آموزش جامع روش MARCOS فازی
در دنیای پرشتاب تحقیق در عملیات، انتخاب بهترین گزینه همواره با چالشی به نام “پایداری رتبه” روبرو بوده است. روشهای کلاسیکی مانند TOPSIS یا VIKOR که دههها بر مقالات علمی حکمرانی میکردند، علیرغم قدرت بالا، در مواجهه با تغییرات جزئی در دادهها یا اضافه شدن یک گزینه جدید، گاهی دچار پدیده «جابجایی رتبه» (Rank Reversal) میشدند. در سال ۲۰۲۰، پروفسور استویک و همکارانش با معرفی روش MARCOS، تلاش کردند تا با تکیه بر «توابع مطلوبیت» و «نقاط مرجع»، این شکاف را پر کنند.
روش روش MARCOS فازی صرفاً یک فرمول جدید نیست؛ بلکه یک فلسفه نوین در مدلسازی ریاضی است. نام این روش که مخفف Measurement of Alternatives and Ranking according to COmpromise Solution است، به خوبی گویای ماهیت آن است: سنجش گزینهها و رتبهبندی بر اساس یک «راه حل سازشی». در واقع، MARCOS فازی سعی میکند بین ایدئالترین حالت ممکن و بدترین سناریوی موجود، یک پل ارتباطی برقرار کند تا رتبهبندی نهایی نه تنها دقیق، بلکه در برابر تلاطمهای آماری کاملاً پایدار باشد.
آنچه می خوانید
منطق فازی؛ ابزاری برای مهار ابهام در MARCOS
چرا باید از روش MARCOS فازی استفاده کنیم؟ در اکثر پروژههای آمار و تحلیل داده، زمانی که با نظرات خبرگان سر و کار داریم، عباراتی مثل «بسیار خوب» یا «متوسط» دارای مرزهای دقیقی نیستند. اینجاست که منطق فازی وارد عمل میشود. روش MARCOS فازی با استفاده از اعداد فازی مثلثی (TFN)، به تصمیمگیرنده اجازه میدهد تا تردیدها و عدم قطعیتهای ذهنی خود را به مدل منتقل کند.
ترکیب MARCOS با محیط فازی باعث میشود که ما به جای کار با «نقطه»، با «بازه» کار کنیم. این رویکرد در آموزش مدیریت ریسک بسیار حیاتی است؛ زیرا مدیران ترجیح میدهند بدانند که یک گزینه در بدترین شرایط فازی (کران پایین) و بهترین شرایط فازی (کران بالا) چه وضعیتی دارد. در واقع، MARCOS فازی به ما یک امتیاز مطلوبیت فازی میدهد که نشاندهنده پایداری عملکرد گزینه در شرایط مبهم است.
تمایز روش MARCOS فازی با روشهای مشابه (TOPSIS و VIKOR)
یکی از سوالات پرتکرار محققان این است که: «چه زمانی باید MARCOS را به روشهای دیگر ترجیح دهیم؟». تفاوت اصلی در این است که MARCOS در ابتدای محاسبات، دو گزینه مجازی (ایدئال و ضدایدئال) را به ساختار ماتریس تصمیم اضافه میکند (ماتریس توسعهیافته). این کار باعث میشود که مرزهای تصمیمگیری از همان ابتدا تثبیت شوند.
برخلاف روش TOPSIS که بر فاصله اقلیدسی تمرکز دارد، یا روش VIKOR که به دنبال بیشترین سود گروهی و کمترین تأسف فردی است، MARCOS فازی بر پایه «درجه مطلوبیت» (Utility Degree) استوار است. این روش با تعریف توابع مطلوبیت خطی، به هر گزینه یک وزن عملکردی نسبت به نقاط مرجع میدهد. این ساختار باعث میشود که MARCOS در تحلیلهای حساسیت، رفتاری بسیار منطقیتر و قابلپیشبینیتر از رقبای سنتی خود نشان دهد. به همین دلیل در سال ۲۰۲۶، این روش به یکی از محبوبترین متدها برای مقالات رشتههای مهندسی صنایع و مدیریت تبدیل شده است.
