آموزش جامع روش MABAC

در دنیای پیچیده امروز، تصمیم‌گیری‌های مهم اغلب با در نظر گرفتن معیارهای متعددی همراه هستند. انتخاب بهترین گزینه در این شرایط، نیازمند استفاده از روش‌های سیستماتیک و منطقی است که بتوانند تمامی جوانب را به درستی ارزیابی کنند. روش‌های تصمیم‌گیری چندمعیاره (Multiple Criteria Decision Making – MCDM) ابزارهایی قدرتمند هستند که به افراد و سازمان‌ها کمک می‌کنند تا در چنین شرایطی تصمیمات بهینه بگیرند. از جمله این روش‌ها می‌توان به AHP، TOPSIS، VIKOR و روش MABAC اشاره کرد.

روش MABAC (Multiple Attribute Border Approximation) یک روش تصمیم‌گیری چندمعیاره نسبتاً جدید است که توسط پروفسور بوریس گلیچ (Boris Golic) در سال 2018 معرفی شده است. این روش بر اساس مفهوم “حدودگذاری” (Border Approximation) بنا شده است و به دنبال تعیین بهترین گزینه با مقایسه آن با یک مرجع ایده‌آل و یک مرجع منفی ایده‌آل است. روش MABAC به دلیل سادگی، انعطاف‌پذیری و توانایی در برخورد با داده‌های غیردقیق، به سرعت در بین محققان و متخصصان حوزه تصمیم‌گیری مورد توجه قرار گرفته است.

یکی از ویژگی‌های مهم روش ماباک، عدم نیاز به رتبه‌بندی اولیه گزینه‌ها است. در بسیاری از روش‌های دیگر، ابتدا باید گزینه‌ها بر اساس یک معیار خاص رتبه‌بندی شوند، اما در روش MABAC، این مرحله حذف شده و ارزیابی گزینه‌ها به صورت مستقیم و بر اساس تمامی معیارها انجام می‌شود. این ویژگی باعث می‌شود که روش ماباک در شرایطی که رتبه‌بندی گزینه‌ها دشوار یا غیرممکن است، بسیار کارآمد باشد. همچنین، روش ماباک می‌تواند با انواع مختلف داده‌ها (کمی و کیفی) کار کند و به همین دلیل، کاربرد گسترده‌ای در زمینه‌های مختلف دارد.

معرفی روش MABAC

روش ماباک (MABAC) (مقایسه چند شاخصه محدوده تقریبی مرزها) یکی از روش های جدید در تصمیم گیری چندشاخصه می باشد. روش ماباک توسط دراگان پاموکار در مرکز تحقیقات دفاع لجستیک دفاع در بلگراد تهیه و برای اولین بار در سال 2015 در معرض دید عموم علمی قرار گرفت.

تا به امروز ، این روش کاربردها و اصلاحات بسیار گسترده ای را برای حل بسیاری از مسائل در زمینه تصمیم گیری های چند معیاری ارائه داده است.

رویکرد اصلی روش ماباک در تعیین فاصله عملکرد معیار هر یک از گزینه های مشاهده شده از دامنه تقریبی مرزی منعکس شده آن می باشد.

---

مزایا و معایب روش MABAC

روش MABAC دارای مزایای متعددی است که آن را به یک روش جذاب برای تصمیم‌گیری چندمعیاره تبدیل کرده است. یکی از مهم‌ترین مزایای این روش، سادگی و سهولت استفاده از آن است. روش ماباک نیازی به محاسبات پیچیده و نرم‌افزارهای تخصصی ندارد و می‌توان آن را به راحتی با استفاده از نرم‌افزارهای صفحه گسترده مانند Excel انجام داد. همچنین، روش MABAC انعطاف‌پذیری بالایی دارد و می‌تواند با انواع مختلف داده‌ها (کمی و کیفی) کار کند.

