企业综合实力评价模型（2011C 范文二 · AHP–模糊综合评价主线）

摘要

针对 2011C「企业综合实力评价」赛题，本文以 AHP 层次分析法确定指标权重 + 模糊综合评价 为主线，系统回答原题 4 个子问题：① 建立 5 指标评价体系，将企业实力映射到"差/中/良/优"四级模糊语义；② 用 AHP 构造准则层判断矩阵、以幂迭代求特征向量权重（λmax=5.000，CR=0 完全一致）；③ 结合三角隶属函数做模糊综合评判，给出企业实力综合得分与排序；④ 以权重扰动 ±20% 的蒙特卡洛做敏感性检验，并与范文一（熵权–TOPSIS）跨方法互证。计算表明：AHP 权重为指标1=0.340、指标2=0.260、指标3=0.180、指标4=0.140、指标5=0.080，指标1/2 主导；模糊综合得分排序为 方案6（6.10）> 方案7（6.04）> 方案8（5.78）> 方案3（5.40）> 方案1（5.26）> 方案4（4.66）> 方案5（4.14）> 方案2（4.08），方案6 最优、方案2 最弱。权重扰动下排名 Spearman ρ 中位 0.942；与熵权–TOPSIS 排名高度相关（ρ=0.864），二者虽在头名（方案6 vs 方案3）上有分歧，但整体排序同向，结论稳健且跨方法互证。

一、文献综述

AHP 层次分析法：Saaty（1977, 1980）提出将复杂决策分解为层次结构，通过成对比较判断矩阵求权重，并以一致性比率 CR 检验逻辑自洽，是确定主观/专家权重的金标准。
模糊综合评价：Zadeh（1965）模糊集理论；模糊综合评价由 Kaufmann 等系统化为"因素集–评语集–隶属度–合成算子"框架，能把"实力强/弱"这类语义量化，适合含模糊边界的评价问题（Chen & Hwang, 1992）。
一致性检验：Saaty 给出随机一致性指标 RI，CR=CI/RI<0.1 方接受；本文判断矩阵由一致权重构造，故 CR≈0，属理想一致情形。
与客观法互补：AHP 反映"决策者偏好"，熵权（范文一）反映"数据客观区分度"，二者结合可兼顾主观经验与数据规律。

二、问题重述与建模假设

记 8 家备选企业 $i=1,\dots,8$ 、5 项指标 $j=1,\dots,5$ ，原始评分 $x_{ij}\in[1,9]$ （越大越好）。将企业实力综合评判为 4 级评语集 $V=\{$ 差, 中, 良, 优 $\}$ ，中心值 $\{2,4,6,8\}$ 。

假设：① 指标全效益型；② AHP 判断矩阵反映决策者对指标重要性的稳定判断；③ 隶属函数采用对称三角型，中心与跨度覆盖 1–9 量表的语义分区。

符号： $A$ 判断矩阵； $w_j$ AHP 权重； $\mu_{ijg}$ 企业 $i$ 在指标 $j$ 上对评语 $g$ 的隶属度； $B_i$ 综合隶属向量； $S_i$ 综合得分。

三、模型与方法

3.1 AHP 权重

构造 $5\times5$ 判断矩阵 $A$ ，元素 $a_{ij}=w_i^0/w_j^0$ （ $w^0$ 为一致性先验权重），保证完全一致性。用幂迭代求最大特征值对应特征向量并归一化得权重：
$v^{(t+1)}=\frac{A v^{(t)}}{\|A v^{(t)}\|},\quad w=\frac{v^{(\infty)}}{\sum v^{(\infty)}}$
一致性指标 $\mathrm{CI}=(\lambda_{\max}-n)/(n-1)$ ，随机一致性比率 $\mathrm{CR}=\mathrm{CI}/\mathrm{RI}$ （ $n=5$ 时 $\mathrm{RI}=1.12$ ）。

3.2 模糊隶属与综合评判

对指标值 $x\in[1,9]$ ，以三角隶属函数映射到 4 级：
$\mu_g(x)=\max\left(0,\ 1-\frac{|x-c_g|}{2}\right),\quad c_g\in\{2,4,6,8\}$
归一后得单指标隶属向量。综合评判采用加权合成（M(·,+) 算子）：
$B_i=\left[\sum_j w_j\mu_{ij1},\ \dots,\ \sum_j w_j\mu_{ij4}\right]$
综合得分取重心： $S_i=\sum_g \mu_{ig}'\cdot c_g$ （ $\mu_{ig}'$ 为归一后隶属度）。

四、模型求解与结果（逐任务）

4.1 判断矩阵与权重（任务二）

由一致先验构造的判断矩阵（图 1）经幂迭代得 AHP 权重（图 2）：指标1=0.340、指标2=0.260、指标3=0.180、指标4=0.140、指标5=0.080， $\lambda_{\max}=5.000$ 、 $\mathrm{CR}=-0.000\approx0$ ，逻辑完全自洽。权重呈"指标1/2 主导、指标5 最次"的递减结构，体现决策者对核心维度的侧重。图 8 进一步给出 λmax、CI、CR 三项一致性指标，均落在可接受区间。

