人工智能、社会5.0以及企业对智慧城市的适应举措：一种综合性的方法

《Technovation》：Artificial intelligence, society 5.0 and smart city adaptation initiatives for businesses: An integrated approach

本研究通过结合认知映射和DEMATEL方法在 neutrosophic环境中，分析企业适应AI、Society 5.0和智慧城市范式的问题，提出多准则分析系统，揭示四个关键集群（立法与公共政策、技术、绩效、人民）及核心因素，支持决策者制定有效策略。

　　在当代社会，城市化进程加速，使得越来越多的人口迁徙至城市，这对城市服务带来了前所未有的挑战。面对这些挑战，决策者需要采用“智慧城市”和“Society 5.0”这样的范式，以全面应对各种问题，并确保城市能够适应不断变化的居民需求。这些范式的核心在于技术，尤其是人工智能（AI），它能够以变革性的能力扩展服务、自动化任务、高效处理大量数据，从而解决城市面临的复杂问题。这些努力不仅符合多个可持续发展目标（SDGs），如可持续城市和社区（SDG 11），还与良好的健康与福祉（SDG 3）、体面的工作与经济增长（SDG 8）、工业、创新与基础设施（SDG 9）、气候行动（SDG 13）以及陆地生命（SDG 15）密切相关。

在这样的背景下，城市需要制定战略计划，以增强其适应“智慧城市”、“Society 5.0”和AI范式的能力，这涉及多方利益相关者，包括企业。本文提出了一种多标准分析系统，旨在支持这一复杂情境下的决策，考虑到决策问题的主观性和内在复杂性。该系统的开发过程中，借鉴了关键决策者的专业知识，并采用了认知图谱和在中性环境下的决策试验与评价实验室（DEMATEL）技术，以分析影响适应性项目的因素之间的因果关系。基于建构主义、过程导向的方法，所开发的分析系统可以帮助决策者在评估技术整合时应对不确定性，促进在AI、“Society 5.0”和智慧城市语境下的明智决策，为实现相关SDGs做出贡献。

城市化已成为全球最重要的挑战之一。从2011年到2021年，城市居民的百分比显著上升。具体而言，城市化率从2011年的52.0%上升至2021年的56.5%（联合国贸易和发展会议，2022）。这一趋势表明，在该时期内，城市生活正变得更加普遍。此外，发达国家（79.5%）与发展中国家（51.8%）之间的城市化率差异也十分显著（联合国贸易和发展会议，2022）。尽管城市仅占全球地表面积的2%（联合国环境规划署，2011），专家预测到2050年，全球60%至70%的人口将居住在城市社区，并利用高达75%的自然资源（联合国环境规划署，2011；Qiu等，2023）。为应对城市人口增长的压力和农村地区荒废的问题，城市规划者需要重新思考资源的开发和使用方式。

与这一情境直接相关的挑战需要以高效且环保的方式加以解决。研究者已经确认，这些挑战涵盖了从生态影响到经济和社会问题的多个方面（Caird，2018；Caboz等，2025）。这种复杂性要求适用于人们日常生活以及围绕居民的各种服务的技术解决方案，从而促进创新和经济成长，这有助于保障个人的福祉（Bartoloni等，2022；Bafail，2025）。因此，城市生活质量的概念在全球城市应对快速城市化带来的众多挑战中逐渐受到重视（Yadav和Gupta，2021）。Caird（2018）、Zeng等（2021）和Caboz等（2025）等研究者确认，城市化挑战包括恢复社会、经济和环境的可持续性，并理解这些领域之间的复杂关系。

全球各国提出了多种技术解决方案，以应对快速城市化带来的挑战。这些解决方案旨在改善居民的生活质量，提高城市服务的效率，并促进创新和经济增长（Bartoloni等，2022；Vaz-Patto等，2024）。智慧城市是一种应对城市挑战、提升城市居民福祉的战略方法。通过整合先进技术与数据驱动的决策，智慧城市努力打造更加高效、可持续和宜居的城市环境（Zhou等，2023）。这种方法与多个可持续发展目标（SDGs）相契合，包括良好的健康与福祉（SDG 3）、体面的工作与经济增长（SDG 8）、工业、创新与基础设施（SDG 9）、可持续城市和社区（SDG 11）、气候行动（SDG 13）以及陆地生命（SDG 15）。构成智慧城市的要素包括智慧人群、治理、经济、移动性、环境和生活（Ekin和Sarul，2022）。Gil-Garcia等（2015）、Boykova等（2016）和?ipi等（2023）也确认了这些要素以及其他智慧城市的组成部分。

