AISM对抗解释结构模型

方法概述

AISM（Adversarial Interpretive Structural Modeling，对抗解释结构模型）是在经典 ISM 基础上发展的一种改进方法。它通过引入“对抗”视角，同时采用结果优先（UP型）和原因优先（DOWN型）两种层级划分策略，揭示系统结构中可能存在的矛盾、不确定性和对抗性特征，为决策提供更全面的依据。

AISM 法的核心思想是：

  • 基于邻接矩阵计算可达矩阵，识别因素间的传递性关系。
  • 通过强连通分量（SCC）分析，识别系统中相互依赖的因素群（回路），并将其缩点为单一节点。
  • 在缩点后的可达矩阵上，分别采用两种层级划分策略：
    • UP型（结果优先，自下而上）：以结果因素为起点，优先提取可达集等于交集的要素（即结果因素），从底层向顶层构建层级。
    • DOWN型（原因优先，自上而下）：以原因因素为起点，优先提取前因集等于交集的要素（即原因因素），从顶层向底层构建层级。
  • 比较两种层级划分的结果，识别系统中“对抗”或“矛盾”的结构（如某些因素在两种划分中层级差异较大），从而揭示系统结构的稳健性和潜在的冲突点。
  • 计算骨架矩阵和一般性骨架矩阵，绘制两种视角下的层次拓扑图，直观展示对抗性结构。

该方法适用于存在多种解释可能、需要揭示系统内部矛盾或不确定性的复杂系统分析，如战略决策、社会系统建模、冲突分析等。

计算步骤

1. 构建邻接矩阵

设有 \(n\) 个因素，根据专家判断或数据分析确定因素间的直接影响关系。邻接矩阵 \(A = [a_{ij}]_{n \times n}\) 定义如下：

\[ a_{ij} = \begin{cases} 1, & \text{因素 } i \text{ 直接影响因素 } j \\ 0, & \text{否则} \end{cases} \]

通常约定 \(a_{ii} = 0\)（因素不直接影响自身）。

2. 计算可达矩阵

可达矩阵 \(R\) 表示因素间是否存在直接或间接的路径。采用 Warshall 算法计算传递闭包：

  • 先令 \(R = A\)，并添加自反性：\(r_{ii} = 1\)。
  • 迭代计算：\(R = R \lor (R \circ R)\)，直到矩阵不再变化。
  • 最终 \(r_{ij} = 1\) 表示因素 \(i\) 可以（通过若干步）到达因素 \(j\)。

3. 强连通分量（SCC）分析

采用 Kosaraju 算法（或类似算法）识别可达矩阵中的强连通分量。强连通分量是指一组因素，其中任意两个因素相互可达（即存在双向路径）。这些因素构成了系统中的回路或循环依赖。

将每个强连通分量视为一个“超级节点”（缩点），得到缩点可达矩阵 \(R_{\text{scc}}\)。缩点后，系统变为无环有向图（DAG），便于进行层级划分。

4. UP型层级划分（结果优先，自下而上）

在缩点可达矩阵 \(R_{\text{scc}}\) 上，计算每个缩点 \(i\) 的可达集 \(R(i)\)、前因集 \(Q(i)\) 和交集 \(C(i)=R(i) \cap Q(i)\)。

UP 型划分的迭代规则：

  • 当前层级：找出满足 \(R(i) = C(i)\) 的缩点（这些缩点代表结果因素，即只有自己能到达自己，或只能到达同层级因素）。
  • 将这些缩点分配到当前层级（底层为第1层，顶层为最高层），并从系统中移除。
  • 在剩余子系统中重复上述过程，直至所有缩点被分配。
  • 最终得到自下而上（从驱动到底层结果）的层级序列。箭头方向朝上（从低层指向高层）。

5. DOWN型层级划分（原因优先，自上而下）

在相同的缩点可达矩阵上，UP 型和 DOWN 型使用相同的可达集、前因集和交集定义，但选择规则不同。

DOWN 型划分的迭代规则：

  • 当前层级：找出满足 \(Q(i) = C(i)\) 的缩点（这些缩点代表原因因素，即只有自己能到达自己，或只能被同层级因素到达）。
  • 将这些缩点分配到当前层级（顶层为第1层，底层为最高层），并从系统中移除。
  • 在剩余子系统中重复上述过程，直至所有缩点被分配。
  • 最终得到自上而下（从原因到结果）的层级序列。箭头方向朝下（从高层指向低层）。

