综合评价与决策
把多个指标综合成得分、排序或效率判断。核心不只是套一个“加权求和”公式，而是：指标体系是否合理、方向是否统一、权重是否站得住、结论在合理扰动下是否稳健。
可以把它想成“在多把尺子之间做可辩护的综合”。例如：
- 对城市宜居、企业绩效、方案优劣给出排序；
- 在专家经验与客观数据之间折中赋权；
- 判断决策单元在多投入多产出下是否技术有效。
建模竞赛里，评价题丢分常见原因不是“没找到冷门方法名”，而是：指标同向化没做、权重黑箱、一种方法一个排序就当最终真理、完全不做灵敏度。本门类强调主客观依据 + 多种合理方法交叉 + 扰动下的排序稳定性。
一、这一门类解决什么问题
当题目要求对方案、城市、企业、政策进行“谁更好/更优/更有效率”的比较，且指标多、量纲杂、偏好需要体现时，进入综合评价与多属性决策。典型信号：
- 输出是得分、排序、分级或效率值，而不是类别概率或未来数值预测；
- 指标同时包含效益型、成本型，甚至区间型/语言型；
- 需要说明权重来源（专家、数据差异、组合）；
- 需要在“理想解接近度”“模糊隶属”“关联度”“outranking”“DEA 有效前沿”等不同逻辑下给结论。
本门类方法大致沿五条主线展开：
- 赋权：主观（AHP/ANP）、客观（熵权/CRITIC/独立性权）、组合赋权；
- 距离/关联类综合评价：TOPSIS、灰色关联、模糊综合；
- 效率评价：DEA（CCR/BCC）；
- outranking 与妥协解：ELECTRE、PROMETHEE、VIKOR；
- 简易秩次综合：秩和比 RSR 等。
二、如何选择方法
| 问题信号 | 优先考虑 | 所在位置 |
|---|---|---|
| 专家经验重要、指标呈层次结构 | AHP；有反馈/依赖用 ANP | 主观赋权 |
| 数据驱动、强调变异信息或对比强度 | 熵权、CRITIC、独立性权 | 客观赋权 |
| 主客观都要、避免单一权重被质疑 | AHP-熵权、AHP-CRITIC | 组合赋权 |
| 有正负理想解、适合距离排序 | TOPSIS | 评价模型/TOPSIS |
| 语言等级、模糊评判、隶属度叙事 | 模糊综合评价 | 评价模型/模糊综合评价 |
| 曲线形状/态势接近参考序列 | 灰色关联分析 | 评价模型/灰色关联分析 |
| 多投入多产出、问效率而非简单加权得分 | DEA（CCR/BCC） | 数据包络分析 |
| 级别高于关系、允许不可比与阈值 | ELECTRE、PROMETHEE | 其他方法 |
| 兼顾群体效用与个体遗憾的妥协解 | VIKOR | 其他方法/VIKOR法 |
| 简易秩次综合、等级分档 | 秩和比 RSR | 其他方法/秩和比法 |
这张表用于快速定位。评价没有唯一正确模型，但有明确错误做法：指标不预处理就加权、权重不说明、只报一套排序。
三、方法选择的决策逻辑
问题是“效率（投入产出）”还是“多指标排序/优选”？
├─ 效率、多投入多产出 → DEA（先 CCR，再 BCC 看规模报酬）
└─ 排序/优选/分级
├─ 先完成：指标筛选 → 正向化 → 无量纲化
├─ 权重从哪来？
│ ├─ 专家层次清晰 → AHP（网络依赖 → ANP）
│ ├─ 纯数据差异 → 熵权 / CRITIC / 独立性权
│ └─ 两者都要 → 组合赋权
└─ 综合规则？
├─ 理想解距离 → TOPSIS
├─ 模糊语言 → 模糊综合
├─ 态势接近 → 灰色关联
├─ 妥协解 → VIKOR
└─ outranking → ELECTRE / PROMETHEE
