Modelarea proceselor economice 53

Unitatea de învăţare 4
MODELAREA DECIZIILOR MULTICRITERIALE
*ANDRAŞIU, 1986+, [ANDREICA, 1998], [FILIP, 2002], [FILIP, 2007], [KAUFMANN, 1987],
[IONESCU, 1999], *RAŢIU, 2001+

Obiectiv
Obiectivul acestui capitol este de a defini şi construi modele pentru
elaborarea şi analiza deciziilor multicriteriale de tip multiatribut. Se prezintă
diferite moduri de normalizare a matricei consecinţelor şi trei metode clasice
de ordonare a variantelor – metoda ponderării simple aditive, metoda Topsis
şi metoda diametrelor, pentru care se construiesc algoritmii corespunzători.
Este abordată şi problema determinării coeficienţilor de importanţă.

Competenţele unităţii de învăţare

Parcurgerea acestei unităţi permite înțelegerea procesului de elaborare a
deciziilor multicriteriale de tip multiatribut. Algoritmii de calcul prezentaţi
pentru determinarea coeficienţilor de importanţă şi ordonarea variantelor,
precum şi studiile de caz rezolvate şi analizate reprezintă modele aplicabile
direct în procesul decizional sau care pot ajuta decidentul în realizarea altor
modele.

Durata medie de parcurgere a acestei unităţi de învăţare este de 6 ore.

Problemele de decizie multicriterială presupun alegerea unei alternative sau a unui plan
de acţiune în condiţiile existenţei mai multor obiective, care trebuie analizate.
Obiectivele pot fi de naturi diferite şi în contradicţie unul cu altul.
Majoritatea situaţiilor cu care ne confruntăm în viaţa reală implică existenţa unor decizii
multicriteriale. De exemplu, pentru alegerea unui automobil, din clasa de preţ pe care o
avem în vedere, încercăm satisfacerea simultană a mai multor obiective: preţ cât mai
mic, fiabilitate mare, consum mic, cost de de întreţinere redus, siguranţa în caz de
accident cât mai mare... Un alt exemplu: o firmă pentru stabilirea programului optim de
producţie poate lua în considerare mai multe obiective în acelaşi timp: costuri de
producţie mici, venituri cât mai mari, satisfacerea cât mai bună a cererii,...

Din exemplele descrise se pot distinge două tipuri de modele de decizie multicriterială:
1. Modele de decizie multiatribut – sunt modele cu un număr limitat (discret) de
alternative (variante). Se pune problema alegerii alternativei (variantei) optime
dintr-o mulţime finită de alternative care se compară între ele în raport cu mai
multe criterii (atribute) sau ordonarea tuturor variantelor în raport cu criteriile
considerate. Fiecare alternativă este caracterizată în raport cu fiecare atribut
54 Dorin Lixăndroiu

cantitativ (numeric) sau calitativ (nenumeric). Fiecare atribut are un anumit scop:
maxim sau minim. Atributele pot avea importanţe diferite pentru decident.
2. Modele de decizie multiobiectiv – sunt modele cu un număr infinit de alternative
(variante). Situaţiile decizionale generează modele de decizie care urmăresc
maximizarea sau minimizarea simultană a unor funcţii de mai multe variabile.
Variabilele sunt supuse unor sisteme de restricţii care sunt în general formulate
sub forma unor inegalităţi sau egalităţi. Se pune problema determinării valorilor
variabilelor care optimizează sistemul de funcţii obiectiv. Rezolvarea acestor
modele face obiectul unor capitole speciale ale programării matematice.

MODELE DE DECIZIE MULTIATRIBUT

O problemă de de decizie multiatribut are următoarele elemente:

V = { V1, V2, V3,…, Vm } - mulţimea variantelor (alternativelor)

C = { C1, C2, C3,…, Cn } - mulţimea criteriilor (atributelor)
A = {aij}, i=1,2…,m, j=1,2,…,n - matricea consecinţelor (aij reprezintă valoarea
variantei Vi pentru criteriul Cj ).
În situaţia în care nu toate criteriile sunt la fel de importante, se pot evalua coeficienţii
de importanţă ai fiecărui criteriu.

Notăm cu:
P = { p1, p2, p3,…, pn } - mulţimea coeficienţilor de importanţă asociaţi criteriilor.

