企业官网建设流程全解析

层次分析法这个词，很多人在论文里写过、在报告里用过，可真要聊到判断矩阵怎么构造、一致性比率为什么是0.1、方根法和特征值法差在哪，能完整讲清楚的人并不多。我自己第一次接触层次分析法是在做一个供应商评价课题的时候，当时照着别人的模板把矩阵填了、把权重算出来了、CR算出来小于0.1就交差了，后来被问了一句"你这个0.1是哪来的"，当场卡壳。从那以后我把这套方法的来龙去脉重新啃了一遍，也用MATLAB把每一步都自己写过一遍。这篇就按一个真正用过它的人的角度，把层次分析法从建模思路到代码落地完整捋一遍，适合正在写论文、做评价体系、做方案选型的朋友，也适合那些"会用但说不清"的人回头补课。

1. 为什么有人用了三年层次分析法还是没入门

1.1 一句话说清楚层次分析法到底在解决什么问题

层次分析法的本质，是把一个说不清道不明的"综合判断"，拆成一层层可以说清楚的"两两比较"。你让一个人直接给"选哪个供应商"打分，他很难给出稳定的数字；但你让他回答"价格和质量哪个更重要、重要多少"，他脑子里是有感觉的。层次分析法就是把这个感觉结构化、数值化，最后汇总成一个可以排序的权重向量。

它处理的是多准则决策问题：有若干个备选方案，有若干个评价准则，准则之间量纲不同、重要程度不同，怎么综合出一个排名。比如选供应商要看价格、质量、交期、售后；选城市要看房价、通勤、教育、医疗；选技术方案要看性能、成本、维护难度、团队熟悉度。这些问题的共同点是：没有一个统一的尺子，各因素之间也没法直接相加。

这里必须先纠正一个特别常见的误解：**层次分析法不是用来"算出一个客观真理"的，它是把决策者的主观判断显性化、结构化。**权重反映的是"你认为什么重要"，而不是"客观上什么重要"。想清楚这一点，后面很多困惑——比如"为什么我算出来的权重和别人不一样"——就自然消解了。不同的专家、不同的判断矩阵，算出来的权重本来就该不一样，这不是方法出错，这是方法在如实反映输入。

1.2 什么时候该用层次分析法，什么时候别碰它

我见过太多硬套的场景，明明有客观数据可用，非要拉几个专家拍脑袋填矩阵，最后算出来的东西还不如直接加权求和靠谱。所以先划清楚适用范围。

适合用的场景有这几类：一是准则本身难以量化，比如"企业文化契合度""战略协同性"这种，你没法用数字直接测；二是样本量小、无法做统计回归，比如只有三五个备选方案，统计方法根本跑不动；三是需要把专家经验固化下来，形成一套可复用、可解释的评价体系；四是需要向别人解释决策过程，层次分析法的中间结果是可视化的，权重、一致性比率都摆在那里，比黑箱模型好解释得多。

不适合用的场景同样明确：有大量客观数据且数据质量不错的时候，直接上熵权法、CRITIC法、主成分分析这些客观赋权方法更合适；需要做预测而不是评价的时候，层次分析法帮不上忙；备选方案特别多的时候（比如上百个），两两比较的判断矩阵会膨胀到无法维护，此时更适合先做筛选再评价。

我个人的经验是：**层次分析法最适合做"准则层"的赋权，而不是做"方案层"的打分。**准则权重用专家经验定，方案得分尽量用客观数据算，两者结合是实际项目里最稳的玩法。纯主观的方案层打分，一旦专家之间分歧大，结果会非常飘。

1.3 三张表看懂层次分析法的完整流程

很多人学层次分析法是零散地记公式，记完就忘。我建议按"结构—矩阵—检验"三段式来记，每一段对应一个明确的产出物。

这五步里，真正决定结果质量的是前两步，后面三步都是标准动作。判断矩阵填错了，后面算得再精确也没意义。我见过有人把一致性检验当成"走过场"，CR大于0.1也照样往下算，这种结果拿去做决策是很危险的。

还有一点值得强调：层次结构图不是画得越深越好。准则层分三层、每层再分三四个子准则，看起来内容丰富，实际上判断矩阵数量会指数级增长，专家填到后面全是疲劳作答，数据质量反而下降。准则层控制在3到7个，是整个层次的黄金区间，这个数字不是随便说的，它和后面一致性指标RI的适用阶数直接相关。

