ORESTE法

方法概述

ORESTE（Organisation, Rangement Et Synthèse de Données Rela-Tionnelles）是一种基于偏好关系的多属性决策方法，由 Roubens 于 1982 年提出。该方法通过构建方案间的偏好关系矩阵，计算每个方案的净偏好流，从而对方案进行完整排序。ORESTE 法特别适合处理同时包含效益型和成本型指标的多准则决策问题，且对指标权重具有明确的处理方式。

ORESTE法的核心思想是：

  • 对原始数据进行标准化处理，消除量纲影响，并将所有指标转化为正向方向。
  • 对于每一对方案，计算一个方案优于另一个方案的综合偏好强度（加权和）。
  • 构建偏好关系矩阵，其中元素表示行方案对列方案的偏好程度。
  • 计算每个方案的净偏好流（流出偏好之和减去流入偏好之和）。
  • 根据净偏好流对方案进行排序，净偏好流越大表示方案越优。

该方法直观易懂，计算过程透明，能够充分利用指标权重和指标值信息，得到具有良好区分度的排序结果。

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. 数据标准化

为消除量纲影响，需对原始数据进行标准化。平台支持三种标准化方法，用户可根据需要选择。以下给出各方法的计算公式（需根据指标类型分别处理）：

（1）线性标准化（Linear）

  • 效益型指标（越大越好）： \[ z_{ij} = \frac{x_{ij}}{\max(x_j)} \]
  • 成本型指标（越小越好）： \[ z_{ij} = \frac{\min(x_j)}{x_{ij}} \] 若 \(x_{ij}=0\)，则 \(z_{ij}=0\)。

（2）向量标准化（Vector）

\[ z_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^{n} x_{ij}^2}} \]

（3）Min-Max标准化

  • 效益型指标： \[ z_{ij} = \frac{x_{ij} - \min(x_j)}{\max(x_j) - \min(x_j)} \]
  • 成本型指标： \[ z_{ij} = \frac{\max(x_j) - x_{ij}}{\max(x_j) - \min(x_j)} \] 若 \(\max(x_j) = \min(x_j)\)，则 \(z_{ij}=0.5\)。

注意：标准化后，所有指标的值均在 \([0,1]\) 区间内，且均为正向（越大越好）。

3. 计算偏好关系矩阵

设指标权重为 \(w_j\)（\(j=1,\dots,m\)），且 \(\sum_{j=1}^{m} w_j = 1\)。对于任意两方案 \(a\) 和 \(b\)，定义方案 \(a\) 相对于方案 \(b\) 的偏好强度为：

\[ P(a,b) = \sum_{j=1}^{m} w_j \cdot \max\left(0, \, z_{aj} - z_{bj}\right) \]

即仅在方案 \(a\) 的指标值优于方案 \(b\) 的指标值时贡献偏好，且偏好强度等于差值乘以权重。由此得到 \(n \times n\) 的偏好关系矩阵 \(P\)，其中 \(P_{ab}\) 表示方案 \(a\) 优于方案 \(b\) 的程度，对角线元素为 0。

4. 计算净偏好流

每个方案 \(a\) 的净偏好流定义为流出偏好（该方案优于其他方案的程度）与流入偏好（其他方案优于该方案的程度）之差：

\[ \phi(a) = \sum_{b \neq a} P(a,b) - \sum_{b \neq a} P(b,a) \]

净偏好流 \(\phi(a)\) 可正可负，正值表示该方案总体优于其他方案，负值表示总体劣于其他方案。

5. 方案排序

按照净偏好流 \(\phi(a)\) 从大到小排序，\(\phi(a)\) 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（效益型）、价格（成本型）、交货准时率（效益型）。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 Min-Max标准化。

计算过程

1. 数据标准化（Min-Max）

  • 产品质量（效益型）：\(\max=90\)，\(\min=75\)，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（成本型）：\(\max=210\)，\(\min=180\)，范围 30。
    • A: \((210-200)/30 = 0.3333\)
    • 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）：\(\max=0.95\)，\(\min=0.85\)，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 \(Z\)：

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

2. 计算偏好关系矩阵

以方案 A 与 B 为例： - 指标1：\(z_{A1}=0.6667\)，\(z_{B1}=1.0000\)，\(\max(0, 0.6667-1)=0\) - 指标2：\(z_{A2}=0.3333\)，\(z_{B2}=1.0000\)，\(\max(0, 0.3333-1)=0\) - 指标3：\(z_{A3}=1.0000\)，\(z_{B3}=0.5000\)，\(\max(0, 1-0.5)=0.5\)

