Uzantı kartı · Kaba küme
Kaba küme MOORA
MOORA'nın, karar matrisindeki her hücrenin bir uzman grubunun kendi içindeki anlaşmazlıktan türetilmiş alt ve üst sınırla verildiği durumlar için biçimidir. Oran sistemini bu aralıklar üzerinden yürütüp tek bir net puana iner.
Temel yöntem
MOORA →
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?
Hücreler. Kesin MOORA'da her hücre tek bir sayıdır. Burada her hücre, kaba veri türü kartında anlatılan biçimde, bir uzman grubunun kesin puanlarından hesaplanmış tek bir alt ve üst sınırdır [L, U]. Bu, kaba küme MABAC'takinden farklıdır: orada hücre hem sezgisel bulanık bir yargı hem grup anlaşmazlığı taşıyan dört sayılı bir hibrit yapıdır; burada hücre yalnız iki sayılı düz bir kaba sayıdır. Kriter ağırlıkları da kaba sayı olarak girilebilir, ama tek bir kesin sayı olarak verildiğinde alt ve üst sınırı birbirine eşit ([w, w]) kabul edilir.
Ölçek eşitleme. Kesin MOORA her sütunu kendi değerlerinin karelerinin toplamının köküne böler. Kaba küme MOORA aynı işlemi alt ve üst sınırlara ayrı ayrı uygular, ama çapraz bir bölme kuralıyla. Her hücrenin alt sınırı sütunun üst sınırlarının kareleri toplamının köküne, üst sınırı ise sütunun alt sınırlarının kareleri toplamının köküne bölünür. Bu çapraz bölme, kaba sayı aritmetiğinin bölme kuralından gelir ve normalize edilmiş aralığın gerçek büyüklüğünü aşmamasını sağlar.
Oran sistemi. Ağırlıklanmış alt ve üst sınırlar, "çoğu iyi" kriterlerde ayrı ayrı toplanır, "azı iyi" kriterlerde de ayrı ayrı toplanır. İki toplam aralığının farkı, kaba sayı çıkarma kuralıyla alınır: sonucun alt sınırı, faydalı toplamın alt sınırından zararlı toplamın üst sınırının çıkarılmasıyla; üst sınırı, faydalı toplamın üst sınırından zararlı toplamın alt sınırının çıkarılmasıyla bulunur. Bu, kesin MOORA'nın basit çıkarmasının aralık biçimidir ve zararlı tarafın belirsizliğini de faydalı tarafınkiyle birlikte taşır.
Sonuç ve durulaştırma. Çıkarma sonucu bir aralıktır [y_L, y_U]. DecisionMind bu aralığı ortanoktasıyla ([y_L + y_U] / 2) tek bir sayıya indirir; bu son adımdır, ilk adım değil. Aralık genişse, yani uzman grubu bu seçenek için anlaşmazlık içindeyse, ortanokta bu genişliği gizler.
DecisionMind klasik Kaba küme MOORA'da bu çapraz normalizasyonu, kaba sayı çıkarma kuralını ve ortanokta durulaştırmasını sabit tutar. Bu uzantının bir kurucu literatür kaynağı yoktur; kaba sayı aritmetiği kuralları (Zhai, Khoo ve Zhong, 2008) MOORA'nın oran sistemi adımlarına uygulanarak DecisionMind içinde kurulmuştur. Referans noktası ve tam çarpımsal biçim bu ailede uygulanmaz; yalnızca oran sistemi vardır.
Çıktı Nasıl Yorumlanır?
Çıktı kesin MOORA'daki gibi bir net puan ve sıradır; okunması da aynıdır. Fark şudur. Bu puanın altında, uzman grubunun her kriterde ne kadar anlaştığına dair bir bilgi durur ve ortanokta durulaştırması bu bilgiyi gizler. İki seçeneğin puan farkı küçükse bu fark, grubun hangi kriterde anlaşamadığına bağlı olabilir.