2. 结构建模：把脑子里的判断变成可计算的骨架

2.1 目标层、准则层、方案层到底怎么定

标准的层次结构是三层：最上面是目标层，只有一个元素，就是你要解决的决策问题，比如"选择最优供应商"。中间是准则层，放评价维度。最下面是方案层，放备选对象。

看起来简单，坑在细节里。目标层的表述必须单一、可判定。如果你的目标是"提升企业竞争力"，这不是一个可评价的目标，因为它没有明确的比较对象。正确的写法是"从三家候选供应商中选择一家作为未来两年的主供应商"，有明确的行动、明确的对象、明确的时间范围。

准则层的每个准则都要满足独立可测。什么叫独立？就是准则之间不能互相包含。比如你已经有了"技术水平"，就不要再单列"研发能力"，因为后者基本被前者覆盖了。准则重叠会让权重失真——重叠的部分被计算了两次，实际重要性被放大。

方案层的处理有个小技巧：如果备选方案多于7个，先做一轮粗筛。可以用简单的打分卡剔除明显不合格的，剩下的再进层次分析法。我做过一个项目，最初有12家供应商入池，直接建矩阵的话准则层矩阵是12阶，专家填一份要半小时还错误百出。后来先用资质、财务、产能三个硬指标筛掉7家，剩5家再做，效率和准确度都上来了。

2.2 指标筛选的三种实用手法

准则怎么选，这是建模阶段最费脑子的地方。我常用的有三种手法，按项目情况选用。

第一种是文献频次法。去检索同主题的已有研究，把出现频率高的指标统计出来，取前若干个。这个方法的好处是有据可依，写论文的时候好交代来源；坏处是容易趋同，大家都是那几个指标，缺乏针对性。我一般用它来打底，形成候选池。

第二种是专家访谈法。找三到五位真正懂这个领域的人，每个人独立列一份自己认为重要的准则，然后取交集和并集。交集是共识指标，并集里出现两次以上的作为补充指标。访谈的时候有个关键技巧：不要问"你觉得什么重要"，要问"如果只能保留三个指标你会保留哪三个"，前者的答案往往是全面的废话，后者的答案才有区分度。

第三种是相关性过滤法。把候选准则两两做相关性分析，相关系数超过0.8的，保留其中一个。这一步需要数据支撑，样本少的时候做不了，但只要有数据就应该做，能有效避免指标冗余。

实际操作里我是这样组合的：先用文献法凑出10到15个候选，再用访谈法筛到6到8个，最后。如果样本够就用相关性过滤压到5个以内。最终准则层定5个左右是比较舒服的规模，判断矩阵15次比较，专家二十分钟能认真填完。

2.3 判断矩阵的1-9标度到底在表达什么

这是层次分析法最核心也最容易被误解的部分。1-9标度不是让你"给重要性打个分"，而是让你回答两个元素之间相对重要多少。

判断矩阵有三个必须满足的性质，写代码的时候都要检查：

• 正互反性：a_ij > 0，且 a_ij = 1 / a_ji，对角线全为1。这一条保证了矩阵的结构完整。
• 传递性（理想状态）：a_ij × a_jk = a_ik。实际中几乎不可能完全满足，所以才有一致性检验。
• 有界性：取值落在1/9到9之间。这个范围的设定是有讲究的，心理学研究表明人同时辨别差异的极限大概是7±2个等级，1-9刚好覆盖这个区间。

提示：填矩阵的时候千万不要逐格去填。正确做法是先填上三角，下三角用倒数自动生成。这样既省时间，又天然保证了互反性，不会出现a_ij=3但a_ji=1/4这种低级错误。手写的时候我都先画一个上三角，填完再对称取倒数。

关于标度的选择，还有一个经常被忽略的点：**1-9标度适合"差异较大"的比较，如果两个准则差异很小，用1或者2就够了，不要动不动就上7和9。**很多判断矩阵一致性差，就是因为把所有比较都拉开成大分数，人为制造了矛盾。我的经验是，一个5阶矩阵里出现9的次数最好不要超过一次，出现7的次数控制在两次以内，整体标度分布偏小反而更稳定。

