Multi-Objective Decision Making

导言

找工作时，工资、通勤、城市成本、稳定性、技术成长和市场热度都很重要。最让人困扰的却不是指标多，而是不知道各项应该多重要，也不知道许多事实究竟是什么。给每项随手打一个 1–10 分，会制造精确感；把所有问题都调研到底，又可能永远无法做决定。

更合适的做法不是在“粗糙打分”和“无限调研”之间二选一，而是建立一套分层流程：先用底线淘汰不可接受项，再用区间和情景保留未知，用敏感性分析定位会改变选择的变量，只深入调查这些变量，并在新增信息不再值得其成本时停止。

先说结论

权重打分制有用，但它只能整理价值取舍，不能替代事实调查。 正确的顺序是：

1. 先设不可补偿的底线，例如最低确定收入、最长可承受通勤、健康与家庭责任、不能接受的管理方式。
2. 再列原始后果，例如税后确定现金、每周通勤小时、实际工作内容占比，而不是直接写“工资 8 分”“成长 9 分”。
3. 把未知写成区间、情景和证据置信度，不把“不了解公司稳定性”伪装成一个 6 分。
4. 最后才做权重聚合，并改变权重、分数和未来情景，观察第一名会不会变化。
5. 只调查可能改变选择的未知；如果任何合理结果都不会改变行动，就停止调查。

英国政府的多准则分析手册把这种“刚好足以解决当前问题”的模型称为 requisite model。它特别提醒，很多组织会把时间浪费在继续收集资料和细化输入上，而真正应该问的是：这项活动不论得到什么结果，是否会改变决定。[^mcda] 这个原则比“至少调研多少小时”更有意义，因为调研深度应该由决策敏感度决定，而不是由资料数量决定。

{ width=90% }

自绘示意图：调研的目标不是照亮所有迷雾，而是找出会改变路线的承重节点。

为什么一张打分表不够

常见打分表把四种不同对象混在了同一个数字里：

对象	要回答的问题	合适表达
事实后果	这个选项会带来什么？	金额、时间、职责、区间、来源
个人偏好	这些差异对我值多少？	底线、价值函数、Swing Weight
事实不确定性	我对后果知道多少？	最低/最可能/最高、情景、证据等级
风险态度	我能否承受坏结果？	硬约束、下行情景、最大后悔值

例如，“公司稳定性 7 分”可能同时混入公司规模、业务前景、岗位预算、个人风险承受力和信息不足。这个数字既无法核验，也不知道应该通过哪项调研改善。更好的写法是把它拆成：

• 可查事实：岗位是新增还是替补，预算由哪个业务承担，核心客户是否集中，团队过去一年的离职和调整情况。
• 仍然未知：行业需求、管理层战略和未来裁员无法被一次访谈准确预测。
• 个人后果：若六个月内岗位消失，现金储备、再就业时间和职业叙事能否承受。

线性加权模型还是一种补偿式方法：一个维度的高分可以抵消另一维度的低分。官方 MCDA 手册同时指出，这种模型要求不同维度之间满足偏好独立等条件。[^mcda] 因此，健康、伦理、家庭责任或最低现金流这类底线不能只作为低分混入总分；否则“高工资补偿严重健康风险”会成为数学上允许、现实中却不可接受的结果。

另一个问题是重复计数。工资、城市生活成本和年结余如果同时作为三个高权重指标，本质上可能把同一件事算了多次。更稳妥的做法是把它们合成“可支配的确定现金”，把通勤时间单独作为精力成本；公司规模可以作为稳定性的证据，但不再额外作为一个价值目标。

分数不是事实

总分只表示“在这组假设和偏好下的聚合结果”。如果它与直觉冲突，先检查漏掉的目标、重复计数、价值曲线和底线，不要因为表格算出了第一名就强迫自己服从。

七步决策法

英国政府 MCDA 手册给出的流程包括建立决策情境、列出选项、识别目标、描述后果、赋权、聚合、检查结果和敏感性分析。[^mcda] 对个人职业选择，可以在这个骨架上再加入硬约束、区间和信息价值。

{ width=95% }

来自英国政府《Multi-criteria analysis: a manual》Figure 5.1，展示 MCDA 的八个阶段。它说明分析顺序，不证明加权模型适合所有个人选择。