În general se consideră:
n
 pj 1
j 1
Matricea consecinţelor va fi de forma:

Criterii (atribute) C1 C2 . . . . Cj . . . . . Cn

Alternative (variante)
V1 a11 a12 . . . . a1j . . . . . a1n
V2 a21 a22 . . . . a2j . . . . . a2n
....
Vi ai1 ai2 . . . . aij . . . . . ain
….
Vm am1 am2 . . . amj . . . . amn

Coeficienţii de importanţă p1 p2 . . . . pj . . . . . pn
Modelarea proceselor economice 55

Normalizarea matricei consecinţelor

Valorile atributelor cantitative din matricea consecinţelor sunt exprimate în general în
unităţi de măsură diferite. Pentru a putea fi comparate acestea trebuie să fie omogene.
Procesul de omogenizare se realizează prin normalizare, adică se pune în corespondenţă
mulţimea valorilor criteriilor cu mulţimea [0,1].
Pentru atributele calitative se poate considera funcţia de apartenenţă la submulţimea
fuzzy definită de atributul respectiv.
Normalizarea presupune definirea unei funcţii, care transformă matricea A în matricea R
cu elementele cuprinse în intervalul [0,1]. Există mai multe moduri de a realiza
normalizarea. Prezentăm în continuare unul dintre acestea:

A →R unde rij  [0,1], i=1,2…,m, j=1,2,…,n, definită astfel:

- pentru criteriile de maxim:

aij  amin
j
rij  (1)
amax
j  amin
j
- pentru criteriile de minim:
amax
j  aij
rij  (2)
amax
j  amin
j
unde: amin
j  minaij iar amax
j  maxaij
i i
Observaţie. În cazul unui criteriu de maxim, cea mai mare valoare primeşte 1, iar cea mai
mică valoare primeşte 0. În cazul unui criteriu de minim, cea mai mică valoare primeşte
1, iar cea mai mare valoare primeşte 0. Evident, celelorlalte valori li se vor asocia prin
operaţia de normalizare valori în intervalul (0,1).

Importanţa criteriilor
Decidentul poate atribui criteriilor coeficienţi de importanţă diferiţi. Notăm aceşti
coeficienţi subiectivi cu:
n
  1 , 2 ,..., n  cu j 1 (3)
j 1
În afara acestora se poate determina în funcţie de valorile fiecărui criteriu importanţa în
sine a criteriului. Pentru estimarea acestor coeficienţi obiectivi, există în literatura de
specialitate mai multe metode. Prezentăm în continuare metoda entropiei, care se
bazează pe conceptul de entropie informaţională introdus de Claude Shannon în 1948,
ca măsură a incertitudinii unei repartiţii de probabilitate discrete simple:
m
H p1 , p2 ,..., pm     pi  lnpi , 0  Hp1 , p2 ,..., pm   lnm (4)
i 1
Algoritmul de calcul al coeficienţilor de importanţă obiectivi este:
56 Dorin Lixăndroiu

Pasul 1. Se transformă fiecare element din matricea consecinţelor astfel:

aij
pij  , i  1,2,..., m, j  1,2,..., n (5)
m
 aij
i 1
Pasul 2. Se determină entropia H j asociată fiecărui criteriu:
1 m
Hj     pij  lnpij , j  1,2,..., n (6)
lnm i 1
Avem evident H j  0,1 .

Pasul 3. Gradul de diversificare al informaţiei date de valorile criteriului j pentru

diferitele alternative poate fi definit astfel:

d j  1  H j , j  1,2,..., n (7)

Pasul 4. Se calculează coeficienţii de importanţă obiectivi:

dj n
j  n
, j  1,2,..., n cu  j  1 (8)
j 1
d j
j 1

Observaţie. Agregarea coeficienţilor de importanţă subiectivi cu cei obiectivi presupune

calculul unor ponderi agregate de forma:
 j  j
pj  , j  1,2,..., n (9)
n
  j  j
j 1

Variante (alternative) dominate

O variantă (alternativă) este dominată dacă există o altă variantă (alternativă) care o
depăşeşte (surclasează) pe prima pentru unul sau mai multe atribute şi are valori egale
pentru celelalte atribute.
De exemplu, în tabelul de mai jos, constatăm că A2 este dominată de A1, deoarece A1
are valori mai bune pentru criteriile (atributele): C1, C2, C5 şi egale cu A2 pentru
criteriile C3 şi C4.

