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

この論文は、定量的および定性的なデータ（数値データと順序データ）の両方を用いて、代替案を悲観的視点から評価し、最悪の選択肢を排除する新たな線形計画法に基づく仮想ギャップ分析（VGA）モデルを提案するものである。

要約

🍳 料理の味付け：なぜこの研究が必要なのか？

これまで、複数の基準で「どれが一番良いか」を決める方法（MCA）には、2 つの大きな問題がありました。

1. 主観が入りすぎる： 「この基準は重要だから 10 点、あの基準は 1 点」と、評価する人が勝手に点数を決めてしまう。
2. データがバラバラ： 「売上（数字）」と「ブランドイメージ（1〜5 段階のアンケート）」を足し算しようとして、単位が合わなくて計算がおかしくなる。

この論文では、**「人間の主観を一切排除し、データそのものが語る『真実の距離』」**を計算する新しい方法（VGA：バーチャル・ギャップ分析）を提案しています。

---

🏃‍♂️ 2 段階のレース：最悪の選手を特定する

この新しい方法は、**「最悪の選手（DMU）」**を特定するために、2 つのステージ（ラウンド）で評価を行います。

ステージ 1：「最悪グループ」の選抜（owPT モデル）

まず、すべての選手を走らせて、**「誰が最も遅れているか（または最も非効率か）」**を調べます。

• 仕組み： 各選手は「他の誰か」を目標にして、「自分の努力（入力）を減らし、成果（出力）を増やせば、目標に追いつけるか？」を計算します。
• 結果： 目標に追いつける人（ギャップ＝0）は「最悪グループ」に入ります。追いつけない人（ギャップがある）は「まだマシな人」として除外されます。
• アナロジー： 全員でマラソンをさせ、「ゴールまであと 100 メートル」という人がいれば、その人は「最悪グループ」の候補です。

ステージ 2：「最悪グループ」の中での順位付け（ohPT モデル）

ステージ 1 で選ばれた「最悪グループ」の中で、**「誰が最もダメか」**をさらに詳しく調べます。

• 仕組み： このグループ同士で比較し、「誰が最も努力（調整）を必要としているか」を計算します。
• 結果： 最も大きな「調整の必要量（仮想ギャップ）」がある選手が、**「最悪の選手（No.1 最下位）」**として確定します。
• アナロジー： 最下位争いをする人たちが集まり、「誰が一番遅れているか」をもう一度測ります。一番遅れている人が「最悪」と判定され、リストから外されます。

---

🎨 創造的なメタファー：3 つのポイント

この論文のすごいところは、以下の 3 つの点にあります。

1. 「主観なし」の自動調味料 🧂

これまでの方法では、「売上」を重視するか「顧客満足度」を重視するかで、評価結果が変わってしまっていました。
しかし、この新しい方法は、**「データが自然に求めるバランス」を計算機が自動で見つけます。人間が「こっちを重視しよう」と思わなくても、計算式が「このバランスが一番公平だ」という答えを出します。まるで、「食材の味そのものを最大限に引き出す自動調味料」**のようなものです。

2. 「数字」と「言葉」を混ぜる魔法 🧙‍♂️

「売上（100 万円）」と「評判（5 段階評価）」を一緒に評価するのは、通常は「リンゴとオレンジを足す」ようなものですが、この方法はそれを可能にします。

• 仕組み： 5 段階評価を「1 段階＝〇〇円」という**「仮想の価格」**に変換して計算します。
• 効果： 定量的なデータ（数字）と定性的なデータ（アンケート結果）が混ざっていても、混乱することなく公平に比較できます。

3. 「最悪」を排除して、全体を良くする 🗑️

この研究の目的は、単に「誰が一番良いか」を見つけることではなく、「誰が一番ダメか」を特定して排除することにあります。

• プロセス： 最悪の選手をリストから外し、残った人たちでまた同じことを繰り返します。
• メリット： 「一番ダメな人」を順に排除していくことで、残った人たちは自然とレベルアップします。これは、**「チームから一番弱い選手を順にクビにして、チーム全体のレベルを底上げする」**ような戦略です。

---

💡 まとめ：この研究がもたらすもの

この論文は、「複雑でバラバラなデータ（数字もあればアンケートもある）」を使って、「誰が一番ダメか」を主観なしで突き止め、それを排除するための、非常に強力で公平な「計算のルール」を提案しています。

