企业官网建设流程全解析

简介：这份资源面向多属性决策分析的学习者与科研人员，提供在Matlab环境下实现CRITIC赋权法的完整代码，用于客观确定各属性权重并对方案综合打分，适合具备Matlab基础、需要处理评价与选优问题的中初级用户。压缩包共1个文件，为单个m脚本，体积约586B，代码结构涵盖数据预处理、属性归一化、一致性、相关性与强度指标计算、权重求解及对象打分等环节，并配有子函数划分，便于按模块阅读与替换实际数据。目前已有1658人学习下载，说明其在同类方法实现中具有一定参考价值。读者可据此快速搭建可运行的赋权流程，理解CRITIC准则的计算逻辑，并在此基础上扩展可视化或与其他决策方法组合使用。

1. 从一张“权重表”说起：CRITIC 赋权法在 MATLAB 里到底解决什么问题

做综合评价的人大多踩过同一个坑：手上有七八个指标，领导要一张权重表，拍脑袋定权重显得不专业，用熵权法又发现某些指标明明高度相关却被重复计权。CRITIC 赋权法就是冲着这个痛点来的——它同时看两件事，一是指标自身的对比强度（标准差），二是指标之间的冲突性（相关系数），把“波动大且和别人不重复”的指标权重抬上去。MATLAB 实现这套逻辑特别顺手，矩阵运算一行顶别人十行，corrcoef、std直接调用，几十行代码就能跑出一套可复现的权重结果。这份资源适合正在做评价类课题、论文复现或工程选型打分的人，拿过去改改指标矩阵就能用。

2. 项目结构与技术选型：为什么用 MATLAB 而不是 Python

2.1 目录与文件组织

这类赋权法实现通常不会做成庞大工程，核心就是一个主脚本加若干函数文件，常见组织方式如下：

critic_weight/ ├── main_critic.m % 主入口：读数据、调函数、输出权重 ├── critic_weight.m % CRITIC 核心计算函数 ├── normalize_data.m % 指标正向化与归一化 ├── data_sample.xlsx % 示例指标矩阵（行=样本，列=指标） └── result_weight.mat % 运行后保存的权重结果

主脚本负责流程编排，critic_weight.m只做纯计算，normalize_data.m单独处理量纲问题。这种拆法的好处是：换一批数据只改main_critic.m里的读取路径，核心算法一行不用动；想对比熵权法，再挂一个entropy_weight.m即可。我一般会把正向化逻辑也塞进normalize_data.m，因为效益型、成本型、区间型指标的预处理方式不同，混在主脚本里很快就会乱。

2.2 技术选型：MATLAB 的优势与边界

选 MATLAB 做 CRITIC 不是情怀，是实打实的效率考量。CRITIC 的核心是相关系数矩阵和标准差向量，MATLAB 的corrcoef返回对称矩阵，std(X,0,1)按列求样本标准差，一行到位；换成 Python 得注意numpy.corrcoef的默认行为、pandas的std(ddof=1)差异，新手容易在自由度上翻车。另外 MATLAB 的表格数据类型读 Excel 很稳，readtable自动识别表头，省掉一堆列名映射代码。

边界也要说清楚：MATLAB 不适合做大规模部署或 Web 服务，如果权重结果要嵌进线上系统，通常是把 MATLAB 算好的权重导出成 JSON 或 CSV，再由后端读取。所以这份资源的定位是“离线计算工具”，不是“在线服务”。常见做法是跑完main_critic.m后用writematrix把权重落盘，后续系统只消费结果。

2.3 数据输入约定

指标矩阵的约定必须提前定死，否则后面全是血泪经验。约定如下：

这个约定看起来琐碎，但它决定了后面所有公式能不能直接套。尤其是“统一转为效益型”这一步，很多人跳过，结果成本型指标（比如能耗、成本）权重算出来是正的，方向却反了，结论直接翻车。