3. 权重计算：特征值法、方根法、和积法逐个拆解

3.1 特征值法：数学意义上的标准解法

层次分析法的理论基础来自正互反矩阵的一个性质：**完全一致的判断矩阵，其最大特征值恰好等于矩阵阶数n，对应的特征向量归一化后就是权重向量。**现实中矩阵不可能完全一致，最大特征值会略大于n，但对应的特征向量仍然可以作为权重的良好近似。这就是特征值法的由来。

具体步骤是：求矩阵A的全部特征值和特征向量，找到模最大的那个特征值λ_max，取它对应的特征向量，做归一化处理，得到的向量就是权重。

这里有个细节需要注意：λ_max对应的特征向量各分量未必同号，实际计算中可能出现负数分量。出现负值说明数值求解有误差，处理办法是取绝对值再归一化。MATLAB里用eig()函数求出来的是复特征值，需要取实部再处理。这些细节在教科书里往往一句带过，但真正写代码的时候不注意就会算出莫名其妙的权重。

特征值法的优点是数学上最严谨，是层次分析法原始文献采用的方法，论文里写出来最有说服力。缺点也很实在：计算量大，手算基本不可能，必须依靠工具；而且当矩阵接近奇异、或者存在多个接近最大特征值的特征值时，结果的稳定性会下降。我在做正式报告的时候用特征值法，做快速试算或者教学演示的时候用近似法。

3.2 方根法与和积法：手算和代码里的实用派

方根法（也叫几何平均法）的思路非常朴素：把判断矩阵每一行的元素连乘，开n次方，然后归一化。公式写出来是这样：

第一步，逐行连乘：M_i = ∏(j=1到n) a_ij

第二步，开n次方：W_i' = M_i^(1/n)

第三步，归一化：W_i = W_i' / Σ W_i'

和积法（也叫算术平均法）则是另一条路：先按列归一化，再按行求和，最后再归一化一次。

第一步，列归一化：b_ij = a_ij / Σ(i=1到n) a_ij

第二步，行求和：S_i = Σ(j=1到n) b_ij

第三步，归一化：W_i = S_i / Σ S_i

两种方法的手算量都不大，5阶矩阵十几分钟能算完。更关键的是，这两种方法算出来的权重和特征值法的结果非常接近，文献里做过大量对比，误差通常在千分之几的量级。所以在精度要求不是极端苛刻的场景下，用方根法完全够用。

我个人的建议是：**论文里主方法写特征值法，同时用方根法做验证，两者结果对得上说明计算无误，对不上就说明哪里算错了。**这是一个非常实用的自查手段，比反复检查公式有效得多。

3.3 三种方法的误差对比与选择建议

为了让大家直观感受到差异，我拿一个实际用过的5×5判断矩阵做了对比测试，结果如下。

这个表格里的偏差数字在100次随机测试中的统计结果，不是单次值。可以看到，方根法的表现确实优于和积法，这也是为什么我在代码里默认用方根法做快速计算。

还有一点值得提：**当判断矩阵的一致性很好（CR小于0.05）时，三种方法的结果几乎完全一致；一致性越差，方法之间的差异越大。**这其实给了我们一个额外的信号——如果你用两种方法算出来的权重差异很明显，那多半不是方法的问题，而是你的判断矩阵本身矛盾太多，应该回头去改矩阵，而不是纠结用哪种算法。

注意：不管用哪种方法，最后一步归一化都不能省。我见过有人算出权重向量(2.15, 1.14, 0.41)就往下用了，忘记除以总和，结果方案综合得分加起来不等于1，排序虽然没错，但数值完全没法解释，也没法和别人的结果对比。

4. 一致性检验：最容易被糊弄过去的一步

4.1 CI、RI、CR三个指标的来龙去脉

一致性检验要回答的问题是：你在判断矩阵里填的那些数字，逻辑上自洽吗？

举个例子，如果你认为A比B重要3倍，B比C重要2倍，那么按照传递性，A应该比C重要6倍。如果你在矩阵里填的A比C是2倍，那就出现了逻辑矛盾。这种矛盾在人的主观判断里很常见，程度轻一点不影响结果，程度重了就会让权重失去意义。

衡量这个矛盾程度的指标叫一致性指标CI，公式是：

CI = (λ_max - n) / (n - 1)

