AHP法在财务、经济、金融、管理等专业上的应用真的非常频繁，不仅在于其上手简单，更是在于对于一个问题对应多种决策方案的情况下，它提供了一个较为明确清晰的分析框架，从定量+定性结合的角度，比较、判断、评价、根据权重做出系统化、层次化的分析，但是很多学生在实际写论文中存在很多疑点，怎么用、什么情况下才能用，需要注意什么，这篇文章就在辅导学生时存在的诸多疑点进行一一解析。

什么情况下适用AHP?

在面对诸多因素决定方案选择时适用。比如说，你想选择一个最佳旅游景点，当前有三个选择标准（分别是景色，门票和交通），并且对应有三种选择方案。现通过旅游专家打分，希望结合三个选择标准，选出最佳方案（即最终决定去哪个景区旅游）。诸如此类问题即专家打分进行权重计算等，均可通过AHP层次分析法得到解决。

AHP怎么用？

AHP层次分析法包括两个步骤，分别是权重计算和一致性检验，

对于AHP层次分析法，即专家打分进行权重，专家打分是常用的定性分析方法，需要遵循特殊的数据格式，当然也有问卷量表分析等，以获取即“判断矩阵”。

假设，对于经典的选择总涉及4个评价因素（即准则层为4项，分别是景色，门票，交通和拥挤度），现在邀请10位旅游专家进行打分，采用1-5分标度法，即比如A因素相对B因素非常重要，此时打5分，那么B因素相对于A因素就是1/5即0.2分。A因素相对B因素比较重要，此时打3分；A因素相对B因素重要程度一样，此时为1分。

共有10个旅游专家打分，最终将10个旅游的打分进行计算平均分，得到最终的判断矩阵表格，如下表：

上表格显示：门票相对于景色来讲，重要性更高，所以为3分；相反，景色相对于门票来讲，则为0.33333分。交通相对于景色来更重要为2分，以及拥挤度相对于景色来讲更重要为2分。其余类似下去。

在实施这一步的时候，需要大脑里面有一个清晰的比较，不然很容易出现同一个因素对应相同时出现一大一小的情况，这样一致性检验通过不了。

如果已经计算出权重，并且判断矩阵满足一致性检验，最终则可以下结论继续进一步分析。

AHP实现的难点在于？

上述实际的定量分析都可以通过市面上诸如yaahp等软件检验实现，不是很难的事。

其困难之处反而在于，在开始权分析之前，厘清你的准则层与方案层。因为在实际项目中涉及的影响因素有很多，将其进行分类，保证各因素间不能交叉，是需要严格进行分析的，不能想到、觉得哪个因素重要就一股脑地向上堆砌。

除此以外若涉及到多个级别指标，就需要得到多个专家评分进行权重赋值然后累乘，这个比较容易出错。

比如有3个二级指标分别是A,B,C；A对应着A1,A2,A3; B对应着B1,B2,B3,B4; C对应着C1,C2,C3,C4；那么A1,A2,A3进行一次得到权重；B1,B2,B3,B4进行一次得到权重；C1,C2,C3,C4进行一次得到权重。 A,B,C也一定需要有数据才可以，单独进行一次得到权重。最终比如A1,A2,A3的权重等于A的权重乘上自己的权重。

需要注意的是？

最终是否选取最终方案，还需要对决策层各个因素进行打分之后，乘以权重进行加和，获得得分最大的方案将成为最终选择，但是很多围绕指标体系建立的论文不需要走到最后一步，只是得到各个要素之间的权重即可得到评价体系，AHP常与其他方法一起来进行分析，比如AHP+模糊综合评价，AHP+熵权法，因为专家打分更多的是经验的体现，相对来说比较主观，而结合其他的方法来做会弥补这个缺陷。

熵值法用以确定指标权重的根据是各项指标在数值层面的变异程度，由于对客观数据有着高度依赖，熵值法的运用过程中避免了人为因素对指标权重结果可能造成的偏差。

在进行熵值法之前，如果单位不同时，可以进行归一化处理；如果数据方向不一致时，需要进行提前数据处理，通常为正向化、逆向化两种处理。

因此，在对指标进行权重分配时，应考虑指标数据之间的内在统计规律和权威值。给出了合理的决策指标赋权方法，即采用主观赋权法（AHP）和客观赋权法（熵权法）相结合的组合赋权方法，以弥补单一赋权带来的不足。将两种赋权方法相结合的加权方法称为组合赋权法。主客观组合权重是：

关于AHP的使用详解如上，如果论文有疑问，可以在线咨询。