变异系数法

1. 方法概述

变异系数法（Coefficient of Variation Method）是一种以数据离散程度为基础的客观赋权方法。该方法认为，指标在样本中的波动越明显，其区分对象差异的能力越强，因而应赋予更高权重。相较主观打分式赋权，变异系数法更强调数据本身的统计特征，适用于多指标综合评价中的权重确定与结果排序。

2. 标准化处理

设 \(n\) 个评价对象、\(m\) 个指标，原始矩阵为

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

为消除量纲影响并统一指标方向，先进行同向化标准化。正向指标可表示为

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

负向指标可表示为

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

适度指标以目标值 \(x_j^*\) 为中心进行偏离映射：

$$ r_{ij}=1-\frac{|x_{ij}-x_j^*|}{d_j^{\max}} \tag{2.4} $$

其中 \(d_j^{\max}\) 表示该指标相对目标值的最大偏离幅度。经此处理后，指标具备统一可比性。

3. 变异系数与权重

对标准化后的第 \(j\) 个指标计算均值与标准差：

$$ \mu_j=\frac{1}{n}\sum_{i=1}^{n}r_{ij} \tag{3.1} $$

$$ \sigma_j=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(r_{ij}-\mu_j)^2} \tag{3.2} $$

变异系数定义为

$$ v_j=\frac{\sigma_j}{\mu_j} \tag{3.3} $$

据此可得指标权重

$$ w_j=\frac{v_j}{\sum_{j=1}^{m}v_j} \tag{3.4} $$

该权重体系反映了“离散程度越大、权重越高”的统计逻辑。

4. 综合得分与排序

在权重确定后，第 \(i\) 个对象的综合得分可表示为

$$ S_i=\sum_{j=1}^{m}w_j r_{ij} \tag{4.1} $$

通常 \(S_i\) 越大，表明对象整体表现越优。通过得分排序能够给出对象之间的相对位置，并据此识别优势组与短板组。

5. 结果解释

变异系数法的解释重点在于“权重差异与得分差异”的联动关系。若某指标权重较高，说明其在样本中具有较强区分度，对综合结论影响更大；若某对象在高权重指标上表现不足，其综合排名通常会受到显著影响。因而该方法不仅能给出排序结果，也能为关键指标识别提供清晰依据。

6. 适用性说明

该方法具有计算直观、客观性较强的特点，但其结果受样本分布影响较大。当数据中存在极端值或异常波动时，指标离散程度可能被放大，进而改变权重结构。为提高结论稳健性，可在正式分析中配合异常值检验或对比方法进行交叉验证。

7. 输出结果结构及写作对应关系

程序每次运行后会在 results/ 下生成独立时间戳文件夹，文件夹内包含一个 Excel 结果文件与三张 PNG 图像。该结构用于将同一次计算的表格与图统一归档，便于后续整理、查阅和引用。Excel 文件固定包含 Step 1_ 标准化矩阵、Step 2_ 均值与标准差、Step 3_ 变异系数、Step 4_ 权重、Step 5_ 综合得分 与 图表 六个工作表，能够完整反映从原始指标处理到最终排序的全过程。

Step 1_ 标准化矩阵 对应指标同向化与无量纲化后的结果，主要用于说明不同量纲数据如何进入同一比较尺度。Step 2_ 均值与标准差 用于刻画各指标在样本中的中心水平与波动强度，是解释指标离散程度差异的基础。Step 3_ 变异系数 直接给出各指标的离散性度量，可据此说明哪些指标具有更强的区分能力。Step 4_ 权重 给出归一化后的客观权重，是综合评价结论的核心参数来源。Step 5_ 综合得分 对应各对象最终评价结果，可直接支撑排序、分层和比较分析。图表 工作表用于在同一文件中汇总图像，便于文档归档和整体查阅。

