多指標綜合評價方法及權重系數的選擇
來源：中國論文下載中心
作者：王暉，陳麗，陳墾，薛漫清，梁慶
【摘要】 由于計算機的發(fā)展及一些相關領域的不斷深入研究，綜合評價方法得到了不斷的發(fā)展和改進。而指標權重系數的確定方法作為綜合評價中的重中之重，近幾年來也取得了一些新的進展。本文對多指標評價方法和權重系數的選擇進行概括介紹。
【關鍵詞】 多指標綜合評價;評價方法;權重系數;選擇
基金項目：廣東藥學院引進人才科研啟動基金資助項目( 2005ZYX12)、廣州市科技計劃項目（ 2007J1-C0281）、廣東省科技計劃項目（
綜合評價是利用數學方法（包括數理統(tǒng)計方法）對一個復雜系統(tǒng)的多個指標信息進行加工和提煉，以求得其優(yōu)劣等級的一種評價方法。本文就近年來國內外有關多指標綜合評價及權重系數選擇的方法進行綜述，以期為藥理學多指標的研究提供一些方法學的資料。
1 多指標綜合評價方法
1.1 層次分析加權法（AHP法）［1］
AHP法是將評價目標分為若干層次和若干指標，依照不同權重進行綜合評價的方法。
根據分析系統(tǒng)中各因素之間的關系，確定層次結構，建立目標樹圖 → 建立兩兩比較的判斷矩陣 → 確定相對權重→ 計算子目標權重 → 檢驗權重的一致性→ 計算各指標的組合權重→計算綜合指數和排序。
該法通過建立目標樹，可計算出合理的組合權重，最終得出綜合指數，使評價直觀可靠。采用三標度（－1，0，1）矩陣的方法對常規(guī)的層次分析加權法進行改進，通過相應兩兩指標的比較，建立比較矩陣，計算最優(yōu)傳遞矩陣，確定一致矩陣（即判斷矩陣）。該方法自然滿足一致性要求，不需要進行一致性檢驗，與其它標度相比具有良好的判斷傳遞性和標度值的合理性；其所需判斷信息簡單、直觀，作出的判斷精確，有利于決策者在兩兩比較判斷中提高準確性［2］。
1.2 相對差距和法［3］
設有m項被評價對象，有n個評價指標，則評價對象的指標數據庫為
Kj=(K1j，K2j，……，Knj)，j=1，2，……，m。設最優(yōu)數據為K0=（K1、K2、……Kn）。最優(yōu)單位K0中各數據的確定如下：高優(yōu)指標，取所有m個單位中該項評價指標最大者；低優(yōu)指標，取所有m個單位中該項評價指標最小者。各單位與最優(yōu)單位的加權相對差距和為：
D=∑nj=1WiKi-Kij
式中Wi為第i 項指標的權系數，Mi為所有單位的第i 項指標數值的中位數。結果按D值大小進行排序，D值越小，該單位越接近最優(yōu)單位。
該方法直觀、易懂、計算簡便，可以直接用原始數據進行計算，避免因其它運算而引起的信息損失。該法考慮了各評價對象在全體評價對象中的位置，避免了各被評價對象之間因差距較小，不易排序的困難。
1.3 主成分分析法
該法是將多個指標化為少數幾個綜合指標，而保持原指標大量信息的一種統(tǒng)計方法。
其計算步驟簡述如下［4］：
對原始數據進行標準化變換并求相關系數矩陣Rm×n →求出R的特征根λi及相應的標準正交化特征向量ai → 計算特征根λi的信息貢獻率，確定主成分的個數→ 將經過標準化后的樣本指標值代入主成分，計算每個樣本的主成分得分。
應用本法時，當指標數越多，且各指標間相關程度越密切，即相應的主成分個數越少，本法越優(yōu)越；對于定性指標，應先進行定量化；當指標數較少時，可適當增加主成分個數，以提高分析精度。采用主成分分析法進行綜合評價有全面性、可比性、合理性、可行性等優(yōu)點，但是也存在一些問題：如果對多個主成分進行加權綜合會降低評價函數區(qū)分的有效度，且該方法易受指標間的信息重疊的影響。
