混合模糊决策方法在去中心化金融（DeFi）集成型中央银行数字货币平台选择中的应用

《Financial Innovation》：Hybrid fuzzy decision-making approach to DeFi-integrated central bank digital currency platform selection

　　摘要
中央银行数字货币（CBDC）与去中心化金融（DeFi）的结合代表了数字金融系统的一项变革性发展。然而，目前缺乏系统性的框架来优先考虑影响DeFi集成CBDC平台投资有效性和可持续性的因素。本研究开发了一个综合的多标准决策框架，以在不确定性下识别关键评估标准并对不同平台架构进行排序。该模型将客观专家权重、交互敏感的标准评估以及基于模糊逻辑的替代方案排序结合在一个统一的分析结构中。研究结果表明，技术基础设施（0.168）和流动性（0.167）是最具影响力的标准，而混合型和注重隐私的平台被认为是最合适的投资选择。这些发现强调了在CBDC设计中平衡技术稳健性、流动性深度和隐私保护的重要性。本研究通过提供一个结构化且对不确定性敏感的决策框架，为不断发展的数字货币生态系统中的战略平台选择和政策制定提供了支持。

引言
去中心化金融（DeFi）与中央银行数字货币（CBDC）的结合被认为是数字金融生态系统演变中的创新之举。这一概念指的是中央银行发行的、由国家担保的数字货币能够通过基于区块链的智能合约直接在去中心化金融平台上进行交易（Yang等人，2025年）。这种整合保持了传统金融系统的可靠性和监管框架，同时将DeFi所提供的透明度、灵活性、可编程性和中介功能融入了公共货币体系。通过DeFi的整合，CBDC通过减少对金融中介的需求降低了交易成本，还提高了跨境支付的速度和效率，从而实现了从微支付到宏观金融交易的各种用途（Bai等人，2025年）。此外，它还通过智能合约基础设施使得货币政策的实施更加精确、动态和有针对性。可编程的资金转移可以支持特定行业或社会群体。实时数据流使中央银行能够更有效地监控经济活动并增强金融稳定性。DeFi集成CBDC的关键优势包括提高金融包容性、确保透明度和信任、促进数字经济创新以及增强金融系统的网络韧性（Kvedaravi?iūt?和?apkauskien，2025年）。从学术角度来看，这一模型在中央集权和去中心化之间建立了新的平衡，将DeFi的创新特性融入系统的同时保留了货币当局的控制能力，为全球数字经济提供了可持续、高效和包容的金融基础设施。

选择用于开发与去中心化金融集成的中央银行数字货币的技术平台是一个直接影响数字货币系统成功与否的战略性过程。这一选择不仅仅是技术基础设施的选择，也是货币政策传导机制的有效性、金融稳定性、网络安全、合规性以及系统长期可持续性的决定性因素（Ma等人，2025年）。选择错误的平台可能会降低系统的可扩展性、减慢交易速度并引入安全漏洞。不同金融机构或DeFi协议之间的互操作性可能会减弱，最终限制中央银行对数字货币的监管能力（Ozturkcan等人，2025年）。相反，选择正确的平台在技术和经济上都具有显著优势。这意味着安全且可扩展的区块链基础设施能够高效实施智能合约，从而促进与去中心化金融应用的整合。货币政策的实施变得更加灵活和实时化。此外，所有金融生态系统参与者都能享受到高水平的透明度、可追溯性和数据安全性（Choi等人，2025年）。选择合适的平台还能建立与国际支付系统兼容的数字货币基础设施，从而在跨境交易中实现速度和成本优势。因此，选择DeFi集成的CBDC平台不仅是技术决策，也是对数字金融主权、宏观经济稳定性和全球竞争力具有战略意义的政策选择。

提高DeFi集成CBDC投资的效率是数字金融生态系统可持续性和稳定性的关键要求。这些投资的绩效不仅与技术创新水平密切相关，还与多种金融、运营和制度变量相关。流动性是决定系统交易量和参与者获取资金速度的主要因素；低流动性可能导致交易延迟、价格波动以及对基于DeFi的CBDC系统的信任度下降（Kamin和Zampolli，2025年）。效率则涉及技术基础设施的处理能力以及在能源、时间和成本方面的优化；高效系统能提高用户满意度并更有效地利用金融资源。此外，技术基础设施是系统可扩展性、网络安全和互操作性的决定性因素；薄弱的基础设施会增加系统的脆弱性和对外部干扰的敏感性。合规性对于中央银行数字货币的法律有效性、数据隐私以及符合国际金融标准至关重要（Lee等人，2025年）。在此背景下，金融包容性和创新速度也是重要的战略组成部分，因为包容性和创新的系统为个人和企业创造了可访问、可靠和动态的金融环境。因此，提高DeFi集成CBDC投资的效率不仅是技术目标，也是全面增强金融稳定性、信任度和创新能力的关键（Kang等人，2025年）。

流动性在数字金融生态系统中起着核心作用，它促进了无缝的交易流程，减少了市场摩擦，并支持价格稳定。高流动性提高了市场深度，使得货币政策信号能够更快地被吸收，这在CBDC-DeFi整合的背景下尤为重要，因为资产的可转换性和资金获取方式直接影响平台表现。同样，运营效率不仅体现在交易速度上，还涵盖了可扩展性、互操作性和网络韧性。高效的平台减少了结算延迟，促进了更广泛的采用，并降低了系统性风险，这些都是中央银行和政策制定者在选择不同数字货币架构时的关键考虑因素。图1展示了一个概念性图表。

DeFi集成CBDC评估的概念框架
尽管最近的研究已经探讨了CBDC的采用驱动因素、监管框架和技术架构，但大多数贡献仍然停留在描述性或单一方法的基础上。现有研究通常通过定性政策分析、宏观经济模拟或孤立的定量技术来评估CBDC系统，而没有将专家异质性、标准间的依赖性和不确定性建模整合到一个统一的决策结构中。例如，一些研究采用了传统的多标准决策（MCDM）技术，如AHP或基于熵的权重分配方法，但这些方法通常假设标准结构是独立的且专家影响是均等的，从而限制了它们反映DeFi集成环境中流动性、技术基础设施、合规性和创新能力之间复杂互动的能力。此外，基于专家的评估中的不确定性往往使用经典模糊集来建模，这可能过于简化了高度动态的数字金融生态系统中的不确定性。因此，在开发一个同时结合客观专家权重、先进的不确定性表示和基于妥协的替代方案排序的集成且交互敏感的决策框架方面仍存在方法论上的空白。尽管学术界和政策制定者对CBDC发展和DeFi整合给予了越来越多的关注，但仍然缺乏一个明确和系统的框架来优先考虑投资有效性的决定因素。现有研究主要孤立地考察技术可行性、监管考虑或宏观经济影响，而没有提供一个能够同时考虑专家异质性、标准间互动和复杂数字金融条件下的不确定性的综合决策结构。结果，中央银行缺乏一个结构化的分析工具来确定哪些平台特性最严重影响政策传导效率、金融稳定性和长期可持续性。解决这一空白是本研究的核心目的。具体而言，本研究开发了一个综合的多标准决策框架，以识别DeFi集成CBDC平台投资的最关键决定因素，并在不确定性敏感的评估条件下对不同技术架构进行排序。

虽然所提出的框架将DeFi集成CBDC平台的选择视为一个结构化的多标准决策问题，但它并不假设中央银行的决策完全是技术官僚主义的或优化驱动的。实际上，CBDC的采用嵌入在更广泛的制度授权、法律约束、政治经济动态和宏观金融路径依赖性之中。中央银行在治理结构中运作，这些结构平衡了价格稳定性、金融包容性、监管权威和数字主权考虑。因此，综合的多标准决策框架不应被视为制度判断的替代品，而应被视为一种增强复杂公共部门技术采用过程中分析透明度的决策支持机制。通过将模型置于金融基础设施治理和中央银行战略的更广泛文献背景下，本研究认识到平台选择结果最终是由制度环境塑造的，即使这些结果是由结构化的分析工具提供的。

除了其分析结构外，所提出的框架还应放在更广泛的中央银行制度和政治经济背景下进行理解。CBDC平台的选择不仅仅是一个技术官僚主义的优化问题，而是一个由法律授权、治理结构、宏观金融条件和货币当局的战略优先事项塑造的多维政策决策。中央银行在监管框架、金融稳定目标和政治责任等制度约束下运作，这些因素可能会影响或超越纯粹基于模型的建议。因此，综合的多标准决策框架旨在补充而不是替代制度判断，提供一个结构化、透明且分析上一致的决策支持机制。通过将模型置于金融基础设施治理和公共部门技术采用的文献背景下，本研究认识到现实世界的CBDC设计结果是由分析工具和制度环境之间的互动产生的，而不仅仅是优化过程的结果。

本研究的目的是识别决定DeFi集成CBDC平台投资有效性和可持续性的关键指标，并开发一个全面的决策模型，以据此确定最合适的投资选择。通过文献回顾确定的八个标准和六个不同的投资选项构成了模型的主要变量。这项研究的动机在于，现有研究中系统分析DeFi集成CBDC投资的关键决策因素的数量极其有限，这在中央银行政策和数字金融策略方面造成了显著的研究空白。为了解决这一空白，本研究提出了一个基于多标准决策的新模型。在所提出的模型中，通过使用基于Z分数的标准化理想距离方法（z-NIDM）来确定10位不同专家决策者的权重。然后，使用SIWEC技术计算标准权重，在最后阶段，使用CoCoSo方法对投资选项进行整体排序。此外，为了更真实地反映模型中的不确定性，还整合了新开发的Koch雪花模糊集（KSFS）方法。在这方面，本研究提出了一个新的理论决策模型，旨在提高基于DeFi的数字货币投资的治理效率。本研究旨在回答以下研究问题：(1) 决定去中心化金融（DeFi）集成型中央银行数字货币（CBDC）平台投资有效性和可持续性的最关键标准是什么？(2) 考虑到这些标准，应优先考虑哪些投资选项？(3) 在不同的专家意见和不确定性条件下，所开发的z-NIDM–SIWEC–CoCoSo–KSFS框架在产生稳定且与政策相关的结果方面表现如何？这种可靠性如何支持中央银行的基于证据的决策制定？本研究通过开发一个集成且对不确定性敏感的多标准决策框架，填补了文献中的重要方法论空白。借助这一框架，可以更有效地评估去中心化金融集成型CBDC平台的投资。它提供了一个结构化的分析视角，以支持数字货币系统的战略治理和政策设计。与孤立应用个别多标准决策（MCDM）技术的方法不同，所提出的模型作为一个集成的四阶段分析架构，系统地将专家权重分配、标准互动建模、不确定性表示和替代方案排序结合在一个统一的决策流程中。在第一阶段，使用基于Z分数的标准化理想距离方法从可测量的人口统计属性中得出客观的专家权重。这一阶段在引入定性评估之前，建立了决策者之间的统计基础影响结构，防止了主观主导。在第二阶段，SIWEC技术通过结合评估维度之间的相似性和互动效应来确定标准权重，从而明确建模技术、金融和监管因素之间的相互依赖性，而不是假设它们是独立的。在第三阶段，通过Koch Snowflake模糊集对语言专家判断产生的不确定性进行建模，其分形几何结构能够多层次和非线性地表示模糊性。通过在评估层面而不是人口统计权重分配层面整合KSFS，该框架在保持可测量输入的客观性的同时，允许在主观评估占主导的情况下进行高级不确定性建模。最后，CoCoSo方法通过基于折中的聚合机制对替代平台架构进行排序，平衡了加权和逻辑与相对性能评估，确保在标准分数分布紧密的情况下排名稳定。因此，本研究的贡献不仅在于结合了现有的技术，还在于设计了一个逻辑有序且理论一致的决策架构，在该架构中每种方法都执行独特的分析功能。这种集成结构提高了方法论透明度，减少了冗余，并提供了一个针对去中心化金融集成型CBDC生态系统结构复杂性量身定制的可复制评估框架。

