مبتدی (مناسب برای درک مفهوم کلی مطلب) 

پس از قالب بندی پروژه، سرمربی به اعضای تیم در تمرکز بر روی قالب بندی تصمیمات کمک می کند. سرمربی می داند که کدام ابزار قالب بندی در این شرایط مناسب هستند. این انتخاب ها شامل ایجاد موضوع، بارش افکار ، بارش قالب ، نقاط قوت، نقاط ضعف، فرصت ها، و تهدید ها (SWOT )، تحلیل رقابتی، تحلیل پنج- نیرو، سناریوها، و موارد دیگر است. در اولین فرصت ممکن، اعضای تیم می خواهند جدول استراتژی ایجاد کنند. این جدول تصمیمات کلیدی و انتخاب هایی که منجر به تعریف استراتژی می شوند را نشان می دهد؛ شبیه شکل شماره 2.
با استفاده از جدول استراتژی به عنوان یک چارچوب کاری، سرمربی به اعضای تیم در تعریف استراتژی های جایگزین کمک می کند. برای تصویرسازی ذهنی، شرکت مشاوره مک کینسی میگوید سه استراتژی اساسی برای بهره گیری از دره سیلیکن وجود دارد: کمپ های آموزشی نوآوری، مشارکت استراتژیک، و شرط های بزرگ. [2] تعاریف توضیح دهنده این استراتژی ها در جدول استراتژی 3 نشان داده شده اند.
این شروع فرآیند است. از قالب بندی و ایجاد جایگزین، پروژه به سمت تحلیل و سنتز فازهای مختلف پیش می رود. در فاز تحلیل، اعزای تیم یاد می گیرند که چه چیزی مهم است و چه مواردی درباره هر استراتژی جالب است. در فاز سنتز، ایده های خوب بصورت یک استراتژی ترکیبی که اعضای تیم آن را فهمیده و باور می کنند در آورده می شود.
تیم ها می توانند از پس کار برآمده و با استفاده از هر فرآیندی که با آن آشنا هستند، پیشنهادات خوبی را ارائه دهند. آنها این کار را همیشه انجام می دهند. در صورتی که سرمربی داشته باشند، تیم ها می توانند این کار را بهتر و با لذت بیشتری انجام دهند.
در ادامه این مقاله نقش سرمربی تصمیم را تعریف خواهم کرد. منظور خود از مهندس تصمیم را تعریف کرده و مسیر کاری خودم از مهندس به سرمربی را به اشتراک می گذارم. من معتقدم مهندسی تصمیم مسیر طبیعی بسوی سرمربی گری تصمیم است.

2. نقش سرمربی تصمیم
همانطور که در شکل 4 نشان داده شده است، تصمیم یک سرمربی چهار مورد به یک پروژه اضافه می کند: فرآیندها، ابزار، تسهیلات، و مدیریت پروژه [3]. هریک از این موارد را توضیح می دهم.

A. فرآیند فرآیند پاسخ سوال “چگونه کارهای مربوط به اینجا را انجام دهیم؟” است. باید تمامی سازمانها فرآیندی مورد پذیرش بسیاری از افراد برای تصمیم گیری های استراتژیک داشته باشند. ادواردز دمینگ، پدر جنبش کیفیت می گوید، “اگر نمی توانید توضیح دهید که به عنوان یک فرآیند در حال انجام چه کاری هستید، پس نمی دانید که چه کاری انجام می دهید.”
فرآیند مناسب وابسته به پیچیدگی تصمیماتی که می گیریم و کسی که نیاز به حضور در آن دارد است. فضای تصمیم در شکل 5 تعریف شده است. تصمیمات لیست شده در شکل 1 از نظر فنی و سازمانی پیچیده هستند. آنها نیازمند فرآیندی هستند که می تواند با موارد فنی و مسایل انسانی کنار بیاید. من فرآیند طراحی همکاری را که به بهترین حالت در طی طیف برنامه ریزی محصول، استراتژی شرکت های بزرگ، و حتی تصمیمات خط مشی عمومی کار می کند را یافتم. سازمان شما می تواند فرآیند متفاوتی برای تصمیمات استراتژیک داشته باشد.
فرآیند طراحی همکاری دارای چهار فاز تعریف شده بطور معین است: قالب بندی، ایجاد جایگزین، تحلیل و سنتز. شکل 6 را ببینید [4]. این فرآیند ساده و کار مهندسی عقل سلیم است. این موضوع بطور گسترده در تصمیمات تجاری توسط همکاران پیشین من در دانشگاه استنفرد و در گروه تصمیمات استراتژیک (SDG ) در پالو آلتو کالیفرنیا استفاده شده است.

ما به یک فرآیند که حمایت و پرس و جو برای تصمیماتی که از نظر فنی و سازمانی پیچیده هستند را متعادل می سازد نیاز داریم. حمایت راجع به پشتیبانی از علایق و اعتقادات ماست. حمایت مهم است. با این حال در حل مسائل دشوار، می خواهیم که حمایت قوی را با پرس و جوی قوی به تعادل برسانیم. می خواهیم فرآیندی داشته باشیم که به افراد امکان ارائه مباحث متعادل شده را ضمن حفظ جایگزین ها و پذیرش انتقاد سازنده بدهد.
طراحی بصورت یک مزیت رقابتی تبدیل شده است. طراحی در ارتباط با ترکیب تحلیل خوب با سنتز است. استیو جابز سنتز را “متصل کردن نقاط” نامید. در عمل می توانیم بطور معمول استراتژی های ترکیبی قدرتمند با استفاده از مجموعه استراتژی هایی که از نظر تحلیلی بسیار متفاوت هستند را توسعه دهیم. این موضوع نیازمند تلاشی تمام وجود برای سنتز است. به بیانی دیگر، چنانچه بدانیم در ارتباط با هر استراتژی بکاررفته چه مزایایی وجود دارد، می توانیم مزایا را ترکیب و از معایب دوری کنیم. بسیاری از روش های کاملا نوآورانه بصورت استراتژی های ترکیبی هستند که نقاط قوت چندین روش متفاوت را ترکیب می کنند. متلا کامپیوتر اپل یک ترکیب است. این شرکت نقاط قوت یک شرکت سخت افزاری و نقاط قوت یک شرکت نرم افزاری را ترکیب می کند. بطور خلاصه، نیازمند فرآیند تصمیم گیری هستیم که تحلیل و سنتز را ترکیب کند.
یک سرمربی تصمیم می تواند به مدیران اجرایی در انتخاب فرآیندی که مناسب شرایط است کمک کند. در برخی موارد یک ملاقات بخوبی تسهیل شده با افراد صحیح تمام لازمه رسیدن به واضح سازی اقدامات است. در شرایط دیگر می تواند ماه ها و صدها ساعت ملاقات، جمع آوری اطلاعات، و مدلسازی کامپیوتری مصرف کند.

ابزارها
ابزارهای شناخته شده تر تصمیم گیری استراتژیک عبارت اند از مدل های کامپیوتری، تحلیل حساسیت، و درخت های تصمیم. ابزارهای دیگری نیز وجود دارند که مهندسان تصمیم به تناوب از آنها استفاده می کنند. از آن دست می توان سلسله مراتب قالب بندی، دیاگرام های تصمیم، جدول های استراتژی، و ارزیابی کارشناس را نام برد. ابزارهای مرسوم استفاده شده توسط تحلیلگران حرفه ای در شکل 7 نشان داده شده اند.

