1 基本概念
1.1 定义
多属性决策是指在多个评价指标共同作用下，对若干备选方案进行比较、排序、筛选或选择的一类决策方法。它强调在同一决策框架中同时处理多个方面的信息，而不是只依据单一指标做出判断。由于不同指标往往代表不同利益或不同目标，决策过程通常需要综合权衡。
1.2 研究对象
多属性决策的研究对象一般包括方案、属性、评价值与决策规则等要素。方案是需要被比较的对象，属性是衡量方案优劣的标准，评价值则是方案在各属性上的表现，决策规则用于将多维信息转化为可比较的结论。其研究重点并不局限于“选出最好”的方案，也包括识别优先级、分组归类与风险分层等任务。
1.3 核心特征
1.3.1 多指标性
多属性决策的基础在于同时考虑多个指标。每个指标从不同角度反映方案表现，例如成本、质量、效率、可靠性、舒适度等。指标数量越多，信息越丰富，但处理难度也越高。
1.3.2 冲突性
不同指标之间常常存在相互冲突的关系。某一方案可能在性能上更优，却在成本上更高；也可能在速度上较快，但在稳定性方面略逊。这种指标间的张力，使得决策不可能只依赖简单比较。
1.3.3 权衡性
由于指标之间存在冲突，决策过程必然伴随权衡取舍。权衡并不意味着机械折中，而是根据决策目标、资源约束和偏好结构，对各指标的重要程度进行综合判断。不同的权衡方式会直接影响最终结果。
1.4 相关术语辨析
1.4.1 多属性决策与多目标决策
多属性决策通常强调对若干既定方案的评价，而多目标决策更关注在多个目标约束下寻找可行解。前者偏向“在已知选项中如何选”，后者偏向“如何构造更优方案”。两者联系紧密，但研究重心并不相同。
1.4.2 多属性决策与单指标决策
单指标决策只依赖一个主要标准，逻辑较为直接；多属性决策则需要处理多个维度的信息整合问题。相比之下，多属性决策更能反映现实情境中的复杂性，但也更依赖模型设计与数据处理。
2 理论基础
2.1 决策科学基础
多属性决策建立在决策科学的基本思想之上，即在有限信息条件下通过规则化方法做出选择。它关注偏好表达、方案比较与不确定环境中的判断机制，强调把主观判断与客观数据结合起来。
2.2 运筹学基础
运筹学为多属性决策提供了建模、优化与求解的工具支持。许多方法都包含矩阵计算、最优排序、约束分析和系统优化等内容，因此具有明显的运筹学特征。它也重视通过结构化方法提升决策效率。
2.3 效用理论
效用理论用于描述决策者对不同结果的偏好强度。多属性决策中，各指标的取值往往需要转化为可比较的效用或满意度，再进行综合。该理论帮助解释为何同样的结果在不同决策者眼中会具有不同价值。
2.4 评价理论
评价理论关注如何建立标准、形成等级，并对对象作出相对判断。多属性决策中的指标体系、评分尺度和排序规则，都与评价理论密切相关。它使决策过程从经验判断转向可分析、可复核的表达方式。
3 问题类型
3.1 方案选择问题
方案选择问题是指从多个备选方案中选出一个或若干个最优方案。此类问题常见于采购、选址、设备配置等场景，通常要求结果明确、可执行性强。
3.2 方案排序问题
方案排序问题关注的是对多个方案进行优先级排列，而不一定只选出单一最优项。此类问题适用于需要分层比较的情境，例如项目立项、人员评估和产品推荐。排序结果往往比单纯的选择更具信息量。
3.3 方案分类问题
方案分类问题是将方案划分到预设类别中，如优、良、中、差，或高、中、低风险等级。该类问题强调归类规则的清晰性与边界的一致性，常用于质量管理和风险识别。
3.4 方案排序与分类的混合问题
在实际应用中，排序与分类往往并存。部分方案需要先进行等级划分，再在同一等级内排序；也有情形需要先排序，再按阈值分组。混合问题更贴近复杂决策场景，但模型设计也更细致。
4 决策流程
4.1 问题识别
决策流程首先要明确问题性质、目标边界和参与对象。只有弄清是选择、排序还是分类，才能确定后续模型与方法。问题识别阶段也包括判断决策是否存在时间限制、信息缺口和偏好差异。
4.2 指标体系构建
指标体系是多属性决策的核心框架。构建时需要确保指标能够覆盖主要评价维度，同时避免过度冗余。一个好的指标体系应当兼顾代表性、可测性与相对独立性。
4.3 数据获取与预处理
数据获取包括统计数据、专家评分、问卷结果、传感记录等来源。预处理则涉及缺失值处理、异常值修正、量纲统一和数据格式转换。此步骤直接影响后续计算结果的稳定性与可信度。
