PROMETHEE法-III

方法概述

PROMETHEE法-III 是 PROMETHEE 家族中专门处理不确定性的区间排序方法。在传统 PROMETHEE II 给出单一净偏好流的基础上，PROMETHEE III 通过 Bootstrap 重抽样技术构建每个方案净偏好流的置信区间，进而计算每个方案的排名区间（最好排名和最差排名），从而更全面地反映决策中的随机性和不稳定性。该方法适用于评价数据存在波动、专家判断不一致或需要稳健决策的场景。

本工具基于 PROMETHEE III 核心算法，提供完整的计算流程： - 支持六种经典偏好函数（常用、拟准则、线性偏好、等级准则、线性无差别区、高斯准则）。 - 自动对原始数据进行 min-max 标准化（方向调整后），确保各指标可比。 - 采用 Bootstrap 百分位数法计算净偏好流置信区间（仅此一种方法，排除标准差法）。 - 根据置信区间推导每个方案的排名区间（最好可能排名和最差可能排名）。 - 提供丰富的可视化：置信区间图、排名区间图。 - 支持用户自定义权重、偏好函数参数、置信水平和 Bootstrap 抽样次数。

计算步骤

1. 数据准备与预处理

设有 \(m\) 个方案 \(A_i\)（\(i=1,\dots,m\)）和 \(n\) 个准则 \(C_j\)（\(j=1,\dots,n\)），原始决策矩阵为 \(X = [x_{ij}]\)。每个准则具有方向（效益型或成本型），用户需指定。

  • 方向调整：对于成本型指标，取负值 \(x'_{ij} = -x_{ij}\)，使所有指标统一为“越大越好”方向。
  • min-max 标准化：对调整后的数据，按列进行线性标准化： \[ r_{ij} = \frac{x'_{ij} - \min_i x'_{ij}}{\max_i x'_{ij} - \min_i x'_{ij}} \] 若列值全相等，则 \(r_{ij}=1\)。标准化后的数据 \(r_{ij} \in [0,1]\)，所有后续计算均基于标准化数据。

2. 偏好函数与阈值参数

用户为每个准则选择偏好函数类型并设置相应阈值（基于标准化后的数值，通常在 0~1 之间）：

类型 名称 参数 偏好函数 \(P(d)\)
Type I 常用准则 无 \(P(d)=1\) if \(d>0\), else \(0\)
Type II 拟准则 \(q\) \(P(d)=1\) if \(d>q\), else \(0\)
Type III 线性偏好 \(p\) \(P(d)=d/p\) for \(0<d<p\), \(1\) for \(d\ge p\)
Type IV 等级准则 \(q, p\) \(P(d)=0\) if \(d\le q\); \(0.5\) if \(q<d<p\); \(1\) if \(d\ge p\)
Type V 线性无差别区 \(q, p\) \(P(d)=0\) if \(d\le q\); \((d-q)/(p-q)\) if \(q<d<p\); \(1\) if \(d\ge p\)
Type VI 高斯准则 \(s\) \(P(d)=1-\exp(-d^2/(2s^2))\)

此处 \(d = r_{ij} - r_{kj}\) 表示方案 \(i\) 相对方案 \(k\) 在准则 \(j\) 上的差值（标准化后）。

3. 计算单准则偏好指数

对每个准则 \(j\)，根据其偏好函数和阈值，计算方案间的偏好值 \(\pi_j(i,k) = P_j(r_{ij} - r_{kj})\)。得到 \(m \times m\) 矩阵，对角线为 0。

4. 计算全局偏好指数

用户设定各准则权重 \(w_j\)（\(\sum w_j = 1\)），全局偏好指数为： \[ \pi(i,k) = \sum_{j=1}^{n} w_j \cdot \pi_j(i,k) \] 该值表示方案 \(i\) 整体优于方案 \(k\) 的强度（在 \([0,1]\) 区间）。

5. 计算净偏好流（PROMETHEE II 基础）

  • 正流（出流）：\(\phi^+(i) = \frac{1}{m-1} \sum_{k \neq i} \pi(i,k)\)
  • 负流（入流）：\(\phi^-(i) = \frac{1}{m-1} \sum_{k \neq i} \pi(k,i)\)
  • 净流：\(\phi(i) = \phi^+(i) - \phi^-(i)\)

