topsis - fwl.wi.tum.de · technische universität münchen effizienz relative effizienz vergleich...
TRANSCRIPT
Technische Universität München
TOPSISTechnique for Order Preference by Similarity to Ideal Solution
-Technik zur Lösung von Entscheidungsproblemen-
Technische Universität München
TOPSIS
• Konzipiert von Hwang/Yoon 1981
• Simple Technik zur Effizienzanalyse, mit vergleichsweise
geringem Arbeitsaufwand
• Zahlreiche Anwendungen in verschiedenen Einsatzgebieten
• Beispiele:
• Auswahl von Robotern für den industriellen Einsatz
• Auswahl von Bearbeitungsverfahren für industrielle
Anwendungen
• betriebliche Standortwahl
• Bewertung von Transportsystemen
• Wahl des Holzernteverfahrens
16.05.2019 Sophia Heinze 2
Technische Universität München
Gliederung
1. Definition Effizienz
2. Ablauf von TOPSIS
3. Beispiele
16.05.2019 Sophia Heinze 3
Technische Universität München
Effizienz
relative Effizienz
Vergleich der Alternativen untereinander, da die
absolut effizienteste nicht bekannt ist. Die
einzelnen Alternativen sind aber alle mehr oder
weniger ineffizient.
Die Produktionsfunktion ist nicht bekannt.
Voraussetzung:
Mindestens zwei Alternativen
4
Aufgabenfeld der multikriteriellen
Effizienzanalyse – wie TOPSIS
= Verhältnis von eingesetzten Inputquantitäten zu erzielten Outputquantitäten
Zwei Vergleichsmaßstäbe stehen zur Verfügung
absolute Effizienz
Vergleich mit einer bekannten effizienten
Alternative.
Die Produktionsfunktion ist bekannt.
Voraussetzung:
Eine optimale Alternative als Bezugspunkt
16.05.2019 Sophia Heinze
Technische Universität München
Ansatz von TOPSIS
Die Effizienz einer Alternative (aus einer endlichen Anzahl
von Alternativen) wird bewertet, indem jeweils der Abstand
der einzelnen Merkmalsausprägungen der betrachteten
Alternative zu einer „virtuellen Alternative“ bestimmt wird.
Einfachstes Beispiel:
Ziel: Den effizientesten Spieler auswählen
3 Alternativen: Output: Input:
Tore: 25 Kosten 29 Mio €
Tore: 10 Kosten 37 Mio €
Tore: 21 Kosten 21 Mio €
Absolute Effizienz? Relative Effizienz? 25 Tore für 21 Mio € = 1,19 Tore/ Mio €
Effizienz:
1,16 Mio €/Tor
0,27 Tore/Mio €
16.05.2019 Sophia Heinze 5
Technische Universität München
6
Prinzipieller Ablauf von TOPSIS
Alternativen bestimmen
Kriterien bestimmen
Entscheidungsmatrix aufstellen
Entscheidungsmatrix normalisieren
Gewichte ermitteln / festlegen
Entscheidungsmatrix gewichten
virtuelle Alternativen bestimmen
Abstandsmaße berechnen
Effizienzindex und Rangfolge bestimmen
Mit Hilfe von AHP, o.ä.
16.05.2019 Sophia Heinze
Technische Universität München
7
Auswahl der Alternativen
• Wie bei allen Verfahren für multikriterielle
Entscheidungen steigt mit der Zahl der
Alternativen und der Zahl der Kriterien der
Aufwand.
• Man sollte anhand von K.O.-Kriterien die
Zahl der Alternativen gering halten.
16.05.2019 Sophia Heinze
Technische Universität München
8
Kriterien
Kriterien
Kostenkriterien Nutzenkriterien
minimale Wert maximale Wert
Inputs sind Kostenkriterien Outputs sind Nutzenkriterien
16.05.2019 Sophia Heinze
Technische Universität München
9
Wahl und Gewichtung der Kriterien
Die Wahl der Kriterien ist prinzipiell frei – kardinale Messbarkeit wird unterstellt.
Die Gewichtung der Kriterien wird nicht im Rahmen von TOPSIS vorgegeben.
Es kann eine einfache Ordinalskala verwendet werden.