λ_max是最大特征值，n是矩阵阶数。完全一致时λ_max = n，CI = 0。偏差越大，CI越大。

但CI的大小和矩阵阶数有关：同样是0.1的CI，3阶矩阵里已经算偏差很大了，10阶矩阵里可能还算可接受。为了消除阶数影响，需要引入一个参照标准，这就是随机一致性指标RI。

RI的获取方式是这样的：随机生成大量同阶的正互反矩阵（元素从1/9到9随机取），各自算出CI，取平均值。这个过程重复足够多次，得到的平均CI就是这个阶数的RI。所以RI本质上是一个"随机填矩阵时的典型矛盾水平"。

最后，一致性比率CR = CI / RI。当CR小于0.1时，认为一致性可以接受；大于等于0.1时，需要重新调整判断矩阵。

4.2 随机一致性指标RI表与阶数对应关系

这张表必须记住，或者至少知道去哪里查。我用的是Saaty原始文献给出的标准值：

有两个地方需要特别注意。第一，n=1和n=2时RI为0，这意味着这两种情况下一阶矩阵和二阶正互反矩阵天然完全一致，CI必然为0，检验环节可以直接跳过，不要在代码里除零。第二，n超过15以后RI值趋于稳定在1.59附近，但我不建议用超过10阶的矩阵，因为专家在填写15阶矩阵时需要做105次两两比较，数据质量根本没法保证。

提示：不同教材给出的RI值在小数点后第二位会有细微差异，这是随机模拟次数不同导致的。写论文时注明你采用的来源即可，不要因为差0.01就怀疑自己算错了。我一般在代码里把这张表硬编码进去，避免每次都要翻书。

4.3 CR不达标时应该怎么改，改法有优先级

这是实际操作中最折磨人的一步。CR算出来0.15，怎么办？很多人第一反应是"随便找几个数字改一下"，这样改出来的矩阵虽然通过了检验，但已经失去了原本的判断含义，等于自己骗自己。

我总结了一套有优先级的调整方法，从最该改的到最不该改的依次是：

**第一优先级：检查有没有明显的填写错误。**比如上三角填了3，下三角填的是1/3以外的值，或者对角线不等于1。这类错误修正后往往CR立刻就下来了。

**第二优先级：找出矛盾最集中的元素。**计算每一行的"偏差贡献"，也就是把矩阵的每一列与权重向量做比值，看哪一行的波动最大。波动最大的那一行对应的准则，往往是专家判断最没把握的，重新和他确认一遍。

**第三优先级：调整最大的标度。**把你填的9改成7，7改成5，整体把所有标度往1的方向压缩。因为一致性差很多时候就是因为标度拉得太开，压缩后矛盾自然减少。

**第四优先级：反向检查传递性链条。**找出所有的三元组(a, b, c)，检查a_ab × a_bc与a_ac是否偏离太远，优先修正偏离最大的那个元素。

**最后才考虑：整体重填。**如果以上都试过还是不行，说明专家对这个问题的判断本身就不稳定，这时候要做的不是硬凑矩阵，而是把问题拆得更细，或者增加专家数量做群决策。

实测下来，按这个优先级处理，90%以上的不一致问题都能在前三步解决。真正需要重填的情况其实很少，多数人一上来就重填，纯粹是因为不知道怎么定位问题。

5. MATLAB实操：从输入矩阵到输出权重排名

5.1 完整的主程序代码

下面这套代码是我自己用了很多轮的版本，包含了权重计算、一致性检验、结果输出三个部分，可以直接跑。

function [w, CR, lambda_max, CI] = ahp_weights(A) % AHP_WEIGHTS 计算判断矩阵的权重向量与一致性比率 % 输入: A - n×n 正互反判断矩阵 % 输出: w - 归一化权重列向量 % CR - 一致性比率 % lambda_max - 最大特征值 % CI - 一致性指标 n = size(A, 1); if size(A, 2) ~= n error('判断矩阵必须是方阵'); end % ---------- 一致性检验 ---------- [V, D] = eig(A); lambda_max = max(real(diag(D))); CI = (lambda_max - n) / (n - 1); RI_table = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, ... 1.41, 1.45, 1.49, 1.51, 1.54, 1.56, 1.58, 1.59]; if n <= 15 RI = RI_table(n); else RI = 1.59; end if RI == 0 CR = 0; else CR = CI / RI; end % ---------- 权重计算（特征向量法）---------- [~, idx] = max(real(diag(D))); w = abs(real(V(:, idx))); w = w / sum(w); end

