Resim bulanık COPRAS (Lu, Zhang, Wu ve Wei, 2021)

Dört şey değişir. Karar mantığı aynı kalır.

Hücreler. Kesin COPRAS'ta her hücrede tek bir sayı vardır. Burada her hücrede üç derece vardır: destek, çekimser, ret; toplamları 1'i geçemez. Bu üçlü, bir kurulun ya da anketin aynı yargı üzerindeki oy dağılımından gelir. Bu üye birden fazla uzmanın oyunu da birleştirebilir; birden fazla uzman matrisi girilirse DecisionMind bunları resim bulanık toplama kuralıyla tek bir kurul matrisine indirger. Ağırlıklar dışarıdan, tek sayı olarak gelir.

Ölçek eşitleme. Kesin COPRAS her sütunu kendi toplamına bölerek paya çevirir. Resim bulanık üçlüler zaten 0 ile 1 arasında bir yapıdadır ve sütun toplamına bölme işlemi burada uygulanmaz. Bunun yerine her hücre, kriterin ağırlığıyla resim bulanık üslü çarpma kuralıyla ağırlıklandırılır. Bu işlem, sayının kendisini değil, üç derecenin birlikte oluşturduğu üçlüyü ağırlığın gücüne göre yeniden ölçekler.

Fayda ve maliyet toplamları. Kesin COPRAS'ta fayda kriterlerindeki ağırlıklı değerler toplanır, maliyet kriterlerindekiler ayrı toplanır. Burada da aynı ayrım yapılır, ama toplama resim bulanık toplama kuralıyla yürür: her seçeneğin fayda kriterlerindeki üçlüleri birleştirilerek tek bir fayda üçlüsü, maliyet kriterlerindeki üçlüleri birleştirilerek tek bir maliyet üçlüsü kurulur. Bu iki üçlü, destek eksi ret skoruyla birer sayıya indirilir ve kesin COPRAS'taki gibi bir düzeltme terimiyle birleştirilir.

Sonuç ve durulaştırma. Göreli önem değeri, en yükseğine bölünüp yüzdeye çevrilir; en iyi seçenek yine 100 olur. Sonuç yine 0 ile 100 arasında tek bir sayıdır. Belirsizlik durulaştırılmaz; fayda ve maliyet toplamları kurulurken üç derecenin tamamı kullanılır, yalnız son adımda skor fonksiyonuyla tek sayıya inilir.

DecisionMind bu üyede kullanıcı ağırlık verdiğinde bu ağırlıkların doğrudan kullanılmasını sabit tutar; ağırlık verilmezse kurucu makalenin nesnel ağırlık türetme yolu (kriterler arası korelasyona dayanan bir yöntem) devreye girer.

Fayda derecesi kesin COPRAS'taki gibi okunur: en iyi seçeneğin sağladığı toplam faydanın yüzde kaçına ulaşıldığını söyler, mutlak bir başarı yüzdesi değildir. Farklı olan şudur: fayda ve maliyet toplamlarının kendisi artık oy dağılımından gelen bir belirsizlik taşır. Bir seçeneğin maliyet tarafında çekimser payı büyükse, bu seçeneğin maliyet üstünlüğü göründüğünden daha az kesindir.

Bu nedenle:

"Bu teklif yüzde 88 başarılı"

yerine:

"Bu teklif, en yüksek fayda derecesine sahip teklifin sağladığı faydanın yüzde 88'ine ulaşmaktadır; bu hesap kurulun oy dağılımındaki çekimser payını da taşımaktadır"

biçiminde yazmak doğrudur.

Kriter değerlendirmeleri bir kurulun, anketin ya da panelin aynı yargı üzerindeki evet, çekimser, hayır oy dağılımından geliyorsa ve sonucu doğrudan "en iyiye göre yüzde" biçiminde raporlamak istiyorsanız bu uzantı kullanılır. Resim bulanık veri türü kartının anlattığı gibi çekimser payı ayrıca sayılmalıdır; tek bir destek yüzdesinden uydurulmamalıdır.

Ölçülmüş bir kriteri resim bulanık üçlüye açmak gerekmez. DecisionMind tek veri türü ister; matriste bazı kriterler oya, bazıları ölçüme dayanıyorsa hepsi aynı türde yazılmalıdır. Sezgisel bulanık veri türü de destek ve ret dereceleri kullanır, ama orada çekimser payı ayrıca sayılmaz, destek ve retten geriye kalan olarak türetilir; burada çekimser ayrıca sayılan bağımsız bir derecedir. Bu iki tür birbirine karıştırılmamalıdır.

Çıkış koşulu kesin COPRAS ile aynıdır. Bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir; düşük maliyetin yüksek faydayı örtmesine izin verir.

Değer uzayı ihlali. Her hücrede destek, çekimser ve ret toplamı 1'i aşmamalıdır. Bu kontrol ağırlıklandırma adımından önce yapılmalıdır.

Kriter yönünü yanlış işaretlemek. Bir maliyet kriteri fayda kriteri olarak işaretlenirse fayda toplamına dahil edilir ve o kriterde yüksek desteğe sahip (yani pahalı) seçenek ödüllendirilir.

Fayda derecesini mutlak bir kalite yüzdesi gibi okumak. Yüzde 88 değeri, yalnız kümedeki en iyiye göre bir paydır; başka bir analizle karşılaştırılamaz.

Önce durulaştırıp sonra kesin COPRAS koşturmak. Üç dereceyi baştan tek bir sayıya indirip kesin yöntemi uygulamak bu uzantı değildir. Çekimser ve karşı oy bilgisi ilk adımda silinir.

Tek bir orandan üçlü uydurmak. "Yüzde 60 destek var, o hâlde yüzde 40 karşı" demek çekimser payını sıfırlar. Resim bulanık veri türü kartının anlattığı gibi her derece ayrı sayılmalıdır.

Temel ilke şudur:

Resim bulanık COPRAS, bir kurulun ya da anketin oy dağılımındaki çekimser payını fayda ve maliyet toplamlarına kadar taşımak içindir. Dereceyi uyduran ya da girdiyi baştan kesinleştiren her uygulama yöntemin tek katkısını yok eder.

---