آموزش جامع روش COCOSO

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 COCOSO اشاره کرد.

روش COCOSO (Combination of Compromise Solution and Ordinal Priority Approach) یکی از روش های رتبه بندی گزینه ها، یک روش تصمیم‌گیری چندمعیاره نسبتاً جدید است که توسط پروفسور بوریس گلیچ (Boris Golic) و همکارانش در سال 2018 معرفی شده است. این روش بر اساس ترکیب دو مفهوم کلیدی بنا شده است: “راهکار سازش” (Compromise Solution) و “اولویت‌بندی ترتیبی” (Ordinal Priority Approach). روش کوکوسو به دنبال یافتن گزینه‌ای است که تا حد امکان به تمامی معیارها نزدیک باشد و در عین حال، اولویت‌های تصمیم‌گیرنده را نیز در نظر بگیرد.

یکی از ویژگی‌های مهم روش کوکوسو، توانایی آن در برخورد با داده‌های غیردقیق و نامطمئن است. در بسیاری از روش‌های دیگر، داده‌ها باید دقیق و قطعی باشند، اما در روش COCOSO، می‌توان از داده‌های فازی (Fuzzy Data) و داده‌های احتمالی (Probabilistic Data) نیز استفاده کرد. این ویژگی باعث می‌شود که روش کوکوسو در شرایط واقعی که اطلاعات کامل و دقیق در دسترس نیست، بسیار کارآمد باشد. همچنین، روش کوکوسو می‌تواند با معیارهای مختلف (کمی و کیفی) کار کند و به همین دلیل، کاربرد گسترده‌ای در زمینه‌های مختلف دارد. استفاده از روش COCOSO می‌تواند به بهبود کیفیت تصمیمات و افزایش رضایت ذینفعان کمک کند.

---

تعریف روش COCOSO

واژه MCDM به معنای تصمیم گیری چند معیاره، واژه ای شناخته شده می باشد که بر اساس ماهیت گزینه های در نظر گرفته شده به دو طبقه پیوسته و گسسته تقسیم می شوند. روش پیوسته به تصمیم گیری چند هدفه (MODM) معروف است که جهت شناسایی موارد بهینه در یک مساله تصمیم گیری مورد استفاده قرار می گیرند.

طبقه گسسته به MADM یا تصمیم گیری چند شاخصه معروف است که به عنوان تکنیک های پشتیبان تصمیم گیری تعریف شده و دارای تعداد محدودی گزینه، هدف و معیارهایی هستند که در جهت انتخاب گزینه ها بکار گرفته می شوند. روش های گسسته را می توان بیشتر به روشهای وزن دهی و روش های رتبه بندی تقسیم كرد.

حل یک مساله تصمیم گیری معمولا به سه طریق زیر تفسیر می شود:

1. یافتن بهترین یا مطلوب ترین گزینه تصمیم گیرنده از مجموعه گزینه های موجود
2. انتخاب یک مجموعه کوچک از گزینه های مناسب، یا گروه بندی گزینه های جایگزین به مجموعه های مختلف ترجیحی.
3. یافتن همه گزینه های کارآمد یا غیر مسلط.

همانطور که در بالا اشاره شد روشهای MADM به دو دسته وزن دهی و رتبه بندی تقسیم می شوند.

در حالت اول روش­ های زیادی برای تعیین وزن و اهمیت معرفی شده­ اند از جمله روش آنتروپی، روش SWARA، روش CRITIC و … البته در بیشتر روش های این دسته رتبه­ بندی گزینه نیز می­ توان انجام داد اما در بسیاری از موارد بهتر است که از تکنیک­ های دیگر به صورت ترکیبی استفاده شود.

در حالت دوم روش­ هایی هستند که هدف آن تنها رتبه­ بندی گزینه­ های پژوهش است مانند روش تاپسیس، ویکور، الکتره و … این روش­ ها با تشکیل ماتریس تصمیم شروع می­ شوند و اصولا وزن معیارها را نیز به عنوان ورودی دریافت می ­کنند. تکنیکی که در مطلب حاضر به آن خواهیم پرداخت نیز در زمره این حالت قرار می ­گیرد.

روش CoCoSo یا combined compromise solution از تکنیک ­های جدید تصمیم ­گیری چند معیاره می­ باشد که در سال 2018 توسط یزدانی و همکاران ارائه شد در این روش یک راه حل ترکیبی سازشی برای رتبه­ بندی گزینه­ ها ارائه می ­شود.

