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

Each language version is independently generated for its own context, not a direct translation.

De Kern: Een eerlijke ranglijst voor moeilijke keuzes

Stel je voor dat je een wedstrijd organiseert, maar dan niet voor sporters, maar voor bedrijven, laptops of zelfs steden. Je wilt weten wie de beste is en wie de slechtste. Dit noemen onderzoekers een "Multi-Criteria Assessment" (MCA).

Het probleem is dat deze wedstrijden vaak oneerlijk zijn. Soms zijn de regels vaag, soms zijn de gegevens ongelijk (bijvoorbeeld: één criterium is "gewicht in kilo's" en een ander is "hoe leuk de klant het vindt" op een schaal van 1 tot 5). Oude methodes proberen dit op te lossen door alles om te rekenen naar één getal, maar dat leidt vaak tot vooroordelen of willekeurige keuzes.

De auteurs van dit paper, Liu en Shih, hebben een nieuwe methode bedacht die ze Virtual Gap Analysis (VGA) noemen. Je kunt dit zien als een slimme, wiskundige scheidsrechter die geen kant kiest en puur op de feiten kijkt.

Hoe werkt deze nieuwe methode? (De Twee-Fase Strategie)

Deze methode werkt in twee stappen, alsof je een groep mensen eerst in twee hokjes verdeelt en dan de slechtste onder elkaar bekijkt.

Stap 1: De "Slechtste" Groep vinden (Het Pessimistische Oordeel)

Stel je voor dat je een klas met 20 leerlingen hebt. De meeste leerlingen doen het prima, maar er zijn een paar die duidelijk minder presteren.

De nieuwe methode kijkt eerst naar alle leerlingen.
Ze vragen: "Wie heeft de grootste afstand tot de 'slechtste mogelijke prestatie'?"
De leerlingen die ver weg staan van de bodem, zijn de "goede" leerlingen.
De leerlingen die dicht bij de bodem zitten (of er zelfs op liggen), worden in een apart hokje gezet: de "Slechtste Groep".

In de wiskunde noemen ze dit het owPT-model. Het is een pessimistische blik: "Wie zou er als eerste worden ontslagen als we echt streng zijn?"

Stap 2: De Slechtste van de Slechtsten vinden

Nu hebben we een klein groepje overgehouden: de "Slechtste Groep". Maar wie is nu echt de allerlaatste?

In deze stap kijken ze alleen naar deze groep. Ze vergelijken hen met elkaar.
Ze vragen: "Wie moet het hardst werken om net zo goed te zijn als de rest van deze groep?"
De persoon die het hardst moet werken (de grootste "virtuele kloof" heeft), is de slechtste van allemaal.

Dit noemen ze het ohPT-model. Het is alsof je in een groepje van slechte spelers kijkt wie de allerzwakste schakel is.

De Magische Analogieën

Om dit begrijpelijk te maken, gebruiken we twee metaforen uit het paper:

1. De "Virtuele Munt" (De Eerlijke Scheidsrechter)
In oude methodes moest je zelf beslissen: "Is gewicht belangrijker dan snelheid?" Dat is subjectief.
In deze nieuwe methode gebruikt de computer een virtuele munt. De computer berekent automatisch wat de "prijs" is van elke input (zoals gewicht) en elke output (zoals tevredenheid).

Het is alsof de computer een eigen valuta bedenkt die perfect past bij de situatie.
Hierdoor hoeft niemand zijn mening te geven over wat belangrijk is. De wiskunde bepaalt de eerlijke prijs. Dit maakt de uitslag onbevooroordeeld.

2. De "Likert-schaal" (Van Gevoel naar Getal)
Soms hebben we geen harde cijfers, maar meningen. Bijvoorbeeld: "Hoe goed is het merk?" (1 = Slecht, 5 = Uitstekend).

Oude methodes hadden hier vaak moeite mee.
Deze nieuwe methode kan deze "gevoelens" (ordinaal) en harde cijfers (cardinaal) door elkaar gebruiken alsof het allemaal hetzelfde is. Het is alsof je appels en oranje vruchten in dezelfde vrachtwagen kunt laden zonder dat ze elkaar verstoren.

Waarom is dit belangrijk?

