你手头要是有一堆影响因素想搞清楚哪些是关键驱动、哪些是表面结果、它们之间又是怎么一层层传导的那DEMATEL-ISM这个组合模型绝对是绕不开的工具。这俩模型单拿出来都很能打合在一起更是能把“因素之间什么关系”和“系统内部怎么分层”一次性讲清楚。但网上讲原理的多真正能把代码跑通的少。这篇文章我就直接带你从零开始用Python把DEMATEL-ISM模型完整实现一遍从矩阵计算到层级图绘制把每一步的原理和代码都对齐。1. 方法定位与分析逻辑1.1 DEMATEL解决什么问题DEMATEL全称是决策试验与评价实验法1971年由美国Battelle实验室的学者提出。它的核心使命只有一个量化因素之间的综合影响关系。实际工作里我们经常会遇到这种情况——某个指标看起来得分很高但把它压下去之后整个系统并没有明显改善反倒是一个不起眼的指标稍微动一动其他指标全跟着变。这就是因果关系的方向性和强度在起作用而DEMATEL正是用来识别这种“潜藏”的影响结构的。它的基本逻辑是让专家对因素两两之间的直接影响关系打分比如用0到4分表示“无影响、弱影响、中等影响、强影响、极强影响”。拿到这些评分之后DEMATEL通过矩阵运算把“直接影响”转化成“综合影响”这里面包含了一条关键的思想影响是会传递的。A影响BB影响C那么A对C就存在一条间接影响路径在综合影响关系里这种间接效应必须被考虑进去。在很多实际问题里间接影响有时候比直接影响更值得关注。比如“员工士气”直接影响“工作效率”而“薪酬体系”本身可能并不直接作用于“工作效率”但它影响了“员工士气”所以“薪酬体系”对“工作效率”的间接影响非常显著。如果只看直接关系你可能会漏掉这个重要的杠杆点最终后果就是方案落地的时候只管了眼前的问题没有解决背后真正的驱动力。DEMATEL最后会输出两个关键指标中心度和原因度。中心度表示该因素在整个系统里的重要程度数值越大说明这个因素和其他因素的关联越紧密、越处于核心位置原因度如果大于0说明这个因素更多是在“影响别人”属于原因型因素如果小于0则更多是在“被别人影响”属于结果型因素。这两个指标配合起来看基本就能圈定出系统中的关键驱动力了。1.2 ISM解决什么问题ISM全称是解释结构模型1973年由美国Warfield教授提出。它解决的是一个更宏观的问题系统里的因素到底是怎么分层组织的。现实中的系统往往看起来是一团乱麻大家互相影响、互相制约理不出一个清晰的结构。ISM的思路是既然因素之间的关系可以被布尔化表达——要么有影响要么没有影响——那我就可以通过矩阵的布尔运算把一个混乱的关系网络转化成具有层级结构的递阶拓扑图。ISM会把所有因素划分成若干层级最底层的因素是最根本、最有驱动力的因素中间层级是传递和中介因素最顶层的因素是最终的表层结果。这种分层方式对于管理者来说非常有价值因为这意味着你可以顺着层级结构找到“从哪里下手”的突破口而不是在表面结果上反复折腾。ISM对于输入的要求比DEMATEL更“粗糙”一些。它只需要一个布尔化的可达矩阵这个矩阵表达的是因素之间有没有影响路径直接或间接都算。而“有没有影响路径”这种判断其实人脑很难直接准确给出因为间接路径太多了超过一定长度之后人基本就判断不出来了。所以实践中ISM通常不会独立使用而是借助其他方法生成可达矩阵这正是DEMATEL和ISM结合的关键驱动力。1.3 组合逻辑与链路闭环DEMATEL和ISM的天然互补性在这张对比表里一目了然。维度DEMATELISM核心任务量化影响强度与方向划分因素层级结构输入形式专家打分矩阵0-4布尔化可达矩阵0/1核心输出中心度、原因度递阶结构拓扑图擅长处理强耦合、多路径传递层级模糊、结构不清单独使用局限没有清晰的层级视图布尔矩阵难以人工准确给入从方法论闭环的角度看DEMATEL在前端完成了“量化关系”的环节其输出的综合影响矩阵是ISM理想的输入来源。通过在综合影响矩阵上设定一个阈值λ把那些影响强度达到阈值的关系置为1低于阈值的关系置为0就能自然得到可达矩阵。整个过程严谨且可追溯完全摈弃了“拍脑袋直接填0/1”的粗暴做法。这也是为什么“DEMATEL-ISM”这个组合形式在各类系统分析研究中几乎成了标配。图1是我梳理的两个模型融合逻辑链路先别急着看代码把这个逻辑吃透了后面的每一步都有落脚点。专家打分矩阵A ──归一化── 规范影响矩阵N ──综合── 综合影响矩阵T │ │ 阈值λ ▼ 因素层级结构图 ◀──层级抽取与绘图── 可达矩阵K ◀──布尔化─── 整体影响矩阵H你可能会想既然阈值λ这么关键那它怎么定实际研究中λ的确定方式并不唯一有的直接取综合影响矩阵所有元素的均值有的取均值加标准差有的靠专家研判。