مزیت دیگر روش MABAC، عدم نیاز به رتبه‌بندی اولیه گزینه‌ها است. این ویژگی باعث می‌شود که روش ماباک در شرایطی که رتبه‌بندی گزینه‌ها دشوار یا غیرممکن است، بسیار کارآمد باشد. علاوه بر این، روش ماباک می‌تواند با معیارهای متناقض و غیرقابل مقایسه به خوبی برخورد کند. با این حال، روش ماباک نیز دارای معایبی است. یکی از معایب این روش، حساسیت آن به وزن‌دهی معیارها است. اگر وزن‌دهی معیارها به درستی انجام نشود، نتایج نهایی ممکن است دقیق نباشند.

در مقایسه با سایر روش‌های تصمیم‌گیری چندمعیاره، روش ماباک دارای نقاط قوت و ضعفی است. به عنوان مثال، در مقایسه با AHP، روش ماباک ساده‌تر و سریع‌تر است، اما دقت آن ممکن است کمتر باشد. در مقایسه با TOPSIS، روش MABAC انعطاف‌پذیری بیشتری دارد و می‌تواند با انواع مختلف داده‌ها کار کند، اما پیچیدگی آن ممکن است بیشتر باشد. به طور کلی، روش ماباک یک روش مناسب برای تصمیم‌گیری‌های پیچیده است که نیاز به یک رویکرد سیستماتیک و منطقی دارند.

---

کاربردهای عملی روش MABAC در صنایع مختلف

روش MABAC به دلیل سادگی در محاسبه و قابلیت کار با داده‌های ترکیبی (کمی‑کیفی) در حوزه‌های گوناگون به‌کار گرفته شده است. در صنعت تولید، این روش برای انتخاب بهترین ترکیب مواد اولیه یا بهینه‌سازی خطوط تولید استفاده می‌شود؛ به‌طوری‌که معیارهای هزینه، کیفیت محصول، زمان تولید و پایداری محیطی همزمان در ارزیابی گنجانده می‌شوند. نتایج نشان می‌دهد که تصمیم‌گیری مبتنی بر روش MABAC می‌تواند هزینه‌های تولید را تا 12 ٪ کاهش دهد و در عین حال سطح کیفیت را ارتقا بخشد.

در حوزه انرژی، روش MABAC برای مقایسه گزینه‌های مختلف تولید انرژی (مانند نیروگاه‌های خورشیدی، بادی و گاز طبیعی) به‌کار رفته است. معیارهای کلیدی شامل هزینه سرمایه‌گذاری، بازدهی انرژی، اثرات زیست‌محیطی و قابلیت اطمینان در این مقایسه گنجانده می‌شوند. مطالعات موردی نشان می‌دهد که استفاده از روش MABAC می‌تواند انتخاب بهینه‌ای را ارائه دهد که نه‌تنها هزینه‌ها را به حداقل می‌رساند، بلکه اثرات منفی زیست‌محیطی را نیز کاهش می‌دهد.

در بخش خدمات مالی، روش MABAC برای ارزیابی ریسک و بازدهی پورتفوی سرمایه‌گذاری به کار گرفته می‌شود. معیارهایی چون نوسان قیمت، سودآوری، نقدینگی و سازگاری با سیاست‌های ESG (محیط‌زیست، اجتماعی و حاکمیت) در این چارچوب ترکیب می‌شوند. نتایج نشان می‌دهد که تصمیم‌گیری مبتنی بر روش MABAC می‌تواند ترکیب بهینه‌ای از دارایی‌ها را شناسایی کند که ریسک کلی را کاهش داده و بازدهی مورد انتظار را حفظ می‌کند.

---

گام های اجرایی روش MABAC

در بخش زیر ، روش اجرای روش ماباک متشکل از 6 مرحله نشان داده شده است:

مرحله 1: تشکیل ماتریس تصمیم گیری اولیه (X).  

در مرحله اول ، گزینه های m با معیارهای n ارزیابی می شوند.

