MAIRCA法
方法概述
MAIRCA（MultiAttributive Ideal-Real Comparative Analysis，多属性理想实数比较分析法）是一种基于理想解的多准则决策方法，由 Pamučar 等人于 2014 年提出。该方法通过构建理论评估矩阵（理想状态）和实际评估矩阵，计算两者之间的差距，并根据总差距对方案进行排序。
MAIRCA 法的核心思想是：
- 对原始数据进行正向化和标准化处理，消除量纲影响，将所有指标转化为极大型。
- 设定每个方案在理论上的最优概率（通常为等概率），结合指标权重构建理论评估矩阵。
- 利用标准化数据和权重构建实际评估矩阵。
- 计算理论评估与实际评估之间的差距矩阵。
- 求每个方案的总差距（各指标差距绝对值之和），总差距越小，方案越优。
该方法计算直观，能够有效利用理想解信息，适用于各种多准则决策问题。
计算步骤
1. 构建原始数据矩阵
设有 \(n\) 个评价对象（方案），\(m\) 个评价指标。原始数据矩阵为：
\[ X = \begin{bmatrix} x_{11} & x_{12} & \cdots & x_{1m} \\ x_{21} & x_{22} & \cdots & x_{2m} \\ \vdots & \vdots & \ddots & \vdots \\ x_{n1} & x_{n2} & \cdots & x_{nm} \end{bmatrix} \]
数据格式要求：
- 第一行为指标名称。
- 第一列为方案名称。
- 数据区域为数值型指标值。
2. 数据正向化
根据指标类型，将所有指标转换为极大型（越大越好）。平台支持四种类型：
- 极大型（越大越好）：保持不变。
- 极小型（越小越好）：\(y_{ij} = \max(x_j) - x_{ij}\)。
- 中间型（越接近某固定值 \(a\) 越好）：\(y_{ij} = 1 - \frac{|x_{ij} - a|}{M}\)，其中 \(M = \max|x_{ij} - a|\)。
- 区间型（落在区间 \([a,b]\) 内最好）：\(y_{ij} = 1 - \frac{a - x_{ij}}{M}\)（当 \(x_{ij}<a\)）或 \(1 - \frac{x_{ij} - b}{M}\)（当 \(x_{ij}>b\)），其中 \(M = \max(a - \min(x_j), \max(x_j) - b)\)。
3. 数据标准化
为消除量纲影响，对正向化后的数据进行标准化。平台支持四种方法：
（1）极差标准化（Min-Max）
\[ z_{ij} = \frac{y_{ij} - \min(y_j)}{\max(y_j) - \min(y_j)} \]
（2）Z-score 标准化
\[ z_{ij} = \frac{y_{ij} - \mu_j}{\sigma_j} \] 然后线性变换到 \([0.001, 1]\) 区间（确保正值）。
（3）比重法标准化（列和法）
\[ z_{ij} = \frac{y_{ij}}{\sum_{i=1}^{n} y_{ij}} \]
（4）向量归一化
\[ z_{ij} = \frac{y_{ij}}{\sqrt{\sum_{i=1}^{n} y_{ij}^2}} \]
4. 构建理论评估矩阵（\(Tp\)）
MAIRCA 假设决策者对每个方案没有先验偏好，即每个方案被选中的理论概率相等。因此，理论偏好概率矩阵 \(P\) 的元素为 \(p_{ij} = 1/n\)（对所有 \(i,j\)）。结合指标权重 \(w_j\)，理论评估矩阵 \(Tp\) 为：
\[ Tp_{ij} = w_j \cdot p_{ij} = \frac{w_j}{n} \]
5. 构建实际评估矩阵（\(Tr\)）
实际评估矩阵由标准化数据乘以权重得到：
\[ Tr_{ij} = w_j \cdot z_{ij} \]
6. 计算差距矩阵（\(G\)）
差距矩阵定义为理论评估与实际评估之差：
\[ G_{ij} = Tp_{ij} - Tr_{ij} \]
\(G_{ij}\) 可正可负：正值表示实际表现低于理论理想，负值表示实际表现高于理论理想。
7. 计算总差距
方案 \(i\) 的总差距为各指标差距绝对值之和：
\[ G_i = \sum_{j=1}^{m} |G_{ij}| \]
