مقدمه

در بسیاری از مسائل واقعی، تصمیم‌گیرندگان با شرایطی روبه‌رو هستند که باید چندین گزینه را بر اساس مجموعه‌ای از معیارها ارزیابی کنند. در چنین شرایطی، استفاده از روش‌های تصمیم‌گیری چندمعیاره (MCDM) به عنوان یکی از ابزارهای مهم تحلیل و انتخاب گزینه‌های مناسب مطرح می‌شود. این روش‌ها به تصمیم‌گیرندگان کمک می‌کنند تا با در نظر گرفتن همزمان معیارهای مختلف، گزینه‌ها را به شکل منطقی و ساختارمند مقایسه و رتبه‌بندی کنند.

به طور کلی، روش‌های تصمیم‌گیری چندمعیاره به دو دسته اصلی تقسیم می‌شوند: تصمیم‌گیری چندهدفه (MODM) و تصمیم‌گیری چندشاخصه (MADM). روش‌های MODM معمولاً برای مسائل پیوسته به کار می‌روند، در حالی که روش‌های MADM برای مسائل گسسته مورد استفاده قرار می‌گیرند. در بسیاری از مطالعات، اصطلاح MCDM به طور رایج برای اشاره به روش‌های MADM نیز استفاده می‌شود. در این دسته از مسائل، داده‌ها اغلب در قالب یک ماتریس تصمیم‌گیری ارائه می‌شوند که در آن سطرها نشان‌دهنده گزینه‌ها و ستون‌ها بیانگر معیارهای ارزیابی هستند. هدف اصلی این روش‌ها، ارزیابی عملکرد گزینه‌ها و تعیین اهمیت نسبی معیارها برای رسیدن به یک تصمیم منطقی و دقیق است.

در حوزه بهینه‌سازی و ارزیابی محتوا نیز، استفاده از این روش‌ها می‌تواند دید جامع‌تری نسبت به اهمیت معیارهای مختلف و عملکرد گزینه‌های موجود فراهم کند. یکی از روش‌های نوین در این حوزه، تکنیک SECA است که امکان ارزیابی همزمان وزن معیارها و رتبه‌بندی گزینه‌ها را فراهم می‌کند.

مروری بر برخی از تکنیک­های MCDM

در سال‌های گذشته روش‌های مختلفی در حوزه تصمیم‌گیری چندمعیاره ارائه شده‌اند که برای ارزیابی گزینه‌ها و تعیین اهمیت معیارها مورد استفاده قرار می‌گیرند. در این روش‌ها معمولاً اطلاعات در قالب یک ماتریس تصمیم‌گیری شامل گزینه‌ها و معیارهای ارزیابی تحلیل می‌شود.

یکی از ساده‌ترین و قدیمی‌ترین روش‌ها، تکنیک SAW است. در این روش، امتیاز هر گزینه در هر معیار در وزن آن معیار ضرب می‌شود و سپس مجموع این امتیازها به عنوان عملکرد کلی گزینه در نظر گرفته می‌شود. به دلیل سادگی محاسبات، این روش کاربرد زیادی دارد.

روش TOPSIS که توسط هوانگ و یون (1981) ارائه شد، گزینه‌ها را بر اساس فاصله آن‌ها از دو نقطه مرجع یعنی راه‌حل ایده‌آل و ضد ایده‌آل ارزیابی می‌کند. گزینه‌ای که به راه‌حل ایده‌آل نزدیک‌تر و از ضد ایده‌آل دورتر باشد، رتبه بهتری خواهد داشت. این روش در مسائل مختلفی مانند انتخاب تأمین‌کننده، مکان‌یابی کارخانه و سیستم‌های نگهداری و تعمیرات کاربرد دارد.

