熵权-TOPSIS-障碍度计算说明

提示：本指南针对熵权TOPSIS障碍度方法的特有内容进行描述，关于软件的通用操作流程（如文件上传、参数设置、结果下载等），请查看：通用计算说明

1. 方法概述

熵权TOPSIS障碍度是熵权法、TOPSIS法和障碍度模型相结合的综合评价方法，通过一次计算同时完成三个核心任务：

第一步：使用熵权法基于数据的信息熵自动计算各指标的客观权重
第二步：基于计算得到的权重，运用TOPSIS法对评价对象进行排序评价
第三步：运用障碍度模型分析各指标对评价对象的障碍程度，识别制约因素

该方法的优势在于：

客观性：避免了主观赋权的偏差，权重完全基于数据变异程度确定
综合性：同时获得对象排序和障碍因素分析结果

2. 指标体系构建

2.1 数据类型要求

熵权TOPSIS障碍度方法的原始数据要求为客观数据，比较适合于可以定量评价的指标：

推荐使用：企业净资产、研发投入比、GDP增长率等可用真实数值衡量的指标
不建议使用：基于专家打分的主观数据（虽然技术上可行，但缺乏理论依据）

重要提醒：与单独的熵权法或TOPSIS法类似，虽然有论文基于定性指标的专家打分数据计算熵权TOPSIS障碍度，但主观数据做客观赋权在理论上存在争议，使用时需谨慎。

2.2 指标类型分类

熵权障碍度处理数据的第一步是正向化和标准化，需要明确每个指标的类型：

正向指标：越大越好的指标，如收益
负向指标：越小越好的指标，如成本
适度指标：在一定范围内最好的指标，如体温在36-37℃最好，低于36℃或高于37℃都不好，且偏差越大越不好

2.3 多层级指标处理

对于多层级指标体系，熵权TOPSIS障碍度只需要配置最底层指标的类型：

底层指标：有具体数值的指标，需要配置指标类型
上层指标：抽象概念指标，其权重由底层指标权重求和得到
TOPSIS计算：使用底层指标数据和权重进行整体TOPSIS的计算和对象排序
障碍度计算：直接计算底层指标障碍度，上层指标障碍度通过求和获得

3. 数据文件格式

熵权TOPSIS障碍度需要上传包含原始数据矩阵和指标配置的Excel文件。

基本要求：

评价对象数量大于2个（熵权法需要数据变化来计算权重，TOPSIS需要多个对象进行比较排序）
Excel文件包含两个主要sheet表：【原始矩阵】和【指标配置】

3.1 原始矩阵格式

支持两种数据形式：

截面数据（最常用）

同一年份不同对象的数据，是最为常规的数据形式：

第一列为对象列（如地区、企业等）
第二列开始为指标列
评价目标：某年里所有对象的优劣排序和障碍因素分析

时序数据

同一对象不同年份的数据：

第一列为对象列（年份）
第二列开始为指标列
评价目标：某对象在不同年份的优劣排序和障碍因素分析

如果是面板数据，但是希望所有数据一起计算，可以将对象-年份合并到一列，当成截面数据计算

3.2 指标配置格式

指标配置表用于配置每个指标的类型和参数：

配置参数说明：

指标：指标名称，要求与【原始矩阵】表里的指标列名完全相同
- 建议从原始矩阵第一行第二列到最后一列直接复制，粘贴到【指标配置】表并转置
类型：指标类型配置
- 极大型：正向指标（越大越好）
- 极小型：负向指标（越小越好）
- 中间型：适度指标，有最优中间值
- 范围型：适度指标，有最优范围
参数：类型参数配置
- 极大型和极小型指标无需填写参数
- 中间型指标填写中间值，如：10
- 范围型指标填写范围，如：10,20（用英文逗号隔开）

4. 参数设置

熵权TOPSIS障碍度模型包含以下参数：

4.1 标准化方法（固定）

极差法：系统固定使用，将数据标准化到[0,1]区间
确保TOPSIS计算和障碍度计算中指标偏离度的合理性

4.2 权重使用方法（可选）

标准化后求加权矩阵：在标准化矩阵的基础上计算加权标准化矩阵，然后计算正负理想解距离
求正负理想解距离：不计算加权标准化矩阵，直接在计算正负理想解距离时应用权重
以上两步均加权：在标准化矩阵的基础上计算加权标准化矩阵，并在计算正负理想解距离时再次应用权重

