1. 項(xiàng)目概述從“拍腦袋”到“算出來(lái)”的決策利器在數(shù)學(xué)建模競(jìng)賽尤其是像MCM/ICM這樣的國(guó)際性賽事中我們常常面臨一個(gè)核心挑戰(zhàn)如何將一堆定性的、模糊的、甚至相互矛盾的決策因素轉(zhuǎn)化成一個(gè)清晰、客觀、可量化的最終結(jié)論比如要評(píng)選最佳城市發(fā)展方案需要考慮經(jīng)濟(jì)、環(huán)境、社會(huì)公平等多個(gè)維度每個(gè)維度下又有若干指標(biāo)。評(píng)委們各執(zhí)一詞有人說(shuō)經(jīng)濟(jì)權(quán)重應(yīng)該占50%有人說(shuō)環(huán)境才是首要的30%。這種時(shí)候如果還在用“我覺(jué)得”、“我認(rèn)為”來(lái)爭(zhēng)論不僅效率低下也缺乏說(shuō)服力。而“層次分析法”正是為解決這類(lèi)復(fù)雜的多準(zhǔn)則決策問(wèn)題而生的“數(shù)學(xué)翻譯官”。它能把我們腦子里那些“這個(gè)比那個(gè)稍微重要一點(diǎn)”、“那個(gè)和這個(gè)差不多重要”的模糊感覺(jué)通過(guò)一套嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)計(jì)算變成精確的數(shù)字權(quán)重和排序。我第一次在MCM中系統(tǒng)使用AHP是在一個(gè)關(guān)于“全球水資源分配策略?xún)?yōu)化”的題目里。我們需要從技術(shù)可行性、經(jīng)濟(jì)成本、環(huán)境影響和社會(huì)接受度四個(gè)大方面去評(píng)估五種不同的水處理技術(shù)方案。團(tuán)隊(duì)成員一開(kāi)始吵得不可開(kāi)交搞工程的覺(jué)得技術(shù)可行性最重要學(xué)經(jīng)濟(jì)的死磕成本效益。后來(lái)我們引入了AHP讓大家不再爭(zhēng)論“誰(shuí)最重要”而是去兩兩比較“A比B重要多少”。當(dāng)最終的權(quán)重矩陣和一致性檢驗(yàn)結(jié)果出來(lái)時(shí)所有人都安靜了——數(shù)據(jù)不會(huì)說(shuō)謊它清晰地告訴我們?cè)谶@個(gè)特定情境下社會(huì)接受度的權(quán)重竟然略高于純技術(shù)指標(biāo)。這個(gè)發(fā)現(xiàn)直接扭轉(zhuǎn)了我們的建模方向也讓論文的邏輯鏈條無(wú)比堅(jiān)實(shí)。可以說(shuō)掌握了AHP你就掌握了在復(fù)雜決策中“用數(shù)據(jù)說(shuō)話”的主動(dòng)權(quán)它能讓你的模型從“自說(shuō)自話”升級(jí)為“有理有據(jù)”。2. AHP核心原理拆解結(jié)構(gòu)、比較與一致性2.1 層次結(jié)構(gòu)建模把問(wèn)題“分層分類(lèi)”AHP的第一步也是最關(guān)鍵的一步不是馬上開(kāi)始計(jì)算而是把你要決策的問(wèn)題像解剖一樣分解成一個(gè)清晰的層次結(jié)構(gòu)模型。這個(gè)模型通常包括三層目標(biāo)層最頂層只有一個(gè)元素就是你最終要達(dá)成的目的。比如“選擇最優(yōu)的供應(yīng)商”、“評(píng)估城市可持續(xù)發(fā)展水平”。準(zhǔn)則層中間層包含了為實(shí)現(xiàn)目標(biāo)所涉及的所有中間環(huán)節(jié)、評(píng)價(jià)標(biāo)準(zhǔn)或影響因素。這一層可以有多級(jí)。例如評(píng)估“城市可持續(xù)發(fā)展水平”準(zhǔn)則層可能包括“經(jīng)濟(jì)發(fā)展”、“環(huán)境保護(hù)”、“社會(huì)和諧”三個(gè)一級(jí)準(zhǔn)則。而“經(jīng)濟(jì)發(fā)展”下面可能又細(xì)分出“GDP增長(zhǎng)率”、“產(chǎn)業(yè)結(jié)構(gòu)”、“創(chuàng)新能力”等二級(jí)準(zhǔn)則。