روش VIKOR که توسط Opricovic در سال 1998 معرفی شد، نیز بر پایه مقایسه گزینه‌ها با یک راه‌حل ایده‌آل عمل می‌کند. در این روش فاصله گزینه‌ها از راه‌حل ایده‌آل با استفاده از معیارهای فاصله مختلف محاسبه می‌شود. این روش شباهت‌هایی با TOPSIS دارد اما در نحوه ارزیابی و رتبه‌بندی گزینه‌ها تفاوت‌هایی نیز دارد و در حوزه‌هایی مانند مدیریت انرژی، ارزیابی پروژه‌ها و حمل‌ونقل استفاده شده است.

علاوه بر روش‌های رتبه‌بندی گزینه‌ها، برخی روش‌ها برای تعیین وزن معیارها استفاده می‌شوند. از جمله این روش‌ها می‌توان به انحراف معیار (SD) و آنتروپی شانون اشاره کرد که وزن معیارها را بر اساس میزان پراکندگی داده‌ها تعیین می‌کنند. همچنین روش CRITIC علاوه بر پراکندگی داده‌ها، همبستگی بین معیارها را نیز در محاسبه وزن‌ها در نظر می‌گیرد.

در این پژوهش از روش SECA استفاده می‌شود که یک روش جدید در تصمیم‌گیری چندمعیاره است. این روش با استفاده از یک مدل ریاضی غیرخطی چندهدفه به طور همزمان وزن معیارها و رتبه‌بندی گزینه‌ها را تعیین می‌کند. در این مدل، عملکرد کلی گزینه‌ها بیشینه شده و همزمان اطلاعات درون معیارها (با استفاده از انحراف معیار) و ارتباط بین معیارها (با استفاده از ضریب همبستگی) نیز در نظر گرفته می‌شود. 

روش SECA (ارزیابی همزمان معیارها و گزینه ها)

روش سکا (SECA) در سال 2018 توسط دکتر مهدی کشاورز قرابایی و همکاران طی مقاله ای با عنوان “ارزیابی همزمان معیارها و گزینه ها در تصمیم گیری چند معیاره ارائه شد.

عنوان انگلیسی مقاله: Simultaneous Evaluation of Criteria and Alternatives (SECA) for Multi-CriteriaDecision-Making

جهت دانلود مقاله این روش بر روی عبارت مقاله بیس SECA کلیک کنید.

در این بخش یک روش جدید برای حل مسائل تصمیم‌گیری چندمعیاره معرفی می‌شود که هدف آن به‌دست‌آوردن وزن معیارها و امتیاز نهایی گزینه‌ها به صورت همزمان است. در بیشتر روش‌های قبلی، معمولاً وزن معیارها باید به وسیله یک روش جداگانه محاسبه و سپس وارد مدل اصلی می‌شد، اما این روش جدید تلاش می‌کند همه چیز را یکجا و از دل داده‌های موجود استخراج کند.

برای انجام این کار، یک مدل ریاضی غیرخطی و چندهدفه طراحی شده است. این مدل برای تعیین وزن معیارها از دو نوع اطلاعات کمک می‌گیرد:

• اطلاعات مربوط به تنوع داخل هر معیار که با انحراف استاندارد مشخص می‌شود.
• اطلاعات مربوط به تفاوت یا شباهت بین معیارها که با میزان همبستگی معیارها اندازه‌گیری می‌شود.

مدل پیشنهادی تلاش می‌کند دو هدف را همزمان برآورده کند:

1. بیشینه کردن عملکرد کلی گزینه‌ها بر اساس یک مدل وزنی ساده.
2. کمینه کردن فاصله وزن‌ها از نقاط مرجع که با استفاده از مجموع مربعات انحرافات اندازه‌گیری می‌شود.

به زبان ساده‌تر، این روش وزن معیارها را طوری حساب می‌کند که هم اطلاعات داخل هر معیار و هم ارتباط بین معیارها رعایت شود، و در کنار آن تلاش می‌کند بهترین رتبه‌بندی ممکن برای گزینه‌ها ارائه کند.

