層級分析方法的案例

1. 哪位朋友能提供層次分析法的案例和方法詳解

AHP即Analytic Hierarchy Process,又稱為層次分析法，是由美國著名運籌學家、匹茲堡大學教授T.L.Saaty於二十世紀80年代創立的，它是一種強有力的系統分析+運籌學方法，對多因素、多標准、多方案的綜合評價及趨勢預測相當有效.面對由「方案層+因素層+目標層」構成的遞階層次結構決策分析問題，給出了一整套處理方法與過程.AHP最大的優點是可以處理定性和定量相結合的問題，可以將決策者的主觀判斷與政策經驗導入模型，並加以量化處理.AHP從本質上講是一種科學的思維方式.其主要的特點是：
1）面對具有層次結構的整體問題綜合評價，採取逐層分解，變為多哥單准則評價問題，在多個單准則評價的基礎上進行綜合；
2）為解決定性因素的處理及可比性問題，Saaty建議：以「重要性」（數學表現為權值）比較作為統一的處理格式.並將比較結果按重要程度以1至9級進行量化標度.
3）檢驗與調整比較鏈上的傳遞性，即檢驗一致性的可接受程度；
4）對匯集全部比較信息的矩陣集，使用線性代數理論與方法加以處理.挖掘出深層次的、實質性的綜合信息作為決策支持.

局限性：
1）AHP方法也有致命的缺點，它只能在給定的策略中去選擇最優的，而不能給出新的策略；
2）AHP方法中所用的指標體系需要有專家系統的支持，如果給出的指標不合理則得到的結果也就不準確；
3）AHP方法中進行多層比較的時候需要給出一致性比較，如果不滿足一致性指標要求，則AHP方法方法就失去了作用；
4）AHP方法需要求矩陣的特徵值，但是在AHP方法中一般用的是求平均值（可以算術、幾何、協調平均）的方法來求特徵值，這對於一些病態矩陣是有系統誤差的。

2. 需要幾個層次分析法的案例

層次分析法應用案例

應用層次分析法，通過建立遞階層次結構和判斷矩陣，並結合定性評價和定量評價，對投資股票項目中的股票進行評價和排序，進而做出合理的選擇決策。本文首先論述了股票的基本特徵：

1、不可償還性，

2、參與性，

3、收益性，

4、流通性，

5、價格波動性和風險性。並依據基本特徵與現實市場相聯系，確立了文章所需要分析的影響股票的主要因素，即宏觀因素、主觀因素、客觀因素和技術因素。通過對各個主要因素的認識和分析，確立了影響各主要因素的現實因素，即影響宏觀因素的國家經濟、大盤走勢、經濟政策和突發事件；影響主觀因素的期限偏好、內部信息和風險偏好；影響客觀因素的股價、公司狀況和股性；影響技術因素的MACD（指數平滑異同移動平均線）、RSI（相對強弱指標）和KDJ（隨機指標）。按照層次分析法的基本思想設置目標層、准則層與子准則層，建立判斷矩陣，設置定性評價和定量評價，從而對股票作出定量的綜合評價。通過實證表明：層次分析法在股票選擇中是一種實用、有效的方法，有較好的應用價值。

3. 層次分析法案例！！

1、建立遞階層次結構； 2、構造兩兩比較判斷矩陣；（正互反矩陣） 對各指標之間進行兩兩對比之後，然後按9分位比率排定各評價指標的相對優劣順序，依次構造出評價指標的判斷矩陣。 3、針對某一個標准，計算各備選元素的權重； 關於判斷矩陣權重計算的方法有兩種，即幾何平均法（根法）和規范列平均法（和法）。 （1）幾何平均法（根法） 計算判斷矩陣A各行各個元素mi的乘積； 計算mi的n次方根； 對向量進行歸一化處理； 該向量即為所求權重向量。 （2）規范列平均法（和法） 計算判斷矩陣A各行各個元素mi的和； 將A的各行元素的和進行歸一化； 該向量即為所求權重向量。 計算矩陣A的最大特徵值?max 對於任意的i=1,2,…,n, 式中為向量AW的第i個元素 （4）一致性檢驗 構造好判斷矩陣後，需要根據判斷矩陣計算針對某一準則層各元素的相對權重，並進行一致性檢驗。雖然在構造判斷矩陣A時並不要求判斷具有一致性，但判斷偏離一致性過大也是不允許的。因此需要對判斷矩陣A進行一致性檢驗。