则 \(P(A,B) = (1/3)\times 0 + (1/3)\times 0 + (1/3)\times 0.5 = 0.1667\)

类似计算所有方案对，得到偏好关系矩阵 \(P\)（行列对应 A,B,C,D）：

\[ P = \begin{bmatrix} 0 & 0.1667 & 0.3333 & 0.1333 \\ 0.3333 & 0 & 0.3333 & 0.2333 \\ 0 & 0 & 0 & 0 \\ 0.2000 & 0.1000 & 0.3333 & 0 \end{bmatrix} \]

（注：部分数值为近似值）

3. 计算净偏好流

  • 方案A：流出 \(=0.1667+0.3333+0.1333 = 0.6333\)，流入 \(=0.3333+0+0.2000 = 0.5333\)，净流 \(=0.1000\)
  • 方案B：流出 \(=0.3333+0.3333+0.2333 = 0.8999\)，流入 \(=0.1667+0+0.1000 = 0.2667\)，净流 \(=0.6332\)
  • 方案C：流出 \(=0+0+0 = 0\)，流入 \(=0.3333+0.3333+0.3333 = 0.9999\)，净流 \(=-0.9999\)
  • 方案D：流出 \(=0.2000+0.1000+0.3333 = 0.6333\)，流入 \(=0.1333+0.2333+0 = 0.3666\)，净流 \(=0.2667\)

4. 排序

净偏好流：B(0.6332) > D(0.2667) > A(0.1000) > C(-0.9999)，因此供应商B最优，C最差。

结论：供应商B在产品质量和价格上具有明显优势，净偏好流最高；供应商C在所有指标上均处于劣势，排序最差。

常见问题

Q1: ORESTE法与PROMETHEE法有何异同？

A: 两者均基于方案间的成对比较，计算流出和流入流。ORESTE的偏好函数采用简单的“差值”形式（仅当优于时才贡献），而PROMETHEE使用更复杂的偏好函数（如线性、高斯等）。ORESTE计算更为简洁，适合快速评估。

Q2: 偏好阈值参数有何作用？

A: 偏好阈值参数预留用于判断两个方案是否可视为无差异。当偏好强度小于阈值时，可认为无偏好。当前版本暂未启用该参数，用户可忽略。

Q3: 标准化方法如何选择？

A: 不同标准化方法适用于不同场景： - 线性标准化：适用于指标值以最大值为基准的情况（如达标率）。 - 向量标准化：适用于指标值具有物理意义，且希望保持相对距离。 - Min-Max标准化：最常用，将数据映射到 [0,1] 区间，保留原始分布形状。 建议根据数据特点和问题背景选择，或对比不同方法的结果稳定性。

Q4: 成本型指标如何处理？

A: 平台在标准化阶段根据指标类型自动处理，将成本型指标转换为正向意义。用户只需在参数设置中正确选择指标类型即可。

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

ORESTE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（效益型、成本型）。
  • 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：选择“线性标准化”、“向量标准化”或“Min-Max标准化”。
  • 偏好阈值：预留参数，当前未使用，可忽略。
  • 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、偏好关系矩阵等中间步骤。

结果展示

  • 详细分析报告：包含各方案的净偏好流及排序。
  • 计算过程：展示原始数据、标准化矩阵、偏好关系矩阵。
  • 可视化图表：净偏好流排名图、偏好关系热力图。
  • 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

  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（效益型/成本型）。

  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）。确保数据完整且无缺失值。

  3. 参数设置：

    • 正确设置指标类型，成本型指标务必标记为“成本型”。
    • 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 Min-Max 标准化。

  4. 结果解读：

    • 净偏好流反映了方案的综合优势，值越大越优。
    • 结合偏好关系矩阵，可分析方案间的优劣关系（行大于列表示行方案优于列方案）。
    • 若多个方案净偏好流接近，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

官方地址：https://superr.online

ORESTE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. Roubens M. Preference relations on actions and criteria in multicriteria decision making[J]. European Journal of Operational Research, 1982, 10(1): 51-55.
  2. 多属性决策方法及其应用[M]. 科学出版社，2010.
  3. ORESTE法在供应商选择中的应用[J]. 工业工程与管理，2013.