PIPRECIA法

方法概述

PIPRECIA（Pivot Pairwise Relative Criteria Importance Assessment）是由 Stanujkic 等学者于 2017 年提出的一种多准则决策方法。该方法通过选择枢轴准则（通常为最重要准则），并依次将其他准则与枢轴准则进行比较，从而确定各准则的权重。PIPRECIA 具有操作简单、比较次数少、无需复杂一致性检验等优点，特别适用于专家判断存在不确定性的场景。

PIPRECIA 的核心思想是：

  • 首先由专家对准则进行重要性排序，确定最重要准则（枢轴）。
  • 然后采用 0.1~0.9 的标度（或类似标度）依次比较其他准则相对于枢轴准则的重要程度。
  • 通过递推公式计算各准则的相对权重，最后归一化得到最终权重。

该方法广泛应用于可持续发展评价、供应商选择、项目评估等领域。

计算步骤

1. 确定准则排序与枢轴准则

设有 \(n\) 个准则 \(\{c_1, c_2, \ldots, c_n\}\)。专家首先按重要性从高到低对准则进行排序，得到序列 \(c_{(1)} \succ c_{(2)} \succ \cdots \succ c_{(n)}\)。其中最重要的准则 \(c_{(1)}\) 被选为枢轴准则（Pivot）。

2. 构建比较向量

对于其余每个准则 \(c_{(j)}\)（\(j=2,\ldots,n\)），专家采用 0.1~0.9 标度将其与枢轴准则 \(c_{(1)}\) 进行比较，给出相对重要性值 \(s_j\)。标度含义如下：

标度 含义
0.1 与枢轴相比极端不重要
0.2 强烈不重要
0.3 明显不重要
0.4 稍微不重要
0.5 同等重要
0.6 稍微重要
0.7 明显重要
0.8 强烈重要
0.9 极端重要

显然，枢轴准则自身的比较值 \(s_1 = 0.5\)。

3. 计算相对权重

根据比较值 \(s_j\)，计算每个准则相对于枢轴的初始权重 \(r_j\)。有两种常用方式：

方式一：直接转换法

\[ r_j = \frac{s_j}{0.5} \quad (\text{当 } s_j \ge 0.5 \text{ 时，表示比枢轴重要；当 } s_j < 0.5 \text{ 时，表示不如枢轴重要}) \]

更常用的公式是： \[ r_j = \begin{cases} \frac{s_j}{0.5} & \text{若 } s_j \ge 0.5 \\ \frac{0.5}{s_j} & \text{若 } s_j < 0.5 \end{cases} \] 但为了统一，有时直接使用 \(s_j\) 本身构造比例关系。

方式二：递推计算（类似于 AHP 的几何平均法）

从枢轴准则开始，依次计算每个准则相对于前一个准则的重要性，但 PIPRECIA 通常只与枢轴比较，因此可以采用如下递推：

设 \(p_1 = 1\)（枢轴准则的初始权重），则对于 \(j=2,\ldots,n\)： \[ p_j = p_1 \times \frac{s_j}{0.5} \quad (\text{若 } s_j \ge 0.5) \] 或 \[ p_j = p_1 \times \frac{0.5}{s_j} \quad (\text{若 } s_j < 0.5) \]

但更常见的处理是：先计算所有 \(p_j\)，然后归一化。

另一种常用方法（参考原文献）是：将比较值 \(s_j\) 转换为比率 \(t_j\)，使得 \(t_j = s_j / 0.5\)，然后归一化得到权重。

4. 归一化权重

将计算得到的初始权重 \(p_j\) 归一化，得到最终权重向量 \(w = (w_1, w_2, \ldots, w_n)\)：

\[ w_j = \frac{p_j}{\sum_{k=1}^n p_k} \]

5. 一致性检验（可选）

PIPRECIA 本身不强制进行一致性检验，但可以通过计算比较矩阵的偏离程度来评估判断的可靠性。一种方法是构造完全一致性条件下的理论比较值，计算与实际值的偏差。若偏差过大，建议专家重新调整。

