Uzantı kartı · Bulanık
Senaryo bulanık MEREC
Bu, kriter puanlarının üçgen bulanık sayı olarak verildiği durumlarda, MEREC'i her bir üçgen köşesi (alt, orta, üst) için ayrı ayrı tam olarak koşturup üç ağırlık vektörünü ortalayan bir MEREC biçimidir. Çıktı, ortalanmış bir kriter ağırlığı vektörüdür; sıralama üretmez.
Temel yöntem
MEREC →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Bulanık (Fuzzy) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Hücreler. Kesin MEREC'te her hücre tek sayıdır. Burada her hücre üçgen bulanık bir sayıdır: alt (en kötümser), orta (en olası) ve üst (en iyimser) senaryo değeri. MEREC ağırlık istemez; burada da istemez, ağırlık yöntemin kendi çıktısıdır.
Ölçek eşitleme. Bu uzantı, Fuzzy MEREC kartındaki gibi hücreyi bir bulanık normalizasyon formülüyle işlemez ve tek bir dereceli ortalamayla durulaştırmaz. Bunun yerine, üçgenin üç köşesini (alt, orta, üst) üç ayrı kesin karar tablosu sayar. Kesin MEREC'in tamamını (yön farkındalı logaritmik normalizasyon, genel performans, kriter çıkarma etkisi, ağırlık) bu üç tablo üzerinde bağımsız olarak üç kez çalıştırır. Durulaştırma en sonda, üç ağırlık vektörünün ortalamasını alarak yapılır. Bu, Fuzzy MEREC'in "önce tek bir üçgen normalizasyonu, sonra durulaştır" yaklaşımı ile "üç senaryoyu ayrı hesapla, sonra ortala" yaklaşımı arasındaki temel farktır.
Birleştirme. Üç senaryonun kriter ağırlığı vektörleri (alt, orta, üst) toplamı 1'e gelecek biçimde ayrı ayrı üretilir, sonra bileşen bileşen ortalanıp yeniden toplamı 1'e getirilir. DecisionMind ayrıca iki tanı değeri hesaplar: ortalama ağırlığın yalnız orta senaryodan (en olası değerden) ne kadar farklı olduğunu gösteren bir sapma ölçüsü, ve üç senaryonun (alt, orta, üst) bir kriterdeki ağırlığının en çok ne kadar yayıldığını gösteren bir uyarı bayrağı. Bu yayılma neredeyse sıfırsa, uzmanın verdiği üçgenler orantılı kurulmuş demektir; bulanıklık ağırlığa hiçbir ek bilgi katmamıştır.
DecisionMind bu iç türetimde üç senaryoyu ayrı ayrı tam kesin MEREC ile çözme ve sonra ortalama alma yaklaşımını, ve bu iki tanı değerini sabit tutar.
Çıktı Nasıl Yorumlanır?
Çıktı, kesin MEREC'teki gibi toplamı 1 olan bir ağırlık vektörüdür ve aynı biçimde okunur: yüksek ağırlık, o kriter çıkarıldığında genel değerlendirmenin çok bozulduğunu gösterir, karar vericinin gözündeki önemi göstermez. Fark şurada: bu ağırlık, üç ayrı senaryodan (alt, orta, üst) ortalanmıştır. Üç senaryo aynı kriteri en yüksek ağırlıklı gösteriyorsa sıra sağlamdır, yalnız büyüklükler senaryoya göre değişebilir. Üç senaryodan biri farklı bir kriteri en yüksek ağırlıklı gösteriyorsa, yalnız ortalamayı raporlamak bu anlaşmazlığı gizler.
Bu nedenle:
"Bulanık girdi kullandık, demek ki ağırlık belirsizliğe karşı test edildi ve daha sağlam"
yerine:
"Üç senaryodan (alt, orta, üst) elde edilen ağırlıklar aynı kriteri en ayırt edici gösteriyorsa sıra sağlamdır; büyüklükler arasındaki fark, uzmanın üçgenleri ne kadar geniş verdiğini yansıtır ve raporda ayrıca gösterilmelidir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter değerleri için tek bir kesin sayı yerine kötümser-olası-iyimser üç senaryo tahmini elde edilebiliyorsa ve amaç bu üç senaryonun ağırlık sırasını ne kadar değiştirdiğini görmekse bu uzantı bir iç sağlamlık kontrolü olarak kullanılabilir. Ancak bu uzantının hakemli bir kaynağı olmadığı unutulmamalıdır. Akademik bir yayında "Fuzzy MEREC" adıyla atıf gerektiren bir analiz için Fuzzy MEREC (Saidin ve ark., 2023) kullanılmalıdır; bu uzantı yalnızca DecisionMind içi bir duyarlılık aracı olarak, kaynağı açıkça belirtilerek kullanılabilir. Kriter değerleri zaten kesinse kesin MEREC yeterlidir.
