CRITIC法

方法概述

CRITIC法（Criteria Importance Through Intercriteria Correlation）是一种基于数据波动性与指标间冲突性的客观赋权方法。它由Diakoulaki于1995年提出，通过同时考虑指标内部的变异程度（标准差）和指标间的冲突性（相关系数）来确定权重，克服了熵权法仅关注变异程度的局限性。

CRITIC法的核心思想是：

  • 指标的变异性越大（标准差越大），表明该指标提供的信息越多，应赋予更大权重。
  • 指标间的冲突性越强（相关系数越小），表明指标间信息重叠越少，应赋予更大权重。
  • 综合变异性和冲突性得到指标的信息量 \(C_j\)，归一化后即为权重。

该方法适用于指标间可能存在较强相关性的多指标决策问题。

计算步骤

1. 构建原始数据矩阵

设有 \(n\) 个评价对象，\(m\) 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. 数据标准化

为消除量纲影响，需对原始数据进行标准化。根据指标类型选择不同公式：

（1）极大型指标（越大越好）

\[ z_{ij} = \frac{x_{ij} - \min(x_j)}{\max(x_j) - \min(x_j)} \]

（2）极小型指标（越小越好）

\[ z_{ij} = \frac{\max(x_j) - x_{ij}}{\max(x_j) - \min(x_j)} \]

（3）中间型指标（越接近某个固定值越好）

设最优值为 \(a\)，则：

\[ z_{ij} = \begin{cases} 1 - \frac{|x_{ij} - a|}{\max(|x_j - a|)}, & \text{若分母非零} \\ 1, & \text{若所有值均等于最优值} \end{cases} \]

（4）区间型指标（落在某个区间内最好）

设最佳区间为 \([a,b]\)，则：

\[ z_{ij} = \begin{cases} 1 - \frac{a - x_{ij}}{\max(a - \min(x_j), \max(x_j) - b)}, & x_{ij} < a \\ 1, & a \leq x_{ij} \leq b \\ 1 - \frac{x_{ij} - b}{\max(a - \min(x_j), \max(x_j) - b)}, & x_{ij} > b \end{cases} \]

其他标准化方法（适用于已正向化数据）：

  • Z-score标准化：\(z_{ij} = \frac{x_{ij} - \mu_j}{\sigma_j}\)，然后线性变换到非负区间。
  • 比重法：\(z_{ij} = \frac{x_{ij}}{\sum_{i=1}^n x_{ij}}\)。
  • 向量归一化：\(z_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^n x_{ij}^2}}\)。

3. 计算指标变异性（标准差）

对于第 \(j\) 个指标，计算其标准差 \(S_j\)，反映指标的波动程度：

\[ S_j = \sqrt{\frac{\sum_{i=1}^{n} (z_{ij} - \bar{z}_j)^2}{n-1}}, \quad \bar{z}_j = \frac{1}{n}\sum_{i=1}^{n} z_{ij} \]

4. 计算指标冲突性

首先计算各指标间的皮尔逊相关系数矩阵 \(R = (r_{ij})_{m \times m}\)：

\[ r_{ij} = \frac{\sum_{k=1}^{n} (z_{ki} - \bar{z}_i)(z_{kj} - \bar{z}_j)}{\sqrt{\sum_{k=1}^{n} (z_{ki} - \bar{z}_i)^2 \sum_{k=1}^{n} (z_{kj} - \bar{z}_j)^2}} \]

然后第 \(j\) 个指标的冲突性量化为它与所有其他指标的相关系数之和的补：

\[ R_j = \sum_{k=1}^{m} (1 - r_{jk}) \]

冲突性 \(R_j\) 越大，表明该指标与其他指标的相关性越低，信息重叠越少。

5. 计算指标信息量

信息量 \(C_j\) 综合了变异性和冲突性：

\[ C_j = S_j \times R_j \]

6. 计算权重

将信息量归一化即得权重：

\[ w_j = \frac{C_j}{\sum_{k=1}^{m} C_k} \]

7. 计算综合得分（可选）

若需对各对象综合评价，可计算加权得分：

\[ F_i = \sum_{j=1}^{m} w_j z_{ij} \]

案例分析

案例背景：某企业需对四个供应商（A、B、C、D）进行评价，选取三个指标：产品质量（极大型）、价格（极小型）、交货准时率（极大型）。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

计算过程

1. 数据标准化（极差法）

  • 产品质量（极大型）：\(\max=90,\min=75\)
    • A: \((85-75)/(90-75)=10/15=0.6667\)
    • B: \((90-75)/15=1.0000\)
    • C: \((75-75)/15=0.0000\)
    • D: \((80-75)/15=0.3333\)
  • 价格（极小型）：\(\max=210,\min=180\)
    • A: \((210-200)/(210-180)=10/30=0.3333\)
    • B: \((210-180)/30=1.0000\)
    • C: \((210-210)/30=0.0000\)
    • D: \((210-190)/30=0.6667\)
  • 交货准时率（极大型）：\(\max=0.95,\min=0.85\)
    • A: \((0.95-0.85)/0.10=1.0000\)
    • B: \((0.90-0.85)/0.10=0.5000\)
    • C: \((0.85-0.85)/0.10=0.0000\)
    • D: \((0.92-0.85)/0.10=0.7000\)