一、先设边界

先写一句决策声明：

在什么截止时间前，为了哪个时间跨度，在“接受 A、接受 B、接受 C、留在原处或继续寻找”之间做选择？

边界至少包括：

• 决策者与受影响者：本人、伴侣、父母、子女以及共同财务。
• 时间跨度：未来一年、三年还是五年。短期现金流和长期选择权在不同跨度下会换位。
• 基准选项：不改变、继续寻找、延迟入职也是选项，不能只比较已经拿到的 offer。
• 可逆性：试用、内部转岗和再求职能恢复多少；搬家、签证、健康损耗和行业标签有多难恢复。
• 截止时间：offer 到期、奖金归属、租约、家庭安排和市场窗口。

然后列出硬约束。硬约束不是“特别重要的高权重”，而是不允许被其他优点补偿的最低条件。可以包括最低确定现金、最长单程通勤、不可接受的加班或值班方式、必须满足的城市与家庭条件，以及岗位内容中不能出现的红线。

二、分开事实与偏好

对每个对象标注它是事实、假设还是偏好。下面的对象账本应在第一条公式之前完成：

对象	符号	工作表字段	来源与去向
候选项	(A={a_i})	options	决策边界产生，进入过滤与排序
评价维度	(C={c_j})	criteria	价值分解产生，进入后果表
硬约束	(H)	hard_constraints	最低可接受结果，先过滤选项
后果区间	(x_{ij})	evidence_ranges[i][j]	文件、访谈、实测或明确假设
价值函数	(v_j(x))	value_functions[j]	把真实后果映射到 0–100 的偏好值
Swing 权重	(w_j)	weight_samples[s][j]	表示各维度完整变化的相对价值
未来情景	(\theta_s)	scenarios[s]	组合外部条件并用于压力测试
聚合价值	(V_i)	total_score[i]	由后果、价值函数和权重生成
调研动作	(q)	research_actions[q]	用于比较新增信息价值与成本

这里最重要的分离是：(x_{ij}) 是关于世界的判断，(v_j) 与 (w_j) 是关于自己的判断。 公司是否会裁员是事实不确定性；自己愿意用多少工资换更稳定的岗位，是偏好。前者靠证据改善，后者靠取舍澄清，不能用同一种“深入搜索”解决。

证据还应记录来源等级。offer 和合同高于招聘宣传；与未来直属经理、同组员工和前员工的交叉信息高于单一 HR 表述；实际通勤测试高于地图的理想耗时。证据弱时保留更宽的区间，而不是机械地给总分乘一个“置信度折扣”，因为折扣可能把同一风险惩罚两次。

三、先做后果表

先填原始后果，不填总分。求职时可以使用下面的结构：

目标	原始指标	建议证据	容易犯的错
现金与生活	税后确定现金、保守奖金、住房交通、年结余	offer、税费规则、真实房源样本	同时给工资、成本和结余高权重
时间与精力	门到门通勤、到岗天数、加班和值班	工作日实测、团队成员交叉访谈	只看地图距离
下行安全	岗位预算、业务优先级、团队变动、个人缓冲期	财报、组织信息、未来同事、前员工	把公司名气直接当稳定性
能力与选择权	实际任务占比、所有权、导师、反馈频率、技能可迁移性	90 天任务、代码或项目样例、晋升案例	把技术热度直接当个人成长
管理与环境	目标清晰度、决策权、绩效方式、协作和冲突处理	直属经理、同级员工、具体案例	只问“文化好不好”
家庭与城市	搬迁、照护、社交支持、伴侣机会	共同讨论、实际预算、生活试住	把他人的偏好当成自己的权重

“市场热度”更适合作为未来外部选择权的证据，而不是独立目标。真正要问的是：这份工作让自己积累的能力是否能被更多团队识别、是否有可展示成果、是否依赖单一公司的内部流程。一个热门标签若对应的是低所有权、低反馈和不可迁移的工作，未必比稍冷但能形成完整能力闭环的岗位更有发展性。

