Linear Programming for Multi-Criteria Assessment with Cardinal and Ordinal Data: A Pessimistic Virtual Gap Analysis

Diese Arbeit stellt eine neue, auf linearer Programmierung basierende Methode zur pessimistischen Bewertung und Priorisierung von Alternativen in der Mehrkriterienanalyse vor, die sowohl kardinale als auch ordinale Daten integriert, um Subjektivität und Verzerrungen zu minimieren.

Das Wesentliche

🚀 Der „Pessimistische Lücken-Analysator": Wie man die schlechteste Wahl findet, ohne zu raten

Stellen Sie sich vor, Sie sind ein Chef, der eine neue Flotte von Lieferwagen kaufen muss. Sie haben 20 verschiedene Modelle zur Auswahl. Aber wie bewerten Sie sie fair?

• Manche Daten sind Zahlen (z. B. Gewicht in kg, Preis in Euro).
• Andere Daten sind Meinungen (z. B. „Wie gut ist das Design?" – bewertet auf einer Skala von 1 bis 5).

Das ist das Problem, mit dem sich dieses Papier beschäftigt: Wie bewertet man Dinge fair, wenn man harte Zahlen und weiche Meinungen mischen muss, ohne dabei von eigenen Vorurteilen beeinflusst zu werden?

Die Autoren (Liu und Shih) haben eine neue Methode namens VGA (Virtual Gap Analysis) entwickelt. Hier ist, wie sie funktioniert, erklärt mit einfachen Metaphern:

1. Das Problem: Der „Schiedsrichter" ist oft voreingenommen

Bisherige Methoden (wie DEA oder MCDM) versuchen, eine Art „perfektes Ideal" zu definieren. Das Problem dabei: Oft müssen die Schiedsrichter (die Computermodelle) willkürlich entscheiden, wie wichtig welches Kriterium ist. Ist Gewicht wichtiger als Preis? Oder ist ein „sehr gutes Design" (Note 1) wirklich doppelt so viel wert wie ein „gutes Design" (Note 2)?
Das führt zu Verzerrungen. Es ist, als würde ein Fußballschiedsrichter entscheiden, dass Tore in der ersten Hälfte doppelt so viel zählen wie in der zweiten.

2. Die Lösung: Der „Pessimistische Lücken-Analysator"

Die neue Methode nutzt eine zweistufige Strategie, die wir uns wie einen strengen, aber fairen Coach vorstellen können, der nicht nach dem „Besten" sucht, sondern zuerst den „Schlechtesten" finden will, um ihn zu eliminieren.

Stufe 1: Die große Aussortierung (Das „Worst-Practice"-Szenario)
Stellen Sie sich vor, alle Lieferwagen stehen in einer Halle. Der Coach sagt: „Wir schauen uns nicht an, wer am schnellsten ist, sondern wer am schlechtesten ist."

• Er vergleicht jeden Wagen mit allen anderen.
• Er fragt: „Wenn wir diesen Wagen schlechter machen müssten (schwerer, teurer, schlechteres Design), wie viel müsste man ändern, damit er genauso schlecht ist wie der schlechteste Konkurrent?"
• Die Magie: Die Methode berechnet eine „virtuelle Lücke".
  • Wenn die Lücke 0 ist, ist der Wagen Teil der „schlechtesten Gruppe". Er ist so ineffizient, dass er nicht einmal als Referenz für andere dienen kann.
  • Wenn die Lücke groß ist, ist der Wagen eigentlich gar nicht so schlecht. Er hat Potenzial.
• Das Ergebnis: Alle Wagen werden in zwei Gruppen geteilt: Die „Hoffnungslosen" (die schlechte Gruppe) und die „Rettbaren" (die gute Gruppe).

Stufe 2: Der Showdown der Schlechtesten (Der „Hyper-Lücken"-Check)
Jetzt haben wir eine Gruppe von Wagen, die alle als „schlecht" eingestuft wurden. Aber wer ist der absolut Schlechteste?