“Society 5.0”这一概念源自日本的社会发展方法，并在《2018年增长战略》中被展示。Society 5.0设想通过信息技术（IT）和各种服务的整合，推动社会的演进，创造一个更加先进和以人类为中心的社会（Hitachi-UTokyo实验室，2018；Deguchi等，2020）。Society 5.0被描述为一个智能社会，它通过标准化流程评估人类需求，并利用人工智能（AI）技术满足这些需求（Calp和Bütüner，2022）。

在现有的技术中，对新Society 5.0和智慧城市范式贡献最大的是那些促进连接和数据收集与/或处理的技术（Singh和Sobti，2022）。AI在支持城市管理和决策支持过程中扮演了主导角色（Allam和Dhunny，2019；Calp和Bütüner，2022）。在智慧城市倡议和技术领域，传统的关注点通常集中在生成数据和获取对城市复杂性和动态性的新见解。然而，AI不仅生成这些数据，还主动利用它们来支持和增强决策过程（Diran等，2021）。AI有能力分析复杂的识别模式，预测行为，并在物理系统中精确执行操作。其目标是根据适当的设计和执行做出决策，并解决极其复杂的决策问题（Deguchi等，2020；Bafail，2025）。

在智慧城市的背景下，AI的采用障碍已在专门文献中有所讨论（例如，Herath和Mittal，2022；Freire等，2023；Barata等，2024；Bafail，2025）。Society 5.0代表了智慧城市建设的自然演进。在Society 5.0倡议中，众多挑战中一个主要障碍是企业主动构建信息整合架构，以有效整合跨多服务领域的数据和信息，包括交通、能源和社会福利（Deguchi等，2020）。在这种背景下，公司对于社会的发展和转型起着关键作用。因此，本研究旨在回答以下相互关联的研究问题：

1. 哪些举措可以促进公司适应AI、Society 5.0和智慧城市范式？
2. 哪些要素可以加速AI在Society 5.0倡议中的整合？

为了更深入地理解决策问题并构建适当的理论框架，本文进行了文献综述。随后，组织了两次专家小组会议，对问题的结构以及影响决策标准的重要关系进行了分析。本研究的主要贡献在于所采用的方法和过程，即认知图谱和在中性环境下的DEMATEL技术。本文的研究框架旨在识别有助于企业整合AI并加速向智慧城市和Society 5.0范式过渡的决策标准，如图1所示。

图1. 研究的概念图。

本研究的方法论具有重要的理论和实践意义。认知图谱提供了一个理论视角，使各种城市决策标准之间的复杂关系和相互依赖性得以可视化和分析，从而为城市化和技术创新整合带来新的见解。此外，将DEMATEL技术应用于中性环境中，有助于理论发展，通过解决城市情境中的复杂性和不确定性，提供更细致的理解，从而为未来在城市研究、技术采纳和社会发展领域的研究提供参考。

从实践角度来看，本文所采用的方法对于城市规划者、政策制定者和寻求在AI、Society 5.0和智慧城市倡议中应对挑战和机遇的企业来说，具有显著的价值。认知图谱和DEMATEL分析得出的见解可以指导战略决策过程，促进利益相关者的协作，并为适应城市环境的独特需求和复杂性而设计的综合解决方案提供信息。通过将理论与实践结合，本研究不仅增强了我们对城市化动态的理论理解，还提供了可操作的见解和方法，有助于在Society 5.0时代实现城市的可持续发展和以人为本的发展。

本文分为五个部分，从本引言开始。第二部分包含对AI、Society 5.0和智慧城市的文献综述。第三部分描述了方法论，第四部分呈现了应用和结果，最后部分讨论了研究的局限性并提出了未来研究的建议。

智慧城市的概念最初源自IBM的Smart Earth倡议，于2008年提出（Qiu等，2023）。随后，2011年德国政府通过一套技术转型倡议，将“智慧城市”概念引入制造业，即“Industrie 4.0: 智能制造的未来”（Demir等，2019）。该行动计划旨在通过技术，如物联网（IoT）、机器人和AI，提高制造业的效率和生产力。术语“Industry 4.0”同时被提出，以描述一种业务模型，其核心特征是物理世界（即物理空间或现实世界特征）与虚拟世界（即网络空间）的融合。Industry 4.0这一概念最初仅关注智能工厂的组件（例如，智能移动和智能电网），但这一新方法使“智慧城市”这一概念广为人知。很快，这一概念被接受为一个更广泛的愿景，即城市可以成为什么样子以及它们如何应对因强烈城市化而出现的问题。

