تم الاستلام في 17 يوليو 2024
تم الاستلام في شكل منقح في 10 ديسمبر 2024
تم القبول في 12 يناير 2025
متاح على الإنترنت في 23 يناير 2025

اتخاذ القرار متعدد المعايير؛ النماذج الهجينة؛ أهداف التنمية المستدامة؛ التحليل البيبليومتري؛ التقنيات الناشئة؛ أطر اتخاذ القرار.

يعد اتخاذ القرار متعدد المعايير (MCDM) مجموعة شاملة من المنهجيات المصممة لمساعدة صانعي القرار في تقييم وترتيب البدائل عندما يجب مراعاة معايير متعددة، وغالبًا ما تكون متعارضة

. تختلف عن الأساليب ذات المعايير الواحدة، تدمج أطر MCDM العوامل الكمية والنوعية، مما يوفر عملية منظمة ومنهجية للتنقل في بيئات اتخاذ القرار المعقدة. تصنف بشكل عام إلى اتخاذ القرار متعدد السمات (MADM) واتخاذ القرار متعدد الأهداف (MODM)، وتعتبر هذه الأساليب محورية في معالجة التحديات المتنوعة، بدءًا من تخصيص الموارد إلى التخطيط الاستراتيجي. يُستخدم MADM عادةً لمشكلات منفصلة ذات بدائل محدودة، بينما يركز MODM على المشكلات المستمرة، وغالبًا ما يتضمن تحسينًا.

يعد اتخاذ القرار أمرًا حاسمًا في العمليات التنظيمية والاجتماعية والفردية، ويؤثر على النتائج عبر قطاعات متنوعة. في الهندسة، يمكّن MCDM من تحسين الموارد، وتقييم المشاريع، وتقييم المخاطر. تعتمد العلوم البيئية على هذه الأساليب لإدارة الموارد المستدامة، وتخفيف آثار تغير المناخ، وتحليل الأثر. يعد MCDM أمرًا حيويًا في تقييم التكنولوجيا، وتحديد أولويات الموارد، وإدارة رعاية المرضى. بالمثل، تستخدم الشركات MCDM لتقييم الموردين، وتحسين المحافظ المالية، وتطوير المبادرات الاستراتيجية، بينما يستفيد صانعو السياسات من هذه الأساليب في التخطيط الحضري، وتحديد أولويات الرفاه الاجتماعي، واستراتيجيات الحوكمة. من خلال معالجة التعقيدات والمقايضات الكامنة في هذه المجالات بشكل منهجي، يضمن MCDM اتخاذ قرارات مستنيرة ومتوازنة وقوية.

يعكس تطور أساليب MCDM على مر السنين تقدمًا كبيرًا في المنهجية والتطبيقات. تم اعتماد الأساليب الأساسية مثل عملية التحليل الهرمي (AHP)، وتقنية ترتيب التفضيل من خلال التشابه مع الحل المثالي (TOPSIS)، وطريقة ترتيب التفضيل لتقييم الإثراء (PROMETHEE) على نطاق واسع عبر التخصصات. علاوة على ذلك، أدى دمج المنطق الضبابي، والذكاء الاصطناعي (AI)، وتعلم الآلة في أطر MCDM التقليدية إلى تطوير أساليب هجينة، مما يعزز قابليتها للتطبيق وفعاليتها في حل مشكلات اتخاذ القرار الحديثة. لقد سهلت توفر أدوات الحوسبة مثل VOSviewer أيضًا قابلية التوسع والتمثيل البصري لمجموعات بيانات MCDM المعقدة، مما أدى إلى نمو أسي في الأبحاث والتطبيقات.

يمثل الفترة من 2004 إلى 2024 عقدين من التقدم التحويلي في MCDM، يتميز بنمو أسي في المنشورات الأكاديمية واعتماد الصناعة. شهدت هذه الحقبة ظهور نماذج هجينة تجمع بين MCDM والتقنيات المتقدمة مثل الذكاء الاصطناعي والبيانات الضخمة، مما يمكّن أنظمة دعم القرار بدقة ومرونة غير مسبوقة. دفعت المساهمات البحثية من دول رائدة مثل الصين والهند وليتوانيا المجال إلى الأمام مع ابتكارات كبيرة في المنهجيات والتطبيقات. علاوة على ذلك، توسعت قابلية تطبيق MCDM إلى مجالات ناشئة، بما في ذلك الطاقة المتجددة، والمدن الذكية، وتقنيات البلوك تشين، مما يبرز تنوعها وأهميتها.

نظرًا لهذا التوسع السريع، فإن مراجعة شاملة ومنهجية لأساليب MCDM على مدى العقدين الماضيين أمر بالغ الأهمية. ستجمع هذه المراجعة المعرفة الحالية وتحدد الاتجاهات السائدة، وتسلط الضوء على الفجوات البحثية، وتوفر رؤى قيمة للبحث المستقبلي. من خلال دراسة تطور MCDM من 2004 إلى 2024، تهدف هذه الدراسة إلى المساهمة في الأدبيات المتزايدة ودعم تطوير أطر اتخاذ القرار الأكثر فعالية وابتكارًا للأكاديميا والصناعة.

يسلط تطور أساليب MCDM الضوء على دورها الحاسم في معالجة سيناريوهات اتخاذ القرار المعقدة عبر قطاعات متنوعة (الجدول 1). تم دراسة الأساليب الأساسية مثل AHP وTOPSIS وPROMETHEE وELECTRE بشكل مكثف وتطبيقها. قام زافادسكس وآخرون [8] بمراجعة هذه الأساليب بعمق، وتحليل نقاط قوتها وقيودها وتطورها التاريخي. تظل أعمالهم حجر الزاوية لفهم أطر MCDM وقابليتها الواسعة للتطبيق. ظهرت الأساليب الهجينة لمعالجة قيود التقنيات المستقلة. تدمج هذه النماذج
أساليب MCDM التقليدية مع أدوات حوسبة متقدمة مثل المنطق الضبابي، والذكاء الاصطناعي (AI)، وتعلم الآلة. قدم سعود وآخرون [9] “decideXpert”، وهو نظام اتخاذ قرار تعاوني يجمع بين AHP-TOPSIS مع المنطق الضبابي لتحسين اتخاذ القرار الجماعي. اقترح رادوليسكو ورادوليسكو [10] نموذجًا هجينيًا يدمج أساليب SAW وTOPSIS وVIKOR وCOPRAS لمشكلات اختيار إنترنت الأشياء، مما يوضح تنوع الأطر الهجينة في معالجة التحديات التكنولوجية المعقدة.

