آموزش جامع روش MOORA

در دنیای امروز، سازمان‌ها و افراد با تصمیم‌گیری‌های پیچیده‌ای مواجه هستند که نیازمند در نظر گرفتن معیارهای متعددی 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 MOORA اشاره کرد.

روش MOORA (Multi-Objective Optimization Using Ratio Analysis) یک روش تصمیم‌گیری چندمعیاره نسبتاً جدید است که توسط دکتر دیپاک کمار (Deepak Kumar) در سال 2013 معرفی شده است. این روش بر اساس مفهوم “تحلیل نسبت‌ها” (Ratio Analysis) بنا شده است و به دنبال تعیین بهترین گزینه با مقایسه نسبت هر معیار برای هر گزینه با بهترین مقدار ممکن برای آن معیار است. روش MOORA به دلیل سادگی، کارآمدی و قابلیت استفاده در شرایط مختلف، به سرعت در بین محققان و متخصصان حوزه تصمیم‌گیری مورد توجه قرار گرفته است.

یکی از ویژگی‌های مهم روش MOORA، توانایی آن در برخورد با داده‌های مثبت و منفی است. در بسیاری از روش‌های دیگر، داده‌ها باید به صورت مثبت درآیند، اما در روش MOORA، این مرحله حذف شده و ارزیابی گزینه‌ها به صورت مستقیم و بر اساس تمامی معیارها انجام می‌شود. این ویژگی باعث می‌شود که روش MOORA در شرایطی که داده‌ها دارای علامت هستند، بسیار کارآمد باشد. همچنین، روش MOORA می‌تواند با معیارهای مختلف (کمی و کیفی) کار کند و به همین دلیل، کاربرد گسترده‌ای در زمینه‌های مختلف دارد. استفاده از روش MOORA می‌تواند به بهبود کیفیت تصمیمات و افزایش رضایت ذینفعان کمک کند.

تاریخچه روش MOORA

Karande و Chakraborty در سال 2012، از روش MOORA برای انتخاب مواد استفاده کردند. Brauers و همکاران (2012) نیز مساله انتخاب مواد را در نظر گرفتند.

با این حال ، آنها در انتخاب عناصر برای نوسازی ساختمان که برای صرفه جویی در مصرف انرژی در ساختمان ها مهم هستند ، متمرکز شدند. Brauers و Zavadskas در سال 2012، از MOORA و MULTIMOORA به عنوان پایه ای برای تشکیل سیستم پشتیبانی از تصمیم گیری چند شاخصه استفاده کردند.

این سیستم پشتیبانی از تصمیم گیری چند شاخصه برای انتخاب پروژه ها در نظر گرفته شده است و در صنعت نساجی تونس آزمایش شدند. Balezentis و همکاران (2012) از MULTIMOORA برای حل مساله انتخاب پرسنل استفاده کردند.

Baležentis و همکاران (2011) و Brauers و همکاران (2012) نیز از روش MULTIMOORA برای ارزیابی اجرای استراتژی های اتحادیه اروپا استفاده کردند.

Streimikiene و همکاران (2012) از روش MULTIMOORA استفاده کردند تا چارچوب پشتیبانی از تصمیم گیری چند معیاری را برای انتخاب پایدارترین فن آوری های تولید برق تولید کنند.

مبانی نظری و اصول کلیدی روش MOORA

روش MOORA ، که برای اولین بار توسط (Brauers (2004 معرفی شده است ، روشی بهینه سازی چندهدفه است که با موفقیت می تواند برای حل انواع مختلفی از مسائل تصمیم گیری پیچیده در محیط تولید استفاده شود. روش MOORA (Brauers، et al. 2006، 2008، 2009، Kalibatas، et al. 2008، Lootsma، 1999) با یک ماتریس تصمیم گیری شروع می کند که عملکرد گزینه های مختلف را با توجه به شاخص های مختلف (اهداف) نشان می دهد.

