企业官网建设流程全解析

上个月做供应商评估的时候，又双叒被“权重从哪来”难住了：6个一级指标、12家备选供应商，数据都是现成的，可请专家打分凑不齐人，就算凑齐了，十个人打出来的权重也未必统一，业务方还会追问“你凭什么给这个指标0.2”。后来我把之前用过几次的CRITIC法捡起来，算了一版指标权重，再用几张图把计算依据和结果一起展示出来，管理层十分钟就看懂了。这篇文章就是那次完整复盘，把CRITIC法的原理、手算过程、Python实现和绘图方法串起来讲一遍。CRITIC法适合那种“有客观数据、不方便做主观打分”的评价场景，比如供应商评分、城市发展水平评估、招聘候选人筛选、实验室能力考核，给指标算出一个可解释、可复现的客观权重。想直接拿代码的可以跳到第3节，想弄懂底层逻辑的按顺序往下读就行。

1. 为什么选CRITIC：多指标评价里的权重困境

1.1 主观赋权的痛，客观赋权的快

做过多指标综合评价的人都知道，权重是整个评价模型里最敏感、也最容易吵架的部分。最传统的方式是专家打分或层次分析法，请几个有经验的人坐在一起，两两比较重要性，最后算出一组权重。这套思路业务上认，但实际操作很痛苦：一是专家时间难约，十个人能凑齐五个就不错；二是主观判断不一致，同一对指标有人觉得A比B重要两倍，有人觉得反过来；三是结果很难被复检，半年后再请同一批专家打分，权重大概率会漂移。当评价对象很多、指标很多时，主观赋权的时间成本、沟通成本都会被放大。

客观赋权法解决的就是这个痛点：完全从数据本身出发，不需要任何人拍脑袋。数据里哪个指标携带的信息多，哪个指标在评价对象之间区分度大，它就值得更大的权重。常见客观赋权法里，除了CRITIC，还有熵权法、变异系数法、主成分分析赋权等。CRITIC这个名字来自Criteria Importance Through Intercriteria Correlation，直译就是“通过指标间相关性判断指标重要性”，它的一大好处是把“指标自身的波动”和“指标之间的信息重复度”都纳入计算，逻辑上比只看单维度的熵权法、变异系数法更完整。

1.2 CRITIC的核心逻辑：一个指标的信息量要看“反差+冲突”

CRITIC的基本思想可以用一句话概括：一个指标越“能打”，权重就应该越高。“能打”体现在两个维度。

第一个维度叫对比强度，通常用标准差表示。标准差大，说明不同评价对象在这个指标上的差异大，该指标能把人区分开；如果大家得分都差不多，比如都在95到96分之间，那这个指标对最终排名的贡献自然很小。你可以把它理解成一个筛子，筛孔越小，能筛出来的差异越少，信息量越低。

第二个维度叫冲突性，用的是指标之间的相关系数。这个思路很巧妙：如果两个指标高度正相关，比如“营业收入”和“营业成本”基本同步变化，那么它们在评价时提供的信息严重重复，等于一个人说了两遍相同的话，第二遍就没多少新意；反过来，如果两个指标相关性很弱，或者干脆负相关，那每个指标都在贡献独立的信息，各自的权重就该往上走。CRITIC把冲突性定义为指标与其余所有指标相关系数的距离之和，相关系数越低，冲突性越大，指标越不可替代。

最后把对比强度和冲突性乘起来，得到每个指标的综合信息量，再做归一化，就是最终权重。这个乘法的含义很直观：既要在单个指标上波动明显，又要和其他指标不重复，两者缺一不可。

1.3 和熵权法、变异系数法放一起比一比

我一直觉得，选方法之前一定要知道其他方法在干什么。熵权法用信息熵来衡量指标的离散程度，熵越小说明指标携带的信息量越大，权重越高；变异系数法则直接拿标准差除以均值，用相对波动大小来定权。这两个方法都只关注“指标自身的变化”，完全没管指标之间的相关性。

举例来说，如果指标体系里有两个强相关的指标，熵权法和变异系数法会各给它们一个不小的权重，等于把“同一件事”算了两次，综合得分会被带偏。CRITIC能通过冲突性把冗余信息的权重压下来，所以在指标间关联度较高的场景下，我一般优先选CRITIC。当然它不是万能的，后面会讲到它对相关系数很敏感，样本太少时容易出问题。