أدى مرونة أساليب MCDM إلى اعتمادها عبر مجالات متنوعة:
1. الهندسة: في الهندسة، كانت أساليب MCDM أساسية في تحسين تخصيص الموارد وتطوير البنية التحتية. طبق سيفالينغام وسوبارامانيام [11] نموذج AHP-TOPSIS الهجين لاختيار الروبوتات في عملية تجميع فلتر الوقود، مما يبرز أهميته العملية في الأتمتة الصناعية. طور توبال أوغلو [12] طريقة MCDM هجينة جديدة لاختيار مواقع المرافق، معالجًا التعقيدات اللوجستية في التخطيط الحضري.
iii. العلوم البيئية: تُستخدم تقنيات MCDM، وخاصةً PROMETHEE وELECTRE، على نطاق واسع في الاستدامة البيئية. وقد قامت هذه الطرق بتقييم التبادلات بين التنمية الاقتصادية والحفاظ على البيئة Zavadskas وآخرون، [8]. استعرض Stojčić وآخرون، [13] تطبيق طرق MCDM في هندسة الاستدامة، مع تسليط الضوء على دورها في التخفيف من آثار تغير المناخ وإدارة الموارد.
iii. الرعاية الصحية: استفاد قطاع الرعاية الصحية من MCDM لتحديد أولويات الموارد بكفاءة وتقييم الأداء. قدم Stević وآخرون، [14] طريقة MARCOS لتعزيز اختيار الموردين في الرعاية الصحية، بينما طبق Mahmoodirad وآخرون، [15] نموذج BCC الضبابي لتقييم أداء المستشفيات. تُظهر هذه الدراسات قدرة MCDM على التنقل في تعقيدات اتخاذ القرار في الرعاية الصحية.
iv. الأعمال والاقتصاد: تُستخدم طرق MCDM على نطاق واسع في اتخاذ القرارات الاستراتيجية، وتقييم الموردين، والتحليل المالي. طبق Karatas وآخرون، [16] تقنيات MCDM في الصناعة 4.0، مستكشفين دورها في معالجة التحديات في قطاع الرعاية الصحية. قام Pamučar وĆirović [17] بتوسيع طريقة MABAC لتحسين العمليات اللوجستية، مما يُظهر فائدتها في بيئات الأعمال.
تظهر التنوع المنهجي داخل MCDM في التمييز بين المدارس الأمريكية والأوروبية. تركز المدرسة الأمريكية على البساطة والنماذج القائمة على القيمة مثل AHP وSMART، بينما تركز المدرسة الأوروبية على تقنيات التفوق مثل PROMETHEE وELECTRE. قارن Zavadskas وآخرون، [8] بين هذه الأساليب، مسلطين الضوء على نقاط قوتها وضعفها. تسد الطرق الهجينة، مثل تلك التي اقترحها Deveci وآخرون، [18] الفجوات من خلال دمج تقنيات مكملة لتحسين اتخاذ القرار.

لقد وسعت دمج التقنيات الناشئة نطاق تطبيقات MCDM. قدم نموذج تقييم ميتافيرس باستخدام أساليب الأولوية الترتيبية، مما يُظهر قابلية تطبيق MCDM في البيئات الافتراضية. اقترح Pamucar وآخرون، [19] أنظمة دعم القرار للنقل الحضري المستدام، بينما ركز Radulescu وRadulescu [10] على تحديات اتخاذ القرار المتعلقة بـ IoT. استكشف Ala وآخرون، [20] نماذج اتخاذ القرار الهجينة لتحسين طاقة الرياح، مما يُظهر قابلية MCDM للتكيف في تطبيقات الطاقة المتجددة.

على الرغم من التقدم الكبير، لا تزال هناك فجوات في تطبيق طرق MCDM. أشار Zavadskas وآخرون، [8] وStojčić وآخرون، [13] إلى نقص التمثيل في التطبيقات متعددة التخصصات في مجالات مثل blockchain وIoT. أكد Karatas وآخرون، [16] وDeveci وآخرون، [18] على التحديات في تنفيذ أطر MCDM المتكاملة مع الذكاء الاصطناعي، مشيرين إلى التعقيد الحسابي ونقص الوصول. كما سلط Mahmoodirad وآخرون، [15] الضوء على الحاجة إلى مزيد من الدراسات التي تتناول التنوع الجغرافي، حيث لا يزال البحث مركزًا في المناطق المتقدمة. يمكن أن يعزز معالجة هذه الفجوات من خلال البحث التعاوني والأدوات الحسابية المتقدمة دور MCDM في حل مشكلات القرار المعقدة. من خلال الاستفادة من قوتها المنهجية ودمج التقنيات المتطورة، يمكن أن تستمر MCDM في التكيف مع المتطلبات المتطورة لاتخاذ القرار الحديث.

تنظم هذه الدراسة في خمسة أقسام. القسم 1: المقدمة تناقش أهمية اتخاذ القرار متعدد المعايير (MCDM)، وتطوره، وأهداف البحث في هذه المراجعة المنهجية. القسم 2: المنهجية توضح مصادر البيانات (Dimensions.ai). وتم استخدام أدوات بيبليومترية (VOSviewer، 1.6.20) للتحليل. القسم 3: النتائج تقدم نتائج مثل اتجاهات الكلمات الرئيسية، وتحليل الاقتباسات، وأنماط التعاون من خلال التصورات. القسم 4: المناقشة تفسر النتائج، وتسلط الضوء على فجوات البحث، وتستكشف التقنيات الناشئة، وتقدم رؤى قابلة للتنفيذ. القسم 5: الخاتمة تلخص النتائج الرئيسية وتقدم توصيات لتعزيز أبحاث MCDM، مع التأكيد على الأساليب متعددة التخصصات والفرص المستقبلية.