潘石柱等［5］則提出一種將GHA(generalized hebbian algorithm)學習規(guī)則應用到核主成分分析的新方法，它結合了核主成分分析和GHA學習規(guī)則的優(yōu)點，既利用了核主成分分析的方法方便地提取數據的非線性特征，又避免了在大樣本數據的情況下運算復雜和存儲空間大的問題。
1.4 TOPSIS法［6］
該法是基于歸一化后的原始數據矩陣，找出有限方案中的最優(yōu)方案和最劣方案，然后獲得某一方案與最優(yōu)方案和最劣方案間的距離（用差的平方和的平方根值表示），從而得出該方案與最優(yōu)方案的接近程度，并以此作為評價各方案優(yōu)劣的依據。其具體方法和步驟如下：
評價指標的確定→將指標進行同趨勢變換，建立矩陣→ 歸一化后的數據矩陣→確定最優(yōu)值和最劣值，構成最優(yōu)值和最劣值向量→ 計算各評價單元指標與最優(yōu)值的相對接近程度→排序。
指標進行同趨勢的變換的方法：根據專業(yè)知識，使各指標轉化為“高優(yōu)”，轉化方法有倒數法（多用于絕對數指標）和差值法（多用于相對數指標）。但是該法的權重受疊代法的影響，同時由于其對中性指標的轉化尚無確定的方法，致使綜合評價的最終結果不是很準確［7］。
侯志東等［8］提出的基于Hausdauff度量的模糊Topsis方法，首先通過模糊極大集和模糊極小集來確定模糊多屬性決策問題的理想解與負理想解，再由Hausdauff度量獲得不同備選方案到理想解與負理想解的距離及其貼近度，根據貼近度指標對方案進行優(yōu)劣排序。該方法思路清晰，計算簡單，操作比較容易。
劉繼斌等［9］在Topsis法中引入指標權重，用屬性AHM賦權法求指標權重，再用Topsis法進行綜合評價。結果顯示基于屬性AHM的Topsis綜合評價既考慮了參評指標的重要性，又體現了Topsis法能充分利用數據資料的優(yōu)點，原理簡明，結果準確，使用方便。
1.5 RSR值綜合評價法（秩和比法）［6］
把各指標值排序（排“秩”R），僅以“秩”R來計算。當指標“高優(yōu)”時，按“升序”排序，最小值為1，即R值最高者最優(yōu)；當指標“低優(yōu)”時，按“降序”排序，最大值為1，即R值最低者最優(yōu)。當各指標的“秩”相加時，累加和最大者則最優(yōu)。
該方法以實際資料作為計算基礎，較為客觀，它在算法上是將原始數據轉化為序值，雖計算簡單，但未充分利用資料的原始信息。當各指標的“秩”相加時，“秩和”（ΣR）最大者則為優(yōu)；當m為指標數，n為參加排序的單位數，則按下式計算RSR值：
RSR=ΣR/（mn）。
1.6 全概率評分法 ［10］
設Bi為第i號試驗，Aj為第j個指標，i=1，2，……，k，且A1、A2……、An互不相容，又設各指標的重要程度之比為A1：A2……：Ak=m1：m2……：mk， 則
P（Aj）=mj/N， j=1，2，……k
以Xij表示第j個指標下的第i個測定值，以Sj 表示第j個指標下各次試驗結果的和，即
Sj=Σni=1Xij i=1，2……n； j=1，2……k
則P（Bi/Aj）=Xij/Sj
全概率公式為：
P（Bik j=1）=ΣP(Aj)P(Bi/Aj) ， i=1，2……n；j=1，2……k
根據專業(yè)知識，公式分越大或越小越優(yōu)。
1.7 人工神經網絡［11］
神經網絡是建立以權重描述變量與目標之間特殊的非線性關系模型，對事物的判斷分析必須經過一個學習或訓練過程，類似于人腦認識一個新事物必須有一個學習過程一樣，神經網絡通過一定的算法進行訓練，將反饋傳播（BP）算法引入神經網絡中，很好地實現了多層神經網絡的設想。與傳統(tǒng)的計算機方法相比，具有大規(guī)模信息處理、分布式聯想存儲、自適應學習及自組織的特點；作為一個高度的非線性動態(tài)處理系統(tǒng)，既可處理線性問題，又可處理非線性問題，且具有很強的容錯能力。在求解問題時，對實際問題的結構沒有要求，不必對變量之間的關系作出任何假設，只需利用在學習階段所獲得的知識（分布式存儲于網絡的內部），對輸入因子進行處理，就可得到結果。這種處理方式更符合客觀實際，因而得到的結果可靠性更大。
