COPRAS法

方法概述

COPRAS（Complex Proportional Assessment，复杂比例评估法）是一种多准则决策方法，由 Zavadskas 和 Kaklauskas 于1996年提出。该方法通过逐步考虑指标的正面影响（最大化准则）和负面影响（最小化准则），对方案进行综合评价与排序。

COPRAS法的核心思想是：

  • 将决策矩阵进行归一化处理，消除量纲影响；
  • 考虑用户自定义的指标权重，构建加权归一化矩阵；
  • 分别计算每个方案的最大化准则聚合值（P值）和最小化准则聚合值（R值）；
  • 综合P值和R值计算每个方案的相对效用值（Q值），Q值越大表示方案越优。

该方法适用于同时包含正向指标（越大越好）和负向指标（越小越好）的多准则决策问题，能够充分利用指标的方向信息，结果直观且易于解释。

计算步骤

1. 构建原始数据矩阵

设有 \(n\) 个评价对象（方案），\(m\) 个评价指标，原始数据矩阵为：

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

2. 数据归一化

COPRAS法要求对原始数据进行归一化，以消除量纲影响。本平台支持两种归一化方法，用户可根据需要选择。

（1）指标线性归一化（Linear Normalization）

该方法对所有指标统一采用总和归一化：

\[ z_{ij} = \frac{x_{ij}}{\sum_{i=1}^{n} x_{ij}} \]

其中 \(z_{ij}\) 为第 \(i\) 个方案在第 \(j\) 个指标上的归一化值。

（2）指标差异归一化（Difference Normalization）

该方法根据指标类型分别处理：

  • 对于正向指标（越大越好）： \[ z_{ij} = \frac{x_{ij}}{\sum_{i=1}^{n} x_{ij}} \]

  • 对于负向指标（越小越好）： \[ z_{ij} = \frac{\min(x_j)}{x_{ij}} \] 其中 \(\min(x_j)\) 为第 \(j\) 个指标的最小值。

注意：在指标差异归一化中，负向指标使用最小值与原始值的比值，使得指标值越小，归一化值越大（即转化为正向意义）。

3. 构建加权归一化矩阵

用户为每个指标指定权重 \(w_j\)（权重之和应为1），加权归一化值计算公式为：

\[ v_{ij} = z_{ij} \times w_j \]

4. 计算最大化准则聚合值 \(P_i\) 和最小化准则聚合值 \(R_i\)

  • 最大化准则聚合值 \(P_i\)：方案 \(i\) 中所有正向指标的加权归一化值之和。 \[ P_i = \sum_{j \in \Omega_{\text{max}}} v_{ij} \] 其中 \(\Omega_{\text{max}}\) 为正向指标集合。

  • 最小化准则聚合值 \(R_i\)：方案 \(i\) 中所有负向指标的加权归一化值之和。 \[ R_i = \sum_{j \in \Omega_{\text{min}}} v_{ij} \] 其中 \(\Omega_{\text{min}}\) 为负向指标集合。

5. 计算每个方案的相对效用值 \(Q_i\) 并进行排序

首先计算所有方案的最小化准则聚合值的最小值：

\[ R_{\min} = \min_i R_i \]

然后计算每个方案的相对效用值：

\[ Q_i = P_i + \frac{\sum_{k=1}^{n} R_k}{R_i \cdot \sum_{k=1}^{n} \frac{1}{R_k}} \]

公式中第二项体现了对负向指标的补偿：\(R_i\) 越小（即负向表现越好）的方案，其补偿值越大。

最后，按照 \(Q_i\) 值从大到小排序，\(Q_i\) 越大表示方案越优。

案例分析

案例背景：某企业拟从四个供应商（A、B、C、D）中选择合作伙伴，评价指标包括：产品质量（正向）、价格（负向）、交货准时率（正向）。原始数据如下：

供应商 产品质量 价格 交货准时率
A 85 200 0.95
B 90 180 0.90
C 75 210 0.85
D 80 190 0.92

设三个指标权重相等，均为 \(1/3\)。采用指标线性归一化方法。

计算过程

1. 归一化矩阵

  • 产品质量总和：\(85+90+75+80 = 330\)
    • A: \(85/330 = 0.2576\)
    • B: \(90/330 = 0.2727\)
    • C: \(75/330 = 0.2273\)
    • D: \(80/330 = 0.2424\)
  • 价格总和：\(200+180+210+190 = 780\)
    • A: \(200/780 = 0.2564\)
    • B: \(180/780 = 0.2308\)
    • C: \(210/780 = 0.2692\)
    • D: \(190/780 = 0.2436\)
  • 交货准时率总和：\(0.95+0.90+0.85+0.92 = 3.62\)
    • A: \(0.95/3.62 = 0.2624\)
    • B: \(0.90/3.62 = 0.2486\)
    • C: \(0.85/3.62 = 0.2348\)
    • D: \(0.92/3.62 = 0.2541\)

归一化矩阵 \(Z\)：

\[ Z = \begin{bmatrix} 0.2576 & 0.2564 & 0.2624 \\ 0.2727 & 0.2308 & 0.2486 \\ 0.2273 & 0.2692 & 0.2348 \\ 0.2424 & 0.2436 & 0.2541 \end{bmatrix} \]

2. 加权归一化矩阵（权重均为 \(1/3\)）

\[ V = Z \times \frac{1}{3} = \begin{bmatrix} 0.0859 & 0.0855 & 0.0875 \\ 0.0909 & 0.0769 & 0.0829 \\ 0.0758 & 0.0897 & 0.0783 \\ 0.0808 & 0.0812 & 0.0847 \end{bmatrix} \]