方案層最底層列出了所有待評(píng)價(jià)、待選擇的備選方案。比如“方案A”、“方案B”、“方案C”。實(shí)操心得構(gòu)建層次結(jié)構(gòu)時(shí)最忌諱的就是“眉毛胡子一把抓”。一個(gè)常見(jiàn)的錯(cuò)誤是把不同層級(jí)的準(zhǔn)則混在一起或者遺漏了重要的中間環(huán)節(jié)。我的經(jīng)驗(yàn)是先用思維導(dǎo)圖進(jìn)行頭腦風(fēng)暴列出所有能想到的因素然后再進(jìn)行歸類(lèi)和分層。確保同一層的元素之間盡量相互獨(dú)立而每一層的元素都對(duì)上一層的某個(gè)元素有明確的解釋或支撐關(guān)系。在MCM論文中清晰地畫(huà)出這個(gè)層次結(jié)構(gòu)圖本身就是建模能力的重要體現(xiàn)。2.2 構(gòu)造判斷矩陣從定性到定量的橋梁建立了層次結(jié)構(gòu)接下來(lái)就要進(jìn)行AHP的核心操作兩兩比較。我們不再問(wèn)“經(jīng)濟(jì)、環(huán)境、社會(huì)哪個(gè)最重要”而是問(wèn)“相對(duì)于目標(biāo)而言經(jīng)濟(jì)因素與環(huán)境因素相比重要性程度如何”。為了量化這個(gè)“重要性程度”AHP采用了著名的1-9標(biāo)度法標(biāo)度含義1表示兩個(gè)因素相比具有同等重要性3表示兩個(gè)因素相比前者比后者稍微重要5表示兩個(gè)因素相比前者比后者明顯重要7表示兩個(gè)因素相比前者比后者強(qiáng)烈重要9表示兩個(gè)因素相比前者比后者極端重要2, 4, 6, 8上述相鄰判斷的中間值倒數(shù)若因素i與j的重要性之比為a_ij則因素j與i的重要性之比為a_ji 1/a_ij假設(shè)對(duì)于“選擇最佳城市”這個(gè)目標(biāo)我們有經(jīng)濟(jì)(A1)、環(huán)境(A2)、社會(huì)(A3)三個(gè)準(zhǔn)則。通過(guò)專(zhuān)家打分或團(tuán)隊(duì)討論我們得到如下判斷經(jīng)濟(jì)比環(huán)境稍微重要A1/A2 3經(jīng)濟(jì)比社會(huì)明顯重要A1/A3 5環(huán)境比社會(huì)稍微重要A2/A3 3那么我們就可以構(gòu)造出一個(gè)判斷矩陣A1(經(jīng)濟(jì))A2(環(huán)境)A3(社會(huì))A1135A21/313A31/51/31這個(gè)矩陣對(duì)角線元素都是1自己比自己同樣重要且具有互反性a_ij * a_ji 1。注意事項(xiàng)打分的準(zhǔn)確性直接決定了最終結(jié)果的可靠性。在MCM團(tuán)隊(duì)協(xié)作中建議采用“背靠背”打分然后取幾何平均的方法或者使用德?tīng)柗品ㄟM(jìn)行多輪反饋以減少個(gè)人主觀偏見(jiàn)。對(duì)于有爭(zhēng)議的比較一定要記錄下各自的理由這往往能成為論文中“模型靈敏度分析”的絕佳素材。2.3 權(quán)重計(jì)算與一致性檢驗(yàn)給判斷“體檢”得到判斷矩陣后我們需要計(jì)算每個(gè)因素的權(quán)重向量。最常用的方法是“特征根法”。簡(jiǎn)單來(lái)說(shuō)就是求解矩陣的最大特征值λ_max及其對(duì)應(yīng)的特征向量W將這個(gè)特征向量歸一化使各分量之和為1后就得到了權(quán)重向量。對(duì)于上面的3階矩陣計(jì)算后具體計(jì)算過(guò)程后文詳述我們可能得到權(quán)重向量 W [0.637, 0.258, 0.105]^T。這意味著在我們的判斷下經(jīng)濟(jì)因素的權(quán)重約為63.7%環(huán)境為25.8%社會(huì)為10.5%。但是人的判斷可能存在矛盾。例如如果你認(rèn)為A比B重要得多標(biāo)度7B比C重要一點(diǎn)標(biāo)度3那么邏輯上A應(yīng)該比C重要得非常多至少是7*321的強(qiáng)度但標(biāo)度最大只有9。如果實(shí)際打分中你只給了A比C標(biāo)度5就產(chǎn)生了不一致。