后果表本身已经能淘汰被其他选项支配的方案，也能暴露信息空白。对简单决策，做到这里就可能足够；并非每次都必须计算总分。

四、再做 Swing Weighting

不要问“工资、稳定性和成长各自有多重要”，而要问：

在当前候选项的真实范围内，从最差改善到最好，这一整段变化对我值多少？

这就是 Swing Weighting。官方手册强调，权重同时取决于候选项在该维度相差多大，以及这段差异对目标有多重要。[^mcda] Keeney 对多目标取舍的研究也强调，价值权衡必须围绕具体后果，而不是脱离情境讨论抽象重要性。[^keeney]

例如，所有 offer 的确定年收入只相差 2 万元，而单程通勤从 25 分钟到 90 分钟，那么即使“工资通常很重要”，这次决策里的工资 swing 也可能小于通勤 swing。相反，如果税后确定现金相差 20 万元，结论可能反过来。

在满足可加和条件时，聚合模型为：

[
V_i(\theta,w)=\sum_{j=1}^{m} w_j,v_j!\left(x_{ij}(\theta)\right),
\quad w_j\ge 0,\quad \sum_{j=1}^{m}w_j=1
]

其中，(x_{ij}(\theta)) 是情景 (\theta) 下选项 (i) 在维度 (j) 的后果，(v_j) 把真实后果转换成 0–100 的个人价值，(w_j) 是该维度完整 swing 的相对权重。(V_i) 是代数摘要，不是这份工作的客观价值。

价值函数也不必线性。收入从不能覆盖固定支出提高到安全线，价值可能陡增；超过安全线后，每增加 1 万元的边际价值可能下降。通勤从 30 分钟增到 45 分钟和从 75 分钟增到 90 分钟，对精力的影响也未必相同。

五、检验敏感性与稳健性

有了基础模型以后，不要急着宣布第一名。先做三个层次的压力测试：

1. 单变量敏感性：把一个权重或后果从合理下界移到上界，记录第一名在哪里切换。
2. 边界情景：分别构造业务向好、业务收缩、技术路线转向、家庭责任上升等情景。
3. 联合采样：在合理区间内重复采样后果和权重，记录各选项成为第一名的频率与最坏后悔值。

SMAA（Stochastic Multiobjective Acceptability Analysis，随机多目标可接受性分析）正是为不准确数据和缺失偏好信息设计的：它探索哪些权重会支持各选项，并给出可接受性，而不是强迫决策者先报出唯一精确权重。[^smaa] 个人决策不一定需要完整实现 SMAA；一个透明的区间采样工作表就能借用它的核心直觉。

{ width=90% }

来自英国政府 MCDA 手册 Figure 7.20。图中基础权重约为 14%，当稳健性权重跨过约 22% 和 40% 时，首选项发生切换。它证明敏感性分析能暴露切换点，不证明图中任一方案适用于求职。

下面的伪代码完整展示一个轻量级稳健性检查。它不把采样频率解释成客观概率，只用来回答“结论是否依赖狭窄假设”：

function analyze(options, criteria, hard_constraints,
                 evidence_ranges, value_functions,
                 feasible_weight_region, scenarios, sample_count):
    feasible_options = []
    for option in options:
        if satisfies_all(option, hard_constraints, evidence_ranges):
            feasible_options.append(option)

    top_count = map_each_to_zero(feasible_options)
    worst_regret = map_each_to_zero(feasible_options)

    for sample_id from 1 to sample_count:
        scenario = sample_one(scenarios)
        weights = sample_weights(feasible_weight_region)
        total_score = empty_map()

        for option in feasible_options:
            option_value = 0
            for criterion in criteria:
                consequence = sample_consequence(
                    evidence_ranges[option][criterion],
                    scenario
                )
                criterion_value = value_functions[criterion](consequence)
                option_value = option_value
                    + weights[criterion] * criterion_value
            total_score[option] = option_value

        best_option = argmax(total_score)
        best_value = total_score[best_option]
        top_count[best_option] = top_count[best_option] + 1

        for option in feasible_options:
            scenario_regret = best_value - total_score[option]
            worst_regret[option] = max(
                worst_regret[option],
                scenario_regret
            )

    rank_acceptability = empty_map()
    for option in feasible_options:
        rank_acceptability[option] = top_count[option] / sample_count

    return feasible_options, rank_acceptability, worst_regret

如果同一选项在大多数合理组合中都占优，结论已经稳健，可以容忍很多输入并不精确。若不同假设不断翻转首选项，就记录切换条件，不要只记录基础分数。概率本身不可信时，可以比较最大后悔值：

