3．4评价指标权重及评价标准的确定
虽然在指标选择的过程中遵循重要性原则，选入指标体系的因素都是对建筑节能有重要影响的因素，但并不意味着指标之间的重要性相同。因此，不能将各指标的得分简单相加，而必须进行加权平均。加权平均的关键是各指标权重的确定。在多指标的综合加权评价中，确定各项指标的权重是非常关键的环节。对各指标权重系数确定的精确度和科学性将直接影响评价结果的可靠性。
3.4.1权重确定方法的比较及选择
目前，关于权系数的确定方法有数十种之多，根据计算权系数时原始数据的来源不同，确定权重的方法可大致分为两类：主观赋权法与客观赋权法。主观赋权法根据决策者对各指标的主观重视程度赋权，如Delphi法、二项系数法、AHP法、模糊聚类法和比重法等；客观赋权法依据客观信息（如决策矩阵）进行赋权，如主成分分析法、熵值法、多目标规划法、熵值法、灰色关联度法、人工神经网络定权法、因子分析法、回归分析法和路径分析法等。
这两类方法各有其优点和缺点：主观赋权法客观性较差，但解释性强；客观赋权法确定的权数在大多数情况下精度较高，但有时会与实际情况相悖，而且对所得结果难以给予明确的解释。
1．客观赋权法
（1）熵值法
熵值法的基本原理是根据指标变异性的大小来确定客观权重熵值。在计算指标权重时，若某个指标中的各个数值之间变化不大，则该指标在综合分析中起的作用小，即权小，相反则权大。利用熵值法求权重，需要收集完整的样本数据，然后计算各个指标的熵值，通过熵值确定权重。
（2）灰色关联度法
灰色关联度法反映事物间在发展过程中的关联程度。把系统作为一个发展变化的系统，进行动态过程发展态势的量化分析。其本质上是几种曲线间的几何形状的分析比较，形状越接近，则发展变化态势越接近，关联度越大。该方法的优点是计算所需样本数据少，计算量小，计算结果精度高。缺点是要求有样本数据且该样本数据应具有时间序列特性。
（3）主成分分析法
主成分分析法通过用一些较小的新的数量指标（因子）代替原来较多的指标，这些新指标是原来指标的线性组合，能充分载有原来指标的信息，起到降维的作用，而且指标间不相关。可用新指标对原来信息的反映程度作为权。该方法客观性强，避免了人为赋权所造成的偏差。缺点是新指标不可能完全反映原来指标的信息，有一定的偏差，适用于有数据的样本。
（4）CRITIC法
CRITIC（Criteria Importance ThroughIntercriteria Correlation）法的基本思路是确定指标的客观权数以评价指标间的对比强度和冲突性为基础。对比强度以标准差的形式来表现，即标准差的大小表明在同一指标内，各方案取值差距的大小。标准差越大，各方案之间取值差距越大。而各指标间的冲突性是以指标之间的相关性为基础。若两个指标之间具有较强的正相关，说明两个指标冲突性较低。该方法既考虑了指标变异大小对权重的影响，又考虑了各指标间的冲突性。当标准差一定时，指标间的冲突性越小，权重越小；冲突性越大，权重也越大。
（5）人工神经网络
人工神经网络（Artificial Neural Network，ANN）是在对人脑神经网络结构认识理解的基础上，人工构造的新型信息处理系统。神经网络可以充分逼近任意复杂的非线性关系，且具有分布存储、自适应和自组织等突出特点。当前应用最为广泛的BP 网络模型技术成熟，结构简单，工作状态稳定，可把一组样本的I／O 问题变为一个非线性优化问题。如果用BP网络来处理建筑节能的评价问题，就可以通过学习，自动归纳掌握各指标影响节能综合指标的规律，从而确定各项指标的权重。
还有许多其他客观赋权法，但原理基本类似，大多只作了部分改进。通过客观赋权法确定各指标的加权系数，决策或评价结果有较强的数学理论依据，避免了确定权重的随意性。主观赋权法中各指标权重的大小取决于各专家自身的知识结构、个人喜好，虽很好地反映了主观意愿，但其欠缺科学性、稳定性。考虑到其明显的缺陷，应首先考虑使用客观赋权法。
