论文部分内容阅读
摘要DTOPSIS法为逼近理想解的排序法，是一种对数据进行综合处理的模型。介绍了其原理和计算方法，并采用组合权重法确定各指标性状权重值，建立了基于信息熵和特尔菲法确定权重的DTOPSIS法决策模型。该模型既考虑了主观因素的影响，又考虑了样本指标体系中所固有的信息的重要性，并通过实例验证了该方法的合理性，为提高棉花品种综合评价的科学性和准确性提供了新思路。
关键词DTOPSIS法；棉花；综合评价
中图分类号S562文献标识码A文章编号0517-6611（2016）27-0010-03
AbstractThe method of DTOPSIS is a technique for order preference by similarity to ideal solution， which is a model to comprehensively process the data. The principle and calculation method were introduced. Combined weight method was used to determine the weighted value of each index. DTOPSIS decision model was established based on information entropy and Delphi method， which considered the influence of subjective factor， but also the importance of inherent information in sample index system. Rationality of this method was verified by the living example， which provided a new thought for enhancing the accuracy and scientificity of the comprehensive evaluation of cotton.
Key wordsDTOPSIS method； Cotton； Comprehensive evaluation
对农作物品种进行综合评价是育种和推广工作的一个重要环节[1]。传统的评价方法主要是针对单一的产量数据进行方差分析，其余性状仅供参考[2]。实际上，一个品种除产量性状外，品质、抗逆性等都是限制品种选育方向以及推广应用的重要影响因子。根据育种和生产实践，只有综合性状表现较好的品种才有推广价值[3]。因此，采用科学合理的方法对作物品种进行综合评价尤为重要。陈蜓[4]于1987年在《决策分析》中提出了DTOPSIS法，1990年姚兴涛将其改进后应用于区域经济发展的多目标决策，主要是解决多目标间的不可公度性和目标间的矛盾性[5-6]，由于农作物品种综合评价中各参考性状间的关系与此类似，目前一些农业科技工作者将该法应用于品种综合评价[7] 。笔者探讨了其在棉花品种（系）综合评价中的应用，旨在为棉花品种的选育和推广提供理论依据。
1材料与方法
1.1材料
供试品种包括豫早516、中389、新8704、中3051、中植85005、中92103和中17。
1.2方法
1.2.1指标权重的确定。
采取调查的方法，向有关专家征求意见，就评价因子的重要程度进行排序，然后综合整理专家意见。在进行重要程度排序时，序号越小的因子越重要。为降低专家意见的分散度，第1次排序后，计算出各评价因子的均值，把结果反馈给专家，供专家第2次排序时参考，如此反复（一般4次），便可得出比较满意的结果[8-10]。计算各评价因子的权重值。
1.2.2各指标组合权重的确定。
在评价过程中，由于评价指标较多，指标权重相差不大，为了放大指标之间的重要度差异，采用乘法合成法对各指标进行组合赋权[11-12]，即首先将主、客观赋权法确定的权重系数对应相乘，最后将乘积进行归一化处理。具体赋权公式为：
λj=ωjwj/mj=1ωjwj
式中，ωj和wj分别为利用AHP和熵值法确定的第j项指标的权重；λj为第j个指标的组合权重[13]。
1.2.3DTOPSIS法评价原理和步骤。
DTOPSIS法借助于多目标决策问题“理想解”和“负理想解”去排序，其特点是把每一个性状指标都量化为可比较的规范化标准，且对每一指标都找出其理想解和负理想解[14-16]，通过各指标间的差异比较，使品种的综合性状这一模糊指标量化为该品种对理想解的相对接近度，为育种者提供客观量化标准，从而客观全面地反映品种的优劣[17]。另外，DTOPSIS法采用了正向和逆向指标[18]，使各性状的量化指标更为合理、客观[19]。其具体步骤为：
2结果与分析
2.1评价矩阵的建立