• 従来の方法： 「私が思うに、これが一番良い！」（主観あり）
• この新しい方法： 「データが示す通り、この人が最も改善が必要だ。そして、その改善に必要な『距離』はこれだけだ」（客観的・科学的）

この方法は、企業の評価、地域のエネルギー効率、製品の選定など、あらゆる「複雑な判断」を、AI やビッグデータと組み合わせて、より早く、より正確に行えるようにする未来のツールなのです。

技術概要

この論文「線形計画法を用いた数量データと順序データを含む多基準評価：悲観的仮想ギャップ分析（Virtual Gap Analysis）」の技術的サマリーを以下に提示します。

1. 研究の背景と課題 (Problem)

多基準評価（MCA: Multi-Criteria Assessment）は、複数の基準に基づいて代替案をランク付けするために広く用いられています。しかし、既存の手法には以下の重大な課題が存在します。

• 主観的バイアス: 従来の多基準意思決定（MCDM）やデータ包絡分析（DEA）などでは、重み付けやパラメータ推定において主観的な評価やバイアスが結果の信頼性に影響を与える。
• データの多様性への対応不足: 定量的データ（基数データ）と定性的データ（順序データ、例：リッカート尺度）を同時に扱う際、既存手法は精度が低下したり、適用が困難になったりする。
• データの不均質性: 意思決定単位（DMU）間の入力・出力の構造が異なる場合（不均質性）、既存の DEA などの手法は適切なベンチマークや評価を行えない。
• 最悪シナリオ（悲観的視点）の欠如: 多くの手法は「最善の実践（Best Practice）」に焦点を当てており、「最悪の実践（Worst Practice）」や、最も不適切な代替案を特定して排除するプロセスが体系的に確立されていない。

2. 提案手法：悲観的仮想ギャップ分析 (Methodology)

著者らは、線形計画法（Linear Programming）に基づく新しいフレームワーク「仮想ギャップ分析（VGA: Virtual Gap Analysis）」、特に**「順序データ対応 2 段階 VGA（Ord-VGA）」**を提案しました。本論文では、w2c VGA-method（最悪実践、順序データ対応、2 段階評価）に焦点を当てています。

2.1. 基本的な概念

• 仮想価格（Virtual Price）: 各基準（入力・出力）に対して、線形計画法によって自動的に導出される「仮想通貨（$）」での価格を設定し、主観的な重み付けを排除する。
• 仮想ギャップ（Virtual Gap）: 各 DMU の入力と出力の加重合計の差（非効率性スコア）を「仮想ギャップ」として定義する。この値は $0 から$1 の範囲に正規化される。
• 悲観的視点（Pessimistic Perspective）: 「最悪の実践（Worst Practice）」に立脚し、非効率な DMU を特定し、排除するプロセスを重視する。

2.2. 2 段階評価プロセス

提案手法は、以下の 2 つの段階で構成される。

• 第 1 段階（Stage I）：最悪 DMU の特定（owPT モデル）

  • 目的: 全 DMU を評価し、「最悪 DMU（Worst DMUs）」のグループ（$E_{owPT}$）を特定する。
  • モデル: owPT（Ordinal-worst-Pure Technical）モデルを使用。
  • プロセス: 各 DMUo について、入力増加・出力減少の方向で調整を行い、仮想ギャップ（$\Delta$）を最小化する。
  • 判定: 仮想ギャップが $0 となる DMU は「最悪 DMU」としてグループ $E_{owPT}$ に分類される。ギャップが $0 より大きい DMU は「非最悪」としてランク付けされ、上位に位置する。
  • 特徴: 基数データと順序データ（リッカート尺度）を同時に扱えるように、順序データには上下限（$M^L, M^U$）の制約を設けた線形計画法を適用する。

