DOI: https://doi.org/10.31181/ijes1412025182
تاريخ النشر: 2025-05-29
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: التمويل الصغير والشمول المالي
نظرة عامة
إن دمج تقنية البلوكشين في التمويل الأصغر يُحوّل الشمول المالي والتمكين الاقتصادي في الأسواق الناشئة. تقدم هذه الدراسة خوارزمية تصنيف المنفعة التكيفية (AURA)، وهي طريقة جديدة لصنع القرار متعدد المعايير (MCDM) مصممة لتقييم البدائل المعتمدة على البلوكشين في قطاع التمويل الأصغر في ماليزيا. تميز AURA نفسها عن تقنيات MCDM التقليدية من خلال وظيفة المسافة المرنة ونظام التطبيع الديناميكي، مما يعزز التكيف مع الظروف الاقتصادية الحقيقية. تم عرض المنهجية باستخدام مجموعة بيانات محاكاة تتكون من ثمانية بدائل للبلوكشين وستة معايير للأداء الاقتصادي، مما يسهل تحليل الحساسية والتقييمات المقارنة مع طرق MCDM المعتمدة مثل TOPSIS وVIKOR وCOBRA، مما يؤكد موثوقية AURA.
في الختام، تعزز AURA مرونة اتخاذ القرار وكفاءة الحسابات وثبات التصنيف. تستخدم صيغة مسافة موحدة لتبسيط عملية التصنيف مع ضمان الدقة. تشير التحليلات المحاكية والحساسية إلى أن AURA موثوقة، خاصة في مصفوفات القرار الصغيرة إلى المتوسطة، على الرغم من أنها تواجه قيودًا في السياقات الأكبر والأبعاد العالية. قد يؤثر ضبط المعلمات أيضًا على أدائها، مما يستدعي مزيدًا من البحث في الآليات التكيفية والاختبارات الشاملة. يجب أن تركز التحقيقات المستقبلية على تطبيق AURA في السيناريوهات الزمنية الحقيقية، وأطر صنع القرار الهجينة، ومجموعات البيانات الكبيرة للتحقق من قابليتها للتوسع وفعاليتها كأداة لدعم القرار عبر مجالات مختلفة.
مقدمة
توضح مقدمة ورقة البحث أهمية صنع القرار متعدد المعايير (MCDM) كإطار لتقييم البدائل عبر مجالات مختلفة، بما في ذلك صياغة الاستراتيجيات والسياسات. يشمل MCDM فئتين رئيسيتين: صنع القرار متعدد الأهداف (MODM)، الذي يركز على تحقيق توازن بين الأهداف المتعددة، وصنع القرار متعدد الصفات (MADM)، الذي يتضمن اختيار الخيار الأفضل من مجموعة من البدائل بناءً على عدة معايير. تسلط الورقة الضوء على تطور طرق MCDM، بما في ذلك التقنيات الكلاسيكية مثل TOPSIS وVIKOR وSAW، بالإضافة إلى الأساليب الأحدث مثل MOORA وCOBRA، مع التأكيد على دورها في تعزيز دقة اتخاذ القرار.
يشير المؤلفون إلى أن عملية تقييم MCDM تتضمن عادةً أربع خطوات: تحديد المعايير والبدائل ذات الصلة، وتوزيع الأوزان على المعايير، وتقييم كل بديل، وتصنيفه بناءً على الأداء. بينما تركز الدراسة بشكل أساسي على الخطوتين الأخيرتين، فإنها تعترف بأهمية تقنيات الوزن. تناقش المقدمة أيضًا التطبيقات المتزايدة لـ MCDM عبر مختلف الصناعات، بما في ذلك الأعمال والهندسة والسلامة، وتسلط الضوء على الاتجاهات الناشئة التي تؤثر عليها التقدمات التكنولوجية مثل البلوكشين وإنترنت الأشياء. لمعالجة قيود طرق MCDM الحالية، تقترح الورقة نهجًا جديدًا يسمى خوارزمية تصنيف المنفعة التكيفية (AURA)، والتي تهدف إلى تبسيط عملية اتخاذ القرار مع الحفاظ على الدقة والمرونة. ستتناول الأقسام التالية من الورقة مراجعة الأدبيات، والإطار المفاهيمي لـ AURA، والتحليلات الحسابية، واتجاهات البحث المستقبلية.
