Uzantı kartı · Nötrosofik
Nötrosofik WASPAS
N-WASPAS, kriter değerlendirmeleri doğruluk, belirsizlik ve yanlışlık dereceleriyle verildiğinde kullanılan WASPAS biçimidir. Her hücreyi tek bir skora indirir, toplam ile çarpım bileşenlerini bu skorlar üzerinden kesin WASPAS gibi hesaplar.
Temel yöntem
WASPAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Nötrosofik (Neutrosophic) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Birkaç şey değişir, ama toplam ile çarpımı harmanlama mantığı aynı kalır.
Hücreler. Kesin WASPAS'ta her hücre tek sayıdır. Burada her hücre bir yargının doğruluk (T), belirsizlik (I) ve yanlışlık (F) derecesidir; üçü birbirinden bağımsızdır ve toplamları 3'ü aşamaz. Ağırlıklar kesin kalır; nötrosofik veri yalnız karar matrisi hücrelerinde kullanılır.
Maliyet kriterinde tamlayan alma. "Azı iyi" bir kriterde her hücrenin doğruluk ve yanlışlık bileşenleri yer değiştirir, belirsizlik bileşeni ise 1'den çıkarılır. Bu, IF-WASPAS'ın basit (μ, ν) yer değiştirmesinden daha karmaşıktır çünkü üçüncü bir bileşenin (I) de dönüştürülmesi gerekir; DecisionMind bu dönüşümü sabit tutar.
Skor (erken durulaştırma). Grey WASPAS'a benzer biçimde, N-WASPAS belirsizliği ölçek eşitlemesinden önce tek bir sayıya indirir: her hücrenin üç bileşeni, doğruluğu ödüllendiren, belirsizliği iki kat ve yanlışlığı bir kat cezalandıran bir skor fonksiyonuyla tek sayıya çevrilir. Fuzzy WASPAS ve IF-WASPAS'ta toplam ve çarpım bileşenleri kendi doğal yapılarında, üçgen sayı ya da destek/ret çifti olarak, kurulur ve en sonda durulaştırılır. N-WASPAS'ta ise durulaştırma her hücrede, toplam ve çarpım kurulmadan önce, tek tek yapılır.
Toplam ve çarpım. Skorlara indirgenmiş matris üzerinde ağırlıklı toplam (WSM) ve ağırlıklı çarpım (WPM), kesin WASPAS'taki formüllerle birebir hesaplanır. Çarpım bileşeninde negatif çıkabilecek skorlar sıfıra kırpılır, çünkü kuvvet alma negatif tabanda tanımsızlaşabilir.
Sonuç. Birleşik puan λ ile toplam ve çarpım bileşenini harmanlar. Fuzzy WASPAS'ın aksine λ uyarlamalı hesaplanmaz; kesin WASPAS'ın varsayılan değeri olan 0,5 kullanılır. Ama IF-WASPAS'tan farklı olarak burada λ, manifestte ayrı ve adı geçen bir kullanıcı parametresidir; doğrudan değiştirilebilir.
DecisionMind N-WASPAS'ta tamlayan alma kuralını ve skor fonksiyonunu sabit tutar; ağırlıklar dışarıdan ve kesin olarak alınır, yöntem ağırlık üretmez.
Çıktı Nasıl Yorumlanır?
Çıktı kesin WASPAS'taki gibi bir birleşik puan ve sıradır; okunması da aynıdır: yüzde ya da olasılık değildir, seçenek kümesi değişince sıra kayabilir.
Fark şudur. Her hücrenin doğruluk, belirsizlik ve yanlışlık üçlüsü, toplam ve çarpım hesaplanmadan önce tek bir skora sıkıştırılmıştır. Bu yüzden çıktı, belirsizliğin (I) ne kadar büyük olduğunu değil, yalnızca belirsizliğin skoru ne kadar aşağı çektiğini yansıtır. İki seçeneğin puan farkı küçükse, bu farkın hangi bileşenden geldiği, yani düşük doğruluktan mı, yüksek belirsizlikten mi, yoksa yüksek yanlışlıktan mı geldiği, ayrıca gösterilmelidir. Aksi halde "neden düşük çıktı" sorusuna cevap verilemez.
