层次分析法入门：从判断矩阵到权重计算全流程

聊一个特别常见的场景：手里有三份工作机会，薪资、发展、强度、地点各有千秋，怎么选都像是要凭感觉拍脑袋。这种问题，用“打分+加权”总觉得主观，用“数据建模”又没标签。这时候可以试试层次分析法——把复杂的多准则决策拆成目标、准则、方案三个层次，再用两两比较把模糊的判断变成一组可计算的权重，最后排出个明明白白的优先序。

这篇是第一讲，不讲冰山的细节，只把主干和最常用的操作讲透：怎么建层次结构，怎么填判断矩阵，怎么算权重、做一致性检验，以及最终怎么把方案层汇总出总分。适合刚接触AHP、上课听过但没真正算过的人，也适合想快速把它用到实际方案评审里的朋友。

1. 层次分析法到底是什么，为什么决策绕不开它

1.1 先从一个人人都会遇到的决策说起

假设要选一个项目方案，评价维度有成本、效率、风险、影响力。你会发现一个麻烦：成本低但效率未必高，效率高可能风险也高，风险低影响力又不突出。这时候常规做法是“给每个维度设权重，然后打分”。问题是，权重是怎么来的？拍脑袋定两个数字，说服力不够。

层次分析法换了一条路：不直接问你“成本权重多少、效率权重多少”，而是把评价维度两两拎出来，问“成本比效率重要多少”。人对绝对数字不敏感，但做相对比较很在行。1比3、3比5这种比较，普通人也能给出靠谱判断。AHP把这种判断填进矩阵，再通过数学方法提炼出权重，整个过程逻辑闭环，而且结果能复现、能解释。

1.2 AHP解决的是哪类问题

AHP处理的是“多准则决策(MCDM)”问题。凡是“多个方案、多个评价维度、没有统一计量单位”的选优问题，都可以套进去。

典型包括：

• 选址：多个候选地点，评价维度有租金、客流、租金成本、竞争密度。
• 采购与供应商评比：价格、质量、交期、售后。
• 工作机会选择：薪资、成长性、通勤、团队氛围。
• 课题立项评审：创新性、可行性、预期成果。
• 个人消费决策：买房、换车、旅游安排。

它不要求数据是精确的，反而擅长把定性的经验、偏好转化为定量数值。这也是它在管理、工程、教育评价里一直有生命力的原因。

1.3 AHP为什么能说服别人

很多方法算出了结果，但决策者不买账，因为“不知道你这个数字怎么来的”。AHP的好处是过程完全透明：每一个权重都是来自某个判断矩阵，每一个矩阵都能拿出来看是不是符合逻辑（一致性检验）。哪怕是拍脑袋，也是在结构化的规则下“拍”，事后能溯源，能修正，能形成讨论文档。

这套思路很像做菜：别人给你一道菜，你能说出配方，还能解释为什么这个配方比另一个配方靠谱。实践中，做方案评审、立项答辩，用AHP给结论撑腰，比干巴巴说“综合考虑，建议选B”要有力得多。

2. 建模第一步：把决策问题搭成三层树

2.1 目标层、准则层、方案层，缺一不可

AHP的标准结构是三层：

• 目标层：要解决的总问题，一句话说清。
• 准则层：评价好坏的维度，可以是多个，也可以再细分。
• 方案层：待选的若干选项。

拿选工作举例：

• 目标层：选择最满意的工作机会。
• 准则层：薪资待遇、发展空间、工作强度、通勤地点。
• 方案层：公司A、公司B、公司C。

我在实际项目里见过不少人上来就填矩阵，结果矩阵填完了，层次结构还是乱的。AHP最值得花时间的其实不是后面的计算，而是前面这棵树的搭建。树搭歪了，后面算得再精确，方向也是错的。

2.2 准则层不要贪多，控制在5到7个

认知心理学里有个“7正负2”的说法：人同时能稳定处理的组块数量有限。准则太多，两两比较的次数会爆炸。n个准则，要比较的次数是n(n-1)/2，5个是10次，7个是21次，9个是36次。填到后面，人会被自己的矛盾判断搞晕，一致性检验自然过不了。