本研究的其余部分分为六个主要部分，以提供对去中心化金融集成型CBDC平台投资的系统性和全面分析。“引言”部分介绍了研究的背景、动机和目标，强调了识别去中心化金融集成型CBDC系统中关键指标和最佳投资选项的战略重要性。“文献综述”部分批判性地回顾了关于CBDC发展、去中心化金融集成和多标准决策（MCDM）方法的先前研究，同时指出了该领域在指标优先级和决策建模方面的现有研究空白。“方法论”部分介绍了新开发的混合决策框架，该框架结合了z-NIDM、SIWEC和CoCoSo技术，并在Koch Snowflake模糊集环境中进行了详细的方法论流程和理论依据说明。“分析结果”部分展示了通过专家评估获得的实证发现，包括专家权重的计算、标准重要性和投资选项的排名。“讨论”部分结合当前文献解释了这些结果，为中央银行和数字金融监管机构提供了政策导向的启示。“结论”部分总结了主要发现，概述了研究的理论和实践贡献，指出了局限性，并提出了旨在增强去中心化金融集成型CBDC投资分析和战略框架的未来研究方向。

**文献综述**

尽管文献讨论了流动性、技术基础设施、合规性、收入潜力和创新能力作为CBDC性能的不同决定因素，但在实践中这些维度很少独立运作。在去中心化金融集成环境中，一个因素的改进往往会产生与其他因素的权衡或互动效应。例如，更高的透明度可能会增强合规性，但会削弱隐私激励；更高的流动性可能会改善政策传导，但会增加系统波动性的暴露；而技术可扩展性可能会与网络安全限制发生冲突。这些结构上的相互依赖性意味着，通过孤立的标准来评估CBDC平台投资可能会导致部分或扭曲的战略结论。因此，这些决定因素的复杂性和互动驱动性质需要一个多标准决策视角，能够同时考虑标准间的关系、专家异质性和不确定性条件。与其将流动性、基础设施和监管视为单独的分析类别，不如采用一个集成的MCDM框架，在一个连贯的决策架构内共同优先考虑它们。这种对互动敏感和不确定性意识的评估需求构成了所提出模型的概念基础。

流动性在去中心化金融集成型CBDC平台投资的效率、可持续性和财务稳定性方面是多方面的。虽然流动性传统上指的是资产能够快速转换为现金而不损失价值的能力，但在去中心化金融集成型CBDC的背景下，这一概念涵盖了更广泛的框架，包括系统中数字资产的交易速度、市场深度、参与者数量、资金流动和金融互动水平（Chua等人，2025年）。高流动性降低了平台交易成本，减少了波动性，并提高了系统可靠性。特别是在去中心化金融集成型CBDC系统中，流动性不仅是性能指标，也是决定系统运营韧性和政策传导效果的关键因素。充足的流动性使中央银行能够更有效地管理数字货币供应，并更快更准确地向基于去中心化金融的市场传递货币政策信号（Peng等人，2025年）。相反，低流动性水平可能会增加系统内的价格波动性，为套利机会的出现铺平道路，延长交易时间，并削弱用户信任（Alamsyah和Astuti，2025年）。从长远来看，这种情况可能导致个人和机构投资者从平台撤资，威胁其可扩展性和可持续性（Hemingway，2025年）。此外，流动性不足可能会使CBDC平台难以整合到国际支付系统中，并阻碍数字货币生态系统在全球金融网络中的积极作用。因此，确保去中心化金融集成型CBDC平台投资的流动性不仅是一个财务目标，也是系统信任、用户体验和宏观经济稳定性的保证（Attarde等人，2025年）。高流动性的数字货币系统有助于中央银行实施货币政策，并为投资者提供低风险、快速和安全的交易环境，促进金融包容性的扩大，保持市场活力和数字经济的可持续增长。因此，流动性在去中心化金融集成型CBDC投资中不仅仅是一个技术指标，还是决定整体经济生态系统活力和韧性的战略变量（Bellia和Calès，2025年）。

收入可以影响去中心化金融集成型CBDC平台投资的性能。这一概念不仅指直接的财务收益，还包括平台创造价值的能力，这支持了其经济可行性、运营效率和投资者信心。在去中心化金融集成型CBDC生态系统中，收入是多维度的，来源于交易费用、流动性提供服务、基于智能合约的金融产品以及数据处理过程（Wathahong等人，2025年）。高收入提高了平台的自我融资能力，减少了对外部资源的依赖，使得运营费用能够可持续覆盖，并为新的技术投资铺平了道路（Nzomiwu等人，2025年）。这为中央银行和数字金融机构的长期可行性提供了战略优势（Rizwan等人，2025年）。相反，低收入或收入流的不平衡可能会削弱系统的财务稳定性，导致必要的基础设施投资推迟，并导致用户信任的丧失。此外，低收入生成能力限制了平台的创新和竞争力，使其容易受到去中心化金融生态系统中更具动态性的竞争者的影响（Osakwe等人，2025年）。因此，收入因素不仅应被视为经济绩效的输出，还应被视为投资效率和战略可持续性的决定性输入。具有高收入潜力的去中心化金融集成型CBDC平台将吸引公共和私人投资者的关注，促进生态系统扩展并提高系统的可扩展性（Gafsi，2025年）。此外，这些收入的再分配可以用于支付用户奖励、交易激励或基础设施发展，在生态系统中形成正反馈循环。这不仅在经济上加强了平台，还在技术创新、用户忠诚度和金融包容性方面增强了平台。因此，收入变量是去中心化金融集成型CBDC投资中经济可持续性、战略增长和生态系统韧性的核心指标；因此，收入管理是设计数字货币政策和投资策略时应优先考虑的关键组成部分（Osakwe等人，2025年）。

先进的技术基础设施提高了去中心化金融集成型CBDC平台投资的有效性。这一概念不仅包括高交易速度或强大的软件系统，还包括区块链架构的可扩展性、网络安全、数据完整性、系统集成能力和互操作性以及智能合约管理等多方面组件（St?ckel，2025年）。先进的技术基础设施通过使CBDC系统能够遵守中央银行政策并与去中心化金融协议无缝集成，最大化了数字货币生态系统的功能。这使得高容量交易能够快速且安全地以低成本处理，确保即使系统交易量增加也能保持性能（Rupeika-Apoga，2025年）。相反，技术基础设施不足的系统可能会面临严重的运营风险，如网络拥堵、交易延迟、安全漏洞、系统故障和数据同步问题。这些技术弱点可能导致用户信任下降以及监管机构对系统风险的评估降低，从长远来看，威胁到平台的财务稳定性和可持续性（Rossi，2025年）。此外，技术基础设施不足还会阻碍平台与国际金融系统的整合，削弱其在全球数字经济中的竞争力。先进的基础设施不仅包括现有技术的有效使用，还包括人工智能、量子安全、大数据分析和基于5G的通信系统等创新技术的整合（Palanisamy等人，2025年）。这些技术优化了风险管理，并使中央银行能够基于实时数据制定政策决策。因此，先进的技术基础设施将去中心化金融集成型CBDC平台定位为数字货币系统，同时也是国家金融稳定、经济转型和数字主权的战略组成部分。因此，强大的技术基础设施设计和持续更新对于确保此类投资的有效性至关重要（Bibi和Yerzhan，2025年）。

合规性是去中心化金融集成型CBDC平台投资有效性、可靠性和可持续性的关键因素。这一概念意味着数字货币系统完全遵守国家和国际金融法规、数据隐私法律、反洗钱和反恐融资标准以及消费者保护和金融透明度原则（Ahmed等人，2025年）。合规性对于中央银行的数字货币不仅被视为技术创新，而且被视为具有法律合法性的金融工具至关重要（Astuti和Alamsyah，2024年）。由于去中心化金融集成型CBDC系统的去中心化金融结构，它们提供了灵活的跨境和匿名交易能力，为监管框架创造了机会和风险（Mohammed等人，2025年）。如果没有适当的监管机制或完全遵守现有立法，系统将容易受到非法交易、逃税、洗钱、网络犯罪和匿名性的影响。这些风险可能对中央银行的声誉产生负面影响，并严重削弱公众对数字货币生态系统的信任。相反，强大的合规性提高了系统的透明度、可审计性和问责性，为用户和监管机构提供了安全的环境（Shilina，2024年）。此外，合规的CBDC平台加速了其融入国际金融网络的过程，使其能够更有效地作为跨境支付和全球贸易中的数字货币使用（Bibi，2025年）。有效的合规性还为中央银行在货币政策实施方面提供了法律稳定性和可预测性的优势。此外，在去中心化金融集成型CBDC生态系统中按照监管原则编写智能合约，实现了自动化且可审计的交易流程，减少了人为错误和滥用的风险（Heitmann等人，2025年）。因此，合规性不仅应被视为法律要求，还应被视为金融安全、机构可持续性和数字主权的保证。在这个背景下，为DeFi整合的中央银行数字货币（CBDC）投资建立一个强大的监管框架，对于系统的长期成功和社会接受度来说是一个至关重要的战略优先事项（Fan等人，2025年）。尽管多标准决策方法在金融科技和数字货币研究中的应用日益增加，但现有模型仍存在一些结构性限制。首先，许多先前的研究依赖于单一方法的多标准决策（MCDM）技术，这些技术假设标准之间是独立的，并且专家的影响是相同的。这样的假设可能过于简化了DeFi整合CBDC系统中流动性、技术基础设施、监管合规性和创新动态之间的复杂相互作用。实际上，这些因素在结构上是相互依赖的，通常涉及无法通过孤立的加权程序充分捕捉的权衡。其次，传统的加权技术经常依赖于主观的专家评分，而没有考虑可测量的专家异质性。这可能导致经验较少的评估者产生不成比例的影响，或者忽视了领域专业知识的差异化贡献。缺乏客观的专家加权机制会降低方法的稳健性，并可能扭曲战略优先级的结果。第三，尽管基于模糊集的MCDM方法已在相关的金融技术领域得到应用，但大多数应用使用的是经典的三角形或梯形模糊集，这些集合可能无法充分表示分层和递归的不确定性模式。DeFi整合的CBDC生态系统具有动态反馈循环、监管演变和流动性冲击的特点，这需要一个更敏感的不确定性建模结构。第四，现有框架通常将不确定性建模、标准权重和替代方案排名分开为不连贯的分析阶段，而没有构建一个统一且逻辑有序的决策架构。本研究提出的集成z-NIDM–SIWEC–CoCoSo–KSFS框架通过四个不同的贡献解决了这些限制。它通过基于人口统计的加权引入了客观的专家差异化，通过交互敏感的加权来建模标准之间的依赖性，应用高级分形模糊表示来捕捉多层次的不确定性，并将这些组件统一在一个连贯的排名架构中。除了方法论的整合之外，该框架还通过连接数字金融治理、不确定性建模和战略平台选择，将模糊MCDM的应用扩展到DeFi整合CBDC生态系统设计的特定背景中。