Bu Uzantıya Özgü Hatalar
Bu yöntemi yayımlanmış, kurucu makalesi olan bir "Senaryo Bulanık MEREC" gibi sunmak. Bu uzantının akademik bir kaynağı yoktur; DecisionMind'ın kendi iç kod tabanından türetilmiştir. Raporda bu açıkça belirtilmelidir.
Uyarı bayrağını görmezden gelmek. Üç senaryonun bir kriterdeki ağırlığı neredeyse aynıysa, bu genellikle uzmanın üçgenleri orantılı kurduğunun işaretidir ve bulanıklık ağırlığa bir şey katmamıştır; sıfıra yakın olmayan bir yayılma ise senaryoların gerçekten farklı ağırlık verdiğini gösterir ve raporlanmalıdır.
Bunu Fuzzy MEREC (Saidin ve ark., 2023) ile karıştırmak. İki yöntem farklı algoritmalardır. Fuzzy MEREC hücreyi tek bir bulanık normalizasyonla işleyip en sonda dereceli ortalamayla durulaştırır; bu uzantı üç köşeyi üç ayrı kesin MEREC koşusu sayıp en sonda ortalar. Ağırlıkları doğrudan karşılaştırmak yanlıştır.
Sıfır ya da negatif değer bırakmak. Kesin MEREC'in genel hatası burada da geçerlidir: her üç köşe de pozitif olmalıdır, logaritmik normalizasyon sıfır ya da negatif değeri kabul etmez.
Temel ilke şudur:
Bu uzantı, hakemli bir literatür yöntemi değil, üç senaryoyu (alt, orta, üst) ayrı ayrı tam kesin MEREC ile çözüp ortalayan bir DecisionMind iç aracıdır. Ürettiği ağırlık, ancak üç senaryonun kendisi karşılaştırıldığında bulanıklığın bir katkısı olup olmadığını gösterir.
Vakalar
Birinci vaka, DecisionMind'ın kaynak koduna (dondurulmuş bir kod anlık görüntüsü) karşı doğrulanmış bir iç kayıttır; kanıt düzeyi C'dir ve hakemli bir literatür makalesine dayanmaz. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek: Dört seçenek, üç kriterin senaryo bulanık ağırlıklandırması (DecisionMind'ın iç doğrulama kaydı)
Bir ekip, dört seçeneği üç kriterde kötümser-olası-iyimser üç senaryoyla puanlamıştır; her hücre bir üçgen bulanık sayıdır. C1 ve C3 "çoğu iyi", C2 "azı iyi"dir.
| Seçenek | C1 (çoğu iyi) | C2 (azı iyi) | C3 (çoğu iyi) |
|---|---|---|---|
| A1 | (1; 2; 3) | (4; 5; 6) | (7; 8; 9) |
| A2 | (2; 3; 5) | (7; 8; 10) | (3; 4; 6) |
| A3 | (5; 6; 7) | (2; 3; 4) | (8; 9; 10) |
| A4 | (4; 5; 6) | (6; 7; 8) | (1; 2; 3) |
(MEREC ailesinde "Ağırlık" satırı yoktur; ağırlık burada yöntemin kendi çıktısıdır.)
Yöntem üçgenin alt, orta ve üst köşesini üç ayrı kesin tablo sayıp kesin MEREC'i üçü üzerinde bağımsız olarak koşturur, sonra üç ağırlık vektörünü ortalar.
| Kriter | Alt senaryo | Orta senaryo | Üst senaryo | Ortalama ağırlık |
|---|---|---|---|---|
| C1 | 0,3267 | 0,3344 | 0,3720 | 0,3444 |
| C2 | 0,2399 | 0,2213 | 0,1795 | 0,2135 |
| C3 | 0,4334 | 0,4443 | 0,4485 | 0,4421 |
Sonuç şöyle okunur. Üç senaryonun üçünde de C3 en yüksek, C2 en düşük ağırlığı almaktadır; sıra (C3 > C1 > C2) üç senaryoda da aynıdır. Ama büyüklükler senaryoya göre değişir: C1 ile C3 arasındaki fark alt senaryoda 0,1067 iken üst senaryoda 0,0765'e daralır. Bu, dört seçeneğin C1'deki ayırt ediciliğinin iyimser senaryoda göreli olarak arttığını gösterir.
Ekibin bir tereddüdü var. A3'ün C1 üçgeni (5; 6; 7)'den, üst köşesi belirgin biçimde genişletilerek (1; 6; 15)'e çekildiğinde, yalnız üst senaryonun ağırlık vektöründe C1 (0,3983) C3'ü (0,3846) geçmektedir; alt ve orta senaryo hâlâ C3'ü önde göstermektedir. Ortalama ağırlıkta C3 yine öndedir (0,4235'e karşı 0,3698), çünkü tek bir senaryonun (üst) sıra değişikliği ortalamada üçe bölünerek sönümlenir. Bu, yalnız ortalamayı raporlayıp senaryo bazında bir anlaşmazlık olup olmadığına bakmamanın neden riskli olduğunu gösterir.