تتبنى هذه الدراسة نهج التحليل البيبليومتري لمراجعة أبحاث MCDM (2004-2024). تم الحصول على البيانات من Dimensions.ai باستخدام كلمات رئيسية (الشكل 1) مثل “AHP”، “TOPSIS”، “VIKOR”، “PROMETHEE”، و”ELECTRE”، مع التركيز على مجلات مجموعة UGC II. تم تحليل 3655 مقالة باستخدام VOSviewer لتحديد اتجاهات النشر، وشبكات التأليف المشترك، وأنماط الموضوعات. شملت التحليلات الرئيسية تأثير الاقتباس، ورسم خرائط الكلمات الرئيسية، ومجموعات التعاون. تضمنت معايير الاستبعاد الأعمال غير المحكّمة والمجالات غير ذات الصلة. توفر النتائج رؤى حول الاتجاهات، والمساهمين المؤثرين، وفجوات البحث في دراسات MCDM.

تحليل الفئات البحثية العشر الأولى يبرز (الشكل 2) التطبيقات المتنوعة لطرق اتخاذ القرار المتعددة المعايير (MCDM). تتصدر علوم المعلومات والحوسبة القائمة بـ 2,552 منشورًا، مما يبرز دور الأساليب الحسابية والخوارزميات في تقدم أبحاث MCDM. تليها الهندسة بـ 1,503 دراسة تُظهر استخدامها في تحسين وتطوير البنية التحتية. تحتل التجارة والإدارة والسياحة والخدمات المرتبة الثالثة بـ 934 منشورًا، مما يعكس أهمية MCDM في التخطيط الاستراتيجي وعمليات الأعمال. تشمل الفئات البارزة الأخرى البيئة المبنية والتصميم (581)، والعلوم الرياضية (542)، والعلوم البيئية (268)، مما يبرز المساهمات في التخطيط الحضري، والتطوير النظري، والاستدامة. تُظهر المجتمع البشري (234)، والاقتصاد (156)، وعلوم الأرض (125)، والعلوم الفيزيائية (65) مزيدًا من تنوع MCDM عبر مجالات مثل تنمية المجتمع، والسياسة الاقتصادية، وإدارة الموارد، والابتكار التكنولوجي. تؤكد هذه التنوعات على الدور المحوري لـ MCDM في معالجة تحديات اتخاذ القرار المعقدة.

يقوم التحليل بتصنيف مساهمات أبحاث MCDM بناءً على توافقها مع أهداف التنمية المستدامة للأمم المتحدة (SDGs)، مما يبرز (الشكل 3) تركيزًا كبيرًا على
الاستدامة البيئية والطاقة. الهدف الأكثر تناولًا هو الطاقة النظيفة والميسورة (SDG 7)، مع 886 دراسة تبرز الطاقة المتجددة والتحسين. يلي ذلك العمل المناخي (SDG 13) بـ 422 دراسة، بينما يضم الاستهلاك والإنتاج المسؤولين (SDG 12) 362. تشمل المساهمات في المدن والمجتمعات المستدامة (SDG 11) والصناعة والابتكار والبنية التحتية (SDG 9) 218 و185 دراسة على التوالي. تشمل أهداف التنمية المستدامة الأقل بحثًا المساواة بين الجنسين (SDG 5)، وعدم الفقر (SDG 1)، وتقليل الفوارق (SDG 10)، مما يبرز الفجوات والفرص المستقبلية للبحث.

المصدر: https://app.dimensions.ai
تم التصدير: 19 يناير 2025
المعايير: “‘,AHP, TOPSIS, VIKOR, PROMETHEE, ELECTRE, “‘ في البيانات الكاملة؛ سنة النشر هي 2006 أو 2007 أو 2008 أو 2009 أو 2004 أو 2010 أو 2011 أو 2012 أو 2013 أو 2014 أو 2015 أو 2016 أو 2017 أو 2018 أو 2019 أو 2020 أو 2021 أو 2022 أو 2023 أو 2024.

خلال المرحلة الأولية (الشكل 4) من 2004 إلى 2008، كانت مشهد البحث ناشئًا، حيث ظلت المنشورات السنوية قليلة، تتراوح بين 1 إلى 4 (الجدول 2). يعكس هذا الاستكشاف المبكر لأساليب MCDM، مع اعتماد أكاديمي وصناعي محدود. ومع ذلك، شهد عام 2009 زيادة متواضعة، مع سبع منشورات، مما أشار إلى بداية الاهتمام المتزايد بتطبيقات MCDM. شهدت الفترة من 2010 إلى 2014 نموًا تدريجيًا ولكن ثابتًا، حيث ارتفعت المنشورات السنوية من 21 في 2010 إلى 101 في 2014. يمكن أن يُعزى هذا النمو إلى ظهور أساليب MCDM الأساسية مثل AHP وTOPSIS وPROMETHEE المطبقة على مشاكل اتخاذ القرار العملية في مجالات مثل الهندسة والأعمال وإدارة البيئة. يعكس الارتفاع المستمر اعتراف المجتمع الأكاديمي بتنوع وملاءمة أطر MCDM. حدث النمو الأكثر أهمية بين 2015 و2020، حيث ارتفعت المنشورات السنوية من 140 في 2015 إلى 619 في 2020. كانت هذه الفترة مرحلة تحول لأبحاث MCDM، مدفوعة بدمج تقنيات متقدمة مثل الذكاء الاصطناعي (AI) والتعلم الآلي والأساليب الهجينة. ساهمت التعقيدات المتزايدة لتحديات اتخاذ القرار عبر قطاعات مثل الطاقة المتجددة والتخطيط الحضري والرعاية الصحية في هذا النمو الأسي. من 2021 إلى 2024، دخل المجال مرحلة النضج واستمر في تحقيق إنتاجية عالية، حيث تجاوزت المنشورات السنوية 700. شهد عام 2024 أعلى عدد من المنشورات، حيث بلغ 911، مما يبرز الدور الحاسم لـ MCDM في مجالات البحث متعددة التخصصات مثل التنمية المستدامة والمدن الذكية والعمل المناخي. بينما لوحظ استقرار طفيف بين 2022 و2023، يعكس هذا الاستقرار تشبع المجال في بعض المجالات، مصحوبًا بتوسع مستمر في مجالات ناشئة مثل البلوك تشين، وأنظمة دعم القرار في الميتافيرس، وإنترنت الأشياء.