目录下的三张图分别承担不同表达功能。权重分布图.png 用于展示权重结构与指标贡献差异，适合放在“权重结果分析”部分；综合得分分布图.png 用于展示不同对象的得分水平差异，适合放在“结果比较”部分；综合得分排序图.png 用于强调对象排序关系与头尾差距，适合放在“排序结论与分层讨论”部分。写作时可先给出 Step 4 与 Step 5 的表格结果，再插入对应图形强化比较关系，使定量结论与可视化证据保持一致。

8. 与程序实现一致的边界处理说明

为保证计算稳定性，程序在若干边界情形下采用了固定处理规则。若某指标为常数列，标准化分母为零时该列按有效值处理并限制在 \([0,1]\) 区间，避免异常值传播。均值接近零时，变异系数按稳健规则处理，避免出现无穷大或非数值结果。若全部指标的变异系数和为零，则权重退化为等权分配，以保证模型仍可输出可解释结果。上述规则意味着在极端样本条件下，结果依然可计算、可比较，但在写作中应明确说明数据特征与边界处理方式，以保证结论解释的完整性。

9. 实现说明与注意事项

当前项目中的变异系数法模块位于 具体的算法/variance_coefficient_desktop/core/variance_coefficient_calculator.py。其真实导出流程按 5 个步骤展开，并全部写入 Excel：

1. Step 1: 标准化矩阵
2. Step 2: 均值与标准差
3. Step 3: 变异系数
4. Step 4: 权重
5. Step 5: 综合得分

图像输出通常包括 权重分布图.png、综合得分分布图.png 与 综合得分排序图.png，并统一写入 Excel 的 图表 工作表。实现细节上需要特别注意：

1. 输入支持 Excel 和 CSV，第一列默认为评价对象。
2. 指标类型支持 正向指标 / 负向指标 / 适度指标，其中适度指标必须提供中性值。
3. 若某指标均值过小或全部变异系数之和接近 0，代码会执行数值保护或回退为等权分配。

因此，这个模块更准确的定位是“带综合得分和可视化导出的变异系数客观赋权分析系统”。

10. 论文写作建议

变异系数法在论文中建议作为客观赋权环节来使用，并将权重与综合得分排序结合解释。不要只给出 \(v_j\)，还应说明高离散指标为什么会对最终排序产生更大影响。

可直接改写使用的结果段落示例如下：

“本文采用变异系数法确定指标权重。结果表明，各指标离散程度存在明显差异，说明它们对样本差异的刻画能力并不一致。变异系数较高的指标获得了更高权重，对综合得分形成更强影响。结合综合得分排序可知，各评价对象在整体表现上呈现出较清晰的层次差异，说明所构建指标体系具有较好的区分能力。”

11. 单篇终审补充

11.1 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/variance_coefficient_desktop。
• 代表性结果目录建议绑定 具体的算法/variance_coefficient_desktop/results/变异系数法分析结果_20260221_235500。
• 表题应直接对应 变异系数法分析结果_20260221_235500.xlsx 的真实工作表：Step 1_ 标准化矩阵、Step 2_ 均值与标准差、Step 3_ 变异系数、Step 4_ 权重、Step 5_ 综合得分、图表、Charts_Index。
• 图题应优先绑定该目录下真实图：权重分布图.png、综合得分分布图.png、综合得分排序图.png。

11.2 终审说明

• 当前变异系数法是典型旧 desktop 目录结构，正式结果表、样本文件、图和 repro 产物均在同一结果目录内。
• 复现脚本实际为 repro_template_20260329_162616.py，其 FILE_PATH 写法为 repro_inputs/variance_sample.xlsx，输出写到 repro_outputs/variance_repro_output.xlsx。
• 因此论文附录若写复现口径，应使用“repro_inputs 输入副本 + repro_outputs 结果副本”的描述，而不是新模块常见的单脚本同目录导出。

