روش AHP چیست؟ فرآیند تحلیل سلسله‌مراتبی به زبان ساده
نویسنده: بهروز · به‌روزرسانی:
روش AHP یا فرآیند تحلیل سلسله‌مراتبی روشی برای تصمیم‌گیری با چند معیار است. در این روش، مسئله را به هدف، معیارها و گزینه‌ها تقسیم می‌کنید؛ سپس با مقایسه‌های دو‌به‌دو، اهمیت معیارها و اولویت گزینه‌ها را به دست می‌آورید. نتیجه یک رتبه‌بندی قابل توضیح است، نه تضمین موفقیت تصمیم در دنیای واقعی.
اگر بین چند لپ‌تاپ، تأمین‌کننده یا پروژه مردد هستید و هیچ گزینه‌ای در همه‌چیز بهترین نیست، AHP کمک می‌کند روشن کنید چه چیزی برایتان مهم‌تر است و هر انتخاب بر چه قضاوتی تکیه دارد. این صفحه برای شناخت روش و شروع کار است؛ حل مفصل ماتریس‌ها را در آموزش AHP با مثال عددی می‌بینید.
AHP مخفف چیست و چه مسئله‌ای را حل می‌کند؟
AHP مخفف Analytic Hierarchy Process است و در فارسی «فرآیند تحلیل سلسله‌مراتبی» نامیده می‌شود. این روش را توماس ساعتی توسعه داد. ایدهٔ اصلی، تبدیل یک تصمیم بزرگ به چند مقایسهٔ کوچک و ترکیب منظم نتایج آن‌هاست.
مثلاً ارزان‌ترین لپ‌تاپ ممکن است عملکرد دلخواه شما را نداشته باشد و سریع‌ترین مدل از بودجه‌تان گران‌تر باشد. AHP قیمت را مستقیماً با سرعت جمع نمی‌کند؛ ابتدا اهمیت نسبی معیارها و سپس ترجیح گزینه‌ها زیر هر معیار را تعیین می‌کند. معیار کیفی مثل راحتی استفاده هم قابل بررسی است، به شرط اینکه تعریف روشن و پشتوانهٔ اطلاعاتی مناسبی داشته باشد.
سه جزء اصلی: هدف، معیار و گزینه
- هدف: دقیقاً چه تصمیمی می‌گیرید؟ مثلاً انتخاب لپ‌تاپ مناسب کار.
- معیار: با چه ملاک‌هایی انتخاب می‌کنید؟ مثلاً هزینهٔ کمتر و عملکرد بهتر.
- گزینه: چه انتخاب‌هایی دارید؟ مثلاً لپ‌تاپ الف و لپ‌تاپ ب.
در مسئله‌های بزرگ‌تر می‌توانید برای معیارها زیرمعیار تعریف کنید. اما هر سطح اضافه، مقایسه‌های بیشتری می‌خواهد؛ مدل را فقط به اندازهٔ نیاز مسئله گسترش دهید و یک ویژگی را با نام‌های مختلف دوباره وزن ندهید.
مراحل اجرای روش AHP
۱. مسئله و محدودیت‌ها را روشن کنید
هدف، گزینه‌های قابل انتخاب و معیارهای مرتبط را بنویسید. محدودیت قطعی را با ترجیح اشتباه نگیرید: اگر یک لپ‌تاپ نرم‌افزار ضروری شما را اجرا نمی‌کند، امتیاز خوب قیمت نباید آن را خودکار به گزینه‌ای قابل قبول تبدیل کند. ابتدا گزینه‌های فاقد الزام ضروری را کنار بگذارید.
۲. معیارها را دو‌به‌دو مقایسه کنید
به‌جای امتیازدادن مبهم به همهٔ معیارها، هر بار دو معیار را نسبت به هدف بسنجید: «برای این انتخاب، هزینه مهم‌تر است یا عملکرد و با چه شدتی؟» مقیاس ساعتی به بیان شدت ترجیح کمک می‌کند. این قضاوت باید به نیاز واقعی تصمیم‌گیرنده تکیه کند، نه فقط حدس برای رسیدن به نتیجهٔ دلخواه.
۳. وزن نسبی معیارها را محاسبه کنید
مقایسه‌ها در یک ماتریس قرار می‌گیرند. خانهٔ مقابل هر قضاوت، معکوس آن است و قطر اصلی ۱ است. از ماتریس، وزن‌های نسبی به دست می‌آیند و مجموع آن‌ها به ۱ نرمال می‌شود. وزن بیشتر یعنی اثر بیشتر آن معیار در مدل، نه بهتر بودن یک گزینه.