[
R_i(\theta)=\max_k V_k(\theta)-V_i(\theta)
]

(R_i(\theta)) 表示在情景 (\theta) 已知后，选项 (i) 相比该情景最佳选项损失多少。深度不确定性研究把 minimax regret、satisficing 和自适应计划作为不同的稳健性构件；它同时提醒，稳健标准本身也需要与决策情境匹配。[^dmdu] 对个人来说，可以优先选择“在多数情景达到底线、最坏后悔可承受、未来还能调整”的方案，而不是押注单一预测下的最高均值。

六、按信息价值调研

现在才回答“要调研到什么程度”。正式的 Value of Information（VOI，信息价值） 比较新增信息带来的预期决策改善与获取信息的成本。ISPOR 的方法报告用 EVPI、EVPPI、EVSI 和 ENBS 分别描述完全信息、部分信息、样本信息及扣除研究成本后的净收益。[^voi1][^voi2]

样本信息价值可以写为：

[
\operatorname{EVSI}(q)

\mathbb{E}_{y}
\left[
\max_i \mathbb{E}!\left(V_i\mid y\right)
\right]

\max_i \mathbb{E}(V_i)
]

其中，(q) 是一次调研动作，(y) 是它可能得到的结果。第一项表示看见结果后再选的预期价值，第二项表示按当前信息直接选的预期价值。个人决策通常没有足够数据精确计算 EVSI，但可以使用一个透明的近似顺序：

1. 会不会翻盘：这个问题的合理答案是否可能改变首选项、底线判断或谈判方案？
2. 错选代价多大：若因为不知道而选错，损失是几天适应，还是一年职业路径、健康或家庭成本？
3. 能不能查清：一次通勤实测很可约减；五年后的行业格局很难约减。
4. 证据可靠吗：合同、实测和多方交叉信息的预期价值高于单一宣传。
5. 调研代价多大：包括时间、金钱、注意力、决策延迟和 offer 失效风险。

未知	可能改变什么	最小有效调研	何时停止
通勤与到岗成本	是否越过精力底线	在真实时段往返一次，核实每周到岗天数	最坏合理耗时仍可接受，或已明确越线
城市生活成本	实际年结余差异	按目标片区抽取一组真实房源与固定支出	成本区间不再改变现金 swing
团队稳定性	下行情景和个人缓冲期	问岗位来源、预算、业务优先级，并交叉访谈	新信息只能缩小数字，不能改变承受结论
工作成长性	三年后能力与外部选择权	要求具体 90 天任务、时间占比、所有权和反馈机制	已能判断是否形成可迁移成果闭环
市场热度	再就业机会和技能需求	看目标岗位样本并访谈招聘方或同行	证据已覆盖实际技能，不再追逐标签新闻
直属经理	日常质量与绩效风险	用失败案例、冲突案例和期望校准提问	多个具体回答已一致，剩余只是不可消除的人性风险

停止条件不是“信息足够多”，而是“剩余信息的决策价值不再高于成本”。 ISPOR 对 VOI 的解释特别区分结果不确定性和决策不确定性：结果范围可以很宽，但若整个范围都支持同一个行动，决策并不因此不确定。[^voi-overview] 这正是避免无限调研的关键。

先做零成本 VOI

对每个待查问题先写出两种极端结果，再问它们是否会让自己采取不同动作。如果答案都是同一个选择，这项调研暂时排在后面；如果会翻盘，再设计成本最低、证据最直接的调查。

七、把未知变成实验

有些不确定性不能靠阅读消除，只能靠让未来逐步显露。深度不确定性方法因此强调压力测试、自适应计划和触发条件，而不是只寻找一条静态最优路径。[^dmdu] 求职决策可以采用较小的对应做法：