C1(min) C2(min) C3(max) C4(min) C5(max)

A1 12500 300 19 5.2 5
A2 13500 500 19 5.2 3

În procesul de decizie, este necesar ca într-o primă etapă să se elimine variantele

dominate.
Modelarea proceselor economice 57

1. METODA PONDERĂRII SIMPLE ADITIVE

Metoda, după cum arată şi numele, este foarte simplă. Pentru fiecare variantă se
calculează o valoare (punctaj) ca medie ponderată a consecinţelor atributelor cu
ponderile asociate fiecărui criteriu. Evident, matricea consecinţelor trebuie să fie
normalizată. Metoda permite ierarhizarea variantelor în ordinea descrescătoare a
valorilor calculate, sau selectarea variantei cu valoarea cea mai mare (varianta optimă).
Metoda este compensatorie, deoarece în calculul valorii asociate unei variante, o
valoare slabă la un criteriu poate fi compensată de valorile bune obţinute la alte criterii.

Algoritmul metodei este următorul:

Pasul 1. Se calculează matricea normalizată R, conform relaţiilor (1) şi (2) şi vectorul

ponderilor P = (p1, p2, p3,…, pn)

Pasul 2. Se defineşte funcţia f : V  R şi se calculează:

n
f Vi    p j  rij , i  1,2,..., m (10)
j 1
Pasul 3. Varianta optimă = max f Vi 
1i m

2. METODA DIAMETRELOR
Pentru ierarhizarea variantelor, metoda ia în calcul gradul de omogenitate al variantei în
raport cu toate criteriile. Pentru a evita compensaţiile se definesc două funcţii pe baza
cărora se va face ierarhizarea variantelor: o funcţie de apreciere şi o funcţie diametru.
Astfel, o variantă este cu atât mai omogenă, cu cât are un diametru mai mic şi este cu
atât mai bună, cu cât aprecierea este mai mare.
Algoritmul metodei este următorul:

Pasul 1. Se defineşte funcţia de apreciere: A : V → R

  
n
AVi    m  loc Vi , C j  p j , i  1,2,..., m (11)
j 1
unde: P = (p1, p2, p3,…, pn) reprezintă vectorul coeficienţilor de importanţă
(obiectivi, subiectivi sau agregaţi), iar loc(Vi,Cj) = k, adică valoarea variantei Vi
pentru criteriul j ocupă locul k în ierarhia celor m valori asociate criteriului j.

Pasul 2. Se defineşte funcţia diametru: D : V → N

     
DVi   max loc Vi , C j  min loc Vi , C j , i  1,2,..., m, j  1,2,..., n (12)
j j
Pasul 3. Se calculează funcţia agregată: A&D : V → R
58 Dorin Lixăndroiu

AVi   m  DVi 
A & DVi   , i  1,2,..., m (13)
2
Pasul 4. Ierarhia variantelor este dată de valorile descrescătoare ale funcţiei A&D.

3. METODA TOPSIS (Technique for Order Preference by Similarity to Ideal Solution)

Principiul acestei metode: din valorile variantelor pentru diferitele criterii se
construieşte soluţia ideală pozitivă şi soluţia ideală negativă. Variantele se ierarhizează
în funcţie de distanţele la cele două soluţii. Pentru a efectua comparaţiile se calculează
în funcţie de cele două distanţe o distanţă relativă la soluţia ideală pozitivă. Astfel, cea
mai bună variantă va avea distanţa minimă la soluţia ideală pozitivă şi distanţa maximă
la soluţia ideală negativă.
Algoritmul metodei este următorul:

Pasul 1. Se construieşte matricea normalizată

 
R  rij , i  1,2,..., m, j  1,2,..., n
prin normalizare vectorială:
aij
rij  , i  1,2,..., m, j  1,2,..., n (14)
m
 aij2
i 1

Pasul 2. Se construieşte matricea normalizată ponderată

 
V  v ij , i  1,2,..., m, j  1,2,..., n, unde v ij  p j  rij (15)

Pasul 3. Se determină soluţia ideală pozitivă Vid şi soluţia ideală negativă Vne,
definite astfel:

V id  V1id ,V2id ,...,Vnid  
V ne  V1ne ,V2ne ,...,Vnne 
- dacă criteriul Cj este de maxim:
V jid  max Vij iar V jne  min Vij (16)
1i m 1i m
- dacă criteriul Cj este de minim:
V jid  min Vij iar V jne  max Vij (17)
1i m 1i m
Pasul 4. Se calculează distanţele dintre variante şi soluţia ideală pozitivă, respectiv dintre
variante şi soluţia ideală negativă.