利用技术，智慧城市（以及由此产生的Society 5.0）可以收集大量关于城市生活的数据，从物体和利益相关者多方面获取信息（Allam和Dhunny，2019；Ekin和Sarul，2022；Bafail，2025）。面对将数据转化为有用信息的复杂性，一种先进的技术（即AI）应运而生，它能够发展出接近现实的模型，最终目标是完美地模拟现实。换句话说，AI存在于机器能够复制与人类思维相关的认知功能（例如，学习和解决问题的能力）的场景中（Ongsulee，2017；Huang等，2023）。因此，Society 5.0代表了技术，尤其是AI，如何在提升人类生活方面演进的社会愿景。这一愿景的特点是机器和科技具有情境意识和环境意识，能够进行自主决策，以造福人类。AI在城市规划中的整合是这一转型的核心（?ipi等，2023；Caboz等，2025）。

一个重要的维度是信息与通信技术（ICT），它是智慧城市的基石。高速互联网和连接性对于高效的数据通信至关重要。ICT在城市环境中的应用有助于提升生活质量，改善城市运营，并促进可持续实践。新兴技术如5G正准备在多个行业，从医疗保健到交通领域，进行革命性的变革（Rodrigues等，2023）。此外，AI在ICT中的作用正在扩大，其应用范围包括智能家庭管理、预测和管理5G网络流量（Winden和Buuse，2017；Ekin和Sarul，2022；Qiu等，2023）。

另一个关键方面是智能基础设施，包括智能建筑、电网和水系统（Santos等，2024）。这些基础设施利用先进技术创造适应性环境，优先考虑用户舒适度、安全性和效率。例如，AI被整合到建筑信息建模（BIM）和智能电网操作中，以提高结构安全性和电网管理。此外，AI驱动的城市规划工具正在赋予城市规划者做出明智决策、优化资源分配和构想未来城市布局的能力（Ekin和Sarul，2022）。AI在治理中的应用还包括风险管理、数据保护和个性化服务交付，确保在Society 5.0中实现全面的智能治理（?ipi等，2023；Bafail，2025）。

总体而言，Society 5.0和智慧城市倡议代表了向技术整合和可持续社会的转变。AI在各个维度，从基础设施到治理中的整合，突显了创新、效率和城市生活质量提升的潜力（Qiu等，2023；Ekin和Sarul，2022；Vaz-Patto等，2024）。

尽管Society 5.0的范式带来了诸多挑战，但它被视为创造商业机会的理想空间。根据Hitachi-UTokyo实验室（2020，p. 169）的观点，“从数据垄断转向开放数据，将生成新的商业机会。传统上，公司通过垄断其客户和营销数据获利。如今，公司可以通过释放其数据集作为开放数据（在确保人类安全的前提下）并与其他人在网络空间中分享，来创造新的商业机会。在关注个人信息安全的同时，公司会公开其无法自行分析的数据”。因此，通过发现空白和/或协同效应，Society 5.0不仅能提供更好的服务，还能促进新的商业机会（?ipi等，2023）。先前的研究已经证明了技术在多个行业中的适用性，其最终目标是使社会更加智能化。表1总结了一些相关研究，强调了它们的贡献和局限性。

