1 基本概念
1.1 定义与核心思想
层次分析法是一种多准则决策方法，核心在于把复杂问题拆解为若干层次，再对各因素的重要程度进行两两比较，进而得到相对权重和综合排序。它将定性判断与定量计算结合起来，尤其适合难以直接用单一指标衡量的决策情境。
1.2 方法提出背景
该方法最初用于应对现实中结构复杂、影响因素众多的决策问题。面对这类问题，单纯依赖经验判断容易失去系统性，而仅靠精确数学模型又常常受限于数据不足或指标难以量化，因此需要一种兼顾逻辑分解与主观判断的工具。
1.3 适用问题类型
层次分析法适用于目标相对明确、评价因素较多、各因素之间存在层级关系的场景。常见情形包括方案选择、项目排序、指标评价和资源配置等，尤其适合“好坏难以直接比较、但可以逐项比较”的问题。
1.4 与其他决策方法的关系
层次分析法与一般的排序方法相比，更强调结构化分解和判断一致性。与纯粹依赖统计数据的方法不同，它允许专家经验进入模型；而与其他多属性决策方法相比，它在构建权重时更注重成对比较，因而具有较强的可操作性与解释性。
2 理论基础
2.1 多准则决策理论
层次分析法建立在多准则决策理论之上，即一个决策结果往往不由单一标准决定，而是由多个指标共同作用。该理论认为，面对多目标冲突的情形，应将各项标准纳入统一框架下加以比较和整合。
2.2 层次结构分解思想
层次结构分解思想是该方法的重要基础。它将原本复杂的系统拆分为不同层次，使抽象目标、评价准则和具体方案之间形成清晰关系，从而降低问题处理难度，并帮助决策者逐步聚焦关键因素。
2.3 成对比较原理
成对比较原理指的是，不直接对所有因素一次性排序，而是让决策者对两个因素之间的重要性进行判断。通过这种方式，可以更容易表达偏好，也更便于后续计算与校验。
2.4 相对重要性判断
相对重要性判断强调“谁更重要、重要多少”。这种判断通常借助标度来表达差异程度，使主观意见转化为可计算的数值，随后再根据这些数值推导出权重分布。
3 模型构建
3.1 建立层次结构模型
层次结构模型通常由目标层、准则层和方案层构成，三者之间自上而下逐步展开。通过这一结构，决策问题的逻辑关系得以明确，计算过程也更具条理。
3.1.1 目标层
目标层位于最上方，用来表示决策的最终目的。例如，在选址问题中，目标层可以是“选择最优地点”；在评价问题中，则可能是“确定最佳方案”。
3.1.2 准则层
准则层用于描述影响目标实现的主要因素，如成本、质量、效率、风险等。该层决定了评价的主要维度，是连接总体目标与具体方案的关键环节。
3.1.3 方案层
方案层由可供选择的具体对象组成，例如多个备选项目、不同供应商或若干实施方案。该层的各项内容最终会根据上层权重进行综合比较。
3.2 确定评价因素
评价因素的选取直接影响模型质量。一般应遵循完整性、代表性和可区分性原则，既要覆盖主要影响项，也要避免因素过多造成结构混乱。因素之间若存在明显重叠，则需要适当合并或剔除。
3.3 构造判断矩阵
判断矩阵是层次分析法中的核心工具，用于记录同一层因素之间的相对重要性。矩阵中的每一项都来自两两比较的结果，通常采用一定的数值标度进行表达，以便后续求解权重。
3.4 指标权重设定
权重反映各因素对总体目标的影响程度。设定权重时，通常依据判断矩阵的计算结果，再结合实际情境进行适度修正，使数值结果与决策逻辑保持一致。
4 计算方法
4.1 特征向量法
特征向量法是层次分析法中经典的权重计算方式。其基本思路是通过判断矩阵求出对应的特征向量，并将其归一化后作为各指标权重。该方法在理论上较为严谨，因此应用广泛。
4.2 几何平均法
几何平均法通过计算矩阵各行数据的几何平均值来估计权重。与特征向量法相比，它计算过程相对简便，适合在手工操作或快速分析时使用，也常作为辅助验证手段。
4.3 权重归一化处理
归一化处理的作用是将权重转换为统一尺度，使其总和为1或便于比较的标准形式。经过归一化后，不同指标之间的相对关系更直观，也有利于后续综合评价。
4.4 方案排序方法
方案排序通常通过将各层权重逐级汇总得到综合得分，再按照得分高低进行排列。最终排序结果反映了各方案在整体目标下的相对优先级，为决策提供直接依据。
5 一致性检验
5.1 一致性概念
一致性指的是判断结果内部是否前后协调。如果某些比较结果彼此矛盾，例如甲比乙重要、乙比丙重要，却又判断丙比甲重要很多，则说明一致性较差，需要进一步检查。
5.2 一致性指标