這種不一致性如果太大說(shuō)明我們的判斷矩陣是混亂的計(jì)算結(jié)果不可信。因此一致性檢驗(yàn)是AHP的靈魂步驟絕不能跳過(guò)。我們引入兩個(gè)指標(biāo)一致性指標(biāo)CICI (λ_max - n) / (n - 1)其中n為矩陣階數(shù)。CI越大不一致越嚴(yán)重。一致性比率CRCR CI / RI其中RI是平均隨機(jī)一致性指標(biāo)查表可得例如3階矩陣的RI0.58。檢驗(yàn)標(biāo)準(zhǔn)當(dāng)CR 0.1時(shí)認(rèn)為判斷矩陣的一致性是可以接受的。否則就需要返回去重新調(diào)整判斷矩陣中的標(biāo)度值。避坑技巧很多新手在MCM中用了AHP卻忽略了CR檢驗(yàn)或者CR超標(biāo)了還強(qiáng)行使用結(jié)果這是論文的重大扣分項(xiàng)。評(píng)委一眼就能看出你對(duì)模型的理解不深。如果CR剛好超過(guò)0.1比如0.12可以嘗試微調(diào)那個(gè)你認(rèn)為最不確定的比較標(biāo)度比如把某個(gè)3改成4或2往往就能讓CR達(dá)標(biāo)。這個(gè)過(guò)程本身就可以寫(xiě)在論文的“模型調(diào)試”部分。3. 完整AHP建模流程與實(shí)戰(zhàn)計(jì)算3.1 步驟一明確問(wèn)題與建立層次結(jié)構(gòu)以MCM中一個(gè)典型題目“未來(lái)五年最佳投資領(lǐng)域選擇”為例。目標(biāo)層G選擇最佳投資領(lǐng)域。準(zhǔn)則層C我們?cè)O(shè)定三個(gè)評(píng)價(jià)準(zhǔn)則C1市場(chǎng)潛力、C2技術(shù)壁壘、C3政策風(fēng)險(xiǎn)。方案層P我們有三個(gè)待選領(lǐng)域P1人工智能、P2生物技術(shù)、P3可再生能源。畫(huà)出層次結(jié)構(gòu)圖此處用文字描述目標(biāo)層 G最佳投資領(lǐng)域 | 準(zhǔn)則層 CC1市場(chǎng)潛力 -- C2技術(shù)壁壘 -- C3政策風(fēng)險(xiǎn) | | | 方案層 PP1人工智能 P2生物技術(shù) P3可再生能源接下來(lái)我們需要分別構(gòu)造四個(gè)判斷矩陣準(zhǔn)則層對(duì)目標(biāo)層的矩陣G-C以及每個(gè)方案分別針對(duì)每一個(gè)準(zhǔn)則的兩兩比較矩陣C1-P, C2-P, C3-P。3.2 步驟二構(gòu)造各層判斷矩陣并計(jì)算權(quán)重1. 準(zhǔn)則層對(duì)目標(biāo)層(G-C)矩陣假設(shè)我們通過(guò)討論得出以下判斷市場(chǎng)潛力比技術(shù)壁壘明顯重要C1/C2 5市場(chǎng)潛力比政策風(fēng)險(xiǎn)稍微重要C1/C3 3技術(shù)壁壘比政策風(fēng)險(xiǎn)同樣重要C2/C3 1 則矩陣如下G | C1 | C2 | C3 C1 | 1 | 5 | 3 C2 | 1/5 | 1 | 1 C3 | 1/3 | 1 | 1計(jì)算其權(quán)重向量W_G-C。這里我們使用一種簡(jiǎn)便實(shí)用的近似算法——和積法 a. 將判斷矩陣每一列歸一化b_ij a_ij / Σ(a_kj)b. 將歸一化后的矩陣按行相加w_i Σ(b_ij)c. 將行和向量歸一化即得權(quán)重向量W_i w_i / Σ(w_i)對(duì)上述矩陣計(jì)算 列歸一化后 第一列1/(10.20.333)0.651, 0.2/1.5330.130, 0.333/1.5330.217 第二列5/(511)0.714, 1/70.143, 1/70.143 第三列3/(311)0.600, 1/50.200, 1/50.200按行相加 C1行0.6510.7140.600 1.965 C2行0.1300.1430.200 0.473 C3行0.2170.1430.200 0.560歸一化得權(quán)重向量 總和1.9650.4730.560 2.998 W_C1 1.965/2.998 ≈ 0.655 W_C2 0.473/2.998 ≈ 0.158 W_C3 0.560/2.998 ≈ 0.187 所以準(zhǔn)則層權(quán)重 W_G-C [0.655, 0.158, 0.187]^T。