1 基本概念
1.1 定义
组合赋权法是指将两种或两种以上单一赋权方法计算得到的权重进行融合，形成最终权重的一类方法。其核心在于把主观赋权与客观赋权的结果结合起来，借助不同方法的互补性，获得更具平衡性的指标权重。
1.2 研究背景
在多指标评价问题中，单一赋权法往往会受到自身局限影响。主观方法容易受经验偏好干扰，客观方法则可能过于依赖样本数据，忽略实际业务逻辑。组合赋权法由此发展起来，用于缓解单一方法带来的偏差，提高评价结论的可信度与可推广性。
1.3 方法目标
组合赋权法的目标并不是寻找某种绝对唯一的“正确权重”，而是通过协调不同赋权结果，使权重分配更符合实际情境。它通常强调结果的稳定性、合理性和适用性，尤其适合信息来源多样、指标结构复杂的评价系统。
1.4 与单一赋权法的区别
单一赋权法通常只依据一种规则确定权重，计算过程相对直接，但容易呈现方法偏向。组合赋权法则在多个赋权结果之间进行整合，既保留专家判断，也考虑数据特征，因此在复杂场景中往往更灵活。不过，其实现过程通常更复杂，对参数设定和结果解释也提出了更高要求。
2 理论基础
2.1 主观赋权理论
主观赋权理论强调专家知识、经验判断和实际业务逻辑在权重确定中的作用。它认为某些指标的重要性不能完全由样本数据反映，而需要借助领域知识进行人工判断，从而体现评价体系的价值导向。
2.2 客观赋权理论
客观赋权理论主张依据数据本身的分布特征、信息量和离散程度来确定权重。该思路试图减少人为干预，使权重更直接地反映指标在样本中的差异性与解释能力。
2.3 权重融合思想
权重融合思想认为，不同赋权机制得到的结果可以相互补充。主观权重可体现判断经验，客观权重可反映数据结构，二者结合后有助于降低片面性，并增强评价结论的整体平衡。
2.4 评价系统中的权衡机制
在评价系统中，权重本质上是一种资源分配或重要性分配机制。组合赋权法通过在不同指标、不同方法和不同信息来源之间进行权衡，使评价结果更接近系统目标，也更便于在实际决策中使用。
3 常见组合方式
3.1 线性组合赋权
线性组合赋权是最常见的形式，即将不同方法得到的权重按一定系数相加，形成综合权重。该方式结构清晰，便于理解和实现，因此应用较广。
3.1.1 固定系数组合
固定系数组合是预先设定各单一权重的融合比例，例如按某一固定比例将主观权重与客观权重加总。这种方式实现简单，但系数选择往往依赖经验，灵活性相对有限。
3.1.2 动态系数组合
动态系数组合会根据样本特征、指标差异或模型表现调整融合比例。相较固定系数组合，它更能适应不同场景，但计算和参数设定通常更复杂。
3.2 乘法组合赋权
乘法组合赋权通过对各单一权重进行乘积运算或幂次变换后再归一化，突出不同方法一致认可的指标。该方式能够强化共识，但若某一权重过小，也可能使最终结果受压缩影响较大。
3.3 博弈论组合赋权
博弈论组合赋权将不同赋权方法视作多个参与者，通过协同博弈寻求整体最优解。它强调各方法之间的均衡与协调，适合处理多个权重方案相互冲突的情形。
3.3.1 协同优化原理
协同优化原理认为，各单一赋权方案并非相互排斥，而是可以通过共同优化获得更好的整体表现。其目标是让组合结果在多个方法之间达到较优折中，而不是偏向某一单独方案。
3.3.2 权重一致性处理
在博弈论框架中，权重一致性处理用于减少不同方法之间的显著偏离。常见做法是通过一致性约束或平衡条件，使最终组合权重既保留差异，又避免极端冲突。
3.4 最优化组合赋权
最优化组合赋权以某种目标函数为核心，通过求解最优系数获得组合权重。目标函数通常围绕误差、离散程度或整体效用构建，具有较强的数学化特征。
3.4.1 误差最小化模型
误差最小化模型以组合结果与参考目标之间的偏差最小为准则，常用于已有基准答案或历史表现可参考的场景。该模型重点在于降低偏离度，提高拟合效果。
