从理论到代码：层次分析法、熵值法与博弈论融合的指标权重实战

1. 综合评价中的权重计算难题

做数据分析的朋友们应该都遇到过这样的困扰：面对一个包含多个指标的评价体系时，如何给每个指标分配合适的权重？这个问题看似简单，实则暗藏玄机。我去年参与过一个城市发展评估项目，就深刻体会到了权重分配的微妙之处 - 同样的数据，不同的权重分配方案，竟然得出了截然不同的结论。

权重的确定方法大致可以分为三类：主观赋权法、客观赋权法，以及主客观结合的方法。主观赋权法依赖专家经验，比如层次分析法（AHP）；客观赋权法则完全基于数据本身，比如熵值法；而博弈论则能巧妙地将主客观方法结合起来。在实际项目中，我发现单纯依赖某一种方法往往存在局限，这也是为什么我们需要掌握多种方法并学会如何融合它们。

2. 层次分析法（AHP）实战

2.1 AHP的基本原理

层次分析法是一种经典的主观赋权方法，它的核心思想是通过构建判断矩阵来量化专家对指标相对重要性的判断。记得我第一次接触AHP时，最让我困惑的就是这个"判断矩阵"到底该怎么构建。其实很简单，就是两两比较各个指标的重要性，用1-9的标度来表示。

举个例子，假设我们要评估供应商，有三个指标：价格、质量、交货期。如果认为价格比质量稍微重要，可以打3分；质量比交货期明显重要，可以打5分。这样就能构建出一个完整的判断矩阵。

2.2 Python实现AHP

下面这个Python函数实现了完整的AHP计算流程，包括一致性检验：

python复制import numpy as np

def ahp_weight(judgment_matrix):
    """
    计算AHP权重并进行一致性检验
    :param judgment_matrix: 判断矩阵
    :return: 权重向量, 最大特征值
    """
    # 计算特征值和特征向量
    eigenvalues, eigenvectors = np.linalg.eig(judgment_matrix)
    
    # 获取最大特征值（取实数部分并保留4位小数）
    max_eigenvalue = max(eigenvalues).real.round(4)
    
    # 获取最大特征值对应的特征向量
    max_index = np.argmax(eigenvalues)
    max_vector = eigenvectors[:, max_index].real.round(4)
    
    # 计算权重（归一化处理）
    weights = max_vector / max_vector.sum()
    
    # 一致性检验
    RI = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45]
    n = judgment_matrix.shape[0]
    CI = (max_eigenvalue - n) / (n - 1)
    CR = CI / RI[n-1]
    
    if CR < 0.1:
        print(f"CR值为{CR:.4f}，通过一致性检验")
        return weights, max_eigenvalue
    else:
        print(f"CR值为{CR:.4f}，未通过一致性检验，请调整判断矩阵")
        return None, None

使用这个函数时，需要特别注意一致性检验。我在实际项目中就遇到过CR值超标的情况，这时候需要重新审视判断矩阵，调整那些可能存在矛盾的比较结果。

3. 熵值法客观赋权

3.1 熵值法的数据驱动特性

与AHP不同，熵值法完全基于数据本身来确定权重。它的核心思想是：指标数据波动越大，说明该指标包含的信息量越多，应该赋予更高的权重。这种方法特别适合那些缺乏专家经验，但数据量充足的项目。

我曾经用熵值法分析过一组电商数据，发现某些指标虽然理论上很重要，但由于所有商家的表现都很接近（数据离散程度小），最终得到的权重反而很低。这就是熵值法的特点 - 它只认数据，不讲情面。

3.2 Python实现熵值法

下面是熵值法的Python实现：

python复制import pandas as pd
import numpy as np
import math

def entropy_weight(data):
    """
    熵值法计算权重
    :param data: 原始数据矩阵（DataFrame格式）
    :return: 各指标权重
    """
    # 数据标准化（避免log(0)的情况）
    x = data.apply(lambda col: col / col.sum(), axis=0)
    
    # 计算熵值
    k = 1 / math.log(len(data))
    lnf = x * np.log(x)
    lnf.replace([-np.inf, np.inf], 0, inplace=True)
    entropy = -k * lnf.sum(axis=0)
    