طرق
يوفر قسم الطرق في هذه الورقة البحثية مراجعة شاملة للأدبيات حول طرق صنع القرار متعدد المعايير (MCDM)، مع التركيز على تطورها وتصنيفها إلى مجموعات مختلفة مثل طرق التقييم، وطرق المسافة، والمقارنة الزوجية، والتفوق، وطرق المنفعة. يتم تسليط الضوء على التقنيات التقليدية، وخاصة طرق التقييم مثل الوزن الإضافي البسيط (SAW)، لدورها الأساسي في تقييم البدائل بناءً على معايير متعددة. تناقش الورقة نقاط القوة والضعف في عدة طرق تعتمد على المسافة، بما في ذلك TOPSIS وVIKOR وMOORA وWASPAS وCOBRA، مع الإشارة إلى تطبيقاتها عبر مجالات متنوعة واعتمادها على مقاييس المسافة من الحلول المثالية.
تقدم الدراسة طريقة جديدة تعتمد على المسافة تُسمى AURA، مصممة لتعزيز قابلية الاستخدام وفعالية التقنيات الحالية مثل COBRA. تستخدم AURA تقنية تطبيع مرنة وصيغة مسافة واحدة، مما يحسن الكفاءة الحسابية مع الحفاظ على الدقة. تتيح هذه الطريقة تحديد الحل المثالي الأمثل ضمن نطاق أوسع، مما يعالج قيود طرق MCDM التقليدية التي عادةً ما تعرف الحلول المثالية عند القيم القصوى. توضح الورقة هيكلها، مشيرة إلى أن الأقسام التالية ستفصل الطريقة المقترحة، والتحليل الحسابي، وملخص النتائج.
مناقشة
تُعتبر خوارزمية تصنيف المنفعة التكيفية (AURA) إطارًا لصنع القرار متعدد المعايير (MCDM) مصممة لتقييم وتصنيف البدائل بناءً على أدائها عبر معايير متعددة. تستخدم AURA عملية منهجية من ست خطوات تشمل بناء مصفوفة قرار، وتطبيعها للقضاء على التباينات الوحدوية، وتطبيق آلية تصنيف موزونة لتعكس الأهمية النسبية لكل معيار. تتضمن الطريقة نهج تطبيع مرن يسمح بأخذ كل من معايير الفائدة والتكلفة في الاعتبار، مما يعزز قابليتها للتطبيق في سيناريوهات اتخاذ القرار في العالم الحقيقي. كما تحدد AURA معايير الحلول المثالية الإيجابية (PIS) والسلبية (NIS) ومتوسط الحل (AS) لتسهيل مقارنة دقيقة بين البدائل، مما يؤدي في النهاية إلى تصنيف شامل بناءً على المسافات المحسوبة من هذه المعايير.
تشمل التحليلات الحسابية لـ AURA أمثلة عددية، وتحليلات حساسية، وتقييمات مقارنة ضد طرق MCDM الحالية، وتقييمات قائمة على المحاكاة. تشير النتائج إلى أن AURA تظهر أداءً قويًا في تصنيف البدائل، مع درجة عالية من الارتباط مع طرق MCDM المعتمدة الأخرى، مثل COBRA وSAW. تكشف تحليلات الحساسية أن نتائج التصنيف تتأثر بتغيرات المعلمات، مما يبرز قدرة الطريقة على التكيف مع تفضيلات صانعي القرار المختلفين. ومع ذلك، مع زيادة تعقيد مصفوفة القرار، تظهر AURA قابلية أكبر لتقلبات التصنيف، مما يشير إلى أنه على الرغم من كونها أداة موثوقة لدعم القرار، فإن الاعتبار الدقيق للمعلمات المدخلة أمر ضروري للحفاظ على استقرار التصنيف في مجموعات البيانات الكبيرة.
DOI: https://doi.org/10.31181/ijes1412025182
Publication Date: 2025-05-29
Author(s): Zhenyun Du et al.
Primary Topic: Microfinance and Financial Inclusion
Overview
The integration of blockchain technology in microfinance is transforming financial inclusion and economic empowerment in emerging markets. This study introduces the Adaptive Utility Ranking Algorithm (AURA), a novel Multi-Criteria Decision-Making (MCDM) method designed to evaluate blockchain-based alternatives in Malaysia’s microfinance sector. AURA distinguishes itself from traditional MCDM techniques through its flexible distance function and dynamic normalization scheme, enhancing adaptability to real economic conditions. The methodology was demonstrated using a simulated dataset comprising eight blockchain alternatives and six economic performance criteria, facilitating sensitivity analysis and comparative evaluations with established MCDM methods like TOPSIS, VIKOR, and COBRA, thereby affirming AURA’s reliability.
