یک رویکرد مبتنی بر تحلیل پوششی داده ها با مرز دوگانه برای تعیین اولویت و به دست آوردن وزن در فرآیند تحلیل سلسله مراتبی

فرآیند تحلیل سلسله مراتبی یک روش تصمیم گیری چندمعیاره است که در عرصه های مختلفی به صورت گسترده مورد استفاده قرار گرفته است. به دست آوردن اولویت های معیارها یا گزینه های تصمیم از ‏ماتریس های مقایسه زوجی در AHP به صورت گسترده ای مورد مطالعه قرار گرفته است. این مقاله رویکرد «DEA با مرز دوگانه» را برای تعیین اولویت در AHP پیشنهاد می کند. در این رویکرد جدید، از دو مدل DEA خوش بینانه و بد بینانه برای به دست آوردن بهترین اولویت های محلی از یک ماتریس مقایسه زوجی، صرف نظر از این که کاملا سازگار باشد یا نباشد، استفاده می شود.

روش شناسی پژوهش: 

یکی از روش های تعیین اولویت، تحلیل پوششی داده ها است که در ترکیب با AHP، روش DEAHP را برای به دست آوردن و تجمیع وزن ها در AHP ایجاد می کند. بررسی ها نشان می دهد که روش DEAHP برای به دست آوردن و تجمیع وزن ها در AHP، معیوب است و گاه برای ماتریس های مقایسه زوجی ناسازگار، بردارهای اولویت مخالف با شهود ایجاد می کند که موجب محدودیت کاربرد آن می شود. در این مقاله، یک رویکرد مبتنی بر «DEA با مرز دوگانه» را برای غلبه بر مشکلات DEAHP ارایه می کنیم.

به خاطر نیاز به توسعه نظریه DEAHP و روش های آن و هم کاربردهای واقعی آن، مدل DEAHP ‏بد بینانه جدیدی را پیشنهاد کردیم که یک معیار یا گزینه تصمیم را از دیدگاه بد بینانه ارزیابی می کند. سپس با استفاده از یک شاخص، وزن های به دست آمده از دیدگاه های خوش بینانه و بد بینانه را تلفیق کردیم تا یک ارزیابی کلی از معیارها یا گزینه های تصمیم به دست آید. چند مثال عددی، ازجمله یک کاربرد واقعی از AHP برای انتخاب یک تیم نوآوری برای یک دانشگاه ارایه شدند، نتایج نشان دهنده مزایای رویکرد پیشنهادی و کاربردهای بالقوه آن می باشند.

اصالت/ارزش افزوده علمی:

 رویکرد DEA با مرز دوگانه برای ماتریس های مقایسه زوجی کاملا سازگار وزن های حقیقی تولید می کند و برای ماتریس های مقایسه زوجی ناسازگار، بهترین اولویت های محلی را ایجاد می کند که منطقی و متناسب با قضاوت های ذهنی تصمیم گیرندگان هستند.