آموزش جامع روش ANP

در دنیای امروز، تصمیم‌گیری‌های پیچیده‌ای که تحت تأثیر عوامل متقابل و وابستگی‌های متقابل قرار دارند، نیازمند ابزارهای تحلیلی پیشرفته‌ای هستند. روش ANP (Analytic Network Process) به عنوان یکی از روش‌های تصمیم‌گیری چندمعیاره (MCDM) که توسط توماس س. ساطی (Thomas L. Saaty) معرفی شد، توانسته است جایگاه ویژه‌ای در حوزه‌های مهندسی، مدیریت، اقتصاد و برنامه‌ریزی استراتژیک پیدا کند.

ANP که تعمیم AHP است، اولین بار توسط ساعتی در سال 1996 میلادی مطرح شد. در مواردی که سطوح پایینی روی سطوح بالایی اثر گذارند و یا عناصری که در یک سطح قرار دارند مستقل از هم نیستند، دیگر نمی توان از روش AHP استفاده کرد.

به همین دلیل ساعتی روش تحلیل شبکه ای را مطرح کرد. ANP شکل کلی تری از AHP است اما به ساختار سلسله مراتبی آن نیاز ندارد و در نتیجه روابط پیچیده تر بین سطوح مختلف تصمیم را به صورت شبکه ای نشان می دهد و تعاملات و بازخوردهای میان معیارها و آلترناتیوها را در نظر می گیرد.

---

مفهوم و تاریخچه روش ANP

روش ANP در اوایل دههٔ ۱۹۸۰ توسط توماس س. ساطی به عنوان گسترشی از روش AHP (Analytic Hierarchy Process) معرفی شد. در حالی که AHP ساختار سلسله‌مراتبی صریحی دارد، روش ANP به‌دلیل قابلیت مدل‌سازی شبکه‌ای وابستگی‌های متقابل بین معیارها، برای مسائلی که روابط بازخوردی دارند، مناسب‌تر است.

در سال‌های اولیه، پژوهشگران عمدتاً روش ANP را در حوزهٔ مهندسی صنایع و برنامه‌ریزی شهری به کار گرفتند؛ اما با گسترش نرم‌افزارهای تصمیم‌گیری، این روش به حوزه‌های بهداشت، مالی، بازاریابی و حتی سیاست‌گذاری عمومی نیز نفوذ کرد.

یکی از نکات کلیدی در تاریخچهٔ روش تحلیل شبکه ای، تأکید بر مفهوم «شبکهٔ تصمیم» است؛ به این معنی که هر عنصر (معیار یا گزینه) می‌تواند هم به‌عنوان ورودی و هم به‌عنوان خروجی برای دیگر عناصر عمل کند. این ویژگی باعث می‌شود که روش ANP بتواند تعاملات پیچیدهٔ واقعی را بهتر بازتاب دهد.

در نهایت، پیشرفت‌های محاسباتی و توسعهٔ ابزارهای نرم‌افزاری مانند SuperDecisions، امکان استفادهٔ گسترده‌تر از روش ANP را برای کاربران غیرمتخصص فراهم کرده است.

---

اصول پایه‌ای و مراحل اجرای روش ANP

روش ANP بر پایهٔ دو مفهوم اساسی استوار است: (۱) وزن‌گذاری نسبی عناصر با استفاده از مقایسهٔ زوجی، و (۲) ترکیب وزن‌ها از طریق ماتریس‌های انتقال (Supermatrix). برای اجرای صحیح روش تحلیل شبکه ای، معمولاً شش گام اصلی دنبال می‌شود.

1) تعریف مسئله و شناسایی عناصر: ابتدا هدف تصمیم‌گیری، معیارها، زیرمعیارها و گزینه‌ها به‌صورت شبکه‌ای شناسایی می‌شوند. در این مرحله، تمام روابط بازخوردی بین عناصر باید مشخص گردد تا روش تحلیل شبکه ای بتواند آن‌ها را در نظر بگیرد.

