AHP（Analytic Hierarchy Process）是一种结合定性与定量分析的主观赋权法，通过专家对指标进行两两比较，构建判断矩阵，最终计算各指标的权重。其核心步骤包括：
二、AHP的实施步骤详解
1. 构建层次结构模型
目标层：决策的最终目标（如“选择最佳旅游地”）。
准则层：影响目标的评价指标（如景色、费用、交通等）。
方案层：备选方案（如苏杭、北戴河等）。
2. 构造判断矩阵
标度定义：采用1-9分标度法，量化指标间相对重要性（例如：1=同等重要，3=稍微重要，5=明显重要，9=极端重要）。
专家打分：多位专家对同一层级指标两两比较打分，最终取平均值形成判断矩阵（如表1）。
表1：判断矩阵示例（准则层）
| | 景色 | 费用 | 交通 |
| 景色 | 1 | 0.333| 0.5 |
| 费用 | 3 | 1 | 2 |
| 交通 | 2 | 0.5 | 1 |
3. 计算权重与特征向量
技巧：
方根法：计算每行元素的几何平均数，归一化后得权重。
和积法：列归一化后按行求平均值。
输出：特征向量（权重向量），例如 `[0.12, 0.42, 0.27]` 表示景色、费用、交通的权重。
4. 一致性检验（CR<0.1）
计算公式：
一致性指标：$CI = fraclambda_max}-n}n-1}$（$lambda_max}$为最大特征根）。
随机一致性指标：查表获取$RI$（如表2）。
一致性比率：$CR = fracCI}RI}$。
要求：$CR 0.1$）。
无法生成新方案：仅能从已有备选方案中择优。
四、AHP与其他技巧的结合应用
1. AHP + 德尔菲法（Delphi）：
德尔菲法：筛选指标（专家独立打分，多轮反馈收敛共识）。
AHP：为筛选后的指标赋权。
> 例：先通过德尔菲法从20个指标中筛选出5个核心指标，再用AHP计算权重。
2. AHP + TOPSIS/熵权法：
AHP：确定主观权重。
熵权法：计算客观权重。
组合赋权：综合主客观权重提升可信度。
五、实际应用案例
案例1：旅游地选择
目标：选择最佳旅游地（方案层：苏杭、北戴河、桂林）。
准则层：景色、费用、交通、拥挤度。
结局：通过AHP计算权重，结合方案得分排序（如桂林得分最高）。
案例2：公司绩效评价
指标：服务质量、管理水平、运行成本、安全生产。
权重结局：管理水平（52.54%）> 服务质量（33.29%）> 运行成本（9.35%）> 安全生产（4.82%）。
拓展资料
专家打分法AHP的核心价格在于将主观经验转化为可量化的权重，适用于指标赋权、方案优选等场景。使用时需注意：
1. 控制指标数量（建议≤9个）；
2. 严格进行一致性检验（$CR 详细工具操作（SPSSAU、Python代码等）可参考：
[SPSSAU AHP分析教程]
> – [AHP Python实现案例]