2. CRITIC法计算全流程：每个中间量都是什么含义

2.1 指标正向化：先消除“方向”干扰

CRITIC计算权重之前，必须先统一指标方向。这个步骤很多人会跳过，但跳过的后果很严重。我们平时遇到的指标大约分三类：正向指标越大越好，比如收入、得分、覆盖率；负向指标越小越好，比如成本、能耗、投诉率；还有适度指标，比如温度、pH值，落在某个区间最好。

如果不做方向统一，直接拿原始数据算相关系数，就会出现一种尴尬情况：某个负向指标和另一个正向指标在业务上是此消彼长的，相关系数为负，但这个负相关可能只是“方向相反”造成的，并不代表两个指标真的在互相补充。方向统一之后，所有指标都变成“越大越好”，相关系数的符号才更有解释意义。

负向指标的常用正向化变换是取补数：x' = (max(x) - x) / (max(x) - min(x))。这样最小值变成0，最大值变成1，方向和正向指标一致了。适度指标的正向化稍微麻烦，常见做法是先构造离最优值的距离，比如x' = 1 / (1 + |x - x_opt|)，距离越小得分越高。如果一套指标体系里方向很杂，最好先写一个映射表，明确每个指标的类型，再批量处理，别在代码里一个个改，容易漏。

2.2 极差标准化：把数据压到同一个尺度

方向统一之后，还要做无量纲化。CRITIC的标准差计算要求指标在同一量纲下进行，否则“人均GDP”这种数值大的指标标准差天然巨大，“万元产值能耗”这种数值小的指标标准差天然很小，最后权重会被量纲带偏，完全跑偏。

极差标准化是最常用的方案：正向指标用(x - min) / (max - min)，把数据映射到[0, 1]区间；负向指标在2.1步已经通过取补数变成正向，同样用这个公式。这一步之后，所有指标的最小值是0、最大值是1，量纲影响消除了，而且数据的相对排序不变。

有个细节容易被忽略：标准化用的是整个评价对象集合的min和max，不是单个对象。比如我们有12家供应商的数据，计算某家供应商的标准化值时，分母必须是这12家供应商里该指标的最大最小值，不能只拿自己的历史数据算，否则不同批次的标准化结果不可比。

2.3 对比强度：标准差到底在表达什么

在CRITIC法里，对比强度一般取标准化后数据的标准差。标准差大，表示指标在各个评价对象之间差异显著，辨识度高，能给最终排名提供更多信息；标准差小，表示大家在这个指标上都差不多，拉不开差距，权重就该小。

这里必须提醒一个容易踩的坑：标准差有总体标准差和样本标准差之分。pandas里的std()默认是样本标准差，分母是n-1；而评价对象通常就是我们的全量集合，不是从总体里随机抽的样本，所以理论上用总体标准差更符合CRITIC的原始设定，也就是ddof=0。两种算法在样本量大的时候差别很小，但在只有4个、5个评价对象的时候，权重结果会出现肉眼可见的差异。章节4里我会单独演示这个差异有多大。

2.4 冲突性：相关系数如何变成“不重复程度”

冲突性是CRITIC的第二块拼图。先计算标准化后指标间的皮尔逊相关系数矩阵，得到两两指标的相关程度，然后用公式把相关系数转成冲突性。

对于某一个指标j，冲突性：R_j = Σ(1 - r_jk)，其中k是除j以外的所有指标，r_jk是j和k的相关系数。相关系数越接近1，1 - r_jk越小，说明两个指标信息高度重叠，冲突性低；相关系数越接近0或者为负，1 - r_jk越大，冲突性高。把指标j和所有其他指标的冲突值加总，就是它在这个指标体系里的总体不可替代程度。

这个公式有个值得商榷的地方：1 - r在遇到负相关时会变得很大，比如r=-0.8时冲突值是1.8，而r=0.3时只有0.7。也就是说，两个指标越是反向变化，冲突性越高。这在“评价信息互补”的语境下是合理的，但有些研究者会觉得，负相关其实也是一种强关联，既然关系强，信息冗余度也应该高，所以主张用1 - |r|来算。两种思路都有道理，后面会说我的处理习惯。