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

بخشی از ترجمه فارسی مقاله:

هدف از این مطالعه آوردن مفهوم هویت مکانی به زمینه ی روابط بین گروهی در مکان های شهری با استفاده از ابزار هویت مکانی است. مطالعه ی میدانی در چهار محله مجاور شهر لیسبون برای بررسی تاثیر هویت مکانی بر درک همسایه ی شریک خود و ساکنانش و (داخل گروه) و دیگر همسایه ها و ساکنانشان (بیرون از گروه) انجام شد. نتایج نشان داد که هویت مکانی به شدت به رضایت همسایه، تفکیک برون گروهی مربوطه، طرفداری داخل گروهیو تنزل برون گروهی مربوطه بستگی دارد. همچنین نتایج تعیین هویت سه مدل ارتباط احتمالی بین گروه ها را ممکن ساخت؛ برون گروهی مربوطه برای مقایسه، گروه مرجع ایده ال برای تخمین، و یک گروه تنزل یافته برای اجتناب. علاوه براین، در این مطالعه ما پیش بینی های SIA را برای درک و فهم تخمین الگوهای تحریفی مسافت ویژه گسترش دادیم.
کلمات کلیدی: هویت مکانی، روابط بین گروهی.
1. مقدمه
از سال 1960، اهمیت مکان هایی که ما برای تعیین موضوع، شناخته شده است. ابتدا، مطالعه ی انجام شده توسط Fried (1963) دررابطه با جابجایی اجباری در شهر بوستون، و در سالهای بعدی معرفی مفهوم هویت مکانی توسط Proshansky و همکارانش، این ایده را که همانندی نه تنها براساس فرآیندهای فردی، درون فردی، اجتماعی است، بلکه شامل محیط های فیزیکی، ایجاد یک مفهوم پایه از هویت شخصی هم می شود. معرفی مفهوم هویت مکانی، علیرغم نگرانی بحث برانگیز بر سر مفهوم و عملی بودن آن، منجر به گسترش تحقیق در طول چند دهه ی اخیر شده است. با این وجود، مفهوم هویت مکانی از نقطه نظر Proshansky و همکارانش، و هچنین بیشتر نویسندگانی که از این مفهوم تابحال استفاده کرده اند، بر روی دورنمای فردی متمرکز شده است، بنابراین از طبیعت اجتماعی ارتباطات بین افراد، هویت ها و مکان ها صرفنظر می کند. ما هویت مکانی را به عنوان یک مفهوم هویت شخصی و اجتماعی، “فرآیندی که از طریق روابط بین مکان ها، مردم خودشان را در عبارات متعلق به مکان ویژه شرح می دهند” تعریف می کنیم. به دنبال عقیده ی سنتی Canter (1977) و Stokls (1981) مکان به عنوان یک رابطه ی قابل تغییر بین ویژگی های انسانی-اجتماعی و مکانی- فیزیکی مکان است. در این مورد، هویت مکانی نمی تواند بدون شامل شدن هردو مفهوم درک شود. بنابراین، هویت مکانی می تواند از مفهوم های چندگانه اش (موضوعات اجتماعی و فیزیکی-مکانی) و طبیعت چند مکانه ی افراد و تجربه ی مکانی اجتماعی (مفاهیم اجتماعی و فردی، تجربه ها و احساس ها) درک شود. جنبه ی سومی که بعدا مورد توجه قرار خواهد گرفت، مکان های چند مقیاسی است. با مطالعه ای که در اینجا ارایه شد، ما قصد داریم که مفهوم هویت مکانی را در زمینه ی ارتباطات بین گروهی از طریق مفهومی سازی فضای شهری برای ارتباطات بین گروهی براساس درک موضوع تعلق به فضاهای های فیزیکی (که همیشه شامل هم ویژگی های فیزیکی مکان است و هم مردمی است که یا در این فضاها زندگی می کنند یا از آن استفاده می کنند) بیاوریم. در این مورد، هویت مکانی می تواند به عنوان یک مورد ویژه از هویت اجتماعی، شامل جنبه های همانندی بر اساس تعلق به گروه هایی که از لحاظ جغرافیایی تعریف شده اند، و با موضوعاتی که تعیین شده اندف درک شود. اگرچه ما یک مطالعه ی طبقه بندی شده ای از اصول ها و استراتژی های ابزار هویت اجتماعی در ارتباط با مکان ها در نوشتجات پیدا نکردیم، بعضی از نویسنده گان مدعی هستند که این مفاهیم و استراتژی ها شبیه به عمل کننده گان در مورد تعیین هویت اجتماعی با طبقه ی اجتماعی به نظر می رسد. درحقیقت درک هویت مکانی در زمینه ی تئوری هویت اجتماعی اصلی نیست. درسالهای اخیر، بعضی از نویسنده گان، از SIT و SCT برای درک ارتباط بین مکان و محیط فیزیکی اش در یک روش صریح تر یا ضمنی تر استفاده کرده اند. بنابراین، ما ممکن است که فرض کنیم که تعیین هویت یک مکان ممکن است از طریق اصول های تعریف شده توسط تئوری هویت اجتماعی (SIT)، تئوری خود طبقه بندی (SCT) و توسعه های بعدی شان درک شود. این تحقیق با هدف استفاده از ابزار SI برای درک ارتباطات همسایگی در مفهوم شهری و بنابراین سهیم شدن در درک بهتری از ارتباط بین هویت مکانی و هویت اجتماعی انجام شد. هدف از این مطالعه انجام بررسی عمیق در یک منطقه ی ویژه برای درک پویایی هویت مکانی شان و سهیم شدن در درکی بهتر از روابط بین گروهی در زمینه ی شهری است.

بخشی از مقاله انگلیسی:

Abstract

The aim of this paper is to bring the concept of place identity into the context of intergroup relationships in urban place, using the social identity approach. A field study was conducted in four adjacent neighbourhoods in the city of Lisbon, in order to explore the influence of place identity on the perception of the participants’ own neighbourhood and its residents (in-group) and of the other neighbourhoods and their residents (out-groups). The results showed that place identity was highly correlated with neighbourhood satisfaction, relevant out-group differentiation, and favouritism to the in-group and depreciation of the relevant out-group. The results also enabled the identification of three types of possible relationships between the groups: a relevant out-group for comparison, an idealized reference group for approximation, and a devaluated group for avoidance. Moreover, in this study, we extend the predictions of SIA to the comprehension of specific distance estimation distortion patterns.

1. Introduction

Since the 1960s, the importance of the spaces where we live for the identity of the subject has been recognized. First, the study by Fried (1963) regarding forced relocation in the city of Boston, and some years later the introduction of the concept of place identity by Proshansky and colleagues (Proshansky, Fabian, & Kaminoff, 1983), emphasized the idea that self-identity not only was based on individual, interpersonal and social processes but also included physical environments, making place a fundamental component of personal identity.1 Introduction of the Place Identity concept, despite the controversy concerning its conceptualization and operationalization (e.g., Dixon & Durrheim, 2004; Twigger-Ross, Bonaiuto, & Breakwell, 2003), led to a proliferation of research over the last decades. However, the concept of place identity from Proshansky and colleagues’ point of view, as well as for most of the authors who have used the concept until now, was centred on an individualistic perspective, thus neglecting the social nature of the relations between individuals, identities and place (Bernardo & Palma-Oliveira, 2012; Dixon & Durrheim, 2000). We define, place identity, as a component of personal and social identity, a “process by which, through interaction with places, people describe themselves in terms of belonging to a specific place” (Hernandez, Hidalgo, Salazar-Laplace & Hess, 2007). Following the tradition of Canter (1977) and Stokols (1981) place is conceptualized as an interchangeable relationship between the physical-spacial and humansocial characteristics of space. In this sense, place identity cannot not be understood without including both components (Proshansky et al., 1983). Thus, place identity can be grasped from its multiple components (spatial-physical and social issues) and the multi-place nature of individual and social place experience (individual and social meanings, feelings and experiences) (Clayton et al., 2015; Manzo & DevineeWright, 2013). A third aspect that will be addressed later, is the multi-scale of places (e.g., Bonaiuto & Alves, 2012; Bonaiuto, Bonnes, & Continisio, 2004; Hernandez et al., 2007). With the study presented here, we intended to bring the concept of place identity into the context of intergroup relationships, by conceptualizing the urban space as for intergroup relations, based on the subject’s sense of belonging to physical spaces (which always included both the physical characteristics of the place and the people who live or use these spaces). In this sense, place identity can also be understood as a particular case of social identity, consisting of aspects of self-identity based on belonging to geographically defined groups, and with which the subjects are identified. Although we did not find a systematic study of the principles and strategies of the social identity approach in relation to places in the literature, some authors claimed that these principles and strategies “look similar to those operating in the case of social identification with a social category or group” (Twigger-Ross et al., 2003, p. 225). In fact, comprehension of place identity in the context of social identity theory is not original. In recent years, some authors have used SIT and SCT to understand the relation between place and the physical environment in a more explicit (e.g., Bonaiuto, Breakwell, & Cano, 1996; Ufkes, Otten, Van der Zee, Giebels, & Dovidio, 2012; Valera & Pol, 1994; Valera & Guardia, 2002) or more implicit manner (e.g., Hernandez et al., 2007; Lewicka, 2008). Thus, we may assume that identification with a place may be understood through the principles defined by Social Identity Theory, SIT (Tajfel, 1978, 1981; Tajfel & Turner, 1979), SelfCategorization Theory (SCT) (Turner, 1985) and their subsequent developments. This research aims to use the SI Approach2 to understand neighbourhoods’ relations in the urban context and thus contribute to a better understanding of the relationship between place identity and social identity. The aim of this research is to conduct an in-depth study of a particular region to understand the dynamics of their place identity and to contribute to a better understanding of intergroup relations in an urban context.