3. 核心算法拆解：CRITIC 三步计算与 MATLAB 实现

3.1 第一步：指标正向化与归一化

CRITIC 对量纲敏感，必须先归一化。效益型指标用极差法，成本型指标先取负再极差，区间型指标单独处理。核心代码如下：

function Xn = normalize_data(X, types) % X: 原始指标矩阵，行=样本，列=指标 % types: 指标类型向量，1=效益型，-1=成本型，0=区间型 [n, m] = size(X); Xn = zeros(n, m); for j = 1:m col = X(:, j); if types(j) == 1 % 效益型：越大越好 Xn(:, j) = (col - min(col)) / (max(col) - min(col) + eps); elseif types(j) == -1 % 成本型：越小越好，先取负再极差 neg = -col; Xn(:, j) = (neg - min(neg)) / (max(neg) - min(neg) + eps); else % 区间型：落在 [a,b] 内最优，此处简化为距区间中心越近越好 a = min(col); b = max(col); center = (a + b) / 2; dist = abs(col - center); Xn(:, j) = 1 - dist / (max(dist) + eps); end end end

逻辑说明：eps是防止分母为零的保险丝，极差为 0 说明该指标所有样本取值相同，这种指标本身没有区分度，归一化后整列为 0，后续标准差也是 0，权重自然为 0，符合直觉。参数types必须和列顺序严格对应，我见过有人把成本型标成效益型，跑出来的权重表看着正常，结论却完全相反——这种错误不会报错，只会静默出错，最坑。

3.2 第二步：计算对比强度与冲突性

CRITIC 的两个核心量：对比强度用标准差sigma_j表示，冲突性用sum(1 - r_ij)表示，其中r_ij是指标 i 和 j 的相关系数。代码如下：

function [C, sigma, R] = critic_core(Xn) % Xn: 归一化后的指标矩阵 [n, m] = size(Xn); % 对比强度：按列求样本标准差（自由度 n-1） sigma = std(Xn, 0, 1); % 相关系数矩阵 R = corrcoef(Xn); % 冲突性：每个指标与其他指标相关系数补数之和 conflict = zeros(1, m); for j = 1:m conflict(j) = sum(1 - R(j, :)); end % 信息量 C_j = sigma_j * conflict_j C = sigma .* conflict; end

逻辑说明：std(Xn, 0, 1)第二个参数 0 表示按样本标准差（除以 n-1），第三个参数 1 表示按列计算，这两个参数写错是高频翻车点。corrcoef返回 m×m 对称矩阵，对角线为 1，所以1 - R(j,:)中 j 自身那项为 0，不影响求和。conflict越大说明该指标和其他指标越不相关，信息越独立，权重应该越高。参数层面，如果某两个指标完全线性相关，R对应位置为 1，冲突性贡献为 0，这正是 CRITIC 想去重的场景。

3.3 第三步：归一化权重并输出

信息量C算出来后，权重就是C归一化：

function w = critic_weight(X, types) % 完整流程封装：输入原始矩阵，输出权重向量 Xn = normalize_data(X, types); [C, sigma, R] = critic_core(Xn); w = C / sum(C); % 打印中间结果，方便排查 fprintf('对比强度 sigma: %s\n', mat2str(sigma, 4)); fprintf('信息量 C: %s\n', mat2str(C, 4)); fprintf('权重 w: %s\n', mat2str(w, 4)); end

逻辑说明：sum(C)是所有指标信息量之和，归一化后权重和为 1。打印中间结果是排查利器——如果某个指标权重异常高，先看它的sigma是不是被量纲放大了，再看conflict是不是因为和其他指标都不相关而被抬高。参数types从主脚本传入，示例数据里如果全是效益型指标，直接传ones(1, m)即可。

3.4 主脚本串联

% main_critic.m data = readmatrix('data_sample.xlsx'); % 读入指标矩阵 types = [1, 1, -1, 1, -1]; % 按列标注指标类型 w = critic_weight(data, types); % 计算权重 writematrix(w, 'result_weight.csv'); % 落盘供后续系统消费

readmatrix比xlsread更现代，返回纯数值矩阵，省去单元格解析。writematrix输出 CSV，后端语言都能直接读。这套流程跑通后，换数据只需改文件路径和types向量，算法层零改动。

4. 跑起来与避坑：从示例数据到自己的指标矩阵

4.1 环境准备与首次运行

MATLAB R2019b 及以上版本即可，readmatrix和writematrix在这个版本之后才稳定。首次运行步骤：

1. 把整个文件夹加入 MATLAB 路径（右键文件夹 → 添加到路径 → 所选文件夹）。
2. 打开main_critic.m，确认data_sample.xlsx与脚本同目录。
3. 按 F5 运行，命令行应输出 sigma、C、w 三行中间结果。
4. 检查当前目录下是否生成result_weight.csv。

