科研 Skill

指标体系构建与赋权

policy-indicator-weighting

用德尔菲法凝聚共识,AHP与熵权组合赋权并用TOPSIS排序,做敏感性分析。适用于数字政府等综合评价指标体系构建。

发布者 Codar安全审核通过v0.1.0更新于 2026-11-18

SKILL.md

评价指标体系构建与赋权(Indicator System Construction & Weighting)

适用场景

  • 构建地方政府数字治理能力、营商环境、韧性城市、基本公共服务均等化等综合评价指标体系。
  • 用德尔菲法征询专家意见确定指标与重要性。
  • 用 AHP 获取主观权重、用熵权法获取客观权重并组合。
  • 用 TOPSIS 对省份/城市进行综合排序与分级。
  • 检验评价结果对权重设定的敏感性,回应审稿人对“权重任意性”的质疑。

边界与不适用

  • 综合指数是描述与排序工具,不能直接用于因果解释;将其作为回归变量时需讨论测量误差。
  • DEA 等效率评价见 policy-performance-efficiency;问卷量表开发与信效度检验属于通用调查方法,参见其他 Plugin 的问卷设计 Skill。
  • 不为指数“排名好看”而反复调整权重;权重方案应事先确定并报告。

工作流

  1. 确定评价对象与理论框架
    • 输入:评价目的(监测、比较、诊断)、对象(省/市/县/部门)、理论依据(如“投入—过程—产出—结果”、政策文件提出的维度)。
    • 产出:目标层—准则层—指标层的初始框架。
  2. 指标海选与筛选
    • 来源:文献频次统计、政策文件、已有权威指数。
    • 筛选标准:相关性、可测性、数据可得、避免重复;对高度相关指标(如 |r|>0.8)合并或删除,可辅以主成分或相关分析。
    • 产出:初选指标表(含定义、方向、单位、数据来源)。
  3. 德尔菲法
    • 专家选择:15–30 名,覆盖学界与实务部门,记录专家权威系数(判断依据系数与熟悉程度系数)。
    • 轮次:通常 2–3 轮,匿名、反馈上一轮统计结果。
    • 统计量:重要性均值、变异系数(常以 CV<0.25 作为一致性较好的参考)、Kendall 协调系数 W 及其显著性;删除均值低或分歧大的指标。
    • 产出:确定指标体系 + 各轮统计表。
  4. AHP 主观赋权
    • 专家用 1–9 标度两两比较构造判断矩阵;用特征向量法或几何平均法求权重。
    • 一致性检验:CI = (λmax − n)/(n − 1),CR = CI/RI,RI 查 Saaty 随机一致性指标表;CR<0.1 可接受,否则返回专家修正。
    • 多专家:先个体检验一致性,再对判断矩阵元素取几何平均或对权重取平均。
  5. 熵权法客观赋权
    • 正向/负向指标分别极差标准化(防止 0 值可加微小平移),计算比重 p_ij、信息熵 e_j,差异系数 d_j=1−e_j,权重 w_j=d_j/Σd_j。
    • 注意:熵权法只反映数据离散程度,不反映重要性,样本或年份变化会改变权重。
  6. 组合赋权
    • 线性组合 w = α·w_AHP + (1−α)·w_entropy,或乘法合成后归一化;α 需说明依据(常取 0.5)或用博弈论组合等方法求解。
  7. TOPSIS 综合评价
    • 向量或极差标准化 → 乘权重 → 正负理想解 → 欧氏距离 → 贴近度 C_i 排序;面板数据可采用全局 TOPSIS(所有年份共用理想解)以保证跨年可比。
  8. 敏感性与稳健性分析
    • 改变 α(如 0 到 1 步长 0.1)、单个权重扰动 ±10%/±20%、蒙特卡洛随机权重,比较排名变化(Spearman 秩相关);与等权重结果对照。

工具与数据源

  • 软件:yaahp(AHP 专用软件)、SPSSAU(在线统计,含 AHP/熵权/TOPSIS 模块)、Excel、SPSS(Kendall W)。
  • Python:numpy、pandas、scipy.stats(kendalltau、spearmanr);R:irr(kendall 函数)。
  • 指标数据:统计年鉴、政府公报、第三方评估报告(见 policy-gov-data-sources)。

