آموزش جامع روش BWM

در قلمرو تصمیم‌گیری چندمعیاره (MCDM)، تعیین وزن معیارها همیشه با چالش «سازگاری» و «خستگی خبره» همراه بوده است. روش BWM به عنوان یکی از روش های وزن دهی معیارها، با یک رویکرد ساختاریافته و با استفاده از مدل‌های بهینه‌سازی ریاضی، این مشکلات را حل کرده است. این روش بر خلاف AHP که تمام معیارها را با هم مقایسه می‌کند، تنها بر روی دو نقطه استراتژیک تمرکز دارد: بهترین معیار (مهم‌ترین) و بدترین معیار (کم‌اهمیت‌ترین). این هوشمندی در طراحی باعث شده است که BWM به عنوان یکی از دقیق‌ترین روش‌های وزن‌دهی ذهنی در مجلات معتبری همچون Omega و Expert Systems with Applications شناخته شود.

روش بهترين بدترین (BWM) یکی از تکنیک های نوین تصمیم گیری چند معیاره است که در زمره تصمیم گیری چند شاخصه قرار می گیرد و توسط جعفر رضایی در سال 2015 در مقاله ای ارائه شده است. در این روش بهترین و بدترین شاخص توسط تصمیم گیرنده مشخص می شود و مقایسه زوجی بین هر یک از این دو شاخص (بهترین و بدترین) و دیگر شاخص ها صورت می گیرد؛

سپس یک مسئله حداکثر حداقل برای مشخص کردن وزن شاخص های مختلف فرموله و حل می شود؛ همچنین در این روش فرمولی برای محاسبه نرخ ناسازگاری به منظور بررسی اعتبار مقایسات در نظر گرفته شده است.

فلسفه و تئوری روش BWM؛ قدرت نقاط مرزی

فلسفه روش BWM بر این منطق استوار است که ذهن انسان در مقایسه‌های کلی دچار خطا می‌شود، اما در تعیین افراط و تفریط (بهترین و بدترین) بسیار دقیق عمل می‌کند. وقتی از یک خبره می‌پرسید «معیار A چقدر از B بهتر است؟»، ممکن است پاسخ دقیقی ندهد. اما وقتی می‌پرسید «بهترین معیار شما نسبت به بقیه چقدر برتری دارد؟»، او می‌تواند با قاطعیت بیشتری پاسخ دهد. BWM از این ویژگی روانشناختی استفاده می‌کند تا یک «چارچوب مرزی» برای وزن‌ها ایجاد کند.

در این روش، سایر معیارها به عنوان پل‌هایی بین بهترین و بدترین عمل می‌کنند. این نگاه خطی به جای نگاه ماتریسی، باعث می‌شود که روابط بین معیارها شفاف‌تر شود. BWM معتقد است که اگر ما بتوانیم نسبت وزن بهترین معیار به سایرین و نسبت سایرین به بدترین معیار را به درستی استخراج کنیم، وزن واقعی تمام معیارها به صورت خودکار و با کمترین انحراف ممکن محاسبه خواهد شد. این مدل‌سازی باعث می‌شود که داده‌های ورودی بسیار “خالص‌تر” از روش‌هایی مثل AHP و KEMIRA باشند.

در نهایت، تئوری BWM بر پایه «کمینه‌سازی بیشینه انحراف» (Minimax) بنا شده است. به این معنا که مدل ریاضی BWM به دنبال وزن‌هایی است که تضاد بین قضاوت‌های خبره را به حداقل برساند. این رویکرد به ویژه در سال ۲۰۲۶ که سیستم‌های تصمیم‌گیرنده به سمت دقت‌های اعشاری بسیار بالا حرکت کرده‌اند، جایگاه BWM را به عنوان یک روش “خطاپوش” (Error-tolerant) تثبیت کرده است.