• Der Coach nimmt jetzt nur diese schlechte Gruppe und vergleicht sie untereinander.
• Er fragt: „Wer von euch muss am meisten ändern, um auf das Niveau des besten der Schlechten zu kommen?"
• Derjenige mit der größten Lücke (dem größten Abstand zum Ziel) ist der Verlierer des Tages. Er wird eliminiert.
• Dieser Prozess wird wiederholt, bis alle Wagen sortiert sind.

3. Warum ist das so genial? (Die kreativen Vorteile)

• Keine Willkür (Fairness): Die Methode berechnet die „virtuellen Preise" für Input und Output automatisch. Sie muss nicht von Hand festlegen, ob ein Kilo Gewicht wichtiger ist als ein Liter Kraftstoff. Das System findet den fairen Preis selbst.
• Mischung aus Hart und Weich: Sie kann Zahlen (kg, Euro) und Meinungen (Likert-Skalen wie „sehr gut" bis „schlecht") perfekt mischen. Es ist, als würde man Äpfel und Orangen vergleichen, indem man sie beide in „Frucht-Einheiten" umrechnet.
• Der „Pessimistische" Ansatz: Die meisten Methoden versuchen, das Maximum zu finden (Optimismus). Diese Methode ist pessimistisch. Sie fragt: „Was ist das Schlimmste, das passieren kann?" und eliminiert es. Das ist oft sicherer und realistischer, besonders wenn man Risiken minimieren will.
• Skalierbarkeit: Selbst wenn Sie 1000 Lieferwagen haben, kann der Computer das in Sekunden berechnen. Es ist wie ein Turbo für Entscheidungen.

4. Ein konkretes Beispiel aus dem Papier

Die Autoren testeten ihre Methode mit Laptop-Modellen:

• Input: Gewicht (Zahl) und Markenimage (Meinung: 1 bis 6).
• Output: Verkaufszahlen (Zahl) und Kundenzufriedenheit (Meinung: 1 bis 4).

Das Ergebnis? Die Methode konnte genau sagen, welches Laptop-Modell das schlechteste war und warum. Sie zeigte nicht nur den Gewinner, sondern gab dem Verlierer eine klare Anleitung: „Wenn du dein Gewicht um X% senkst und dein Design um Y% verbesserst, kommst du auf das Niveau der Besten."

🎯 Fazit für den Alltag

Stellen Sie sich diese Methode wie einen fairen, unbestechlichen Richter vor, der in einem großen Raum steht.

1. Er schaut sich alle Kandidaten an.
2. Er sucht nicht den Superhelden, sondern den Schwächsten.
3. Er berechnet genau, wie viel „Schwäche" (Lücke) jeder hat.
4. Er entfernt den Schwächsten und wiederholt das Spiel, bis alle sortiert sind.

Das Besondere: Er nutzt keine vorgefertigten Regeln, sondern lässt die Daten selbst sprechen. Egal, ob Sie Zahlen oder Meinungen haben – er findet den „virtuellen Preis" für alles und sorgt dafür, dass am Ende die beste Entscheidung übrig bleibt, ohne dass jemand manipulieren kann.

Kurz gesagt: Es ist ein mathematischer Werkzeugkasten, der hilft, die schlechteste Option aus einem Haufen von Möglichkeiten zu entfernen, damit Sie sicherer die beste Wahl treffen können.

Technische Zusammenfassung

Titel:

Lineare Programmierung für die Mehrkriterienbewertung mit kardinalen und ordinalen Daten: Eine pessimistische virtuelle Lückenanalyse (Virtual Gap Analysis)

1. Problemstellung

Die Mehrkriterienbewertung (Multi-Criteria Assessment, MCA) dient dazu, Alternativen (Decision Making Units, DMUs) basierend auf verschiedenen Kriterien zu rangieren. Bestehende Methoden wie Multiple Criteria Decision Making (MCDM), Stochastic Frontier Analysis (SFA) und Data Envelopment Analysis (DEA) leiden unter erheblichen Einschränkungen:

• Subjektivität und Verzerrung: Viele Methoden erfordern subjektive Gewichtungen oder Annahmen, die die Zuverlässigkeit der Ergebnisse beeinträchtigen.
• Datenvielfalt: Die gleichzeitige Verarbeitung von quantitativen (kardinalen) und qualitativen (ordinalen) Daten ist in vielen bestehenden Modellen schwierig oder führt zu ungenauen Parametern.
• Heterogenität: Herkömmliche DEA-Modelle gehen oft von einer Homogenität der DMUs aus und scheitern, wenn die Entscheidungsmatrix heterogene Einheiten enthält.
• Skalierbarkeit und Echtzeitfähigkeit: Bei großen Entscheidungsmatrizen (viele Zeilen und Spalten) stoßen viele Methoden an Grenzen.

Das Ziel der Autoren ist es, eine robuste, skalierbare und objektive Methode zu entwickeln, die sowohl kardinale als auch ordinale Daten integriert und eine Bewertung aus einer pessimistischen Perspektive (Worst-Practice-Analyse) ermöglicht, um die am wenigsten vorteilhaften Alternativen zu identifizieren und zu eliminieren.

2. Methodik: Die virtuelle Lückenanalyse (Virtual Gap Analysis, VGA)

Die Autoren stellen ein zweistufiges Framework vor, das auf der linearen Programmierung (Linear Programming, LP) basiert und speziell für die Worst-Practice-Bewertung entwickelt wurde. Das Modell wird als w2c VGA-Methode bezeichnet (worst practice, Type 2 decision matrix, Perspective-c).

Kernkonzepte:

• Datentypen: Das Modell verarbeitet eine Entscheidungsmatrix mit $m$ Eingaben und $s$ Ausgaben für $n$ DMUs.
  • Kardinaldaten: Quantitative Werte (z. B. Kosten, Stückzahlen).
  • Ordinale Daten: Qualitative Werte, oft durch Likert-Skalen (z. B. "sehr zufrieden" bis "sehr unzufrieden") dargestellt.
• Zweistufiger Prozess (Perspective-c):
  1. Stufe I (Identifikation der Worst-DMUs):
     • Anwendung des owPT-Modells (ordinal-worst-Pure Technical).
     • Ziel: Berechnung der virtuellen Lücke ($\Delta$) für jede DMU.
     • DMUs mit einer virtuellen Lücke von Null ($\Delta = 0$) werden als "Worst-DMUs" identifiziert und in die Menge $E_{owPT}$ aufgenommen.
     • DMUs mit einer positiven Lücke werden als "Non-Worst" klassifiziert und können direkt rangiert werden (höhere Lücke = bessere Performance in der Worst-Practice-Analyse).
  2. Stufe II (Rangierung innerhalb der Worst-Gruppe):
     • Anwendung des ohPT-Modells (ordinal-hypo-Pure Technical) nur auf die in Stufe I identifizierten Worst-DMUs.
     • Ziel: Unterscheidung der "schlechtesten" unter den "schlechtesten".
     • Hier wird eine hypo-virtuelle Lücke berechnet. Die DMU mit der größten positiven Lücke in diesem Schritt wird als die absolut schlechteste Alternative ($\Delta > 0$) identifiziert und eliminiert.

Mathematische Besonderheiten:

• Einheitlicher Zielpreis (Unified Goal Price): Das Modell berechnet einen virtuellen Preis ($\tau_o$) für Eingaben und Ausgaben, der subjektive Gewichtungen ersetzt. Dies geschieht in zwei Schritten (Schritt I mit $\tau = 1$, Schritt II mit Normalisierung), um die Ergebnisse auf den Bereich $[0, 1)$ zu skalieren.
• Dualität und Komplementärer Schlupf: Die Modelle nutzen die Dualität der linearen Programmierung (Primal- und Dual-Programm), um die Konsistenz der Lösungen zu gewährleisten. Die starken komplementären Schlupfbedingungen (SCSC) stellen sicher, dass die virtuellen Preise und Anpassungsraten mathematisch konsistent sind.
• Behandlung ordinaler Daten: Ordinale Daten werden durch spezifische Constraints behandelt, die sicherstellen, dass Anpassungen innerhalb der Grenzen der Likert-Skala bleiben (z. B. $1 \le x \le 6$). Strafkosten werden für Überschreitungen berechnet.