مزایای رقابتی روش MARCOS فازی؛ چرا داوران ISI شیفته این روش هستند؟
اگر نگاهی به ترندهای مقالات تحقیق در عملیات در سالهای اخیر بیندازید، متوجه هجوم محققان به سمت MARCOS خواهید شد. دلیل این استقبال، تنها جدید بودن روش نیست، بلکه «دقت در جزئیات» است. یکی از بزرگترین مزایای این متد، کاهش اثر دادههای پرت (Outliers) است. در بسیاری از روشها، وجود یک عدد بسیار بزرگ یا بسیار کوچک در ماتریس تصمیم میتواند کل رتبهبندی را منحرف کند؛ اما روش MARCOS فازی با استفاده از توابع مطلوبیت، این نوسانات را تعدیل کرده و گزینهای را انتخاب میکند که در تمامی ابعاد دارای یک «تعادل سازشی» باشد.
مزیت دوم، انعطافپذیری در مقیاسبندی است. در آمار و تحلیل داده، یکی از مشکلات همیشگی، ترکیب معیارهایی با واحدهای مختلف (مثل ریال، کیلوگرم و ساعت) است. روش MARCOS فازی با استفاده از یک تکنیک نرمافزارمحور در محاسبه نسبتهای مطلوبیت، اجازه نمیدهد بزرگی اعداد یک معیار، بر اهمیت معیارهای دیگر سایه بیندازد. این ویژگی باعث میشود که خروجی نهایی بسیار منصفانه و قابل دفاع باشد.
همچنین، این روش به خوبی با تکنیکهای وزندهی مدرن مانند روش MEREC فازی (که بر اساس اثر حذفی معیارها کار میکند) ترکیب میشود. این ترکیب «نوآورانه»، یک مدل دو مرحلهای قدرتمند میسازد که در آن وزنها به صورت عینی و رتبهبندی به صورت سازشی انجام میشود. این همان مسیری است که پژوهشگران را به سمت پذیرش سریعتر در ژورنالهای با ضریب تأثیر بالا هدایت میکند.
چالشها و محدودیتها؛ آنچه در کتابها به شما نمیگویند
ما در فرابگیر معتقدیم صداقت علمی، کلید اعتماد کاربران است. روش MARCOS فازی علیرغم تمام قدرت خود، چالشهایی دارد که باید آگاهانه با آنها روبرو شوید. اولین چالش، حجم بالای محاسبات تکراری است. برخلاف روشهای سادهای مثل روش SAW، در MARCOS فازی شما با یک ماتریس توسعهیافته (Extended Matrix) سر و کار دارید. این یعنی برای هر گام، باید محاسبات را برای دو گزینه فرضی دیگر نیز انجام دهید که احتمال خطای انسانی را در محاسبات دستی به شدت بالا میبرد.
دومین چالش، حساسیت به انتخاب نقاط مرجع است. اگرچه در متدولوژی استاندارد، نقاط ایدئال و ضدایدئال بر اساس مقادیر بیشینه و کمینه ماتریس تعیین میشوند، اما در برخی پروژههای خاص آموزش مدیریت، نیاز به تعیین این نقاط بر اساس استانداردهای صنعتی وجود دارد. انتخاب اشتباه این مرزها میتواند باعث شود که تمامی گزینهها «مطلوب» یا همگی «نامطلوب» ارزیابی شوند که این امر تفکیکپذیری مدل را از بین میبرد.