درک ریاضی تئوری روش BWM

ازجمله ویژگی های برجسته این روش نسبت به سایر روش های تصمیم گیری چند شاخصه عبارت است از:

• به داده های مقایسه ای کمتر نیاز دارد؛
• این روش به مقایسه های استوارتر منجر می شود؛ بدین معنا که جواب های قابل اطمینان‌تری می دهد.

در این تکنیک ما با مقایسات زوجی معیارها سروکار داریم وقتی از مقایسه زوجي a_ij استفاده می شود، تصمیم گیرنده جهت و استحکام عملکرد i را نسبت به j بیان می کند. در بیشتر موارد، تصمیم گیرنده مشکلی در بیان جهت ندارد در حالی که بیان استحکام عملکرد یک وظیفه مشکل می باشد که اغلب باعث ناسازگاری ها می باشد. برای درک بهتر اهمیت این مسئله ما از یک شکل تصویری استفاده کرده ایم.

با مقایسه درخت A با درخت های دیگر در شکل 1، براحتی قابل تشخیص است که درخت A از درخت B کوتاه تر است و از سایر درخت ها بلند تر می باشد. (جهت).

با این حال ، تخصیص یک عدد برای بیان سطح بلندی نسبی استحکام کار دشوار تری خواهد بود. در حقیقت وقتی کسی می خواهد عددی برای نشان دادن مقایسه بین درخت A و B تخصیص دهند، در ذهن خود روابط بین این دو درخت و سایر درخت ها را نیز در نظر می گیرد.

برای مثال فرض کنید فردی می خواهند عددی برای بیان عملکرد درخت A و E بیان کند (خط توپر AE در شکل 1). بدیهی است که A از E بلندتر است . بنابراین فرد عددی بزرگتر از یک را برای نشان دادن نسبت عملکرد A به E بیان می کند.

چیزی که مشخص است این است که این عدد ، مقدار حداکثری 9 نخواهد بود زیرا که C کوتاه تر از E می باشد (در حقیقت A و C را نیز همزمان با E و C مورد مقایسه قرار می دهد – خط چین های AC و EC در شکل 1).

به علاوه واضح است که B نیز از A بلندتر است (خط چین BA در شکل ۱) که بدین معنی است که 4 یا 5عدد مناسبی می باشد. وقتی فرد عددی مثل ۸ در ذهن خود برای مقایسه B و C در نظر می گیرد چنین تخصیص را برای (AوB) در نظر می گیرد.

بدیهی است که وقتی عملکرد A نسبت به F مد نظر است، تصمیم گیرنده هم چنین بهترین و بدترین آلترناتیو را با توجه به معیارهای مطرح در سوال در نظر می گیرد.

در مثال ما بهترین (بلندترین درخت) B و بدترین (کوتاه ترین درخت) C می باشد. توجه کنید که در این مثال درخت های دیگر (D) نقشی ندارند. اگر ما درختان دیگری بلندتر از C و کوتاه تر از B نیز اضافه کنیم، آنها نیز تاثیری در این مقایسات ندارند.

وقتی درخت های A و D را نیز با هم مقایسه کنیم، همان مشکل مقایسه A و E وجود خواهد داشت. با این حال وقتی یک عضو از یک جفت بهتر یا بدتر از دیگری باشد ، به نظر می رسد که کار راحت تر باشد . برای مثال مقایسه دو درخت B و E. با همان استدلال، در این مورد تنها نیاز به سه مقایسه می باشد (شکل 2) بجای انجام 6 مقایسه در مثال قبل (شکل 1).

انجام مقایسه زمانی که درخت B (بلندترین درخت) یا درخت (کوتاهترین درخت) با درخت های دیگر انجام می شود راحت تر خواهد بود.

