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

기술 요약: AHP, TOPSIS, VIKOR, PROMETHEE 및 가중 합산의 확장으로서의 $\alpha$-디스카운팅 ($\alpha$-DMCDM)

문제 제기
AHP(계층 분석 과정), TOPSIS, VIKOR, PROMETHEE 및 가중 합산 모델을 포함한 전통적인 다기준 의사결정(MCDM) 기법들은 의사결정자가 일관된 쌍체 비교(또는 완전하게 호환 가능한) 선호 정보를 제공할 수 있다는 가정에 의존한다. 그러나 실제 시나리오에서 선호 구조는 종종 불완전하거나, 비선형적이거나, 모순적이다. 예를 들어, 순환적 불일치(예: $C_1 > C_2$, $C_2 > C_3$, 그러나 $C_3 > C_1$)는 이러한 방법론에서 사용되는 방정식 체계를 풀 수 없게 만들어 오직 자명한 해(trivial solution)만을 산출한다. AHP는 일관성 비율(CR)을 통해 불일치를 감지하지만, 판단 집합을 복구하거나 불일치한 데이터로부터 가중치를 도출하는 원칙적인 메커니즘은 제공하지 않는다. 다른 방법들은 단순히 사전 계산된 가중치를 요구하며, 부적절하게 설정된(ill-posed) 선호 구조를 처리할 수 없다. 퍼지 또는 뉴트로소픽 집합을 사용하는 기존의 확장 방식들도 여로 일관된 가중치 추출 단계를 필요로 하는 경우가 많다.

방법론: $\alpha$-디스카운팅 MCDM
본 논문은 불일치한 정보를 거부하는 대신 이를 수용하는 통합된 대수적 프레임워크로서 $\alpha$-디스카운팅 MCDM($\alpha$-DMCDM)을 제안한다. 핵심 방법론은 선형, 비선형, 쌍체 비교 또는 $n$-wise 형태의 선호 진술을 하나의 대수 방정식 또는 부등식 체계로 변환하는 것이다.

1. 공리적 기초: 이 방법은 다음을 포함한 7가지 공리에 기초한다:

   • 공리 A3 (불일치 허용 가능성): 시스템은 불일치할 수 있으며(즉, $\det(I - A) \neq 0$), 이 경우 $x=0$이라는 자명한 해만을 갖는다.
   • 공리 A4 ($\alpha$-디스카운팅 원리): 전역 스칼라 디스카운트 인자 $\alpha > 0$를 도입하여, 디스카운트된 시스템 $(I - \alpha A)x = 0$이 비자명한 해를 갖도록 한다.
   • 공리 A5 (일관성 척도): $\alpha$ 값은 전역적 일관성을 정량화한다. $\alpha = 1$은 완전한 일관성을 의미하며, $0 < \alpha < 1$은 불일치를 나타내며, $\alpha$ 값이 작을수록 모순이 강함을 의미한다.

2. 존재 정리: 본 논문은 원래의 시스템이 불일치하는 임의의 유한한 선형(또는 선형화된) 선호 방정식 집합에 대하여, $\det(I - \alpha A) = 0$을 만족하는 양의 실수 스칼라 $\alpha$가 적어도 하나 존재함을 증명한다. 이는 우선순위 가중치를 산출하기 위해 정규화될 수 있는 비자명한 고유벡터의 존재를 보장한다.

3. 알고리즘 절차:

   • 선호도를 방정식/부등식 체계로 모델링하여 행렬 $A$를 형성한다.
   • 단일 디스카운트 인자 $\alpha$를 도입한다(공정성 원칙 준수).
   • $\det(I - \alpha A) = 0$을 $\alpha$에 대해 푼다(통상적으로 가장 작은 양의 근을 선택).
   • $(I - \alpha A)$의 고유벡터를 계산한다.
   • 최종 가중치 벡터 $w$를 얻기 위해 고유벡터를 정규화한다.

4. 확장성: 이 프레임워크는 모듈형이며 다음을 지원한다:

   • 구간 $\alpha$-디스카운팅: 모호한 계수를 구간 $[a^-, a^+]$로 처리하여, 허용 가능한 $\alpha$ 값의 구간과 구간값 가중치를 도출한다.
   • 비선형 $\alpha$-디스카운팅: 임의의 함수 관계(예: 이차, 로그)를 수용하며, 수치적 근 찾기(root-finding)를 통해 해결 가능한 초월 방정식으로 환원한다.
   • 집단 의사결정: 여러 전문가의 행렬을 평균, 가중 평균 또는 최소 $\alpha$ 선택을 통해 집계하며, 불일치의 정량적 처리를 유지한다.
   • 뉴트로소픽 논리: 디스카운트 인자 $\alpha$를 뉴트로소픽 삼중항 $(T, I, F)$의 "진릿값(Truth)" 성분에 매핑함으로써, 불확정성과 거짓성을 명시적으로 처리할 수 있게 한다.