引用文献[8]的数据建立评价矩阵A。7个品种12个性状指标列于表1。
2.2无量纲化处理
12个性状分2类：①正向指标（皮棉产量、霜前皮棉产量、霜前花率、2.5%跨长、整齐度、比强度），以7个品种中最大值为分母，分别去除各品种该指标数值。②逆向指标（生育期、枯萎病指、黄萎病指、红叶茎枯病指、铃病率、麦克隆值），以7个品种中相应性状指标的最小值为分子，各品种该性状指标数值为分母，即可得到矩阵Z（表2）。
2.3决策矩阵的建立
将各个性状指标分别赋予不同权重Wj（Wj∈[0，1]），采用文献[8]赋予各性状的权重值，按表1中顺序分别为0.30、0.10、 0.05、0.05、0.10、0.10、0.03、0.02、0.10、0.05、0.05和0.05。用各指标权重Wj去乘Z的第j列，得到决策矩阵R（表3）。 2.4DTOPSIS法综合评判结果
根据R得到理想解与负理想解数列：
X+={0.300 0，0.100 0，0.050 0，0.050 0，0.100 0，0.100 0，0.030 0，0.020 0，0.100 0，0050 0，0.050 0，0.050 0}
X-={0.270 3，0.086 0，0.048 4，0.046 4，0.063 6，0.050 7，0.015 3，0.006 7，0.092 7，0.044 8，0.045 2，0.046 6}
将X+i和X-i与Rij分别代入式（1）、（2），得到S+i和S+i， 再将S+i及S-i代入式（3）得到Ci值（表4）。从Ci值和产量大小排序可以看出，除了中3051和中17这2个品种产量排序和Ci序值不相同外，其余5个品种产量排序和Ci序值完全相同。新8704品种因皮棉产量最高、抗病性、2.5%跨长、整齐度等方面表现特别突出，综合表现居第1位；中3051产量排序第5，但晚熟、抗病性差，所以综合表现Ci值最小。7个区试品种的DTOPSIS法综合评判结果与文献[8]运用灰色关联度评判的结果完全一致。这说明应用DTOPSIS法综合评价品种完全可行，DTOPSIS法和灰色关联度法得到的结论均准确且具有可比性，能够相互印证。
安徽农业科学2016年
3讨论
农作物新品种综合评价是育种工作的一个重要环节[25-27]。而一个品种往往包括多个性状指标，各个性状指标无统一度量[28]，并且许多性状指标之间呈负相关关系，因而难以找到一个各性状都达到理想目标的品种[29]。DTOPSIS法主要是解决多目标间的不可公度性和目标间的矛盾性。它为全面分析农作物品种区域试验资料提供了新的方法，尤其是在各品种产量用新复极差测验差异不显著的情况下，用该方法更能全面地评价各参试品种[30]。DTOPSIS法与灰色关联度法相比，无需构建参考品种，和其他模糊综合评价方法相比，其原理易懂、计算简便[31]，易于通过微机应用Excel软件操作[32]，所以该法应用前景广阔。
运用DTOPSIS法评价作物品种的关键在于参考性状的选择和权重大小的确定。由于各地生态条件和生产限制因素的不同，在人为确定综合评价性状指标和权重时，各地差异较大，这也是造成评价产生差异的主要原因。因此，在运用该方法时，评价指标和权重的确定要结合当地的生态条件和生产实际情况选取。
DTOPSIS法主要侧重于品种的综合性状，对某些具有高产潜力的特殊适应性品种，无法找出其特别适应区域。因此，在分析品种区域试验资料时，若将该法和方差分析法以及高稳系数法（HSC）相结合，更能全面客观地评价参试品种。
参考文献
[1] 魏亚凤，江银荣，潘宝国.应用DTOPSIS法综合评价大麦新品种的初步研究[J].大麦科学，2002（4）：20-22.
[2] 胡守林，万素梅，王汉全.南疆棉区应用DTOPSIS法综合评价棉花新品种的初步探索[J].棉花学报，2002，14（1）：41-43.
[3] 苏天增，侯乐新.DTOPSIS法在甜玉米品种综合评价中的应用[J].商丘职业技术学院学报，2009，2（8）：92-95.
[4] 陈蜓.决策分析[M].北京：科学出版社，1987.
[5] 周新仁，孔祥丽.用DTOPSIS法综合评价玉米区域试验[J].玉米科学，2005（13）：32-33.
[6] 姚兴涛.区域城乡社会经济协调发展系统研究[D].郑州：河南农业大学，1990.
[7] 卢为国，李为国.DTOPSIS法综合评价大豆新品种的初步探讨[J].中国油料作物学报，1998，20（3）：22-26.
[8] 陈荣江，孙长法，张艳凤.运用灰色关联度对棉花区试品种的综合评价[J].吉林农业大学学报，1998，20（4）：73-77.
[9] 远亚丽.顾客导向视觉下物流服务质量的集对分析[J].湖州师范学院学报，2012（4）：91-95.
[10] 张淼，周平，江映翔，等.环境影响评价中公众参与定量评价新方法研究[J].昆明理工大学学报（理工版），2006（2）：93-96.
