MABAC多属性边界近似区域比较法

方法概述

MABAC（Multi-Attributive Border Approximation Area Comparison）是由 Pamučar 和 Ćirović 于 2015 年提出的一种多准则决策方法。它通过定义每个指标的边界近似区域，计算各方案与边界区域的距离，从而实现对方案的排序。MABAC 具有计算简单、结果稳定、易于理解等优点，广泛应用于供应商选择、项目评估、资源分配等领域。

MABAC 的核心思想是：

  • 对原始数据进行标准化，消除量纲影响。
  • 通过加权标准化构建加权矩阵。
  • 计算每个指标的边界近似区域值（几何平均数）。
  • 计算各方案与边界近似区域的距离，距离之和越大，方案越优。

计算步骤

1. 构建原始决策矩阵

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. 数据标准化

为消除量纲影响，将原始数据标准化到 [0,1] 区间。常用极差法（Min‑Max），根据指标类型选择公式：

  • 效益型指标（越大越好）： \[ z_{ij} = \frac{x_{ij} - \min(x_j)}{\max(x_j) - \min(x_j)} \]
  • 成本型指标（越小越好）： \[ z_{ij} = \frac{\max(x_j) - x_{ij}}{\max(x_j) - \min(x_j)} \]

标准化后矩阵记为 \(Z = (z_{ij})_{n \times m}\)。

3. 确定指标权重

指标权重 \(w_j\)（\(w_j \ge 0,\ \sum_{j=1}^m w_j = 1\)）可通过主观赋值或客观方法（如熵权法）获得。平台支持熵权法和手动输入两种方式。

4. 计算加权标准化矩阵 \(V\)

MABAC 采用特殊的加权方式，将标准化值加 1 后乘以权重：

\[ v_{ij} = w_j \cdot (z_{ij} + 1) \]

得到加权标准化矩阵 \(V = (v_{ij})_{n \times m}\)。

5. 构建边界近似区域矩阵 \(G\)

对每个指标 \(j\)，计算其边界近似区域值 \(g_j\)，即该列所有元素的几何平均数：

\[ g_j = \left( \prod_{i=1}^{n} v_{ij} \right)^{1/n}, \quad j = 1,2,\ldots,m \]

边界近似区域矩阵 \(G\) 是一个 \(n \times m\) 矩阵，其每一列元素均为 \(g_j\)：

\[ G = \begin{bmatrix} g_1 & g_2 & \cdots & g_m \\ g_1 & g_2 & \cdots & g_m \\ \vdots & \vdots & \ddots & \vdots \\ g_1 & g_2 & \cdots & g_m \end{bmatrix} \]

6. 计算距离矩阵 \(Q\)

各方案与边界近似区域的距离为：

\[ Q = V - G = \begin{bmatrix} v_{11}-g_1 & v_{12}-g_2 & \cdots & v_{1m}-g_m \\ v_{21}-g_1 & v_{22}-g_2 & \cdots & v_{2m}-g_m \\ \vdots & \vdots & \ddots & \vdots \\ v_{n1}-g_1 & v_{n2}-g_2 & \cdots & v_{nm}-g_m \end{bmatrix} \]

7. 计算各方案的总距离 \(S_i\)

将各行元素求和，得到每个方案的综合评价值：

\[ S_i = \sum_{j=1}^{m} q_{ij}, \quad i = 1,2,\ldots,n \]

\(S_i\) 越大，表示方案越优。按 \(S_i\) 降序排列即得最终排序。

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（效益型）、价格（成本型）、交货准时率（效益型）。采用熵权法计算权重，极差法标准化。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. 标准化

  • 产品质量（效益型）：\(\max=90,\min=75\)
    • 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（成本型）：\(\max=210,\min=180\)
    • 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（效益型）：\(\max=0.95,\min=0.85\)
    • 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 \(Z\)：

方案 产品质量 价格 交货准时率
A 0.6667 0.3333 1.0000
B 1.0000 1.0000 0.5000
C 0.0000 0.0000 0.0000
D 0.3333 0.6667 0.7000

2. 熵权法计算权重

（计算过程略）得权重： \[ w = (0.332, 0.334, 0.334) \]

3. 加权标准化矩阵 \(V\)

\[ v_{ij} = w_j (z_{ij} + 1) \]

  • A: \(v_{11}=0.332×(0.6667+1)=0.332×1.6667=0.553\)，\(v_{12}=0.334×(0.3333+1)=0.334×1.3333=0.445\)，\(v_{13}=0.334×(1+1)=0.334×2=0.668\)
  • B: \(v_{21}=0.332×(1+1)=0.664\)，\(v_{22}=0.334×(1+1)=0.668\)，\(v_{23}=0.334×(0.5+1)=0.334×1.5=0.501\)
  • C: \(v_{31}=0.332×(0+1)=0.332\)，\(v_{32}=0.334×(0+1)=0.334\)，\(v_{33}=0.334×(0+1)=0.334\)
  • D: \(v_{41}=0.332×(0.3333+1)=0.443\)，\(v_{42}=0.334×(0.6667+1)=0.334×1.6667=0.557\)，\(v_{43}=0.334×(0.7+1)=0.334×1.7=0.568\)