我倾向于把准则控制在7个以内，如果遇到指标特别多的复杂问题，先把准则分类，比如“综合效益”下面再拆“经济效益”“社会效益”，形成多级层次结构，再逐级比较。

2.3 可选的细分层：当准则层太粗时

有些问题一个准则内部差异很大，比如“公司发展空间”里既包含行业前景、也包含个人晋升路径。这时候可以把“发展空间”拆成“行业增长”“岗位晋升”“培训体系”，作为准则层下面的子准则。

子准则的权重需要再建一个判断矩阵来计算。所以原则很简单：你能把准则解释清楚，就不拆；解释不清楚，或者一个准则内部明显混着多个概念，就拆。

2.4 搭建时最容易踩的三个坑

第一个坑叫“目标层和方案层混在一起”。比如目标写成“选择性价比高的手机”，方案却写“苹果、华为、小米”，问题不大；如果目标写成“买什么手机”，方案里还有个“不买，继续用旧手机”，这就乱了，因为“不买”没有评价维度。

第二个坑叫“准则层方向不统一”。有的指标越大越好，比如薪资、发展；有的越小越好，比如工作强度。方向不统一会在填矩阵时把自己绕晕，后面总排序时更是容易翻车。统一的做法是，把每个准则都描述成“越什么越好”的方向，比如“通勤方便程度”而不是“通勤时间”。

第三个坑叫“方案之间差异过大”。方案A和方案B如果是同类型的候选方案，比较起来才有意义。A和B根本不是解决同一目标的思路，硬拉一起比较，后面的判断矩阵你都不知道怎么填。

3. 判断矩阵怎么填：1-9标度与两两比较

3.1 标度表就是一张对照表

判断矩阵里每一项代表“行准则相对列准则的重要程度”，用1到9的标度来表示。标度含义如下：

举个例子，我认为“薪资”比“发展空间”明显重要，就在矩阵第一行第二列填5，那么对称位置（第二行第一列）自动填1/5。为什么是倒数？因为“发展空间”比“薪资”就应该是1/5重要，逻辑上是同一个判断的对称表达。

3.2 填矩阵的顺序感很重要

我的习惯是：先把矩阵里的“上三角”填完，然后直接写下面的倒数，不跳着填。跳着填容易漏，也容易把相等关系搞乱。

再看一遍矩阵的样子，四阶示例：

薪资 发展 强度 地点 薪资 1 3 5 7 发展 1/3 1 3 5 强度 1/5 1/3 1 2 地点 1/7 1/5 1/2 1

这个矩阵的意思是：薪资比发展稍微重要（3），比强度明显重要（5），比地点强烈重要（7）；发展比强度稍微重要（3），比地点明显重要（5）；强度比地点稍微重要（2）。

3.3 为什么矩阵经常填出前后矛盾

很多人第一次填判断矩阵都会遇到一个尴尬：填的时候觉得薪资远远大于地点，但发展又大于地点，算出来发现一致性很差。原因很简单，你给的是相对判断，但它们内部是联动的。A比B重要3倍，B比C重要5倍，那么A相对C就该是15倍左右。可标度表上限只有9，填不下，只能填7或9，这就带来了误差。

AHP并不要求绝对一致，只要求“大致一致”。一致性检验就是干这个的：看看偏差是不是在可容忍范围里。

3.4 准则方向反转，矩阵就翻车

“工作强度”这类准则，如果直接用原始数值填，容易填出反逻辑。规则是：比较矩阵永远按“谁更符合目标”来填，而不是按“谁数值更大”。

比如我们评价强度，目标是“强度低更好”，那么“公司A的工作强度比公司B更符合目标”时，就在对应位置填大于1。实际操作中，我总在矩阵上方先写一行备注：该准则按“工作强度越低越优”进行判断。避免填的时候脑子一热，填成“强度越大的公司分数越高”。

4. 权重计算与一致性检验：手算一遍才踏实

4.1 和积法：把判断矩阵变成权重

计算权重有特征根法、方根法、和积法等多种，结果差异很小。这里我演示最直观的和积法，也适合用Excel实现。

第一步，把每一列加起来。

以刚才的四阶矩阵为例：

• 列1之和：1 + 1/3 + 1/5 + 1/7 ≈ 1.6762
• 列2之和：3 + 1 + 1/3 + 1/5 ≈ 4.5333
• 列3之和：5 + 3 + 1 + 1/2 ≈ 9.5
• 列4之和：7 + 5 + 2 + 1 = 15