Bu nedenle:
"Kaba küme MOORA grup anlaşmazlığını hesaba kattığı için sonuç daha güvenilirdir"
yerine:
"Grup puanlarındaki anlaşmazlık her hücrede bir aralığa dönüştürülmüş, oran sistemi bu aralıklar üzerinden yürütülmüş ve son adımda ortanoktaya indirilmiştir; hangi kriterde geniş bir sınır bölgesi varsa rapor bunu ayrıca göstermelidir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Bir uzman grubu her seçeneği her kriterde kesin puanlarla değerlendiriyorsa ve uzmanlar arasındaki anlaşmazlığın kendisi karara katılacaksa bu uzantı uygundur. Puanları ortalamaya indirip kesin MOORA koşturmak bu anlaşmazlığı siler. Kaba veri türü kartındaki çıkış koşulu burada da geçerlidir. Tek uzman varsa ya da uzmanlar birbirine çok yakın puan veriyorsa alt ve üst sınır dar bir aralığa iner ve uzantı kesin yöntemden farklı bir şey söylemez.
Uzmanlar puanlarını sezgisel bulanık bir yargı olarak (üyelik ve üyelik dışı derecesiyle) veriyorsa bu uzantı yetmez; o durum kaba küme MABAC'taki gibi hibrit bir yapı gerektirir, DecisionMind bu hibrit yapıyı MOORA için uygulamaz. Çıkış koşulu kesin MOORA ile aynıdır: bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir ve eşik altını elemez.
Bu Uzantıya Özgü Hatalar
Sınırları elle girmek. Kaba sayının alt ve üst sınırı grubun kesin puanlarından hesaplanır; elle girilen bir aralık kaba sayı değil gri sayıdır ve bu uzantıya girmemelidir.
Çapraz normalizasyonu düz normalizasyonla karıştırmak. Alt sınır sütunun üst sınırlarına, üst sınır sütunun alt sınırlarına bölünür. Bu çapraz kuralı atlayıp her sınırı kendi türüne bölmek normalize edilmiş aralığı gerçek büyüklüğünden daha dar gösterir.
Kaba sayı çıkarmasını düz farkla karıştırmak. Faydalı ve zararlı toplam aralıklarının farkı, alt sınırdan üst sınırın, üst sınırdan alt sınırın çıkarılmasıyla bulunur. İki aralığın yalnız alt sınırlarını ya da yalnız üst sınırlarını birbirinden çıkarmak yanlış bir aralık verir.
Geniş bir sınır bölgesini görmezden gelmek. Ortanokta iki seçeneği ayırt etse bile, aralıklardan biri çok genişse bu bir bulgudur. O seçenek için grup içinde ciddi bir anlaşmazlık olduğu anlamına gelir ve raporda ayrıca belirtilmelidir.
Temel ilke şudur:
Kaba küme MOORA puanı, grup anlaşmazlığını oran sisteminin sonuna kadar aralık olarak taşır ve yalnız son adımda tek sayıya iner. Sınırları uyduran ya da geniş bir aralığı görmezden gelen her uygulama bu katkıyı yok eder.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Bu uzantının literatürde kendine ait bir kurucu makalesi yoktur; DecisionMind, kaba sayı aritmetiği kurallarını (Zhai, Khoo ve Zhong, 2008) MOORA'nın oran sistemi adımlarına uygulayarak kendi içinde kurmuştur. Bu yüzden tablo kitap ya da makale sayfasından değil, formüllere sadık, elle izlenebilir bir örnekten alınmıştır. İkinci vaka öğretici kurgudur.
1. Öğretici örnek: Üç seçenek, üç kriter (DecisionMind doğrulama örneği)
Üç seçenek üç kriterde değerlendirilmiştir; her hücre bir uzman grubunun kesin puanlarından türetilmiş [alt, üst] kaba sayıdır. İlk iki kriter "çoğu iyi", üçüncüsü "azı iyi"dir.
| Seçenek | C1 (çoğu iyi) | C2 (çoğu iyi) | C3 (azı iyi) |
|---|---|---|---|
| A1 | [3,0; 5,0] | [4,0; 6,0] | [5,0; 7,0] |
| A2 | [6,0; 8,0] | [6,0; 8,0] | [2,0; 4,0] |
| A3 | [5,0; 7,0] | [5,0; 7,0] | [3,0; 5,0] |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem her sütunu çapraz kuralla normalize eder, ağırlıklandırır, faydalı ve zararlı kriterlerin toplam aralıklarının farkını kaba sayı çıkarma kuralıyla alır ve ortanoktaya indirir.