---

مبانی نظری و اصول کلیدی روش COCOSO

روش COCOSO بر پایه چند اصل کلیدی استوار است که درک آن‌ها برای استفاده صحیح از این روش ضروری است. اولین اصل، مفهوم “راهکار سازش” است. در این روش، به دنبال یافتن گزینه‌ای هستیم که مجموع فاصله آن تا تمامی معیارها به حداقل برسد. به عبارت دیگر، راهکار سازش، گزینه‌ای است که تا حد امکان به تمامی معیارها نزدیک باشد. این اصل، به تصمیم‌گیرنده کمک می‌کند تا از گزینه‌هایی که در برخی معیارها عملکرد خوبی دارند اما در سایر معیارها ضعیف هستند، اجتناب کند.

اصل دیگر، مفهوم “اولویت‌بندی ترتیبی” است. در این روش، تصمیم‌گیرنده باید معیارها را بر اساس اهمیت نسبی آن‌ها رتبه‌بندی کند. این رتبه‌بندی نشان می‌دهد که کدام معیارها برای تصمیم‌گیرنده مهم‌تر هستند و باید در فرآیند تصمیم‌گیری به آن‌ها توجه بیشتری شود. روش COCOSO از این رتبه‌بندی برای وزن‌دهی به معیارها استفاده می‌کند. هرچه یک معیار در رتبه‌بندی بالاتری قرار داشته باشد، وزن بیشتری به آن اختصاص داده می‌شود.

همچنین، روش COCOSO از مفهوم “شاخص سازگاری” (Consistency Index) استفاده می‌کند. این شاخص نشان می‌دهد که رتبه‌بندی معیارها توسط تصمیم‌گیرنده چقدر سازگار است. اگر شاخص سازگاری بالا باشد، نشان می‌دهد که رتبه‌بندی معیارها سازگار است و می‌توان به آن اعتماد کرد. در غیر این صورت، باید رتبه‌بندی معیارها را بازنگری کرد. روش COCOSO با این اصول، یک رویکرد منطقی و سیستماتیک برای تصمیم‌گیری ارائه می‌دهد.

---

الگوریتم حل روش COCOSO

این روش یک مدل یکپارچه از روش جمع وزنی ساده (SAW) و مدل ضرب وزنی (WPM) می باشد که مراحل آن در ادامه آورده شده است همچنین در مقاله بیس این روش از دو عبارت WSM و WPM برای ترکیب این روش استفاده شده است. که WSM به معنی مدل جمع وزنی و WPM به معنی مدل ضرب وزنی است.

گام اول: تشکیل ماتریس تصمیم

در واقع اولین گام در تمامی روشهای تصمیم گیری چند معیاره تشکیل ماتریس تصمیم می باشد که در رابطه زیر آورده شده است.

در این رابطه X_mn در واقع ازریابی گزینه m بر اساس معیار n می باشد که این ارزیابی هم می تواند بر اساس عبارات کلامی و هم بر اساس داده های واقعی (کمی) باشد. عبارت های کلامی می تواند بر اساس طیف 5 تایی یا 9 تایی باشد.

گام دوم: نرمال سازی ماتریس تصمیم

نرمال سازی تقریبا در تمام روشهای تصمیم گیری چند معیاره صورت می گیرد. در این گام بر اساس روابط زیر ماتریس تصمیم نرمال می شود از رابطه اول برای معیارهای مثبت و از رابطه دوم برای معیارهای منفی استفاده می شود. در روابط زیر max X_ij و min X_ij در واقع بیشترین و کمترین مقدار هر ستون معیار هستند. بر اساس این نرمال سازی کلیه درایه ها بین عدد 0 و 1 قرار می گیرند.

گام سوم: محاسبه مقادیر جمع وزنی و ضرب وزنی

در این گام بر اساس روابط زیر مقادیر جمع وزنی (S) و ضرب وزنی (P) برای هر گزینه محاسبه می شود در دو رابطه زیر W_j وزن معیارها می باشد که به عنوان ورودی وارد روش cocoso شده است

این وزن می تواند مستقیم از نظر فرد تصمیم گیرنده و یا روشهایی نظیر آنتروپی شانون، AHP ، روش BWM و… محاسبه شود. مقادیر S_i در واقع از روش SAW و مقادیر P_i از روش واسپاس گرفته شده است.

