💰 quantitative finance

Preference Analysis Using Random Spanning Trees: A Stochastic Sampling Approach to Inconsistent Pairwise Comparisons

تقترح هذه الورقة نهجاً لأخذ العينات العشوائية باستخدام الأشجار الممتدة العشوائية لتحويل المقارنات الزوجية غير المتسقة وغير المكتملة إلى مقاييس تفضيل احتمالية، مما يسمح بتوصيف عدم اليقين في التصنيف وتمكين اتخاذ القرارات القوية دون العبء الحسابي للحصر الشامل.

المؤلفون الأصليون: Salvatore Greco, Sajid Siraj, Michele Lundy

نُشر 2026-02-27

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Salvatore Greco, Sajid Siraj, Michele Lundy

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول اختيار أفضل مدرسة ثانوية لطفلك، أو ربما تقرر أي جسر جديد يجب بناؤه لمدينتك. لديك قائمة من الخيارات (المدرسة أ، المدرسة ب، المدرسة ج) وقائمة من الأشياء التي تهمك (التكلفة، الأمان، الموقع).

لإجراء قرار، عادة ما تقارن بين الأشياء في أزواج: "هل الأمان أكثر أهمية من التكلفة؟" "هل المدرسة أ أفضل من المدرسة ب؟"

المشكلة: البشر فوضويون
هنا تكمن العقبة: البشر ليسوا حواسيب. قد يتعبون، أو يتشتت انتباههم، أو تتغير آراؤهم قليلاً اعتماداً على الوقت من اليوم.

قد تقول: "الأمان أهم بمرتين من التكلفة".
ثم تقول: "التكلفة أهم بثلاث مرات من الموقع".
منطقياً، يجب أن تقول بعد ذلك إن الأمان أهم بست مرات من الموقع ( $2 \times 3 = 6$ ).
لكنك تقول بعد ذلك: "في الواقع، الأمان أهم بأربع مرات فقط من الموقع".

في الماضي، كان الخبراء ينظرون إلى هذا ويقولون: "لقد ارتكبت خطأً! أنت غير متسق. دعنا نجبر أرقامك على التوافق مع معادلة رياضية مثالية لنعطيك إجابة واحدة فقط".

الفكرة الجديدة: عدم الاتساق هو ميزة، وليس خللاً
تجادل هذه الورقة البحثية بأنه يجب علينا التوقف عن محاولة "إصلاح" عدم اتساقك. بدلاً من ذلك، يجب أن نعامله كإشارة. هذا "الخطأ" ليس خطأً؛ بل هو دليل على أن لديك طرقاً متعددة وصحيحة للتفكير في المشكلة في آن واحد. ربى في يوم ممطر، قد تهتم بالأمان أكثر. وفي يوم مشمس، قد تهتم بالتكلفة أكثر. أنت تحمل "عقليات" مختلفة في رأسك في نفس الوقت.

يقترح المؤلفون طريقة لالتقاط كل هذه العقلات المختلفة، بدلاً من سحقها في متوسط واحد.

التشبيه الإبداعي: غابة المسارات

تخيل أن عملية اتخاذ القرار لديك هي غابة ضخمة.

الأشجار: كل "شجرة" في هذه الغابة تمثل طريقة محددة ومتسقة للنظر إلى تفضيلاتك. إذا اخترت شجرة واحدة، ستحصل على ترتيب واضح: المدرسة أ هي رقم 1، المدرسة ب هي رقم 2.
الغابة: نظرًا لأنك غير متسق، فلا توجد شجرة واحدة فقط. هناك غابة كاملة من الأشجار. بعض الأشجار تقول إن المدرسة أ هي الأفضل؛ وأخرى تقول إن المدرسة ب هي الأفضل.
الطريقة القديمة: كانت الطرق القديمة ستقطع الغابة بأكملها، وتطحنها لتصبح نشارة خشب، وتخلطها جميعاً لصنع لوح خشبي "متوسط" واحد. ستحصل على إجابة واحدة، لكنك ستفقد كل التفاصيل حول سبب تنوع الغابة.
الطريقة الجديدة: تقترح هذه الورقة البحثية استكشاف الغابة. نريد أن نعرف: "كم عدد الأشجار التي تقول إن المدرسة أ هي الفائزة؟" "كم عدد الأشما التي تقول إن المدرسة ب هي الفائزة؟"

التحدي: الغابة كبيرة جداً

المشكلة هي: إذا كان لديك عدد متوسط من الخيارات، فإن عدد الأشجار في هذه الغابة هائل.

بالنسبة لمشكلة بسيطة، قد يكون هناك مليون شجرة.
بالنسبة لمشكلة واقعية (مثل بناء شبكة اتصالات)، قد يكون هناك 21 مليار شجرة.