در نهایت، وابستگی به محیط فازی انتخابی نیز مطرح است. استفاده از اعداد فازی مثلثی سادهترین راه است، اما برای دادههایی که ابهام بسیار بالایی دارند (مثل پیشبینی بازار سرمایه در سال ۲۰۲۶)، ممکن است نیاز به استفاده از فازی نوع دوم یا شهودی باشد که پیچیدگی مدل را چندین برابر میکند. به همین دلیل است که داشتن یک فایل اکسل روش MARCOS فازی که فرمولهای آن از پیش تست شده باشد، برای محققان یک ضرورت حیاتی محسوب میشود.
کاربردهای استراتژیک؛ روش MARCOS فازی در میدان عمل
این روش تنها برای محیطهای دانشگاهی نیست؛ قدرت اصلی MARCOS فازی در حل مسائل دنیای واقعی نهفته است. در ادامه به برخی از مهمترین کاربردها اشاره میکنیم:
- مدیریت زنجیره تأمین پایدار: انتخاب تأمینکنندهای که هم از نظر اقتصادی بهینه باشد و هم الزامات زیستمحیطی را رعایت کند، یک مسئله کلاسیک سازشی است. MARCOS فازی با در نظر گرفتن نقاط ایدئال سبز، بهترین تأمینکننده را معرفی میکند.
- مکانیابی نیروگاههای انرژی تجدیدپذیر: در پروژههایی که با دادههای جغرافیایی و فنی (GIS) سر و کار دارند، MARCOS فازی به دلیل پایداری بالا در برابر تغییرات محیطی، گزینهای بیرقیب برای رتبهبندی مکانهای کاندید است.
- ارزیابی ریسک اعتباری در بانکداری: بانکها میتوانند از این متد برای رتبهبندی متقاضیان وام استفاده کنند، به طوری که ریسکهای پنهان (ضدایدئال) به خوبی در امتیاز نهایی لحاظ شود.
- انتخاب تکنولوژی در صنعت ۴.۰: جایی که معیارهای فنی و اقتصادی با هم در تضاد هستند، MARCOS فازی با استفاده از توابع مطلوبیت، هوشمندانهترین انتخاب را برای سرمایهگذاری در تکنولوژیهای نوین فراهم میآورد.
گامهای محاسباتی روش MARCOS فازی
در این بخش، نقشه راه پیادهسازی مدل را به صورت مرحلهبندی شده و با استفاده از زبان ریاضی بررسی میکنیم. فرض کنید ماتریس تصمیم ما شامل m گزینه و n معیار است که مقادیر آن به صورت اعداد فازی مثلثی xij ={lij, mij, uij} نمایش داده میشود.
گام اول: تشکیل ماتریس تصمیم توسعهیافته (Extended Matrix)
اولین و مهمترین تفاوت MARCOS با سایر روشها در این گام نهفته است. ما باید مرزهای تصمیم را با اضافه کردن دو گزینه مجازی تثبیت کنیم:
- ایدئال (Ideal Solution – ID): گزینهای فرضی که در هر معیار، بهترین عملکرد ممکن را دارد.
- ضدایدئال (Anti-Ideal Solution – AID): گزینهای فرضی که در هر معیار، ضعیفترین عملکرد را دارد.