案例分析

案例背景：某企业需对四个评价指标（技术先进性 \(C_1\)、经济性 \(C_2\)、实施风险 \(C_3\)、可维护性 \(C_4\)）确定权重。专家排序为 \(C_1\) 最重要，作为枢轴。给出如下比较值：

准则 与枢轴比较值 \(s_j\)
\(C_1\) 0.5
\(C_2\) 0.6
\(C_3\) 0.4
\(C_4\) 0.3

计算过程

  1. 计算比率 \(t_j = s_j / 0.5\)：
    • \(t_1 = 0.5/0.5 = 1\)
    • \(t_2 = 0.6/0.5 = 1.2\)
    • \(t_3 = 0.4/0.5 = 0.8\)
    • \(t_4 = 0.3/0.5 = 0.6\)
  2. 以 \(t_j\) 作为初始权重（或直接归一化）：
    • 总和 \(T = 1 + 1.2 + 0.8 + 0.6 = 3.6\)
    • 权重： \[ w_1 = 1/3.6 \approx 0.278,\quad w_2 = 1.2/3.6 \approx 0.333,\quad w_3 = 0.8/3.6 \approx 0.222,\quad w_4 = 0.6/3.6 \approx 0.167 \]

结论：经济性最重要，技术先进性次之，可维护性最不重要。

常见问题

Q1: PIPRECIA 与 AHP 有何区别？

A: AHP 需要对所有准则进行两两比较，比较次数为 \(n(n-1)/2\)，且需进行一致性检验；PIPRECIA 只需将每个准则与枢轴比较一次，比较次数为 \(n-1\)，操作更简单，无需复杂的一致性检验。

Q2: 比较标度为何采用 0.1~0.9？

A: 0.1~0.9 标度与模糊层次分析中的互补标度一致，便于专家表达“比枢轴重要”或“比枢轴不重要”的程度，且具有对称性（与 0.5 对称）。

Q3: 如何处理多个准则同等重要的情况？

A: 若某准则与枢轴同等重要，则 \(s_j = 0.5\)，比率 \(t_j = 1\)，权重相等。

Q4: 是否需要一致性检验？

A: 虽然 PIPRECIA 本身不要求一致性检验，但可以通过计算各判断之间的传递性来检查逻辑矛盾。平台可提供可选的一致性指标。

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，每个工作表可对应一位专家的判断，分别计算并输出各专家的权重，便于对比分析。

平台功能

PIPRECIA 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（每个工作表代表一位专家）。
  • 数据格式要求：第一列为准则名称，第二列为与枢轴比较的标度值。
  • 自动验证数据范围（0.1~0.9），确保枢轴准则的值为 0.5。

参数设置

  • 小数位数：控制结果输出精度（默认 5 位）。
  • 归一化：自动对初始权重进行归一化（默认勾选）。

结果展示

  • 详细分析报告：包含每个工作表的权重向量、比较值、计算过程。
  • 可视化图表：权重分布柱状图、比较值分布图。
  • 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。

专家管理

  • 多工作表自动识别，支持批量分析。
  • 实时显示每个矩阵的验证状态。
  • 支持对比不同专家的权重分布。

使用建议

  1. 准备阶段：明确评价准则，确定枢轴准则（最重要的准则）。确保所有专家理解 0.1~0.9 标度的含义。

  2. 数据收集：使用模板文件填写，每个工作表代表一位专家的判断。第一列准则名称，第二列比较值。

  3. 参数设置：根据需要设置小数位数。

  4. 结果解读：

    • 首先检查比较值是否合理（应在 0.1~0.9 之间，枢轴为 0.5）。
    • 分析权重排序，识别关键准则。
    • 对比不同专家的权重，分析意见一致性。
    • 结合 AI 分析建议，综合决策。

  5. 迭代优化：若发现某专家判断异常，可单独调整后重新分析。

平台界面

官方地址：https://superr.online

PIPRECIA 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. Stanujkic, D., Zavadskas, E. K., Karabasevic, D., Smarandache, F., & Turskis, Z. (2017). The use of the pivot pairwise relative criteria importance assessment method for determining the weights of criteria. Romanian Journal of Economic Forecasting, 20(4), 116-133.
  2. 枢轴成对相对准则重要性评估法（PIPRECIA）及其应用研究[J]. 控制与决策，2018.