4.4 权重确定
权重用于反映各指标在决策中的相对重要程度。权重确定可以来自专家经验，也可以由数据特征推导，还可通过两类信息结合形成组合权重。权重设置往往是影响结果差异的关键环节。
4.5 方案评价与计算
在完成指标和权重设定后，需要对方案进行综合评价。不同方法对应不同计算逻辑，有的侧重距离比较，有的侧重理想解逼近，有的侧重偏好关系。评价结果通常以得分、排序或等级形式呈现。
4.6 结果解释与决策反馈
结果并非只是一组数字，还需要结合实际背景进行解释。决策反馈用于检查模型是否符合预期，并为下一轮修正提供依据。若发现结果与经验明显偏离，往往需要回到指标或权重环节重新审视。
5 指标与权重
5.1 指标类型
5.1.1 效益型指标
效益型指标是数值越大越有利的指标，例如产量、满意度、通过率等。此类指标的处理相对直观，通常直接依据“大优于小”的原则进行比较。
5.1.2 成本型指标
成本型指标是数值越小越有利的指标，例如费用、能耗、时间、故障率等。分析这类指标时，常需要进行方向转换，使其与其他指标处于同一评价逻辑中。
5.1.3 区间型指标
区间型指标并不简单地追求越大或越小，而是更接近某一理想区间。例如温度、含量或某些舒适度指标，过高或过低都可能不利。处理这类指标时，通常需要设定最优区间或目标值。
5.2 指标筛选
指标筛选的目标是保留关键变量、剔除重复与无关信息。筛选时需要兼顾完整性与简洁性，避免指标过多导致模型臃肿，也要防止遗漏重要因素。合理筛选有助于提升决策结果的解释力。
5.3 权重确定方法
5.3.1 主观赋权法
主观赋权法依赖专家判断、经验判断或偏好表达来设定权重。常见方式包括直接赋值、成对比较和排序打分。其优点是灵活、贴近实际，缺点是容易受主观偏差影响。
5.3.2 客观赋权法
客观赋权法依据数据分布和指标差异程度确定权重，例如离散程度越大，权重可能越高。它减少了人为干预，适合数据较充分的情境，但未必完全反映真实偏好。
5.3.3 组合赋权法
组合赋权法将主观信息与客观信息结合起来，以兼顾经验判断与数据证据。它常用于复杂决策场景，因为单一赋权方式往往难以同时满足合理性与稳定性要求。
5.4 指标标准化
由于不同指标的量纲、方向和范围可能不同，需要先进行标准化处理。标准化的作用是将各指标转化到可比尺度上，避免单位差异影响综合评价。常见方法包括极差变换、向量归一化和区间映射等。
6 主要方法
6.1 加权综合法
加权综合法是最常见的多属性决策方法之一。其思路是将各指标标准化后按权重加总，形成综合得分，再据此比较方案优劣。该方法结构清晰，便于理解和操作。
6.2 层次分析法
层次分析法通过构建层次结构，把复杂问题分解为目标层、准则层和方案层，再利用成对比较确定权重。它适用于结构较复杂、需要结合专家判断的问题，尤其适合指标体系较清楚的情形。
6.3 TOPSIS法
TOPSIS法的核心思想是方案应尽量接近理想解，同时远离负理想解。它通过计算方案与两个极端点之间的距离来排序，逻辑直观，应用广泛。该方法适合需要对优劣程度进行连续区分的场景。
6.4 VIKOR法
VIKOR法强调在群体效用与个体遗憾之间寻求折中。它特别适用于指标冲突明显、决策者希望得到妥协解的情形。与单纯追求最优不同，VIKOR更注重可接受性和平衡性。
6.5 ELECTRE法
ELECTRE法属于基于超越关系的决策方法，主要通过比较方案之间在多个指标上的“优越性”来形成结论。它适合处理不完全排序和偏好关系较复杂的问题，尤其擅长识别难以直接排序的方案。
6.6 PROMETHEE法
PROMETHEE法通过构造偏好函数来衡量方案之间的相对优势，再据此进行比较。该方法在表达决策者偏好方面较为灵活，可适应不同指标特性，因此在实践中具有较好的可调节性。
6.7 灰色关联分析
灰色关联分析用于衡量方案序列与参考序列之间的相似程度。它适合信息不完全、样本较少或结构不明晰的情形。该方法重视变化趋势的一致性，因此在早期评价和粗筛选中较常见。
6.8 模糊多属性决策
模糊多属性决策用于处理评价语言不精确、边界不清晰的问题。它通过模糊数、隶属度或模糊规则来描述不确定信息，能够较好地反映现实中的模糊偏好和不完整判断。
7 数据与不确定性处理
7.1 确定型决策