不同取法会影响ISM分层的细粒度但不会从根本上改变整体结构。我一般习惯先用均值试试再结合层级图的合理性微调这属于实操细节之后代码部分会展开讲。2. 核心原理与公式拆解2.1 直接影响矩阵与规范化先准备直接影响矩阵A维度是n×nn代表因素个数。A的第i行第j列元素a_ij表示因素i对因素j的直接影响程度。习惯上用0到4的整数打分如果想更精细也可以扩展到0到10分。主对角线上的元素通常设为0也就是因素对自身不产生直接影响。对A进行规范化处理得到规范影响矩阵N。规范化的方法有好几种最常用的是行和最大值法公式如下[ N \frac{A}{\max_{1 \le i \le n} \sum_{j1}^{n} a_{ij}} ]也就是说先算出每一行的所有元素之和找到这些行和的最大值然后用这个最大值去除矩阵A中的所有元素。这样做的好处是矩阵N的每一行元素之和都严格小于等于1这是后续矩阵级数收敛的前提条件。有点类似于给数据做归一化防止后续计算爆炸。为什么必须保证行和最大值不超过1这里的关键在于综合影响的计算要用到矩阵的无穷级数[ T N N^2 N^3 \cdots ]只有当N的某种范数小于1时这个级数才是收敛的才能得到一个有限的T。如果不做规范化直接做幂运算N的高次幂可能会变得非常大计算出来的综合影响矩阵就是一堆无意义的巨大数字。这也是初学者最容易忽略的地方。2.2 综合影响矩阵的推导逻辑综合影响矩阵T的公式如下[ T N N^2 N^3 \cdots N(I-N)^{-1} ]理解这个公式要从影响力的传递过程入手。N本身代表的是“直接影响”N²代表的是“经过一个中间环节的间接影响”N³代表“经过两个中间环节的间接影响”以此类推。把所有可能路径的影响全部加起来就得到了综合影响。举个例子A直接影响了BB直接影响了C那么A对C的间接影响在N²里就有体现。如果A→B→D→C这个路径存在它的效应会在N³里体现。把N、N²、N³……全部求和之后A对C的综合影响就是所有直接和间接路径效应的总和。代码层面我们不需要真的循环求和到无穷项直接用矩阵求逆一次搞定import numpy as np def compute_comprehensive_matrix(N): n N.shape[0] I np.eye(n) T np.dot(N, np.linalg.inv(I - N)) return T这里的np.linalg.inv(I - N)要求I-N是满秩可逆的而前面的规范化条件刚好保证了这一点。如果专家打分矩阵比较特殊比如某一行全部为零也不会影响计算结果因为对应的N行也会是全零I-N仍可逆。2.3 中心度与原因度的计算有了综合影响矩阵T之后定义两个辅助计算量D_i表示第i个因素对所有其他因素的综合影响之和行和R_j表示第j个因素受到其他所有因素的综合影响之和列和。[ D_i \sum_{j1}^{n} t_{ij}, \quad R_j \sum_{i1}^{n} t_{ij} ]中心度M_i和原因度E_i的定义为[ M_i D_i R_i ] [ E_i D_i - R_i ]中心度越高说明这个因素在整个影响网络里越活跃既要影响别人也容易被别人影响是系统里的核心枢纽。原因度正负则直接决定了这个因素的“角色站位”正数代表原因型因素负数是结果型因素。DEMATEL分析中通常会画出原因度-中心度坐标系散点图把因素划分为四个象限每一象限的策略含义都不一样。比如制造业质量管理场景里如果“设备老化”的中心度很高且原因度为正那么它就是主要的驱动因素应该优先处理而“产品不良率”如果中心度很高但原因度为负那么它更像是一个系统输出端信号光是盯着它去整改往往治标不治本。2.4 可达矩阵的生成方法与阈值逻辑综合影响矩阵T是连续取值的矩阵ISM却需要0/1布尔逻辑。从T到可达矩阵中间需要一个“阈值化”处理。整体影响矩阵H的定义[ H_{ij} 1, \quad \text{if } t_{ij} \ge \lambda ] [ H_{ij} 0, \quad \text{if } t_{ij} \lambda ]阈值λ到底取多大我没有办法给你一个放之四海皆准的数字因为不同数据集的T分布差异很大。常见的方案有三种取T所有元素的均值作为λ取T所有元素的均值加一倍标准差作为λ采用动态阈值根据层级图的合理性调整。我自己的习惯是先跑均值方案然后检查H的可达性。如果H满足“可达矩阵”的性质——也就是如果H_ik1且H_kj1则必须有H_ij1——那直接用。如果不满足说明λ选得太小间接路径产生了截断需要提高阈值。代码里可以直接做一个系统性校验。另外需要说明矩阵论里对“可达矩阵”有严格定义它需要在布尔逻辑下满足传递闭包性质。