2) ساختاردهی به‌صورت گروه‌های وابستگی (Clusters): عناصر به‌صورت خوشه‌های (Clusters) جداگانه دسته‌بندی می‌شوند؛ به‌عنوان مثال، یک خوشه می‌تواند شامل معیارهای اقتصادی، خوشه دیگر شامل معیارهای زیست‌محیطی باشد. این تقسیم‌بندی، ساختار ماتریس‌های انتقال را ساده می‌کند.

3) مقایسهٔ زوجی داخل هر خوشه: برای هر جفت عنصر در یک خوشه، وزن نسبی آن‌ها با استفاده از مقیاس ساطی (۱ تا ۹) ارزیابی می‌شود. این مقایسه‌ها منجر به تشکیل ماتریس‌های مقایسهٔ زوجی می‌شود که در ادامه به‌صورت نرمال‌سازی می‌شوند.

4) محاسبهٔ ماتریس‌های وزن داخلی: پس از نرمال‌سازی، وزن‌های نسبی (Priority Vectors) برای هر عنصر استخراج می‌شوند. این وزن‌ها نشان‌دهندهٔ اهمیت نسبی هر عنصر نسبت به دیگر عناصر در همان خوشه هستند.

5) ساختن Supermatrix وزن‌دار: تمام وزن‌های به‌دست‌آمده در گام‌های قبلی در یک ماتریس بزرگ به نام Supermatrix ترکیب می‌شوند. این ماتریس شامل بلوک‌های وزن‌دار بین خوشه‌ها است و نشان‌دهندهٔ تمام روابط بازخوردی بین عناصر می‌باشد.

6) تبدیل به Supermatrix نهایی (Limit Supermatrix): با توان‌زدن مکرر Supermatrix (به‌صورت ماتریس توان) تا همگرایی، وزن‌های نهایی به‌دست می‌آید. این وزن‌ها، نتایج نهایی روش ANP هستند که می‌توانند برای رتبه‌بندی گزینه‌ها استفاده شوند.

اجرای دقیق این گام‌ها، دقت و صحت نتایج روش تحلیل شبکه ای را تضمین می‌کند.

---

مثال روش ANP ( تحلیل شبکه ای)

در این قسمت با حل یک مثال به صورت گام به گام برای حل مساله ای می خواهیم از بین دو کالای صندلی و میز براساس هزینه خرید و حمل آن ها یکی را انتخاب کنیم.

در جدول زیر اطلاعات مربوط به هر دو نوع هزینه و هزینه کل آورده شده است. چنانچه مشخص است کالای A انتخاب می شود زیرا هزینه کمتری دارد.

کالا	هزینه خرید	هزینه حمل	هزینه کل
A (صندلی)	1000	200	1200
B (میز)	2000	100	2100

هدف: انتخاب کالا

معیارها: هزینه ی خرید و هزینه حمل که در جدول بالا اشاره شده است.

آلترناتیوها: صندلی، میز

گام اول:

در اینجا برای درک بهتر مطلب، ابتدا نمودار شبکه ای مساله را رسم می کنیم.

مشخص است که حالت سلسله مراتبی در این مسئله صادق نیست زیرا وزن A و B هرکدام به دو معیار (هزینه خرید و حمل) وابسته بوده و وزن دو معیار نیز به گزینه ها وابسته می باشد. به عبارتی دیگر هزینه خرید و هزینه حمل در رابطه با کالای A یک وزن داشته و در رابطه با کالای B یک وزن دیگر دارد.

گام دوم: چنانچه بخواهیم وزن نهایی این عناصر را پیدا کنیم باید مقایسه های زیر را انجام دهیم:

• الف) A و B را نسبت به هزینه خرید به صورت زوجی مقایسه کرده و ماتریس زوجی را تشکیل می دهیم.
• ب) A و B را نسبت به هزینه حمل به صورت زوجی مقایسه کرده و ماتریس زوجی را تشکیل می دهیم.
• ج) هزینه خرید و هزینه حمل را به صورت زوجی نسبت به A مقایسه کرده و ماتریس زوجی را تشکیل می دهیم.
• د) هزینه خرید و هزینه حمل را به صورت زوجی نسبت به A مقایسه کرده و ماتریس زوجی را تشکیل می دهیم.

