Uzantı kartı · Plitojenik
Plitojenik COPRAS
COPRAS'ın, kriter puanlarının doğruluk-belirsizlik-yanlışlık üçlüsüyle verildiği ve kriterlerin birbirine göre bir çelişki derecesi taşıdığı durumlar için biçimidir. Çıktısı yine en iyi seçeneğe göre yüzde cinsinden bir fayda derecesidir.
Temel yöntem
COPRAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Plitojenik (Plithogenic) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Dört şey değişir; karar mantığı değişmez.
Hücreler. Kesin COPRAS'ta her hücre tek sayıdır. Burada her hücre üç sayıdır: doğruluk (T), belirsizlik (I), yanlışlık (F). Plitojenik veri türü kartındaki alt seçenek fikri bu ailede kritere taşınır: kriterlerden biri baskın kabul edilir, çelişki derecesi sıfırdır. Öbür kriterlerin bu baskın kritere ne kadar zıt olduğu bir çelişki derecesiyle verilir. Bu derece kriter başınadır, seçenekten seçeneğe değişmez.
Ölçek eşitleme ve puanlama. Burada TOPSIS, VIKOR ve MARCOS uzantılarındaki gibi maliyet kriterinde bir tümleyen alınmaz; COPRAS zaten fayda ve maliyeti ayrı toplayarak yön farkını yönetir, bu ailede de aynı yol izlenir. Her hücre önce kendi kriterinin çelişki derecesiyle ayarlanır, sonra tek bir puana indirilir (doğruluk artı, belirsizliğin iki katı ve yanlışlık eksi, ikiye bölünmüş biçimde). Bu puan bire kaydırılarak pozitif hâle getirilir ve kesin COPRAS'taki gibi sütun toplamına bölünerek paya çevrilir; sonra ağırlıkla çarpılır.
Fayda ve maliyet toplamları. Kesin COPRAS'taki gibi, fayda kriterlerindeki ağırlıklı paylar ayrı toplanır, maliyet kriterlerindeki ağırlıklı paylar ayrı toplanır. Buradaki fark yalnız payların T-I-F'den türeyen bir puandan gelmesidir; toplama ve göreli önem hesabı kesin COPRAS'la birebir aynıdır.
Sonuç ve durulaştırma. Göreli önem değerleri en yükseğe bölünüp yüzdeye çevrilir; en iyi seçenek yine 100'dür. Belirsizlik (I) ve yanlışlık (F) ayrı bir adımda durulaştırılmaz; puan fonksiyonunun içinde erir, geri kalan adımlar kesin sayılarla ilerler.
DecisionMind bu ailede çelişki ayarlamasını, puan fonksiyonunu ve fayda/maliyet ayrımını sabit tutar. Kriter ağırlıkları ve çelişki dereceleri dışarıdan ve ayrı ayrı alınır.
Çıktı Nasıl Yorumlanır?
Çıktı kesin COPRAS'taki gibi bir fayda derecesidir; okunması da aynıdır: en iyi seçenek her zaman 100'dür, bu bir mutlak başarı yüzdesi değil, bu kümenin en iyisine göre bir paydır ve başka bir analizle karşılaştırılamaz.
Fark şurada: bu pay artık T-I-F'den türeyen bir puanın fayda-maliyet dengesidir ve bu puanın kendisi kriterin çelişki derecesine göre önceden ayarlanmıştır. Aşağıdaki öğretici örnekte A3 (95,39) ile A2 (100,00) arasındaki fark küçük görünür; ağırlıklar C2'ye kaydırıldığında bu fark kapanır ve A3 A2'yi geçebilir.
Bu nedenle:
"Plitojenik COPRAS bu seçeneği yüzde 95 başarılı buldu"
yerine:
"Bu ağırlıklar ve bu çelişki dereceleriyle en yüksek fayda-maliyet dengesine sahip seçenek budur; ikinci seçenek bu seçeneğin fayda derecesinin yüzde 95,39'una ulaşmaktadır ve bu pay ağırlık dağılımına duyarlıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter puanlarınız doğruluk-belirsizlik-yanlışlık üçlüsüyle verilmişse ve sonucu "en iyiye göre yüzde" biçiminde raporlamak istiyorsanız bu uzantı yerindedir. Kriterlerin bir kısmı diğerlerine göre daha bağımsız ya da daha çelişkili bir bilgi kaynağıysa bu, tercihi güçlendirir. Sadece T-I-F üçlüsü yeterliyse ve kriterler arasında böyle bir baskınlık-çelişki ilişkisi yoksa nötrosofik COPRAS (n-copras) zaten yeterlidir; plitojenik biçim bir varsayım daha ekler ve bu varsayım gerekçesiz verilirse yalancı bir ayrım yaratır.