روش مورا (moora) از تکنیک های نسبتا جدید تصمیم گیری چند معیاره است که در سال 2006 توسط برایرز و زاوادسکاس ارائه شد. این واژه از حروف اول عبارت Multi-Objective Optimization on the basis of Ratio Analysis به معنی بهینه سازی چند هدفه بر اساس تجزیه و تحلیل نسبت گرفته شده است. 

آنها در این پژوهش برای روش مورا دو رویکرد ارائه دادند یکی رویکرد سیستم نسبت و دیگری رویکرد نقطه مرجع. آنها در پژوهش خود و در مثالی که در مقاله خود آوردند برای رتبه بندی گزینه ها از وزن معیارها استفاده نکردند. اما بیان داشتند که برای دقت بیشتر روش می توان وزن معیارها را نیز در نظر گرفت. به هر حال در مواردی که دسترسی به وزن معیارها ممکن نباشد نیز می توان گزینه ها را رتبه بندی نمود.

برای نرمال کردن داده نیز از روش  جذر مجموع مربعات استفاده می شود. در مدل های تصمیم گیری چند معیاره (MCDM) یا هدف وزن دهی به معیار است یا هدف رتبه بندی گزینه است. روش فعلی که معرفی شده است از نوع رتبه بندی گزینه ها است.

---

مزایا و معایب روش MOORA

روش MOORA 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 MOORA 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 MOORA انعطاف‌پذیری بالایی دارد و می‌تواند با انواع مختلف داده‌ها (کمی و کیفی) کار کند.

مزیت دیگر روش MOORA، توانایی آن در برخورد با داده‌های مثبت و منفی است. این ویژگی باعث می‌شود که روش MOORA در شرایطی که داده‌ها دارای علامت هستند، بسیار کارآمد باشد. علاوه بر این، روش MOORA می‌تواند با معیارهای متناقض و غیرقابل مقایسه به خوبی برخورد کند. با این حال، روش MOORA 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 MOORA دارای نقاط قوت و ضعفی است. به عنوان مثال، در مقایسه با AHP، روش MOORA ساده‌تر و سریع‌تر است، اما دقت آن ممکن است کمتر باشد. در مقایسه با TOPSIS، روش MOORA انعطاف‌پذیری بیشتری دارد و می‌تواند با انواع مختلف داده‌ها کار کند، اما پیچیدگی آن ممکن است بیشتر باشد. به طور کلی، روش MOORA یک روش مناسب برای تصمیم‌گیری‌های پیچیده است که نیاز به یک رویکرد سیستماتیک و منطقی دارند. استفاده از روش MOORA می‌تواند به بهبود کیفیت تصمیمات و افزایش رضایت ذینفعان کمک کند.

---

گام های روش مورا (MOORA)

تشکیل ماتریس تصمیم: 

اولین گام در روش مورا تشکیل ماتریس تصمیم روش مورا شامل ماتریس معیار-گزینه می‌باشد و سلول‌های ماتریس امتیاز هر گزینه‌ها نسبت به آن معیار می‌باشد. هر درایه ماتریس تصمیم را با xij نشان می‌دهند.

همچنین نوع معیارها و وزن معیارها باید مشخص باشد. منظور از نوع معیار یعنی مشخص شود که معیار جنبه مثبت دارد یا منفی. معیارهای مثبت معیارهایی هستند که هرچقدر افزایش یابند برای سیستم بهتر هستند مانند کیفیت.

معیارهای منفی معیارهایی هستند که هر چقدر کاهش یابند برای سیستم بهتر هستند مانند هزینه یا سختی کار.

وزن معیارها نیز باید با استفاده از روشهای دیگر از جمله روش آنتروپی، روش IDOCRIW ، روش SWARA، روش BWM و یا روش های دیگر محاسبه شود و به عنوان ورودی به این تکنیک داده شود.

رتبه بندی گزینه ها بر اساس رویکرد سیستم نسبت: 

در دومین گام باید گزینه ها را بر اساس رویکرد سیستم نسبت رتبه بندی کرد در این رویکرد بعد از نرمال کردن داده ها باید مجموع معیارهای مثبت را از مجموع معیارهای منفی کم کرد و حاصل بیشتر نشان از برتری گزینه می دهد.