    # 计算差异系数和权重
    diversity = 1 - entropy
    weights = diversity / diversity.sum()
    
    return weights

使用时需要注意，如果数据存在负数需要先进行适当处理。我在处理财务数据时就遇到过这个问题，最后采用了min-max标准化解决了负值问题。

4. 博弈论融合主客观权重

4.1 为什么需要融合

在实际项目中，我发现单纯使用AHP容易受专家主观影响，而单纯使用熵值法又可能忽略业务常识。这时候就需要一种方法能够平衡主客观因素。博弈论提供了一个很好的解决方案 - 它通过寻找主客观权重之间的"纳什均衡"来获得最优权重组合。

4.2 Python实现博弈论融合

下面是用博弈论融合AHP和熵值法权重的Python实现：

python复制def game_theory_integration(w1, w2):
    """
    博弈论融合主客观权重
    :param w1: 主观权重（如AHP结果）
    :param w2: 客观权重（如熵值法结果）
    :return: 融合后的权重
    """
    # 确保权重是二维数组
    w1 = np.array(w1).reshape(1, -1)
    w2 = np.array(w2).reshape(1, -1)
    
    # 计算系数矩阵
    w1_T = w1.T
    w2_T = w2.T
    a = w1.dot(w1_T).item()
    b = w1.dot(w2_T).item()
    c = w2.dot(w1_T).item()
    d = w2.dot(w2_T).item()
    
    # 解线性方程组
    coefficient_matrix = np.array([[a, b], [c, d]])
    right_vector = np.array([a, d])
    solution = np.linalg.solve(coefficient_matrix, right_vector)
    
    # 计算组合系数
    alpha = solution[0] / solution.sum()
    beta = solution[1] / solution.sum()
    
    # 计算综合权重
    integrated_weight = alpha * w1 + beta * w2
    
    return integrated_weight.flatten(), alpha, beta

这个函数返回三个值：融合后的权重、主观权重的系数和客观权重的系数。通过观察这两个系数的大小，我们可以了解主客观方法在最终结果中的相对重要性。

5. 完整案例演示

5.1 案例背景

假设我们要评估5个供应商的表现，考虑以下6个指标：价格、质量、交货准时率、售后服务、技术支持和财务状况。我们既有专家的主观评价，也有过去一年的客观数据。

5.2 实施步骤

首先，我们通过专家调查构建AHP判断矩阵：

python复制# AHP判断矩阵
judgment_matrix = np.array([
    [1, 3, 5, 7, 5, 3],
    [1/3, 1, 3, 5, 3, 1],
    [1/5, 1/3, 1, 3, 1, 1/3],
    [1/7, 1/5, 1/3, 1, 1/3, 1/5],
    [1/5, 1/3, 1, 3, 1, 1/3],
    [1/3, 1, 3, 5, 3, 1]
])

ahp_weights, _ = ahp_weight(judgment_matrix)
print("AHP权重:", ahp_weights)

然后，我们基于历史数据计算熵值法权重：

python复制# 假设这是标准化后的数据
data = pd.DataFrame({
    '价格': [0.9, 0.8, 0.7, 0.6, 0.5],
    '质量': [0.8, 0.9, 0.7, 0.6, 0.8],
    '交货准时率': [0.7, 0.8, 0.9, 0.8, 0.7],
    '售后服务': [0.6, 0.7, 0.8, 0.9, 0.8],
    '技术支持': [0.5, 0.6, 0.7, 0.8, 0.9],
    '财务状况': [0.8, 0.7, 0.6, 0.5, 0.4]
})

entropy_weights = entropy_weight(data)
print("熵值法权重:", entropy_weights)

最后，用博弈论融合两种权重：

python复制integrated_weight, alpha, beta = game_theory_integration(ahp_weights, entropy_weights)
print(f"融合权重: {integrated_weight}")
print(f"主客观权重系数: 主观{alpha:.2f}, 客观{beta:.2f}")

5.3 结果分析

在这个案例中，我们发现博弈论给出的融合权重既考虑了专家的业务理解，又尊重了数据的客观规律。特别是当主客观权重存在明显冲突时，博弈论能够找到一个合理的平衡点。