주요 기여

• 이론적 통합: $\alpha$-DMCDM에 대한 독자적인 설명을 제공하며, 디스카운트 인자에 대한 엄격한 공리적 기초와 존재 정리를 확립한다.
• 불일치 관리: 모순된 판단을 폐기하는 대신, 이를 대수적으로 정량화하고 해결하는 원칙적인 메커니즘을 제공한다. 매개변수 $\alpha$는 갈등의 정도를 나타내는 직접적인 지표 역할을 한다.
• 표현력: 의사결정자가 쌍체 행렬 구조에 억지로 맞추지 않고도 자연스러운 수학적 형태(선형, 비선형, 구간)로 선호도를 표현할 수 있게 한다.
• 실제적 구현: 선형 순환, 구간 기반, 비선형 사례를 포함한 예시적 수치 사례와 시스템 해결을 위한 Python 코드 구현을 포함한다.
• 비교 분석: $\alpha$-DMCDM을 AHP, TOPSIS, VIKOR, PROMETHEE 및 가중 합산과 체계적으로 대조하여, 비선형 선호, 구간 불확실성, 불일치 데이터를 처리할 수 있는 고유한 능력을 강조한다.

결과 및 예시
본 논문은 세 가지 특정 사례를 통해 방법을 입증한다:

1. 선형 순환 사례: $x_1 = 2x_2$, $x_2 = 3x_3$, $x_3 = 4x_1$인 시스템(순환적 불일치)에 대해, 이 방법은 $\alpha \approx 0.346$을 계산한다. 결과 가중치는 $(0.26, 0.37, 0.37)$이며, 이는 전통적인 AHP가 불일치로 인해 가중치를 생성하지 못하는 상황에서 해를 제공한다.
2. 구간 사례: 환경 기준의 모호한 중요도 범위를 대상으로, 이 방법은 허용 가능한 $\alpha$-구간 $[0.346, 0.550]$을 도출한다. 대표적인 $\alpha$를 선택함으로써 구간값 가중치를 얻을 수 있으며, 이를 통해 의사결정자는 위험 회피적 또는 위험 추구적 입장을 탐색할 수 있다.
3. 비선형 사례: 이차 및 로그 관계를 가진 기술 채택 연구를 위해, 이 방법은 초월 방정식을 풀어 $\alpha \approx 0.45$를 찾아내며, 이는 비선형적 행동 통찰(예: 한계 효용 체감)을 반영하는 가중치를 산출한다.

의의 및 주장
본 논문은 $\alpha$-디스카운팅이 고전적 의사결정 이론과 현대의 불확실성 인식 추론 사이의 간극을 메운다고 주장한다. 주요 의의는 불일치를 (데이터를 거부하는 이유가 되는) 부정적인 진단에서 (정량화 가능한 매개변수인) $\alpha$라는 실행 가능한 정보로 변환한다는 점에 있다. 선형 방법의 대수적 단순성을 유지하면서도 비선형 및 불확실한 데이터를 포함하도록 표현력을 확장함으로써, $\alpha$-DMCDM은 복잡한 공학, 전략적 계획 및 AI 기반 선호 집계에 있어 강력한 대안으로 제시된다. 저자들은 $\alpha$-DMCDM을 모든 기존 방법을 대체하는 것이 아니라, 선호 구조가 본질적으로 모순적이거나 불완전하거나 비선형적인 시나리오를 위한 필수적인 확장 모델로 위치시킨다.

한계 및 향후 방향
본 논문은 다항 방정식에서의 양의 근이 여러 개 존재할 가능성(선택을 위한 도메인 지식 필요), 매우 큰 시스템에 대한 확장성 문제, $\alpha$ 지표를 해석하기 위한 실무자 교육의 필요성 등 한계점을 겸허히 인정한다. 향-후 연구 방향으로는 선호 추출을 위한 머신러닝 통합, 동적 시간 가변 $\alpha를 위한 프레임워크 확장,$\alpha$에 의한 하이퍼플레인(hyperplane)의 기하학적 변형을 시각화하기 위한 그래픽 인터페이스 개발 등이 제시되었다.