主观赋权方法怎么选？七类常用方法的思路、优缺点与适用场景

<div style=“text-align: center;”> <img src=“figures/subjective-weighting-methods-guide/00-subjective-weighting-theme.png” width=“900” alt=“采购经理在仓库样品台前，为产品质量、采购成本、交付能力和售后服务分配砝码”> </div>

假设你要为一家企业选择供应商，已经确定了四个评价指标：产品质量、采购成本、交付能力和售后服务。

负责生产的人最关心质量，采购部门希望控制成本，销售部门则担心交货不及时。大家都能说出理由，可一旦要把这些判断变成权重，就遇到了问题：

质量应该占多少？它比交付重要多少？如果只能说“略微重要”，又该怎么计算？

主观赋权方法，就是把这些经验、偏好和专业判断整理成权重的工具。不同方法提出的问题不同，有的要求两两比较，有的先排序，有的允许表达模糊判断，还有的考虑指标之间的相互影响。

下面围绕这个供应商评价场景，介绍 MCDM Online 计算工具中提供的七类主观赋权方法。案例和数值均为说明方法而设定，不代表真实研究数据。

先弄清楚：主观权重表达什么？

在供应商评价中，质量权重较高，表示本次评价希望更重视质量。它不意味着质量数据的波动最大，也不证明质量对企业绩效具有最大的因果影响。

主观赋权主要依据评价者的判断；熵权法、CRITIC等客观赋权方法主要依据数据特征。选择哪一种，应取决于研究希望权重表达什么。

一般情况下，权重满足：

$$ w_j\geq 0,\qquad \sum_{j=1}^{n}w_j=1 $$

但把一组数字归一化，只能保证形式上的规范。权重是否合理，还要看评价目标是否明确、指标定义是否清楚，以及判断者是否了解相关业务。

例如，“采购成本”究竟只指报价，还是包含运输、返工和维护费用？如果不同专家理解不同，换一种赋权方法也难以解决分歧。

1. AHP：把复杂判断拆成两两比较

层次分析法（AHP）先建立目标、准则和指标的层次结构，再让评价者比较同一组指标的相对重要性。它通过判断矩阵计算权重，并检查判断的一致性。

在供应商案例中，你不必直接给质量分配一个百分比，而是依次回答：质量和成本谁更重要？质量和交付谁更重要？交付和售后谁更重要？通常采用1–9标度表达相对重要程度，反向比较填写倒数。

同一判断矩阵中的指标应相对于共同的上级目标进行比较。若在“产品质量”下继续细分为合格率和质量稳定性，这两个指标得到的是相对于产品质量的局部权重。例如，产品质量占总权重的0.40，合格率在产品质量内部占0.60，则合格率相对于总目标的全局权重为$0.40\times0.60=0.24$。不同层级的权重不能直接放在一起比较。

一致性检验关注比较判断能否相互协调。例如，若质量比交付重要、交付又比售后重要，却认为售后远比质量重要，就需要回头检查判断理由。通过一致性检验并不证明权重符合现实；未通过时，应核对指标含义和比较依据，再修订判断。

优点： 层次结构清楚，能把一个大问题拆成较容易回答的小问题；判断矩阵保留了权重的依据，方便解释和复核；一致性检验能够提示明显的逻辑冲突。

局限： 同一判断矩阵包含$n$个指标时，需要$n(n-1)/2$次独立比较。指标较多时，填写和复核的负担会增加，专家也可能难以稳定区分相邻标度。

适合的情况： 指标层次明确，同一组指标数量适中，研究需要清楚展示判断依据和一致性检查过程。

进一步阅读：AHP原理与应用；操作说明：AHP使用指南。

2. BWM：围绕最重要和最不重要的指标比较

最优最劣法（BWM）先让评价者选出最重要和最不重要的指标，然后完成两组比较：最重要指标相对于各指标有多重要，各指标相对于最不重要指标有多重要。再通过优化模型寻找尽量符合这些判断的权重。