به عنوان یک نتیجه جالب از بحث بالا ، می توان مقایسات زوجی را به دو دسته تقسیم کرد:

1. مقایسات پایه
2. مقایسات ثانویه

• تعریف ۱: مقایسه aij یک مقایسه پایه ای است اگر i بهترین عنصر و یا j بدترین عنصر باشد.
• تعریف ۲: مقایسه aij یک مقایسه ثانویه می باشد اگر نه i نه j بهترین یا بدترین عنصر باشند و 1<aij باشد

---

مزایای راهبردی BWM؛ چرا AHP را کنار بگذاریم؟

اصلی‌ترین برتری BWM نسبت به روش‌های سنتی، «کاهش چشمگیر تعداد مقایسات» است. برای n معیار، در روش AHP شما به n(n-1)/2 مقایسه نیاز دارید. اما در BWM تنها به 2n-3 مقایسه نیاز است. برای مثال، اگر ۱۰ معیار داشته باشید، AHP به ۴۵ مقایسه نیاز دارد در حالی که BWM فقط با ۱۷ مقایسه مدل را کامل می‌کند. این موضوع نه تنها زمان جمع‌آوری داده را کاهش می‌دهد، بلکه از بروز پاسخ‌های متناقض و خستگی خبره جلوگیری می‌کند.

دومین مزیت، «نرخ سازگاری (Consistency Ratio) واقعی‌تر» است. در AHP نرخ ناسازگاری بر اساس مقادیر میانگین تصادفی (RI) محاسبه می‌شود که بسیاری از محققان به اعتبار آن نقد دارند. اما در BWM، نرخ ناسازگاری مستقیماً از دل مدل بهینه‌سازی و بر اساس انحراف از روابط منطقی استخراج می‌شود. این نرخ به محقق می‌گوید که چقدر قضاوت‌های خبره با هم همخوانی دارند. اگر نرخ ناسازگاری در BWM به صفر نزدیک باشد، یعنی وزن‌ها از اعتبار علمی ۱۰۰ درصدی برخوردارند.

سومین برتری، «دقت خروجی» است. به دلیل استفاده از مدل‌های برنامه‌ریزی خطی و غیرخطی، وزن‌های حاصل از BWM پایداری بیشتری دارند. در روش‌های دیگر، یک تغییر کوچک در قضاوت خبره ممکن است کل رتبه‌بندی را جابجا کند، اما در BWM به دلیل وجود محدودیت‌های همزمان (بهترین-سایر و سایر-بدترین)، مدل اجازه نوسانات غیرمنطقی را به وزن‌ها نمی‌دهد. این ویژگی برای مقالات ISI که نیاز به تحلیل‌های حساسیت دقیق دارند، یک امتیاز بزرگ محسوب می‌شود.

---

گام‌های اجرایی روش BWM (مدل‌سازی ریاضی)

فرآیند حل BWM شامل ۵ گام اساسی است. گام اول، شناسایی معیارها و گام دوم، تعیین بهترین و بدترین معیار توسط خبره است. در این مرحله خبره بدون هیچ عددی، فقط می‌گوید کدام شاخص از نظر او “مهم‌ترین” (Best) و کدام “کم‌اهمیت‌ترین” (Worst) است.

گام اول: تعیین مجموعه معیارهای پژوهش

در گام اول ابتدا باید مساله مورد پژوهش مشخص شود و سپس عوامل تاثیر گذار بر روی هدف مساله استخراج می شود. و در نهایت به تایید خبرگان پژوهش برسد. در این گام می توان از روشهایی همچون روش دلفی یا دلفی فازی استفاده کرد. زیر هدف این روشها تایید و غربالگری شاخص های پژوهش است.

گام دوم: مقایسه بهترین معیار با دیگر معیارها (BO) و دیگر معیارها با بدترین معیار (OW)

در این گام ابتدا باید بااهمیت ترین و کم اهمیت ترین معیار از بین تمامی تمامی شاخص ها مشخص شود که به آن best و worst گفته می شود سپس مقایسه زوجی بهترین معیار با دیگر معیارها و دیگر معیارها با بدترین معیار در قالب دو ماتریس تشکیل شود و توسط طیف 1 تا 9 ساعتی به آن مقایسات زوجی پاسخ داده شود.

