动态综合评价模型复现介绍：具有趋优特征的动态综合评价方法
动态综合评价模型复现介绍：具有趋优特征的动态综合评价方法
一、论文基本信息
论文题目：
具有趋优特征的动态综合评价方法及其应用
英文题目： Dynamic Comprehensive Evaluation Method with
Approximate Optimal Feature and Its Application
作者： 何意雄
学位授予单位： 南昌大学
导师： 张发明 教授
答辩日期： 2017 年 5 月 27 日
类型： 硕士学位论文（技术经济及管理）
这篇文章讨论的是动态综合评价里一个很实在、但容易被绕过去的问题：
当我们要对同一批对象在多个时期的表现做综合评价时，各个时期的权重到底该怎么定？
大部分做法要么"一视同仁"，要么按"厚今薄古"（越近的时期越重要）来赋权。
这篇论文说：还不够。还要看系统在哪个时期整体发展得更好。
也正是这一点，构成了全文的核心创新。
二、这篇文章解决了什么问题？
传统 TOWA 算子的盲区
郭亚军教授提出的 TOWA 算子（时序加权平均算子），是动态综合评价里运用最广的信息集结工具。它用"降维"的思路，把高维、复杂的时序立体数据表压缩成一列综合评价值，非常好用。
但 TOWA 有一个特点：
时间权向量只跟"时间诱导分量的顺序位置"有关，与数据分量的大小无关。
换句话说，在传统 TOWA 里，2009 年就是 2009 年，它拿到多少权重只取决于它离现在多远——这一年系统整体发展得好还是差，完全不影响它的权重。
论文针对的就是这一点：把"数据分布情况"（具体说，是"趋优程度"）也纳入时间权向量的确定。
什么是"趋优"？
论文对"趋优"的定义是：
各评价对象向最好方向发展的接近程度，应用到动态综合评价里，表现为各评价对象整体在各时期相较于系统最优发展状态的情况。
由此引出全文的核心新指标——趋优度：
趋优度越高，说明该时刻被评价对象整体表现与系统发展最优状态越接近，对系统的发展贡献越大。
在中部六省 2009—2014 年的例子里，论文算出的逐年趋优度是：
| 年份 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 |
|---|---|---|---|---|---|---|
| 趋优度 | 0.459 | 0.856 | 0.880 | 0.896 | 0.836 | 0.887 |
看得出来，2012 年中部地区整体发展最接近最优状态，2009 年（"中部崛起规划"实施首年）反而最差。
这个信息本身就有管理含义——它能直接回答"某项宏观政策实施了几年，效果到底哪一年最好"。
把偏好装进权重里
有了趋优度，就可以给出三套时间权向量：
- W_λ：只考虑"时间度"（厚今薄古）；
- W_σ：只考虑"趋优度"（哪个时期整体趋优，就给哪个时期更大权重）；
- W = αW_λ + βW_σ：把两者融合起来。
论文的思路可以概括成一句话：
先客观测算出系统各时期"趋优程度"，再让管理者的时序趋优偏好，通过时间权向量体现出来。
三、模型的核心结构
这篇文章实际上是一条 五步链路：
第一步：一次加权 —— 得到静态综合评价值矩阵
指标维 → 时间维。用熵值法等常规方法，先算出每个对象在每个时期的静态综合评价值：
\[Y = [y_i(t_k)]_{n \times T}\]
这一步的输出，就是论文的 表 8（中部六省）、表 4（西部 12 省市）和 表 11（江西 6 高校）。
第二步：定参照系 —— 构造最优时序数据
取每个对象在所有时期中的最大值，构成最优时序数据集 \(C^*\)：
\[C^*_i = \max_k y_i(t_k)\]
第三步：算趋优度 —— 改进的灰色关联分析
这是全文最核心的一步，分四个小动作：
- 对每个对象，沿时间方向求差分 \(d_{ki}\)（首个差分预定义为 0）；
- 参照序列 \(C^*\) 同样求差分 \(d^*_i\)；
- 用 \(d^*_i\) 的标准差做尺度，把两组差分标准化；
- 构造带符号的关联系数：
\[\xi_k(i) = \frac{\mathrm{sign}(d_{ki} \cdot d^*_i)}{1 + \big||d_{ki}/\sigma| - |d^*_i/\sigma|\big|}\]
