روش بیزی BWM؛ رویکردی بیزین برای تصمیم‌گیری چندمعیاره

روش بهترین–بدترین (BWM) یکی از روش‌های قدرتمند در تصمیم‌گیری چندمعیاره است که با گرفتن قضاوت‌های مقایسه‌ای از تصمیم‌گیرنده، وزن معیارهای مختلف را استخراج می‌کند. نسخه کلاسیک این روش زمانی کارآمد است که تنها یک تصمیم‌گیرنده دخیل باشد، اما در بسیاری از مسائل دنیای واقعی، تصمیم‌گیری به‌صورت گروهی انجام می‌شود؛ جایی که افراد مختلف با تجربه‌ها، دانش و اولویت‌های متفاوت، نظرات متنوعی درباره اهمیت معیارها دارند.
اینجاست که Bayesian BWM وارد می‌شود؛ نسخه‌ای پیشرفته‌تر که نه‌تنها وزن معیارها را محاسبه می‌کند، بلکه عدم‌قطعیت، اختلاف‌نظر و درجه اعتماد به هر وزن را نیز مدل و تحلیل می‌کند.

روش BWM بیزی چیست؟

Bayesian BWM در حقیقت توسعه‌ای بیزی از BWM کلاسیک است. در نسخه کلاسیک، وزن معیارها به‌صورت یک مقدار ثابت محاسبه می‌شود؛ اما در رویکرد بیزی، وزن‌ها به شکل توزیعی برآورد می‌شوند.
به عبارت دیگر، این روش نمی‌گوید «وزن معیار کیفیت دقیقاً برابر ۰٫۴ است»، بلکه نشان می‌دهد «وزن کیفیت معمولاً حول ۰٫۴ قرار دارد، اما با دامنه‌ای از عدم‌قطعیت». این رویکرد باعث می‌شود نتیجه نهایی واقع‌گرایانه‌تر و تحلیل تصمیم‌گیرندگان دقیق‌تر شود.

در این مدل، داده‌های ورودی BWM (مقایسه بهترین به سایر معیارها و سایر معیارها به بدترین) به‌عنوان مشاهداتی با ماهیت احتمالاتی تفسیر می‌شوند. سپس با استفاده از یک مدل سلسله‌مراتبی بیزی، وزن‌های گروهی استخراج می‌شود؛ به‌گونه‌ای که اختلاف‌نظر میان افراد و میزان اعتماد به هر قضاوت به‌صورت کامل در نتایج منعکس گردد.

مزایای روش Bayesian BWM

استفاده از نسخه بیزین BWM نسبت به نسخه سنتی آن مزایای متعددی به همراه دارد، از جمله:

۱. برآورد وزن‌ها همراه با عدم‌قطعیت

به‌جای یک وزن قطعی، وزن‌ها به‌صورت توزیع احتمالاتی ارائه می‌شوند. این کار باعث می‌شود تحلیل تصمیم‌گیرنده از «یک نقطه ثابت» به «یک بازه قابل‌اتکا» تبدیل شود.

۲. مناسب برای تصمیم‌گیری گروهی

Bayesian BWM به‌طور طبیعی اختلاف‌نظر میان تصمیم‌گیرندگان را در مدل ثبت می‌کند. نتیجه نهایی، بیانگر دیدگاه جمعی و میزان توافق یا اختلاف افراد است.

۳. حساسیت کمتر به داده‌های غیرعادی

برخلاف میانگین‌گیری، این روش به داده‌های دورافتاده حساس نیست و اثر هر فرد را به‌صورت اصولی وزن‌دهی می‌کند.

۴. امکان محاسبه احتمال برتری معیارها

در خروجی مدل، می‌توان دید که مثلاً معیار کیفیت با چه احتمالی از معیار قیمت مهم‌تر است. این ویژگی برای تحلیل ریسک و تصمیم‌های حساس بسیار ارزشمند است.

۵. ارائه رتبه‌بندی اعتقادی (Credal Ranking)

در رتبه‌بندی بیزین، علاوه بر این‌که معیارها رتبه‌بندی می‌شوند، درجه اعتماد به این رتبه‌بندی نیز مشخص می‌شود. این یعنی تصمیم‌گیرندگان دقیقاً می‌دانند چقدر می‌توان به هر مقایسه اتکا کرد.