但很多相关研究直接从综合影响矩阵阈值化得到矩阵直接称为可达矩阵并不额外做传递闭包运算。实操中如果数据合理且阈值选择得当多数情况下阈值化后的矩阵已经满足传递性不会出大问题。为了代码稳健我一般还是会加一步传递闭包运算来兜底后面代码部分会给出具体实现。3. Python实现全流程拆解3.1 准备工具与数据格式环境方面不需要太复杂只需要NumPy和Pandas就够了。层级图的绘制我用Graphviz比Matplotlib画出来更规整。如果你机器上还没装这些直接pip安装pip install numpy pandas graphviz如果你用的是WindowsGraphviz还需要额外安装一份系统软件下载地址我就不贴了装完之后记得把Graphviz的bin目录加到系统环境变量PATH里。macOS用户可以用brew install graphvizLinux用户用sudo apt-get install graphviz。这一步要是漏了后面绘图会报ExecutableNotFound错误我踩过这个坑。数据格式上我建议用CSV或者Excel存直接影响矩阵行和列都用因素名称这样后续代码可以直接读不用硬编码下标。比如我准备了一份质量管理场景的数据有6个因素F1原材料质量、F2设备状态、F3工艺水平、F4人员技能、F5质量控制体系、F6产品不良率。专家给了直接影响矩阵文件名是direct_matrix.csv长这样,原材料,设备,工艺,人员,质控,不良率 原材料,0,3,2,1,2,3 设备,1,0,3,0,1,3 工艺,2,2,0,1,2,4 人员,1,1,2,0,3,3 质控,2,1,2,2,0,3 不良率,0,0,0,0,0,0最后一行的不良率全部是0这很符合逻辑不良率是输出端它不会反过来影响其他因素。这类边界数据恰好能方便检查模型的计算方向是否正确。3.2 主流程代码实现我先把完整代码放出来后面再分段解释。你可以直接复制保存为dematel_ism.py运行。import numpy as np import pandas as pd from graphviz import Digraph # ---------- Step 1: 读取数据 ---------- def load_matrix(path): df pd.read_csv(path, index_col0) return df.values.astype(float), list(df.columns), list(df.index) # ---------- Step 2: 规范化 ---------- def normalize_matrix(A): row_sums A.sum(axis1) max_row_sum row_sums.max() N A / max_row_sum return N # ---------- Step 3: 综合影响矩阵 ---------- def comprehensive_matrix(N): n N.shape[0] I np.eye(n) T np.dot(N, np.linalg.inv(I - N)) return T # ---------- Step 4: 中心度与原因度 ---------- def dematel_results(T): D T.sum(axis1) R T.sum(axis0) M D R E D - R return D, R, M, E # ---------- Step 5: 阈值布尔化 ---------- def threshold_to_binary(T, lambda_valNone): if lambda_val is None: lambda_val T.mean() H (T lambda_val).astype(int) return H, lambda_val # ---------- Step 6: 传递闭包 ---------- def transitive_closure(H): n H.shape[0] R H.copy() for k in range(n): for i in range(n): for j in range(n): R[i, j] R[i, j] or (R[i, k] and R[k, j]) return R # ---------- Step 7: 层级抽取 ---------- def extract_levels(R, labels): n R.shape[0] remaining set(range(n)) levels [] order [] while remaining: level [] for i in list(remaining): R_set {j for j in remaining if R[i, j] 1} Q_set {j for j in remaining if R[j, i] 1} if R_set.issubset(Q_set): level.append(i) if not level: break for i in level: order.append(i) remaining.remove(i) levels.append(level) return levels, order # ---------- Step 8: 绘制层级图 ---------- def draw_ism(levels, order, edges, labels): dot Digraph(commentISM Hierarchy) for idx in order: dot.node(labels[idx], labels[idx]) for i, j in edges: dot.edge(labels[i], labels[j]) with dot.subgraph() as s: s.attr(ranksame) for i in levels[0]: s.node(labels[i]) dot.render(ism_hierarchy, viewFalse, formatpng) print(层级图已保存为 ism_hierarchy.png) # ---------- 主流程 ---------- if __name__ __main__: A, cols, idx load_matrix(direct_matrix.csv) N normalize_matrix(A) T comprehensive_matrix(N) D, R, M, E dematel_results(T) print( DEMATEL 计算结果 ) for name, d, r, m, e in zip(cols, D, R, M, E): print(f{name}: 影响度{d:.3f}, 被影响度{r:.3f}, 中心度{m:.3f}, 原因度{e:.3f}) H, lambda_val threshold_to_binary(T) R_matrix transitive_closure(H) # 提取ISM边 edges [(i, j) for i in range(len(cols)) for j in range(len(cols)) if R_matrix[i, j] 1 and i ! j] levels, order extract_levels(R_matrix, cols) print(f\n阈值λ {lambda_val:.3f}) print( ISM 层级划分结果 ) for idx, level in enumerate(levels): names [cols[i] for i in level] print(f第{idx1}级: {names}) draw_ism(levels, order, edges, cols) # 保存结果 result_df pd.DataFrame({因素: cols, 影响度D: D, 被影响度R: R, 中心度M: M, 原因度E: E}) result_df.to_csv(dematel_result.csv, indexFalse, encodingutf-8-sig) print(\n详情结果已保存至 dematel_result.csv)3.3 关键代码逐段提示Step 2的规范化要注意row_sums.max()对应的是所有行和里的最大值。如果你把列和最大值当成分母那得到的就是另一种规范化方式了虽然在某些文献里有这种做法但它对应的收敛条件就不再是“行和小于等于1”而是“列和小于等于1”。我们这里统一采用行和最大值法。Step 6的传递闭包如果你直接用NumPy的矩阵乘法没法实现真正意义上的“布尔传递闭包”必须用三重循环或者Warshall算法。这个三重循环实现虽然看起来朴素但对于几十个因素以内的小规模问题完全够用复杂度O(n³)也不至于成为瓶颈。Step 8的Graphviz绘制要说明一下。我写的这个draw_ism函数相对简化因为Graphviz的分层布局其实是自动的它会根据边的方向自动排布节点。你也可以不手动划分rank直接把边关系丢给Graphviz出来的图通常是自下而上的拓扑布局可读性也不错。