Uzantı kartı · Tereddütlü
Tereddütlü MOORA (Li, 2014)
MOORA'nın, kriter puanlarının tek bir sayı yerine birden fazla makul değerle (tereddütlü küme) verildiği durumlar için biçimidir. Her hücreyi bir skora indirip geri kalanını kesin MOORA'nın oran sistemi gibi yürütür.
Temel yöntem
MOORA →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Tereddütlü (Hesitant) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Üç şey değişir; vektör normu ve oran sistemi mantığı değişmez.
Hücreler. Kesin MOORA'da her hücre tek sayıdır. Burada her hücre bir ya da daha fazla olası değerden oluşan bir küme olabilir. Farklı hücreler farklı sayıda değer taşıyabilir; bir hücrede tek bir uzlaşılmış değer, komşu hücrede üç farklı uzman görüşü bulunabilir. Kriter ağırlıkları kesin sayı olarak dışarıdan alınır.
Durulaştırma en baştadır. Her küme, hesabın ilk adımında tek bir skora indirilir. Varsayılan işlemci küme elemanlarının aritmetik ortalamasıdır. Kurucu makale (Li, 2014) ayrıca bir güç ortalaması işlemcisi tanımlar; bu işlemci elemanlar arasındaki karşılıklı yakınlığa göre bir ağırlıklandırma kurar. İki işlemci tek elemanlı bir kümede aynı sayıyı verir. Birden fazla elemanlı bir kümede farklı sayı verebilir; örneğin {0,20; 0,25; 0,90} kümesinde ortalama işlemcisi 0,45 verir, güç ortalaması işlemcisi 0,551 verir. Hangi işlemcinin kullanıldığı bir parametredir ve raporda belirtilmelidir.
Vektör normu ve oran sistemi. Durulaştırılmış skor matrisi, kesin MOORA'nın vektör normuyla (her değerin, sütundaki değerlerin karelerinin toplamının köküne bölünmesi) normalize edilir, ağırlıklarla çarpılır; fayda kriterlerindeki ağırlıklı payların toplamından maliyet kriterlerindeki payların toplamı çıkarılır. Bu, kesin MOORA'nın oran sistemiyle birebir aynı işlemdir.
DecisionMind bu uzantıda varsayılan durulaştırma işlemcisini (aritmetik ortalama), güç ortalaması seçeneğini ve ardından kesin MOORA'nın vektör normunu ve oran sistemini sabit tutar. Farklı büyüklükteki kümeler burada bir sorun çıkarmaz, çünkü karşılaştırma kümeler arasında değil, kümelerden türetilen skorlar arasında yapılır; TOPSIS ya da EDAS gibi hücreler arasında doğrudan uzaklık hesaplayan tereddütlü yöntemlerdeki uzunluk eşitleme kuralı bu ailede gerekmez.
Çıktı Nasıl Yorumlanır?
MOORA puanı kesin MOORA'daki gibi okunur: bir seçeneğin faydalı kriterlerdeki payının zararlı kriterlerdeki payına göre net üstünlüğüdür, başka bir analizle karşılaştırılamaz. Fark şurada: puanın arkasında artık kümenin taşıdığı birden fazla makul değer yoktur, çünkü hücre daha ilk adımda tek bir skora inmiştir. Hangi durulaştırma işlemcisinin kullanıldığı bu skoru, dolayısıyla sonucu, etkiler.
Bu nedenle:
"Tereddütlü MOORA belirsizliği sona kadar taşıdığı için sonuç daha güvenilirdir"
yerine:
"Kümeler daha ilk adımda seçilen işlemciyle (ortalama ya da güç ortalaması) tek bir skora indirilmiştir; hangi işlemcinin kullanıldığı sonucu etkiler ve raporda belirtilmelidir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Bir kriter-seçenek hücresinde birden fazla uzman görüşü, senaryo ya da tekrarlı ölçüm aynı anda makul kabul ediliyorsa ve bunları erken bir ortalamayla kaybetmek istenmiyorsa bu uzantı kullanılır. Tek bir güvenilir değer varsa kümeye çevirmek gerekli değildir; tereddütlü veri türü kartındaki kural burada da geçerlidir. Kesin MOORA'nın çıkış koşulu aynen geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir.
Bu Uzantıya Özgü Hatalar
Durulaştırma işlemcisini raporda belirtmemek. Ortalama mı güç ortalaması mı kullanıldığı, birden fazla elemanlı kümelerde farklı bir skor üretir; bu seçim rapor edilmeden bırakılmamalıdır.
