انجام پایان نامه به روش TOPSIS

تصمیم‌گیری چندمعیاره (MCDM: Multi-Criteria Decision Making) یکی از ارکان اصلی پژوهش‌های کاربردی در رشته‌های مهندسی صنایع، مدیریت (صنعتی، بازرگانی، استراتژیک، زنجیره تامین)، مهندسی عمران، مدیریت ساخت، جغرافیا و برنامه‌ریزی شهری است. در میان ابزارهای متنوع تصمیم‌گیری چندشاخصه (MADM)، تکنیک تاپسیس (TOPSIS: Technique for Order of Preference by Similarity to Ideal Solution) به دلیل منطق ریاضی شفاف، درک شهودی آسان و انطباق بالا با مسائل واقعی، یکی از پرکاربردترین متدولوژی‌ها در پژوهش‌های دانشگاهی به شمار می‌رود.

بسیاری از پژوهشگران و دانشجویان تحصیلات تکمیلی برای اولویت‌بندی استراتژی‌ها، ارزیابی تامین‌کنندگان، مکان‌یابی پروژه‌ها و رتبه‌بندی گزینه‌ها، نیازمند تسلط بر شیوه انجام پایان نامه به روش TOPSIS هستند. در این مقاله مرجع، به صورت گام‌به‌گام، منطق ریاضی، مراحل اجرایی در فصول پایان‌نامه، ترکیب آن با سایر روش‌ها (مانند AHP و Fuzzy)، پیاده‌سازی نرم‌افزاری و خطاهای رایج در پیاده‌سازی این تکنیک را بررسی می‌کنیم.

---

روش تاپسیس (TOPSIS) چیست و چه منطقی دارد؟

تکنیک تاپسیس نخستین بار توسط هوانگ و یون (Hwang & Yoon) در سال ۱۹۸۱ معرفی شد. مفهوم بنیادین این روش بر این فرضیه استوار است که گزینه انتخابی ایده‌آل باید:

1. کمترین فاصله هندسی را از «راه‌حل ایده‌آل مثبت» (PIS: Positive Ideal Solution) داشته باشد.
2. بیشترین فاصله هندسی را از «راه‌حل ایده‌آل منفی» (NIS: Negative Ideal Solution) داشته باشد.

راه‌حل ایده‌آل مثبت ترکیبی از بهترین مقادیر ممکن برای تمامی معیارها (بیشترین سودمندی و کمترین هزینه) است، در حالی که راه‌حل ایده‌آل منفی بدترین مقادیر را برای شاخص‌ها در نظر می‌گیرد. رتبه‌بندی نهایی گزینه‌ها بر اساس ضریب نزدیکی نسبی به این دو نقطه مرجع انجام می‌گیرد.

جایگاه تاپسیس در فصول پایان‌نامه

هنگام انجام پایان نامه به روش TOPSIS، این تکنیک باید در فصول مختلف پایان‌نامه به شکلی یکپارچه منعکس شود:

• فصل اول (کلیات پژوهش): تبیین چرایی استفاده از رویکرد تصمیم‌گیری چندمعیاره و لزوم اولویت‌بندی گزینه‌ها بر مبنای معیارهای متناقض (Trade-off).
• فصل دوم (مبانی نظری و پیشینه): مروری بر مطالعات پیشینی که از MCDM در حوزه مسئله استفاده کرده‌اند، معرفی مبانی ریاضی تاپسیس و استخراج شاخص‌ها از ادبیات تحقیق.
• فصل سوم (روش‌شناسی پژوهش): تشریح جامعه خبرگان، ابزار گردآوری داده‌ها (پرسشنامه ماتریس تصمیم)، رویکرد وزن‌دهی به معیارها و فرمول‌های مرحله‌به‌مرحله تاپسیس.
• فصل چهارم (تحلیل داده‌ها و یافته‌ها): تشکیل ماتریس داده‌ها، نرمال‌سازی، تعیین وزن‌ها، محاسبه فواصل اقلیدسی، محاسبه شاخص شباهت و رتبه‌بندی نهایی.
• فصل پنجم (نتیجه‌گیری و پیشنهادات): تفسیر مدیریتی رتبه‌های به‌دست‌آمده، اعتبارسنجی مدل با تحلیل حساسیت و ارائه توصیه‌های کاربردی به سازمان هدف.

