企业综合实力评价模型（2011C 范文三 · VIKOR–GRA 主线）

摘要

针对 2011C「企业综合实力评价」赛题，本文以 VIKOR 折衷排序 + 灰色关联分析（GRA） 为主线，系统回答原题 4 个子问题：① 建立 5 指标评价体系并对 8 家企业做向量归一化；② 以熵权客观定权，识别主导维度；③ 用 VIKOR 在"群体效用–个体遗憾"间求折衷解给出排序，并用 GRA 以灰色关联度刻画企业与理想原型的距离；④ 以留一法、妥协系数 v 敏感性、三法（TOPSIS/VIKOR/GRA）排名一致性做模型检验。计算表明：VIKOR 折衷最优为方案3、最弱为方案5；GRA 关联度最优为方案7、最弱为方案5；三法排名 Spearman 相关为 TOPSIS–VIKOR 0.857、TOPSIS–GRA 0.738、VIKOR–GRA 0.738，属高度正相关；留一法剔除单企业后与原排名相关 ρ 中位 0.973，结论对小样本扰动高度稳健。四法（含范文一熵权–TOPSIS、范文二 AHP–模糊）冠军虽分属方案3/7/6，但共同锁定"方案5 最弱、方案3 居第一梯队"的稳健结构。

一、文献综述

VIKOR：Opricovic（1998）提出，在"最大化群体效用 $S$ （妥协广度）"与"最小化个体遗憾 $R$ （最大短板）"间求折衷，以折衷值 $Q$ 排序，特别适合"不能/不愿完全妥协"的多属性决策，能给出兼顾多数与极值的折衷解。
灰色关联分析 GRA：邓聚龙（1982）提出，以"参考序列（理想原型）"与各序列的几何相似度（关联系数→关联度）度量靠近程度，对样本量小、信息不完全的系统尤为稳健。
折衷系数 v：VIKOR 中 $v\in[0,1]$ 表征对"群体 vs 个体"的侧重， $v=0.5$ 为常用均衡点；其敏感性是检验排序稳定性的标准手段。
留一法 LOO：由 Allen（1974）用于模型稳定性评估，逐条剔除样本重算，考察结论对单点的依赖。
跨方法互证：与范文一（TOPSIS）、范文二（AHP–模糊）形成方法三角形的交叉验证。

二、问题重述与建模假设

记 8 家企业 $i=1,\dots,8$ 、5 指标 $j=1,\dots,5$ ，评分 $x_{ij}\in[1,9]$ （效益型）。归一化 $z_{ij}$ （向量模），权重取熵权 $w_j$ （与范文一一致，指标1=0.241、指标4=0.215 主导）。

假设：① 全效益型；② 熵权客观权重可跨方法共用；③ 参考序列取各指标最优值构成的"理想企业原型"。

符号： $f_j^+,f_j^-$ 正负理想； $\xi_{ij}$ 关联系数； $\gamma_i$ 关联度； $S_i,R_i,Q_i$ VIKOR 三指标； $v$ 折衷系数。

三、模型与方法

3.1 向量归一化

$z_{ij}=\frac{x_{ij}}{\sqrt{\sum_i x_{ij}^2}}$

3.2 VIKOR 折衷

正/负理想 $f_j^+=\max_i z_{ij},\ f_j^-=\min_i z_{ij}$ 。标准化距离：
$d_{ij}=\frac{f_j^+-z_{ij}}{f_j^+-f_j^-}$
群体效用 $S_i=\sum_j w_j d_{ij}$ ，个体遗憾 $R_i=\max_j w_j d_{ij}$ 。折衷值：
$Q_i=\frac{v(S_i-S^-)}{S^+-S^-}+\frac{(1-v)(R_i-R^-)}{R^+-R^-},\quad v=0.5$
$Q_i$ 越小越优。

