C-OWA算子法

方法概述

C-OWA（Combined Ordered Weighted Averaging）组合有序加权平均法是一种基于专家打分的综合集成赋权方法。它通过将专家对各指标的打分值按大小排序，并赋予不同排序位置以不同的权重，从而降低极端值的影响，提高权重确定的稳健性。该方法特别适用于多专家群体决策场景，能够有效处理专家意见的差异性和不确定性。

C-OWA法的核心思想是：

  • 对每个指标，将专家打分值从大到小排序。
  • 根据排序位置赋予相应的 OWA 权重（可由多种方法确定，如等权重、偏大型、偏小型、高斯型等）。
  • 计算各指标的加权平均值（C-OWA值），作为该指标的综合得分。
  • 对 C-OWA 值归一化得到指标权重。

该方法广泛应用于综合评价、绩效评估、风险分析等领域。

计算步骤

1. 构建专家打分矩阵

设有 \(m\) 位专家，\(n\) 个评价指标，原始打分矩阵为：

\[ X = \begin{bmatrix} x_{11} & x_{12} & \cdots & x_{1n} \\ x_{21} & x_{22} & \cdots & x_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ x_{m1} & x_{m2} & \cdots & x_{mn} \end{bmatrix} \]

其中 \(x_{ij}\) 表示第 \(i\) 位专家对第 \(j\) 个指标的评分。

2. 数据预处理

若存在缺失值，可采用列均值填充。即对每个指标 \(j\)，计算现有打分的均值，替换缺失值。

3. 对每个指标的打分进行降序排序

对于每个指标 \(j\)，将 \(m\) 位专家的打分从大到小排序，得到有序序列：

\[ b_{1j} \ge b_{2j} \ge \cdots \ge b_{mj} \]

4. 确定 OWA 权重向量

OWA 权重向量 \(w = (w_1, w_2, \ldots, w_m)\) 需满足 \(w_i \ge 0\) 且 \(\sum_{i=1}^m w_i = 1\)。常用的确定方法有：

（1）等权重法

\[ w_i = \frac{1}{m}, \quad i = 1,2,\ldots,m \]

（2）偏大型（重视高分）

\[ w_i = \frac{i}{\sum_{k=1}^{m} k}, \quad i = 1,2,\ldots,m \]

（3）偏小型（重视低分）

\[ w_i = \frac{m - i + 1}{\sum_{k=1}^{m} k}, \quad i = 1,2,\ldots,m \]

（4）高斯型（正态分布型）

\[ w_i = \frac{\exp\left(-\frac{(i - \mu)^2}{2\sigma^2}\right)}{\sum_{k=1}^{m} \exp\left(-\frac{(k - \mu)^2}{2\sigma^2}\right)}, \quad \mu = \frac{m+1}{2}, \sigma = \frac{m}{4} \]

（5）自定义权重

用户可自行输入一组满足和为 1 的权重向量。

5. 计算每个指标的 C-OWA 值

对指标 \(j\)，其 C-OWA 值为有序打分值与 OWA 权重的加权和：

\[ C_j = \sum_{i=1}^{m} w_i \cdot b_{ij}, \quad j = 1,2,\ldots,n \]

6. 计算指标权重（可选归一化）

若需得到归一化权重（和为 1），则：

\[ w_j^* = \frac{C_j}{\sum_{k=1}^{n} C_k}, \quad j = 1,2,\ldots,n \]

若无需归一化，可直接以 \(C_j\) 作为指标的重要性度量。

7. 计算综合得分（可选）

若需对各专家或方案进行评价，可结合指标权重计算综合得分，但本方法主要用于确定指标权重。

案例分析

案例背景：某企业邀请 5 位专家对 4 个评价指标（技术先进性 \(C_1\)、经济性 \(C_2\)、实施风险 \(C_3\)、可维护性 \(C_4\)）进行打分（满分 10 分）。原始数据如下：

专家 \(C_1\) \(C_2\) \(C_3\) \(C_4\)
E1 8 6 9 7
E2 7 8 8 6
E3 9 7 7 8
E4 6 8 9 7
E5 8 7 8 8

计算过程（以偏大型 OWA 权重为例）

1. 对每个指标的打分进行降序排序

  • \(C_1\)：9, 8, 8, 7, 6
  • \(C_2\)：8, 8, 7, 7, 6
  • \(C_3\)：9, 9, 8, 8, 7
  • \(C_4\)：8, 8, 7, 7, 6

2. 计算 OWA 权重（偏大型）

\(m = 5\)，\(\sum k = 1+2+3+4+5 = 15\)

\[ w_1 = 1/15 \approx 0.0667,\ w_2 = 2/15 \approx 0.1333,\ w_3 = 3/15 = 0.2,\ w_4 = 4/15 \approx 0.2667,\ w_5 = 5/15 \approx 0.3333 \]

