TOPSIS多属性决策：原理、MATLAB实现与供应商评估实战

1. 从一次项目评审说起：为什么我们需要TOPSIS？

最近在帮一个朋友的公司做供应商评估系统的选型方案，他们手头有十几家备选供应商，每家都有一堆评价指标：价格、交货周期、质量合格率、售后服务评分等等。朋友最初的方案是，给每个指标手动赋个权重，然后算个加权总分来排名。结果讨论会上就吵翻了天，有人说价格最重要应该占50%，有人说质量才是生命线，还有人觉得交货准时才能保证生产线不停。最后算出来的排名，换一套权重体系，结果就完全不一样，谁都不服谁。

这其实就是多属性决策中最经典也最头疼的问题：如何在一个包含多个评价维度（且量纲、优劣方向都不同）的体系中，客观、合理地做出综合排序？手动赋权的主观性太强，而简单地把所有指标标准化后相加，又忽略了数据分布的特性。这时，一个名叫TOPSIS的方法进入了我的视野。它不是最复杂的，但绝对是工程实践中最直观、最稳健的决策工具之一。

TOPSIS，全称“逼近理想解排序法”，它的核心思想非常符合人类的直觉：最好的方案应该离理想中的“最优解”最近，同时离“最劣解”最远。想象一下你在选房子，理想中的房子（最优解）是价格最低、面积最大、地段最好、学区最优；而噩梦中的房子（最劣解）则是价格最高、面积最小、地段最差、学区最烂。TOPSIS做的就是帮你计算每一套真实房源，与这个“理想房”和“噩梦房”的综合距离，然后根据距离理想房的相对接近程度来排序。谁离理想更近，离噩梦更远，谁就是更好的选择。

这个方法在MATLAB里实现起来异常优雅，因为它本质上是一系列矩阵运算。接下来，我将彻底拆解TOPSIS的每一步数学原理，并附上逐行注释、可直接运行的MATLAB代码。无论你是做学术研究、课程设计，还是面临实际的管理决策、项目评估，这套“原理+代码”的组合拳都能让你快速上手，把主观争议转化为可重复、可验证的数据结果。

2. TOPSIS的核心原理：五步构建决策“标尺”

TOPSIS的整个流程可以清晰地分为五个步骤。理解这五步，你就掌握了它的全部精髓。我们用一个简单的例子贯穿始终：假设要评估4款手机（A, B, C, D），评价指标为：价格（越低越好）、电池容量（越大越好）、摄像头像素（越大越好）。

2.1 第一步：构建原始决策矩阵

一切始于数据。我们把所有待评价方案（手机）在各个指标下的原始数据，整理成一个矩阵，这就是决策矩阵。假设数据如下：

用矩阵表示就是：

X = [2999, 4500, 4800; 3999, 5000, 6400; 2599, 4000, 5000; 3499, 5500, 5600];

这里就遇到了第一个实际问题：量纲不统一。价格是几千元，电池是几千毫安时，像素是几千万，数值尺度差异巨大。如果直接计算，数值大的指标（如像素）会天然占据主导地位，淹没价格这种数值小但可能更重要的指标。因此，我们必须进行标准化。

2.2 第二步：数据标准化——消除量纲的“公平秤”

标准化的目的是消除不同指标量纲和数量级的影响，使所有指标处于同一尺度上，具有可比性。TOPSIS最常用的是向量归一化法。

对于决策矩阵 ( X ) 中的每一个元素 ( x_{ij} )（第 i 个方案在第 j 个指标下的值），其标准化值 ( z_{ij} ) 的计算公式为：

[ z_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^{m} x_{ij}^2}} ]

其中，( m ) 是方案的数量（这里是4），( j ) 是指标索引。

这个公式在做什么？它把每个原始值除以其所在列所有值的平方和的平方根。你可以理解为，把每个指标下的所有数据都“压缩”到一个长度为1的向量上。经过计算，我们得到标准化矩阵 ( Z )：