تسلط اتجاهات الاقتباس لأبحاث MCDM من 2004 إلى 2024 الضوء على نموها الملحوظ وتأثيرها المتزايد عبر التخصصات. بين 2004 و2008، ظلت الاقتباسات منخفضة، حيث بلغ مجموعها أقل من 20. تعكس هذه الفترة المرحلة المبكرة من أبحاث MCDM، مع رؤية وتأثير أكاديمي محدود. كانت المنشورات خلال هذا الوقت أساسية لكنها لم تحظ بعد باهتمام كبير. من 2009 إلى 2014، زادت الاقتباسات بشكل ثابت، حيث ارتفعت من 39 في 2009 إلى 1,251 بحلول 2014. يتماشى هذا النمو مع اعتماد تقنيات MCDM مثل AHP وTOPSIS وPROMETHEE في الهندسة والإدارة والدراسات البيئية. أظهر الاستخدام المتزايد لهذه الأساليب قدرتها على معالجة التحديات المعقدة. حدثت قفزة كبيرة من 2015 إلى 2020، حيث ارتفعت الاقتباسات من 1,912 إلى 15,638. يعكس هذا الزيادة الأسيّة دمج الأدوات المتقدمة، بما في ذلك الذكاء الاصطناعي، والأطر الهجينة، والمنطق الضبابي. أصبحت MCDM مركزية في معالجة القضايا الملحة مثل الاستدامة، وأنظمة الرعاية الصحية، والطاقة المتجددة. بين 2021 و2024، بلغت الاقتباسات ذروتها، حيث نمت من 23,397 في 2021 إلى 34,960 في 2024. تمثل هذه المرحلة نضوج المجال، مع تطبيقات واسعة النطاق في المدن الذكية، والعمل المناخي، والتقنيات المتطورة مثل الصناعة 4.0 والميتافيرس. تؤكد الاتجاهات المتزايدة المستمرة على قدرة MCDM وملاءمتها في مواجهة احتياجات اتخاذ القرار المتطورة.

تظهر النسبة المئوية لمنشورات MCDM (الشكل 6) التي تحتوي على اقتباس واحد على الأقل من 2004 إلى 2024 اتجاهات مثيرة للاهتمام بشأن التأثير الأكاديمي للبحث بمرور الوقت. في السنوات الأولى (2004-2006)، كانت نشاط الاقتباس ضئيلة، حيث لم تتلق أي منشورات من 2004 و2005 اقتباسات. ومع ذلك، من المنشورات في 2007 و2008 تم اقتباسها، مما يعكس مساهمات بحثية مركزة ولكن مؤثرة خلال هذه السنوات. بين 2009 و2015، ظلت نسبة المنشورات المقتبسة مرتفعة باستمرار، تتراوح بين إلى . تشير هذه الفترة إلى تزايد الاهتمام الأكاديمي في MCDM حيث اكتسبت الأساليب الأساسية مثل AHP وTOPSIS زخمًا. تشير النسب المتقلبة قليلاً للاقتباسات إلى زيادة الاعتماد والتطبيق عبر مجالات متنوعة. من 2016 إلى 2020، ظلت معدلات الاقتباس مستقرة، حيث كانت القيم تتراوح بين و . تعكس النشاط المستمر للاقتباسات خلال هذه الفترة دمج تقنيات متقدمة مثل الذكاء الاصطناعي ونماذج MCDM الهجينة، مما يعزز من ملاءمتها وتأثيرها. ومع ذلك، بدأت اتجاهات الانخفاض بعد 2020، حيث انخفضت نسبة المنشورات التي تحتوي على اقتباسات من في 2021 إلى في 2024. يشير هذا الانخفاض إلى تشبع المجال في بعض المناطق، حيث تتطلب المنشورات الجديدة مزيدًا من الوقت للحصول على الاعتراف والاقتباسات. من المحتمل أن يكون الحجم الكبير للمنشورات في السنوات الأخيرة قد ساهم في انخفاض النسبة، حيث تستغرق الأعمال الجديدة عادةً وقتًا لتأسيس تأثيرها.

تحليل المؤلفين المشاركين يفحص الجهود التعاونية بين الباحثين من خلال تحليل المنشورات المشتركة. باستخدام أدوات مثل VOSviewer، تولد هذه التحليلات شبكات بصرية حيث تمثل العقد المؤلفين، وتوضح الحواف علاقاتهم التعاونية. تبرز هذه الطريقة الباحثين البارزين، وأنماط التعاون، ومجموعات الشراكات الأكاديمية. بالإضافة إلى ذلك، يمكنها تقييم التعاون على مستويات مختلفة، مثل بين الدول أو المؤسسات، مما يوفر رؤى قيمة حول ديناميات البحث ويعزز الروابط الأكاديمية الأقوى.
المؤلفون: تحدد هذه الدراسة 6387 مؤلفًا بعد إزالة النصوص التي تحتوي على 25 مؤلفًا كحد أقصى لكل منها. من بين هؤلاء، يتوافق 249 مؤلفًا فقط مع معايير وجود أربعة مستندات على الأقل وحد أدنى من 4 استشهادات. توضح الشكل 7 أنه من بين 249 مؤلفًا، كان لدى 141 باحثًا أعلى عدد من الأعمال المرتبطة.
تحليل أفضل 10 مؤلفين (الجدول 3) في أبحاث MCDM يبرز أدوارهم المحورية في تشكيل هذا المجال من خلال مساهماتهم الغزيرة، والاستشهادات المؤثرة، والتأثير الأكاديمي. دراغان باموكار هو رائد في الإنتاجية، حيث لديه 48 منشورًا و1,277 استشهادًا، مع الحفاظ على متوسط مشرف يبلغ 26.60 استشهادًا لكل مقال، مما يعكس مساهماته المستمرة عبر مجالات متنوعة من MCDM. بالمثل، يظهر محمد ديفيجي تأثيرًا أكاديميًا قويًا مع 34 منشورًا ومتوسط مثير للإعجاب يبلغ 31.09 استشهادًا، مما يبرز أهميته وتأثيره المستمر. ومن الجدير بالذكر أن يورغيتا أنتوكيفيتشيني تبرز كأحد الأسماء البارزة بأعلى متوسط استشهادات لكل مقال (66.60)، مما يسلط الضوء على جودة أبحاثها الاستثنائية وتأثيرها. جيانلي زو (62.90) وإدمونداس كازيميراس زافادسكس (45.52) يمثلان أيضًا التميز الأكاديمي، حيث حققا تأثيرًا كبيرًا من خلال مساهماتهما الكبيرة في تطوير المنهجيات والتطبيقات في MCDM. أرونودايا راج ميشرا يوازن بين الإنتاجية والتأثير بشكل فعال، مع 27 منشورًا ومتوسط 41.00 استشهادًا، مما يعكس حضوره الأكاديمي القوي. المؤلفون مثل هوتشانغ لياو (23.97 استشهادًا لكل مقال) وزيشوي شو (15.58) يحافظون على تأثير أكاديمي ثابت من خلال أعمالهم الأساسية والمتعددة التخصصات، مما يساهم في نمو هذا المجال وتطبيقه عبر مجالات متنوعة.