تفاوت اصلی روش SECA با سایر تکنیک‌های تصمیم‌گیری در این است که در روش‌های دیگر، ابتدا وزن معیارها باید توسط یک روش مثل آنتروپی، CRITIC یا سایر روش‌ها محاسبه شود و سپس به مدل رتبه‌بندی داده شود. اما در SECA وزن معیارها و رتبه گزینه‌ها به طور همزمان و از روی همان ماتریس تصمیم‌گیری تعیین می‌شود؛ بنابراین یک روش یکپارچه‌تر، دقیق‌تر و وابسته به داده است.

مراحل اجرای روش SECA

در ادامه مراحل اجرای این روش بر اساس مقاله بیس آورده شده است. 

تشکیل ماتریس تصمیم

فرض کنید یک مسئله تصمیم‌گیری چندمعیاره (MCDM) شامل $n$ گزینه و m معیار داریم. در این مسئله وزن هر معیار با نماد wj مشخص می‌شود، اما این وزن‌ها از ابتدا مشخص نیستند و باید توسط مدل محاسبه شوند. اطلاعات مسئله در قالب ماتریس تصمیم‌گیری در رابطه 1 نمایش داده می‌شود.

• x_ij​ مقدار ارزیابی گزینه $i$ نسبت به معیار j است.
• هر سطر نشان‌دهنده یک گزینه و هر ستون نشان‌دهنده یک معیار می‌باشد.

نرمال‌سازی ماتریس تصمیم

از آنجا که معیارهای مختلف ممکن است واحد اندازه‌گیری متفاوتی داشته باشند (مثلاً هزینه، زمان، کیفیت و …)، لازم است قبل از انجام محاسبات، ماتریس تصمیم نرمال‌سازی شود تا مقادیر قابل مقایسه شوند.

نرمال‌سازی در روش SECA بر اساس نوع معیار انجام می‌شود:

• معیارهای سود: معیارهایی که مقدار بیشتر آنها مطلوب‌تر است. این معیارها در مجموعه BC قرار می‌گیرند.

• معیارهای هزینه: معیارهایی که مقدار کمتر آنها مطلوب‌تر است. این معیارها در مجموعه NC قرار می‌گیرند.

برای هر نوع معیار از رابطه مناسب نرمال‌سازی استفاده می‌شود تا مقادیر همه معیارها در یک مقیاس مشترک قرار بگیرند. به صورت کلی از رابطه 2 و 3 استفاده می شود.

محاسبه انحراف معیار معیارها (اطلاعات درون معیاری)

در این مرحله برای هر معیار، انحراف معیار مقادیر آن محاسبه می‌شود. هدف از این کار اندازه‌گیری میزان پراکندگی اطلاعات در هر معیار است. اگر مقادیر یک معیار در بین گزینه‌ها بسیار متفاوت باشد، آن معیار توانایی بیشتری برای تفکیک گزینه‌ها دارد و بنابراین اهمیت بیشتری خواهد داشت.

به بیان دیگر: انحراف معیار زیاد ← قدرت تمایز بالا ← اهمیت بیشتر معیار

این مقدار به عنوان یکی از منابع اطلاعاتی برای تعیین وزن معیارها استفاده می‌شود.

محاسبه همبستگی بین معیارها (اطلاعات بین معیاری)

علاوه بر تنوع داخل هر معیار، لازم است رابطه بین معیارها نیز بررسی شود. برای این کار، ضریب همبستگی بین هر جفت معیار محاسبه می‌شود. هدف این مرحله بررسی این موضوع است که آیا دو معیار اطلاعات مشابهی ارائه می‌دهند یا خیر.

• اگر همبستگی زیاد باشد ← معیارها اطلاعات مشابهی دارند.
• اگر همبستگی کم باشد ← معیارها اطلاعات متفاوت و مستقل ارائه می‌دهند.

پس از محاسبه همبستگی‌ها، از رابطه 4 برای تعیین درجه اختلاف معیار j با سایر معیارها استفاده می‌شود. این مقدار نشان می‌دهد که هر معیار تا چه حد از نظر اطلاعاتی با بقیه معیارها متفاوت است.