گزینه ها با بردار  Ai=(Xi1, Xi2, …, Xin) نشان داده شده است به طوری که Xij مقدار iامین گزینه با jامین معیار (i=1,2,…,m ; j=1,2,..,n) می باشد.

مرحله 2: نرمال سازی عناصر ماتریس شروع (X).

عناصر ماتریس نرمال (N) با استفاده از این عبارت مشخص می شوند:

برای معیارهای متعلق به یک نوع “سود” (مقدار بیشتر معیار مطلوب تر است):

برای معیارهای متعلق به یک نوع “هزینه” (مقدار کمتر معیار مطلوب تر است):

به طوری که Xij, X+, X- نمایش دهنده عناصر ماتریس شروع تصمیم گیری (X) هستند و مقادیر X+, X-  به صورت زیر محاسبه می شوند:

•  Xi+ = MAX (x1, x2… xn) و نمایانگر مقادیر حداکثر معیارهای مشاهده شده توسط گزینه های دیگر.
• Xi- = MIN (x1, x2… xm) و نمایانگر مقادیر حداقل معیارهای مشاهده شده توسط گزینه های دیگر.

مرحله 3: محاسبه عناصر ماتریس دشوارتر (V).

عناصر ماتریس دشوارتر (V) بر اساس معادله زیر محاسبه می شوند:

که در آن tij عناصر ماتریس نرمال (N) را نشان می دهند ، wi ضریب وزن معیارها را نشان می دهد. با استفاده از معادله فوق ماتریس V را بدست خواهیم آورد.

جایی که n تعداد کل معیارها و m تعداد کل گزینه ها را نشان می دهد.

مرحله 4: تعیین ماتریس محدوده تقریبی مرزها (G).

محدوده تقریبی مرز (GAO) با معادله زیر مشخص می شود:

جایی که vij عناصر ماتریس وزنی (V) را نشان می دهد ، m تعداد کل گزینه های جایگزین را نشان می دهد.

پس از محاسبه مقدار gi ماتریس محدوده های تقریبی مرزی با توجه به معیارهای G با فرمت N*1 شکل می گیرد (n تعداد کل معیارهایی را که گزینه های ارائه شده برای آنها انتخاب می شود را نشان می دهد).

مرحله 5: محاسبه عنصر ماتریس فاصله جایگزینی برای محدوده تقریبی مرزی (Q)

فاصله جایگزین ها از منطقه تقریبی مرز (qij) بر اساس تفاوت عناصر ماتریس سنگین تر (V) و مقادیر هم مرز مناطق تقریبی (G) تعیین می‌شود.

جایی که gi نمایانگر مناطق تقریبی مرزی برای معیار Ci، Vij عناصر ماتریس سنگین تر (V) ، n تعداد معیارها  و m تعداد گزینه ها را نشان می دهد.

گزینه Ai ممکن است به یک منطقه تقریبی مرز (G) ، منطقه تقریبی بالای مرز (G+) یا منطقه تقریبی پایین مرز (G-) تعلق داشته باشد به عبارتی دیگر Ai={G v G+ v G- }.

ناحیه تقریبی فوقانی (G+) منطقه ای را نشان می دهد که در آن گزینه  ایده آل (A+) واقع شده است ، در حالی که منطقه تقریبی پایین تر (G-) منطقه ای را نشان می دهد که جایگزین ضد ایده آل (A-) در آن قرار دارد.

وابستگی Ai به گزینه به منطقه تقریبی (G ، G+ یا G-) بر اساس معادله زیر تعیین می شود:

برای اینکه گزینه Ai به عنوان بهترین گزینه از یک مجموعه معین انتخاب شود ، لازم است تا آن حد با حداکثر معیار ممکن به میدان تقریبی فوقانی (G+) تعلق داشته باشد.

اگر به عنوان مثال ، اگر یک Ai با 5 معیار تقریبی فوقانی (از کل 6 معیار) و یک معیار تقریبی پایینی(G-)، تعلق داشته باشد ، به این معنی است که با 5 معیار ، این گزینه نزدیک یا مساوی ایده آل  و با یک معیار نزدیک با برابر ضد ایده آل است.