4. 層次聚類分析案例（一）

關於聚類分析的介紹，可參見本人之前的筆記： 聚類分析

案例一：世界銀行樣本數據集

創建世界銀行的一個主要目標是對抗和消除貧困。在這個不斷發展的世界中，世界銀行持續的發展並精細地調整它的政策，已經幫助這個機構逐漸實現了消除貧困的目標。消除貧困的成果以下指標的改進衡量，這些指標包括健康、教育、衛生、基礎設施以及其他需要用於改進窮人生活的服務。與此同時，發展成果必須保證以一種環保的、全社會的、經濟可持續的方式達成。

准備工作

為了進行層次聚類，我們需要使用從世界銀行收集的數據集。

第1步：收集和描述數據

該任務使用名為WBClust2013的數據集。該數據以標准格式存儲在名為WBClust2013.csv的CSV格式的文件中。其有80行數據和14個變數。 點我獲取數據

第一列Country為非數值型變數，其他列均為數值型變數。

第2步：探索數據

讓我們探索數據並理解變數間的關系。我們通過導入名為WBClust2013.csv的CSV文件開始。存儲數據到wbclust數據框中：

下一步輸出wbclust數據框，head（）函數返回wbclust數據框。wbclust數據框作為一個輸入參數傳入：

結果如下：

第3步：轉換數據

中心化變數和創建z值是兩個常見的用於歸一化數據的數據分析手段。上面提到的數值型變數需要創建z值。scale（）函數是一個通用的函數，其默認方法中心化並比例縮放一個數值化矩陣的列。數據框wbclust被傳給該比例函數。只有數據框中數值化的變數會被縮放。結果存儲在wbnorm數據框中。

結果如下：

所有的數據框都有rownames屬性。rownames（）函數用來獲取或設置矩陣類變數的行名或列名。數據框wbclust以及第一列被傳遞給rownames（）函數。

調用rownames（wbnorm）方法顯示第一列的數值。結果如下：

第4步：訓練並評估模型效果

下一步是訓練模型。首先使用dist（）函數計算距離矩陣。使用特定的距離度量方法計算數據矩陣行間的距離。使用的距離度量可以是歐式距離、最大距離、曼哈頓距離、堪培拉距離、二進制距離，或閔可夫斯基距離。這里的距離度量使用歐式距離。使用歐式距離計算兩個向量間的距離為sqrt（sum（（x_i-y_i）^2））。結果被存儲在一個新的數據框dist1中。

下一步是使用Ward方法進行聚類。hclust（）函數對一組不同的n個對象進行聚類分析。第一階段，每個對象被指派給它自己的簇。之後每個階段，演算法迭代聚合兩個最相似的簇。這個過程不斷持續直到只剩一個簇。hclust（）函數要求我們以距離矩陣的形式提供數據。dist1數據框被作為輸入傳入。默認使用全鏈接演算法。此外還可以使用不同的聚集方法，包括ward.D、ward.D2、single、complete和average。

