DOI: https://doi.org/10.1038/s41598-025-32966-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41484427
تاريخ النشر: 2026-01-02
المؤلف: Yucheng Huang وآخرون
الموضوع الرئيسي: اتخاذ القرار متعدد المعايير
نظرة عامة
تقدم البحث محرك قرار ذكي يهدف إلى تعزيز أداء المؤسسات من خلال الإدارة الفعالة لعدم اليقين في عمليات اتخاذ القرار. غالبًا ما تفشل طرق اتخاذ القرار متعددة المعايير التقليدية (MCDM) بسبب اعتمادها على البيانات الدقيقة وعدم قدرتها على معالجة الغموض والأحكام الذاتية للخبراء، مما قد يؤدي إلى نتائج متحيزة. للتغلب على هذه القيود، يقدم الدراسة إطار عمل يستخدم مجموعات الصورة الضبابية المعقدة (CPSs) لتمثيل أفضل لعدم اليقين، ويجمع طريقة تحديد أوزان المعايير الموضوعية المتكاملة (IDOCRIW) لتأسيس أوزان موضوعية، ويستخدم نهج مقارنة الترتيب (RANCOM) جنبًا إلى جنب مع طريقة قياس البدائل والترتيب وفقًا للحل التوافقي (MARCOS) للتقييم الشامل وترتيب استراتيجيات المؤسسات. يتم التحقق من قوة النموذج من خلال تحليلات الحساسية والمقارنة، مما يوضح تفوقه على تقنيات MCDM التقليدية.
في الختام، أداة دعم القرار المطورة تعزز بشكل فعال الكفاءة التشغيلية من خلال إدارة مختلف حالات عدم اليقين واستخدام نهج وزن هجين يوازن بين البيانات الموضوعية وتقييمات الخبراء الذاتية. أظهر تطبيق هذا الإطار لتقييم ثمانية اتجاهات استراتيجية بناءً على عشرة عوامل قرار حاسمة أن التحول الرقمي والاستراتيجيات الخضراء والمستدامة هي الأكثر فائدة لتحسين الميزة التنافسية. تؤكد النتائج على أهمية الاستدامة والقدرة على التكيف والابتكار في اتخاذ القرارات الاستراتيجية. بينما يظهر النموذج وعدًا، إلا أن لديه قيودًا، بما في ذلك الاعتماد على مدخلات الخبراء، وتعقيد الحسابات، والتحديات في نمذجة العلاقات بين المعايير، والتي يجب أخذها في الاعتبار في التطبيقات المستقبلية.
مقدمة
تسلط المقدمة الضوء على ضرورة تكيف الشركات مع الاقتصاد الرقمي المتطور بسرعة، والذي يتطلب المرونة والاستدامة البيئية. أنظمة الإدارة التقليدية أصبحت غير كافية بشكل متزايد لمعالجة التعقيدات التي أدخلتها الصناعة 4.0، والتي تتميز بعدم اليقين والترابط. للتنقل عبر هذه التحديات، تحتاج المنظمات إلى أدوات متقدمة تدمج بين الرؤى المستندة إلى البيانات والخبرة البشرية، مما يؤدي إلى اهتمام متزايد بأنظمة دعم القرار الذكية (IDSS). تستفيد هذه الأنظمة من الذكاء الاصطناعي (AI)، وتعلم الآلة (ML)، وتحليلات البيانات الضخمة، وإنترنت الأشياء (IoT) لتقديم حلول تكيفية في الوقت الحقيقي تعزز الكفاءة التشغيلية.
لقد أكدت الأبحاث السابقة على أهمية دمج التقنيات الذكية في عمليات المؤسسات لتعزيز القدرة على التكيف واستخدام البيانات. على سبيل المثال، حدد يوسوببيكوف وآخرون إمكانية منصات البرمجيات التحليلية لتحسين الكفاءة الصناعية من خلال الحوسبة الذكية. وبالمثل، أبرز لي مزايا الأنظمة المدعومة من إنترنت الأشياء في إدارة الموارد البشرية لتحسين الاستجابة، بينما أظهر رين كيف يمكن لتحليلات البيانات الضخمة تعزيز اتخاذ القرار في الإدارة المالية. توضح هذه الدراسات مجتمعة التأثير التحويلي للتقنيات الذكية على تحسين المؤسسات، على الرغم من أنها لا تشمل جميع مجالات البحث ذات الصلة.
الطرق
توضح قسم “الطرق” الإجراءات التجريبية المستخدمة للتحقيق في فرضية البحث. استخدمت الدراسة تصميمًا تجريبيًا محكومًا، حيث تم التلاعب بالمتغيرات بشكل منهجي لتقييم آثارها على النتائج المعنية. تضمنت المنهجيات المحددة اختيار أحجام عينات مناسبة، وتقنيات العشوائية، وتنفيذ أدوات قياس متنوعة لضمان موثوقية البيانات وصحتها.