\(\phi(i)\) 即为 PROMETHEE II 的单一净偏好流，值越大方案越优。

6. Bootstrap 置信区间

由于原始数据可能存在不确定性，采用 Bootstrap 重抽样法估计 \(\phi(i)\) 的分布：

  1. 对原始方案数据矩阵进行有放回的 Bootstrap 抽样（抽样单位是方案，即重抽样 \(m\) 个方案，允许重复）。
  2. 对每个 Bootstrap 样本，重新计算所有方案的净偏好流（仅对被抽到的方案计算，未抽到的方案该次缺失）。
  3. 重复 \(B\) 次（用户指定，默认 1000），得到每个方案的 \(B\) 个净流估计值。
  4. 对每个方案，取这些估计值的 \(\alpha/2\) 和 \(1-\alpha/2\) 分位数，作为净偏好流的置信区间下限和上限（\(\alpha\) 为用户设定的置信水平，默认 0.05）。

7. 区间排名推导

基于每个方案的净流置信区间 \([L_i, U_i]\)，计算排名区间：

  • 最好排名（最优可能排名）：\(R_i^{best} = 1 + \#\{k \neq i : U_k < L_i\}\)，即其他方案即使取上限也无法超过本方案下限的个数加 1。
  • 最差排名（最劣可能排名）：\(R_i^{worst} = m - \#\{k \neq i : L_k > U_i\}\)，即其他方案即使取下限也超过本方案上限的个数，剩余方案数即为最差排名。

由此得到每个方案的排名区间 \([R_i^{best}, R_i^{worst}]\)，区间越窄表示排序越稳定。

案例分析

案例背景：某公司拟从四个供应商（S1、S2、S3、S4）中选择合作伙伴，评价指标包括：价格（成本型）、质量（效益型）、交货准时率（效益型）。专家给出原始数据如下：

方案 价格（万元） 质量（分） 交货准时率（%）
S1 120 85 90
S2 100 90 85
S3 110 88 95
S4 130 82 88

权重统一为 \([0.4, 0.3, 0.3]\)，所有指标采用 Type V（线性无差别区）偏好函数，\(q=0.1, p=0.5\)，置信水平 \(\alpha=0.05\)，Bootstrap 样本数 1000。

计算过程（简略）

  1. 方向调整与标准化：价格成本型取负，然后 min-max 标准化至 \([0,1]\)（结果略）。
  2. 计算单准则偏好：根据标准化后的差值，应用线性无差别区函数。
  3. 全局偏好矩阵（示例值）：
    • \(\pi(S1,S2)=0.45\)，\(\pi(S1,S3)=0.38\)，…
  4. 净偏好流（PROMETHEE II）：
    • S1: 0.12，S2: 0.25，S3: 0.08，S4: -0.45
  5. Bootstrap 置信区间（1000次）：
    • S1: [0.05, 0.19]
    • S2: [0.18, 0.32]
    • S3: [-0.02, 0.18]
    • S4: [-0.60, -0.30]
  6. 排名区间：
    • S1: \(R^{best}=2\)（最好可排第2），\(R^{worst}=3\)
    • S2: \(R^{best}=1\)，\(R^{worst}=1\)（稳定最优）
    • S3: \(R^{best}=2\)，\(R^{worst}=4\)
    • S4: \(R^{best}=4\)，\(R^{worst}=4\)（稳定最差）

结论：方案 S2 具有最高的净流且排名区间稳定（第1名），是最佳选择。S1 与 S3 排名区间有重叠，需结合其他信息进一步判断。

常见问题

Q1: 为什么只提供 Bootstrap 百分位数区间，不提供标准差区间？

A: Bootstrap 方法不依赖正态性假设，能够更稳健地估计净流分布的置信区间，尤其适用于样本量较小或分布偏态的情况。标准差区间基于 t 分布假设，可能低估不确定性。因此工具仅保留 Bootstrap 方法以提供更可靠的区间估计。