• 直接测试：真实时段通勤、在目标片区短住、与未来同组成员交流、查看实际任务或代码样例。
• 创造选项：谈判入职日期、工作地点、保底奖金、岗位范围、汇报关系和试用期目标，而不是把 offer 当成不可修改的常量。
• 设置触发器：若前三个月工作内容中目标技术低于约定比例，若组织调整触及岗位预算，或若健康指标持续恶化，就启动复盘、内部转岗或重新求职。
• 准备回撤：保留现金缓冲、维护外部网络、持续产出可展示成果，让错误选择的代价可控。

Simon 对有限信息和有限计算能力下的决策指出，现实中的行动者往往需要找到满足要求的选择，而不是求解理论上的全局最优。[^simon] Satisficing 不是随便选一个，而是先把“足够好”的要求写清楚，再停止为无法验证的小差异付费。

求职案例

假设有 A、B、C 三份 offer。不要从下面这种表开始：

Offer	工资	稳定	成长	城市	总分
A	8	9	6	8	7.8
B	10	5	9	5	7.7
C	7	7	8	9	7.8

三个接近的总分看似严谨，其实没有说明 8 和 9 的差异、公司稳定性的证据，也没有说明低稳定能否被高工资补偿。更有用的是先建立决策记录：

项目	A	B	C
确定现金与年结余	由 offer 和生活预算给区间	由 offer、奖金条件和生活预算给区间	由 offer 和生活预算给区间
每周时间成本	真实通勤 × 到岗天数 + 加班情景	真实通勤 × 到岗天数 + 加班情景	真实通勤 × 到岗天数 + 加班情景
最坏可承受情景	写出岗位调整后的个人后果	写出业务收缩后的个人后果	写出技能转向后的个人后果
三年能力产物	能独立交付和对外证明什么	能独立交付和对外证明什么	能独立交付和对外证明什么
最大未知	只写一个最可能翻盘的未知	只写一个最可能翻盘的未知	只写一个最可能翻盘的未知
下一步证据	成本最低的核验动作	成本最低的核验动作	成本最低的核验动作

然后分两轮做决定：

1. 底线轮：任何合理下行情景触及健康、家庭、现金或伦理底线的选项先淘汰，除非能通过谈判改变该条件。
2. 稳健轮：对剩余选项改变权重和后果区间。若 A 只有在“稳定性权重低于 12%”时才输，而自己无论如何都会给稳定性更高权重，就没有必要精确争论 25% 还是 30%。若 A 与 B 会因“每周实际技术工作占比是 30% 还是 60%”而换位，这就是高价值调研点。

最后的决策输出不应该只有“选 B”，还应包括：

• 选择：当前接受哪个选项。
• 依据：哪些底线、swing 和情景决定了结果。
• 未决未知：仍然不知道什么，为什么可以带着它行动。
• 触发条件：出现什么信号就复盘。
• 回撤方案：若关键假设失败，下一步是什么。

这份记录的价值不只是减少后悔。几个月后回看时，可以区分“当时过程合理但世界后来变化”与“当时忽略了本可调查的关键信息”，从而改进下一次决策。

常见误区

• 先定权重，再看候选项范围：权重必须评价实际 swing；候选项几乎不差的维度不该只因抽象上重要就占据高权重。
• 未知就打中间分：中间分既不是最可能值，也不表达风险。应保留区间、情景和来源。
• 所有维度都允许补偿：底线被高工资抵消，是模型结构错误，不是计算结果深刻。
• 把相关指标重复计数：工资、生活成本、结余，技术热度、成长、再就业机会都可能重叠。
• 把采样频率当真实概率：输入区间和分布主要是自己的假设；采样首先用于压力测试，不自动获得统计校准。
• 只研究公司，不研究自己：外部事实可以查，个人价值取舍需要通过具体交换问题澄清。
• 继续研究不会翻盘的细节：这会提高输入精度，却不提高决策质量。
• 把两项接近当作分析失败：若差异小于模型误差，结论可能是“两项都足够好”；此时可按可逆性、谈判空间或执行便利选择。

何时可以下结论

Phillips 对 requisite model 的定义是：模型的形式和内容已经足以解决特定问题；敏感性分析不再产生新的关键洞见时，就没有必要继续扩展。[^phillips] 对个人决策，可以使用下面的停止清单：