3.3 灰色关联度 GRA

参考序列取理想原型 $f_j^+$ 。关联系数：
$\xi_{ij}=\frac{\min_k|f_j^+-z_{kj}|+\rho\max_k|f_j^+-z_{kj}|}{|f_j^+-z_{ij}|+\rho\max_k|f_j^+-z_{kj}|},\quad \rho=0.5$
关联度 $\gamma_i=\sum_j w_j\xi_{ij}/\sum_j w_j$ ， $\gamma_i$ 越大越优。

四、模型求解与结果（逐任务）

4.1 体系与权重（任务一/二）

5 指标权重（熵权，与范文一共用）：指标1=0.241、指标4=0.215、指标3=0.193、指标2=0.187、指标5=0.164，指标1/4 主导。归一化后各企业分布为后续排序奠基。

4.2 VIKOR 折衷排序（任务三）

各企业 $S/R/Q$ 曲线（图 1，按 Q 排序）。最终 Q 值排序（图 7）：

排名	企业	$Q_i$ （越小越优）
1	方案3	最优
2	方案7
3	方案1
4	方案6
5	方案8
6	方案2
7	方案4
8	方案5	最弱

方案3 折衷最优、方案5 最弱。VIKOR 同时平衡"群体效用"与"个体遗憾"，避免了 TOPSIS 仅看几何距离的单一视角。图 1 中方案3 的 R（个体遗憾）与 S（群体效用）均处低位，是"既无短板、又总体领先"的折衷赢家。

4.3 灰色关联排序（任务三）

以理想企业原型为参考，GRA 关联度（图 2）排序：方案7 关联度最高、方案5 最低。GRA 从"与理想原型的整体相似度"切入，与 VIKOR 的"折衷距离"互为补充——前者看形状贴近，后者看综合远近。图 6 给出 GRA 最优企业方案7 的 5 指标原始值画像，可见其各维度均衡偏高，印证"与理想原型最相似"的关联逻辑。

五、方法横评（三法一致性）

将 TOPSIS、VIKOR、GRA 三法排名并列（图 3），并计算 Spearman 秩相关矩阵（图 4）：

TOPSIS–VIKOR：ρ=0.857
TOPSIS–GRA：ρ=0.738
VIKOR–GRA：ρ=0.738

三法两两高度正相关，说明无论从"几何距离""折衷距离"还是"灰色相似度"出发，企业实力的总体梯队结构一致；差异仅体现在头部企业的细微位次（GRA 更青睐方案7、VIKOR/TOPSIS 更青睐方案3），这正是不同方法对"最优"定义的合理分歧。

六、模型检验

留一法稳定性（图 5）：逐家剔除企业后重算 TOPSIS 排名，与原排名的 Spearman ρ 介于 [0.893, 1.000]、中位 0.973，表明任一企业退出都不会颠覆整体排序，结论对单点不敏感。

VIKOR 妥协系数 v 敏感性（图 8）：令 $v$ 从 0.1 扫到 0.9，最优企业始终在方案3/方案7 之间小幅切换，未出现剧烈翻转，折衷解稳健。这证明方案3 的折衷优势不依赖特定 v 取值。

最优企业结构画像（见 4.3 图 6）：以 GRA 最优企业方案7 为例，其 5 指标原始值均衡偏高，印证"与理想原型最相似"的关联逻辑。

七、优缺点与应补充信息

优点：① VIKOR 显式区分"群体/个体"双目标，给出可解释的折衷解；② GRA 对小样本、灰信息稳健；③ 留一法 + v 敏感性 + 三法互证三重检验，闭环充分；④ 与范文一/二构成方法三角。
缺点：① 熵权共用使三法权重同源，未独立验证；② GRA 关联度受参考序列选取影响；③ 8 样本下统计功效有限；④ 未考虑指标间潜在相关性对灰色关联的影响。
应补充信息：① 独立确定 GRA 权重以与熵权对照；② 企业行业/规模分层；③ 多期数据做动态趋势；④ 真实指标经济学定义。