1.8 簡易公式評分法［12］
化多指標為單指標 → 確定權重系數 → 按公式計算分數。
簡易綜合公式：dij=b1aij/s1+b2bij/s2+b3cij/s3
式中aij、bij、cij分別為第i項的第 j 個指標，s1、s2和s3分別為樣本的標準差，b1、b2和b3分別為權重系數。
1.9 蒙特卡羅模擬綜合評價法［13］
利用蒙特卡羅模擬技術將原序數關系的目標屬性轉化為一系列的目標屬性向量。對于每一權重向量，利用加權法對方案（評價對象）進行排序，得到一系列排序向量，再統(tǒng)計每個方案排在各個排序位次上的次數，進而求出相應比例。
一般步驟如下：根據各指標屬性，進行數據生成（生成的數據應滿足無量綱化、標準化和測度統(tǒng)一化）→ 產生隨機重向量→ 計算加權值→排序向量。
1.10 模糊綜合評判法［14］
應用模糊關系合成的特性，從多個指標對被評價事物隸屬等級狀況進行綜合性評判的一種方法，它把被評價事物的變化區(qū)間作出劃分，又對事物屬于各個等級的程度作出分析，使得描述更加深入和客觀。
一般步驟如下：確定評價事物的因素論域→選定評語等級論域→建立模糊關系矩陣→確定評價因素權向量→ 選擇合成算子→ 得到模糊評判結果向量→ 進一步分析處理。
該法的優(yōu)點是：數學模型簡單，容易掌握，對多因素多層次的復雜問題評判效果比較好。在實際應用中，采用模糊綜合評判法能夠得到全面和合理的評判結果［15］。
1.11 灰關聯聚類法［16］
該法把灰關聯聚類分析和聚類思想方法進行融匯、擴充，將關聯度的數值演化成評估對象的親和度 而用于聚類分析。
設待分析評價系統(tǒng)Si(i=1，2，……，m)，特征參量（指標）序列為Xi，
Xi=(Xi1，Xi2，……，Xin)
又有參考特征參量（指標）序列X0
X0=（X01，X02，……，X
參考序列的確定：對于指標越大越好的指標，則：
X0j=max(Xij) (j=1，2，……，n)
對于指標越小越好的指標，則：
X0j=mini∈I(Xij)
該法的步驟：聚類基礎的構成→ 灰色相似矩陣的建立→ 聚類分析
該法對原始數據進行統(tǒng)一測度和同一化處理，消除了不同指標量綱的影響，能定量反映不同評價單元的優(yōu)劣程度，直觀可靠，權的取值在0與1之間，該值越接近1，反映所評價單元越接近最優(yōu)水平的程度越高；反之，該值越接近0，反映所評價單元越接近最劣水平的程度越高。本法既適合大樣本，也適合小樣本的評價系統(tǒng)。
1.12 因子分析法（FA）［17,18］
因子分析法(factor analysis)是由心理學家Charles Spearman首先提出的。目前，該方法在自然科學領域中的應用越來越廣泛，它的基本思想是通過對原始指標相關矩陣內部結構的研究，找出能控制所有指標少數幾個不可觀測的公因子（彼此之間不相關），每個指標可以近似表示成公因子的線性組合，以較少的公因子來代替多個指標從而達到簡化分析的目的。同時根據不同因子以及進一步旋轉，可以對指標進行較為科學和清晰的分類。根據變量間的相關性大小，把變量分組，使得同組內變量之間的相關性較高，但不同組內變量之間的相關性較低。每組變量代表一個基本結構，這個基本結構稱為公共因子。設有P維隨機向量X=X(X1，X2，……，Xp)′，其均值向量為μ=(μ1，μ2，…μp)′，協方差矩陣為∑=(σij)p×p，可以設想這個P指標主要受到m(m≤p)個公共因子F1，F2，…，Fm的影響，且Xi是F1，F2，…，Fm的線性函數，即Fi對各指標的影響是線性的，則有因子模型：
