Uzantı kartı · Küresel bulanık
Küresel bulanık MOORA (Aydın ve Kutlu Gündoğdu, 2021)
Küresel bulanık MOORA, kriter puanlarının destek-ret-kararsızlık üçlüsüyle verildiği durumlar için MOORA'nın oran sistemi biçimidir. Çıktısı yine tek bir puan ve bu puana göre bir sıradır.
Temel yöntem
MOORA →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Küresel bulanık (Spherical) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Dört şey değişir; oran sistemi mantığı değişmez.
Hücreler. Kesin MOORA'da her hücre tek sayıdır. Burada her hücre üç dereceden oluşur: destek (μ), ret (ν) ve kararsızlık (π); tek kısıt üçünün karelerinin toplamının 1'i aşmamasıdır. Ağırlıklar DecisionMind'da kesin sayı olarak dışarıdan gelir; yöntem ağırlık üretmez. Bu uzantı grup kararını desteklemez, tek bir birleştirilmiş karar matrisiyle çalışır.
Ölçek eşitleme. Kesin MOORA sütunu doğrudan kareler toplamının köküne böler. Burada önce her hücre bir skor fonksiyonuyla tek sayıya indirilir: s = (μ−π)² − (ν−π)². "Azı iyi" bir kriterde μ ile ν yer değiştirir, böylece düşük destek yüksek skora dönüşür. Skor −1 ile 1 arasında çıkabildiğinden, negatif değerlerle bölme yapmamak için her skora 1 eklenir. Ancak bundan sonra, kesin MOORA'daki gibi, bu tek sayı sütun bazında kareler toplamının köküne bölünerek eşitlenir. Yani küresel yapı, ölçek eşitlemeden hemen önce tek sayıya iner; MULTIMOORA uzantılarının çoğunda olduğu gibi belirsizlik sona kadar taşınmaz.
Uzaklık / skor / birleştirme. Eşitlenmiş tek sayı doğrudan kriter ağırlığıyla çarpılır ve kesin MOORA'nın oran sistemi işlemi uygulanır: "çoğu iyi" kriterlerdeki ağırlıklı payların toplamından "azı iyi" kriterlerdekiler çıkarılır. DecisionMind burada yalnız oran sistemini koşturur; referans noktası yaklaşımı ve tam çarpımsal biçim bu uzantıda yer almaz. Bu, kesin MOORA kartının anlattığı DecisionMind uygulamasıyla (yalnız oran sistemi) birebir aynı seçimdir.
Sonuç ve durulaştırma. Çıktı tek bir sayıdır; üç dereceli yapı hiçbir adımda sonuca kadar taşınmaz. Durulaştırma skor fonksiyonunun uygulandığı ilk adımda olur, ölçek eşitlemeden önce; bu sıra DecisionMind'ın bu ailede sabit tuttuğu bir tasarım kararıdır.
DecisionMind bu uzantıda şunları sabit tutar: skor fonksiyonu (μ−π)²−(ν−π)², skorun +1 kaydırılması, sütun bazlı vektör normalizasyonu ve normalizasyondan sonra doğrudan ağırlıklı toplama-çıkarma. Referans noktası ve tam çarpımsal biçim eklenmez; bu uzantı adıyla tutarlı biçimde yalnız MOORA'nın oran sistemidir.
Çıktı Nasıl Yorumlanır?
Puan kesin MOORA'daki gibi okunur: yüzde ya da olasılık değildir, başka bir analizle karşılaştırılmaz ve seçenek kümesi değişince normalizasyon paydası da değişir. Pozitif ya da negatif olması "iyi" ya da "kötü" anlamına gelmez; yalnız bu seçenek kümesi içindeki göreli konumu gösterir.
Fark şurada: puanın altındaki üç dereceli belirsizlik, ölçek eşitlemeden önce tek bir skora inmiştir. Aşağıdaki öğretici örnekte A2 (0,6291) ile A1 (0,5622) arasındaki fark C2 kriterinin ağırlığı 0,35'ten 0,55'e çıkarılınca neredeyse kapanmakta (A1=0,5881, A2=0,5970), C2'nin ağırlığı 0,80'e çıkarılıp C1'in ağırlığı 0,10'a indirilince ise A1 öne geçmektedir (A1=0,6113, A2=0,5640).
Bu nedenle:
"Küresel bulanık MOORA belirsizliği koruduğu için sonuç daha güvenilirdir"
yerine:
"Üç dereceli belirsizlik, ölçek eşitlemeden önce tek bir skora indirgenmiştir; puan bu indirgemeden sonraki kesin bir sayı üzerinden hesaplanmıştır ve sıra ağırlık dağılımına duyarlıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzmanlar bir yargıya destek, ret ve kararsızlık derecesini ayrı ayrı veriyorsa ve bu üçlü resim bulanık kısıtına (toplamları en fazla 1) sığmayacak kadar yüksekse bu uzantı kullanılır. Kısıt kuralı ve komşu türlerle (Pisagor, resim bulanık) karışmaması gereken sınır veri türü kartındadır. Ölçülmüş bir kriter (fiyat, süre) doğrudan üç dereceye açılmamalıdır.
