آموزش RANCOM فازی و غیرفازی در اکسل

در بسیاری از مسائل پیچیده که تصمیم‌گیری در آن‌ها نیازمند در نظر گرفتن عوامل مختلفی است، استفاده از یک معیار به‌تنهایی نمی‌تواند پاسخگوی نیاز تصمیم‌گیرنده باشد. به همین دلیل، روش‌های تصمیم‌گیری چندمعیاره (MCDA) توسعه یافته‌اند تا بتوانند ارزیابی گزینه‌ها را براساس مجموعه‌ای از معیارهای متنوع و گاه متضاد انجام دهند. این روش‌ها کمک می‌کنند تا تصمیم‌گیرنده بتواند به‌شکلی نظام‌مند، اهمیت عوامل مختلف را بسنجند و گزینه‌ای را انتخاب کند که بیشترین هم‌خوانی را با اهداف داشته باشد. در این میان، تعیین وزن معیارها از اهمیت ویژه‌ای برخوردار است، چرا که وزن‌ها نقش تعیین‌کننده‌ای در اولویت‌بندی گزینه‌ها دارند.

روش‌های وزن‌دهی به معیارها در تصمیم‌گیری چندمعیاره به چند دسته کلی تقسیم می‌شوند. یک دسته از این روش‌ها بر پایه داده‌های موجود در ماتریس تصمیم عمل می‌کنند، مانند آنتروپی شانون، CRITIC و MEREC، که بدون نیاز به نظر خبره، صرفاً بر اساس اطلاعات آماری وزن معیارها را تعیین می‌کنند. دسته دیگر، بر قضاوت‌های ذهنی کارشناسان تکیه دارند و از طریق مقایسه زوجی، وزن‌ها را استخراج می‌کنند. روش‌هایی مانند AHP، BWM و SWARA از این گروه هستند. نوع سوم، روش‌هایی هستند که بر مبنای امتیازدهی مستقیم (مثلاً طیف لیکرت یا تخصیص امتیاز) عمل می‌کنند که LMAW و SIWEC از این نوع‌اند. در نهایت، گروهی از روش‌ها تنها بر اساس رتبه‌بندی ساده معیارها توسط خبره کار می‌کنند. روش RANCOM از جمله این تکنیک‌های نوین است که با ساختاری ساده و مؤثر، امکان تعیین وزن معیارها را فراهم می‌سازد.

روش RANCOM (Ranking Comparison) یک روش ذهنی و کاربرپسند برای تعیین وزن معیارها بر پایه رتبه‌بندی آن‌هاست. در این روش نیازی به مقایسه عددی یا فرم‌های پرسش‌نامه‌ای پیچیده نیست؛ بلکه کافی است که کارشناس، معیارها را از مهم‌ترین تا کم‌اهمیت‌ترین مرتب کند. سپس از این رتبه‌ها، یک ماتریس مقایسه تشکیل می‌شود که در آن مقادیر ۱، ۰.۵ یا ۰ برای مقایسه هر دو معیار اختصاص داده می‌شود. با جمع‌ کردن مقادیر هر سطر و نرمال‌سازی آن‌ها، وزن نهایی معیارها به‌دست می‌آید. مزیت اصلی RANCOM در این است که هم دقت قابل قبولی دارد و هم نسبت به اشتباهات کوچک در قضاوت‌های خبره مقاوم است. این ویژگی‌ها باعث شده که RANCOM به‌ویژه در مسائل با تعداد بالای معیار، جایگزین مناسبی برای روش‌های سنتی مانند AHP محسوب شود.

از آنجا که در بسیاری از مسائل واقعی، قضاوت‌های کارشناسان ممکن است با ابهام، عدم‌اطمینان یا عدم‌قطعیت همراه باشد، استفاده از ابزارهای فازی در تحلیل تصمیم‌گیری اهمیت می‌یابد. رویکرد فازی در تصمیم‌گیری چندمعیاره، به‌جای استفاده از مقادیر دقیق عددی، از اعداد فازی مانند اعداد فازی مثلثی (TFN) استفاده می‌کند که به کمک آن‌ها می‌توان دامنه‌ای از ارزش‌ها را در قالب یک تابع عضویت مدل کرد. این روش‌ها امکان می‌دهند که نظرات غیرقطعی یا مردد نیز در فرایند تحلیل دخالت داده شوند. تکنیک‌های فازی همچون Fuzzy AHP، Fuzzy BWM و Fuzzy SWARA به نسخه‌های فازی از روش‌های کلاسیک تبدیل شده‌اند که به کمک آن‌ها می‌توان تصمیم‌گیری را در شرایط عدم‌اطمینان نیز به‌دقت انجام داد.

در همین راستا، روش Fuzzy RANCOM به‌عنوان نسخه گسترش‌یافته RANCOM در محیط فازی که توسط Wi˛eckowski & et al (2024) معرفی شده است. در این روش، مراحل اولیه مشابه نسخه معمولی RANCOM است؛ اما به‌جای استفاده از مقادیر قطعی، از اعداد فازی مثلثی برای ساخت ماتریس مقایسه استفاده می‌شود. این تغییر باعث می‌شود که عدم‌قطعیت در قضاوت خبره‌ها نیز به‌صورت ریاضی مدل شود. Fuzzy RANCOM ضمن حفظ ساختار ساده و سریع خود، توانایی مدل‌سازی ابهام و خطای انسانی را نیز به‌دست آورده است.

از جمله مزایای روش Fuzzy RANCOM می‌توان به موارد زیر اشاره کرد: امکان مدل‌سازی عدم‌قطعیت در نظرات خبره‌ها، دقت بالا در شرایط پرابهام، حفظ سادگی در اجرا، سرعت بالا در محاسبات و قابلیت استفاده برای کاربران غیرمتخصص. این روش یک ترکیب هوشمند از سادگی عملیاتی و قدرت ریاضی است که آن را به گزینه‌ای کارآمد برای تحلیل‌های تصمیم‌گیری در حوزه‌های مختلف تبدیل کرده است.