层级分析方法的案例

1. 哪位朋友能提供层次分析法的案例和方法详解

AHP即Analytic Hierarchy Process,又称为层次分析法，是由美国着名运筹学家、匹兹堡大学教授T.L.Saaty于二十世纪80年代创立的，它是一种强有力的系统分析+运筹学方法，对多因素、多标准、多方案的综合评价及趋势预测相当有效.面对由“方案层+因素层+目标层”构成的递阶层次结构决策分析问题，给出了一整套处理方法与过程.AHP最大的优点是可以处理定性和定量相结合的问题，可以将决策者的主观判断与政策经验导入模型，并加以量化处理.AHP从本质上讲是一种科学的思维方式.其主要的特点是：
1）面对具有层次结构的整体问题综合评价，采取逐层分解，变为多哥单准则评价问题，在多个单准则评价的基础上进行综合；
2）为解决定性因素的处理及可比性问题，Saaty建议：以“重要性”（数学表现为权值）比较作为统一的处理格式.并将比较结果按重要程度以1至9级进行量化标度.
3）检验与调整比较链上的传递性，即检验一致性的可接受程度；
4）对汇集全部比较信息的矩阵集，使用线性代数理论与方法加以处理.挖掘出深层次的、实质性的综合信息作为决策支持.

局限性：
1）AHP方法也有致命的缺点，它只能在给定的策略中去选择最优的，而不能给出新的策略；
2）AHP方法中所用的指标体系需要有专家系统的支持，如果给出的指标不合理则得到的结果也就不准确；
3）AHP方法中进行多层比较的时候需要给出一致性比较，如果不满足一致性指标要求，则AHP方法方法就失去了作用；
4）AHP方法需要求矩阵的特征值，但是在AHP方法中一般用的是求平均值（可以算术、几何、协调平均）的方法来求特征值，这对于一些病态矩阵是有系统误差的。

2. 需要几个层次分析法的案例

层次分析法应用案例

应用层次分析法，通过建立递阶层次结构和判断矩阵，并结合定性评价和定量评价，对投资股票项目中的股票进行评价和排序，进而做出合理的选择决策。本文首先论述了股票的基本特征：

1、不可偿还性，

2、参与性，

3、收益性，

4、流通性，

5、价格波动性和风险性。并依据基本特征与现实市场相联系，确立了文章所需要分析的影响股票的主要因素，即宏观因素、主观因素、客观因素和技术因素。通过对各个主要因素的认识和分析，确立了影响各主要因素的现实因素，即影响宏观因素的国家经济、大盘走势、经济政策和突发事件；影响主观因素的期限偏好、内部信息和风险偏好；影响客观因素的股价、公司状况和股性；影响技术因素的MACD（指数平滑异同移动平均线）、RSI（相对强弱指标）和KDJ（随机指标）。按照层次分析法的基本思想设置目标层、准则层与子准则层，建立判断矩阵，设置定性评价和定量评价，从而对股票作出定量的综合评价。通过实证表明：层次分析法在股票选择中是一种实用、有效的方法，有较好的应用价值。

3. 层次分析法案例！！

1、建立递阶层次结构； 2、构造两两比较判断矩阵；（正互反矩阵） 对各指标之间进行两两对比之后，然后按9分位比率排定各评价指标的相对优劣顺序，依次构造出评价指标的判断矩阵。 3、针对某一个标准，计算各备选元素的权重； 关于判断矩阵权重计算的方法有两种，即几何平均法（根法）和规范列平均法（和法）。 （1）几何平均法（根法） 计算判断矩阵A各行各个元素mi的乘积； 计算mi的n次方根； 对向量进行归一化处理； 该向量即为所求权重向量。 （2）规范列平均法（和法） 计算判断矩阵A各行各个元素mi的和； 将A的各行元素的和进行归一化； 该向量即为所求权重向量。 计算矩阵A的最大特征值?max 对于任意的i=1,2,…,n, 式中为向量AW的第i个元素 （4）一致性检验 构造好判断矩阵后，需要根据判断矩阵计算针对某一准则层各元素的相对权重，并进行一致性检验。虽然在构造判断矩阵A时并不要求判断具有一致性，但判断偏离一致性过大也是不允许的。因此需要对判断矩阵A进行一致性检验。