3.4.2 方差最优模型
方差最优模型关注组合权重的波动性与稳定性，希望通过优化使权重分配更加平稳。它适用于需要控制结果波动、提升长期一致性的评价任务。
4 常用单一赋权方法
4.1 主观赋权方法
主观赋权方法主要依赖专家经验、层级判断或集体意见来确定权重。其优点是能体现领域知识，但也可能受到个人偏好影响。
4.1.1 德尔菲法
德尔菲法通过多轮匿名征询专家意见，并对意见进行汇总与修正，逐步形成较为一致的权重判断。它适合处理信息不完全、专业判断要求较高的问题。
4.1.2 层次分析法
层次分析法通过构建层级结构、两两比较指标重要性并进行一致性检验来确定权重。该方法逻辑清晰，在多指标决策中应用广泛，但当指标数量较多时，判断矩阵构造会变得繁琐。
4.2 客观赋权方法
客观赋权方法依据数据特征自动生成权重，不直接依赖专家主观评价。它适合样本较充足、数据质量较好的场景。
4.2.1 熵权法
熵权法利用信息熵反映指标的离散程度，离散越大、提供的信息量越多，其权重通常越高。该方法在评价体系中较常见，尤其适合比较各指标区分能力。
4.2.2 变异系数法
变异系数法以标准差与均值之比衡量指标相对波动程度。指标变异越明显，通常被赋予更高权重，因其更能区分样本差异。
4.2.3 CRITIC法
CRITIC法综合考虑指标的对比强度和冲突性，既关注指标波动，也考虑指标之间的相关关系。它能够在一定程度上反映指标的信息独立性。
4.3 混合前置处理方法
在进行赋权前，通常需要对原始数据进行统一处理，以消除量纲、方向和尺度差异带来的影响。这类方法虽然不直接产出权重，但对最终结果十分关键。
4.3.1 指标标准化
指标标准化是将不同量纲的数据转换到可比范围内，避免数值大小直接影响权重计算。常用于指标正向化和尺度统一。
4.3.2 数据归一化
数据归一化是将数据映射到固定区间，如0到1之间，使不同指标具有相近的数值范围。该步骤有助于提高后续权重计算的稳定性和可比性。
5 构建步骤
5.1 指标体系设计
首先需要根据研究目标建立指标体系，明确一级指标、二级指标及其逻辑关系。指标设计是否合理，直接影响组合赋权法的适用性和解释效果。
5.2 单一权重计算
在指标体系确定后，分别采用若干单一赋权方法计算各自权重。该步骤通常要求数据处理规范、计算过程清晰，以保证后续组合的基础可靠。
5.3 权重组合规则设定
接下来需要确定组合规则，例如采用加权平均、乘法合成或最优化模型。不同规则对应的数学意义不同，应根据研究目的和数据条件选择。
5.4 组合权重求解
在规则确定后，通过计算得到最终组合权重，并进行归一化处理。若采用优化模型，还需求解相应的目标函数和约束条件。
5.5 结果检验与修正
组合权重得到后，通常要检验其合理性、稳定性和一致性。若结果与实际认知明显偏离，需回到前序步骤进行修正，例如调整融合系数或重新筛选方法。
6 关键技术问题
6.1 权重冲突协调
不同赋权方法有时会给出差异较大的结果，形成权重冲突。协调这类冲突的关键，在于明确哪一部分差异来自数据特征，哪一部分来自方法偏好，再据此进行平衡。
6.2 权重归一化处理
组合后的权重通常需要归一化，使各指标权重之和为1，便于比较和应用。若缺少归一化，结果可能难以解释，也不便于后续评价计算。
6.3 参数选择与敏感性分析
组合赋权法常涉及融合系数、惩罚项或约束参数等设定。参数不同，结果可能明显变化，因此需要开展敏感性分析，检查模型对参数扰动的反应程度。
6.4 稳健性检验
稳健性检验用于考察权重在样本变动、方法替换或局部扰动下是否保持相对稳定。若权重波动过大，说明模型可能对数据结构过于敏感。
6.5 多方案一致性比较
