Z-sayı COPRAS

Üç şey değişir; karar mantığı değişmez.

Hücreler. Kesin COPRAS'ta her hücre tek sayıdır. Burada her hücre bir Z-sayıdır: Z = (A, B). A, kriter değerini gösteren bir üçgen bulanık sayıdır. B, bu değere duyulan güveni gösteren ayrı bir üçgen bulanık sayıdır.

Ölçek eşitleme. DecisionMind, doğrusal toplam normalizasyonundan önce Z-sayıyı tek bir kesin sayıya indirir. Bu indirgeme Kang ve arkadaşlarının (2012) yöntemini izler. A'nın üyelik eğrisi B'nin ağırlık merkezinden gelen bir katsayıyla ölçeklenir, sonra bu eğrinin kendi ağırlık merkezi alınır. Elde edilen kesin değerler üzerinde klasik COPRAS'ın sütun toplamına bölme adımı ve ağırlıklaması aynen çalışır.

Bu indirgemenin doğrulanmış bir sonucu vardır. Kang dönüşümünde B'nin katkısı yalnız A'nın üyelik eğrisinin yüksekliğini ölçekler, ağırlık merkezinin konumunu değiştirmez. Bu yüzden elde edilen kesin değer yalnız A'nın ağırlık merkezine eşittir. Bunu DecisionMind'ın Z-COPRAS motorunu çalıştırıp doğruladım: aşağıdaki öğretici örnekte B'yi drastik biçimde değiştirdiğimde göreli önem değerleri birebir aynı kalıyor.

Sonuç ve durulaştırma. Burada temel COPRAS'tan ayrılan ikinci bir fark vardır. Temel COPRAS, fayda ve maliyet toplamlarını birleştirdikten sonra sonucu en iyi seçeneğe göre yüzdeye çevirir; en iyi seçenek her zaman 100 olur. Z-COPRAS'ın mevcut DecisionMind motoru bu son adımı henüz uygulamaz. Çıktı, ham göreli önem değeridir (Q); 0-100 arası bir yüzde değildir. Bunu motorun kaynak kodunu okuyarak doğruladım; kod içinde bu durum açıkça not edilmiştir.

DecisionMind bu uzantıda Kang dönüşümünü, klasik COPRAS'ın sütun toplamı normalizasyonunu ve ağırlıklamasını sabit tutar. Yüzdeye çevirme adımı mevcut motorda uygulanmaz.

Çıktı, seçeneklerin fayda ve maliyet toplamları arasındaki göreli dengenin bir özetidir; en yüksek değer en iyi seçeneği gösterir. Ama temel COPRAS'tan farklı olarak bu değer, en iyiye göre yüzde değildir. Ham bir göreli önem sayısıdır ve başka bir analizden gelen bir Z-COPRAS değeriyle karşılaştırılamaz.

Fark ayrıca güvenilirlik tarafındadır. Z-sayı veri yapısının amacı, kaynağa duyulan güveni karara taşımaktır. Ama mevcut motorda bu güven, ölçek eşitlemeden önce elenir.

Bu nedenle:

"Z-COPRAS'a göre A2 yüzde 100 en iyi seçenektir"

yerine:

"Verilen ağırlıklarla A2 en yüksek göreli önem değerine (0,370) sahiptir; bu değer temel COPRAS'taki gibi 100 tabanlı bir yüzde değildir ve güvenilirlik derecesi mevcut motorda sonuca yansımamaktadır"

biçiminde yazmak doğrudur.

Veriniz gerçekten Z-sayı yapısındaysa bu uzantı biçimsel olarak doğru seçimdir. Ama sonucun temel COPRAS'taki gibi "en iyiye göre yüzde" biçiminde okunması beklenmemelidir; mevcut motor bu son adımı henüz uygulamaz. Bu sınır ve güvenilirliğin sonuca yansımadığı, analiz başlamadan önce söylenmelidir.

Çıkış noktası kesin COPRAS ile aynıdır: bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir; verinizde negatif değer varsa dönüştürülmelidir.

Göreli önem değerini yüzde sanmak. Mevcut motorda çıktı, en iyiye göre 100 tabanlı bir yüzdeye çevrilmemiştir; ham bir göreli önem değeridir. "A2 yüzde 100 uygun" gibi bir okuma yanlıştır.

Güvenilirliğin (B) sonucu değiştireceğini varsaymak. Mevcut motorda B, ölçek eşitlemeden önce elenir. Bu bir yazılım hatası değildir; Kang dönüşümünün matematiksel bir sonucudur ve raporda söylenmelidir.

Tabloda negatif değer bulunmasına rağmen veriyi dönüştürmeden vermek. Sütun toplamına bölme, negatif değerlerle anlamsız sonuç üretir; bu, temel COPRAS'ın da geçerli kısıtıdır.

Temel ilke şudur:

Z-sayı COPRAS, kriter değerini ve bu değere duyulan güveni ayrı ayrı kaydetmek içindir. Ama mevcut motorda güven sonuca katkı yapmaz ve çıktı, temel COPRAS'taki yüzde biçimine henüz çevrilmemiştir; ikisi de raporda açıkça söylenmelidir.