به این ترتیب ماتریس تصمیم نرمال به صورت زیر خواهد بود:

رتبه بندی گزینه ها بر اساس رویکرد نقطه مرجع: 

در گام سوم باید گزینه ها را بر اساس رویکرد نقطه مرجع رتبه بندی کرد در این رویکرد نیز هر معیار از مقدار ایده آلش کم می شود در در نهایت ماکزیمم مقدارانتخاب می شود گزینه بهینه گزینه ای است که دارای کمترین مقدار باشد.

به این ترتیب بهترین گزینه انتخاب می‌شود.

---

مثال روش MOORA (مورا)

این مثال از مقاله Attribute Based Specification, Comparison And Selection Of A Robot استخراج شده است. فرض کنید ما می خواهیم رباتی را برای برخی از عملیات انتخاب مکان در محل کار انتخاب کنیم. معیاررهای این برنامه به شرح زیر است:

1. ظرفیت بار (+)
2. تکرارپذیری (-)
3. حداکثر سرعت عملکرد (+)
4. ظرفیت حافظه (+)
5. قدرت دستیابی (+)

بر همین اساس جدولی از قابلیت های هر ربات تهیه شده است که در ادامه آورده شده است و می خواهیم با روش مورا ربات برتر را انتخاب نمایید.

Attributes	Load capacity	Repeatability	Maximum tip speed	Memory Capacity	Manipulator reach
Alternatives	Beneficial	Non-Beneficial	Beneficial	Beneficial	Beneficial
A1	60	0.4	2540	500	990
A2	6.35	0.15	1016	3000	1041
A3	6.8	0.1	1727.2	1500	1676
A4	10	0.2	1000	2000	965
A5	2.5	0.1	560	500	915
A6	4.5	0.08	1016	350	508
A7	3	0.1	177	1000	920
Weights	0.1574	0.1825	0.2385	0.2172	0.2043

در این مرحله متغیرها نرمالسازی می شوند

3600	0.16	6451600	250000	980100
40.3225	0.0225	1032256	9000000	1083681
46.24	0.01	2983219.84	2250000	2808976
100	0.04	1000000	4000000	931225
6.25	0.01	313600	250000	837225
20.25	0.0064	1032256	122500	258064
9	0.01	31329	1000000	846400
61.82283154	0.508822169	3583.889066	4107.61488	2783.104561

داده های نرمال سازی شده به صورت مثبت و منفی و با توجه فرمول مورا رتبه بندی می شوند

Rank
0.277433826	2
0.265027998	3
0.298733564	1
0.196866153	4
0.10137091	7
0.106173762	5
0.103961825	6

---

کاربردهای عملی روش MOORA در صنایع مختلف

روش MOORA به دلیل سادگی 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، ارزیابی خطوط تولید و بهینه‌سازی زمان‌بندی کارها استفاده می‌شود. معیارهای معمول شامل هزینه، کیفیت محصول، زمان تولید و اثرات زیست‌محیطی هستند؛ با اعمال وزن مناسب به هر یک، روش مورا می‌تواند گزینه‌ای را شناسایی کند که هزینه را به حداقل و کیفیت را به حداکثر برساند. مطالعات موردی نشان می‌دهد که استفاده از روش مورا می‌تواند هزینه‌های تولید را تا 10‑15 ٪ کاهش دهد و در عین حال سطح کیفیت را 5‑7 ٪ ارتقا بخشد.

در حوزه انرژی، روش مورا برای مقایسه گزینه‌های مختلف تولید انرژی (مانند نیروگاه‌های خورشیدی، بادی، گاز طبیعی و هیدروژن) به کار رفته است. معیارهای کلیدی شامل هزینه سرمایه‌گذاری، بازدهی انرژی، اثرات زیست‌محیطی و قابلیت اطمینان می‌باشند. با نرمال‌سازی این معیارها و اعمال وزن‌های مناسب، روش مورا می‌تواند ترکیب بهینه‌ای از منابع انرژی را ارائه دهد که هم هزینه را کاهش داده و هم اثرات منفی زیست‌محیطی را به حداقل برساند.