6. 骨架矩阵与一般性骨架矩阵

  • 骨架矩阵：在缩点可达矩阵的基础上，删除传递冗余关系，只保留必要的直接关系。
  • 一般性骨架矩阵：在骨架矩阵的基础上将对角线置为 0（去除自反关系）。

骨架矩阵用于绘制层次拓扑图，使图形简洁。

7. 因素层级结果

将缩点的层级映射回原始因素，得到每个原始因素的 UP 型层级和 DOWN 型层级。比较两种层级，若某个因素的两种层级差异较大，则说明该因素在系统结构中具有对抗性或不确定性，需要特别关注。

8. 结果可视化

  • UP 型层级拓扑图：自下而上排列，箭头朝上，突出结果因素（顶层）。
  • DOWN 型层级拓扑图：自上而下排列，箭头朝下，突出原因因素（顶层）。

案例分析

案例背景：某企业拟分析影响产品质量的五个因素：员工技能（F1）、设备精度（F2）、原材料质量（F3）、工艺规范（F4）、检验流程（F5）。根据专家判断得到邻接矩阵 \(A\)（行表示原因，列表示结果）：

\[ A = \begin{bmatrix} 0 & 1 & 0 & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 1 \\ 0 & 0 & 0 & 0 & 0 \end{bmatrix} \]

这是一个简单的链式结构（F1→F2→F3→F4→F5）。

计算过程

1. 计算可达矩阵

添加自反性后，Warshall 算法得到可达矩阵 \(R\)：

\[ R = \begin{bmatrix} 1 & 1 & 1 & 1 & 1 \\ 0 & 1 & 1 & 1 & 1 \\ 0 & 0 & 1 & 1 & 1 \\ 0 & 0 & 0 & 1 & 1 \\ 0 & 0 & 0 & 0 & 1 \end{bmatrix} \]

2. 强连通分量分析

该矩阵无回路（对角线以外没有双向路径），每个因素单独构成一个 SCC。缩点后 SCC 名称与原因素相同。

3. UP 型层级划分（结果优先）

计算可达集、前因集、交集（略）。迭代过程：

  • 第 1 层：满足 \(R(i)=C(i)\) 的因素是 F5（结果因素），分配为第 1 层。
  • 移除 F5，剩余 F1~F4，下一层满足条件的是 F4，分配为第 2 层。
  • 依此类推，F3 第 3 层，F2 第 4 层，F1 第 5 层。

UP 型层级：底层（第1层）F5，顶层（第5层）F1。箭头从 F1→F2→F3→F4→F5，方向朝上。

4. DOWN 型层级划分（原因优先）

  • 第 1 层：满足 \(Q(i)=C(i)\) 的因素是 F1（原因因素），分配为第 1 层。
  • 移除 F1，剩余 F2~F5，下一层满足条件的是 F2，分配为第 2 层。
  • 依此类推，F3 第 3 层，F4 第 4 层，F5 第 5 层。

DOWN 型层级：顶层（第1层）F1，底层（第5层）F5。箭头从 F1→F2→F3→F4→F5，方向朝下。

5. 结果解读

  • UP 型和 DOWN 型层级顺序完全相反，反映了两种不同的解释视角：UP 型强调结果导向，DOWN 型强调原因导向。
  • 两种层级中，F1 始终是最高层（UP 型顶层，DOWN 型顶层），F5 始终是最低层（UP 型底层，DOWN 型底层），说明该链式结构是确定的，无对抗性。
  • 若某因素在两种层级中的位置差异显著，则可能存在回路或解释上的不确定性。

常见问题

Q1: AISM 与经典 ISM 的主要区别是什么？

A: 经典 ISM 只提供一种层级划分（通常采用原因优先或结果优先中的一种），而 AISM 同时提供两种对抗性的划分（UP 型和 DOWN 型），通过对比两种结果揭示系统的结构稳定性和潜在的矛盾点。此外，AISM 显式地处理强连通分量（回路），而经典 ISM 通常将回路视为整体。

Q2: UP 型和 DOWN 型层级划分的数学依据是什么？

A: 两者均基于可达矩阵的可达集和前因集。UP 型选择 \(R(i)=C(i)\) 的节点（结果因素），DOWN 型选择 \(Q(i)=C(i)\) 的节点（原因因素）。两种选择规则在无环图中互为对偶，产生的层级顺序相反。