X1=a
X2=a
… … …
Xp=ap
簡記為:X=AF+ε
其中F=(F1，F2，…，Fm)′為公共因子，ε=(ε1，ε2，…εm)′為特殊因子，F與ε均為不可觀測的隨機變量，A= (aij)p×m為因子載荷矩陣，aij稱為第j個因子對第i個變量的載荷系數。在模型中，特殊因子起著殘差的作用，且他們彼此不相關且與公共因子也不相關。每個公共因子假定至少對2個變量有貢獻，否則它將是一個特殊因子。
采用該方法所得的分析結果受到原始指標間相關程度均衡性的影響，且因為因子得分是估計值，其綜合評價值不如主成分分析所得綜合評價值準確。
1.13 功效函數法［19］
功效函數法是根據多目標規(guī)劃原理提出來的，其基本思想是通過功效函數將不同量綱的各指標實際值轉化為無量綱的功效系數，再根據各指標的權重關系得到綜合評價值，以綜合評價值作為綜合評價的依據。
首先采用專家打分法、類比函數法把定性指標作量化處理得到aij→依據指標類型選擇公式（1）（2）（3）把有量綱值化為無量綱值rij →依據指標的權重(uj)、根據公式（4）得各方案的綜合權值，根據c（Ai）的大小進行比較。
設｛Xij｝表示第i個樣本的第j項指標的實際值(i=1，2，…，n;j=1，2，…，m)，取第j個指標的最大值rmax，j=max(rij)與第j個指標的最小值rmin，j=min(rij)，構造功效函數如下：
dij=rij/rmax，j {Xij} 越大越好 （1）
dij=1＋rmin，j／rmax，j－rij/ rmax，j {Xij}越小越好 （2）
dij=rij/r1 {Xij}
1不能偏大也不能偏小 （3）
1+(r2-rij)/rmax，j 應保持在范圍［r1，r2］中
其中rij=aij/(aij2)1/2。
c（Ai）=∑nj=1uj·dij(4）
該方法直觀明了，可使不可比的、相互補的指標，按照某種規(guī)則成為相互可比的量化指標；同時又兼顧了各指標在評價中的重要程度。
1.14 綜合指數法［20］
綜合指數（syntheticac index）是編制總指數的基本形式，把不同性質、不同類別、不同計量單位的工作指標經過指數化變成指數，按照同類指標相乘、異類指標相加的方法進行指標綜合，然后比較。具體方法有加權線性和法、乘法合成法、混合法等［21］。首先要選擇適當的指標，確定權重后依據下列公式把指標進行指數化：
高優(yōu)指標指數化計算公式:Yj=Xj/Mj
低優(yōu)指標指數化計算公式:Yj=Mj/Xj
然后按照同類指標指數相乘、異類指標指數相加的方法進行指數綜合得出I值進行比較。
I＝∑mi=1∏nj=1Yij
該法原理簡單，無需復雜的運算，易于操作。對數據的分布、指標的多少無嚴格要求，適用范圍廣。對原始數據進行相對化處理，消除了不同指標量綱的影響。但是由于權重作用較明顯，易夸大權重大的因素和掩蓋權重小的因素的作用。
1.15 密切值法［22］
密切值法是多目標決策中的一種優(yōu)選方法，它將評價指標區(qū)分為正向指標和負向指標并結合在一起考慮，所有指標進行同向化處理，然后找出各評價指標的“最優(yōu)點”和“最劣點”，分別計算各評價單元與“最優(yōu)點”和“最劣點”的距離(即密切程度) ，將這些距離轉化為能綜合反映各樣本質量優(yōu)劣的綜合指標—密切值，最后根據密切值大小確定各評價單元的優(yōu)劣順序。
該法邏輯嚴謹，計算簡便，可用于同一時間各指標的橫向評價，也可用于同一指標不同時間的縱向評價。多指標把正向指標和負向指標結合起來考慮，提高了分析效能，同時引用自身內部指標作參比，使評判結果更為全面、合理。另外，該法較好地將多指標中相互沖突的項目結合在一起。但由于該法缺乏對評價指標進行權重估計，因而其評價結果客觀性不高。
2 權重系數的選擇
