DEMATEL-ISM模型的Python实现——方法介绍以及代码复现

这篇具有很好参考价值的文章主要介绍了DEMATEL-ISM模型的Python实现——方法介绍以及代码复现。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

前言

本文源于笔者的《系统工程》课程的小组作业,笔者尝试运用DEMATEL-ISM方法来进行分析,建模求解,但在网络上并没有找到相应的,特别是集合DEMATEL-ISM方法的代码。因此自己码了DEMATEL-ISM模型的Python代码,并作为第一个博客发布~

参考文献中,笔者主要参考了李广利等1的研究,本文也将依此论文进行方法解读和代码复现。

网上查找资料的过程中,笔者发现了一个MCDA方法的python代码库2,里面有很多多准则决策分析模型的相关代码,其中就有DEMATEL的代码,笔者做了一定的参考。

DEMATEL-ISM分析方法

方法简介

DEMATEL(Decision Making Trial and Evaluation Laboratory),全称为“决策试验和评价实验法”,是一种运用图论与矩阵工具进行系统要素分析的方法,通过分析系统中各要素之间的逻辑关系与直接影响关系,可以判断要素之间关系的有无及其强弱评价。ISM(Interpretative Structural Modelling)法全称为“解释结构模型”,其特点是把复杂的系统分解为若干子系统(要素),通过代数运算将系统构造成一个多级递阶的结构模型。

DEMATEL 模型可利用矩阵运算求出因素间的因果关系和影响强度,通过可视化因素间的因果关
系,得以揭示复杂问题中的关键影响因素及影响程度;但该方法无法有效识别系统中因素的层级结
构。ISM 法则通过分析构成系统的各子系统( 因素或要素) 之间的直接二元相关关系,基于布尔代数运算等,构造多级递阶有向拓扑图,但无法确定要素对系统的影响程度。

将两种方法结合,可以识别系统中关键要素及其影响程度,并构建要素的层级结构。DEMATEL-ISM方法的过程如下:

步骤

明确系统要素

明确分析系统所构成的要素,将构成系统的要素标记为 x 1 x_1 x1, x 2 x_2 x2, x 3 x_3 x3, … \ldots , x n x_n xn

确定直接影响矩阵

采用专家打分法,比较 x i x_i xi x j x_j xj的影响,由于因素与自身比较为没有影响,直接影响矩阵的对角线值为0。通过比较得到直接影响矩阵 A A A
A = [ 0 x 12 ⋯ x 1 n x 21 0 ⋯ x 2 n ⋮ ⋮ ⋱ ⋮ x m 1 x m 2 … 0 ] \begin{align} A= \begin{bmatrix} 0&x_{12}&\cdots&x_{1n}\\ x_{21}&0&\cdots&x_{2n}\\ \vdots &\vdots&\ddots &\vdots \\ x_{m1}&x_{m2}&\dots &0 \end{bmatrix} \end{align} A= 0x21xm1x120xm2x1nx2n0
式中因素 x i j ( i = 1 , 2 , … , m ; j = 1 , 2 , … , n ; i ≠ j ) x_{ij}(i=1,2, \ldots, m;j=1,2, \ldots,n;i\neq j) xij(i=1,2,,m;j=1,2,,n;i=j)表示因素 x i x_i xi x j x_j xj的直接影响。 i = j i=j i=j时, x i j = 0 x_{ij}=0 xij=0

规范影响矩阵

归一化原始关系矩阵得到规范影响矩阵。归一化方法有很多种,这里可以采用行最大值法进行归一化,即将矩阵 A A A的每一行求和,在这些值中取最大值,将矩阵 A A A中元素除以最大值,得到规范直接影响矩阵 B B B
B = x i j m a x ( ∑ j = 1 n x i j ) \begin{align} B=\frac{x_{ij}}{max(\sum\limits_{j=1}^n x_{ij})} \end{align} B=max(j=1nxij)xij

计算综合影响矩阵

综合系统矩阵体现系统中各个元素间的影响的综合效应,规范影响矩阵不断自乘后矩阵的所有值会趋近于0,即 lim ⁡ k → ∞ B k = 0 \lim\limits_{k \to \infty} B^k=0 klimBk=0。计算综合影响矩阵时,得到
T = ( B + B 2 + ⋯ + B k ) = ∑ k = 1 ∞ B k = B ( I − B ) − 1 \begin{align} T=(B+B^2+\dots +B^k)=\sum\limits_{k=1}^\infty B^k=B(I-B)^{-1} \end{align} T=(B+B2++Bk)=k=1Bk=B(IB)1
式中为 I I I单位矩阵。