由于节能建筑影响因素众多，而且不同的项目对节能手段有不同的方法和侧重，不同的侧重手段都可以达到同样的节能效果。因此通过收集住宅评价指标数据，利用同一指标在不同住宅中的变化来反映权重的大小不合理、不可行，即无法利用熵值法及与熵值法类似的如标准离差法确定权重。而使用人工神经网络，需要比较大的训练集，在反复的训练中系统自动调节权重。如果可供训练的样本较少，用这一方法，有很大的误差。因此，也排除利用人工神经网络法。
其他的客观赋权法，都需要收集大量数据资料，然后通过一定的数学方法计算得到权重。考虑到要收集完整的、全面的数据的困难性，客观赋权容易受到样本数据的影响，不同的样本会根据同一方法得出不同的权数，尤其是建筑节能评价体系中很多指标对节能效果影响程度的模糊性，利用客观赋权法确定各评价指标的权重很不科学。因此，考虑使用主观赋权法。
2．主观赋权法
主观赋权法是研究者根据其主观价值判断来指定各指标权数的一类方法，常见的有专家咨询法、AHP法、环比评分法、模糊聚类法和比重法等。
（1）专家咨询法
专家咨询法也称德尔菲（Delphi）测定法，该方法采取匿名的方式广泛征求专家的意见，经过反复多次的信息交流和反馈修正，使专家的意见逐步趋向一致，当专家意见分歧程度局限在5%～10%时则停止调查。最后对专家意见进行统计、处理、分析和归纳，客观地综合多数专家经验与主观判断。这是对大量难以采用技术方法进行定量分析的因素做出评价的一种定量与定性相结合的预测、评价方法。
该方法适用范围广，不受样本是否有数据的限制；缺点是受专家知识、经验等主观因素影响，过程较繁琐，适用于不易直接量化的一些模糊性指标。
（2）环比评分法
环比评分法又称DARE法，是一种通过各因素相对重要性系数来评价和选择创新方案的方法。首先根据功能系统图决定功能级别确定功能区；其次根据上下相邻两项功能的重要性进行对比打分，所打的分作为暂定重要性系数；第三对暂定重要性系数进行修正，以保证各项打分不出现零分情况，同时修正的系数是暂定系数的倍数关系；最后将各功能的修正重要性系数除以全部修正重要性系数之和，即得各功能区的权重。此方法适用于各个评价对象之间有明显的可比关系，能直接对比并能准确评定功能重要性系数。
（3）层次分析法
层次分析法（Analytic Hierarchy Process，AHP）是目前应用比较广泛的一种方法，它是美国运筹学家、匹兹堡大学的A．L．Saaty 教授于20世纪70年代提出的一种定性分析和定量分析相结合的系统分析方法。层次分析法是一种简便、灵活的多维准则决策的数学方法，它可以实现由定性到定量的转化，把复杂的问题系统化、层次化。在应用时首先要明确所要最终解决的问题。然后建立包含最高层、中间层和最低层组合排序的层次分析结构模型。专家针对同一层或同一域进行两两对比，并按规定的标度值构造判断矩阵。最后求出判断矩阵的特征向量并将特征向量归一化得到各因素的权重。
该方法对各指标之间重要程度的分析更具逻辑性，再加上数学处理，可信度较大，应用范围较广。缺点是各指标之间相对重要程度的判断因专家不同而有差异，有一定的主观性，适用于具有模糊性的指标或有样本数据的指标。
（4）模糊层次分析法
模糊层次分析法（Fuzzy Analytic Hierarchy Process，FAHP），是将模糊数学引入传统的层次分析法。模糊数学是研究和处理模糊问题的数学分支，它的一个主要任务是为一些定性问题的定量化提供数学语言和定量方法。基于上述两点，将AHP法与模糊数学相结合，即将AHP法在模糊环境中扩展是必要的，这一扩展就称为模糊层次分析法。
除了以上介绍的几种典型主观权重确定方法外，还有许多其他类似主观赋权法。不同方法有各自的适用范围和相对的优缺点，应结合评价指标的特征予以选择。
专家咨询法赋权具有一定的科学性，一定程度上反映了客户需求的相对重要性。但主要依靠专家自身经验，赋予各指标相应权重，这种方法有很大的主观性、随意性，有时候可能是完全错误的。因此，不选择专家咨询法。环比评分法适用于各个评价对象之间有明显的可比关系，能直接对比并准确评定功能重要性系数，而建筑节能各评价指标之间大多没有明显的可比关系，无法直接对比来确定其功能重要性系数。