 Vij  V jid   Vij  V jne 

n 2 n 2
d iid  iar d ine  , i  1,2,..., n (18)
j 1 j 1

Pasul 5. Se calculează apropierea relativă de soluţia ideală:

Modelarea proceselor economice 59

d iid d ine
eiid  1   , i  1,2,..., n (19)
d iid  d ine d iid  d ine
rezultă că: 0  eiid  1

Pasul 6. Se realizează o clasificare pe mulţimea V a variantelor în concordanţă

cu valorile descrescătoare ale lui e iid calculate la Pasul 5.

STUDIUL DE CAZ Nr. 1 – Alegerea unui automobil

O familie analizează mai multe oferte pentru cumpărarea unui automobil. Se decid că
alegerea va trebui să îndeplinească mai multe criterii: (C1) preţul cât mai mic, (C2)
cheltuielile de întreţinere la 10000 km cât mai mici, (C3) portbagajul şi spaţiul interior să
fie cât mai mare (raportat la o scară 1:20), (C4) consumul exprimat în l/100 km cât mai
mic, iar (C5) siguranţa oferită în caz de accident cât mai mare (exprimată în stele NCAP
pe o scară 1:5). Datele din ofertele pentru 6 modele de automobile sunt transpuse în
tabelul 1. Pe ultima linie sunt daţi coeficienţii de importanţă subiectivi, stabiliţi de
decident.

C1(min) C2(min) C3(max) C4(min) C5(max)

A1 12500 300 17 5.2 4
A2 13500 500 20 5.5 5
A3 11500 400 18 5.8 3
A4 14500 450 19 6.2 4
A5 18000 350 8 6.8 5
A6 11000 400 16 5.7 3
Coef.import.
0.60 0.15 0.10 0.05 0.10
subiectivi
Tabelul 1 – Matricea consecinţelor şi coeficienţii de importanţă subiectivi

Rezolvare. Observăm că nu există variante (alternative) dominate şi deci în procesul de

clasificare vor intra toate modelele de automobile selectate.

0. Calculul coeficienţilor de importanţă obiectivi.

Se aplică algoritmul prezentat mai sus (relaţiile 5...8).
Pasul 1 al algoritmului de calcul al coeficienţilor de importanţă obiectivi conduce la:

0.154 0.125 0.173 0.148 0.167

0.167 0.208 0.204 0.156 0.208
0.142 0.167 0.184 0.165 0.125
0.179 0.188 0.194 0.176 0.167
0.222 0.146 0.082 0.193 0.208
0.136 0.167 0.163 0.162 0.125
60 Dorin Lixăndroiu

Entropia H asociată fiecărui criteriu se determină conform relaţiei (6):

H  0.9920, 0.9927, 0.9811, 0.9979, 0.9882
Coeficienţii de importanţă obiectivi calculaţi conform relaţiilor (7) şi (8) sunt:
  0.1658, 0.1527, 0.3928, 0.0442, 0.2445 (20)
Agregarea coeficienţilor de importanţă subiectivi cu cei obiectivi conduce conform
relaţiei (9) la următoarele ponderi:
p  0.5282, 0.1216, 0.2086, 0.0117, 0.1299 (21)

Aplicăm în continuare cele 3 metode prezentate:

1. Metoda ponderării simple aditive

Plecând de la matricea consecinţelor (Tabelul 1), se calculează matricea normalizată R,
conform relaţiilor (1) şi (2):

0.7857 1.0000 0.7500 1.0000 0.5000

0.6429 0.0000 1.0000 0.8125 1.0000
0.9286 0.5000 0.8333 0.6250 0.0000
0.5000 0.2500 0.9167 0.3750 0.5000
0.0000 0.7500 0.0000 0.0000 1.0000
1.0000 0.5000 0.6667 0.6875 0.0000

Cu relaţia (10) se determină valorile funcţiei f pentru fiecare variantă:

F(V1) = 0.7697, F(V2) = 0.6876, F(V3) = 0.7324, F(V4) = 0.5550,
F(V5) = 0.2211, F(V6) = 0.7361

Clasificarea variantelor este: V1 > V6 > V3 > V2 > V4 > V5.