---

مراحل گام‌به‌گام و ریاضی انجام روش TOPSIS قطعی

برای اجرای استاندارد انجام پایان نامه به روش TOPSIS در فصل چهارم، مراحل شش‌گانه زیر به همراه معادلات ریاضی مربوطه پیاده‌سازی می‌شوند:

تشکیل ماتریس تصمیم ➔ بی‌مقیاس‌سازی (نرمال‌سازی) ➔ تشکیل ماتریس موزون ➔ تعیین ایده‌آل‌های مثبت و منفی ➔ محاسبه فواصل اقلیدسی ➔ محاسبه شاخص نزدیکی و رتبه‌بندی

گام اول: تشکیل ماتریس تصمیم (Decision Matrix)

فرض کنید $m$ گزینه (A1,A2,…,AmA_1, A_2, \dots, A_mA1​,A2​,…,Am​) و $n$ معیار (C1,C2,…,CnC_1, C_2, \dots, C_nC1​,C2​,…,Cn​) داریم. ماتریس تصمیم $D$ به ابعاد $m\times n$ تشکیل می‌شود:

D=[x11x12…x1nx21x22…x2n⋮⋮⋱⋮xm1xm2…xmn]D = \begin{bmatrix} x_{11} & x_{12} & \dots & x_{1n} \\ x_{21} & x_{22} & \dots & x_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ x_{m1} & x_{m2} & \dots & x_{mn} \end{bmatrix}D=​x11​x21​⋮xm1​​x12​x22​⋮xm2​​……⋱…​x1n​x2n​⋮xmn​​​

که در آن xijx_{ij}xij​ نشان‌دهنده عملکرد گزینه $i$ در معیار $j$ است.

---

گام دوم: بی‌مقیاس‌سازی (نرمال‌سازی برداری)

برای حذف واحدهای سنجش متفاوت معیارها، از نرمال‌سازی برداری (Vector Normalization) استفاده می‌شود. درایه نرمال‌شده rijr_{ij}rij​ به شکل زیر به دست می‌آید:

rij=xij∑i=1mxij2,i=1,2,…,m  ;  j=1,2,…,nr_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^{m} x_{ij}^2}} \quad , \quad i=1,2,\dots,m \; ; \; j=1,2,\dots,nrij​=∑i=1m​xij2​​xij​​,i=1,2,…,m;j=1,2,…,n

ماتریس حاصل، ماتریس نرمال R=[rij]m×nR = [r_{ij}]_{m \times n}R=[rij​]m×n​ نامیده می‌شود.

---

گام سوم: تشکیل ماتریس تصمیم نرمال موزون

اگر بردار اوزان معیارها را به صورت W=(w1,w2,…,wn)W = (w_1, w_2, \dots, w_n)W=(w1​,w2​,…,wn​) داشته باشیم به طوری که ∑j=1nwj=1\sum_{j=1}^n w_j = 1∑j=1n​wj​=1 باشد، ماتریس نرمال موزون V=[vij]m×nV = [v_{ij}]_{m \times n}V=[vij​]m×n​ از طریق رابطه زیر ایجاد می‌شود:

vij=wj×rijv_{ij} = w_j \times r_{ij}vij​=wj​×rij​

---

گام چهارم: تعیین راه‌حل‌های ایده‌آل مثبت (A+A^+A+) و ایده‌آل منفی (A−A^-A−)

معیارها به دو دسته معیارهای سودی (هرچه بیشتر، بهتر J+J^+J+) و معیارهای هزینه‌ای (هرچه کمتر، بهتر J−J^-J−) تقسیم می‌شوند:

A+={v1+,v2+,…,vn+}A^+ = \{ v_1^+, v_2^+, \dots, v_n^+ \}A+={v1+​,v2+​,…,vn+​}

vj+={max⁡i{vij}if j∈J+ (معیار سودی)min⁡i{vij}if j∈J− (معیار هزینه‌ای)v_j^+ = \begin{cases} \max_{i} \{v_{ij}\} & \text{if } j \in J^+ \text{ (معیار سودی)} \\ \min_{i} \{v_{ij}\} & \text{if } j \in J^- \text{ (معیار هزینه‌ای)} \end{cases}vj+​={maxi​{vij​}mini​{vij​}​if j∈J+ (معیار سودی)if j∈J− (معیار هزینه‌ای)​