标准化矩阵 \(Z\)：

\[ Z = \begin{bmatrix} 0.6667 & 0.3333 & 1.0000 \\ 1.0000 & 1.0000 & 0.5000 \\ 0.0000 & 0.0000 & 0.0000 \\ 0.3333 & 0.6667 & 0.7000 \end{bmatrix} \]

2. 计算均值

\[ \bar{z}_1 = (0.6667+1+0+0.3333)/4 = 0.5000 \] \[ \bar{z}_2 = (0.3333+1+0+0.6667)/4 = 0.5000 \] \[ \bar{z}_3 = (1+0.5+0+0.7)/4 = 0.5500 \]

3. 计算标准差（变异性）

\[ S_1 = \sqrt{\frac{(0.6667-0.5)^2+(1-0.5)^2+(0-0.5)^2+(0.3333-0.5)^2}{3}} = \sqrt{\frac{0.0278+0.25+0.25+0.0278}{3}} = \sqrt{0.1852} = 0.4303 \] \[ S_2 = \sqrt{\frac{(0.3333-0.5)^2+(1-0.5)^2+(0-0.5)^2+(0.6667-0.5)^2}{3}} = \sqrt{\frac{0.0278+0.25+0.25+0.0278}{3}} = 0.4303 \] \[ S_3 = \sqrt{\frac{(1-0.55)^2+(0.5-0.55)^2+(0-0.55)^2+(0.7-0.55)^2}{3}} = \sqrt{\frac{0.2025+0.0025+0.3025+0.0225}{3}} = \sqrt{0.5300/3} = \sqrt{0.1767} = 0.4203 \]

4. 计算相关系数矩阵

计算各列之间的协方差和相关系数（以样本方差公式，分母 \(n-1=3\)）。

首先计算各列与均值的离差：

指标1 指标2 指标3
0.1667 -0.1667 0.45
0.5 0.5 -0.05
-0.5 -0.5 -0.55
-0.1667 0.1667 0.15

离差积和：

  • \(SS_{11} = 0.1667^2+0.5^2+(-0.5)^2+(-0.1667)^2 = 0.0278+0.25+0.25+0.0278 = 0.5556\)
  • \(SS_{22} = (-0.1667)^2+0.5^2+(-0.5)^2+0.1667^2 = 0.5556\)
  • \(SS_{33} = 0.45^2+(-0.05)^2+(-0.55)^2+0.15^2 = 0.2025+0.0025+0.3025+0.0225 = 0.53\)

协方差：

  • \(SP_{12} = 0.1667*(-0.1667)+0.5*0.5+(-0.5)*(-0.5)+(-0.1667)*0.1667 = -0.0278+0.25+0.25-0.0278 = 0.4444\)
  • \(SP_{13} = 0.1667*0.45+0.5*(-0.05)+(-0.5)*(-0.55)+(-0.1667)*0.15 = 0.075-0.025+0.275-0.025 = 0.3\)
  • \(SP_{23} = (-0.1667)*0.45+0.5*(-0.05)+(-0.5)*(-0.55)+0.1667*0.15 = -0.075-0.025+0.275+0.025 = 0.2\)

相关系数：

  • \(r_{12} = SP_{12} / \sqrt{SS_{11}SS_{22}} = 0.4444 / \sqrt{0.5556*0.5556} = 0.4444 / 0.5556 = 0.8\)
  • \(r_{13} = 0.3 / \sqrt{0.5556*0.53} = 0.3 / \sqrt{0.2945} = 0.3 / 0.5427 = 0.553\)
  • \(r_{23} = 0.2 / \sqrt{0.5556*0.53} = 0.2 / 0.5427 = 0.369\)

相关系数矩阵为（对角为1）：

\[ R = \begin{bmatrix} 1.000 & 0.800 & 0.553 \\ 0.800 & 1.000 & 0.369 \\ 0.553 & 0.369 & 1.000 \end{bmatrix} \]

5. 计算冲突性

\[ R_1 = (1-0.800)+(1-0.553) = 0.200+0.447 = 0.647 \] \[ R_2 = (1-0.800)+(1-0.369) = 0.200+0.631 = 0.831 \] \[ R_3 = (1-0.553)+(1-0.369) = 0.447+0.631 = 1.078 \]

6. 计算信息量

\[ C_1 = S_1 \times R_1 = 0.4303 \times 0.647 = 0.2785 \] \[ C_2 = 0.4303 \times 0.831 = 0.3575 \] \[ C_3 = 0.4203 \times 1.078 = 0.4531 \]

7. 计算权重

总信息量 = \(0.2785+0.3575+0.4531=1.0891\)

\[ w_1 = 0.2785/1.0891 = 0.2557 \] \[ w_2 = 0.3575/1.0891 = 0.3283 \] \[ w_3 = 0.4531/1.0891 = 0.4160 \]