Ölçülmüş bir kriteri T-I-F üçlüsüne çevirmek belirsizlik üretmektir, modellemek değildir. Puan fonksiyonu negatif değer üretmediği için kesin COPRAS'ın negatif değer sınırlaması burada doğrudan geçerli değildir. Ama bu bir gevşeme değildir: T-I-F üçlüsünün kendisi hâlâ [0,1] aralığında geçerli olmalıdır.
Bu Uzantıya Özgü Hatalar
Değer uzayını ihlal etmek. Her hücre geçerli bir T, I, F üçlüsü olmalı ve her kriterin bir çelişki derecesi ilan edilmiş olmalıdır.
Çelişki derecesini gerekçesiz atamak. Ağırlıklar C1'den C2'ye kaydırıldığında (0,40→0,10, 0,35→0,65) A3, A2'yi geçmektedir; aynı yönde bir kayma çelişki derecesiyle de üretilebilir. Derece, kriterin baskın kritere göre bağımsızlığına dair bir gerekçeye dayanmalıdır, sıralamayı istenen yöne çekmek için seçilmemelidir.
Maliyet kriterini fayda toplamına dahil etmek. Bu ailede kesin COPRAS'taki gibi fayda ve maliyet ayrı toplanır; bir maliyet kriterini yanlışlıkla fayda tarafına yazmak, yüksek maliyetli seçeneği ödüllendirir.
Fayda derecesini mutlak bir kalite yüzdesi gibi okumak. Kesin COPRAS'taki bu hata burada da geçerlidir; 100 değeri yalnız bu kümenin en iyisi olduğu anlamına gelir.
Temel ilke şudur:
Plitojenik COPRAS sonucu, T-I-F puanlarının fayda-maliyet dengesinin bu kümedeki en iyiye göre bir özetidir; bu özet hem ağırlıklara hem kriterler arası çelişki derecesi varsayımına duyarlıdır.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Smarandache'nin 2018 tarihli kurucu kaynağı plitojenik işlemleri tanımlar ama bir karar tablosu örneği içermez; bu yüzden DecisionMind aynı formüllerle küçük, elle izlenebilir bir tablo kurmuştur. İkinci vaka öğretici kurgudur.
1. Öğretici örnek: Üç seçenek, üç kriter (DecisionMind doğrulama örneği)
Üç seçenek üç kriterde değerlendirilmiştir. İlk iki kriter "çoğu iyi", üçüncüsü "azı iyi"dir. C1 baskın kriter kabul edilmiş, çelişki derecesi sıfırdır; C2 ve C3'ün C1'e göre çelişki dereceleri sırasıyla 0,33 ve 0,67'dir.
| Seçenek | C1 (çoğu iyi) | C2 (çoğu iyi) | C3 (azı iyi) |
|---|---|---|---|
| A1 | (0,70; 0,20; 0,10) | (0,50; 0,30; 0,20) | (0,60; 0,30; 0,20) |
| A2 | (0,80; 0,10; 0,10) | (0,60; 0,20; 0,20) | (0,40; 0,20; 0,30) |
| A3 | (0,60; 0,20; 0,20) | (0,70; 0,20; 0,10) | (0,50; 0,30; 0,20) |
| Çelişki derecesi | 0,00 | 0,33 | 0,67 |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem her hücreyi kendi kriterinin çelişki derecesiyle ayarlar, tek bir puana indirir, sütun toplamına bölerek paya çevirir, ağırlıklarla çarpar; C1 ve C2'deki (fayda) payları toplayıp bir fayda toplamı, C3'teki (maliyet) payı ayrı tutup bir maliyet toplamı bulur, bu ikisini birleştirip yüzdeye çevirir.
| Seçenek | Fayda derecesi | Sıra |
|---|---|---|
| A2 | 100,00 | 1 |
| A3 | 95,39 | 2 |
| A1 | 94,15 | 3 |
Sonuç şöyle okunur. A2, en ağırlıklı kriter olan C1'de en yüksek puana ve C3'te (maliyet) en düşük maliyet payına sahiptir; bu iki kriterin ağırlığı toplamda 0,65'tir ve A2'yi en yüksek fayda derecesine taşır. A3, C2'de en yüksek puana sahiptir ama bu kriterin ağırlığı (0,35) ve çelişki derecesi (0,33) orta düzeydedir; bu yüzden A2'nin az gerisinde kalır.
Kurulun tereddüdü: ağırlıklar C1 0,40'tan 0,10'a, C2 0,35'ten 0,65'e çekilirse (C3 0,25 sabit), fayda dereceleri A1=93,99, A2=98,95, A3=100,00 olur ve A3 birinciye geçer. Bu, C2'nin ağırlığı yeterince büyütüldüğünde A3'ün C2'deki üstünlüğünün A2'nin C1 ve C3'teki üstünlüğünü geçebildiğini gösterir.