Geen Vooringenomenheid: Omdat de computer de "prijs" van alles zelf berekent op basis van de data, zijn er geen menselijke vooroordelen.
Werkend met Onvolmaakte Data: Het kan omgaan met gemengde data (harde cijfers én meningen) en zelfs met gegevens die niet perfect zijn.
Snel en Schaalbaar: Of je nu 10 laptops vergelijkt of 1000 fabrieken, de methode werkt snel. Het is ontworpen om in moderne computersystemen te werken.
Het Verwijderen van de Slechtste: Het doel is vaak niet om de winnaar te kiezen, maar om de slechtste optie te vinden en die te verwijderen (bijvoorbeeld: welk product moet uit de verkoop, of welke fabriek moet sluiten). Deze methode vindt die ene slechte optie heel betrouwbaar.

Conclusie in één zin

De auteurs hebben een nieuwe, wiskundige manier bedacht om een eerlijke ranglijst te maken van verschillende opties (zoals producten of bedrijven), zelfs als de gegevens heel verschillend zijn, door eerst de slechte opties te filteren en dan de allerzwakste schakel te vinden zonder menselijke vooroordelen.

Het is als een super-slimme scheidsrechter die, ongeacht of je speelt met een bal of een computer, altijd precies weet wie er de minst goed heeft gepresteerd.

Each language version is independently generated for its own context, not a direct translation.

Titel: Lineaire Programmering voor Multi-Criteria Beoordeling met Kardinale en Ordinale Data: Een Pessimistische Virtuele Gap-analyse

Auteurs: Fuh-Hwa Franklin Liu en Su-Chuan Shih
Datum: 14 april 2026 (voorgesteld)

1. Probleemstelling

Multi-Criteria Analyse (MCA) wordt gebruikt om alternatieven te rangschikken op basis van verschillende criteria. Bestaande methoden, zoals Multiple Criteria Decision Making (MCDM), Stochastic Frontier Analysis (SFA) en Data Envelopment Analysis (DEA), kampen met ernstige beperkingen:

Subjectiviteit en Bias: De betrouwbaarheid van resultaten wordt vaak beïnvloed door subjectieve evaluaties en bias bij het toekennen van gewichten aan criteria.
Data-heterogeniteit: Bestaande methoden hebben moeite met het verwerken van een mix van kwantitatieve (kardinale) en kwalitatieve (ordinaal, bijv. Likert-schalen) data binnen één beslissingsmatrix.
Eenheidsonverenigbaarheid: Methodes zoals DEA hebben vaak inconsistenties in meeteenheden binnen hun doelstellingsfuncties en veronderstellen dat Decision Making Units (DMU's) uniform zijn, wat in de praktijk zelden het geval is.
Pessimistische perspectieven: Er is een gebrek aan robuuste methoden die specifiek gericht zijn op het identificeren en elimineren van de minst gunstige alternatieven (slechtste praktijken) in plaats van alleen het optimaliseren van de beste praktijken.

2. Methodologie: De w2c VGA-methode

Het artikel introduceert een nieuwe, niet-parametrische methode gebaseerd op lineaire programmering: Virtual Gap Analysis (VGA). Specifiek wordt de w2c VGA-methode (worst practice, Type 2 decision matrix, Perspective-c) gepresenteerd. Deze methode gebruikt een tweestapsproces om DMU's te evalueren vanuit een pessimistisch perspectief, waarbij zowel kardinale als ordinale data worden verwerkt.

Stap 1: Identificatie van de "Slechtste" DMU's (Stage I)

Model: Het owPT-model (ordinal-worst-Pure Technical).
Doel: Het scheiden van DMU's in twee groepen: "non-worst" (niet-de slechtste) en "worst" (de slechtste).
Methode: Voor elke DMU ( $DMU_o$ $D M U_{o}$ ) wordt een lineair programmeringsmodel opgesteld om de totale virtuele gap ( $\Delta$ ) te minimaliseren.
- De methode berekent aanpassingspercentages voor inputs (verminderen) en outputs (verhogen) om de DMU naar een referentiegrens te brengen.
- DMU's met een virtuele gap van $0 worden geïdentificeerd als de "slechtste" DMU's en vormen de set $E_{owPT}$ .
- DMU's met een gap $> 0$ worden als "non-worst" beschouwd en hebben een hogere rang.
Unificatie: Een "unified goal price" ( $\tau_o$ ) wordt gebruikt om de schalen van inputs en outputs te normaliseren, waardoor subjectieve gewichtstoekenning wordt geëlimineerd.

