The Analytic Network Process ANP - Analityczny Proces Sieciowy

Analityczny Proces Sieciowy (ang. Analytic Network Process, ANP) to zaawansowana metoda wielokryterialnej analizy decyzyjnej, opracowana przez Thomasa L. Saaty’ego. ANP jest rozwinięciem bardziej znanej metody AHP (Analytic Hierarchy Process), ale w przeciwieństwie do niej uwzględnia złożone zależności pomiędzy elementami decyzji, takimi jak kryteria, podkryteria i alternatywy.

Główne założenia ANP:

1. Modelowanie sieciowe:

   • W ANP, decyzje są modelowane jako sieć, a nie jako hierarchia. Oznacza to, że elementy modelu mogą być wzajemnie zależne i mogą na siebie oddziaływać w różny sposób. Na przykład, kryteria mogą wpływać na siebie nawzajem, a alternatywy mogą mieć wpływ na kryteria.

2. Zależności i sprzężenia zwrotne:

   • ANP uwzględnia zarówno zależności wewnętrzne (w ramach jednego klasteru, np. pomiędzy kryteriami), jak i zewnętrzne (pomiędzy różnymi klasterami, np. pomiędzy kryteriami a alternatywami).
   • Sprzężenia zwrotne są kluczowym elementem ANP, ponieważ pozwalają na modelowanie bardziej złożonych relacji, które mogą istnieć w rzeczywistości.

3. Supermatryca:

   • Głównym narzędziem analitycznym w ANP jest tzw. supermatryca. Jest to macierz zawierająca wektory priorytetów, które odzwierciedlają wpływ każdego elementu na inne elementy. Supermatryca jest używana do obliczenia globalnych priorytetów, które uwzględniają wszystkie zależności i sprzężenia zwrotne.

4. Wagi i priorytety:

   • W ANP, podobnie jak w AHP, ocenia się względne znaczenie elementów poprzez pary porównań. Jednak w ANP, ze względu na zależności i sprzężenia zwrotne, priorytety są obliczane na podstawie całej sieci zależności, co daje bardziej kompleksowy obraz problemu decyzyjnego.

Zastosowanie ANP:

1. Złożone decyzje strategiczne:

   • ANP jest szczególnie przydatne w sytuacjach, gdzie decyzje są złożone, a elementy problemu są wzajemnie powiązane, np. w planowaniu strategicznym, alokacji zasobów, czy wyborze dostawców.

2. Analiza ryzyka:

   • Dzięki uwzględnieniu zależności i sprzężeń zwrotnych, ANP może być stosowane do analizy ryzyka, gdzie różne czynniki ryzyka mogą na siebie oddziaływać.

3. Optymalizacja procesów biznesowych:

   • ANP może być stosowane do optymalizacji procesów, gdzie różne aspekty działalności biznesowej są wzajemnie zależne i wymagają kompleksowego podejścia.

Kroki w procesie ANP:

1. Zdefiniowanie problemu i jego elementów:

   • Określenie celu decyzji, kryteriów, podkryteriów, oraz alternatyw. Zidentyfikowanie wszystkich możliwych zależności pomiędzy tymi elementami.

2. Modelowanie sieci:

   • Stworzenie modelu sieciowego, który odzwierciedla zależności pomiędzy elementami decyzji.

3. Ocena zależności:

   • Przeprowadzenie porównań parowych w celu oceny zależności pomiędzy elementami. Wartości z tych porównań służą do wypełnienia supermatrycy.

4. Obliczenie priorytetów:

   • Obliczenie priorytetów globalnych na podstawie supermatrycy, uwzględniając wszystkie zależności i sprzężenia zwrotne.

5. Analiza wyników i podjęcie decyzji:

   • Interpretacja wyników i podjęcie decyzji na podstawie obliczonych priorytetów.

Zalety ANP:

• Kompleksowość: Umożliwia modelowanie skomplikowanych problemów decyzyjnych z wieloma powiązaniami.
• Elastyczność: Może być stosowany w różnych dziedzinach, od biznesu po zarządzanie ryzykiem.
• Dokładność: Uwzględnienie wzajemnych zależności między elementami prowadzi do bardziej precyzyjnych wyników.

Wady ANP:

• Złożoność: Proces ANP jest bardziej skomplikowany i czasochłonny w porównaniu do AHP, co może stanowić wyzwanie w zastosowaniach praktycznych.
• Wymagania dotyczące danych: Potrzebne jest wiele danych wejściowych, co może być trudne do uzyskania w niektórych sytuacjach.

ANP jest zaawansowaną metodą decyzyjną, która pozwala na bardziej szczegółowe i kompleksowe podejście do analizy problemów, szczególnie tam, gdzie występują złożone zależności między elementami decyzyjnymi.

ANP jest najbardziej kompleksowym narzędziem do analizy decyzji publicznych, rządowych i korporacyjnych. Pozwala decydentowi na uwzględnienie wszystkich czynników oraz kryteriów materialnych lub niematerialnych, które mają znaczący wpływ na podjęcie najlepszej decyzji. ANP umożliwia zarówno interakcję, jak i sprzężenie zwrotne w ramach klastrów elementów (zależność wewnętrzna) i między klastrami (zależność zewnętrzna). Takie informacje zwrotne najlepiej oddają złożone skutki wzajemnych oddziaływań w społeczeństwie ludzkim, szczególnie w przypadku ryzyka i niepewności. 