في هذه الأثناء، يقدم علي أحمديان (11.25) ودايكوك كانغ (15.72) مساهمات مركزة، متفوقين في مجالات متخصصة من أبحاث MCDM. تمثل هذه المجموعة توازنًا ديناميكيًا بين العوامل العالية.
الإنتاجية والتأثير الاستثنائي. بينما يقود بعضهم، مثل باموكار د. وديفيجي م. بسجلات نشر واسعة، يحقق آخرون، مثل أنتوشتشيفيتشين وزو، تأثيرًا ملحوظًا لكل مقال، مما يبرز عمق وجودة أبحاثهم. يسلط عملهم الضوء على الأهمية المتزايدة لطرق اتخاذ القرار المتعددة المعايير (MCDM) في معالجة تحديات اتخاذ القرار المعقدة، وجسر التخصصات، ودفع التقدم النظري والتطبيقات العملية على مستوى العالم.

ii. المنظمات (الانتماءات): يتيح VOSviewer أيضًا تحليل المنظمات أو الانتماءات التي يرتبط بها المؤلفون، بالإضافة إلى فحص المؤلفين الأفراد [27]. من خلال تقييد التحليل بحد أقصى 25 منظمة لكل وثيقة، تم العثور على إجمالي 2315 منظمة. بعد إزالة الوثائق، تبين أن 386 منظمة لديها على الأقل 4 مقالات واستشهادات تتناسب مع المعايير. توضح الشكل 8 أنه من بين هذه 386 منظمة، هناك 359 لديها الحد الأقصى من الأعمال المرتبطة.

تحليل أفضل 10 منظمات في أبحاث MCDM يبرز (الجدول 4) مساهماتها الكبيرة من حيث الإنتاجية وتأثير الاقتباس وقوة التعاون. تتصدر جامعة بلغراد القائمة بـ 70 منشورًا و1,380 اقتباسًا وأعلى قوة ارتباط إجمالية (164)، مما يبرز شبكتها البحثية الواسعة وتأثيرها المستمر. تُظهر جامعة سيتشوان، التي لديها 54 منشورًا و1,388 اقتباسًا، تأثيرًا أكاديميًا عاليًا، بينما تتفوق جامعة فيلنيوس غيديميناس التقنية في التعاون بقوة ارتباط تبلغ 101 و1,474 اقتباسًا من 50 منشورًا. تتصدر جامعة الدفاع، على الرغم من وجود 26 منشورًا، في الاقتباسات. ، مما يبرز الجودة الملحوظة لمخرجات أبحاثها. تسلط مؤسسات مثل الأكاديمية البحرية وجامعة مولانا أبو الكلام آزاد للتكنولوجيا الضوء على أهمية التعاون والدراسات عالية الجودة، مع 885 و 1,615 اقتباسًا على التوالي. تحافظ منظمات مثل جامعة يلدز التقنية وجامعة إسطنبول التقنية على مساهمات متوازنة مع إنتاجية ثابتة وتأثير أكاديمي قوي. أخيرًا، تعكس جامعة أفيو كوكاتبي، مع 17 منشورًا و914 اقتباسًا، دورًا متوازنًا في تعزيز منهجيات اتخاذ القرار متعددة المعايير. التنوع الجغرافي، من أوروبا إلى آسيا، يبرز الجهد العالمي في تشكيل هذا المجال من خلال أبحاث مؤثرة وتعاونية.

ii. الدول: يدعم VOSviewer تحليل الدول داخل شبكات التأليف المشترك، مما يتيح فهمًا كاملًا لأنماط التعاون [26]. حددت هذه الدراسة 97 دولة من خلال استبعاد المقالات التي شملت بحد أقصى 25 دولة لكل منها. كما هو موضح في الشكل 9، تتوافق 75 منظمة فقط مع المعايير اللازمة، والتي تشمل وجود حد أدنى من 3 أوراق منشورة واستشهادات على مستوى الدولة.

تحليل أفضل 10 دول في أبحاث اتخاذ القرار متعدد المعايير (MCDM) يبرز مساهماتها الكبيرة في المنشورات والاستشهادات وتأثير البحث (الجدول 5). تتصدر الصين القائمة بـ 570 منشورًا و13,967 استشهادًا، مما يظهر هيمنتها ومتوسط استشهادات مرتفع لكل مقال يبلغ 24.51. الهند وتركيا هما مساهمتان قويتان، حيث سجلت الهند 418 منشورًا وتركيا 385 منشورًا، مع الحفاظ على أعداد استشهادات مثيرة للإعجاب (الهند: 9,442؛ تركيا: 8,828) ومتوسط استشهادات مشابه لكل مقال. المملكة المتحدة، مع 122 منشورًا و4,565 استشهادًا، تحقق أعلى متوسط استشهادات لكل مقال (37.42)، مما يعكس جودة بحث استثنائية وتأثير عالمي. وبالمثل، تنتج الولايات المتحدة أبحاثًا ذات تأثير عالٍ مع 111 منشورًا و3,415 استشهادًا، ومتوسط 30.77 استشهادًا لكل مقال. تحافظ إسبانيا وصربيا على مساهمة متوازنة، حيث تجمع بين إنتاجية منشورات قوية وأداء استشهادات قوي، محققة 26.29 و32.32 استشهادًا لكل مقال، على التوالي.