4.3 非负平移量（固定）

0：系统固定设置，不进行非负平移
极差法标准化后最小值为0，可以通过ln0=0处理熵权计算

4.4 结果保留小数位（可调）

默认值：5位小数
可选范围：1-10位
影响所有计算结果的精度显示

5. 计算结果

熵权TOPSIS障碍度的计算结果包含三个核心部分：熵权法权重、TOPSIS排序结果和障碍度分析结果。

5.1 标准化矩阵Z

极差法标准化之后的矩阵
数值范围在[0,1]之间
用于TOPSIS计算和障碍度计算的基础数据

5.2 比重矩阵P

用于计算熵值的比重矩阵
每列元素之和为1
反映各对象在该指标下的相对地位

5.3 熵权法权重表

指标：各指标名称
熵值：各指标的信息熵值
差异系数：1-熵值，反映指标的变异程度
权重：归一化后的指标权重
排序：指标重要性排序

5.4 加权标准化矩阵

权重与标准化矩阵的乘积
仅在权重使用方法不为"求正负理想解距离"时输出
用于TOPSIS计算的中间结果

5.5 正负理想解

指标：各指标名称
正理想解：最优的理想解向量
负理想解：最劣的理想解向量

5.6 TOPSIS结果表

对象：各评价对象的名称
正理想解距离D+：各对象到正理想解的欧式距离
负理想解距离D-：各对象到负理想解的欧式距离
相对接近度C：对象的综合评价得分
排名：对象优劣排序

5.7 障碍度结果表

评价对象：各评价对象的名称
指标障碍度：各指标对每个评价对象的障碍度值，后缀为"_O"
每个对象的所有指标障碍度之和为1

6. 计算原理

熵权TOPSIS障碍度模型包含三个核心计算过程：

6.1 熵权法计算权重

第一步：数据标准化（无量纲化）

根据指标类型使用极差法标准化到[0,1]区间，得到标准化矩阵 $Z$。

正向指标 $$ z_{ij}=\frac{x_{ij}-x_{j}^{\min}}{x_j^{\max}-x_j^{\min}} $$
负向指标 $$ z_{ij}=\frac{x_j^{\max}-x_{ij}}{x_j^{\max}-x_j^{\min}} $$
适度指标 $$ z_{ij}= \begin{cases}1-\frac{a-x_{ij}}{\max( {a-x_{j}^{\min}, ~ x_{j}^{\max}-b}) } & ,~ x_{ij}<a \ 1 & ,~ a \leq x_{ij} \leq b \ 1-\frac{x_{ij}-b}{\max( {a-x_{j}^{\min}, ~ x_{j}^{\max}-b})} & ,~ x_{ij}>b\end{cases} $$

第二步：计算比重矩阵 $$ P_{i j}={z_{i j}}/{\sum_{i=1}^n z_{i j}},(j=1,2, \cdots, m) $$

第三步：计算信息熵 $$ E_j = -\frac{1}{\ln m} \sum_{i=1}^m p_{ij} \ln p_{ij} $$

第四步：计算差异系数

$$ G_j = 1 - E_j $$

第五步：计算指标权重 $$ W_j=\frac{G_j}{\sum_{j=1}^m G_j} $$

6.2 TOPSIS法计算排序

第一步：构建加权标准化矩阵（根据权重使用方法）

根据权重使用方法的不同，处理方式有所区别：

标准化后求加权矩阵：$V_{ij} = W_j \times Z_{ij}$
求正负理想解距离：直接使用标准化矩阵$Z_{ij}$
以上两步均加权：先计算$V_{ij} = W_j \times Z_{ij}$，后续距离计算时再次应用权重

第二步：确定正负理想解 $$ V^+ = {\max_i V_{ij} | j = 1,2,…,n} $$ $$ V^- = {\min_i V_{ij} | j = 1,2,…,n} $$