چنانچه اهمیت هزینه حمل به هزینه خرید یکسان در نظر گرفته شود، داریم:

ماتریس مقایسه زوجی گزینه ها نسبت به هزینه خرید:

ماتریس مقایسه زوجی گزینه ها نسبت به هزینه حمل:

حال وزن نهایی هر گزینه را محاسبه می کنیم:

0.5 = = .∗(/)+.∗(/)وزن نسبی نهایی کالای A
0.5 = = .∗(/)+.∗(/)وزن نسبی نهایی کالای B

چنانچه مشاهده می کنیم در این حالت وزن هر کدام از دو کالا یکسان است حال آنکه در عمل اینگونه نیست. وزن نسبی/ روی هر دو شاخه وجود دارد اما :

• یکی از / ها از تقسیم 1000 بر 3000 حاصل شده (وزن نسبی گزینه B از هزینه خرید) و دیگری از تقسیم 100 بر 300 (وزن نسبی گزینه A از هزینه حمل) به دست آمده است.
• به عبارت دیگر / مربوط به هزینه خرید یک معنا و بزرگی و / هزینه حمل، معنا و بزرگی دیگری دارد.
• اگر جنس این دو معیار متفاوت بود با درنظر گرفتن وزن، این تفاوت لحاظ میشد، اما حال که جنس معیارها یکی است (هزینه) نمیتوان گفت که هر دو / یک معنا می دهند و وزن معیارها یکی است.
• به عبارت دیگر وزن هزینه خرید و هزینه حمل باید متفاوت در نظر گرفته شود، وزن هزینه خرید باید بیشتر از وزن هزینه حمل باشد.
• مقدار وزن هزینه خرید و وزن هزینه حمل به گزینه ها بستگی دارد که در این صورت مساله از حالت سلسله مراتبی خارج شده و باید با روش شبکه ها حل شود.

ماتریس های مربوط به ردیف های «الف» و «ب» قبلاً محاسبه شده اند و کافیست که ماتریسهای ردیفهای «ج» و «د» را محاسبه کنیم که عبارتند از:

ج) کالای A :

• C1 = هزینه خرید
• C2 = هزینه حمل

د) کالای B :

• C1 = هزینه خرید
• C2 = هزینه حمل

سوپرماتریس به صورت زیر خواهد بود:

توان سوم W به صورت زیر خواهد بود:
چنانچه ملاحظه می شود وزن عناصر به صورت زیر خواهد بود:

عنصر	وزن
هزینه خرید	0.88
هزینه حمل	0.12
کالای A	0.63
کالای B	0.37

از آنجا که بین دو کالای A و B یکی را می خواهیم انتخاب کنیم کالای A که دارای رتبه ی بیشتری است، انتخاب خواهد شد، زیرا که در عمل نیز کالای A دارای حداقل هزینه است.

---

کاربردهای روش ANP در تصمیم‌گیری‌های چندمعیاره

روش ANP به دلیل قابلیت مدل‌سازی وابستگی‌های متقابل، در حوزه‌های متنوعی به کار گرفته می‌شود. در ادامه به برخی از مهم‌ترین کاربردهای این روش می‌پردازیم.