再给一个方根法的版本，方便做交叉验证：

function [w, lambda_max, CI, CR] = ahp_geomean(A) % 几何平均法（方根法）计算权重 n = size(A, 1); M = prod(A, 2); % 每行连乘 Wp = M .^ (1/n); % 开n次方 w = Wp / sum(Wp); % 归一化 % 用权重反推最大特征值 Aw = A * w; lambda_max = mean(Aw ./ w); CI = (lambda_max - n) / (n - 1); RI_table = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, ... 1.41, 1.45, 1.49, 1.51, 1.54, 1.56, 1.58, 1.59]; RI = RI_table(min(n, 15)); if RI == 0 CR = 0; else CR = CI / RI; end end

5.2 代码逐段拆解与参数说明

先说特征值法那段。eig(A)返回的是特征向量矩阵V和特征值对角矩阵D。判断矩阵是实对称吗？不一定，正互反矩阵只在完全一致时才对称，一般情况下不对称，所以特征值可能是复数。用real(diag(D))取实部是必须的，否则max会按复数模比较，得到的结果可能不符合预期。

lambda_max = max(real(diag(D)))这里还有个隐含假设：最大特征值是实数。对于正互反矩阵，Perron-Frobenius定理保证了存在唯一的正实特征值，且它是模最大的。所以这个取法是对的，不用太担心。

权重向量取abs(real(V(:, idx)))，先取实部再取绝对值，最后归一化。为什么取绝对值？因为数值误差可能让本该是正数的分量变成-1e-15这种，直接用它算会出问题。取绝对值后权重向量保持非负，符合权重定义。

方根法那段，prod(A, 2)是沿第二维求积，也就是每行元素的乘积。注意如果矩阵里有0就完蛋了，不过判断矩阵元素都是正数，不会有这个问题。mean(Aw ./ w)是标准的最大特征值近似公式，理论依据是当w是精确特征向量时Aw = λw，所以Aw./w的每个分量都等于λ。

这里有个数值细节：如果某个w分量非常小，Aw./w可能不稳定。实际使用中判断矩阵的权重不会出现极端小的值，除非矩阵质量很差，所以一般不用特殊处理。如果你想稳妥一点，可以用加权平均代替算术平均，但效果差别不大。

注意：MATLAB里**不是乘方运算符，要用.^。我看到过初学者在这个地方卡了很久，报错信息又不够直白。另外prod和^的维度要对应好，M .^ (1/n)里的点号不能漏，漏了就变成矩阵的n次方根，结果完全不对。

5.3 一个完整的选供应商案例跑通全过程

理论说再多不如跑一个完整例子。假设你要从三家供应商中选一家，准则层定了四个：价格、质量、交付、服务。

**第一步，构造准则层判断矩阵。**经过和采购、质量、生产三个部门的人沟通，得到如下矩阵（行和列的顺序依次是价格、质量、交付、服务）：

A = [1, 1/2, 3, 2; 2, 1, 4, 3; 1/3, 1/4, 1, 1/2; 1/2, 1/3, 2, 1];

含义是：质量比价格重要（2:1），价格明显比交付重要（3:1），质量比服务重要（3:1），交付比服务稍差（1:2）。这些判断来自访谈中的共识，不是我随手编的。

第二步，算权重和一致性。

[w, CR, lambda_max, CI] = ahp_weights(A); disp(w); disp(CR);

方根法手算的结果是：先把每行相乘，价格行1×0.5×3×2=3，开四次方得1.3161；质量行2×1×4×3=24，开四次方得2.2134；交付行0.3333×0.25×1×0.5=0.04167，开四次方得0.4518；服务行0.5×0.3333×2×1=0.3333，开四次方得0.7598。

四者之和是4.7411，归一化后得到权重：

• 价格：0.2776
• 质量：0.4669
• 交付：0.0953
• 服务：0.1603

一致性检验：矩阵乘权重向量得到(1.1176, 1.8842, 0.3847, 0.6453)，逐项除以对应权重得到四个比值4.0258、4.0356、4.0368、4.0258，平均后λ_max约为4.0310。