Elementy w klastrze mogą wpływać na inne elementy w tym samym klastrze i te w innych klastrach w odniesieniu do każdej z kilku właściwości. Głównym celem jest określenie ogólnego wpływu wszystkich elementów. W takim przypadku należy przede wszystkim zorganizować właściwości lub kryteria i nadać im priorytet w ramach hierarchii i kontroli. Następnie należy przeprowadzić porównania i zsyntetyzować, aby uzyskać priorytety tych właściwości. Dodatkowo należy wywierać wpływ elementów w systemie sprzężenia zwrotnego na każdą z tych właściwości. Wreszcie, uzyskane wpływy muszą być ważone przez ważność właściwości i dodane, aby uzyskać ogólny wpływ każdego elementu. Tylko przy założeniu braku sprzężenia zwrotnego, wyniki w różnych systemach pomiarowych są takie same.

Dzięki informacjom zwrotnym, alternatywy mogą zależeć od kryteriów jak w hierarchii, ale mogą również zależeć od siebie nawzajem, a ponadto same kryteria mogą zależeć od alternatyw i od siebie nawzajem. Informacja zwrotna poprawia również priorytety wynikające z osądów i sprawia, że przewidywanie jest o wiele bardziej dokładne. W rzeczywistości ANP składa się z kombinacji dwóch części. Pierwsza obejmuje hierarchię kontroli kryteriów i pod-kryteriów kontrolujących interakcje. Druga, to hierarchia wpływów między elementami  klastrami. Ogólne priorytety alternatyw w odniesieniu do każdego z nich są następnie łączone przez formowanie wskaźników w celu uzyskania ostatecznych ogólnych priorytetów dla podejmowania decyzji.

Krok 1: Szczegółowo opisz hierarchie kontroli, w tym ich kryteria porównywania komponentów systemu i ich pod-kryteria porównywania elementów systemu

Krok 2: Określ hierarchię lub sieć klastrów (lub komponentów) i ich elementów. Aby lepiej zorganizować rozwój modelu, numeruj i rozmieszczaj klastry oraz ich elementy w wygodny sposób (być może w kolumnie). Użyj identycznej etykiety, aby reprezentować ten sam klaster i te same elementy dla wszystkich kryteriów kontroli.

Krok 3: Dla każdego kryterium lub pod-kryterium kontroli, określ klastry ogólnego systemu informacji zwrotnej z ich elementami i połącz je zgodnie z ich zewnętrznym i wewnętrznym wpływem zależności. Z klastra rysowana jest strzałka do dowolnego klastra, którego elementy na niego wpływają.

Krok 4: Określ podejście, które chcesz zastosować w analizie każdego klastra lub elementu, wpływając na preferowane podejście innych klastrów i elementów w odniesieniu do kryterium lub bycia pod wpływem innych klastrów i elementów. Poczucie wywierania wpływu lub wywierania wpływu musi dotyczyć wszystkich kryteriów czterech hierarchii kontroli dla całej decyzji.

Krok 5: Dla każdego kryterium kontroli skonstruuj super macierz, układając klastry w kolejności, w jakiej są numerowane, i wszystkie elementy w każdej grupie zarówno pionowo po lewej, jak i poziomo u góry. Wprowadź w odpowiedniej pozycji priorytety wyprowadzone ze sparowanych porównań jako pod-kolumny odpowiedniej kolumny super macierzy.

Krok 6: Wykonaj sparowane porównania elementów w samych klastrach, zgodnie z ich wpływem na każdy element w innym klastrze, z którym są połączone do (zewnętrzna zależność) lub od elementów w ich własnym klastrze (wewnętrzna zależność). Porównania są dokonywane w odniesieniu do kryterium kontrolnego lub pod-kryterium hierarchii kontroli.

Krok 7: Wykonaj porównania w parach w klastrach, ponieważ wpływają one na każdy klaster, z którym są związane w odniesieniu do danego kryterium kontroli. Pochodne wagi są później używane do ważenia elementów odpowiadających klastrom kolumn super macierzy, a następnie odpowiadających kryterium kontroli. Przypisz zero, gdy nie ma wpływu. W ten sposób uzyskaj stochastyczną super macierz kolumny.

Krok 8: Oblicz graniczne priorytety super-macierzy stochastycznej w zależności od tego, czy jest ona nieredukowalna (prymitywna czy nieprymitywna), czy też jest redukowalna, ponieważ jeden jest prostym lub wielokrotnym pierwiastkiem i czy układ jest cykliczny, czy nie. Możliwe są dwa rodzaje wyników. W pierwszym, wszystkie kolumny macierzy są identyczne i każda z nich podaje względne priorytety elementów, z których priorytety elementów w każdej grupie są znormalizowane do jednego. W drugim, cykle graniczne w blokach i różne limity są sumowane i uśredniane i ponownie znormalizowane do jednego dla każdego skupienia. Mimo że wektory priorytetowe są wprowadzane do super macierzy w postaci znormalizowanej, priorytety limitów są wprowadzane w formie idealizowanej, ponieważ kryteria kontrolne nie zależą od alternatyw.

Krok 9: Dokonaj syntetyzowania limitów priorytetowych przez ważenie każdego wyidealizowanego wektora limitu wagą kryterium kontroli i dodanie powstałych wektorów dla każdej z zalet.

Krok 10: Wykonaj analizę wrażliwości na końcowy wynik i zinterpretuj wyniki obserwacji oraz wrażliwości.