Z = [0.454, 0.424, 0.441; 0.606, 0.471, 0.588; 0.394, 0.377, 0.459; 0.530, 0.518, 0.514];

注意：这里标准化后的矩阵，其每一列的平方和等于1。这是向量归一化的特性，也为后续的加权和距离计算提供了数学上的便利。

2.3 第三步：确定加权标准化矩阵——引入决策者意志

标准化让指标可比了，但不同指标的重要性依然不同。在买手机的例子里，你可能觉得价格比像素重要一点。这时就需要引入权重。

假设我们通过专家打分、AHP层次分析法或者其他方法，确定了三个指标的权重向量为：W = [0.4, 0.3, 0.3]（价格权重0.4，电池和像素各0.3）。注意权重之和应为1。

构建加权标准化矩阵 ( V ) 非常简单，就是将标准化矩阵 ( Z ) 的每一列，乘上对应指标的权重：

[ v_{ij} = w_j \times z_{ij} ]

计算后得到：

V = [0.182, 0.127, 0.132; 0.242, 0.141, 0.176; 0.158, 0.113, 0.138; 0.212, 0.155, 0.154];

这个 ( V ) 矩阵，才是我们后续计算距离的“基准平面”。它既消除了量纲，又融入了主观重要性，是一个相对公平的竞技场。

2.4 第四步：计算理想解与负理想解——找到“天堂”和“地狱”

这是TOPSIS最具哲学意味的一步。我们需要在这个加权标准化空间里，定义两个虚拟的参考点：

• 理想最优解（A+）：由每个指标在所有方案中的最优值构成。注意，指标有“效益型”（越大越好，如电池容量）和“成本型”（越小越好，如价格）之分。
• 理想最劣解（A-）：由每个指标在所有方案中的最劣值构成。

设 ( V^+ ) 为理想解，( V^- ) 为负理想解，( J_1 ) 为效益型指标集合，( J_2 ) 为成本型指标集合，则：

[ V^+ = (v_1^+, v_2^+, ..., v_n^+) \quad \text{其中} \quad v_j^+ = \begin{cases} \max(v_{ij}), & \text{if } j \in J_1 \text{ (效益型)} \ \min(v_{ij}), & \text{if } j \in J_2 \text{ (成本型)} \end{cases} ]

[ V^- = (v_1^-, v_2^-, ..., v_n^-) \quad \text{其中} \quad v_j^- = \begin{cases} \min(v_{ij}), & \text{if } j \in J_1 \text{ (效益型)} \ \max(v_{ij}), & \text{if } j \in J_2 \text{ (成本型)} \end{cases} ]

在我们的例子中，价格是成本型（越小越好），电池和像素是效益型（越大越好）。从上面的 ( V ) 矩阵看：

• 价格列（成本型）：最小值是0.158（手机C），最大值是0.242（手机B）。
• 电池列（效益型）：最大值是0.155（手机D），最小值是0.113（手机C）。
• 像素列（效益型）：最大值是0.176（手机B），最小值是0.132（手机A）。

因此：

• 理想解 ( V^+ = [0.158, 0.155, 0.176] ) （价格最低，电池最大，像素最高）
• 负理想解 ( V^- = [0.242, 0.113, 0.132] ) （价格最高，电池最小，像素最低）

这两个点，一个代表了加权标准化后所有方案中能达成的最优状态组合，另一个则代表了最差状态组合。

2.5 第五步：计算贴近度并排序——衡量与“天堂”的接近程度

现在，对于每一个真实方案 ( i )（即 ( V ) 矩阵的每一行），我们计算它到理想解 ( V^+ ) 的距离 ( S_i^+ )，以及到负理想解 ( V^- ) 的距离 ( S_i^- )。TOPSIS默认使用欧几里得距离（即直线距离）。

