AHM属性层次分析法

方法概述

属性层次分析法（Attribute Hierarchy Model, AHM）是一种基于AHP判断矩阵转换而来的定性定量分析方法。它保留了AHP中两两比较的基本思想，但通过引入新的转换规则，使得判断矩阵自然满足互补性（\(u_{ij}+u_{ji}=1\)）且无需进行一致性检验，从而简化了计算过程。

AHM的核心思想是：

  • 首先采用传统AHP的1~9标度法构造判断矩阵 \(A=(a_{ij})_{n\times n}\)。

  • 然后通过一组转换规则将 \(A\) 变换为属性判断矩阵 \(U=(u_{ij})_{n\times n}\)，其中 \(u_{ii}=0\)，且 \(u_{ij}+u_{ji}=1\)。

  • 最后根据 \(U\) 直接计算各属性的权重，无需进行一致性检验。

AHM特别适用于决策者熟悉AHP标度但希望避免一致性检验繁琐过程的场景，也可作为多专家群决策的基础方法。

核心公式

1. AHP判断矩阵的标度

采用1~9标度法进行因素间的两两重要性比较：

标度 含义
1 两因素相比较，同等重要
3 一因素比另一因素稍微重要
5 一因素比另一因素明显重要
7 一因素比另一因素重要得多
9 一因素比另一因素极端重要
2,4,6,8 上述相邻判断的中间值
倒数 若因素 \(i\) 与 \(j\) 比较得 \(a_{ij}\)，则 \(a_{ji}=1/a_{ij}\)

2. AHM判断矩阵的转换规则

设原始AHP判断矩阵为 \(A=(a_{ij})_{n\times n}\)，则AHM矩阵 \(U=(u_{ij})_{n\times n}\) 的元素按以下规则确定（\(\beta \geq 1\)，通常取 \(\beta=1\) 或 \(\beta=2\)）：

  • 若 \(i=j\)，则 \(u_{ij}=0\)。

  • 若 \(a_{ij}=1\) 且 \(i \neq j\)，则 \(u_{ij}=0.5\)。

  • 若 \(a_{ij}=k\)（\(k\neq 1\)），则 \(u_{ij}=\dfrac{\beta k}{\beta k + 1}\)。

  • 若 \(a_{ij}=\dfrac{1}{k}\)（\(k\neq 1\)），则 \(u_{ij}=\dfrac{1}{\beta k + 1}\)。

转换后，矩阵 \(U\) 满足：

\[ u_{ii}=0,\quad u_{ij}+u_{ji}=1\ (i\neq j). \]

3. 权重计算公式

各因素的权重 \(w_i\) 由下式计算：

\[ w_i = \frac{2}{n(n-1)}\sum_{j=1}^{n} u_{ij},\quad i=1,2,\ldots,n. \] 该权重向量可进一步归一化（即除以 \(\sum w_i\)）以使总和为1，但原始公式已保证 \(\sum w_i =1\)（因为 \(U\) 的互补性），实际应用中也可选择不归一化。

计算步骤

步骤1：构造AHP判断矩阵

根据1~9标度法，对 \(n\) 个因素进行两两比较，得到判断矩阵 \(A=(a_{ij})_{n\times n}\)。矩阵需满足：

  • 对角线元素 \(a_{ii}=1\)。

  • 互反性 \(a_{ji}=1/a_{ij}\)。

步骤2：转换为AHM判断矩阵

选定参数 \(\beta\)（通常取2），按照上述转换规则计算矩阵 \(U=(u_{ij})_{n\times n}\)。

步骤3：计算权重

利用公式 \(w_i = \dfrac{2}{n(n-1)}\sum_{j=1}^{n} u_{ij}\) 计算各因素的权重。

步骤4：（可选）归一化权重

若需要权重之和严格为1，可将步骤3得到的权重向量进行归一化：

\[ w_i' = \frac{w_i}{\sum_{j=1}^{n} w_j}. \]

注意：AHM方法无需进行一致性检验，因为转换后的矩阵 \(U\) 天然满足互补性且权重计算不依赖特征根。

案例分析

案例背景：某企业需从三个备选方案（A、B、C）中选择最优方案，评价准则为：技术先进性（C1）、经济性（C2）、实施风险（C3）。专家根据1~9标度给出如下AHP判断矩阵：

C1 C2 C3
C1 1 3 5
C2 1/3 1 3
C3 1/5 1/3 1

计算过程

取 \(\beta=2\)。

  1. 转换为AHM矩阵

    • 对角线：\(u_{11}=u_{22}=u_{33}=0\)。

    • 非对角线元素：

      • \(a_{12}=3>1\)，则 \(u_{12} = \dfrac{2\times3}{2\times3+1} = \dfrac{6}{7} \approx 0.8571\)，对应 \(u_{21} = 1-u_{12} = 0.1429\)。

      • \(a_{13}=5>1\)，则 \(u_{13} = \dfrac{10}{11} \approx 0.9091\)，\(u_{31}=0.0909\)。

      • \(a_{23}=3>1\)，则 \(u_{23} = \dfrac{6}{7} \approx 0.8571\)，\(u_{32}=0.1429\)。

    得到AHM矩阵：

    \[ U = \begin{bmatrix} 0 & 0.8571 & 0.9091 \\ 0.1429 & 0 & 0.8571 \\ 0.0909 & 0.1429 & 0 \end{bmatrix} \]