گام سوم: ایجاد مدل برنامه ریزی غیر خطی

در این گام با استفاده از رابطه زیر مدل بهینه سازی غیر خطی روش BWM را تشکیل می دهیم.

با حل این مدل در نرم افزارهای بهینه سازی مانند lingo و یا gams اوزان معیارها محاسبه می شود.

توجه: رابطه بالا یک مدل غیر خطی می ­باشد که جعفر رضایی (2016) به تبدیل آن به یک مدل خطی پرداخت.

در این مدل خطی اوزان شاخص­ها نیز محاسبه می شود یکی از مزیت­های این مدل خطی، محاسبه نرخ ناسازگاری بدون استفاده از شاخص سازگاری است. یعنی مقدار ξ^l همان نرخ ناسازگاری است. همچنین وزن ­های این مدل خطی از دقت بیشتری برخوردار هستند.

مدل خطی روش bwm از رابطه زیر ایجاد می گردد.

---

حل روش BWM با مثال عددی

مرحله اول: تعیین مجموعه ای معیارهای مورد مقایسه: در این گام می توان با استفاده از مرور ادبیات و یا روش دلفی معیارهای پژوهش را استخراج نمود.

مرحله دوم: تعیین بهترین (به عنوان مثال مطلوب ترین، مهم ترین) و بدترین (به عنوان مثال کم اهمیت ترین، ناپسندترین) معیار.

مرحله سوم: تعیین ارجحیت بهترین معیار نسبت به سایر معیارها: در این گام جهت تعیین ارجحیت از طیف 9 تایی ساعتی استفاده می شود. به عنوان مثال در جدول زیر معیار C3 به عنوان بهترین معیار (best) انتخاب شده است و ارجحیت آن نسبت به دیگر معیارها بر اساس طیف 1 تا 9 نیز بررسی شده است.

مرحله چهارم: تعیین ارجحیت تمامی معیارها نسبت به بدترین معیار: این گام همانند مرحله سوم صورت می گیرد با این تفاوت که ارجحیت دیگر معیارها نسبت به بدترین (worst) معیار بررسی می شود. به عنوان مثال در جدول زیر معیار C1 به عنوان بدترین معیار در نظر گرفته شده است.

مرحله پنجم: تعیین اوزان معیارها و محاسبه نرخ سازگاری: در این گام با استفاده از مدل بهینه سازی زیر وزن معیارها محاسبه می شود. این مدل را می توان در نرم افزارهایی همچون لینگو پیاده سازی کرد.

نرخ سازگاری در روش بهترین-بدترین

مقایسه زمانی به صورت کامل سازگار است که رابطه ذیل برای تمامی j ها برقرار باشد. aBW= aBj ×ajw که در آن  aBj، ajw و aBw به ترتیب اولویت های بهترین معیار نسبت به معیار j ، اولویت معیار j نسبت به بدترین معیار، و اولویت بهترین معیار نسبت به بدترین معیار خواهند بود.

از آنجاییکه  aBW=aBj ×ajw و است، می توان حداکثر مقدار ξ را به دست آورد. با استفاده از شاخص سازگاری جدول زیر و رابطه آن مقدار نرخ سازگاری را محاسبه کرد. این نرخ سازگاری در بازه [0  1] قرار می گیرد و هر چه به صفر نزدیکتر باشد مقایسات از سازگاری و ثبات بیشتری برخوردارند و هر چه به یک نزدیکتر باشد مقایسات از سازگاری و ثبات کمتری برخوردارند.

