Bulanık SIWEC (Basit Ağırlık Hesaplama)

SIWEC (Basit Ağırlık Hesaplama), kriterlere ağırlık veren bir yöntemdir; çıktısı toplamı bir olan bir ağırlık vektörüdür, seçenek değerlendirmez. Bulanık SIWEC bu yöntemin, uzman puanlarının "çok kötü" ile "çok iyi" arası yedi dilsel düzeyle (üçgen bulanık sayıya çevrilerek) verildiği biçimidir. AHP ya da BWM gibi yöntemler kriterleri birbirine göre karşılaştırmayı ister; SIWEC ailesi bunun yerine her uzmandan her kriteri bağımsız olarak puanlamasını ister ve asıl işi, uzmanlar arasındaki bu puanları birleştirirken yapar. Puška, Nedeljković, Pamučar, Božanić ve Simić tarafından 2024'te tanıtılan yöntem, hem kesin hem dilsel (bulanık) puanlamayla çalışabilecek biçimde aynı makalede sunulmuştur; tarım, atık yönetimi ve üretim gibi alanlarda uygulanmaya başlanmıştır.

Bulanık SIWEC'in arkasındaki fikir, bir uzmanın kriterler arasında ne kadar net ayrım yaptığının, o uzmanın görüşünün ne kadar bilgi taşıdığına işaret ettiğidir. Bir uzman tüm kriterlere birbirine yakın puanlar veriyorsa ("hepsi orta düzeyde önemli" gibi), bu uzmanın görüşü kriterleri ayırt etmekte pek yardımcı olmaz. Bir başka uzman kriterler arasında belirgin farklar görüyorsa (bazılarına çok yüksek, bazılarına çok düşük puan veriyorsa), bu uzmanın görüşü kriterleri birbirinden ayırmakta daha bilgilendiricidir. SIWEC, her uzmanın kendi puanlarının ne kadar yayıldığını (standart sapmasını) hesaplar ve bu yayılmayı, o uzmanın görüşüne verilecek ağırlık olarak kullanır.

Bunun bir sonucu vardır: SIWEC, klasik Delphi'nin tersine bir mantık izler. Delphi'de uzmanlar arasındaki görüş ayrılığı azaltılmaya çalışılan bir şeydir; SIWEC'te bir uzmanın kendi puanları arasındaki ayrılık (yayılım), o uzmanın görüşünü daha değerli kılan bir işarettir. Bu felsefe, "kriterleri net ayırt eden uzman daha bilgilendiricidir" varsayımına dayanır; bu varsayım her zaman doğru olmayabilir, çünkü bir uzman kasıtlı ya da kasıtsız olarak abartılı puan verip daha fazla söz hakkı kazanabilir.

Yöntem altı adımda ilerler.

Birinci adım, dilsel değerlendirme. Her uzman, her kriteri "çok kötü" ile "çok iyi" arası yedi dilsel düzeyden biriyle değerlendirir. Her düzey, önceden tanımlanmış bir üçgen bulanık sayıya (en az, en olası, en çok üçlüsüne) karşılık gelir. Uzmanlar arasında hiçbir ikili karşılaştırma ya da sıralama yapılmaz; her kriter bağımsız puanlanır.

İkinci adım, uzman bazında ölçekleme. Her uzmanın kendi verdiği tüm puanlar, kendi en yüksek üst sınırına bölünerek 0 ile 1 arasına ölçeklenir. Bu, uzmanlar arasında "kim daha cömert puan veriyor" farkını ortadan kaldırır; her uzmanın kendi puan aralığı kendi içinde normalize edilir.

Üçüncü adım, ayırt edicilik gücü. Her uzmanın, ölçeklenmiş puanlarının olası (orta) değerleri üzerinden bir standart sapma hesaplanır. Bu sayı, o uzmanın kriterleri ne kadar net ayırt ettiğinin bir ölçüsüdür; tüm kriterlere benzer puan veren bir uzmanın standart sapması küçük, kriterleri belirgin biçimde ayıran bir uzmanın standart sapması büyük çıkar.

