1 基本概念
1.1 定义与研究对象
多指标决策理论是研究在多个评价指标同时存在时，如何对备选方案进行比较、排序与选择的方法体系。其研究对象通常包括若干可行方案、对应的评价指标以及决策者的偏好信息，目标是在复杂条件下形成相对合理的决策结论。
1.2 适用场景
该理论适用于需要兼顾多个方面表现的情境，例如工程方案优选、资源分配、设备选型、项目评估、风险判断与绩效考核等。凡是单一指标不足以反映方案优劣，且不同指标之间可能存在冲突时，都适合采用多指标决策方法。
1.3 核心问题与决策目标
多指标决策的核心问题，是如何处理指标之间的差异、冲突与权衡关系，并据此判断方案的综合优劣。其决策目标通常包括排序、筛选、分级或推荐最优方案，同时尽量保证结论具有透明性、可解释性和可复核性。
1.4 与单指标决策的区别
单指标决策只依据一个评价标准进行判断，结构相对简单，结果也较直接。多指标决策则需要同时考虑多个维度，因此通常还要处理指标权重、尺度统一和综合评价等问题，适用性更广，但分析过程也更复杂。
2 理论基础
2.1 多目标优化思想
多指标决策与多目标优化有密切联系，二者都强调在多个目标之间寻求平衡。现实中各项指标往往无法同时达到最优，因此需要在约束条件下寻找“较优解”或“折中解”，而不是追求绝对最优。
2.2 效用理论与偏好表达
效用理论强调决策者对不同结果的主观偏好可以转化为可比较的数值或等级。多指标决策中，偏好表达常通过权重、排序、满意度或隶属度等形式体现，用于反映指标在综合判断中的重要程度。
2.3 指标体系与综合评价原理
综合评价原理认为，多个指标可以通过一定规则汇总为统一的评价结果。指标体系构建时，需要保证其能够较全面地反映对象特征，同时避免重复覆盖同类信息，以提高评价效率和结果稳定性。
2.4 不确定性与模糊性处理
实际决策中，数据可能不完整、信息可能不精确，某些判断也带有经验色彩。为此，多指标决策常引入模糊集合、区间数、概率描述等工具，以表达不确定环境下的真实情况，并减少硬性划分带来的偏差。
3 指标体系构建
3.1 指标筛选原则
指标筛选一般遵循代表性、独立性、可获得性和可操作性等原则。指标应尽量覆盖关键特征，同时避免过多冗余；数据来源也应可靠、稳定，便于后续计算与解释。
3.2 指标分类
3.2.1 定量指标
定量指标可以用明确数值表示，如成本、能耗、产量、时效等。这类指标便于计算和比较，通常是多指标评价中的基础组成部分。
3.2.2 定性指标
定性指标主要描述难以直接量化的属性，如满意度、可维护性、舒适性或专家印象。此类指标常通过评分、等级划分或语言变量转换为可处理形式。
3.2.3 正向指标与逆向指标
正向指标是数值越大越好的指标，如收益、效率、可靠性；逆向指标则是数值越小越优，如成本、风险、故障率。二者在综合评价前通常需要统一方向，便于比较。
3.3 指标冗余与相关性处理
当多个指标高度相关时，可能造成信息重复，影响评价结果的平衡性。常见处理方式包括剔除重复指标、进行相关性分析、主成分压缩或重新组合指标，以提高体系简洁度。
3.4 指标体系层级设计
指标体系常采用层级结构，将总体目标分解为准则层、子准则层和指标层。这样的设计有助于清晰呈现评价逻辑，也便于在权重分配和结果解释时逐层展开。
4 权重确定方法
4.1 主观赋权法
主观赋权法依赖专家经验或决策者偏好来确定指标权重，适合知识经验较丰富、信息难以完全量化的场景。这类方法强调人的判断，但也可能受到主观差异影响。
4.1.1 专家打分法
专家打分法通常由若干专家对各指标重要性进行直接评分，再根据评分结果确定权重。其优点是实施简便，适合初步评估；不足在于评分标准可能不够统一。
4.1.2 层次分析法
层次分析法通过构建层级结构和两两比较矩阵，计算指标相对权重。该方法结构清晰，适合处理多层次复杂问题，尤其便于将定性判断转化为定量结果。
4.1.3 德尔菲法
德尔菲法通过多轮匿名征询专家意见，并在反馈中逐步收敛观点。它能够减少个别权威意见的过度影响，常用于缺乏历史数据或问题较新的决策场景。
4.2 客观赋权法