اگر مقدار qij>0 (یعنی qij به منطقه تقریبی فوقانی (G+)) باشد ، آنگاه گزینه Ai نزدیک یا مساوی با گزینه ایده آل است در حالی که  اگر مقدار qij<0 (یعنی qij به منطقه تقریبی پایینی (G-)) باشد ، آنگاه گزینه Ai نزدیک یا مساوی با گزینه ضد ایده آل است.

مرحله 6: رتبه بندی گزینه ها.

محاسبه مقادیر توابع معیارها توسط گزینه ها به وسیله مجموع فاصله گزینه های جایگزین از مرزهای محدوده تقریبی بدست می آید. با جمع بندی عناصر ماتریس Q توسط ردیف ها ، ما مقادیر نهایی عملکردهای معیار گزینه های جایگزین را بدست می آوریم.

جایی که n تعداد معیارها را نشان می دهد  و m تعداد گزینه های جایگزین را نشان می دهد.

---

مثال روش MABAC

پس از به دست آوردن مقادیر معیارهای نسبی در روش SWARA، تعیین مطلوب ترین نوع مدیریت راه آهن لازم است. برای این منظور از روش MABAC استفاده شده است. هر 14 تصمیم گیرنده که قبلاً تأثیر متقابل معیارها را مشخص کرده بودند ، ارزیابی گزینه های جایگزین را نیز انجام دادهاند. با استفاده از میانگین هندسی تمام پاسخ ها ، ماتریس تصمیم گیری اولیه در جدول زیر نشان داده شده است.

	C1	C2	C3	C4	C5	C6
A1	4.238	3.918	4.530	3.710	4.502	4.810
A2	5.142	4.786	4.698	5.433	5.174	6.706
A3	6.470	4.909	5.463	6.069	6.020	6.392
A4	4.341	7.471	4.900	7.796	5.051	3.580

پس از ماتریس تصمیم گیری اولیه  ماتریس نرمال شده در جدول زیر نشان داده شده است.

	C1	C2	C3	C4	C5	C6
A1	0.000	0.000	0.000	0.000	0.000	0.393	Normalized
A2	0.405	0.244	0.180	0.422	0.443	1.000
A3	1.000	0.279	1.000	0.577	1.000	0.900
A4	0.046	1.000	0.397	1.000	0.362	0.000
W	0.224	0.203	0.177	0.15	0.129	0.117

در این جدول یک ماتریس نرمال دشوار به دست آمده با ضرب ماتریس نرمال شده  با مقادیر وزن معیارهای به دست آمده با استفاده از روش SWARA نشان داده شده است.

V	C1	C2	C3	C4	C5	C6
A1	0.224	0.203	0.177	0.150	0.129	0.163	N*W
A2	0.315	0.253	0.209	0.213	0.186	0.234
A3	0.448	0.260	0.354	0.237	0.258	0.222
A4	0.234	0.406	0.247	0.300	0.176	0.117
G	0.293	0.271	0.238	0.218	0.182	0.177

در این جدول ماتریس فاصله جایگزین از منطقه تقریبی سفارش (Q) به دست آمده است.

Q=V-G	C1	C2	C3	C4	C5	C6	Si	Rank
A1	-0.069	-0.068	-0.061	-0.068	-0.053	-0.014	-0.334	4
A2	0.021	-0.019	-0.030	-0.005	0.004	0.057	0.029	3
A3	0.155	-0.012	0.116	0.018	0.076	0.045	0.398	1
A4	-0.059	0.135	0.009	0.082	-0.006	-0.060	0.100	2

پس از اجرای بودجه و به کارگیری مدل مختلط ، بهترین رتبه بندی نوع مدیریت راه آهن نوع شماره 1 است که دلالت بر این دارد که مدل یک شخص حقوقی یکپارچه (مستقل) دارای یک ساختار سازمانی ساده و دارای درجه تمرکز بالایی است ، در حالی که بدترین گزینه رتبه بندی شماره 3 است.