4. 层次聚类分析案例（一）

关于聚类分析的介绍，可参见本人之前的笔记： 聚类分析

案例一：世界银行样本数据集

创建世界银行的一个主要目标是对抗和消除贫困。在这个不断发展的世界中，世界银行持续的发展并精细地调整它的政策，已经帮助这个机构逐渐实现了消除贫困的目标。消除贫困的成果以下指标的改进衡量，这些指标包括健康、教育、卫生、基础设施以及其他需要用于改进穷人生活的服务。与此同时，发展成果必须保证以一种环保的、全社会的、经济可持续的方式达成。

准备工作

为了进行层次聚类，我们需要使用从世界银行收集的数据集。

第1步：收集和描述数据

该任务使用名为WBClust2013的数据集。该数据以标准格式存储在名为WBClust2013.csv的CSV格式的文件中。其有80行数据和14个变量。 点我获取数据

第一列Country为非数值型变量，其他列均为数值型变量。

第2步：探索数据

让我们探索数据并理解变量间的关系。我们通过导入名为WBClust2013.csv的CSV文件开始。存储数据到wbclust数据框中：

下一步输出wbclust数据框，head（）函数返回wbclust数据框。wbclust数据框作为一个输入参数传入：

结果如下：

第3步：转换数据

中心化变量和创建z值是两个常见的用于归一化数据的数据分析手段。上面提到的数值型变量需要创建z值。scale（）函数是一个通用的函数，其默认方法中心化并比例缩放一个数值化矩阵的列。数据框wbclust被传给该比例函数。只有数据框中数值化的变量会被缩放。结果存储在wbnorm数据框中。

结果如下：

所有的数据框都有rownames属性。rownames（）函数用来获取或设置矩阵类变量的行名或列名。数据框wbclust以及第一列被传递给rownames（）函数。

调用rownames（wbnorm）方法显示第一列的数值。结果如下：

第4步：训练并评估模型效果

下一步是训练模型。首先使用dist（）函数计算距离矩阵。使用特定的距离度量方法计算数据矩阵行间的距离。使用的距离度量可以是欧式距离、最大距离、曼哈顿距离、堪培拉距离、二进制距离，或闵可夫斯基距离。这里的距离度量使用欧式距离。使用欧式距离计算两个向量间的距离为sqrt（sum（（x_i-y_i）^2））。结果被存储在一个新的数据框dist1中。

下一步是使用Ward方法进行聚类。hclust（）函数对一组不同的n个对象进行聚类分析。第一阶段，每个对象被指派给它自己的簇。之后每个阶段，算法迭代聚合两个最相似的簇。这个过程不断持续直到只剩一个簇。hclust（）函数要求我们以距离矩阵的形式提供数据。dist1数据框被作为输入传入。默认使用全链接算法。此外还可以使用不同的聚集方法，包括ward.D、ward.D2、single、complete和average。