1. انتخاب مکان پروژه‌های زیرساختی: در برنامه‌ریزی شهری، معیارهای اقتصادی، اجتماعی و زیست‌محیطی به‌صورت متقابل بر یکدیگر تأثیر می‌گذارند. استفاده از روش تحلیل شبکه ای امکان ارزیابی دقیق‌تر این تعاملات و انتخاب بهینهٔ مکان پروژه را فراهم می‌کند.
2. ارزیابی ریسک در صنایع نفت و گاز: عوامل ریسک مانند حوادث، هزینه‌ها، زمان‌بندی و تأثیرات زیست‌محیطی به‌صورت بازخوردی با یکدیگر در ارتباطند. روش ANP با ترکیب وزن‌های این عوامل، به تصمیم‌گیرندگان کمک می‌کند تا استراتژی‌های کاهش ریسک را بهینه‌سازی کنند.
3. انتخاب تأمین‌کننده در زنجیره تأمین: معیارهای کیفیت، هزینه، زمان تحویل و قابلیت انعطاف‌پذیری تأمین‌کنندگان به‌صورت متقابل بر یکدیگر اثر می‌گذارند. با استفاده از روش ANP می‌توان وزن‌های کلی هر تأمین‌کننده را محاسبه و بهترین گزینه را انتخاب کرد.
4. ارزیابی پروژه‌های فناوری اطلاعات: در انتخاب نرم‌افزار یا پلتفرم مناسب، معیارهای فنی، هزینه، سازگاری با زیرساخت‌های موجود و پذیرش کاربران به‌صورت پیچیده‌ای به‌هم پیوسته‌اند. روش تحلیل شبکه ای این پیچیدگی‌ها را به‌صورت شبکه‌ای مدل‌سازی می‌کند و تصمیم‌گیری را تسهیل می‌نماید.

به‌طور کلی، هر مسأله‌ای که در آن معیارها یا گزینه‌ها به‌صورت بازخوردی با یکدیگر در تعامل باشند، می‌تواند از مزایای روش ANP بهره‌مند شود.

---

مزایا و محدودیت‌های روش ANP

مزایا

• مدل‌سازی وابستگی‌های متقابل: برخلاف روش‌های سلسله‌مراتبی، روش ANP امکان در نظر گرفتن بازخوردهای دوطرفه بین معیارها و گزینه‌ها را دارد.
• انعطاف‌پذیری در ساختار شبکه: می‌توان تعداد دلخواهی خوشه و عنصر را تعریف کرد و روابط دلخواه را بین آن‌ها برقرار نمود.
• قابلیت ترکیب با نرم‌افزارهای تصمیم‌گیری: ابزارهایی مانند SuperDecisions، Expert Choice و حتی افزونه‌های اکسل، فرآیند محاسبهٔ روش تحلیل شبکه ای را خودکار می‌کنند.
• قابلیت تجزیه و تحلیل حساسیت: با تغییر وزن‌های ورودی می‌توان تأثیر آن‌ها بر نتایج نهایی را بررسی کرد و به‌صورت دینامیک تصمیم‌گیری را بهبود داد.

محدودیت‌ها

• پیچیدگی محاسباتی: با افزایش تعداد عناصر و خوشه‌ها، اندازهٔ Supermatrix به‌سرعت بزرگ می‌شود و محاسبهٔ آن زمان‌بر می‌گردد.
• نیاز به داده‌های دقیق برای مقایسهٔ زوجی: اگر تصمیم‌گیرندگان نتوانند وزن‌های دقیق ارائه دهند، نتایج روش ANP ممکن است تحت تأثیر عدم‌دقت قرار گیرد.
• احتمال بروز ناسازگاری (Inconsistency): در مقایسهٔ زوجی، ممکن است ناسازگاری‌های منطقی بوجود آید؛ برای رفع این مشکل باید شاخص ناسازگاری (CR) بررسی و اصلاح شود.
• نیاز به تخصص برای تفسیر نتایج: خروجی‌های روش ANP (مانند وزن‌های نهایی) برای افراد غیرمتخصص ممکن است دشوار باشد و نیاز به توضیح دقیق داشته باشد.

مقایسه روش ANP با سایر روش‌های تصمیم‌گیری چندمعیاره (MCDM)

روش ANP در میان روش‌های مختلف تصمیم‌گیری چندمعیاره، جایگاه خاص خود را دارد. برای درک بهتر مزایا و معایب آن، لازم است با سایر روش‌های رایج مقایسه شود.

