障碍度分析

1. 方法概述

障碍度分析用于识别影响系统提升的关键约束因素，其目标不是单纯给出综合得分，而是在既有评价基础上进一步回答“哪些指标构成主要短板”。该方法通过标准化、权重分配与偏离度分解，将总体不足量化为各指标的障碍贡献比例，从而为治理优先级排序提供依据。

2. 指标处理与权重设定

设 \(n\) 个评价对象、\(m\) 个指标，原始数据矩阵为

$$ X=(x_{ij})_{n\times m} \tag{2.1} $$

首先进行同向化标准化，得到无量纲矩阵 \(R=(r_{ij})\)。正向指标可用

$$ r_{ij}=\frac{x_{ij}-\min_i x_{ij}}{\max_i x_{ij}-\min_i x_{ij}} \tag{2.2} $$

负向指标可用

$$ r_{ij}=\frac{\max_i x_{ij}-x_{ij}}{\max_i x_{ij}-\min_i x_{ij}} \tag{2.3} $$

适度指标以目标值 \(x_j^*\) 为中心进行偏离映射，使其越接近目标值，标准化结果越高。权重可由客观方法得到，也可依据研究设计给定，只需满足

$$ \sum_{j=1}^{m}w_j=1,\quad w_j\ge 0 \tag{2.4} $$

3. 障碍度计算

指标偏离度定义为

$$ I_{ij}=1-r_{ij} \tag{3.1} $$

加权后得到指标障碍贡献的中间量

$$ G_{ij}=I_{ij}\cdot w_j \tag{3.2} $$

对象 \(i\) 的总偏离度为

$$ H_i=\sum_{j=1}^{m}G_{ij} \tag{3.3} $$

据此可定义指标障碍度

$$ Q_{ij}=\frac{G_{ij}}{H_i} \tag{3.4} $$

其中 \(Q_{ij}\) 表示在对象 \(i\) 的总体短板中，指标 \(j\) 所占的相对贡献。对同一对象而言，障碍度之和满足归一化关系。

4. 分析解释

障碍度值越高，表明该指标对系统改进的限制作用越强，治理优先级应越靠前。与综合评分相比，障碍度分析能够把“结果差异”进一步拆解为“原因差异”，因此更适合用于提出有针对性的改进路径。当研究对象具有时间或区域维度时，还可比较障碍结构的动态变化与空间异质性，以揭示瓶颈转移特征。

5. 适用性说明

障碍度分析依赖于前序标准化与权重设定的合理性，因此在解释结论时应同步报告指标方向、权重来源和数据处理规则。对于存在极端值、结构突变或样本差异过大的情形，建议进行稳健性检验，以提升结论的可信度与可推广性。

6. 输出结果结构及写作对应关系

程序每次运行后会在 results/ 下生成独立时间戳目录，目录内包含一个 Excel 结果文件、一张权重分析图与复现脚本。Excel 文件固定包含 原始数据、Step 1_ 标准化矩阵 X、Step 2_ 权重 Fj、Step 3_ 偏离度矩阵 I、Step 4_ 加权指标偏离度矩阵 G、Step 5_ 偏离度 H、Step 6_ 障碍度矩阵 Qij 与 图表 工作表；当程序识别到面板数据结构时，还会额外生成 按时间分组_障碍度矩阵 与 按地区分组_障碍度矩阵。

Step 2 到 Step 6 构成障碍度计算的核心证据链，能够清晰呈现“指标偏离—加权贡献—总偏离—障碍占比”的推导过程。写作时可将 Step 2_ 权重 Fj 与 Step 6_ 障碍度矩阵 Qij 作为正文核心结果表，Step 3 到 Step 5 放在附录用于完整复核。若存在面板数据，分组工作表可直接用于时间维度或区域维度的对比讨论，适合放在异质性分析小节。

权重分析图.png 用于展示指标权重结构，适合放在“权重来源与关键指标”部分；其作用是配合 Step 2 表格强化可视化表达。建议正文先报告表格结果，再插入图形，以保证定量结论与图形结论一致。

