Считать матрицу перцова

Матрица Перцова (иногда называют матрицей парных сравнений) – это квадратная симметричная матрица, элементы которой отражают относительную важность (приоритет) одной альтернативы по сравнению с другой. Данный инструмент широко применяется в методе анализа иерархий (МАИ, AHP) Томаса Саати, а также в различных задачах экономического и бизнес‑анализа.

Теоретические основы

1.1 Что такое парное сравнение?

Парное сравнение – процесс, в котором два элемента (альтернативы, критерии, факторы) сравниваются между собой по некоторому признаку (важность, стоимость, риск и т.д.). Результатом сравнения является числовая оценка, показывающая, насколько один элемент превосходит другой.

1.2 Как формируется матрица Перцова?

Для набора из n элементов создаётся матрица A = [a_{ij}] размером n × n, где:

• a_{ij} – степень важности элемента i по сравнению с элементом j;
• a_{ij} = 1 / a_{ji} (обратное значение), что делает матрицу согласованной по принципу взаимности;
• по диагонали a_{ii} = 1 (элемент сравнивается сам с собой).

Для оценки обычно используют шкалу Сатти (1‑9) или её дробные варианты.

1.3 Приоритетный вектор

Вектор w = (w_1, w_2, …, w_n) – набор весов (приоритетов), нормированных так, что ∑w_i = 1. Он вычисляется из матрицы Перцова и отражает относительную значимость каждого элемента.

Методы вычисления вектора приоритетов

2.1 Метод собственных векторов (Эйгенвекторный метод)

1. Найти собственное значение λ_max и соответствующий собственный вектор v матрицы A (решение уравнения A·v = λ·v).
2. Нормировать вектор: w_i = v_i / Σ v_i.

Этот метод основан на теореме Пирса: при полной согласованности λ_max = n.

2.2 Метод геометрических средних (ГМ)

1. Для каждой строки i вычислить произведение всех её элементов:
   
   Π_i = ∏_{j=1}^{n} a_{ij}.
2. Взять n-ую корень произведения:
   
   g_i = (Π_i)^{1/n} – геометрическое среднее строки.
3. Нормировать полученный набор:
   
   w_i = g_i / Σ_{k=1}^{n} g_k.

Метод ГМ проще в реализации и даёт практически те же результаты, что и собственный вектор, особенно при небольших n.

2.3 Оценка согласованности (CI и CR)

После получения вектора приоритетов проверяется, насколько матрица согласована:

• CI (Consistency Index) = (λ_max – n) / (n – 1).
• Сравнивают CI с RI (Random Index) – средним CI случайных матриц (таблица RI известна).
• CR (Consistency Ratio) = CI / RI.

Если CR ≤ 0,1 (10 %), то согласованность считается приемлемой. В противном случае рекомендуется пересмотреть оценки.

Пошаговый алгоритм расчёта матрицы Перцова

1. Определить набор элементов. Например, критерии выбора поставщика: Цена, Качество, Срок поставки, Репутация (n = 4).
2. Собрать парные сравнения. Эксперт оценивает каждый элемент относительно остальных, используя шкалу 1‑9.
3. Сформировать матрицу A. Заполнить верхнюю треугольную часть, а затем воспользоваться взаимностью a_{ij}=1/a_{ji}.
4. Вычислить вектор приоритетов. Выбрать один из методов (Эйгенвектор или ГМ).
5. Проверить согласованность. Вычислить λ_max, CI и CR.
6. При необходимости скорректировать оценки. Вернуться к шагу 2, если CR > 0,1.
7. Использовать полученные веса. Применить их в дальнейших расчётах (например, в агрегированных оценках альтернатив).