2. Metoda diametrelor
Plecând de la matricea consecinţelor (Tabelul 1), se construieşte matricea locurilor LOC,
unde:
loc(Vi,Cj) = k, adică valoarea variantei Vi pentru criteriul j ocupă locul k în ierarhia
celor m valori asociate criteriului j

3 1 4 1 2
4 5 1 2 1
2 3 3 4 3
5 4 2 5 2
6 2 6 6 1
1 3 5 3 3

Se calculează funcţia de apreciere a fiecărei variante A, conform relaţiei (11), funcţia

diametru D, conform relaţiei (12) şi funcţia agregată A&D dată de relaţia (13).
Modelarea proceselor economice 61

Rezultatele obţinute sunt:

A(Vi) D(Vi) A&D(Vi)

V1 3.1879 3 3.0939
V2 2.9172 4 2.4586
V3 3.5164 2 3.7582
V4 2.1370 3 2.5685
V5 1.1359 5 1.0679
V6 3.6392 4 2.8196

Clasificarea variantelor este: V3 > V1 > V6 > V4 > V2 > V5.

3. Metoda TOPSIS
Plecând de la matricea consecinţelor (Tabelul 1), se calculează matricea normalizată
conform relaţiei (14):

0.3725 0.3022 0.4130 0.3604 0.4

0.4023 0.5037 0.4859 0.3812 0.5
0.3427 0.4030 0.4373 0.4020 0.3
0.4321 0.4534 0.4616 0.4297 0.4
0.5364 0.3526 0.1943 0.4713 0.5
0.3278 0.4030 0.3887 0.3951 0.3

Se determină matricea normalizată ponderată conform relaţiei (15):

min min max min max

0.1967 0.0367 0.0861 0.0042 0.0519
0.2125 0.0612 0.1013 0.0044 0.0649
0.1810 0.0490 0.0912 0.0047 0.0389
0.2282 0.0551 0.0962 0.0050 0.0519
0.2833 0.0428 0.0405 0.0055 0.0649
0.1731 0.0490 0.0810 0.0046 0.0389

Cu relaţiile (16) şi (17) se stabilesc soluţia ideală pozitivă Vid şi soluţia ideală negativă Vne:

Vid 0.1731 0.0367 0.1013 0.0042 0.0649

Vne 0.2833 0.0612 0.0405 0.0055 0.0389

Distanţele dintre variante şi soluţia ideală pozitivă, respectiv dintre variante şi soluţia
ideală negativă sunt date de relaţiile (18):
62 Dorin Lixăndroiu

d iid d ine
V1 0.0309 0.1017
V2 0.0463 0.0969
V3 0.0314 0.1148
V4 0.0597 0.0796
V5 0.1260 0.0318
V6 0.0351 0.1180

Apropierea relativă de soluţia ideală va fi dată de relaţia (19):

V1 0.7667
V2 0.6764
V3 0.7849
V4 0.5715
V5 0.2016
V6 0.7705

Clasificarea variantelor este: V3 > V6 > V1 > V2 > V4 > V5.

Concluzii.
Cele 3 metode conduc la ierahizări diferite dar, apropiate. Astfel dacă vom costrui o sinteză a
locurilor ocupate în cele 3 clasamente, rezultă:

Metoda ponderării Metoda Metoda Punctaj

simple aditivă Diametrelor Topsis cumulat
V1 1 2 3 6
V2 4 5 4 13
V3 3 1 1 5
V4 5 4 5 14
V5 6 6 6 18
V6 2 3 2 7

Punctajul cumulat se obţine prin însumarea locurilor ocupate de fiecare variantă în cele 3
metode. Se obţine următoarea clasificare a variantelor considerând ordinea crescătoare a
punctajului realizat de fiecare variantă: V3 > V1 > V6 > V2 > V4 > V5.

Observăm că în toate metodele prezentate, variantele V1, V3 şi V6 ocupă constant

primele 3 locuri, în timp ce variantele V2, V4 şi V5 ocupă ultimele 3 locuri, cu menţiunea
că varianta V5 este plasată pe ultimul loc. Decizia finală de alegere a variantei optime
aparţine în final decidentului care poate beneficia şi de alte informaţii necuprinse în
tabela consecinţelor analizată.
Modelarea proceselor economice 63

Rezumat
Modele de decizie multiatribut – sunt modele cu un număr limitat (discret)
de alternative (variante). Se pune problema alegerii alternativei (variantei)
optime dintr-o mulţime finită de alternative care se compară între ele în raport
cu mai multe criterii (atribute) sau ordonarea tuturor variantelor în raport cu
criteriile considerate.

Fiecare alternativă este caracterizată în raport cu fiecare atribut cantitativ

(numeric) sau calitativ (nenumeric). Fiecare atribut are un anumit scop: maxim
sau minim. Atributele pot avea importanţe diferite pentru decident.