7. 与程序实现一致的边界处理说明

程序支持熵权法与自定义权重两种模式。采用自定义权重时，系统会校验权重和是否接近 1；采用熵权法时，若差异系数总和退化，会按稳健规则处理权重，避免计算失败。障碍度矩阵计算中对总偏离度采用防零除处理，保证 \(Q_{ij}\) 可计算且可比较。面板分组结果依赖对象命名格式的自动识别，因此在写作或复现时应保持对象命名规范一致，避免时间与地区维度识别偏差。

8. 实现说明与注意事项

当前项目中的障碍度模块位于 具体的算法/obstacle_desktop/core/obstacle_calculator.py。其真实实现不是只输出一张最终障碍度表，而是把障碍度模型拆解为完整的逐步证据链，Excel 中通常依次保留：

1. Step 1_ 标准化矩阵 X
2. Step 2_ 权重 Fj
3. Step 3_ 偏离度矩阵 I
4. Step 4_ 加权指标偏离度矩阵 G
5. Step 5_ 偏离度 H
6. Step 6_ 障碍度矩阵 Qij

若系统识别到时间或地区字段，还会额外生成 按时间分组_障碍度矩阵 与 按地区分组_障碍度矩阵。图像方面，当前版本主要输出 权重分析图.png，并将其写入 Excel 的 图表 工作表中。

需要注意的实现细节有：

1. 指标类型支持 正向指标 / 负向指标 / 适度指标。
2. 权重支持熵权法和自定义权重；自定义权重要求总和位于 \(0.998\sim1.002\) 区间。
3. 常数列不会直接报错，而是按稳健规则处理为常数 1，以避免偏离度与障碍度矩阵退化。

9. 论文写作建议

障碍度模型在论文中更适合作为“识别短板”的诊断工具来写，而不是单纯的排序方法。正文建议先给出权重，再给出主要障碍指标与障碍度排序，最后说明不同地区或时期的障碍差异。

可直接改写使用的结果段落示例如下：

“本文采用障碍度模型识别制约系统发展的关键障碍因素。结果表明，部分指标在加权偏离度和障碍度上均明显高于其他指标，说明其是影响系统提升的主要短板。进一步结合时间维度或地区维度的分组障碍度结果可以发现，障碍来源具有明显异质性，因此后续治理策略应围绕核心障碍因子实施分层分类改进。”

10. 单篇终审补充

10.1 图题与表题对齐建议

• 本文档应优先对应真实算法目录 具体的算法/obstacle_desktop。
• 代表性结果目录建议绑定 具体的算法/obstacle_desktop/results/obstacle_analysis_20260329_162006。
• 表题应直接对应 obstacle_analysis_20260329_162006.xlsx 的真实工作表：原始数据、Step 1_ 标准化矩阵 X、Step 2_ 权重 Fj、Step 3_ 偏离度矩阵 I、Step 4_ 加权指标偏离度矩阵 G、Step 5_ 偏离度 H、Step 6_ 障碍度矩阵 Qij、按时间分组_障碍度矩阵、按地区分组_障碍度矩阵、图表。
• 图题应直接绑定该目录中的 权重分析图.png。

10.2 终审说明

• 当前障碍度模块属于旧 desktop 结构，但结果目录内已经保留正式结果表、复现结果表、样本文件和 repro 脚本。
• 复现脚本实际为 repro_template_20260329_162006.py，其 DATA_FILE 写法为 repro_inputs/obstacle_sample.xlsx，输出写到 repro_outputs/obstacle_analysis_repro_20260329_162006.xlsx。
• 因此论文中若写复现方式，应说明这是“结果目录内 repro_inputs + repro_outputs 的老 desktop 风格复现链”。