لا يمكنك زيارة كل شجرة في الغابة. سيستغرق الأمر حياة كاملة.

الحل: المتنزه الذي يقوم بـ "المشي العشوائي"

بما أنه لا يمكنك زيارة كل شجرة، يقترح المؤلفون إرسال متنزه يقوم بـ مشية عشوائية (Random Walk).

يبدأ المتنزه من نقطة عشوائية في الغابة.
يأخذ خطوة إلى شجرة مجاورة، ثم أخرى، وهكذا.
لا يحاول زيارة كل شجرة. هو فقط يتجول لفترة، ويزور آلاف الأشجار بشكل عشوائي.
ولأن "المشي العشوائي" مثبت رياضياً بأنه عادل، فإن الأشجار التي يزورها المتنزه هي عينة مثالية للغابة بأكملها.

من خلال زيارة 20,000 شجرة فقط (وهو ما يستغرقه الحاسوب في ثوانٍ)، يمكن للمتنزه أن يخبرك بما تبدو عليه الغابة بأكملها بثقة عالية.

ما الذي تحصل عليه من ذلك

بدلاً من إجابة واحدة جامدة مثل "المدرسة أ هي الفائزة"، تمنحك هذه الطريقة احتمالات (تشبه توقعات الطقس):

"فرصة الفوز" (مؤشر الفوز الزوجي):
- الطريقة القديمة: "المدرسة أ أفضل من المدرسة ب".
- الطريقة الجديدة: "هناك احتمال 91% أن تكون المدرسة أ أفضل من المدرسة ب، واحتمال 9% أن تفوز المدرسة ب. لذا، يمكنك أن تكون واثقاً جداً، ولكن لست متأكداً بنسبة 100%".
"فرصة التصنيف" (مؤشر قبول الترتيب):
- الطريقة القديمة: "المدرسة أ هي رقم 1".
- الطريقة الجديدة: "المدرسة أ لديها احتمال 51% لتكون رقم 1، و49% لتكون رقم 2، و0% لتكون رقم 3".

هذا لا يخبرك فقط من يفوز، بل يخبرك أيضاً مدى استقرار هذا الفوز. إذا كانت المدرسة أ هي رقم 1 في 99% من الأشجار، فهي خيار راسخ. أما إذا كانت رقم 1 في 51% فقط، فهي تشبه رمية العملة المعدنية، وقد ترغب في إعادة التفكير في معاييرك.

لماذا يهم هذا في العالم الحقيقي

اختبرت الورقة البحثية هذا على مشكلة ضخمة: اختيار العمود الفقري للاتصالات للمناطق الريفية.

البيانات: كانت هناك معلومات مفقودة (لم يجب الناس على كل الأسئلة).
النطاق: كانت هناك 21.7 مليار طريقة ممكنة لدمج الإجابات.
النتيجة: باستخدام "المشي العشوائي" الخاص بهم، احتاجوا فقط إلى فحص 20,000 دمج للحصول على صورة دقيقة للغاية. وجدوا أن خيارين سيئان للغاية، وخيارين قريبين جداً من بعضهما، مع تفوق طفيف لأحدهما.

الخلاصة

تعلمنا هذه الورقة البحثية ألا نخاف من عدم الاتساق. عندما لا تتوافق تفضيلاتك بشكل مثالي، فهذا لا يعني أنك مخطئ؛ بل يعني أنك معقد.

من خلال استخدام "المشي العشوائي" عبر غابة الاحتمالات، يمكننا تحويل هذا الارتباك إلى احتمالات مفيدة. يساعد هذا صناع القرار على قول: "لست متأكداً بنسبة 100%، لكنني واثق بنسبة 90% أن هذا هو المسار الصحيح"، وهو أمر غالباً ما يكون أكثر صدقاً وفائدة من التظاهر بامتلاك إجابة واحدة مثالية.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "تحليل التفضيلات باستخدام الأشجار الممتدة عشوائياً: نهج أخذ العينات العشوائية للمقارنات الزوجية غير المتسقة."

1. بيان المشكلة

تتناول الورقة قيداً جوهرياً في تحليل اتخاذ القرار متعدد المعايير (MCDA)، وتحديداً في سياق المقارنات الزوجية (PC).