輸入clust1命令可顯示所使用的聚集方法，計算距離的方法，以及數據對象的數量。結果如下：

第5步：繪制模型

plot（）函數是一個通用的繪制R語言對象的函數。這里plot（）函數用來繪制系統樹圖：

結果如下：

rect.hclust（）函數強調不同的簇，並在系統樹圖的枝幹處繪制長方形。系統樹圖首先在某個等級上被剪切，之後在選定的枝幹上繪制長方形。

clust1對象以及需要形成的簇的數量作為輸入變數傳入函數。

結果如下：

cuts（）函數基於期望的簇數量或者切割高度將樹中的元素切割到不同的簇中。這里，clust1對象以及需要形成的簇的數量作為輸入變數傳入函數。

結果如下：

得到每個簇的國家列表：

結果如下：

5. 需要幾個層次分析法的案例

看看可以不！

層次分析法
層次分析法（AHP）是將決策總是有關的元素分解成目標、准則、方案等層次，在此基礎之上進行定性和定量分析的決策方法。該方法是美國運籌學家匹茨堡大學教授薩蒂於本世紀70年代初，在為美國國防部研究"根據各個工業部門對國家福利的貢獻大小而進行電力分配"課題時，應用網路系統理論和多目標綜合評價方法，提出的一種層次權重決策分析方法。這種方法的特點是在對復雜的決策問題的本質、影響因素及其內在關系等進行深入分析的基礎上，利用較少的定量信息使決策的思維過程數學化，從而為多目標、多准則或無結構特性的復雜決策問題提供簡便的決策方法。尤其適合於對決策結果難於直接准確計量的場合。
在現實世界中，往往會遇到決策的問題，比如如何選擇旅遊景點的問題，選擇升學志願 的問題等等。在決策者作出最後的決定以前，他必須考慮很多方面的因素或者判斷准則，最 終通過這些准則作出選擇。 比如選擇一個旅遊景點時，你可以從寧波、普陀山、浙西大峽谷、雁盪山和楠溪江中選 擇一個作為自己的旅遊目的地，在進行選擇時，你所考慮的因素有旅遊的費用、旅遊地的景 色、景點的居住條件和飲食狀況以及交通狀況等等。這些因素是相互制約、相互影響的。我們將這樣的復雜系統稱為一個決策系統。這些決策系統中很多因素之間的比較往往無法用定 量的方式描述，此時需要將半定性、半定量的問題轉化為定量計算問題。層次分析法是解決 這類問題的行之有效的方法。層次分析法將復雜的決策系統層次化，通過逐層比較各種關聯 因素的重要性來為分析、決策提供定量的依據。
國際關系理論中的層次分析法
即level of analysis，是國際關系中的重要方法之一，最早由肯尼斯•華爾茲在1959年出版的《人、國家與戰爭》中提出。在書中，華爾茲從人性、國家、國際體系三個「意象」（image）對戰爭根源進行了綜合分析，從而開創了國際關系研究中的層次分析方法。而第一位將層次分析法作為方法論提出來的則是戴維•辛格。1961年，他在《國際關系中的層次分析問題》一文中，把影響外交政策的因素劃分為兩大層次：國際體系與民族國家。辛格之後，國際關系研究者越來越注重層次分析方法的完善和使用，分析層次越來越系統，層次間隔越來越小。詹姆斯•羅斯諾提出了5個分析層次變數：個人、角色、政府、社會、國際系統。後來，布魯斯•拉西特和哈維•斯塔爾發展了羅斯諾的層次體系，提出了從宏觀到微觀的6個層次，依次是：世界系統、國際關系、國內社會、國家政府、決策者角色、決策者個人。世界系統指國際行為體所處的世界環境，如國際系統結構和進程、世界科學發展水平等；國際關系指國際行為體之間的關系；國內社會指決策者所處的國內社會環境，如社會的富裕程度、利益集團的行為特徵、社會成員的素質等；國家政府指決策者所在政府的性質和結構，如國家政治制度和政府機構的安排等；決策者角色指決策者的職務;決策者個人指決策者的性格、價值觀念等純屬個人的因素。這6個層次涵蓋了國際關系的主要方面，使研究分工更加具體、分析更加細致、研究體系也更加完整。究其本質，國際關系的分析層次實際上有兩重涵義：1、不同的層次代表了不同的「解釋來源」（自變數）所處的位置。2、不同的層次代表了不同的「研究對象」（因變數）所處的位置。從本質上講，層次分析的主要目的是使研究者更好地辨別和區分國際關系研究中的各種變數，從而使研究者能夠在不同的變數間建立可供驗證的關系假設。