8. 计算综合得分

  • 供应商A: \(0.2557\times0.6667+0.3283\times0.3333+0.4160\times1.0000 = 0.170+0.109+0.416=0.695\)
  • 供应商B: \(0.2557\times1.0000+0.3283\times1.0000+0.4160\times0.5000 = 0.256+0.328+0.208=0.792\)
  • 供应商C: \(0\)
  • 供应商D: \(0.2557\times0.3333+0.3283\times0.6667+0.4160\times0.7000 = 0.085+0.219+0.291=0.595\)

结论：供应商B得分最高，供应商C最差。指标3（交货准时率）权重最大，因其变异性和冲突性均较高。

常见问题

Q1: CRITIC法与熵权法有什么区别？

A: 两者都是客观赋权法，但原理不同。

  • 熵权法主要依据指标值的离散程度（变异程度），离散程度越大，熵越小，权重越大。它不考虑指标间的相关性。

  • CRITIC法不仅考虑指标的对比强度（标准差），还兼顾指标间的冲突性（相关性）。如果一个指标与其他指标相关性很强，其权重会被削弱（因为信息重复）。 简而言之，CRITIC法在指标间相关性较强的场景下，通常比熵权法更能反映真实的区分度。

Q2: 如何选择标准化方法？

A: 平台提供极差法、Z-score、比重法、向量归一化四种方法。极差法最常用，能将数据线性变换到[0,1]区间。若数据存在异常值，可考虑Z-score；若需保持比例关系，可用比重法或向量归一化。建议根据数据分布选择。

Q3: 如果标准化后某个指标的所有数值都一样，权重是多少？

A: 如果某个指标的所有数值都一样，那么该指标的标准差 \(S_j = 0\)。在计算信息量 \(C_j = S_j \times R_j\) 时，结果为 0。因此，该指标的最终权重 \(W_j\) 将为 0。这在逻辑上是合理的，因为该指标无法区分任何方案，没有提供评价信息。

Q4: 冲突性计算中的相关系数矩阵是否必须为正？

A: 相关系数可能为负，表示负相关。冲突性公式 \(1-r_{ij}\) 对负相关也会增大冲突性值，因为负相关也表示信息不重叠。因此公式中采用 \(1 - r_{ij}\) 是合适的。

Q5: CRITIC法中的相关性如果为负，对权重有什么影响？

A: 正相关会降低冲突性（\(1-r_{jk}\) 变小），负相关会增加冲突性（\(1-r_{jk}\) 变大）。 如果两个指标呈负相关（例如费用越高质量越好），说明它们提供了互补的评价视角，冲突性大，因此在CRITIC法中倾向于赋予更高的权重。这是CRITIC法的一大优势，能够识别出互补性强的指标。

Q6: 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。

Q7: 数据标准化的方法必须用极差法吗？

A:不一定。虽然极差化（Min-Max）标准化是CRITIC法中最常用的，因为它能将数据严格映射到\((0,1)\)区间，便于计算标准差。但在某些情况下，也可以使用向量归一化或Z-score标准化。不过，注意不同的标准化方法可能会导致计算出的权重略有差异。

Q8: 什么情况下推荐使用CRITIC法？

A: 推荐在以下情况使用： - 1.指标之间可能存在较强的相关性（例如GDP和财政收入）。 - 2.样本数据比较完整，希望完全基于数据客观确定权重，排除人为干扰。 - 3.需要同时考虑指标的波动幅度和指标之间的独立代表性。

平台功能

CRITIC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，第一列为样本名称，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（极大型、极小型）。中间型和区间型需先转换为极大型。
  • 标准化方法：极差法、Z-score、比重法、向量归一化。
  • 小数位数：控制输出精度（默认6位）。
  • 显示中间结果：可选是否展示标准化矩阵、相关系数矩阵等中间步骤。

结果展示

  • 详细分析报告：包含各指标的变异性、冲突性、信息量、权重，以及样本综合得分。
  • 可视化图表：权重分布柱状图、样本得分排名图、信息量构成图。
  • 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。

使用建议

  1. 准备阶段：明确评价对象和指标体系，确定各指标的类型（极大型或极小型）。

  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。

  3. 参数设置：正确设置指标类型，选择合适的标准化方法。

  4. 结果解读：

    • 关注变异性、冲突性对权重的影响，识别关键指标。
    • 结合得分排名，做出综合评价。
    • 若指标间相关性较强，CRITIC法给出的权重会更均衡。

  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。
    • 尝试不同的标准化方法，对比权重稳定性。

平台界面

官方地址：https://superr.online

CRITIC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. Diakoulaki, D., Mavrotas, G., & Papayannakis, L. (1995). Determining objective weights in multiple criteria problems: The CRITIC method. Computers & Operations Research, 22(7), 763-770.
  2. 基于CRITIC法的多指标评价方法研究[J]. 统计与决策，2010.
  3. CRITIC法在权重确定中的应用与改进[J]. 系统工程理论与实践，2015.