The {\alpha} -Discounting ({\alpha}-DMCDM) as an extension of AHP, TOPSIS, VIKOR, PROMETHEE, and Weighted Sum

Technische Zusammenfassung: Das $\alpha$-Discounting ($\alpha$-DMCDM) als Erweiterung von AHP, TOPSIS, VIKOR, PROMETHEE und der gewichteten Summe

Problemstellung
Traditionelle Methoden der Multi-Kriterien-Entscheidungsanalyse (MCDM), einschließlich des Analytic Hierarchy Process (AHP), TOPSIS, VIKOR, PROMETHEE und der gewichteten Summenmodelle, beruhen auf der Annahme, dass Entscheidungsträger konsistente, paarweise (oder vollständig kompatible) Präferenzinformationen bereitstellen können. In realen Szenarien sind Präferenzstrukturen jedoch häufig unvollständig, nicht-linear oder widersprüchlich. Beispielsweise führen zyklische Inkonsistenzen (z. B. $C_1 > C_2$, $C_2 > C_3$, aber $C_3 > C_1$) dazu, dass die für diese Methoden verwendeten Gleichungssysteme unlösbar werden und nur triviale Lösungen liefern. Während AHP Inkonsistenz über das Konsistenzverhältnis (Consistency Ratio, CR) erkennt, bietet es keinen fundierten Mechanismus zur Reparatur des Urteilssatzes oder zur Ableitung von Gewichten aus inkonsistenten Daten. Andere Methoden setzen voraus, dass Gewichte vorab berechnet wurden, und können keine schlecht gestellten Präferenzstrukturen verarbeiten. Bestehende Erweiterungen unter Verwendung von Fuzzy- oder Neutrosophic-Mengen hängen jedoch oft weiterhin von einem konsistenten Gewichtsextraktionsschritt ab.

Methodik: $\alpha$-Discounting MCDM
Die Arbeit schlägt das $\alpha$-Discounting MCDM ($\alpha$-DMCDM) als einen vereinheitlichten algebraischen Rahmen vor, der inkonsistente Informationen aufnimmt, anstatt sie abzulehnen. Die Kernmethodik transformiert Präferenzaussagen – ob linear, nicht-linear, paarweise oder $n$-weise – in ein System von algebraischen Gleichungen oder Ungleichungen.

1. Axiomatische Basis: Die Methode stützt sich auf sieben Axiome, insbesondere auf:

   • Axiom A3 (Zulässigkeit von Inkonsistenz): Das System darf inkonsistent sein (d. h. $\det(I - A) \neq 0$), was lediglich die triviale Lösung $x=0$ liefert.
   • Axiom A4 ($\alpha$-Discounting-Prinzip): Ein globaler skalarer Diskontierungsfaktor $\alpha > 0$ wird eingeführt, sodass das diskontierte System $(I - \alpha A)x = 0$ eine nicht-triviale Lösung zulässt.
   • Axiom A5 (Maß für Konsistenz): Der Wert von $\alpha$ quantifiziert die globale Konsistenz. $\alpha = 1$ impliziert volle Konsistenz; $0 < \alpha < 1$ deutet auf Inkonsistenz hin, wobei kleinere Werte stärkere Widersprüche widerspiegeln.

2. Existenzsatz: Die Arbeit beweist, dass für jede endliche Menge linearer (oder linearisierter) Präferenzgleichungen, bei denen das ursprüngliche System inkonsistent ist, mindestens ein positiver reeller Skalar $\alpha$ existiert, sodass $\det(I - \alpha A) = 0$ gilt. Dies stellt die Existenz eines nicht-trivialen Eigenvektors sicher, der zu Prioritätsgewichten normalisiert werden kann.

3. Algorithmisches Verfahren:

   • Modellierung der Präferenzen als ein System von Gleichungen/Ungleichungen zur Bildung der Matrix $A$.
   • Einführung eines einzelnen Diskontierungsfaktors $\alpha$ (unter Einhaltung des Fairness-Prinzips).
   • Lösen von $\det(I - \alpha A) = 0$ nach dem zulässigen $\alpha$ (typischerweise die kleinste positive Wurzel).
   • Berechnung des Eigenvektors von $(I - \alpha A)$, der mit dem Null-Eigenwert assoziiert ist.
   • Normalisierung des Eigenvektors, um den endgültigen Gewichtsvektor $w$ zu erhalten.

4. Erweiterungen: Der Rahmen ist modular und unterstützt:

   • Intervall-$\alpha$-Discounting: Handhabung vager Koeffizienten als Intervalle $[a^-, a^+]$, was zu einem Intervall zulässiger $\alpha$-Werte und intervallwertiger Gewichte führt.
   • Nicht-lineares $\alpha$-Discounting: Berücksichtigung beliebiger funktionaler Beziehungen (z. B. quadratisch, logarithmisch) durch Reduktion des Systems auf eine transzendente Gleichung, die mittels numerischer Wurzelfindung lösbar ist.
   • Gruppenentscheidungsfindung: Aggregation der Matrizen mehrerer Experten über Mittelwertbildung, gewichtete Mittelwertbildung oder Auswahl des minimalen $\alpha$, wodurch die quantitative Behandlung der Inkonsistenz gewahrt bleibt.
   • Neutrosophische Logik: Abbildung des Diskontierungsfaktors $\alpha$ auf die „Wahrheits“-Komponente ($T$) von Neutrosophic-Triplets $(T, I, F)$, was es der Methode ermöglicht, Unbestimmtheit und Falschheit explizit zu behandeln.

