Chạy mô hình so sánh cặp

Cung cấp một thứ tự sắp xếp của những quyết định và nhờ vào nó mà ta tìm được một quyết định cuối cùng hợp lý nhất

• AHP được phát triển bởi Thomas L. Saaty (1970) và đã được mở rộng và bổ sung cho đến nay

Ưu điểm

Nhược điểm

Ứng dụng

Các bước thực hiện

Phân chia một tình huống thành các phần nhỏ

• Ví dụ: Để đánh giá khả năng trả nợ của 1 doanh nghiệp ta đưa ra các chỉ tiêu:
  • Năng lực quản lý
  • Quan hệ với tổ chức tín dụng
  • Môi trường ngành

-> Các chỉ tiêu này quá tổng quát, trong mỗi tiêu chí này đã bao gồm nhiều tiêu chí con

Trong bước này việc phải làm là phân chia các tiêu chí thành tiêu chí con

• Ví dụ:
• Năng lực quản lý chia thành:
• Có trang bị chính sách quản lý đa dạng không và tính phù hợp
• Có quy tình điều hành và khống chế nội bộ không
• Kế hoạch kinh doanh

-> Các chỉ tiêu đã bớt tổng quát hơn nhưng chỉ tiêu (i) vẫn tổng quát, tiếp tục chia chỉ tiêu (i) thành

• Chính sách và hệ thống quản lý tài chính
• Chính sách và hệ thống quản lý HR
• Chính sách và hệ thống bảo mật kinh doanh
• Chính sách và hệ thống quản lý dịch vụ

-> chia cho đến khi các chỉ tiêu rõ ràng, các chuyên gia có thể đánh giá các chỉ tiêu này mà không cần phải đọc khái niệm (hay giải thích cụ thể) về những chỉ tiêu này

Xây dựng cây phân cấp AHP

Sau khi trải qua bước 1, phân rã vấn đề thành các thành phần nhỏ, cây phân cấp AHP sẽ được xây dựng dựa trên các tiêu chí và các khả năng lựa chọn.

Xây dựng ma trận so sánh các chỉ tiêu

• Ma trận có dạng

\[ \mathbf{C} = \left[\begin{array} {rrr} 1 & a_{12} & ... & a_{1n} \\ a_{21} & 1 & ... & a_{2n} \\ ... &...& ... & ... \\ a_{n1} & a_{n2} & ... & 1 \end{array}\right] \] Trong đó:

• Phần tử \(a_{ij}\): ) thể hiện mức độ quan trọng của chỉ tiêu hàng i so với chỉ tiêu cột j.

Để xây dựng được ma trận trên, các câu hỏi được đặt ra là:

• a1 có lợi hơn, quan trọng hơn so với a2, a3,… an bao nhiêu lần
• a2 có lợi hơn, quan trọng hơn so với a1, a3,… an bao nhiêu lần
• …
• an có lợi hơn, quan trọng hơn so với a1, a2,… an-1 bao nhiêu lần

Mức độ quan trọng tương đối của chỉ tiêu i so với j được tính theo tỷ lệ k (k từ 1 đến 9), ngược lại của chỉ tiêu j so với i là 1/k. Như vậy aij > 0, aij = 1/aji, aii =1.

• Ví dụ 1 mẫu phiếu khảo sát

Tính toán trọng số của các chỉ tiêu

Để tính toán trọng số cho các chỉ tiêu, AHP có thể sử dụng các phướng pháp khác nhau, hai trong số chúng mà được sử dụng rộng rãi nhất là Lambda Max (max) và trung bình nhân (geometric mean)

• Phương pháp trung bình nhân

\[c_{ij} = exp\frac {\sum_{k=1}^{{n} w_k*ln(a_{ij}(k))}{\sum_{k=1}}{n} w_k}\]

Trong đó: - \(a_{ij}\): là các phần tử trong ma trận so sánh các chỉ tiêu của từng chuyên gia - \(c_{ij}\): là các phần tử trong ma trận so sánh các chỉ tiêu đã tổng hợp

Kiểm tra tính nhất quán

Để giá tính hợp lý của các giá trị mức độ quan trọng của các chỉ tiêu

Theo Satty dùng chỉ số nhất quán của dữ liệu CR (Consistency Ratio)

\[ CR = \frac{CI} {RI}\]

Trong đó:

\[CI = \frac{\lambda - n}{n-1}\]

Đối với mỗi một ma trận so sánh cấp n, Saaty đã thử nghiệm tạo ra các ma trận ngẫu nhiên và tính ra chỉ số RI (chỉ số ngẫu nhiên) tương ứng với các cấp ma trận như bảng dưới

RI <- data.frame(n  = 1:10,  
                 RI = c(0, 0,   0.52,   0.90,   1.12,   1.24,   1.32,   1.41,   1.45,   1.49)) 
RI %>% DT::datatable()

• CI: Chỉ số nhất quán (Consistency Index)
• RI: Chỉ số ngẫu nhiên (Random Index)
• n: số chỉ tiêu

Tổng hợp kết quả để đưa ra đánh giá xếp hạng cuối cùng

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