權重系數是指在一個領域中，對目標值起權衡作用的數值。權重系數可分為主觀權重系數和客觀權重系數。主觀權重系數（又稱經驗權數）是指人們對分析對象的各個因素，按其重要程度，依照經驗，主觀確定的系數，例如Delphi法、AHP法和專家評分法。這類方法人們研究的較早，也較為成熟，但客觀性較差。客觀權重系數是指經過對實際發(fā)生的資料進行整理、計算和分析，從而得出的權重系數，例如熵權法、標準離差法和CRITIC法；這類方法研究較晚，且很不完善，尤其是計算方法大多比較繁瑣，不利于推廣應用。
2.1 專家咨詢權數法（特爾斐法）［23］
該法又分為平均型、極端型和緩和型。主要根據專家對指標的重要性打分來定權，重要性得分越高，權數越大。優(yōu)點是集中了眾多專家的意見，缺點是通過打分直接給出各指標權重而難以保持權重的合理性。
2.2 因子分析權數法［24］
根據數理統(tǒng)計中因子分析方法，對每個指標計算共性因子的累積貢獻率來定權。累積貢獻率越大，說明該指標對共性因子的作用越大，所定權數也越大。
2.3 信息量權數法［24］
根據各評價指標包含的分辨信息來確定權數。采用變異系數法，變異系數越大，所賦的權數也越大。
計算各指標的變異系數CV=s/，將CV作為權重分值，再經歸一化處理，得信息量權重系數。
2.4 獨立性權數法［25］
利用數理統(tǒng)計學中多元回歸方法，計算復相關系數來定權的，復相關系數越大，所賦的權數越大。
計算每項指標與其它指標的復相關系數，計算公式為R=（SS回/SS總）1/2，R越大，重復信息越多，權重應越小。取復相關系數的倒數作為得分，再經歸一化處理得權重系數。
2.5 主成分分析法
一種多元分析法。它從所研究的全部指標中，通過探討相關的內部依賴結構，將有關主要信息集中在幾個主成分上，再現指標與主成分的關系，指標Xj的權數為：
wj=dj·bij∑mj=1dj·bij
其中bij為第i個主成分與第j個因素間的系數，di=λi/Σλk為貢獻率。
2.6 層次分析法（AHP法）［25］
層次分析法是一種多目標多準則的決策方法，是美國運籌學家薩迪教授基于在決策中大量因素無法定量地表達出來而又無法回避決策過程中決策者的選擇和判斷所起的決定作用，于20世紀70年代初提出的。此法必須將評估目標分解成一個多級指標，對于每一層中各因素的相對重要性給出判斷。它的信息主要是基于人們對于每一層次中各因素相對重要性作出判斷。這種判斷通過引入1～9比率標度進行定量化。該法的優(yōu)點是綜合考慮評價指標體系中各層因素的重要程度而使各指標權重趨于合理；缺點是在構造各層因素的權重判斷矩陣時，一般采用分級定量法賦值，容易造成同一系統(tǒng)中一因素是另一因素的5倍、7倍，甚至9倍，從而影響權重的合理性。
2.7 優(yōu)序圖法［26］
設n為比較對象（如方案、目標、指標）的數目，優(yōu)序圖是一個棋盤格的圖式共有n×n個空格，在進行兩兩比較時可選擇1，0兩個基本數字來表示何者為大、為優(yōu)。“1”表示兩兩相比中相對“大的”、“優(yōu)的”、“重要的”，而用“0”表示相對“小的”、“劣的”、“不重要的”。以優(yōu)序圖中黑字方格為對角線，把這對角線兩邊對稱的空格數字對照一番，如果對稱的兩欄數字正好一邊是1，而另一邊是0形成互補或者兩邊都為0.5，則表示填表數字無誤，即完成互補檢驗。滿足互補檢驗的優(yōu)序圖的各行所填的各格數字橫向相加，分別與總數T（T=n(n-1)/2）相除就得到了各指標的權重。
2.8 熵權法［27］