尽管文献中已经确定了流动性、收入生成、技术基础设施、监管合规性和创新能力是CBDC表现的核心决定因素，但采用的测量和加权方法在方法论上仍然存在碎片化。流动性通常通过交易量、市场深度或采用率来代理，然而这些指标往往被视为独立的绩效输出，而不是相互依赖的结构变量。同样，技术基础设施通常通过可扩展性或网络安全指标来评估，而没有系统地建模其与流动性动态或监管约束的相互作用。在加权方法方面，一些研究依赖于等权重假设或传统技术，如AHP、熵或专家评分，而没有明确考虑标准之间的依赖性或专家异质性。此外，定性评估中的不确定性通常使用经典的模糊集或简化的语言尺度来表示，这可能无法完全捕捉DeFi整合金融系统中固有的多层次模糊性。因此，文献缺乏一个同时解决测量一致性、交互敏感加权、专家影响差异化和高级不确定性建模的集成框架。这种方法论的碎片化限制了先前发现的可比性和战略解释性，并强调了需要一个更加连贯和交互意识的决策架构。

文献综述的发现表明，虽然已经对DeFi整合CBDC平台的技术、金融和监管维度进行了大量研究，但文献仍然碎片化且主要是描述性的，缺乏一个系统性的分析框架来评估投资有效性和可持续性的决定因素。现有研究广泛讨论了流动性、收入生成、技术基础设施和监管合规性等因素，强调了它们在塑造数字货币生态系统表现和韧性方面的个别重要性。然而，在通过集成、数据驱动和多标准视角识别、优先排序和加权这些因素方面仍然存在一个关键缺口。缺乏这样的分析优先级导致了评估标准的一致性不足、主观的决策过程以及研究之间的可比性有限，从而限制了DeFi整合CBDC投资策略的连贯理论和实践框架的发展。此外，如果不识别最具影响力的指标，中央银行和政策制定者在有效分配资源、设计平衡的监管结构和预测长期绩效结果方面将面临挑战。文献中的这一缺口突显了迫切需要一个新的优先级和评估模型，该模型能够系统地确定影响DeFi整合CBDC投资的关键标准的相对重要性。这样的分析方法不仅能够弥合现有的方法论空白，还能提供一个强大的决策支持框架，以增强在快速发展的去中心化金融领域的战略规划、风险管理和政策制定。

虽然文献一致强调流动性、技术基础设施、监管合规性和创新能力等因素的重要性，但在分析整合方面仍然存在很大的碎片化。大多数先前的研究要么采用定性的政策讨论，要么采用单一方法的定量方法，将这些因素独立对待。然而，在DeFi整合的CBDC系统中，这些维度在结构上是相互依赖的，通常涉及无法通过孤立或描述性分析充分捕捉的权衡。这一限制突显了需要一个能够同时处理优先级、交互和不确定性的方法论框架。因此，本研究中使用模糊MCDM方法不仅仅是一种方法论偏好，而是对问题的多维和不确定性驱动性质的必要响应。具体来说，所提出的框架能够识别竞争标准之间的相对重要性，捕捉标准之间的关系，并在统一的决策结构中纳入专家判断的模糊性。这提供了一种通过传统描述性或单一方法无法实现的分析连贯性和决策支持。因此，本研究的贡献不仅在于识别关键决定因素，还在于提供了一个结构化的机制来评估它们在复杂金融环境中的综合和交互效应。

为了提高可解释性，集成框架可以直观地理解为一个结构化的四阶段决策流程。首先，z-NIDM组件根据可测量的与经验相关的特征确定每个专家在评估过程中应具有的影响程度。简单来说，它确保更有经验或与情境更相关的专家对最终决策的贡献成比例地更大。其次，SIWEC技术计算评估标准的重要性，同时明确考虑标准之间的相互影响。这一阶段不是将流动性、技术基础设施和监管合规性视为独立因素，而是捕捉它们的交互效应和相对相似性。第三，KSFS结构对专家判断中的不确定性进行建模。因为专家通常使用语言评估而不是精确的数值来表达评估，KSFS提供了一种灵活的方式，将这种模糊性转化为结构化的数学表示，而不会过度简化不确定性。最后，CoCoSo方法汇总所有加权并调整了不确定性的评估，以产生一个基于妥协的替代平台架构排名。本质上，它确定了在同时考虑所有标准及其交互作用时哪个平台表现最佳。总体来看，该框架作为一个顺序过滤系统运作：专家影响被校准，标准被交互式加权，不确定性被现实地建模，替代方案被整体排名。这种分层结构确保了分析的严谨性，同时保持了概念的清晰性。本节涉及KSFSs、z-NIDM、SIWEC和CoCoSo的制定。模糊决策模型的步骤，包括这三种方法，如图2所示。

模糊决策模型的步骤

集成框架的排序是有意设计的，以确保客观权重和不确定性建模阶段之间的方法论连贯性。在第一阶段应用了z NIDM方法，因为专家权重是从可测量的人口统计和专业属性（如年龄、全球经验和行业经验）中得出的。这些变量本质上是清晰和可量化的，因此，在这个阶段使用基于距离的客观归一化方法在理论上比模糊表示更为合适。在专家加权之前引入KSFS意味着对统计上可观察和确定性的变量进行不确定性建模，这可能会人为地夸大模糊性。在确定专家权重之后，使用SIWEC方法来计算标准权重，同时考虑标准之间的交互效应。在这个阶段，主观评估开始主导决策结构，因为专家评估定性维度，如监管合规性、创新速度和运营风险。因此，在确定客观专家影响之后，不确定性建模变得方法论上相关。KSFS环境被整合到评估和排名阶段，而不是人口统计加权阶段，因为在这种情况下，不确定性主要来自语言判断和多维战略评估，而不是人口统计数据。最后，在KSFS环境下应用CoCoSo方法作为基于妥协的排名机制，确保替代评估结合了模糊不确定性和交互敏感的标准权重。这种结构化的排序在保持可测量输入的客观性的同时，允许在主观评估阶段进行高级不确定性建模，从而避免了方法论上的冗余并保持了分析的一致性。方程中的所有变量都在表A1中表示。