2. 方案層對(duì)每個(gè)準(zhǔn)則的矩陣(Ci-P)假設(shè)針對(duì)“市場(chǎng)潛力(C1)”我們對(duì)三個(gè)領(lǐng)域兩兩比較AI比生物技術(shù)市場(chǎng)潛力明顯大P1/P2 5AI比可再生能源市場(chǎng)潛力稍微大P1/P3 3生物技術(shù)比可再生能源市場(chǎng)潛力略小P2/P3 1/2 (即0.5) 則C1-P矩陣為C1 | P1 | P2 | P3 P1 | 1 | 5 | 3 P2 | 1/5 | 1 | 1/2 P3 | 1/3 | 2 | 1同樣用和積法計(jì)算得到針對(duì)市場(chǎng)潛力的方案權(quán)重向量 W_C1-P [0.637, 0.105, 0.258]^T。計(jì)算過(guò)程略同理我們構(gòu)造并計(jì)算針對(duì)“技術(shù)壁壘(C2)”和“政策風(fēng)險(xiǎn)(C3)”的判斷矩陣得到 W_C2-P [0.333, 0.333, 0.333]^T (假設(shè)三者技術(shù)壁壘相當(dāng)) W_C3-P [0.250, 0.500, 0.250]^T (假設(shè)生物技術(shù)政策風(fēng)險(xiǎn)最高)3.3 步驟三層次總排序與決策現(xiàn)在我們將各層權(quán)重進(jìn)行合成得到每個(gè)方案相對(duì)于總目標(biāo)的最終權(quán)重即層次總排序。方案相對(duì)于C1的權(quán)重相對(duì)于C2的權(quán)重相對(duì)于C3的權(quán)重準(zhǔn)則權(quán)重總權(quán)重計(jì)算0.6370.1050.258(W_C10.655)0.3330.3330.333(W_C20.158)0.2500.5000.250(W_C30.187)P1(AI)0.6370.3330.2500.637*0.655 0.333*0.158 0.250*0.187 0.525P2(生物)0.1050.3330.5000.105*0.655 0.333*0.158 0.500*0.187 0.221P3(能源)0.2580.3330.2500.258*0.655 0.333*0.158 0.250*0.187 0.254計(jì)算結(jié)果顯示人工智能(P1)的綜合權(quán)重最高0.525其次是可再生能源(P3, 0.254)最后是生物技術(shù)(P2, 0.221。因此基于我們?cè)O(shè)定的準(zhǔn)則和判斷最佳投資領(lǐng)域是人工智能。3.4 步驟四一致性檢驗(yàn)以G-C矩陣為例我們不能忘記檢驗(yàn)。對(duì)于G-C矩陣我們需要計(jì)算其最大特征值λ_max來(lái)求CR。 已知權(quán)重向量W[0.655, 0.158, 0.187]^T原矩陣A。 計(jì)算AW AW的第一分量 10.655 50.158 30.187 0.655 0.790 0.561 2.006 第二分量 0.20.655 10.158 10.187 0.131 0.158 0.187 0.476 第三分量 0.3330.655 10.158 1*0.187 0.218 0.158 0.187 0.563λ_max的近似值 (1/n) * Σ[(AW)_i / W_i] (1/3) * (2.006/0.655 0.476/0.158 0.563/0.187) (1/3) * (3.063 3.013 3.011) (1/3) * 9.087 3.029CI (λ_max - n) / (n-1) (3.029 - 3) / 2 0.0145 查表3階矩陣的RI0.58。 CR CI / RI 0.0145 / 0.58 ≈ 0.025 0.1通過(guò)一致性檢驗(yàn)。其他矩陣也需按此方法檢驗(yàn)。4. AHP在MCM中的高階技巧與常見(jiàn)陷阱4.1 如何提升判斷矩陣的客觀性主觀性是AHP最受詬病的一點(diǎn)但在MCM中我們可以通過(guò)方法設(shè)計(jì)來(lái)極大緩解。