Stap 2: Rangschikking binnen de "Slechtste" Groep (Stage II)

Model: Het ohPT-model (ordinal-hypo-Pure Technical).
Doel: Het rangschikken van de DMU's die in Stap 1 als "worst" zijn geïdentificeerd ( $E_{owPT}$ ) om de absolute slechtste te vinden.
Methode: De "worst" DMU's worden onderling vergeleken (exclusief zichzelf).
- Het model berekent een hypo-virtuele gap ( $\Delta_{ohPT}$ ).
- Een DMU met een gap van $0 binnen deze groep is de "beste van de slechtsten".
- De DMU met de grootste positieve hypo-virtuele gap wordt geïdentificeerd als de absolute slechtste presteerder en moet worden verwijderd of verbeterd.
Resultaat: Dit proces elimineert de minst gunstige optie en kan iteratief worden herhaald om een volledige rangschikking te verkrijgen.

Kernkenmerken van de Modellen

Dualiteit: Elk model heeft een primair en een duaal programma die elkaars optimaliteit bevestigen (Strong Complementary Slackness Conditions).
Behandeling van Ordinale Data: Likert-schaalwaarden worden verwerkt met behulp van virtuele prijzen en aanpassingsvariabelen ( $d_x, d_y$ ) die straffen toepassen als de schaalgrenzen worden overschreden.
Unit Invariance: De resultaten zijn onafhankelijk van de gebruikte meeteenheden (bijv. kg vs. ton).

3. Belangrijkste Bijdragen

Integratie van Kardinaal en Ordinaal Data: De methode lost het probleem op van het gelijktijdig verwerken van continue data en subjectieve kwalitatieve data (Likert-schalen) zonder normalisatie of subjectieve gewichten.
Pessimistische Benadering: In tegenstelling tot veel MCA-methoden die focussen op "best practice", richt deze methode zich op het identificeren van "worst practice" om inefficiënte eenheden te elimineren.
Objectiviteit: Door het gebruik van lineaire programmering en virtuele prijzen worden subjectieve oordelen en bias volledig geëlimineerd. De parameters worden systematisch bepaald door de data zelf.
Omgaan met Heterogeniteit: De methode is robuust tegenover heterogene beslissingsmatrices waarbij DMU's verschillende input-output structuren hebben.
Schaalbaarheid: De methode is geschikt voor grote datasets (bijv. >200 kolommen) en kan worden geïntegreerd met AI en IoT-systemen voor real-time besluitvorming.

4. Resultaten en Validatie

De auteurs testen de methode aan de hand van twee casussen:

Kleinschalig Voorbeeld: Een analyse van 6 laptopmodellen met een mix van gewicht (kardinaal), merkperceptie (ordinaal), tevredenheid (ordinaal) en verkoop (kardinaal).
- Resultaat: De methode slaagde erin de laptops te rangschikken en identificeerde DMU-D als de slechtste presteerder. De resultaten werden visueel bevestigd via 2D-grafieken (virtuele gap analyse).
Grootschalig Real-world Probleem: Een evaluatie van de energie-efficiëntie van 29 provincies in China (gebaseerd op eerdere studies van Chen et al.).
- Resultaat: De methode identificeerde 11 "worst" DMU's in Stap 1. In Stap 2 werd DMU1 geïdentificeerd als de absolute slechtste presteerder met een hypo-virtuele gap van $0.426. De methode leverde concrete aanbevelingen voor input/output aanpassingen om DMU1 te verbeteren.

De resultaten tonen aan dat de methode consistent, schaalbaar en nauwkeurig is in het identificeren van inefficiëntie, zelfs bij complexe, gemengde datasets.

5. Betekenis en Conclusie

Dit artikel presenteert een doorbraak in het veld van Multi-Criteria Analyse. De voorgestelde Ord-VGA-methode biedt een betrouwbaar, niet-parametrisch alternatief voor traditionele methoden zoals DEA en MCDM.

Significantie: Het lost fundamentele theoretische problemen op (zoals eenheidsinconsistentie en subjectiviteit) en biedt een praktische tool voor besluitvormingssystemen.
Toepassing: De methode is bijzonder waardevol voor scenario's waarin snelle, objectieve beslissingen nodig zijn onder onzekerheid, zoals in slimme steden, Industrie 4.0 en beleidsvorming.
Toekomst: De auteurs suggereren dat de raamwerken kunnen worden uitgebreid om onvolledige, ambiguïteit of onnauwkeurige data te behandelen, en kunnen worden geïntegreerd met geavanceerde AI-algoritmen.

Kortom, de paper introduceert een robuust wiskundig raamwerk dat de precisie en eerlijkheid van multi-criteria beslissingen aanzienlijk verbetert door een pessimistische, datagedreven aanpak te hanteren.