تظهر المساهمات الناشئة مثل المملكة العربية السعودية تأثيرًا متزايدًا مع 119 منشورًا و2,282 استشهادًا، بينما تُظهر بولندا وتايوان أداءً ثابتًا، حيث حققت بولندا متوسط استشهادات أعلى لكل مقال (26.47) مقارنة بتايوان (18.52). تؤكد هذه التحليل على الجهود العالمية لهذه الدول وقواها المتنوعة في تعزيز أبحاث MCDM.

VOSviewer هو أداة شائعة للتحليل البيبليومتري، تتيح للباحثين استكشاف علاقات الاقتباس عبر وحدات مختلفة، بما في ذلك الوثائق والمصادر. كل جانب يلعب دورًا مختلفًا في إثراء تحليل الاقتباس، مما يوفر رؤى دقيقة حول الروابط الفكرية واتجاهات البحث [27].
المستندات: تركز دراسة الاقتباسات بشكل أساسي على منشورات أكاديمية محددة، بما في ذلك مقالات المجلات، وأوراق المؤتمرات، والكتب، وبراءات الاختراع. باستخدام VOSviewer، يمكن للباحثين تحليل روابط الاقتباس بين هذه الأوراق، والعثور على المنشورات المؤثرة، وتتبع تاريخ الأفكار، واكتشاف الإطار الفكري لمجال معين من الدراسة.
تم العثور على 2504 مستندات في هذا التحليل. فقط 1945 مستندًا تلبي المعايير بحد أدنى من 3 استشهادات لكل منها. توضح الشكل 10 أنه من بين 295 مستندًا، كان لدى 129 ورقة أكبر عدد من الأشياء ذات الصلة.
تُبرز الجدول 6 أبرز 10 مؤلفين مشاركين مؤثرين بناءً على استشهاداتهم ومساهماتهم في مجالات مختلفة. يتصدر Stević وآخرون، [14] القائمة بـ 866 استشهادًا في بحوث العمليات، مما يُظهر تأثيرًا كبيرًا. يظهر Liu وآخرون، [28] بـ 631 استشهادًا، مما يعكس عملاً مؤثرًا في العلوم البيئية. يساهم Yadav وآخرون، [29] وSlebi-Acevedo وآخرون، [30] بشكل بارز في التنمية المستدامة وعلوم القرار، على التوالي. يركز Akram وآخرون، [31] وTzouramani وآخرون، [32] على تقنيات التحسين والاستدامة. يتميز Liao وآخرون، [33] بمساهماتهم في الطاقة المتجددة، بينما يركز Salimi وآخرون، [34] وRahimi وآخرون، [35] على النمذجة الرياضية وعلوم البيانات. هؤلاء المؤلفون المشاركون مرتبطون بمؤسسات مرموقة، مما يبرز الطبيعة متعددة التخصصات لأبحاثهم وتأثيرها على المناقشات الأكاديمية العالمية.

المصادر: المجلات ومحاضر المؤتمرات هي أمثلة هامة على المصادر في النشر الأكاديمي. باستخدام VOSviewer، يمكن للباحثين تقييم الاتجاهات في الاقتباسات عبر مصادر مختلفة، وغالبًا ما يكشفون عن المقالات المشتركة الاقتباس ويفهمون مساهمتها في قاعدة المعرفة لموضوع أو مجال دراسة معين. هناك 593 مصدرًا.
في هذا التحليل (الشكل 11). هناك 174 مصدرًا فقط تلبي الحد الأدنى المطلوب من 3 مستندات واستشهادات بالمصادر. يوضح الشكل 11 أنه من بين 174 مصدرًا، هناك 170 تحتوي على أكثر العناصر ذات الصلة.

تساهم أفضل 10 مجلات بشكل كبير في البحث عبر مجالات متعددة التخصصات (الجدول 7). تتصدر مجلة الإنتاج النظيف القائمة بأعلى عدد من الاستشهادات، مما يبرز تركيزها على الاستدامة وممارسات الإنتاج الأنظف. تليها أنظمة الخبراء مع التطبيقات، مما يظهر التقدم في الأنظمة الذكية وتطبيقاتها العملية. تبرز مجلة الاستدامة لمعالجتها التحديات البيئية والاجتماعية العالمية، بينما تساهم مجلة التناظر في مجالات متنوعة، بما في ذلك الرياضيات والدراسات النظرية. المجلات ذات الاستشهادات العالية مثل مجلة علوم البيئة وبحوث التلوث والطاقة المتجددة تؤكد على أهمية الحفاظ على البيئة وحلول الطاقة المتجددة. تبرز مجلة الحوسبة اللينة التطبيقية التطورات في الأساليب الحسابية، بينما تركز تقارير الطاقة على الابتكارات في مجال الطاقة. توضح مجلات IEEE Access والرياضيات توازنًا بين الهندسة والتكنولوجيا والعلوم الأساسية.

بالنسبة للقراء، تعتبر هذه المجلات موارد أساسية للبقاء على اطلاع حول التقدم في مجالات الاستدامة والطاقة وعلوم الحوسبة. يُشجع الباحثون على استكشاف مجلة الحوسبة اللينة التطبيقية ونظم الخبراء مع التطبيقات للبحث المتقدم في الذكاء الاصطناعي والحلول العملية. في الوقت نفسه، توفر مجلات الاستدامة والطاقة المتجددة رؤى حول معالجة التحديات البيئية والاجتماعية.