输入clust1命令可显示所使用的聚集方法，计算距离的方法，以及数据对象的数量。结果如下：

第5步：绘制模型

plot（）函数是一个通用的绘制R语言对象的函数。这里plot（）函数用来绘制系统树图：

结果如下：

rect.hclust（）函数强调不同的簇，并在系统树图的枝干处绘制长方形。系统树图首先在某个等级上被剪切，之后在选定的枝干上绘制长方形。

clust1对象以及需要形成的簇的数量作为输入变量传入函数。

结果如下：

cuts（）函数基于期望的簇数量或者切割高度将树中的元素切割到不同的簇中。这里，clust1对象以及需要形成的簇的数量作为输入变量传入函数。

结果如下：

得到每个簇的国家列表：

结果如下：

5. 需要几个层次分析法的案例

看看可以不！

层次分析法
层次分析法（AHP）是将决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹茨堡大学教授萨蒂于本世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。这种方法的特点是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上，利用较少的定量信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。尤其适合于对决策结果难于直接准确计量的场合。
在现实世界中，往往会遇到决策的问题，比如如何选择旅游景点的问题，选择升学志愿 的问题等等。在决策者作出最后的决定以前，他必须考虑很多方面的因素或者判断准则，最 终通过这些准则作出选择。 比如选择一个旅游景点时，你可以从宁波、普陀山、浙西大峡谷、雁荡山和楠溪江中选 择一个作为自己的旅游目的地，在进行选择时，你所考虑的因素有旅游的费用、旅游地的景 色、景点的居住条件和饮食状况以及交通状况等等。这些因素是相互制约、相互影响的。我们将这样的复杂系统称为一个决策系统。这些决策系统中很多因素之间的比较往往无法用定 量的方式描述，此时需要将半定性、半定量的问题转化为定量计算问题。层次分析法是解决 这类问题的行之有效的方法。层次分析法将复杂的决策系统层次化，通过逐层比较各种关联 因素的重要性来为分析、决策提供定量的依据。
国际关系理论中的层次分析法
即level of analysis，是国际关系中的重要方法之一，最早由肯尼斯•华尔兹在1959年出版的《人、国家与战争》中提出。在书中，华尔兹从人性、国家、国际体系三个“意象”（image）对战争根源进行了综合分析，从而开创了国际关系研究中的层次分析方法。而第一位将层次分析法作为方法论提出来的则是戴维•辛格。1961年，他在《国际关系中的层次分析问题》一文中，把影响外交政策的因素划分为两大层次：国际体系与民族国家。辛格之后，国际关系研究者越来越注重层次分析方法的完善和使用，分析层次越来越系统，层次间隔越来越小。詹姆斯•罗斯诺提出了5个分析层次变量：个人、角色、政府、社会、国际系统。后来，布鲁斯•拉西特和哈维•斯塔尔发展了罗斯诺的层次体系，提出了从宏观到微观的6个层次，依次是：世界系统、国际关系、国内社会、国家政府、决策者角色、决策者个人。世界系统指国际行为体所处的世界环境，如国际系统结构和进程、世界科学发展水平等；国际关系指国际行为体之间的关系；国内社会指决策者所处的国内社会环境，如社会的富裕程度、利益集团的行为特征、社会成员的素质等；国家政府指决策者所在政府的性质和结构，如国家政治制度和政府机构的安排等；决策者角色指决策者的职务;决策者个人指决策者的性格、价值观念等纯属个人的因素。这6个层次涵盖了国际关系的主要方面，使研究分工更加具体、分析更加细致、研究体系也更加完整。究其本质，国际关系的分析层次实际上有两重涵义：1、不同的层次代表了不同的“解释来源”（自变量）所处的位置。2、不同的层次代表了不同的“研究对象”（因变量）所处的位置。从本质上讲，层次分析的主要目的是使研究者更好地辨别和区分国际关系研究中的各种变量，从而使研究者能够在不同的变量间建立可供验证的关系假设。