گام چهارم: تعیین نمره ارزیابی گزینه ها بر اساس 3 استراتژی

در این بخش امتیاز گزینه ها بر اساس 3 استراتژی از 3 رابطه زیر حاصل می شود. رابطه اول میانگین حسابی امتیازات WSM و WPM را بیان می کند، در حالی که رابطه دوم در مقایسه با بهترین ها ، نمرات نسبی WSM و WPM را بیان می کند. 

رابطه سوم مصالحه ای بین مدل های WSM و WPM است. در این رابطه λ توسط تصمیم ­گیرنده تعیین می­شود اما در حالت 0.5 انعطاف پذیری زیادی دارد.

گام پنجم: تعیین امتیاز نهایی و رتبه بندی گزینه ها

در این بخش بر اساس رابطه زیر امتیاز نهایی محاسبه می شود در واقع این رابطه بیانگر جمع میانگین هندسی و میانگین حسابی 3 استراتژی مرحله قبل می باشد. امتیاز (k) هر گزینه ای بزرگتر باشد نشان از برتری آن گزینه دارد.

---

مثال روش کوکوسو (COCOSO)

این مثال از مقاله A Combined Compromise Solution (CoCoSo) method for multi-criteria decision-making problems استخراج شده است.

مساله تصمیم گیری شامل پنج معیار و هفت گزینه است. الزامات در نظر گرفته شده به عنوان C2 که قیمت پیشنهادی ارائه دهندگان لجستیک است و یک عامل غیرانتفاعی یا هزینه محور است و چهار عنصر اختصاص داده شده به عنوان شاخص سود (از جمله C1 – ظرفیت موجودی ، C3 – دسته یا حجم تحویل ، C4 – درجه انعطاف پذیری ، و C5 – استفاده از فناوری).

گام اول: ماتریس تصمیم گیری

گام دوم: ماتریس تصمیم نرمال

گام سوم: اندازه گیری توالی مقایسه

گام چهارم: استفاده از اوزان برای محاسبه Si

گام پنجم: استفاده از اوزان برای محاسبه Pi

گام نهایی: محاسبه K و رتبه بندی گزینه ها

با این رتبه بندی گزینه سوم بهترین و گزینه ششم بدترین گزینه خواهد بود.

---

مزایا و معایب روش COCOSO

روش کوکوسو دارای مزایای متعددی است که آن را به یک روش جذاب برای تصمیم‌گیری چندمعیاره تبدیل کرده است. یکی از مهم‌ترین مزایای این روش، توانایی آن در برخورد با داده‌های غیردقیق و نامطمئن است. روش COCOSO می‌تواند با داده‌های فازی و داده‌های احتمالی کار کند، که این ویژگی آن را برای شرایط واقعی بسیار مناسب می‌سازد. همچنین، روش کوکوسو انعطاف‌پذیری بالایی دارد و می‌تواند با معیارهای مختلف (کمی و کیفی) کار کند.

مزیت دیگر روش COCOSO، تاکید آن بر سازگاری است. شاخص سازگاری به تصمیم‌گیرنده کمک می‌کند تا مطمئن شود که رتبه‌بندی معیارها سازگار است و می‌توان به آن اعتماد کرد. علاوه بر این، روش COCOSO می‌تواند با معیارهای متناقض و غیرقابل مقایسه به خوبی برخورد کند. با این حال، روش COCOSO نیز دارای معایبی است. یکی از معایب این روش، پیچیدگی محاسبات آن است. روش COCOSO نیاز به محاسبات بیشتری نسبت به برخی از روش‌های دیگر دارد.

در مقایسه با سایر روش‌های تصمیم‌گیری چندمعیاره، روش COCOSO دارای نقاط قوت و ضعفی است. به عنوان مثال، در مقایسه با AHP، روش کوکوسو پیچیدگی بیشتری دارد، اما می‌تواند با داده‌های غیردقیق و نامطمئن کار کند. در مقایسه با TOPSIS، روش کوکوسو انعطاف‌پذیری بیشتری دارد و می‌تواند با معیارهای متناقض به خوبی برخورد کند. به طور کلی، روش کوکوسو یک روش مناسب برای تصمیم‌گیری‌های پیچیده است که نیاز به یک رویکرد سیستماتیک و منطقی دارند. استفاده از روش COCOSO می‌تواند به بهبود کیفیت تصمیمات و افزایش رضایت ذینفعان کمک کند.