تعیین نقاط مرجع برای وزن معیارها

در روش SECA، دو نوع اطلاعات برای تعیین وزن معیارها در نظر گرفته می‌شود:

• تنوع درون معیاری (انحراف معیار)
• تنوع بین معیاری (درجه اختلاف یا همبستگی)

افزایش هر یک از این دو عامل باعث افزایش اهمیت معیار می‌شود. بنابراین اگر:

• پراکندگی مقادیر یک معیار زیاد باشد
• و همبستگی آن با سایر معیارها کم باشد

آن معیار وزن بیشتری دریافت خواهد کرد.

بر اساس این دو شاخص، بر اساس رابطه 5 و 6 مقادیر نرمال‌شده‌ای به عنوان نقاط مرجع برای وزن معیارها تعریف می‌شوند. این نقاط مرجع نشان می‌دهند که وزن هر معیار در حالت ایده‌آل چه مقدار باید باشد.

تشکیل مدل برنامه‌ریزی چندهدفه غیرخطی

با استفاده از اطلاعات مراحل قبل، یک مدل برنامه‌ریزی غیرخطی چندهدفه بر اساس رابطه 7 ساخته می‌شود.

این مدل سه هدف اصلی را دنبال می‌کند:

1. بیشینه‌سازی عملکرد کلی گزینه‌ها: عملکرد هر گزینه بر اساس مجموع وزنی معیارها محاسبه می‌شود.

2. کمینه‌سازی انحراف وزن معیارها از نقاط مرجع اول

3. کمینه‌سازی انحراف وزن معیارها از نقاط مرجع دوم

به این ترتیب مدل تلاش می‌کند وزن‌هایی پیدا کند که هم عملکرد گزینه‌ها را بهینه کند و هم با اطلاعات آماری معیارها سازگار باشد. در مدل (7)، معادله اول، عملكرد کلی هر گزینه را افزایش می دهد و معادلات دوم و سوم، انحراف معیارهای وزن را از نقاط مرجع برای هر معیار به حداقل می رساند. معادله (7.4)  تضمین می کند که مجموع وزن ها برابر با 1 است. معادله (7.5)  و (7.6) وزن معیارها را برای برخی مقادیر در فاصله [1، ε] تعیین می کنند. لازم به ذکر است که ε یک پارامتر مثبت کوچک در نظر گرفته شده به عنوان معیار پایینی برای وزن معیار است. در این روش، مقدار این پارامتر برابر با 0.003 قرار داده شده است.

تبدیل مدل چندهدفه به مدل تک‌هدفه

از آنجا که حل مدل‌های چندهدفه پیچیده است، در روش SECA از تکنیک تبدیل تابع هدف به محدودیت استفاده می‌شود تا مدل به یک مدل تک‌هدفه تبدیل شود. که در رابطه 8 آورده شده است.

در این مدل جدید:

• هدف اصلی بیشینه کردن حداقل عملکرد گزینه‌ها است.
• در عین حال، انحراف وزن‌ها از نقاط مرجع نیز در تابع هدف در نظر گرفته می‌شود.

برای کنترل میزان اهمیت این انحراف‌ها از یک ضریب با نماد β استفاده می‌شود. این ضریب تعیین می‌کند که مدل تا چه اندازه باید به نقاط مرجع وزن معیارها نزدیک باشد.

مطالعات انجام شده در زمینه روش SECA

مطالعات مختلفی در زمینه توسعه و کاربرد روش SECA در حوزه‌های گوناگون انجام شده است. این پژوهش‌ها نشان می‌دهند که این روش در مسائل مختلف تصمیم‌گیری چندمعیاره قابلیت کاربرد دارد.