总差距越小，说明该方案的实际表现越接近理论理想，方案越优。
8. 方案排序
按照 \(G_i\) 从小到大排序，得到最终排名。
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（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 |
设三个指标权重相等，均为 \(1/3\)。采用极差标准化。
计算过程
1. 数据正向化
- 产品质量（极大型）：保持不变：85, 90, 75, 80。
- 价格（极小型）：转换为极大型：\(\max=210\)，\(y = 210 - x\)：A:10, B:30, C:0, D:20。
- 交货准时率（极大型）：保持不变：0.95, 0.90, 0.85, 0.92。
正向化矩阵 \(Y\)：
\[ Y = \begin{bmatrix} 85 & 10 & 0.95 \\ 90 & 30 & 0.90 \\ 75 & 0 & 0.85 \\ 80 & 20 & 0.92 \end{bmatrix} \]
2. 数据标准化（极差法）
产品质量：min=75, max=90，范围 15。
- A: (85-75)/15 = 0.6667
- B: (90-75)/15 = 1.0000
- C: (75-75)/15 = 0.0000
- D: (80-75)/15 = 0.3333
价格：min=0, max=30，范围 30。
- A: (10-0)/30 = 0.3333
- B: (30-0)/30 = 1.0000
- C: (0-0)/30 = 0.0000
- D: (20-0)/30 = 0.6667
交货准时率：min=0.85, max=0.95，范围 0.1。
- A: (0.95-0.85)/0.1 = 1.0000
- B: (0.90-0.85)/0.1 = 0.5000
- C: (0.85-0.85)/0.1 = 0.0000
- D: (0.92-0.85)/0.1 = 0.7000
标准化矩阵 \(Z\)：
\[ Z = \begin{bmatrix} 0.6667 & 0.3333 & 1.0000 \\ 1.0000 & 1.0000 & 0.5000 \\ 0.0000 & 0.0000 & 0.0000 \\ 0.3333 & 0.6667 & 0.7000 \end{bmatrix} \]
3. 构建理论评估矩阵 \(Tp\)
方案数 \(n=4\)，理论偏好概率 \(p_{ij}=1/4=0.25\)。权重 \(w_j=1/3\)，故：
\[ Tp_{ij} = \frac{1/3}{4} = \frac{1}{12} \approx 0.08333 \]
所有单元格均为 0.08333。
4. 构建实际评估矩阵 \(Tr\)
\(Tr_{ij} = w_j \cdot z_{ij} = \frac{1}{3} z_{ij}\)：
\[ Tr = \begin{bmatrix} 0.2222 & 0.1111 & 0.3333 \\ 0.3333 & 0.3333 & 0.1667 \\ 0.0000 & 0.0000 & 0.0000 \\ 0.1111 & 0.2222 & 0.2333 \end{bmatrix} \]
5. 计算差距矩阵 \(G = Tp - Tr\)
\[ G = \begin{bmatrix} 0.08333-0.2222 & 0.08333-0.1111 & 0.08333-0.3333 \\ 0.08333-0.3333 & 0.08333-0.3333 & 0.08333-0.1667 \\ 0.08333-0.0000 & 0.08333-0.0000 & 0.08333-0.0000 \\ 0.08333-0.1111 & 0.08333-0.2222 & 0.08333-0.2333 \end{bmatrix} = \begin{bmatrix} -0.1389 & -0.0278 & -0.2500 \\ -0.2500 & -0.2500 & -0.0833 \\ 0.08333 & 0.08333 & 0.08333 \\ -0.0278 & -0.1389 & -0.1500 \end{bmatrix} \]
6. 计算总差距（绝对值之和）