[11] 刘红.制造企业竞争力评价体系研究[D].昆明：昆明理工大学，1999.
[12] 周展超.哈尔滨重点工业企业节能项目多目标综合评价模型研究[D].哈尔滨：哈尔滨工业大学，2009.
关键词DTOPSIS法；棉花；综合评价
中图分类号S562文献标识码A文章编号0517-6611（2016）27-0010-03
AbstractThe method of DTOPSIS is a technique for order preference by similarity to ideal solution， which is a model to comprehensively process the data. The principle and calculation method were introduced. Combined weight method was used to determine the weighted value of each index. DTOPSIS decision model was established based on information entropy and Delphi method， which considered the influence of subjective factor， but also the importance of inherent information in sample index system. Rationality of this method was verified by the living example， which provided a new thought for enhancing the accuracy and scientificity of the comprehensive evaluation of cotton.
Key wordsDTOPSIS method； Cotton； Comprehensive evaluation
对农作物品种进行综合评价是育种和推广工作的一个重要环节[1]。传统的评价方法主要是针对单一的产量数据进行方差分析，其余性状仅供参考[2]。实际上，一个品种除产量性状外，品质、抗逆性等都是限制品种选育方向以及推广应用的重要影响因子。根据育种和生产实践，只有综合性状表现较好的品种才有推广价值[3]。因此，采用科学合理的方法对作物品种进行综合评价尤为重要。陈蜓[4]于1987年在《决策分析》中提出了DTOPSIS法，1990年姚兴涛将其改进后应用于区域经济发展的多目标决策，主要是解决多目标间的不可公度性和目标间的矛盾性[5-6]，由于农作物品种综合评价中各参考性状间的关系与此类似，目前一些农业科技工作者将该法应用于品种综合评价[7] 。笔者探讨了其在棉花品种（系）综合评价中的应用，旨在为棉花品种的选育和推广提供理论依据。
1材料与方法
1.1材料
供试品种包括豫早516、中389、新8704、中3051、中植85005、中92103和中17。
1.2方法
1.2.1指标权重的确定。
采取调查的方法，向有关专家征求意见，就评价因子的重要程度进行排序，然后综合整理专家意见。在进行重要程度排序时，序号越小的因子越重要。为降低专家意见的分散度，第1次排序后，计算出各评价因子的均值，把结果反馈给专家，供专家第2次排序时参考，如此反复（一般4次），便可得出比较满意的结果[8-10]。计算各评价因子的权重值。
1.2.2各指标组合权重的确定。
在评价过程中，由于评价指标较多，指标权重相差不大，为了放大指标之间的重要度差异，采用乘法合成法对各指标进行组合赋权[11-12]，即首先将主、客观赋权法确定的权重系数对应相乘，最后将乘积进行归一化处理。具体赋权公式为：
λj=ωjwj/mj=1ωjwj
式中，ωj和wj分别为利用AHP和熵值法确定的第j项指标的权重；λj为第j个指标的组合权重[13]。
1.2.3DTOPSIS法评价原理和步骤。
DTOPSIS法借助于多目标决策问题“理想解”和“负理想解”去排序，其特点是把每一个性状指标都量化为可比较的规范化标准，且对每一指标都找出其理想解和负理想解[14-16]，通过各指标间的差异比较，使品种的综合性状这一模糊指标量化为该品种对理想解的相对接近度，为育种者提供客观量化标准，从而客观全面地反映品种的优劣[17]。另外，DTOPSIS法采用了正向和逆向指标[18]，使各性状的量化指标更为合理、客观[19]。其具体步骤为：
2结果与分析
2.1评价矩阵的建立
引用文献[8]的数据建立评价矩阵A。7个品种12个性状指标列于表1。
2.2无量纲化处理
