基本原理
熵值法是一种赋权方法，是指用来判断某个指标的离散程度的数学方法。离散程度越大，该指标对综合评价的影响越大。
在信息论中，熵是对不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。根据熵的特性，我们可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响越大。
优缺点
优点：
1. 可操作性强。算法比较简单，excel 操作即可完成
2. 客观精确。指标的能客观的计算出指标权重，有较高的可信度和精确度
3.数据结果客观。是可以确保在确定指标权重时不受主观因素的影响，指标权重可以根据特定的公式和公司数据计算，使评价结果更加客观、准确和科学。
缺点：
1. 过于依赖样本。随着样本变动权重会产生波动（如果样本分布不均或存在异常值，结论可能会失真）
2. 需结合业务经验。无法体现指标之间的关联性（如相关性、层级关系（一级指标和三级指标放一起评估就很奇怪）等），需要结合业务经验来选择指标
计算步骤
1）构造初始评判矩阵
假定对某个系统的评价体系有 m个样本,n个指标,构造其初始评判矩阵X=(xij)max。
其中xij表示第i个样本下的第j个指标的赋值。xij≥0。i =1,2,…,m；j=1,2,…,n。
2）数据标准化处理
数据标准化也叫异质指标同质化，在数据采集过程中，由于不同指标的计量单位不统一，需要对数据进行标准化，消除指标之间的量纲差异，得到指标同质化的矩阵P=（Pij）mxn，
正向指标：
负向指标：
其中，正向指标和负向指标代表着不同的含义，正向指标表示数值越大越好（常应用到效益型指标计算），负向指标表示数值越小越好（常应用到风险指标或成本指标计算）。参考所要评价系统的类型，选择不同的指标。
3）计算第i个样本下的第j个指标的特征权重Y
4）计算指标信息熵值和熵权
计算第j个指标的熵值：
计算信息熵冗余度：
计算第j个指标的熵权：
处理多指标赋权的问题时，熵值法可以消除人为主观赋值带来的结果偏差，规避主观因素的影响，提高评价结果的客观性和准确性。
熵值法是一种赋权方法，是指用来判断某个指标的离散程度的数学方法。离散程度越大，该指标对综合评价的影响越大。
在信息论中，熵是对不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。根据熵的特性，我们可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响越大。
优缺点
优点：
1. 可操作性强。算法比较简单，excel 操作即可完成
2. 客观精确。指标的能客观的计算出指标权重，有较高的可信度和精确度
3.数据结果客观。是可以确保在确定指标权重时不受主观因素的影响，指标权重可以根据特定的公式和公司数据计算，使评价结果更加客观、准确和科学。
缺点：
1. 过于依赖样本。随着样本变动权重会产生波动（如果样本分布不均或存在异常值，结论可能会失真）
2. 需结合业务经验。无法体现指标之间的关联性（如相关性、层级关系（一级指标和三级指标放一起评估就很奇怪）等），需要结合业务经验来选择指标
计算步骤
1）构造初始评判矩阵
假定对某个系统的评价体系有 m个样本,n个指标,构造其初始评判矩阵X=(xij)max。
其中xij表示第i个样本下的第j个指标的赋值。xij≥0。i =1,2,…,m；j=1,2,…,n。
2）数据标准化处理
数据标准化也叫异质指标同质化，在数据采集过程中，由于不同指标的计量单位不统一，需要对数据进行标准化，消除指标之间的量纲差异，得到指标同质化的矩阵P=（Pij）mxn，
正向指标：
负向指标：
其中，正向指标和负向指标代表着不同的含义，正向指标表示数值越大越好（常应用到效益型指标计算），负向指标表示数值越小越好（常应用到风险指标或成本指标计算）。参考所要评价系统的类型，选择不同的指标。
3）计算第i个样本下的第j个指标的特征权重Y
4）计算指标信息熵值和熵权
计算第j个指标的熵值：
计算信息熵冗余度：
计算第j个指标的熵权：
处理多指标赋权的问题时，熵值法可以消除人为主观赋值带来的结果偏差，规避主观因素的影响，提高评价结果的客观性和准确性。