Kesin MOORA'nın çıkış koşulu burada da geçerlidir: bir kriterde asla taviz verilemiyorsa bu uzantı da telafi edicidir ve eşik altını elemez. Hem oran sisteminin hem referans noktası mantığının birlikte görülmesi isteniyorsa, bu uzantı bunu sağlamaz; bu ihtiyaç için MULTIMOORA ailesinin küresel bulanık uzantısına bakılmalıdır.
Bu Uzantıya Özgü Hatalar
Değer uzayı kısıtını karıştırmak. Kısıt μ²+ν²+π²≤1'dir; üç derecenin kendisinin toplamı değildir. Bu, resim bulanık yapının kısıtıdır ve karıştırılırsa geçersiz bir veri kesin MOORA gibi işlenmiş olur.
Skor fonksiyonunu değiştirmek. Ölçek eşitlemeden önceki durulaştırma DecisionMind'da sabit (μ−π)²−(ν−π)²'dir. Küresel bulanık ailenin literatüründe birden fazla skor önerisi vardır ve bunlardan biri her zaman tekdüze artan olmayabilir; farklı bir fonksiyon farklı bir sıra üretebilir ve bu seçim raporda belirtilmelidir.
Kaydırma adımını atlamak. Skor negatif çıkabildiğinden +1 kaydırma yapılmadan doğrudan normalize etmek, negatif ve pozitif skorların aynı paydaya bölünmesinde işaret hatalarına yol açar.
Küresel yapıyı MULTIMOORA'yla karıştırmak. Bu uzantı yalnız oran sistemidir; referans noktası ve tam çarpımsal biçim hesaba girmez. "MULTIMOORA'nın üç bakışı burada da var" demek yanlıştır.
Temel ilke şudur:
Küresel bulanık MOORA'da üç dereceli belirsizlik, ölçek eşitlemeden hemen önce tek bir skora indirgenir; yöntem yalnız oran sistemidir, referans noktası ve tam çarpımsal biçim içermez.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: kurucu kaynak (Kutlu Gündoğdu ve Kahraman, 2019) küresel bulanık kümenin tanımını verir ama bir karar tablosu örneği içermez, SF-MOORA'yı tanıtan Aydın ve Kutlu Gündoğdu (2021) kitap bölümü de kendi örneğini kullanır; bu yüzden küçük, elle izlenebilir bir tablo formül-sadık biçimde kurulmuş ve DecisionMind'ın motoru çalıştırılarak doğrulanmıştır. İkinci vaka öğretici kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Üç tedarikçi tesisinin küresel bulanık değerlendirmesi
Üç tedarikçi tesisi (A1, A2, A3) üç kriterde küresel bulanık üçlülerle değerlendirilmiştir. Üçü de çoğu iyi kriterdir.
| Tesis | C1 | C2 | C3 |
|---|---|---|---|
| A1 | (0,70; 0,20; 0,50) | (0,80; 0,10; 0,40) | (0,60; 0,30; 0,50) |
| A2 | (0,90; 0,10; 0,30) | (0,60; 0,30; 0,60) | (0,80; 0,20; 0,40) |
| A3 | (0,50; 0,40; 0,60) | (0,70; 0,20; 0,50) | (0,70; 0,10; 0,50) |
| Yön | çoğu iyi | çoğu iyi | çoğu iyi |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem her hücreyi skor fonksiyonuyla tek sayıya indirger, 1 ekleyip sütun bazında vektör normalizasyonundan geçirir ve ağırlıklı toplamı alır. Bu hesap Python ile bağımsız olarak yeniden üretilmiş ve DecisionMind'ın motoruyla (method_runner.py SF-MOORA) birebir eşleşmiştir.
| Tesis | Puan | Sıra |
|---|---|---|
| A2 | 0,6291 | 1 |
| A1 | 0,5622 | 2 |
| A3 | 0,5286 | 3 |
Sonuç şöyle okunur. A2, en ağırlıklı kriter olan C1'de (0,40) en yüksek destek ve en düşük ret-kararsızlık üçlüsüne sahiptir; bu, onu açık ara birinciye taşır. A1 ikinci kriterde (0,80; 0,10; 0,40) güçlüdür ama C1'de A2'nin gerisinde kalır. A3 hiçbir kriterde en iyi değildir ve son sıradadır.
Komitenin tereddüdü şudur: C2'nin ağırlığı 0,35'ten 0,55'e çıkarılıp C1'in ağırlığı 0,40'tan 0,20'ye indirilirse (C3 0,25 sabit) fark neredeyse kapanır (A1=0,5881, A2=0,5970, A3=0,5382); sıra henüz bozulmaz. Ağırlık daha da uçlaştırılıp C1=0,10, C2=0,80, C3=0,10 yapılırsa A1 0,6113 ile öne geçer, A2 0,5640 ile ikinci, A3 0,5505 ile üçüncü kalır. Yani sıra orta dereceli ağırlık değişimlerine dayanıklıdır ama C2'ye aşırı ağırlık verilen bir senaryoda tersine döner.