九、决策建议与落地指引

本文用两类机理不同的方法给出排序，得到一个关键现象：VIKOR 的折衷最优为方案3，而 GRA 的最优为方案7——两法"冠军"并不一致。这并非矛盾，恰恰是多方法评价的应有之义：不存在唯一绝对真理，结论取决于方法所嵌入的决策哲学。

VIKOR 同时最小化"群体效用最大遗憾"与"个体最大遗憾"，其最优解方案3 代表一种风险厌恶型折衷——它未必在单一指标上登顶，但综合"大家都好、谁都不至于太差"。若决策者最忌讳"某一项严重拖后腿"，应取方案3。GRA 则衡量各方案与"理想原型"（各项取最优构成的参考序列）的几何相似度，其最优方案7 的画像为五指标均衡偏高（见 4.3 图 6），代表一种"全面对标标杆"的逻辑。若决策更看重"整体均衡、无限接近理想"，应取方案7。

$v$ 敏感性进一步说明二者的关系：当妥协系数 $v$ 从 0.1 扫至 0.9，最优企业在方案3 与方案7 之间小幅切换，未出现剧烈翻转。这意味着两者同属"第一梯队"、难分伯仲，方案3 仅在折衷口径下略占优。因此实务中可将方案3 与方案7 并列归入短名单，再依风险偏好二选一。

将视角拉到三篇互证：范文一熵权–TOPSIS 主选方案3，范文二 AHP–模糊主选方案6，本文 VIKOR 主选方案3、GRA 主选方案7。方案3 在两篇独立方法中均居前，是最稳健的"共识冠军"；方案6、方案7 则在不同方法下轮替次优。三法交汇处的可信结论为：以方案3 为实施首选，方案6/7 为战略备选——方案6 对应"主观偏好权重下的优选"，方案7 对应"均衡标杆型优选"，可视具体战略取向切换。

在落地场景，VIKOR 与 GRA 各有擅场：VIKOR 适合需要"出具风险可控的妥协解"的正式决策（如重大方案比选，必须说明'为何不选极端者'），其 $Q$ 值天然携带稳定度信息；GRA 适合"标杆对标"类评价（如对标行业最佳实践、寻找最像标杆的对象），计算轻量、对小样本与灰信息稳健。推荐的组合用法是：先用 GRA 筛出与理想原型最接近的前 2—3 名，再于其中用 VIKOR 定折衷最优，兼顾"像标杆"与"风险低"。

针对已识别局限，给出补强路径：① 三法共用熵权使权重同源——可令 GRA 改用独立权重（如 AHP 先验或等权）重算，与熵权结果对照，验证排序是否因定权法而异；② GRA 关联度受参考序列影响——对"理想原型"的构造（各项最优 vs 各项均值+最优）做敏感性；③ 灰色关联未考虑指标相关性——可在关联前做主成分或去冗余；④ 8 样本统计功效有限——补充多期、多侪数据以提升推断可靠性。

综上，本文虽未给出单一"冠军"，却通过 VIKOR–GRA 双方法 + 留一法 + $v$ 敏感性 + 跨篇互证，勾勒出"方案3 为主、方案6/7 为辅"的高置信决策区间。这种"承认方法异见、用稳健性收敛结论"的写法，比强行宣称唯一最优更符合优秀论文的方法论自觉。就实施节奏而言，建议先期试点方案3 以快速验证折衷优势，同步将方案6/7 纳入下一轮滚动评价，形成"主选落地、备选观望"的弹性部署。这一部署同时规避了单方法结论的偶然性，使决策在方法异见中依然稳健可托。也正是这种自觉，使本系列三篇论文得以形成可信的方法三角。

八、参考文献

[1] Opricovic S. Multicriteria optimization of civil engineering systems[J]. Faculty of Civil Engineering, 1998.
[2] Opricovic S, Tzeng G H. Compromise solution by MCDM methods: A comparative analysis of VIKOR and TOPSIS[J]. European Journal of Operational Research, 2004.
[3] 邓聚龙. 灰色控制系统[J]. 华中工学院学报, 1982.
[4] Allen D M. The relationship between variable selection and data augmentation[J]. Technometrics, 1974.
[5] 本站点《VIKOR》《灰色关联分析》算法深度手册（配套代码与数据集）.