2.5 信息量合成与权重归一化

拿到对比强度σ_j和冲突性R_j之后，合成信息量：C_j = σ_j × R_j。这个乘积就是指标j在评价体系里的总信息量，然后做归一化：w_j = C_j / ΣC_j，得到最终权重。

整个流程跑下来，你会发现CRITIC其实没有特别玄学的数学推导，每一步都有业务解释：标准差大说明指标“有区分度”，相关系数低说明指标“不重复”，两者都满足的指标自然是评价模型里最重要的。这种可解释性在向领导汇报时非常有用，比一句“算法算出来的”强得多。

2.6 手算示例：4个城市、3个指标，一步步算给你看

光讲公式还是抽象，我拿一个极简例子手算一遍。假设评价4个城市的发展水平，选3个指标：人均GDP（万元，正向）、空气优良天数比率（%，正向）、单位GDP能耗（吨标准煤/万元，负向）。原始数据如下：

先正向化并做极差标准化，单位GDP能耗取补数处理，得到：

然后计算每个指标的总体标准差，以及两两之间的相关系数。相关系数矩阵大概是：人均GDP和优良天数比率约-0.83，人均GDP和单位GDP能耗约-0.99，优良天数比率和单位GDP能耗约0.86。也就是说，人均GDP和另外两个指标都是明显负相关，冲突性会非常高。

这个例子很典型：人均GDP虽然标准差不是最大的，但和另外两个指标都是强负相关，冲突性远高于其他指标，所以最后权重最大。如果我用的是一味强调“波动越大权越大”的变异系数法或熵权法，三个指标权重会相对平均，很难看出人均GDP的独特价值。这就是CRITIC法在多指标评价里最值得用的地方。

3. Python实现：权重计算与四张图一次搞定

3.1 最简核心代码：20行搞定权重

直接用pandas和numpy就行，不需要额外装复杂依赖。我把上面手算的例子写成完整代码，注释写在关键行。

import pandas as pd import numpy as np raw = pd.DataFrame({ '人均GDP': [12.8, 9.6, 15.2, 11.5], '优良天数比率': [78.5, 85.3, 72.1, 90.0], '单位GDP能耗': [0.92, 0.65, 1.10, 0.78] }) def minmax_positive(series): return (series - series.min()) / (series.max() - series.min()) def minmax_negative(series): # 负向指标先取补数，结果等于正向标准化 return (series.max() - series) / (series.max() - series.min()) df = pd.DataFrame({ '人均GDP': minmax_positive(raw['人均GDP']), '优良天数比率': minmax_positive(raw['优良天数比率']), '单位GDP能耗': minmax_negative(raw['单位GDP能耗']) }) std = df.std(axis=0, ddof=0) # 对比强度，用总体标准差 corr = df.corr() # 标准化后的相关系数矩阵 conflict = np.sum(1 - corr, axis=1) # 冲突性 info = std * conflict # 综合信息量 weights = info / info.sum() # 归一化权重 print("标准化数据：") print(df.round(3)) print("对比强度：") print(std.round(3)) print("相关系数矩阵：") print(corr.round(3)) print("冲突性：") print(conflict.round(3)) print("权重：") print(weights.round(4))

这段代码最大的优点是把每个中间量都单独拆出来打印了。我强烈建议你在自己的数据上也这样跑一遍，先检查中间量是否符合直觉，再决定要不要用结果，千万别直接跳到权重那一步。

3.2 权重条形图：一眼看出谁重要

权重算完，第一张图一定画水平条形图。竖向条形图在指标名比较长时会互相挤压，水平条形图最适合展示排名信息。

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei'] plt.rcParams['axes.unicode_minus'] = False weights_sorted = weights.sort_values() fig, ax = plt.subplots(figsize=(8, 5)) colors = plt.cm.Blues(np.linspace(0.4, 0.9, len(weights_sorted))) bars = ax.barh(weights_sorted.index, weights_sorted.values, color=colors) ax.set_xlabel('权重') ax.set_title('CRITIC法计算的指标权重') for bar, value in zip(bars, weights_sorted.values): ax.text(bar.get_width() + 0.01, bar.get_y() + bar.get_height() / 2, f'{value:.3f}', va='center') plt.tight_layout() plt.show()

看这张图，第一个要确认的点是“权重排序是否符合业务直觉”。如果某个公认不重要的指标权重特别高，通常不是方法错了，而是数据本身有问题，比如该指标存在明显异常值，或者标准化逻辑写错了。

