毕达哥拉斯中性集(PNS)–加权影响非线性量表系统(WINGS)–层次分析法(AHP)–熵权法(EWM)集成框架在多准则决策分析中的应用:一种面向数字农业的应用导向决策框架
《Symmetry》:PNS-WINGS-AHP–EWM Integrated Framework for Multi-Criteria Decision Analysis: An Application-Oriented Decision Framework in Digital Agriculture
编辑推荐:
数字农业发展日益需要多准则决策分析(MCDA)方法来评估复杂且相互关联的影响因素。然而,现有方法常在表征不确定专家判断、捕捉因素间影响结构以及整合互补权重信息方面面临困难。为应对这些挑战,研究人员开发了集成的毕达哥拉斯中性集(PNS)–加权影响非线性量表系统(
数字农业发展日益需要多准则决策分析(MCDA)方法来评估复杂且相互关联的影响因素。然而,现有方法常在表征不确定专家判断、捕捉因素间影响结构以及整合互补权重信息方面面临困难。为应对这些挑战,研究人员开发了集成的毕达哥拉斯中性集(PNS)–加权影响非线性量表系统(WINGS)–层次分析法(AHP)–熵权法(EWM)框架,用于数字农业因素评价。具体而言,PNS通过真值、不确定性和假值信息来表征不确定的语言评估;WINGS用于识别因素间专家感知影响关系的方向与强度;协调权重机制将基于AHP的偏好信息与基于熵的跨专家离散信息相整合。所提框架应用于数字农业案例,以识别关键影响因素并确定发展优先级。结果表明,经济发展水平(W1)在最终复合优先级评估中排名第一,其次为数字技术水平的(W6)与数字基础设施(W5)。此外,WINGS分析揭示了因素间的感知影响结构,并识别出数字基础设施(W5)为网络中净影响最强的因素。比较分析表明,所提框架为数字农业因素评价中的不确定性、影响关系及互补权重信息提供了系统性表征。本研究凸显了集成既有多准则决策方法(MCDM)技术以支持复杂农业决策问题的应用潜力。
研究背景方面,数字农业作为信息技术与农业生产融合的产物,已成为全球农业转型的重要驱动力,但既有多准则决策分析(MCDA)方法常将影响因素独立处理,忽视因素间反馈与依赖,且难以表征专家判断中的不确定性、犹豫与不一致,同时在权重确定上层次分析法(AHP)偏主观、熵权法(EWM)仅反映数据变异而忽略偏好与网络关系,导致不确定性表征、影响分析与权重确定常被割裂。为此,研究人员构建了一种顺序衔接且功能分化的集成框架,将毕达哥拉斯中性集(PNS)、加权影响非线性量表系统(WINGS)、层次分析法(AHP)与熵权法(EWM)按非重叠职能串联,用以评价中国区域层面数字农业赋能环境的中期政策优先级。
关键技术方法上,研究人员邀请五位具备18至29年经验、覆盖学术与政策等领域的专家,采用七级PNS语言量表评估九个数字农业因素(经济发展水平W1、社会资本参与W2、政策支持W3、人力资本质量W4、数字基础设施W5、数字技术水平的W6、经营规模W7、盈利能力W8、全球市场开放度W9)间的两两影响,并通过九点Saaty量表做AHP成对比较;随后以等权PNS代数聚合算子汇总专家判断,经三分量评分函数去中性化得清晰影响矩阵,输入WINGS计算总影响矩阵T及行和H、列和L、显著度H+L与净影响H?L;权重阶段由五位专家独立AHP优先级向量的算术平均得偏好权重,以其跨专家分布计算EWM离散权重,再用博弈论启发的欧氏距离最小化协调得组合权重,最终将WINGS显著度与组合权重相乘并归一化得复合优先级。
研究结果部分,第5.1节PNS信息表征中,研究人员通过问卷收集五位专家对九因素两两影响的七级语言判断,转为PNS三元组后等权代数聚合,再经公式S=(T2?I2?F2+2)/3去中性化,获得清晰影响矩阵,保留了真值、不确定性、假值三维信息而非直接 crisp 平均。第5.2节WINGS影响结构分析中,清晰矩阵经列和归一化后按T=(I?Z)?1?I计算总影响矩阵(保留对角自影响),得出H、L、H+L、H?L;W1显著度最高(H+L=11.8298)但H?L为负(?0.1919)属净受影响中心条件,W5的H?L最大(1.9475)为最强净影响因子,W6、W3、W8、W4次之;以均值阈值0.5942简化网络图显示W5外出链接最多。第5.3节AHP–EWM集成中,五位专家AHP判断矩阵CR均<0.10,但Kendall W=0.149(p=0.650)表明排名共识弱;EWM从五专家优先级分布提取离散度,博弈协调系数AHP 0.461、EWM 0.539,组合权重ω(c)=(0.1252,0.1167,0.0956,0.0758,0.1224,0.1251,0.1237,0.1152,0.1004);将H+L与ω(c)乘积归一化后复合优先级排名为W1>W6>W5>W7>W8>W2>W3>W9>W4,与等权加法融合排序一致,说明乘法非补偿性未改变本数据下的次序。
讨论与结论部分,研究人员指出W1虽非最强净影响源但因其高显著度成为赋能中枢,W5作为最强净影响因子印证数字基础设施的使能角色,W9为最强净受影响端;与DEMATEL变体及单用AHP/EWM相比,完整框架在保留不确定性、网络位置与偏好–离散互补权重上提供更分化解释,但排名变化也说明各组件强调不同信息面,比较分析属方法敏感性证据而非因果验证。最终结论为:经济发展水平(W1)、数字技术水平的(W6)、数字基础设施(W5)居复合优先级前三,WINGS补充揭示W5为网络最强净影响因子;PNS–WINGS–AHP–EWM顺序工作流通过将语言不确定性、影响网络、偏好与离散权重非冗余衔接,为数字农业区域赋能环境的中期规划提供了可追溯至专家判断与结构输出的评价路径,该文发表于《Symmetry》。