تظهر المراجعة المنهجية لأبحاث اتخاذ القرار متعدد المعايير (MCDM) مساهمات كبيرة في عدة أهداف من أهداف التنمية المستدامة للأمم المتحدة، مع تقدم ملحوظ في مجالات مثل القدرة على تحمل التكاليف والهدف 7 والهدف 12 والهدف 13. لقد دعمت طرق MCDM تحسين أنظمة الطاقة المتجددة، وممارسات التصنيع المستدام، واستراتيجيات التخفيف من آثار تغير المناخ، مما يوضح قدرتها على معالجة التحديات العالمية الملحة. كما تبرز التطبيقات في الصناعة والابتكار والهدف 9 والهدف 11 دور هذه الطرق في التخطيط الحضري، وتطوير المدن الذكية، وتحسين البنية التحتية. على الرغم من هذا التقدم، لا تزال بعض الأهداف مثل الهدف 1 والهدف 10 والهدف 5 غير مستكشفة بشكل كافٍ. لقد تناولت الأبحاث المحدودة أطر اتخاذ القرار لتخفيف الفقر، وتوزيع الموارد بشكل عادل، وتعزيز النمو الشامل. وبالمثل، فإن دمج MCDM في الهدف 14 والهدف 15 ضئيل، مما يقدم فرصًا لتوسيع تطبيقها في هذه المجالات البيئية الحيوية. يمكن أن تركز الأبحاث المستقبلية على دمج التقنيات المتقدمة مثل الذكاء الاصطناعي وإنترنت الأشياء لمعالجة هذه الفجوات مع تعزيز التعاون بين التخصصات والتنوع الجغرافي. من خلال توسيع نطاقها، يمكن أن تعزز MCDM مساهماتها في تحقيق مستقبل مستدام وعادل.

لقد تأثرت تطورات طرق اتخاذ القرار المتعدد المعايير (MCDM) بشكل كبير من خلال دمج تقنيات متقدمة مثل الذكاء الاصطناعي (AI) وإنترنت الأشياء (IoT) والميتافيرس. لقد عززت هذه التقنيات الكفاءة الحسابية ومرونة أطر MCDM ووسعت من قابليتها للتطبيق على تحديات اتخاذ القرار الحديثة والمعقدة. ظهرت نماذج MCDM المدفوعة بالذكاء الاصطناعي كأدوات قوية، تستفيد من خوارزميات التعلم الآلي لمعالجة مجموعات البيانات الكبيرة، وتحسين دقة التنبؤ، وتمكين اتخاذ القرار التكيفي. لقد أظهرت هذه الأنظمة قيمة استثنائية في مجالات مثل الرعاية الصحية، حيث تدعم تحديد أولويات الموارد والتشخيصات التنبؤية، وفي الطاقة المتجددة، من خلال تحسين إنتاج الطاقة وتوزيعها. لقد حول إنترنت الأشياء عمليات اتخاذ القرار من خلال توفير تدفقات بيانات في الوقت الحقيقي يمكن دمجها مباشرة في أطر MCDM. وقد أثبتت هذه القدرة تأثيرها بشكل خاص في المدن الذكية، حيث تراقب حساسات إنترنت الأشياء معايير مثل تدفق المرور، واستهلاك الطاقة، والظروف البيئية، مما يمكّن من تخصيص الموارد بكفاءة والتخطيط الحضري. يسهل إنترنت الأشياء الصيانة التنبؤية وتحسين سلسلة التوريد في البيئات الصناعية، حيث تعطي طرق MCDM الأولوية للبدائل بناءً على البيانات التشغيلية.

يمثل الميتافيرس حدودًا متطورة لتطبيقات اتخاذ القرار المتعدد المعايير، مما يمكّن صانعي القرار من محاكاة وتقييم وتنقيح السيناريوهات المعقدة ضمن بيئات رقمية غامرة. على سبيل المثال، تم تطبيق نماذج اتخاذ القرار المتعدد المعايير الهجينة لتقييم وسائل النقل الحضري المستدام
الحلول في الميتافيرس، مما يوفر رؤى قيمة للتنفيذ في العالم الحقيقي. بالإضافة إلى ذلك، يدعم الميتافيرس اتخاذ القرار التعاوني من خلال السماح لأصحاب المصلحة بالمشاركة في المحاكاة الافتراضية وتحليل النتائج بشكل مشترك. تسلط دراسات الحالة الضوء على التأثير العملي لهذه التقنيات. تم تنفيذ نهج الذكاء الاصطناعي-اتخاذ القرار المتعدد المعايير الهجينة بنجاح في مشاريع الطاقة المتجددة، مما يحسن اختيار المواقع لمزارع الرياح والطاقة الشمسية. لقد حسنت تطبيقات اتخاذ القرار المتعدد المعايير المدعومة بإنترنت الأشياء في الشبكات الذكية توزيع الطاقة وخفض التكاليف التشغيلية.

علاوة على ذلك، قدمت المحاكاة المعتمدة على الميتافيرس حلولًا مبتكرة للتدريب الافتراضي، وتخطيط البنية التحتية، والاستجابة للكوارث. يبرز دمج هذه التقنيات الطبيعة الديناميكية والتكيفية لأساليب اتخاذ القرار المتعدد المعايير في معالجة التحديات المعاصرة. من خلال الاستفادة من التقدم في الذكاء الاصطناعي، وإنترنت الأشياء، والميتافيرس، يستمر اتخاذ القرار المتعدد المعايير في التطور كأداة حاسمة لاتخاذ قرارات مستنيرة، وتعزيز الابتكار، ودفع الحلول المستدامة عبر مجالات متنوعة.

تسلط هذه المراجعة لأساليب اتخاذ القرار المتعدد المعايير على مدى العقدين الماضيين (2004-2024) الضوء على التقدم الكبير في المنهجيات وتطبيقاتها التحويلية. تم توسيع تقنيات مثل AHP وTOPSIS وPROMETHEE وELECTRE من خلال نماذج هجينة تدمج الذكاء الاصطناعي، والمنطق الضبابي، وتعلم الآلة، مما يعزز قدرتها على معالجة سيناريوهات اتخاذ القرار المعقدة. كانت هذه الأطر محورية في مجالات مثل الهندسة، والرعاية الصحية، وعلوم البيئة، والأعمال، مما يظهر تنوعها وأهميتها في حل المشكلات الواقعية. تكشف التحليلات عن نمو مستمر في إنتاج أبحاث اتخاذ القرار المتعدد المعايير، لا سيما بين عامي 2015 و2024، مصحوبة بزيادة في اتجاهات الاقتباس التي تبرز تأثيرها الأكاديمي والصناعي. تتصدر الدول المتقدمة، بما في ذلك الصين والهند والولايات المتحدة، المساهمات، بينما تظهر الدول الناشئة مثل السعودية وبولندا تفاعلًا متزايدًا. على الرغم من هذا التقدم، لا تزال الفجوات الجغرافية قائمة، مع تمثيل محدود من المناطق النامية.