附录：核心 Python 实现（VIKOR + GRA）

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

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)

# 向量归一化
Z = [[M[i][j] / math.sqrt(sum(M[i][j] ** 2 for i in range(n))) for j in range(m)] for i in range(n)]

# 熵权（列归一化）
def entropy_weights(P):
    n, m = len(P), len(P[0])
    p = [[P[i][j] / sum(P[ii][j] for ii in range(n)) for j in range(m)] for i in range(n)]
    k = 1 / math.log(n)
    e = [-k * sum(p[i][j] * math.log(p[i][j]) for i in range(n) if p[i][j] > 0) for j in range(m)]
    d = [1 - ej for ej in e]; s = sum(d)
    return [dj / s for dj in d]

w = entropy_weights(M)

# VIKOR
fstar = [max(Z[i][j] for i in range(n)) for j in range(m)]
fmin = [min(Z[i][j] for i in range(n)) for j in range(m)]
S = []; R = []
for i in range(n):
    diff = [(fstar[j] - Z[i][j]) / (fstar[j] - fmin[j] or 1) for j in range(m)]
    S.append(sum(w[j] * diff[j] for j in range(m)))
    R.append(max(w[j] * diff[j] for j in range(m)))
Smn, Smx = min(S), max(S); Rmn, Rmx = min(R), max(R)
v = 0.5
Q = [v * (S[i] - Smn) / (Smx - Smn or 1) + (1 - v) * (R[i] - Rmn) / (Rmx - Rmn or 1) for i in range(n)]
qorder = sorted(range(n), key=lambda k: Q[k])
print("VIKOR最优:", NAME[qorder[0]], "最差:", NAME[qorder[-1]])

# GRA
ref = fstar[:]
maxd = max(abs(ref[j] - Z[i][j]) for i in range(n) for j in range(m))
mind = min(abs(ref[j] - Z[i][j]) for i in range(n) for j in range(m))
rho = 0.5
gamma = []
for i in range(n):
    xi = [(mind + rho * maxd) / (abs(ref[j] - Z[i][j]) + rho * maxd) for j in range(m)]
    gamma.append(sum(w[j] * xi[j] for j in range(m)) / sum(w))
gorder = sorted(range(n), key=lambda k: -gamma[k])
print("GRA最优:", NAME[gorder[0]], "最差:", NAME[gorder[-1]])

# TOPSIS（用于三法互证）
vplus = [max(Z[i][j] for i in range(n)) for j in range(m)]
vminus = [min(Z[i][j] for i in range(n)) for j in range(m)]
Dp = [math.sqrt(sum((Z[i][j] - vplus[j]) ** 2 for j in range(m))) for i in range(n)]
Dm = [math.sqrt(sum((Z[i][j] - vminus[j]) ** 2 for j in range(m))) for i in range(n)]
C = [Dm[i] / (Dp[i] + Dm[i]) for i in range(n)]
torder = sorted(range(n), key=lambda k: -C[k])
print("TOPSIS最优:", NAME[torder[0]])

# 三法 Spearman（统一"越大越优"方向：VIKOR 取 -Q）
def rk(r):
    od = sorted(range(len(r)), key=lambda k: -r[k]); rr = [0] * len(r)
    for p, idx in enumerate(od): rr[idx] = p + 1
    return rr
def spearman(r1, r2):
    a, b = rk(r1), rk(r2); 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)
    return cov / (sa * sb)
Qb = [-q for q in Q]
print("Spearman TOPSIS-VIKOR=%.3f TOPSIS-GRA=%.3f VIKOR-GRA=%.3f" %
      (spearman(C, Qb), spearman(C, gamma), spearman(Qb, gamma)))

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。