计算各个要素的影响度、被影响度、中心度和原因度

影响度指矩阵 T T T中各行值和,表示各行要素对其他所有要素的综合影响值,记作 D i D_i Di,有:
D i = ∑ j = 1 n x i j , ( i = 1 , 2 , … , n ) \begin{align} D_i=\sum\limits_{j=1}^n x_{ij},(i=1,2,\dots,n) \end{align} Di=j=1nxij,(i=1,2,,n)
被影响度指矩阵 T T T中各列值和,表示各列要素对其他所有要素的综合影响值,记作 C i C_i Ci,有:
C i = ∑ j = 1 n x j i , ( i = 1 , 2 , … , n ) \begin{align} C_i=\sum\limits_{j=1}^n x_{ji},(i=1,2,\dots,n) \end{align} Ci=j=1nxji,(i=1,2,,n)
中心度表示因素在评价体系中的位置及其所起作用的大小,某要素的中心度为其影响度于被影响度之和,记作 M i M_i Mi,有:
M i = D i + C i \begin{align} M_i=D_i+C_i \end{align} Mi=Di+Ci
原因度由某要素的影响度和被影响度相减得到,记作,有:
R i = D i − C i \begin{align} R_i=D_i-C_i \end{align} Ri=DiCi
当原因度大于0时,表示该要素对其他要素的影响程度大,称其为原因要素,当原因度小于0时,该要素为结果要素。

绘制因果图

将中心度 M i M_i Mi为横坐标,将原因度 R i R_i Ri作为纵坐标,绘制因果关系图。该图可以直观体现因果关系。

确定整体影响矩阵

整体影响矩阵由综合影响矩阵和单位矩阵相加得到。

确定可达矩阵

确定可达矩阵时需要引入一个阈值 λ \lambda λ以剔除因素之间影响程度较小的关系,从而明确层级结构的划分。引入阈值 λ \lambda λ对整体影响矩阵 E E E进行处理,可以得到可达矩阵 F F F。则有:
f i j = { 1 e i j ≥ λ ( i , j = 1 , 2 , … , n ) 0 e i j < λ ( i , j = 1 , 2 , … , n ) \begin{equation} f_{ij}= \begin{cases} 1 & & {e_{ij}\geq\lambda(i,j=1,2,\dots,n)}\\ 0 & & {e_{ij}<\lambda(i,j=1,2,\dots,n)} \end{cases} \end{equation} fij={10eijλ(i,j=1,2,,n)eij<λ(i,j=1,2,,n)

划分层级

由可达矩阵 F F F的第 i i i行上值为1的列对应的因素求得可达集 R ( x 1 ) = { x i ∣ F i j = 1 } R(x_1)=\{x_i|F_{ij} =1\} R(x1)={xiFij=1},表示从因素 x i x_i xi出发可以达到的全部因素的合集,由可达矩阵 F F F的第 i i i列上值为1的行对应的因素求得先行集 S ( x 1 ) = { x i ∣ F j i = 1 } S(x_1)=\{x_i|F_{ji} =1\} S(x1)={xiFji=1},表示可以达到因素的全部因素的合集。如果 R ( x 1 ) R(x_1) R(x1) S ( x 1 ) S(x_1) S(x1)满足 R ( x 1 ) ∩ S ( x 1 ) = R ( x 1 ) R(x_1)\cap S(x_1)=R(x_1) R(x1)S(x1)=R(x1),则表示中对应的元素均能在中找到前因,将该元素称为高层级的元素。然后从可达矩阵中去除对应的行和列,再从矩阵中抽取最高级的因素,不断重复该过程,直到所有的行和列均被去除。

绘制因素之间的递阶层次结构

根据去除因素的顺序,绘制系统要素间多级递阶有向拓扑图。

实例与代码

DEMATEL-ISM计算

这里笔者直接给出一组数据,10项因素,直接影响矩阵 A A A如下。
DEMATEL-ISM模型的Python实现——方法介绍以及代码复现

下面是DEMETAL-ISM计算的Python代码:

#导入所需库
import numpy as np
import pandas as pd

#直接影响矩阵A
A = np.array([[0, 2, 0, 2, 3, 2, 3, 2, 3, 2],
       [0, 0, 0, 1, 3, 2, 0, 1, 1, 2],
       [0, 1, 0, 0, 2, 1, 0, 0, 0, 1],
       [0, 2, 0, 0, 3, 2, 0, 0, 0, 1],
       [1, 3, 0, 2, 0, 1, 1, 0, 1, 1],
       [0, 2, 0, 2, 1, 0, 1, 1, 0, 2],
       [2, 2, 0, 0, 2, 1, 0, 1, 2, 1],
       [0, 2, 0, 0, 1, 1, 1, 0, 1, 2],
       [3, 2, 0, 1, 2, 2, 2, 2, 0, 1],
       [0, 2, 0, 0, 1, 2, 1, 1, 2, 0]])