---

تحلیل حساسیت در BWM؛ سنجش پایداری تصمیمات

تحلیل حساسیت در BWM از اهمیت دوچندانی برخوردار است. از آنجا که وزن‌ها از یک مدل بهینه‌سازی استخراج شده‌اند، محقق باید بررسی کند که اگر قضاوت‌های خبره در بردارهای A_B یا A_W تنها یک واحد تغییر کند، رتبه نهایی معیارها چقدر جابجا می‌شود. این کار به محقق اجازه می‌دهد تا «مرزهای اطمینان» تصمیم‌گیری را ترسیم کند. در بسیاری از پروژه‌های صنعتی، مدیران می‌خواهند بدانند اگر اولویت‌هایشان کمی تغییر کند، آیا استراتژی اصلی همچنان پابرجاست؟

یکی از روش‌های نوین تحلیل حساسیت در BWM، استفاده از سناریوهای “خوش‌بینانه” و “بدبینانه” در مقایسات است. با تغییر مقادیر ۹ تایی به مقادیر همسایه، می‌توان نوسانات وزن‌ها را در یک نمودار رادار (Radar Chart) مشاهده کرد. اگر جابجایی وزن‌ها کم باشد، مدل “پایدار” است. اما اگر با تغییر یک واحدی، رتبه اول و دوم جابجا شوند، نشان‌دهنده این است که رقابت بین این دو معیار بسیار نزدیک است و تصمیم‌گیرنده باید دقت بیشتری در امتیازدهی به آن‌ها داشته باشد.

---

ادغام BWM با منطق فازی (Fuzzy BWM)

با توجه به اینکه قضاوت‌های انسانی همیشه با ابهام همراه است (مثلاً کلمه “بسیار مهم‌تر” بین ۲ تا ۴ برابر اهمیت نوسان دارد)، روش Fuzzy BWM توسعه یافته است. در این روش، به جای اعداد قطعی، از اعداد فازی مثلثی استفاده می‌شود. مدل ریاضی در اینجا به یک مدل برنامه‌ریزی غیرخطی تبدیل می‌شود که هدف آن یافتن وزن‌های فازی است که بیشترین انطباق را با بردارهای فازی بهترین و بدترین داشته باشند.

استفاده از Fuzzy BWM در مقالات پژوهشی سال ۲۰۲۶، نشان‌دهنده حرفه‌ای بودن محقق است. این روش اجازه می‌دهد تا “عدم قطعیت” در نظرات خبره به صورت ریاضی مدل‌سازی شود. خروجی این روش به جای یک عدد واحد، یک بازه وزنی است که به مدیران اجازه می‌دهد با دید بازتری نسبت به ریسک‌های تصمیم‌گیری اقدام کنند. این رویکرد به ویژه در حوزه‌هایی مانند ارزیابی ریسک، مدیریت بحران و انتخاب تکنولوژی‌های نوظهور که داده‌های تاریخی کمی در دسترس است، بسیار حیاتی است.

---

کاربردهای گسترده BWM در صنایع پیشرو

روش BWM در حوزه‌های متنوعی از زنجیره تأمین پایدار تا انتخاب سبد سهام کاربرد دارد. در حوزه زنجیره تأمین، از BWM برای وزن‌دهی به معیارهای زیست‌محیطی و اجتماعی در کنار معیارهای اقتصادی استفاده می‌شود. به دلیل تعداد کم مقایسات، تأمین‌کنندگان و مدیران خرید به راحتی می‌توانند در فرآیند وزن‌دهی شرکت کنند و نظرات استراتژیک خود را وارد مدل کنند.

در حوزه‌های مهندسی، BWM برای انتخاب بهترین مواد اولیه یا بهینه‌سازی طراحی محصول به کار می‌رود. از آنجا که در مهندسی، برخی معیارها (مانند ایمنی) همیشه “بهترین” یا حیاتی‌ترین هستند، ساختار BWM که بر پایه بهترین معیار است، کاملاً با منطق مهندسی همخوانی دارد. همچنین در مطالعات شهری و مکان‌یابی، BWM برای وزن‌دهی به لایه‌های GIS (سیستم اطلاعات جغرافیایی) به کار می‌رود تا دقیق‌ترین نقشه برای احداث مراکز خدماتی به دست آید.

---

سوالات متداول درباره روش BWM