3. 计算各指标的 C-OWA 值

\[ C_1 = 0.0667\times9 + 0.1333\times8 + 0.2\times8 + 0.2667\times7 + 0.3333\times6 = 0.600 + 1.066 + 1.600 + 1.867 + 2.000 = 7.133 \] \[ C_2 = 0.0667\times8 + 0.1333\times8 + 0.2\times7 + 0.2667\times7 + 0.3333\times6 = 0.534 + 1.066 + 1.400 + 1.867 + 2.000 = 6.867 \] \[ C_3 = 0.0667\times9 + 0.1333\times9 + 0.2\times8 + 0.2667\times8 + 0.3333\times7 = 0.600 + 1.200 + 1.600 + 2.134 + 2.333 = 7.867 \] \[ C_4 = 0.0667\times8 + 0.1333\times8 + 0.2\times7 + 0.2667\times7 + 0.3333\times6 = 0.534 + 1.066 + 1.400 + 1.867 + 2.000 = 6.867 \]

4. 计算权重（归一化）

总和 \(= 7.133 + 6.867 + 7.867 + 6.867 = 28.734\)

\[ w_1^* = 7.133/28.734 \approx 0.248,\quad w_2^* \approx 0.239,\quad w_3^* \approx 0.274,\quad w_4^* \approx 0.239 \]

结论：指标 \(C_3\)（实施风险）权重最高，为 0.274；\(C_1\) 次之；\(C_2\) 和 \(C_4\) 并列最低。

常见问题

Q1: C-OWA 法与普通算术平均有何区别？

A: 普通算术平均对所有专家打分赋予相同权重，而 C-OWA 法通过对排序后的打分赋予不同权重，可以调整对不同水平打分的重视程度。例如，偏大型权重更重视高分，适用于鼓励创新或先进性的评价；偏小型权重更重视低分，适用于风险控制或保守型评价。

Q2: 如何选择 OWA 权重的确定方法？

A: 根据评价目的选择： - 等权重：认为所有排序位置同等重要，等同于算术平均。 - 偏大型：重视高分（排序靠前的打分），适用于鼓励卓越的场景。 - 偏小型：重视低分（排序靠后的打分），适用于风险规避或保守决策。 - 高斯型：中间位置权重高，两端低，适用于多数意见集中的情况。 - 自定义：用户可根据经验指定权重。

Q3: 如何处理缺失值？

A: 平台默认采用列均值填充缺失值。若某指标所有专家打分缺失，则无法计算，需检查数据。

Q4: 权重是否需要归一化？

A: 若需得到权重和为 1 的结果，应勾选“自动归一化”。否则，C-OWA 值本身即可作为指标的重要性度量，可用于后续比较。

Q5: 支持多工作表吗？

A: 平台支持上传多工作表，但 C-OWA 工具目前默认分析第一个工作表。如需分析多个数据集，可分别上传或后续扩展。

平台功能

C-OWA 组合有序加权平均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。
  • 数据格式要求：第一行为指标名称，第一列为专家名称（或编号），数据区域为专家打分。
  • 自动处理缺失值（均值填充）。

参数设置

  • 权重确定方法：等权重法、偏大型、偏小型、高斯型、自定义。
  • 自定义权重：当选择自定义时，需输入逗号分隔的权重向量（长度等于专家数，和为1）。
  • 小数位数：控制结果输出精度（默认4位）。
  • 自动归一化：勾选后对 C-OWA 值归一化得到权重。

结果展示

  • 权重结果：显示各指标的 C-OWA 值和权重（若归一化），并排名。
  • 参数设置：展示当前使用的权重方法、小数位数、归一化状态、专家数量、指标数量。
  • 数据处理：原始数据矩阵和排序后数据矩阵。
  • 可视化图表：权重分布柱状图、专家打分热力图。
  • 计算过程：显示算法公式、OWA 权重向量及每个指标的计算过程。
  • 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。

使用建议

  1. 准备阶段：明确评价指标，设计专家打分表。确保专家理解打分标准。

  2. 数据收集：使用模板文件填写专家打分，第一列专家名称（可为序号），第一行指标名称。避免过多缺失值。

  3. 参数设置：

    • 根据评价目的选择合适的 OWA 权重方法。
    • 若需自定义权重，确保权重数量和为 1。
    • 根据需要选择是否归一化。

  4. 结果解读：

    • 查看各指标的 C-OWA 值和权重，识别关键指标。
    • 结合权重分布图，分析专家意见的集中趋势。
    • 利用 AI 分析获取专业解读。

  5. 迭代优化：

    • 若结果异常，检查数据或权重方法。
    • 可尝试不同权重方法进行敏感性分析。

平台界面

官方地址：https://superr.online

C-OWA工具界面预览

平台界面包含：数据上传区、参数设置区、数据预览、分析结果展示和AI分析模块

参考文献：

  1. Yager, R. R. (1988). On ordered weighted averaging aggregation operators in multicriteria decisionmaking. IEEE Transactions on Systems, Man, and Cybernetics, 18(1), 183-190.
  2. 徐泽水. (2004). 不确定多属性决策方法及应用. 清华大学出版社.
  3. 基于C-OWA算子的专家权重确定方法研究[J]. 系统工程理论与实践, 2012.