Linear Programming for Multi-Criteria Assessment with Cardinal and Ordinal Data: A Pessimistic Virtual Gap Analysis

本文提出了一种基于线性规划的两步虚拟差距分析（VGA）方法，通过整合基数与序数数据并从悲观视角评估多准则决策问题，旨在有效克服主观偏见并可靠地优先排序备选方案。

要点

这篇文章介绍了一种全新的、更聪明的方法，用来给各种“选手”（比如公司、学校、甚至笔记本电脑）打分和排名。

想象一下，你正在举办一场**“全能大比拼”**，但这次比赛有个大麻烦：

1. 规则很乱：有的项目是看谁花钱少（比如重量），有的看谁赚得多（比如销量）。
2. 数据很杂：有的数据是精确的数字（比如 5.2 公斤），有的却是模糊的感觉（比如“非常满意”、“一般”、“不满意”）。
3. 裁判有私心：以前的打分方法，往往需要裁判先拍脑袋定个“权重”（比如觉得销量比重量重要 3 倍），这很容易带有主观偏见，导致结果不公平。

这篇论文提出的新方法叫**“虚拟差距分析”（Virtual Gap Analysis, VGA），它就像是一个“铁面无私的超级裁判系统”**。

核心比喻：两个阶段的“淘汰赛”

这个方法不像以前那样一次性把所有选手排好，而是分两步走，像一场精心设计的淘汰赛，专门为了找出**“最差的”**并把它踢出局。

第一阶段：找出“差生圈” (Stage I: The "Worst Practice" Filter)

• 场景：想象你在检查一群学生。你问：“如果我们要把大家的成绩都拉低（增加投入、减少产出），谁是最容易掉队的？”
• 操作：系统会计算每个选手与“完美表现”之间有一个**“虚拟差距”**。
  • 如果差距是 0：说明这个选手已经处于“差生圈”的边缘了，它和那些表现最差的选手在同一个水平线上，谁也别说谁。
  • 如果差距 大于 0：说明这个选手还不错，它离“差生圈”还有一段距离，可以暂时安全。
• 结果：系统把所有“差距为 0"的选手挑出来，组成一个**“最弱联盟”**（Worst DMUs）。其他表现好的选手直接晋级，不用管了。

第二阶段：在“差生圈”里比谁更差 (Stage II: The "Hypo-Virtual Gap" Showdown)

• 场景：现在剩下的都是“差生圈”里的选手。这时候，我们要找出**“差生中的差生”**（最该被淘汰的那个）。
• 操作：系统会问：“在这些差生里，谁需要最大的努力（比如减少多少投入、增加多少产出）才能追上其他差生？”
  • 这里计算的是一个**“超虚拟差距”**。
  • 差距越大，说明你离“及格线”越远，你越差。
• 结果：找出那个差距最大的人，他就是**“垫底王”**，直接淘汰。

为什么要这么做？（它的厉害之处）

1. 拒绝“拍脑袋”定权重：

   • 以前的方法像：裁判说“我觉得销量占 60%，重量占 40%"。
   • 这个方法像：裁判说“我不预设任何权重，我让数学模型自己算出在什么情况下，大家能公平地站在同一起跑线上。”它通过线性规划（一种数学优化技术）自动找到最公平的“虚拟价格”。

2. 能处理“模糊”数据：

   • 以前很难把“非常满意”（1-5 分）和“卖了 1000 台”放在一起算。
   • 这个方法把“非常满意”这种序数数据（Ordinal Data）也变成了可以计算的“虚拟价格”，就像把“心情”也折算成了“钱”一样，让所有数据都能同台竞技。

3. 不怕“异类”：

   • 如果一群选手里，有的卖苹果，有的卖香蕉，以前很难比。
   • 这个方法承认大家的**“异质性”（Heterogeneity），它不强行把苹果和香蕉比，而是看每个选手在自己的领域**里，离“最差表现”还有多远。