• 第 2 段階（Stage II）：最悪グループ内の詳細ランク付け（ohPT モデル）

  • 目的: 第 1 段階で特定された最悪 DMU グループ（$E_{owPT}$）の中で、最も不適切な DMU（最悪中の最悪）を特定する。
  • モデル: ohPT（Ordinal-hypo-Pure Technical）モデルを使用。
  • プロセス: グループ内の DMUo を、自分自身を除く他の最悪 DMU と比較する。
  • 判定: 「仮の仮想ギャップ（Hypo-virtual gap）」を計算する。ギャップが $0 である DMU はグループ内で相対的に「最良（最悪グループの中では最善）」とされ、ギャップが $0 より大きい（正の値を持つ）DMU が「最悪」としてランク付けされる。
  • 結果: 最も大きな正の仮想ギャップを持つ DMU が、全体として最も不適切な代替案として特定される。

2.3. 数理的基盤

• 双対性（Duality）: 各モデルは、調整価格の最大化（双対プログラム）と仮想ギャップの最小化（主プログラム）の双対関係を持ち、最適解において両者が一致することを保証する。
• 補完的緩衝条件（SCSC）: 最適解の妥当性を検証するための条件を定義し、順序データの境界値におけるペナルティ価格の挙動を厳密に記述する。
• 単位不変性（Unit Invariance）: 測定単位（kg とトンなど）の変更が評価結果に影響しないことを保証する。

3. 主要な貢献 (Key Contributions)

1. 数量・順序データの統合処理: 従来の DEA や MCDM が苦手としていた、定量的データと定性的データ（順序データ）を混合した意思決定マトリクスを、線形計画法の枠組み内で厳密に処理する手法を確立した。
2. 主観的バイアスの排除: 評価パラメータ（仮想価格）を線形計画法によって客観的に導出しており、評価者の主観や重み付けの恣意性を排除した。
3. 悲観的視点の体系化: 「最悪の実践」に焦点を当て、最も不適切な代替案を特定・排除するための 2 段階アルゴリズムを提案した。これは、意思決定支援システムにおいて「避けるべき選択肢」を特定する際に極めて有効である。
4. 不均質性への対応: DMU 間の入力・出力構造の不均質性（Heterogeneity）があっても、参照セット（Peer set）を適切に形成し、公平な評価を可能にする。
5. スケーラビリティと実用性: 大規模なデータセット（200 列以上など）に対しても、線形計画法ソルバーを用いて効率的に計算可能であり、リアルタイム意思決定や AI/IoT への統合が可能である。

4. 結果と検証 (Results)

論文では、以下の 2 つの事例を通じて手法の有効性を検証した。

• 最小事例（6 つのノートパソコン）:

  • 重量（基数）とブランドイメージ・ユーザー満足度（順序データ）を評価基準とした。
  • 第 1 段階で 5 つの DMU が「最悪グループ」に分類され、第 2 段階でその中から最も非効率な DMU（DMU-D）が特定された。
  • 2 次元グラフ（仮想入力対仮想出力）を用いて、各 DMU の位置関係と目標値（ベンチマーク）を可視化し、評価の透明性を示した。

• 大規模実事例（中国の 29 省のエネルギー効率）:

  • 3 つの入力と 3 つの出力（うち 1 つは順序データ）を用いた。
  • 18 の DMU が「非最悪」としてランク付けされ、11 の DMU が「最悪グループ」に分類された。
  • 第 2 段階において、DMU-1 が最も大きな仮の仮想ギャップ（$0.426）を持ち、最も不適切な代替案として特定された。
  • 既存の DEA モデルによる結果と比較し、提案手法がより明確で論理的な順位付けを提供することを示した。

5. 意義と結論 (Significance)

この研究は、多基準評価の分野において以下の点で画期的な意義を持っています。

• 理論的革新: 主観的な重み付けに依存せず、線形計画法の双対性原理に基づいて「仮想ギャップ」を定義する新しい非パラメトリック手法を提供した。
• 実務的価値: 意思決定支援システム（DSS）において、複雑で多様なデータ（定量的・定性的混合）を扱い、特に「避けるべき最悪の選択肢」を迅速かつ正確に特定する能力を備えている。
• 将来展望: このフレームワークは、不完全データや曖昧なデータへの拡張、AI や IoT 環境でのリアルタイム意思決定への応用が可能であり、Industry 4.0 やスマートシティなどの分野での活用が期待される。

結論として、提案された w2c VGA-method は、既存の MCA 手法の限界（主観性、データ種類の制限、不均質性への脆弱性）を克服し、信頼性が高くスケーラブルな評価手法として確立された。