ARAS法

方法概述

ARAS（Additive Ratio Assessment）法是一种基于比率加权的多准则决策方法，由Zavadskas和Turskis于2010年提出。该方法通过构建包含理想解的初始决策矩阵，对指标进行归一化处理，计算各方案的效用值并与理想解比较，得到效用度，从而对方案进行排序。

ARAS法的核心思想是：

  • 以理想解（各准则下的最优值）作为基准参考点。
  • 通过归一化处理消除量纲影响，并考虑指标的正负向性。
  • 计算各方案与理想解的接近程度（效用度），效用度越大表示方案越优。
  • 方法简单直观，适用于各种多准则决策问题。

ARAS法自提出以来，已在项目评估、供应商选择、可持续发展评价等领域得到广泛应用。

计算步骤

设有 \(n\) 个方案，\(m\) 个评价指标（准则）。原始决策矩阵为：

\[ X = \begin{bmatrix} x_{11} & x_{12} & \cdots & x_{1m} \\ x_{21} & x_{22} & \cdots & x_{2m} \\ \vdots & \vdots & \ddots & \vdots \\ x_{n1} & x_{n2} & \cdots & x_{nm} \end{bmatrix} \]

指标权重向量为 \(W = [w_1, w_2, \ldots, w_m]\)，满足 \(w_j \ge 0\) 且 \(\sum_{j=1}^{m} w_j = 1\)。

1. 确定指标类型

  • 正向指标（效益型）：值越大越好。
  • 负向指标（成本型）：值越小越好。

2. 构建初始决策矩阵（含理想解）

首先，确定每个指标的理想解。理想解可以是自动计算的极值，也可以由用户自定义。

  • 自动极值：正向指标取所有方案中的最大值，负向指标取所有方案中的最小值。
  • 自定义理想解：用户为每个指标指定一个数值作为理想解。

将理想解作为第一个方案添加到决策矩阵中，得到扩展矩阵 \(\tilde{X}\)：

\[ \tilde{X} = \begin{bmatrix} x_{01} & x_{02} & \cdots & x_{0m} \\ x_{11} & x_{12} & \cdots & x_{1m} \\ \vdots & \vdots & \ddots & \vdots \\ x_{n1} & x_{n2} & \cdots & x_{nm} \end{bmatrix} \]

其中 \(x_{0j}\) 为第 \(j\) 个指标的理想解。

3. 归一化处理

对扩展矩阵进行归一化，以消除量纲影响。归一化方法根据指标类型不同：

  • 正向指标： \[ \bar{x}_{ij} = \frac{x_{ij}}{\sum_{i=0}^{n} x_{ij}} \]
  • 负向指标： \[ \bar{x}_{ij} = \frac{1/x_{ij}}{\sum_{i=0}^{n} (1/x_{ij})} \]

其中 \(i = 0,1,\ldots,n\)，\(j = 1,\ldots,m\)。归一化后的矩阵记为 \(\bar{X}\)。

4. 计算加权归一化矩阵

将归一化后的值与权重相乘，得到加权归一化值：

\[ \hat{x}_{ij} = \bar{x}_{ij} \times w_j \]

加权归一化矩阵记为 \(\hat{X}\)。

5. 计算各方案的效用值

每个方案的效用值 \(S_i\) 为该方案在各指标上的加权归一化值之和：

\[ S_i = \sum_{j=1}^{m} \hat{x}_{ij}, \quad i = 0,1,\ldots,n \]

其中 \(S_0\) 为理想解的效用值。

6. 计算效用度并排序

各方案的效用度 \(K_i\) 为方案效用值与理想解效用值的比值：

\[ K_i = \frac{S_i}{S_0}, \quad i = 1,\ldots,n \]

效用度 \(K_i \in [0,1]\)，越接近1表示方案越接近理想解。按效用度从大到小排序，值越大方案越优。

案例分析

案例背景：某企业需从四个供应商（A、B、C、D）中选择最佳合作伙伴，评价指标为：产品质量（正向）、价格（负向）、交货准时率（正向）。各指标权重分别为0.4、0.3、0.3。原始数据如下：