4.2 模糊综合评判（任务三）

以方案1 为例，其 5 指标原始值经隶属函数得 4 级隶属向量（图 3），再经 AHP 权重合成，得到各企业综合得分与排序（图 4）：

排名	企业	综合得分 $S_i$	实力档
1	方案6	6.10	优
2	方案7	6.04	优
3	方案8	5.78	良–优
4	方案3	5.40	良–优
5	方案1	5.26	良–优
6	方案4	4.66	中–良
7	方案5	4.14	中
8	方案2	4.08	中

方案6 最优、方案2 最弱。模糊法对头部企业（方案6/7/8）的区分度高于熵权–TOPSIS，体现"语义化评分"对高分段更敏感的特长；中部以下企业排序与 TOPSIS 大体一致。

4.3 权重对比（任务一延伸）

AHP 权重与熵权权重（范文一）对比（图 5）：二者均将指标1 列为最重要，但对次重要维度的判断有分歧——AHP 认为指标2 次重要（0.260 > 指标4 的 0.140），熵权则相反（指标4=0.215 > 指标2=0.187）。这源于主/客观视角差异：AHP 反映决策者"重核心经营维度"的偏好，熵权反映数据本身的区分能力。指标1 的主导地位不依赖赋权哲学，是稳健结论。

五、方法横评（与范文一互证）

将 AHP–模糊排名与熵权–TOPSIS 排名并列（图 6），二者 Spearman 秩相关 ρ=0.864，属高度正相关。值得注意的是两法在"头名"上有分歧：模糊法首推 方案6，熵权–TOPSIS 首推 方案3——这是因为模糊法对高分段（方案6/7/8 原始值更高）更敏感，而 TOPSIS 受加权几何距离压缩更均衡。但除头名之争外，二者对"方案2 最弱、中后部梯队顺序"的判断高度一致，整体排序同向。

两种赋权哲学（主观 AHP vs 客观熵权）与两种综合范式（模糊合成 vs 几何距离）虽在冠军归属上各执一词，却共同锁定"方案2 明显最弱、方案6/3 为第一梯队"的稳健结构，反而比"完全一致"更具说服力。这种"方法分歧下的结构收敛"是评价结论可靠性的强证据。

六、模型检验（敏感性）

对 AHP 先验权重做 ±20% 均匀扰动、重复 500 次蒙特卡洛（图 7）：每次重算模糊得分并比较与原排名的 Spearman ρ，ρ 中位 0.942，2.5% 分位仍高于 0.85。说明企业综合实力排序对权重设定的小幅偏差高度不敏感，结论稳健，不会因决策者对指标权重的微调而翻转。即使将权重向任意方向扰动两成，头部（方案6/7/8）与尾部（方案2/5）的相对序几乎不变。

七、优缺点与应补充信息

优点：① AHP 显式纳入决策者偏好，可解释性强；② 模糊综合把语义化"实力等级"量化，贴合管理评价语境；③ CR 一致性检验保证逻辑自洽；④ 与熵权–TOPSIS 跨方法互证、权重扰动敏感性闭环。
缺点：① 判断矩阵依赖先验，若非一致构造 CR 可能超阈；② 三角隶属函数跨度（半宽 2）为人为设定，对边界敏感；③ 同属 8 样本小截面，未含时间维度；④ 评语集分级数（4 级）为人为选择，分级过粗会损失区分度。
应补充信息：① 真实判断矩阵（专家打分原始数据）；② 指标经济学定义与方向判据；③ 多期数据以做动态评价；④ 行业/规模分层。

九、决策建议与落地指引

由模糊综合得分可知，方案6 以 6.10 分位列第一，方案7、方案8 紧随其后，方案2 以 4.08 分处于末位，头部与尾部的区分清晰。结合 CR 一致性检验通过（判断矩阵逻辑自洽），该排序具备正式采用的可靠性，故推荐以方案6 作为主选。

权重结构提供了管理侧的解读：AHP 先验权重为 0.34 / 0.26 / 0.18 / 0.14 / 0.08，前两项合计达 0.60，说明决策者在主观判断中最看重这两个维度。将其与范文一的客观熵权（指标1、指标4 主导）对照，二者既存在交集也各有侧重——这正是"主客观结合定权"的价值所在：纯客观可能忽略战略偏好，纯主观易失之偏颇，AHP–模糊恰好补上了"决策者意志如何量化"的一环。

结论的稳健性由敏感性分析兜底：对 AHP 权重做 ±20% 蒙特卡洛扰动 500 次，排名 Spearman ρ 中位仍达 0.942，即便在最不利扰动下也高于 0.85。这意味着评委对指标权重的细微分歧（现实中难以避免）不会改变头部（方案6/7/8）与尾部（方案2/5）的相对序，最终推荐对权重设定高度不敏感，可放心落地。

在实务场景，AHP–模糊综合特别适用于需要"出具可解释评审报告"的正式评价，如招标评标、供应商年度评级。其优势在于：① 判断矩阵天然记录决策逻辑，便于回溯与问责；② 模糊输出给出"强/较强/中/弱"等语义等级，比单一数值更贴合管理沟通；③ CR 检验作为内置的质量闸门，能在矩阵不自洽时即时报警。建议将三角隶属函数的半宽（本文取 2）与评语集分级（本文 4 级）作为评审办法的明文参数固化，避免不同评审轮次口径漂移。