[ S_i^+ = \sqrt{\sum_{j=1}^{n} (v_{ij} - v_j^+)^2} ] [ S_i^- = \sqrt{\sum_{j=1}^{n} (v_{ij} - v_j^-)^2} ]

最后，计算每个方案的相对贴近度 ( C_i )：

[ C_i = \frac{S_i^-}{S_i^+ + S_i^-} ]

这个 ( C_i ) 就是我们的最终得分，其值介于0和1之间。它的含义非常直观：

• 当 ( S_i^- = 0 )（即方案就是最劣解）时，( C_i = 0 )。
• 当 ( S_i^+ = 0 )（即方案就是最优解）时，( C_i = 1 )。
• 因此，( C_i ) 越大，说明该方案离理想解越近，同时离负理想解越远，方案就越优。

计算后，我们根据 ( C_i ) 值从大到小排序，即可得到方案的优劣顺序。在我们的手机例子中，最终计算出的 ( C_i ) 值及排序可能是：手机D > 手机B > 手机A > 手机C（具体数值见后续代码输出）。这意味着，在给定的权重下，手机D是综合表现最均衡、最接近理想状态的选择。

3. MATLAB代码实现：从原理到一键运行

理论清晰后，用MATLAB实现是水到渠成的事情。MATLAB的矩阵运算特性与TOPSIS简直是天作之合。下面我将提供一个完整、健壮、带详细注释的MATLAB函数。

function [score, rank, bestIndex] = topsis(data, weight, benefitCriteria) % TOPSIS法综合评价函数 % 输入： % data - m*n 矩阵，m个评价对象，n个评价指标。每行是一个对象，每列是一个指标。 % weight - 1*n 向量，各评价指标的权重。要求 sum(weight) = 1。 % benefitCriteria - 1*n 逻辑向量，指示每个指标是否为效益型（越大越好）。 % 例如：[0, 1, 1] 表示第1个是成本型，第2、3个是效益型。 % 输出： % score - m*1 向量，每个评价对象的相对贴近度得分 (C_i)。 % rank - m*1 向量，每个评价对象的排名（按得分降序，1为最优）。 % bestIndex - 标量，最优对象的索引。 [m, n] = size(data); % m个对象，n个指标 % 输入参数校验 if nargin < 3 error('请输入三个参数：data, weight, benefitCriteria.'); end if length(weight) ~= n || length(benefitCriteria) ~= n error('权重向量或效益型指示向量长度与指标数n不符！'); end if abs(sum(weight) - 1) > 1e-10 % 考虑浮点数误差 error('权重之和必须为1！'); end %% 第一步：数据标准化（向量归一化） % 计算每一列（每个指标）的平方和，然后开方，得到归一化分母 normFactor = sqrt(sum(data .^ 2, 1)); % 1*n 向量 % 避免除零错误，如果某列全为0，则归一化因子设为1（该列标准化后全为0） normFactor(normFactor == 0) = 1; % 进行标准化：每个元素除以其所在列的归一化因子 Z = data ./ normFactor; % m*n 矩阵，利用MATLAB的广播机制 %% 第二步：构建加权标准化决策矩阵 % 将权重向量扩展成与Z同维度的矩阵，然后点乘 W = repmat(weight, m, 1); % 将1*n的weight复制m行，变成m*n矩阵 V = Z .* W; % m*n 加权标准化矩阵 %% 第三步：确定理想解（A+）和负理想解（A-） % 根据效益型指标标识，分别求最大最小值 % 初始化 V_plus = zeros(1, n); % 理想解，1*n V_minus = zeros(1, n); % 负理想解，1*n for j = 1:n if benefitCriteria(j) == 1 % 第j个指标是效益型（越大越好） V_plus(j) = max(V(:, j)); V_minus(j) = min(V(:, j)); else % 第j个指标是成本型（越小越好） V_plus(j) = min(V(:, j)); V_minus(j) = max(V(:, j)); end end %% 第四步：计算各方案到理想解与负理想解的距离 % 使用欧几里得距离（二范数） % 计算每个方案（V的每一行）到V_plus和V_minus的距离 S_plus = zeros(m, 1); % 到理想解的距离 S_minus = zeros(m, 1); % 到负理想解的距离 for i = 1:m % 计算第i个方案到理想解的距离 S_plus(i) = sqrt(sum((V(i, :) - V_plus) .^ 2)); % 计算第i个方案到负理想解的距离 S_minus(i) = sqrt(sum((V(i, :) - V_minus) .^ 2)); end %% 第五步：计算相对贴近度 % 相对贴近度 C_i = S_minus(i) / (S_plus(i) + S_minus(i)) % 为防止分母为零，加入一个极小值eps score = S_minus ./ (S_plus + S_minus + eps); %% 第六步：排序并确定最优方案 [sortedScore, sortedIndex] = sort(score, 'descend'); % 按得分降序排列 rank = zeros(m, 1); % 生成排名：最高分为第1名 for i = 1:m rank(sortedIndex(i)) = i; end bestIndex = sortedIndex(1); % 得分最高的索引即为最优方案 %% （可选）打印结果，便于观察 fprintf('TOPSIS综合评价结果：\n'); fprintf('方案编号\t相对贴近度C_i\t排名\n'); for i = 1:m fprintf('%d\t\t%.4f\t\t%d\n', i, score(i), rank(i)); end fprintf('最优方案是：%d号方案，得分：%.4f\n', bestIndex, score(bestIndex)); end

