摘要：下面为大家简单介绍应该怎么选取主题公园选址指标。
一、筛选法
1. 特尔菲法
特尔菲法是1940年由Helmer和Gordon首创，1946年，美国兰德公司首次用这种方法用来进行定性预测，后来该方法被迅速广泛采用。它具有两个最大的优点，即算法最简单和应用人群最多。它的主要形式的问卷式，它的过程是首先咨询选定的一组专家意见，然后几轮不断的征询，直到专家的意见一致才停止咨询，如图1。
特尔菲法的基本操作过程：① 确定预侧的问题；② 选择专家；③ 问卷调查表的设计；④ 专家意见咨询和轮询信息的反馈；⑤ 结果确定。
图1：特尔菲法示意图
2. 自相关分析法
Auto correlation又称serial correlation，是\(u_i\)之间的相关关系，\(u_i\)是指总体回归模型的随机误差。也就是说，在时间尺度上，总体回归模型的随机变量与其滞后项间的相关。
经典回归模型中，曾假定在同观测点上\(u_i\)之间是不相关的。
\(Cov(u_i,u_j )=E(u_i,u_j )=0\) \(i≠j\)
如果该假设不成立，就称\(u_i\)与\(u_j\)存在自相关，即不同观测点上的误差项彼此相关。
3. 变差系数法
变差系数\(CV_i\)的表达式为：
\(CV_{i}= \sigma \sqrt{x_{i}}\)
式中，\(CV_i\)为指标的变差系数，\(σ\)为指标的标准差，\(x\)为指标的均值。
一组数据的变异系数是这组数据的标准差除以这组数据的平均值的绝对值，而极差是这组数据的最大值减去最小值，而相对极差即极差除以平均值。变异系数和相对极差都可以反映指标的变化情况，即变异系数是反映相对变化的，而相对极差是反映变化范围的。
二、权重确定法
1. AHP法
The analytic hierarchy process，即AHP（层次分析法），是T.L.Saaty（托马斯·塞蒂）1970年提出的，它是定性和定量相结合的一种方法，由于它能够有效的处理复杂的决策问题，所以得到广泛的应用。其计算过程如下：
(1) 建立层次结构模型。在深入分析实际问题的基础上，将有关的各个因素按照不同属性自上而下地分解成若干层次。
(2) 构建对比矩阵。当层次分析模型建立以后，就要对各层元素进行两两比较，从而构造出判断矩阵。其判断标准是T.L.Saaty建立的判断矩阵表，如表1所示。
表1：判断矩阵的标度与含义
(3) 计算各指标的权重。权重的计算方法很多，如方根法、和法、特征根方法以及最小二乘法等，本文应用最广泛的和法进行计算，其计算公式如下：
\(\omega _{i}=\frac{1}{n}\sum_{j=1}^{n}\frac{a_{ij}}{\sum _{k= 1}^{n}a_{kj}}\) \(i= 1,2,…,n\)
(4) 的一致性检验。为了保证层次分析法得到的结论合理，需要对判断矩阵进行一致性检验。其检验过程如下：算一致性指标C.L.(consistency index)
\(C.I.= \frac{\lambda _{max}-n}{n-1} \)
CI的值越大，表明判断矩阵偏离一致性的程度越大；CI的值越小（接近于0）表明一致性越好。对于不同阶数的矩阵，对CI值的要求也不同。具体可以表2参照1-15阶平均随机一致性指标。下表给出了1-15阶正互反矩阵计算1000次得到的平均随机一致性指标。
表2：平均随机一致性指标R.I.
2. 摘权系数法
在信息论中，信息熵和信息分别是系统无序程度和系统有序程度的度量，两者的符号相反，但是绝对值是相等的。在方案评价中，如果某个指标的变化程度很大，那么它的信息熵就很小，所起的作用就很大，所以权重就很大；反之亦然。根据各指标值的变异程度，利用信息摘计算各指标的权重。
在信息论中，信息是系统有序程度的一个度量，熵是系统无序程度的一个度量，两者绝对值相等，符号相反，当系统可能处于几种不同状态、每种状态出现的概率为\(P_i (i=1,2,…,m)\)时，该系统的熵定义为：
\(E= -\sum_{i= 1}^{m}P_{i}InP_{i}\)
显然，当\(P_{i}= \frac{1}{m}\)，\(i= 1,...,m\)即概率相等时，熵取得最大值为：
\(E_{max}= ln m\)
设有m个待评项目，n个评价指标，形成原始指标数据矩阵\(R= \left ( r_{ij} \right )_{m\times n}\)，对于某个指标而论，\( r_{j} \)有信息熵：
\(E_{j}= -\sum_{i= 1}^{m}P_{ij}In P_{ij}\) \(\left ( j= 1,2,...,n \right )\)
式中\(P_{ij}= \frac{r_{ij}}{\sum_{i= 1}^{m}r_{ij}}\)，如果某个指标的信息炮越小，表明其指标值的变异程度越大，提供的信息量越大，在综合评价中所起的作用就越大，则该指标的权重也应越大；反之亦然，利用信息熵这一工具计算各指标的权重，为多准则综合评价提供可靠的依据。
设己选定评价指标共n个，被评价行政区共m个，m个行政区对应n个指标的指标值构成评价指标值矩阵：
\(R= \left ( r_{ij} \right )_{m\times n}\)
第j个指标下第i个行政区的指标值比重\(P_{ij} \)为：
\(P_{ij} = \frac{r_{ij}}{\sum_{i= 1}^{m}r_{ij}}\) \(\left ( j= 1,2,...,n \right )\)
第j个指标的熵值为：
\(E_{j}= -\sum_{i= 1}^{m}P_{ij}InP_{ij}\) \(\left ( j= 1,2,...,n \right )\)
记\(e_{j}= \frac{1}{ln m}E_{j}\) \(\left ( j= 1,2,...,n \right )\)
第j个指标的客观权重为：
\(\theta_{j}= \frac{\left ( 1-e_{j} \right )}{\sum_{j= 1}^{N}\left (1-e_{j} \right )}\) \(\left ( j= 1,2,...,n \right )\)
显而易见，\(0\leq \theta _{j}\leq 0\)，\(\sum_{j= 1}^{m}\theta _{j}= 1\)
3. AHP熵权法
AHP熵权法很好的考虑到了专家的知识和经验，但是克服不了主观性太强的缺点，熵权法保留了原始数据的信息，但是客观性太强，不能反映专家的知识和经验，所算出的权重可能与实际情况不一样。因而，为了能够弥补两者之间的缺陷，本文将AHP法和熵权法相结合起来，以便结果更具可信性。假设通过AHP法得到的各个指标的权重为\(w_{i}\)，通过熵权法得到的权重为\(e_{i}\),则指标的综合权重向量为\(U= \left ( u_{i} \right )_{m}\)，其中，第i个指标的综合权重为\(u_{i} \):
\(u_{i} = \frac{\omega _{i}\theta _{i}}{\sum _{i= 1}^{m}\omega _{i}\theta _{i}}\)
结合主观权重法(AHP)和客观权重法（熵权系数法）两种方法，可以减少人为主观因素的影响，提高区域的可比较性，从而提髙研究的科学度。
声明：文章根据网络公开资料整理，如有侵权请联系删除，谢谢。