现代汉语中的层次分析法
含义：
在分析一个句子或句法结构时，将句法构造的层次性考虑进来，并按其构造层次逐层进行分析，在分析时，指出每一层面的直接组成成分，这种分析就叫层次分析。
朱德熙先生认为，层次分析不能简单地将其看作是一种分析方法，而是应当看做一种分析原则，是必须遵守的。
层次分析实际包含两部分内容：一是切分，一是定性。切分，是解决一个结构的直接组成成分到底是哪些；而定性，是解决切分所得的直接组成成分之间在句法上是什么关系。
基本精神：
1． 承认句子或句法结构在构造上有层次性，并在句法分析上严格按照内部的构造层次进行分析；
2． 进行分析时，要明确说出每一个构造层面的直接组成成分；
3． 分析时只管直接成分之间的语法结构关系，不管间接成分之间的语法结构关系或句
法结构中实词与实词之间的语义结构关系；
优越性：
1． 注意到了句子构造的层次性；
如: 他 刚 来 我们 便宜 他 了
│ │__│ │ │___│
│___│ │_____│
他 刚 来 我们 便宜 他 了
__ _______ ____ ___________
___ ___ ____ _____
2. 有效地分化了歧义句，帮助我们更好地理解句子；
如： 照片 放 大 了 一点儿。
_1_ ________2_________ 1-2 主谓关系
__3___ () ___4___ 3-4 述宾关系
_5_ _6_ 5-6 述补关系
照片 放 大 了 一点儿。
_1_ ________2__________ 1-2 主谓关系
_3_ ______4_______ 3-4 述补关系
__5__ ___6___ 5-6 述补关系
3．发现新的语法现象，揭示新的语法规律；
如： 父亲的 父亲的 父亲 父亲的 父亲的 父亲
(a) _______1 ______ __2__ (b) ___1___ ______2______
按（a）切分，意思是“祖父的父亲”，即曾祖父；按（b）切分，意思是“父亲的祖父”，也是指曾祖父——二者意义一样。
到底哪种是正确的划分方法呢？
如果要表达： 老师的 孩子的 同学
姐姐的 岳父的 侄子
我们就只能： _______1_______ __2__
通过考察，我们会发现类似“N的+N的+N”，由指人的名词自相组合而成的偏正结构内部有极强的规律性，按照（a）来划分是合理的。
而“父亲的父亲的父亲”出现（a）（b）均可的现象则是一种巧合，这就类似于：
1*7+3 = 7+3 = 10 （正确的运算）
1*7+3 = 1*10 = 10 （不正确的运算）
7+3*1 = 7+3 = 10 （正确的运算）
7+3*1 = 10*1 = 10 （不正确的运算）
注意问题：（可以叫切分的原则）
1． 切分句子不能根据语感和语音停顿；
2． 每一层面上切分所得的直接组成成分，如果不是单词，则必须能在别类句法结构
中在现；
如：很 有办法
_1_ __2___
3. 每一层面上切分所得的直接组成成分，它们之间组合所依据的规则在语言中必须有普遍性；
如： 张三 喝 啤酒
__1__ ____2____
4．一层面上切分所得的直接组成成分，彼此组合起来，在意义上必须跟原先结构所表现的意思一致。
局限性：
1． 它只能揭示句法结构的构造层次和直接组成成分之间的显性语法关系，即语法结构关系，不能揭示句法结构内部所隐含的语义结构关系：
如：我 在 房顶上 发现了 他。
_1_ ___________2_____________
____3______ _____4_______
_4__ __5___ __6__() __7__
由此并不能看出，是“我”在房顶上，还是“他”在房顶上，亦或是“我”和“他”都在房顶上。
2． 层次分析对有些现象只能做出描述，并不能做出解释：
如：木头 桌子 质量 ——→ 桌子质量
羊皮 领子 大衣 —/ → 领子大衣
层次分析法优缺点：这种分析揭示了语言的结构层次，不会割裂语意，适用性广，语素、词、短语、句子均适用；但看不出句子格局，不便于抓住主干，理解意思，且会把层次相同结构不同的语言单位分成一类。

