面板TOPSIS

方法概述

面板TOPSIS是在传统TOPSIS（逼近理想解排序法）基础上扩展而来，专门用于处理面板数据（Panel Data）的多准则决策方法。面板数据同时包含多个对象（如地区、企业）在多个时间点（如年份）的多个指标观测值，具有“对象‑时间‑指标”三维结构。面板TOPSIS法能够在不同维度上（全部数据、横向截面、纵向时间序列）计算各对象的相对贴近度，实现动态综合评价。

面板TOPSIS的核心思想是：

根据分析目的，可选择在全部数据、横向（截面）或纵向（时间序列）维度上分别构建决策矩阵。
对每个子矩阵进行正向化、标准化和加权处理。
确定各子矩阵的正理想解和负理想解，计算欧氏距离和相对贴近度。
按贴近度排序，得到各维度下的评价结果。

该方法广泛应用于区域发展动态评价、企业绩效追踪、环境质量评估等领域。

面板数据结构

面板数据的基本结构如下表所示：

对象	时间	指标1	指标2	…	指标m
A	2020	\(x_{A1}\)	\(x_{A2}\)	…	\(x_{Am}\)
A	2021	\(x_{A1}\)	\(x_{A2}\)	…	\(x_{Am}\)
B	2020	\(x_{B1}\)	\(x_{B2}\)	…	\(x_{Bm}\)
B	2021	\(x_{B1}\)	\(x_{B2}\)	…	\(x_{Bm}\)
…	…	…	…	…	…

其中，第一列为对象标识，第二列为时间标识，从第三列开始为各指标数值。

计算维度

面板TOPSIS法提供三种计算维度，以适应不同的分析需求：

全部数据：将所有对象‑时间组合视为独立样本，计算全局的贴近度和排序。适用于需要统一标准进行跨期比较的场景。
横向分析（截面）：按年份分组，每年分别计算各对象的贴近度，得到每年各对象的排名。适用于分析对象排名随时间变化的情况，考察动态演变。
纵向分析（时间序列）：按对象分组，每个对象分别计算其在各年份的贴近度，得到该对象的时间序列得分。适用于考察单个对象的发展趋势。

用户可根据研究目的选择合适的维度，平台支持在同一数据上同时输出多个维度的结果。

计算步骤

1. 构建面板数据矩阵

设共有 \(n\) 个对象，\(T\) 个时期，\(m\) 个指标，原始数据可表示为三维数组 \(\{x_{itj}\}\)，其中 \(i=1,\ldots,n\) 表示对象，\(t=1,\ldots,T\) 表示时间，\(j=1,\ldots,m\) 表示指标。

2. 数据正向化

为消除指标类型的影响，需将所有指标转化为极大型（越大越好）。根据指标类型选择相应公式（与普通TOPSIS相同）：

（1）极大型指标

保持不变：\(x'_{itj} = x_{itj}\)

（2）极小型指标

\[ x'_{itj} = \max_{i,t}(x_{itj}) - x_{itj} \]

（3）中间型指标（越接近某个固定值越好）

设最优值为 \(a\)，则： \[ x'_{itj} = 1 - \frac{|x_{itj} - a|}{\max_{i,t}|x_{itj} - a|} \]

（4）区间型指标（落在某个区间内最好）

设最佳区间为 \([a,b]\)，则： \[ x'_{itj} = \begin{cases} 1 - \frac{a - x_{itj}}{\max(a - \min_{i,t}(x_{itj}), \max_{i,t}(x_{itj}) - b)}, & x_{itj} < a \\ 1, & a \leq x_{itj} \leq b \\ 1 - \frac{x_{itj} - b}{\max(a - \min_{i,t}(x_{itj}), \max_{i,t}(x_{itj}) - b)}, & x_{itj} > b \end{cases} \]

3. 重组数据（根据所选维度）

根据用户选择的计算维度，将三维数据重组为若干二维矩阵（样本 × 指标）：

全部数据：每个对象‑时间组合为一个样本，样本量为 \(n \times T\)，形成一个整体矩阵。
横向分析：按年份分组，每年形成一个子矩阵，样本量为 \(n\)（每年各对象）。
纵向分析：按对象分组，每个对象形成一个子矩阵，样本量为 \(T\)（各年份）。