گام دوم: نرمالسازی ماتریس توسعهیافته nij
در این مرحله، تمامی امتیازات (شامل گزینههای اصلی و دو گزینه مجازی) باید بیمقیاس شوند. فرمول نرمالسازی در MARCOS به شدت بر نقاط مرجع تکیه دارد:
اگر معیار از نوع سود باشد:
اگر معیار از نوع هزینه باشد:
گام سوم: تشکیل ماتریس موزون فازی vij
امتیازات نرمال شده در وزن معیارها (w_j) ضرب میشوند. دقت کنید که وزنها معمولاً اعداد قطعی هستند که از روشهایی مثل روش MEREC فازی به دست آمدهاند:
گام چهارم: محاسبه مجموع امتیازات عملکردی Si
برای هر گزینه، مجموع امتیازات موزون در تمام معیارها را محاسبه میکنیم. این کار را برای گزینههای مجازی ID و AID نیز انجام میدهیم:
گام پنجم: محاسبه درجات مطلوبیت (K_i)
در این مرحله، نسبت عملکرد هر گزینه را نسبت به نقاط مرجع میسنجیم. این مرحله مشخص میکند هر گزینه چقدر به ایدئال نزدیک و از ضدایدئال دور است:
درجه مطلوبیت نسبت به ضدایدئال
درجه مطلوبیت نسبت به ایدئال
گام ششم: دیفازیسازی و محاسبه توابع مطلوبیت f(K_i)
ابتدا مقادیر فازی K_i را با روش میانگین ساده دیفازی میکنیم. سپس با استفاده از فرمول زیر، تابع مطلوبیت نهایی را به دست میآوریم:
در این فرمول، f(K_i-) مطلوبیت نسبت به ضدایدئال و f(K_i+) مطلوبیت نسبت به ایدئال است. گزینه با بالاترین f(K_i) رتبه اول را کسب میکند.
مثال عددی گامبهگام با عددگذاری کامل
برای درک عمیق محاسبات، یک مسئله واقعی را در نظر بگیرید: رتبهبندی ۳ تأمینکننده قطعات صنعتی (A_1, A_2, A_3) بر اساس ۴ معیار کلیدی. هدف ما یافتن پایدارترین گزینه در محیطی مبهم است.
گام اول: تشکیل ماتریس تصمیم فازی (ورودی مدل)
در این مثال، ۲ معیار از نوع سود (بیشتر بهتر) و ۲ معیار از نوع هزینه (کمتر بهتر) هستند. وزن معیارها نیز از پیش تعیین شده است.
- C1 (سود): کیفیت قطعات (w=0.3)
- C2 (هزینه): قیمت واحد (w=0.3)
- C3 (سود): سرعت تحویل (w=0.2)
- C4 (هزینه): نرخ خرابی (w=0.2)
| گزینهها | C1 (سود) | C2 (هزینه) | C3 (سود) | C4 (هزینه) |
| A1 | (4, 5, 6) | (2, 3, 4) | (7, 8, 9) | (5, 6, 7) |
| A2 | (7, 8, 9) | (5, 6, 7) | (4, 5, 6) | (1, 2, 3) |
| A3 | (5, 6, 7) | (1, 2, 3) | (6, 7, 8) | (3, 4, 5) |
گام دوم: استخراج نقاط مرجع ایدئال (ID) و ضدایدئال (AID)
مرزهای سیستم را بر اساس بهترین و بدترین مقادیر موجود در ماتریس تعریف میکنیم:
- C1 (سود): ID = (7, 8, 9) | AID = (4, 5, 6)
- C2 (هزینه): ID = (1, 2, 3) | AID = (5, 6, 7)
- C3 (سود): ID = (7, 8, 9) | AID = (4, 5, 6)
- C4 (هزینه): ID = (1, 2, 3) | AID = (5, 6, 7)
گام سوم: نرمالسازی ماتریس توسعهیافته (n_{ij})
در این مرحله، مقادیر گزینهها نسبت به نقاط مرجع بیمقیاس میشوند. (محاسبات زیر بر اساس مقدار میانی m برای سهولت در چک کردن دستی است):
- برای معیارهای سود (C_1, C_3): تقسیم بر کران بالای ایدئال (u_{id} = 9)
- برای معیارهای هزینه (C_2, C_4): تقسیم کران پایین ایدئال (l_{id} = 1) بر مقدار گزینه
| گزینهها | C1 (سود) | C2 (هزینه) | C3 (سود) | C4 (هزینه) |
| A1 | 0.556 | 0.333 | 0.889 | 0.167 |
| A2 | 0.889 | 0.167 | 0.556 | 0.500 |
| A3 | 0.667 | 0.500 | 0.778 | 0.250 |
| ID | 0.889 | 0.500 | 0.889 | 0.500 |
| AID | 0.556 | 0.167 | 0.556 | 0.167 |
گام چهارم: محاسبه مجموع امتیازات موزون (S_i)
مقادیر نرمال شده در وزنهای مربوطه ضرب و برای هر سطر جمع میشوند:
- A1: {0.478}
- A2: {0.528}
- A3: {0.556}
- ID (امتیاز ایدئال): S+= {0.695}
- AID (امتیاز ضدایدئال): S- = {0.361}
گام پنجم: محاسبه درجات مطلوبیت (K_i) و رتبهبندی نهایی
نسبت هر گزینه به نقاط مرجع محاسبه شده و در نهایت تابع مطلوبیت رتبه را تعیین میکند:
- گزینه A3: با درجات مطلوبیت K_3^+ = 0.800 و K_3^- = 1.540، این گزینه به دلیل عملکرد متوازن در هزینهها و کیفیت، رتبه اول را کسب کرد.