6. 层次聚类分析案例（三）

之前的笔记：
聚类介绍： 点这里
层次聚类分析案例（一）
层次聚类分析案例（二）

获取全基因组表达数据的能力是一项计算复杂度非常高的任务。由于人脑的局限性，是无法解决这个问题。但是，通过将基因分类进数量较少的类别后再进行分析，就能将基因数据加工到更易理解的水平。

聚类的目标是将一组基因进行划分，使相似的基因落入同一个簇，同时不相似的基因落入不同的簇。这里需要考虑的关键问题是如何定义相似性，以及处理已分类基因。这里我们使用两种基因类型的感光性来探索基因聚类问题。

准备工作

为了进行层次聚类，我们使用从实验鼠身上采集的数据集。

第1步：收集和描述数据

该任务使用名为GSE4051_data和GSE4051_design的数据集。该数据集以标准格式存储在名为GSE4051_data.csv和GSE4051_design.csv的CSV格式的文件中。数据获取路径： 在这里

GSE4051_data数据集包含29949行数据和39个变量。数值型变量如下：

GSE4051_design数据集包含39行数据和4个变量。数值型变量是：sidNum
非数值型变量是：sidChar；devStage；gType；

具体实施步骤以下为实现细节。

第2步：探索数据

RColorBrewer包是一个R包，可从 http://colorbrewer2.org 获取，它提供地图和其他图形的彩色模板。

pvclust包用来实现非确定性的层次聚类分析。在层次聚类中，每个簇通过多尺度有放回抽样计算p值。一个簇的p值在0～1之间。p值有两种类型：近似无偏（approximately unbiased，AU）和有放回概率（bootstrap probability，BP）值。AU p值通过多尺度有放回采样方法计算，经典的有放回采样方法用来计算BP p值。AU p值相比BP p值存在优效性偏见。

xtable包可以生成LaTeX格式的表格。使用xtable可以将特定的R对象转换成xtables。这些xtables能够以LaTeX或HTML的格式输出。

plyr包被用来进行分置合并（split-apply-combine，SAC）过程。它将一个大的问题切分成易处理的小块，在每个小块上进行操作，然后将所有小块合并起来。

载入以下包：

让我们探索并理解变量间的关系。从导入名为GSE4051_data.csv的CSV文件开始。我们将该文件数据存储到GSE4051_data数据框中：

接下来，输出GSE4051_data数据框的信息。str（）函数返回GSE4051_data的结构信息。它简略显示了GSE4051_data数据框的内部结构。max.level指明了为了显示网状结构的最大等级。

结果如下：

下面，我们导入名为GSE4051_design.csv的CSV文件，将其数据保存到GSE4051_design数据框中：

输出GSE4051_design数据框的内部结构。

结果如下：

第3步：转换数据

为了便于后续的可视化阶段，需要对每一行数据进行拉伸操作。这是由于在目前的要求下，不同基因表达之间存在绝对值的差距，因此需要对每一行数据进行拉伸。

中心化变量和创建z值是两个常见的数据分析方法。scale函数中心化并拉伸数值型矩阵的列。

变换矩阵。传入GSE4051_data数据框用t（）函数进行数据框变换。

接下来，我们输出GSE4051_data数据框的信息。通过设置give.attr=FALSE，次级结构的属性不会被显示。

结果如下：

round（）函数用于舍入到最接近的整数。语法形式只有1种：Y = round(X)，这里的X可以是数，向量，矩阵，输出对应。

head（）函数返回一个向量、矩阵、表、数据框或函数的头部。GSE4051_data和trans_GSE4051_data数据框被当作对象传入。rowMeans（）函数计算每列的平均值。data.frame（）函数创建数据框耦合变量集合，并且共享许多指标的性质：

结果如下：

第4步：训练模型

接下来是训练模型。第一步是计算距离矩阵。dist（）函数用来计算并返回距离矩阵，可以使用特定的距离度量方法来计算数据矩阵中各行间的距离。这里可使用的距离度量方法有欧式距离、最大距离、曼哈顿距离、堪培拉距离、二进制距离，或闵可夫斯基距离。这里使用欧式距离。欧式距离计算两个向量间的距离公式为sqrt（sum（（x_i-y_i）^2））。转换后的trans_GSE4051_data数据框被用来计算距离。结果存储在pair_dist_GSE4051_data数据框中。

接下来，使用interaction（）函数计算并返回gType、devStage变量间相互作用的无序因子。无序因子的结果连同GSE4051_design数据框一同被传入with（）函数。该函数计算产生一个新的因子代表gType、devStage变量的相互作用：

summary（）函数用来生成GSE4051_design$group数据框的结果总结：

结果如下：

下面，使用多种不同的联合类型计算层次聚类。

使用hclust（）函数对n个不同对象进行聚类分析。第一个阶段，每个对象被指派给自己的簇。算法在每个阶段迭代聚合两个最相似的簇。持续该过程直到只剩一个单独的簇。hclust（）函数要求我们以距离矩阵的形式提供数据。pair_dist_GSE4051_data数据框被传入。