現代漢語中的層次分析法
含義：
在分析一個句子或句法結構時，將句法構造的層次性考慮進來，並按其構造層次逐層進行分析，在分析時，指出每一層面的直接組成成分，這種分析就叫層次分析。
朱德熙先生認為，層次分析不能簡單地將其看作是一種分析方法，而是應當看做一種分析原則，是必須遵守的。
層次分析實際包含兩部分內容：一是切分，一是定性。切分，是解決一個結構的直接組成成分到底是哪些；而定性，是解決切分所得的直接組成成分之間在句法上是什麼關系。
基本精神：
1． 承認句子或句法結構在構造上有層次性，並在句法分析上嚴格按照內部的構造層次進行分析；
2． 進行分析時，要明確說出每一個構造層面的直接組成成分；
3． 分析時只管直接成分之間的語法結構關系，不管間接成分之間的語法結構關系或句
法結構中實詞與實詞之間的語義結構關系；
優越性：
1． 注意到了句子構造的層次性；
如: 他 剛 來 我們 便宜 他 了
│ │__│ │ │___│
│___│ │_____│
他 剛 來 我們 便宜 他 了
__ _______ ____ ___________
___ ___ ____ _____
2. 有效地分化了歧義句，幫助我們更好地理解句子；
如： 照片 放 大 了 一點兒。
_1_ ________2_________ 1-2 主謂關系
__3___ () ___4___ 3-4 述賓關系
_5_ _6_ 5-6 述補關系
照片 放 大 了 一點兒。
_1_ ________2__________ 1-2 主謂關系
_3_ ______4_______ 3-4 述補關系
__5__ ___6___ 5-6 述補關系
3．發現新的語法現象，揭示新的語法規律；
如： 父親的 父親的 父親 父親的 父親的 父親
(a) _______1 ______ __2__ (b) ___1___ ______2______
按（a）切分，意思是「祖父的父親」，即曾祖父；按（b）切分，意思是「父親的祖父」，也是指曾祖父——二者意義一樣。
到底哪種是正確的劃分方法呢？
如果要表達： 老師的 孩子的 同學
姐姐的 岳父的 侄子
我們就只能： _______1_______ __2__
通過考察，我們會發現類似「N的+N的+N」，由指人的名詞自相組合而成的偏正結構內部有極強的規律性，按照（a）來劃分是合理的。
而「父親的父親的父親」出現（a）（b）均可的現象則是一種巧合，這就類似於：
1*7+3 = 7+3 = 10 （正確的運算）
1*7+3 = 1*10 = 10 （不正確的運算）
7+3*1 = 7+3 = 10 （正確的運算）
7+3*1 = 10*1 = 10 （不正確的運算）
注意問題：（可以叫切分的原則）
1． 切分句子不能根據語感和語音停頓；
2． 每一層面上切分所得的直接組成成分，如果不是單詞，則必須能在別類句法結構
中在現；
如：很 有辦法
_1_ __2___
3. 每一層面上切分所得的直接組成成分，它們之間組合所依據的規則在語言中必須有普遍性；
如： 張三 喝 啤酒
__1__ ____2____
4．一層面上切分所得的直接組成成分，彼此組合起來，在意義上必須跟原先結構所表現的意思一致。
局限性：
1． 它只能揭示句法結構的構造層次和直接組成成分之間的顯性語法關系，即語法結構關系，不能揭示句法結構內部所隱含的語義結構關系：
如：我 在 房頂上 發現了 他。
_1_ ___________2_____________
____3______ _____4_______
_4__ __5___ __6__() __7__
由此並不能看出，是「我」在房頂上，還是「他」在房頂上，亦或是「我」和「他」都在房頂上。
2． 層次分析對有些現象只能做出描述，並不能做出解釋：
如：木頭 桌子 質量 ——→ 桌子質量
羊皮 領子 大衣 —/ → 領子大衣
層次分析法優缺點：這種分析揭示了語言的結構層次，不會割裂語意，適用性廣，語素、詞、短語、句子均適用；但看不出句子格局，不便於抓住主幹，理解意思，且會把層次相同結構不同的語言單位分成一類。