Bu nedenle:
"N-WASPAS'a göre A3 en güvenilir seçenektir"
yerine:
"A3 en yüksek birleşik puana sahiptir; bu üstünlük en ağır iki kriterin ağırlıklarının yer değiştirmesiyle korunmaktadır, ancak A1 ile A2 arasındaki sıra aynı ağırlık takasında tersine dönmektedir ve bu ikisinin farkı sağlam değildir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter değerlendirmesi hakkındaki bilgi eksik, çelişkili ya da tutarsızsa ve bu durumun karar için önemli olduğu düşünülüyorsa. Geçmiş verisi olmayan alternatiflerin değerlendirilmesi, çelişkili kaynaklara dayanan uzman görüşleri, "bu konuda hem güçlü lehte hem güçlü aleyhte kanıt var" durumları için uygundur. Belirsizlik bileşeni 1 eksi doğruluk eksi yanlışlık olarak hesaplanıyorsa (ayrı bir kaynağı yoksa) bu uzantı gereksizdir; sezgisel bulanık ya da kesin yapı aynı bilgiyi taşır. Değer ölçülmüşse temel yönteme geçilir.
WASPAS'ın çıkış koşulu aynen geçerlidir: toplam bileşeni telafi edicidir, bir kriterde taviz kabul edilmiyorsa uygun değildir; sıralama değil ağırlık gerekiyorsa AHP, BWM, CRITIC, Entropy gibi yöntemlere bakılmalıdır.
Bu Uzantıya Özgü Hatalar
T+I+F toplamının 3'ü aşmasına izin vermek. Bu, nötrosofik veri türü kartının belirttiği geçerlilik sınırıdır; aşan bir üçlü skor fonksiyonunu ve sonraki tüm adımları anlamsızlaştırır.
Belirsizliği 1 eksi doğruluk eksi yanlışlık olarak yazmak. Nötrosofik veri türü kartının temel uyarısı burada da geçerlidir; bu durumda I bağımsız bir bilgi taşımaz ve uzantının tek katkısı (çelişkili/eksik kanıtı ayrı tutmak) ortadan kalkar.
Maliyet kriterinde yalnız T ve F'yi çevirip I'yı olduğu gibi bırakmak. Tamlayan alma üç bileşeni birden dönüştürür (T↔F yer değiştirir, I 1'den çıkarılır); yalnız ikisini çevirmek yön düzeltmesini yarım bırakır.
Skor fonksiyonunu değiştirmek ya da atlamak. Doğruluğu ödüllendiren, belirsizliği iki kat, yanlışlığı bir kat cezalandıran skor burada sabit kuraldır; başka bir skor fonksiyonu (örneğin yalnız T-F farkı) farklı bir sıra üretebilir ve raporda belirtilmeden değiştirilmemelidir.
Erken durulaştırmayı gizleyip "üç bileşen de hesaba tam yansıdı" izlenimi vermek. Skor, toplam ve çarpımdan önce hesaplandığı için üç bileşenin ayrı ayrı etkisi son puanda görünmez; hangi bileşenin puanı düşürdüğü ayrıca gösterilmelidir.