最后在 \(n-1\) 个对象上取平均，得到该时刻的趋优度：
\[r_k = 1 - \frac{1}{n-1}\sum_{i=2}^{n}\xi_k(i)\]
第四步：定时间权向量 —— 三套权重
（1）"时间度"权向量 W_λ（郭亚军式）
引入"时间度"λ 度量评价者的时间偏好，求解一个非线性规划模型（论文式 9）。λ 越小越重视近期数据。
论文取 λ = 0.1（强烈厚今薄古），解得：
\[W_\lambda = (0.0029,\ 0.0086,\ 0.0255,\ 0.0755,\ 0.2238,\ 0.6637)^T\]
（2）"趋优度"权向量 W_σ
把各时期的趋优度 \(r_k\) 由小到大排序，然后按等差数列赋权：趋优度最低的时刻给 \(a\)，公差为 \(d\)。
待定系数 \(a\) 由决策者设定，含义非常直观：
| 赋值 a | 意义 |
|---|---|
| \(0 < a < 1/T\) | 重视趋优度高的时刻 |
| \(a = 1/T\) | 所有时刻同等重要（无时序趋优偏好） |
| \(1/T < a < 1\) | 重视趋优度低的时刻（逆向偏好） |
赋值后再按排序的映射关系还原到各时刻，得到 \(W_\sigma\)。
（3）融合权向量 W
设 \(W = \alpha W_\lambda + \beta W_\sigma\)，通过"使总评价值最大"的单目标优化模型确定 α、β，从而最大程度突出被评价对象之间的整体差异。
第五步：二次集结 —— 得到最终评价值
\[h_i = \sum_{k=1}^{T} w_k \, y_i(t_k)\]
再据此排序。
所以，论文的表 8 与 4.1.7 节给出的趋优度向量、时间权向量、最终评价值，属于同一个框架，但不是同一个模型直接同时输出的结果，而是：
先算静态评价值，再算趋优度，最后定权集结，一步接一步。
这也解释了为什么复现这类方法时，必须按论文的中间过程逐段核对，而不能只看最后的排序——最终排序一致，不代表中间每一步都对。
四、如果你正在做动态评价，大概率卡在这三个地方
这篇论文之所以值得看，是因为它精准地切中了做多年度评价时最常见的三个死结。
痛点一：时期权重靠"拍"，结果一改权重就翻盘
多年度评价绕不开一个问题：6 个年份，权重怎么分？
大多数人的处理方式是两种：
- 要么直接等权（1/6、1/6、1/6、1/6、1/6、1/6）；
- 要么设定"厚今薄古"，越近的年份权重越大。
但这两个做法都有同一个隐患：权重的确定过程是主观的，跟数据本身没关系。
于是评审专家或甲方最常问的一句话就来了：
"你这个权重凭什么这么定？换成等权，排名是不是就变了？"
一旦排序对权重敏感，整个评价结论的稳健性就站不住。
这篇论文的解法：让客观数据参与进来——先算出每个时期系统整体"趋优"到什么程度，再让这个客观结果去影响权重。权重因此有了数据支撑，不再只是人的主观设定。
痛点二：只能排出"谁第一谁第二"，说不出"哪一年最好"
传统动态评价的最终交付物，通常就是一张排序表：
A 第一，B 第二，C 第三。
但委托方（政府、高校、企业）真正想知道的往往是另一个问题：
"这项政策实施了 6 年，到底哪一年的效果最好？哪一年开始走弱？"
这个问题，传统方法答不了——因为它把所有年份碾成了一个数。
这篇论文的解法：它不仅输出排序，还额外输出一个逐年序列——趋优度向量：
| 年份 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 |
|---|---|---|---|---|---|---|
| 趋优度 | 0.459 | 0.856 | 0.880 | 0.896 | 0.836 | 0.887 |
一眼就能看出：2012 年最佳，2009 年（政策首年）最弱，2013 年出现放缓。
这份"过程诊断"，才是很多委托方真正愿意花钱买的东西。
痛点三：评价阶段太少时，一般方法分辨不出差异
这是最容易被忽略、但最有价值的一个点。
当评价只有 3 个时期（比如"研一 / 研二 / 研三"、"前年 / 去年 / 今年"）时：
- 等权加权 → 各期差异被抹平；
- 厚今薄古 → 权重设定稍有变化，排序就重排。