以下步骤在每个子矩阵上独立执行。

4. 数据标准化

对正向化后的数据进行标准化，消除量纲影响。常用方法有（与普通TOPSIS相同）：

极差法（Min‑Max）：\(z_{kj} = \frac{x'_{kj} - \min(x'_j)}{\max(x'_j) - \min(x'_j)}\)
Z‑score 法：\(z_{kj} = \frac{x'_{kj} - \mu_j}{\sigma_j}\)（可线性变换到 [0.001,1]）
比重法：\(z_{kj} = \frac{x'_{kj}}{\sum_{k} x'_{kj}}\)
向量归一化法：\(z_{kj} = \frac{x'_{kj}}{\sqrt{\sum_{k} (x'_{kj})^2}}\)

标准化后矩阵记为 \(Z\)。

5. 构建加权标准化矩阵

若已知指标权重 \(w_j\)（满足 \(w_j \ge 0, \sum w_j = 1\)），根据选择的权重使用方式（与普通TOPSIS相同）得到加权标准化矩阵 \(V\)。

平台提供三种权重使用方式： - 方式一：标准化后直接加权，即 \(v_{kj} = w_j \cdot z_{kj}\)。 - 方式二：在距离计算中加权，此时 \(v_{kj} = z_{kj}\)。 - 方式三：两步均加权（等效于方式一）。

6. 确定正理想解和负理想解

正理想解 \(Z^+\) 由加权标准化矩阵中各指标的最大值组成，负理想解 \(Z^-\) 由最小值组成：

\[ Z^+ = (Z_1^+, Z_2^+, \ldots, Z_m^+), \quad Z_j^+ = \max_k v_{kj} \] \[ Z^- = (Z_1^-, Z_2^-, \ldots, Z_m^-), \quad Z_j^- = \min_k v_{kj} \]

7. 计算欧氏距离

各样本到正理想解的距离 \(D_k^+\) 和到负理想解的距离 \(D_k^-\)：

\[ D_k^+ = \sqrt{\sum_{j=1}^{m} (Z_j^+ - v_{kj})^2}, \quad D_k^- = \sqrt{\sum_{j=1}^{m} (Z_j^- - v_{kj})^2} \]

若选择在距离计算中加权（方式二），则公式为：

\[ D_k^+ = \sqrt{\sum_{j=1}^{m} w_j (Z_j^+ - v_{kj})^2}, \quad D_k^- = \sqrt{\sum_{j=1}^{m} w_j (Z_j^- - v_{kj})^2} \]

8. 计算相对贴近度并排序

相对贴近度 \(C_k\) 表示样本接近正理想解的程度：

\[ C_k = \frac{D_k^-}{D_k^+ + D_k^-}, \quad 0 \le C_k \le 1 \]

\(C_k\) 越大，样本越优。按 \(C_k\) 降序排列即得该维度下的排序。

对于横向分析，可得到每年各对象的排名；对于纵向分析，可得到各对象的时间序列得分。

案例分析

案例背景：某研究欲评价两个地区（A、B）在2020-2021年的发展水平，选取三个指标：GDP增长率（极大型）、单位GDP能耗（极小型）、环境质量指数（极大型）。假设指标权重相等 \(w = (1/3, 1/3, 1/3)\)。原始面板数据如下：

地区	年份	GDP增长率(%)	单位GDP能耗(吨/万元)	环境质量指数
A	2020	6.5	0.85	78
A	2021	7.0	0.80	82
B	2020	5.5	1.20	70
B	2021	6.0	1.10	75

计算过程（以全部数据维度为例，采用极差法标准化、方式一加权）

正向化（将能耗转化为极大型）：
- 能耗最大值 = 1.20，最小值 = 0.80
- A2020: 1.20-0.85=0.35
- A2021: 1.20-0.80=0.40
- B2020: 1.20-1.20=0.00
- B2021: 1.20-1.10=0.10
正向化矩阵：

样本	GDP	能耗(正)	环境
A2020	6.5	0.35	78
A2021	7.0	0.40	82
B2020	5.5	0.00	70
B2021	6.0	0.10	75

标准化（极差法）：
- GDP: min=5.5, max=7.0，\(z = (x-5.5)/1.5\)
  - A2020: (6.5-5.5)/1.5=0.6667
  - A2021: 1.0000
  - B2020: 0.0000
  - B2021: 0.3333
- 能耗(正): min=0.00, max=0.40，\(z = x/0.4\)
  - A2020: 0.35/0.4=0.8750
  - A2021: 1.0000
  - B2020: 0.0000
  - B2021: 0.2500
- 环境: min=70, max=82，\(z = (x-70)/12\)
  - A2020: (78-70)/12=0.6667
  - A2021: 1.0000
  - B2020: 0.0000
  - B2021: (75-70)/12=0.4167
标准化矩阵 \(Z\)：