Temel ilke şudur:
Doğruluk, belirsizlik ve yanlışlık ayrı kaynaklardan gelmeli ve toplamları zorunlu olarak 1'e tamamlanmamalı; skor fonksiyonu bu üçünü tek sayıya indirdiği andan itibaren hangi bileşenin sonucu sürüklediği ayrıca raporlanmalıdır.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: Nie, Wang ve Wang'ın (2017) makalesindeki gerçek yatırım verisi değil, F.steps'teki tamlayan+skor+WSM/WPM iskeletinin el hesabıyla izlenebilir olması için kurulmuş sentetik bir nötrosofik tablodur. İkinci vaka öğretici kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Erken aşama girişim sermayesi değerlendirmesi
Bir girişim sermayesi fonu, henüz gelir kaydı kısıtlı üç erken aşama girişim arasında yatırım kararı verecek. Üç ölçüt (üçü de "çoğu iyi"): ürün-pazar uyumu, kurucu ekip güvenilirliği ve büyüme potansiyeli. Fon analistleri her girişim için lehte kanıtı (T), eksik/çelişkili kanıtı (I) ve aleyhte kanıtı (F) ayrı ayrı değerlendirmiştir.
| Girişim | Ürün-pazar uyumu | Ekip güvenilirliği | Büyüme potansiyeli |
|---|---|---|---|
| A1 | (0,70; 0,20; 0,10) | (0,60; 0,30; 0,20) | (0,50; 0,40; 0,30) |
| A2 | (0,50; 0,30; 0,40) | (0,70; 0,20; 0,20) | (0,60; 0,30; 0,30) |
| A3 | (0,80; 0,10; 0,20) | (0,50; 0,40; 0,30) | (0,70; 0,30; 0,20) |
| Yön | çoğu iyi | çoğu iyi | çoğu iyi |
| Ağırlık | 0,40 | 0,30 | 0,30 |
Yöntem her hücreyi, üç ölçüt de fayda yönlü olduğu için tamlayan almadan, doğruluğu ödüllendiren, belirsizliği iki kat ve yanlışlığı bir kat cezalandıran skora çevirir. Bu skorlar üzerinde ağırlıklı toplam ve ağırlıklı çarpım hesaplanır, ikisi λ=0,5 ile birleştirilir.
| Girişim | Birleşik puan | Sıra |
|---|---|---|
| A3 | 0,448 | 1 |
| A1 | 0,401 | 2 |
| A2 | 0,360 | 3 |
Sonuç şöyle okunur. A3, en ağır ölçüt olan ürün-pazar uyumunda en yüksek doğruluk ve en düşük belirsizliğe sahiptir; bu, ekip güvenilirliğindeki görece zayıflığını (0,50 doğruluk, 0,40 belirsizlik) telafi eder. A2, büyüme potansiyelinde iyi görünse de ürün-pazar uyumunda hem düşük doğruluk hem yüksek yanlışlık taşır ve son sırada kalır.
Burada akla bir soru gelir: en ağır iki ölçütün ağırlıkları, ürün-pazar uyumu 0,40 ile ekip güvenilirliği 0,30, yer değiştirse sıra değişir mi? Bağımsız Python ile yeniden hesaplandığında A3 (0,398) yine birinci kalırken A1 (0,383) ile A2 (0,390) yer değiştirmektedir. Yani A1-A2 sırası bu ağırlık takasına duyarlıdır. Fonun A1 ile A2 arasında verdiği tercih, büyük ölçüde hangi ölçütün daha ağır sayıldığına bağlıdır. λ, 0 ile 1 arasında hangi değeri alırsa alsın A3 her durumda birinci kalmaktadır.
Raporda: "A3 en yüksek birleşik puana sahiptir (0,448) ve bu üstünlük λ seçiminden ve ağırlık takasından bağımsızdır; A1 ile A2 arasındaki ikinci-üçüncü sırası ise ürün-pazar uyumu ile ekip güvenilirliği ağırlıklarının göreli büyüklüğüne duyarlıdır."
Kaynak: Bu vaka DecisionMind'ın N-WASPAS motorunun doğrulama örneğidir; Nie, Wang ve Wang'ın (2017) makalesindeki gerçek yatırım tablosundan değil, tamlayan alma + skor + WSM/WPM iskeletinin (λ=0,5) el hesabıyla izlenebilir olması için kurulmuş sentetik bir örnektir. Birleşik puanlar ve duyarlılık senaryoları bu kartın yazarınca bağımsız olarak yeniden hesaplanmıştır.