---

تحلیل حساسیت در روش MABAC

یکی از نکات مهم در به‌کارگیری روش MABAC، بررسی حساسیت نتایج نسبت به تغییرات وزن‌های معیارهاست. تحلیل حساسیت به تصمیم‌گیرندگان این امکان را می‌دهد که بفهمند کدام معیارها بیشترین تأثیر را بر رتبه‌بندی نهایی دارند و در صورت نیاز وزن‌ها را بازنگری کنند. برای انجام این تحلیل، معمولاً از روش «تغییر تدریجی وزن» (Incremental Weight Change) استفاده می‌شود؛ به‌عبارت دیگر وزن یک معیار به‌صورت گام به گام افزایش یا کاهش می‌یابد و تأثیر آن بر ضریب نزدیکی هر گزینه محاسبه می‌شود.

نتایج تحلیل حساسیت نشان می‌دهد که در بسیاری از موارد، معیارهای کلیدی مانند هزینه و کیفیت، بیشترین تأثیر را بر رتبه‌بندی نهایی دارند؛ در حالی که معیارهای ثانویه مانند زمان تحویل یا قابلیت گسترش، تأثیر کمتری دارند. این اطلاعات به تصمیم‌گیرندگان کمک می‌کند تا در صورت تغییر شرایط بازار (مثلاً افزایش قیمت مواد اولیه) وزن‌های مربوطه را به‌سرعت تنظیم کنند و تصمیم‌گیری خود را به‌روز نگه دارند.

علاوه بر وزن‌ها، تحلیل حساسیت می‌تواند به‌صورت «حذف معیار» نیز انجام شود؛ یعنی یک معیار به‌صورت موقت از ماتریس تصمیم حذف می‌شود تا ببینیم آیا حذف آن باعث تغییر اساسی در رتبه‌بندی می‌شود یا خیر. اگر حذف یک معیار تأثیر قابل‌توجهی نداشته باشد، می‌توان آن را از فرآیند تصمیم‌گیری حذف کرد و مدل را ساده‌تر کرد. این رویکرد در پروژه‌های بزرگ که تعداد معیارها زیاد است، بسیار مفید است.

نرم‌افزارها و ابزارهای پشتیبانی برای روش MABAC

اگرچه روش MABAC می‌تواند به‌صورت دستی در اکسل محاسبه شود، اما برای پروژه‌های بزرگ و داده‌های حجیم، استفاده از نرم‌افزارهای تخصصی توصیه می‌شود. یکی از ابزارهای رایج، افزونه “MABAC‑Toolbox” برای محیط MATLAB است که توابع آماده برای محاسبه مرجع ایده‌آل، مرجع منفی ایده‌آل، فاصله نسبی و ضریب نزدیکی را فراهم می‌کند. این ابزار علاوه بر محاسبه، قابلیت رسم نمودارهای حساسیت و مقایسه نتایج با سایر روش‌های MCDM (مانند TOPSIS یا VIKOR) را نیز دارد.

در پلتفرم‌های متن‌باز، کتابخانه “pyMABAC” برای زبان برنامه‌نویسی Python توسعه یافته است. این کتابخانه با استفاده از pandas و numpy، امکان بارگذاری داده‌ها از فایل‌های CSV یا Excel، اعمال وزن‌ها، و تولید خروجی‌های جدول‌بندی شده را فراهم می‌کند. همچنین توابع گرافیکی برای نمایش نتایج به‌صورت Radar Chart یا Bar Chart در دسترس هستند که برای ارائه نتایج به اساتید یا مدیران پروژه بسیار مفید است.

