Uzantı kartı · Kaba küme
Kaba MARCOS (Matić, Marinković, Jovanović, Sremac ve Stević, 2022)
Bu, MARCOS'un kriter puanlarının birden fazla uzmanın grup değerlendirmesinden geldiği ve anlaşmazlığın korunması gerektiği durumlar için kaba sayılarla çalışan biçimidir. İdeal ve anti-ideal referansları kaba aralık olarak taşır, sonucu yine bir nihai fayda derecesiyle verir.
Temel yöntem
MARCOS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Kaba küme (Rough) →
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 MARCOS'ta her hücre tek sayıdır. Burada her hücre bir kaba sayıdır: alt sınır ve üst sınır, grubun kesin puanlarından hesaplanmıştır. Bu uzantıda ağırlıklar, üst adımda kaba bir yöntemle (örneğin D-SWARA) türetilse bile, MARCOS'un kendi hesabına kesin sayı olarak girer; sınır bilgisi yalnız karar matrisinde ve ideal/anti-ideal referanslarda taşınır.
Ölçek eşitleme. Kesin MARCOS her hücreyi kriterin ideal değerine oranlar. Kaba MARCOS'ta ideal ve anti-ideal referans önce her kriter için gözlenen kesin en iyi ve en kötü uçtan, sütun bazında ayrı ayrı kurulur; bu uçlar tek bir seçenekten değil, o kriterdeki tüm seçeneklerin en iyi/en kötü sınırından gelir. Sonra her hücre bu referansa kaba biçimde oranlanır: alt sınır alt sınıra, üst sınır üst sınıra bölünür.
Ağırlıklama ve satır toplamı. Ölçek eşitlenmiş kaba tablo ağırlıkla çarpılır; ağırlık kesin olduğu için bu çarpım alt ve üst sınırı aynı oranda büyütür ya da küçültür. Her seçeneğin satırı toplanır ve bu toplam kaba bir aralık olarak kalır; kesin MARCOS'taki gibi tek sayıya burada henüz inilmez.
Sonuç ve durulaştırma. Kesin MARCOS'ta fayda oranları doğrudan tek sayıdır. Kaba MARCOS'ta önce ideale ve anti-ideale oranlar kaba aralık içinde bölünür, ancak bundan sonra tek sayıya (durulaştırılmış Y+ ve Y-) indirilir. Fayda fonksiyonları ve nihai fayda derecesi bu durulaştırılmış sayılardan kurulur. DecisionMind bu uzantıda bölme işlemini durulaştırmadan önce yapar; bu sıra, önce durulaştırıp sonra bölmekten farklı, genelde birbirine çok yakın ama bazı seçenek çiftlerinde sırayı değiştirebilecek kadar hassas bir sonuç verir.
Çıktı Nasıl Yorumlanır?
Nihai fayda derecesinin okunuşu temel MARCOS'la aynıdır: yüksek değer iyidir, başka bir analizle karşılaştırılmaz, seçenek kümesi değişince ideal ve anti-ideal referanslar da değişir.
Fark şurada: derecenin altında artık grubun kendi anlaşmazlığı vardır. Birbirine çok yakın iki derece, temel MARCOS'ta olduğu gibi ağırlıklara duyarlı olabileceği gibi, kaba bölme işleminin durulaştırmadan önce mi sonra mı yapıldığına da duyarlı olabilir. Bu hassasiyet özellikle en üstteki iki-üç seçenek arasındaki fark binde birler mertebesindeyken önemlidir.
Bu nedenle:
"Kaba MARCOS'a göre en iyi seçenek A11'dir"
yerine:
"Bu ağırlıklarla A11'in nihai fayda derecesi en yüksektir (0,7314); A4 ile arasındaki fark (0,0052) küçüktür ve bu fark hem ağırlık dağılımına hem durulaştırma sırasına duyarlıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Birden fazla uzman ya da kaynak aynı kriteri puanlıyorsa ve gruptaki anlaşmazlığın kendisi karar için önemliyse. Tek uzman ya da tek ölçüm varsa kaba sayı kurulamaz; temel MARCOS kullanılır. Sınırlar hesaplanmadan, doğrudan "en az, en çok" diye veriliyorsa bu gri sayıdır, kaba sayı değildir. Temel yöntemin çıkış koşulu aynen geçerlidir: bir kriterde taviz kabul edilmiyorsa MARCOS ailesinin hiçbir üyesi bunu sağlamaz; çok küçük seçenek kümelerinde ideal ve anti-ideal referanslar burada da seçeneklerin kendisine duyarlıdır.