Farklı uzunluktaki kümeleri eşitlemeye çalışmak. Bu ailede hücreler önce bağımsız olarak skora indirilir. Uzaklık temelli tereddütlü yöntemlerin aksine, burada bir uzunluk eşitleme kuralı gerekmez; kümeler doğrudan kendi elemanlarıyla skorlanır.
Tek elemanlı bir kümeyi "gelişmiş görünsün" diye gerekçesiz elemanlarla genişletmek. Tereddütlü veri türü kartındaki kural burada da geçerlidir: her eleman kendi kaynağına (uzman, senaryo, ölçüm) dayanmalıdır.
Değer alanı ihlali. Kümedeki her eleman 0 ile 1 arasında olmalıdır.
Temel ilke şudur:
Tereddütlü MOORA'da belirsizlik hesaba girmeden önce, matrisin kurulduğu ilk adımda seçilen işlemciyle tek bir skora indirilir. Rapor bu erken durulaştırmayı ve işlemci seçimini gizlememelidir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Kurucu kaynağın (Li, 2014) kendi sayısal örneği beş seçenek dört kriterle ve elemanları birbirine bağlayan bir güç ortalaması işlemcisiyle kurulmuştur. İkincil kaynağın (Narayanamoorthy ve ark., 2020) örneği de dört seçenek beş kriterle ve ağırlık türetme adımı hesapla iç içe geçmiştir. İkisi de elle izlenebilir değildir; bu yüzden DecisionMind aynı formüllere sadık, kapalı biçimde çözülebilen küçük bir tablo kurmuştur. İkinci vaka öğretici kurgudur.
1. Öğretici örnek: İki seçenek, iki kriter (DecisionMind'ın doğrulama örneği)
İki seçenek iki kriterde değerlendirilmiştir; her hücre tek elemanlı bir kümedir. C1 "çoğu iyi", C2 "azı iyi"dir. Ağırlıklar eşittir (0,50 / 0,50).
| Seçenek | C1 (çoğu iyi) | C2 (azı iyi) |
|---|---|---|
| A1 | {0,30} | {0,40} |
| A2 | {0,40} | {0,30} |
Yöntem her kümeyi ortalamasıyla skorlar (tek elemanlı kümede skor elemanın kendisidir), sütun içinde vektör normuyla ölçekler ve fayda kriterindeki paydan maliyet kriterindeki payı çıkarır.
| Seçenek | MOORA puanı | Sıra |
|---|---|---|
| A2 | +0,10 | 1 |
| A1 | −0,10 | 2 |
Sonuç şöyle okunur. A2, C1'de daha yüksek, C2'de (maliyet) daha düşük bir değere sahiptir; her iki üstünlük de A2'yi öne taşır. Bu örnekte kümeler tek elemanlı olduğu için ortalama ile güç ortalaması aynı sayıyı verir; işlemci seçimi yalnız birden fazla elemanlı kümelerde bir fark yaratır.
Kurulun bir tereddüdü ağırlıklara dairdir. Ağırlıklar 0,50/0,50'den 0,90/0,10'a ya da 0,10/0,90'a kaydırılsa bile A2 her zaman A1'in tam 0,20 puan önündedir. Bunun nedeni matematikseldir: normalize edilmiş skorlar C1'de (0,6; 0,8), C2'de (0,8; 0,6) biçiminde tam simetriktir ve yönler zıttır; ağırlıkların toplamı 1 kaldığı sürece fark her zaman 0,20'dir. Bu, sıranın bu iki kriterlik örnekte ağırlık dağılımından tamamen bağımsız olduğunu gösterir; her problemde böyle bir sağlamlık beklenmemelidir.
Raporda: "Eşit ağırlıklarla A2 birincidir (+0,10); A1 ikincidir (−0,10). Bu örnekte iki kriterin normalize skorları tam simetrik olduğundan, ağırlıklar hangi biçimde dağıtılırsa dağıtılsın (toplamı 1 kaldığı sürece) A2 her zaman 0,20 puan önde kalmaktadır."