供应商 产品质量 价格 交货准时率
A 85 1200 90%
B 90 1100 85%
C 80 1300 95%
D 88 1150 92%

计算过程

1. 确定理想解（自动极值）

  • 产品质量（正向）：最大值 = 90
  • 价格（负向）：最小值 = 1100
  • 交货准时率（正向）：最大值 = 95%

理想解向量：\([90, 1100, 95\%]\)。

2. 构建初始决策矩阵（含理想解）

扩展矩阵（理想解为第0行）：

方案 产品质量 价格 交货准时率
理想解 90 1100 95%
A 85 1200 90%
B 90 1100 85%
C 80 1300 95%
D 88 1150 92%

3. 归一化处理

产品质量（正向）：计算各值除以总和。

总和 = 90 + 85 + 90 + 80 + 88 = 433

  • 理想解：90/433 = 0.2079
  • A：85/433 = 0.1963
  • B：90/433 = 0.2079
  • C：80/433 = 0.1848
  • D：88/433 = 0.2032

价格（负向）：先取倒数，再归一化。

倒数：理想解 1/1100 = 0.0009091，A 1/1200 = 0.0008333，B 1/1100 = 0.0009091，C 1/1300 = 0.0007692，D 1/1150 = 0.0008696

倒数总和 = 0.0009091 + 0.0008333 + 0.0009091 + 0.0007692 + 0.0008696 = 0.0042903

归一化：

  • 理想解：0.0009091 / 0.0042903 = 0.2119
  • A：0.0008333 / 0.0042903 = 0.1942
  • B：0.0009091 / 0.0042903 = 0.2119
  • C：0.0007692 / 0.0042903 = 0.1793
  • D：0.0008696 / 0.0042903 = 0.2027

交货准时率（正向）：总和 = 95 + 90 + 85 + 95 + 92 = 457

  • 理想解：95/457 = 0.2079
  • A：90/457 = 0.1969
  • B：85/457 = 0.1860
  • C：95/457 = 0.2079
  • D：92/457 = 0.2013

归一化矩阵 \(\bar{X}\)：

方案 产品质量 价格 交货准时率
理想解 0.2079 0.2119 0.2079
A 0.1963 0.1942 0.1969
B 0.2079 0.2119 0.1860
C 0.1848 0.1793 0.2079
D 0.2032 0.2027 0.2013

4. 加权归一化

权重 \(W = [0.4, 0.3, 0.3]\)。

  • 理想解：产品质量 0.2079×0.4 = 0.08316，价格 0.2119×0.3 = 0.06357，交货准时率 0.2079×0.3 = 0.06237，合计 \(S_0 = 0.2091\)
  • A：0.1963×0.4 = 0.07852，0.1942×0.3 = 0.05826，0.1969×0.3 = 0.05907，合计 \(S_A = 0.19585\)
  • B：0.2079×0.4 = 0.08316，0.2119×0.3 = 0.06357，0.1860×0.3 = 0.05580，合计 \(S_B = 0.20253\)
  • C：0.1848×0.4 = 0.07392，0.1793×0.3 = 0.05379，0.2079×0.3 = 0.06237，合计 \(S_C = 0.19008\)
  • D：0.2032×0.4 = 0.08128，0.2027×0.3 = 0.06081，0.2013×0.3 = 0.06039，合计 \(S_D = 0.20248\)

5. 计算效用度

  • A：\(K_A = 0.19585 / 0.2091 = 0.9367\)
  • B：\(K_B = 0.20253 / 0.2091 = 0.9686\)
  • C：\(K_C = 0.19008 / 0.2091 = 0.9090\)
  • D：\(K_D = 0.20248 / 0.2091 = 0.9683\)

6. 排序结果

\(K_B (0.9686) > K_D (0.9683) > K_A (0.9367) > K_C (0.9090)\)

结论：供应商B为最优选择，供应商D紧随其后。

常见问题

Q1: ARAS法与TOPSIS法有何异同？

A: ARAS法以理想解为唯一参考点，通过归一化比率求和得到效用度；TOPSIS同时考虑正理想解和负理想解，计算欧氏距离。ARAS计算更简单，无需距离计算，对异常值相对不敏感。