• روش AHP (Analytic Hierarchy Process): همان‌طور که اشاره شد، روش ANP توسعه‌دهندهٔ AHP است. تفاوت اصلی بین این دو روش در نحوه مدل‌سازی روابط بین معیارها است. AHP ساختار سلسله‌مراتبی صریحی دارد و روابط یک‌طرفه را فرض می‌کند، در حالی که روش ANP از یک ساختار شبکه‌ای استفاده می‌کند و روابط بازخوردی را در نظر می‌گیرد. بنابراین، روش ANP برای مسائلی که وابستگی‌های متقابل پیچیده‌ای وجود دارد، مناسب‌تر است.
• روش TOPSIS (Technique for Order Preference by Similarity to Ideal Solution): این روش بر اساس فاصلهٔ گزینه‌ها از نقطهٔ ایده‌آل و نقطهٔ ضد ایده‌آل رتبه‌بندی می‌کند. این روش ساده و قابل فهم است، اما نمی‌تواند روابط بین معیارها را مدل‌سازی کند. در مقابل، روش ANP با در نظر گرفتن این روابط، می‌تواند نتایج دقیق‌تری ارائه دهد.
• روش VIKOR (VIekriterijumski Izborova Metoda): یک روش رتبه‌بندی است که بر اساس معیارهای بهینه‌ترین، سازش‌پذیرترین و بدترین عملکرد رتبه‌بندی می‌کند. این روش برای مسائلی که در آن چندین ذینفع با اهداف متضاد وجود دارد، مناسب است. با این حال، روش ANP انعطاف‌پذیری بیشتری در مدل‌سازی ساختار مسأله دارد و می‌تواند برای طیف گسترده‌تری از مسائل به کار رود.
• روش ELECTRE (Elimination Et Choix Traduisant la Réalité): بر اساس حذف گزینه‌های نامناسب و انتخاب بهترین گزینه باقی‌مانده رتبه‌بندی می‌کند. این روش برای مسائلی که در آن اطلاعات محدودی در مورد گزینه‌ها وجود دارد، مناسب است. روش ANP با استفاده از مقایسهٔ زوجی، می‌تواند اطلاعات بیشتری از تصمیم‌گیرندگان جمع‌آوری کند و نتایج دقیق‌تری ارائه دهد.

به‌طور خلاصه، انتخاب روش مناسب بستگی به ویژگی‌های مسأله و اهداف تصمیم‌گیری دارد. روش ANP با قابلیت مدل‌سازی وابستگی‌های متقابل، برای مسائلی که روابط پیچیده‌ای بین معیارها وجود دارد، یک ابزار قدرتمند است.

---

نکات عملی و چالش‌های پیاده‌سازی روش ANP

پیاده‌سازی روش ANP در عمل می‌تواند با چالش‌هایی همراه باشد. در این بخش، به برخی از نکات عملی و چالش‌های رایج می‌پردازیم.

• انتخاب نرم‌افزار مناسب: استفاده از نرم‌افزارهای تخصصی مانند SuperDecisions یا Expert Choice، فرآیند محاسبهٔ روش ANP را بسیار آسان‌تر می‌کند. این نرم‌افزارها امکان رسم نمودار شبکه‌ای، مقایسهٔ زوجی، محاسبهٔ Supermatrix و تجزیه و تحلیل حساسیت را فراهم می‌کنند.
• جمع‌آوری داده‌های مقایسهٔ زوجی: جمع‌آوری داده‌های دقیق و قابل اعتماد برای مقایسهٔ زوجی، یکی از مهم‌ترین چالش‌ها در پیاده‌سازی روش ANP است. برای این منظور، می‌توان از روش‌های مصاحبه، پرسشنامه و گروه‌های متمرکز استفاده کرد.
• مدیریت ناسازگاری‌ها: در مقایسهٔ زوجی، احتمال بروز ناسازگاری‌های منطقی وجود دارد. برای رفع این مشکل، باید شاخص ناسازگاری (CR) را محاسبه و در صورت لزوم، مقایسه‌ها را اصلاح کرد.
• تفسیر نتایج: نتایج روش ANP (مانند وزن‌های نهایی) باید به‌طور دقیق تفسیر شوند و به تصمیم‌گیرندگان توضیح داده شوند. برای این منظور، می‌توان از نمودارها و جداول برای نمایش بصری نتایج استفاده کرد.
• در نظر گرفتن دیدگاه‌های مختلف: در بسیاری از مسائل تصمیم‌گیری، دیدگاه‌های مختلفی وجود دارد. برای در نظر گرفتن این دیدگاه‌ها، می‌توان از روش ANP به صورت گروهی استفاده کرد و وزن‌های مختلفی را برای هر دیدگاه در نظر گرفت.