  2. 计算权重

    \(n=3\)，\(n(n-1)=3\times2=6\)，\(2/(n(n-1))=2/6=1/3\)。

    • \(w_1 = \frac{1}{3}(0.8571+0.9091) = \frac{1.7662}{3} \approx 0.5887\)

    • \(w_2 = \frac{1}{3}(0.1429+0.8571) = \frac{1.0000}{3} \approx 0.3333\)

    • \(w_3 = \frac{1}{3}(0.0909+0.1429) = \frac{0.2338}{3} \approx 0.0779\)

    权重向量 \(W = [0.5887, 0.3333, 0.0779]^T\)。

  3. 归一化（可选）

    由于已满足 \(\sum w_i = 1.0000\)（实际计算略有舍入误差），无需进一步归一化。

结论：方案C1（技术先进性）权重最高，为最优准则；方案C2次之；方案C3最低。结果与AHP分析一致，但无需一致性检验。

常见问题

Q1: AHM方法中的参数 \(\beta\) 如何选择？

A: \(\beta\) 反映了判断的明确程度。\(\beta\) 越大，转换后的 \(u_{ij}\) 越接近1（当 \(a_{ij}>1\)）或越接近0（当 \(a_{ij}<1\)），即判断越“尖锐”；\(\beta\) 越小，判断越“模糊”。通常取 \(\beta=1\) 或 \(\beta=2\)。若希望保留与AHP权重相近的结果，建议取 \(\beta=2\)；若希望减弱极端判断的影响，可取 \(\beta=1\)。平台默认值为2。

Q2: 为什么AHM不需要进行一致性检验？

A: AHM的权重计算基于行和的比例，不涉及特征根，因此不存在一致性概念。转换后的矩阵 \(U\) 天然满足 \(u_{ij}+u_{ji}=1\)，这种互补性保证了权重的合理性。实际应用中，只要原始AHP矩阵的互反性成立，转换后的AHM矩阵即自动满足条件。

Q3: 如何处理原始AHP矩阵不满足互反性的情况？

A: 平台会自动检查矩阵的互反性。若输入的矩阵上下三角不满足倒数关系，会给出警告；若偏差较大，则可能影响AHM矩阵的互补性。建议在输入前确保矩阵的互反性，或允许平台自动修正（如取平均值）。

Q4: 权重是否需要归一化？

A: 公式 \(w_i = \frac{2}{n(n-1)}\sum u_{ij}\) 已经保证了 \(\sum w_i = 1\)（理论上），但由于浮点运算可能存在微小误差，平台提供“自动归一化”选项，勾选后会对结果进行归一化处理，确保权重和为1。

Q5: AHM支持多专家群体决策吗？

A: 平台支持上传包含多个工作表的Excel文件，每个工作表对应一位专家的判断矩阵。系统会分别计算每个专家的AHM权重，并可通过后续的多专家聚合工具（如权重法或问卷法）进行群体决策。

平台功能

AHM属性层次分析法分析平台提供以下核心功能：

数据输入

  • 支持CSV、Excel、TXT多种格式。
  • Excel文件支持多工作表，自动分析所有工作表。
  • 自动识别矩阵维度，支持分数格式（如“1/3”）和Excel公式（如“=1/3”）。
  • 内置矩阵验证：检查对角线是否为1、是否为正数、互反性警告。

分析设置

  • 贝塔值 \(\beta\)：可自定义（默认2）。
  • 小数位数：控制结果输出精度（默认5位）。
  • 自动归一化：选择是否对权重进行归一化（默认勾选）。

结果展示

  • 详细分析报告：包含每个工作表的权重向量、原始AHP矩阵、AHM矩阵、参数设置。
  • 可视化图表：权重分布柱状图、AHM矩阵热力图。
  • AI智能分析：基于DeepSeek API自动解读结果，提供决策建议（每日限3次）。
  • 多格式导出：支持Excel和HTML报告下载。

工作表管理

  • 多工作表自动识别，支持批量分析。
  • 实时显示每个工作表的矩阵验证状态。
  • 支持对比不同工作表的权重分布。

使用建议

  1. 准备阶段：明确决策目标与准则体系，设计AHP调查表，确保专家理解1~9标度的含义。

  2. 数据收集：

    • 使用模板文件填写判断矩阵，确保每个矩阵为正方形且对角线为1。
    • 可直接输入数值或分数（如“1/3”），平台自动解析。
    • Excel文件中每个工作表可对应一个专家或一个准则层。

  3. 参数设置：

    • \(\beta\) 值通常取2，若希望判断更“保守”可取1。
    • 勾选“自动归一化”以保证权重总和为1。

  4. 结果解读：

    • 首先查看权重排序，识别最优方案或最重要准则。
    • 对比不同专家的权重分布，分析意见一致性。
    • 结合AI分析建议，综合决策。

  5. 迭代优化：

    • 若发现原始矩阵互反性较差，可调整数据后重新分析。
    • 可尝试不同 \(\beta\) 值进行敏感性分析。

平台界面

官方地址：https://superr.online

AHM属性层次分析法工具界面

平台界面包含：数据上传区、参数设置区、多工作表预览、分析结果展示和AI分析模块

参考文献：

  1. 属性层次分析法(AHM)及其应用研究[J]. 系统工程理论与实践.

  2. Saaty, T.L. (1980). The Analytic Hierarchy Process. McGraw-Hill.

  3. 基于AHM的权重确定方法改进与实证分析[J]. 运筹与管理.

  4. 多属性决策中的AHM方法研究[D]. 北京理工大学.