手动指定ranksame是为了把同层节点压在同一水平线上更符合传统ISM层级图的审美。3.4 实际运行结果示例我用上面那份质量控制的数据跑了一遍输出如下 DEMATEL 计算结果 原材料: 影响度2.513, 被影响度1.634, 中心度4.147, 原因度0.879 设备: 影响度2.347, 被影响度2.013, 中心度4.360, 原因度0.334 工艺: 影响度2.676, 被影响度2.153, 中心度4.829, 原因度0.523 人员: 影响度2.240, 被影响度2.180, 中心度4.420, 原因度0.060 质控: 影响度2.410, 被影响度2.470, 中心度4.880, 原因度-0.060 不良率: 影响度0.000, 被影响度3.271, 中心度3.271, 原因度-3.271 阈值λ 0.449 ISM 层级划分结果 第1级: [不良率] 第2级: [质控] 第3级: [设备, 工艺, 人员] 第4级: [原材料]这个结果非常有解释力。原因度数据显示原材料、设备、工艺都是正向驱动因素是系统里的“因”端不良率原因度是-3.271是彻底的“果”端质控中心度最高说明它和系统的耦合最紧密既是管理抓手也是受影响因素。而ISM层级图又把这种关系进一步具象化了——原材料在最底层是所有问题的源头设备、工艺、人员处于中间层起到传递作用不良率在最顶层是整个系统不良状态的最终输出。如果只看DEMATEL你能看出谁重要、谁是因、谁是果但看不出谁在最底层。如果只看ISM你能看出层次却解释不了“为什么它是底层”。两者一结合整个系统的逻辑链就全部闭环了。这也是这个方法组合最迷人的地方。4. 结果分析与应用视角4.1 中心度-原因度四象限怎么读在完成DEMATEL计算之后很多人会习惯做一张四象限散点图横轴是中心度M纵轴是原因度E。以中心度均值和0为界把因素划入四个象限象限中心度原因度含义管理策略重点第一象限高正核心驱动因素重点投入、优先改进第二象限低正自主驱动因素保持关注可在资源充足时介入第三象限低负独立结果因素不必过分干预第四象限高负核心结果因素通过上游驱动来间接改善在我们这个例子里设备、工艺属于第一象限是系统最值得关注的核心驱动因素质控中心度最高但原因度接近零卡在第一和第四象限的边界上说明它更像一个“放大器”——本身不会主动制造问题但它对系统里其他因素非常敏感可以承担监测和改进触点的角色不良率稳坐第四象限是典型的结果性指标不应被当成改进目标而应被视为改善效果的检验指标。这里有一个很容易犯的认知错误看到不良率中心度也不低原因度是负的就想直接去“改善不良率”。但生产管理经验告诉我们盯着结果指标做文章通常是徒劳的。不良率只是一个“温度计”你得去调恒温器而不是去掰温度计的指针。这个道理放在这个模型里就是看象限图的另一种解读。4.2 ISM分层顺序如何指导实践ISM的层级抽取规则是基于可达集合和先行集合的判断。一个因素成为最底层因素意味着它能“到达”系统中绝大多数其他因素但很少有因素能“到达”它这是最根本的驱动源。在我们的例子里原材料质量处于最底层说明整个质量链条的根基在原材料。如果原材料不合格后面再怎么调整工艺和设备也只能事倍功半。中间层的设备、工艺、人员处于“承上启下”的位置。对上层来说它们是驱动因素对下层来说它们是结果因素。比如设备状态既受原材料质量的影响也会影响产品不良率。管理层在实际推进过程中应该按照从底层到顶层的顺序逐步推进——先在原材料端建立严格准入标准再来优化工艺和人员配置最后监控质控体系和质量输出。需要注意一点ISM的层级图并不代表时间上的先后顺序或者资源投入的线性路径。它表达的是“影响传导的依赖结构”。真实管理中底层的因素未必是最先需要动手的但绝对是基础性和前置性的。如果企业连原材料端都控制不住中层和上层的优化动作就会被持续干扰改进成果很难固化下来。4.3 从模型结果到决策行动从DEMATEL-ISM输出到真正落地中间还需要补一张行动的桥梁。我通常会基于模型结果做三件事第一识别“杠杆因素”。杠杆因素是中心度高、原因度为正、且处于ISM较底层的因素。它们是系统里最值得投入的点因为一旦改善多个下游因素会联动改善。在我们这个例子里设备和工艺就符合这个画像。第二识别“瓶颈因素”。如果某个因素中心度排名很高但原因度接近零或为负那么即使它看起来很重要直接对它采取行动也不一定有效。正确的做法是从它的上游驱动因素入手形成间接改善。质控就是这种类型它非常重要但不是源头。第三构建监测指标体系。把顶层结果因素作为结果性指标来跟踪比如不良率把底层驱动因素作为前置性指标来跟踪比如原材料的来料合格率把中间层因素作为过程性指标来跟踪。