• در پژوهشی Eghbali-Zarch & et al (2023) و یک چارچوب تصمیم‌گیری چندمعیاره فازی برای ارزیابی تأمین‌کنندگان ارائه کردند و با استفاده از روش FSECA مهم‌ترین معیارها و بهترین تأمین‌کننده را شناسایی کردند. نتایج این روش با چندین تکنیک دیگر MCDM مقایسه شد و کارایی آن تأیید گردید.
• در مقاله Bahrami & Rastegar (2022) از روش SECA برای رتبه‌بندی فیدرهای شبکه توزیع برق استفاده کردند و نتایج آن را با روش‌های FBWM-VIKOR و سایر روش‌های تصمیم‌گیری چندمعیاره مقایسه نمودند که نشان‌دهنده اثربخشی این روش بود.
• Azbari (2021) روش SECA را برای انتخاب گزینه بهینه تخصیص فاضلاب به‌کار برد و با اجرای مدل در نرم‌افزار LINGO، بهترین گزینه تخصیص و مهم‌ترین معیارها را تعیین کرد.
• در پژوهش روحانی‌راد (1402) عملکرد بانک‌های خصوصی با استفاده از معیارهای CAMEL و روش SECA ارزیابی شد و نتایج نشان داد برخی شاخص‌های کیفیت دارایی و سودآوری اهمیت بیشتری دارند.
• همچنین کریمی و احمدی (1402) از روش SECA برای تحلیل تغییر کاربری باغات و دمای سطح زمین در شهر ارومیه استفاده کردند و نتایج نشان داد تغییرات کاربری زمین می‌تواند بر الگوهای دمایی مناطق شهری تأثیرگذار باشد.

مثال حل شده روش SECA

در این بخش با ذکر یک مثال به پیاده سازی روش مذکور می پردازیم ابتدا نتایج مثال را با استفاده از روش SECA تجزیه و تحلیل نموده و سپس با چند روش تصمیم گیری دیگر مقایسه می شود. کلیه محاسبات در نرم افزار لینگو صورت گرفته است.

تشکیل ماتریس تصمیم و نرمال سازی آن

ابتدا ماتریس تصمیم را بر اساس مثالی تشکیل می دهیم که در جدول 1 آورده شده است.

همانطور که مشاهده می شود معیارهای C1 تا C3 جز معیارها مثبت و مابقی معیارهای جنبه منفی دارند. سپس باید این ماتریس تصمیم را نرمال کرد جهت نرمال سازی از رابطه 3 استفاده می شود که ماتریس نرمال شده در جدول 2 آورده شده است. با نرمال سازی کلیه داده ها در بازه بین صفر تا 1 قرار می گیرند.

ارائه مدل نهایی و حل مدل در نرم افزار لینگو

سپس بر اساس مدل رابطه 8، این مساله در نرم افزار Lingo حل می شود که نتایج آن در جدول 3 به ازای مقادیر مختلف بتا (B) آورده شده است.

همانطور که جدول 3 نشان می دهد به ازای مختلف مقادیر بتا وزن گزینه ها متفاوت است. در حالتی که مقدار بتا بیشتر از 3 می شود وزن ها دارای ثبات بیشتری هستند پس بر این اساس می توان مقدار بتا برابر 3 (β=3) را به عنوان بهترین ضریب در نظر گرفت.

همچنین در این بخش، بر اساس داده های ارائه شده در جدول 2، نتایج کلی عملکرد هر گزینه (Si) با حل مدل (8) به دست می آید و همان مقادیری که ما برای تحلیل وزن معیارها استفاده می کنیم. نمرات کلی عملکرد به دست آمده در جدول زیر ارائه شد است. در جدول زیر رتبه بندی گزینه ها بر اساس مقادیر مختلف بتا صورت گرفته است.

تحلیل نتایج به ازای مقادیر محتلف بتا

همچنین، نمایی گرافیکی نمرات عملکرد گزینه ها در شکل زیرنشان داده شده است. همانطور که در شکل زیر (و جدول بالا)  مشاهده می کنیم، زمانی که مقادیر بزرگتر مقادیر بتا بزرگتر از 3 باشد عملکرد گزینه ها بیشتر قابل تشخیص و پایدار تر است.
همانطور که در جدول 7 دیده می شود، زمانی که مقادیر بزرگتر از 1 است، ما یک رتبه کاملا پایدار داریم. به طور کلی می توان گفت که (β=3) نیز آستانه خوبی برای تعیین نمرات عملکرد کلی و صفات جایگزین است.