Пример расчёта (метод геометрических средних)

Шаг 1: Вычислим произведения строк:

• Для Цены: Π₁ = 1·(1/3)·3·5 = 5
• Для Качества: Π₂ = 3·1·5·7 = 105
• Для Срока поставки: Π₃ = (1/3)·(1/5)·1·2 = 2/15 ≈ 0,1333
• Для Репутации: Π₄ = (1/5)·(1/7)·(1/2)·1 = 1/70 ≈ 0,01429

Шаг 2: Корни четвертой степени (n = 4):

• g₁ = 5^{1/4} ≈ 1,495
• g₂ = 105^{1/4} ≈ 3,231
• g₃ = (0,1333)^{1/4} ≈ 0,637
• g₄ = (0,01429)^{1/4} ≈ 0,361

Шаг 3: Нормируем:

Σg = 1,495 + 3,231 + 0,637 + 0,361 ≈ 5,724

• w₁ = 1,495 / 5,724 ≈ 0,261
• w₂ = 3,231 / 5,724 ≈ 0,565
• w₃ = 0,637 / 5,724 ≈ 0,111
• w₄ = 0,361 / 5,724 ≈ 0,063

w = (0,261; 0,565; 0,111; 0,063). Наибольший вес у критерия «Качество», следовательно, он доминирует при выборе поставщика.

Проверка согласованности (для полноты): λ_max ≈ 4,12 → CI = (4,12‑4)/(4‑1)=0,04 → RI (n=4) = 0,90 → CR = 0,04/0,90 ≈ 0,044 (<10 %). Согласованность приемлема.

Достоинства и недостатки матрицы Перцова

5.1 Достоинства

• Интуитивность. Эксперт сравнивает только две альтернативы за раз, что упрощает процесс оценки.
• Гибкость. Позволяет включать как количественные, так и качественные критерии.
• Объективность. Согласованность проверяется автоматически (CR), что снижает риск субъективных ошибок.
• Совместимость с другими методами. Вектор приоритетов легко интегрировать в линейные модели, TOPSIS, VIKOR и др.

5.2 Недостатки

• Экспоненциальный рост парных сравнений. Для n элементов требуеться n·(n‑1)/2 оценок; при большом n процесс становится трудоёмким.
• Чувствительность к ошибкам. Небольшие несогласованные оценки могут сильно исказить итоговый вектор.
• Ограниченность шкалы. Шкала 1‑9 может быть недостаточно точной для некоторых специализированных задач.
• Требует экспертов. Качество результата напрямую зависит от квалификации экспертов, участвующих в оценке.

Практические рекомендации

• Ограничьте количество критериев. Обычно n ≤ 7‑9 – это компромисс между полнотой анализа и трудоёмкостью.
• Проводите предварительный инструктаж экспертов. Объясните смысл шкалы и необходимость взаимности.
• Используйте программные средства. Существует множество бесплатных реализаций: SuperDecisions, Expert Choice, R‑пакет ahp, Python‑библиотека pyahp.
• Анализируйте чувствительность. Проводите «what‑if»‑тесты, меняя отдельные оценки и наблюдая влияние на вектор приоритетов.
• Проверяйте согласованность. Если CR > 0,1, обратитесь к экспертам для уточнения спорных парных сравнений.

Матрица Перцова (матрица парных сравнений) – мощный и в то же время прост в применении инструмент для определения относительных приоритетов в экономических, управленческих и бизнес‑задачах. Выбор метода расчёта (эйнгенвекторный или геометрических средних) зависит от размеров задачи и доступных вычислительных ресурсов. Ключевым моментом остаётся проверка согласованности оценок, позволяющая гарантировать достоверность полученных результатов.

Освоив изложенный алгоритм, вы сможете:

• Структурировать сложные решения с множеством критериев;
• Получить количественные показатели важности для последующего моделирования;
• Обеспечить прозрачность и обоснованность принимаемых управленческих решений.

При правильном применении матрица Перцова становится надёжным «мостом» между экспертным мнением и формальными аналитическими моделями.

Полезные ссылки

• Алгоритм анализа матриц парных сравнений (CyberLeninka)
• Analytic Hierarchy Process (Wikipedia)
• Python‑библиотека pyahp