SPSSPRO,让数据分析更简单,问卷调查类数据分析不再愁 产品介绍 帮助中心 客户端
微信登录
  • 产品简介

  • 我的数据

  • 数据处理

  • 数据分析

    • 描述性分析

    • 问卷分析

    • 综合评价

      • 层次分析法(AHP专业版)
      • 因子分析(探索性)
      • 数据包络分析
      • 模糊综合评价
      • 优劣解距离法(TOPSIS)
        • 1、作用
        • 2、输入输出描述
        • 3、案例示例
        • 4、案例数据
        • 5、案例操作
        • 6、输出结果分析
        • 7、注意事项 ​
        • 8、模型理论
        • 9、手推步骤
          • Step 1:数据预处理:正向化与归一化
          • Step 2:确定指标权重(熵权法)
          • Step 3:计算最优解与最劣解
          • Step 4:计算与最优解和最劣解的距离
          • Step 5:计算综合得分与排序
        • 10、参考文献
      • 秩和比综合评价法(RSR)
      • 耦合协调度
      • 层次分析法(AHP简化版)
      • 熵值法
      • CRITIC权重法
      • 独立性权系数法
      • 变异系数法
      • 灰色关联分析
      • 多准则妥协解排序法(VIKOR)
      • 解释结构模型(ISM)
    • 差异性分析

    • 相关性分析

    • 预测模型

    • 统计建模

    • 计量经济模型

    • 医学统计模型

    • 机器学习分类

    • 机器学习回归

    • 规划求解

    • 研究模型

    • 信号分析

    • 自定义算法

优劣解距离法(TOPSIS)

操作视频
SPSSPRO教程-优劣解距离法(TOPSIS)

# 优劣解距离法(TOPSIS)

# 1、作用

TOPSIS 法是一种常用的组内综合评价方法,能充分利用原始数据的信息,其结果能精确地反映各评价方案之间的差距。基本过程为基于归一化后的原始数据矩阵,采用余弦法找出有限方案中的最优方案和最劣方案,然后分别计算各评价对象与最优方案和最劣方案间的距离,获得各评价对象与最优方案的相对接近程度,以此作为评价优劣的依据。该方法对数据分布及样本含量没有严格限制,数据计算简单易行。

# 2、输入输出描述

输入:至少两项或以上的定量变量。
输出:反应考核指标在量化评价中的综合得分。
​

# 3、案例示例

案例:为了客观地评价各风景地点的性价比,根据风景、人文、拥挤程度、票价等因素对各风景地点进行评估。

# 4、案例数据

优劣解距离法案例数据


# 5、案例操作


Step1:新建分析;
Step2:上传数据;
Step3:选择对应数据打开后进行预览,确认无误后点击开始分析;

step4:选择【优劣解距离法(TOPSIS)】;
step5:查看对应的数据数据格式,【优劣解距离法(TOPSIS)】要求特征序列为定量变量,分为正向指标变量和负向指标变量,且正向指标变量和负向指标变量的个数之和大于等于两项。
step6:设置变量权重(熵权法、不设置权重)。
step7:点击【开始分析】,完成全部操作。

# 6、输出结果分析

输出结果 1:指标权重计算 ​

图表说明:熵权法的权重计算结果显示,风景的权重为25.79%、人文的权重为22.684%、拥挤程度的权重为25.737%、票价的权重为25.79%,其中指标权重最大值为风景、票价(25.79%),最小值为人文(22.684%)。
​

输出结果 2:TOPSIS 评价法计算结果 ​

索引值 正理想解距离(D+) 负理想解距离(D-) 综合得分指数 排序
A 0.58864816 0.73970426 0.55685844 1
B 0.68956081 0.46675749 0.40365831 5
C 0.55297597 0.48326338 0.4663627 4
D 0.58134203 0.66059147 0.53190567 2
E 0.63882607 0.61200454 0.48927851 3

图表说明:由上表可知,景点 A 的综合评价最高,说明综合评估风景、人文、拥挤程度、票价后,景点 A 的性价比较高,距离负理想解相对远,距离正理想解相对近。
​

输出结果 3:中间值展示 ​

项 正理想解 负理想解
风景 1 0
人文 1 0
拥挤程度 1 0
票价 1 0

图表说明:表格给出的是正理想解(最优解)和负理想解(最劣解)的值。

# 7、注意事项 ​

  • 进行 TOPSIS 分析时,各个指标有着权重属性(当然通常情况并没有),那么可对应设置各个指标的权重(输入的权重值可以为相对数字,SPSSPRO 默认都会进行归一化处理让权重加和为 1),在进行 D+和 D-值计算时,SPSSPRO 会对应乘上权重值(如果没有权重则下述公式中权重值为 1);