建议论文中至少保留：一种赋权 + 一种综合模型作为主方案，再用另一种合理赋权或模型做对照，并做权重扰动下的排序灵敏度。
四、统一的建模工作流
- 建体系：目标层—准则层—指标层；说明为何选这些指标、是否可比、数据来源与年份；
- 数据清洁：缺失、异常、口径统一；不可比对象不要硬排；
- 正向化：成本型、中间型、区间型先转为“越大越好”（或明确统一方向）；
- 无量纲：极值法、标准化、向量归一化等与后续模型匹配（TOPSIS 常用向量归一化）；
- 赋权：主观/客观/组合；AHP 必须通过一致性检验；
- 综合：TOPSIS/模糊/灰色/DEA/VIKOR 等得到得分或排序；
- 稳健性：权重 ± 扰动、删改争议指标、换一种模型，看前若干名是否稳定；
- 解释：谁优在哪些指标、谁劣在短板；避免只贴总表不分析；
- 局限：指标遗漏、截面不可外推、权重价值判断成分。
五、与各子目录的对应关系
| 子目录 | 核心任务 | 典型出口 |
|---|---|---|
| 主观赋权 | 把专家两两比较转化为权重 | AHP/ANP 权重向量 |
| 客观赋权 | 从数据变异/冲突/独立性格局提权 | 熵权、CRITIC 等 |
| 组合赋权 | 融合主客观信息 | 组合权重 |
| 评价模型 | 在给定权重或隶属下综合排序 | 得分、贴近度、关联度 |
| 数据包络分析 | 相对有效性与前沿投影 | 效率值、松弛变量 |
| 其他方法 | outranking、妥协解、秩次法 | 级别优先关系或分档 |
评价与 02 优化问题 的差别：评价多是对已有方案打分排序，优化是在约束下生成方案；二者可衔接（先评价筛候选，再优化配置）。与 06 聚类 衔接：异质对象可先分群再群内评价。与 08 统计分析 衔接：指标相关性过高时要降冗余，避免变相重复计分。
六、使用提醒与常见陷阱
- 方向未统一：成本型指标直接加权，导致“污染越高分越高”之类的事故；
- 权重黑箱：只写“采用熵权法”不给信息熵与权重表，或 AHP 判断矩阵完全随意且无一致性；
- 一种方法定终身：不对照、不灵敏度，排序名次被噪声指标左右；
- DEA 误用：把产出当投入、样本同质性差、把效率为 1 解释成“绝对完美”而非相对有效；
- 模糊综合随意打分：隶属函数与评语集不定义清楚，结果不可复现；
- 灰色关联当因果：关联度高只说明态势接近，不证明影响机制；
- 对象不可比：把不同规模、不同功能定位的单元强行总分排名，缺少分层或 DEA 式结构。
七、推荐学习顺序
- 先读本导读，建立“体系 → 正向化/无量纲 → 赋权 → 综合 → 灵敏度”的主线；
- 指标预处理（方向与量纲）——所有方法的共同前置；
- 主观赋权 AHP，理解一致性；需要反馈时再看 ANP；
- 客观赋权熵权、CRITIC，再学组合赋权；
- TOPSIS 作为最常用综合模型打底，再学模糊综合、灰色关联；
- DEA（CCR → BCC）处理效率类题目；
- 需要级别优先或妥协解时再进入 ELECTRE、PROMETHEE、VIKOR、RSR。
进入方法页后按「直观理解 → 适用场景 → 原理 → 关键决策 → 计算步骤/MATLAB → 解释 → 误区 → 小结」阅读。评价类示例以矩阵运算可手算小例为主，便于论文复现；最终呈现应是权重可辩护 + 排序可对照 + 扰动下结论边界清晰。
八、小结
综合评价的本质是：
在明确的指标与价值假设下，给出可检验、可复现、可讨论灵敏度的排序或效率判断，而不是制造一个无法解释的“综合分”。
选题时宁可用透 AHP + TOPSIS（或熵权 + TOPSIS）并做完备的稳健性，也不要堆砌五种方法却每种都只贴最终名次。决策辅助的可信度，来自过程透明，而不是方法名词的密度。