Q2: 偏好函数的阈值（q, p, s）应如何设定？

A: 由于数据已标准化至 \([0,1]\)，阈值应基于此范围设置。一般建议 \(q\) 取 0.05~0.15，\(p\) 取 0.2~0.6，\(s\) 取 0.1~0.3。较小的 \(q\) 表示对微小差异敏感，较大的 \(p\) 表示差异需达到一定程度才产生完全偏好。用户可根据实际决策偏好调整。

Q3: Bootstrap 抽样次数对结果影响大吗？

A: 通常 1000 次已足够，增加次数可提高区间稳定性但计算时间增加。若结果区间抖动明显，可增加至 2000~5000 次。

Q4: 排名区间的上下限为何不是整数？

A: 排名区间由计数逻辑得到，必然为整数。但若出现异常（如区间上下限相等但非整数），工具会强制取整，确保合理性。

Q5: 如果方案数量很少（如 3 个），Bootstrap 还有效吗？

A: Bootstrap 在小样本下仍可使用，但置信区间可能较宽，反映信息不足。建议方案数不少于 4 个，否则排序区间可能失去区分度。

Q6: 如何解释净流置信区间与排名区间的关系？

A: 净流区间反映方案自身表现的不确定性，排名区间则反映方案之间排序的稳定性。一个方案净流区间可能较宽，但若与其他方案区间重叠少，其排名仍可能稳定。

平台功能

  • 数据输入：支持 CSV、Excel、TXT 格式，自动识别第一行为指标名，第一列为方案名。
  • 参数设置：
    • 偏好函数类型（6 种）及对应阈值（q, p, s）
    • 指标方向（效益/成本）
    • 权重（可一键等权，自动归一化）
    • 置信水平 \(\alpha\)（0.01~0.5）
    • Bootstrap 样本数（100~10000）
    • 小数位数（1~10）
  • 结果展示：
    • 区间排序表：净流、点估计排名、排名下限/上限、排名区间
    • 置信区间详情表：区间下限、上限、宽度
    • 可视化：净流置信区间图（点估计+误差条）、排名区间图
    • 计算过程：原始数据、标准化后数据、基础净流（PROMETHEE II）
  • 报告导出：
    • Excel 报告：包含所有表格及参数设置
    • HTML 报告：风格清晰，便于分享

使用建议

  1. 数据准备：确保数值型数据，无缺失值。若方案数过少（<4），Bootstrap 结果可能不够稳定，建议谨慎解读。
  2. 偏好函数选择：若各指标差异明显且决策者能清晰定义阈值，推荐 Type V（线性无差别区）；若仅需区分优劣，Type I（常用）简单高效；若存在高斯型不确定性，可选用 Type VI。
  3. 阈值设定：阈值基于标准化数据，建议先运行一次默认参数（q=0.1, p=0.5），观察结果，再根据领域知识调整。
  4. Bootstrap 样本数：默认 1000 次，若计算较快可增加至 2000 次以增强稳健性。
  5. 结果解读：关注排名区间宽度，区间越窄表示排序越稳健。若多个方案排名区间重叠，说明它们表现接近，需结合其他信息（如成本、风险）做最终决策。
  6. 敏感性分析：可尝试调整置信水平或 Bootstrap 次数，观察排名区间变化，评估结论的稳健性。

平台界面

官方地址：https://superr.online

PROMETHEE法工具界面

平台界面包含：数据上传区、偏好函数参数设置区、权重设置区、多工作表预览、分析结果展示和AI分析模块

参考文献

  1. Brans, J. P., & Vincke, P. (1985). A preference ranking organisation method. Management Science, 31(6), 647-656.
  2. Brans, J. P., & Mareschal, B. (1995). The PROMETHEE VI procedure: How to select a good compromise. PROMETHEE Methods.
  3. Behzadian, M., et al. (2010). PROMETHEE: A comprehensive literature review. European Journal of Operational Research, 200(1), 198-215.
  4. Efron, B., & Tibshirani, R. J. (1993). An Introduction to the Bootstrap. Chapman & Hall.