6. 層次聚類分析案例（三）

之前的筆記：
聚類介紹： 點這里
層次聚類分析案例（一）
層次聚類分析案例（二）

獲取全基因組表達數據的能力是一項計算復雜度非常高的任務。由於人腦的局限性，是無法解決這個問題。但是，通過將基因分類進數量較少的類別後再進行分析，就能將基因數據加工到更易理解的水平。

聚類的目標是將一組基因進行劃分，使相似的基因落入同一個簇，同時不相似的基因落入不同的簇。這里需要考慮的關鍵問題是如何定義相似性，以及處理已分類基因。這里我們使用兩種基因類型的感光性來探索基因聚類問題。

准備工作

為了進行層次聚類，我們使用從實驗鼠身上採集的數據集。

第1步：收集和描述數據

該任務使用名為GSE4051_data和GSE4051_design的數據集。該數據集以標准格式存儲在名為GSE4051_data.csv和GSE4051_design.csv的CSV格式的文件中。數據獲取路徑： 在這里

GSE4051_data數據集包含29949行數據和39個變數。數值型變數如下：

GSE4051_design數據集包含39行數據和4個變數。數值型變數是：sidNum
非數值型變數是：sidChar；devStage；gType；

具體實施步驟以下為實現細節。

第2步：探索數據

RColorBrewer包是一個R包，可從 http://colorbrewer2.org 獲取，它提供地圖和其他圖形的彩色模板。

pvclust包用來實現非確定性的層次聚類分析。在層次聚類中，每個簇通過多尺度有放回抽樣計算p值。一個簇的p值在0～1之間。p值有兩種類型：近似無偏（approximately unbiased，AU）和有放回概率（bootstrap probability，BP）值。AU p值通過多尺度有放回採樣方法計算，經典的有放回採樣方法用來計算BP p值。AU p值相比BP p值存在優效性偏見。

xtable包可以生成LaTeX格式的表格。使用xtable可以將特定的R對象轉換成xtables。這些xtables能夠以LaTeX或HTML的格式輸出。

plyr包被用來進行分置合並（split-apply-combine，SAC）過程。它將一個大的問題切分成易處理的小塊，在每個小塊上進行操作，然後將所有小塊合並起來。

載入以下包：

讓我們探索並理解變數間的關系。從導入名為GSE4051_data.csv的CSV文件開始。我們將該文件數據存儲到GSE4051_data數據框中：

接下來，輸出GSE4051_data數據框的信息。str（）函數返回GSE4051_data的結構信息。它簡略顯示了GSE4051_data數據框的內部結構。max.level指明了為了顯示網狀結構的最大等級。

結果如下：

下面，我們導入名為GSE4051_design.csv的CSV文件，將其數據保存到GSE4051_design數據框中：

輸出GSE4051_design數據框的內部結構。

結果如下：

第3步：轉換數據

為了便於後續的可視化階段，需要對每一行數據進行拉伸操作。這是由於在目前的要求下，不同基因表達之間存在絕對值的差距，因此需要對每一行數據進行拉伸。

中心化變數和創建z值是兩個常見的數據分析方法。scale函數中心化並拉伸數值型矩陣的列。

變換矩陣。傳入GSE4051_data數據框用t（）函數進行數據框變換。

接下來，我們輸出GSE4051_data數據框的信息。通過設置give.attr=FALSE，次級結構的屬性不會被顯示。

結果如下：

round（）函數用於舍入到最接近的整數。語法形式只有1種：Y = round(X)，這里的X可以是數，向量，矩陣，輸出對應。

head（）函數返回一個向量、矩陣、表、數據框或函數的頭部。GSE4051_data和trans_GSE4051_data數據框被當作對象傳入。rowMeans（）函數計算每列的平均值。data.frame（）函數創建數據框耦合變數集合，並且共享許多指標的性質：

結果如下：

第4步：訓練模型

接下來是訓練模型。第一步是計算距離矩陣。dist（）函數用來計算並返回距離矩陣，可以使用特定的距離度量方法來計算數據矩陣中各行間的距離。這里可使用的距離度量方法有歐式距離、最大距離、曼哈頓距離、堪培拉距離、二進制距離，或閔可夫斯基距離。這里使用歐式距離。歐式距離計算兩個向量間的距離公式為sqrt（sum（（x_i-y_i）^2））。轉換後的trans_GSE4051_data數據框被用來計算距離。結果存儲在pair_dist_GSE4051_data數據框中。

接下來，使用interaction（）函數計算並返回gType、devStage變數間相互作用的無序因子。無序因子的結果連同GSE4051_design數據框一同被傳入with（）函數。該函數計算產生一個新的因子代表gType、devStage變數的相互作用：

summary（）函數用來生成GSE4051_design$group數據框的結果總結：

結果如下：

下面，使用多種不同的聯合類型計算層次聚類。

使用hclust（）函數對n個不同對象進行聚類分析。第一個階段，每個對象被指派給自己的簇。演算法在每個階段迭代聚合兩個最相似的簇。持續該過程直到只剩一個單獨的簇。hclust（）函數要求我們以距離矩陣的形式提供數據。pair_dist_GSE4051_data數據框被傳入。