11.3 全量强化补充

• 当前应锁定的首层主结果目录是 具体的算法/variance_coefficient_desktop/results/变异系数法分析结果_20260221_235500。主工作簿位于 具体的算法/variance_coefficient_desktop/results/变异系数法分析结果_20260221_235500/变异系数法分析结果_20260221_235500.xlsx。
• 主工作簿当前实际工作表为 Step 1_ 标准化矩阵、Step 2_ 均值与标准差、Step 3_ 变异系数、Step 4_ 权重、Step 5_ 综合得分、图表、Charts_Index。因此旧文中关于 “固定 6 张表” 的说法应以当前实盘为准，首层结果簿现在还额外保留了 Charts_Index。
• 当前首层实体图文件为 具体的算法/variance_coefficient_desktop/results/变异系数法分析结果_20260221_235500/权重分布图.png、综合得分分布图.png、综合得分排序图.png。复现图则位于首层 repro_outputs/ 中的同名文件。
• 当前 repro 脚本为 具体的算法/variance_coefficient_desktop/results/变异系数法分析结果_20260221_235500/repro_template_20260329_162616.py，其真实输入口径是 FILE_PATH = 'repro_inputs/variance_sample.xlsx'，输出口径是 OUTPUT_FILE = 'repro_outputs/variance_repro_output.xlsx'。对应输入副本位于首层 repro_inputs/variance_sample.xlsx。
• 因此这篇文档应明确区分：首层工作簿和三张首层图是主结果；repro_outputs/variance_repro_output.xlsx 及其中的三张复现图是由脚本再次生成的再生产物，不能与首层主结果混写。

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/variance_coefficient_desktop，核心类为 core/variance_coefficient_calculator.py 中的 VarianceCoefficientCalculator。软件实现的是基于标准化指标离散程度的变异系数赋权：第 1 列为评价对象，其余列为数值指标；先按指标类型转换到同向化口径，再计算每个指标的均值、标准差、变异系数、权重和综合得分。

该模块目录中还存在 core/critic_calculator.py，但当前变异系数法主流程应以 variance_coefficient_calculator.py 为准，不应把 CRITIC 的相关性冲突项写入变异系数法结果解释。

11.2 输入数据和指标设置

上传页支持 .xlsx/.xls/.csv，示例数据位于 uploads/variance_sample.xlsx 和 uploads/variance_sample.csv。数据要求：第 1 列为评价对象名称，后续列为数值型指标。指标列会被强制转为数值，存在缺失或非数值会导致分析失败。

指标类型包括：

• 正向指标：按 (x-min)/(max-min) 标准化。
• 负向指标：按 (max-x)/(max-min) 标准化。
• 适度指标：需要设置最优值，按 1-|x-v|/max_dev 转换并裁剪到 [0,1]。

若某列所有值相同，源码会将标准化值设为 1.0；若所有变异系数总和接近 0，则权重退化为平均权重。

11.3 输出结果和图表

运行后会生成类似 results/变异系数法分析结果_YYYYMMDD_HHMMSS/ 的目录。Excel 工作表包括：Step 1_ 标准化矩阵、Step 2_ 均值与标准差、Step 3_ 变异系数、Step 4_ 权重、Step 5_ 综合得分、图表。

图表通常包括：权重分布图.png、综合得分分布图.png、综合得分排序图.png。结果阅读顺序建议为：先看 Step 3_ 变异系数 判断各指标离散程度，再看 Step 4_ 权重，最后看 Step 5_ 综合得分 进行对象排序。

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”。复现导出会保留输入快照到 repro_inputs/，并使用当前指标类型和适度值复算结果。对应源码如下：

• core/variance_coefficient_calculator.py：变异系数法核心计算、图表和 Excel 导出。
• ui/upload_widget.py：数据上传、示例数据、内置 IndicatorSettingsWidget 指标类型配置和开始分析。
• ui/results_widget.py：结果展示、打开结果和导出复现代码。

11.5 适用边界

变异系数法强调指标的相对离散程度，适合客观赋权，但不代表业务重要性。若某指标均值很小，变异系数可能被放大；若样本量很少，标准差和变异系数稳定性不足。正式解释时应结合指标含义和样本规模。