المشكلة الجوهرية: تفرض الطرق التقليدية (مثل عملية التسلسل الهرمي التحليلي - AHP، وطرق المتجه الذاتي) تجميع الأحكام البشرية غير المتسقة في "متجه أولوية" واحد. هذه العملية تتخلص من المعلومات الواردة ضمن عدم الاتساق، حيث تعاملها مجرد أخطاء يجب تقليلها بدلاً من كونها إشارات لعدم اليقين في التفضيل.
العائق الحسابي: يوفر نهج الأشجار الممتدة (Spanning Tree) طريقة متفوقة نظرياً من خلال حصر جميع ترتيبات التفضيل المتماسكة الممكنة (النماذج الذهنية) المستمدة من مجموعات فرعية مستقلة من الأحكام، ولكنه يعاني من تعقيد حسابي أسي. فبالنسبة لمشكلة تحتوي على $m$ من المعاياي و $n$ من البدائل، يبلغ عدد تركيبات الأشجار الممتدة $m^{m-2} \times n^{n(m-2)}$ . حتى المشكلات المتوسطة (مثلاً 4 بدائل و6 معايير) تولد مليارات التركيبات، مما يجعل الحصر الكامل مستحيلاً حسابياً.
نقص البيانات: غالباً ما يعجز صناع القرار في العالم الحقيقي عن تقديم أحكام لجميع الأزواج الممكنة (مصفوفات غير مكتملة). تتطلب الطرق التقليدية استكمال البيانات (imputation)، مما قد يؤدي إلى إدخال تحيز، بينما تواجه طرق الأشجار الممتدة الحالية صعوبة في التعامل مع البيانات غير المكتملة دون تعديل.

2. المنهجية

يقترح المؤلفون إطار عمل لأخذ العينات العشوائية (Stochastic Sampling Framework) يستفيد من خوارزميات المشي العشوائي لتقريب توزيع التفضيلات دون الحاجة للحصر الشامل.

أ. التحول المفاهيمي: عدم اليقين بدلاً من الخطأ

بدلاً من تصحيح عدم الاتساق، يعامل المؤلفون هذا الأمر كدليل على عدم اليقين في التفضيل. ويفترضون أن صانع القرار قد يحمل عدة "نماذج ذهنية" صحيحة ومتماسكة في آن واحد. الهدف هو توصيف توزيع هذه النماذج الذهنية بدلاً من إيجاد متوسط واحد.

ب. آلية الشجرة الممتدة

التعريف: تتكون الشجرة الممتدة في مصفوفة المقارنة الزوجية من $(n-1)$ من الأحكام المستقلة متبادلاً. وتنتج كل شجرة ممتدة متجه أولوية متميزاً ومتماسكاً.
التجميع: من خلال دمج الأشجار الممتدة من مصفوفة المعايير ومصفوفات البدائل لكل معيار، يتم توليد مجموعة من متجهات التفضيل الإجمالية.
المقاييس:
- مؤشر الفوز الزوجي (PWI): احتمال تفضيل البديل $A$ على البديل $B$ عبر جميع تركيبات الأشجار الممتدة الممكنة.
- مؤشر قبول الرتبة (RAI): احتمال حصول بديل معين على رتبة محددة (الأول، الثاني، إلخ).

ج. أخذ العينات العشوائية عبر المشي العشوائي

للتغلب على النمو الأسي للتركيبات، يستخدم المؤلفون إجراءات المشي العشوائي (Random Walk) (بناءً على أعمال ألدوس وبرودر) لتوليد عينة ممثلة إحصائياً من الأشجار الممتدة.

العملية: تقوم الخوارزمية بإجراء مشي عشوائي على رسم بياني للأحكام لتوليد شجرة ممتدة. وتكرار هذه العملية $N$ من المرات ينشئ عينة بحجم $N$ .
الصلاحية الإحصائية: يولد المشي العشوائي توزيعاً منتظماً على فضاء الأشجار الممتدة، مما يضمن أن العينة غير منحازة.
تحديد حجم العينة: باستخدام نظرية أخذ العينات الإحصائية القياسية، يتم حساب عدد التكرارات ( $It$ ) المطلوبة لتحقيق دقة معينة ( $\lambda$ ) عند مستوى ثقة ( $C$ ) كما يلي:
$It(\lambda, C) = \frac{Z_C^2}{4\lambda^2}$
حيث $Z_C$ هي الدرجة المعيارية (z-score). على سبيل المثال، لتحقيق دقة $\pm 1\%$ بمستوى ثقة 99%، يتطلب الأمر حوالي 16,641 تكراراً، بغض النظر عن إجمالي حجم المجتمع البالغ مليارات.

د. التعامل مع البيانات غير المكتملة

تستوعب الطريقة بشكل طبيعي مصفوفات المقارنة الزوجية غير المكتملة. فمن خلال استخدام صيغة كيرشوفف المعدلة للأشجار الممتدة، يمكن للخوارزمية توليد عينات صالحة من البيانات الجزئية دون الحاجة لاستكمال القيم المفقودة، مما يحافظ على سلامة البيانات.

