گسترش روش WASPAS با اعداد فازی شهودی بازه‌ای در تصمیم‌گیری چندمعیاره

در فضای رقابتی امروز، تصمیم‌گیری‌های چندمعیاره نقش کلیدی در موفقیت سازمان‌ها ایفا می‌کند. یکی از روش‌های پرکاربرد در این حوزه، روش WASPAS است که به دلیل سادگی و کارایی مورد توجه مدیران قرار گرفته است. با این حال، پیچیدگی‌ها و عدم قطعیت‌های موجود در مسائل واقعی، نیازمند توسعه ابزارهای دقیق‌تر است. مقاله حاضر به معرفی توسعه روش WASPAS با استفاده از اعداد فازی شهودی بازه‌ای می‌پردازد که می‌تواند دقت ارزیابی گزینه‌ها را افزایش دهد.

آشنایی با روش WASPAS

WASPAS (Weighted Aggregated Sum Product Assessment) یک روش ترکیبی برای ارزیابی و رتبه‌بندی گزینه‌ها در مسائل تصمیم‌گیری چندمعیاره است. این روش با ترکیب دو رویکرد جمع وزنی و ضرب وزنی، انعطاف‌پذیری بالایی در تحلیل معیارهای مختلف فراهم می‌کند.

محدودیت‌های مدل کلاسیک WASPAS

در مدل سنتی WASPAS، داده‌ها به صورت قطعی در نظر گرفته می‌شوند. این موضوع باعث می‌شود مدل نسبت به عدم قطعیت و ابهام‌های ذاتی داده‌های واقعی حساس باشد و نتایج دقیقی ارائه ندهد.

افزودن اعداد فازی شهودی بازه‌ای

برای افزایش دقت مدل، توسعه جدید روش WASPAS با استفاده از اعداد فازی شهودی بازه‌ای معرفی شده است. این نوع داده‌ها امکان مدل‌سازی بهتر عدم قطعیت، تردید و ابهام را فراهم می‌کنند و موجب می‌شوند تصمیم‌گیرندگان تصویر واقعی‌تری از شرایط گزینه‌ها داشته باشند.

مزایای استفاده از اعداد فازی شهودی بازه‌ای

• مدل‌سازی جامع‌تر عدم قطعیت
• افزایش دقت در ارزیابی گزینه‌ها
• کاربردپذیری در مسائل پیچیده و واقعی

کاربردهای توسعه یافته WASPAS در مدیریت

این توسعه در حوزه‌هایی مانند انتخاب تأمین‌کننده، ارزیابی پروژه‌ها، و تحلیل ریسک بسیار کاربردی است. مدیران می‌توانند با اطمینان بیشتری تصمیم‌گیری کنند و ریسک تصمیمات خود را کاهش دهند.

نتیجه‌گیری

گسترش روش WASPAS با اعداد فازی شهودی بازه‌ای، ابزاری قدرتمند برای مدیران در مواجهه با مسائل چندمعیاره و پیچیده فراهم می‌کند. این رویکرد می‌تواند دقت و اطمینان تصمیم‌گیری را به طرز چشمگیری افزایش دهد.

رفرنس

E.K. Zavadskas, J. Antucheviciene, S.H. Razavi Hajiagha, S.S. Hashemi. 2014. “Extension of weighted aggregated sum product assessment (WASPAS) with interval-valued intuitionistic fuzzy numbers”. Applied Soft Computing, Vol. 24, 1013-1021 (WOS Highly Cited Paper) (WOS: Q1).