KSFSs

设\(S\)为话语宇宙。然后，KSFS \(\left(K\right)\)通过方程(1)确定（Kou等人，2025年）。
$$K=\left\{\langle \mathcal{s},{\mathfrak{m}}_{K}\left(\mathcal{s}\right),{\mathfrak{n}}_{K}\left(\mathcal{s}\right)\rangle \left|\mathcal{s}\in \right.S\right\}$$
（1）
其中 \({\mathfrak{m}}_{K}\to [\text{0,1}]\) 和 \({\mathfrak{n}}_{K}\to [\text{0,1}]\) 是方程(2)中的成员度和非成员度约束。
$$0\le {\mathfrak{m}}_{K}^{f}+{\mathfrak{n}}_{K}^{f}\le 1;\forall \mathcal{s}\in S$$
（2）
其中 \(f=\frac{\text{log}\left(4\right)}{\text{log}\left(3\right)}。\)
如果 K \(=\left({\mathfrak{m}}_{K},{\mathfrak{n}}_{K}\right)\) 是一个KSFN，那么得分和准确性函数由方程(3)和(4)描述。
$$sc\left(\mathcal{F}\right)=(1+{{\mathfrak{m}}_{K}\left(\mathcal{s}\right)}^{f}-{{\mathfrak{n}}_{K}\left(\mathcal{s}\right)}^{f})/2$$
（3）
$$ac\left(\mathcal{F}\right)={{\mathfrak{m}}_{K}\left(\mathcal{s}\right)}^{f}+{{\mathfrak{n}}_{K}\left(\mathcal{s}\right)}^{f}$$
（4）
假设 \(\mathcal{F}=\left({\mathfrak{m}}_{\mathcal{F}},{\mathfrak{n}}_{\mathcal{F}}\right)\) 和 \(\mathcal{G}=\left({\mathfrak{m}}_{\mathcal{G}},{\mathfrak{n}}_{\mathcal{G}}\right)\) 是两个KSFN，并且 \(a,\lambda >0。\) 聚合、乘法、幂运算、标量乘法和归一化程序分别由方程(5)–(9)计算。
$$\mathcal{F}+\mathcal{G}=\left(\sqrt[f]{\frac{{\mathfrak{m}}_{\mathcal{F}}^{f}+{\mathfrak{m}}_{\mathcal{G}}^{f}-{\mathfrak{m}}_{\mathcal{F}}^{f}{\mathfrak{m}}_{\mathcal{G}}^{f}}{1-(1-a){\mathfrak{m}}_{\mathcal{F}}^{f}{\mathfrak{m}}_{\mathcal{G}}^{f}}{1-(1-a){\mathfrak{m}}_{\mathcal{F}}^{f}{\mathfrak{m}}_{\mathcal{G}}^{f}}},\frac{{\mathfrak{n}}_{\mathcal{F}}{\mathfrak{n}}_{\mathcal{G}}}{\sqrt[f]{a+\left(1-a\right)\left({\mathfrak{n}}_{\mathcal{F}}^{f}+{\mathfrak{n}}_{\mathcal{G}}^{f}-{\mathfrak{n}}_{\mathcal{F}}^{f}{\mathfrak{n}}_{\mathcal{G}}^{f}\right)}}\right)$$
（5）
$$\mathcal{F}\times \mathcal{G}=\left(\frac{{\mathfrak{m}}_{\mathcal{F}}{\mathfrak{m}}_{\mathcal{G}}}{\sqrt[f]{a+\left(1-a\right)\left({\mathfrak{m}}_{\mathcal{F}}^{f}+{\mathfrak{m}}_{\mathcal{G}}^{f}-{\mathfrak{m}}_{\mathcal{F}}^{f}{\mathfrak{m}}_{\mathcal{G}}^{f}\right)},\sqrt[f]{\frac{{\mathfrak{n}}_{\mathcal{F}}^{f}+{\mathfrak{n}}_{\mathcal{G}}^{f}-{\mathfrak{n}}_{\mathcal{F}}^{f}{\mathfrak{n}}_{\mathcal{G}}^{f}-\left(1-a\right){\mathfrak{n}}_{\mathcal{F}}^{f}{\mathfrak{n}}_{\mathcal{G}}^{f}}{1-\left(1-a\right){\mathfrak{n}}_{\mathcal{F}}^{f}{\mathfrak{n}}_{\mathcal{G}}^{f}}}\right)$$
（6）
$$\lambda \mathcal{F}=\left(\sqrt[f]{\frac{{\left[1+(a-1){\mathfrak{m}}_{\mathcal{F}}^{f}\right]}^{\lambda }-{\left(1-{\mathfrak{m}}_{\mathcal{F}}^{f}\right)}^{\lambda }}{{\left[1+(a-1){\mathfrak{m}}_{\mathcal{F}}^{f}\right]}^{\lambda }-(a-1){\left(1-{\mathfrak{m}}_{\mathcal{F}}^{f}\right)}^{\lambda }},\frac{\sqrt[f]{a}{\mathfrak{n}}_{\mathfrak{F}}^{\lambda }}{\sqrt[f]{{\left[1+\left(a-1\right)\left(1-{\mathfrak{n}}_{\mathcal{F}}^{f}\right)\right]}^{\lambda }+(a-1){\mathfrak{n}}_{\mathfrak{F}}^{\lambda f}}}\right)$$
（7）
$${\mathcal{F}}^{\lambda }=\left(\frac{\sqrt[f]{a}{\mathfrak{m}}_{\mathcal{F}}^{\lambda }}{\sqrt[f]{{\left[1+\left(a-1\right)\left(1-{\mathfrak{m}}_{\mathcal{F}}^{f}\right)\right]}^{\lambda }+(a-1){\mathfrak{m}}_{\mathcal{F}}^{\lambda f}}},\sqrt[f]{\frac{{\left[1+(a-1){\mathfrak{n}}_{\mathcal{F}}^{f}\right]}^{\lambda }-{\left(1-{\mathfrak{n}}_{\mathcal{F}}^{f}\right)}^{\lambda }}{{\left[1+(a-1){\mathfrak{m}}_{\mathcal{F}}^{f}\right]}^{\lambda }-(a-1){\left(1-{\mathfrak{n}}_{\mathcal{F}}^{f}\right)}^{\lambda }}}\right)$$
（8）
$${\mathcal{F}}^{C}=\left({\mathfrak{m}}_{\mathcal{F}},{\mathfrak{n}}_{\mathcal{F}}\right)$$
（9）
\({K}_{i}=\left({\mathfrak{m}}_{i},{\mathfrak{n}}_{i}\right)\) 是k个KSFN。然后，通过方程(10)估计KSF加权平均值。
$$KSFWA=\left(\begin{array}{c}\sqrt[f]{\frac{\prod_{i=1}^{k}{\left(1+\left(a-1\right){\mathfrak{m}}_{i}^{f}\right)}^{{w}_{i}}-\prod_{i=1}^{k}{\left(1-{\mathfrak{m}}_{i}^{f}\right)}^{{w}_{i}}}{\prod_{i=1}^{k}{\left(1+\left(a-1\right){\mathfrak{m}}_{i}^{f}\right)}^{{w}_{i}}-\left(a-1)\prod_{i=1}^{k}{\left(1-{\mathfrak{m}}_{i}^{f}\right)}^{{w}_{i}}}},\\ \frac{\sqrt[f]{a}\prod_{i=1}^{k}{\left({\mathfrak{n}}_{i}\right)}^{{w}_{i}}}{\sqrt[f]{\prod_{i=1}^{k}{\left(1+\left(a-1)\left(1-{\mathfrak{n}}_{i}^{f}\right)\right)}^{{w}_{i}}+(a-1)\prod_{i=1}^{k}{\left({\mathfrak{n}}_{i}\right)}^{f{w}_{i}}}}\end{array}\right)$$
（10）
其中w是每个\({K}_{i}\)的权重值，并且\({\sum}_{i=1}^{k}{w}_{i}=1。\) 使用方程(11)和(12)分别获得出租车距离和欧几里得距离。
$$T\left(\mathcal{F},\mathcal{G}\right)=\left|{\mathfrak{m}}_{\mathcal{F} }^{f}-{\mathfrak{m}}_{\mathcal{G} }^{f}\right|+\left|{\mathfrak{n}}_{\mathcal{F} }^{f}-{\mathfrak{n}}_{\mathcal{G} }^{f}\right|+\left|{\left(\sqrt[f]{1-{\mathfrak{m}}_{\mathcal{F} }^{f}-{\mathfrak{n}}_{\mathcal{G} }^{f}}\right)}^{f}-{\left(\sqrt[f]{1-{\mathfrak{m}}_{\mathcal{F} }^{f}-{\mathfrak{n}}_{\mathcal{G} }^{f}}\right)}^{f}\right|$$
（11）
$$D\left(\mathcal{F},\mathcal{G}\right)=\sqrt{\left({\left({\mathfrak{m}}_{\mathcal{F} }^{f}-{\mathfrak{m}}_{\mathcal{G} }^{f}\right)}^{2}+{\left({\mathfrak{n}}_{\mathcal{F} }^{f}-{\mathfrak{n}}_{\mathcal{G} }^{f}\right)}^{2}+{\left({\left(\sqrt[f]{1-{\mathfrak{m}}_{\mathcal{F} }^{f}-{\mathfrak{n}}_{\mathcal{G} }^{f}}\right)}^{f}-{\left(\sqrt[f]{1-{\mathfrak{m}}_{\mathcal{F} }^{f}-{\mathfrak{n}}_{\mathcal{G} }^{f}}\right)}^{f}\right)}^{2}\right)$$
（12）
最后，通过方程(13)确定\(\mathcal{F}\)的熵。
$$\mathcal{E}\left(\mathcal{F}\right)=1-{\left[\left({\mathfrak{m}}_{\mathcal{F} }^{f}-{\mathfrak{n}}_{\mathcal{F} }^{f}\right)\left({\mathfrak{m}}_{\mathcal{F} }^{f}+{\mathfrak{n}}_{\mathcal{F} }^{f}\right)\right]}^{2}$$
（13）
在DeFi整合CBDC平台评估的背景下使用Koch Snowflake Fuzzy Sets的理论依据在于数字金融生态系统固有的不确定性具有分形几何性质。与传统的模糊集（如三角形、梯形或高斯结构）不同，后者假设相对平滑和对称的成员度转换，KSFS基于自相似的分形几何，能够多层次地表示模糊性。分形属性允许成员度和非成员度函数捕捉在去中心化金融架构中经常出现的不规则、非线性和递归的不确定性模式，这些架构的特点是动态流动性条件、监管模糊性、技术波动性和跨链交互。在CBDC DeFi环境中，不确定性不是以单一维度或均匀分布的方式演变的；相反，它表现出结构复杂性、反馈循环和尺度依赖的变异性。KSFS的几何分形结构对专家判断的边际变化具有更高的敏感性，并在聚合过程中保留了信息粒度。这与传统模糊方法相比，提高了建模的稳健性，并减少了信息损失，因为传统模糊方法可能通过线性近似来简化模糊性。因此，使用KSFS在理论上与DeFi整合CBDC系统的复杂、适应性和非线性性质一致，并提供了对基于专家的不确定性的更现实的表示。

为了阐明KSFS相对于经典模糊集的方法论优势，考虑在高结构不确定性下专家评估的表示。传统的三角形或梯形模糊集假设语言尺度之间的成员度转换是平滑和对称的。虽然适用于相对稳定的环境，但这些结构可能在复杂的金融系统中过度简化了模糊性，因为在这些系统中不确定性是多层次和非线性的。在DeFi整合CBDC平台的背景下，专家判断通常反映了递归的关注点，例如技术可扩展性如何与流动性冲击或监管适应相互作用。Koch Snowflake Fuzzy Sets背后的分形几何允许成员度函数包含递归和不规则的边界行为，从而增加了对专家评估边际变化的敏感性。例如，在评估波动市场流动性条件下的技术基础设施时，传统模糊集可能会为中等高和高的评估生成相似的成员度区间，可能掩盖了细微的风险感知。相比之下，KSFS由于其自相似结构，提供了更高的表示粒度，在聚合过程中保留了细微的差异。这种增强的敏感性在战略平台选择中尤为重要，因为微小的评估差异可能导致实质性的政策影响。因此，KSFS的引入不仅仅是一个数学上的新颖性，而是一个结构上更合适的不确定性建模工具，适用于具有动态交互、层次模糊性和政策敏感性评估环境的系统，例如集成DeFi的CBDC生态系统。为了具体说明KSFS的建模优势，可以考虑一个简化的比较示例。假设一位专家在不确定的市场条件下将CBDC平台的技术基础设施评估为“高”。在传统的三角模糊集中，这种评估可以表示为（0.7, 0.8, 0.9），意味着一个相对平滑和对称的不确定性分布。在这种结构下，不同专家提供的略有不同的高评估通常会导致重叠的成员区间，这可能会降低聚合过程的敏感性。相比之下，在KSFS框架内，相同的评估通过一对成员和非成员度数来表示，具有分形边界结构，例如（0.85, 0.10）。由于KSFS的递归几何构造，在聚合过程中保留了专家判断的微小变化，而不是线性平均。因此，当技术基础设施和流动性等多个标准在波动条件下相互作用时，KSFS产生的得分值比传统模糊集更为差异化。这种增加的粒度使决策模型能够更好地捕捉替代方案之间的边际差异，这在政策敏感的平台选择问题中尤为重要，因为微小的评估变化可能导致不同的战略结果。