2. Sigortacılık: Yeni bir sağlık sigortası ürününün risk değerlendirmesi
Bir sigorta şirketi, piyasaya süreceği üç yeni sağlık sigortası paketinden birini önceliklendirecek. Kriterler: beklenen talep, hasar/prim oranı riski (bu "azı iyi") ve düzenleyici onay süresi (bu da "azı iyi"). Ürünler henüz piyasada test edilmediğinden aktüerya ekibi her paket için lehte veriyi, çelişkili/eksik senaryo verisini ve aleyhte veriyi ayrı ayrı puanlıyor.
Yöntem hasar/prim riski ve onay süresi sütunlarında tamlayan alır (T-F yer değiştirir, I tamamlanır), her hücreyi skora çevirir, ağırlıklı toplam ve çarpım bileşenlerini kurar, λ=0,5 ile birleştirir. Diyelim ki en yüksek beklenen talebe sahip paket aynı zamanda en yüksek hasar/prim riskine sahiptir ve birleşik puanda yine de birinci çıkar, çünkü düzenleyici onay süresinde en iyi konumdadır. En düşük riskli paket ikinci, orta talepli ama en yavaş onaylanan paket üçüncü kalır.
Aktüerya ekibinin tereddüdü şudur: birinci paketin hasar/prim riski verisinin belirsizlik bileşeni yeni ürün olduğu için yüksektir. Bu belirsizlik, yeni bir düzenleme taslağı nedeniyle biraz daha yükselirse, skor fonksiyonu bu payı iki kat cezalandırdığından sıranın değişip değişmediği ayrıca sınanmalıdır.
Raporda: "Düzenleyici onay süresindeki üstünlük nedeniyle birinci paket en yüksek birleşik puana sahiptir; ancak bu paketin hasar/prim riski verisindeki belirsizlik payı yükselirse sıranın değişip değişmediği ayrıca sınanmalı ve şirket kararını yalnız puana değil belirsizlik payına da dayandırmalıdır."
3. Yapılmaması Gereken
Öğretici örnekteki A1'in ürün-pazar uyumu üçlüsünü (0,70; 0,20; 0,10) toplamı 1 olacak biçimde zorlamak (örneğin 0,10'u başka bir bileşene "borç" gibi eklemek): bu, üç bileşenin bağımsızlığını bozar ve nötrosofik yapıyı sezgisel bulanığa indirger. İkinci yanlış, büyüme potansiyeli gibi bir "çoğu iyi" kriterde tamlayan almayı gereksiz yere uygulamaktır; bu, doğruluk ve yanlışlığı yanlışlıkla yer değiştirir ve en iyi girişimi cezalandırır. Üçüncü yanlış, A3'ün 0,448 puanını "yüzde 45 başarı olasılığı" diye raporlamaktır; puan yalnız bu üç girişimi birbirine göre sıralar, bir olasılık tahmini değildir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/n-waspas
Zavadskas, E. K., Turskis, Z., Antuchevičienė, J., & Zakarevičius, A. (2012). Optimization of weighted aggregated sum product assessment. Elektronika ir Elektrotechnika, 122(6), 3–6. DOI: 10.5755/j01.eee.122.6.1810
Smarandache, F. (1998). Neutrosophy: Neutrosophic Probability, Set, and Logic. American Research Press, Rehoboth. (DOI yok)
Wang, H., Smarandache, F., Zhang, Y., & Sunderraman, R. (2010). Single valued neutrosophic sets. Multispace and Multistructure, 4, 410–413. (DOI yok)
Ye, J. (2014). A multicriteria decision-making method using aggregation operators for simplified neutrosophic sets. Journal of Intelligent & Fuzzy Systems, 26(5), 2459–2466. DOI: 10.3233/IFS-130916