未确知测度法

方法概述

未确知测度（Uncertainty Measurement Evaluation Method）评价法是一种基于未确知数学理论的综合评价方法，由王光远院士于1990年提出。该方法通过构造单指标测度函数，将各指标的观测值转化为关于评价等级的未确知测度，再结合指标权重计算综合测度，最后利用置信度识别准则确定评价对象的等级，并进行排序。

未确知测度法的核心思想是：

  • 将评价对象的各指标实测值视为未确知量，其真值落在某个评价等级内具有一定的不确定性。
  • 通过构造测度函数，计算每个指标值隶属于各个评价等级的未确知测度（即隶属度）。
  • 利用指标权重（由用户提供）加权综合，得到每个对象对各等级的综合测度。
  • 设定置信度阈值 λ，按等级从优到劣依次累加综合测度，当累积值首次达到 λ 时，对应的等级即为该对象的评价等级。
  • 最后根据综合得分（等级值的加权平均）对同等级对象进行排序。

该方法能够充分利用指标值所蕴含的信息，合理处理评价中的不确定性，尤其适用于等级划分明确、指标类型多样的综合评价问题。

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：

\[ X = \begin{bmatrix} x_{11} & x_{12} & \cdots & x_{1m} \\ x_{21} & x_{22} & \cdots & x_{2m} \\ \vdots & \vdots & \ddots & \vdots \\ x_{n1} & x_{n2} & \cdots & x_{nm} \end{bmatrix} \]

同时，每个指标 \(j\) 对应一个权重 \(w_j\)，且 \(\sum_{j=1}^{m} w_j = 1\)。权重由用户直接提供（放在数据文件的第二列）。

2. 确定评价等级

根据问题背景，将评价结果划分为 \(K\) 个等级（通常 \(K=3 \sim 6\)），并按从优到劣的顺序排列，例如：Ⅰ级（优）、Ⅱ级（良）、Ⅲ级（中）、Ⅳ级（差）。用户可自定义等级名称。

3. 构造单指标测度函数

对于每个指标 \(j\)，根据其类型和实际取值范围，构造该指标值 \(x\) 隶属于各个等级 \(k\) 的未确知测度函数 \(\mu_{jk}(x)\)。测度函数满足 \(\mu_{jk}(x) \in [0,1]\)，且 \(\sum_{k=1}^{K} \mu_{jk}(x) = 1\)。

平台支持四种指标类型，测度函数构造方式如下（设指标值范围为 \([a,b]\)，等级分界点由数据自动生成）：

（1）效益型（越大越好）

  • 最优等级（\(k=1\)）：递增函数
  • 最差等级（\(k=K\)）：递减函数
  • 中间等级：三角形函数

（2）成本型（越小越好）

  • 最优等级（\(k=1\)）：递减函数
  • 最差等级（\(k=K\)）：递增函数
  • 中间等级：倒三角形函数

（3）适中型（越接近某固定值 \(x_0\) 越好）

  • 最优等级（\(k=1\)）：基于距离的钟形函数（\(1 - \frac{|x-x_0|}{M}\)，\(M\) 为最大偏差）
  • 其他等级：线性衰减

（4）区间型（落在区间 \([x_l, x_r]\) 内最好）

  • 最优等级（\(k=1\)）：区间内为1，区间外线性衰减
  • 其他等级：区间外较高，区间内较低

具体函数形式由平台根据数据自动生成，用户无需手动设定。

4. 计算单指标测度

对于每个对象 \(i\) 的指标 \(j\)，将其值 \(x_{ij}\) 代入测度函数，得到该指标对各等级的测度向量 \((\mu_{j1}(x_{ij}), \mu_{j2}(x_{ij}), \dots, \mu_{jK}(x_{ij}))\)。对每个指标进行归一化，保证该向量和为1。

5. 计算综合测度

利用指标权重 \(w_j\)，将各指标的单指标测度加权平均，得到对象 \(i\) 的综合测度向量：

\[ u_i(k) = \sum_{j=1}^{m} w_j \cdot \mu_{jk}(x_{ij}), \quad k=1,\dots,K \]

综合测度向量满足 \(\sum_{k=1}^{K} u_i(k) = 1\)。

6. 置信度识别评价

设定置信度阈值 \(\lambda\)（通常取 \(0.5 \sim 0.7\)），按等级从优到劣（\(k=1\) 到 \(K\)）依次累加综合测度，当累积值首次达到或超过 \(\lambda\) 时，对应的等级 \(k_0\) 即为该对象的评价等级：

\[ k_0 = \min \left\{ k \Big| \sum_{t=1}^{k} u_i(t) \geq \lambda \right\} \]