在第一个例子中使用single聚类方法：

结果如下：

在第二个例子中使用complete聚集方法。

调用pr.hc.complete的结果是显示所使用的聚集方法、距离计算方法和对象数量：

结果如下：

在第三个例子中使用average聚类方法：

调用pr.hc.complete的结果是显示所使用的聚集方法、距离计算方法和对象数量：
结果如下：

在第四个例子中使用ward聚类方法：

pr.hc.ward的调用结果是显示所使用的聚集方法、距离计算方法和对象数量：
结果如下：

plot（）函数是绘制R对象的通用函数。

第一次调用plot（）函数，传递pr.hc.single数据框作为输入对象：

结果如下：

第二次调用plot（）函数，传入pr.hc.complete数据框作为输入对象：

结果如下：

第三次调用plot（）函数，传入pr.hc.average数据框作为输入对象：

结果如下：

第四次调用plot（）函数，传入pr.hc.ward数据框作为输入对象：

结果如下：

第5步：绘制模型

plot（）函数是绘制R对象的通用函数。这里，plot（）函数用来绘制系统树图。
rect.hclust（）函数强调不同的簇，并在系统树图的枝干上绘制长方形。系统树图首先在某个等级上被剪切，之后在选定的枝干上绘制长方形。
RColorBrewer使用从 http://colorbrewer2.org 获得的包来选择绘制R图像的颜色模板。
颜色分为三组：

最重要的一个RColorBrewer函数是brewer.pal（）。通过向该函数传入颜色的数量和配色的名字，可以从display.brewer.all（）函数中选择一个配色方案。
在第一个例子中，pr.hc.single作为一个对象传入plot（）函数：

结果如下：

下面创建热度图，使用single聚集方法。heatmap（）函数默认使用euclidean聚集方法：

结果如下：

在第二例子中，pr.hc.complete作为对象传入plot（）函数：

结果如下：

下面使用complete聚集方法创建热度图：

结果如下：

在第三个例子中，pr.hc.average作为对象传入plot（）函数：

结果如下：

下面创建average聚集方法的热度图：

结果如下：

在第四个例子中，pr.hc.ward作为对象传入plot（）函数：

结果如下：

下面绘制ward聚集方法的热度图：

结果如下：

7. 层次分析法的应用实例

1、建立递阶层次结构；
2、构造两两比较判断矩阵；（正互反矩阵）
对各指标之间进行两两对比之后，然后按9分位比率排定各评价指标的相对优劣顺序，依次构造出评价指标的判断矩阵A。
其中为判别矩阵，要素与要素重要性比较结果，并且有如下关系：
有9种取值，分别为1/9, 1/7, 1/5, 1/3, 1/1, 3/1, 5/1, 7/1, 9/1,分别表示要素对于要素的重要程度由轻到重。
3、针对某一个标准，计算各备选元素的权重；
关于判断矩阵权重计算的方法有两种，即几何平均法（根法）和规范列平均法（和法）。
（1）几何平均法（根法）
计算矩阵A各行各个元素的乘积，得到一个n行一列的矩阵B；
计算矩阵每个元素的n次方根得到矩阵C；
对矩阵C进行归一化处理得到矩阵D；
该矩阵D即为所求权重向量。
（2）规范列平均法（和法）
矩阵A每一列归一化得到矩阵B；
将矩阵B每一行元素的平均值得到一个一列n行的矩阵C；
矩阵C即为所求权重向量。

8. 求层次分析法（AHP）的实例

请参考以下资料，希望对你有用
层次分析法

层次分析法（AHP）是将决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹茨堡大学教授萨蒂于本世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。这种方法的特点是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上，利用较少的定量信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。尤其适合于对决策结果难于直接准确计量的场合。层次分析法的步骤如下：