---

کاربردهای عملی روش COCOSO در صنایع مختلف

روش COCOSO به دلیل توانایی ترکیبی‌سازی سازش و اولویت‌بندی ترتیبی، در حوزه‌های گوناگون به‌کار گرفته شده است. در صنعت تولید، این روش برای انتخاب بهترین ترکیب مواد اولیه، بهینه‌سازی زمان‌بندی خطوط تولید و ارزیابی تأمین‌کنندگان استفاده می‌شود. معیارهای معمول شامل هزینه، کیفیت محصول، زمان تحویل و پایداری محیطی هستند؛ وزن‌های این معیارها بر پایهٔ اولویت‌سنجی تصمیم‌گیرنده تنظیم می‌شود و سپس با استفاده از الگوریتم سازش، گزینه‌ای که مجموع فاصلهٔ آن به تمام معیارها کمینه باشد، شناسایی می‌شود. نتایج مطالعات موردی نشان می‌دهد که به‌کارگیری روش COCOSO می‌تواند هزینه‌های تولید را تا 12 ٪ کاهش داده و در عین حال سطح کیفیت را 7 ٪ ارتقا بخشد.

در حوزه انرژی، روش COCOSO 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 اعمال وزن‌های مناسب بر این معیارها و محاسبهٔ شاخص سازش، می‌توان ترکیبی از منابع انرژی را شناسایی کرد که هم هزینه را به حداقل برساند و هم اثرات منفی زیست‌محیطی را کاهش دهد. این رویکرد در چند پروژه ملی انرژی ایران مورد استفاده قرار گرفته و نتایج نشان می‌دهد که ترکیب بهینه می‌تواند انتشار گازهای گلخانه‌ای را تا 15 ٪ کاهش دهد.

در بخش خدمات مالی، روش COCOSO برای ارزیابی ریسک و بازدهی پورتفوی سرمایه‌گذاری به کار می‌رود. معیارهایی چون نوسان قیمت، سودآوری، نقدینگی و سازگاری با معیارهای ESG (محیط‌زیست، اجتماعی و حاکمیت) در این چارچوب ترکیب می‌شوند. با استفاده از وزن‌دهی ترتیبی و محاسبهٔ فاصلهٔ سازش، می‌توان ترکیبی از دارایی‌ها را شناسایی کرد که ریسک کلی را کاهش داده و بازدهی مورد انتظار را حفظ می‌کند. این کاربرد در بانک‌های تجاری و صندوق‌های سرمایه‌گذاری ایرانی به‌صورت آزمایشی پیاده‌سازی شده است.

---

چالش‌ها و مسیرهای آینده برای روش COCOSO

اگرچه روش COCOSO 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 COCOSO با تکنیک‌های یادگیری ماشین (مانند الگوریتم‌های بهینه‌سازی تکاملی) برای استخراج وزن‌های بهینه از داده‌های تاریخی را بررسی کنند.

چالش دیگر، گسترش روش COCOSO 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 COCOSO را در محیط‌های زمان‌مند به‌کار برد؛ اما الگوریتم‌های کارآمد برای این به‌روزرسانی هنوز به‌طور کامل توسعه نیافته‌اند.

در نهایت، گسترش کاربردهای روش COCOSO در حوزه‌های نوظهور مانند هوش مصنوعی، اینترنت اشیا (IoT) و شهرهای هوشمند می‌تواند فرصت‌های جدیدی برای پژوهشگران فراهم کند. به‌عنوان مثال، ترکیب روش COCOSO 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 COCOSO به‌عنوان یک ابزار تصمیم‌گیری چندمعیاره ترکیبی، توانسته است با ترکیب مفاهیم سازش و اولویت‌بندی ترتیبی، یک چارچوب منطقی، انعطاف‌پذیر و قابل‌اعمال در حوزه‌های مختلف صنعتی و خدماتی ارائه دهد. این روش با قابلیت کار با داده‌های غیردقیق، وزن‌دهی ترتیبی و ارزیابی سازگاری، امکان ارزیابی همزمان معیارهای کمی و کیفی را بدون نیاز به رتبه‌بندی اولیه فراهم می‌کند.

مزایای اصلی شامل سادگی نسبی نسبت به برخی روش‌های دیگر، توانایی برخورد با داده‌های فازی 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 COCOSO با الگوریتم‌های هوشمند و بهینه‌سازی، انتظار می‌رود این روش به‌عنوان یک استاندارد در تصمیم‌گیری‌های پیچیده و چندمعیاره شناخته شود.

---

سوالات متداول