首先，描述了用于创建决策者权重的\(v\)变量，并从\(\mathfrak{d}\)位决策者那里收集这些变量的值。构建了一个接受这些值作为元素的矩阵（Oh和Lee 2025）。该矩阵在方程（14）中形成。$$X=\left[{x}_{ij}\right]$$ （14）接下来，由于X的变量具有不同的尺度，使用方程（15）计算每个变量的标准化值，以使它们独立。$${\mathcal{z}}_{ij}=\frac{{x}_{ij}-{\overline{x} }_{j}}{{sd}_{j}}$$ （15）这些统计量在方程（15）中使用方程（16）和（17）获得。$${\overline{x} }_{j}=\frac{1}{\mathfrak{d}}\sum_{i=1}^{\mathfrak{d}}{x}_{ij}$$ （16）$${sd}_{j}=\sqrt{\frac{1}{\mathfrak{d}}\sum_{i=1}^{\mathfrak{d}}{\left({x}_{ij}-{\overline{x} }_{j}\right)}^{2}}$$ （17）接下来，使用方程（18）和（19）估计理想值和反理想值。$${aiv}_{j}=\underset{i}{\text{min}}{\mathcal{z}}_{ij}$$ （18）$${iv}_{j}=\underset{i}{\text{max}}{\mathcal{z}}_{ij}$$ （19）之后，使用方程（20）和（21）计算决策者与理想值之间的距离。$${\Delta}_{i}^{aiv}=\sum_{j=1}^{v}\left|{\mathcal{z}}_{ij}-{aiv}_{j}\right|$$ （20）$${\Delta}_{i}^{iv}=\sum_{j=1}^{v}\left|{\mathcal{z}}_{ij}-{iv}_{j}\right|$$ （21）然后，使用方程（22）和（23）对距离进行标准化。$${\overline{\Delta } }_{i}^{aiv}=\frac{{\Delta}_{i}^{aiv}}{\text{max}{\Delta}_{i}^{aiv}}$$ （22）$${\overline{\Delta } }_{i}^{iv}=\frac{\text{min}{\Delta}_{i}^{iv}}{{\Delta}_{i}^{iv}}$$ （23）最后，使用方程（24）平均标准化距离。最终，使用方程（25）定义决策者的权重。$${\mathcal{N}}_{i}=\frac{{\overline{\Delta } }_{i}^{aiv}+{\overline{\Delta } }_{i}^{iv}}{2}$$ （24）$${e\mathcal{w}}_{i}=\frac{{\mathcal{N}}_{i}}{\sum_{i=1}^{\mathfrak{d}}{\mathcal{N}}_{i}}$$ （25）

最初，从文献中定义了n个标准，并由决策者进行评分。这些评分被转换为KSFNs，并构建了一个初始的决策矩阵（Yal??n等人2025）。该矩阵在方程（26）中形成。$$\widetilde{R}=\left[\begin{array}{ccc}{\widetilde{r}}_{11}& \cdots & {\widetilde{r}}_{1n}\\ \vdots & \ddots & \vdots \\ {\widetilde{r}}_{\mathfrak{d}1}& \cdots & {\widetilde{r}}_{\mathfrak{d}n}\end{array}\right]$$ （26）然后，使用方程（27）对初始决策矩阵的条目进行简化。$${r}_{ij}=sc\left({\widetilde{r}}_{ij}\right)$$ （27）其中sc函数在方程（3）中描述。接下来，使用方程（28）对等级进行标准化。$${\mathfrak{y}}_{ij}=\frac{{r}_{ij}}{\text{max}{r}_{ij}}$$ （28）其中\(\text{max}{r}_{ij}\)是最高等级。之后，使用方程（29）和（30）估计每个决策者的标准差。$${\overline{\mathfrak{y}} }_{i}=\frac{1}{n}\sum_{j=1}^{n}{\mathfrak{y}}_{ij}$$ （29）$${sd}_{i}=\sqrt{\frac{1}{n}\sum_{j=1}^{n}{\left({\mathfrak{y}}_{ij}-{\overline{\mathfrak{y}} }_{i}\right)}^{2}}$$ （30）之后，通过方程（31）汇总决策者的标准差和权重。权重在方程（25）中计算。$${pw}_{i}={sd}_{i}+{e\mathcal{w}}_{i}$$ （31）接下来，使用方程（32）计算乘法标准化等级。$${wv}_{ij}={\mathfrak{y}}_{ij}\times {pw}_{i}$$ （32）最后，使用方程（33）计算总等级，然后使用方程（34）定义标准权重。$${t}_{j}=\sum_{i=1}^{\mathfrak{d}}{wv}_{ij}$$ （33）$${fw}_{j}=\frac{{t}_{j}}{\sum_{j=1}^{n}{t}_{j}}$$ （34）

一旦选择了m个替代方案，就从决策者那里收集评估结果。然后，将评估结果转换为KFSNs，并乘以决策者的权重。接下来，将决策者加权的KSFNs相加。因此，获得了决策项目（Eti等人2025）。决策矩阵在方程（35）中形成。$$\widetilde{Y}=\left[\begin{array}{ccc}{\widetilde{y}}_{11}& \cdots & {\widetilde{y}}_{1n}\\ \vdots & \ddots & \vdots \\ {\widetilde{y}}_{m1}& \cdots & {\widetilde{y}}_{mn}\end{array}\right]$$ （35）其中\({\widetilde{y}}_{ij}\)是通过方程（36）计算的KSFN。$${\widetilde{y}}_{ij}=\sum_{g=1}^{\mathfrak{d}}{e\mathcal{w}}_{\mathfrak{d}}{\widetilde{\gamma }}_{ij}^{\mathfrak{d}}$$ （36）其中\({\widetilde{\gamma }}_{ij}^{\mathfrak{d}}\)是第\({d}^{th}\)决策者的第\({j}^{th}\)标准的第\({i}^{th}\)替代方案的KSFN。然后，使用方程（37）和（38）对这些项目进行标准化。$${\widetilde{\tau }}_{ij}={\widetilde{y}}_{ij};for benefical$$ （37）$${\widetilde{\tau }}_{ij}={\widetilde{y}}_{ij}^{C};for cost$$ （38）之后，使用方程（39）和（40）估计两个指标值。$${\widetilde{S}}_{i}=\sum_{j=1}^{n}{{fw}_{j}\widetilde{\tau }}_{ij}$$ （39）$${\widetilde{P}}_{i}=\sum_{j=1}^{n}{{\widetilde{\tau }}_{ij}}^{{fw}_{j}}$$ （40）然后，使用方程（41）和（42）对两个指标值进行简化。$${\mathfrak{S}}_{i}=sc\left({\widetilde{S}}_{i}\right)$$ （41）$${\mathfrak{P}}_{i}=sc\left({\widetilde{P}}_{i}\right)$$ （42）之后，通过方程（43）–（45）计算三种策略。$${{k}_{a}}_{i}=\frac{{\mathfrak{S}}_{i}+{\mathfrak{P}}_{i}}{\sum_{i=1}^{m}\left({\mathfrak{S}}_{i}+{\mathfrak{P}}_{i}\right)}$$ （43）$${{k}_{b}}_{i}=\frac{{\mathfrak{S}}_{i}}{\text{min}{\mathfrak{S}}_{i}}+\frac{{\mathfrak{P}}_{i}}{\text{min}{\mathfrak{P}}_{i}}$$ （44）$${{k}_{c}}_{i}=\frac{\zeta {\mathfrak{S}}_{i}+(1-\zeta ){\mathfrak{P}}_{i}}{\zeta \text{max}{\mathfrak{S}}_{i}+(1-\zeta )\text{max}{\mathfrak{P}}_{i}}$$ （45）其中\(\zeta \in [0, 1]\)。这个参数的默认值是0.5。最后，使用方程（46）获得替代方案的绩效分数。$${k}_{i}={\left({{k}_{a}}_{i}{{k}_{b}}_{i}{{k}_{c}}_{i}\right)}^\frac{1}{3}+\frac{1}{3}\left({{k}_{a}}_{i}+{{k}_{b}}_{i}+{{k}_{c}}_{i}\right)$$ （46）

本节涉及模糊决策模型的结果。该模型用于对集成DeFi的CBDC平台进行排名。

为了获得决策者的权重，组建了一个由十位决策者组成的小组，以确保领域相关性和专业多样性。专家包括专门研究数字金融和区块链系统的学者、具有中央银行和金融监管经验的政策制定者，以及在金融科技和去中心化金融平台工作的行业从业者。在行业分布方面，该小组反映了学术界、监管机构和私营部门的平衡组合。虽然大多数专家具有国际经验和跨境金融系统的了解，但样本并不限于单一地理区域。尽管专家的数量符合模糊MCDM应用的方法学标准，但研究承认人口统计和地理集中可能会影响权重分布。因此，结果应在定义的专家背景下被解释为分析上稳健的，而未来的研究可以通过纳入更广泛的区域代表性和跨国比较小组来增强外部普遍性。决策者的评估重要性各不相同。因此，本文使用z-NIDM方法来客观计算权重系数。选择年龄、全球经验和行业经验作为专家权重的输入变量是基于它们的可观察性、可测量性和参与者之间的可比性，而不是假设它们代表唯一的或最佳的专业知识指标。其他维度，如出版记录、参与CBDC特定项目或技术专长的深度，也可以提供有关认知质量的宝贵见解。然而，这些变量往往难以在异质专家群体中标准化、验证和一致量化，特别是在结合学术界、监管机构和行业参与者时。相比之下，选定的变量提供了一个透明且可复制的区分基础，允许z-NIDM程序在客观可测量的输入上操作。因此，这些指标应被解释为在数据限制下实现结构化权重的实用代理，而不是专业知识的详尽表示。未来的研究可以通过纳入更细致或特定领域的指标来扩展该框架，前提是这些指标有可靠且可比的数据。

尽管集成框架在数学上是严谨的，但其经验基础依赖于结构化的专家判断，而不是大规模的观察数据。这反映了集成DeFi的CBDC设计的早期阶段和政策敏感性，其中可比较的定量数据集是有限的。使用十位专家与已建立的模糊MCDM应用一致；然而，研究并不假设人口统计特征完美地代表了认知质量。相反，z-NIDM程序引入了一种结构化的区分机制，旨在减少平等权重偏差，而不是声称对专业知识的客观测量。专业经验和行业经验等变量被视为情境熟悉度的可观察指标，承认公共部门金融决策中的认知权威本质上是多维的并且嵌入在制度中。因此，这种方法应被解释为一种增强有限理性的机制，而不是知识质量的绝对层次结构。该模型在不确定性下提供了一个分析结构，同时认识到基于专家的决策环境受到制度角色、组织授权和认知框架效应的影响，这些因素无法完全量化。首先，收集了决策者的年龄、全球经验和行业经验变量。这十位决策者的知识在表1中显示。从表1中的知识可以看出，平均年龄为47.6岁。同样，平均全球经验和行业经验分别为27.5年和24.5年。接下来，由于十位决策者的知识具有不同的尺度，使用方程（15）–（17）计算每个知识的标准化值。表2给出了标准化值。