Bedeutung
sehr gering gering mittel groß sehr groß
1 2 3 4 5
Es können jedoch auch elaboriertere Techniken der Gewichtung verwendet
werden, wie beispielsweise beim AHP (Analytic Hierarchy Process), bei dem
Kriterien paarweise miteinander verglichen werden.
Der Vorteil dieses Verfahrens ist, dass Inkonsistenzen begrenzt oder mindestens
erkannt werden können.
16.05.2019 Sophia Heinze
Technische Universität München
10
Die Entscheidungsmatrix D
Kriterien 1 bis m
TOPSIS grundsätzlich
nur auf kardinal
messbare Kriterien
anzuwenden
Für jede Alternative
muss die Erfüllung von
allen Kriterien ermittelt
werden.
Vektor der Bewertungen der Alternative A1
Vektor der
Ausprägungen des
Kriteriums Cm über
die Alternativen
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
Ausprägungen
16.05.2019 Sophia Heinze
Technische Universität München
Exkurs: Skalierungsmethoden
Skalierungsmethoden
Nominal-
skalaOrdinal-
skala
Kardinal-
skalaVerhältnis-
skala
16.05.2019 Sophia Heinze 11
Technische Universität München
Skalierungsmethoden
• Nominalskala:
– Entweder/oder
– Bsp.: Ja/Nein, weiblich/männlich,
evangelisch/katholisch/andere, Grundstück bereits
erschlossen?
– Keine Berechnungen möglich!
16.05.2019 Sophia Heinze 12
Technische Universität München
Skalierungsmethoden
• Ordinalskala:
– Rangfolge kann erstellt werden
– A1>A2>A3
– Anspruch: Urteilsperson muss eine Vergleichswertung abgeben
– Nachteil:
• keine Abstände zwischen den Alternativen möglich
• Zahlen wie 1,2,3… sind keine arithmetisch verrechenbare
Messwerte!
• Addition, Division … nicht erlaubt!
– Bsp.: Erdbebenstärke, Härtegrad von Werkstoffen, Herr A ist tüchtiger
als Herr B
16.05.2019 Sophia Heinze 13
Technische Universität München
Skalierungsmethoden
• Kardinal-/ Intervallskala:
– Quantitative Messungen, metrische Skalen
– Die Stufen der Skalen sind immer gleich groß
– Bsp. Celsius-Skala zur Temperaturmessung
- Addition und Subtraktion ist erlaubt!
0 1 2 3 4
16.05.2019 Sophia Heinze 14
Technische Universität München
Skalierungsmethoden
• Verhältnisskala:
– Höchstes Messniveau
– Absoluter „Nullpunkt“ (Geldwert)
– Alle mathematischen Rechnungen sind möglich
• Bsp.: Grundstückspreis 3x so teuer
• Richtwert: 150 km/h = 1
0,5 1 1,5
130 km/h 180 km/h
E= 0,87 E= 1,2
16.05.2019 Sophia Heinze 15
Technische Universität München
Skalentypen
Kriterium Maßeinheit Skalentyp
Farbe nominal
Leistung kW kardinal
Fahrkomfort Fahreindruck ordinal
Handhabung Fahreindruck ordinal
Kofferraum Liter kardinal
Innenabmessungen cm kardinal
Wartungsintervall Tkm kardinal
Pannenstatistik Pannen/Mio. km kardinal
Technische Universität München
17
Die Normalisierung der Entscheidungsmatrix
Grund der Normalisierung:
Wenn alle Kriterien kardinal gemessen werden konnten, aber jedes
in seiner Dimension, sind die Zahlen in den Spalten-Vektoren sehr
unterschiedlich groß.
Ohne Normalisierung würden dadurch implizite Gewichtungen der
Kriterien aufgrund von Skaleneffekten entstehen.
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
16.05.2019 Sophia Heinze
Technische Universität München
Normalisierung
3,0000 1,7500 8,00005,3332 3,0000 14,00001,1666 0,6667 3,0000
Ergebnismatrix
= 12,7500= 22,3332= 4,8333
0,31940,55950,1211
39,9165 1,0000
Reihensummen Normalisieren
16.05.2019 Sophia Heinze 18
Technische Universität München
Methode der Normalisierung von Hwang/Yoon
𝑟𝑖𝑗 =𝑑𝑖𝑗
σ𝑖=1𝑛 𝑑𝑖𝑗
2
1) Über die Spalten wird die Summe der Quadrate der Kriterienausprägungen
berechnet.