#行和最大值归一化,得到规范影响矩阵B
row_sum = np.sum(A, axis = 1)
max_sum = np.max(row_sum)
B = A/max_sum

#综合影响矩阵T
T = np.matmul (B, np.linalg.inv(np.identity(A.shape[0]) - B))

#计算影响度D,被影响度C,中心度M,原因度R
D = np.sum(T, axis = 1)
C = np.sum(T, axis = 0)
M = D + C
R = D - C

#判断输出结果要素和原因要素
causal_factors = ''
result_factors = ''
for i in range(len(R)):
    if R[i] > 0:
            causal_factors = causal_factors + 'x' + str(i + 1) + ' '
    elif R[i] < 0:
            result_factors = result_factors + 'x' + str(i + 1) + ' '
print("原因要素:" + causal_factors)
print("结果要素:" + result_factors)

#使用相应的lambda值计算可达矩阵F,并输出节点度排序
E = T + np.identity(A.shape[0])
lbd = 0.20      # 相应的lambda值
F = E
for i in range(A.shape[0]):
    for j in range(A.shape[1]):
        if E[i, j] > lbd:
            F[i,j] = 1
        elif E[i, j] < lbd:
            F[i, j] = 0
node_degree = np.sum(F, axis = 0) + np.sum(F, axis = 1)
print(sorted(node_degree, reverse=True))

上面代码计算出的一些矩阵和值比较重要,如综合影响矩阵 T T T,被影响度 C C C、影响度 D D D、原因度 M M M、中心度 R R R等,数据在下面的画图也有用的,笔者在此没有输出,在做研究的过程中可以用pandas库将相应的值输出到excel表中。
λ \lambda λ的取值也很关键,具体取何值下文有说明,这里取0.20,得到最后的可达矩阵如下图所示。
DEMATEL-ISM模型的Python实现——方法介绍以及代码复现

原因-结果图

接下来运用上文计算的结果,绘制原因-结果图,这张图可以看到各个因子之间互相影响的大小,以及对研究内容影响的大小,如下图所示。
DEMATEL-ISM模型的Python实现——方法介绍以及代码复现
第1类为强原因因子集(第Ⅰ区),这类因子对研究对象的形成具有非常显著的影响,且对其他结果型因子有较大的影响;第2类为弱原因因子集(第Ⅱ区),这类因子对研究对象的形成也具有重要影响,对其他结果型因子也有一定的影响;第3类为弱结果因子集(第Ⅲ区),这类因子是其他原因型因子综合作用的结果,对研究对象的形成具有一定的影响;第4类为强结果因子集(第Ⅳ区),这类因子也是其他原因型因子综合作用的结果,但是对研究对象的形成具有非常重要的影响。DEMATEL计算所得因子中心度越大,其影响程度也就越大,因此,需要重点关注第Ⅰ区的强原因因子集及第Ⅳ区的强结果因子集。

下面是原因-结果图的代码,为了图形美观,笔者代码水平也很有限,所以做了大量的调整,大家可以看着自己来。

import matplotlib as mpl
import matplotlib.pyplot as plt

#设置图形格式
config = {
            "font.family": 'serif',
            "font.size": 14,
            "mathtext.fontset": 'stix',
            "font.serif": ['SimSun'],
            'axes.unicode_minus': False
          }
mpl.rcParams.update(config)

#x轴为上文计算出的中心度
x = [2.9456079466124003,
 3.243636237536544,
 0.5565493379272154,
 1.9429001271455832,
 3.205862930468748,
 2.627384244237508,
 2.4431692291267364,
 1.891879956077375,
 3.017054245988732,
 2.609503379763571]

y = [1.5128414543332274,
 -0.9939990519336557,
 0.5565493379272154,
 -0.1661886145842798,
 -0.8173828786366384,
 -0.6568575842419181,
 0.3753242725311403,
 -0.015046149922503416,
 0.6625117023194962,
 -0.4577524877920831]

#因子名
factors_name = [r'$x_1$', r'$x_2$', r'$x_3$', r'$x_4$', r'$x_5$',
                r'$x_6$', r'$x_7$', r'$x_8$', r'$x_9$', r'$x_{10}$']