表1. 以前的研究。

| 作者 | 方法/方法 | 贡献 | 局限性 |
|------|-----------|------|--------|
| Pramanik等（2017） | 智能医疗 | 确认大数据（BD）和先进技术（如机器学习）在提高医疗质量和效率中的适用性 | 医疗系统需要针对不同利益相关者进行更新 |
| Mtshali和Khubisa（2019） | 智能家庭 | 识别了通过数字助手（如Google Assistant、Apple’s Siri和Amazon’s Alexa）来使智能家庭对残疾人士更具可访问性的解决方案 | 该模型依赖于语音命令，因此会自动排除有言语障碍的人 |
| Ullah等（2020） | AI、机器学习和深度学习在智慧城市中的应用 | 识别了AI、机器学习和深度学习的研究和技术趋势，以及如何优化这些技术在智慧城市中的性能 | 技术方法忽略了社会、经济和可持续维度 |
| Mishra等（2020） | AI系统检测冠状病毒引起的肺炎 | 确认了AI在解读X光片中作为辅助临床医生和放射科医生的适用性 | 研究人员对不同类型的肺炎信息访问有限 |
| Iqbal等（2020） | 大数据—计算智能（CI）在智慧城市中的应用 | 识别了利用CI分析BD在智慧城市中的实际好处：（1）降低成本；（2）实时支持决策者；（3）鼓励新产品的开发和新服务的创建 | 所呈现的方法需要在其他智慧城市领域进一步应用和开发，以创造商业和学术价值 |
| Fathi等（2023） | 用于Society 5.0安全保护的传感器定位模型 | 传感器作为服务用于提高重要基础设施的安全性，通过排队跟踪（即适用于人和货物）和实施双层模型以估计传感器的影响 | 实施过程中由于筛查过程的长时间等待，可能导致进入系统时的拥堵 |
| 有限的测试场景 | |

这些研究存在多种局限性，但最大的不足是无法同时分析多个社会和技术标准。Winden和Buuse（2017，p. 68）指出：“大多数智慧城市技术项目不仅具有技术性，还涉及社会、文化、政治、制度和行为变化，这些变化非常依赖情境。在这方面，对传播和复制活动的有效性值得怀疑。”智慧城市的实施以及Society 5.0模型的应用所涉及的多样变量是其固有的一部分。

这种局限性的后果包括首先无法定义标准之间的因果关系，其次无法分析反映社会模式的主观标准（参见?ipi等，2023；Santos等，2024）。后者限制是因为以往研究更倾向于使用强调数学优化的方法。第三，现有研究包括的场景较少，这些场景未能提供对决策问题的全面、现实的愿景（参见?ipi等，2023；Santos等，2024）。最后，文献显示缺乏对所识别问题的动态分析。鉴于现有文献中发现的这些局限性，本研究采用了认知图谱和DEMATEL结合中性逻辑的方法，以开发一个克服这些缺陷的多标准分析系统。

尽管DEMATEL是多种可用的多标准决策分析（MCDA）技术之一，如层次分析法（AHP）、基于分类评估技术的吸引力测量法（MACBETH）、偏好排序组织方法用于评估（PROMETHEE）或与理想解相似度技术（TOPSIS），但本研究选择DEMATEL主要是因为它能够通过识别和可视化因果结构，来建模评估标准之间的复杂相互关系。与其他方法不同，DEMATEL更适合分析具有反馈机制的系统，这些系统包含相互交织和相互依赖的因素（参见Gabus和Fontela，1972；Song和Cao，2017）——这正是本研究中出现的复杂性。此外，结合认知图谱，DEMATEL能够实现从定性问题结构到定量分析相互依赖性的平滑过渡（参见Freire等，2023）。中性推理的整合进一步增强了这一方法，通过将真理和错误独立处理，并引入第三个维度——即不确定性，这在特征是模糊、信息不完整或专家犹豫的情境中特别有价值（参见Smarandache，2007）。在本研究中，这使专家能够提供更细致的评估，特别是在涉及不确定性和部分共识的领域。中性逻辑的三元结构通过明确捕捉通常与复杂战略决策过程相关的认识不确定性，从而改善了分析的透明度和稳健性。虽然每种方法都已在先前研究中被单独应用，但它们在AI、Society 5.0和智慧城市适应中的具体整合代表了多标准决策分析（MCDA）领域的重大贡献。

本文的理论和方法论框架支持了所有后续的步骤。以下部分描述了实证研究以及分析结果。

结构化阶段

根据Carayannis等（2018）和Braga等（2021）的观点，决策者小组应有5至12名成员。本研究中选择的技术应用于一个由六名专业人士组成的小组，他们专门从事与决策问题直接相关的领域。参与者包括一名在银行行业有经验但现在从事房地产行业的市场专家，一名专注于可再生能源行业的并购分析师，以及一名在建筑公司工作的智慧城市业务发展经理。第四名小组成员是一名参与欧洲层面的试点项目，专注于利用高风险、高影响技术的智慧城市业务发展经理。其余两名专家是一名有创新技术经验（如AI、区块链和大数据）的信息技术（IT）顾问和软件开发人员，以及一名专注于安全的IT顾问。