论文第 3 章的结论明确指出：
在样本容量越大、评价阶段越多的情况下，考虑与不考虑数据时序趋优度，评价结果的差异会更为明显。
反过来说：在样本少、阶段少的场景里，传统方法基本失去分辨力，而趋优方法仍然能给出有区分度的结果。
五、这个模型相比已有方法好在哪？
如果只讲最值得关注的几点，我认为主要有下面三点。
1. 权重从"主观设定"变成"数据驱动"
传统 TOWA 的时间权重只看位置、不看数据。新方法让客观算出来的趋优度参与权重决定。
权重因此同时含有两个来源：主观时间偏好 + 客观数据信息。
这意味着你的评价结论更容易通过评审质疑——因为权重不再是拍出来的。
2. 输出不止排序，还有一份"过程诊断"
趋优度向量本身就是一个独立于排序结果的决策支持信息。
它是同类方法中少有的、能直接回答"哪一期发展最好"的输出。
3. 偏好极性可调，适用面更宽
通过待定系数 \(a\)，同一套方法既能表达"激励先进时期"，也能表达"鞭策落后时期"，还能退化成"无偏好"。
比硬性规定一种偏好方向要灵活得多。
四类方法横向对照
| 能力维度 | 等权/主观加权 | 传统 TOWA | 常见"熵权+时间加权" | 本文趋优方法 |
|---|---|---|---|---|
| 多期排序 | ✅ | ✅ | ✅ | ✅ |
| 时期权重有数据依据 | ❌ | ❌ | 部分 | ✅ |
| 排序对权重设定的稳健性 | 差 | 差 | 中 | 较好 |
| 输出"哪一期最优"的过程诊断 | ❌ | ❌ | ❌ | ✅ |
| 支撑"政策实施效果时序差异"分析 | ❌ | ❌ | ❌ | ✅ |
| 阶段数少（T=3~5）时的分辨力 | 差 | 差 | 差 | 较好 |
| 偏好方向可调（激励/鞭策） | — | 仅时间偏好 | — | ✅ |
这张表里最值得看的是第 4 行和第 6 行：它们是本文方法相对其他做法真正的差异化能力，也是"为什么要用这个方法"的直接答案。
六、这些场景，正好用得上
只要你的问题里同时存在"多个时期 + 要横向排序 + 关心整体发展态势"，这个模型就派得上用场。
具体来说，如果你遇到下面这些情况，可以直接考虑：
| 你的处境 | 这个模型能给你什么 |
|---|---|
| 要给多年度区域经济/营商环境做综合评价，怕权重被质疑 | 有数据支撑的时期权重，结论更稳 |
| 要评估某项政策/规划实施效果，需要说明哪一年最见效 | 逐年趋优度序列，直接画出效果曲线 |
| 要做高校/学科/研究生创新能力的多阶段评价 | 适配"研一/研二/研三"这类少阶段场景 |
| 企业要做多年份子公司绩效排名 + 看谁在进步 | 排序 + 进步态势一并输出 |
| 单位要做干部/员工跨期考核，既要公平又要体现导向 | 偏好极性可调，激励或鞭策都能表达 |
| 你正在攒一篇实证小论文，想找一个不太常见但站得住的方法 | 方法源自 2017 年学位论文，复用热度低，容易做出新意 |
论文第 3 章还特别指出，这类方法可以广泛应用于：
- 宏观政策实施后的经济评价；
- 新考核标准颁布后的员工绩效评价；
- 干部晋升考核等动态综合评价问题。
七、这次复现做了什么？
这次我基于论文附录给出的数据与 MATLAB 代码，使用：
- Python
- NumPy / SciPy
完成了论文第 3 章方法、4.1 节应用例与全部对照结果（表 4、表 5、表 8、表 9）的复现。
复现过程分成四步：
- 把附录 1 的
improved_gra2代码逐行直译，复现趋优度 r 和关联系数矩阵 ξ； - 复现附录 2 的"时间度"权向量模型，与附录 3 的等差数列权向量；
- 复现式(12)–(15) 的融合权向量与最终集结评价值；
- 顺带复现附录 5 的 TOPSIS 对照结果，以及表 5 的三种 TOWA 排序。
复现全程使用论文给出的原始数据，没有做任何参数微调。
那么，这次复现到底能给你什么？
复现的价值不只是"证明论文是对的"，而是把这篇论文变成你手上能直接用的东西。
因为它原本的状态是：
- ❌ 只有 MATLAB 代码片段，而且附录注释把数据方向写反了；
- ❌ 关键的时间权向量代码直接跑不起来；
- ❌ 换个阶段数 T 就要重写；
- ❌ 没有完整的一条龙流程。
经过这次复现，你现在可以拿到：