若所有等级的累积和都小于 \(\lambda\)，则取最高等级（\(k=K\)）作为评价等级。

7. 计算综合得分与排序

为便于同等级对象间的排序，定义综合得分 \(s_i\) 为等级值的加权平均：

\[ s_i = \frac{\sum_{k=1}^{K} k \cdot u_i(k)}{\sum_{k=1}^{K} u_i(k)} = \sum_{k=1}^{K} k \cdot u_i(k) \]

（因为 \(\sum u_i(k)=1\)）

得分 \(s_i\) 越小，表示对象越优（等级值越小越好）。按得分从小到大排序，得到最终排名。

案例分析

案例背景：某企业拟对三个供应商（A、B、C）进行评价，选取两个指标：产品质量（效益型）和价格（成本型）。指标权重分别为 \(w_1=0.6\)，\(w_2=0.4\)。原始数据及权重如下表：

供应商 权重 产品质量 价格
A - 85 200
B - 90 180
C - 75 210

设评价等级为 4 级：Ⅰ级（优）、Ⅱ级（良）、Ⅲ级（中）、Ⅳ级（差）。置信度 \(\lambda = 0.6\)。

计算过程

1. 确定各指标的范围与等级分界点

  • 产品质量：数据范围 [75, 90]，等分为 4 段，分界点为 75, 78.75, 82.5, 86.25, 90。
  • 价格（成本型）：数据范围 [180, 210]，等分为 4 段，分界点为 180, 187.5, 195, 202.5, 210。

2. 构造测度函数（以产品质量为例）

  • Ⅰ级（最优）：递增函数，在 [75,78.75] 从 0 线性增至 1，≥78.75 为 1。
  • Ⅱ级：三角形函数，在 [75,78.75] 递增，[78.75,82.5] 递减。
  • Ⅲ级：三角形函数，在 [78.75,82.5] 递增，[82.5,86.25] 递减。
  • Ⅳ级（最差）：递减函数，在 [86.25,90] 从 1 线性减至 0，≤86.25 为 1。

价格指标类似，但方向相反（最优等级对应小值）。

3. 计算单指标测度

以供应商A为例：

  • 产品质量 = 85，落在 [82.5,86.25] 区间。 计算得：Ⅰ级 0，Ⅱ级 0，Ⅲ级 ？，Ⅳ级 ？ 根据三角形函数： Ⅲ级：在 [82.5,86.25] 递减，最大值在 82.5 处为 1，最小值在 86.25 处为 0。85 在区间的位置：(85-82.5)/(86.25-82.5)=0.4，所以Ⅲ级测度 = 1 - 0.4 = 0.6。 Ⅳ级：在 [86.25,90] 递减，85 < 86.25，因此Ⅳ级测度 = 1。 但需归一化：0+0+0.6+1=1.6，归一化后：Ⅲ级=0.6/1.6=0.375，Ⅳ级=1/1.6=0.625。Ⅰ、Ⅱ级为0。 实际代码中会保证每个指标各等级测度和为1，此处简化演示。

  • 价格 = 200，落在 [195,202.5] 区间（成本型，最优等级对应小值）。 计算得：Ⅰ级？，Ⅱ级？，Ⅲ级？，Ⅳ级？。 由于成本型，等级方向相反：Ⅰ级对应最小区间 [180,187.5]，Ⅳ级对应最小区间 [202.5,210]。 200 属于 [195,202.5]，是Ⅲ级区间。根据测度函数（递减），得到测度值，归一化后得到向量。

为简化，我们直接采用平台实际计算结果。假设经计算，供应商A的单指标测度矩阵（每列对应等级Ⅰ~Ⅳ）为：

  • 指标1（产品质量）：[0, 0, 0.4, 0.6]
  • 指标2（价格）：[0, 0.3, 0.7, 0]

4. 计算综合测度

权重 w=[0.6, 0.4]，综合测度：

  • Ⅰ级：0.6×0 + 0.4×0 = 0
  • Ⅱ级：0.6×0 + 0.4×0.3 = 0.12
  • Ⅲ级：0.6×0.4 + 0.4×0.7 = 0.24 + 0.28 = 0.52
  • Ⅳ级：0.6×0.6 + 0.4×0 = 0.36

检查：0+0.12+0.52+0.36=1。

5. 置信度识别（λ=0.6）

从Ⅰ级开始累加：

  • Ⅰ级累积：0 < 0.6
  • Ⅱ级累积：0+0.12=0.12 < 0.6
  • Ⅲ级累积：0.12+0.52=0.64 ≥ 0.6

因此，供应商A的评价等级为Ⅲ级（中）。

6. 计算综合得分

\(s_A = 1×0 + 2×0.12 + 3×0.52 + 4×0.36 = 0 + 0.24 + 1.56 + 1.44 = 3.24\)