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

بخشی از ترجمه فارسی:

چکیده
با توجه به تصمیم گیری گروهی چند معیاره، در این مطالعه دو عملگر انتگرال چاکوئت پیوسته موسوم به عملگر میان گین گیری وزنی چاکوئت پیوسته (ICCWA) و عملگر میانگین هندسی چاکوئت پیوسته (ICCGM) تعریف می شود که منعکس کننده خصوصیات تعاملی بین عناصر است. در عین حال، برخی از خصوصیات مطلوب مربوطه برای ارایه اطمینان در کاربرد ها مطالعه می شوند. به منظور منعکس سازی اثرات متقابل بین عناصر، ما به تعریف بیشتر عملگر ICCWA (PGS-ICCWA) تعمیمی احتمال گرایانه و عملگرد تعمیمی ICCGM (PGS-ICCGM) می پردازیم.اگر اطلاعات در خصوص اوزان متخصصان و معیار ها به طور ناقص وجود داشته باشند، مدل های شاخص های فازی بهیته بر روی متخصصان و معیار ها بر اساس اصل پیوستکی تنظیم شده و و روشTOPSIS به ترتیب تعیین می شود. به علاوه، روشی برای تصمیم گیری گروهی چند معیاره غیر قطعی با اطلاعات وزنی ناقص و شرایط تعاملی ایجاد می شود. در نهایت، یک مثال عددی برای تشریح عملی بودن روش ایجاد شده ارایه شده است.
7- نتیجه گیری
ما به بررسی عمل گر های انتگرال چاکوئت احتمال گرایانه تعمیم یافته پرداختیم که روابط میان عناصر را در یک مجموعه در نظر می کیرد. در صورتی که همبستکی بین عناصر در یک مجموعه نباشد، عمل گراهای معرفی شده به انواع متناظر پیوسته بر اساس شاخص های دیگر کاهش یافتند. در عین حال، برخی از خواص مطلوب نظیر یکنواختی، ایدمپوتنسی، مرز و خطی برای اطمینان از کاربرد ها مطالعه شدند. به دلیل، پیچیدگی و عدم قطعیت مسائل تصمیم گیری دنیای واقعی و ماهیت عینی تفکر بشری، اطلاعات در خصوص بردار وزنی کم تر شناخته شده است. برای حل این مسئله، مدل های بردارهای وزنی بهینه در خصوص مجموعه معیار ها و مجموعه متخصص بر اساس تابع شارپلی، اصل پیوستگی و روش TOPSIS است. در نتیجه، این خود روشی را برای تصمیم گیری چند معیاره غیر قطعی با اطلاعات وزنی ناقص و شرایط تعاملی در اختیار گذاشته است که جدید و متفاوت با روش های موجود است.
معیار های فازی و انتگرال های فازی، به عنوان ابزارهای قوی منعکس کننده اثرات متقابل و اطلاعات فازی تجمعی، به ما دیدگاه جدیدی برای مطالعه مسائل تصمیم گیری می دهد. اگرچه معیار فازی ابزاری قوی برای منعکس کردن روابط متقابل بین عناصر در یک مجموعه است، با این حال بر اساس مجموعه توان تعریف می شود. محاسبه معیار فازی از هر ترکیب مجموعه در صورت بزرگ بودن آن آسان نیست. بررسی اثرات متقابل بین عناصر در یک مجموعه با استفاده از معیار های فازی، جهت ساده سازی پیچیدگی حل معیار های فازی جالب است. به علاوه، ما در این جا تنها عمل گر های انتگرال چاکوئت را در نظر گرفتیم که برای مطالعات عمل کر های تجمعی بر اساس دیگر انتگرال های فازی مناسب است.
لازم به خاطر نشان است که این مقاله تنها به بررسی کاربرد عمل گر های تجمعی تعریف شده و ایجاد مدل هایی برای بردار های وزنی در تصمیم گیری چند معیاره غیر قطعی می پردازد. به همین ترتیب، می توان از آن ها در برخی زمینه های دیگر نظیر آموزش، بهداشت و درمان، نظامی، مهندسی، علوم اجتماعی و اقتصاد بهره برد.

بخشی از مقاله انگلیسی:

abstract With respect to multi-attribute group decision making, in this study two induced continuous Choquet integral operators named as the induced continuous Choquet weighted averaging (ICCWA) operator and the induced continuous Choquet geometric mean (ICCGM) operator are defined, which reflect the interactive characteristics between elements. Meantime, some associated desirable properties are studied to provide assurance in applications. In order to globally reflect the interactions between elements, we further define the probabilistic generalized semivalue ICCWA (PGS-ICCWA) operator and the probabilistic generalized semivalue ICCGM (PGS-ICCGM) operator. If the information about the weights of experts and attributes is incompletely known, the models for the optimal fuzzy measures on experts set and on attribute set based on consistency principle and TOPSIS method are respectively established. Moreover, an approach to uncertain multi-attribute group decision making with incomplete weight information and interactive conditions is developed. Finally, a numerical example is provided to illustrate the practicality and feasibility of the developed procedure. 2013 Elsevier Ltd. All rights reserved. 1. Introduction As one of the most important aggregation operators, the ordered weighted averaging (OWA) operator proposed by Yager (1988) has been widely used in many different areas (Calvo, Mayor, & Mesiar, 2002; Liu, 2006; Merigó & Casanovas, 2009; Merigo & Gil-Lafuente, 2009; Merigó, 2010; Wei, 2010a, 2010b; Wei & Zhao, 2012; Xu & Da, 2003; Xu, 2005; Yager & Kacprzyk, 1997; Yager, 2004a, 2004b, 1988; Zhang & Chu, 2009). Since it was first introduced in 1988, many generalized forms have been developed, such as the ordered weighted operator (Chiclana, Herrera, & HerreraViedma, 2001; Xu & Da, 2002, 2003), the continuous ordered weighted operator (Yager, 2004a; Yager & Xu, 2006; Chen, Liu, & Wang, 2008), the generalized OWA operator (Yager, 2004b), the continuous generalized ordered weighted operator (Zhou & Chen, 2011), the induced ordered weighted operator (Yager & Filev, 1999; Yager, 2003; Xu & Da, 2003; Chen, Liu, & Sheng, 2004; Chiclana et al., 2007), the induced generalized ordered weighted operator (Merigo & Gil-Lafuente, 2009; Su, Xia, Chen, & Wang, 2012), the induced continuous ordered weighted operator (Wu, Li, Li, & Duan, 2009; Chen & Zhou, 2011) and the induced generalized continuous OWA operator (Chen & Zhou, 2011). All above mentioned aggregation operators only consider situations where all the elements in a set are independent, i.e., they only consider the addition of the importance of individual elements. However, in many practical situations, the elements are usually correlative, for example, Grabisch (1995, 1996) gave the following classical example: ‘‘We are to evaluate a set of students in relation to three subjects: {mathematics, physics, literature}, we want to give more importance to science-related subjects than to literature, but on the other hand we want to give some advantage to students that are good both in literature and in any of the science-related subjects’’. When there exist inter-dependent or correlative characteristics between attributes or between experts, it is unreasonable to aggregate the alternative values by using additive measures. Fuzzy measures (Sugeno, 1974), as an effective tool to measure the interactions between elements, have been widely used in many different fields, such as game theory and decision making. Corresponding to fuzzy measures, fuzzy integrals are important operators to aggregate fuzzy information. One of the most important fuzzy integrals is the Choquet integral (Choquet, 1953), which has been deeply studied by many scholars. Yager (2003) introduced the Choquet integral operator on fuzzy sets. Tan and Chen (2010), Tan (2011) and Xu (2010) studied some Choquet integral operators on intuitionistic fuzzy sets (IFSs) and on interval-valued intuitionistic fuzzy sets (IVIFSs), respectively. Further, Yager 0360-8352/$ – see front matter 2013 Elsevier Ltd. All rights reserved. http://dx.doi.org/10.1016/j.cie.2013.11.013 q This manuscript was processed by Area Editor Imed Kacem. ⇑ Corresponding author. Tel.: +86 18254298903. E-mail addresses: mengfanyongtjie@163.com (F. Meng), qiangzhang@bit.edu.cn (Q. Zhang). Computers & Industrial Engineering 68 (2014) 42–53 Contents lists available at ScienceDirect Computers & Industrial Engineering journal homepage: www.elsevier.com/locate/caie (2004b) defined the generalized Choquet OWA operator. Zhou and Chen (2011) introduced the combined continuous generalized Choquet integral aggregation (CC-GCIA) operator. Meanwhile, the application of the Choquet integral is also studied by many researchers (Yager, 2003; Labreuche & Grabisch, 2003; Grabisch & Labreuche, 2008; Tan & Chen, 2010, 2011; Tan, 2011; Xu, 2010). Although many operators based on fuzzy measures have been defined, most of them cannot reflect the global interactions between elements in a set. Further, the research on aggregation operators with fuzzy measures mainly focuses on the decision-making problems with known information about the fuzzy measures on the attribute set and on the expert set. When the weight information is incompletely known, then we need to find some new ways to deal with these issues in which the decision data in question are correlative. To deal with these issues, this study defines two induced continuous Choquet integral operators called the ICCWA and ICCGM operators, which can be seen as an extension of the ICOWA operator (Chen & Zhou, 2011) and the ICOWG operator (Wu et al., 2009), respectively. In order to overall reflect interactions between elements in a set, the probabilistic generalized semivalue ICCWA (PGS-ICCWA) operator and the probabilistic generalized semivalue ICCGM (PGS-ICCGM) operator are presented. As a series of development, the models for the optimal fuzzy measures on the attribute set and on the expert set are established, respectively. Consequently, a procedure to uncertain multi-attribute group decision making is developed to provide a comprehensive and applicable framework. This paper is organized as follows: In Section 2, some basic concepts and definitions are reviewed, which will be used in the following. In Section 3, the ICCWA and ICCGM operators are defined. Meanwhile some desirable properties are studied. In Section 4, the PGS-ICCWA and PGS-ICCGM operators are defined, which do not only globally cover the significance of elements or their ordered positions, but also overall reflect the correlations between them or their ordered positions. Further, an important case of the PGS-ICCWA and PGS-ICCGM operators is studied. In Section 5, based on the Shapley function, consistency principle, and TOPSIS method, the models for the optimal fuzzy measures on the attribute set and on the expert set are established, respectively. Then, an approach to uncertain multi-attribute group decision making with incomplete weight information and interactive conditions is developed. In Section 6, an example is provided to illustrate the developed procedure. The conclusions are made in the last section.