一致性指标用于衡量判断矩阵偏离理想一致状态的程度。该指标越小，表示判断越接近逻辑自洽；反之，则说明矩阵中的主观判断可能存在较明显冲突。
5.3 随机一致性比率
随机一致性比率常用于判断矩阵是否可以接受。它通常将实际一致性程度与随机情形下的一致性水平进行比较，以此判断结果是否具备足够可靠性。
5.4 检验结果的修正与调整
当一致性检验未通过时，通常需要回到判断矩阵，对明显不协调的比较项进行调整。修正方式包括重新征询意见、修改个别判断值或简化评价因素，以提高结果稳定性。
6 应用流程
6.1 问题定义
应用层次分析法的第一步是明确决策目标，并确定评价范围。若问题边界不清，后续分层和赋权都会失去基础，因此这一阶段需要尽量具体、准确。
6.2 建立层次结构
在明确问题后，需要将其拆解为若干层次，并梳理各因素之间的从属关系。结构搭建得越清楚，后续比较和计算就越顺畅。
6.3 进行专家判断
专家判断主要用于对各因素的重要性进行成对比较。参与者通常依据经验、知识和实际情境做出评分，这些判断最终构成模型输入。
6.4 计算权重与排序
在收集判断信息后，需要完成权重求解、一致性检验和方案综合排序。该过程把主观判断转化为相对稳定的数值结果，为决策提供可比较的依据。
6.5 结果分析与决策
最后应结合计算结果与现实条件进行分析，而不是仅凭排序直接作出结论。必要时还需参考实施成本、外部限制和风险因素，使最终决策更具可行性。
7 应用领域
7.1 工程项目评估
在工程项目中，层次分析法常用于比较不同方案的技术性、经济性和可实施性。它有助于在多个指标并存的情况下，找到综合表现更优的选择。
7.2 企业管理决策
企业在进行供应商选择、绩效考核、战略方案比较时，也常借助该方法。其优势在于能够把管理经验转化为结构化结果，便于沟通与执行。
7.3 资源分配与优化
当资源有限而需求较多时，层次分析法可用于确定优先投放顺序。无论是资金、人员还是设备分配，都可以通过权重分析实现更有序的配置。
7.4 风险评价
在风险评价中，它能够帮助识别影响风险水平的关键因素，并按重要性排序。这样既便于判断风险来源，也有助于制定针对性的控制措施。
7.5 教育与科研评价
教育和科研领域常利用层次分析法对课程、项目、成果或机构进行综合评价。由于这些对象往往难以用单一指标概括，该方法具有较好的适配性。
8 优点与局限
8.1 优点
8.1.1 结构清晰
该方法通过分层建模把复杂问题拆成多个部分，使决策过程更有条理，也便于展示各因素之间的关系。
8.1.2 易于解释
由于比较过程和权重来源较为透明，结果通常容易向他人说明。对于需要沟通和汇报的场景，这一点尤其重要。
8.1.3 适合复杂问题
当问题涉及多个目标、多个因素且难以直接量化时，层次分析法可以提供一种较为稳健的处理路径。
8.2 局限
8.2.1 主观性较强
该方法依赖专家判断，因此结果会受到经验差异、偏好差异和判断尺度使用习惯的影响。
8.2.2 一致性要求较高
如果判断逻辑前后不协调，就需要反复调整矩阵。对于参与者来说，这会增加操作负担，也可能影响效率。
8.2.3 变量过多时复杂度上升
当因素数量显著增加时，成对比较的工作量会快速扩大，模型构建与检验也会变得更繁琐。
9 扩展与改进
9.1 模糊层次分析法
模糊层次分析法是在原有框架上引入模糊概念，用来处理判断不够精确或边界较模糊的情况。它更适合表达“接近”“较强”这类难以严格量化的偏好。
9.2 群决策AHP
群决策AHP强调由多个决策者共同参与判断，再对意见进行汇总。该方法可降低个体偏差影响，适合需要团队协商的决策场景。
9.3 网络层次分析法
网络层次分析法是在层次分析法基础上进一步放宽层级独立性的限制，允许因素之间存在更复杂的相互影响。它比传统层次结构更灵活，适用于关联性较强的问题。
9.4 与其他方法的融合应用
层次分析法常与其他分析工具结合使用，例如与统计分析、优化模型或模糊评价方法联合，以增强结果的稳定性和适应性。融合应用能够弥补单一方法的不足。
10 相关概念
10.1 指标体系
指标体系是用于描述和衡量对象特征的一组标准化指标集合，是构建评价模型的重要基础。
10.2 决策支持系统
决策支持系统是帮助人们进行分析、比较和选择的信息系统，常与层次分析法等方法配合使用。
10.3 权重分析
权重分析是确定各因素相对重要程度的过程，在多指标评价中具有核心作用。
10.4 多属性决策
多属性决策是指在多个评价属性共同作用下进行方案选择的方法体系，层次分析法属于其中的重要分支。