在第一個例子中使用single聚類方法：

結果如下：

在第二個例子中使用complete聚集方法。

調用pr.hc.complete的結果是顯示所使用的聚集方法、距離計算方法和對象數量：

結果如下：

在第三個例子中使用average聚類方法：

調用pr.hc.complete的結果是顯示所使用的聚集方法、距離計算方法和對象數量：
結果如下：

在第四個例子中使用ward聚類方法：

pr.hc.ward的調用結果是顯示所使用的聚集方法、距離計算方法和對象數量：
結果如下：

plot（）函數是繪制R對象的通用函數。

第一次調用plot（）函數，傳遞pr.hc.single數據框作為輸入對象：

結果如下：

第二次調用plot（）函數，傳入pr.hc.complete數據框作為輸入對象：

結果如下：

第三次調用plot（）函數，傳入pr.hc.average數據框作為輸入對象：

結果如下：

第四次調用plot（）函數，傳入pr.hc.ward數據框作為輸入對象：

結果如下：

第5步：繪制模型

plot（）函數是繪制R對象的通用函數。這里，plot（）函數用來繪制系統樹圖。
rect.hclust（）函數強調不同的簇，並在系統樹圖的枝幹上繪制長方形。系統樹圖首先在某個等級上被剪切，之後在選定的枝幹上繪制長方形。
RColorBrewer使用從 http://colorbrewer2.org 獲得的包來選擇繪制R圖像的顏色模板。
顏色分為三組：

最重要的一個RColorBrewer函數是brewer.pal（）。通過向該函數傳入顏色的數量和配色的名字，可以從display.brewer.all（）函數中選擇一個配色方案。
在第一個例子中，pr.hc.single作為一個對象傳入plot（）函數：

結果如下：

下面創建熱度圖，使用single聚集方法。heatmap（）函數默認使用euclidean聚集方法：

結果如下：

在第二例子中，pr.hc.complete作為對象傳入plot（）函數：

結果如下：

下面使用complete聚集方法創建熱度圖：

結果如下：

在第三個例子中，pr.hc.average作為對象傳入plot（）函數：

結果如下：

下面創建average聚集方法的熱度圖：

結果如下：

在第四個例子中，pr.hc.ward作為對象傳入plot（）函數：

結果如下：

下面繪制ward聚集方法的熱度圖：

結果如下：

7. 層次分析法的應用實例

1、建立遞階層次結構；
2、構造兩兩比較判斷矩陣；（正互反矩陣）
對各指標之間進行兩兩對比之後，然後按9分位比率排定各評價指標的相對優劣順序，依次構造出評價指標的判斷矩陣A。
其中為判別矩陣，要素與要素重要性比較結果，並且有如下關系：
有9種取值，分別為1/9, 1/7, 1/5, 1/3, 1/1, 3/1, 5/1, 7/1, 9/1,分別表示要素對於要素的重要程度由輕到重。
3、針對某一個標准，計算各備選元素的權重；
關於判斷矩陣權重計算的方法有兩種，即幾何平均法（根法）和規范列平均法（和法）。
（1）幾何平均法（根法）
計算矩陣A各行各個元素的乘積，得到一個n行一列的矩陣B；
計算矩陣每個元素的n次方根得到矩陣C；
對矩陣C進行歸一化處理得到矩陣D；
該矩陣D即為所求權重向量。
（2）規范列平均法（和法）
矩陣A每一列歸一化得到矩陣B；
將矩陣B每一行元素的平均值得到一個一列n行的矩陣C；
矩陣C即為所求權重向量。

8. 求層次分析法（AHP）的實例

請參考以下資料，希望對你有用
層次分析法

層次分析法（AHP）是將決策總是有關的元素分解成目標、准則、方案等層次，在此基礎之上進行定性和定量分析的決策方法。該方法是美國運籌學家匹茨堡大學教授薩蒂於本世紀70年代初，在為美國國防部研究"根據各個工業部門對國家福利的貢獻大小而進行電力分配"課題時，應用網路系統理論和多目標綜合評價方法，提出的一種層次權重決策分析方法。這種方法的特點是在對復雜的決策問題的本質、影響因素及其內在關系等進行深入分析的基礎上，利用較少的定量信息使決策的思維過程數學化，從而為多目標、多准則或無結構特性的復雜決策問題提供簡便的決策方法。尤其適合於對決策結果難於直接准確計量的場合。層次分析法的步驟如下：