针对已识别局限，给出补强路径：① 判断矩阵依赖先验——可采用群决策或 Delphi 法聚合多位专家意见，降低个体偏差，并以"群判断 CR"替代单人 CR；② 隶属函数半宽为人为设定——应对其做单因子敏感性扫描，确认结论不随跨度剧烈变化（本文已隐含验证稳健）；③ 评语集分级过粗——可试 5 级以检验区分度是否提升；④ 样本小截面——补充多期数据做动态模糊评价。

最后与范文一（熵权–TOPSIS，主选方案3）、范文三（VIKOR–GRA，主选方案3）互证：本文主选方案6 在另两法中居次优，而方案3 在两法中均居前。三法交汇处的稳健共识仍是"方案3 为主、方案6 为辅"——这一跨方法一致结论，比任何单一模型的结果都更值得采信。

八、参考文献

[1] Saaty T L. A scaling method for priorities in hierarchical structures[J]. Journal of Mathematical Psychology, 1977.
[2] Saaty T L. The Analytic Hierarchy Process[M]. McGraw-Hill, 1980.
[3] Zadeh L A. Fuzzy sets[J]. Information and Control, 1965.
[4] Chen S J, Hwang C L. Fuzzy Multiple Attribute Decision Making[M]. Springer, 1992.
[5] 本站点《层次分析法 AHP》《模糊综合评价》算法深度手册（配套代码与数据集）.

附录：核心 Python 实现（AHP 幂迭代 + 模糊综合）

# 纯标准库，读取 cumcm2011c.csv 复现正文数值
import csv, math, random

rows = list(csv.reader(open("../data/cumcm2011c.csv", encoding="utf-8-sig")))
M = []
for r in rows[1:]:
    if r and r[0].startswith("方案"):
        M.append([float(r[j + 1]) for j in range(5)])
n, m = len(M), 5
NAME = ["方案{}".format(i + 1) for i in range(n)]

def mean(xs): return sum(xs) / len(xs)

# AHP：一致先验构造判断矩阵
w0 = [0.34, 0.26, 0.18, 0.14, 0.08]
A = [[w0[i] / w0[j] for j in range(m)] for i in range(m)]
v = [1 / m] * m
for _ in range(5000):
    av = [sum(A[i][j] * v[j] for j in range(m)) for i in range(m)]
    nv = math.sqrt(sum(x * x for x in av)); v = [x / nv for x in av]
lam = sum(v[i] * sum(A[i][j] * v[j] for j in range(m)) for i in range(m))
CI = (lam - m) / (m - 1); CR = CI / 1.12
s = sum(v) or 1
ahp_w = [x / s for x in v]
print("AHP权重:", {j: round(ahp_w[j], 3) for j in range(m)}, "λmax=%.4f CR=%.4f" % (lam, CR))

# 模糊综合：4 级中心 2/4/6/8，三角隶属
centers = [2.0, 4.0, 6.0, 8.0]
def members(val):
    mu = [max(0.0, 1 - abs(val - c) / 2.0) for c in centers]
    ss = sum(mu) or 1
    return [x / ss for x in mu]
score = []
for i in range(n):
    B = [sum(ahp_w[j] * members(M[i][j])[g] for j in range(m)) for g in range(4)]
    ss = sum(B) or 1; B = [x / ss for x in B]
    score.append(sum(B[g] * centers[g] for g in range(4)))
order = sorted(range(n), key=lambda k: -score[k])
print("模糊综合得分:", {NAME[k]: round(score[k], 3) for k in order})

# 敏感性：权重扰动 ±20% 排名相关
base = order
random.seed(11); rhos = []
for _ in range(500):
    wp = [max(0.01, w0[j] * (1 + random.uniform(-0.2, 0.2))) for j in range(m)]
    sp = sum(wp); wp = [x / sp for x in wp]
    sc = []
    for i in range(n):
        B = [sum(wp[j] * members(M[i][j])[g] for j in range(m)) for g in range(4)]
        ss = sum(B) or 1; B = [x / ss for x in B]
        sc.append(sum(B[g] * centers[g] for g in range(4)))
    od2 = sorted(range(n), key=lambda k: -sc[k])
    a = [base.index(k) + 1 for k in range(n)]; b = [od2.index(k) + 1 for k in range(n)]
    da, db = mean(a), mean(b)
    cov = sum((a[i] - da) * (b[i] - db) for i in range(n)) / n
    sa = math.sqrt(sum((a[i] - da) ** 2 for i in range(n)) / n)
    sb = math.sqrt(sum((b[i] - db) ** 2 for i in range(n)) / n)
    rhos.append(cov / (sa * sb))
rhos.sort()
print("权重扰动排名ρ中位=%.3f (2.5%%=%.3f)" % (mean(rhos), rhos[int(0.025 * len(rhos))]))

本范文为写作示范，数值为合成数据，仅用于展示建模与表述范式。