A−={v1−,v2−,…,vn−}A^- = \{ v_1^-, v_2^-, \dots, v_n^- \}A−={v1−​,v2−​,…,vn−​}

vj−={min⁡i{vij}if j∈J+ (معیار سودی)max⁡i{vij}if j∈J− (معیار هزینه‌ای)v_j^- = \begin{cases} \min_{i} \{v_{ij}\} & \text{if } j \in J^+ \text{ (معیار سودی)} \\ \max_{i} \{v_{ij}\} & \text{if } j \in J^- \text{ (معیار هزینه‌ای)} \end{cases}vj−​={mini​{vij​}maxi​{vij​}​if j∈J+ (معیار سودی)if j∈J− (معیار هزینه‌ای)​

---

گام پنجم: محاسبه فاصله اقلیدسی گزینه‌ها از ایده‌آل‌ها

فاصله هر گزینه AiA_iAi​ از ایده‌آل مثبت (Si+S_i^+Si+​) و ایده‌آل منفی (Si−S_i^-Si−​) با استفاده از فرمول فاصله اقلیدسی $n$-بعدی محاسبه می‌شود:

Si+=∑j=1n(vij−vj+)2,i=1,2,…,mS_i^+ = \sqrt{\sum_{j=1}^{n} (v_{ij} – v_j^+)^2} \quad , \quad i=1,2,\dots,mSi+​=j=1∑n​(vij​−vj+​)2​,i=1,2,…,m

Si−=∑j=1n(vij−vj−)2,i=1,2,…,mS_i^- = \sqrt{\sum_{j=1}^{n} (v_{ij} – v_j^-)^2} \quad , \quad i=1,2,\dots,mSi−​=j=1∑n​(vij​−vj−​)2​,i=1,2,…,m

---

گام ششم: محاسبه ضریب نزدیکی نسبی (CLi∗CL_i^*CLi∗​) و رتبه‌بندی گزینه‌ها

شاخص شباهت یا نزدیکی نسبی هر گزینه به ایده‌آل مثبت از طریق فرمول زیر محاسبه می‌شود:

CLi∗=Si−Si++Si−,0≤CLi∗≤1CL_i^* = \frac{S_i^-}{S_i^+ + S_i^-} \quad , \quad 0 \le CL_i^* \le 1CLi∗​=Si+​+Si−​Si−​​,0≤CLi∗​≤1

• هرچه مقدار CLi∗CL_i^*CLi∗​ به ۱ نزدیک‌تر باشد، گزینه AiA_iAi​ عملکرد بهتری دارد و اولویت بالاتری کسب می‌کند.
• گزینه‌ها بر اساس ترتیب نزولی CLi∗CL_i^*CLi∗​ رتبه‌بندی می‌شوند.

---

رویکردهای ترکیبی متداول در پایان‌نامه‌های ارشد و دکتری

روش تاپسیس به تنهایی برای وزن‌دهی به معیارها مکانیزمی ندارد و نیازمند دریافت اوزان از روش‌های دیگر است. در فرآیند انجام پایان نامه به روش TOPSIS، ترکیب تکنیک‌ها اعتبار علمی پژوهش را به شدت افزایش می‌دهد:

---

توسعه روش: انجام پایان نامه به روش Fuzzy TOPSIS (تاپسیس فازی)

در بسیاری از پایان‌نامه‌ها، قضاوت خبرگان به صورت عبارات کلامی مبهم (مانند «خیلی خوب»، «متوسط»، «کم») است. در چنین شرایطی، Fuzzy TOPSIS با استفاده از اعداد فازی مثلثی ($TFN=(l,m,u)$) به کار گرفته می‌شود.