接下来，使用方程（18）和（19）估计理想值和反理想值。表3展示了结果。表3 理想值和反理想值

之后，使用方程（20）和（21）计算决策者与理想值之间的距离。距离在表4中显示。表4 距离

然后，使用方程（22）和（23）对距离进行标准化。表5 分享了结果。表5 标准化和平均距离

最后，使用方程（25）定义决策者的权重。图3可视化了结果。图3

从图2中的权重可以看出，DM-3的评估最为重要，权重为0.212。DM-3的知识是最大的年龄和全球经验。虽然提出的框架生成了数值上精确的输出，但重要的是将这些值解释为相对的分析指标，而不是现实世界现象的精确测量。多小数权重值中的明显精确性来源于MCDM方法的数学结构，而不是输入数据的经验确定性。鉴于该模型依赖于有限的专家评估数量，结果不应被解释为统计上的确定性估计，而应在不确定性下对基于专家的判断进行结构化近似。在这种情况下，集成框架的作用是组织、区分和系统地聚合专家意见，而不是声称客观精确性。因此，发现更适当地理解为相对重要性、排名稳定性和方向性洞察，而不是绝对的数值精确性。这种观点有助于缓解模型复杂性和数据限制之间的潜在不平衡，并将结果的解释与专家驱动决策环境的认知边界对齐。尽管提出的框架在数学上很详细，但其经验基础依赖于相对有限的专家评估数量，这引入了关于代表性和偏差的潜在担忧。专家小组由来自学术界、监管机构和行业的参与者组成，以确保视角的多样性；然而，研究并不假设这种组成完全捕捉了CBDC设计过程中所有相关利益相关者的异质性。此外，虽然z-NIDM方法利用了年龄和经验等可观察的人口统计指标来结构化专家权重，但这些变量并不旨在作为认知质量的绝对代理，而是在数据限制下的可测量区分标准。因此，结果应被解释为特定于情境和分析结构化的见解，而不是普遍适用的结论。该框架旨在通过引入系统化的权重和聚合来减少基于专家的评估中的任意性，但它并没有消除与小样本专家判断相关的固有局限性。未来的研究可以通过纳入更大和更多样化的专家小组以及基于特定领域专业知识的替代权重方案来增强稳健性。

计算DeFi集成CBDC平台的投资标准权重包括流动性（LQD）、收入（RVN）、效率（EFF）、技术基础设施（TCH）、监管合规性（RGL）、运营风险（OPT）、金融包容性（FNN）和创新速度（INS）。最初，由决策者对8个标准进行了评分。评分在表6中表示。表6 评分

决策者提供的语言评估被转换为基于预定义语言尺度的Koch Snowflake Fuzzy Numbers。每个定性术语都与一对满足KSFS结构约束的成员（μ）和非成员（ν）度数相关联。映射结构旨在保持序数一致性，即较高的语言强度对应于较高的成员值和较低的非成员值。例如，“非常非常高（VVH）”表示为（0.95, 0.05），表示高度满意且拒绝最小，而“中等（M）”大约对应于（0.50, 0.40），表示支持平衡且不确定性适中。较低的评估，如“中等低（ML）”，被赋予较低的和较高的非成员值。这种转换确保了语言评估在聚合之前系统地转换为数学上一致的模糊表示。表6中的评分被转换为KSFNs，并构建了初始的决策矩阵。这个矩阵是在方程（26）中形成的。初始的决策矩阵总结在表7中。表7 初始决策矩阵（完整表格）。然后，利用方程（27）对初始决策矩阵的条目进行了简化处理。简化后的矩阵显示在表8中。表8 简化后的矩阵（完整表格）。接下来，通过方程（28）对成绩进行了标准化处理。换句话说，就是将简化后的条目除以最高成绩。标准化的成绩显示在表9中。表9 标准化后的成绩（完整表格）。之后，使用方程（29）和（30）估算每个决策者的标准差。随后，通过方程（31）将决策者的标准差和权重相加。总系数显示在表10中。表10 总系数（完整表格）。接下来，使用方程（32）计算乘法标准化后的成绩。换句话说，就是将标准化后的成绩乘以总系数。乘法标准化后的矩阵显示在表11中。表11 乘法标准化后的矩阵（完整表格）。最后，使用方程（33）计算总成绩，然后使用方程（34）定义标准权重最终得分。结果显示在图4中。图4。这张图片的替代文本可能是通过AI生成的。完整图片。总成绩和标准权重。当查看图3时，可以明显看出，对于集成DeFi的中央银行数字货币（CBDC）平台来说，最重要的投资标准是技术基础设施和流动性，其权重分别为0.168和0.167。研究结果表明，这两个因素在确保DeFi集成CBDC系统的运营效率、稳定性和长期可持续性方面起着关键作用。技术基础设施的高重要性反映了拥有一个强大、可扩展且安全的数字架构的必要性，该架构能够支持高交易量，与去中心化金融协议集成，并确保抵御网络风险的能力。同样，流动性被赋予的高权重强调了其在维持市场深度、交易流动性和用户信心方面的关键作用，这些都是数字货币生态系统高效运行的基础。这两个标准共同表明，DeFi集成CBDC平台的成功不仅取决于良好的财务管理，还取决于建立一个技术先进且流动性高的运营环境。换句话说，技术能力和流动性之间的相互作用决定了这些平台在全球数字金融格局中的整体适应性和竞争力。因此，政策制定者和开发者应优先考虑持续的技术创新和流动性增强策略，以加强DeFi集成CBDC投资的韧性、包容性和有效性。首先，确定了六个替代投资选项，以代表适用于DeFi集成中央银行数字货币（CBDC）系统的潜在技术框架。这些选项被定义为模块化区块链平台（MBC）、多链平台（MLT）、混合平台（HYB）、保密平台（CNF）、代币化平台（TKN）和元链协议（MCH）。每种选项都体现了不同的数字货币实现结构和功能方法，提供了不同程度的可扩展性、互操作性、隐私性和可编程性。模块化区块链平台（MBC）注重灵活性和定制性，允许中央银行根据监管和运营需求调整模块化组件。另一方面，多链平台（MLT）能够在多个相互连接的区块链上并行操作，提高交易吞吐量和跨平台兼容性。混合平台（HBB）结合了公共区块链和私有区块链架构的优势，在透明度和控制之间取得了平衡。同时，保密平台（CNF）优先考虑数据安全和交易隐私，使其适用于需要增强金融操作保密性的系统。代币化平台（TKN）促进了实物或金融资产的数字化表示，从而将CBDC系统的功能范围扩展到更广泛的资产管理和投资领域。最后，元链协议（MCH）作为总体框架，旨在连接不同的区块链生态系统，实现无缝互操作性和统一的治理结构。这六个选项的包含为评估潜在DeFi集成CBDC投资模型的技术、财务和监管适宜性提供了全面的分析基础，允许在多个绩效维度上进行整体比较。表12提供了这六个平台选项的简化结构概述。这种分类明确了它们的核心架构逻辑、主要优势和潜在的权衡，使读者能够在更清晰的概念背景下解读后续的分析结果。表12 CBDC平台选项的简化概述（完整表格）。接下来，从决策者那里收集评估意见。评估结果总结在表13中。表13 评估结果（完整表格）。然后，将评估结果转换为KFSN，并乘以决策者的权重。接着，将决策者加权的KSFN相加。因此，使用方程（35）和（36）得到决策项。决策矩阵显示在表14中。表14 决策矩阵（完整表格）。之后，使用方程（37）和（38）对这些项进行标准化处理。所有标准都是有益的。因此，标准化矩阵和决策矩阵是相同的。然后，使用方程（39）和（40）估算两个指标值。接下来，使用方程（41）和（42）对两个指标值进行简化处理。模糊和简化的指标显示在表15中。表15 两个指标（完整表格）。之后，通过方程（43）-（45）计算三种策略，其中\(\zeta\)=0.5。最后，使用方程（46）得到替代方案的绩效得分。结果显示在表16中。表16 替代方案的策略和绩效得分（完整表格）。从表16中的K值可以看出，最适合DeFi集成CBDC平台的替代方案是混合平台和保密平台，其得分分别为1.937和1.887。为了进行比较分析，根据第三种策略中参数的值（介于0和1之间）来检查结果。比较分析结果显示在图5中。图5。这张图片的替代文本可能是通过AI生成的。完整图片。根据比较分析结果，这些结果是有效的。换句话说，这些替代方案的排名是相同的。这些结果表明，这两种替代方案都具有与DeFi集成CBDC生态系统的功能要求高度契合的优越结构和运营特性。混合平台的主导地位反映了它们结合公共区块链和私有区块链架构的优势的能力，在透明度、可扩展性和监管控制之间取得了平衡。这样的平台允许中央银行在享受去中心化系统的开放性和创新潜力的同时，保持治理权威。另一方面，保密平台的强劲表现强调了数据隐私、网络安全和交易保密性的重要性，这对于数字货币生态系统的有效运行至关重要。总的来说，这两个标准表明，DeFi集成CBDC平台的成功不仅取决于良好的财务管理，还取决于建立一个技术先进且流动性高的运营环境。因此，技术能力和流动性之间的相互作用决定了这些平台在全球数字金融格局中的整体适应性和竞争力。因此，政策制定者和开发者应优先考虑持续的技术创新和流动性增强策略，以加强DeFi集成CBDC投资的韧性、包容性和有效性。首先，确定了六个替代投资选项，以代表适用于DeFi集成中央银行数字货币（CBDC）系统的潜在技术框架。这些选项被定义为模块化区块链平台（MBC）、多链平台（MLT）、混合平台（HYB）、保密平台（CNF）、代币化平台（TKN）和元链协议（MCH）。每种选项都体现了不同的数字货币实现结构和功能方法，提供了不同程度的可扩展性、互操作性、隐私性和可编程性。模块化区块链平台（MBC）注重灵活性和定制性，允许中央银行根据监管和运营需求调整模块化组件。多链平台（MLT）则能够在多个相互连接的区块链上并行操作，提高交易吞吐量和跨平台兼容性。混合平台（HBB）结合了公共区块链和私有区块链架构的优势，在透明度和控制之间取得了平衡。同时，保密平台（CNF）优先考虑数据安全和交易隐私，使其适用于需要增强金融操作保密性的系统。代币化平台（TKN）促进了实物或金融资产的数字化表示，从而将CBDC系统的功能范围扩展到更广泛的资产管理和投资领域。最后，元链协议（MCH）作为总体框架，旨在连接不同的区块链生态系统，实现无缝互操作性和统一的治理结构。这六个选项的包含为评估潜在DeFi集成CBDC投资模型的技术、财务和监管适宜性提供了全面的分析基础，允许在多个绩效维度上进行整体比较。表12提供了这六个平台选项的简化结构概述。这种分类明确了它们的核心架构逻辑、主要优势和潜在的权衡，使读者能够在更清晰的概念背景下解读后续的分析结果。表12 CBDC平台选项的简化概述（完整表格）。接下来，从决策者那里收集评估意见。评估结果总结在表13中。表13 评估结果（完整表格）。然后，将评估结果转换为KFSN，并乘以决策者的权重。接着，将决策者加权的KSFN相加。因此，使用方程（35）和（36）得到决策项。决策矩阵显示在表14中。表14 决策矩阵（完整表格）。之后，使用方程（37）和（38）对这些项进行标准化处理。所有标准都是有益的。因此，标准化矩阵和决策矩阵是相同的。然后，使用方程（39）和（40）估算两个指标值。接下来，使用方程（41）和（42）对两个指标值进行简化处理。模糊和简化的指标显示在表15中。表15 两个指标（完整表格）。之后，通过方程（43）-（45）计算三种策略，其中\(\zeta\)=0.5。最后，使用方程（46）得到替代方案的绩效得分。结果显示在表16中。表16 替代方案的策略和绩效得分（完整表格）。从表16中的K值可以看出，最适合DeFi集成CBDC平台的替代方案是混合平台和保密平台，其得分分别为1.937和1.887。为了进行比较分析，根据第三种策略中参数的值（介于0和1之间）来检查结果。比较分析结果显示在图5中。图5。这张图片的替代文本可能是通过AI生成的。完整图片。根据比较分析结果，这些结果是有效的。换句话说，这些替代方案的排名是相同的。这些结果表明，这两种替代方案都具有与DeFi集成CBDC生态系统的功能要求高度契合的优越结构和运营特性。混合平台的主导地位反映了它们结合公共区块链和私有区块链架构的优势的能力，在透明度、可扩展性和监管控制之间取得了平衡。这样的平台允许中央银行在享受去中心化系统的开放性和创新潜力的同时，保持治理权威。另一方面，保密平台的强劲表现强调了数据隐私、网络安全和交易保密性在现代数字金融系统中的日益重要性。通过确保数据安全管理和保护敏感的金融信息，这些平台显著增强了用户信任和机构信誉——这是CBDC系统广泛采用的两个基本支柱。与HYB和CNF相关的相对较高的K值表明，它们不仅满足了DeFi集成CBDC环境的技术和运营期望，还在政策合规性、韧性和适应性方面提供了战略优势。因此，研究结果表明，混合和保密架构代表了中央银行寻求建立技术先进、安全且符合监管要求的DeFi集成CBDC基础设施的最可行和可持续的投资途径。为了评估结果的可靠性和稳健性，进行了敏感性分析。在此背景下，使用蒙特卡洛模拟构建了不同的场景，以专家权重作为输入。在蒙特卡洛模拟的范围内，基于原始权重构建了场景，并对权重值进行了最小程度的增加和减少。SC1-SC5是包含不同专家权重的场景。这些专家权重值是使用Python获得的。此外，还进行了比较，以观察模糊集的差异，如毕达哥拉斯模糊集（PFS）、费马模糊集（FFS）以及三角形和梯形集。标准的结果显示在表17中。表17 标准的敏感性分析（完整表格）。如表17所示，尽管输入发生变化，标准的优先级仍然相似。换句话说，尽管输入发生变化，标准的优先级仍然稳健。对替代方案也应用了类似的过程。替代方案的结果显示在表18中。表18 替代方案的敏感性分析（完整表格）。根据表18，尽管输入发生变化，替代方案的排名仍然相似。换句话说，尽管输入发生变化，替代方案的排名仍然稳健。然而，仔细检查后发现，仅包含成员函数的模糊集的稳健性较弱。换句话说，包含非成员函数的模糊集更为优越。尽管KSFS的应用不一定导致与替代模糊表示根本不同的排名，但其贡献在于增强了不确定性建模的结构敏感性和可解释性。实证结果表明，替代方案的排名在不同的模糊环境中保持稳定，这可以解释为稳健性的证据，而不是方法的局限性。在这种情况下，KSFS的目的不是人为改变决策结果，而是提供在复杂和交互驱动的不确定性条件下的更精细的专家判断表示。与倾向于平滑变化的经典模糊集不同，KSFS的分形结构保留了边际差异，允许更细致的聚合。因此，KSFS的附加价值主要体现在不确定性表示的质量和深度上，而不是最终排名的剧烈变化上。这种区别在以政策为导向的决策问题中尤为重要，因为在这些问题中，结果的稳定性和更高的表示保真度通常比由方法差异驱动的可变性更为可取。为了将DeFi集成与中央银行政策效果联系起来，本研究将CBDC DeFi生态系统概念化为一个由基础设施层、流动性层和政策结果层组成的三层传输结构。技术基础设施代表了决定交易速度、可编程性、互操作性和网络安全韧性的基础层。强大的基础设施增强了实时结算能力，减少了运营摩擦，从而缩短了货币政策信号和市场响应之间的传输延迟。同时，流动性作为流通层，管理DeFi集成CBDC网络中的市场深度、资产可转换性和资金可获取性。高流动性降低了波动性，防止了去中心化协议之间的碎片化，确保政策引起的供应调整能够有效地转化为价格和信用条件。这两层之间的相互作用直接影响政策结果层，包括货币传输效率、金融稳定性和系统韧性。当技术基础设施强大但流动性较弱时，政策信号可能在技术上可执行，但由于市场吸收能力有限而在经济上无效。相反，如果没有安全且可扩展的基础设施，高流动性可能会放大系统风险和网络脆弱性。因此，DeFi集成CBDC系统中的政策效果来自于基础设施稳健性和流动性深度的联合优化。这种相互作用形成了一个动态反馈机制，其中改进的政策可信度增强了流动性参与，进而稳定了交易网络并加强了宏观金融稳定性。通过将技术基础设施和流动性视为传输渠道而非孤立的标准，该模型提供了决策变量如何影响CBDC政策结果的结构化分析解释。技术基础设施和流动性被认为是数字金融转型过程中成功的两个关键决定因素。这一结果表明，CBDC系统建立的技术基础和确保数字资产顺畅流通的流动性能力共同决定了系统的运营效率、稳定性和可扩展性。换句话说，如果没有强大的技术基础设施，CBDC平台无法保证安全、可互操作和高速的交易，而流动性不足则会削弱用户信心，增加交易成本，并限制市场功能。文献一致强调这两个因素是有效和可持续数字货币生态系统的基石，认为技术稳健性和流动性深度对于确保市场信任、政策传输效率和金融包容性是不可或缺的（Kumar和Rani 2025）。从政策角度来看，中央银行和监管机构应优先考虑持续的技术创新，重点关注安全区块链架构、先进的网络安全框架和AI驱动的监控系统的集成，以提高系统韧性和互操作性（Xia等人2025）。同时，应实施旨在增强流动性的策略，例如激励金融机构的参与、促进跨链流动性池和确保透明的市场形成机制，以维持价格稳定性和用户参与度。此外，政策制定者应鼓励公私合作开发可扩展的基础设施模型，同时保障监管合规性和数据安全（Garg等人2025）。从战略角度来看，这些发现表明，强调技术卓越性和流动性优化的双重关注点对于在快速发展的DeFi集成CBDC格局中实现宏观经济稳定性和数字货币主权至关重要。除了直观的解释之外，这些发现还揭示了超出纯粹技术考虑的更深层次的结构含义。技术基础设施的重要性不仅表明了需要强大且可扩展的系统，还揭示了在集成去中心化金融（DeFi）的中央银行数字货币（CBDC）架构中存在一种潜在的集中化趋势。尽管去中心化金融在概念上与去中心化相关联，但对强大、协调且安全的基础设施的依赖表明，有效的CBDC实施可能本质上依赖于集中式控制机制。这引发了关于在主权货币系统中能够在多大程度上实现真正去中心化的重要问题。同样，注重隐私的平台的较高排名突显了个人数据保护与监管监督之间的根本矛盾。虽然增强隐私性有助于提升用户信任和采用率，但同时也可能增加遵守反洗钱和金融监管要求的复杂性。这在CBDC设计中创造了一个结构性权衡：提高隐私性可能会降低监管可见性，反之亦然。因此，这些结果不应仅仅被视为技术偏好，还应反映在需要在控制、透明度和用户自主性之间进行仔细平衡的更深层次的治理困境。

