TOPSIS评价法实战：用MATLAB帮你选最优供应商（从数据清洗到结果解读全流程）

TOPSIS评价法实战：用MATLAB帮你选最优供应商（从数据清洗到结果解读全流程）

在商业决策中，供应商选择往往涉及多个相互冲突的指标——价格、质量、交货期、服务水平等。传统的主观打分法容易受个人偏好影响，而简单的加权平均又难以反映指标间的复杂关系。这时，TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）方法就能大显身手。它通过计算各方案与理想解的接近程度，给出客观、量化的排序结果。本文将带你用MATLAB完整实现这一流程，从原始数据到可执行的商业决策。

1. 理解TOPSIS：为什么它适合供应商评估

TOPSIS的核心思想直白而有力：最好的方案应该离理想解最近，同时离负理想解最远。想象一个三维空间，每个供应商就是空间中的一个点，各坐标轴代表不同评价指标。理想解是所有指标都取最优值的点，负理想解则是所有指标都取最劣值的点。

这种方法特别适合供应商评估，因为：

• 多指标整合：能同时考虑成本型指标（如价格，越小越好）和效益型指标（如质量评分，越大越好）
• 结果直观：最终输出的接近度得分在0到1之间，1表示完全理想，0表示完全不理想
• 抗干扰性强：对数据分布没有严格要求，不易受极端值过度影响

举个简单例子：评估4家笔记本电脑供应商，主要看价格、续航、售后评分三个指标：

通过TOPSIS，我们可以量化比较这些各有所长的供应商，找出综合最优解。

2. 数据准备：清洗与标准化

真实数据往往存在缺失值、量纲不一等问题。在MATLAB中，我们可以系统化处理这些挑战。

2.1 处理缺失数据

供应商数据常见的缺失情况包括：

• 新供应商缺少历史交货记录
• 某些专项检测数据未全覆盖
• 人工录入时的遗漏

% 示例：用列均值填充缺失值 raw_data = [2.1 NaN 3.4; 1.8 4.2 2.9; NaN 3.7 4.0]; col_means = nanmean(raw_data, 1); filled_data = raw_data; for i = 1:size(raw_data,2) filled_data(isnan(raw_data(:,i)),i) = col_means(i); end

提示：对于关键指标（如质量检测数据），建议采用更复杂的插值方法或直接联系供应商补充，而非简单均值填充。

2.2 数据标准化

不同指标量纲差异巨大——价格可能是万元级，而质量缺陷率是百分比。常用标准化方法包括：

1. 向量归一化（TOPSIS经典方法）：

   norm_data = data ./ sqrt(sum(data.^2, 1));

2. 极差法（适合有明显上下限的指标）：

   min_vals = min(data,[],1); max_vals = max(data,[],1); norm_data = (data - min_vals) ./ (max_vals - min_vals);

实际选择时：效益型指标（越大越好）直接标准化，成本型指标（越小越好）需先取倒数或负向处理。

3. 权重确定：结合熵权法与专家意见

指标权重直接影响最终排序。推荐熵权法（客观）与AHP（主观）结合的方式：

3.1 熵权法实现

熵权法通过数据自身波动确定权重，波动越大（信息量越多）的指标权重越高：

function weights = entropy_weight(data) % 数据标准化 P = data ./ sum(data,1); % 计算熵值 k = 1/log(size(data,1)); E = -k * sum(P .* log(P + eps), 1); % 加eps避免log(0) % 计算差异系数和权重 d = 1 - E; weights = d / sum(d); end

3.2 权重调整技巧

• 业务优先级调整：对战略采购，可能人为提高质量权重
• 分层加权：先对指标分类（如经济类、技术类），类内用熵权法，类间用AHP
• 敏感性测试：微调权重观察排序稳定性

表：某汽车零部件采购的最终权重设置

4. MATLAB完整实现与结果解读

整合前述步骤，下面是可直接运行的TOPSIS函数：

function [closeness, rank] = topsis_eval(data, cost_indices, weights) % data: 原始数据矩阵（行=方案，列=指标） % cost_indices: 成本型指标列号（越小越好） % weights: 指标权重向量 % 1. 数据标准化 norm_data = data ./ sqrt(sum(data.^2, 1)); % 2. 处理成本型指标 norm_data(:,cost_indices) = 1 ./ norm_data(:,cost_indices); % 3. 加权标准化 weighted_data = norm_data .* weights; % 4. 确定理想解 ideal = max(weighted_data,[],1); neg_ideal = min(weighted_data,[],1); % 5. 计算距离 D_ideal = sqrt(sum((weighted_data - ideal).^2, 2)); D_neg = sqrt(sum((weighted_data - neg_ideal).^2, 2)); % 6. 计算接近度 closeness = D_neg ./ (D_ideal + D_neg); % 7. 排序 [~, rank] = sort(closeness, 'descend'); end

4.1 可视化与业务解读

用实际数据演示：

% 模拟数据：5家供应商在4个指标的表现 data = [85 7.2 95 4.3; % 供应商A 78 6.8 92 4.1; % 供应商B 90 7.5 97 4.6; % 供应商C 82 7.0 94 4.4; % 供应商D 88 7.3 96 4.5]; % 供应商E % 指标说明：[价格(万) 交货期(天) 合格率(%) 服务评分(5分制)] cost_cols = [1 2]; % 价格和交货期是成本型指标 weights = [0.3 0.2 0.3 0.2]; [score, rank] = topsis_eval(data, cost_cols, weights); % 可视化 figure bar(score) set(gca,'xticklabel',{'A','B','C','D','E'}) title('供应商TOPSIS评分') xlabel('供应商'), ylabel('接近度') grid on

向非技术高管解释结果：

"这份评估显示，供应商C的综合表现最佳（接近度0.72）。虽然它的报价不是最低，但在质量合格率（97%）和服务响应（4.6分）上优势明显。排名第二的E在价格和交货期上更平衡，适合对成本敏感的项目。"

5. 进阶技巧与常见陷阱

5.1 动态权重调整

对于长期合作的供应商，可以引入时间维度：

% 计算各季度权重变化 quarterly_weights = zeros(4, size(data,2)); for q = 1:4 quarterly_data = data(q:4:end, :); quarterly_weights(q,:) = entropy_weight(quarterly_data); end % 绘制权重演变 figure plot(quarterly_weights', 'LineWidth',2) legend({'价格','交货期','合格率','服务'}) title('季度指标权重变化') xlabel('季度'), ylabel('权重')

5.2 避免的常见错误

• 量纲未统一：物理量纲不同会导致距离计算失真
• 权重主观性过强：建议用熵权法基准检验人工权重
• 忽略指标相关性：高度相关的指标会变相放大某些特征
• 结果过度解读：接近度相差0.05内的供应商实际差异可能不大

5.3 与其他方法结合

• DEA交叉验证：用数据包络分析检验TOPSIS结果
• 蒙特卡洛模拟：对权重进行概率分布假设，测试排序稳定性
• 群体决策：整合多个部门的权重设置，求帕累托最优

在实际项目中，我发现最耗时的环节往往不是算法实现，而是确保数据质量和统一各部门对指标的理解。曾有个案例，因为采购部和质量部对"交货准时"的定义不同（前者按承诺日期，后者按需求日期），导致初期结果严重偏差。后来我们增加了详细的指标说明文档，并为每个指标明确数据采集规范，最终结果得到了跨部门认可。