Sezgisel bulanık MABAC (Li, 2021)

Dört şey değişir. Sınır yaklaşım alanı fikri ise değişmez.

Hücreler. Kesin MABAC'ta her hücre tek sayıdır. Burada her hücre bir çift sayıdır: destek derecesi (μ) ve ret derecesi (ν). Bu ikisinin toplamı 1'i aşmaz. Birden fazla uzmanın değerlendirmesi varsa DecisionMind bunları önce sezgisel ağırlıklı ortalama (IFWA) ile tek bir matriste birleştirir. Kesin MABAC'ta böyle bir birleştirme adımı yoktur.

Ölçek eşitleme. Kesin MABAC min-maks normalizasyonu yapar. IF-MABAC bunun yerine kriter yönüne göre bir tamamlama uygular. Maliyet kriterinde destek ve ret dereceleri yer değiştirir: (μ, ν) → (ν, μ). Bu işlem sayısal bir bölme değil, mantıksal bir çeviridir. Sezgisel bulanık sayılarda "küçük olan iyi" ifadesi, "reddi destek yapmak" ile karşılanır.

Ağırlıklar kaynağı. Kesin MABAC ağırlıkları dışarıdan alır. IF-MABAC bu uzantıda ağırlıkları veriden kendisi türetir. Uzmanlar arası puanların ne kadar ayrıştığını ölçen "maksimize edici sapma" yöntemini kullanır ve birbirinden daha çok ayrışan kriterlere daha yüksek ağırlık verir. Kullanıcı ağırlık girse bile motor bu adımı çalıştırır. Ağırlık burada bir girdi değildir, verinin kendisinden çıkan bir sonuçtur.

Sınır yaklaşım alanı ve uzaklık. Sınır, ağırlıklandırılmış sezgisel bulanık değerlerin geometrik ortalamasıdır. Bu, kesin MABAC'taki sınır tanımının sezgisel bulanık işlemlere taşınmış hâlidir. Uzaklık ise düz bir fark değildir. Tversky-Kahneman prospekt teorisinin kayıptan kaçınma parametreleriyle ağırlıklandırılır. Kazanç ve kayıplar burada farklı eğimle sayılır. Bu, kesin MABAC'ın simetrik uzaklığından belirgin bir sapmadır ve IF-MABAC'ın kendine özgü katkısıdır.

Sonuç ve durulaştırma. Sınıra uzaklık, prospekt teorisi ağırlıklandırmasıyla zaten tek sayıya iner. Bu yüzden ayrı bir durulaştırma adımına gerek yoktur. DecisionMind bu davranışsal ağırlıklandırmayı sabit tutar: ϑ=ς=0,88 ve ρ=2,25, yani Tversky-Kahneman'ın standart değerleri kullanılır.

Puanın işareti kesin MABAC ile aynı okunur: pozitif "sınırın üzerinde", negatif "sınırın altında". Ancak bu puan biraz farklı bilgi taşır. Hem verinin ayrışmasından türeyen ağırlıkları hem de kayıptan kaçınma varsayımını içerir. İki seçenek arasındaki fark küçükse, bu fark hangi kriterin en çok ayrıştığına ve hangi kriterde büyük bir farkın (kayıp gibi) yaşandığına duyarlıdır.

Bu nedenle:

"IF-MABAC ağırlıkları objektif olarak belirlediği için sonuç taraflı değildir"

yerine:

"Ağırlıklar uzmanlar arası ayrışmadan türetilmiştir; bu, önemlilik değil ayrışıklık ölçüsüdür. P2 sınırın en üzerindedir, P4 ile P5 arasındaki sıra tek bir kriterdeki üstünlüğün büyüklüğüne duyarlıdır"

biçiminde yazmak doğrudur.

Kriterler bir yargıya (örneğin "bu seçenek bu ölçütü karşılar") destek ve ret derecesiyle değerlendiriliyorsa ve kriter ağırlıklarının kaynağı belirsizken uzmanlar arası ayrışmanın kendisi bir ipucu olarak kullanılabiliyorsa, bu uzantı tercih edilir. Bu genellikle, birden fazla uzmanın aynı seçenekleri değerlendirdiği ve hangi kriterin ayırt edici olduğunun önceden bilinmediği kurul kararlarında görülür.

Kriterler ölçülmüşse ya da ağırlıklar zaten AHP, BWM gibi öznel bir kaynaktan belirlenmişse temel yöntemde kalınmalıdır. Çünkü IF-MABAC ağırlıkları kendisi türettiği için dışarıdan verilen bir ağırlık şemasını geçersiz kılar. Çıkış noktası kesin MABAC ile aynıdır. Bu uzantı da telafi edicidir. Bir kriterde taviz kabul edilmiyorsa ELECTRE ailesine bakılır.

μ+ν>1 girmek. Sezgisel bulanık sayının tanım kısıtı bozulursa, yani destek ve ret toplamı 1'i aşarsa, hesap geçersiz olur. Bu yüzden her hücreyi girmeden önce kontrol etmek gerekir.

Dışarıdan verilen ağırlığın kullanılacağını sanmak. IF-MABAC ağırlıkları veriden türetir. Kullanıcının girdiği bir ağırlık şeması bu uzantıda hesaba katılmaz. Ağırlıkların dışarıdan sabit kalması gerekiyorsa temel MABAC ya da ağırlığı girdi olarak alan başka bir sezgisel bulanık uzantı tercih edilmelidir.

Kayıptan kaçınma parametrelerini "ayarlanabilir" sanmak. Tversky-Kahneman parametreleri (0,88 / 2,25) davranışsal ekonominin standart değerleridir. DecisionMind bunları sabit tutar ve veri setine göre kalibre etmez.

Makalenin kendi tablosuyla birebir eşleşme beklemek. Li'nin (2021) makalesindeki Tablo 12, aynı makalenin kendi formülleriyle (Eş. 8/28/29) tam örtüşmüyor. Bu, makale içinde bir tutarsızlıktır (bkz. Kaynak notu). DecisionMind formülleri harfiyen uygular ve bu küçük farkı saydam biçimde bildirir.

Temel ilke şudur:

IF-MABAC ağırlığı bir tercih değil bir ayrışma ölçüsüdür; bu ayrımı gözden kaçırmak ya da dışarıdan ağırlık dayatmak yöntemin kendine özgü katkısını iptal eder.