تم جمع البيانات باستخدام بروتوكولات موحدة، مما سهل مقارنة النتائج عبر ظروف تجريبية مختلفة. تم إجراء تحليلات إحصائية لتقييم أهمية النتائج، باستخدام تقنيات مثل ANOVA وتحليل الانحدار لتفسير البيانات بدقة. أشارت النتائج إلى وجود علاقة واضحة بين المتغيرات التي تم التلاعب بها والنتائج الملاحظة، مما يوفر دليلًا قويًا لدعم فرضية البحث.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على دمج التقنيات المتقدمة، مثل إنترنت الأشياء (IoT) وتعلم العمق (DL)، في أنظمة المؤسسات لتعزيز اتخاذ القرار ومرونة العمليات. تشمل المساهمات البارزة تطوير أنظمة إدارة الأعمال الذكية التي تستفيد من الرقمنة لتحسين الأداء، كما يتضح من أعمال وانغ وآخرين وأحمد وآخرين. علاوة على ذلك، يستكشف جيمس تقارب الذكاء الاصطناعي (AI) وتعلم الآلة (ML) ضمن نظام SAP S/4HANA، مؤكدًا على الإمكانات التحويلية للتحليلات التنبؤية. تؤكد الدراسات الحديثة على ضرورة القدرة على التكيف في أطر اتخاذ القرار، كما يتضح من عمل كاو وزانغ حول دور تعلم الآلة في الإدارة.
الأهداف الرئيسية لهذه الدراسة هي تحديد عوامل الأداء الرئيسية التي تؤثر على المنظمات، وتقييم البدائل الاستراتيجية لتعزيز المرونة، وإنشاء نظام دعم قرار منظم (DSS) يدمج بين التقييمات الموضوعية والذاتية. يهدف نظام DSS المقترح إلى معالجة تحديات طرق اتخاذ القرار متعددة المعايير التقليدية (MCDM)، التي غالبًا ما تواجه صعوبات مع عدم اليقين والتحيزات الذاتية. من خلال اعتماد نهج هجين يجمع بين الوزن الموضوعي من خلال طريقة IDOCRIW والتقييمات الذاتية عبر RANCOM، تهدف الدراسة إلى تقديم إطار عمل قوي لاتخاذ القرار في بيئات الأعمال الديناميكية. تشمل مساهمات هذا العمل إنشاء إطار دعم قرار جديد يلتقط عدم اليقين ويجمع بين رؤى الخبراء، مما يعزز موثوقية وقابلية تطبيق عمليات اتخاذ القرار في المؤسسات.
القيود
بينما يعد نموذج دعم القرار المقترح قويًا، إلا أن لديه عدة قيود ملحوظة تستدعي الاعتبار. أولاً، قد تعاني المنهجية من أوزان غير متوازنة بسبب الارتباطات العالية بين البيانات، وتفتقر إلى التحقق في ظل ظروف ديناميكية متطرفة، مثل أحداث “البجعة السوداء”. بالإضافة إلى ذلك، يمكن أن تؤثر تحيزات الخبراء والمفاهيم المسبقة المعرفية على النتائج، والنموذج حاليًا لا يتكيف مع بيئات اتخاذ القرار المتغيرة بسرعة. يعني غياب عنصر التكيف أن التغيرات البيئية في الوقت الحقيقي لا يتم تضمينها، وركزت الدراسة بشكل أساسي على سيناريوهات القرار القياسية دون معالجة الظروف المتطرفة أو تحيزات الخبراء المتنوعة.
علاوة على ذلك، يعتمد النموذج على افتراض أن الأوزان المستمدة من الخبراء دقيقة؛ يمكن أن تؤدي التحيزات المعرفية أو المعرفية الكبيرة بين الخبراء إلى تصنيفات تنحرف بشكل كبير عن الحلول المثلى. على الرغم من إجراء تحليل الحساسية، إلا أنه كان محدودًا وقد لا يلتقط بشكل كافٍ آثار السيناريوهات المتطرفة أو المتنوعة. تم تقييد التحقق من منهجية الوزن بدراسة حالة واحدة، مما يتطلب مزيدًا من الاختبار عبر صناعات ومناطق مختلفة لتأسيس عموميتها. أخيرًا، مع زيادة عدد المعايير أو البدائل، قد تصبح المنهجية كثيفة البيانات ومرهقة حسابيًا، مما قد يحد من قابليتها للتطبيق على مشاكل اتخاذ القرار واسعة النطاق.
DOI: https://doi.org/10.1038/s41598-025-32966-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41484427
Publication Date: 2026-01-02
Author(s): Yucheng Huang et al.
Primary Topic: Multi-Criteria Decision Making
Overview
The research presents a smart decision engine aimed at enhancing enterprise performance through effective management of uncertainty in decision-making processes. Traditional multi-criteria decision-making (MCDM) methods often fall short due to their reliance on crisp data and inability to address ambiguity and subjective expert judgments, which can lead to biased outcomes. To overcome these limitations, the study introduces a framework that employs complex picture fuzzy sets (CPSs) for better representation of uncertainty, integrates the integrated determination of objective criteria weights (IDOCRIW) method for establishing objective weights, and utilizes the ranking comparison (RANCOM) approach alongside the measurement alternatives and ranking according to compromise solution (MARCOS) method for comprehensive evaluation and ranking of enterprise strategies. The model’s robustness is validated through sensitivity and comparative analyses, demonstrating its superiority over traditional MCDM techniques.