（1）通过对系统的深刻认识，确定该系统的总目标，弄清规划决策所涉及的范围、所要采取的措施方案和政策、实现目标的准则、策略和各种约束条件等，广泛地收集信息。

（2）建立一个多层次的递阶结构，按目标的不同、实现功能的差异，将系统分为几个等级层次。例如：图16-7就是以递阶层次表示的国家富强的一般结构。

（3）确定以上递阶结构中相邻层次元素间相关程度。通过构造两比较判断矩阵及矩阵运算的数学方法，确定对于上一层次的某个元素而言，本层次中与其相关元素的重要性排序--相对权值。

（4）计算各层元素对系统目标的合成权重，进行总排序，以确定递阶结构图中最底层各个元素的总目标中的重要程度。

（5）根据分析计算结果，考虑相应的决策。

层次分析法的整个过程体现了人的决策思维的基本特征，即分解、判断与综合，易学易用，而且定性与定量相结合，便于决策者之间彼此沟通，是一种十分有效的系统分析方法，广泛地应用在经济管理规划、能源开发利用与资源分析、城市产业规划、人才预测、交通运输、水资源分析利用等方面。

返回
参考资料：http://www..com/s?wd=%B2%E3%B4%CE%B7%D6%CE%F6%B7%A8&cl=

9. 现代汉语层次分析法例题

一分为二法逐层切分
例：
原句： 改革开放的中国需要各种专门人才
第一层：改革开放的中国 ∕ 需要各种专门人才 （主谓句，第一部分主语，第二部分谓语）
第二层：改革开放的 ∕中国 （偏正式短语，“改革开放的”作定语修饰“中国”；
需要∕ 各种专门人才（动宾式短语也叫述宾式短语，“各种专门人才”作动词“需要”的宾语）
第三层：【改革 ∕ 开放 】（主谓式短语，改革是主语，开放是谓语） 的 （“的”字是结构助词，可以理解为独立使用，）中国 ；
需要 各种∕ 专门人才 （量词加名词短语，各种是量词，专门人才是名词短语）
第四层： 需要 各种 【专门 ∕人才】（偏正式短语，“专门”是形容词作定语，修饰名词“人才” ）

10. 求层次分析法在物流方面的详细应用案例，谢谢。

补充： 基于层次分析法的第三方物流供应商选择朱文涛（健雄职业技术学院 江苏 太仓 215411） 关键词：第三方物流；层次分析；供应商选择； 中图分类号：F224 文献标识码：A1．前言随着现代企业生产经营方式的变革和外部市场条件的变化，第三方物流这一新兴的物流形态已经得到人们的高度重视。由于竞争压力的加大和经济活动的全球化，企业不得不集中有限的资源专心于自己的核心业务，将非核心的部分外包，由此形成了快速增长的第三方物流服务市场。 众所周知，使用第三方物流服务可以给企业带来集中主业、减少投资、降低成本、获得灵活性和提升企业形象等诸多好处。但是,充分发挥第三方物流优势的前提是企业必须正确地选择第三方物流合作伙伴，如果企业选择不当，则企业的物流外包策略不仅不能实现，反而会给企业带来战略机密泄露、客户关系管理失控、解除合作关系等风险。因此,选择最佳第三方物流供应商对于企业的发展有重大的战略意义。 基于此，本文以层次分析法为基础构建矩阵，解决排序问题即权重问题，并通过一致性检验，建立第三方物流选择综合评价模型以解决企业物流外包工作中的难题。 2．基于层次分析法的模型构建 层次分析法(简称AHP)是美国匹兹堡大学教授T. L. Satty于20世纪70年代初提出的一种定量与定性相结合的系统分析方法。它把复杂问题的各种因素通过划分相互联系的有序层次使之条理化，根据对一定客观现实的判断，就每一层次中各因素的相对重要性给予定量表示。层次分析法的基本步骤： 让你看看摘要