# 8、模型理论

TOPSIS 法的基本思想是: 对原始数据同趋 势后构建归一化矩阵, 计算评价对象与最优向量和最劣向量的 差异, 以此测度评价对象的差异。 假设有 n 个评价对象,m 个 指标, TOPSIS 法的基本步骤为:
​
(1)步骤 1 :原始数据正向化+同趋势化
由于平台存在“正向指标”、“负向指标”,将分别对这两类数据做预处理 。这里对最小值减去0.0001,对最大值加上0.0001是为了兼容一整列都为相同的值的情况,对整体结果影响不大,可忽略不计

Xmin=min(X1j,X2j,...,Xnj)−0.0001


Xmax=max(X1j,X2j,...,Xnj)+0.0001


对于正向指标:

zij=Xij−XminXmax−Xmin


对于负向指标:

zij=Xmax−XijXmax−Xmin



​ (2)步骤2:计算最优解和最劣解

最优解:(,)(Z1+,Z2+,...,Zm+)
最劣解:(,)(Z1−,Z2−,...,Zm−)

(3)步骤 3 :计算各评价指标与最优及最劣向量之间的差距


其中w_j为第 j 个属性的权重(重要程度)。

​(4)步骤 4 :测度 评价对象与最优方案的接近程度


C_i 值越大, 表明评价对象越优

# 9、手推步骤

# Step 1:数据预处理:正向化与归一化

对正向指标,使用公式:

zij=Xij−XminjXmaxj−Xminj

对负向指标,使用公式:

zij=Xmaxj−XijXmaxj−Xminj

其中,为避免全列同值,对最小值减0.0001,最大值加0.0001:

Xminj=min(Xj)−0.0001,Xmaxj=max(Xj)+0.0001

计算过程:

  1. 风景(正向指标):
    Xmin=4−0.0001=3.9999, Xmax=8+0.0001=8.0001
    zA1=4−3.99998.0001−3.9999≈0.000025,zB1=7−3.99994.0002≈0.75,zC1≈0.25,zD1≈0.5,zE1≈0.999975.

  2. 人文(正向指标):
    Xmin=2−0.0001=1.9999, Xmax=10+0.0001=10.0001
    zA2=5−1.99998.0002≈0.375,zB2≈0.5,zC2≈0.625,zD2≈0.9999875,zE2≈0.0000125.

  3. 拥挤程度(负向指标):
    Xmin=2−0.0001=1.9999, Xmax=10+0.0001=10.0001
    zA3=10.0001−28.0002≈0.9999875,zB3≈0.25,zC3≈0.5,zD3≈0.0000125,zE3≈0.625.

  4. 票价(负向指标):
    Xmin=30−0.0001=29.9999, Xmax=50+0.0001=50.0001
    zA4=50.0001−3020.0002≈0.999995,zB4≈0.000005,zC4≈0.5,zD4≈0.75,zE4≈0.25.

归一化矩阵:

风景地点 风景(z1) 人文(z2) 拥挤程度(z3) 票价(z4)
A 0.000025 0.375 0.9999875 0.999995
B 0.75 0.5 0.2500025 0.000005
C 0.25 0.625 0.5000025 0.5
D 0.5 0.9999875 0.0000125 0.75
E 0.999975 0.0000125 0.625 0.25

# Step 2:确定指标权重(熵权法)

计算指标概率矩阵 pij 其中为正向化后数据pij=xij∑i=1nxij,其中xij为正向化后数据

  1. 风景(sum=30):
    pA1=4/30≈0.1333,pB1=7/30≈0.2333,pC1=5/30≈0.1667,pD1=6/30=0.2,pE1=8/30≈0.2667.

  2. 人文(sum=30):
    pA2=5/30≈0.1667,pB2=6/30=0.2,pC2=7/30≈0.2333,pD2=10/30≈0.3333,pE2=2/30≈0.0667.

  3. 拥挤程度(sum=19.0005):
    pA3=8.0001/19.0005≈0.421,pB3=2.0001/19.0005≈0.1053,pC3=4.0001/19.0005≈0.2105,pD3=0.0001/19.0005≈0.00000526,pE3=5.0001/19.0005≈0.2632.

  4. 票价(sum=50.0005):
    pA4=20.0001/50.0005≈0.4,pB4=0.0001/50.0005≈0.000002,pC4=10.0001/50.0005≈0.2,pD4=15.0001/50.0005≈0.3,pE4=5.0001/50.0005≈0.1.