例如，先选质量为最重要指标，售后为最不重要指标，再围绕它们填写比较。这里的“最优、最劣”指重要性的两端，不是在评价某家供应商表现好坏。

两组比较中的自身比较均为1，重复出现的“最重要指标相对于最不重要指标”应填写相同数值。两组判断还应尽量协调：若质量相对于交付的比值为3，交付相对于售后的比值为2，那么完全一致时，质量相对于售后的比值应为6。实际判断可能存在偏差，优化模型会寻找尽量符合两组比较的权重；它不能代替评价者解释这些比较的依据。

优点： 比较集中在两个参照指标上，可以减少填写量。对于$n$个指标，去掉自身比较并合并重复的最重要—最不重要比较后，共有$2n-3$项不同的比较判断；相对AHP的优势在指标较多时更明显。

局限： 最重要和最不重要指标的选择会影响后续判断；如果多项指标的重要程度接近，选定参照可能并不容易。两组比较仍可能冲突，需要结合所用模型检查一致性。

适合的情况： 同一组指标较多，评价者能够明确识别重要性的两端，希望降低比较负担。

操作说明：BWM使用指南。

3. G1：先排顺序，再判断相邻差距

G1序关系法先将指标按重要性排序，再给出相邻指标的重要性比值，由这些比值递推并归一化得到权重。

假设排序为“质量、交付、成本、售后”，评价者只需判断质量相对于交付、交付相对于成本、成本相对于售后的重要性比值。

按重要性从高到低排序后，相邻比值表示前一个指标的权重与后一个指标的权重之比，应不小于1；比值为1表示同等重要。例如，三个相邻比值分别取1.2、1.5和1.1时，以售后的相对权重为1，成本为1.1，交付为$1.5\times1.1=1.65$，质量为$1.2\times1.65=1.98$，再将这四个数归一化即可得到权重。这也说明，排序相同并不意味着权重相同，相邻差距同样决定结果。

优点： 在确定排序后，$n$个指标只需要$n-1$个相邻比值；计算过程简洁，通常不需要AHP式的一致性检验，便于解释权重如何从排序和差距得到。

局限： 对初始排序依赖较强；相邻比值会逐级传递，连续偏大的比值可能拉大首尾权重差距。如果评价者连排序都难以确定，G1也不会让问题自动变简单。

适合的情况： 指标有较明确的重要性顺序，评价者容易判断相邻差距，希望减少比较次数。

进一步阅读：G1原理与应用；操作说明：G1使用指南。

4. 优序图法：只判断谁更重要

如果评价者能够判断质量比成本重要，却无法可靠地回答“重要多少”，优序图法提供了更简单的表达方式。

项目使用1表示前者相对重要，0表示前者相对不重要，0.5表示同等重要。完成两两比较后，按行汇总并归一化得到权重。

填写比较矩阵时，行指标相对于列指标的判断记为$p_{ij}$，非对角元素应满足$p_{ij}+p_{ji}=1$。例如，质量相对于成本填1，成本相对于质量就应填0；同等重要时，两处均填0.5。自身比较不计入汇总，对角线留空或填0。

优点： 标度简单，填写门槛较低；不要求评价者给出重要性比值，计算结果容易复核。

局限： 只能保留胜负或平局关系，难以区分“略微重要”和“重要得多”；仍需要两两比较；可能出现质量优于成本、成本优于交付、交付又优于质量的循环判断。汇总得到权重不会自动消除这种冲突。

适合的情况： 希望快速整理相对优先关系，或者评价者只能稳定判断谁更重要。若研究需要细致表达重要性强度，应考虑其他方法。

5. AHM：通过属性测度汇总相对重要性

属性层次模型（AHM）以属性测度表达指标之间的相对重要关系，再汇总得到权重。项目的AHM工具接收AHP式判断矩阵，并根据设定的参数$\beta$转换成属性判断矩阵。

在供应商案例中，评价者仍然需要比较质量、成本、交付和售后，只是后续将采用属性测度的转换与汇总规则。

转换后的非对角测度位于0到1之间，相反方向的两个测度之和为1，同等重要时各为0.5。例如，在本工具中，当质量相对于成本的AHP标度为3、$\beta=2$时，质量相对于成本的属性测度为$6/7$，反向测度为$1/7$。这些数用于表达相对重要关系，不应解读为质量更重要的概率。随后汇总各指标对应的测度并换算为权重；改变$\beta$可能改变权重，因此报告中应说明参数取值，并检查结论对参数变化是否敏感。