第三步：计算距离

根据权重使用方法计算到正负理想解的距离：

标准化后求加权矩阵： $$D_i^+ = \sqrt{\sum_{j=1}^n (V_{ij} - V_j^+)^2}$$ $$D_i^- = \sqrt{\sum_{j=1}^n (V_{ij} - V_j^-)^2}$$
其他方法：在距离计算中应用权重 $$D_i^+ = \sqrt{\sum_{j=1}^n W_j(V_{ij} - V_j^+)^2}$$ $$D_i^- = \sqrt{\sum_{j=1}^n W_j(V_{ij} - V_j^-)^2}$$

第四步：计算相对接近度 $$ C_i = \frac{D_i^-}{D_i^+ + D_i^-} $$

6.3 障碍度模型计算

因子贡献度：$F_j = W_j$（即熵权法计算的权重）

指标偏离度：$I_{ij} = 1 - Z_{ij}$（基于标准化矩阵）

障碍度： $$ O_{ij} = \frac{F_j \times I_{ij}}{\sum_{j=1}^n F_j \times I_{ij}} $$

7. 结果解读

7.1 权重结果解读

权重大小：权重越大，指标在评价体系中的重要性越高
熵值分析：熵值越小，指标的区分度越高，权重越大
差异系数：反映指标数据的变异程度，变异越大权重越高

7.2 TOPSIS结果解读

相对接近度：数值越大，对象综合表现越好
排名分析：排名越靠前，对象在综合评价中表现越优秀
距离分析：
- 正理想解距离越小，对象越接近最优状态
- 负理想解距离越大，对象越远离最差状态

7.3 障碍度结果解读

数值含义：障碍度值越大，该指标对该对象的制约作用越强
横向比较：比较同一对象不同指标的障碍度，识别关键制约因素
纵向比较：比较不同对象同一指标的障碍度，分析对象间差异
总和特性：每个对象的所有指标障碍度之和为1

7.4 综合分析建议

权重分析：识别评价体系中的关键指标
排序分析：基于TOPSIS结果确定对象优劣顺序
障碍度排序：找出每个对象的主要制约因素
对比分析：比较不同对象的障碍度分布模式和TOPSIS得分
改进建议：针对排名靠后对象的高障碍度指标制定改进措施

8. 常见问题

8.1 数据类型选择

问：什么样的数据适合用熵权TOPSIS障碍度方法？

答：熵权TOPSIS障碍度适合客观的定量数据，如财务指标、统计数据等。要求：

数据具有客观性和可量化性
不同对象在各指标上存在差异（用于权重计算和TOPSIS排序）
不建议使用主观打分数据

8.2 与单独方法的区别

问：熵权TOPSIS障碍度与单独使用各方法有什么区别？

答：主要区别在于集成度和便利性：

熵权TOPSIS障碍度：一次计算获得权重、排序和障碍度三种结果，过程自动化
分步计算：需要分别使用熵权法、TOPSIS法和障碍度模型，多步处理，但灵活性更高

8.3 权重使用方法选择

问：如何选择权重使用方法？

答：三种方法各有特点：

标准化后求加权矩阵：最常用的方法，先加权再计算距离
求正负理想解距离：在距离计算时应用权重，不输出加权矩阵
以上两步均加权：双重加权，强化权重影响

根据参考论文选择或自己确定即可，没有绝对的优劣之分。

8.4 指标类型配置

问：如何判断指标是正向、负向还是适度指标？

答：判断标准：

正向指标：越大越好（如收益、效率、满意度）
负向指标：越小越好（如成本、风险、污染）
适度指标：在某个值或范围内最好（如温度、湿度、pH值）

8.5 参数固定的原因

问：为什么标准化方法和非负平移量是固定的？

答：为了确保方法的科学性和一致性：

极差法：保证标准化结果在[0,1]区间，满足TOPSIS计算和障碍度计算要求
非负平移量为0：极差法标准化后最小值为0，可以通过ln0=0处理熵权计算，无需平移

8.6 负理想解为0的问题

问：负理想解为0正常吗？

答：正常。极差法会把每列指标数据标准化到0-1之间，最差的为0。根据权重使用方法，加权后的负理想解可能仍为0。这是极差法标准化的特性，如果介意可以考虑其他标准化方法（但本方法固定使用极差法）。