Bu Uzantıya Özgü Hatalar
Sınır kısıtını ihlal etmek. Her hücrede alt sınır üst sınırdan büyük olamaz; ihlal edilirse ideal/anti-ideal referans ve ölçek eşitleme anlamsızlaşır.
Durulaştırma sırasını değiştirip aynı sonucu beklemek. Kaba aralıkta bölüp sonra durulaştırmak ile önce durulaştırıp sonra bölmek, çoğu seçenek çiftinde birbirine yakın sonuç verir ama en üstteki dar farklı seçeneklerde sırayı değiştirebilir; hangi sıranın kullanıldığı raporda belirtilmelidir.
Sınırları grup puanlarından değil elle girmek. Bir uzmanın tek puanına sınır uydurmak kaba sayı değildir; veri türü kartındaki temel ilkeyi ihlal eder.
Binde birlik farkı kesin bir üstünlük sanmak. İlk iki sıra arasındaki fark ağırlıklara ve durulaştırma sırasına duyarlıysa, rapor bunu "birinci ile ikinci pratikte yakın" diye yazmalı, tek bir kazanan ilan etmemelidir.
Temel ilke şudur:
Kaba MARCOS sonucu, ideal ve anti-ideal referansların kaba aralıktan durulaştırılmış hâlinin bir özetidir; en üstteki dar farklar hem ağırlığa hem durulaştırma sırasına duyarlıdır ve rapor bunu göstermelidir.
Vakalar
Birinci vaka Matić, Marinković, Jovanović, Sremac ve Stević'in (2022) yayımlanmış bir iş makinesi seçimi değerlendirmesinden alınmıştır. İkinci vaka öğretici kurgudur.
1. Mühendislik: Yol yapımında kullanılacak asfalt serici seçimi (Matić, Marinković, Jovanović, Sremac ve Stević, 2022)
Bir yol yapım şirketi on iki asfalt serici modelini on altı teknik özellikte karşılaştırıyor; on altı özelliğin hepsi "çoğu iyi" türündedir (üretkenlik, yakıt verimliliği, çalışma genişliği gibi performans ölçütleri). Özellikler dört uzmanın puanlarından kaba sayıya çevrilmiştir; ağırlıklar ayrı bir kaba SWARA adımından kesin sayıya durulaştırılarak gelmiştir. Aşağıda on altı özelliğin dördü örnek olarak gösterilmiştir.
| Model | Özellik 1 | Özellik 4 | Özellik 9 | Özellik 15 |
|---|---|---|---|---|
| A1 | [6,00; 7,52] | [5,65; 6,90] | [5,65; 6,90] | [7,00; 7,00] |
| A3 | [8,13; 8,88] | [8,13; 8,88] | [6,23; 8,19] | [6,27; 7,25] |
| A4 | [8,13; 8,88] | [7,75; 8,73] | [8,25; 8,75] | [6,27; 7,25] |
| A11 | [6,75; 8,25] | [7,75; 8,73] | [8,25; 8,75] | [4,71; 6,38] |
| A12 | [5,75; 7,25] | [7,75; 8,73] | [7,27; 8,25] | [4,71; 6,38] |
| Ağırlık | 0,095 | 0,047 | 0,098 | 0,037 |
Yöntem her özellik için on iki modelin en iyi ve en kötü kesin uçlarından kaba ideal ve anti-ideal referansı kurar, her hücreyi bu referansa kaba biçimde oranlar, ağırlıklarla çarpar, satır toplamlarını alır ve ideale/anti-ideale oranları durulaştırıp nihai fayda derecesini hesaplar.
| Model | Nihai fayda derecesi | Sıra |
|---|---|---|
| A11 | 0,7314 | 1 |
| A4 | 0,7262 | 2 |
| A3 | 0,7161 | 3 |
| A12 | 0,7103 | 4 |
| A8 | 0,7079 | 5 |
| A9 | 0,7042 | 6 |
| A10 | 0,7042 | 6 |
| A7 | 0,6973 | 8 |
| A2 | 0,6782 | 9 |
| A5 | 0,6648 | 10 |
| A6 | 0,6641 | 11 |
| A1 | 0,6390 | 12 |
Sonuç şöyle okunur. A11 ve A4 on iki modelin en tepesindedir ve aralarındaki fark yalnızca 0,0052'dir; A9 ve A10 ise tam eşit çıkar. Makalenin kendi tablosunda bu iki modelin sırası tersine, A4 birinci A11 ikincidir, ama fark orada da yalnızca 0,005 mertebesindedir. Bu, iki farklı ama savunulabilir durulaştırma sırasının (kaba aralıkta bölüp sonra durulaştırma, ya da önce durulaştırıp sonra bölme) bu kadar dar bir farkta sırayı değiştirebildiğini gösteren gerçek bir örnektir.