3.3 相关系数热力图：解释权重为什么这么分

权重图只能告诉大家结果，不能解释原因。CRITIC的权重有一半来自相关性，所以必须把相关系数矩阵画出来，汇报时才好说清楚。比如前面例子里人均GDP权重最高，就是因为它和优良天数比率、单位GDP能耗都是负相关，热力图往那一放，结论不言自明。

import seaborn as sns fig, ax = plt.subplots(figsize=(6, 5)) sns.heatmap(corr, annot=True, cmap='coolwarm', center=0, vmin=-1, vmax=1, fmt='.2f', xticklabels=corr.columns, yticklabels=corr.columns, ax=ax) ax.set_title('标准化指标间的相关系数') plt.tight_layout() plt.show()

热力图的配色我用的是coolwarm，以0为中心，正相关红色、负相关蓝色。vmin=-1, vmax=1必须写死，否则seaborn会按当前数据的最值自动缩放色带，比如实际相关系数范围是-0.9到0.8，色带就会把-0.9当成最深红，误导看图的人。

3.4 对比强度-冲突性气泡图：找到权重背后的驱动因素

权重是综合信息量归一化后的结果，可它不是中间变量，没法直观看出一个指标权重高，到底是因为标准差大，还是因为相关性低。气泡图能解决这个问题：横轴是对比强度，纵轴是冲突性，气泡大小是权重。哪个维度贡献大，一看便知。

fig, ax = plt.subplots(figsize=(8, 6)) scatter = ax.scatter(std.values, conflict.values, s=weights.values * 800, alpha=0.6, edgecolors='w') for name, x, y in zip(std.index, std.values, conflict.values): ax.annotate(name, (x, y), xytext=(6, 4), textcoords='offset points') ax.set_xlabel('对比强度（标准差）') ax.set_ylabel('冲突性') ax.set_title('对比强度与冲突性气泡图（气泡大小=权重）') plt.tight_layout() plt.show()

如果某指标在右上角，说明它同时具备“区分度大”和“信息独立”两种属性，是体系里的核心指标；如果某指标在左上方，说明冲突性高但自身波动小，权重大部分是靠和其他指标的低相关撑起来的，这种指标要留意后续数据更新后权重是否稳定。

3.5 雷达图：把三个维度压缩到一张图

最后这张雷达图更适合多指标场景，能把对比强度、冲突性、权重三个维度都放到一张图上对比。因为对比强度、冲突性和权重不在同一量纲，先做一次min-max归一化，再画雷达图。

from math import pi def normalize(series): return (series - series.min()) / (series.max() - series.min()) std_n = normalize(std) conflict_n = normalize(conflict) weights_n = normalize(weights) labels = df.columns.tolist() angles = [i / len(labels) * 2 * pi for i in range(len(labels))] angles += angles[:1] fig, ax = plt.subplots(figsize=(7, 7), subplot_kw={'projection': 'polar'}) for values, label in [(std_n.values, '对比强度'), (conflict_n.values, '冲突性'), (weights_n.values, '权重')]: data = list(values) + [values[0]] ax.plot(angles, data, label=label) ax.fill(angles, data, alpha=0.15) ax.set_xticks(angles[:-1]) ax.set_xticklabels(labels) ax.set_title('CRITIC三维特征雷达图') ax.legend(loc='upper right') plt.show()

雷达图的技巧是三个维度分开归一化，不然冲突性动辄接近2、对比强度只有0.36，画出来对比强度那条线会糊成一条直线，没有观察价值。归一化之后注意，图里只能看形状趋势，不能读绝对数值。

4. 常见问题与避坑记录

4.1 负相关系数会让权重扭曲吗

这是CRITIC法被问得最多的一个问题。原始公式1 - r在负相关时会放大冲突值，比如r=-0.9时冲突贡献1.9，而r=0.1时只有0.9，这等于把“反向变化”看得比“弱相关”还要珍稀。如果你的指标都是正向化之后的，负相关往往意味着指标之间存在某种此消彼长的业务关系，比如“成本控制”和“服务质量”天然就是负相关，放大冲突性是合理的。