In conclusion, AURA enhances decision-making flexibility, computational efficiency, and ranking consistency. It employs a unified distance formula to streamline the ranking process while ensuring accuracy. Simulation and sensitivity analyses indicate that AURA is reliable, particularly in small to medium decision matrices, although it faces limitations in larger, high-dimensional contexts. Parameter tuning may also impact its performance, necessitating further research into adaptive mechanisms and extensive testing. Future investigations should focus on AURA’s application in real-time scenarios, hybrid decision-making frameworks, and large datasets to validate its scalability and effectiveness as a decision-support tool across various fields.
Introduction
The introduction of the research paper outlines the significance of Multiple Criteria Decision Making (MCDM) as a framework for evaluating alternatives across various domains, including strategy and policy formulation. MCDM encompasses two primary categories: multi-objective decision-making (MODM), which focuses on balancing multiple objectives, and multi-attribute decision-making (MADM), which involves selecting the best option from a set of alternatives based on several criteria. The paper highlights the evolution of MCDM methods, including classical techniques such as TOPSIS, VIKOR, and SAW, as well as newer approaches like MOORA and COBRA, emphasizing their role in enhancing decision-making accuracy.
The authors note that the MCDM evaluation process typically involves four steps: identifying relevant criteria and alternatives, weighting the criteria, rating each alternative, and ranking them based on performance. While the study primarily focuses on the latter two steps, it acknowledges the importance of weighting techniques. The introduction also discusses the growing applications of MCDM across various industries, including business, engineering, and safety, and highlights emerging trends influenced by technological advancements such as blockchain and IoT. To address the limitations of existing MCDM methods, the paper proposes a novel approach called the Adaptive Utility Ranking Algorithm (AURA), which aims to simplify the decision-making process while maintaining accuracy and flexibility. The subsequent sections of the paper will delve into a literature review, the conceptual framework of AURA, computational analyses, and future research directions.
Methods
The section on Methods in this research paper provides a comprehensive literature review of Multi-Criteria Decision-Making (MCDM) methods, emphasizing their evolution and classification into various groups such as scoring, distance-based, pairwise comparison, outranking, and utility methods. Traditional techniques, particularly scoring methods like Simple Additive Weighting (SAW), are highlighted for their foundational role in evaluating alternatives based on multiple criteria. The paper discusses the strengths and weaknesses of several distance-based methods, including TOPSIS, VIKOR, MOORA, WASPAS, and COBRA, noting their applications across diverse fields and their reliance on distance measures from ideal solutions.
The study introduces a new distance-based MCDM method named AURA, designed to enhance the usability and effectiveness of existing techniques like COBRA. AURA employs a flexible normalization technique and a single distance formula, which improves computational efficiency while maintaining accuracy. This method allows for the identification of the optimal ideal solution within a broader range, addressing the limitations of traditional MCDM approaches that typically define ideal solutions at extreme values. The paper outlines its structure, indicating that subsequent sections will detail the proposed method, computational analysis, and a summary of findings.
Discussion
The Adaptive Utility Ranking Algorithm (AURA) is a multi-criteria decision-making (MCDM) framework designed to evaluate and rank alternatives based on their performance across multiple criteria. AURA employs a systematic six-step process that includes constructing a decision matrix, normalizing it to eliminate unit discrepancies, and applying a weighted ranking mechanism to reflect the relative importance of each criterion. The method incorporates a flexible normalization approach that allows for the consideration of both benefit and cost criteria, enhancing its applicability in real-world decision-making scenarios. AURA also establishes positive ideal (PIS), negative ideal (NIS), and average solution (AS) benchmarks to facilitate a nuanced comparison of alternatives, ultimately leading to a comprehensive ranking based on calculated distances from these benchmarks.
The computational analysis of AURA includes numerical examples, sensitivity analyses, comparative evaluations against existing MCDM methods, and simulation-based assessments. The results indicate that AURA demonstrates robust performance in ranking alternatives, with a high degree of correlation with other established MCDM methods, such as COBRA and SAW. Sensitivity analyses reveal that the ranking outcomes are influenced by parameter variations, highlighting the method’s adaptability to different decision-maker preferences. However, as the complexity of the decision matrix increases, AURA shows greater susceptibility to ranking fluctuations, suggesting that while it is a reliable tool for decision support, careful consideration of input parameters is essential for maintaining ranking stability in larger datasets.