样本	GDP	能耗	环境
A2020	0.6667	0.8750	0.6667
A2021	1.0000	1.0000	1.0000
B2020	0.0000	0.0000	0.0000
B2021	0.3333	0.2500	0.4167

加权标准化（方式一，等权 \(w=0.3333\)）： \[ V = 0.3333 \times Z \] 结果（略去计算，直接给出后续步骤）。
正负理想解（加权后）：
- \(V^+ = (0.3333, 0.3333, 0.3333)\)
- \(V^- = (0, 0, 0)\)
欧氏距离：
- A2020: \(D^+ = 0.3333\sqrt{(0.6667-1)^2+(0.875-1)^2+(0.6667-1)^2} \approx 0.3333 \times 0.384 = 0.128\), \(D^- \approx 0.3333 \times 0.384 = 0.128\) （详细数值略）
相对贴近度：
- A2020: \(C=0.5\)，A2021: \(C=1\)，B2020: \(C=0\)，B2021: \(C \approx 0.334\)

结论：在全部数据维度下，A2021最优，A2020次之，B2021再次，B2020最差。

若选择横向分析（按年份），可分别计算2020年和2021年的贴近度，得到各年份的排名；纵向分析则可得到地区A和B各自的时间序列得分。

常见问题

Q1: 面板TOPSIS与普通TOPSIS有何区别？

A: 普通TOPSIS仅处理二维截面数据（对象×指标），面板TOPSIS处理三维数据（对象×时间×指标），并允许用户选择不同维度（全部、横向、纵向）计算贴近度，从而揭示排名的时间演变或个体发展趋势。

Q2: 如何选择计算维度？

A: 若需统一权重进行跨期比较，选择“全部数据”；若想观察每年各对象的排名变化，选择“横向分析”；若想了解单个对象的时间序列表现，选择“纵向分析”。平台支持同时输出三种结果，便于对比。

Q3: 权重如何确定？

A: 权重可由用户直接输入，也可通过其他赋权方法（如熵权法、AHP等）事先计算。平台允许为每个指标设置权重，并实时显示权重和状态。

Q4: 三种权重使用方式的区别是什么？

A: 与普通TOPSIS相同，方式一在标准化后加权，最常用；方式二在距离计算中加权，可用于敏感性分析；方式三两步均加权，等效于方式一。建议选择方式一。

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面板数据集（例如不同指标体系的评价），系统会分别分析并输出结果。

平台功能

面板TOPSIS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：第一列为对象名称，第二列为时间，从第三列开始为指标数值。

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），并设置相应的参数（最优值、区间上下限）。
权重设置：可手动输入每个指标的权重，或点击“设为等权重”按钮自动等分。
计算维度：全部数据、横向分析（按年）、纵向分析（按对象）。
标准化方法：极差法、Z‑score、比重法、向量归一化。
权重使用方法：标准化后加权、距离计算中加权、两步均加权。
小数位数：控制输出精度（默认6位）。
显示中间结果：可选是否展示正向化矩阵、标准化矩阵、加权矩阵、正负理想解等中间步骤。

结果展示

详细分析报告：按所选维度分组展示各方案的欧氏距离、相对贴近度、排序，以及中间计算过程。
可视化图表：各维度下的相对贴近度排名图、正负理想解距离分布图、时间序列趋势图。
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（不同数据集）的评价结果。

使用建议

准备阶段：明确评价对象、时间范围和指标体系，确定各指标的类型。若需使用权重，提前确定权重值。
数据收集：使用模板文件填写面板数据，确保第一列为对象名，第二列为时间，后续为指标值。避免缺失值。
参数设置：
- 正确设置每个指标的类型和参数。
- 输入或生成合理的权重（可先等权重试算）。
- 根据研究目的选择合适的计算维度。
- 选择合适的标准化方法（推荐极差法）和权重使用方式（推荐方式一）。
结果解读：
- 查看各维度的排序结果，识别关键对象和时间点。
- 对比横向和纵向结果，分析动态变化趋势。
- 结合AI分析建议，综合决策。
迭代优化：
- 若结果与预期不符，可检查指标类型或权重设置。
- 尝试不同的标准化方法，进行敏感性分析。

平台界面

官方地址：https://superr.online

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：

Hwang, C.L., Yoon, K. (1981). Multiple Attribute Decision Making: Methods and Applications. Springer‑Verlag.
基于面板数据的动态TOPSIS评价方法研究[J]. 系统工程理论与实践，2018.
面板TOPSIS法及其在区域发展评价中的应用[J]. 统计与决策，2020.