类似计算供应商B和C，假设结果： - B：等级Ⅰ级，得分1.2 - C：等级Ⅳ级，得分3.8

排序：B（1.2）> A（3.24）> C（3.8），B最优。

常见问题

Q1: 未确知测度法与模糊综合评价有何区别？

A: 两者都涉及隶属度，但未确知测度法强调测度函数满足归一化条件（\(\sum \mu_k = 1\)），且采用置信度识别准则，能够直接给出评价等级；模糊综合评价通常使用最大隶属度原则，可能损失信息。未确知测度法更适用于等级划分严格的评价问题。

Q2: 如何确定评价等级数量？

A: 等级数量一般根据实际问题的精度需求设定，通常为 3~5 个。等级过少会降低区分度，过多则可能导致某些等级缺乏实际意义。平台允许用户自定义等级数量和名称。

Q3: 置信度 λ 如何选取？

A: λ 通常取 0.5~0.7 之间的值。λ 越大，评价结果越保守（倾向于给出较差的等级）；λ 越小，评价结果越乐观（倾向于给出较好的等级）。可通过灵敏度分析选择合适的 λ。

Q4: 指标权重如何设置？

A: 权重应直接放在数据文件的第二列，且权重和应为 1。平台会自动检查权重和，若不为 1 会进行归一化并给出提示。权重可以来自专家打分、熵权法等其他方法。

Q5: 数据格式有何特殊要求？

A: 数据文件需为 Excel 或 CSV 格式。第一列为方案名称，第二列为指标权重，后续各列为指标数值。第一行为列名（含“方案名称”、“权重”及各指标名称）。Excel 文件支持多工作表，每个工作表可代表不同数据集。

Q6: 测度函数是如何自动构造的？

A: 平台根据每个指标的数据范围，等间隔划分等级区间，并依据指标类型自动生成相应的测度函数（线性分段函数）。用户无需手动设定，只需正确选择指标类型。

平台功能

未确知测度评价法分析平台提供以下核心功能：

数据输入

  • 支持 Excel（.xlsx, .xls）和 CSV 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：第一列为方案名称，第二列为指标权重，后续列为指标数值。

参数设置

  • 评价等级数量：设置等级个数（默认 4，范围 2~6）。
  • 置信度 λ：设置置信度阈值（默认 0.6，范围 0.5~0.9）。
  • 指标类型：为每个指标指定类型（效益型、成本型、适中型、区间型），并设置相应参数（适中值、区间上下限）。
  • 小数位数：控制输出精度（默认 4 位）。
  • 等级名称：可自定义各等级名称（按从优到劣顺序）。

结果展示

  • 综合评价结果：各方案的最终等级、置信水平、综合得分及排名。
  • 计算过程：单指标测度矩阵、指标权重、综合测度矩阵。
  • 测度函数可视化：可交互选择指标和等级，查看测度函数曲线。
  • 置信度识别过程：显示累积测度及等级判定过程。
  • 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（如不同权重方案）的评价结果。

使用建议

  1. 准备阶段：明确评价对象和指标体系，确定各指标类型。若指标为适中型或区间型，需预设适中值或区间范围。收集或计算各指标权重（建议权重和为 1）。

  2. 数据收集：使用平台提供的模板文件填写数据。确保第一列为方案名称，第二列为权重，后续列为指标数值。每个工作表可代表不同的评价场景。

  3. 参数设置：

    • 根据问题精度需求设置评价等级数量，并赋予有意义的等级名称（如“优、良、中、差”）。
    • 选择合适的置信度 λ（一般取 0.6 作为基准，可尝试 0.5、0.7 进行灵敏度分析）。
    • 正确选择每个指标的指标类型，并为适中型/区间型输入必要参数。

  4. 结果解读：

    • 首先关注各方案的最终评价等级，这反映了对象的整体水平。
    • 综合得分用于同等级内的精细排序，得分越小越优。
    • 通过置信度识别过程，可观察各等级累积测度的变化，理解等级判定的依据。
    • 利用 AI 分析获取专业解读和改进建议。

  5. 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，或调整等级数量/置信度。
    • 对比不同工作表的结果，分析权重或参数变化对评价的影响。

平台界面

官方地址：https://superr.online

未确知测度法工具界面

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. 王光远. 未确知信息及其数学处理[J]. 哈尔滨建筑工程学院学报，1990(4): 1-9.
  2. 刘开第，吴和琴，庞彦军. 未确知数学[M]. 华中理工大学出版社，1997.
  3. 基于未确知测度的综合评价模型及其应用[J]. 系统工程理论与实践，2004, 24(4): 99-103.