In conclusion, the developed decision support tool effectively enhances operational efficiency by managing various uncertainties and employing a hybrid weighting approach that balances objective data with subjective expert evaluations. The application of this framework to evaluate eight strategic directions based on ten critical decision factors revealed that digital transformation and green & sustainable strategies are the most advantageous for improving competitive advantage. The findings underscore the importance of sustainability, adaptability, and innovation in strategic decision-making. While the model shows promise, it does have limitations, including reliance on expert input, computational complexity, and challenges in modeling inter-relationships between criteria, which should be considered in future applications.
Introduction
The introduction highlights the necessity for companies to adapt to the rapidly evolving digital economy, which demands agility and environmental sustainability. Traditional management systems are increasingly inadequate for addressing the complexities introduced by Industry 4.0, characterized by uncertainty and interconnectivity. To navigate these challenges, organizations require advanced tools that merge data-driven insights with human expertise, leading to a growing interest in intelligent decision support systems (IDSS). These systems leverage artificial intelligence (AI), machine learning (ML), big data analytics, and the Internet of Things (IoT) to deliver adaptive, real-time solutions that enhance operational efficiency.
Previous research has underscored the importance of integrating intelligent technologies into enterprise processes to bolster adaptability and data utilization. For instance, Yusupbekov et al. identified the potential of software-analytical platforms for optimizing industrial efficiency through intelligent computing. Similarly, Li highlighted the advantages of IoT-enabled systems in human resource management for improved responsiveness, while Ren demonstrated how big data analytics can enhance financial management decision-making. Collectively, these studies illustrate the transformative impact of intelligent technologies on enterprise optimization, although they do not encompass all relevant research areas.
Methods
The “Methods” section outlines the experimental procedures employed to investigate the research hypothesis. The study utilized a controlled experimental design, where variables were systematically manipulated to assess their effects on the outcomes of interest. Specific methodologies included the selection of appropriate sample sizes, randomization techniques, and the implementation of various measurement tools to ensure data reliability and validity.
Data collection was conducted using standardized protocols, which facilitated the comparison of results across different experimental conditions. Statistical analyses were performed to evaluate the significance of the findings, employing techniques such as ANOVA and regression analysis to interpret the data accurately. The results indicated a clear relationship between the manipulated variables and the observed outcomes, providing robust evidence to support the research hypothesis.
Discussion
The discussion section of the research paper highlights the integration of advanced technologies, such as Internet of Things (IoT) and Deep Learning (DL), into enterprise systems to enhance decision-making and operational resilience. Notable contributions include the development of intelligent business management systems that leverage digitalization for improved performance, as demonstrated by Wang et al. and Ahmed et al. Furthermore, James explores the convergence of Artificial Intelligence (AI) and Machine Learning (ML) within the SAP S/4HANA ecosystem, emphasizing the transformative potential of predictive analytics. Recent studies underscore the necessity for adaptability in decision-making frameworks, as illustrated by Cao and Zhang’s work on machine learning’s role in management.
The primary objectives of this study are to identify key performance factors affecting organizations, evaluate strategic alternatives for enhancing resilience, and create a structured Decision Support System (DSS) that incorporates both objective and subjective assessments. The proposed DSS aims to address the challenges of traditional Multi-Criteria Decision-Making (MCDM) methods, which often struggle with uncertainty and subjective biases. By employing a hybrid approach that combines objective weighting through the IDOCRIW method and subjective evaluations via RANCOM, the study aims to provide a robust framework for decision-making in dynamic business environments. The contributions of this work include the establishment of a new decision-support framework that captures uncertainty and integrates expert insights, thereby enhancing the reliability and applicability of decision-making processes in enterprises.
Limitations
The proposed decision-support model, while robust, has several notable limitations that warrant consideration. Firstly, the methodology may suffer from unbalanced weights due to high correlations among data, and it lacks validation under extreme dynamic conditions, such as “black swan” events. Additionally, expert biases and cognitive preconceptions can influence the results, and the model currently does not adapt to rapidly changing decision-making environments. The absence of an adaptive component means that real-time environmental changes are not incorporated, and the study primarily focused on standard decision scenarios without addressing extreme conditions or diverse expert biases.
Moreover, the model relies on the assumption that expert-derived weights are accurate; significant cognitive or knowledge biases among experts could lead to rankings that deviate substantially from optimal solutions. Although sensitivity analysis was performed, it was limited and may not adequately capture the effects of extreme or heterogeneous scenarios. Validation of the weighting methodology has been restricted to a single case study, necessitating further testing across various industries and regions to establish its generality. Lastly, as the number of criteria or alternatives increases, the methodology may become data-intensive and computationally burdensome, potentially limiting its applicability to large-scale decision problems.