举个生活中的例子

假设你要给6 款笔记本电脑排名，要淘汰掉最烂的一款：

• 指标：重量（越轻越好，数字）、电池续航（越长越好，数字）、外观颜值（1-5 分，主观评价）、销量（数字）。

传统方法：可能会争论“颜值”到底值多少钱，导致排名忽高忽低。

这篇论文的方法（VGA）：

1. 第一轮：系统算出，A、B、C、D、E、F 六款电脑中，有 5 款（比如 B, D, G, H, K）的“虚拟差距”是 0。这意味着它们都处在“表现最差”的同一水平线上，谁也别说谁好。而 A 款电脑差距很大，说明它很优秀，直接晋级。
2. 第二轮：系统盯着那 5 款“差生”（B, D, G, H, K）。它计算谁需要最大的改动（比如把重量增加 2 公斤，把销量减半）才能变成“最差的”。
3. 结论：计算发现，D 款电脑需要的改动最大（虚拟差距最大）。
4. 行动：D 款电脑就是**“最差的”**，把它淘汰掉！

总结

这篇论文就像发明了一套**“自动去伪存真”的数学筛子**。它不需要裁判的主观判断，就能在混杂着数字和主观评价的复杂数据中，精准地找出谁是最差的，并一步步把大家排好序。

这对于政府决策、企业选供应商、或者学校评估绩效都非常有用，因为它客观、公平，而且能处理各种乱七八糟的数据。简单来说，就是让数据自己说话，让偏见无处遁形。

技术摘要

论文技术总结

1. 研究背景与问题 (Problem)

多准则评估（MCA）广泛用于根据多个标准对备选方案（决策单元，DMUs）进行排序。然而，现有的主流方法（如多准则决策 MCDM、随机前沿分析 SFA、数据包络分析 DEA）存在以下显著局限性：

• 主观性与偏差：参数估计常受主观判断和偏见影响，导致结果可靠性下降。
• 数据异质性处理困难：现有方法难以同时有效处理基数数据（Cardinal Data，定量指标）和序数数据（Ordinal Data，定性指标，如李克特量表）。
• 单位不一致性：在 DEA 等半参数方法中，目标函数中的输入和输出单位往往不统一，违反了线性规划的基本原理。
• 悲观视角的缺失：大多数方法侧重于“最佳实践”（Best Practice），缺乏从“最差实践”（Worst Practice）角度识别并剔除最不利方案的系统性方法。
• 同质性假设：传统模型通常假设所有 DMU 具有同质性，难以处理决策矩阵中固有的异质性。

2. 方法论 (Methodology)

本文提出了一种基于线性规划（Linear Programming）的虚拟差距分析（Virtual Gap Analysis, VGA）框架，具体为w2c VGA 方法（基于悲观视角，处理基数与序数混合数据）。该方法采用**两阶段（Two-Stage）**流程：

• 核心概念：

  • 虚拟价格（Virtual Prices）：将输入和输出转化为统一的虚拟货币单位（$），消除量纲影响。
  • 虚拟差距（Virtual Gap）：定义为调整后的总虚拟输入与总虚拟输出之间的差额，作为非效率的度量。
  • 统一目标价格（Unified Goal Price, $\tau_o$）：通过两阶段计算确定，确保评估的公平性和一致性。

