多准则决策分析（MCDA）的理论与应用
在面对复杂决策时，人类大脑往往难以同时权衡多个相互冲突的变量。例如，在选择住房时，购房者需要在月度开销、通勤时间、空间大小和安静程度之间进行妥协。这种多属性、多目标的决策场景在管理学中被称为多准则决策分析（Multi-Criteria Decision Analysis, MCDA）。
传统的直觉决策容易受到锚定效应或证实偏差等认知偏差的影响。决策矩阵（又称加权选择矩阵）通过将定性的偏好转化为定量的模型，使决策过程结构化。它要求决策者明确列出所有备选项，定义统一的评估维度，并为这些维度分配权重，从而让所有的假设和权衡过程变得公开透明。
评估维度的确立与规范
构建决策矩阵的第一步是确定评估维度。评估维度的选择应当遵循“彼此独立、完全穷尽”的原则，避免维度之间的重叠导致某些因素被重复计算。
在使用“决策矩阵生成器”时，您可以根据实际需求自定义评估维度名称。如果留空，系统会自动将其命名为“评估维度 ‹n›”。为了确保评估的客观性，建议将维度数量控制在关键的几个指标内。在实际操作中，可以通过加载内置示例来快速理解维度的设定，此时系统会弹出确认提示：“确定要用示例替换当前的矩阵吗？”。确认后，系统会显示“示例已加载 — 请将其替换为您自己的备选项。”，并载入诸如“月度开销”、“通勤时间”等典型维度。
权重计算与比例关系
权重反映了决策者对各个评估维度相对重要性的主观偏好。在“决策矩阵生成器”中，权重的设置具有极大的灵活性：
- 比例原则：权重可以输入任意正数，系统仅计算它们之间的比例关系。例如，为四个维度分别分配 5, 4, 3, 2 的权重，其计算结果与分配 50, 40, 30, 20 完全相同。
- 权重占比（Weight Share）：系统会自动将每个评估维度的权重除以所有权重之和，从而计算出该维度在整体决策中所占的百分比。
- 异常处理：权重必须为零或正数。如果输入了无效的负数或非数字字符，系统会将其按 0 计算，并触发错误提示：“权重必须为零或正数。无效的权重按 0 计算。”。如果所有维度的权重都被设为 0，系统将无法进行比较，并显示：“请设置至少一个大于 0 的权重以计算排名。”。
评分标准与加权得分算法
为了保证不同维度之间的数据具有可比性，必须采用统一的度量衡。本工具采用 1 到 10 分的评分制，分数越高代表表现越好。
评分规则
- 空白单元格：未评分的空白单元格在计算时默认按 0 分处理。
- 值域限制：所有评分必须在 1 到 10 之间。如果输入的数值超出此范围，该单元格将不计入总分，并显示错误提示：“评分必须在 1 到 10 之间。超出范围的单元格不计入总分。”。
算法公式
每个备选项的最终“加权得分”计算公式如下：
加权得分 = Σ(i = 1..n) ( 评分_i × (权重_i) / (Σ(j = 1..n) 权重_j) )
该算法将最终得分重新映射回 1–10 的区间，使决策者能够直观地评估每个备选项的整体优劣。
排名稳定性与敏感性分析
决策矩阵不仅能给出当前的排名结果，还能通过敏感性分析展示决策的健壮性。在实际决策中，权重往往带有主观性，而“排名稳定性”读数能够告诉我们，权重的微小改变是否会颠覆最终的决定。
根据矩阵中数据的完整性与分布，系统会实时输出不同的稳定性状态：
| 场景/状态 | 系统输出信息 |
|---|---|
| 仅评分了一个备选项 | “为第二个备选项评分以测试领先优势的稳定性。” |
| 领先优势极度稳固 | “单一权重的改变无法动摇领先地位。” |
| 权重上升导致反超 | “如果 ‹criterion› 占总权重的比例上升到 ‹share› 以上，‹rival› 将反超领先。” |
| 权重下降导致反超 | “如果 ‹criterion› 占总权重的比例下降到 ‹share› 以下，‹rival› 将反超领先。” |
通过观察这些临界点，决策者可以识别出哪些维度是“最大影响因素”，从而针对这些高敏感度指标进行更深一步的论证。
常见问题解答
这个工具会替我做决定吗？ 不会。它只是将您输入的数字相加，以便直观地展示各种权衡。如果排名第一的选项感觉不对，您可以将其视为一个信号，去重新审视某个权重或评分 — 矩阵的作用是让这些假设变得清晰明确，而不是替您做决定。
加权得分是如何计算的？ 每个评估维度的权重都会除以所有权重的总和，因此只有比例关系会起作用 — 比如 5, 4, 3, 2 的权重与 50, 40, 30, 20 的效果完全相同。每个评分都会乘以其对应评估维度的权重占比，而备选项的加权得分即为这些乘积的总和，并同样以 1–10 的区间呈现。
我以后可以继续编辑矩阵吗？ 是的 — 矩阵保存在此浏览器的本地存储中，因此您可以关闭页面并在以后随时继续。使用“清空”可以将其抹去，或者您也可以清除浏览器的网站数据。
排名稳定性读数代表什么意思？ 对于当前领先的选项，它显示了某个评估维度的权重占比需要变动多少，才会导致另一个备选项反超。如果反超临界点非常遥远 — 或者根本不存在临界点 — 说明当前的排名非常稳健；如果临界点很近，则意味着对权重微小的想法改变就会改变最终的排名结果。