روش SECA فازی

روش FUZZY SECA همان تکنیک سکا می باشد که در محیط فازی پیاده سازی شده است. پیاده سازی در محیط فازی اولین بار توسط کشاورز قرابایی و همکاران (2022) ارائه شد در این حالت ابتدا ماتریس تصمیم فازی به یک ماتریس فاصله ای تبدیل می شود سپس دو مدل بهینه سازی تشکیل شده که در زیر آورده شده است. این دو مدل توسط لینگو حل شده و اوزان معیارها و امتیاز گزینه ها محاسبه می شود.

طراحی پرسشنامه روش SECA (فازی و غیرفازی)

در روش SECA، پرسشنامه در واقع ابزاری برای ارزیابی گزینه‌ها نسبت به معیارها است. ساختار این پرسشنامه دقیقاً مطابق با یک ماتریس تصمیم‌گیری می‌باشد. در این ماتریس:

• ستون‌ها نشان‌دهنده معیارها
• سطرها نشان‌دهنده گزینه‌ها
• و هر سلول بیانگر ارزیابی یک گزینه نسبت به یک معیار است.

بنابراین زمانی که پرسشنامه تکمیل می‌شود، خروجی آن همان ماتریس تصمیم مورد نیاز برای اجرای روش SECA خواهد بود.

ماهیت مقادیر داخل ماتریس به نوع معیار بستگی دارد. اگر معیار کمی باشد (مانند هزینه، زمان، ظرفیت تولید و …) ارزیابی به صورت عدد واقعی قطعی وارد می‌شود. اما اگر معیار کیفی باشد (مانند کیفیت، رضایت، انعطاف‌پذیری، ریسک ادراک‌شده و …) ارزیابی معمولاً بر اساس یک طیف تعریف‌شده انجام می‌گیرد. این طیف می‌تواند به صورت عددی قطعی (مثلاً 1 تا 5) یا به صورت فازی تعریف شود.

در روش SECA غیرفازی (قطعی)، همه مقادیر ماتریس باید در نهایت به صورت اعداد قطعی باشند. اما در روش SECA فازی، اگر ارزیابی‌ها ماهیت زبانی داشته باشند، این ارزیابی‌ها باید بر اساس یک طیف اعداد فازی به مقادیر فازی تبدیل شوند.

در ادامه یک نمونه طراحی پرسشنامه برای هر دو حالت ارائه می‌شود.

نمونه پرسشنامه SECA

فرض کنید هدف ما انتخاب بهترین تأمین‌کننده است. سه معیار زیر را در نظر بگیرید:

هزینه، کیفیت و زمان تحویل.

و چهار گزینه داریم: گزینه A، گزینه B، گزینه C و گزینه D.

ساختار ماتریس خام پرسشنامه به صورت زیر خواهد بود:

حال بسته به نوع اجرای روش SECA، این خانه‌ها به دو صورت تکمیل می‌شوند.

اگر بخواهیم از SECA قطعی استفاده کنیم، باید تمامی ارزیابی‌ها به صورت عدد قطعی وارد شوند. برای مثال، هزینه می‌تواند به ریال، کیفیت بر اساس امتیاز 1 تا 5 یا طیف 1 تا 9 و زمان تحویل بر حسب روز ثبت شود. در این حالت ماتریس تصمیم مستقیماً وارد مرحله نرمال‌سازی و مدل بهینه‌سازی می‌شود.

اما اگر بخواهیم از SECA فازی استفاده کنیم، به‌خصوص در حالتی که کیفیت یا سایر معیارها ذهنی و زبانی باشند، ارزیابی‌ها به صورت عباراتی مانند «زیاد»، «متوسط» یا «کم» جمع‌آوری می‌شوند. سپس این عبارات بر اساس یک طیف فازی از پیش تعریف‌شده به اعداد فازی تبدیل می‌شوند.

نمونه طیف فازی چهارتایی (اعداد فازی ذوزنقه‌ای) به صورت زیر تعریف می‌شود:

در این حالت اگر مثلاً یک کارشناس کیفیت گزینه A را «زیاد» ارزیابی کند، مقدار (0.7, 0.8, 0.8, 0.9) در ماتریس فازی ثبت می‌شود.