Raporda: "Verilen ağırlıklarla (C1=0,40, C2=0,35, C3=0,25) A2 en yüksek fayda derecesine sahiptir (100,00); A3 (95,39) ile arasındaki fark küçüktür ve C2'nin ağırlığı C1'in çok üzerine çıkarıldığında (C1=0,10, C2=0,65) A3 öne geçmektedir."
Kaynak: DecisionMind P-COPRAS manifesti, doğrulama örneği. Plitojenik işlemler Smarandache (2018)'in tanımladığı formüllere dayanır; kurucu kaynak bir karar tablosu örneği vermediği için tablo DecisionMind tarafından formüllere sadık biçimde kurulmuştur. Fayda dereceleri ve ağırlık senaryosu bu kartın yazarınca aynı algoritmayla bağımsız olarak yeniden hesaplanmıştır.
2. Balıkçılık: Bir kooperatifin yeni av teknesi tedarikçisi seçimi
Bir balıkçı kooperatifi, filoya katılacak yeni av teknesi için üç tersane teklifinden birine karar verecektir. Üç kriter kullanılır: teknenin yakıt verimliliği, soğuk hava deposu kapasitesi ve satın alma bedeli ("azı iyi"). Kooperatif yakıt verimliliğini baskın kriter kabul eder; depo kapasitesinin verimlilikten bağımsız bir bilgi taşıdığını, satın alma bedelinin ise ikisinden de daha bağımsız olduğunu düşünür ve çelişki derecelerini buna göre belirler. Her teklif her kritere T-I-F üçlüsüyle puanlanır; belirsizlik, tersanelerin teknik şartname dışı sözlü taahhütlerinden gelir.
Yöntem üç teklifin fayda ve maliyet toplamlarını ayrı ayrı bulur, ikisini birleştirip yüzdeye çevirir. Diyelim ki en yüksek yakıt verimliliğine sahip teklif aynı zamanda en pahalı olan tekliftir ve yine de birinci sırada çıkar, çünkü yakıt verimliliği ağırlığı bedelden fazladır.
Kooperatifin tereddüdü: satın alma bedelinin çelişki derecesi düşük tutulmuşsa, bu teklifin gerçek finansman yükü sıralamada yeterince ağırlık bulmayabilir. Kooperatif, bedel için ayrı bir üst sınır uygulamadan yalnız fayda derecesine göre karar vermemelidir.
Raporda: "Yakıt verimliliğine verilen yüksek ağırlıkla en verimli teklif en yüksek fayda derecesine ulaşmaktadır; satın alma bedelinin çelişki derecesi düşük tutulduğundan finansman yükü için ayrı bir üst sınır önerilir."
3. Yapılmaması Gereken
Öğretici örnekte C3 (maliyet) yanlışlıkla fayda toplamına dahil edilseydi, en yüksek maliyetli seçenek ödüllendirilir ve A2'nin düşük maliyetten kazandığı avantaj tersine dönerdi. İkinci yanlış, C2'nin çelişki derecesini "A3'ü öne çıkarmak için" gerekçesiz yükseltmektir. Üçüncü yanlış, A2'nin 100,00 derecesini "mükemmel" diye raporlamaktır; bu değer yalnız bu üç seçenek arasında en iyisi olduğu anlamına gelir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/p-copras
Zavadskas, E. K., & Kaklauskas, A. (1996). Determination of an efficient contractor by using the new method of multicriteria assessment. In International Symposium for the Organization and Management of Construction: Shaping Theory and Practice, Vol. 2, 94–104. (DOI yok)
Smarandache, F. (2018). Plithogenic Set, an Extension of Crisp, Fuzzy, Intuitionistic Fuzzy, and Neutrosophic Sets – Revisited. Neutrosophic Sets and Systems, 21, 153–166. DOI: 10.5281/zenodo.1408740
Smarandache, F. (2017). Plithogeny, Plithogenic Set, Logic, Probability, and Statistics. Pons Publishing House, Brussels. (DOI yok)
Abdel-Basset, M., & Mohamed, R. (2020). A novel plithogenic TOPSIS-CRITIC model for sustainable supply chain risk management. Journal of Cleaner Production, 247, 119586. DOI: 10.1016/j.jclepro.2019.119586
Abdel-Basset, M., El-hoseny, M., Gamal, A., & Smarandache, F. (2019). A novel model for evaluation Hospital medical care systems based on plithogenic sets. Artificial Intelligence in Medicine, 100, 101710. DOI: 10.1016/j.artmed.2019.101710