客观赋权法主要根据数据自身的信息量或离散程度来确定权重，尽量减少人为干预。此类方法更依赖样本数据，适合数据较完整、可比性较强的情形。
4.2.1 熵权法
熵权法利用信息熵衡量指标分布的离散程度，离散越大，提供的信息量通常越多，相应权重也可能更高。它能够体现数据差异性，但对异常值较敏感。
4.2.2 变异系数法
变异系数法依据指标的标准差与均值之比反映相对波动程度，波动越大，权重通常越高。该方法直观简洁，适用于尺度差异较明显的指标集。
4.2.3 CRITIC法
CRITIC法综合考虑指标的对比强度和相关性，通过“信息量”和“冲突性”共同确定权重。它不仅关注指标离散程度，也考虑指标之间是否相互补充。
4.3 组合赋权法
组合赋权法将主观赋权与客观赋权结合，以兼顾经验判断和数据特征。常见做法是对两类权重进行加权融合，从而在灵活性与客观性之间取得平衡。
4.4 权重敏感性分析
权重敏感性分析用于检验权重变化对最终排序结果的影响程度。若排序对权重轻微变化非常敏感，则说明结论稳定性较弱，需要进一步核查指标体系或方法设置。
5 数据处理与标准化
5.1 数据采集与预处理
数据采集通常来自统计资料、实验观测、调查问卷、专家评估或业务系统记录。预处理阶段需要检查数据完整性、一致性和可比性，并对明显错误或异常记录进行修正。
5.2 无量纲化方法
由于各指标单位不同，直接比较往往不具可行性，因此需要进行标准化或归一化处理。无量纲化的目的，是把不同量纲的数据映射到同一尺度上。
5.2.1 极差标准化
极差标准化通过最小值和最大值对数据进行线性变换，结果通常落在固定区间内。该方法简单直观，适合大多数常规决策问题。
5.2.2 Z-score标准化
Z-score标准化以均值和标准差为基准，反映数据相对平均水平的偏离程度。它适合近似正态分布的数据，但结果不一定限制在固定范围内。
5.2.3 向量归一化
向量归一化将数据按向量长度进行缩放，使各指标在几何意义上可比。该方法在TOPSIS等方法中应用较多，能够保持相对比例关系。
5.3 缺失值与异常值处理
缺失值可通过删除、均值填补、插值或模型估计等方式处理；异常值则需要结合业务背景判断其是错误数据还是特殊情况。处理得当有助于减少对权重和排序的扰动。
5.4 指标方向统一
在综合评价前，必须将正向指标和逆向指标转化到同一评价方向。通常会将逆向指标进行反向变换，使所有指标都呈现“越大越好”或“越小越好”的一致关系。
6 经典决策方法
6.1 加权求和法
加权求和法是最基础的多指标评价方法之一，即将标准化后的指标值乘以对应权重后求和。它计算简洁、便于理解，但假设指标之间具有可加性，适用范围相对有限。
6.2 层次分析法
层次分析法既可用于权重确定，也可用于综合排序。通过层级分解、两两比较和一致性检验，它能够把复杂问题拆分为若干较小部分，增强分析的条理性。
6.3 TOPSIS法
TOPSIS法的基本思想是：优选方案应尽可能接近理想解，同时远离负理想解。该方法便于排序比较，在工程与管理评价中应用广泛，尤其适合指标数较多的场景。
6.4 灰色关联分析
灰色关联分析关注各方案与参考序列之间的发展趋势相似程度。即使样本较少或信息不完全，也能通过序列几何关系进行比较，因此常用于信息不充分环境下的决策。
6.5 模糊综合评价
模糊综合评价将模糊隶属度引入决策过程，适合评价标准边界不清晰的情形。它能够把“好、较好、一般”等模糊判断转化为可计算结果，兼顾定性与定量信息。
6.6 逼近理想解思想
逼近理想解思想强调从方案集合中寻找距离最优状态最近的对象。其核心在于构建一个理想参照，再衡量各方案与该参照的偏离程度，以此判断优先顺序。
6.7 排序与分级方法
排序方法主要输出方案先后顺序，分级方法则进一步将方案划分为若干等级或类别。前者适合精细比较，后者更便于实际管理中的筛选、审批与分类处理。
7 不确定性与复杂情境处理
7.1 模糊多指标决策
模糊多指标决策用于处理评价信息边界不清、语言描述较多的情形。它通过隶属函数和模糊算子表达不确定性，使评价过程更贴近实际判断方式。
7.2 随机多指标决策
