MACBETH法

方法概述

MACBETH（Measuring Attractiveness by a Categorical Based Evaluation Technique）是一种基于语义类别判断的多准则决策分析方法，由 Bana e Costa 和 Vansnick 于 1994 年提出。该方法通过使用有限的语义类别（无差异、非常弱差异、弱差异、中等差异、强差异、非常强差异、极端差异）来表达决策者对各方案（或准则）之间偏好差异的程度，然后通过线性规划求解各方案的得分和准则权重，从而进行排序。

MACBETH 法的核心思想是：

  • 对于每个准则，决策者将各方案两两比较，用 0~6 的语义类别表示差异程度（0=无差异，6=极端差异）。
  • 构建成对比较矩阵，通过线性规划求解各方案在该准则下的得分（0~100 分）。
  • 类似地，对准则的重要性进行两两比较，得到准则权重。
  • 综合各准则得分与权重，计算每个方案的综合得分，并排序。
  • 提供一致性检验指标，评估判断的可靠性。

该方法不需要精确的数值评分，仅需定性判断，易于操作，且能够处理主观性强、信息不完全的决策问题。

计算步骤

1. 构建原始数据矩阵

设有 \(n\) 个方案，\(m\) 个准则。原始数据矩阵为：

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

其中 \(x_{ij}\) 为方案 \(i\) 在准则 \(j\) 下的原始得分（可以是任何量纲，但需能反映优劣顺序）。

数据格式要求：

  • 第一行为准则名称。
  • 第一列为方案名称。
  • 数据区域为数值型原始得分。

2. 准则重要性判断矩阵

决策者需对 \(m\) 个准则进行两两比较，用语义类别表示准则 \(i\) 相对于准则 \(j\) 的重要性差异程度。语义类别与数值对应关系如下：

语义类别 数值 说明
无差异 0 两者同等重要
非常弱差异 1 一个略重要
弱差异 2 明显重要
中等差异 3 相当重要
强差异 4 强烈重要
非常强差异 5 非常重要
极端差异 6 绝对重要

构建 \(m \times m\) 的准则判断矩阵 \(C\)，其中 \(c_{ij}\) 表示准则 \(i\) 相对于准则 \(j\) 的重要性差异（\(c_{ji} = -c_{ij}\)），且 \(c_{ii}=0\)。

3. 对各准则下的方案进行成对比较

对于每个准则 \(j\)，决策者根据方案在该准则下的原始得分，判断方案间的优劣差异程度。同样使用 0~6 的语义类别。对于方案 \(p\) 和 \(q\)，若 \(x_{pj} > x_{qj}\)，则 \(d_{pq}^{(j)} = k\)（\(k\) 为语义数值），\(d_{qp}^{(j)} = -k\)；若相等则为 0。

由此得到每个准则下的 \(n \times n\) 成对比较矩阵 \(D^{(j)}\)。

4. 线性规划求解得分

对于每个准则 \(j\)，求解以下线性规划，得到各方案的得分 \(s_i^{(j)}\)（\(i=1,\dots,n\)）：

\[ \begin{aligned} \min \quad & \sum_{i=1}^{n} s_i^{(j)} \\ \text{s.t.} \quad & s_p^{(j)} - s_q^{(j)} \ge d_{pq}^{(j)}, \quad \forall p,q \text{ 且 } d_{pq}^{(j)} > 0 \\ & s_{\max}^{(j)} = 100, \quad s_{\min}^{(j)} = 0 \end{aligned} \]

其中 \(s_{\max}^{(j)}\) 和 \(s_{\min}^{(j)}\) 分别对应方案中原始得分最高和最低者的得分。若存在矛盾的不等式，线性规划可能无解，此时需调整判断。

5. 准则权重求解

类似地，对准则判断矩阵 \(C\) 求解线性规划，得到准则权重 \(w_j\)（\(j=1,\dots,m\)），满足 \(0 \le w_j \le 1\)，\(\sum w_j = 1\)，且 \(w_p - w_q \ge c_{pq}\)（对 \(c_{pq}>0\)）。

6. 计算综合得分与排序

方案 \(i\) 的综合得分为： \[ S_i = \sum_{j=1}^{m} w_j \cdot s_i^{(j)} \]

可选择将综合得分归一化到 0~100 区间。按 \(S_i\) 从大到小排序，得分越高方案越优。

7. 一致性检验

对于每个准则和准则重要性判断，可计算一致性指标： \[ \text{CI} = 1 - \frac{\sum |\text{实际差异} - \text{要求差异}|}{\text{比较次数} \times 6} \] CI 取值范围 [0,1]，越接近 1 表示判断越一致。平台会输出各准则的一致性指标。

案例分析

案例背景：某企业拟从三个方案（A、B、C）中选择最优方案，考虑两个准则：成本（越小越好）和性能（越大越好）。原始数据如下：

方案 成本（万元） 性能（分）
A 100 85
B 120 90
C 80 70

准则重要性：成本与性能同等重要（语义值 0）。

计算过程

1. 准则重要性矩阵

\(C = \begin{bmatrix}0 & 0 \\ 0 & 0\end{bmatrix}\)，权重相等 \(w_1 = w_2 = 0.5\)。

2. 成本准则下的成对比较（成本越小越好）

原始值：A=100，B=120，C=80。按数值大小判断优劣：C 最优，A 次之，B 最差。

两两差异（语义赋值）：

  • C vs A：成本低 20，设为“中等差异”（3）→ \(d_{CA}=3\)，\(d_{AC}=-3\)
  • C vs B：成本低 40，设为“强差异”（4）→ \(d_{CB}=4\)，\(d_{BC}=-4\)
  • A vs B：成本低 20，设为“中等差异”（3）→ \(d_{AB}=3\)，\(d_{BA}=-3\)