Valorile atributelor cantitative din matricea consecinţelor sunt exprimate în

general în unităţi de măsură diferite. Pentru a putea fi comparate acestea
trebuie să fie omogene. Procesul de omogenizare se realizează prin
normalizare, adică se pune în corespondenţă mulţimea valorilor criteriilor cu
mulţimea [0,1]. Pentru atributele calitative se poate considera funcţia de
apartenenţă la submulţimea fuzzy definită de atributul respectiv.

Normalizarea presupune definirea unei funcţii, care transformă matricea A

în matricea R cu elementele cuprinse în intervalul [0,1]. Există mai multe
moduri de a realiza normalizarea.

În afara coeficienţilor subiectivi se poate determina în funcţie de valorile

fiecărui criteriu importanţa în sine a criteriului. Pentru estimarea acestor
coeficienţi obiectivi, există în literatura de specialitate mai multe metode. În
curs este prezentat un algoritm de calcul al coeficienţilor obiectivi bazat pe
metoda entropiei, care utilizează conceptul de entropie informaţională.

Pentru cele trei metode clasice de ordonare a variantelor prezentate –

metoda ponderării simple aditive, metoda Topsis şi metoda diametrelor, se
construiesc algoritmii corespunzători şi se aplică pe studiul de caz - Alegerea
unui automobil.

Decizia finală de alegere a variantei optime dintre variantele selectate prin

cele trei metode, aparţine în final decidentului, care poate beneficia şi de alte
informaţii necuprinse în tabela consecinţelor analizată.
64 Dorin Lixăndroiu

Test de evaluare a cunoştinţelor

1. Studiul de caz nr. 2 - Alegerea obiectivelor. Într-un an electoral
administraţia publică locală îşi propune relizarea mai multor obiective (de
exemplu: stadion, sală de concerte, parc de distracţii, telegondolă,
restaurare centru istoric, complex sportiv acoperit (bazin olimpic şi sală de
sport)). Sursa bugetară fiind limitată se doreşte ierarhizarea variantelor în
funcţie de mai multe criterii (de exemplu: costul investiţiei, impactul la
populaţie, numărul de beneficiari, cheltuieli de întreţinere,...). Construiţi
matricea consecinţelor, atribuiţi ponderi subiective criteriilor şi realizaţi o
analiză multicriterială după modelul celei prezentate în Studiul de caz nr. 1 –
Alegerea unui automobil.

2. Studiul de caz nr. 3 – Alegerea locaţiei. O firmă de autoturisme doreşte

să delocalizeze construcţia unui nou model de autoturism. Are de ales între
şase ţări: T1, T2,..., T6. Analiza de alegere a variantei optime evidenţiază mai
multe criterii:
C1. costurile de realizare a noii capacităţi de producţie (min) – în milioane
euro;
C2. costul forţei de muncă din ţara respectivă (min) – nivelul salariului
minim, raportat la puterea de cumpărare;
C3. nivelul de pregătire tehnică al noilor angajaţi (max) – se consideră o
scală de la 1..20;
C4. nivelul infrastructurii din ţara respectivă, pentru a realiza un transport
eficient al noilor produse spre punctele de export (max) - se consideră o
scală de la 1..10;
C5. poziţia geografică a ţării, în raport cu principalele pieţe de desfacere,
facilităţi de transport (max) - se consideră o scală de la 1..10;
C6. riscul de ţară (riscul asociat afacerii) (min) - se consideră o scală de la
1..5;
C7. nivelul facilităţilor oferite la nivel guvernamental şi al administraţiei
locale pentru dezvoltarea afacerii (max) - se consideră o scală de la 1..10;
C8. nivelul cultural şi de civilizaţie (max) - se consideră o scală de la 1..10;
C9. nivelul corupţiei din ţara respectivă (min) - se consideră o scală de la
1..10.
Se cere:
a) Stabiliţi tabela consecinţelor şi atribuiţi pentru cele 9 criterii valori
coeficienţilor de importanţă subiectivi.
b) Determinaţi coeficienţii de importanţă obiectivi.
c) Aplicaţi cele 3 metode prezentate de ierarhizare a variantelor : metoda
ponderării simple aditive, metoda Topsis şi metoda diametrelor considerând
coeficienţii de importanţă agregaţi (subiectivi şi obiectivi).
d) Realizaţi o analiză multicriterială pentru stabilirea celor mai bune variante.