Wesentliche Beiträge

• Theoretische Vereinheitlichung: Bietet eine in sich geschlossene Darstellung von $\alpha$-DMCDM und etabliert eine rigorose axiomatische Basis sowie einen Existenzsatz für den Diskontierungsfaktor.
• Inkonsistenzmanagement: Bietet einen fundierten Mechanismus zur Quantifizierung und Auflösung von Inkonsistenz durch algebraische Verfahren, ohne widersprüchliche Urteile zu verwerfen. Der Parameter $\alpha$ dient als direkter Metrik für den Grad des Konflikts.
• Ausdrucksstärke: Ermöglicht es Entscheidungsträgern, Präferenzen in natürlichen mathematischen Formen (linear, nicht-linear, Intervall) zu artikulieren, ohne sie in eine paarweise Matrixstruktur zwingen zu müssen.
• Praktische Implementierung: Beinhaltet illustrative numerische Beispiele (linear-zyklisch, intervallbasiert und nicht-linear) sowie Python-Code-Implementierungen zur Lösung dieser Systeme.
• Vergleichende Analyse: Kontrastiert $\alpha$-DMCDM systematisch mit AHP, TOPSIS, VIKOR, PROMETHEE und der gewichteten Summe und hebt die einzigartige Fähigkeit hervor, nicht-lineare Präferenzen, Intervall-Unsicherheit und inkonsistente Daten zu handhaben, während die Rechenkomplexität mit eigenwertbasierten Methoden vergleichbar bleibt.

Ergebnisse und illustrative Beispiele
Die Arbeit demonstriert die Methode anhand dreier spezifischer Fälle:

1. Linearer zyklischer Fall: Für ein System, in dem $x_1 = 2x_2$, $x_2 = 3x_3$ und $x_3 = 4x_1$ (eine zyklische Inkonsistenz) gilt, berechnet die Methode $\alpha \approx 0,346$. Die resultierenden Gewichte sind $(0,26, 0,37, 0,37)$, was eine Lösung liefert, bei der das traditionelle AHP aufgrund der Inkonsistenz keine Gewichte erzeugen könnte.
2. Intervallfall: Für Umweltkriterien mit vagen Wichtigkeitsbereichen leitet die Methode ein zulässiges $\alpha$-Intervall $[0,346, 0,550]$ ab. Die Wahl eines repräsentativen $\alpha$ liefert intervallwertige Gewichte, die es Entscheidungsträgern ermöglichen, risikoavers oder risikosuchend zu agieren.
3. Nicht-linearer Fall: Für eine Studie zur Technologieadoption mit quadratischen und logarithmischen Beziehungen löst die Methode eine transzendente Gleichung, um $\alpha \approx 0,45$ zu finden, was Gewichte liefert, die spezifische nicht-lineare Verhaltensweisen (z. B. abnehmende Grenzerträge) widerspiegeln.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass $\alpha$-Discounting die Lücke zwischen klassischer Entscheidungstheorie und moderner, unsicherheitssensibler Argumentation schließt. Ihre primäre Bedeutung liegt darin, Inkonsistenz von einem negativen Diagnoseinstrument (einem Grund, Daten abzulehnen) in eine handlungsrelevante Information (einen quantifizierbaren Parameter $\alpha$) zu verwandeln. Durch die Beibehaltung der algebraischen Einfachheit linearer Methoden bei gleichzeitiger Erweiterung der Ausdrucksstärke auf nicht-lineare und unsichere Daten, wird die Methode als robuster Alternativansatz für komplexe Engineering-Aufgaben, strategische Planung und KI-gestützte Präferenzaggregation präsentiert. Die Autoren positionieren $\alpha$-DMCDM nicht als Ersatz für alle bestehenden Methoden, sondern als notwendige Erweiterung für Szenarien, in denen Präferenzstrukturen inhärent widersprüchlich, unvollständig oder nicht-linear sind.

Limitierungen und zukünftige Richtungen
Die Arbeit räumt bescheiden ein, dass Einschränkungen bestehen, wie etwa das Potenzial für mehrere positive Wurzeln in polynomischen Gleichungen (was die Auswahl durch Domänenwissen erfordert), Skalierbarkeitsprobleme bei sehr großen Systemen und die Notwendigkeit einer Anwenderschulung zur Interpretation des $\alpha$-Metrik. Als zukünftige Forschungsrichtungen werden die Integration von maschinellem Lernen zur Präferenzermittlung, die Entwicklung eines dynamischen, zeitvariablen $\alpha$-Rahmens sowie die Entwicklung grafischer Schnittstellen zur Visualisierung der geometrischen Deformation von Hyperebenen durch $\alpha$ vorgeschlagen.