2) Daraus wird die Wurzel gezogen.
3) Dann wird jede Kriterienausprägung durch diese Wurzel dividiert.
16.05.2019 Sophia Heinze 19
Technische Universität München
20
Bestimmung der gewichteten normalisierten
Entscheidungsmatrix
Jeder Spaltenvektor der normalisierten Entscheidungsmatrix wird mit einem
Kriteriengewicht multipliziert.
Die Kriteriengewichte werden z.B. mit einer Technik zur Ermittlung von
Kriteriengewichten – wie z.B. dem AHP – bestimmt.
=
* Kriteriengewichte =normalisierte Entscheidungsmatrix R gewichtete normalisierte Entscheidungsmatrix V
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
16.05.2019 Sophia Heinze
Technische Universität München
21
Entwicklung „virtueller Alternativen“
Aus der gewichteten normalisierten
Entscheidungsmatrix werden jetzt
zwei „virtueller Alternativen“ entwickelt.
Darunter ist die beste mögliche
und die schlechteste mögliche
Alternative zu verstehen.
beste mögliche Alternative schlechteste mögliche Alternative
die höchsten Werte der
Nutzenkriterien
die niedrigsten Werte der
Kostenkriterien
die geringsten Werte der
Nutzenkriterien
die höchsten Werte der
Kostenkriterien
werden miteinander kombiniert
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
16.05.2019 Sophia Heinze
Technische Universität München
22
Berechnung von Abstandsmaßen
Für jede reale Alternative werden nun zwei Abstandsmaße zu den beiden
virtuellen Alternativen berechnet.
A
min
A
max
A1
real
Abstand zur Best-case-AlternativeAbstand zur Worst-case-Alternative
„Euklidische Abstände“ messen den Abstand zwischen zwei Punkten in einem
mehrdimensionalen Raum.
Die Dimensionalität des Raumes wird durch die Anzahl der Kriterien bestimmt.
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
16.05.2019 Sophia Heinze
Technische Universität München
Berechnung von Abstandsmaßen
16.05.2019 Sophia Heinze 23
Kriterium 2
Kriterium 1
Grafische Repräsentation eines Entscheidungsproblems mit zwei Kriterien
Technische Universität München
24
Bestimmung der relativen Nähe zur Best-case-
Alternative
Auf Basis der Abstandsmaße kann für jede Alternative ein Abstands-Index
für die relative Nähe zur Best-case-Alternative berechnet werden.
Diesem Index liegt die Idee zugrunde, daß eine effiziente Alternative
möglichst nahe am effizienten Rand einer Technologiemenge liegen sollte
und gleichzeitig möglichst weit von ineffizienten Alternativen entfernt sein sollte.
Übliche Effizienzmaße sind Quotienten, bei denen der Output zum Input
ins Verhältnis gesetzt wird.
Bei dem TOPSIS-Effizienzmaß – auch einem Quotienten – steht im Zähler
der Abstand zur Worst-case-Alternative. Im Nenner steht die Summe der Abstände
zu beiden Alternativen.
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
16.05.2019 Sophia Heinze
Technische Universität München
25
Bestimmung des TOPSIS-Effizienzindexes
Abstand zur Worst-case-Alternative
Abstand zur Best-case-Alternative + Abstand zur Worst-case-Alternative
je höher der Abstand zum schlechtest denkbaren Fall,
desto höher der Indexwert
je geringer der Abstand zum besten denkbaren Fall,
desto höher der Indexwert
Der Indexwert ist null, wenn
der Abstand zur schlechtesten denkbaren
Alternative null ist.
Der Indexwert ist eins, wenn
der Abstand zur besten denkbaren
Alternative null ist.
Der Indexwert liegt also zwischen 0 und 1.
Dadurch ist die Interpretation erleichtert.
1
iS0
iS
iC
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
16.05.2019 Sophia Heinze
Technische Universität München
26
Beispiel: Effizienz von Filialen
• Umsatz
• Freundlichkeit des Personals
• Wartezeiten an den Kassen
• Aktualität und Frische der Produkte
• Kosten
Es soll die Effizienz von vier Filialen eines Handelskonzern verglichen werden.
Die folgenden Kriterien sollen verwendet werden:
Zwei Kriterien können in Geldeinheiten gemessen werden.