با رعایت این نکات عملی و مدیریت چالش‌ها، می‌توان از روش ANP به طور موثر در حل مسائل تصمیم‌گیری چندمعیاره استفاده کرد.

---

آینده روش ANP و توسعه‌های آتی

روش ANP همچنان یک حوزهٔ فعال در تحقیقات تصمیم‌گیری چندمعیاره است. در سال‌های اخیر، توسعه‌های متعددی در این روش صورت گرفته است و انتظار می‌رود که در آینده نیز شاهد پیشرفت‌های بیشتری باشیم.

• ادغام با روش‌های هوش مصنوعی: ترکیب روش ANP با روش‌های هوش مصنوعی مانند یادگیری ماشین و شبکه‌های عصبی، می‌تواند امکان خودکارسازی فرآیند تصمیم‌گیری و بهبود دقت نتایج را فراهم کند.
• توسعهٔ روش‌های جدید برای مقایسهٔ زوجی: محققان در حال توسعهٔ روش‌های جدیدی برای مقایسهٔ زوجی هستند که دقت و کارایی بیشتری دارند. این روش‌ها می‌توانند به کاهش ناسازگاری‌ها و بهبود کیفیت داده‌های ورودی کمک کنند.
• استفاده از داده‌های بزرگ (Big Data): با افزایش حجم داده‌های موجود، می‌توان از روش ANP برای تحلیل داده‌های بزرگ و استخراج الگوهای تصمیم‌گیری استفاده کرد.
• توسعهٔ نرم‌افزارهای کاربرپسند: توسعهٔ نرم‌افزارهای کاربرپسند و با قابلیت‌های پیشرفته، می‌تواند امکان استفادهٔ گسترده‌تر از روش ANP را برای کاربران غیرمتخصص فراهم کند.
• کاربرد در حوزه‌های جدید: انتظار می‌رود که روش ANP در آینده در حوزه‌های جدیدی مانند مدیریت بحران، ارزیابی پایداری و تصمیم‌گیری‌های اخلاقی به کار رود.

با توجه به این توسعه‌ها، روش ANP همچنان یک ابزار ارزشمند برای تصمیم‌گیرندگان در حوزه‌های مختلف خواهد بود.

---

نتیجه‌گیری

روش ANP به عنوان یک روش تصمیم‌گیری چندمعیاره قدرتمند، با قابلیت مدل‌سازی وابستگی‌های متقابل، جایگاه ویژه‌ای در حوزه‌های مختلف پیدا کرده است. در این مقاله، به بررسی مفصل اصول، مراحل، کاربردها، مزایا، محدودیت‌ها و نکات عملی روش ANP پرداختیم. با درک این مفاهیم، دانشجویان و پژوهشگران می‌توانند از این روش برای حل مسائل تصمیم‌گیری پیچیده استفاده کنند.

با توجه به توسعه‌های آتی در این حوزه، انتظار می‌رود که روش ANP همچنان یک ابزار ارزشمند برای تصمیم‌گیرندگان در حوزه‌های مختلف باقی بماند.

---

پرسش‌های متداول (FAQ)