3. Hauptbeiträge

1. Neuartige Modellierung: Einführung der w2c VGA-Methode, die speziell für die Kombination aus kardinalen und ordinalen Daten in einer Worst-Practice-Szenario entwickelt wurde.
2. Objektivität: Elimination subjektiver Gewichtungen durch die Berechnung eines einheitlichen virtuellen Zielpreises mittels linearer Programmierung.
3. Umgang mit Heterogenität: Das Modell ist unempfindlich gegenüber der Heterogenität der Entscheidungsmatrix (unterschiedliche Einheiten und Datenarten), was ein Hauptproblem bei DEA ist.
4. Zweistufige Eliminierung: Ein systematischer Ansatz, um schrittweise die schlechtesten Alternativen zu identifizieren und zu entfernen, was zu einem vollständigen Ranking führt.
5. Skalierbarkeit: Die Methode ist effizient genug, um auch große Datensätze (z. B. >200 Spalten) in Echtzeit zu verarbeiten und lässt sich gut in Entscheidungssupportsysteme integrieren.

4. Ergebnisse

Die Autoren validieren die Methode anhand zweier Beispiele:

• Minimalbeispiel (Laptops): Eine Bewertung von 6 Laptop-Modellen mit quantitativen (Gewicht, Verkaufszahlen) und qualitativen Daten (Markenwahrnehmung, Zufriedenheit).
  • Ergebnis: Das Modell identifizierte DMU-D als die schlechteste Alternative und lieferte ein vollständiges Ranking ($A \succ G \succ H \succ B \succ K \succ D$). Die 2D-Visualisierung zeigte klar die Position der DMUs relativ zur "Prime Meridian" (Grenze der Effizienz).
• Großes Realwelt-Problem (Energieeffizienz in China): Bewertung von 29 Provinzen mit 3 Eingaben und 3 Ausgaben (wobei eine Ausgabe ordinal ist).
  • Ergebnis: Das Modell identifizierte 11 "Worst-DMUs". Durch die Anwendung von Stufe II wurde DMU1 als die absolut ineffizienteste Provinz identifiziert (mit einer hypo-virtuellen Lücke von 0,426). Das Modell lieferte konkrete Anpassungsraten (Inputs senken, Outputs erhöhen), um das Zielniveau zu erreichen.

In beiden Fällen bestätigten die Lösungen die theoretischen Eigenschaften (z. B. $\alpha = \beta$ am Zielort) und zeigten, dass das Verfahren robust gegenüber Datenheterogenität ist.

5. Bedeutung und Fazit

Die vorgestellte Virtual Gap Analysis (VGA) stellt einen signifikanten Fortschritt in der MCA-Forschung dar. Sie adressiert kritische Lücken bestehender Methoden, insbesondere die Integration qualitativer Daten und die Vermeidung subjektiver Verzerrungen.

• Praktische Relevanz: Die Methode eignet sich ideal für komplexe Entscheidungsszenarien in Industrie 4.0, Smart Cities und Supply-Chain-Management, wo schnelle, datengetriebene Entscheidungen unter Unsicherheit erforderlich sind.
• Wissenschaftlicher Wert: Sie bietet einen rein nicht-parametrischen Ansatz, der die theoretischen Mängel von DEA (wie inkonsistente Einheiten in der Zielfunktion) umgeht.
• Zukunftsausblick: Das Framework ist erweiterbar für unvollständige oder ungenaue Daten und kann mit KI und IoT-Systemen integriert werden, um dynamische Entscheidungsprozesse zu unterstützen.

Zusammenfassend bietet das Paper eine mathematisch fundierte, objektivere und effizientere Alternative zu traditionellen MCDM- und DEA-Methoden, insbesondere wenn gemischte Datentypen und eine pessimistische Risikobewertung im Vordergrund stehen.