10.3 全量强化补充

• 当前应锁定的主结果目录是 具体的算法/obstacle_desktop/results/obstacle_analysis_20260329_162006。主工作簿位于 具体的算法/obstacle_desktop/results/obstacle_analysis_20260329_162006/obstacle_analysis_20260329_162006.xlsx。
• 主工作簿当前实际工作表为 原始数据、Step 1_ 标准化矩阵 X、Step 2_ 权重 Fj、Step 3_ 偏离度矩阵 I、Step 4_ 加权指标偏离度矩阵 G、Step 5_ 偏离度 H、Step 6_ 障碍度矩阵 Qij、按时间分组_障碍度矩阵、按地区分组_障碍度矩阵、图表，与旧文列出的逐步证据链一致。
• 当前首层图文件只有一张，即 具体的算法/obstacle_desktop/results/obstacle_analysis_20260329_162006/权重分析图.png。写文档时不应再泛化为“多张图表目录”，因为当前磁盘上主目录只有这一张实体图。
• 当前 repro 脚本为 具体的算法/obstacle_desktop/results/obstacle_analysis_20260329_162006/repro_template_20260329_162006.py，其真实输入口径是 DATA_FILE = 'repro_inputs/obstacle_sample.xlsx'；对应输入副本位于首层 repro_inputs/obstacle_sample.xlsx。
• 当前复现再生产物位于 具体的算法/obstacle_desktop/results/obstacle_analysis_20260329_162006/repro_outputs/obstacle_analysis_repro_20260329_162006.xlsx，并伴随一张 具体的算法/obstacle_desktop/results/obstacle_analysis_20260329_162006/repro_outputs/权重分析图.png。因此正文若只引用主实验，应固定引用首层 obstacle_analysis_20260329_162006.xlsx 和首层 权重分析图.png，不要把 repro_outputs 里的再生产物混入正文。

11. 软件实现核查补充（2026-07）

11.1 当前软件实现口径

本软件当前对应的源码目录为 具体的算法/obstacle_desktop，核心类为 core/obstacle_calculator.py 中的 ObstacleCalculator。软件实现的是综合评价后的障碍度分解：先对指标数据进行正向化/标准化，再确定指标权重，计算偏离度、加权偏离度和各对象各指标的障碍度贡献。

当前界面强调“指标类型设置”和“权重方法选择”。权重可以选择熵权法自动计算，也可以使用自定义权重。适度指标需要提供最优值，否则无法完成对应指标的正向化。

11.2 输入数据、指标和权重

上传页支持 Excel/CSV，示例数据位于 uploads/obstacle_sample.xlsx、uploads/obstacle_sample.csv，并保留了 uploads/示例数据.xlsx。数据应以第 1 列作为评价对象或分组标识，后续列为数值型指标。若指标列存在非数值内容或缺失值，需要先清洗。

界面真实流程包括：选择数据文件或加载示例数据、设置指标类型、选择权重方法、执行分析。指标类型包括正向、负向、适度；自定义权重模式下应确保权重含义清晰并可归一化。

11.3 输出结果结构

程序会在 results/obstacle_analysis_YYYYMMDD_HHMMSS/ 下生成结果。Excel 主要工作表包括：原始数据、Step 1_ 标准化矩阵 X、Step 2_ 权重 Fj、Step 3_ 偏离度矩阵 I、Step 4_ 加权指标偏离度矩阵 G、Step 5_ 偏离度 H、Step 6_ 障碍度矩阵 Qij、按时间分组_障碍度矩阵、按地区分组_障碍度矩阵、图表。部分历史结果还包含 Charts_Index。

图表文件通常包含 权重分析图.png。结果页提供权重分布、障碍度矩阵、偏离度、计算过程等展示。论文或报告中建议把 Step 6_ 障碍度矩阵 Qij 作为核心解释表，用于说明主要障碍因子。

11.4 复现与源码对应关系

结果页提供“打开结果目录”“打开结果文件”“导出复现代码”。复现导出会在结果目录下创建 repro_inputs/ 和 repro_outputs/，并生成 repro_template_*.py。对应源码如下：

• core/obstacle_calculator.py：标准化、权重、偏离度和障碍度矩阵计算。
• ui/upload_widget.py：数据上传、示例数据、指标设置和权重方法入口。
• ui/indicator_settings_widget.py：指标类型与适度指标最优值设置。
• ui/weight_settings_widget.py：熵权法/自定义权重配置。
• ui/results_widget.py：结果页、打开结果和导出复现代码。

11.5 解释边界

障碍度结果是“相对于当前评价体系和权重”的障碍贡献，不是因果诊断。权重方法、指标方向和适度值会直接影响障碍度排序。若用于政策建议或业务改进，应先确认指标体系、权重和标准化口径合理。