加权矩阵 \(V\)：

方案 产品质量 价格 交货准时率
A 0.553 0.445 0.668
B 0.664 0.668 0.501
C 0.332 0.334 0.334
D 0.443 0.557 0.568

4. 边界近似区域 \(G\)

计算每列的几何平均数：

  • \(g_1 = (0.553×0.664×0.332×0.443)^{1/4} = (0.553×0.664×0.332×0.443) ≈ 0.0541^{1/4} ≈ 0.483\)
  • \(g_2 = (0.445×0.668×0.334×0.557)^{1/4} = (0.445×0.668×0.334×0.557) ≈ 0.0553^{1/4} ≈ 0.485\)
  • \(g_3 = (0.668×0.501×0.334×0.568)^{1/4} = (0.668×0.501×0.334×0.568) ≈ 0.0635^{1/4} ≈ 0.502\)

5. 距离矩阵 \(Q\)

\[ Q = V - G \]

方案 产品质量 价格 交货准时率
A 0.553-0.483=0.070 0.445-0.485=-0.040 0.668-0.502=0.166
B 0.664-0.483=0.181 0.668-0.485=0.183 0.501-0.502=-0.001
C 0.332-0.483=-0.151 0.334-0.485=-0.151 0.334-0.502=-0.168
D 0.443-0.483=-0.040 0.557-0.485=0.072 0.568-0.502=0.066

6. 总距离 \(S_i\)

  • A: \(0.070 + (-0.040) + 0.166 = 0.196\)
  • B: \(0.181 + 0.183 + (-0.001) = 0.363\)
  • C: \((-0.151) + (-0.151) + (-0.168) = -0.470\)
  • D: \((-0.040) + 0.072 + 0.066 = 0.098\)

排序：B (0.363) > A (0.196) > D (0.098) > C (-0.470)

结论：供应商 B 最优，C 最差。

常见问题

Q1: MABAC 与 TOPSIS 有何区别？

A: TOPSIS 通过计算方案与正负理想解的欧氏距离来排序，而 MABAC 通过定义边界近似区域（各指标值的几何平均数）作为参考基准，计算方案与该区域的差值，并求和得到综合评价值。MABAC 的边界区域具有统计意义，对数据分布更敏感。

Q2: 加权标准化公式为什么是 \(v_{ij} = w_j (z_{ij}+1)\)？

A: 该公式保证了所有加权值均为正（因为 \(z_{ij} \ge 0\)，\(w_j > 0\)），且当 \(z_{ij}=0\) 时，\(v_{ij}=w_j\)，保留了指标的基本权重信息。几何平均数的计算要求所有元素为正，该变换正好满足这一条件。

Q3: 如何确定指标权重？

A: 平台支持两种方式：① 熵权法（基于数据变异程度客观计算）；② 手动输入（用户自定义）。若采用手动输入，需保证所有权重之和为 1。

Q4: 标准化方法只有极差法吗？

A: 平台还提供 Z‑score、比重法、向量归一化等多种标准化方法，用户可根据数据特点选择。但极差法是 MABAC 最常用的方法，能将数据映射到 [0,1]。

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，系统会分别计算并输出结果。

平台功能

MABAC 多属性边界近似区域比较法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（效益型、成本型）。
  • 权重方法：熵权法或手动设置（手动时需保证权重和为 1）。
  • 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、加权矩阵、边界区域矩阵等中间步骤。

结果展示

  • 详细分析报告：包含每个工作表的 MABAC 对象值 \(S\)、排序、原始数据、标准化矩阵、加权矩阵、边界区域矩阵、距离矩阵。
  • 可视化图表：\(S\) 值排名图。
  • 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排序结果。

使用建议

  1. 准备阶段：明确评价指标，区分效益型和成本型。若指标量纲差异大，建议采用极差法标准化。

  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。确保数据完整、无缺失。

  3. 参数设置：

    • 正确设置每个指标的类型。
    • 选择权重确定方法（推荐熵权法）。
    • 选择合适的标准化方法（推荐极差法）。
    • 根据需要调整小数位数和是否显示中间结果。

  4. 结果解读：

    • 首先查看 \(S\) 值排序，确定最优方案。
    • 分析各指标上的距离，了解方案优劣的具体原因。
    • 利用 AI 分析获取专业建议。

平台界面

官方地址：https://superr.online

MABAC 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、分析结果展示和 AI 分析模块

参考文献：

  1. Pamučar, D., & Ćirović, G. (2015). The selection of transport and handling resources in logistics centers using Multi-Attributive Border Approximation area Comparison (MABAC). Expert Systems with Applications, 42(6), 3016-3028.
  2. 多属性边界近似区域比较法（MABAC）研究综述[J]. 控制与决策，2017.