选能源技术、定集装箱港口，都要同时权衡成本、排放、可靠性等互相冲突的目标，还要面对数据不全和偏好各异。10 月 11 日发表在期刊 SoftwareX 上的开源网页工具 UP-MAVT Suite，把「不确定性」和「群体判断」这两件最容易被糊弄过去的事，做成了在浏览器里点几下就能跑完的流程。它由 Simone Pagliuca、River Huang、Matteo Cadoni 和 Peter Burgherr 领衔的团队开发，代码以 MIT 许可完全开源。
出发点是一次缺口盘点。团队回顾了 25 款免费的多准则决策分析（MCDA）工具，发现两个通病：非专业用户难以上手，不确定性处理普遍薄弱。逐一拆解后发现：MAMCA 能用问卷结构化地引入多方参与，却没有任何不确定性传播机制；MCDA Index Tool 提供交互式综合指数和敏感性分析，但不支持群体决策；ValueDecisions 在 MAVT 框架内跑蒙特卡洛，却只让输入数据带上不确定性，权重和价值函数仍是确定的，数据还得靠电子表格上传；HELDA 会传播概率分布，但只以 Java 桌面程序按需提供，利益相关方信息采集被丢给一个问卷插件。
它的数学骨架是 MAVT（多属性价值理论）。在一道典型选择题里，一个小型用户要在光伏、燃气轮机和柴油发电机之间做决定，就得按资本成本、运行成本、温室气体排放和可靠性逐项打分。偏好是主观的，MAVT 因此用值函数把原始性能值映射到 0 到 1 的同一把尺子上，容纳非线性偏好------租金从 1000 降到 900 带来的效用，往往大于从 700 降到 600。各准则的相对重要性由权衡法引出的权重表达，方案的总价值就是各准则价值的加权和。
真正的区别在于它怎么对待不确定性。统计噪声、估算值、模糊输入、多主体博弈和主观判断在决策中无处不在，却很少有研究把它们在所有模型组件上一次处理干净。UP-MAVT 把确定性输入转成概率分布，再用蒙特卡洛采样一路传播过聚合过程，直达最终排名。于是决策者看到的不只是「哪个选项最好」，还有「这个结论有多可靠」。框架分两种模式：严格模式为每位决策者单独出结果，非严格模式把他们的输入聚合起来，既能做个体诊断，也能做集体比较。
工程实现上，它是一个 Docker Compose 编排的微服务栈，共四个服务：基于 Chakra UI 的 React 前端、负责鉴权和会话状态的 Flask REST 后端、专跑计算密集型蒙特卡洛模拟的独立 Python worker，以及存放案例定义、征询数据和结果的 MongoDB。worker 轮询数据库领取任务并回写结果，把重计算与网页的请求-响应周期解耦。核心算法通过可互换的数据加载模块在网页端和本地端共用------一个从数据库读，一个从本地 CSV 读------无论在哪跑，数学都是同一套。
分析流程分五步。第一步用 Best-Worst Tradeoff 方法及其层级扩展 PILE-BWT 从决策者的比较中算出权重，这套方法本身就返回带不确定性的权重：线性模式求出一组可行权重，非线性模式给出一个可行权重空间，蒙特卡洛每次迭代在其中均匀随机采样。第二步做非严格蒙特卡洛，把加权和、几何平均、调和平均三种聚合方法并排画成热力图，让使用者看清完全补偿与部分补偿的差别。第三步用严格蒙特卡洛细看价值分布，判断不确定性整体有多大。第四步做共识诊断，评估各专家价值分布的重叠程度------目前靠肉眼，定量共识指标列入了后续版本。最后以 10,000 次迭代的非严格运行输出结论用的平滑热力图。
验证做得相当扎实。团队复现了两项已发表案例、一个加了不确定性的变体和一个人工可解的算例。收敛性研究显示，1,000 次迭代后蒙特卡洛误差落在 10⁻³ 到 10⁻² 区间，10,000 次迭代则保证最大算例误差低于 10⁻³；既然小数点后第三位已被视为最后一个有实际意义的数位，探索性分析跑 1,000 次就够，最终结果默认 10,000 次。可扩展性测试表明内存占用停留在低兆字节级别，真正的瓶颈是运行时间，主要由准则数量决定，其次才是决策者数量。测试套件包括 Flask 后端 378 个测试（语句覆盖率 71%）、React 前端 126 个测试、蒙特卡洛与 PILE-BWT worker 59 个测试（覆盖率 88% 到 89%）。
演示案例复现了一项港口选择研究：按码头装卸费、ISPS 费、海关服务、港口声誉、码头作业满意度、集装箱码头数量 6 项准则，给比雷埃夫斯、科佩尔、热那亚、安特卫普、鹿特丹、汉堡、格但斯克 7 个欧洲集装箱港口排序。确定性验证中，值函数以引导式中值分割拟合成分段线性函数，权重由带一致性反馈的滑块权衡界面给出，算出的权重与参考研究在舍入误差内一致，证明实现无误。不确定性演示则把性能值换成概率分布，支持离散、正态、均匀、三角、梯形和直方图六种分布族；其中一项准则按定性处理，决策者用拖拽排序、再用滑块调整档位差距，并附一个自报置信水平，用以拓宽值函数、体现主观不确定性。第二位偏好略有不同的决策者登场，展示了群体决策能力。
输出端的设计意在让人「看懂」，而不是只让人「算完」。严格蒙特卡洛模式给出各方案价值的概率密度函数，并跨专家叠加；非严格模式生成排名热力图，每个格子代表某个方案落到某个名次的概率。作者认为，这种分布层面的丰富度恰恰是早期方法缺的------它们通常把完整的概率分布压缩成摘要统计量或排名结果。而把不确定性直接嵌进 MAVT 的价值理论结构，又能捕捉确定性或简化方法看不到的细节，同时保留这套框架在环境规划、污水政策、基础设施情景、物流和能源行业生命周期评价中的长期口碑。
开发者自己也承认局限：把置信水平换算成值函数区间的经验性启发式规则缺乏严格的数学论证，定量共识阈值也尚未提供。后续工作会加入结果定量刻画参数、更多聚合方法、更强的可视化与导出工具、定量共识指标，以及经典的 swing 权重引出法。对国内读者来说，这个工具的可用性门槛值得注意：一套 Docker Compose 就能在本地拉起全部服务，核心算法还能脱离网页直接读 CSV 运行，MIT 许可也允许二次开发和集成。在能源规划、基础设施选址、物流网络这类需要多人拍板、又必须留下可复现痕迹的场景里，把「我们有多确定」写进结果，可能比多算一遍加权和更有价值。