Raporda: "Üç kriterin ağırlığı, kötümser-olası-iyimser üç senaryonun MEREC ile ayrı ayrı çözülüp ortalanmasıyla türetilmiştir. C3, üç senaryonun üçünde de en ayırt edici kriterdir (ortalama ağırlık 0,4421); C1 ile arasındaki fark iyimser senaryoda daralmaktadır. Yalnız üst köşesi genişletilmiş bir duyarlılık denemesinde, tek başına üst senaryo C1'i C3'ün önüne geçirmektedir; bu, senaryo bazlı kontrolün neden gerekli olduğunu göstermektedir."
Kaynak: DecisionMind'ın kaynak koduna (analyse_asisance deposu, dondurulmuş bir kod anlık görüntüsü) karşı doğrulanmış bir iç kayıt; kanıt düzeyi C'dir ve hakemli bir literatür makalesine dayanmaz. Ağırlık vektörleri, senaryo bazlı yayılma ve duyarlılık denemesi bu kartın yazarınca Python'da (kesin MEREC'in üç köşe üzerinde bağımsız koşumu ve ortalaması olarak) yeniden hesaplanmış, DecisionMind'ın kaydıyla ondalıklı basamağına kadar birebir doğrulanmıştır.
2. Toplu Taşıma: Bir belediyenin otobüs hattı performans kriterlerini ağırlıklandırması
Bir belediye ulaşım dairesi, otobüs hatlarının yıllık performans değerlendirmesinde kullanılacak dört kriterin ağırlığını veriden türetmek istemektedir: yolcu doluluk oranı, sefer gecikme sıklığı ("azı iyi"), yakıt tüketimi ("azı iyi") ve yolcu memnuniyeti anketi puanı. Trafik mühendisleri her kriter için kötümser, olası ve iyimser üç ayrı yıllık tahmin vermiştir; bu tahminler mevsimsel dalgalanmayı ve yol çalışmalarının etkisini yansıtmaktadır.
Yöntem dört kriteri üç ayrı senaryo tablosuna ayırır, her tabloda kesin MEREC'i bağımsız koşturur ve üç ağırlık vektörünü ortalar. Diyelim ki sefer gecikme sıklığı üç senaryonun üçünde de en yüksek ağırlığı aldı, çünkü hatlar arasında bu kriterde en büyük fark gözlendi. Yakıt tüketiminde ise senaryolar arasında hangi kriterin ikinci sırada olduğu değişti; kötümser senaryoda yolcu memnuniyeti, iyimser senaryoda doluluk oranı ikinci çıktı.
Dairenin tereddüdü şudur: sefer gecikme sıklığının ağırlığı üç senaryoda da sağlamdır ve önceliklendirmede güvenle kullanılabilir. Ama ikinci sıradaki kriter senaryoya göre değiştiği için, doluluk oranı ile yolcu memnuniyeti arasındaki öncelik sırası tek bir ortalama ağırlıkla kesinleştirilmemeli, her iki kriter de kısa vadeli iyileştirme planına dahil edilmelidir.
Raporda: "Dört kriterin ağırlığı, üç senaryonun MEREC ile ayrı ayrı çözülüp ortalanmasıyla türetilmiştir. Sefer gecikme sıklığı üç senaryonun üçünde de en yüksek ağırlığı almaktadır. Doluluk oranı ile yolcu memnuniyeti arasındaki ikincilik sırası senaryoya göre değişmekte, bu nedenle ikisi de öncelik planına alınmaktadır."
3. Yapılmaması Gereken
Öğretici örnekte C2'nin (sefer gecikme sıklığı benzeri bir maliyet kriterinin) yönü yanlışlıkla "çoğu iyi" işaretlenseydi, üç senaryonun da çıkarma etkisi tersine hesaplanırdı. İkinci yanlış, bu uzantıyı bir makalede "Fuzzy MEREC (Saidin ve ark., 2023)" gibi tek bir kurucu atıfla sunmaktır; bu uzantının ayrı ve hakemsiz bir kaynağı vardır, bu açıkça belirtilmelidir. Üçüncü yanlış, C1-C3 farkının senaryolar arasında daraldığını görmezden gelip yalnız ortalama ağırlığı "kesin sonuç" diye raporlamaktır; yukarıdaki duyarlılık denemesinde gösterildiği gibi tek bir senaryonun genişlemesi bile sırayı o senaryo özelinde değiştirebilir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/scenario-fuzzy-merec
Keshavarz-Ghorabaee, M., Amiri, M., Zavadskas, E. K., Turskis, Z., & Antucheviciene, J. (2021). Determination of Objective Weights Using a New Method Based on the Removal Effects of Criteria (MEREC). Symmetry, 13(4), 525. DOI: 10.3390/sym13040525
Saidin, M. S., Lee, L. S., Marjugi, S. M., Ahmad, M. Z., & Seow, H.-V. (2023). Fuzzy Method Based on the Removal Effects of Criteria (MEREC) for Determining Objective Weights in Multi-Criteria Decision-Making Problems. Mathematics, 11(6), 1544. DOI: 10.3390/math11061544
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. DOI: 10.1016/S0019-9958(65)90241-X