与以往的描述性和政策导向的CBDC研究相比，本研究得出的权重分布显示了两者的一致性和差异性。早期文献通常强调监管合规性和金融包容性是CBDC成功的主要决定因素，尤其是在宏观经济和采用率分析中。然而，这些研究往往依赖于定性评估而非交互敏感的权重结构。相比之下，当前研究将最高重要性赋予了技术基础设施（0.168）和流动性（0.167），而监管合规性和包容性虽然仍然重要，但权重较低。这种差异表明，当系统地考虑交互效应和专家异质性时，结构性运营因素可能比单纯的规范政策维度更为关键。换句话说，虽然描述性研究强调了监管合法性和包容性目标，但整合的MCDM框架揭示了基础设施的稳健性和市场流动性是实现这些规范目标的基本前提。因此，这些结果不仅修正了以往的文献，还将政策导向的标准置于一个受技术限制和流动性依赖的环境中。

研究还得出结论，混合平台和保密平台是最适合集成去中心化金融的CBDC系统的选择，表明未来CBDC基础设施的最佳设计应平衡透明度、控制性和隐私性。这一发现表明，混合架构结合了公共区块链和私有区块链的优势，提供了一个灵活且适应性强的框架，使中央银行能够在保持治理和监管监督的同时，受益于去中心化系统所固有的效率、透明度和创新潜力。此外，保密平台的高适用性凸显了数据安全、用户隐私和网络韧性在现代金融生态系统中的日益重要性。这种情况在去中心化金融和CBDC文献中经常被强调为维护公众信任和机构可信度的先决条件。先前研究对隐私保护机制和混合治理模式的持续关注证实了这两种架构类型与全球监管期望和新兴金融技术标准高度一致。

混合平台和保密平台的卓越表现可以通过强调受控去中心化和设计原则的CBDC设计哲学来分析解释。混合架构与新兴的受监管互操作性模型高度契合，其中中央银行寻求在利用去中心化基础设施实现可扩展性和创新的同时保持货币权威。在零售CBDC框架中，混合模型支持可编程货币和智能合约的集成，同时保持许可监督，从而降低了完全公开区块链结构所带来的系统性风险。在批发CBDC环境中，混合配置支持跨境结算效率，而不牺牲监管控制。这种双重兼容性解释了它们在多维决策背景下的高排名。同样，保密平台的高性能反映了中央银行对隐私保护的日益重视。现代CBDC设计辩论越来越多地围绕在交易可追溯性和用户级数据保护之间取得平衡展开。保密架构整合了零知识证明和选择性披露机制等加密技术，这些技术在整体层面允许监管透明性，同时保护个别交易的隐私。在集成去中心化金融的生态系统中，透明账本与匿名参与者共存，注重隐私的平台减少了监管摩擦并增加了机构采用潜力。因此，混合平台和保密平台的主导地位不仅仅是技术结果，而且在结构上与当代CBDC设计范式一致，这些范式优先考虑可控的去中心化、可编程效率和加密隐私保护。