- گزینه A2: با مجموع امتیاز 0.528 در جایگاه دوم قرار گرفت.
- گزینه A1: با کمترین امتیاز یعنی 0.478 رتبه سوم را به خود اختصاص داد.
سوالات متداول در مورد روش MARCOS فازی
در این بخش به برخی از پرتکرارترین پرسشهای پژوهشگران در جلسات دفاع و داوری مقالات پاسخ میدهیم:
چرا روش MARCOS فازی از TOPSIS دقیقتر است؟
در TOPSIS، گزینه برتر بر اساس کمترین فاصله از ایدئال و بیشترین فاصله از ضدایدئال انتخاب میشود، اما MARCOS از «توابع مطلوبیت» استفاده میکند که نسبتهای عملکرد را با پایداری بیشتری در محیط ابهام میسنجد. همچنین MARCOS پدیده جابجایی رتبه را به شدت کاهش میدهد.
آیا میتوان از این روش برای تعداد گزینههای زیاد (مثلاً ۲۰ گزینه) استفاده کرد؟
بله، یکی از نقاط قوت MARCOS این است که با افزایش تعداد گزینهها، به دلیل وجود لنگرهای مرجع (ایدئال و ضدایدئال)، دچار آشفتگی در رتبهبندی نمیشود و تفکیکپذیری بسیار بالایی دارد.
آیا برای اجرای روش MARCOS فازی به نرمافزار خاصی نیاز داریم؟
خیر، برخلاف روشهایی مثل ANP که نیاز به نرمافزارهای سنگین دارند، MARCOS فازی به راحتی در اکسل قابل پیادهسازی است. البته به دلیل حجم بالای ماتریس توسعهیافته، استفاده از فایل اکسل آماده MARCOS فازی برای جلوگیری از خطای انسانی توصیه میشود.
نسبت به روش VIKOR چه مزیتی دارد؟
روش VIKOR به یک پارامتر وزندهی به نام “بیشترین سود گروهی” (v) نیاز دارد که کاملاً ذهنی است. اما MARCOS فازی بر پایه نسبتهای مطلوبیت عینی عمل میکند و نیاز به تعیین پارامترهای ذهنی اضافی در میانه محاسبات ندارد.
تحلیل حساسیت (Sensitivity Analysis)؛ آزمون وفاداری رتبهها
در دنیای تحقیق در عملیات، هیچ رتبهبندی بدون تحلیل حساسیت کامل نیست. تحلیل حساسیت در روش MARCOS فازی به معنای بررسی این موضوع است که اگر وزن معیارها یا مقادیر ورودی تغییر کنند، آیا گزینه برتر همچنان در جایگاه خود باقی میماند یا خیر؟ این فرآیند به تصمیمگیرنده اطمینان میدهد که خروجی مدل تحت تأثیر نوسانات جزئی دادهها نیست.