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

تحلیل حساسیت در روش MOORA

تحلیل حساسیت یکی از گام‌های مهم پس از اعمال روش MOORA است؛ زیرا وزن‌های معیارها می‌توانند تأثیر قابل‌توجهی بر رتبه‌بندی نهایی داشته باشند. برای انجام این تحلیل، معمولاً وزن یک معیار به‌صورت تدریجی (مثلاً ± 10 ٪) تغییر داده می‌شود و تأثیر این تغییر بر شاخص نهایی هر گزینه محاسبه می‌شود. این کار به تصمیم‌گیرندگان کمک می‌کند تا بفهمند کدام معیارها بیشترین حساسیت را دارند و در صورت نیاز وزن‌های آن‌ها را بازنگری کنند.

در بسیاری از مطالعات، معیارهای هزینه و کیفیت بیشترین حساسیت را نشان داده‌اند؛ به‌عبارت دیگر، تغییر وزن این دو معیار می‌تواند ترتیب رتبه‌بندی گزینه‌ها را به‌طور چشمگیری تغییر دهد. معیارهای ثانویه مانند زمان تحویل یا قابلیت گسترش معمولاً تأثیر کمتری دارند، اما در برخی صنایع خاص (مانند فناوری اطلاعات) ممکن است اهمیت بیشتری پیدا کنند.

علاوه بر وزن‌ها، می‌توان تحلیل حساسیت را بر پایه «حذف معیار» نیز انجام داد. در این روش، 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 مدل حذف کرد و فرآیند تصمیم‌گیری را ساده‌تر نمود. این رویکرد به‌ویژه در پروژه‌های بزرگ که تعداد معیارها زیاد است، مفید است.

ابزارها و نرم‌افزارهای پشتیبانی برای روش MOORA

اگرچه روش MOORA می‌تواند به‌صورت دستی در اکسل محاسبه شود، اما برای پروژه‌های بزرگ و داده‌های حجیم استفاده از ابزارهای تخصصی توصیه می‌شود. یکی از پرکاربردترین افزونه‌ها، «MOORA‑Toolbox» برای محیط MATLAB است که توابع آماده برای نرمال‌سازی، وزن‌دهی و محاسبه شاخص نهایی 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 محیط متن‌باز، کتابخانه «pyMOORA» 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 MOORA 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 MOORA

اگرچه روش MOORA در سال‌های اخیر گسترش یافته است، اما همچنان با چالش‌هایی مواجه است. 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 MOORA با تکنیک‌های یادگیری ماشین (مانند الگوریتم‌های بهینه‌سازی تکاملی) برای استخراج وزن‌های بهینه از داده‌های تاریخی بررسی کنند.

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

در نهایت، گسترش کاربردهای روش MOORA در حوزه‌های نوظهور مانند هوش مصنوعی، اینترنت اشیا (IoT) و شهرهای هوشمند می‌تواند فرصت‌های جدیدی برای پژوهشگران فراهم کند. به‌عنوان مثال، ترکیب روش MOORA 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 MOORA به‌عنوان یک ابزار تصمیم‌گیری چندمعیاره ساده، انعطاف‌پذیر و قابل‌استفاده در حوزه‌های مختلف صنعتی و خدماتی، توانسته است جایگاه ویژه‌ای در ادبیات پژوهشی پیدا کند. با تکیه بر مفهوم تحلیل نسبت‌ها و استفاده از وزن‌های معیار، این روش امکان ارزیابی همزمان معیارهای کمی و کیفی را بدون نیاز به رتبه‌بندی اولیه فراهم می‌سازد.

مزایای اصلی شامل سادگی محاسبه، قابلیت کار با داده‌های مثبت و منفی و امکان 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 ترکیب روش MOORA با الگوریتم‌های هوشمند و بهینه‌سازی، انتظار می‌رود این روش به‌عنوان یک استاندارد در تصمیم‌گیری‌های پیچیده و چندمعیاره شناخته شود.

---

سوالات متداول