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
- 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。
- 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)。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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
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
- 决策咨询稿写作将研究成果按问题-证据-方案-建议结构改写为决策咨询稿,分级呈现证据与方案比选矩阵。适用于向政府部门报送要报专报。
- 政策扩散事件史分析构建省市面板风险集,用离散时间logit与Cox模型估计政策创新扩散机制。适用于河长制等地方政策扩散时序研究。
- 公共政策评估设计用逻辑模型梳理政策链条,按推行方式选择DID/RDD等因果识别策略并设计CBA。适用于政策评估方案设计与可评估性评估。
- 公共管理数据源系统梳理统计年鉴、财政公开与CGSS/CFPS等微观调查数据的获取与口径问题。适用于构建省市县面板或选择微观调查数据。
- 公共管理案例研究按Yin案例设计开展过程追踪与比较案例选择,设计田野访谈提纲与三角验证。适用于基层治理、政策执行等案例研究。
- 政府绩效与服务效率用DEA/SBM与Malmquist指数测度政府效率及动态变化,结合满意度做对照。适用于医疗教育等公共服务效率研究。
- 公共预算与财政分析处理一般公共预算等四本账,分析转移支付与地方债务指标并规范口径。适用于财政分权、转移支付效应等财政研究。
- 调查实验方法设计设计列举实验、联合分析与情境实验测量敏感议题真实态度并估计处理效应。适用于腐败容忍度、政府信任等难测议题研究。
- 政策文本量化分析按政策工具三分法构建编码框架,结合分词与主题模型做量化分析并检验信度。适用于政策工具、政策演进与府际比较研究。
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。