Dördüncü adım, ayırt ediciliğe göre ağırlıklandırma. Her uzmanın ölçeklenmiş puanları, kendi standart sapmasıyla çarpılır. Böylece kriterleri net ayırt eden uzmanların puanları büyütülür, tüm kriterlere benzer puan veren uzmanların puanları küçültülür.

Beşinci adım, uzmanlar arası toplama. Her kriter için, tüm uzmanların bu şekilde ağırlıklandırılmış üçgen puanları toplanır. Sonuçta her kriter için tek bir grup üçgeni ortaya çıkar.

Altıncı adım, ağırlığa çevirme. Grup üçgenleri, bileşen bazında (alt sınırlar toplamına, olası değerler toplamına, üst sınırlar toplamına) çapraz bölünerek toplamı bire yakın bir bulanık ağırlık vektörüne dönüştürülür. Her kriter için ortaya çıkan üçgenin olası (orta) değeri, o kriterin okunabilir tek sayılı ağırlığıdır.

Adımların formülleri DecisionMind'daki Bulanık SIWEC yöntem sayfasında verilir; bu kart formül taşımaz.

Ağırlık, kriterleri daha net ayırt eden uzmanların görüşüne daha çok pay verilerek birleştirilmiş bir sonuçtur; "uzmanların ortalama görüşü" değildir. Bir kriterin yüksek ağırlık alması, o kriterin uzmanlar tarafından yüksek puanlanmasından değil, o kriteri yüksek puanlayan uzmanların aynı zamanda kriterleri net ayırt eden (yüksek standart sapmalı) uzmanlar olmasından kaynaklanabilir. Üçgen biçimindeki ağırlık, yalnız orta değeriyle okunduğunda bu üçgenin genişliği (belirsizliği) gözden kaçar; iki kritere yakın orta değer çıksa bile biri dar biri geniş bir üçgenden gelebilir.

Bu nedenle:

"Bulanık SIWEC bu kriterin en önemli olduğunu kanıtladı"

yerine:

"Kriterleri daha net ayırt eden uzmanların görüşü bu krittere daha yüksek ağırlık vermiştir; bu ağırlık uzmanların ortalama puanını değil, ayırt edicilik gücüyle tartılmış bir birleşimi yansıtır"

biçiminde yazmak doğrudur.

Bulanık SIWEC, dilsel (bulanık) veriyle çalışır: her uzmanın her kritere verdiği yedi düzeyli bir dilsel ifade, üçgen bulanık sayıya çevrilerek işlenir. DecisionMind'da SIWEC ailesinde kesin (SIWEC) ve bulanık (Bulanık SIWEC) olmak üzere iki üye bulunur; Bulanık SIWEC'in kendisinin başka bir uzantısı yoktur. Elinizde şunlar olmalı: en az iki uzman, en az iki kriter, her uzmanın her kritere verdiği bir dilsel puan ve bu dilsel düzeylerin üçgen bulanık sayı karşılıklarını gösteren bir ölçek. Yöntem ağırlık üretir, dışarıdan ağırlık istemez. Kriter sayısında üç ile on beş arası tipiktir; bir uzmanın tüm kriterlere aynı puanı vermesi (sıfır ayırt edicilik) o uzmanın katkısını hesaptan tamamen düşürür, bu nedenle uzmanların kriterler arasında en az bir miktar fark görmesi gerekir.

Uzmanlar kriterleri birbirine göre karşılaştırmak yerine her birini kendi başına, dilsel bir ifadeyle değerlendirmeyi tercih ediyorsa ve uzmanlar arasında "kim daha net ayırt ediyor" farkının ağırlığa yansımasını istiyorsanız Bulanık SIWEC uygun bir seçimdir. Uzmanlar zaten ikili karşılaştırma yapabiliyorsa ve ayırt edicilik yerine tutarlılık ölçmek isteniyorsa AHP ya da BWM daha uygun bir çerçeve sunar. Bir uzmanın abartılı puan vererek daha fazla söz hakkı kazanmasından çekiniliyorsa (yöntemin ayırt edicilik mantığı kötüye kullanılabileceği için) Delphi gibi uzlaşı temelli yöntemler tercih edilmelidir.