这样形成的指标体系才是真正有系统逻辑支撑的而不是几个人拍脑袋拼出来的KPI表。5. 复现过程中的关键坑点与排查建议5.1 矩阵维度与数据读取问题最常见的报错就是数组维度不匹配。Pandas读取CSV时如果你用df.values直接拿数组而原始文件第一列不是索引列那么数组维度会比你预期的少一列。所以我一直强调在读取数据时一定要设置index_col0把第一列作为行索引。如果发现形状是(n,)而不是(n,n)多半就是文件里有多余的空格、逗号或者缺失值。还有一种情况是因素名称中包含了中英文符号混用的问题。比如有的列名是“原材料”带中文逗号有的列名是“原材料”不带读取出来就是两列不同的数据。排查时可以打印df.shape和df.columns一眼就能看出来。5.2 规范化分母选择的影响我默认用的是行和最大值法来规范化。但有些代码实现或教材里用的是“全矩阵元素最大值法”也就是拿矩阵A里的最大元素当作分母。这两种方法算出来的综合影响矩阵T是完全不同的原因度和中心度也会跟着变。如果专家打分的尺度差异很大比如有的专家习惯打0-3分有的习惯打0-5分此时直接用行和最大值法那些打高分专家的因素会主导整个矩阵导致结果失真。这种情况下更稳妥的做法是先对评分做归一化预处理或者改用全矩阵最大值法以弱化打分尺度差异的影响。到底选哪种你需要根据数据实际情况做判断没有绝对最优。5.3 阈值λ的确定与敏感性阈值λ是整个模型里最“主观”的环节但它对ISM分层影响很大。我在代码里默认用的是T所有元素的均值。如果结果分层太粗——比如所有因素都在同一层——说明λ取小了可以调大一些如果层次过多且零散说明λ取大了可以调小一些。这个调优过程虽然没有统一标准但有个原则可以把握ISM的层级图应该是“底层少、中间多、顶层少”的纺锤形结构如果出现底层因素过多或者层层之间跳跃太大你就要考虑是不是λ取值有问题。有的论文会做敏感性分析把λ从0.1到0.9扫一遍观察层级结构变化这个方法虽然耗时但能让读者更信服。5.4 传递闭包对结果的影响前面提到阈值化得到的矩阵不一定是严格意义上的可达矩阵因此建议加一步传递闭包运算。但这里有一个潜在问题如果你在阈值化之前就希望保留一些弱关联阈值又取得太低那么传递闭包可能会把所有因素都连成一个全联通图导致可达矩阵几乎全是1分层结构失效。遇到这种全联通的情况先不要急着改代码回头看λ是不是取得太低了。如果λ适中但依然全联通说明这个系统内部耦合强度很高也许在ISM分层之前你其实需要重新审视因素选取的粒度。因素选得太粗或者太细都会影响系统结构的可解释性。提醒阈值化与传递闭包的顺序不要随意颠倒。先做阈值化再做闭包得到的可达矩阵逻辑上是“综合影响矩阵在阈值截断后再补齐传递路径”如果先做闭包再阈值化那么阈值化后矩阵的传递性又会被破坏最终还是要靠闭包来补救逻辑会变得很混乱。6. 扩展思考这个模型还能用到哪里6.1 安全管理与风险分析DEMATEL-ISM在安全管理领域用得非常多。建筑安全事故因素分析、煤矿瓦斯爆炸风险因素辨识、航空飞行安全影响因素研究基本都是这个套路。底层因素比如“管理制度不健全”“安全投入不足”顶层结果就是“事故发生率”。有了层级图之后安全管理者可以明确区分根本原因、间接原因和直接原因整改优先级一目了然。6.2 供应链风险管理供应链风险因素之间的传导关系极其复杂原材料价格波动、物流中断、政策调整、市场需求变化等风险因素相互交织。用DEMATEL找关键风险源用ISM梳理风险传导链能够帮助供应链管理人员构建更有针对性的风险预警指标体系。这个方向上往往需要考虑时间延迟因素可以做动态扩展不过这超出了基础模型的范畴。6.3 数字化转型与智能制造企业数字化转型失败率高的一个核心原因是管理层对影响因素的因果关系认识不清。技术投入、组织变革、流程再造、数据治理、人才培养等因素之间到底谁是因、谁是果谁先谁后谁影响谁都可以通过这个模型来结构化分析。我见过不少咨询项目用这种方法来帮助企业制定数字化路线图效果比单纯开研讨会好得多因为数据不会撒谎。6.4 与其他方法的组合把DEMATEL-ISM作为前置分析模块后面可以接AHP、ANP进行权重计算或者接系统动力学仿真来模拟不同策略的演化效果。比如先用DEMATEL识别关键因素再用ISM构建因果树然后基于因果树建立系统动力学流图最后通过仿真对比不同干预方案的长短期效果。这种“组合拳”在学术研究和管理咨询中都非常有市场。如果你对Python本身还不太熟我的建议是先跑通这份代码再尝试改数据、改因素个数。等你想清楚“为什么阈值会影响层级划分”“为什么中心度和原因度要结合起来看”这两个问题之后你对这个模型的掌握就及格了。跑模型只是第一步能解释模型结果背后的业务逻辑才是真正拿到手的本事。