Die übrigen drei Kriterien werden auf einer Skala mit Punkten (1-5)
gemessen, wobei 1 = geringe Kriterienbedeutung und 5 = hohe
Kriterienbedeutung.
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
Output
Input
16.05.2019 Sophia Heinze
Technische Universität München
27
Beispiel 1 – Entscheidungsmatrix D
Filiale Umsatz
€
Freundlich-
keit PersonalWarte-
zeiten
Produkt-
frische
Kosten
€
1 856.108 5 5 5 774.459
2 1.046.354 4 4 4 937.957
3 903.669 2 3 2 808.880
4 1.008.305 3 5 4 920.746
Für die Filialen 1 bis 4 und die 5 Kriterien wurden die unten dargestellten
Kriterienausprägungen ermittelt.
Die Entscheidungsmatrix wird im ersten Rechenschritt normalisiert:
Für die Kriterienausprägung 1/1 gilt:
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
16.05.2019 Sophia Heinze
Technische Universität München
28
Beispiel 1 – normalisierte Entscheidungsmatrix R
Filiale Umsatz
€
Freundlichkeit
des PersonalsWarte-
zeiten
Produkt-
frische
Kosten
€
1 0,447 0,680 0,577 0,640 0,449
2 0,547 0,544 0,462 0,512 0,543
3 0,472 0,272 0,346 0,256 0,468
4 0,527 0,408 0,577 0,512 0,533
Diese normalisierte Entscheidungsmatrix ist nun mit den Kriteriengewichten
zu gewichten. Diese sind:
Umsatz
€
Freundlichkeit
des PersonalsWarte-
zeiten
Produkt-
frische
Kosten
€
Gewicht 0,42 0,06 0,06 0,04 0,42
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
16.05.2019 Sophia Heinze
Technische Universität München
29
Beispiel 1 – gewichtete normalisierte
Entscheidungsmatrix V
Filiale Umsatz
€
Freundlichkeit
des PersonalsWarte-
zeiten
Produkt-
frische
Kosten
€
1 0,188 0,041 0,035 0,026 0,188
2 0,230 0,033 0,028 0,020 0,228
3 0,198 0,016 0,021 0,010 0,197
4 0,221 0,024 0,035 0,020 0,224
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
z.B. 0,447 * 0,42
16.05.2019 Sophia Heinze
Technische Universität München
30
Beispiel 1 – Berechnung der „virtuellen
Alternativen“
Umsatz
€
Freundlichkeit
des PersonalsWarte-
zeiten
Produkt-
frische
Kosten
€
Best-C 0,230 0,041 0,035 0,026 0,188
Worst-C 0,188 0,016 0,021 0,010 0,228
Aus den Spalten werden nun die jeweils besten und schlechtesten Werte
herausgesucht.
Beim Kostenkriterium ist der geringste Wert
der beste und der höchste der schlechteste!
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
16.05.2019 Sophia Heinze
Technische Universität München
31
Beispiel 1 – Berechnung der Abstandsmaße
Nun werden die euklidischen Abstände berechnet (am Beispiel Filiale 2):
Umsatz
€
Freundlichkeit
des PersonalsWarte-
zeiten
Produkt-
frische
Kosten
€
Best-C 0,230 0,041 0,035 0,026 0,188
Worst-C 0,188 0,016 0,021 0,010 0,228
Abstand zur besten
virtuellen Alternative:
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
2 0,230 0,033 0,028 0,020 0,228
Abstand zur schlechtesten
virtuellen Alternative:
16.05.2019 Sophia Heinze
Technische Universität München
32
Beispiel 1 – Abstandmaße und Effizienzindex
Filiale Abstand
zum
Best-case
Abstand
zum
Worst-Case
Effizienz-
Index
Rangplatz
1 0,042 0,051 0,548 1
2 0,042 0,047 0,528 2
3 0,047 0,033 0,413 4
4 0,041 0,038 0,481 3
Beispiel für die Berechnung des Effizienz-Index für Filiale 2
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
𝐶2 =0,047
0,042 + 0,047≈ 0,528
16.05.2019 Sophia Heinze
Technische Universität München
Beispiel 2
Kriterien Einheit Gewicht
1 Holzeinschlag 1000 Fm 0,35
Output2 Förderungsfläche ha 0,15
3 Waldbesitzer Anzahl 0,23
4 Personaleinsatz Vollzeit-Äquivalente 0,22Input
5 Sachkosten Euro 0,05
Es sollen die Bezirke einer Forstverwaltung nach der Effizienz beurteilt
werden.