3. المساهمات الرئيسية

القابلية للتطبيق الحسابي: تجسر الورقة الفجوة بين الأناقة النظرية للأشجار الممتدة والتطبيق العملي، حيث تحول مشكلة حصر (NP-hard) إلى مشكلة أخذ عينات عشوائية قابلة للمعالجة.
دعم القرار الاحتمالي: تقدم الورقة مقاييس PWI و RAI، مما ينقل دعم القرار من التقديرات النقطية (مثل "الخيار A هو الأفضل") إلى الرؤى الاحتمالية (مثل "الخيار A لديه فرصة 51% ليكون الأفضل، ولكن فرصة 49% ليكون الثاني").
المتانة تجاه عدم الاتساق وعدم الاكتمال: يتعامل إطار العمل صراحة مع الأحكام غير المتسقة كمصدر للمعلومات، ويعالج البيانات غير المكتملة ذاتياً، متجنباً التحيزات المرتبطة باستكمال البيانات.
الصرامة الإحصائية: توفر الورقة اشتقاقاً رسمياً لمتطلبات حجم العينة، مما يسمح للممارسين بالتحكم في المقايضة بين التكلفة الحسابية ودقة النتائج.

4. النتائج والتحقق من الصحة

تم التحقق من منهجية العمل من خلال دراستي حالة متميزتين:

أ. مثال تعليمي (اختيار المدارس)

الإعداد: مشكلة كلاسيكية تتضمن 3 مدارس و6 معايير.
التحقق: قارن المؤلفون نتائج المشي العشوائي العشوائي مقابل الحصر الدقيق لجميع تركيبات الأشجار الممتدة التي بلغت حوالي 944,000 تركيبة.
النتيجة: انحرفت تقديرات المشي العشوائي (بناءً على ~20,000 تكرار) بأقل من 1% عن قيم المجتمع الدقيقة لكل من PWI و RAI. وأكد ذلك أن نهج المشي العشوائي يلتقط بدقة التوزيع الأساسي للنماذج الذهنية.

ب. دراسة حالة واقعية (البنية التحتية للاتصالات)

الإعداد: اختيار بنية تحتية أساسية للمناطق الريفية تتضمن 4 بدائل (الألياف الضوئية، خطوط الطاقة، الميكروويف، الأقمار الصناعية) و6 فئات من المعايير.
النطاق: بلغ إجمالي تركيبات الأشجار الممتدة حوالي 21.7 مليار.
النتيجة:
- نجح نهج المشي العشوائي (20,000 عينة) في تحديد أن الميكروويف و الأقمار الصناعية هما البديلان المهيمنان، بينما تم استبعاد الألياف وخطوط الطاقة.
- والأهم من ذلك، كشف النهج عن عدم اليقين بين أعلى بديلين: حيث فضل الميكروويف قليلاً على الأقمار الصناعية (51% مقابل 49%)، وهي تفصيلة قد يخفيها أو يشوهها التقدير النقطي الواحد.
- كان الانحراف المعياري عبر 20 تجربة متكررة ضئيلاً جداً (< 0.005)، مما يدل على الموثوقية العالية.

5. الأهمية والآثار المترتبة

القابلية للتطبيق العملي: تجعل هذه الطريقة منهج الأشجار الممتدة قابلاً للتطبيق في المشكلات الواقعية واسعة النطاق حيث يواجه صناع القرار بيانات معقدة وغير متسقة وغالباً ما تكون غير مكتملة.
تعزيز جودة القرار: من خلال قياس متانة التفضيل، يمكن لصناع القرار تقييم مدى استقرار خياراتهم. فإذا حصل بديل ما على احتمالية فوز عالية ولكن مع توزيع واسع للدرجات، فإن ذلك يشير إلى مخاطر/عدم يقين مرتفع.
التحول المنهجي: تدعو الورقة إلى تحول في نموذج (MCDA): الانتقيال من "البحث عن التفضيل الحقيقي" (الذي قد لا يوجد بسبب القيود الإدراكية البشرية) إلى "توصيف فضاء التفضيلات المحتملة".
القابلية للتوسع: إن القدرة على حل مشكلات تحتوي على مليارات التركيبات باستخدام 20,000 تكرار فقط تمثل قفزة هائلة في الكفاءة الحسابية لأنظمة دعم القرار.

في الختام، توفر الورقة إطار عمل قوياً ومبنياً على أسس إحصائية يحول التعامل مع المقارنات الزوجية غير المتسقة وغير المكتملة من مصدر للخطأ إلى مصدر غني بالرؤى الاحتمالية، مما يتيح اتخاذ قرارات أكثر استنارة ومرونة.