CRITIC 客观赋权：它在奖励什么，什么时候会悄悄失效

做评估的人都躲不开一个问题：权重谁说了算。 专家打分（AHP）会被质疑"拍脑袋"，于是很多报告里出现了 CRITIC——号称"让数据自己定权重"的客观赋权法。但我见过的大部分用法，只是把公式跑了一遍：权重表贴出来了，至于它到底在奖励什么、惩罚什么、什么条件下会悄悄失效，没人说得清。

这篇把 CRITIC 拆开讲透：两个直觉、五步计算、一个完整算例，以及两个几乎没人提但会让结果变成摆设的陷阱。

一、CRITIC 在奖励什么

CRITIC（Criteria Importance Through Intercriteria Correlation，Diakoulaki 等，1995）给指标定权重，只看数据的两个性质：

区分度——一个指标如果所有对象都考一样的分，它就分不出好坏，不配拿权重。用标准差 $\sigma_j$ 度量：波动越大，区分能力越强。

冲突性——一个指标如果和其他指标高度正相关，它讲的是别人已经讲过的故事，信息是冗余的。用相关系数度量：$\rho_{jk}$ 越低（越"对着干"），指标 $j$ 携带的独特信息越多。

两者相乘，得到指标 $j$ 的信息量：

$$C_j = \sigma_j \sum_{k=1}^{n}\left(1-\rho_{jk}\right)$$

权重就是信息量的归一化：

$$w_j = \frac{C_j}{\sum_{k=1}^{n} C_k}$$

一句话：CRITIC 把权重发给"既能拉开差距、又不随大流"的指标。 这和熵权法只看离散度是本质区别——后面算例里你会看到，同一份数据，两种方法能给同一个指标判出完全相反的命运。

二、五步计算

设 $m$ 个评估对象、$n$ 个指标，原始矩阵 $X=(x_{ij})_{m\times n}$。

第一步，标准化。 正向指标（越大越好）：

$$r_{ij} = \frac{x_{ij}-\min_i x_{ij}}{\max_i x_{ij}-\min_i x_{ij}}$$

负向指标分子倒过来（$\max_i x_{ij} - x_{ij}$）。这一步同时完成了方向统一和量纲消除。

第二步，算每列标准差 $\sigma_j$（样本标准差，分母 $m-1$）。

第三步，算指标间 Pearson 相关矩阵 $\rho_{jk}$。

第四步，算信息量 $C_j = \sigma_j\sum_k(1-\rho_{jk})$。

第五步，归一化得权重 $w_j$。

没有迭代、没有超参数、二十行代码的事。难的不是算，是看懂算出来的东西。

三、算例：三个指标，一个被砍

设一个工业园区水效评估的场景（数据为教学合成，非真实企业数据）：5 家企业、3 个正向指标——X1 重复利用率、X2 万元增加值用水量下降率、X3 再生水替代率。

跑完五步，中间量和权重是：

注意两件事。

第一，min-max 标准化之后，σ 的差异往往很小。每列都被压到 [0,1]，极差归一，除非分布形状差异很大，标准差都在 0.4 附近。很多论文把 CRITIC 权重差异解读成"某指标波动大"，其实在 min-max 口径下，真正干活的常常是相关性那一项。

第二，X3 为什么被砍？看相关矩阵就懂：X3 与 X1 的 ρ = 0.44，与 X2 的 ρ = 0.33——它和谁都同向。企业重复利用率高的，再生水替代率也高，X3 没有提供独立的排序信息，CRITIC 判它冗余。

同一份数据交给熵权法，结论反转：熵权只看离散度、完全不看相关性，X3 反而拿到三者中最高的 0.384。

四、陷阱一：只有两个指标时，CRITIC 严格退化

这是我在一个真实项目里推过的结论。如果某一层评估只有 2 个指标，写出信息量：

$$C_1 = \sigma_1(1-\rho_{12}), \qquad C_2 = \sigma_2(1-\rho_{21})$$

而 $\rho_{12}=\rho_{21}$，归一化时 $(1-\rho)$ 上下相消：

$$w_1 = \frac{\sigma_1(1-\rho)}{\sigma_1(1-\rho)+\sigma_2(1-\rho)} = \frac{\sigma_1}{\sigma_1+\sigma_2}$$