Folgende Kriterien mit den gegebenen Gewichten sollen verwendet werden.
16.05.2019 Sophia Heinze 33
Technische Universität München
Beispiel 2 - Entscheidungsmatrix
Entscheidungsmatrix
Output Input
Bezirk Einschlag Förderung Waldbesitzer Personal Sachkosten
1 8.805 2,6 1.231 134 170.000
2 9.387 2,5 843 81 143.278
3 10.167 1,7 1.121 78 97.411
4 12.329 1,2 784 112 58.253
5 11.213 3,0 1.579 210 284.170
Die Entscheidungsmatrix (Ausprägungen der Kriterien) wird normalisiert,
indem jedes Feld geteilt wird durch die Wurzel aus der Summe der
quadrierten Feldwerte der jeweiligen Spalte.𝑟𝑖𝑗 =
𝑑𝑖𝑗
σ𝑖=1𝑛 𝑑𝑖𝑗
2
𝒓𝟏𝟏 =𝟖. 𝟖𝟎𝟓
𝟖. 𝟖𝟎𝟓𝟐 + 𝟗. 𝟑𝟖𝟕𝟐 + 𝟏𝟎. 𝟏𝟔𝟕𝟐 + 𝟏𝟐. 𝟑𝟐𝟗𝟐 + 𝟏𝟏. 𝟐𝟏𝟑𝟐
Technische Universität München
Beispiel 2 – normalisierte Entscheidungsmatrix
Entscheidungsmatrix
Output Input
Bezirk Einschlag Förderung Waldbesitzer Personal Sachkosten
1 0,377 0,507 0,480 0,454 0,449
2 0,401 0,487 0,328 0,274 0,379
3 0,435 0,331 0,437 0,264 0,258
4 0,527 0,234 0,305 0,379 0,154
5 0,480 0,585 0,615 0,711 0,751
Einschlag Förderung Waldbesitzer Personal Sachkosten
Gewicht 0,35 0,15 0,23 0,22 0,05
16.05.2019 Sophia Heinze 35
Technische Universität München
Beispiel 2 – gewichtete normalisierte
Entscheidungsmatrix
Entscheidungsmatrix
Output Input
Bezirk Einschlag Förderung Waldbesitzer Personal Sachkosten
1 0,1318 0,0760 0,1103 0,0998 0,0225
2 0,1405 0,0731 0,0755 0,0603 0,0189
3 0,1522 0,0497 0,1004 0,0581 0,0129
4 0,1845 0,0351 0,0702 0,0834 0,0077
5 0,1678 0,0877 0,1415 0,1564 0,0376
Die Felder der normalisierten Entscheidungsmatrix müssen mit den Gewichten
multipliziert werden. z.B. 0,377 x 0,35
Technische Universität München
Beispiel 2 – Berechnung der
„virtuellen Alternativen“
Holzeinschlag Förderfläche Waldbesitzer Personal Kosten
Best-C0,1318 0,0877 0,1415 0,0581 0,0077
Worst-C0,1845 0,0351 0,0702 0,1564 0,0376
Aus den Spalten werden nun die jeweils besten und schlechtesten Werte
herausgesucht.
Beim Kostenkriterium ist der geringste Wert
der beste und der höchste der schlechteste!
