【评价模型】别只知道熵权法！深度解锁多准则决策利器：CRITIC 模型

Robin数学建模

309人浏览 · 2026-04-28 16:00:39

Robin数学建模 · 2026-04-28 16:00:39 发布

在多准则决策分析（MCDA）中，如何科学地给各项指标“赋权”始终是核心痛点。传统的熵权法（Entropy Weight Method）只考虑了数据本身的离散程度，却忽略了指标之间的相关性。

今天，我们要深度拆解一个更全面、更智能的客观赋权模型——CRITIC 评价模型。

一、模型简介

CRITIC (Criteria Importance Through Intercriteria Correlation) 法是由 Diakoulaki 等人在 1995 年提出的一种客观赋权方法。

它的核心思想不仅仅是看某个指标“变动大不大”（对比强度），还要看这个指标与其他指标之间的“冲突大不大”（冲突性）。

核心逻辑总结： 一个指标的权重，取决于它的波动性和独立性。

波动性强 = 包含信息量大

独立性强（与其他指标相关性低）= redundancy（冗余）小，不可替代性强。

二、模型原理

设有 n个待评价对象（方案），m个评价指标，原始数据矩阵为：

$A = [a_{ij}]_{n \times m}$

步骤1：数据无量纲化（标准化）

因指标间常有量纲与数量级差异，需先做正向化与标准化。使用极差标准化（0–1 区间）：

其他为混合极性指标，此处忽略。

步骤2：计算指标变异性

变异性用标准差衡量的是 “这个指标能不能把不同评价对象区分开”，即描述数据 围绕平均值的离散程度。

标准差大 → 数值散布得开 → 指标能拉开方案档次 → 这个指标在评价中“有发言权”

举个例子，假设有三个方案在某个指标上的标准化得分：

方案A	方案B	方案C	标准差	含义
0.1	0.3	0.8	大	方案差距明显，指标鉴别力强
0.5	0.51	0.49	极小	方案几乎没区别，指标没鉴别

步骤3：计算指标冲突性

如果一个指标与其他指标高度正相关
说明它提供的区分信息，其他指标也能提供。它的存在是冗余的，应该降权。

如果一个指标与其他指标不相关，甚至负相关
说明它提供了其他指标没有的、独立的区分视角。它的存在是“不可替代”的，应该提权。

因此，步骤3中引入冲突性就是为了量化指标的不可取代性，若指标j与其他指标的关联系很低，则说明其独立性高，在模型中就更具有代表性。说明这个指标更能代表一个独立、不可舍弃的评价维度，具体计算如下：

此处的 $r_{jk}$ 为标准化后的指标 $j$ 和指标 $k$ 的皮尔逊相关系数，用于刻画指标之间线性相关的方向和强度，不是泛泛地衡量两个变量有没有关系，而是专门衡量它们是否在同一条直线上变化，即指标间信息的重叠度。一个指标即使变异很大，如果和其他指标完全重合，冲突性为零，那它也只是在重复已知信息，不应重复计分。

以下为皮尔逊相关系数的计算公式：

皮尔逊相关系数的取值范围为[-1,1]，相当于从数学上就是在问：“你（指标j）高于均值的时候，我（指标k）也倾向于高于均值吗？” 这种“同涨同跌”的倾向有多强。

若 $r=1$ 则说明知道一个指标的值，就能精确推算另一个，两个指标传递的信息完全等价，是完美的正相关；
若 $r=-1$ 则说明两个指标为完美的负相关，传递的信息也是完全等价的，只是方向相反；
若 $r=0$ 则说明两个指标传递的信息在线性意义上完全独立、不重叠，两个指标间的增减没有任何固定的比例关系；
若 $0<|r|<1$ 则说明两个指标的数据点大致沿着一条直线分布，但有离散，若 $|r|$ 越大，则离散情况越小，指标的重叠度越大。反之，则重叠度/关联度越小。

综上，若 $|r_{jk}|$ （j≠k）越小，则 $R_{j}$ 越大，那么指标 $j$ 越独立。

步骤4：计算指标信息量

根据步骤2和步骤3，我们知道：

变异系数大 → 指标区分度高 → 对方案的鉴别力强

冲突性大→ 指标独立性强 → 提供不可替代的独特评价维度

因此，引入信息量C，即用一个乘积公式，将变异系数和冲突性强制绑定，输出一个同时反映这两方面品质的单一数值，为最终赋权提供直接依据：

步骤5：计算指标权重

把每个指标的信息量，除以所有指标信息量的总和，进而完成归一化的操作，使得所有权重取值都在0到1之间，并且所有权重之和为1。权重其实就是该指标在整个评价体系中所占的信息份额：