| 交付内容 | 说明 |
|---|---|
| 完整可运行的 Python 代码 | 从静态评价值矩阵 → 趋优度 → 三套权向量 → 融合 → 最终排序，一条龙跑通 |
| 已修正的关键实现 | 附录 1 的正确调用方向（这是最容易踩死的地方）、附录 2 的 KKT 解析求解 |
| 论文级验证基准 | 9 组比对全部通过，最大偏差 < 0.0015，可作为你二次开发的回归测试 |
| 任意 T 期通用 | 不再是硬编码 6 期，3 期、5 期、10 期都能直接套 |
| 踩坑避雷清单 | 6 个坑已全部标出（见下一节），省下你自己摸索的时间 |
一句话：你不必再花时间啃那几段有问题的 MATLAB 片段，可以直接把数据换成你自己的，跑出结果。
八、复现踩坑记录（这部分可能最值钱）
坑 1：附录 1 代码的注释，把数据方向写反了
附录 1 的注释写的是"行 = 方案，列 = 指标"，照着用会得到完全错误的结果。
正确的调用方式是：
1 | 输入矩阵 = [ T 行(时刻) × n 列(被评价对象) ]，末行附上参照序列 C*_i = max_k y_i(t_k) |
这一点是整个复现的关键分水岭。我实测过：如果照附录注释的方向用，输出的值会随"被评价对象的排列顺序"漂移——我用 3000 次随机置换验证过，同一个时刻的 r 会在 0.38 ~ 0.95 之间乱跳。
坑 2：论文里有一处疑似排版复制错误
论文 3.3.5 步(2)（西部 12 省市应用例）给出的 ξ 矩阵，与 4.1.7 步(2)（中部六省）的 ξ 矩阵逐位完全相同。
两组数据的量纲、规模、年份都不一样，不可能算出同一组关联系数。该处应属整段复制，用附录 1 的代码可自行算出真实值。
坑 3：附录 2 的 fmincon 调用跑不起来
附录 2 的代码里，同一个变量 A、b 被赋值了两次：
1 | >> A=[1 4/5 3/5 2/5 1/5 0;1 1 1 1 1 1] |
变量被覆盖，约束自相矛盾，而且 @myfun 还硬编码了 6
维，换个 T 就不能用。
坑 4：就算改对了，单起点求解也会失败
这个优化问题在 λ 很小时，解极度贴近可行域边界（\(w_6 \approx 0.66\)，而 \(w_1 \approx
0.003\)），目标函数在这里非常平坦，fmincon
单起点经常收敛到角点解
[0, 0, 0, 0, 0, 1]。
我的解决办法：改用 KKT 解析形式 \(w_k \propto e^{-\nu p_k}\)，对乘子 ν 求根。这样不仅稳定复现出论文那一组解，连目标函数值都能对上。
坑 5：正文公式 (17) 的权重被平方了
正文式(17) 写作：
\[d_i^+ = \sqrt{\sum_j \big(w_j (x_{ij} - z_j)\big)^2}\]
权重 \(w_j\) 参与了平方再求和。
如果按常识理解成 \(\sqrt{\sum_j w_j (x_{ij} - z_j)^2}\)（权重不进平方），山西的 \(d^+\) 会算成 24.700，而论文是 17.882，整张表都对不上。
附录 5 的代码与论文数值一致，说明作者的实现是"权重平方"，属于公式表达与推导层面的小瑕疵，不是数据问题。使用时按代码实现即可。
坑 6：熵值法权重这一步复现不了
论文表 7、表 10 给出了熵值法权重，但没有给出无量纲化/标准化的具体公式。
我用两种最常用的口径（极差标准化、占比归一化）对附录 4 的原始数据实算，得到的权重与论文差了一个量级。论文表 7 的数值集中在 0.025 ~ 0.05（近乎等权），与经典熵值法输出形态明显不同。
这意味着：从原始统计数据到"静态综合评价值"这一步是黑箱。 但好消息是，这只影响"一次加权"，不影响第 3 章新方法本身的复现——只要有了静态评价值矩阵，后面全链条都能对上。
九、复现比对结果
本次复现已经确认：
- 趋优度 r 与关联系数矩阵 ξ 可复现；
- 三套时间权向量（W_λ / W_σ / W）可复现；
- 融合系数 α、β 与最终评价值 Z 可复现；
- TOPSIS 对照结果与表 5 三种 TOWA 排序可复现；
- 论文给出的数据与附录代码，足以支持 Python 的完整复现。
从方法理解上看，这篇文章最值得把握的不是复杂公式本身，而是下面这条主线：
