在指标选定的基础上，主导产业选择的核心是具体指标权重的赋予问题。现有的文献中，多指标综合评价的权重赋值方法主要有德尔菲法（又称专家评定法）、层次分析法、主成分分析法、模糊评价法、均方差法、熵值法和多元回归分析法等。这些方法可归纳为主观赋权和客观赋权两大类。其中，经常使用的均方差法是根据各个指标在指标体系中的变异程度和对其他指标的影响程度进行赋值，其赋权过程比较客观。专家评定法可以对一些难以刻画的指标进行赋权，并能考虑到决策者的主观意向，具有一定的灵活性，鉴于这种优势，专家评定法也被广泛使用，不过这种方法具有较大的主观性。由于两类不同的赋权方法各有优劣，因此，为了更合理地确定主导产业选择指标的权重，本书采用主客观相结合的综合赋权方法。

6.3.1.1　二级指标综合评价：AHP判断矩阵法

针对二级指标综合评价，本书主要采用AHP判断矩阵法中的判断矩阵分别对区域关联、产业发展基础及产业发展潜力三个项目的16个具体指标进行合成。这种方法有两个关键的步骤：一是构建判断矩阵A，二是求解判断矩阵最大特征根与其对应的特征向量，特征向量即为对应指标的权重值。

判断矩阵A主要是根据文献、经验或咨询专家给出各因素相对重要性的判断而建立。为了尽可能减少主观随意性，对咨询专家的数量和业务水平均应有一定的要求，并且选取各个专家判断值的众数作为指标重要性判断结果。判断矩阵是一个n×n矩阵，第n行的元素分别表示第n个指标相对其他指标的重要性。一般判断等级标度有1、2、3、4、5这5个等级，其中，1表示指标Xi与Xj同等重要，2表示指标Xi比Xj重要一点，3表示指标Xi比Xj重要得多，4表示指标Xi比Xj重要很多，5表示指标Xi与Xj相比极端重要。如果同一级指标中指标1比指标2重要一点，那么A12取值为3，A21为A12的倒数，即1／3。每个指标相对自己来说都是同等重要的，因此，判断矩阵A是一个对角线元素全为1，对称元素之积为1的矩阵。

在构建了判断矩阵A之后，指标赋权工作的核心就是求解判断矩阵A的最大特征值和它所对应的特征向量。即AW＝λmaxW，这里的λmax为判断矩阵A的最大特征值，W为对应于λmax的正规化特征向量，Wi则为指标i的权重值。为了评估各指标的相对权重的合理性，需要对判断矩阵A的一致性进行检验，其中两个重要的指标分别是一致性指标（CI）和随机一致性比率（CR）。CI是检验判断矩阵A一致程度的必要条件，当CI＝0时，判断矩阵具有完全一致性，CI越大，判断矩阵的不一致性越严重，它的计算公式为：

事实上，对于一个具体的矩阵很难判断CI是大还是小。为此，随机一致性指标RI被提出用来检验判断矩阵A是否具有满意的一致性，其选取方法如下：构建若干个n阶随机正反矩阵A′，然后从1～9及其倒数中随机选取它的元素，再计算这些随机正反矩阵最大特征根的平均值k，那么随机一致性指标RI为：

最后，定义CR为随机一致性比率，它是一致性指标和随机一致性指标的比值。根据判断矩阵的随机一致性比率可检验指标权重的合理性，一般地，当CR小于0.1时，判断矩阵A的一致程度在显著性范围之内，判断矩阵具有令人满意的一致性，可以用最大特征根对应的特征向量作为指标权重向量。(www.daowen.com)

6.3.1.2　一级指标综合评价：熵值法模型

一级指标综合评价的权重主要有三个，分别对应区域关联、产业发展基础与产业发展潜力。根据信息论，某项指标的指标变异程度越大，信息熵值就越小，该指标提供的信息量就越大，为这个指标所赋的权重就应该越大。在主导产业选择指标体系中，上述三个一级指标中某个指标差异越大，说明该指标对主导产业选择的影响程度越显著，应赋予较大的权重，反之，指标差异越小则其权重值越小。采用熵值法对主导产业选择的三个一级指标进行赋权，其具体步骤如下：

第一步是指标数据的无量纲化。由于不同维度的指标数据代表的物理含义不同，各指标存在不同的量纲和数量级，而且部分指标与规划有效性是正相关的，部分指标又是负相关性的，量纲上的差异会对主导产业选择产生技术影响，为了消除这一影响，需要通过数学变换对指标数据进行无量纲化或标准化处理，其处理原则如下：对于正相关指标只需采用均值法将其标准化；对负相关指标先通过取倒数的方法将其正向化，然后，同样采用均值法将其标准化。

在第i个一级指标的第j个二级指标的原始指标数据Xij经标准化处理后变为Yij后，使用标准化数据进行指标的熵值计算，则第i个指标的熵值可以表示为：

式中，k为常数，通常取值为1／ln m，m是该一级指标下的二级指标个数。最后利用上个步骤中计算获得的熵值为指标是该一级指标下的二级指标i个赋权，其权重表达式为：