优点： 可以利用AHP式的比较数据；计算过程相对简洁；通常无需采用AHP的CR一致性检验。

局限： 仍然需要收集两两比较，省去一致性检验不会自动减少专家填写量；转换规则和参数设定会影响权重解释。缺少AHP式检验，也意味着研究者需要主动复核异常和相互矛盾的判断。

适合的情况： 研究采用属性测度框架，或者已有AHP式比较数据，并且能够清楚说明转换参数及其依据。

操作说明：AHM使用指南。

6. 三角模糊AHP：给判断留出模糊范围

三角模糊AHP在AHP的两两比较中引入三角模糊数$(l,m,u)$，其中$0<l\leq m\leq u$。代表值$m$是隶属度为1的值，不一定是上下界的算术中点；下界$l$和上界$u$表达判断的模糊范围。在代表值和标度一致时，范围越宽，表示判断的模糊程度越大。本工具的代表值沿用AHP的1–9标度及其倒数。

例如，认为产品质量比采购成本稍微重要，但判断不够确定时，可以用$(2,3,4)$代替单一的标度3，同时保留重要程度和模糊性。

三角模糊AHP存在不同的权重计算方案。本工具先提取代表值矩阵并进行一致性检验，再构造模糊评判因子矩阵、调整判断矩阵，最后通过方根法计算并归一化得到权重。模糊范围的引入不能代替对判断一致性的检查。

优点： 能保留单个数值难以呈现的判断模糊性；可以将语言描述映射为三角模糊数，适合评价者不愿给出过于精确判断的情境。

局限： 需要解释三个数的含义，数据准备和计算更复杂；模糊数的取值规则和所用的权重计算方案可能影响结果，采用去模糊化的方案还需要说明其具体规则。范围并非越宽越好，随意设置上下界会引入额外的主观选择。

适合的情况： 判断本身存在明确的模糊性，而且能够说明语言标度、上下界设定和计算流程。只因为方法名称包含“模糊”，不足以成为选用理由。

操作说明：三角模糊AHP使用指南。

7. ANP：把指标之间的依赖与反馈纳入模型

AHP通常用层次结构组织问题。但现实中，供应商的质量、成本和交付可能存在相互联系：提高质量要求可能改变成本，生产与交付安排也可能相互制约。

网络层次分析法（ANP）允许在模型中表达这些依赖和反馈关系。研究者先依据业务知识、理论或其他证据建立关系结构，评价者再在明确的影响条件下进行比较，最后通过超矩阵及其加权、极限计算得到优先权重。

优点： 能将层次模型较难呈现的依赖和反馈纳入分析，适合关系结构本身就是研究重点的评价问题。

局限： 网络关系、比较问题和归一化规则都需要仔细设计，判断量和解释难度通常较高；极限计算也需要关注收敛条件。仅凭指标在数据上相关，不能直接确定ANP中的影响关系。

对于供应商案例，如果研究只需要表达四个方面的评价偏好，层次结构可能已经足够；若赋权必须考虑有依据的指标依赖与反馈关系，可以进一步考虑ANP。ANP用于在既定关系结构下综合优先权重，其计算结果不能直接作为因果关系的证据。

适合的情况： 有明确依据支持指标或指标组之间的依赖与反馈，并且能够完成网络建模、条件比较和结果解释。

进一步阅读：ANP原理与应用；操作说明：ANP使用指南。

多位专家参与时：群策怎么做？

回到供应商案例，生产、采购和销售部门可能分别给出不同判断。群策赋权就是按明确的规则汇总多位评价者的意见，形成群体权重。它可以与AHP、G1等方法结合，既要选择个人如何表达判断，也要确定多人意见如何汇总。

收集判断前，应统一评价目标、指标含义、标度和比较条件，并说明专家为何适合参与本次评价。参与人数和专业构成应结合研究范围与意见代表性确定；多找几位专家，并不能自动保证权重更合理。

