TOPSIS-RAD：基于意愿的排名方法深度解读

背景

多准则决策分析（MCDM）中，逼近理想解排序法（Technique for Order of Preference by Similarity to Ideal Solution，简称 TOPSIS）因其逻辑直观、计算简便而被广泛应用。然而，传统 TOPSIS 方法在核心机制上存在一个显著的结构性缺陷：其参考点——即正理想解（Positive Ideal Solution, $PIS$）和负理想解（Negative Ideal Solution, $NIS$）——完全由观测到的备选方案集合本身推导得出。

这种“自举”式的参考点定义导致了三个主要问题：

1. 与决策者（Decision-Maker, DM）需求错位：排名结果往往反映的是数据内部的相对优劣，而非决策者设定的绝对标准。
2. 对异常值敏感：极端的高分或低分会扭曲 $PIS$ 和 $NIS$ 的位置，进而影响所有方案的归一化边界和最终排名。
3. 排名反转（Rank Reversal）：当增加或移除某个备选方案时，原有的参考点发生变化，可能导致原本排名靠前的方案名次下降，甚至改变最优方案的选择，这在需要稳定决策支持的场景中是不可接受的。

为了解决上述问题，本文提出了 TOPSIS-RAD（Ranking According to Desires，基于意愿的排名），旨在将决策者的主观期望和硬性约束显式地引入到 TOPSIS 框架中，使排名更加稳健且符合实际业务逻辑。

核心内容

TOPSIS-RAD 的核心创新在于引入了两个由决策者定义的参考水平数组，取代了传统方法中从数据中动态生成的参考点。这两个关键组件分别是：

1. 否决性能水平（Vetoed Performance Levels, VPL）

VPL 的作用是在数据归一化之前，预先筛选并排除不可行的备选方案。

• 机制：决策者设定每个指标的最低可接受阈值（即 VPL）。如果某个备选方案在任一指标上的表现低于该阈值，该方案将被直接“否决”，不再参与后续的归一化和距离计算。
• 目的：防止不可行的方案（Outliers or Non-viable alternatives）扭曲归一化的边界。在传统 TOPSIS 中，即使一个方案整体表现极差，只要它存在于数据集中，它就会影响 $NIS$ 的位置，从而间接影响其他方案的相对距离。VPL 通过提前剔除这些“坏苹果”，确保了参与排名的都是具备基本可行性的方案。

2. 期望性能水平（Desired Performance Levels, DPL）

DPL 的作用是为正理想解（$PIS$）提供一个锚点，而非让 $PIS$ 无限逼近数据集中的最大值。

• 机制：决策者设定每个指标的理想上限（即 DPL）。在归一化之前，如果某个备选方案在某一指标上的表现超过了 DPL，其值将被截断（Cap）至 DPL 水平。
• 目的：将 $PIS$ 锚定在明确的期望值上，而不是数据集的极端值。在传统 TOPSIS 中，如果某个方案在某一指标上取得了极高的异常高分，该指标的最大值就会成为 $PIS$ 的一部分，导致其他方案在该指标上的得分被压缩，排名失真。DPL 限制了这种“过度表现”对排名边界的过度影响，确保排名反映的是方案接近“期望目标”的程度，而非仅仅是在数据集中“相对最好”的程度。

3. 方法流程与稳定性

TOPSIS-RAD 保留了传统 TOPSIS 基于距离计算的基本结构，但改变了参考点的生成逻辑：

1. 预处理：应用 VPL 剔除不合格方案。
2. 截断：应用 DPL 对剩余方案的优异表现进行封顶。
3. 归一化与计算：在修正后的数据基础上进行归一化，并基于固定的 DPL 和 VPL 定义 $PIS$ 和 $NIS$。
4. 排序：计算各方案与 $PIS$ 和 $NIS$ 的欧氏距离，得出相对贴近度并排序。

文章通过三个玩具示例（Toy Examples）演示了这些机制的效果：

• 示例 1：展示了 VPL 如何通过移除一个不可行方案，重塑归一化边界，使剩余方案的排名更加合理。
• 示例 2 & 3：展示了固定的 DPL 前沿如何稳定排名。当存在远高于期望水平的极端高分时，传统 TOPSIS 会因参考点漂移而导致排名波动，而 TOPSIS-RAD 通过限制这些高分的影响，保持了排名的稳定性。

关键要点

• 显式引入决策者偏好：TOPSIS-RAD 不再依赖数据驱动参考点，而是通过 VPL 和 DPL 将决策者的硬性约束（底线）和软性期望（目标）量化为数学参数。
• 解决排名反转问题：由于参考点（$PIS$/$NIS$）由外部定义的 VPL/DPL 固定，而非随数据集变化，因此增加或移除备选方案不会导致参考点漂移，从而有效避免了排名反转现象。
• 抗异常值干扰：
  • VPL 剔除了低于底线的“垃圾数据”，防止其拉低 $NIS$ 或扭曲比例。
  • DPL 封顶了高于目标的“异常高分”，防止其推高 $PIS$ 或压缩其他方案的得分空间。
• 保留 TOPSIS 优势：该方法未改变 TOPSIS 核心的距离计算逻辑，用户依然可以使用熟悉的相对贴近度指标进行解释，降低了新方法的认知门槛。
• 适用场景：特别适用于那些有明确行业标准、合规底线或业务目标的多准则决策场景，如供应商选择、项目评估、绩效考核等，其中“达标”和“理想”是预先定义的，而非由参与竞争的对手决定的。

意义与影响

TOPSIS-RAD 的提出标志着多准则决策方法从“数据描述型”向“目标导向型”的重要转变。

1. 增强决策的可解释性与可控性：在传统 TOPSIS 中，决策者往往难以理解为何某个方案排名靠前，因为参考点是由数据“黑盒”生成的。TOPSIS-RAD 使排名结果直接映射到决策者的预设标准上，增强了决策过程的透明度和可解释性。
2. 提升决策的稳健性：通过消除异常值和排名反转的影响，TOPSIS-RAD 为需要长期稳定决策支持的机构提供了更可靠的技术工具。这对于金融风控、供应链管理等对稳定性要求极高的领域具有重要意义。
3. 弥合主观意愿与客观数据的鸿沟：传统 MCDM 方法常因忽视决策者的主观期望而受到批评。TOPSIS-RAD 通过 VPL 和 DPL 成功地将主观期望嵌入客观计算框架，实现了主客观的更好平衡。
4. 未来研究方向：文章也指出了局限性，例如 VPL 和 DPL 的设定可能具有主观性，且目前主要适用于静态数据集。未来的研究可能集中在如何动态调整这些参数，或将其扩展到模糊环境、动态多准则决策等更复杂的场景中。

总之，TOPSIS-RAD 不仅是对经典 TOPSIS 算法的技术修补，更是一种决策哲学的回归：排名不应仅仅取决于“谁在数据中更好”，而应取决于“谁更符合我们的期望”。