从政策和战略角度来看，这些发现建议中央银行采用双框架发展方法，其中混合CBDC基础设施确保互操作性和政策控制，而增强隐私性的技术则保护敏感的金融数据并防止滥用。政府和货币当局应投资于隐私保护的加密方法（如零知识证明、同态加密）和安全的多方计算框架，以加强数字主权，同时不损害监管透明度。此外，应鼓励包括私有区块链开发者、网络安全专家和金融监管机构在内的协作创新生态系统设计能够随着技术进步而演进的适应性混合模型。从战略上讲，这意味着未来集成去中心化金融的CBDC系统将朝着架构融合的方向发展，其中混合灵活性和保密性共存，创造出安全、合规且社会信任度高的平台。这种方法不仅增强了运营韧性和政策效率，还支持了去中心化金融时代数字货币系统的全球竞争力和长期可持续性。

从实际角度来看，所提出的框架并非旨在作为直接的决策机制，而是一种结构化的政策支持工具，可以帮助中央银行组织CBDC设计中固有的复杂权衡。该模型不需要完全可观察或大规模的数据集，而是通过迭代专家咨询过程来操作化，政策制定者、监管机构和技术专家可以在不同的情景假设下提供结构化的评估。在这种背景下，该框架使中央银行能够模拟不同的设计优先级，例如强调隐私、流动性或监管控制，并观察这些优先级如何影响平台选择结果。这种基于情景的应用在数据稀缺和技术快速变化的环境中尤为重要。此外，该模型通过明确隐含的权衡来支持风险意识决策，使政策制定者能够评估优先考虑某些标准相对于其他标准的潜在后果。因此，该框架的贡献不仅在于方法论的综合，还在于提供了一个可以根据机构限制、政策目标和不断发展的数字金融基础设施进行调整的灵活分析工具。

模型结果为中央银行决策者提供了结构化的指导，明确了集成去中心化金融的CBDC设计中嵌入的战略权衡。特别是，技术基础设施和流动性的共同重要性表明，仅通过监管严格性或技术投资本身无法实现政策效果。相反，中央银行必须将透明度、隐私和流动性视为一个相互依赖的系统进行评估。高透明度增强了监管能力和反洗钱合规性，但过度透明度可能会降低用户采用率并限制交易隐私。相反，强大的隐私保护措施增加了社会信任和零售参与度，但可能使实时监管监控变得复杂。流动性在这种权衡结构中起到稳定作用。充足的流动性减少了波动性并支持政策传递效率，但流动性激励通常需要互操作性和开放性，这会增加透明度的暴露。该模型表明，混合架构可以通过嵌入可编程的透明度阈值来实现平衡的均衡，其中交易可见性根据监管风险水平进行分层。保密平台通过结合隐私保护的加密机制来补充这一结构，允许在不需要完全披露数据的情况下进行合规性验证。因此，中央银行可以使用该框架不仅对平台选项进行排名，还可以在不同监管优先级下模拟战略配置。例如，在高风险的宏观经济环境中，政策制定者可能会赋予透明度驱动的标准更高的权重以加强系统监控。而在早期采用阶段，隐私和包容性标准可能会获得更高的优先级以增强信任和流动性参与度。因此，该决策模型作为一种政策校准工具，帮助中央银行在不断发展的去中心化金融监管环境中导航透明度、隐私和流动性之间的结构权衡。

虽然技术基础设施和流动性的重要性看似直观，但它们的主导地位需要更深入的结构解释。技术稳健性的核心地位表明，即使在集成去中心化金融的架构中，有效的CBDC实施仍然依赖于可扩展、安全且集中协调的基础设施层。这可能表明，在表面上看似去中心化的系统中存在一种潜在的集中化偏见。换句话说，尽管去中心化金融的言论强调分布式自治，但优先级结果表明，机构可靠性和基础设施控制是运营可行性的基础条件。这些发现引发了关于去中心化金融能在多大程度上有意义地整合到主权货币系统中而不强化集中式治理机制的更广泛问题。同样，注重隐私的平台的强劲表现引入了微妙的监管紧张关系。虽然增强隐私的机制符合公众信任和数字权利考虑，但它们可能同时增加实时合规监控和反洗钱执行的复杂性。该模型认为保密性具有战略价值，但这并没有消除用户匿名性和监管透明度之间的权衡。相反，它突显了一个结构性的治理困境：CBDC架构必须协调加密隐私保护与机构监督要求。未来的研究可以进一步探索如何通过可编程的合规机制或分层透明度模型来缓解这种紧张关系，而不损害金融稳定或公民自由。

总之，本研究旨在确定决定集成去中心化金融的CBDC平台投资有效性和可持续性的关键指标，并根据这些指标识别最合适的投资选项。为此，开发了一种新的混合多标准决策模型，该模型考虑了不确定性。所提出的模型基于z-NIDM来确定专家的重要性权重，SIWEC来计算标准权重，以及CoCoSo来对选项进行排名。此外，新引入的Koch Snowflake模糊集方法用于更真实地表示模型中的不确定性和主观评估。分析结果表明，技术基础设施和流动性是集成去中心化金融的CBDC投资的最关键标准，而混合平台和注重隐私的平台是最合适的投资选项。这些发现展示了技术韧性、交易安全、数据隐私和市场流动性之间的战略平衡在CBDC生态系统成功中的决定性作用。该研究填补了文献中的一个重要研究空白，提供了一个客观的、多维的、对不确定性敏感的评估框架，用于集成去中心化金融的CBDC投资。因此，它在学术领域提供了方法论创新，并为政策制定者提供了战略决策支持。

从政策角度来看，这些发现为参与CBDC开发的政府和中央银行提供了具体指导。技术基础设施和流动性的重要性表明，数字货币战略应优先考虑可扩展、互操作和网络韧性的架构，同时确保足够的市场深度以支持稳定的交易流动。因此，设计CBDC框架的政府应采用结合基础设施投资和增强流动性机制的双重策略，如受监管的互操作性渠道和受控制的参与激励。此外，混合平台和注重隐私的平台的较高排名表明，未来的CBDC监管应旨在平衡透明度要求与隐私保护技术。政策制定者可以通过实施分层透明度模型、可编程合规协议和允许监管监督而不过度披露个别交易数据的加密验证机制来实现这种平衡。在这方面，所提出的框架不仅作为一个评估模型，还作为一个政策校准工具，使政府能够模拟不同的监管优先级情景，并评估其对金融稳定性、创新能力和数字主权的结构影响。

尽管技术基础设施和流动性的重要性看似直观，但它们的主导地位需要更深入的结构解释。技术稳健性的核心地位表明，即使在集成去中心化金融的架构中，有效的CBDC实施仍然依赖于可扩展、安全和集中协调的基础设施层。这可能表明，在表面上看似去中心化的系统中存在一种潜在的集中化偏见。换句话说，尽管去中心化金融的言论强调分布式自治，但优先级结果表明，机构可靠性和基础设施控制是运营可行性的基础条件。这些发现引发了关于去中心化金融能在多大程度上有意义地整合到主权货币系统中而不强化集中式治理机制的更广泛问题。同样，注重隐私的平台的强劲表现引入了微妙的监管紧张关系。虽然增强隐私的机制符合公众信任和数字权利考虑，但它们可能同时增加实时合规监控和反洗钱执行的复杂性。该模型认为保密性具有战略价值，但这并没有消除用户匿名性和监管透明度之间的权衡。相反，它突显了一个结构性的治理困境：CBDC架构必须协调加密隐私保护与机构监督要求。未来的研究可以进一步探索如何通过可编程的合规机制或分层透明度模型来缓解这种紧张关系，而不损害金融稳定或公民自由。

结论

本研究旨在识别决定集成去中心化金融的CBDC平台投资有效性和可持续性的关键指标，并根据这些指标确定最合适的投资选项。为此，开发了一种新的混合多标准决策模型，该模型考虑了不确定性。所提出的模型基于z-NIDM来确定专家的重要性权重，SIWEC来计算标准权重，以及CoCoSo来对选项进行排名。此外，新引入的Koch Snowflake模糊集方法用于更真实地表示模型中的不确定性和主观评估。分析结果表明，技术基础设施和流动性是集成去中心化金融的CBDC投资的最关键标准，而混合平台和注重隐私的平台是最合适的投资选项。这些发现展示了技术韧性、交易安全、数据隐私和市场流动性之间的战略平衡在CBDC生态系统成功中的决定性作用。该研究通过提供一个客观的、多维的、对不确定性敏感的评估框架，填补了文献中的一个重要研究空白，为集成去中心化金融的CBDC投资提供了方法论创新和战略决策支持。

从政策角度来看，这些发现为参与CBDC开发的政府和中央银行提供了具体指导。技术基础设施和流动性的重要性表明，数字货币战略应优先考虑可扩展、互操作和网络韧性的架构，同时确保足够的市场深度以支持稳定的交易流动。因此，设计CBDC框架的政府应采用结合基础设施投资和增强流动性机制的双重策略，如受监管的互操作性渠道和受控制的参与激励。此外，混合平台和注重隐私的平台的较高排名表明，未来的CBDC监管应旨在平衡透明度要求与隐私保护技术。政策制定者可以通过实施分层透明度模型、可编程合规协议和允许监管监督而不过度披露个别交易数据的加密验证机制来实现这种平衡。在这方面，所提出的框架不仅作为一个评估模型，还作为一个政策校准工具，使政府能够模拟不同的监管优先级情景，并评估其对金融稳定性、创新能力和数字主权的结构影响。

这项研究存在某些理论和方法论上的局限性。首先，分析范围内没有进行特定国家的应用或比较研究；相反，是在一般框架内考察了集成去中心化金融的CBDC平台的投资。虽然这表明研究的发现提供了普遍视角，但也意味着没有考虑特定国家的金融、技术和监管差异。因此，未来的研究可以分析不同国家或国家群体中中央银行数字货币（CBDC）的实施情况，以评估该模型在不同经济结构和监管体系下的表现。此外，所提出的混合多标准决策模型（z-NIDM–SIWEC–CoCoSo–KSFS）虽然在方法上具有创新性，但也存在一定的局限性。由于该模型的准确性在很大程度上依赖于专家意见，而专家数量有限（本研究中为10人），且这些专家局限于特定的学科或地理区域，这可能会在一定程度上限制结果的普遍适用性。未来的研究可以通过增加专家数量，并纳入来自不同国家、行业和学术领域的更多样化的专家意见，来提高模型的可靠性和适用范围。此外，还可以使用不同的模糊集、权重方法或替代排序方法来测试该模型的性能，以进一步研究决策过程的敏感性和稳定性。在这方面，未来的研究应同时注重实证扩展和方法论的深化，从而获得更加稳健、可比较且具有政策应用价值的关于去中心化金融（DeFi）整合型CBDC投资的研究结果。