随着人类科学和技术的不断进步，复杂系统已广泛应用于现代社会的各个领域，包括医学诊断、工业生产和金融风险管理。它们的规模和复杂性呈现出指数级增长的趋势（Tang等人，2014年）。复杂系统的特点包括单位种类繁多、单元间关系复杂、耦合强度高以及强大的自组织进化能力（Siegenfeld和BarYam，2020年）。诸如重大疾病误诊、大规模工业系统故障和金融危机等问题已经给人类健康、国家安全乃至全球经济造成了不可估量的损失。传统方法通常依赖于经验建模、专家评估或单一指标评估，在面对高维度、多样性和非线性的复杂系统时，难以进行准确评估和有效决策（Wang等人，2021年）。因此，开发一种能够对复杂系统进行有效和科学评估的方法，并用于管理决策，已成为学术界的一个重要课题。
近年来，随着信息科学和技术的快速发展，大量描述系统运行和发展过程的数据被收集和存储。这些数据具有多样性、相关性和真实性。许多学者基于大规模、异构和高噪声的数据集，开发了科学且动态的综合评估框架，从而能够提取有效信息。这些数据驱动的方法能够更全面和详细地描绘复杂系统的微观变化和宏观特征，为复杂系统的科学评估和管理决策提供了有力支持。目前，现有的综合评估方法大致可分为两类：一类是基于分解-整合原理的分析方法，如层次分析法（AHP）和基于理想解相似性排序的排序方法（TOPSIS）；另一类是基于人工神经网络的新兴评估方法，如机器学习和深度学习（表1）。
分析方法，包括AHP、TOPSIS和数据包络分析，基于分解-整合原理，为复杂系统的综合评估奠定了坚实基础。这些方法从多个角度分解复杂系统，进行综合评估，并基于多维和强相关的数据支持有效决策，从而克服了单一指标评估系统的局限性。然而，这些方法也存在明显的缺点：由人类设计和选择的评估指标和系统具有高度主观性，无法充分反映系统的固有特性；此外，评估过程主要依赖于线性运算，难以描述复杂系统的非线性特征。
基于人工神经网络的新兴评估方法，如机器学习和深度学习，为复杂系统的综合评估提供了新的见解。这些方法能够深入挖掘系统内部的交互关系，并能够描述系统的非线性特征，消除了对人工设计和选择的评估指标和系统的依赖。然而，现有研究仍面临一些瓶颈：这些模型通常仅适用于某一类复杂系统，导致其评估框架难以迁移，通用性受限；此外，它们需要较大的样本量，在数据存储能力有限的领域难以应用；同时，评估结果的可解释性尚未充分与领域知识结合，难以分析系统状态变化背后的过程。为了解决这些挑战，本研究提出了一种适用于小样本领域复杂系统的网络综合评估（NCE）方法。作为一种数据驱动的、可解释的综合评估方法，NCE专门设计用于适应多学科的复杂系统。通过将统计建模方法与复杂网络理论相结合，该方法克服了现有多标准分析框架的局限性，这些框架严重依赖主观的人类主导评估。NCE从多个维度和角度全面分析系统的整体特征，探索系统的非线性特征，将评估过程和结果与领域知识相结合，并描述系统状态变化背后的过程，从而基于小样本数据实现对复杂系统的可解释综合评估。与人工智能方法的可解释性不同，NCE方法采用数学建模技术定量计算多个评估指标，有效实现了评估过程的透明度。这有助于从业者理解评估结果背后的逻辑，并根据领域特定知识进行解释和调整。此外，本研究还将NCE方法应用于医学诊断、工程应用和金融系统，验证了该方法的有效性和普适性，为复杂系统的综合评估提供了一种新的范式。
本文的主要贡献如下：
(1)本文将统计建模方法与复杂网络理论相结合，提出了一种适用于小样本领域复杂系统的数据驱动、可解释的综合评估方法。该方法克服了现有多标准分析框架的局限性，这些框架容易受到主观性和线性运算的影响，为评估复杂系统建立了新的范式，能够对高维度、多方面和非线性的复杂系统进行客观准确的评估。
(2)该方法基于统计建模方法和复杂网络理论，其评估过程得到了相关数学方法和信息技术的支持，从而保证了一定的可解释性。通过充分结合领域特定知识，评估过程能够准确描述系统的多样化状态，并解释系统状态变化背后的过程，显著提高了该方法在关键任务中的可信度和实际应用价值。
(3)本文将所提出的方法应用于三个场景：肝炎患者诊断、航空发动机综合性能评估和金融系统风险评估。结果表明，该方法在医学诊断、工程应用和金融系统等三个不同领域均取得了高精度，验证了该方法的有效性和普适性，展示了其高应用价值和广阔前景。