（1）通過對系統的深刻認識，確定該系統的總目標，弄清規劃決策所涉及的范圍、所要採取的措施方案和政策、實現目標的准則、策略和各種約束條件等，廣泛地收集信息。

（2）建立一個多層次的遞階結構，按目標的不同、實現功能的差異，將系統分為幾個等級層次。例如：圖16-7就是以遞階層次表示的國家富強的一般結構。

（3）確定以上遞階結構中相鄰層次元素間相關程度。通過構造兩比較判斷矩陣及矩陣運算的數學方法，確定對於上一層次的某個元素而言，本層次中與其相關元素的重要性排序--相對權值。

（4）計算各層元素對系統目標的合成權重，進行總排序，以確定遞階結構圖中最底層各個元素的總目標中的重要程度。

（5）根據分析計算結果，考慮相應的決策。

層次分析法的整個過程體現了人的決策思維的基本特徵，即分解、判斷與綜合，易學易用，而且定性與定量相結合，便於決策者之間彼此溝通，是一種十分有效的系統分析方法，廣泛地應用在經濟管理規劃、能源開發利用與資源分析、城市產業規劃、人才預測、交通運輸、水資源分析利用等方面。

返回
參考資料：http://www..com/s?wd=%B2%E3%B4%CE%B7%D6%CE%F6%B7%A8&cl=

9. 現代漢語層次分析法例題

一分為二法逐層切分
例：
原句： 改革開放的中國需要各種專門人才
第一層：改革開放的中國 ∕ 需要各種專門人才 （主謂句，第一部分主語，第二部分謂語）
第二層：改革開放的 ∕中國 （偏正式短語，「改革開放的」作定語修飾「中國」；
需要∕ 各種專門人才（動賓式短語也叫述賓式短語，「各種專門人才」作動詞「需要」的賓語）
第三層：【改革 ∕ 開放 】（主謂式短語，改革是主語，開放是謂語） 的 （「的」字是結構助詞，可以理解為獨立使用，）中國 ；
需要 各種∕ 專門人才 （量詞加名詞短語，各種是量詞，專門人才是名詞短語）
第四層： 需要 各種 【專門 ∕人才】（偏正式短語，「專門」是形容詞作定語，修飾名詞「人才」 ）

10. 求層次分析法在物流方面的詳細應用案例，謝謝。

補充： 基於層次分析法的第三方物流供應商選擇朱文濤（健雄職業技術學院 江蘇 太倉 215411） 關鍵詞：第三方物流；層次分析；供應商選擇； 中圖分類號：F224 文獻標識碼：A1．前言隨著現代企業生產經營方式的變革和外部市場條件的變化，第三方物流這一新興的物流形態已經得到人們的高度重視。由於競爭壓力的加大和經濟活動的全球化，企業不得不集中有限的資源專心於自己的核心業務，將非核心的部分外包，由此形成了快速增長的第三方物流服務市場。 眾所周知，使用第三方物流服務可以給企業帶來集中主業、減少投資、降低成本、獲得靈活性和提升企業形象等諸多好處。但是,充分發揮第三方物流優勢的前提是企業必須正確地選擇第三方物流合作夥伴，如果企業選擇不當，則企業的物流外包策略不僅不能實現，反而會給企業帶來戰略機密泄露、客戶關系管理失控、解除合作關系等風險。因此,選擇最佳第三方物流供應商對於企業的發展有重大的戰略意義。 基於此，本文以層次分析法為基礎構建矩陣，解決排序問題即權重問題，並通過一致性檢驗，建立第三方物流選擇綜合評價模型以解決企業物流外包工作中的難題。 2．基於層次分析法的模型構建 層次分析法(簡稱AHP)是美國匹茲堡大學教授T. L. Satty於20世紀70年代初提出的一種定量與定性相結合的系統分析方法。它把復雜問題的各種因素通過劃分相互聯系的有序層次使之條理化，根據對一定客觀現實的判斷，就每一層次中各因素的相對重要性給予定量表示。層次分析法的基本步驟： 讓你看看摘要