最小可运行代码(Python)

# pip install numpy pandas
import numpy as np
import pandas as pd

# ---- AHP:判断矩阵 + 一致性检验 ----
A = np.array([[1, 3, 5], [1/3, 1, 2], [1/5, 1/2, 1]], dtype=float)
vals, vecs = np.linalg.eig(A)
k = np.argmax(vals.real)
w_ahp = np.abs(vecs[:, k].real); w_ahp /= w_ahp.sum()
n = A.shape[0]
RI = {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45}
CI = (vals.real[k] - n) / (n - 1)
CR = CI / RI[n] if RI[n] else 0
print("AHP 权重", w_ahp.round(3), "CR =", round(CR, 3))

# ---- 熵权法 ----
X = pd.DataFrame({"x1": [80, 65, 90, 70], "x2": [3.2, 4.1, 2.8, 3.9], "x3": [12, 15, 9, 11]},
                 index=["甲市", "乙市", "丙市", "丁市"])
direction = {"x1": 1, "x2": 1, "x3": -1}   # x3 为负向指标
Z = X.copy()
for c in X:
    rng = X[c].max() - X[c].min()
    Z[c] = (X[c] - X[c].min()) / rng if direction[c] == 1 else (X[c].max() - X[c]) / rng
Z = Z + 1e-4                                # 平移避免 ln(0)
P = Z / Z.sum()
e = -(P * np.log(P)).sum() / np.log(len(X))
w_ent = (1 - e) / (1 - e).sum()

# ---- 组合 + TOPSIS ----
w = 0.5 * w_ahp + 0.5 * w_ent.values
V = Z.values * w
d_pos = np.sqrt(((V - V.max(0)) ** 2).sum(1))
d_neg = np.sqrt(((V - V.min(0)) ** 2).sum(1))
C = d_neg / (d_pos + d_neg)
print(pd.Series(C, index=X.index).sort_values(ascending=False).round(3))

质量检查

  • 指标体系有理论或政策依据,指标定义、方向、单位、来源完整。
  • 德尔菲法报告专家构成、权威系数、各轮 CV 与 Kendall W 及显著性。
  • 每个 AHP 判断矩阵 CR<0.1,多专家集结方法写明。
  • 熵权法标准化方式、零值处理、面板是否跨年统一标准化写明。
  • 组合系数 α 的依据说明,并报告敏感性分析结果。
  • TOPSIS 排名与等权重、其他方法结果对比,排名稳定性用秩相关报告。
  • 专家咨询已知情同意,个人信息匿名。

输出格式

  • 指标体系表:目标层|准则层|指标层|定义/公式|方向|单位|来源|AHP 权重|熵权|组合权重。
  • 德尔菲统计表:指标|各轮均值|标准差|CV|是否保留;Kendall W 表。
  • 评价结果表:对象|贴近度|排名|等级;敏感性分析图(α 变化下的排名轨迹)。

参考规范与文献

  • Saaty, T. L. (1980). The Analytic Hierarchy Process.
  • Hwang, C. L., & Yoon, K. (1981). Multiple Attribute Decision Making: Methods and Applications.
  • Linstone, H. A., & Turoff, M. (Eds.). (1975). The Delphi Method: Techniques and Applications.
  • Shannon, C. E. (1948). A mathematical theory of communication. Bell System Technical Journal.
  • OECD & JRC (2008). Handbook on Constructing Composite Indicators: Methodology and User Guide.

示例提示词

请帮我构建城市数字政府建设水平评价指标体系,用 AHP 和熵权法组合赋权、TOPSIS 排序,并做权重敏感性分析。

所属插件

公共管理与政策分析面向公共管理与政策研究:政策文本量化与政策工具编码、政策扩散事件史分析、政策评估设计、政府与公共数据源、公共预算财政、指标体系赋权、案例研究、政府绩效效率与政策建议写作。

安装该插件会一并获得同领域的 10 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

指标体系构建与赋权能做什么?

用德尔菲法凝聚共识,AHP与熵权组合赋权并用TOPSIS排序,做敏感性分析。适用于数字政府等综合评价指标体系构建。

如何安装指标体系构建与赋权?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「指标体系构建与赋权」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

指标体系构建与赋权需要哪些权限?

该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

指标体系构建与赋权经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。