Q3: 强连通分量（SCC）如何处理？

A: SCC 是相互可达的因素集合（回路）。AISM 将每个 SCC 缩为一个节点，因为 SCC 内部的顺序无法区分（它们互为因果）。缩点后的系统是无环的，可以进行层级划分。在结果展示中，SCC 内部的原始因素会以“{F1,F2}”形式列出。

Q4: 如何解读两种层级划分的差异？

A:

  • 若某个因素在 UP 型和 DOWN 型中的层级差异很小，说明其地位稳定。
  • 若差异较大（例如在 UP 型中位于底层，在 DOWN 型中位于顶层），说明该因素的解释具有对抗性（既是原因又是结果），需要进一步分析其实际作用。
  • 差异的极端情况是 SCC（回路），其内部因素在两种划分中可能被分配相同的缩点层级。

Q5: 支持多工作表吗？

A: 支持。Excel 文件中每个工作表可存放一个邻接矩阵，用户可选择单个工作表进行分析。

平台功能

AISM 法分析平台提供以下核心功能：

数据输入

  • 支持 Excel（.xlsx, .xls）格式。
  • 每个工作表为一个邻接矩阵，第一行和第一列为因素名称，数据区域为方阵，元素为 0 或 1。
  • 自动校验矩阵方阵性、元素是否为 0/1 等。

参数设置

  • 小数位数：控制结果精度（默认 4 位）。
  • 选择分析的工作表：从上传的工作表中选择一个进行分析。
  • 显示对比分析：是否在结果中展示 UP 型和 DOWN 型的对比表格。
  • 绘图参数：可自定义图形标题、字体大小、节点大小、层间距、节点间距、箭头大小、边线颜色、节点颜色等。

结果展示

  • 因素分级结果：各因素的 UP 型层级、DOWN 型层级、可达集、前因集、所属强连通分量。
  • 矩阵展示：邻接矩阵、可达矩阵、缩点可达矩阵、骨架矩阵、一般性骨架矩阵。
  • 强连通分量：列出所有 SCC 及其包含的原始因素。
  • 层级对比分析：UP 型和 DOWN 型层级的对比表格。
  • 分层迭代过程：分别展示 UP 型和 DOWN 型每一层迭代时的可达集、前因集、交集等详细信息。
  • 可视化：
    • UP 型层级拓扑图（箭头朝上，自下而上）
    • DOWN 型层级拓扑图（箭头朝下，自上而下） 均支持交互式调整绘图参数并实时更新。
  • AI 智能分析：基于 DeepSeek API 自动解读对抗结构，提供关键驱动因素和结果因素分析（每日限 3 次）。
  • 多格式导出：支持 Excel 和 HTML 报告下载。

使用建议

  1. 准备阶段：确定系统边界，筛选出关键要素（一般不超过 15 个，否则 SCC 分析复杂）。设计专家问卷，明确“直接影响”的判断标准。

  2. 数据收集：邀请专家独立填写邻接矩阵（0/1 打分），汇总后可采用“多数决”或“加权平均”得到最终邻接矩阵。将矩阵按模板格式放入 Excel 工作表。

  3. 参数设置：

    • 选择需要分析的工作表。
    • 根据需要调整绘图参数，使图形清晰易读（建议适度增大节点间距和层间距以避免重叠）。

  4. 结果解读：

    • UP 型：顶层因素为结果因素，底层因素为驱动因素。适用于从结果倒推原因的决策场景。
    • DOWN 型：顶层因素为原因因素，底层因素为结果因素。适用于从原因预测结果的决策场景。
    • 对比分析：若某个因素在两种划分中的层级差异很大，说明其角色具有对抗性，应作为关键分析对象。
    • 强连通分量：包含多个因素的分量表示存在回路，说明这些因素相互依赖、互为因果，需要整体考虑。
    • 利用 AI 分析获得更专业的解读和管理建议。

  5. 迭代优化：

    • 若结果不符合预期，可重新审视邻接矩阵的合理性，或与专家讨论修正。
    • 可将 AISM 结果与 DEMATEL、MICMAC 等方法结合使用，获取更全面的认识。

平台界面

官方地址：https://superr.online

AISM法工具界面

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

参考文献：

  1. Warfield J N. Developing interconnection matrices in structural modeling[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1974, SMC-4(1): 81-87.
  2. 张强，李从东. 对抗解释结构模型及其在复杂系统分析中的应用[J]. 系统工程理论与实践，2015, 35(8): 2032-2040.
  3. 基于 AISM 的供应链风险因素对抗性分析[J]. 管理工程学报，2018, 32(3): 112-118.