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

بخشی از ترجمه فارسی:

چکیده
برای مسائل تصمیم گیری گروهی کاربردی، تصمیم گیران اقدام به ارایه روابط ترجیحی غیر قطعی ناهمگن به دلیل عدم قطعیت ناشی از محیط تصمیم گیری و روابط فرهنگ و سوابق آموزشی می کنند.گاهی اوقات، تصمیم گیران ممکن است دارای دانش عمیق از مسائل حل شده نبوده و روابط ترجیحی ناقص را ارایه می کنند.در این مقاله بر مسائل تصمیم گیری گروهی با روابط ترجیحی غیر قطعی ناقص همگن از جمله روابط ترجیحی مضربی غیر قطعی، روابط ترجیحی فازی غیر قطعی، روابط ترجیحی زبانی غیر قطعی و روابط ترجیحی فازی شهودی تاکید می شود. برای حل چنین مسائل تصمیم گیری GDM، یک روش آنالیز تصمیم گیری پبشنهاد می شود. بر اساس پیوستگی مضربی روابط ترجیحی غیر قطعی، مدل بهینه سازی دو منظوره با هدف بیشینه سازی هر دو اجماع گروهی و پیوستکی فردی هر تصمیم گیر ارایه می شود. با حل مدل بهینه سازی، اوزان اولیه انواع جایگزین ها را می توان به دست آورد. در نهایت، برخی نمونه ها برای نشان دادن امکان پذیری و کارایی روش پبشنهادی استفاده می شوند.
لغات کلیدی: تصمیم گیری گروهی، رابطه ترجیحی غیر قطعی ناقص، وزن اولویت، بهینه سازی
2-مقدمات
در این بخش، ما یک سری مفاهیم و مقدمات پایه را در رابطه با روابط ترجیحی غیر قطعی ناقص از جمله روابط ترجیحی مضربی غیر قطعی، روابط ترجیحی فازی غیر قطعی، روابط ترجیحی زبانی غیر قطعی و روابط ترجیحی فازی شهودی ارایه می دهیم.
6- بحث مدل پیشنهادی
در این بخش ما به بررسی محدودیت ها و مزیت های ی مدل تصمیم گیری پیشنهادی می پردازیم. به طور کلی، مدل پیشنهادی دارای مزیت های جالب ذیل است:
1-این مدل پیشنهادی، گام جدیدی در جهت ترکیب روابط ترجیح غیر قطعی ناقص است. و به تصمیم گیران امکان می دهد تا اطلاعات ترجیحی خود را نسبت به روش های دیگر به طور انعطاف پذیری بیان کنند. از طریق بررسی منابع می توان ذکر کرد که بیشتر مطالعات موجود در خصوص GDM با اطلاعات ناهمگن تاکید بر اشتقاق اوزان اولویت با ساختار ترجیحی خاص دارد( برای مثال، فان و زانک 2010، و زو 2011). و مطالعات اندکی در خصوص GDM ناهمکن با ساختار ترجیح عدم قطعیت وجود داشته است. گایو و پنک 2011 استفاده از روابط ترجیح ناهمکن را برای آنالیز swot پیشنهاد کردند با این حال این روش را در شرایط روابط ترجیح ناقص نمی تواند کارایی داشته باشد. زیا و زو (2011) و لیو و همکاران (2012) برخی روش ها را برای تکمیل مولفه های فازی غیر قطعی و روابط چندگانه ارایه کرده و سپس از آن ها برای گروه بندی بهره بردند. با این حال این روش ها باید مکمل با نخستین عناصر از دست رفته باشند و نمی توان از آن ها برای حل روابط ناهمگن ناقص با روابط ترجیحی استفاده کرد. اگرچه، زو و چن ( 2008 ب)، به بررسی مسائل تصمیم گیری گروهی با ساختار های ترجیح غیر قطعی مشخص پرداختند از جمله مقادیر بهره وری فاصله ای، روابط ترجیح فازی فاصله ای، و روابط ترجیح فازی بازه ای، این مطالعه بر مسائل gdm چند معیاره پرداخته و نمی تواند اوزان الویت را از روابط ترجیح ناهمکن که در این جا نیز ذکر شد اشتقاق کند.
2- ایده های اساسی رویکرد پیشنهادی بسیار صریح و ساده است. بر اساس پیوستکی چندگانه فرمت های مختلف روابط ترجیحی، یک مدل بهینه سازی با هدف کمینه سازی هر دو شاخص اجماع گروه و شاخص پیوستکی فردی برای اشتقاق اوزان اولویت استفاده می شوند. از این روی نتیجه به دست آمده بسیار منطقی است. چون اوزان اولویت با حل مدل های بهینه سازی بدست می اید، تبدیلات کم تر از روابط ترجیح ناهمگن با یک نوع رابطه ترجیحی نیاز است که از اتلاف اطلاعات جلوگیری می کند.
3- مدل پیشنهادی را می توان به عنوان مدل کلی تصمیم گیری در نظر گرفت. در صورتی که همه عناصر ماتریس های شاخص 1 باشند، مدل پیشنهادی را می توان برای مسائل GDM با روابط ترجیح عدم قطعیت ناهمگن پیشنهاد کرد. به علاوه، مدل پیشنهادی را می توان برای حل مسائل GDM با ترکیبی از چهار نوع روابط ترجیح ذکر شده در مقاله استفاده کرد.
4- از مثال های فوق، می توان پی برد که اوزان الویت بدست آمده از روش پیشنهادی در بازه های واحد نهفته است. از این روی، روش پیشنهادی را می توان با فرایند سلسله مراتب تحلیلی ( ساتی 1998) برای حل مسائل تصمیم گیری چند معیاره تحت محیط تصمیم گیری غیر قطعی به خصوص زمانی که روابط ترجیح ناقص در مسئله تصمیم گیری نقش دارند تلفیق کرد.
با این حال، مدل پیشنهادی هنوز دارای برخی محدودیت هاست. اول از همه، در صورتی که تعداد جایگزین ها یا تصمیم گیرنده ها بسیار بزرگ باشد، تعداد محدودیت های مدل بیشتر خواهد بود. در این صورت، تصمیم گیری کمی پیچیده تر خواهد بود. از این روی نکته جالب ساده سازی مدل و یا بررسی دیگر مدل های تصمیم گیری ساده تر است. دوما، برای تلفیق روابط غیر قطعی ترجیح زبانی، آن ها را به روابط ترجیح فازی غیر قطعی تبدیل می کنیم که منجر به از دست رفت اطلاعات می شود. در نهایت، روش پیشنهادی چهار فرمت از ساختار های ترجیح عدم قطعیت را در نظر می گیرد که قادر به ترکیب با ساختار های ترکیبی در شکل مقادیر بهره وری بازه ای و اردینال های ترجیح عدم قطعیت نیست. همه این مسائل در آینده حل خواهند شد.
7- نتیجه گیری
برای مسائل تصمیم گیری گروهی کاربردی، تصمیم گیران اقدام به ارایه روابط ترجیحی غیر قطعی ناهمگن به دلیل عدم قطعیت ناشی از محیط تصمیم گیری و روابط فرهنگ و سوابق آموزشی می کنند.گاهی اوقات، تصمیم گیران ممکن است دارای دانش عمیق از مسائل حل شده نبوده و روابط ترجیحی ناقص را ارایه می کنند.در این مقاله بر مسائل تصمیم گیری گروهی با روابط ترجیحی غیر قطعی ناقص همگن از جمله روابط ترجیحی مضربی غیر قطعی، روابط ترجیحی فازی غیر قطعی، روابط ترجیحی زبانی غیر قطعی و روابط ترجیحی فازی شهودی تاکید می شود. برای حل چنین مسائل تصمیم گیری GDM، یک روش آنالیز تصمیم گیری پبشنهاد می شود. بر اساس پیوستگی مضربی روابط ترجیحی غیر قطعی، مدل بهینه سازی دو منظوره با هدف بیشینه سازی هر دو اجماع گروهی و پیوستکی فردی هر تصمیم گیر ارایه می شود. با حل مدل بهینه سازی، اوزان اولیه انواع جایگزین ها را می توان به دست آورد.
اگرچه مثال های ارایه شده در این مقاله، مربوط به مسئله انتخاب جایگزین های سرمایه گذاری برای شرکت چند ملیتی بود، مدل GDM پیشنهادی را می توان به دیگر مسائل تصمیم گیری کاربردی نظیر انتخاب عرضه کننده، ارزیابی عملکرد شرکت و استفاده از تابع کیفیت به خصوص زمانی که تصمیم گیران از کشور ها و فرهنک و تحصیلات متفاوتی می باشند و یا زمانی که تصمیم گیران به اجماع کلی در خصوص استفاده از نوع روابط ترجیح نمی رسند تعمیم داد.
(ترجمه بخش 1 این مقاله، موجود نیست)