- 方案 A：\(0.1389+0.0278+0.2500 = 0.4167\)
- 方案 B：\(0.2500+0.2500+0.0833 = 0.5833\)
- 方案 C：\(0.08333+0.08333+0.08333 = 0.2500\)
- 方案 D：\(0.0278+0.1389+0.1500 = 0.3167\)
7. 排序
总差距：C(0.2500) < D(0.3167) < A(0.4167) < B(0.5833)，因此供应商 C 最优，B 最差。
结论：供应商 C 的总差距最小，说明其实际表现最接近理论理想状态，最优。
常见问题
Q1: MAIRCA 与 TOPSIS 有何异同？
A: 两者都使用理想解概念。TOPSIS 计算方案到正负理想解的距离，MAIRCA 计算实际评估与理论评估的差距，且理论评估基于等概率假设，计算更简单。
Q2: 标准化方法如何选择？
A: - 极差标准化：最常用，将数据映射到 [0,1]。 - Z-score：适合数据分布未知但需要消除量纲的场景，需注意负值处理。 - 比重法：适合指标和有意义的情况（如比例数据）。 - 向量归一化：保持向量方向，适合指标间相互独立的场景。
Q3: 理论评估矩阵为什么使用等概率？
A: MAIRCA 的基本假设是决策者对每个方案没有先验偏好，因此每个方案被选中的概率相等。若用户有先验信息，可调整理论概率，但本平台暂未开放自定义。
Q4: 差距矩阵中的负值如何理解？
A: 负值表示实际评估值大于理论评估值，即方案在该指标上的表现优于理论理想。总差距使用绝对值，因此正负均被考虑。
Q5: 支持多工作表吗？
A: 支持。Excel 文件中每个工作表可存放一个决策矩阵，系统会分别分析并输出结果。
Q6: 指标类型如何设置？
A: 用户需为每个指标选择类型（极大型、极小型、中间型、区间型），并设置相应参数（适中值、区间上下限）。平台会自动正向化。
平台功能
MAIRCA 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（极大型、极小型、中间型、区间型），并设置相应参数。
- 权重设置：自定义每个指标的权重，或一键设为等权重。
- 标准化方法：极差标准化、Z-score 标准化、比重法标准化、向量归一化。
- 小数位数：控制结果精度（默认 6 位）。
- 显示中间结果：可选是否展示正向化矩阵、标准化矩阵、理论/实际评估矩阵等中间步骤。
结果展示
- MAIRCA 最终结果：各方案的总差距值及排序（总差距越小越优）。
- 计算过程：原始数据、正向化矩阵、标准化矩阵、理论评估矩阵、实际评估矩阵、差距矩阵。
- 可视化：总差距排名图、差距矩阵热力图。
- 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
准备阶段：明确评价对象和指标体系，确定每个指标的类型（极大型/极小型/中间型/区间型）。
数据收集：使用平台提供的模板文件填写数据，确保数据完整且无缺失值。每个工作表可代表不同的数据集。
参数设置：
- 正确设置指标类型，负向指标务必选择“极小型”。
- 根据决策偏好设置权重，或使用等权重作为基准。
- 选择合适的标准化方法，一般情况下推荐极差标准化。
结果解读：
- 总差距越小，方案越优。
- 观察差距矩阵热力图，可识别方案在哪些指标上表现优于或劣于理论理想。
- 利用 AI 分析获取专业解读。
迭代优化：
- 若结果与预期不符，可检查指标类型设置是否正确，或调整权重。
- 尝试不同的标准化方法，观察排序的稳定性。
- 剔除冗余或高度相关的指标，简化指标体系。
平台界面
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：
- Pamučar D, Vasin L, Lukovac V. Selection of railway level crossings using the MAIRCA method[J]. Journal of Applied Engineering Science, 2014, 12(4): 211-218.
- 基于 MAIRCA 方法的供应商选择研究[J]. 工业工程与管理，2018, 23(5): 89-94.
- MAIRCA 方法在多准则决策中的应用综述[J]. 系统工程，2020, 38(3): 101-108.