先客观测算出系统各时期的"趋优程度"，再让管理者的时序趋优偏好通过时间权向量体现出来，最后在统一权重下做集结排序。
这也是它相比传统 TOWA 算子更有推广价值的地方。
复现比对表 1：趋优度 r（第 3 章应用例 · 西部 12 省市）
| 年份 | 论文 r | 程序 r | 差值 | 是否一致(4位) |
|---|---|---|---|---|
| 1999 | 0.911 | 0.9108 | 0.0002 | 是 |
| 2000 | 0.745 | 0.7449 | 0.0001 | 是 |
| 2001 | 0.920 | 0.9200 | 0.0000 | 是 |
| 2002 | 0.924 | 0.9236 | 0.0004 | 是 |
| 2003 | 0.735 | 0.7352 | 0.0002 | 是 |
| 2004 | 0.495 | 0.4951 | 0.0001 | 是 |
最大偏差 0.00038
复现比对表 2：趋优度 r（4.1 节应用 · 中部六省）
| 年份 | 论文 r | 程序 r | 差值 | 是否一致(4位) |
|---|---|---|---|---|
| 2009 | 0.459 | 0.4592 | 0.0002 | 是 |
| 2010 | 0.856 | 0.8555 | 0.0005 | 是 |
| 2011 | 0.880 | 0.8805 | 0.0005 | 是 |
| 2012 | 0.896 | 0.8959 | 0.0001 | 是 |
| 2013 | 0.836 | 0.8357 | 0.0003 | 是 |
| 2014 | 0.887 | 0.8866 | 0.0004 | 是 |
最大偏差 0.00050
复现比对表 3：时间权向量与最终评价值
| 指标 | 论文 | 程序 | 最大偏差 | 是否一致 |
|---|---|---|---|---|
| W_λ（时间度权向量） | 0.0029, 0.0086, 0.0255, 0.0755, 0.2238, 0.6637 | 0.0029, 0.0086, 0.0255, 0.0755, 0.2238, 0.6637 | 0.00004 | 是 |
| W_η（趋优度权向量·序化后） | 0.0030, 0.0685, 0.1339, 0.1994, 0.2649, 0.3303 | 0.0030, 0.0685, 0.1339, 0.1994, 0.2649, 0.3303 | 0.00003 | 是 |
| W_σ（映射回时刻） | 0.0030, 0.1339, 0.1994, 0.3303, 0.0685, 0.2649 | 0.0030, 0.1339, 0.1994, 0.3303, 0.0685, 0.2649 | 0.00003 | 是 |
| α, β（融合系数） | 0.4999 / 0.5001 | 0.4999 / 0.5001 | 0.00002 | 是 |
| W（融合权向量） | 0.0030, 0.0713, 0.1125, 0.2029, 0.1461, 0.4643 | 0.0030, 0.0713, 0.1125, 0.2029, 0.1461, 0.4643 | 0.00005 | 是 |
| 目标函数值 fval | −0.9534 | −0.9534 | 0 | 是 |
表中"程序"列为 Python 复算值，与论文公布值保留同样位数后逐位相同。
复现比对表 4：最终动态评价值与排序（中部六省）
| 省份 | 论文 Z | 程序 Z | 差值 | 论文排名 | 程序排名 | 是否一致 |
|---|---|---|---|---|---|---|
| 湖北 | 80.265 | 80.266 | 0.001 | 1 | 1 | 是 |
| 河南 | 75.304 | 75.304 | 0.000 | 2 | 2 | 是 |
| 湖南 | 70.624 | 70.624 | 0.000 | 3 | 3 | 是 |
| 安徽 | 61.334 | 61.334 | 0.000 | 4 | 4 | 是 |
| 江西 | 57.816 | 57.816 | 0.000 | 5 | 5 | 是 |