Uzmanlar bağımsız dilsel puan veriyor, ayırt edicilik ödüllendirilsin isteniyor → Bulanık SIWEC

Uzmanlar ikili karşılaştırma yapabiliyor, tutarlılık önemli → AHP, BWM

Abartılı puanın ağırlığı şişirmesi risk oluşturuyor → Delphi, Bulanık Delphi

Ağırlık değil verinin kendi değişkenliği önemli → Entropy, CRITIC

Bulanık SIWEC'in en önemli üstünlüğü, uzmanlardan ikili karşılaştırma ya da sıralama istemeden, yalnız her kriteri bağımsız dilsel bir ifadeyle puanlamalarını yeterli görmesidir; bu, AHP'nin n(n-1)/2 karşılaştırma yüküne kıyasla uzman için çok daha az efor gerektirir. Yöntem, uzmanlar arasındaki farkı görmezden gelmez, tersine kimin kriterleri daha net ayırt ettiğini hesaba katarak birleştirir; bu, tüm uzmanları otomatik olarak eşit ağırlıklı saymanın (basit ortalamanın) kaçırabileceği bir bilgiyi kullanır. Kurucu makale, yöntemi hem kesin hem dilsel veriyle çalışacak biçimde tek bir çerçevede sunmuş ve kısa sürede tarım, atık yönetimi ve malzeme seçimi gibi farklı alanlarda uygulanmıştır (Do ve ark., 2025).

Yöntem yeni olduğu için (2024 tanıtım, 2026 ilk bağımsız uygulama) bağımsız eleştiri ve karşılaştırma literatürü henüz sınırlıdır; bu kart yazıldığı tarihte SIWEC'in başka yöntemlerle sistematik karşılaştırıldığı geniş bir literatür bulunmamaktadır. İkincisi, yöntemin temel varsayımı (kriterleri net ayırt eden uzman daha bilgilendiricidir) her zaman doğru olmayabilir; bir uzman kasıtlı olarak uç puanlar vererek kendi standart sapmasını büyütüp görüşünün ağırlığını yapay biçimde artırabilir. Üçüncüsü, tüm uzmanlar kriterlere benzer puanlar verirse (herkesin standart sapması sıfıra yakınsa) toplam dağılım sıfıra iner ve ağırlık hesabı tanımsız hâle gelir; bu, uzmanların gerçekten hemfikir olduğu durumlarda bile yöntemin çökebileceği anlamına gelir. Dördüncüsü, normalizasyon adımı her uzmanın kendi en yüksek puanına göre ölçekleme yaptığından, yalnız bir kritere çok yüksek puan veren bir uzmanın diğer tüm puanları bu tek yüksek puana göre küçülür; bu, uzmanın gerçek niyetini çarpıtabilir.

En sık hata, normalizasyonu üst sınır yerine olası (orta) değere göre yapmaktır; SIWEC üst sınırın en büyüğüne bölme kuralını kullanır, bu değiştirilirse üçgenlerin şekli bozulur. İkinci hata, ayırt edicilik gücünü (standart sapmayı) uzmanların olası değerleri yerine üst ya da alt sınırları üzerinden hesaplamaktır; yöntem yalnız olası değerlerin yayılımını ölçer. Üçüncü hata, son normalizasyonu bileşen bazında basit bölme (alt sınırı alt sınırlar toplamına, üst sınırı üst sınırlar toplamına) yapmaktır; SIWEC çapraz bölünme kullanır, alt sınır üst sınırlar toplamına, üst sınır alt sınırlar toplamına bölünür. Dördüncü hata, tüm uzmanların birbirine çok yakın puan verdiği bir veri setinde yöntemi zorla çalıştırıp tanımsız (sıfıra bölme) bir sonucu görmezden gelmektir; bu durumda uzmanlardan kriterler arasında en az bir miktar fark görmeleri istenmelidir.

Temel ilke şudur:

Bulanık SIWEC'in ağırlığı, uzmanların puanlarının değil, kriterleri ne kadar net ayırt ettiklerinin bir yansımasıyla tartılmış birleşimidir; bu tartım mantığı kabul edilebiliyorsa yöntem güvenilir, değilse ağırlıklar yanıltıcı olabilir.