۴. گزینه‌ها را زیر هر معیار مقایسه کنید
یک بار لپ‌تاپ‌ها را فقط از نظر هزینه و بار دیگر فقط از نظر عملکرد بسنجید. وزن معیارها به‌تنهایی برنده را مشخص نمی‌کند؛ ترجیح هر گزینه در هر معیار هم لازم است. برای جلوگیری از ابهام، جهت معیار را روشن بنویسید: «هزینهٔ کمتر» با «عملکرد بیشتر» یکسان تفسیر نمی‌شود.
۵. سازگاری مقایسه‌ها را بررسی کنید
در مقایسهٔ سه عامل یا بیشتر، ممکن است قضاوت‌ها با هم هماهنگ نباشند. نسبت سازگاری یا CR برای بررسی این هماهنگی به کار می‌رود. مقدار حداکثر ۰٫۱۰ یک آستانهٔ رایج برای پذیرش سازگاری است؛ با این حال، CR پایین درستی اطلاعات یا موفقیت انتخاب را ثابت نمی‌کند. جزئیات را در راهنمای نسبت سازگاری در AHP بخوانید.
۶. رتبه‌بندی و حساسیت نتیجه را ببینید
وزن محلی گزینه در هر معیار در وزن آن معیار ضرب می‌شود و حاصل‌ها با هم جمع می‌شوند. سپس بررسی کنید اگر اهمیت معیارها در یک سناریوی قابل دفاع تغییر کند، رتبه‌ها چقدر تغییر می‌کنند. این بازبینی کمک می‌کند به یک رتبهٔ اول شکننده بیش از اندازه تکیه نکنید.
مقیاس ساعتی و معنی اعداد مقایسه زوجی
در مقیاس متداول ۱ تا ۹، عدد بزرگ‌تر شدت ترجیح بیشتری را نشان می‌دهد:
| شدت | معنی |
|---|---|
| ۱ | اهمیت یا ترجیح برابر |
| ۳ | ترجیح متوسط |
| ۵ | ترجیح قوی |
| ۷ | ترجیح بسیار قوی |
| ۹ | ترجیح فوق‌العاده |
| ۲، ۴، ۶، ۸ | شدت‌های بین دو سطح مجاور |
اگر عامل الف بر ب شدت ۳ داشته باشد، در جهت معکوس مقدار ۱/۳ قرار می‌گیرد. شدت ۳ دربارهٔ ترجیح است؛ لزوماً نمی‌گوید قیمت یا عملکرد واقعی دقیقاً سه برابر است. برای ورود داده، راهنمای اسلایدر و ماتریس مقایسه زوجی را ببینید.
یک مثال ساده از AHP: انتخاب بین دو لپ‌تاپ
این یک مثال فرضی آموزشی است، نه ارزیابی محصول واقعی. فرض کنید هر دو لپ‌تاپ نیازهای ضروری را دارند. برای شما هزینه نسبت به عملکرد با شدت ۳ مهم‌تر است؛ در ماتریس دو‌عاملی، وزن هزینه ۰٫۷۵ و وزن عملکرد ۰٫۲۵ می‌شود. از نظر هزینه، الف را با شدت ۳ ترجیح می‌دهید و از نظر عملکرد، ب را با همان شدت ترجیح می‌دهید.
| گزینه | وزن زیر هزینه | وزن زیر عملکرد | امتیاز نهایی |
|---|---|---|---|
| لپ‌تاپ الف | ۰٫۷۵ | ۰٫۲۵ | ۰٫۶۲۵ |
| لپ‌تاپ ب | ۰٫۲۵ | ۰٫۷۵ | ۰٫۳۷۵ |
برای الف داریم: 0.75 × 0.75 + 0.25 × 0.25 = 0.625. پس الف در همین مدل اول است، چون معیار هزینه وزن بیشتری دارد. سهم امتیاز ۶۲٫۵ درصد، احتمال موفقیت یا درصد کیفیت لپ‌تاپ نیست. اگر عملکرد را مهم‌تر از هزینه بدانید، نتیجهٔ همین مثال برعکس می‌شود. در یک ماتریس دو‌عاملی فقط یک مقایسهٔ مستقل داریم؛ بررسی ناسازگاری چرخه‌ای مانند ماتریس‌های سه‌عاملی مطرح نیست.