随机多指标决策考虑指标值或环境状态具有概率波动的情况，常用于存在风险和随机扰动的系统。此类方法通常借助概率模型描述未来结果的不确定分布。
7.3 区间数与区间权重
当指标值或权重无法精确确定时，可用区间形式表示可能范围。区间模型保留了信息的不确定边界，便于在缺乏精确数据时进行保守或稳健判断。
7.4 语言变量与专家判断
语言变量是将自然语言评价转换为可运算的符号或等级，如“高”“中”“低”等。它在专家判断频繁、量化困难的场景中较为实用，能够提升沟通效率。
7.5 鲁棒决策与稳健性分析
鲁棒决策强调方案在多种扰动下仍能保持较好表现，稳健性分析则检验结果对参数变化的抵抗能力。二者有助于避免“只在理想条件下成立”的脆弱结论。
8 应用领域
8.1 工程方案比选
在工程设计与建设中，多指标决策常用于比较不同技术路线、施工方案或设备配置。评价维度可能包括成本、工期、安全性、可靠性和后期维护难度等。
8.2 供应链与物流管理
供应链场景中，多指标方法可用于供应商选择、运输路线优化、仓储布局与库存策略评估。常见指标包括交付及时性、服务水平、价格、稳定性与响应速度。
8.3 环境与资源评价
在环境治理和资源利用问题中，多指标决策常用于衡量方案的经济性、生态影响与可持续性。它有助于在开发、保护和效率之间建立平衡。
8.4 金融与投资决策
金融决策中，多指标方法可用于项目筛选、资产配置和风险收益评价。常见考虑因素包括收益率、波动性、流动性、成本和期限匹配程度。
8.5 医疗与公共管理
医疗资源配置、诊疗方案选择与公共服务评估都可借助多指标决策辅助判断。其优势在于能够将疗效、成本、可及性、风险和服务体验纳入同一框架。
8.6 产品设计与质量评价
产品开发阶段常需在性能、外观、价格、耐用性和用户体验之间作综合权衡。多指标决策能够支持方案比较、版本筛选与质量分级。
9 方法比较与选择
9.1 不同方法的优缺点
不同方法各有侧重：有的计算简单、易于推广，有的更能反映偏好与结构关系，有的则适合处理模糊或不完整信息。实际选用时，应结合数据条件、决策目标与应用场景综合判断。
9.2 方法适用条件
方法适用性通常取决于指标类型、样本规模、数据完整度以及是否需要专家参与。对于定量充分、结构清晰的问题，可选较为直接的排序方法；对于信息模糊或层次复杂的问题，则更适合使用综合型方法。
9.3 计算复杂度与可解释性
有些方法虽精细，但计算过程较长、参数较多；另一些方法则简明易懂，却可能过于粗略。选择时通常需要在计算复杂度与解释便利之间权衡，避免“结果难懂”或“过度简化”。
9.4 结果一致性检验
结果一致性检验用于判断不同方法或不同参数设置下的结论是否稳定。若多个方法得到相近排序，通常说明决策结果较可靠；若分歧明显，则需回溯数据、权重和模型假设。
9.5 综合决策框架构建
综合决策框架通常将指标构建、权重确定、标准化处理、方法计算与结果检验串联起来。通过流程化设计，可以提高多指标决策的规范性，也便于不同问题之间进行迁移应用。
10 发展与扩展
10.1 与大数据分析的结合
随着数据规模扩大，多指标决策逐渐与大数据分析结合，用于从海量信息中提取评价特征。数据驱动方法能够增强决策的实时性和覆盖面，但也对数据质量提出更高要求。
10.2 与人工智能方法的融合
人工智能技术可用于模式识别、权重学习、特征提取和结果预测，从而扩展多指标决策的能力边界。二者结合后，决策过程可能更自动化，但仍需保留可解释性设计。
10.3 动态多指标决策
动态多指标决策关注指标值、权重和环境条件随时间变化的情形。它适用于持续监测、滚动评估和阶段性优化任务，能够更真实地反映现实系统的演化过程。
10.4 群决策与协同决策
群决策强调多个决策者共同参与评价，协同决策则更重视意见融合与共识形成。此类方法适用于需要多方协调的组织情境，重点在于降低分歧、整合观点并形成可接受方案。
10.5 未来研究方向
未来研究可能进一步关注复杂系统中的动态偏好、跨源数据融合、解释性增强以及人机协同决策。随着计算工具和数据环境的发展，多指标决策理论也将持续向更智能、更稳健和更可视化的方向演进。