Для решения многокритериальных задач все чаще применяют одновременно несколько методов принятия решений, что позволяет получить более точное решение проблемы на многих критериях. В данном случае появляется необходимость в обеспечении согласованности решений, полученных различными методами. В текущих исследованиях уделяется большое внимание оценке согласованности с использованием различных коэффициентов ранговой корреляции. Тем не менее недостаточно внимания уделено применению метрик, отражающих общую согласованность для 3-х и более ранговых последовательностей, и сделан упор на проведение попарной оценки методов многокритериального принятия решений друг с другом. Данная статья посвящена ответу на вопрос, может ли согласованность между парами методов многокритериального принятия решений отражать согласованность внутри группы данных методов. Эксперимент проводился на примере задачи определения рейтинга кафедр вуза с применением 3-х методов многокритериального принятия решений и двух метрик ранговой корреляции: коэффициента конкордации Кендалла и коэффициента ранговой корреляции Кендалла. Результаты эксперимента показывают, что для тестового примера все три метода дают в общем согласованный результат, тогда как ранжировки каждой из пар методов являются несогласованными.
1. Pagone E., Salonitis K. Comparative Study of Multi-Criteria Decision Analysis Methods in Environmental Sustainability. In: Sustainable Design and Manufacturing: Proceedings of the 9th International Conference on Sustainable Design and Manufacturing (SDM 2022), 14–16 September 2022, Split, Croatia. Singapore: Springer; 2023. P. 223–231. https://doi.org/10.1007/978-981-19-9205-6_21
2. Латыпова В.А. Многокритериальное принятие решений с использованием группы методов ELECTRE. Моделирование, оптимизация и информационные технологии. 2024;12(4). https://doi.org/10.26102/2310-6018/2024.47.4.030
3. Mukhametzyanov I.Z. Normalization and MCDM Rank Model. In: Normalization of Multidimensional Data for Multi-Criteria Decision Making Problems: Inversion, Displacement, Asymmetry. Cham: Springer; 2023. P. 41–69. https://doi.org/10.1007/978-3-031-33837-3_3
4. Aydin F., Gümüs B. Comparative Analysis of Multi-Criteria Decision Making Methods for the Assessment of Optimal SVC Location. Bulletin of the Polish Academy of Sciences. Technical Sciences. 2022;70(2). https://doi.org/10.24425/bpasts.2022.140555
5. Kabassi K., Bekatoros S., Botonis A. Checking Consistency and Comparing Multi-Criteria Decision Making Methods in the Evaluation of Museums' Websites. Digital. 2022;2(4):484–500. https://doi.org/10.3390/digital2040026
6. Shekhovtsov A., Sałabun W. A Comparative Case Study of the VIKOR and TOPSIS Rankings Similarity. Procedia Computer Science. 2020;176:3730–3740. https://doi.org/10.1016/j.procs.2020.09.014
7. Sałabun W., Urbaniak K. A New Coefficient of Rankings Similarity in Decision-Making Problems. In: Computational Science – ICCS 2020: 20th International Conference: Proceedings: Part II, 03–05 June 2020, Amsterdam, The Netherlands. Cham: Springer; 2020. P. 632–645. https://doi.org/10.1007/978-3-030-50417-5_47
8. Mian S.H., Nasr E.A., Moiduddin Kh., Saleh M., Abidi M.H., Alkhalefah H. Assessment of Consolidative Multi-Criteria Decision Making (C-MCDM) Algorithms for Optimal Mapping of Polymer Materials in Additive Manufacturing: A Case Study of Orthotic Application. Heliyon. 2024;10(10). https://doi.org/10.1016/j.heliyon.2024.e30867
9. Rajabi F., Molaeifar H., Jahangiri M., Taheri Sh., Banaee S., Farhadi P. Occupational Stressors Among Firefighters: Application of Multi-Criteria Decision Making (MCDM) Techniques. Heliyon. 2020;6(4). https://doi.org/10.1016/j.heliyon.2020.e03820
10. Latypova V.A. Support for Decision-Making in Assigning Code Reviewers. In: Intelligent Systems: 16th International Conference on Intelligent Systems, INTELS 2024: Proceedings: Part II, 02–04 December 2024, Moscow, Russia. Cham: Springer; 2025. P. 182–194. https://doi.org/10.1007/978-3-032-04761-8_14
11. Латыпова В.А. Методы поддержки принятия решений при управлении решением сложных открытых задач на основе интеллектуального анализа сообщений об ошибках. Системная инженерия и информационные технологии. 2023;5(5):52–67.
12. Kou G., Lu Y., Peng Y., Shi Y. Evaluation of Classification Algorithms Using MCDM and Rank Correlation. International Journal of Information Technology & Decision Making. 2012;11(1):197–225. https://doi.org/10.1142/S0219622012500095
13. Kizielewicz B., Shekhovtsov A., Sałabun W. A New Approach to Eliminate Rank Reversal in the MCDA Problems. In: Computational Science – ICCS 2021: 21st International Conference: Proceedings: Part I, 16–18 June 2021, Krakow, Poland. Cham: Springer; 2021. P. 338–351. https://doi.org/10.1007/978-3-030-77961-0_29
14. Саати Т.Л. Об измерении неосязаемого. Подход к относительным измерениям на основе главного собственного вектора матрицы парных сравнений. Cloud of Science. 2015;2(1):5–39.
15. Латыпова В.А. Выбор оптимального способа реализации инструментального средства управления обучением с помощью метода анализа иерархий. Инженерный вестник Дона. 2017;(2). URL: http://www.ivdon.ru/ru/magazine/archive/N2y2017/4120
16. Shekhovtsov A. How Strongly Do Rank Similarity Coefficients Differ Used in Decision Making Problems? Procedia Computer Science. 2021;192:4570–4577. https://doi.org/10.1016/j.procs.2021.09.235
17. Kendall M.G. Rank Correlation Methods. Griffin; 1970. 202 p.
18. Pohl E., Geldermann J. PROMETHEE-Cloud: A Web App to Support Multi-Criteria Decisions. EURO Journal on Decision Processes. 2024;12. https://doi.org/10.1016/j.ejdp.2024.100053
19. Воробьев А.Е., Мурзаева А.К. Возможности оценки эффективности деятельности кафедр вуза. Вестник Донецкого педагогического института. 2017;(4):135–146.