这一跨学科的组成是刻意设计的，以确保相关专业知识和多样化的视角来应对复杂的跨行业挑战。每位专家都担任战略决策职位，并且拥有超过十年的相关专业经验。为了确保性别、年龄和职业背景的多样性，特别注意到了这一点。尽管这些参与者基于葡萄牙，但他们都有参与欧洲倡议的经验，这提供了更广泛、跨国家的视角。总体而言，专家是根据其实际参与和公认的领域知识进行选择的，而不是为了统计代表性。正如本研究的建构主义、过程导向的性质（Bell和Morse，2013；Ormerod，2013），这意味着选择过程是有目的的，旨在汇集一个具有相关知识和多样化的实践者群体，使其能够有意义地与决策问题的复杂性互动。我们的目标不是实现统计上的普遍性，而是确保分析的深度、相关性和情境丰富性。他们的自愿参与进一步确保了整个过程中的高度投入和参与。我们还承认，小组的国家和职业背景可能影响了某些问题（如监管复杂性和对变革的社会阻力）的优先级。然而，这种情境特定性被有意保留，因为目标是反映在明确决策环境中的知情利益相关者的知识和判断。

由于冠状病毒（Covid-19）限制，小组会议通过Teams平台远程进行。第一次会议开始于对每位小组成员的简要介绍，随后由主持人（即本文作者之一）简要说明程序。这样，专家们从一开始就知道会议的运作方式，有助于确保小组会议顺利进行。图3展示了在两次小组会议中涉及专家小组的步骤序列。

图3. 决策过程。

在简要介绍之后，第一次讨论以一个触发性问题开始，以生成专家之间的讨论和知识共享（即，“基于您的专业经验，哪些举措可以促进公司适应AI、Society 5.0和智慧城市范式？”）。使用“便签技术”（Eden和Ackermann，2004），每位决策者在便签上写下他们认为相关的标准、想法或举措（即，每张便签一个回答）。一个负号（?）被添加到适当的便签上，以表示该标准与举措目标之间的负面因果关系。负号因此表示该因素是公司适应这三个模型的障碍，而省略负号则表明该因素有助于公司适应这些范式。

决策者们被提前告知，小组认知图谱应包含超过100个节点（即，标准）（Eden和Ackermann，2004）。最终，该过程产生了111个标准，这些标准被分为四个集群，分别标记为以下：法律和公共政策（C1）；技术（C2）；绩效（C3）；以及人（C4）。在第一次会议的最后一步，每个集群内部根据其标准的重要性进行了组织，将最重要的标准置于顶部，而最不重要的标准置于底部。

这些集群并非源自文献中的现有框架，而是通过使用战略选项开发与分析（SODA）和认知图谱的方法从专家的激发过程中归纳得出（Eden和Ackermann，2004）。这种建构主义方法使参与者能够共同构建问题，利用其专业经验和现实世界的经验。在主持的小组会议中，专家们识别并讨论了广泛的准则，这些准则通过迭代对话、谈判和共识进行提炼和分类。因此，所形成的类别反映了在AI、Society 5.0和智慧城市发展领域积极参与的决策者们共同构建的认知模型。

虽然集群标签可能在概念上与先前研究的主题相吻合，但它们的具体构成以及标准之间的相互关系反映了影响企业适应智慧城市环境的因素的独特、情境敏感的理解。图谱的制作过程通过鼓励思想和经验的交流，加深了对决策情境的理解，并促进了标准之间因果关系的识别和解释。这使得参与者能够探讨诸如“为什么会发生这种情况”等根本性问题——这是该方法的一个关键优势。正如文献所指出的（参见Eden和Ackermann，2004；Marttunen等，2017），认知图谱的互动和讨论性质有助于决策者与通常无法通过传统或数据驱动方法获得的问题方面互动。

通过直接依赖专家输入，该方法支持了对问题的更情境敏感和现实的呈现。这种方法揭示了通常无法通过统计或优化方法捕捉的见解，并提供了一个可以适应不同情境和利益相关者视角的灵活框架（参见Freire等，2023），为未来应用和改进提供了支持。图4展示了通过此信息制作的认知图谱（由于空间限制，视觉呈现可能不够清晰，但可以通过通讯作者直接请求可编辑的完整小组认知图谱）。

图4. 小组认知图谱。

评估阶段

在小组认知图谱生成后，举行了第二次小组会议——仍然远程进行，使用相同的专家小组。首先，成员们被要求使用名义群体技术（NGT）和多投票方法选择每个集群中最显著的标准（SC）。这些技术被选中是因为它们促进了有意义的讨论，并通过确保获得最多票数（即最高优先级）的标准被保留下来，避免了平局。表2列出了所选因素。