| Seçenek | MOORA puanı | Sıra |
|---|---|---|
| A2 | 0,4315 | 1 |
| A3 | 0,3228 | 2 |
| A1 | 0,1398 | 3 |
Sonuç şöyle okunur. A2, C1 ve C2'de en yüksek aralığa ve C3'te (maliyet) en düşük aralığa sahiptir; yani hem faydalı hem zararlı kriterde en iyi konumdadır ve bu üstünlük geniştir. A1 üç kriterde de en zayıf aralıklara sahiptir ve açık farkla son sıradadır.
Kurulun tereddüdü: ağırlıklar C1'den C2'ye doğru genişçe kaydırılsa bile (C1 0,40'tan 0,05'e, C2 0,35'ten 0,70'e, C3 sabit 0,25) sıra değişmez, yalnız aradaki fark daralır. Sıranın bu kadar dayanıklı olmasının nedeni, A2'nin hem faydalı hem zararlı kriterde diğer iki seçenekten üstün olmasıdır; her ağırlık dağılımı bu üstünlüğü bir biçimde ödüllendirir.
Raporda: "Verilen ağırlıklarla A2 en yüksek net puana sahiptir (0,4315) ve bu sıra, ağırlıklar makul aralıkta değiştirildiğinde de korunmaktadır; bunun nedeni A2'nin hem faydalı hem zararlı kriterde diğer seçeneklerden üstün olmasıdır."
Kaynak: DecisionMind ROUGH-MOORA manifesti, doğrulama örneği. Kaba sayı aritmetiği Zhai, Khoo ve Zhong (2008)'in kurallarına dayanır; MOORA'ya özgü bir kurucu makale bulunmadığından tablo DecisionMind tarafından formüllere sadık biçimde kurulmuştur. MOORA puanları ve ağırlık duyarlılığı bu kartın yazarınca aynı algoritmayla, kernel koduyla birebir eşleşecek biçimde bağımsız olarak yeniden hesaplanmıştır.
3. Yapılmaması Gereken
Öğretici örnekte beş uzmanın puanları önce ortalanıp sonra bu ortalamaya elle bir alt-üst sınır yazılsaydı (örneğin A1'in C1 hücresi için 4,0'a [3,5; 4,5] gibi), bu kaba küme MOORA değil gri MOORA olurdu; sınırlar hesaplanmamış, uydurulmuş olurdu. İkinci yanlış, normalizasyonda çapraz kuralı atlayıp her sütunun alt sınırını yalnız kendi alt sınırlarının büyüklüğüne bölmektir; bu, normalize edilmiş aralığı olduğundan dar gösterir. Üçüncü yanlış, A2'nin 0,4315 puanını "kesin olarak en iyi seçenek" diye raporlamaktır; puan yalnız bu üç seçeneği birbirine göre sıralar ve altında hâlâ bir sınır bölgesi taşır.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/rough-moora
Brauers, W. K. M., & Zavadskas, E. K. (2006). The MOORA method and its application to privatization in a transition economy. Control and Cybernetics, 35(2), 445–469. (DOI yok)
Pawlak, Z. (1982). Rough sets. International Journal of Computer & Information Sciences, 11(5), 341–356. DOI: 10.1007/BF01001956
Zhai, L.-Y., Khoo, L.-P., & Zhong, Z.-W. (2008). A rough set enhanced fuzzy approach to quality function deployment. The International Journal of Advanced Manufacturing Technology, 37(5-6), 613–624. DOI: 10.1007/s00170-007-0989-9
Pamučar, D., Božanić, D., & Ranđelović, A. (2017). Multi-criteria decision making: An example of sensitivity analysis. Serbian Journal of Management, 12(1), 1–27. DOI: 10.5937/sjm12-9464
Greco, S., Matarazzo, B., & Słowiński, R. (2001). Rough sets theory for multicriteria decision analysis. European Journal of Operational Research, 129(1), 1–47. DOI: 10.1016/S0377-2217(00)00167-3