CI = (4.0310 - 4) / 3 = 0.01033，4阶矩阵RI = 0.90，CR = 0.0115。远小于0.1，一致性非常好，这个矩阵可以用。

**第三步，构造方案层判断矩阵。**每个准则下，对三家供应商做两两比较。以价格准则为例，供应商A价格最低、B中等、C最高，得到：

P_price = [1, 2, 5; 1/2, 1, 3; 1/5, 1/3, 1];

同理构造质量、交付、服务三个矩阵：

P_qual = [1, 1/3, 1/2; 3, 1, 2; 2, 1/2, 1]; P_deliv = [1, 3, 4; 1/3, 1, 2; 1/4, 1/2, 1]; P_serv = [1, 1/2, 2; 2, 1, 3; 1/2, 1/3, 1];

分别算出四个矩阵的权重向量：

**第四步，逐层合成。**用准则权重乘以各方案在该准则下的权重，再求和。

供应商A的总得分：0.2776×0.5815 + 0.4669×0.1634 + 0.0953×0.6250 + 0.1603×0.2970 = 0.1614 + 0.0763 + 0.0596 + 0.0476 = 0.3449

供应商B的总得分：0.2776×0.3090 + 0.4669×0.5396 + 0.0953×0.2385 + 0.1603×0.5396 = 0.0858 + 0.2519 + 0.0227 + 0.0865 = 0.4469

供应商C的总得分：0.2776×0.1095 + 0.4669×0.2969 + 0.0953×0.1365 + 0.1603×0.1634 = 0.0304 + 0.1386 + 0.0130 + 0.0262 = 0.2082

三个得分相加等于1.0000，验证了归一化没有问题。最终排序是B优于A优于C。有意思的是，A在价格和交付上都排第一，但因为质量准则的权重最高（0.4669），而A恰恰在质量上最弱，最终被B反超。这个结果拿给采购部门看的时候，讨论的焦点就集中在"质量权重给到0.47是不是偏高"上，这比单纯争论"选谁"有效得多。

6. 常见问题与排查技巧实录

6.1 一张速查表覆盖八成报错场景

我在帮别人看代码和审论文的过程中，整理了一批高频问题，做成速查表。

这张表里最值得说的是"λ_max小于n"这条。理论上正互反矩阵的最大特征值必然大于等于n，等号只在完全一致时成立。如果你的代码算出来λ_max小于n，百分百是计算过程出了问题，最常见的坑是特征值取了复数模而不是实部，或者矩阵本身填错了（比如把0.5填成了2.5这种手误）。

6.2 群决策：多个专家意见不一致怎么办

实际项目里很少是一个人填矩阵，通常是三到五个专家各自填一份。这时候怎么聚合？常见的有三种做法，各有适用场景。

第一种是聚合判断矩阵：把各位专家填的矩阵对应元素做几何平均，得到一个综合矩阵，再算权重。几何平均的公式是a_ij = (∏ a_ij^(k))^(1/m)，m是专家数量。注意是几何平均不是算术平均，因为判断矩阵的元素是比值关系，只有几何平均才能保持互反性。如果对a_ij做算术平均，对a_ji也做算术平均，两者乘积不一定等于1，矩阵就破坏了。

第二种是聚合权重：每位专家各自算权重，再对权重做算术平均。这种方法的好处是能保留每位专家的完整判断，也能算权重标准差来反映分歧程度。

第三种是先讨论后统一：把分歧大的元素拿出来，组织专家面对面讨论，达成一致后再填一份统一的矩阵。

我一般推荐第二种加第一种结合：先各自算权重，看看分歧大不大。如果标准差很小（比如各权重标准差不超过0.05），直接用第二种的平均权重；如果标准差很大，说明专家意见确实分裂，这时候用第一种聚合矩阵的结果更稳妥，同时把分歧情况在报告里说明。

提示：专家数量建议不少于5人，且最好来自不同岗位。全是同一个部门的人，判断会高度趋同，群决策的意义就不大了。另外每个专家填之前要给他们同一套准则定义和标度说明，定义不统一是群决策结果离散的最大原因。

6.3 权重差别很小的排序陷阱

有一种情况特别容易误导人：算出来两个方案的得分是0.3452和0.3418，差了0.0034，你就宣布前者更优。这个结论其实站不住脚，因为输入数据本身的判断误差可能就有0.01的量级了。