• 两阶段流程：

  • 第一阶段（Stage I）：识别“最差”与“非最差”DMU
    • 使用 owPT 模型（Ordinal-worst-Pure Technical，序数 - 最差 - 纯技术模型）。
    • 评估每个 DMU 在“最差实践”前沿下的表现。
    • 计算虚拟差距 $\Delta^{owPT}_o$。若 $\Delta = 0$，则该 DMU 被归类为“最差 DMU 集合”（$E_{owPT}$）；若 $\Delta > 0$，则为“非最差”。
    • 此阶段利用对偶规划确定参考 peers 和调整比率。
  • 第二阶段（Stage II）：在“最差”集合中进一步排序
    • 仅针对第一阶段识别出的 $E_{owPT}$ 集合中的 DMU 进行评估。
    • 使用 ohPT 模型（Ordinal-hypo-Pure Technical，序数 - 假设 - 纯技术模型）。
    • 计算超虚拟差距（Hypo-virtual gap）$\Delta^{ohPT}_o$。
    • 在此阶段，差距被标准化到 $[0, 1)$ 区间。差距越大（越接近 1），表示该 DMU 在“最差”群体中表现越差（即最需改进或剔除）。
    • 通过比较 $\Delta$ 值，确定集合中表现最差的 DMU。

• 数学特性：

  • 强互补松弛条件（SCSC）：确保原问题与对偶问题解的一致性。
  • 单位不变性（Unit Invariance）：评估结果不受输入输出计量单位（如吨 vs 千克）变化的影响。
  • 非参数化：不依赖预设的权重分布或统计分布假设。

3. 关键贡献 (Key Contributions)

1. 混合数据处理能力：首次系统性地提出了一种能同时处理基数数据（连续定量）和序数数据（如李克特量表定性评价）的线性规划模型，无需将定性数据强行转化为定量数据。
2. 悲观视角的评估框架：引入了从“最差实践”角度识别并剔除最不利方案的机制，填补了现有 MCA 方法在风险规避和剔除劣质选项方面的空白。
3. 消除主观偏差：通过线性规划自动推导“统一目标价格”和虚拟权重，完全消除了人为设定权重的主观性，保证了评估的客观性。
4. 解决 DEA 理论缺陷：修正了传统 DEA 模型中目标函数单位不一致的问题，通过虚拟价格机制确保了数学模型的严谨性。
5. 可扩展性与实时性：该方法计算效率高，能够处理大规模决策矩阵（如 200+ 列），并易于集成到 AI、IoT 和决策支持系统中。

4. 研究结果 (Results)

论文通过两个案例验证了方法的有效性：

• 案例一：最小化示例（6 款笔记本电脑）
  • 输入：重量（基数）、品牌感知（序数，1-6 分）。
  • 输出：销量（基数）、用户满意度（序数，1-4 分）。
  • 结果：成功识别出表现最差的 DMU（DMU-D）。通过两阶段分析，不仅给出了排名（$A \succ G \succ H \succ B \succ K \succ D$），还量化了每个单元需要调整的具体输入/输出比率（如增加销量、降低重量或改善品牌评分）。
• 案例二：大规模现实问题（中国 29 个省份能源效率）
  • 涉及 3 个输入和 3 个输出（其中包含一个序数指标）。
  • 结果：识别出 11 个“最差”省份，并进一步在第二阶段中确定 DMU1 为表现最差的省份（虚拟差距最大，需大幅调整）。
  • 验证了该方法在处理真实世界复杂、异质数据时的可靠性和可扩展性。

5. 意义与影响 (Significance)

• 理论意义：为多准则决策领域提供了一种全新的非参数化、基于线性规划的数学框架，解决了长期存在的定性/定量数据混合处理及主观权重设定的难题。
• 实践意义：
  • 决策支持：为管理者提供了一种客观、可解释的工具，用于快速识别并剔除低效或高风险的备选方案（如淘汰落后产能、剔除不合格供应商）。
  • 适应性：适用于工业 4.0、智慧城市等需要实时、动态决策的场景，特别是在数据不完整或存在异质性的环境下。
  • 公平性：通过消除人为偏见，提升了评估结果的公信力和可接受度。

总结：该论文提出了一种名为 w2c VGA 的创新方法，通过两阶段线性规划模型，实现了对混合数据（基数 + 序数）的客观、悲观视角评估。它不仅克服了传统 MCA 方法的理论缺陷，还提供了一个可操作、可扩展的框架，用于在复杂决策环境中精准识别并剔除最劣选项。