三、案例分析

评价 4 款手机的综合表现

手机	充电功率 (W) $a_{1}$	屏幕尺寸 (英寸) $a_{2}$	价格 (元) $a_{3}$
A	20	6.1	2000
B	120	6.2	5000
C	80	6.15	3500
D	60	6.18	2800

step1：数据无量纲化（标准化）

需进行正向化与标准化处理，首先正向指标有充电功率、屏幕尺寸，而负向指标是价格，先将指标正向化，再标准化即可得到标准化矩阵B：

手机	充电 $b_{1}$	屏幕 $b_{2}$	价格 $b_{3}$
A	0.00	0.00	1.00
B	1.00	1.00	0.00
C	0.60	0.50	0.50
D	0.40	0.80	0.7333

step2：计算指标变异性

指标	变异性/标准差
充电	0.3606
屏幕	0.3766
价格	0.3677

step3：计算指标冲突性

指标	冲突性
充电	2.0965
屏幕	2.0982
价格	3.9251

step4 ：计算指标信息量

指标	信息量
充电	0.7560
屏幕	0.7902
价格	1.4434

step5：计算权重

指标	权重
充电	0.2529
屏幕	0.2643
价格	0.4828

结果整合：

指标	变异性（区分度）	冲突性（独立性）	信息量	权重
充电功率	0.3606	2.0965	0.7560	25.29%
屏幕尺寸	0.3766	2.0982	0.7902	26.43%
价格	0.3677	3.9251	1.4434	48.28%

结果分析：

三个指标的变异性非常接近，说明它们的自身鉴别力（区分度）差不多。
但价格的冲突性远高于另外两者，因为价格与充电、屏幕均呈强负相关，提供了完全独立的评价维度。
最终价格获得近一半的权重，体现了 CRITIC 对独立信息的奖励机制。

四、模型优缺点对比

方法	优点	缺点
CRITIC	① 同时考虑指标的区分度（变异）与独立性（冲突），赋权更全面 ② 完全基于数据驱动，不受主观偏好影响 ③ 能自动压低高度相关指标的重复权重，避免信息冗余	① 仅能捕捉线性重叠，对非线性相关信息不敏感 ② 计算出的权重依赖样本，样本变化可能引起权重波动 ③ 无法融入专家经验或决策偏好
主观赋权法（AHP/专家评分）	① 可充分反映决策者意图与专业经验 ② 适用于数据缺乏或指标重要性有明确业务共识的场景	① 主观性强，结果因人而异 ② 指标数量多时判断矩阵复杂，一致性难以保证 ③ 无法反映指标在实际样本中的鉴别能力
熵权法EWM	① 基于信息熵衡量指标信息量，能捕捉离散程度 ② 计算简单，易于实现	① 完全忽略指标间的相关性，重复信息会被重复赋权 ② 仅关注变异度，不评价指标间是否“说同一件事”
等权法	① 计算最简单，不引入任何偏差 ② 作为基准模型，透明易懂	① 无视指标的实际区分能力和独立价值，可能淹没重要指标 ② 冗余指标会成倍放大其共同维度的影响

五、模型应用场景

最后再总结一下，CRITIC具有客观性，因此应用的场景也非常多！

应用领域	具体场景举例	为什么适用 CRITIC
经济与管理决策	企业综合绩效评价、供应商选择、上市公司财务竞争力分析	财务指标间常存在较强相关性（如利润率与净资产收益率），CRITIC 可自动降低冗余指标权重，突出独立信息源。
环境与资源评价	水质综合评价、大气环境质量评价、土地生态安全评估	环境监测指标往往相互关联（如 COD 与氨氮），CRITIC 能识别信息重叠，避免重复计分。
工程技术	材料性能综合评价、机械加工工艺参数优选、电网电能质量评价	多种性能指标间可能存在共线性，CRITIC 通过对冲突性的度量，保留关键的差异性指标。
医药与健康	中药质量综合评价、医院医疗质量排名、药物疗效多指标优选	中药指纹图谱中多个成分含量常高度相关，CRITIC 可找出最具化学区分度的成分，赋予更高权重。
农业与食品	农产品品质综合评价、不同品种果实品质比较、食品感官与理化指标融合评价	感官指标与理化指标之间存在重复描述，CRITIC 有助于精简评价指标体系。
教育与社科	高校科研绩效评估、城市综合发展水平评价、人才竞争力分析	评价指标繁杂且维度重叠严重，CRITIC 在无主观经验介入下，客观筛选高鉴别力指标。
风险管理	信贷风险评级、供应链风险评估、自然灾害脆弱性评价	风险因子之间通常高度相互关联，CRITIC 可确保综合得分不会因重复计算相似风险而失真。