#画散点图,并增加相应名称、线段和调整大小和位置
plt.scatter(x, y, s=3, c='k')

plt.xlabel('中心度')
plt.ylabel('原因度')
for i in range(len(x)):
    if i == 0:
        plt.text(x[i]+0.025, y[i]-0.085, factors_name[i], fontsize=17)
    elif i == 3:
        plt.text(x[i]+0.025, y[i]-0.1, factors_name[i], fontsize=17)
    elif i == 6:
        plt.text(x[i]-0.18, y[i]-0.1, factors_name[i], fontsize=17)
    elif i == 7:
        plt.text(x[i]-0.15, y[i]-0.12, factors_name[i], fontsize=17)
    else:
        plt.text(x[i]+0.025, y[i]+0.025, factors_name[i], fontsize=17)

plt.vlines(sum(x)/len(x), -1.55, 1.55, colors='k', linestyles='dashed')
plt.hlines(0, sum(x)/len(x)-2, sum(x)/len(x)+2, colors='k', linestyles='dashed')

plt.xlim(sum(x)/len(x)-2, sum(x)/len(x)+2)
plt.ylim(-1.55, 1.55)

plt.text(sum(x)/len(x)+2-0.2, 1.4-0.1, 'Ⅰ')
plt.text(sum(x)/len(x)-2+0.1, 1.4-0.1, 'Ⅱ')
plt.text(sum(x)/len(x)-2+0.1, -1.55+0.1, 'Ⅲ')
plt.text(sum(x)/len(x)+2-0.2, -1.55+0.1, 'Ⅳ')

plt.show()
节点度图

可达矩阵中每个因素所在行与所在列的和称为该因素的节点度,将各阈值对应的节点度由大到小排列,可得到不同阈值下疫情下大学生焦虑情绪形成因子的节点度衰减散点图。
为了得到可达矩阵,需要引入阈值剔除影响程度较小的关系, λ \lambda λ通常通过经验取值比较。这里分别取0.18、0.20、0.24和0.27
DEMATEL-ISM模型的Python实现——方法介绍以及代码复现
相应代码如下:

import matplotlib as mpl
import matplotlib.pyplot as plt

#设置图片格式
config = {
            "font.family": 'serif',
            "font.size": 14,
            "mathtext.fontset": 'stix',
            "font.serif": ['SimSun'],
            'axes.unicode_minus': False
         }
mpl.rcParams.update(config)

#x轴为递增的整数,y轴分别为不同lambda值时候的节点度,节点度在上文代码中可以算出
x = list(range(1, 11))

y_1 = [13.0, 12.0, 12.0, 11.0, 10.0, 10.0, 9.0, 7.0, 6.0, 2.0]   # lbd = 0.15
y_2 = [12.0, 11.0, 11.0, 8.0, 7.0, 7.0, 6.0, 5.0, 5.0, 2.0]      # lbd = 0.18
y_3 = [11.0, 8.0, 8.0, 7.0, 5.0, 4.0, 4.0, 4.0, 3.0, 2.0]        # lbd = 0.20
y_4 = [8.0, 7.0, 6.0, 5.0, 4.0, 3.0, 3.0, 2.0, 2.0, 2.0]         # lbd = 0.24

#画图
plt.plot(x, y_1, marker='o', linestyle='-', label='λ=0.15', linewidth=1, color='black')
plt.plot(x, y_2, marker='x', linestyle='-', label='λ=0.18', linewidth=1, color='black')
plt.plot(x, y_3, marker='*', linestyle='-', label='λ=0.20', linewidth=1, color='black')
plt.plot(x, y_4, marker='D', linestyle='-', label='λ=0.24', linewidth=1, color='black')

plt.legend()
plt.xlabel("序号")
plt.ylabel("节点度")
plt.show()
ISM图

通过最后的步骤可以做出系统要素间多级递阶有向拓扑图,这里就不展示了,根据步骤即刻得到之间的关系并作图。

后记

DEMATEL-ISM模型,更多只是矩阵间的相互计算,想要得出结果还是比较容易的。
它可以用来分析因子间的相互关系,做出阶梯式的关系模型图,但是也有主观性强等的缺点。
因为笔者水平有限,所以分析和代码可能不尽人意,多多包含~


  1. 李广利,严一知,刘文琦,陈耀光,吴泽玉.基于DEMATEL-ISM的矿工不安全情绪形成因子研究[J]…中国安全科学学报,2021,31(07):30-37.DOI:10.16265/j.cnki.issn1003-3033.2021.07.005. ↩︎