德?tīng)柗品ㄑ?qǐng)多位“專(zhuān)家”可以是團(tuán)隊(duì)成員也可以是虛擬的特定角色獨(dú)立填寫(xiě)判斷矩陣收集后計(jì)算幾何平均數(shù)形成綜合矩陣。幾輪反饋后直至專(zhuān)家意見(jiàn)趨于穩(wěn)定。結(jié)合客觀數(shù)據(jù)不要純靠感覺(jué)打分。例如比較“城市GDP增長(zhǎng)率”的重要性可以直接用歷史數(shù)據(jù)的標(biāo)準(zhǔn)差、均值比來(lái)輔助確定標(biāo)度。比如A城市平均增長(zhǎng)率是B城市的1.5倍那么重要性標(biāo)度可以初始設(shè)為3稍微重要再根據(jù)其他因素微調(diào)。使用改進(jìn)標(biāo)度法1-9標(biāo)度雖經(jīng)典但有時(shí)區(qū)分度不夠。可以考慮使用指數(shù)標(biāo)度或分?jǐn)?shù)標(biāo)度但必須在論文中說(shuō)明理由。4.2 靈敏度分析讓模型結(jié)果更穩(wěn)健在MCM論文中僅僅給出一個(gè)最終權(quán)重結(jié)果是遠(yuǎn)遠(yuǎn)不夠的。你必須證明你的結(jié)論是穩(wěn)健的不是由某個(gè)脆弱的假設(shè)決定的。這就是靈敏度分析的用武之地。單因素靈敏度分析選擇你認(rèn)為最不確定或最重要的某個(gè)判斷標(biāo)度比如“市場(chǎng)潛力比技術(shù)壁壘5”讓這個(gè)值在合理范圍內(nèi)變動(dòng)比如從3變到7觀察最終方案的排序是否發(fā)生變化。如果排序很穩(wěn)定說(shuō)明你的結(jié)論可靠如果某個(gè)臨界點(diǎn)會(huì)導(dǎo)致排序反轉(zhuǎn)你就要在論文中重點(diǎn)討論這個(gè)不確定性。蒙特卡洛模擬對(duì)判斷矩陣中的每個(gè)元素設(shè)定一個(gè)可能的分布例如認(rèn)為標(biāo)度5實(shí)際上可能是4到6之間的均勻分布然后進(jìn)行成千上萬(wàn)次隨機(jī)模擬統(tǒng)計(jì)每個(gè)方案成為第一名的概率。這能給出一個(gè)更具說(shuō)服力的概率化結(jié)論。4.3 AHP與熵權(quán)法、TOPSIS的聯(lián)用這是MCM中拿高分的關(guān)鍵策略。AHP主觀賦權(quán)和熵權(quán)法客觀賦權(quán)各有優(yōu)劣將它們結(jié)合可以揚(yáng)長(zhǎng)避短。AHP確定主觀權(quán)重W_subjective如上文所述基于專(zhuān)家知識(shí)判斷。熵權(quán)法確定客觀權(quán)重W_objective根據(jù)各方案在不同準(zhǔn)則下的實(shí)際數(shù)據(jù)計(jì)算信息熵從而得到權(quán)重。熵權(quán)法的核心是指標(biāo)數(shù)據(jù)差異越大其攜帶的信息越多權(quán)重也應(yīng)越大。組合權(quán)重將主客觀權(quán)重以一定比例結(jié)合例如W_combined α * W_subjective (1-α) * W_objective。系數(shù)α可以根據(jù)你對(duì)主觀經(jīng)驗(yàn)的信任程度來(lái)設(shè)定并可以在靈敏度分析中探討。使用TOPSIS進(jìn)行最終排序得到組合權(quán)重后不再用AHP的加權(quán)和而是采用TOPSIS法計(jì)算各方案與理想解的貼近度來(lái)排序。TOPSIS能同時(shí)考慮方案與正理想解的距離和與負(fù)理想解的距離比簡(jiǎn)單加權(quán)和更能體現(xiàn)方案的相對(duì)優(yōu)劣。這種“AHP主觀熵權(quán)法客觀TOPSIS排序”的組合拳模型層次豐富考慮周全極易在MCM論文中脫穎而出。4.4 MCM實(shí)戰(zhàn)中的常見(jiàn)陷阱與應(yīng)對(duì)層次結(jié)構(gòu)不合理準(zhǔn)則層元素過(guò)多超過(guò)7個(gè)或過(guò)少元素間存在強(qiáng)相關(guān)性。