• 所有候选项、基准选项和决策截止时间已写清楚。
• 硬约束已从可补偿指标中分离。
• 每个关键后果都有来源、合理区间或明确的未知标记。
• 权重按实际 swing 判断，而不是抽象重要性。
• 已检查重复计数和关键交互。
• 已做单变量、边界情景或联合采样中的至少一种稳健性检查。
• 已知道哪些变量会让首选项切换。
• 高价值且可约减的未知已经调查。
• 剩余调研的预期决策改善不高于时间、金钱和延迟成本。
• 最坏可承受情景、复盘触发器和回撤方案已准备。

满足这些条件并不意味着已经知道未来，而是说明继续等待不再比带着边界明确的未知行动更理性。

可复用模板

下面的模板可用于让 AI 帮助整理证据和做敏感性分析。AI 可以维护表格、发现重复计数和生成情景，但个人底线、价值曲线与最终责任不能外包。

请协助我做一次信息不完整的多目标决策，不要直接替我宣布答案。

决策：
- 截止时间：
- 时间跨度：
- 候选项：
- 保持现状/继续寻找：
- 受影响的人：

请按以下顺序工作：
1. 先识别不可由其他优点补偿的硬约束。
2. 建立原始后果表，分开事实、假设、个人偏好和风险态度。
3. 检查指标是否重复计数，尤其是收入/成本/结余和热度/成长/选择权。
4. 对未知使用区间或情景，不用随意的中间分代替。
5. 用实际候选项的最差到最好变化做 Swing Weighting。
6. 给出基础聚合结果，但同时改变权重、后果区间和未来情景。
7. 报告排序切换点、各方案的稳健范围和最坏后悔值。
8. 对每个信息缺口判断：是否可能翻盘、错选代价、可约减程度、
   证据可靠性、调研时间/金钱/延迟成本。
9. 只给出下一轮最有信息价值的 1–3 个调查动作。
10. 当剩余调查无论结果如何都不会改变行动，或其价值低于成本时，
    明确建议停止，并输出选择依据、剩余未知、触发器和回撤方案。

任何数字都要说明来源和假设；无法校准的采样频率只能称为稳健性结果，
不能称为真实概率。

总结

多目标决策没有一组客观正确的永久权重。事实可以调查，偏好需要澄清，风险需要设边界，未知需要按是否影响行动来管理。

权重打分最有价值的地方，不是把选择压缩成一个小数，而是迫使自己说明：哪些差异真正重要、什么可以补偿、什么不能补偿、首选项在什么条件下会改变。分数之后必须接敏感性和稳健性，否则只是更整齐的主观判断。

也不需要把所有细节研究清楚才有资格做决定。把模型做到刚好充分，把研究集中在会翻盘且可约减的未知上；当新增信息不再改变行动，或价值低于等待成本，就可以下结论。

参考资料

[^mcda]: UK Department for Communities and Local Government, Multi-criteria analysis: a manual, 2009 amendment. 重点参考 Sections 4.3、6.2.10、6.2.14、6.2.17 和 6.3。
[^keeney]: Ralph L. Keeney, “Common Mistakes in Making Value Trade-Offs”, Operations Research, 2002.
[^smaa]: Risto Lahdelma, Joonas Hokkanen, and Pekka Salminen, “SMAA - Stochastic Multiobjective Acceptability Analysis”, European Journal of Operational Research, 1998.
[^phillips]: Lawrence D. Phillips, “A Theory of Requisite Decision Models”, Acta Psychologica, 1984.
[^voi1]: Elisabeth Fenwick et al., “Value of Information Analysis for Research Decisions-An Introduction”, ISPOR Task Force Report 1, 2020.
[^voi2]: Claire Rothery et al., “Value of Information Analytical Methods”, ISPOR Task Force Report 2, 2020.
[^voi-overview]: ISPOR, “Value of Information Analysis”, Methods Explained.
[^dmdu]: Vincent A. W. J. Marchau et al., eds., Decision Making under Deep Uncertainty: From Theory to Practice, 2019；另见 Jan H. Kwakkel and Marjolijn Haasnoot, “Supporting DMDU: A Taxonomy of Approaches and Tools”.
[^simon]: Herbert A. Simon, “Rational Choice and the Structure of the Environment”, Psychological Review, 1956.