  2. A python library for MCDA methods. ↩︎文章来源地址https://www.toymoban.com/news/detail-419457.html

到了这里,关于DEMATEL-ISM模型的Python实现——方法介绍以及代码复现的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【Python】判断素数的三种方法以及for-else语句的介绍

      输入一个数,如果是素数就输出\\\"Yes\\\",否则输出\\\"No\\\" 自定义函数 is_prime() ,首先排除1,然后再对该数之前的数进行枚举,当遇到能被当前的数整除时返回False,若没有数能将其整除意味着这个数是素数,返回True。然后对返回的结果进行判断从而输出\\\"Yes\\\"或\\\"No\\\" 当然,我们可以

    2024年02月04日
    浏览(42)
  • 宽带信号处理实现DOA估计(ISM算法、MUSIC、MVDR、CBF)

    功率谱:                              功率谱:                              功率谱:                                    由快拍信号 计算协方差矩阵 ,其中 ,为快拍长度;对上述的空间谱公式遍历各个角度,计算对应角度的导向

    2024年04月23日
    浏览(40)
  • 一文速学-GBDT模型算法原理以及实现+Python项目实战

    目录 前言 一、GBDT算法概述 1.决策树 2.Boosting 3.梯度提升

    2024年01月15日
    浏览(40)
  • 一文速学-XGBoost模型算法原理以及实现+Python项目实战

    目录 前言 一、XGBoost模型概述 1.发展历史 2.算法改进之处 1.损失函数 2.分裂点选择 3.剪枝策略 4.正则化 5.学习率 6.提前停止 二、XGBoost算法原理 1.初始化构造目标函数  2.目标函数变换  变换优势总结 3.将树引入目标函数 4.构建最优树(贪心算法) 三、XGBoost实战-贷款违约预测模

    2024年02月03日
    浏览(51)
  • 【人工智能】简单线性回归模型介绍及python实现

    简单线性回归是人工智能和统计学中一个基本的预测技术,用于分析两个连续变量之间的线性关系。在简单线性回归中,我们试图找到一个线性方程来最好地描述这两个变量之间的关系。 变量 :简单线性回归涉及两个变量 - 自变量(independent variable)和因变量(dependent vari

    2024年01月17日
    浏览(56)
  • 【数据分析】中介效应的简介、模型、python代码实现以及数据可视化

    当谈到因果关系时,中介效应是一种非常重要的概念。中介效应发生在一个变量(中介变量)部分地中介了另外两个变量之间的关系。 中介效应发生在以下情况下: 一个变量(中介变量)部分地中介了另外两个变量之间的关系。假设自变量X对因变量Y产生了影响,而这种关系

    2024年02月06日
    浏览(42)
  • 【Python beautifulsoup】详细介绍beautifulsoup库的使用方法,包括安装方式、基本用法、常用方法和技巧,以及结合lxml和parsel的具体使用场景和区别。

    Python beautifulsoup库是一个强大的Web抓取和解析库,它提供了丰富的功能和简单易用的API,可以帮助我们处理HTML和XML文档,从中提取数据,进行数据清洗和处理。beautifulsoup库基于Python标准库中的html.parser模块,同时还可以与第三方解析库lxml和parsel配合使用,提供更高效和灵活的

    2024年02月04日
    浏览(63)
  • python实现OCR的多种方法(安装部署以及应用实例)

    基于python实现OCR的五种方法 1.pytesseract 1.1简介 1.2安装部署 1.3应用举例 2.PaddleOCR 2.1简介 2.2安装部署

    2024年02月11日
    浏览(82)
  • 决策树的原理、方法以及python实现——机器学习笔记

    * * * * * *  The Machine Learning Noting Series  * * * * * * 决 策树(Decision Tree)是机器学习的核心算法之一,在较小训练样本或有限计算资源下仍有较好表现,它包括分类树和回归树,是目前应用最广泛的分类预测和回归预测方法。 0 引言 1 决策树的概念     分类树     回归树 2  

    2024年02月04日
    浏览(52)
  • 【python】虚拟屏幕实现selenium截图的两种方法介绍

    可以使用虚拟屏幕的方式,在虚拟屏幕上运行浏览器并进行截图操作,这样就不会影响当前屏幕的展示。 具体实现可以使用Xvfb和pyvirtualdisplay库。Xvfb是虚拟X11服务器,可以在内存中创建一个虚拟屏幕,而pyvirtualdisplay是一个Python库,可以在Python代码中启动和控制Xvfb。 以下是一

    2024年01月22日
    浏览(38)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包