3. 计算 \(P_i\) 和 \(R_i\)

  • 正向指标：产品质量、交货准时率；负向指标：价格。
    • 方案A：\(P_A = 0.0859 + 0.0875 = 0.1734\)；\(R_A = 0.0855\)
    • 方案B：\(P_B = 0.0909 + 0.0829 = 0.1738\)；\(R_B = 0.0769\)
    • 方案C：\(P_C = 0.0758 + 0.0783 = 0.1541\)；\(R_C = 0.0897\)
    • 方案D：\(P_D = 0.0808 + 0.0847 = 0.1655\)；\(R_D = 0.0812\)

4. 计算综合得分 \(Q_i\)

  • \(R_{\min} = \min(0.0855,0.0769,0.0897,0.0812) = 0.0769\)
  • \(\sum R_k = 0.0855+0.0769+0.0897+0.0812 = 0.3333\)
  • \(\sum 1/R_k = 1/0.0855 + 1/0.0769 + 1/0.0897 + 1/0.0812 \approx 11.695 + 13.003 + 11.148 + 12.315 = 48.161\)

代入公式：

\[ Q_A = 0.1734 + \frac{0.3333}{0.0855 \times 48.161} = 0.1734 + \frac{0.3333}{4.118} \approx 0.1734 + 0.0809 = 0.2543 \]

\[ Q_B = 0.1738 + \frac{0.3333}{0.0769 \times 48.161} = 0.1738 + \frac{0.3333}{3.704} \approx 0.1738 + 0.0900 = 0.2638 \]

\[ Q_C = 0.1541 + \frac{0.3333}{0.0897 \times 48.161} = 0.1541 + \frac{0.3333}{4.320} \approx 0.1541 + 0.0772 = 0.2313 \]

\[ Q_D = 0.1655 + \frac{0.3333}{0.0812 \times 48.161} = 0.1655 + \frac{0.3333}{3.911} \approx 0.1655 + 0.0852 = 0.2507 \]

5. 排序

\(Q_B > Q_A > Q_D > Q_C\)，因此供应商B最优，供应商C最差。

结论：供应商B的综合得分最高，因其在价格（负向指标）上表现优异，同时产品质量和交货准时率也较好。

常见问题

Q1: COPRAS法与TOPSIS法有何区别？

A: COPRAS法直接对正负向指标分别聚合，并通过补偿公式整合；TOPSIS法则基于理想解和负理想解的距离。COPRAS在负向指标处理上更直观，且计算相对简单。

Q2: 两种归一化方法如何选择？

A: - 指标线性归一化：适用于所有指标均为正向或均已正向化处理的情况，简单统一。 - 指标差异归一化：当存在负向指标且希望保持其原始方向意义时使用（负向指标经转换后越大越好），但需注意负向指标最小值可能为0导致除零错误，平台已做处理。

Q3: 权重如何设置？

A: 权重应反映决策者对指标重要性的主观判断，且权重之和应为1。平台允许用户自定义权重，并提供“设为等权重”快捷按钮。若权重和不为1，系统会自动归一化并提示。

Q4: 如果某个负向指标的值为0，如何处理？

A: 在指标差异归一化中，若负向指标出现0值，则 \(\min(x_j)/x_{ij}\) 会出现除以零的情况。平台会在计算时自动添加极小常数（如 \(10^{-10}\)）以避免错误，并给出提示。

Q5: 支持多工作表吗？

A: 支持。平台允许上传包含多个工作表的Excel文件，每个工作表对应不同的数据集，系统会分别分析并输出结果，便于对比不同场景下的决策。

平台功能

COPRAS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。

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：自定义每个指标的权重，或一键设为等权重。
  • 归一化方法：选择“指标线性归一化”或“指标差异归一化”。
  • 小数位数：控制输出精度（默认6位）。
  • 显示中间结果：可选是否展示归一化矩阵、加权矩阵等中间步骤。

结果展示

  • 详细分析报告：包含各方案的P值、R值、Q值及排序。
  • 可视化图表：综合得分排名图、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）。
  • 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验证状态。
  • 支持对比不同工作表的权重分布与排序结果。

使用建议

  1. 准备阶段：明确评价对象和指标体系，确定每个指标的类型（正向/负向）。

  2. 数据收集：使用模板文件填写，每个工作表可代表不同的数据集（如不同年份、不同专家组）。确保数据完整且无缺失值。

  3. 参数设置：

    • 正确设置指标类型，负向指标务必标记为“负向”。
    • 根据决策偏好设置权重，或使用等权重作为基准。
    • 选择合适的归一化方法，一般情况下推荐指标线性归一化。

  4. 结果解读：

    • 关注Q值大小，Q值越大方案越优。
    • 结合P值和R值分析方案优劣的原因（P值代表正向表现，R值代表负向表现）。
    • 若多个方案得分相近，可结合其他定性因素综合决策。

  5. 迭代优化：

    • 若结果与预期不符，可检查数据或指标类型设置。
    • 尝试不同的归一化方法，对比权重稳定性。
    • 剔除冗余或高度相关的指标，简化指标体系。

平台界面

官方地址：https://superr.online

COPRAS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. Zavadskas E K, Kaklauskas A. Determination of an efficient contractor by using the new method of multicriteria assessment[C]//International Symposium for “The Organization and Management of Construction”. Shaping Theory and Practice. 1996, 2: 94-104.
  2. 多准则决策方法及其应用[M]. 科学出版社，2010.
  3. COPRAS法在供应商选择中的应用研究[J]. 工业工程与管理，2015.