Raporda: "Verilen ağırlıklarla (C1=0,40, C2=0,35, C3=0,25) A2 en yüksek puana sahiptir (0,6291). C2'nin ağırlığı C1'in çok üzerine çıkarılırsa (C2=0,80, C1=0,10, C3=0,10) A1 öne geçmektedir (0,6113); sıra bu ölçüde uç bir ağırlık değişimine kadar dayanıklıdır."
Kaynak: DecisionMind'ın SF-MOORA motorunun doğrulama örneğidir. Skor fonksiyonu ve oran sistemi, Aydın ve Kutlu Gündoğdu'nun (2021) tanıttığı küresel bulanık MULTIMOORA'nın oran sistemi bileşenine dayanır, ama bu spesifik sayılar bir makaleden alınmamıştır; DecisionMind'ın kendi motoru çalıştırılarak ve Python ile bağımsız olarak yeniden hesaplanarak doğrulanmıştır.
2. Kargo: Bir dağıtım şirketinin şehir içi teslimat aracı filosu seçimi
Bir kargo şirketi şehir içi teslimat için üç araç filosu teklifinden birini seçecektir. Kriterler: teslimat hızı ve yakıt verimliliği açısından uygunluk (ikisi de çoğu iyi), bakım maliyeti açısından uygunluk (azı iyi). Bu kriterlerin hiçbiri doğrudan ölçülmüş bir büyüklük değildir; operasyon ekibi her teklif için "bu filo bu kritere uygundur" yargısına ne kadar destek verdiğini, ne kadar reddettiğini ve ne kadar kararsız kaldığını ayrı ayrı puanlamıştır.
Yöntem her teklifin üç kriterdeki küresel bulanık üçlüsünü skor fonksiyonuyla tek sayıya indirger, sütun bazında normalize eder ve ağırlıklı oran sistemi puanını hesaplar. Diyelim ki teslimat hızında en güçlü destek ve en düşük kararsızlık üçlüsüne sahip teklif en yüksek puanı aldı; ama bu teklifin bakım maliyeti kriterinde kararsızlık payı da yüksek kaldı.
Şirketin tereddüdü şudur: bakım maliyeti kriterindeki yüksek kararsızlık payı puanın içinde erimiştir. Puan tek başına bu kararsızlığın nereden geldiğini göstermez. Şirket, en yüksek puanlı teklifi seçmeden önce hangi kriterde kararsızlığın yüksek kaldığını ayrıca raporlamalı ve bakım sözleşmesine ek garanti şartı koymayı değerlendirmelidir.
Raporda: "Verilen ağırlıklarla en yüksek puana sahip teklif budur. Bakım maliyeti kriterinde kararsızlık payı diğer kriterlere göre yüksek kalmıştır ve bu, sözleşme aşamasında ayrıca ele alınmalıdır."
3. Yapılmaması Gereken
Öğretici örnekte A3'ün en düşük puanı almasını "en kötü seçenek, hiçbir kritere uygun değil" diye okumak yanlıştır; puan yalnız bu üç seçenek arasındaki göreli konumu gösterir, mutlak bir uygunluk eşiği değildir. İkinci yanlış, C2 kriterindeki üçlüleri kısıt kontrolü yapmadan değiştirmektir; örneğin A2'nin C2 değerini (0,60; 0,30; 0,60) yerine (0,60; 0,30; 0,80) yazmak, kareler toplamını 0,36+0,09+0,64=1,09'a çıkarır ve kısıtı aşar. Üçüncü yanlış, +1 kaydırmayı atlayıp negatif skorları doğrudan normalize etmektir; bu, negatif ve pozitif skorların aynı paydaya bölünmesinde işaret karışıklığına yol açar ve sırayı bozabilir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/sf-moora
Aydın, S., & Kutlu Gündoğdu, F. (2021). Interval-valued spherical fuzzy MULTIMOORA method and its application to Industry 4.0. In C. Kahraman & F. Kutlu Gündoğdu (Eds.), Decision Making with Spherical Fuzzy Sets: Theory and Applications (pp. 295–322). Springer. DOI: 10.1007/978-3-030-45461-6_13
Kutlu Gündoğdu, F., & Kahraman, C. (2019). Spherical fuzzy sets and spherical fuzzy TOPSIS method. Journal of Intelligent & Fuzzy Systems, 36(1), 337–352. DOI: 10.3233/JIFS-181401
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)
Hamal, S., & Senvar, O. (2021). A novel integrated AHP and MULTIMOORA method with interval-valued spherical fuzzy sets and single-valued spherical fuzzy sets to prioritize financial ratios for financial accounting fraud detection. Journal of Intelligent & Fuzzy Systems, 42(1), 337–364. DOI: 10.3233/JIFS-219195