熵最先由申農引入信息論，現已在工程技術、社會經濟等領域得到比較廣泛的應用。其基本思路是根據指標變異性的大小來確定客觀權重。一般來說，某個指標的信息熵Ej越小，表明指標值的變異程度越大，提供的信息量越多，在綜合評價中所起的作用越大，其權重也越大。相反，某個指標的信息熵Ej越大，表明指標值的變異程度越小，提供的信息量越少，在綜合評價中所起的作用越小，其權重也越小。把實際數據進行標準化后轉變?yōu)闃藴驶瘮祿?span lang="EN-US">dij后，依據以下公式計算第j項指標的信息熵：
Ej＝-(lnm)-1∑mi=1pijlnpij
其中m為被評價對象的數目，n為評價指標數目，并且pij=dij∑mi=1dij，如果pij=0，則定義limpij→0pijlnpij=0。利用熵計算各指標客觀權重公式為：
wj=1-Ejn-∑nj=1Ej j=1，2，3……n
2.9 標準離差法［28］
標準離差法的思路與熵權法相似。通常，某個指標的標準差越大，表明指標值的變異程度越大，提供的信息量越多，在綜合評價中所起的作用越大，其權重也越大。相反，某個指標的標準差越小，表明指標值的變異程度越小，提供的信息量越少，在綜合評價中所起的作用越小，其權重也應越小。其計算權重的公式為：
wj=σj∑nj=1σj j=1，2，3，……n
2.10 CRITIC法［29］
CRITIC（criteria importance through intercriteria correlation）法的基本思路是確定指標的客觀權數以評價指標間的對比強度和沖突性為基礎。對比強度以標準差的形式來表現，即標準差的大小表明在同一指標內，各方案取值差距的大小。標準差越大，各方案之間取值差距越大。而各指標間的沖突性是以指標之間的相關性為基礎。若兩個指標之間具有較強的正相關，說明兩個指標沖突性較低。第j個指標與其它指標沖突性的量化指標為，∑nt=1(1-rij)其中rij為評價指標t和j之間的相關系數。設Cj表示第j各指標所包含的信息量，則Cj可表示為：
Cj=σj∑nt=1(1-rij) j= 1，2，3，……n
Cj越大，第j個評價指標所包含的信息量越大，該指標的相對重要性就越大。第j個指標的客觀權重Wj應為： wj=Cj∑nj=1Cj j= 1，2，3，……n
該法既考慮了指標變異大小對權重的影響，又考慮了各指標間的沖突性。當標準差一定時，指標間的沖突性越小，權重越?。粵_突性越大，權重也越大。但是值得注意的是如果兩個指標間的沖突性較小，則表示兩個指標在評價方案的優(yōu)劣上反映的信息有較大的相似性。對指標較多的項目進行評價時，可在正相關較高的幾個指標中去除一些指標，以減少計算量而不會對評價結果產生很大的影響。
2.11 非模糊數判斷矩陣法［10］
非模糊數判斷矩陣法是通過把三角模糊數判斷矩陣轉化為非模糊數，將新矩陣調整為互反矩陣，同時對其一致性進行檢驗，再利用AHP法來確定權重的一種方法。
設三角模糊數M1=（l1，m1，u1），M2=(l2，m2，u2) →建立單位模糊判斷矩陣→集結單位模糊判斷矩陣建立三角模糊判斷矩陣→將三角模糊數轉化為非模糊數→對互反性進行調整運用AHP法計算即可得到評價因素的權重集。
該方法以三角模糊數判斷矩陣為基礎，通過一系列的數學處理轉換，得到模糊綜合評價因素權重，使確定因素權重過程中的主觀判斷更符合人們的思維習慣與表達方式，在一定程度上改善了傳統(tǒng)模糊綜合評價的某些缺陷，使該方法的準確性和有效性得到一定的提高。
2.12 其它
王宇亮等［31］提出了一種新的權重確定方法。其首先根據專家對各指標的權重進行評分（原始權重），但是所有指標原始權重之和必須等于1。通過如下公式計算關于每個指標的平均權重：
j=∑mi=1aij/k,j表示第j個指標的平均權重，k是專家的總人數。
再根據公計算原始權重的偏移值aij*：aij*=|aij-j|
由于偏移量越小，指標權重在實際權重中所占比例越大，通過設
ij*=maxi aij*-aij*maxi aij*maxi-aij*
ajo=∑mi=1(aijij*)∑mi=1ij*