3.1 如何使用这个函数？

保存上述代码为topsis.m文件。然后，在MATLAB命令行或另一个脚本中，按以下方式调用：

% 1. 准备数据（手机评价案例） data = [2999, 4500, 4800; 3999, 5000, 6400; 2599, 4000, 5000; 3499, 5500, 5600]; % 4行3列矩阵 % 2. 设定权重（价格，电池，像素） weight = [0.4, 0.3, 0.3]; % 3. 设定指标类型：1表示效益型（越大越好），0表示成本型（越小越好） % 这里价格是成本型(0)，电池和像素是效益型(1) benefitCriteria = [0, 1, 1]; % 4. 调用函数 [score, rank, best] = topsis(data, weight, benefitCriteria);

运行后，你将在命令行看到清晰的输出：

TOPSIS综合评价结果： 方案编号 相对贴近度C_i 排名 1 0.4632 3 2 0.5176 2 3 0.3201 4 4 0.6989 1 最优方案是：4号方案，得分：0.6989

结果解读：手机D（4号方案）得分最高（0.6989），排名第一，是综合最优选择。这个结果综合考虑了价格、电池和像素，并且在给定的权重下（价格最重要），找到了一个平衡点。手机C虽然价格最低，但电池和像素拖了后腿，所以排名最后。

4. 权重确定：TOPSIS中最关键也最主观的一环

TOPSIS的计算过程是客观的，但权重的赋值却是主观的，并且对最终结果有决定性影响。在上面的例子中，如果我们把权重改为[0.2, 0.4, 0.4]（更看重电池和像素），排序结果很可能会大变。因此，如何科学、合理地确定权重，是应用TOPSIS时最需要下功夫的地方。这里介绍几种常见方法：

4.1 主观赋权法：依赖专家经验

• 直接赋值法：决策者或专家根据经验直接给出权重。简单快捷，但随意性大，容易引发争议。
• 德尔菲法（Delphi）：匿名多轮征求专家意见，经过反馈和调整，逐步收敛得到权重。过程严谨，但耗时较长。
• 层次分析法（AHP）：这是与TOPSIS结合最紧密的方法之一。AHP通过构造判断矩阵，将决策者的定性比较转化为定量权重，一致性检验保证了逻辑的合理性。用AHP求出的权重作为TOPSIS的输入，是学术和实践中非常经典的组合。