在实际研究中，常会并行比较多种组合方案，以观察不同方案在排序结果、权重分布和解释性上的差异。这种比较有助于筛选更适合当前场景的方法。
7 优缺点分析
7.1 优点
7.1.1 综合性更强
组合赋权法能够同时吸收主观判断和客观数据的优点，因此在信息来源较复杂时具有更强的整合能力。
7.1.2 适应性更好
由于可根据任务目标灵活选取方法组合，它对不同领域、不同样本条件和不同评价目的的适应能力较强。
7.1.3 结果更稳健
相比单一赋权法，组合赋权法通常能减弱极端偏差，使最终权重分配更加平衡，评价结论也更稳定。
7.2 局限性
7.2.1 计算复杂度较高
当组合多个方法并引入优化模型时，计算流程会明显变复杂，对数据处理和程序实现能力要求更高。
7.2.2 参数依赖较强
许多组合方案需要设定融合系数或优化参数，参数选取不当会影响结果质量，甚至改变指标排序。
7.2.3 解释性可能下降
随着模型结构变复杂，最终权重的形成过程有时不如单一方法直观，尤其在多层组合和优化求解中，解释难度会增加。
8 应用领域
8.1 综合评价
组合赋权法常用于综合评价体系，如发展水平评价、区域比较和系统绩效评估。它能够更好地处理多维指标并形成相对平衡的结果。
8.2 资源配置
在资源配置问题中，组合赋权法可用于确定不同对象或方案的重要程度，为分配顺序和投入优先级提供依据。
8.3 风险评估
风险评估往往兼具主观判断和统计特征，适合采用组合赋权法来平衡经验判断与数据证据，从而提高风险识别的完整性。
8.4 绩效考核
在绩效考核中，组合赋权法可将管理目标、业务表现和数据指标结合起来，避免考核结果过分偏向某一类指标。
8.5 工程决策
工程决策通常涉及技术、经济、进度和安全等多类指标。组合赋权法能够在复杂约束下提供较为均衡的决策依据。
8.6 管理科学
在管理科学研究中，该方法常用于供应链评价、组织分析、运营管理等问题，有助于将定性判断与定量结果结合起来。
9 典型模型与扩展
9.1 基于AHP-熵权的组合模型
AHP-熵权组合模型将层次分析法得到的主观权重与熵权法得到的客观权重结合起来，是应用最广的组合形式之一。它兼顾专家经验与数据离散性，常用于综合评价研究。
9.2 基于AHP-CRITIC的组合模型
AHP-CRITIC模型在主观判断基础上引入CRITIC法，既保留层级判断的逻辑性，也考虑指标冲突性与对比强度，适合多指标差异较明显的场景。
9.3 基于博弈论的多方法组合模型
该模型将多种赋权方法视为博弈参与者，通过协同求解获得组合权重。它特别适合方法较多、结果差异明显且需要统一协调的情形。
9.4 面向模糊环境的组合赋权
在模糊环境下，指标边界和评价标准往往不够清晰，因此组合赋权法常与模糊理论结合，借助模糊数或模糊隶属度处理不确定信息。
9.5 面向灰色系统的组合赋权
灰色系统场景下，样本信息不完整或结构不充分，组合赋权法可与灰色关联、灰色预测等方法结合，以增强在小样本和弱信息条件下的适用性。
10 相关研究与发展
10.1 方法演进
组合赋权法最初多采用简单线性加权，随后逐步引入优化思想、博弈思想和复杂约束条件。其发展方向由经验型融合走向模型化、系统化和可计算化。
10.2 研究热点
当前研究重点主要集中在融合机制设计、参数自适应、稳健性分析以及权重解释等方面。同时，如何在提高精度的同时保持方法简洁，也是持续关注的问题。
10.3 与多属性决策的结合
组合赋权法与多属性决策方法结合紧密，常作为排序、筛选和优选模型中的前置环节。权重确定的质量，往往直接影响最终方案排序结果。
10.4 数据驱动化趋势
随着数据获取能力提升，组合赋权法正逐渐向数据驱动方向发展。越来越多的研究尝试引入机器学习、统计学习和智能优化技术，以增强权重生成的自适应能力与场景响应能力。