對Ao=［a1o，a2o，a3o……amo］進行歸一化處理即可得到新的權重aj:
αj=aj=ajo∑ni=1ajo。
該法計算簡單易行，與其它方法相比較更加客觀。
3 展望
由于計算機的發(fā)展及一些相關領域的不斷深入研究，綜合評價方法得到了不斷的發(fā)展和改進。不同評價方法的區(qū)別重點在于其進行無綱量化所選用的公式、綜合指標的合成方法和確定指標權重的方法。但是如何使綜合評價更加客觀、準確，仍需要進一步的研究。而2種或2種以上的評價方法的聯用成為當今綜合評價方法的又一大熱點。例如主成分分析法與因子分析法的相互聯用［32］、Delphi法和Topsis法聯用［33］等方法的應用。不同方法的聯用可以互相彌補不足，同時又發(fā)揮自身的優(yōu)點，使得綜合評價更具有科學性、客觀性和準確性。
【參考文獻】
?。?span lang="EN-US">1］ 嚴金燕，羅書練，賈氫，等.應用層次分析加權法綜合評價臨床科室工作［J］.臨床軍醫(yī)雜志,2002，30(1):62-64.
［2］ VESNA C， JO Z， KNEZ R.Why and how to evaluate the creditworthiness of SMEs′ business partners［J］.International Small Business Journal， 2005，23(2): 143 -162.
?。?span lang="EN-US">3］ 韓全鄉(xiāng).相對差距和法綜合評價醫(yī)院感染工作［J］.現代預防醫(yī)學，2002，29(5):643-644.
?。?span lang="EN-US">4］ WANG J J， QIAO Q， MAIJA E，et al.The metabolic syndrome defined by factor analysis and incident type 2 diabetes in a Chinese population with high postprandial glucose［J］.Diabetes Care,2004，27:2429-2437.
［5］ 潘石柱，殳偉群，王令群.基于GHA的核主成分分析及其應用［J］.計算機技術與發(fā)展，2006，16(10):23-25.
?。?span lang="EN-US">6］ 陳文凱.用TOPSIS和RSR法測定館藏核心期刊的探討［J］.情報雜志，2005，3:91-93.
?。?span lang="EN-US">7］ 陳錦華.疊代法、綜合指數法、TOPSIS法在評價某醫(yī)院綜合效益中應用的比較［J］.中國醫(yī)院統(tǒng)計，2003，10(1):19-22.
?。?span lang="EN-US">8］ 侯志東，吳祈宗.基于Hausdauff度量的模糊TOPSIS方法研究［J］.數學的實踐與認識，2005，35(3):233-237.
?。?span lang="EN-US">9］ 劉繼斌，曲成毅，王瑞花.基于屬性AHM的Topsis綜合評價及其應用［J］.現代預防醫(yī)學，2006，33(10):1862-1863.
［10］ 周琴妹，陳曉斌.用多指標試驗全概率評分法研究斂瘡液制備工藝［J］.中成藥，2005，27(3):347-348.
?。?span lang="EN-US">11］ 孫修東，李宗斌，陳福民.基于人工神經網絡的多指標綜合評價方法研究［J］.鄭州輕工業(yè)學學報:自然科學版，2003，18(2):11-14.
［12］ 韓可勤，倪永興.利用簡易多指標試驗綜合公式評分法調整制定針劑灌裝分配工作方案［J］.數理醫(yī)藥學雜志，1996，9(3):278-279.