计算信息熵 ej: 其中ej=−1ln⁡n∑i=1npijln⁡pij,其中n=5

  1. 风景(j=1):
    ∑pi1ln⁡pi1≈0.1333ln⁡0.1333+0.2333ln⁡0.2333+0.1667ln⁡0.1667+0.2ln⁡0.2+0.2667ln⁡0.2667≈−0.2686−0.3403−0.2989−0.3218−0.3545=−1.5841e1=−1ln⁡5(−1.5841)≈0.795

  2. 人文(j=2):
    ∑pi2ln⁡pi2≈0.1667ln⁡0.1667+0.2ln⁡0.2+0.2333ln⁡0.2333+0.3333ln⁡0.3333+0.0667ln⁡0.0667≈−0.2989−0.3218−0.3403−0.3662−0.1823=−1.5095e2=−1ln⁡5(−1.5095)≈0.82

  3. 拥挤程度(j=3):
    ∑pi3ln⁡pi3≈0.421ln⁡0.421+0.1053ln⁡0.1053+0.2105ln⁡0.2105+0.00000526ln⁡0.00000526+0.2632ln⁡0.2632≈−0.364−0.237−0.330−0.0001−0.351=−1.2821e3=−1ln⁡5(−1.2821)≈0.796

  4. 票价(j=4):
    ∑pi4ln⁡pi4≈0.4ln⁡0.4+0.000002ln⁡0.000002+0.2ln⁡0.2+0.3ln⁡0.3+0.1ln⁡0.1≈−0.3664−0.000026−0.3218−0.3612−0.2303=−1.2797e4=−1ln⁡5(−1.2797)≈0.795

计算信息效用值 dj 和权重 wj dj=1−ej,wj=dj∑j=1mdj

指标 信息熵 ej 信息效用 dj=1−ej 权重 wj=dj/∑dj
风景 0.795 0.205 0.205/0.794≈25.79%
人文 0.820 0.180 0.180/0.794≈22.68%
拥挤程度 0.796 0.204 0.204/0.794≈25.74%
票价 0.795 0.205 0.205/0.794≈25.79%

# Step 3:计算最优解与最劣解

  • 最优解(正理想解)Z+:正向指标取归一化最大值1,负向指标取归一化最大值1(因已正向化),即 Z+=(1,1,1,1)。
  • 最劣解(负理想解)Z−:取归一化最小值0,即 Z−=(0,0,0,0)。

# Step 4:计算与最优解和最劣解的距离

公式:

Di+=∑j=1mwj(Zj+−zij)2,Di−=∑j=1mwj(Zj−−zij)2

计算过程(以A为例):
DA+=0.2579∗(1−0.000025)2+0.22684∗(1−0.375)2+0.25737∗(1−0.9999875)2+0.2579∗(1−0.999995)2≈0.2579∗1+0.22684∗0.390625+0+0≈0.3464≈0.5886,DA−=0.2579∗(0−0.000025)2+0.22684∗(0−0.375)2+0.25737∗(0−0.9999875)2+0.2579∗(0−0.999995)2≈0+0.22684∗0.140625+0.25737∗1+0.2579∗1≈0.5471≈0.7397.

全部结果:

风景地点 Di+ Di−
A 0.58864816 0.73970426
B 0.68956081 0.46675749
C 0.55297597 0.48326338
D 0.58134203 0.66059147
E 0.63882607 0.61200454

# Step 5:计算综合得分与排序

公式:

越大,评价对象越优Ci=Di−Di++Di−,Ci越大,评价对象越优

计算结果:

风景地点 综合得分Ci 排序
A 0.73970.5886+0.7397≈0.5569 1
B 0.46680.6896+0.4668≈0.4037 5
C 0.48330.5530+0.4833≈0.4664 4
D 0.66060.5813+0.6606≈0.5319 2
E 0.61200.6388+0.6120≈0.4893 3

# 10、参考文献

[1] Scientific Platform Serving for Statistics Professional 2021. SPSSPRO. (Version 1.0.11)[Online Application Software]. Retrieved from https://www.spsspro.com.
[2] Shih H S, Shyur H J, Lee E S. An extension of TOPSIS for group decision making[J]. Mathematical & Computer Modelling, 2007, 45(7):801-813.
[3] 刘浩然,汤少梁. 基于 TOPSIS 法与秩和比法的江苏省基本医疗服务均等化水平研究[J]. 中国全科医学,2016,19(7):819-823. DOI:10.3969/j.issn.1007-9572.2016.07.017.

建议反馈