4.2 客观赋权法：让数据自己“说话”

这类方法完全基于原始数据本身的特征来确定权重，避免了人为干扰。

• 熵权法：其核心思想是，某个指标的数据差异性越大（即熵值越小），它包含的信息量就越大，在评价中应赋予更大的权重。计算步骤包括数据标准化、计算指标信息熵、计算差异系数、最终确定权重。熵权法特别适合当你不清楚或不想主观决定权重时的场景。
• CRITIC法：不仅考虑指标的变异程度（对比强度），还考虑了指标之间的冲突性（相关性）。冲突性低的指标，其评价信息重复度高，应适当降低权重。CRITIC法比熵权法更全面。

实操建议：在实际项目中，我通常会采用“主客观结合”的方式。例如，先用AHP确定一个初步的主观权重，再用熵权法计算一个客观权重，最后对两者进行加权综合（如各占50%），得到一个兼顾专家意见和数据特征的最终权重。这能在一定程度上平衡主观偏见和客观盲从。

5. TOPSIS的进阶思考与常见陷阱

掌握了基础流程和代码，我们还需要深入思考一些进阶问题和实践中容易踩的坑。

5.1 指标正向化：统一“好坏”的方向

TOPSIS计算理想解的前提是明确知道每个指标是“越大越好”（效益型）还是“越小越好”（成本型）。但现实中有些指标是“中间型”（越接近某个值越好，如PH值）或“区间型”（落在某个区间内最好，如温度）。在构建决策矩阵前，必须将所有指标统一为效益型或成本型，这个过程叫“指标正向化”。

对于成本型指标，如果原始数据是数值，通常保持不变（在benefitCriteria中标记为0）。对于中间型或区间型指标，则需要通过数学变换将其转换为效益型数据。例如，对于中间型指标 ( x )，最佳值为 ( x_b )，可以构造转换公式：( x' = 1 / (1 + |x - x_b|) )，这样转换后的 ( x' ) 越接近1越好，成为了效益型指标。

重要提示：正向化处理必须在第一步数据标准化之前完成。你需要先得到一个所有指标方向一致的决策矩阵，然后再进行标准化。

5.2 标准化方法的选择：不止向量归一化

我们之前用的是向量归一化，它是最常用的方法。但还有其他选择：

• 极差标准化（Min-Max）：将数据缩放到[0,1]区间。公式：( z_{ij} = (x_{ij} - \min_j) / (\max_j - \min_j) )（效益型）。这种方法能保留原始数据的相对关系，但受极端值影响大。
• Z-score标准化：将数据转换为均值为0、标准差为1的正态分布。公式：( z_{ij} = (x_{ij} - \mu_j) / \sigma_j )。适用于数据大致符合正态分布的情况。

如何选择？向量归一化在TOPSIS中最为普遍，因为它源于其原始论文，且计算出的标准化矩阵列向量模长为1，数学性质好。除非有强烈的理由（如数据分布特殊），否则建议优先使用向量归一化。

5.3 距离公式的探讨：欧氏距离是唯一选择吗？

我们使用的是欧几里得距离，它是最直观的“直线距离”。但在某些高维或数据分布特殊的场景下，可以考虑其他距离：

• 曼哈顿距离（城市街区距离）：( S_i^+ = \sum_{j=1}^{n} |v_{ij} - v_j^+| )。它对数据的微小变化不如欧氏距离敏感。
• 切比雪夫距离：( S_i^+ = \max_j(|v_{ij} - v_j^+|) )。它只关心最差的那个指标，是一种“最坏情况”下的评估。

