6912$）：该企业在各项指标上表现均衡，特别是X3和X4两个适度指标都处于或接近最优范围，X1和X2指标也表现良好。

（2）企业3排名第二（$F_3 = 0.6525$）：各项指标表现较为均衡，X3指标接近最优值，X4指标也在较好范围内。

（3）企业5排名第三（$F_5 = 0.6118$）：虽然X1指标表现较好，X4指标达到最优，但X2指标（成本类）偏高，X3指标偏离最优值较多。

（4）企业7表现最差（$F_7 = 0.2870$）：虽然X1指标达到最大值，但X2、X3、X4三个指标都处于最差状态，综合得分仅为0.2870，说明单一指标优秀无法弥补其他指标的严重不足。

（5）企业6表现不佳（$F_6 = 0.4444$）：虽然X1指标表现较好，但其他三个指标都表现较差，特别是X4指标严重偏离最优范围。

权重的合理性分析：

• X1和X2的权重接近（28.70%和28.61%），说明这两个指标在数据中的离散程度相似，都具有较强的区分能力
• X3和X4的权重也比较接近（21.52%和21.17%），说明这两个适度指标的区分能力相对较弱
• 四个指标的权重分布相对均衡，没有出现某个指标权重过高导致评价结果失衡的情况

4. 适用场景与进阶组合

4.1 适用场景

熵权法适用于以下场景：

1. 企业绩效评价：评价多家企业的综合绩效，包括财务指标、运营指标、创新指标等
2. 城市发展评价：评价不同城市的发展水平，包括经济、社会、环境等多维度指标
3. 产品综合评分：对多款产品进行综合评价，包括性能、价格、质量等指标
4. 服务质量评估：评估服务质量，包括响应速度、满意度、投诉率等指标
5. 供应商选择：在多个供应商中选择最优，考虑价格、质量、交货期等因素

4.2 进阶组合方法

熵权法作为一种客观赋权方法，常与其他方法组合使用：

（1）熵权法 + AHP（组合赋权）

将客观权重与主观权重结合：

• 熵权法得到客观权重 $W_j^{obj}$
• AHP得到主观权重 $W_j^{sub}$
• 组合权重：$W_j = \alpha W_j^{obj} + (1-\alpha) W_j^{sub}$，其中 $\alpha \in [0,1]$
• 优势：平衡了数据驱动和专家经验

（2）熵权法 + TOPSIS

这是最常见的组合方式：

• 先用熵权法客观确定各指标权重
• 再用TOPSIS方法计算各方案到理想解的贴近度
• 优势：结合了客观赋权和距离评价，结果更加稳健

（3）熵权法 + RSR（秩和比）

• 用熵权法确定权重
• 用RSR方法进行综合评价和分档
• 优势：可以对评价对象进行分档分级

4.3 熵权法的优缺点

优点：

1. 客观性强：完全基于数据，避免主观偏见
2. 计算简单：步骤清晰，易于实现和重复
3. 适用性广：适合各类多指标综合评价问题
4. 数学基础扎实：基于信息论，理论依据充分

缺点：

1. 忽略指标的实际重要性：完全依赖数据离散度，可能与实际重要性不符
2. 对异常值敏感：极端值会影响权重计算
3. 样本量要求：样本量太小时，权重可能不稳定
4. 无法体现专家经验：纯客观方法，无法融入领域知识

使用建议：

• 当缺乏专家知识或希望避免主观偏见时，优先使用熵权法
• 当有充分的专家经验时，考虑将熵权法与AHP等主观方法结合
• 注意检查数据质量，处理异常值
• 结合实际情况解释权重的合理性

5. 小结

本文从熵权法的理论原理出发，按照下面这条主线展开：

1. 用极差法对矩阵标准化，同时完成了正向化和标准化；
2. 计算比重矩阵，得到各对象在每个指标上的相对贡献度；
3. 基于信息论计算信息熵，衡量指标的离散程度；
4. 通过差异系数转换，得到各指标的权重；
5. 用加权求和计算综合得分，得到最终排序。

熵权法是一种完全客观的赋权方法，让数据本身决定权重分配。它常与TOPSIS、VIKOR等方法组合使用，在学术研究和实际应用中都有广泛的应用价值。