表2. 每个集群中最显著的标准。

| 集群 | 最显著的标准 | 支持文献 |
|------|----------------|----------|
| C1
法律和公共政策 | SC6. 政府政策 | Thilagavathy（2023） |
| SC16. 在公共采购过程中针对相关领域提供的特定信贷线 | World Economic Forum（2020）；U4SSC（2023） |
| SC18. 数据传输的便捷性和匿名性 | Gumzej和Rosi（2023）；Glerean（2025） |
| SC22. 数据和传感器安全透明措施（即，应对勒索软件） | Romeo和Lacko（2025） |
| SC27. 技术基础设施的开发和获取 | Folorunso等（2024） |
| SC33. 制定促进长期技术战略的多年度政策 | United Nations（2021） |
| SC36. 智慧城市在平台和技术方面的标准模型 | Salkuti（2021）；UN-Habitat（2025） |
| C2
技术 | SC12. 开放数据共享 | Publications Office of the European Union（2024） |
| SC14. 信息系统互操作性 | Gonzalez-Torres和Ali-Vehmas（2025） |
| SC48. 数据和传感器安全透明措施（即，应对勒索软件） | Akinsuli（2021）；Visave（2025） |
| SC56. 隐私设计 | Malmio（2024） |
| SC59. 新旧系统之间的互操作性 | Kapoor（2024）；Singh（2025） |
| SC71. 缺乏共享的大数据数据库 | Zhuang等（2024） |
| SC76. 与大型科技公司建立合作伙伴关系以促进创新 | Kong等（2025） |
| C3
绩效 | SC8. 优化公共采购程序 | U4SSC（2023） |
| SC81. 企业之间的合作以创造协同效应和新服务 | Vrabie（2020） |
| SC84. 企业目标与智慧城市模型对齐 | Eggers和Skowron（2018） |
| SC86. 研究与开发投资 | Neirotti等（2014） |
| SC89. 高效的城市规划 | Rathore等（2016）；Jacques等（2024） |
| C4
人 | SC32. 公民的数字包容性 | Eggers和Skowron（2018）；Wolniak和Stecula（2024） |
| SC39. 分析社会挑战以促进服务 | Shayan和Kim（2023）；Szczepańska等（2023） |
| SC42. 促进公民参与智慧城市设计 | Anthony（2024） |
| SC108. 技能培训计划 | U4SSC（2023） |
| SC109. 对智慧城市、Society 5.0及其相关技术的更高意识 | Al-Saidi和Zaidan（2024） |

然后，决策者们被要求构建五个矩阵（即，一个跨集群矩阵和四个内集群矩阵），这些矩阵通过在中性环境中应用DEMATEL方法（即，量化因素的权重为x（T，I，F））来获取。DEMATEL因此包括将决策者的T、I和F值进行“脆化”以生成单一值中性数字。第二次会议结束时，所有矩阵都已完成。重要的是，本研究中使用的所有信息都是直接由小组成员在小组会议中提供和验证的，确保所有观点都被考虑、讨论和协商，然后再进行分析。这种对小组动态的强调是该方法的核心优势，因为它使参与者能够面对不同的观点，澄清假设，并通过协作达到更一致和稳健的解决方案。这种互动不仅提高了结果的质量和合法性，还促进了解决方案的共享所有权——这是现实世界战略决策的关键因素（参见Vaz-Patto等，2024）。

第一次会议中创建的第一个矩阵是跨集群矩阵，它代表了集群之间的相互关系（参见表3）。六个DEMATEL步骤开始于创建初始矩阵（参见表4）和脆化计算（参见表5）。应用了公式（3）和（4）（参见子节3.2.2）来获得归一化的直接影响矩阵，如表6所示。应用公式（5）（参见子节3.2.3）需要三个迭代来生成矩阵T。支持计算和该矩阵如表7所示。

表3. 在第二次小组会议中构建的跨集群矩阵，包含中性值。

| 空单元格 | C1 | C2 | C3 | C4 |
|----------|----|----|----|----|
| **C1** | - | 2 (0.95, 0.4, 0.1) | 3 (0.8, 0.2, 0.15) | 3.5 (0.95, 0.1, 0.1) |
| **C2** | 1.5 (0.9, 0.45, 0.1) | - | 3 (0.9, 0.1, 0.1) | 3 (0.85, 0.2, 0.1) |
| **C3** | 1 (0.75, 0.4, 0.1) | 4 (0.9, 0.1, 0.1) | - | 1.5 (0.6, 0.5, 0.45) |
| **C4** | 4 (0.95, 0.1, 0.1) | 3 (0.95, 0.3, 0.3) | 3.5 (0.85, 0.15, 0.15) | - |