| 山西 | 56.578 | 56.577 | 0.001 | 6 | 6 | 是 |
最大偏差 0.00069（源于论文表 8 只保留 3 位小数）
复现比对表 5：TOPSIS 对照结果（4.1.6）
| 省份 | 论文 d⁺ | 程序 d⁺ | 论文 d⁻ | 程序 d⁻ | 论文 c | 程序 c |
|---|---|---|---|---|---|---|
| 山西 | 17.882 | 17.882 | 0.029 | 0.029 | 0.002 | 0.002 |
| 安徽 | 13.310 | 13.310 | 4.585 | 4.585 | 0.256 | 0.256 |
| 江西 | 16.089 | 16.089 | 1.842 | 1.842 | 0.103 | 0.103 |
| 河南 | 3.660 | 3.660 | 14.285 | 14.285 | 0.796 | 0.796 |
| 湖北 | 0.000 | 0.000 | 17.884 | 17.884 | 1.000 | 1.000 |
| 湖南 | 6.621 | 6.621 | 11.266 | 11.266 | 0.630 | 0.630 |
最大偏差 0.00048
复现比对表 6：表 5 三种 TOWA 算子排序（西部 12 省市）
| 情形 | 论文排序 | 程序排序 | 是否一致 |
|---|---|---|---|
| 原 TOWA（仅时间偏好） | 陕西>重庆>新疆>内蒙古>四川>宁夏>广西>云南>甘肃>青海>贵州>西藏 | 完全相同 | 是 |
| 仅时序趋优偏好 | 新疆>陕西>重庆>四川>广西>内蒙古>云南>宁夏>甘肃>青海>贵州>西藏 | 完全相同 | 是 |
| 融合时间偏好与趋优偏好 | 陕西>新疆>重庆>内蒙古>四川>广西>宁夏>云南>甘肃>青海>贵州>西藏 | 完全相同 | 是 |
12 个对象的评价值最大偏差 0.00141。三种情形下 12 个省市的排序全部逐位吻合。
十、复现结论与能力边界
方法链条可复现，前置的熵值法权重不可复现。
- 从"静态综合评价值"往下：9 组检验全部通过，最大偏差 < 0.0015；
- 从"原始统计数据"往上：因论文未给出标准化公式，这一步无法核验，需要使用者自行选择口径。
复现展示可结合本次生成的 Python 验证脚本 repro_verify.py
一起使用，脚本内含全部数据、算法与逐位比对逻辑，可直接运行。
从方法理解上看，这篇文章最值得把握的不是复杂公式本身，而是下面这条主线：
先客观测算出系统各时期的"趋优程度"，再让管理者的时序趋优偏好通过时间权向量体现出来，最后在统一权重下做集结排序。
这也是它相比传统 TOWA 算子更有推广价值的地方。
十一、这套方法，适合谁用？
如果你符合下面任意一条，这个模型就值得你花时间：
- ✅ 手上有多年度面板数据，一直在纠结时期权重怎么定才站得住；
- ✅ 需要向评审专家 / 甲方 / 上级解释"为什么这么加权"；
- ✅ 想知道某项政策或改革在哪一年最见效，而不只是排个名次；
- ✅ 评价阶段很少（只有 3~5 期），怕方法分辨不出差异；
- ✅ 想在自己的小论文里用一个不烂大街、又有正式出处的方法；
- ✅ 已经有思路和数据集，只差一套能跑通的代码。
你可以这样开始
| 你的情况 | 建议 |
|---|---|
| 已经算好了静态评价值矩阵 | 直接把数据换成你的，跑趋优度 → 排序，当天就能出结果 |
| 只有原始指标数据 | 我这边可以把前置的标准化与赋权一并做掉，交付完整链路 |
| 不确定这个方法适不适合你的选题 | 把研究场景和数据形态说一下，我帮你判断可行性 |
| 想在此基础上改造（换趋优测算方式、加群组评价、做模糊数扩展） | 论文第 5 章正好列了这些扩展方向，可以一起讨论 |
说明：为了让复现结论可靠，上面把"熵值法权重无法核验"这一点也照实写了。这不是缺陷，恰恰说明一件事——方法链条本身站得住，而前置的标准化口径需要按你的数据实际情况来定，这部分我可以在交付时一并处理掉。
需要这套方法的 Python 完整代码，或想让我用你的数据跑一遍看看效果，请联系微信 canglang12002 任公子
