DEMATEL方法Python代码（识别关键影响因素）

说明：

1. DEMATEL法过程中，使用行最大值法进行了标准化。
2. 代码运行后得到的权重（即归一化后的中心度）应该不能直接理解成影响因素的重要性；关键影响因素的确定应该综合考虑中心度、原因度、影响度和被影响度，具体确认方法可以参考《情报科学》上的一些论文，例如：DOI,10.13833/j.issn.1007-7634.2023.09.006

代码包含了绘制因果关系图的功能。具体代码（python）如下：
使用方法是：将analytic_matrix修改成自己的直接影响矩阵就行。

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"]=["Songti SC"] #设置字体,注意Windows这里可以换成SimHei。（主要是换成自己系统有的字体）
plt.rcParams["axes.unicode_minus"]=False #正常显示负号

def dematel(analytic_matrix):
    """
    执行DEMATEL分析。

    参数:
    - analytic_matrix: numpy数组，表示元素间的直接关系矩阵。

    返回值:
    - D: 表示总关系矩阵行和的numpy数组，指示影响程度。
    - R: 表示总关系矩阵列和的numpy数组，指示被影响程度。
    - D_plus_R: 表示元素的总重要性的numpy数组；中心度
    - D_minus_R: 表示元素间因果关系的numpy数组；原因度
    - priority: 权重，D+R的归一化 （注：这个权重应该不能直接理解成重要性；关键影响因素的确定应该综合考虑中心度、原因度、影响度和被影响度，具体确认方法可以参考《情报科学》上的一些论文，例如：DOI,10.13833/j.issn.1007-7634.2023.09.006）
    - status: 字符串，指示分析的成功或失败状态。
    """

    # 步骤1: 标准化矩阵
    # 对每一行求和，找到和的最大值
    max_row_sum = np.max(analytic_matrix.sum(axis=1))
    print(max_row_sum)
    # 使用最大行和的值进行标准化
    normalized_matrix = analytic_matrix / max_row_sum
    
    # 步骤2: 计算总关系矩阵
    identity_matrix = np.eye(len(normalized_matrix))  # 与分析矩阵同维度的单位矩阵
    print(identity_matrix)
    try:
        inv_matrix = np.linalg.inv(identity_matrix - normalized_matrix)  # 计算逆矩阵
        total_relation_matrix = np.dot(normalized_matrix, inv_matrix)  # 计算总关系矩阵
    except np.linalg.LinAlgError:
        return None, None, None, None, "矩阵求逆失败。提供的矩阵可能不可逆。"
    
    # 步骤3: 计算 D, R, D+R, D-R
    D = total_relation_matrix.sum(axis=1)  # 行和，影响程度
    R = total_relation_matrix.sum(axis=0)  # 列和，被影响程度
    D_plus_R = D + R  # 中心度
    priority = D_plus_R/D_plus_R.sum() # 权重
    D_minus_R = D - R  # 原因度
    
    return D, R, D_plus_R, priority, D_minus_R, "成功"

# 示例使用

analytic_matrix = np.array([
    [0, 0, 0, 1, 0, 0, 0, 0, 0, 0],
    [0, 0, 0, 0, 1, 0, 0, 0, 0, 0],
    [0, 1, 0, 1, 1, 2, 0, 0, 0, 1],
    [0, 0, 0, 0, 2, 0, 0, 1, 1, 1],
    [0, 0, 0, 2, 0, 0, 0, 0, 0, 1],
    [0, 0, 0, 0, 0, 0, 0, 0, 0, 1],
    [0, 0, 0, 1, 1, 0, 0, 1, 0, 1],
    [0, 0, 0, 1, 1, 2, 0, 0, 3, 1],
    [0, 0, 0, 0, 0, 2, 0, 0, 0, 0],
    [0, 0, 0, 1, 1, 0, 0, 2, 1, 0]
])


D, R, D_plus_R, priority, D_minus_R, status = dematel(analytic_matrix)

if status == "成功":
    print("影响度 (D):", D)
    print("被影响度 (R):", R)
    print("中心度 (D+R):", D_plus_R)
    print("权重priority：",priority)
    print("原因度 (D-R):", D_minus_R)
else:
    print(status)

# 绘制中心度-原因度因果关系图

# 绘制因果关系图
plt.figure(figsize=(8, 6))
plt.scatter(D_plus_R, D_minus_R, color='blue') # 绘制点

# 标注每个点的因素编号（可选）
for i, (x, y) in enumerate(zip(D_plus_R, D_minus_R), start=1):
    plt.text(x, y, f'F{i}', fontsize=9)

# 添加轴标签
plt.xlabel('中心度')
plt.ylabel('原因度')

# 绘制中心度和因果度的平均值线（可选）
plt.axvline(x=np.mean(D_plus_R), color='red', linestyle='--')
plt.axhline(y=np.mean(D_minus_R), color='red', linestyle='--')

# 设置图表标题
plt.title('因果图 (Causal Diagram)')

# 显示图表
plt.grid(True)
plt.show()