确定型决策假设所有指标值已知且稳定，适合数据完整、环境较明确的场景。此时模型重点在于规则选择与权重设定，而不必过多考虑随机波动。
7.2 随机型决策
随机型决策将指标视为具有概率分布的变量，强调对不确定性的统计刻画。它适用于数据波动明显、结果受外部随机因素影响较大的情境。
7.3 模糊型决策
模糊型决策处理的是难以用精确数值表示的信息，如“较高”“一般”“较差”等描述。通过模糊集合与语言变量，可以把经验表达转化为可计算形式。
7.4 区间数与语言变量
区间数用于表示指标值的取值范围，语言变量则用于表达定性判断。二者都适合信息不完整或测量条件有限的情况，能够在一定程度上保留不确定性，而不强行压缩为单点数值。
7.5 缺失数据处理
缺失数据会削弱评价结果的完整性，因此需要采用插补、估计或剔除等方法处理。处理时应尽量避免对整体结构造成扭曲，并保持不同方案之间的可比性。
7.6 误差与噪声影响
实际数据中常包含测量误差、记录误差和随机噪声。若不加处理，这些因素可能放大排序波动，甚至改变结论。常见做法包括平滑、异常识别和稳健估计。
8 评价与检验
8.1 结果排序
结果排序是多属性决策最直接的输出形式。排序不仅说明谁优谁劣，也反映方案之间的相对差距。必要时还会结合分值区间，形成更细致的层级判断。
8.2 稳健性分析
稳健性分析用于考察结论在不同条件下是否保持稳定。若在权重、数据或参数轻微变化后结果仍大体一致，说明模型具有较强的稳健性。若变化很大，则需重新审视模型假设。
8.3 敏感性分析
敏感性分析关注关键参数变化对结果的影响程度。它常用于检查权重调整、指标增减或数据修正是否会显著改变排序。该分析有助于识别“影响最大的因素”。
8.4 一致性检验
一致性检验用于判断判断矩阵、偏好结构或评价结果是否逻辑协调。它能够帮助发现专家判断中的明显矛盾，进而提升模型可信度。对于基于主观判断的方法尤其重要。
8.5 方法比较
不同方法适用于不同问题结构，因而需要进行比较选择。比较时通常从计算复杂度、解释性、对不确定性的适应能力和结果稳定性等方面综合考虑。没有一种方法可以覆盖所有情境。
9 应用领域
9.1 管理决策
在管理决策中，多属性决策常用于项目筛选、战略方案比较和资源配置。它帮助管理者在预算、绩效、风险与时效之间做出较为平衡的判断。
9.2 工程选型
工程选型常涉及技术性能、成本、可靠性和维护便利性等多个标准。多属性决策可用于设备选购、工艺路线比较和系统配置优化。其优势在于能够把经验性判断转化为结构化分析。
9.3 供应商选择
供应商选择往往需要综合考虑价格、交期、质量、服务与信誉。多属性决策方法能够支持对多个候选对象进行统一评价，从而减少单一指标带来的偏差。
9.4 人力资源评价
在人力资源评价中，绩效、能力、协作、稳定性等指标常被纳入同一框架。多属性决策有助于形成更全面的人员评价结果，但也要求指标设计尽量避免过度主观化。
9.5 环境与资源管理
环境与资源管理涉及污染控制、节能效率、生态影响和成本约束等因素。多属性决策可以用于环境方案优选、资源配置和治理路径比较，帮助实现多方面利益的协调。
9.6 公共政策评估
公共政策评估往往需要同时考虑效果、成本、公平性、可实施性与社会反应。多属性决策可为政策比较提供系统框架，使复杂政策问题更具可分析性。
10 发展与趋势
10.1 计算智能方法融合
多属性决策正逐步与神经网络、遗传算法、粒子群等计算智能方法结合。此类融合有助于提升复杂问题的求解能力，也可增强模型的自适应性。
10.2 大数据支持下的决策
随着数据规模扩大，多属性决策开始更多依赖大数据环境中的实时信息。数据来源更丰富，决策更新更频繁，但同时也对数据质量控制提出更高要求。
10.3 多源信息集成
未来决策越来越强调对结构化数据、文本信息、专家意见与传感数据的统一处理。多源信息集成可以提升评价全面性，但需要更强的融合机制来协调不同类型的信息表达。
10.4 群体多属性决策
群体多属性决策关注多个决策者共同参与评价的情形。它需要处理意见差异、偏好冲突和共识形成问题，因此在协商机制、意见聚合和一致性控制方面更具挑战。
10.5 在线决策与动态决策
在线决策与动态决策强调在信息持续变化的过程中不断更新判断。与一次性静态决策相比，这类方法更适合快速变化的环境，也更依赖模型的实时性和可更新性。