第二步，用每个元素除以它所在列的和，得到“归一化矩阵”，然后把每一行加起来再除以阶数n。

行1：1/1.6762 + 3/4.5334 + 5/9.5 + 7/15 ≈ 0.5966 + 0.6618 + 0.5263 + 0.4667；除以4，得到0.5629。

同样的方法，行2、行3、行4算出0.2672、0.1078、0.0622。这四个数就是薪资、发展、强度、地点的权重，合计约1。

到这里就可以初步得出结论：在这个人眼里，薪资权重约56%，发展约27%，强度和地点相对次要。这个权重分布其实很符合大多数求职者的直觉。

4.2 一致性检验：别让判断逻辑打架

权重算出来了，但矩阵是否合理，还要检验。

首先计算最大特征根λmax。做法是：用判断矩阵乘以权重向量，得到Aw，再看每个元素和权重的比值，求平均。

本例中，约算下来λmax ≈ 4.069。

然后计算一致性指标CI：

CI = (λmax - n) / (n - 1) = (4.069 - 4) / 3 = 0.023

再引入随机一致性指标RI。RI是大量随机矩阵的平均CI，与阶数有关，常用表如下：

最后得到一致性比例CR：

CR = CI / RI = 0.023 / 0.90 ≈ 0.026

判断标准：CR小于0.1，认为判断矩阵的一致性可接受；大于0.1，说明填矩阵的时候逻辑有明显矛盾，需要回查和调整。

n为1或2时，矩阵本身一定完全一致，不需要检验。

4.3 一致性不合格怎么调整

很多新手用软件算完发现CR超标，就机械地改几个数碰运气。我的调整办法是分三步走。

第一步，找到最离谱的判断。一般看“a> b > c”却出现“a相对c小于1”这种明显矛盾，先把这类改掉。

第二步，不要大幅度来回改同一个格子。你改一个位置，影响的是整个特征值。每次都小步调整，重新计算。

第三步，如果调了两轮还在0.15以上，建议放弃细节调整，重新审视判断矩阵是否合理。这种情况经常不是因为手误，而是你对准则之间的重要程度根本没想清楚。回到层次结构，重新考虑是否有些准则可以合并，或者你对某个方案的差异认知过于牵强。

4.4 遇事不决，写个小函数

手算只能搞定小矩阵，准则多、还要多个矩阵时，我习惯用Python跑。这里给一个可以直接用的版本：

import numpy as np def ahp(matrix): matrix = np.array(matrix, dtype=float) n = matrix.shape[0] # 归一化列 col_sum = matrix.sum(axis=0) norm = matrix / col_sum # 权重 = 行平均 weight = norm.mean(axis=1) # 最大特征值 aw = matrix.dot(weight) lambda_max = (aw / weight).mean() # 一致性 ci = (lambda_max - n) / (n - 1) ri_table = {1:0, 2:0, 3:0.58, 4:0.90, 5:1.12, 6:1.24, 7:1.32, 8:1.41, 9:1.45} ri = ri_table.get(n, 1.49) cr = ci / ri if ri else 0 print("权重：", weight) print("λmax：", lambda_max) print("CR：", cr) criteria = [ [1, 3, 5, 7], [1/3, 1, 3, 5], [1/5, 1/3, 1, 2], [1/7, 1/5, 1/2, 1] ] ahp(criteria)

输出结果基本和手算一致：权重约[0.563, 0.267, 0.108, 0.062]，CR小于0.1。实际项目里，我还会顺手加一个输出“每个矩阵的Aw”的功能，方便回查。

5. 方案层打分与层次总排序：走完最后一公里

5.1 方案层也要建判断矩阵

准则层权重算完之后，每个准则下面都要对方案做两两比较。假设方案是公司A、公司B、公司C，在“薪资”准则下，公司A比公司B薪水高不少，B比C高一些，那么矩阵可以是这样：