?。?span lang="EN-US">13］ 金新政，張新萍，高昂俊.蒙特卡羅模擬綜合評價法及應用［J］.數理醫(yī)藥學雜志，1996， 9(3):209-211.
?。?span lang="EN-US">14］ 韋燕燕.模糊綜合評判法在企業(yè)市場適應能力評價中的應用［J］.工業(yè)工程，2005， 8(2):101-103.
?。?span lang="EN-US">15］ 王祿超.模糊綜合評判法在評標中的應用研究［J］.建筑技術開發(fā)，2005，32(2):113-115.
?。?span lang="EN-US">16］ 王暉，李昕，許碧蓮，等.灰關聯聚類法對幾種促透劑促透效果的綜合評價［J］.中國中藥雜志，2004，29(5):417-420.
?。?span lang="EN-US">17］ DEBBIE A L，SHAH E，MARGARET M，et al.(Mis)use of factor analysis in the study of insulin resistance syndrome ［J］ .Am J Epidemiol，2004，159:1013- 1018.
［18］ 紀榮芳，婁本平.R型因子分析法在健康狀況評價中的應用［J］.棗莊學院學報，2006，23(5):30-34.
?。?span lang="EN-US">19］ 許先云，楊永清.多目標決策的功效函數法［J］.礦業(yè)科學技術，1994，1:48-52.
?。?span lang="EN-US">20］ 徐艷莉.綜合指數法和TOPSIS法在醫(yī)療質量綜合評價中的應用［J］.數理醫(yī)藥學雜志，2006，19(5):550-552.
?。?span lang="EN-US">21］ 史子春.綜合指數法評價工業(yè)衛(wèi)生工作的探討［J］.中國衛(wèi)生統(tǒng)計，2002，9 (3): 87- 188.
?。?span lang="EN-US">22］ 姜芳晶，楊維.中醫(yī)學常用綜合評價方法［J］.疾病監(jiān)測，2006，21(6):325-328.
［23］ 任世華，姚飛，俞珠峰.潔凈煤技術評價指標體系權重確定［J］.潔凈煤技術，2005， 11(1):9-12.
?。?span lang="EN-US">24］ 賀佳，高爾生，樓超華.綜合評價中權重系數及標準化方法的研究［J］.中國公共衛(wèi)生，2001，17(11):1048-1050.
［25］ 金新政，厲巖.優(yōu)序圖和層次分析法在確定權重時的比較研究及應用［J］.中國衛(wèi)生統(tǒng)計，2001，18(2):119-120.
［26］ 黃維成.優(yōu)序圖法在評比中的應用［J］.技術經濟，1997，3:63-34.
?。?span lang="EN-US">27］ PRACHEE P， SAILU Y， AKASH R，et al.Computational prediction and experimental verification of novel IdeR binding sites in the upstream sequences of mycobacterium tuberculosis open reading frames［J］.Bioinformatics，2005，21(10):2161-2166.
?。?span lang="EN-US">28］ TERENCE J W， BRADLEY S M， MICHAEL J M，et al.The Relative contributions of birth weight， weight change， and current weight to insulin resistance in contemporary 5yearsold: the early bird study［J］.Diabetes，2002， 51:3468-3472.
?。?span lang="EN-US">29］ DIAKOULAKI D， MAVROTAS G，PAPAYANNAKIS L.Determining objective weights in multiple crireria problems:the CRITIC method［J］.Computer Ops Res，1995，22:763-770.
［30］ 許謙.確定模糊評價綜合因素權重的一個方法［J］.大學數學，2005，21(1):26-30.
?。?span lang="EN-US">31］ 王宇亮，劉智慧.基于模糊數學理論的橋型方案比選模型［J］.工程設計與建設，2005，37(1):14-17.
?。?span lang="EN-US">32］ 張小裴，郝志敏.FA-PCA綜合評價模型及其有效性研究［J］.統(tǒng)計與信息論壇，2003，18(6):11-14.
?。?span lang="EN-US">33］ 李軍，王雙苗，趙斌.Delphi法和Topsis法聯用評價醫(yī)院質量管理［J］.廣東醫(yī)學院學報，2005，23(1):94-95.