應(yīng)對(duì)通過(guò)聚類(lèi)分析合并相似準(zhǔn)則確保每層元素?cái)?shù)在3-7個(gè)為佳。判斷矩陣隨意填寫(xiě)為了湊數(shù)而胡亂打分導(dǎo)致CR值巨大。應(yīng)對(duì)制定詳細(xì)的打分規(guī)則和依據(jù)表每項(xiàng)比較都必須有數(shù)據(jù)或邏輯支撐并記錄在附錄中。忽略一致性檢驗(yàn)這是新手最常犯的致命錯(cuò)誤。應(yīng)對(duì)將CR檢驗(yàn)作為強(qiáng)制步驟寫(xiě)入算法流程并在論文中明確展示所有矩陣的CR值。對(duì)結(jié)果過(guò)度解讀認(rèn)為權(quán)重0.501的方案就一定比0.499的方案“好”。應(yīng)對(duì)認(rèn)識(shí)到AHP結(jié)果是一種基于特定假設(shè)的“排序參考”結(jié)合靈敏度分析說(shuō)明排序的穩(wěn)健區(qū)間。在結(jié)論中采用“在既定準(zhǔn)則和判斷下方案A傾向于更優(yōu)”的謹(jǐn)慎表述。計(jì)算過(guò)程黑箱化只給出最終權(quán)重表不展示任何中間計(jì)算過(guò)程。應(yīng)對(duì)在論文正文中簡(jiǎn)要展示一個(gè)關(guān)鍵矩陣如G-C矩陣的完整計(jì)算和檢驗(yàn)過(guò)程其余可放在附錄體現(xiàn)工作的透明性和可重復(fù)性。5. 從理論到論文AHP結(jié)果的有效呈現(xiàn)在MCM論文中如何展示AHP工作直接決定了評(píng)委對(duì)你建模能力的評(píng)價(jià)。圖表化呈現(xiàn)務(wù)必繪制清晰的層次結(jié)構(gòu)圖。使用三線表格展示判斷矩陣和權(quán)重計(jì)算結(jié)果。總排序結(jié)果可以用柱狀圖或雷達(dá)圖直觀展示。流程化描述在“模型建立”部分用清晰的步驟描述AHP的應(yīng)用流程并配上公式。例如“Step 1: Establish the hierarchical structure... Step 2: Construct pairwise comparison matrices using the 1-9 scale... Step 3: Calculate the weight vector and perform the consistency check (CR0.1)...”突出關(guān)鍵分析將“靈敏度分析”單獨(dú)作為一小節(jié)。用折線圖展示關(guān)鍵標(biāo)度變化時(shí)總排序權(quán)重的變化并指出排序穩(wěn)定的區(qū)間和發(fā)生逆轉(zhuǎn)的臨界點(diǎn)。討論局限性在“模型評(píng)估”部分客觀討論AHP的主觀性局限并說(shuō)明你通過(guò)德?tīng)柗品ā⒔Y(jié)合客觀數(shù)據(jù)、進(jìn)行靈敏度分析等方式已在多大程度上 mitigates緩解了這些局限。這體現(xiàn)了批判性思維。附錄的利用將所有判斷矩陣的原始數(shù)據(jù)、所有一致性檢驗(yàn)的計(jì)算過(guò)程整齊地放在附錄中。這既保證了正文的簡(jiǎn)潔又滿足了評(píng)審對(duì)嚴(yán)謹(jǐn)性的要求。最后我個(gè)人最深刻的一個(gè)體會(huì)是AHP與其說(shuō)是一個(gè)給出“正確答案”的模型不如說(shuō)是一個(gè)結(jié)構(gòu)化團(tuán)隊(duì)思維、凝聚共識(shí)、并讓決策過(guò)程變得可追溯、可討論的絕佳工具。在MCM高壓的團(tuán)隊(duì)合作中它迫使我們將感性的爭(zhēng)論轉(zhuǎn)化為理性的比較和計(jì)算。當(dāng)屏幕上跳出那個(gè)通過(guò)一致性檢驗(yàn)的權(quán)重結(jié)果時(shí)往往就是團(tuán)隊(duì)從分歧走向共識(shí)的時(shí)刻。把這個(gè)工具用好你收獲的將不僅僅是一個(gè)模型分?jǐn)?shù)更是一套解決復(fù)雜決策問(wèn)題的思維框架。