Peter und Zelewski, TOPSIS als Technik der Effizienzanalyse, 2007
Technische Universität München
Beispiel 2 – Berechnung der Abstandsmaße
Holzeinschlag Förderfläche Waldbesitzer Personal Sachkosten
Best-C 0,1318 0,0877 0,1415 0,0581 0,0077
Worst-C 0,1845 0,0351 0,0702 0,1564 0,0376
Berechnung für Bezirk 2 als Beispiel
Nun werden die euklidischen Abstände berechnet:
S2+ = 0,1405 − 0,1318 2 + 0,0731 − 0,0877 2 + 0,0755 − 0,1415 2 + 0,0603 − 0,0581 2 + (0,0189 − 0,0077)² =0,069
S2- = 0,1405 − 0,1845 2 + 0,0731 − 0,0351 2 + 0,0702 − 0,0755 2 + 0,0603 − 0,1564 2 + (0,0189 − 0,0376)² = 0,114
2 0,1405 0,0731 0,0755 0,0603 0,0189
Abstand zur besten
virtuellen Alternative:Abstand zur schlechtesten
virtuellen Alternative:
Technische Universität München
Beispiel 2 – Abstandmaße und Effizienzindex
Bezirk Abstand
zum
Best-case
Abstand
zum
Worst-Case
Effizienz-
Index
Rangplatz
1 0,055 0,097 0,637 2
2 0,069 0,114 0,623 3
3 0,060 0,112 0,651 1
4 0,106 0,079 0,426 5
5 0,109 0,090 0,453 4
Beispiel für die Berechnung des Effizienz-Index für Bezirk 2
C2 = 𝟎,𝟏𝟏𝟒
𝟎,𝟎𝟔𝟗+𝟎,𝟏𝟏𝟒= 0,623
Technische Universität München
Beispiel 3 - Entscheidungsmatrix
Drei Vorlesungen werden im Rahmen einer Evaluation nach Aktualität,
Informationsgehalt und Vortragsqualität bewertet.
(Grundlage der Bewertung sind Schulnoten.)
Vorlesung Aktualität
0,5
Informations-
gehalt
0,3
Vortrags-
qualität
0,2
Recht 2 3 1
BWL 3 2 4
VWL 3 1 2
𝑟𝑖𝑗 =𝑑𝑖𝑗
σ𝑖=1𝑛 𝑑𝑖𝑗
2
Technische Universität München
Beispiel 3 – normalisierte Entscheidungsmatrix
Vorlesung Aktualität Informations-
gehalt
Vortrags-
qualität
Recht
BWL
VWL
Aktualität Informations-
gehalt
Vortrags-
qualität
Gewicht 0,5 0,3 0,2
0,426 0,802 0,218
0,640 0,535 0,873
0,640 0,267 0,436
Technische Universität München
Beispiel 3 – gewichtete normalisierte
Entscheidungsmatrix
Vorlesung Aktualität Informations-
gehalt
Vortrags-
qualität
Recht
BWL
VWL
0,213 0,2406 0,0436
0,32 0,1605 0,1746
0,32 0,0801 0,0872
Technische Universität München
Beispiel 3 – Berechnung der
„virtuellen Alternativen“
Aktualität Informations-
gehalt
Vortrags-
qualität
Best-Case
Worst-Case
0,32 0,2406 0,1746
0,213 0,0801 0,0436
Technische Universität München
Vorlesung Abstand
zum
Best-
Case
Abstand
Zum
Worst-
Case
Effizienz-
Index
Rangplatz
Recht
BWL
VWL
Beispiel 3 – Berechnung der Abstandsmaße
0,169 0,160 0,487 2
0,080 0,187 0,700 1
0,183 0,115 0,387 3
Technische Universität München
Vergleich AHP vs. TOPSIS
Eigenschaften AHP TOPSIS
Skala kardinal kardinal
Hauptaugenmerk der
Vorgehensweise
Paarweiser Vergleich Abstandsmaße von
Best-Case und Worst-
Case
Kriterien gegeben gegeben
Erhebung der Gewichtung Paarweiser Vergleich gegeben
Konsistenzcheck möglich nicht möglich
Anzahl der empf. Kriterien 7 ± 2 oder hierarchische
Zerlegung
mehr möglich
Anzahl der empf.
Alternativen
7 ± 2 mehr möglich
Sonstiges multikriterielle
Entscheidungsfindung
multikriterielle
Entscheidungsfindung
Shih/Shyr/Lee, An extension of TOPSIS for group decision making, 200716.05.2019 Sophia Heinze 45
Technische Universität München
Literatur
• Peters, Malte L. und Zelewski, Stephan: TOPSIS als Technik zur Effizienzanalyse. Wirtschaftsstudium, Heft 1, 2007, S. 9-15
• Hwang und Yoon: Multiple Attribute Decision Making-Methods and Applications A State of the Art Survey, Berlin, Heidelberg, New-York, 1981
• Shih, Shyur, Lee: An extension of TOPSIS for groupdecision making, Mathematical and Computer Modelling45 (2007), S. 801-813
16.05.2019 Sophia Heinze 46