بخشی از مقاله انگلیسی:

abstract For practical group decision making problems, decision makers tend to provide heterogeneous uncertain preference relations due to the uncertainty of the decision environment and the difference of cultures and education backgrounds. Sometimes, decision makers may not have an in-depth knowledge of the problem to be solved and provide incomplete preference relations. In this paper, we focus on group decision making (GDM) problems with heterogeneous incomplete uncertain preference relations, including uncertain multiplicative preference relations, uncertain fuzzy preference relations, uncertain linguistic preference relations and intuitionistic fuzzy preference relations. To deal with such GDM problems, a decision analysis method is proposed. Based on the multiplicative consistency of uncertain preference relations, a bi-objective optimization model which aims to maximize both the group consensus and the individual consistency of each decision maker is established. By solving the optimization model, the priority weights of alternatives can be obtained. Finally, some illustrative examples are used to show the feasibility and effectiveness of the proposed method. 2014 Elsevier Ltd. All rights reserved. 1. Introduction The increasing complexity of the socio-economic environment makes it less and less possible for a single decision maker (DM) to consider all relevant aspects of a decision making problem (Kim, Choi, & Kim, 1999). Therefore, many decision making problems in the real world are usually conducted by decision groups, and group decision making (GDM) problem has long been identified as a hot topic in decision science research area (Hwang & Lin, 1987). For a typical GDM problem, decision makers are usually asked to provide their preferences over a set of alternatives (criteria). As an effective tool, preference relation has been widely used to express decision makers’ preference information through pairwise comparisons. Up to now, many formats of preference relations have been developed (Xu, 2007b), such as multiplicative preference relation (Herrera, Herrera-Viedma, & Chiclana, 2001; Saaty, 1980), fuzzy preference relation (Herrera-Viedma, Chiclana, Herrera, & Alonso, 2007; Tanino, 1984) and linguistic preference relation (Herrera, Herrera-Viedma, & Verdegay, 1996; Xu, 2006; Xu, 2008). But due to the uncertainty of decision environment and the lack of decision makers’ knowledge, preference relations given by decision makers sometimes are uncertain ones (Liu, Zhang, & Wang, 2012; Xu, 2004b). As a result, many publications have focused on deriving priority weights from uncertain preference relations (Chen & Zhou, 2012; Gong, Li, Zhou, & Yao, 2009; Wang, Yang, & Xu, 2005; Wu, Li, Li, & Duan, 2009; Xu & Chen, 2008a). For some complex GDM problems defined with high uncertainty, decision makers may be of different culture and education background and may have different levels of knowledge about the decision making problems (Herrera-Viedma, Herrera, & Chiclana, 2002; Palomares, Rodríguez, & Martínez, 2013). On the other hand, decision makers sometimes are distributed in different areas and it may be difficult for them to reach an agreement on which type of preference relations can be used. In such situations, decision makers may tend to express their preference using different formats of preference relations according to their own will. In recent years, group decision making with heterogeneous preference information has received more and more attention (Delgado, Herrera, Herrera-Viedma, & Martínez, 1998; Espinilla, Palomares, Martínez, & Ruan, 2012; Fan, Xiao, & Hu, 2004; Li, Huang, & Chen, 2010; Pérez, Alonso, Cabrerizo, Lu, & Herrera-Viedma, 2011). For instance, Herrera-Viedma et al. (2002) presented a consensus model for multi-person decision making problems with different http://dx.doi.org/10.1016/j.cie.2014.02.004 0360-8352/ 2014 Elsevier Ltd. All rights reserved. q This manuscript was processed by Area Editor Imed Kacem. ⇑ Corresponding author. Tel.: +86 411 84708007; fax: +86 411 84707425. E-mail addresses: zhangzhen@mail.dlut.edu.cn (Z. Zhang), guochonghui@tsinghua.org.cn (C. Guo). 1 Tel.: +86 411 84708007; fax: +86 411 84707425. Computers & Industrial Engineering 71 (2014) 27–36 Contents lists available at ScienceDirect Computers & Industrial Engineering journal homepage: www.elsevier.com/locate/caie preference structures to help experts change their opinions and obtain a degree of consensus. Herrera, Martínez, and Sánchez (2005) developed an aggregation process to combine different types of preference relations, such as linguistic, numerical and interval-valued information. Fan, Ma, Jiang, Sun, and Ma (2006) established a goal programming model to solve group decision making problems where the preference information on alternatives is represented in multiplicative preference relations and fuzzy preference relations. Wang and Fan (2007) investigated the aggregation of fuzzy preference relations and multiplicative preference relations. In their approach, they presented two optimization aggregation approaches to determine the relative weights of individual fuzzy preference relations so that they can be aggregated into a collective fuzzy preference relation. Dong, Xu, and Yu (2009) proposed a linguistic multi-person decision making model based on linguistic preference relations which can integrate fuzzy preference relations, different types of multiplicative preference relations and multigranular linguistic preference relations. In order to deal with GDM problems with heterogeneous incomplete preference relations, including multiplicative preference relations, fuzzy preference relations and linguistic preference relations, Fan and Zhang (2010) established a goal programming model to derive the collective evaluation of alternatives. Like Fan and Zhang (2010)’s study, Xu (2011) considered four formats of incomplete preference relations and established a quadratic programming model to obtain the ranking of alternatives. Pérez, Cabrerizo, and Herrera-Viedma (2010) presented a mobile decision support system for dynamic group decision making with fuzzy preference relations, orderings, utility functions and multiplicative preference relations, in which mobile technologies are applied and the set of alternatives can change throughout the process. Pérez, Cabrerizo, and HerreraViedma (2011b) also developed a mobile GDM model for changeable decision environments which allows decision makers to express their preferences using heterogeneous preference relations, including fuzzy preference relations and multi-granularity linguistic preference relations. In a recent work, Palomares et al. (2013) proposed a consensus model in which decision makers can express their opinions by using different types of information, capable of dealing with large groups of decision makers, which incorporates the management of the group’s attitude towards consensus by means of the proposed Attitude-OWA operator. From the above analysis, a lot of studies have been conducted to deal with GDM with heterogeneous preference relations and previous studies have significantly advanced the field of GDM. However, most of the research focuses on GDM problems with certain preference relations. There is very little literature addressing GDM problems with heterogeneous uncertain preference relations. On the other hand, for actual GDM problems there may be cases in which decision makers do not have an in-depth knowledge of the problem to be solved. In such cases, decision makers may not put their opinions forward about certain aspects of the problem, and as a result incomplete preference relations may be obtained (Alonso, Herrera-Viedma, Chiclana, & Herrera, 2009; Alonso, Herrera-Viedma, Chiclana, & Herrera, 2010; Herrera-Viedma et al., 2007; Zhang & Guo, 2013). Considering such situations, the main contribution of this paper is to propose a GDM approach to deriving priority weights from heterogeneous incomplete uncertain preference relations, including uncertain multiplicative preference relations, uncertain fuzzy preference relations, uncertain linguistic preference relations and intuitionistic fuzzy preference relations, which can allow decision makers to express their preference information over alternatives more flexibly. For this purpose, this paper first defines the group consensus index and the collective individual consistency index for the four types of incomplete uncertain preference relations under group decision making environment. Afterwards, a bi-objective optimization model, which aims to obtain both the maximum group consensus and collective individual consistency, is proposed to derive the priority weights. To do so, the rest of this paper is organized as follows. Section 2 presents some concepts and preliminaries related to incomplete uncertain preference relations. In Section 3, we give a description of the group decision making problem with heterogeneous incomplete uncertain preference relations. Section 4 proposed a bi-objective optimization model to address the group decision making problem. In Section 5, we give some illustrative examples to show the feasibility and effectiveness of the proposed method. Section 6 gives a discussion on the advantages and limitations about the proposed approach. Finally, we conclude this paper in Section 7.