Kaynak: DecisionMind'ın HF-MOORA doğrulama örneği. Oran sistemi Brauers ve Zavadskas (2006)'ın MOORA tanımına, durulaştırma işlemcisi Li (2014) ve Narayanamoorthy ve ark. (2020)'nin tanımladığı ortalama-skor operatörüne dayanır. Puanlar ve ağırlık duyarlılığı bu kartın yazarınca kernel formülleri Python'da bağımsız olarak yeniden hesaplanarak elde edilmiş, manifest expected_primary ile birebir doğrulanmıştır.
2. Mobilya Üretimi: Bir üreticinin ahşap tedarikçisi seçimi
Bir mobilya üreticisi üç ahşap tedarikçisi arasında seçim yapacaktır. İki ölçüt vardır: nem oranı uygunluğu (çoğu iyi) ve çatlak/kusur oranı (azı iyi). Kalite kontrol birimi her tedarikçiden gelen üç ayrı sevkiyatı ayrı ayrı denetlemiş ve her ölçütte üç farklı değer kaydetmiştir. Bu değerler tek bir ortalamaya indirilmeden bir küme olarak saklanmıştır, çünkü sevkiyatlar arası tutarlılığın kendisi de kararı etkileyen bir bilgidir.
Yöntem her tedarikçinin kümesini seçilen işlemciyle skorlar, vektör normuyla ölçekler ve oranı hesaplar. Diyelim ki bir tedarikçinin çatlak/kusur oranı kümesi {0,10; 0,12; 0,45} biçimindedir; üçüncü sevkiyatta ciddi bir sapma görülmüştür. Ortalama işlemcisiyle bu küme 0,223 skoruna iner; güç ortalaması işlemcisiyle 0,232 skoruna iner. İki sayı birbirine yakın görünse de, kusur oranı gibi maliyet yönlü bir kritede küçük bir skor farkı bile sınırda kalan iki tedarikçi arasındaki sırayı değiştirebilir.
Üreticinin tereddüdü şudur: iki işlemci bu tedarikçiye farklı skor verdiği için, sıralamanın işlemci seçimine duyarlı olup olmadığı ayrıca sınanmalıdır. Üretici tek bir işlemciyle karar vermeden önce, sevgiyattaki sapmanın nedenini (nakliye koşulu mu, üretim hatası mı) ayrı bir soruşturmayla netleştirmelidir.
Raporda: "Tedarikçilerin kusur oranı, üç sevkiyattan gelen kümeler üzerinden [ortalama/güç ortalaması] işlemcisiyle skorlanmıştır. Bir tedarikçinin üçüncü sevkiyatındaki sapma iki işlemci arasında farklı bir skora yol açmaktadır; sıralama bu işlemci seçimine karşı ayrıca sınanmalıdır."
3. Yapılmaması Gereken
Öğretici örnekte C2'nin yönü çoğu iyi işaretlenseydi, en yüksek kusur oranına sahip seçenek ödüllendirilirdi. İkinci yanlış, mobilya örneğindeki gibi birden fazla elemanlı bir kümeyi hangi işlemciyle skorlandığını belirtmeden raporlamaktır; ortalama ve güç ortalaması farklı sayı verebilir. Üçüncü yanlış, farklı uzunluktaki iki kümeyi karşılaştırılabilir kılmak için önce aynı uzunluğa getirmeye çalışmaktır; bu ailede böyle bir eşitleme gerekmez, her küme kendi elemanlarıyla bağımsız skorlanır.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/hf-moora
Li, Z.-H. (2014). An Extension of the MULTIMOORA Method for Multiple Criteria Group Decision Making Based upon Hesitant Fuzzy Sets. Journal of Applied Mathematics, 2014, Article ID 527836. DOI: 10.1155/2014/527836
Narayanamoorthy, S., Annapoorani, V., Kalaiselvan, S., & Kang, D. (2020). Hybrid Hesitant Fuzzy Multi-Criteria Decision Making Method: A Symmetric Analysis of the Selection of the Best Water Distribution System. Symmetry, 12(12), 2096. DOI: 10.3390/sym12122096
Brauers, W. K. M., & Zavadskas, E. K. (2006). The MOORA method and its application to privatization in a transition economy. Control and Cybernetics, 35(2), 445–469. (DOI yok)
Torra, V. (2010). Hesitant fuzzy sets. International Journal of Intelligent Systems, 25(6), 529–539. DOI: 10.1002/int.20418
Xia, M., & Xu, Z. (2011). Hesitant fuzzy information aggregation in decision making. International Journal of Approximate Reasoning, 52(3), 395–407. DOI: 10.1016/j.ijar.2010.09.002