CRITIC 引以为傲的冲突性信息，贡献严格为零。 两个指标是相关 +0.99 还是 −0.99，权重纹丝不动：

这不一定是坏事——"波动大的指标多拿权"对两指标场景仍是合理逻辑。但报告里如实写"标准差赋权"比写"CRITIC 组合赋权"诚实：后者暗示你用上了冲突性信息，而数学上你没有。想让 CRITIC 名副其实，指标数至少 3 个起。

五、陷阱二：样本从哪来

CRITIC 的输入是一个 样本 × 指标 矩阵，σ 和 ρ 都是跨样本统计量。样本哪里来，决定了权重是不是真的"客观"。

截面样本（标准用法）：同一年、多个评估对象（5 家企业、20 个园区）。σ 度量"对象间差距"，ρ 度量"指标间冗余"，语义干净。经验上样本数至少要指标数的 2–3 倍，5 个对象配 3 个指标已经是下限。

时序样本（勉强用法）：只有 1 个评估对象（一个区域、一个园区），拿年份当样本。此时三个折扣要心里有数：

1. 年度点太少直接退化。 只有 2 个年度时，min-max 后每列都是 {0, 1}：两列标准差恒相等、相关系数只能 ±1——要么权重除零未定义，要么被迫均分。这不是"算不准"，是无信息量。5 个年度是"能算不报错"的下限，估计噪声仍然很大。
2. 趋势污染 σ。 政策起步期指标单调爬坡（比如再生水利用率从 0 一路涨），σ 被趋势主导，度量的是"涨了多少"而不是"信息多少"。
3. 规则值污染。 "基期为 0 时增长率统一赋 100%"这类人为规则值是尖峰，进 CRITIC 前必须剔除或截尾，否则一个 100% 把 σ 拉爆。

所以遇到"单对象 + 短序列"的层级，老实用主观赋权或不加权的纵向对比，把客观赋权写成"数据累积够了再启用"的动态条款——方法要配得上数据，硬凑一个退化的权重表，比承认数据不够更不体面。

六、实战：一个三层体系，两个陷阱各踩一个

上面两个陷阱不是纸上谈兵。看一个真实的三层水效评估体系（某工业集聚区，层级架构如下）：

方法章写的是"大、小、点循环分别采用 AHP + CRITIC 组合赋权"。实际算下来：

点循环兑现了。 5 家企业构成截面，σ 和 ρ 语义干净，CRITIC 逐年可算，再配 TOPSIS 做排名分级，链路完整。

大、小循环没有兑现，也兑现不了。 评估对象只有 1 个，唯一能当样本的轴是年份，而年份只有 2 个——正是陷阱二的极端情形：min-max 后每列都是 {0, 1}，两列 σ 恒相等、ρ 只能 ±1，权重要么除零未定义、要么被迫均分。于是成果章里这两层只列了指标值看年度趋势，全文找不到 C1–C4 的任何权重表。承诺了三层组合赋权，兑现了一层。

更微妙的是，唯一"能算"的点循环也没逃掉：它只有 C5、C6 两个指标——陷阱一。表面上逐年跑了完整 CRITIC（两年组合权重 0.48/0.52、0.51/0.49），数学上这就是两列标准差之比，相关性项一分力没出。

一个体系，两个陷阱各踩一个。教训不是"这个体系做错了"——三层拆分本身合理，点循环的 TOPSIS 排名也真有用——而是方法章的措辞要配得上实际算出来的东西：大、小循环如实写 AHP 主观赋权（或不加权纵比），把客观赋权写成"年度数据或评估对象攒够后启用"的动态条款；点循环要么把指标扩到 3 个以上，要么承认自己是标准差赋权。

七、什么时候用，怎么用

我的使用清单：

• 用：多对象横向比较（企业排名、园区对标）、指标 ≥3、样本 ≥ 指标数 2 倍、指标间确有冗余嫌疑需要数据裁决。
• 别用：单对象纵向评估、指标只有 2 个（直接叫标准差赋权）、样本里混着规则值/插补值没清洗。
• 别单用：CRITIC 完全由数据说话，而数据不懂政策。实务里常与 AHP 线性组合——$W = \alpha W_{AHP} + (1-\alpha) W_{CRITIC}$，α 取 0.5 是常见起点：专家管导向，数据管区分。争议点在 α 上吵，比在整个权重表上吵便宜得多。

最后一句话总结：CRITIC 不是"客观"的免检章，它只是把"什么算重要"这个判断，从专家的脑袋挪到了三个统计量（σ、ρ、归一化）的组合里。 你得先看懂这三个统计量在你的数据上各自在说什么，权重表才配进报告。