در نتیجه تفاوت اصلی پرسشنامه SECA قطعی و فازی در نوع داده‌های وارد شده به ماتریس تصمیم است. ساختار پرسشنامه در هر دو حالت یکسان است، اما در حالت فازی، مقادیر به صورت متغیرهای زبانی تعریف شده و سپس به اعداد فازی تبدیل می‌شوند تا امکان اجرای مدل بهینه‌سازی فازی فراهم شود.

نرم‌افزارهای مورد استفاده در روش SECA

از آنجا که روش SECA بر پایه مدل‌سازی ریاضی و حل یک مدل بهینه‌سازی بنا شده است، اجرای آن نیازمند نرم‌افزارهایی است که توانایی حل مسائل بهینه‌سازی را داشته باشند. مدل‌های SECA معمولاً شامل روابط غیرخطی، محدودیت‌های چندگانه و اهداف چندمعیاره هستند و بنابراین استفاده از نرم‌افزارهای تخصصی امری ضروری است.

به طور معمول برای پیاده‌سازی و حل مدل SECA از دو نرم‌افزار شناخته‌شده استفاده می‌شود: نرم‌افزار LINGO و نرم‌افزار GAMS. هر دو نرم‌افزار توانایی مدل‌سازی جبری و حل مسائل بهینه‌سازی خطی، غیرخطی و چندهدفه را دارند، اما در میان آن‌ها نرم‌افزار LINGO کاربرد بیشتری در مطالعات SECA داشته است. 

نکته مهم این است که مقاله پایه (Base Paper) روش SECA نیز مدل خود را با استفاده از نرم‌افزار LINGO حل کرده است و همین موضوع باعث شده این نرم‌افزار در ادبیات مرتبط با روش SECA بیشتر مورد استفاده قرار گیرد. در مقابل، نرم‌افزار GAMS نیز گزینه‌ای قدرتمند و قابل اعتماد است.

فیلم آموزش روش SECA با مثال کاربردی و نرم افزار لینگو

در این ویدئو، روش SECA از صفر تا صد به زبان ساده و کاملاً کاربردی آموزش داده شده است. در ابتدا نحوه تشکیل ماتریس تصمیم در اکسل و وارد کردن داده‌ها به‌صورت صحیح آموزش داده می‌شود. سپس روش‌های نرمال‌سازی ماتریس تصمیم بر اساس نوع معیارها (سود یا هزینه) به‌طور کامل تشریح می‌گردد.

پس از آماده‌سازی داده‌ها در اکسل، نحوه وارد کردن مقادیر و پارامترهای مدل به نرم‌افزار LINGO مرحله‌به‌مرحله نشان داده می‌شود. ساختار مدل SECA در لینگو، تنظیمات لازم، اجرای مدل و در نهایت گرفتن خروجی‌ها و تفسیر نتایج نیز دقیقاً توضیح داده شده است تا کاربر بتواند به‌صورت عملی از روش استفاده کند.

در ادامه آموزش، بخش مهمی با عنوان تحلیل حساسیت حول مقادیر β (بتا) ارائه شده است. در این قسمت مشاهده می‌کنید که چگونه تغییر مقدار β می‌تواند منجر به تغییر وزن معیارها و رتبه‌بندی گزینه‌ها شود و این تغییرات چه معنایی در تصمیم‌گیری واقعی دارند.

همچنین کد آماده LINGO داخل محصول قرار داده شده است؛ به همین دلیل، حتی اگر کاربر هیچ تجربه‌ای در نوشتن کد نداشته باشد، می‌تواند تنها با وارد کردن داده‌ها، تمام محاسبات را به صورت خودکار انجام دهد و خروجی نهایی را به‌سرعت دریافت کند.

در فیلم زیر نیز توضیحات این آموزش آورده شده است. 

چنانچه نیازمند مشاوره و یا تحلیل پروژه خود با این روش هستید با ما تماس بگیرید| 09338859181