قالب TOPSIS برای تعیین وزن تصمیم گیرنده در مشکلات تصمیم گیری گروهی با اطلاعات نامشخص

Extension of TOPSIS to determine weight of decision maker for group decision making problems with uncertain information

Abstract

In traditional TOPSIS method, the ideal solutions for alternatives are expressed in vectors. An important step in the process of group decision making is to determine the relative importance of each decision maker. In this paper, the weights of decision makers derived from individual decision are determined by using an extended TOPSIS method with interval numbers. The ideal decisions for all individual decisions are expressed in matrices. The positive ideal decision is the intersection of all individual decisions; the negative ideal decision is the union of all individual decisions. Comparisons with other methods are also made. A numerical example is examined to show the potential applications of the proposed method.

1 Introduction

Decision making is the process of finding the best option from all of the feasible alternatives. The increasing complexity of the socio-economic environment makes it less and less possible for a single decision maker (DM) to consider all relevant aspects of a problem (Kim & Ahn, 1999). As a result, many decision making processes, in the real world, take place in group settings.

To determine the weights of every DMs is a very important step in multiple attribute group decision making (MAGDM) (Yue, Jia, & Ye, 2009; Yue, 2011b, c). There are many applications, which necessitate different weights (Ramanathan & Ganesh, 1994) because a DM cannot be expected to have sufficient expertise to comment on all aspects of the problem but on a part of the problem for which he/she is competent (Weiss & Rao, 1987). In this paper, we suppose that the weights of DMs are different and unknown. How to measure the weights of DMs? Up to now, many methods have been developed. French Jr (1956) proposed a method to determine the relative importance of the group’s members by using the influence relations, which may exist between the members. Theil (1963) proposed a method based on the correlation concepts when the member’s inefficacy is measurable. Keeney and Kirkwood (1975) and Keeney (1976) suggested the use of the interpersonal comparison to determine the scales constant values in an additive and weighted social choice function. Bodily (1979) and Mirkin and Fishburn (1979) proposed two approaches which use the eigenvectors method to determine the relative importance of the group’s members. Brock (1980) used a Nash bargaining based approach to estimate the weights of group members intrinsically. Ramanathan and Ganesh (1994) proposed a simple and intuitively appealing eigenvector based method to intrinsically determine the weights of group members using their own subjective opinions. Van den Honert (2001) used the REMBRANDT system (multiplicative AHP and associated SMART model) to quantify the decisional power vested in each member of a group, based on subjective assessments by other group members. Jabeur and Martel (2002) proposed a procedure which exploits the idea of Zeleny (1982) to determine the relative importance coefficient of each member. Jabeur, Martel, and Khelifa (2004) proposed a distance-based collective preorder integrating the relative importance of the group’s members. By using the deviation measures between additive linguistic preference relations, Xu (2008b) gave some straightforward formulas to determine the weights of DMs. Chen and Fan (2006, 2007) studied a method for the ranking of experts according to their levels in group decision. Recently, Yue (2011a) presented an approach for group decision making based on determining weights of DMs using TOPSIS (technique for order preference by similarity to an ideal solution) (Hwang & Yoon, 1981). And please refer to Yue (2011d,e,f) for some related research method.

The above methods have numerous advantages, however, most of the performance rating is quantified as crisp values. Under many circumstances, crisp data are inadequate to model real-life situations. Since human judgments including preferences are often uncertain, it is difficult to rate them as exact numerical values. In addition, in case of conflicting situations or attribute, a DM must also consider imprecise or uncertain data, which is very usual in this type of decision problems. A more realistic approach may be to use interval data instead of crisp values, that is, to suppose that the ratings of the attributes in the problem are assessed by means of interval data. In this paper, we will present a new TOPSIS method with interval data for MAGDM problems.

The remaining paper is organized as follows. In Section 2, the concepts of interval number are presented and discussed, including the operations of interval numbers. Based on the concepts in Section 2, the proposed approach for determining the weights of DMs using an extended TOPSIS is shown in Section 3. Section 4 compares the proposed method with other methods. Then, an illustrative example is used to demonstrate the feasibility and practicability of the proposed method in Section 5. Finally, Section 6 concludes this paper.

استفاده از تکنیک Delphi در پژوهش برنامه ریزی اصولی:

ملاحظات روش شناختی در طراحی

Using the Delphi technique in normative planning research:
methodological design considerations