A B C A 1 2 4 B 1/2 1 3 C 1/4 1/3 1

算出来的方案权重约是：A=0.557，B=0.320，C=0.123。

“发展空间”下面可能是B公司最强，A和C差不多：

A B C A 1 1/3 1 B 3 1 3 C 1 1/3 1

权重是A=0.200，B=0.600，C=0.200。

“工作强度”下面，谁强度更低谁占优。如果C强度最低，B次之，A较高，权重可能是A=0.164，B=0.297，C=0.539。

“通勤地点”下面，如果A和B都方便，C较远，权重可以是A=0.400，B=0.400，C=0.200。

注意，每个方案层的矩阵都要单独做一致性检验，不是只检查准则层就够了。只是方案层矩阵阶数通常较小，CR一般比较好看。

5.2 层次总排序：把准则权重和方案权重合成

每个方案的总得分 = Σ(准则权重 × 该方案在该准则下的得分)。

汇总一下：

公司A总得分 = 0.563×0.557 + 0.267×0.200 + 0.108×0.164 + 0.062×0.400 ≈ 0.410。

公司B总得分 = 0.563×0.320 + 0.267×0.600 + 0.108×0.297 + 0.062×0.400 ≈ 0.397。

公司C总得分 = 0.563×0.123 + 0.267×0.200 + 0.108×0.539 + 0.062×0.200 ≈ 0.193。

排序结果：公司A > 公司B > 公司C。

看到结果的那一瞬间，别急着下结论。总排序权重最好再做一次总一致性检验，公式是：CR总 = Σ准则权重×对应方案矩阵的CI / Σ准则权重×对应方案矩阵的RI。本项目方案矩阵一致性都很好，总CR远小于0.1，结果可信。

5.3 分数不是真理，是帮你结构化讨论的参考

总排序完成后，我始终提醒自己一件事，也是讲课时常说的：AHP的输出不是“唯一正确答案”，而是“在当前判断下的自洽答案”。

它最大的价值其实是把决策过程显性化了。如果某个评审委员说“我不同意最终结果”，你可以把他有异议的准则翻出来：是权重定高了，还是某个比较矩阵填得不符合他的想法？这样讨论就从“我觉得就是B好”变成了“你觉得发展空间比薪资重要多少倍合适”，讨论的质量完全不同，方向也更清晰。

6. 常见问题排查与个人实战心得

6.1 常见问题速查表

6.2 建议在矩阵旁边留一张“填写备注”

我在做实际评审项目时，习惯在每个判断矩阵旁边附两句备注，比如“薪资指的是入职后三年内总包期望”“强度包括加班频率和通勤压力”。因为同一个维度，不同人理解可能差很远。

比如“发展空间”，有人理解成职位晋升，有人理解成能力成长。如果填矩阵的人和写备注的人理解不一致，后面再漂亮的计算也毫无意义。备注要写具体，写到别人看了也不会误解的程度。

6.3 和别的方法搭配使用效果更好

AHP不适合作“鸡肋填空题”。我真见过有人把100个指标塞进去，算出来的结果说服力很差。更务实的用法有几种。

第一种，AHP给权重，下面再配TOPSIS或加权得分，AHP负责把主观偏好量化，量化数据负责把差距拉大。

第二种，AHP用于计算主观权重，和客观权重（比如熵权法）做组合，这样可以避免完全依赖主观判断的批评，也能中和纯客观方法“数值高但不合常理”的缺点。

第三种，多个人参与时，用群组AHP的思路，每人填矩阵后取几何平均，而不是开会口头讨论出一个矩阵。几何平均能减少某个强势声音的主导。

6.4 我的一点体会

分享一个我踩过反复的坑：给一个方案排序类项目做咨询时，我第一轮只算了准则层权重就停了，直接拿各方案在数据表上的原始成绩评分加权。结果客户问“这个分数和你们的判断矩阵有什么关系，为什么方案C明明各项数据都看着不错，得分却垫底”。我回头检查才发现，问题出在方案层矩阵没有按数据逻辑填写，而是凭印象填，算出来的权重当然和实际数据矛盾。

一句话，AHP的精髓不是公式，而是“把决策逻辑说清楚”。真正花时间去推敲层次结构、判断方向、比较口径的人，最后计算都是几分钟的事；反而是那些一上来就急着套公式的人，最容易在结果解释上栽跟头。

第一讲先把这条主线跑通：建模、判断矩阵、权重计算、一致性检验、总排序。后面如果想继续深入，可以聊不一致矩阵的修复算法、指数标度、群组AHP，或者是和TOPSIS、熵权法的组合应用。方法论这块，学一套、练一套、用一套，比囤十套不落地要实在得多。