Q2: 理想解可以自定义吗？

A: 可以。平台支持两种方式：自动极值（基于数据）和自定义数值。自定义理想解允许用户设定外部基准，如行业标准或目标值。

Q3: 负向指标的归一化为什么取倒数？

A: 取倒数将负向指标转化为正向形式（数值越小，倒数越大），然后再进行归一化，使得所有指标对效用值的贡献方向一致，避免逆向影响。

Q4: 如何处理零值或负值？

A: ARAS法要求数据为正（负向指标取倒数前也应大于零）。若数据包含零或负值，可先进行平移处理，保证所有数值为正。

Q5: 指标权重如何确定？

A: 权重可通过主观赋权法（如AHP）、客观赋权法（如熵权法）或组合赋权法确定。平台支持手动输入权重，并提供“设为等权重”按钮，同时实时校验权重和是否为1。

Q6: ARAS法适用于哪些类型的决策问题？

A: ARAS法适用于指标值均为正数的多准则决策问题，特别是指标间存在权衡、需要与理想基准对比的场景。已在供应商选择、项目评估、能源方案评价等领域广泛应用。

平台功能

ARAS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，文件大小不超过5MB。
  • Excel文件支持多工作表，自动识别工作表名称。
  • 数据格式要求：第一行为指标名称，第一列为方案名称，数据区域为数值型指标值。

参数设置

  • 指标类型：为每个指标指定类型（正向指标、负向指标）。
  • 权重设置：可手动输入每个指标的权重，或点击“设为等权重”按钮自动等分。实时显示权重和状态。
  • 理想解设置：可为每个指标选择“自动极值”或“自定义理想解”，自定义时需输入数值。
  • 小数位数：控制输出精度（默认6位）。
  • 显示中间结果：可选是否展示初始矩阵、归一化矩阵、加权矩阵、效用值等中间步骤。

结果展示

  • 多工作表管理：同时分析多个数据集，分别输出结果。
  • 详细分析报告：包含每个工作表的最终排序、理想解设置、归一化矩阵、加权矩阵、效用值和效用度。
  • 可视化图表：效用度排名图、方案排名分布图。
  • 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）。

结果导出

  • Excel报告：包含所有工作表、汇总信息、详细计算过程、原始数据等。
  • HTML报告：生成带格式的网页报告，便于分享和打印。

使用建议

  1. 准备数据：明确评价指标，确定每个指标是正向还是负向。收集各方案的指标值，使用模板文件填写。

  2. 上传文件：第一列为方案名称，后续列为指标值。Excel支持多工作表，系统将自动识别并分别分析。

  3. 设置参数：

    • 正确设置每个指标的类型。
    • 输入合理的权重（可先尝试等权重）。
    • 根据需要选择理想解类型，自定义时输入合理的目标值。

  4. 执行计算：点击“开始计算”，系统将自动完成所有工作表的ARAS分析。

  5. 结果解读：

    • 查看效用度排序，确定最优方案。
    • 分析归一化矩阵和加权矩阵，了解各方案的优劣势。
    • 对比不同工作表的排序结果，进行综合评估。
    • 利用AI分析获取针对性的改进建议。

平台界面

官方地址：https://superr.online

ARAS法工具界面预览

平台界面包含：数据上传区、参数设置区、多工作表预览、详细计算结果展示、可视化图表和AI分析模块

参考文献：

  1. Zavadskas, E. K., & Turskis, Z. (2010). A new additive ratio assessment (ARAS) method in multicriteria decision-making. Technological and Economic Development of Economy, 16(2), 159-172 .
  2. Zavadskas, E. K., Turskis, Z., & Vilutienė, T. (2010). Multiple criteria analysis of foundation instalment alternatives by applying Additive Ratio Assessment (ARAS) method. Archives of Civil and Mechanical Engineering, 10(3), 123-141 .
  3. Turskis, Z., & Zavadskas, E. K. (2010). A novel method for multiple criteria analysis: grey additive ratio assessment (ARAS-G) method. Informatica, 21(4), 597-610 .