数学建模中，评价类模型是一类比较基础的数学模型之一，往往是对应生活中的一些实际问题。最常见的数学模型包括：层次分析法、模糊综合评价、熵值法、TOPSIS法、数据包络分析、秩和比法、灰色关联法。下面对于上述几种模型的优缺点进行系统地分析。

目录

1.层次分析法

2.模糊综合评价

3.熵值法

4.TOPSIS法

5.数据包络分析

6.秩和比法

7.灰色关联法 

层次分析法的优点如下所示：

层次分析法是一种系统性的分析方法。层次分析法把研究对象作为一个系统，按照分解、比较判断、综合的思维方式进行决策，成为继机理分析、统计分析之后发展起来的系统分析的重要工具。

层次分析法是一种简洁实用的决策方法。这种方法既不单纯追求高深数学，还不片面地注重行为、逻辑、推理，而是把定性方法与定量方法有机地结合起来。

层次分析法所需定量数据信息比较少。层次分析法主要是从评价者对评价问题的本质、要素的理解出发，比一般的定量方法更讲究定性的分析和判断。

层次分析法的缺点如下所示：

层次分析法指标过多时数据统计量大，且权重难以确定。

层次分析法的特征值和特征向量的精确求法比较复杂。在求判断矩阵的特征值和特征向量时，所用的方法和我们多元统计所用的方法是一样的。

层次分析法的定量数据较少，定性成分多，不易令人信服。

层次分析法只能从原有方案中进行选取，而不能为决策者提供解决问题的新方案。

模糊综合评价的优点如下所示：

模糊评价通过精确的数字手段处理模糊的评价对象，能对蕴藏信息呈现模糊性的资料作出比较科学、合理、贴近实际的量化评价。

模糊评价法的评价结果是一个矢量，而不是一个点值，包含的信息比较丰富，既可以比较准确的刻画被评价对象，又可以进一步加工，得到参考信息。

模糊综合评价的缺点如下所示：

模糊综合评价的计算复杂，对指标权重矢量的确定主观性较强。

当指标集U较大时，在权矢量和为1的条件约束下，相对隶属度权系数往往会偏小，权矢量与模糊矩阵R不匹配，结果会出现超模糊现象，分辨率很差，无法区分谁的隶属度更高，严重情况甚至会造成评判失败，此时可以使用分层模糊评估法加以改进。

熵值法的优点如下所示：

熵值法是根据各项指标指标值的变异程度来确定指标权数的，这是一种客观赋权法，避免了人为因素带来的偏差。

熵值法的缺点如下所示：

熵值法不能减少评价指标的维数。

熵值法忽略了指标本身重要程度，有时确定的指标权数会与预期的结果相差甚远。

TOPSIS法的优点如下所示：

TOPSIS法对于数据分布及样本量、指标多少无严格限制，既适于小样本资料，也适于多评价单元、多指标的大系统,较为灵活、方便。

TOPSIS法的缺点如下所示：

TOPSIS法需要的每个指标的数据，对应的量化指标选取会有一定难度。

TOPSIS法不确定指标的选取个数为多少才适宜去很好刻画指标的影响力度。

数据包络分析的优点如下所示：

数据包络分析对于效率的评估结果是一个综合指标，并且可用于在经济学中应用总生产要素的概念。

数据包络分析可以处理间隔数据以及序号数据。

数据包络分析中的加权值是数学的乘积计算，因此摆脱了人类的主观性。

数据包络分析不会受到不同规模的影响。

数据包络分析的缺点如下所示：

数据包络分析的输入变量和输出变量之间的关系程度没有考虑。

数据包络分析它产生了有效的边界，这可能相当大。

如果样本量太小的话结果不太可靠。

秩和比法的优点如下所示：

秩和比法能够找出评价指标是否有独立性。

秩和比法能够对各个评价对象进行排序分档，找出优劣，是做比较，找关系的有效手段。

秩和比法的缺点如下所示：

灰色关联法的优点如下所示：

灰色关联法的缺点如下所示：