12个性状分2类：①正向指标（皮棉产量、霜前皮棉产量、霜前花率、2.5%跨长、整齐度、比强度），以7个品种中最大值为分母，分别去除各品种该指标数值。②逆向指标（生育期、枯萎病指、黄萎病指、红叶茎枯病指、铃病率、麦克隆值），以7个品种中相应性状指标的最小值为分子，各品种该性状指标数值为分母，即可得到矩阵Z（表2）。
2.3决策矩阵的建立
将各个性状指标分别赋予不同权重Wj（Wj∈[0，1]），采用文献[8]赋予各性状的权重值，按表1中顺序分别为0.30、0.10、 0.05、0.05、0.10、0.10、0.03、0.02、0.10、0.05、0.05和0.05。用各指标权重Wj去乘Z的第j列，得到决策矩阵R（表3）。 2.4DTOPSIS法综合评判结果
根据R得到理想解与负理想解数列：
X+={0.300 0，0.100 0，0.050 0，0.050 0，0.100 0，0.100 0，0.030 0，0.020 0，0.100 0，0050 0，0.050 0，0.050 0}
X-={0.270 3，0.086 0，0.048 4，0.046 4，0.063 6，0.050 7，0.015 3，0.006 7，0.092 7，0.044 8，0.045 2，0.046 6}
将X+i和X-i与Rij分别代入式（1）、（2），得到S+i和S+i， 再将S+i及S-i代入式（3）得到Ci值（表4）。从Ci值和产量大小排序可以看出，除了中3051和中17这2个品种产量排序和Ci序值不相同外，其余5个品种产量排序和Ci序值完全相同。新8704品种因皮棉产量最高、抗病性、2.5%跨长、整齐度等方面表现特别突出，综合表现居第1位；中3051产量排序第5，但晚熟、抗病性差，所以综合表现Ci值最小。7个区试品种的DTOPSIS法综合评判结果与文献[8]运用灰色关联度评判的结果完全一致。这说明应用DTOPSIS法综合评价品种完全可行，DTOPSIS法和灰色关联度法得到的结论均准确且具有可比性，能够相互印证。
安徽农业科学2016年
3讨论
农作物新品种综合评价是育种工作的一个重要环节[25-27]。而一个品种往往包括多个性状指标，各个性状指标无统一度量[28]，并且许多性状指标之间呈负相关关系，因而难以找到一个各性状都达到理想目标的品种[29]。DTOPSIS法主要是解决多目标间的不可公度性和目标间的矛盾性。它为全面分析农作物品种区域试验资料提供了新的方法，尤其是在各品种产量用新复极差测验差异不显著的情况下，用该方法更能全面地评价各参试品种[30]。DTOPSIS法与灰色关联度法相比，无需构建参考品种，和其他模糊综合评价方法相比，其原理易懂、计算简便[31]，易于通过微机应用Excel软件操作[32]，所以该法应用前景广阔。
运用DTOPSIS法评价作物品种的关键在于参考性状的选择和权重大小的确定。由于各地生态条件和生产限制因素的不同，在人为确定综合评价性状指标和权重时，各地差异较大，这也是造成评价产生差异的主要原因。因此，在运用该方法时，评价指标和权重的确定要结合当地的生态条件和生产实际情况选取。
DTOPSIS法主要侧重于品种的综合性状，对某些具有高产潜力的特殊适应性品种，无法找出其特别适应区域。因此，在分析品种区域试验资料时，若将该法和方差分析法以及高稳系数法（HSC）相结合，更能全面客观地评价参试品种。
参考文献
[1] 魏亚凤，江银荣，潘宝国.应用DTOPSIS法综合评价大麦新品种的初步研究[J].大麦科学，2002（4）：20-22.
[2] 胡守林，万素梅，王汉全.南疆棉区应用DTOPSIS法综合评价棉花新品种的初步探索[J].棉花学报，2002，14（1）：41-43.
[3] 苏天增，侯乐新.DTOPSIS法在甜玉米品种综合评价中的应用[J].商丘职业技术学院学报，2009，2（8）：92-95.
[4] 陈蜓.决策分析[M].北京：科学出版社，1987.
[5] 周新仁，孔祥丽.用DTOPSIS法综合评价玉米区域试验[J].玉米科学，2005（13）：32-33.
[6] 姚兴涛.区域城乡社会经济协调发展系统研究[D].郑州：河南农业大学，1990.
[7] 卢为国，李为国.DTOPSIS法综合评价大豆新品种的初步探讨[J].中国油料作物学报，1998，20（3）：22-26.
[8] 陈荣江，孙长法，张艳凤.运用灰色关联度对棉花区试品种的综合评价[J].吉林农业大学学报，1998，20（4）：73-77.
[9] 远亚丽.顾客导向视觉下物流服务质量的集对分析[J].湖州师范学院学报，2012（4）：91-95.
[10] 张淼，周平，江映翔，等.环境影响评价中公众参与定量评价新方法研究[J].昆明理工大学学报（理工版），2006（2）：93-96.
[11] 刘红.制造企业竞争力评价体系研究[D].昆明：昆明理工大学，1999.
[12] 周展超.哈尔滨重点工业企业节能项目多目标综合评价模型研究[D].哈尔滨：哈尔滨工业大学，2009.