برای کاربران غیر فنی، برخی وب‌سایت‌های ایرانی و بین‌المللی فرم‌های آنلاین ارائه می‌دهند که کاربر تنها کافی است ماتریس تصمیم و وزن‌ها را وارد کند و بلافاصله نتایج روش MABAC به‌صورت جدول و نمودار دریافت می‌شود. این سرویس‌ها معمولاً رایگان یا با هزینهٔ کم در دسترس هستند و برای پروژه‌های دانشجویی یا کارهای کوتاه‌مدت گزینهٔ مناسبی به شمار می‌آیند.

چالش‌ها و مسیرهای آینده برای روش MABAC

اگرچه روش MABAC در سال‌های اخیر گسترش یافته است، اما همچنان با چالش‌هایی مواجه است. یکی از مهم‌ترین این چالش‌ها، تعیین دقیق وزن‌های معیارهاست؛ در بسیاری از مطالعات، وزن‌ها به‌صورت سوبژکتیو توسط تصمیم‌گیرندگان تعیین می‌شوند که ممکن است منجر به سوگیری شود. پژوهش‌های آینده می‌توانند ترکیب روش MABAC با تکنیک‌های یادگیری ماشین (مانند الگوریتم‌های بهینه‌سازی تکاملی) برای استخراج وزن‌های بهینه از داده‌های تاریخی را بررسی کنند.

چالش دیگر، گسترش روش MABAC به محیط‌های تصمیم‌گیری پویا است؛ به‌عبارت دیگر، زمانی که معیارها یا گزینه‌ها به‌صورت زمان‌مند تغییر می‌کنند، نیاز به نسخهٔ پویا یا «MABAC‑Dynamic» وجود دارد. برخی مطالعات اولیه نشان داده‌اند که می‌توان با به‌روزرسانی مکرر ماتریس تصمیم و وزن‌ها، روش MABAC را در محیط‌های زمان‌مند به‌کار برد؛ اما الگوریتم‌های کارآمد برای این به‌روزرسانی هنوز به‌طور کامل توسعه نیافته‌اند.

در نهایت، گسترش کاربردهای روش MABAC در حوزه‌های نوظهور مانند هوش مصنوعی، اینترنت اشیا (IoT) و شهرهای هوشمند می‌تواند فرصت‌های جدیدی برای پژوهشگران فراهم کند. به‌عنوان مثال، ترکیب روش MABAC با الگوریتم‌های خوشه‌بندی می‌تواند برای انتخاب بهترین سنسورهای IoT بر اساس معیارهای هزینه، دقت و مصرف انرژی به‌کار رود. این مسیرهای پژوهشی می‌توانند باعث ارتقای توانمندی‌های تصمیم‌گیری چندمعیاره در عصر دیجیتال شوند.

---

نتیجه‌گیری

روش MABAC به‌عنوان یک ابزار تصمیم‌گیری چندمعیاره ساده، انعطاف‌پذیر و قابل‌اعمال در حوزه‌های مختلف صنعتی و خدماتی، توانسته است جایگاه ویژه‌ای در ادبیات پژوهشی پیدا کند. با تکیه بر مفهوم حدودگذاری و محاسبهٔ ضریب نزدیکی، این روش امکان ارزیابی همزمان معیارهای کمی و کیفی را بدون نیاز به رتبه‌بندی اولیه فراهم می‌سازد.

مزایای اصلی شامل سادگی محاسبه، قابلیت ترکیب با ابزارهای نرم‌افزاری مدرن و قابلیت انجام تحلیل حساسیت می‌باشد. در عین حال، چالش‌های مربوط به وزن‌دهی سوبژکتیو و گسترش به محیط‌های پویا همچنان نیازمند پژوهش‌های بیشتر هستند. با پیشرفت‌های آینده در زمینهٔ ترکیب روش MABAC با الگوریتم‌های هوشمند و بهینه‌سازی، انتظار می‌رود این روش به‌عنوان یک استاندارد در تصمیم‌گیری‌های پیچیده و چندمعیاره شناخته شود.

---

سوالات متداول