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1944

. Delphi پیش بینی کننده. یک تمرین Delphi پیش بینی کننده با پیش بینی ها در مورد رویدادهای آینده مرتبط می شود که دانش کم، متنوع، و یا متضادی در مورد آن وجود دارد (Albright، 2002؛ Coates و همکاران، 2001؛ Ilbery و همکاران، 2004). در حالی که چهار رویکرد اصلی برای پیش بینی وجود دارند (برون یابی، شاخص های پیشرو، مدل های علی، و روش های تصادفی)، هیئت Delphi به طور مستقیم می تواند از یک یا هر چهار روش (Martino، 1999) استفاده کند. یک Delphi پیش بینی کننده نسبتا جدید بررسی نمود که آیا بازخورد و بحث و بررسی در این تمرین، دقت های پیش بینی های فردی یا گروهی را در مورد حوادث فرار جهان (Parente و همکاران، 2005) بهبود می بخشد یا خیر.
3. Delphi سیاسی. Delphi سیاسی شامل کاوش در یک موضوع و یا نتیجه مورد نظر سیاسی می شود (Coates، 1999؛ Critcher و Gladstone، 1998؛ Turoff، 1975). هدف از Delphi سیاسی، اجماع متخصصین نیست. بلکه هدف، حصول اطمینان از این است که طیف وسیعی از متغیرهای سیاسی مرتبط و پارامترهای زمینه ای شناسایی و کاوش می شوند(Wellar، 1997). یک نمونه Delphi سیاسی در دنیای واقعی، برنامه کاهش خسارت سیل کانادا است که در آن یک هیئت Delphi پنجاه نفره، مزایا و هزینه های این برنامه را از نظر مدیریت بهبود یافته در حوزه های خطر، حفاظت از ویژگی های زیست محیطی، هزینه های بالاتر برای توسعه دهندگان، و عناصر سیاسی دیگر بررسی نمودند (De Loe و Wojtanowski، 2001).
به عنوان یک فرایند پژوهش، هر رده Delphi، همان ساختار کلی را از نظر ارتباطات گروهی، گمنامی، تکرار، و گرایش مرکزی به اشتراک می گذارد. با این حال، با توجه به تفاوت ها در اهداف پژوهش و / یا حوزه های کاربرد (شناسایی آینده ارجح، پیش بینی، و یا جایگزین های سیاسی)، باید انتخاب نمود که کدام نوع تمرین Delphi برای یک مسئله و یا مشکل پژوهش برنامه ریزی خاص مناسب است.
ارتباط تکنیک Delphi با پژوهش برنامه ریزی شهری و منطقه ای
تکنیک Delphi، کاربرد و قابلیت کاربرد برای درک، ارائه، و داوری مسائل برنامه ریزی را نشان می دهد. Linstone و Turoff (1975a، صفحه 4) بیان نمودند که تکنیک Delphi به ویژه زمانی مفید است که مسئله پژوهش متناسب با روش های تحلیلی دقیق نیست بلکه می تواند با قضاوت های ذهنی بر مبنای قضاوت های دسته جمعی بررسی شود. ” Richey و همکاران (1985، صفحه 142) مشاهده کردند که تکنیک Delphi “بیشتر متناسب با مسائل مفهومی و یا فلسفی است، نه مسائلی که نیاز به پاسخ های دقیق و کمیتی دارند ”. به طور مشابه، همانطور که Ying و Kung (2000) نشان داده اند، استفاده از Delphi هنگامی مناسب است که مشاهده عینی داده ها نه عملی است و نه ممکن، دیدگاهی که توسط Critcher و Gladstone (1998) اثبات شده است. بنابراین، در واقع به نظر می رسد که تکنیک Delphi با انواع مختلف پژوهش برنامه ریزی بسیار مرتبط است.
همچنین تکنیک Delphi فرصتی برابر را برای شرکت کنندگان به منظور بیان نظرات آنها فراهم می کند، زیرا پاسخ ها با توجه به شرکت کننده، نه رتبه بندی می شوند و نه وزندهی می شوند. به عبارت دیگر، تمام اعضای هیئت به یک اندازه در معیار گرایش مرکزی کمک می نمایند، زیرا صداها و نظرات مختلف شنیده می شوند و سیستم های ارزش برای بررسی توسط شرکت کنندگان، حقایق را نشان می دهند. این ویژگی تکنیک Delphi، سازگار با اصول برنامه ریزی مشارکتی، مشارکت عمومی در برنامه ریزی، و استفاده از گروه های مشورتی در برنامه ریزی است که با علاقه به یک عمل برنامه ریزی، به طور مشابه به دنبال اطمینان از مشارکت کامل و عادلانه همه طرفین هستند.
در طول دهه های متمادی، تکیه بر نظر متخصص، مشخصه اصلی شیوه برنامه ریزی در مناطق شهری در سراسر جهان بوده است. در همین زمان، طیف وسیعی از مشکلات بالقوه در ارتباط با استخراج نظر متخصص در تمارین رسیدن به اجماع وجود دارد: تاثیر شخصیت های غالب؛ بی میلی کارشناسان به تغییر ذهن خود حتی در حضور حقایق متضاد؛ و تمایل روانی، حتی در میان کارشناسان، به منظور انطباق با نظر اکثریت (Martino، 1999). در نتیجه، تاکید می شود که توجه دقیقی باید به طراحی یک سوال و یا گزاره پژوهشی معطوف شود، به گونه ای که نتیجه آن بهترین تفکری باشد که کارشناسان می توانند با خود به ارمغان آورند.
شفافیت و طراحی یک تمرین Delphi
در این بخش، یک طرح پژوهش عملی برای تکنیک Delphi که در زمینه برنامه ریزی در دنیای واقعی مورد آزمایش قرار گرفت ارائه می شود. نوع Delphi انجام شده، یک Delphi اصولی بود، و برای شناسایی و آزمایش اهمیت نسبی ویژگی های برنامه های شهری تدوین شده با کیفیت بالا در زمینه برنامه ریزی مبتنی بر اکوسیستم استفاده شد. مراحل فرآیند پیشنهادی شرح داده شده و در مد گام به گام (شکل 1) توضیح داده خواهد شد.
مرحله 1: بررسی نوشته ها
یک بررسی نظام مند از نوشته ها، نقطه شروع هر تمرین Delphi است. بررسی نوشته ها، شامل وظایف مهم زیر می شود: (الف) آماده سازی بیانیه ای جامع از دانش فعلی در مورد موضوع (یعنی، آنچه شناخته شده است). (ب) شناسایی شکاف های دانش در رابطه با این موضوع، موضوعات تحقیقاتی غالب، کاستی های نظری، و یا تناقضات مبتنی بر داده ها (یعنی، آنچه باید شناخته شود). و (ج) ارائه بینش به کارشناسان بالقوه برای شرکت در Delphi به عنوان مشاوران و / یا شرکت کنندگان. شناسایی شکاف های دانش برای موفقیت Delphi بسیار مهم است زیرا یافته های آن مشخص می کند که آیا طراحی پژوهش، دارای ماهیت اکتشافی است و یا تاییدی. علاوه بر این، بررسی نوشته ها، محقق یا ناظر Delphi را قادر می سازد تا شکل و محتوای پیمایش اولیه را ارائه دهد و به درک درستی از این مورد کمک می کند که آیا تکنیک Delphi، روشی مناسب برای مطالعه است یا خیر.
با توجه به اهمیت حیاتی بررسی نوشته ها، ضروری است که رویه جستجو که این بررسی مبتنی بر آن است، دارای زمان کافی باشد و منابع دیگر را فراهم نماید. انواع متون زیر در مجموع، “نوشته” خطاب می شوند: نوشته های یاد گرفته شده؛ عمومی؛ شرکتی / نهاد دولتی. شرکت های بزرگ / سازمانی و خصوصی؛ قانونی؛ نظارتی؛ گروه حرفه ای؛ گروه منافع عمومی. و / گروه منافع خاص/مقرره (Wellar، 2005). به طور واضح، چون خطاهای حذف و کمیسیون می تواند اثرات عمده ای بر منابع و اعتبار مطالعه داشته باشد، در هنگام تصمیم گیری در مورد اینکه کدام بدنه از نوشته ها در مرحله اول بسیار مهم از یک پروژه Delphi گنجانده یا حذف شوند، باید دقت شود.

مرحله 2: پیش آزمون
اگر چه اصطلاحات ‘پیش آزمون’ و استفاده آزمایشی’ گاهی اوقات به جای یکدیگر در نوشته های پژوهشی استفاده می شوند، Ackoff (1953) تمایز صریح و روشنی را از این دو روش پژوهش فراهم می کند. با توجه به Ackoff (1953، صفحات 336-337)، پیش آزمون، فرصت بررسی روش های عملیاتی جایگزین را برای انجام پژوهش فراهم می کند. استفاده آزمایشی اساساً بقا و بهره وری ابزار خاص و طرح پژوهش را قبل از اینکه پیمایش کامل راه اندازی شود، بررسی می نماید و ارزیابی می کند که آیا طرح و ابزار تحقیق- همانطور که طراحی شده است – موثر و کارآمد خواهد بود یا خیر. بر خلاف پیش آزمون که با در نظر گرفتن مقایسه ای روش های جایگزین مرتبط می شود، استفاده آزمایشی در یک برنامه تحقیقاتی کلی (Ackoff، 1953، صفحه 344) هدایت می شود.
در صورت عدم وجود شواهد دنیای واقعی / تجربی برای هدایت انتخاب یک روش مطالعه، درگیر شدن کارشناسان در یک پروژه می تواند یک شروع قابل قبول برای محقق در نظر گرفته شود (Wilhelm، 2001). اگر ما فرض کنیم که یک روش مبتنی بر متخصص، راه مناسبی برای اقدام است، وظیفه مرکزی پیش آزمون، شامل انتخاب این مورد می شود که کدام روش مرتبط با نظر متخصص، مناسب ترین روش است. بسیاری از تکنیک ها وجود دارد که می توانند برای استخراج نظر کارشناسان دیگر غیر از Delphi مورد استفاده قرار گیرند، از جمله پیمایش ها، روش ارزیابی هیئت، رای گیری حرفه ای، رویکرد کمیته، میزگرد، تجزیه و تحلیل متقابل تاثیر، طوفان ذهنی، و یا کارگاه های آموزشی،. هر روش پژوهش مزایا و معایبی دارد که باید طی آزمون در نظر گرفته شود.