مراحل کلیدی تاپسیس فازی:

1. تبدیل متغیرهای کلامی به اعداد فازی مثلثی.
2. ادغام ماتریس‌های نظر خبرگان با میانگین حسابی فازی یا هندسی فازی:x~ij=(min⁡k{lijk}, 1K∑k=1Kmijk, max⁡k{uijk})\tilde{x}_{ij} = \left( \min_k \{l_{ijk}\}, \, \frac{1}{K}\sum_{k=1}^K m_{ijk}, \, \max_k \{u_{ijk}\} \right)x~ij​=(kmin​{lijk​},K1​k=1∑K​mijk​,kmax​{uijk​})
3. نرمال‌سازی فازی (با حفظ بازه بین ۰ و ۱).
4. محاسبه فاصله فازی دو عدد مثلثی a~=(l1,m1,u1)\tilde{a}=(l_1, m_1, u_1)a~=(l1​,m1​,u1​) و b~=(l2,m2,u2)\tilde{b}=(l_2, m_2, u_2)b~=(l2​,m2​,u2​) با رابطه ورتکس (Vertex Method):d(a~,b~)=13[(l1−l2)2+(m1−m2)2+(u1−u2)2]d(\tilde{a}, \tilde{b}) = \sqrt{\frac{1}{3} \left[ (l_1 – l_2)^2 + (m_1 – m_2)^2 + (u_1 – u_2)^2 \right]}d(a~,b~)=31​[(l1​−l2​)2+(m1​−m2​)2+(u1​−u2​)2]​
5. رتبه‌بندی گزینه‌ها طبق ضریب نزدیکی فازی CCiCC_iCCi​.

---

کاربردهای شاخص روش TOPSIS در رشته‌های مختلف

در نگارش پایان‌نامه، تاپسیس به عنوان ابزار تحلیلی در صنایع گوناگون کاربرد دارد:

• مهندسی صنایع و مدیریت زنجیره تامین: ارزیابی و انتخاب تامین‌کنندگان پایدار بر مبنای شاخص‌های اقتصادی، زیست‌محیطی و تاب‌آوری.
• مهندسی عمران و مدیریت پروژه: اولویت‌بندی پکیج‌های پیمانکاری، ارزیابی روش‌های ساخت، و رتبه‌بندی ریسک‌های ایمنی و ژئوتکنیکی در پروژه‌های عمرانی.
• مدیریت کسب‌وکار (MBA) و استراتژی: ارزیابی شایستگی‌های محوری، انتخاب استراتژی ورود به بازارهای جدید و ارزیابی بهره‌وری شعب بانکی یا شرکت‌های بیمه.
• برنامه‌ریزی شهری و محیط‌زیست: مکانیابی دفن پسماند، احداث ایستگاه‌های شارژ خودروهای برقی یا توسعه فضاهای سبز با تلفیق GIS و تاپسیس.

---

ابزارها و نرم‌افزارهای پیاده‌سازی TOPSIS در پایان‌نامه

برای اطمینان از صحت محاسبات و پیوست خروجی‌ها به فصل چهارم پایان‌نامه، از ابزارهای زیر استفاده می‌شود:

1. Microsoft Excel: مناسب‌ترین و شفاف‌ترین ابزار؛ پیاده‌سازی فرمول‌های ماتریسی، نرمال‌سازی و توابع SQRT و SUMSQ به همراه قابلیت ارائه محاسبات مرحله‌به‌مرحله برای گزارش در پایان‌نامه.
2. کدنویسی در Python یا MATLAB: مناسب برای دانشجویان رشته‌های مهندسی یا زمانی که تعداد شاخص‌ها و گزینه‌ها بسیار زیاد است؛ امکان اجرای سریع تحلیل حساسیت (Sensitivity Analysis).
3. نرم‌افزار Expert Choice / Super Decisions: جهت استخراج اوزان معیارها از طریق مقایسات زوجی و انتقال آن به تاپسیس.

---

اعتبارسنجی نتایج: تحلیل حساسیت (Sensitivity Analysis)

یکی از نقدهای اساسی اساتید داور در جلسات دفاع، عدم اطمینان از ثبات نتایج مدل تاپسیس در برابر تغییر اوزان معیارها است. برای رفع این چالش، باید تحلیل حساسیت انجام شود:

• تغییر وزن معیارها: افزایش یا کاهش ۱۰٪ تا ۵۰٪ در اوزان معیارهای اصلی و بررسی تغییرات در رتبه‌بندی گزینه‌ها.
• مقایسه با سایر روش‌های MCDM: پیاده‌سازی مسئله با روش‌هایی نظیر VIKOR، PROMETHEE یا COPRAS و مقایسه رتبه‌بندی‌ها از طریق ضریب همبستگی رتبه‌ای اسپیرمن (rsr_srs​).