处理这个问题有两个办法。一是做敏感性分析：把准则权重上下浮动10%，看排序会不会翻转。如果浮动5%排序就变了，那说明两个方案本质上难分伯仲，报告里应该如实说明。二是设定区分阈值：比如约定得分差小于0.02视为"无明显差异"，需要结合其他因素决定。

我自己做项目时，只要前两名差距小于0.03，就会在结论里加一句"两者综合表现接近，建议结合实地考察或试用结果确定"。这句话看起来是废话，其实体现的是对方法的尊重——层次分析法的精度是有限的，不能把它算出来的小数点后四位当成硬结论。

6.4 几个只有踩过才知道的实操心得

**心得一：判断矩阵填之前先让专家做一次"排序"。**只让专家把准则按重要性排个序，不填具体数字。等填矩阵的时候如果出现"排第2的准则标度比排第1的还大"这种矛盾，立刻就能发现。这个方法特别管用，能提前拦住大部分一致性事故。

**心得二：RI表按阶数查，不要按准则数量查。**这里容易混淆——如果你的层次结构有两层判断矩阵，一个是4阶（准则层），一个是3阶（方案层），那就要分别查RI。我见过有人用4阶的RI去检验3阶矩阵，算出来的CR偏小，误以为通过。

**心得三：代码里加一个输入校验函数。**检查矩阵是否为正互反的标准是：所有元素大于0，对角线等于1，且|a_ij × a_ji - 1| < 1e-8。加这一步能避免大量手工录入错误，特别是从Excel导入数据的时候。

**心得四：结果一定要做一次"合理性回看"。**把算出来的权重念一遍，问自己"这个排序符合我原本的判断吗"。如果权重最高的准则和你直觉上认为最重要的不一致，先别急着改，去看看判断矩阵里是不是有填反的地方。我碰到过一次，算出来"售后"权重最高，回头一查是填矩阵的人把行和列搞反了。

**心得五：判断矩阵的来源要存档。**每一份判断矩阵对应哪位专家、什么时候填的、当时的口径是什么，都要记录。这类项目往往要经历好几次评审，评审人一问"这个数是怎么来的"，你能立刻翻出来，可信度完全不一样。

7. 如果你还想往下走，这几个方向值得看看

层次分析法本身到上面基本讲完了，但真正把它用好，还需要知道它和其他方法的组合方式。这里简单说说我接触过的几个方向，有兴趣的可以按需深入。

模糊层次分析法，解决的是"专家说不清程度"的问题。传统方法要求专家在1到9之间给一个确定值，但很多时候专家的判断是"大概在3到5之间"。模糊层次分析法用三角模糊数或者区间数来表示这种不确定性，最后做去模糊化处理。它的计算量比经典方法大不少，适合不确定性要求高的场景。

层次分析法加熵权法组合赋权，这是我个人最推荐的组合。层次分析法负责主观权重，熵权法负责客观权重，两者按一个系数加权得到综合权重。这样既保留了专家经验，又让数据说话。系数怎么定是个学问，常见做法是用距离函数或者博弈论组合，简单点就直接五五开。用这个组合，能规避"纯主观拍脑袋"和"纯客观没解释力"两个极端。

层次分析法加TOPSIS，解决的是方案层打分的问题。准则权重用层次分析法算，方案得分用TOPSIS算，两者结合形成"权重—得分"两步走。比纯层次分析法的优势是方案层不需要专家填矩阵，直接输入原始数据，减少了主观成分。这套组合在工程评价类论文里非常流行，代码量也不大。

最后分享一个我自己用下来最舒服的做法：**准则权重用层次分析法，方案数据用客观指标，最后用加权标准化矩阵做综合排序。**这套流程既满足了"方法有理论依据"的评审要求，又避免了方案层主观打分带来的争议。判断矩阵那部分永远是最容易被人质疑的，所以我在报告里会把每个判断的来源写清楚——哪位专家、什么依据、为什么给这个标度，越是能追溯到源头的判断，越经得起推敲。

这些年在不同项目里反复用层次分析法，最深的一个体会是：**这个方法的难点从来不在数学上，方根法三行公式谁都能背下来，难的是怎么把一个模糊的决策问题拆解得既完整又不冗余，怎么让专家的判断真实且一致地表达出来。**矩阵和权重只是最后那个出口，前面的结构设计和数据采集才是决定成败的地方。