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1847

1. مقدمه

در تصمیم گیری گروهی، ساختارهای اطلاعات ترجیح مختلف برای ماتریس مقایسه، مقدار مطلوبیت و مرتبه ترجیح احتمالاً به علت تفاوت تصمیم گیری در ساختارهای آگاهی، ترجیح فردی و سطح قضاوت تصمیم گیرندگان اتخاذ می شوند. در این مورد، رویکرد تجمع در مورد چگونگی تجمع ترجیحات مختلف ساختار از تصمیم گیرنده تک به ترجیح گروهی باید مطالعه شود (Yao and Yue, 2006; Hu et al., 2005; Zhang et al., 2004). مطابق با ساختار ترجیح، رویکردهای (Yao and Yue, 2006; Hu et al., 2005; Zhang et al., 2004). به همان رویکرد تجمع ساختار و رویکرد متفاوت تجمع ساختار تقسیم می شوند. همان روش تجمع ساختار ترجیح از قبل در بسیاری از نتایج تحقیقات به دست امده است (Ray and Triantaphyllou, 1998; Beynon et al., 2000), در حالیکه تحقیقات تجمع ساختار ترجیح متفاوت هنوز یک موضوع جدید است Delgado et al., 1998; Xiao et al., 2001). (Chiclana and Herrera, 1998;) به علت پیچیدگی و مبهم بودن مسئله تصمیم گیری و فازی بودن تفکر اسان، استفاده از اطلاعات مختلف ترجیح برای ترسیم سوال پیچیده، واقع گرایانه نیست. در حقیقت، عدم قطعیت مطلق است در حالیکه قطعیت نسبی است. نوشته ها (Yager 2004) پیشرفت در حوزه تصمیم گیری عدم قطعیت را خلاصه نموده اند که تنها به اطلاعات ترجیح تک محدود می شود. بر اساس چهار نوع ترجیح نامعین، رویکرد تجمع هدایت می شود و سطح سازگاری این گروه تعریف می شود.

2. نتایج عمده

2.1 مفاهیم اساسی

تعریف 1. مبتنی بر مجموعه جایگزین X، تصمیم گیرنده، ماتریس مقایسه متقابل عدد بازه را برای بیان ترجیح خود اتخاذ می کند (Xiao et al 2001)

2.2 مدل تجمعی

نوشته ها (Xiao et al., 2001; Yager, 2004) روی رویکرد حل وزنی ماتریس قضاوت متقابل عدد متقابل و ماتریس قضاوت مکمل عدد بازه مطالعه نموده اند. بر اساس تحقیقات موجود، مشخصه تصمیم گیری اطلاعات ترجیح نامعین تحلیل می شود و سپس مدل یکنواخت برای استنتاج وزن از هر نوع اطلاعات ترجیح نامعین ایجاد می شود. در نهایت، رویکرد تجمعی برای چندین اطلاعات ترجیح نامعین پیشنهاد می شود.

مطابق با قضیه 1، از طریق حل P5، اطلاعات ترجیح می تواند جمع شود. در حالیکه سوالات زیر نیاز به بررسی بیشتر دارد:

(1) ترجیح تصمیم گیری گروهی می تواند مطابق با P5 به دست آید. اما آیا عقیده متخصص موقعیت عددی سازگار است؟ اگر سازگار باشد، چگونه درجه یکنواخت بیان می شود؟ اگر ناسازگار باشد، چگونه درجه غیرهمگرا می شود؟

(2) چگونه وزن متخصص در P5 بیان می شود؟ معمولاً، تعیین مقدار وزن متخصص، مشکل است، اگر ایجاد وزن متخصصان مختلف برابر باشند، آنگاه نتیجه به دست آمده، سازش توصیه متخصص است، آیا ملاحظه عمومی در مورد استفاده ترین اصول وجود دارد، وزن متخصصان روی ارزیابی مناسب مطابق با ساخت جامعه تصمیم گیری توسط شانس صورت می گیرد؟

اثبات زمانی که p1 ¼ 1, p2, p3, p4 ¼ 0, مطابق با P5، مقدار ترجیح ساخت توسط متغیر انحراف فرمول وضعیت محدودیت (22) محدود می شود، این همیشه توسط تنظیم وضعیت محدودیت دیگر در فرمول متغیر انحراف تعیین می شود، بنابراین ترجیح ساخت گروه تصمیم گیری توسط فرمول (22) ساخته می شود. دیگر اثبات وضعیت مشابه است.

مطابق با P5, set p1, p2, p3, p4 ¼ 0 را برابر با 1 به طور جداگانه تنظیم نمایید و دیگران را برابر با صفر، مطابق با قضیه 3، این مورد به طور کامل از عقیده متخصص پیروی می کند که ، wk i ; i ¼ 1; … ; را ثبت می کند. مطابق با فرمول حاصلضرب داخلی برداری، زاویه بردار دو درجه یکنواخت برداری را منعکس می کند، بنابراین مبتنی بر wi,wk i به طور جداگانه محاسبه شده است و متخصص k و یکنواختی عقیده ساخت مطابق با درجه سازگاری است. اگر متخصص k و یکنواختی عقیده ساخت مطابق با درجه خوب باشد، بنابراین وزن متخصص باید بزرگ فرض شود، در غیراینصورت کوچک فرض می شود.

3. تحلیل های نمونه

یک شرکت سرمایه گذاری ریسک می خواهد سرمایه گذاری بهینه ای داشته باشد. چهار جایگزین وجود دارد که یک شرکت داروی گیاهی، شرکت غذایی، یک شرکت مد و شرکت نرم افزار رایانه ای باشد. این شرکت، m متخصص را برای ارائه (m $ 2) به کار می گیرد، ماتریس قضاوت متقابل عدد بازه، ماتریس قضاوت مکمل عدد بازه و مقادیر مطلوبیت عدد بازه و ترجیح عدد بازه را ارائه دهید.

مطابق با جدول I و تعریف 5، محاسبه سطح سازگاری متخصصان عبارتست از 0.9829, 0.9831, 0.9237, 0.8990 با محاسبه دوباره P5، همین نتیجه را به عنوان نتیجه تجمعی به دست آورید و درجه متوسط متخصصان از سازگاری برابر 0.947 است. یعنی، پیشنهاد متخصصان سازگار است و دنباله از بدترین به بهترین بدین صورت است: جایگزین های 1،2،4و 3

4. نتایج
این مقاله در مورد چهار نوع از رویکردهای تجمع اطلاعات ترجیح غیرقطعی تحقیق نموده و یک روش جدید را برای تعیین اوزان متخصصان در تصمیم گیری گروهی پیشنهاد نموده که مبتنی بر بیشتر اطلاعات ترجیح غیرقطعی ساختاری است. این مدل واضح است و به سادگی استفاده می شود. دارای مقدار مرجع قابل توجهی برای حل کردن وزن اطلاعات ترجیح نسبی برای عرضه متغیرهای انحراف برای حل نمودن ماتریش قضاوت مکمل عدد باره، مقادیر مطلوبیت عدد بازه و ترجیح عدد بازه است. گام بعدی برای تجمع تحقیقات، انواع بیشتر از اطلاعات ترجیح نامعین و توسعه سیستم نرم حمایت تصمیم گیری گروهی عملی در محیط مبتنی بر وب برای الگوریتم های مدل های متناظر است.