表4. 直接影响矩阵：跨集群分析。

| 空单元格 | C1 | C2 | C3 | C4 | 总计 |
|----------|----|----|----|----|------|
| **C1** | 0.0 | 1.5 | 2.4 | 3.2 | 7.2 |
| **C2** | 1.1 | 0.0 | 2.7 | 2.5 | 6.3 |
| **C3** | 0.7 | 3.6 | 0.0 | 0.8 | 5.1 |
| **C4** | 3.7 | 2.3 | 3.0 | 0.0 | 8.9 |
| **总和** | 5.5 | 7.4 | 8.1 | 6.6 | |

表5. 中性值的脆化：跨集群分析。

| 项目 | 关系分析 | DEMATEL
尺度（x） | 中性值（T，I，F） | 中性脆化 |
|------|----------|----------------------|------------------|----------|
| T | I | F | 中性脆化公式分子 | 中性脆化权重 |
| | 0.95 | 0.40 | 0.10 | 0.7602 |
| | 0.80 | 0.20 | 0.15 | 0.8152 |
| | 0.95 | 0.10 | 0.10 | 0.9134 |
| | 0.90 | 0.45 | 0.10 | 0.7277 |
| | 0.90 | 0.10 | 0.10 | 0.9000 |
| | 0.85 | 0.30 | 0.30 | 0.8445 |
| | 0.75 | 0.40 | 0.10 | 0.7216 |
| | 0.90 | 0.10 | 0.10 | 0.9000 |
| | 0.60 | 0.50 | 0.45 | 0.5482 |
| | 0.95 | 0.10 | 0.10 | 0.9134 |
| | 0.95 | 0.30 | 0.30 | 0.7534 |
| | 0.85 | 0.15 | 0.15 | 0.8500 |
| | 0.00 | 0.00 | 0.00 | 0.0000 |

表6. 辅助计算。

| 最大值 | 8.1 | 8.9 |
|--------|-----|-----|
| 1/最大值 | 0.1231 | 0.1125 |
| 1/s | 0.1125 | |

表7. 归一化直接影响矩阵X：跨集群分析。

| 空单元格 | C1 | C2 | C3 | C4 |
|----------|----|----|----|----|
| **C1** | 0.0000 | 0.1711 | 0.2751 | 0.3597 |
| **C2** | 0.1228 | 0.0000 | 0.3038 | 0.2850 |
| **C3** | 0.0812 | 0.4050 | 0.0000 | 0.0925 |
| **C4** | 0.4110 | 0.2543 | 0.3347 | 0.0000 |

表8. 矩阵T与辅助计算：跨集群分析。

| I | C1 | C2 | C3 | C4 |
|---|----|----|----|----|
| **C1** | 1.0000 | 0.0000 | 0.0000 | 0.0000 |
| **C2** | 0.0000 | 1.0000 | 0.0000 | 0.0000 |
| **C3** | 0.0000 | 0.0000 | 1.0000 | 0.0000 |
| **C4** | 0.0000 | 0.0000 | 0.0000 | 1.0000 |

表9. 跨集群互动。

| C1 | R | C | R + C | R – C |
|----|---|---|-------|-------|
| SC6 | 3.4924 | 2.1786 | 5.6710 | 1.3138 |
| SC16 | 2.9155 | 1.7395 | 4.6550 | 1.1760 |
| SC18 | 1.5733 | 3.0875 | 4.6609 | -1.5142 |
| SC22 | 2.0400 | 2.7347 | 4.7748 | -0.6947 |
| SC27 | 1.9685 | 2.6326 | 4.6011 | -0.6641 |
| SC33 | 3.4332 | 2.6149 | 6.0481 | 0.8183 |
| SC36 | 2.7194 | 3.1546 | 5.8740 | -0.4352 |

如（R–C）轴所示，在图5中，C4是最重要的集群，C1是最不重要的集群。这些集群可以按重要性排序为：C4 > C2 > C3 > C1。此外，（R–C）轴将C1和C4归类为原因集群，因为它们对其他集群产生直接影响。C2和C3