کاربردهای تحلیل سلسله‌مراتبی
- انتخاب تأمین‌کننده با درنظرگرفتن قیمت، کیفیت و تحویل.
- اولویت‌بندی پروژه‌ها با معیارهایی مثل هزینه، فایده و ریسک.
- مقایسهٔ محل‌ها، تجهیزات یا گزینه‌های شغلی بر اساس نیاز تصمیم‌گیرنده.
- وزن‌دهی معیارهای یک پژوهش با قضاوت افراد آگاه به موضوع.
نام روش به‌تنهایی یک تصمیم را علمی یا معتبر نمی‌کند؛ تعریف معیارها، انتخاب ارزیاب مناسب و ثبت دلیل قضاوت‌ها مهم‌اند. اگر کارتان پرسشنامهٔ خبرگان است، راهنمای حجم نمونه AHP به پرسش تعداد پاسخ‌دهندگان می‌پردازد.
مزایا و محدودیت‌های روش AHP
مزیت اصلی AHP، روشن‌کردن مسیر تصمیم است: معیارها مشخص‌اند، ترجیحات ثبت می‌شوند و می‌توان توضیح داد رتبه‌بندی چگونه به دست آمده است. مقایسهٔ دو عامل در هر گام نیز تمرکز را ساده‌تر می‌کند و امکان بررسی هماهنگی قضاوت‌ها را می‌دهد.
در مقابل، خروجی به قضاوت ورودی وابسته است و با افزایش معیارها و گزینه‌ها، تعداد سؤال‌ها بالا می‌رود. برای n عامل در یک ماتریس، تعداد مقایسه‌های مستقل n × (n − 1) / 2 است؛ مثلاً پنج عامل، ده مقایسه می‌خواهد. معیارهای هم‌پوشان، اطلاعات ضعیف یا مدل‌کردن نادرست وابستگی‌ها می‌توانند نتیجه را گمراه‌کننده کنند. با تغییر مجموعهٔ گزینه‌ها نیز باید مدل و رتبه‌بندی را دوباره بررسی کنید.
اشتباه‌های رایج هنگام شروع
- مقایسهٔ معیارها بدون مشخص‌کردن هدف و کاربرد تصمیم.
- ترکیب چند ویژگی متفاوت در یک معیار مبهم یا وزن‌دادن دوباره به یک ویژگی.
- عوض‌کردن جهت ترجیح در میانهٔ مقایسه‌ها، مخصوصاً برای هزینه و زمان.
- تغییر قضاوت‌ها فقط برای پایین‌آوردن CR، بدون دلیل محتوایی.
- تلقی رتبهٔ اول به‌عنوان حقیقت قطعی و بی‌نیاز از بررسی محدودیت‌ها.
پرسش‌های رایج دربارهٔ AHP
آیا برای AHP حتماً اکسل یا نرم‌افزار تخصصی لازم است؟
خیر. روش به یک نرم‌افزار خاص وابسته نیست. می‌توانید از ابزار آنلاین استفاده کنید؛ مهم این است که ورودی‌ها، وزن‌ها و سازگاری را بفهمید. در راهنمای AHP آنلاین مسیر استفاده بدون دانلود توضیح داده شده است.
آیا AHP فقط برای پژوهش دانشگاهی است؟
خیر. هر جا چند گزینه و چند معیار مرتبط دارید می‌تواند به ساختاردهی تصمیم کمک کند؛ میزان دقت مدل باید با اهمیت و پیچیدگی مسئله متناسب باشد.
آیا CR پایین یعنی انتخابم حتماً درست است؟
خیر. CR هماهنگی مقایسه‌ها را می‌سنجد، نه صحت اطلاعات، کامل‌بودن معیارها یا تضمین عملکرد آیندهٔ گزینه‌ها را.
اولین تحلیل AHP خود را انجام دهید
با یک مسئلهٔ کوچک شروع کنید: هدف روشن، دو یا سه معیار و چند گزینهٔ قابل انتخاب. مقایسه‌ها را تکمیل کنید و نتیجه را همراه وضعیت سازگاری بخوانید.
رفتن به محاسبه‌گر AHPمنبع و ادامهٔ یادگیری
برای مبانی روش، مقالهٔ توماس ساعتی، Decision making with the analytic hierarchy process، سال ۲۰۰۸ را ببینید. مثال لپ‌تاپ این صفحه، مثال مستقل و فرضی DecideHub است. برای ادامه، آموزش گام‌به‌گام AHP با مثال عددی و ماتریس‌ها را بخوانید.