求解线性规划：设 C 得分 100，B 得分 0，则 A 应满足 \(s_A - s_B \ge 3\)，\(s_C - s_A \ge 3\)，\(s_C - s_B \ge 4\)。取 \(s_C=100\)，\(s_B=0\)，则 \(s_A\) 最小为 3，可取 3。得分：C=100，A=3，B=0。

3. 性能准则下的成对比较（越大越好）

原始值：A=85，B=90，C=70。优劣：B 最优，A 次之，C 最差。

两两差异（语义赋值）：

  • B vs A：性能高 5，设为“弱差异”（2）→ \(d_{BA}=2\)，\(d_{AB}=-2\)
  • B vs C：性能高 20，设为“中等差异”（3）→ \(d_{BC}=3\)，\(d_{CB}=-3\)
  • A vs C：性能高 15，设为“弱差异”（2）→ \(d_{AC}=2\)，\(d_{CA}=-2\)

求解：设 B=100，C=0，则 A 满足 \(s_A - s_C \ge 2\)，\(s_B - s_A \ge 2\)，\(s_B - s_C \ge 3\)。取 A=2。得分：B=100，A=2，C=0。

4. 综合得分

\(S_A = 0.5×3 + 0.5×2 = 2.5\) \(S_B = 0.5×0 + 0.5×100 = 50\) \(S_C = 0.5×100 + 0.5×0 = 50\)

归一化到 0~100：\(S_A=2.5\)，\(S_B=50\)，\(S_C=50\)。排序：B 和 C 并列最优，A 最差。

结论：方案 B 和 C 综合表现最好，A 最差。

常见问题

Q1: MACBETH 与 AHP 有何区别？

A: AHP 使用 1~9 的比率尺度，要求判断具有传递性；MACBETH 使用语义类别（0~6），通过线性规划求解得分，允许一定程度的不一致性，且不需要精确的比率判断。

Q2: 语义类别如何选择？

A: 根据实际差异程度定性判断。0 表示无差异，1~6 表示差异逐渐增大。一般建议差异不超过 6（极端差异）。若原始数据差距很大，可适当压缩或标准化后判断。

Q3: 线性规划无解怎么办？

A: 表示判断矩阵存在矛盾（如 A>B, B>C, C>A）。平台会使用备选方法（如基于排名赋分）近似求解。用户应检查判断是否合理，调整矛盾项。

Q4: 准则重要性矩阵如何填写？

A: 界面中只填写上三角单元格（i<j），系统自动填充下三角为相反数。对角线固定为 0。填写时根据准则的相对重要性选择语义类别。

Q5: 支持多工作表吗？

A: 支持。Excel 文件中每个工作表可存放一组方案数据，系统会分别分析并输出结果。

Q6: 原始得分是否需要标准化？

A: 原始得分仅用于判断方案间的优劣顺序和差异程度，不需要标准化。用户可根据实际数值判断语义类别。平台也提供“标准化得分”选项，将最终综合得分映射到 0~100 区间。

平台功能

MACBETH 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：第一行为准则名称，第一列为方案名称，数据区域为数值型原始得分。

参数设置

  • 小数位数：控制结果精度（默认 4 位）。
  • 标准化得分：是否将综合得分映射到 0~100 区间。
  • 显示一致性检验：是否展示各准则的一致性指标。
  • 准则重要性矩阵：用户需填写准则间的成对比较（上三角），系统自动生成完整矩阵。

结果展示

  • 综合结果：各方案的综合得分及排序。
  • 准则权重：各准则的权重。
  • 各准则得分：每个方案在每个准则下的得分。
  • 判断矩阵：准则重要性矩阵、原始数据矩阵。
  • 一致性检验：各准则判断的一致性指标（0~1，越大越好）。
  • 可视化：方案综合得分条形图、准则权重分布图。
  • 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预览数据。
  • 支持对比不同工作表的分析结果。

使用建议

  1. 准备阶段：明确评价方案和准则，收集各方案的原始得分数据。确定准则间的相对重要性。

  2. 数据收集：使用平台提供的模板文件填写原始数据（方案-准则矩阵）。确保数据无缺失值。

  3. 参数设置：

    • 在准则重要性矩阵中，按语义类别填写两两比较（上三角）。建议从最重要的准则开始，逐步对比。
    • 平台会自动根据原始得分生成方案间的差异判断，用户无需手动填写（但可修改）。若原始得分不能反映真实偏好，可手动调整差异值。
    • 选择是否标准化得分和显示一致性检验。

  4. 结果解读：

    • 综合得分最高的方案为最优。
    • 准则权重反映各准则的重要性，可用于敏感性分析。
    • 各准则得分可看出方案在不同准则下的优劣。
    • 一致性指标若低于 0.7，建议检查判断是否合理。
    • 利用 AI 分析获取专业解读。

  5. 迭代优化：

    • 若结果与预期不符，可调整准则重要性判断或方案间差异判断。
    • 对比不同工作表的结果，分析不同数据集下的决策稳定性。
    • 可结合其他多准则决策方法（如 AHP、TOPSIS）进行验证。

平台界面

官方地址：https://superr.online

MACBETH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. Bana e Costa C A, Vansnick J C. MACBETH — An interactive path for the construction of cardinal value functions[J]. International Transactions in Operational Research, 1994, 1(4): 489-500.
  2. 基于 MACBETH 的多准则决策方法研究[J]. 系统工程理论与实践，2007, 27(5): 101-107.
  3. MACBETH 法在供应商选择中的应用[J]. 工业工程与管理，2010, 15(4): 112-116.