تغییر در اوزان معیارها (±10% تا ±50%)
│
▼
محاسبه مجدد ضریب نزدیکی (CL*) برای هر حالت
│
▼
ترسیم نمودار تغییر رتبه گزینه‌ها در اکسل
│
▼
تایید استحکام (Robustness) نتایج نهایی پژوهش

اشتباهات متداول در انجام پایان نامه به روش TOPSIS

هنگام تدوین و نگارش مدل تاپسیس در پایان‌نامه، باید از اشتباهات زیر پرهیز کنید:

1. اشتباه در تفکیک معیارهای سودی و هزینه‌ای: عدم تشخیص دقیق جهت شاخص (مثلاً هزینه تمام‌شده یا مصرف سوخت به عنوان معیار منفی) که منجر به معکوس شدن کل نتایج مدل می‌شود.
2. استفاده از روش‌های نرمال‌سازی نامناسب: تاپسیس کلاسیک منحصراً بر پایه نرمال‌سازی برداری (اقلیدسی) طراحی شده است؛ استفاده از روش خطی یا ماکزیمم-مینیمم بدون توجیه ریاضی خطاست.
3. عدم بررسی سازگاری قضاوت‌ها در روش‌های وزن‌دهی: در صورت استفاده از AHP ترکیبی، نادیده گرفتن نرخ ناسازگاری ($CR>0.1$) نتایج تاپسیس را نامعتبر می‌سازد.
4. تعداد نامناسب خبرگان: تکیه بر پرسشنامه‌های ناکافی بدون تعریف شرایط دقیق خبرگی (تحصیلات، سابقه کاری و موقعیت شغلی).

---

سوالات متداول در خصوص انجام پایان نامه با تاپسیس (FAQ)

۱. تفاوت اصلی روش TOPSIS با روش VIKOR چیست؟

تاپسیس گزینه‌ای را انتخاب می‌کند که به ایده‌آل نزدیک و از ضدایده‌آل دور باشد، بدون در نظر گرفتن اهمیت نسبی این دو فاصله؛ در حالی که VIKOR بر اساس رویکرد سازشی و با تمرکز بر بیشینه‌سازی مطلوبیت اکثریت ($S$) و کمینه‌سازی تاسف فردی ($R$) به همراه معرفی بازه توافقی تصمیم‌گیری می‌کند.

۲. حداقل تعداد خبرگان برای ماتریس تاپسیس چقدر است؟

در روش‌های تصمیم‌گیری چندمعیاره، جامعه هدف بر خلاف روش‌های پیمایشی بزرگ نیست. حضور بین ۵ تا ۱۵ خبره متخصص و مرتبط با صنعت یا مسئله پژوهش از نظر استانداردهای دانشگاهی کاملاً کفایت می‌کند.

۳. آیا روش TOPSIS برای داده‌های کاملاً کمی مناسب است؟

بله؛ یکی از مزیت‌های بزرگ تاپسیس این است که می‌تواند داده‌های قطعی و عملکردی واقعی سیستم‌ها (مانند ارقام مالی، مشخصات فنی کالاها، متراژ، دما، هزینه و راندمان) را بدون نیاز به پرسشنامه کیفی تحلیل و رتبه‌بندی کند.

---

جمع‌بندی؛ چک‌لیست موفقیت در دفاع از پایان‌نامه مبتنی بر TOPSIS

موفقیت در انجام پایان نامه به روش TOPSIS نیازمند اتصال منطقی میان مسئله کاربردی، شناسایی دقیق معیارها بر مبنای مرور سیستماتیک ادبیات، اجرای دقیق محاسبات ماتریسی در اکسل یا پایتون و در نهایت اعتبارسنجی از طریق تحلیل حساسیت است.

با مستندسازی گام‌به‌گام معادلات، شفاف‌سازی فرایند وزن‌دهی و ارائه نمودارهای بصری از فواصل اقلیدسی و ضرایب نزدیکی، تسلط علمی خود را در جلسه دفاع به اثبات برسانید و نتایجی کاربردی با قابلیت اجرا در صنعت ارائه دهید.