از آنجا که روش MARCOS فازی بر پایه توابع مطلوبیت کار میکند، تحلیل حساسیت در آن از اهمیت دوچندانی برخوردار است. در بسیاری از موارد، رقابت بین دو گزینه بسیار نزدیک است؛ در چنین شرایطی، تحلیل حساسیت مشخص میکند که “مرز اطمینان” تصمیم ما کجاست. در بخش آمار و تحلیل داده، این مرحله به عنوان تست پایداری (Robustness Check) شناخته میشود و اعتبار علمی پژوهش را به شدت افزایش میدهد.
الف) تحلیل حساسیت بر اساس تغییر وزن معیارها
رایجترین روش تحلیل حساسیت در MARCOS فازی، تغییر وزن معیارها در سناریوهای مختلف است. برای این کار معمولاً وزن مهمترین معیار را کاهش داده و وزن سایر معیارها را به نسبت مساوی افزایش میدهیم.
- سناریوی اول: وزنها به صورت مساوی توزیع میشوند (Equal weights).
- سناریوی دوم: معیار هزینه بیشترین وزن را میگیرد.
- سناریوی سوم: وزن معیار اصلی ۵۰٪ کاهش مییابد.
اگر در تمامی این حالتها، گزینه برتر تغییر نکند، مدل شما “بسیار پایدار” است. اما اگر با تغییر کوچکی در وزن یک معیار، جایگاه گزینهها عوض شود، باید در انتخاب آن معیار یا دقت دادههای ورودی تجدیدنظر کرد. استفاده از فایل اکسل روش MARCOS فازی که دارای بخش تحلیل حساسیت خودکار باشد، این فرآیند زمانبر را به چند کلیک ساده تبدیل میکند.
ب) تحلیل حساسیت با تغییر پارامترهای مرجع
در روش MARCOS فازی، ما میتوانیم تحلیل حساسیت را روی خودِ توابع مطلوبیت نیز انجام دهیم. با تغییر نحوه محاسبه نقاط ایدئال و ضدایدئال (مثلاً استفاده از مقادیر استاندارد به جای مقادیر موجود در ماتریس)، میتوانیم مشاهده کنیم که مطلوبیت گزینهها چقدر به “مرزهای سیستم” وابسته است. این نوع تحلیل در آموزش مدیریت استراتژیک برای بررسی بدترین سناریوهای ممکن (Worst-case scenarios) بسیار کاربردی است.
ج) مقایسه با سایر روشها (Comparative Analysis)
نوع دیگری از تحلیل حساسیت که داوران ژورنالهای ISI به آن علاقه زیادی دارند، مقایسه نتایج MARCOS با روشهایی مثل روش CoCoSo فازی یا روش TOPSIS فازی است. اگر رتبه اول در اکثر این روشها یکسان باشد، صحت خروجی مدل شما اثبات شده است. تفاوت MARCOS در این است که معمولاً فواصل بین امتیازات را به شکلی منطقیتر نمایش میدهد و از ازدحام گزینهها در یک رتبه خاص جلوگیری میکند.
نتیجهگیری نهایی
روش MARCOS فازی، با ترکیب هوشمندانه نقاط مرجع و توابع مطلوبیت، به یکی از قدرتمندترین ابزارهای تحقیق در عملیات در سال ۲۰۲۶ تبدیل شده است. این روش نه تنها به محققان کمک میکند تا بر ابهام دادههای کیفی غلبه کنند، بلکه اعتبار و پایداری نتایج آنها را در تراز اول ژورنالهای علمی قرار میدهد. اگر به دنبال روشی هستید که در برابر نقدهای داوران ISI نفوذناپذیر باشد، MARCOS فازی انتخابی بیرقیب است.
ما در آکادمی فرابگیر، با ارائه آموزشهای عمیق و ابزارهای محاسباتی دقیق، در کنار شما هستیم تا پیچیدهترین مسائل تصمیمگیری را به سادهترین شکل ممکن حل کنید. تسلط بر MARCOS، گام بلندی در مسیر تبدیل شدن به یک تحلیلگر حرفهای داده است.