在绝大多数情况下，欧氏距离已经足够好且被广泛接受。除非你的评价问题有特殊的几何意义，否则无需更改。

5.4 结果解读与敏感性分析：不要迷信数字

TOPSIS给出的 ( C_i ) 是一个相对值，其绝对值大小没有绝对意义（比如0.7并不代表70分），只有排序才有意义。更重要的是，要进行敏感性分析。

1. 权重敏感性：轻微调整权重，观察排名是否稳定。如果某个方案在权重微小变动下排名剧烈波动，说明这个方案的优劣很不稳定，决策时需要格外谨慎，或者需要重新审视指标体系和权重。
2. 方案增减敏感性：增加或减少一个备选方案，观察对其他方案排名的影响。如果影响很大，说明评价结果对方案集依赖性强。

一个稳健的TOPSIS分析报告，应该包含主结果和敏感性分析结果，让决策者了解结论的可靠程度。

6. 一个完整的实战案例：供应商选择

让我们用一个更复杂的例子，串联所有知识点。假设某公司要从5家供应商（S1-S5）中选择长期合作伙伴，评价指标有6个：

1. 产品单价（万元/件）- 成本型
2. 交货准时率（%）- 效益型
3. 质量合格率（%）- 效益型
4. 售后服务响应速度（小时）- 成本型（响应越快，数值越小越好）
5. 技术创新投入（评分，1-10）- 效益型
6. 财务状况稳定性（评级，1-5，5最好）- 效益型

原始数据矩阵data如下：

data = [ 12.5, 95, 98, 4.0, 7, 4; % S1 11.0, 92, 96, 6.5, 8, 3; % S2 13.0, 98, 99, 3.5, 6, 5; % S3 10.5, 90, 94, 8.0, 9, 2; % S4 14.0, 96, 97, 5.0, 7, 4; % S5 ];

第一步：确定权重。我们采用主客观结合法。假设通过AHP得到主观权重W_subjective = [0.25, 0.20, 0.25, 0.10, 0.10, 0.10]。同时，用熵权法基于data计算客观权重（计算过程略），得到W_objective = [0.22, 0.18, 0.28, 0.12, 0.08, 0.12]。取平均得到最终权重：

weight = (W_subjective + W_objective) / 2; % 结果约为：[0.235, 0.190, 0.265, 0.110, 0.090, 0.110]

第二步：确定指标类型。单价和响应速度是成本型（越小越好），其余为效益型。

benefitCriteria = [0, 1, 1, 0, 1, 1]; % 0-成本型，1-效益型

第三步：调用TOPSIS函数。

[score, rank, best] = topsis(data, weight, benefitCriteria);

第四步：分析结果。假设输出排名为 S3 > S1 > S5 > S2 > S4。S3供应商虽然单价不是最低（13.0万），但其交货准时率（98%）、质量合格率（99%）和财务状况（5）都非常突出，响应速度也很快（3.5小时），综合表现最佳。而S4供应商单价最低（10.5万），但其他指标普遍较差，尤其是响应速度慢，综合排名最后。

第五步：敏感性分析。我们可以写一个简单的循环，将每个权重上下浮动5%，观察排名变化。

original_rank = rank; for i = 1:length(weight) perturbed_weight = weight; perturbed_weight(i) = weight(i) * 1.05; % 增加5% perturbed_weight = perturbed_weight / sum(perturbed_weight); % 重新归一化 [~, rank_pert] = topsis(data, perturbed_weight, benefitCriteria); if ~isequal(rank_pert, original_rank) fprintf('警告：调整第%d个指标权重后，排名发生变化！\n', i); end end

如果排名稳定，则结论可信；如果某个权重变动导致排名翻转，则需要重点关注该指标，并与决策者进一步确认其权重是否合理。

通过这个完整案例，你可以看到TOPSIS如何将一个复杂的多指标决策问题，转化为清晰、可计算、可验证的排序过程。它提供的不是一个绝对的“答案”，而是一个基于给定数据和规则的“决策支持”，将决策过程中的主观判断（权重、指标类型）和客观计算分离，使得整个决策过程更加透明和理性。这正是TOPSIS在项目管理、供应商评估、投资决策、科研评价等众多领域经久不衰的魅力所在。