Şirketin tereddüdü: Özellik 9'un ağırlığı (0,098) ile Özellik 15'in ağırlığı (0,037) yer değiştirirse, A4 (0,7225) A11'in (0,7202) önüne geçer ve fark yine binde birler mertebesinde kalır. Bu, en tepedeki sıranın hem durulaştırma sırasına hem ağırlık dağılımına ne kadar duyarlı olduğunu gösterir.
Raporda: "A11 ve A4'ün nihai fayda dereceleri neredeyse eşittir (0,7314 ve 0,7262); bu fark hem durulaştırma sırasına hem ağırlıklara duyarlıdır, bu yüzden iki model birlikte kısa listeye alınmalıdır."
Kaynak: Matić, Marinković, Jovanović, Sremac ve Stević (2022), Tablo 9 (ağırlık) ve Tablo 11 (karar matrisi, dört uzmandan grup toplulaştırması). Buradaki puanlar ve sıralama DecisionMind motorunun bu veriyle ürettiği, bağımsız olarak yeniden hesaplanmış sonuçtur.
2. Toplu taşıma: Şehir içi otobüs filosu için yeni araç modeli seçimi
Bir toplu taşıma işletmesi filo yenilemesi için üç otobüs modeli arasında seçim yapacaktır. Kriterler yolcu kapasitesi, yakıt/enerji verimliliği, bakım maliyeti (azı iyi) ve erişilebilirlik puanı (tekerlekli sandalye ve bebek arabası uygunluğu). Filo müdürü, bakım atölyesi şefi ve erişilebilirlik danışmanı modelleri ayrı ayrı puanlamış; erişilebilirlik puanında üç uzmanın görüşü belirgin biçimde farklı çıktığı için kaba sayıya çevrilmiştir.
Yöntem üç modelin ideal ve anti-ideal referanslara kaba oranını hesaplar, durulaştırır ve nihai fayda derecesini kurar. Diyelim ki en yüksek yolcu kapasitesine sahip model aynı zamanda en yüksek bakım maliyetine sahiptir ve yine de birinci sırada çıkar, çünkü kapasite en ağırlıklı kriterdir.
İşletmenin tereddüdü: erişilebilirlik puanındaki geniş uzman farkı, birinci sıradaki modelin bu kriterdeki gerçek performansını belirsiz bırakır. İkinci sıradaki modelle fark küçükse, işletme erişilebilirlik danışmanının puanını tek başına belirleyici saymamalı, saha testiyle doğrulamalıdır.
Raporda: "Yolcu kapasitesinin yüksek ağırlığıyla en kapasiteli model en yüksek nihai fayda derecesine ulaşmaktadır; erişilebilirlik puanındaki uzman anlaşmazlığı geniş olduğundan bu kriter için ayrı bir saha testi önerilmektedir."
3. Yapılmaması Gereken
Öğretici tabloda özelliklerden biri yanlışlıkla "azı iyi" işaretlenseydi, o özellikte en zayıf model ideal referansa dahil edilir ve sıra anlamsızlaşırdı. İkinci yanlış, A11 ile A4 arasındaki 0,0052'lik farkı görüp "A11 kesinlikle daha iyi" diye raporlamaktır; bu fark hem ağırlığa hem durulaştırma sırasına duyarlıdır ve tek başına bir kazanan ilan etmeye yetmez. Üçüncü yanlış, dört uzmanın puanını önce ortalayıp sonra kesin MARCOS koşturmaktır; bu, en tepedeki modeller arasındaki ince farkı silip yeniden, farklı bir sıra üretebilir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/rough-marcos
Matić, B., Marinković, M., Jovanović, S., Sremac, S., & Stević, Ž. (2022). Intelligent novel IMF D-SWARA—Rough MARCOS algorithm for selection construction machinery for sustainable construction of road infrastructure. Buildings, 12(7), 1059. DOI: 10.3390/buildings12071059
Pawlak, Z. (1982). Rough sets. International Journal of Computer & Information Sciences, 11(5), 341–356. DOI: 10.1007/BF01001956
Stević, Ž., Pamučar, D., Puška, A., & Chatterjee, P. (2020). Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement of Alternatives and Ranking according to Compromise Solution (MARCOS). Computers & Industrial Engineering, 140, 106231. DOI: 10.1016/j.cie.2019.106231