کاربردهای روش Bayesian BWM

روش Bayesian BWM در بسیاری از حوزه‌ها کاربرد دارد، به‌ویژه در مواردی که تصمیم‌گیری گروهی یا تحلیل عدم‌قطعیت اهمیت بالایی دارد. برخی کاربردهای رایج عبارت‌اند از:

۱. انتخاب تأمین‌کنندگان و ارزیابی زنجیره تأمین

تصمیم‌گیرندگان با دیدگاه‌های مختلف می‌توانند وزن عوامل مانند قیمت، کیفیت و زمان تحویل را با دقت بالاتر تعیین کنند.

۲. مدیریت ریسک در سازمان‌ها

در تحلیل ریسک، عدم‌قطعیت بخش مهمی از تصمیم‌گیری است. Bayesian BWM این عدم‌قطعیت را به‌صورت دقیق مدل می‌کند.

۳. اولویت‌بندی پروژه‌ها

وقتی پروژه‌های مختلف باید بر اساس مجموعه‌ای از معیارها رتبه‌بندی شوند، نسخه بیزی تحلیل دقیق‌تری از اهمیت معیارها ارائه می‌دهد.

۴. ارزیابی عملکرد سازمانی

معیارهای عملکرد معمولاً چندبعدی هستند و تصمیم‌گیری در این زمینه گروهی است؛ این روش برای چنین تحلیل‌هایی بسیار مناسب است.

۵. برنامه‌ریزی استراتژیک

برای انتخاب استراتژی‌های سازمانی، دانستن احتمال برتری معیارها و میزان اعتماد به آن‌ها ارزش بالایی دارد.

مراحل اجرای Bayesian BWM

اجرای این روش شامل چند گام کلیدی است که مشابه BWM کلاسیک است، اما تحلیل آن‌ها به‌صورت بیزی انجام می‌شود:

۱. تعیین بهترین و بدترین معیار

گروه تصمیم‌گیرندگان معیارهایی را که بهترین و بدترین در نظر می‌گیرند مشخص می‌کنند.

۲. مقایسه بهترین معیار با سایر معیارها

برای هر معیار، میزان برتری بهترین معیار نسبت به آن مشخص می‌شود.

۳. مقایسه سایر معیارها با بدترین معیار

دومین بردار ورودی تشکیل می‌شود که نشان می‌دهد هر معیار نسبت به بدترین معیار چقدر برتری دارد.

۴. تبدیل ورودی‌ها به چارچوب احتمالاتی

ورودی‌ها به‌عنوان داده‌هایی با ویژگی احتمالی مدل‌سازی می‌شوند و به مدل بیزی وارد می‌شوند.

۵. اجرای مدل سلسله‌مراتبی بیزی

این مدل وزن‌های فردی تصمیم‌گیرندگان و وزن نهایی گروه را استنتاج می‌کند.

۶. تحلیل خروجی

خروجی شامل وزن میانگین، دامنه عدم‌قطعیت، احتمال برتری معیارها و رتبه‌بندی اعتقادی است.

نرم‌افزارهای قابل استفاده برای اجرای Bayesian BWM

برای اجرای این روش، چند ابزار و محیط نرم‌افزاری قابل استفاده است:

۱. MATLAB

نسخه رسمی و معتبر کد Bayesian BWM در محیط MATLAB منتشر شده است. این نسخه از JAGS برای استنباط بیزی استفاده می‌کند و نتایج را به صورت کامل ارائه می‌دهد.

۲. Python

با استفاده از کتابخانه‌های مدل‌سازی بیزی، می‌توان مدل را در Python نیز اجرا کرد. محیط‌های آنلاین مانند Google Colab امکان اجرای این روش را بدون نصب نرم‌افزار فراهم می‌کنند.

۳. JAGS

این ابزار نمونه‌برداری بیزی را انجام می‌دهد و در پس‌زمینه توسط MATLAB یا Python فراخوانی می‌شود. JAGS کاملاً رایگان و منبع‌باز است.

۴. R و Stan

برای کاربران علاقه‌مند به مدل‌سازی بیزی پیشرفته، نسخه‌های معادل در R و Stan نیز قابل پیاده‌سازی هستند.

جمع‌بندی

Bayesian BWM نسخه مدرن و پیشرفته روش بهترین–بدترین است که با افزودن چارچوب بیزی، امکان تحلیل واقع‌گرایانه‌تری از وزن معیارها را فراهم می‌کند. این روش به‌ویژه در تصمیم‌گیری‌های گروهی، تحلیل ریسک و مسائل چندمعیاره پیچیده، عملکردی بسیار دقیق‌تر از نسخه کلاسیک دارد.
اگر به دنبال تصمیم‌گیری علمی و مبتنی بر داده هستید، Bayesian BWM یکی از بهترین انتخاب‌هاست.