一种做法是先汇总判断，再计算权重。 例如，群策AHP可以对各专家判断矩阵中对应位置的数值取几何平均，得到群体判断矩阵，再计算权重。几何平均能够保留正互反矩阵的倒数关系；直接逐项取算术平均，通常不能保留这一性质。采用这种做法时，各矩阵不仅要维度相同，指标顺序和比较含义也必须一致。本工具的三角模糊AHP问卷处理则对对应位置的$l$、$m$、$u$分别取几何平均。

另一种做法是先计算个人权重，再汇总权重。 各专家分别完成赋权，随后按专家权重进行加权平均。设第$k$位专家对指标$j$的权重为$w_j^{(k)}$，专家权重为$\alpha_k$，则：

$$ \bar w_j=\sum_{k=1}^{K}\alpha_k w_j^{(k)},\qquad \alpha_k\geq0,\qquad \sum_{k=1}^{K}\alpha_k=1 $$

例如，三位专家对质量的权重分别为0.50、0.30和0.40，专家等权时，群体质量权重为0.40。本工具的群策G1采用这种方式：每位专家可以给出不同的重要性排序，分别计算权重后，再按指标名称对齐并汇总，不能直接把不同排序下的相邻比值逐项平均。先汇总判断与先汇总权重在一般情况下可能得到不同结果，研究中应说明采用哪一种流程及其理由。

专家权重与指标权重表达不同含义：前者决定每位专家的意见在汇总中占多少，后者决定每个指标在评价中占多少。若没有充分依据区分专家影响，可以采用等权；若设置不同专家权重，应说明相关专业经验、任务熟悉程度等依据，并检查改为等权后结论是否明显变化。

群策还需要区分个人判断的一致性与专家之间的共识。两位专家的AHP矩阵都可能通过一致性检验，却分别更重视质量和成本；平均后得到一组权重，也不意味着分歧已经消失。应保留个人结果，检查差异集中在哪些指标，必要时反馈给专家讨论或重新判断。问卷修订或剔除应有事先说明的规则，并记录处理理由及其对结果的影响。

操作说明：群策AHP、群策G1、群策三角模糊AHP。不同方法的群策数据要求与汇总规则应分别核对。

把七类方法放在一起看

下面的比较用于初步选型，最终仍需结合研究目标和数据准备条件。

真正选方法时，先回答三个问题

第一，评价者能稳定回答哪一种问题？ 能给出相对重要程度，可以考虑AHP；能明确排序和相邻差距，可以考虑G1；只能判断谁更重要，可以考虑优序图法。若能选出重要性的两端，BWM也是一个候选。

第二，判断的模糊性是否需要显式表达？ 如果专家确实难以给出单个确定判断，可以考虑三角模糊AHP，并说明使用的标度。不要把不了解指标、信息不足或问卷表述不清，都归结为模糊性。

第三，指标之间的依赖是否是本次研究必须处理的问题？ 若有明确的依赖与反馈结构，可以考虑ANP；若主要任务是为既定指标分配重要性，先采用能够清楚解释的简单框架。

例如，这个四指标供应商案例采用AHP，只需6次独立比较，操作负担并不高。改成同一组10个指标时，AHP需要45次比较，BWM有17项不同的比较，G1在确定排序后需要9个相邻比值。比较次数只是工作量的一部分，问题是否容易理解同样重要。

从一组清楚的指标开始

现在可以先写清楚评价目标、指标含义和专家能够回答的问题，再选择方法。对于层次明确、指标数量适中的研究，AHP是一个便于展示完整判断过程的起点；若填写负担、模糊表达或网络依赖是主要问题，再按需要选择其他方法。

在MCDM Online计算工具中选择相应方法前，先查看使用指南，核对所需数据和标度。想进一步理解权重如何进入综合评价，可以阅读综合评价入门；准备开展AHP研究，可以继续阅读AHP实证分析指南。

最终值得写进论文或报告的，不只是“采用了某种赋权方法”，还包括为什么选它、判断如何获得，以及这些判断对结果有多大影响。

若采用群策，还应交代专家人数与专业构成、专家权重、意见汇总方式，以及分歧和异常问卷的处理过程，让读者能够复核群体权重的来源。