如果报“未定义函数或变量”，九成是路径没加对；如果报“索引超出矩阵维度”，检查types长度是否等于指标列数。这两类错误占了新手问题的八成。

4.2 换成自己的数据

替换数据时按这个顺序操作，能少走弯路：先把 Excel 整理成纯数值、无合并单元格、无表头行（或表头单独放），再用readmatrix读入；然后数一下列数，写types向量；最后跑一遍，看权重和是否接近 1（浮点误差允许 1e-6 偏差）。如果权重和明显不等于 1，说明中间有 NaN 混入，sum(C)变成了 NaN，归一化自然失效。

4.3 常见问题排查

现象一：权重全是 NaN。原因通常是原始矩阵含 NaN 或某列极差为 0 且未加eps。解决：运行前加assert(~any(isnan(data(:))), '存在缺失值')，把问题挡在入口。

现象二：某个指标权重接近 1，其他接近 0。原因多半是该指标量纲远大于其他指标，归一化没生效或types标错导致该列没走极差。解决：打印Xn每列的min和max，确认都在 [0,1] 区间。

现象三：corrcoef报警告“矩阵接近奇异”。原因是指标间存在完全线性相关，或样本数少于指标数。解决：样本数至少是指标数的 3 倍，否则相关系数估计不可靠；完全相关的指标考虑合并或剔除。

现象四：结果和论文里的权重对不上。原因通常是标准差自由度选择不同（除以 n 还是 n-1），或归一化方法不同（极差法 vs 向量归一法）。解决：对照论文公式逐项核对，std的第二个参数就是自由度开关。

提示：每次改完types或数据源，先跑一遍并肉眼检查中间输出，别直接看最终权重表。中间量对了，结果才可信。

5. 二次开发：把 CRITIC 嵌进评价流水线的几个改造点

5.1 与熵权法组合做组合赋权

单一赋权法都有偏差，CRITIC 偏重冲突性，熵权法偏重离散度，工程上常见做法是两者加权组合。改造思路：把critic_weight.m和entropy_weight.m并列调用，得到w1和w2，再用w = alpha*w1 + (1-alpha)*w2合成，alpha取 0.5 是默认起点，也可以用博弈论组合赋权求最优系数。验证方法：对比组合权重与单一权重的排序一致性，用 Spearman 相关系数衡量，corr(w1, w_combined, 'type', 'Spearman')一行就能看。

5.2 批量跑多组数据

课题里经常要对比多个年份或多个方案，手改路径太低效。把主脚本改成函数，外层套循环：

files = dir('data_*.xlsx'); W = zeros(numel(files), m); for k = 1:numel(files) data = readmatrix(files(k).name); W(k, :) = critic_weight(data, types); end writematrix(W, 'weight_matrix.csv');

这样一次跑完所有文件，权重矩阵按行对应文件，后续做趋势分析直接读。注意m要在循环外确定，且所有文件列数必须一致，否则W预分配会出错。

5.3 结果可视化与报告输出

权重表给领导看，光有数字不够。加一段横向条形图：

barh(w); set(gca, 'YTickLabel', indicator_names, 'YTick', 1:numel(w)); xlabel('权重'); title('CRITIC 赋权结果');

indicator_names从 Excel 表头读或手写元胞数组。图出来后用exportgraphics(gcf, 'weight_bar.png', 'Resolution', 300)导出高清图，直接贴进报告。这一步花不了十分钟，但能让结果的可信度上一个台阶。

5.4 一个我踩过的坑

早些年做某评价项目，数据里有个成本型指标忘了标-1，跑出来的权重表看着挺正常，排序也像模像样，结果汇报时被问“为什么能耗越高得分越高”，当场愣住。回头查才发现是types向量错位。从那以后我每次跑赋权之前，都强制先打印一张“指标名—类型—归一化后均值”的对照表，肉眼过一遍再往下算。这个习惯救过我至少三次。希望这份拆解能帮你少走一遍我走过的弯路，把 CRITIC 这套逻辑真正用进自己的评价流水线里。

本文还有配套的精品资源，点击获取