利用层次分析法确定权重可以弱化人为因素，可以将人们的主观判断用数量形式来表达和处理，这种方法人们研究的较早，也较为成熟。但也存在一定的缺陷：①判断矩阵的一致性指标难于达到；检验判断矩阵是否具有一致性要判断矩阵的最大特征根λmax是否同矩阵的阶数n相等。若λmax＝n，则具有一致性。当阶数n较大时，精确计算λmax的工作量非常大。②判断一致矩阵的一致性与人类决策思维的一致性存在差异。③AHP法的核心是利用1～9个数量标度建立各层次上的判断矩阵。这种判断往往没有考虑人的判断模糊性，而实际中，人们在进行判断时常常自觉不自觉地使用模糊判断，即用一些模糊概念来描述问题。此外，1～9标度的划分本身也具有模糊性，它使用了许多模糊性的语言，如略重要、重要的多等。因而，用确定的量来描述AHP法有一定的片面性，从而降低了AHP法的有效性和实用性。
为了解决上述问题，人们引入了模糊一致矩阵。对传统的AHP进行改进，从而得到人们思维更加一致的模糊层次分析法（简称FAHP），使之条理化、科学化。应用模糊层次分析法，在保留层次分析法优点的基础上，充分考虑分析问题的模糊因素，使方法的容错性提高，减少了因为主观判断而引起的各种判断差异；各指标评分采用模糊概念，更客观、更确切地反映了所研究的问题，最后定出的指标权重也更符合实际；采用最优传递矩阵，获得一致性的模糊判断矩阵，简化了计算，提高了层次分析法的有效性和准确性。综合比较，选择模糊层次分析法有较强的可行性和科学性。
3.4.2模糊层次分析法的介绍
模糊层次分析法（Fuzzy Analytic Hierarchy Process，FAHP），是一种定性与定量相结合的决策分析方法。所谓“模糊性”，主要是指客观事物的差异之间存在着中间过渡，例如对一项科研成果，不同的人按不同的标准来进行评价，其结果往往不相同，即使用相同的标准，不同的人很可能也有不同的认识，显然，对于这些模糊现象，采用精确数学来处理是无能为力的。
采用模糊层次分析法确定指标权重的基本步骤如下。
1．建立评标指标体系模型
首先通过对问题的深入分析，确定所要解决问题的目标范围、影响因素及各因素的相互关系等，然后根据目标，将问题中包含的因素划分为不同的层次，形成一个递阶层次结构分析模型。模型通常由三个层次组成：目标层，准则层和方案层。最高层即目标层，一般为一个元素，它是解决问题的目标；中间层即准则层，是实现目标所要满足的要求和条件；最下层即方案层，是实现目标的具体方案。
2．各指标两两比较判断
首先采用1～9标度对各指标两两比较打分，打分方法与传统的AHP法一样。可以采用调查表请专家打分，在此基础上对打分进行模糊扩展。模糊扩展采用三角模糊数的形式。如在给定准则下，指标i比指标j重要，可以用三角模糊数Mij＝（l，5，u）表示，其中左右扩展l、u表示判断的模糊程度。当（u－l）越大，则比较判断的模糊程度越高；当u－l＝0时，则判断是非模糊的，与一般意义上的判断标度5相同。指标j与指标i的重要性比较，利用三角模糊数的倒数运算。例如，若Mij＝（l，m，u），则Mji＝M－1ij＝（1／u，1／m，1／l）。
3．构造模糊判断矩阵
专家对中间层ei和最底层eij的所有因素进行两两比较后，可构造出各自的三角模糊数判断矩阵R。如果有t位专家打分，则需汇总调查表，利用三角模糊数的加法运算，并取平均值来确定模糊判断矩R＝rijn×n。
4．采用最优传递矩阵进行一致性调整
在FAHP法中，对于模糊判断矩阵的一致性问题，若还是采用传统AHP法中的一致性判断和调整方法，显然计算烦琐。尽管不少文献提出了一些改进AHP法的一致性判断和调整方法，但由于FAHP法中，模糊判断矩阵实际上已与传统的AHP法中的判断矩阵有了很大的区别。因此，这些改进方法并不适用于FAHP法，需要寻找其他方法解决。为此，引入最优传递矩阵概念，自动调整模糊判断矩阵，使之满足一致性要求。