但如果你不想让负相关被过度放大，可以用1 - |r|来计算冲突性。这时正相关0.9和负相关-0.9的冲突贡献都是0.1，核心思想变成“只要是强线性相关，信息冗余就大，不管同向还是反向”。我自己的习惯是两种版本都算一遍，看权重排序是否发生本质变化。如果排序很稳，说明结果对相关系数处理方式不敏感，可以直接用；如果排序剧烈波动，说明指标体系里存在强相关的核心变量，这时要回到业务层面重新审视指标设计，而不是纠结公式。

4.2 标准差用总体还是样本：结果差多少

前面提过pandas的std()默认ddof=1，是样本标准差，而CRITIC原始文献用的是总体标准差。评价对象一般是全量数据，不是抽样，所以用ddof=0更讲得通。拿前面的例子实际算一下：样本标准差下三个人均GDP的标准差是0.420，总体标准差是0.364；最终权重算出来差别很小，人均GDP还是0.47左右，因为所有指标的标准差都被同步放大了，归一化之后影响被部分抵消。

但这不是偷懒的理由。样本量只有四五个的时候，两种标准差的差异会更明显，而且一旦某个指标恰好有一两个极端值，标准差差异会被放大。我建议固定写ddof=0，并且注释里写明这是总体标准差，后面复算的人不会迷惑。

4.3 标准化方法不同，权重会翻车吗

极差标准化是CRITIC里最常用的预处理，但它对异常值很敏感：原始数据里突然冒出一个极大值，会直接把其他正常值压到0.2甚至更低，标准差和相关系数都会被带跑。如果你的数据存在明显离群点，优先考虑截断处理，比如把超过99%分位数的值截断到99%分位数的水平，再做极差标准化；或者改用z-score标准化，让数据围绕0波动，离群值影响会缓和一些。

注意，z-score标准化的结果存在负值，计算冲突性时不影响，但解释上不如[0,1]区间直观。标准化的选择会改变相关系数矩阵，进而改变权重，所以写分析报告时一定要写明预处理方案，否则结果不可复现。

4.4 样本量太小，相关系数不可靠

CRITIC对相关系数的依赖很高，而皮尔逊相关系数在小样本下波动剧烈。我个人的底线是评价对象数量至少大于指标数量，如果指标有6个，评价对象最好在30个以上；只有十几个样本时，算出来的相关矩阵方差很大，今天权重和明天权重可能完全两样。

如果样本量实在不够，可以做稳定性验证：用bootstrap抽样，每次从样本里重抽80%的对象计算权重，重复200次，看每个指标权重的分布范围。如果某个指标权重的置信区间横跨很多个位次，那它基本不能用于决策，需要在报告里明确说明。

4.5 中文绘图的三个老坑

中文字体问题是中文绘图里最常见的翻车现场。第一，不设置中文字体，图上全是方格，解决办法是在导入matplotlib之后立刻加上plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']。第二，负号显示异常，坐标轴上的负号会变成小方块，必须设置plt.rcParams['axes.unicode_minus'] = False。第三，字体家族名在不同系统里不一样，Windows常见宋体黑体，macOS上往往要换成'Arial Unicode MS'或'PingFang SC'，建议写成列表，matplotlib会自动匹配第一个可用的字体。另外提醒一句，如果是在Jupyter里用seaborn画热力图，seaborn有自己的字体设置，最好在画图前也执行一遍同样的设置，别只设在matplotlib上。

4.6 权重结果怎么交付才不是一堆数字

最后这条是我自己的交付习惯。纯权重表格在业务侧很容易被挑战，我会额外做三件事：第一，把权重图和气泡图拼到一张A4报告页里，旁边标注每个指标的方向和业务含义；第二，用权重对原始数据加权计算综合得分，把排名结果和只用熵权法、变异系数法得到的排名做个对比，差异大的地方给出业务解释；第三，保留全部中间计算表，包括标准化数据、标准差、相关系数矩阵、冲突性、信息量，随时准备应对各种“为什么这个指标权重这么高”的追问。CRITIC的好处就在这里，每一步都有明确的业务解释，不需要黑盒。

我在实际项目中还发现一个特别好用的扩展：算完权重后，可以继续用k-means或者TOPSIS跑综合评价排名，把CRITIC的权重作为输入，这样权重计算和最终评价就串成了一条完整链路。只要前期数据清洗和标准化做得扎实，后面出结论的速度会快非常多。