在关于共识的研究中，学者已经认识到，群决策中的共识指群的总体同意，不一定是完全赞成，更不一定是意见完全一致［54-56］，认识上的共识指群体成员在重要问题的定义和描述上的相似性（similarity）［57］。在一般群决策框架中的共识达成过程中，需要评价共识水平，这就要度量共识。因为共识是总体满意，并不一定是完全一致，完全一致是不必要的甚至是不可能的［54，55］，为了度量共识水平，学者引入了“软共识”指标度量群体共识水平［56，58，59］。该类方法大多应用在模糊环境下的群决策中（比如，个体偏好用不确定量描述的）或者采用模糊技术处理传统的群决策中（比如，在模糊语义“大多数赞成”的情况下度量共识水平）。要度量共识，就要考察并描述个体偏好之间的差异、相似度或贴近度。因此，共识度量一般是基于某种距离或相似度进行度量的［60］。
目前在采用模糊技术度量群体共识以及采用距离度量个体偏好差异的不确定环境下的群决策中，在距离的使用上，学界还没有对偏好距离应该能反映4.2.1小节提到的两个事实给以充分的认识和足够的重视。比如，文献［61］引入了如下的距离定义：
令A是一个集合，称函数d：A×A→R为集合A上的距离（或相似度），如果对任意x，y∈A满足：
（1）d（x，y）≥0（非负性）。(www.xing528.com)
（2）d（x，y）＝d（y，x）（对称性）。
（3）d（x，x）＝0（自反性）。
虽然在以上的距离定义中没有加入条件“d（x，y）＝0当且仅当x＝y”以及三角不等式“d（x，y）+d（y，z）≥d（x，z）”，但该文［61］中仍然讨论了作者认为可用的两种距离：曼哈顿距离（形如d1＝
以及欧氏距离（形如
我们知道，曼哈顿距离和欧氏距离都是数学意义上的距离测度，即满足“d（x，y）＝0当且仅当x＝y”以及三角不等式“d（x，y）+d（y，z）≥d（x，z）”。可以看出，学界还没有充分认识到数学意义上的距离测度是不能准确反映群决策中个体偏好之间的共识的。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