تؤكد تحليل الشراكة المشتركة على أهمية الشبكات التعاونية بين المؤلفين والمؤسسات الرائدة. لعب المساهمون المؤثرون، مثل دراغان باموكار وإدمونداس كازيميراس زافادسكس، والمؤسسات البارزة مثل جامعة بلغراد، دورًا حاسمًا في تقدم هذا المجال. تسلط هذه التعاونات الضوء على الطبيعة متعددة التخصصات لأساليب اتخاذ القرار المتعدد المعايير وقدرتها على معالجة التحديات المعقدة.

تظهر الدراسة أيضًا المساهمات الحاسمة لأساليب اتخاذ القرار المتعدد المعايير في أهداف التنمية المستدامة للأمم المتحدة (SDGs)، لا سيما الهدف 7، والهدف 12، والهدف 13. تمثل التطبيقات في الطاقة المتجددة، والإنتاج المستدام، والتخفيف من آثار المناخ توافق أساليب اتخاذ القرار المتعدد المعايير مع الأولويات العالمية. ومع ذلك، فإن المجالات التي لم يتم استكشافها مثل الهدف 1، والهدف 5، والهدف 10 تقدم فرصًا للبحث المستقبلي لتوسيع تأثيرها. تعيد التقنيات الناشئة مثل الذكاء الاصطناعي، وإنترنت الأشياء، والميتافيرس تشكيل مشهد اتخاذ القرار المتعدد المعايير من خلال تمكين تكامل البيانات في الوقت الحقيقي، والمحاكاة الغامرة، وأطر اتخاذ القرار المتقدمة. توضح دراسات الحالة الفوائد العملية لهذه الابتكارات في تحسين أنظمة الطاقة، والمدن الذكية، والعمليات الصناعية. على الرغم من أنها واعدة، تتطلب هذه التقنيات مزيدًا من التطوير للتغلب على التحديات المتعلقة بالتعقيد الحسابي والوصول.

يجب أن تركز الأبحاث المستقبلية على دمج أساليب اتخاذ القرار المتعدد المعايير مع التقنيات المتطورة لدفع المجال إلى الأمام مع توسيع تطبيقاتها في المناطق والمجالات غير الممثلة. سيساهم تطوير الأطر المدفوعة بالذكاء الاصطناعي، واستخدام البلوكشين من أجل اتخاذ قرارات آمنة، واستغلال منصات الميتافيرس للتعاون الافتراضي في تعزيز قابلية التكيف وقابلية التوسع لأساليب اتخاذ القرار المتعدد المعايير. سيساهم معالجة الفجوات الجغرافية والتكنولوجية واستكشاف المجالات غير المستغلة مثل الحفاظ على التنوع البيولوجي، والعدالة الاجتماعية، واتخاذ القرار الشامل في ضمان بقاء أساليب اتخاذ القرار المتعدد المعايير أداة حيوية لمعالجة التحديات العالمية.

لم يتم تمويل هذا البحث من أي منحة.

يعلن المؤلفون عدم وجود أي تعارض في المصالح.

[1] Kumar, R. (2025). A Comprehensive Review of MCDM Methods, Applications, and Emerging Trends. Decision Making Advances, 3(1), 185-199. https://doi.org/10.31181/dma31202569
[2] Kumar, R. (2024). Multi-Criteria Decision-Making Applications in Agro-based Industries for Economic Development: An Overview of Global Trends, Collaborative Patterns, and Research Gaps. Spectrum of Engineering and Management Sciences, 2(1), 247-262. https://doi.org/10.31181/sems21202431k
[3] Kumar, R. (2024). Artificial Intelligence (AI)-driven Transformation: Sustainable Development of Agro-based Industries in Bihar. International Journal for Multidisciplinary Research, 6(2). https://doi.org/10.36948/ijfmr.2024.v06i02.15935
[4] Kumar, R. & Kumari, K. (2024). Enhancing Economic Development through Inventory Management Optimization in Agro-based Industries in Bihar: A Comparative Study of EOQ and EPQ Models. International Journal for Multidisciplinary Research, 6(2). https://doi.org/10.36948/ijfmr.2024.v06i02.16892
[5] Kumar, R., Khan, A. K., & Goel, S. (2024). From farm to table: How AI is revolutionizing demand forecasting in agrobased industries. Blockchain and AI in business. Applications, Research and Insights, 81-99.
[6] Mokhtar, M. R., Abdullah, M. P., Hassan, M. Y., & Hussin, F. (2015). Combination of AHP-PROMETHEE and TOPSIS for selecting the best Demand Side Management (DSM) options. In 2015 IEEE Student Conference on Research and Development (SCOReD) (pp. 367-372). IEEE. https://doi.org/10.1109/scored.2015.7449357
[7] Kumar, R. (2024). Global Trends and Research Patterns in Financial Literacy and Behavior: A Bibliometric Analysis. Management Science Advances., 2(1), 1-18. https://doi.org/10.31181/msa2120256
[8] Zavadskas, E. K., Turskis, Z., & Kildiené, S. (2014). STATE OF ART SURVEYS OF OVERVIEWS ON MCDM/MADM METHODS. Technological and Economic Development of Economy, 20(1), 165-179. https://doi.org/10.3846/20294913.2014.892037
[9] Saoud, A., Lachgar, M., Hanine, M., Dhimni, R. E., Azizi, K. E., & Machmoum, H. (2025). decideXpert: Collaborative system using AHP-TOPSIS and fuzzy techniques for multi-criteria group decision-making. SoftwareX, 29, 102026.
[10] Radulescu, C. Z., & Radulescu, M. (2024). A Hybrid Group Multi-Criteria Approach Based on SAW, TOPSIS, VIKOR, and COPRAS Methods for Complex IoT Selection Problems. Electronics, 13(4), 789. https://doi.org/10.3390/electronics13040789
[11] Sivalingam C, & Subramaniam, S. K. (2024). Cobot selection using hybrid AHP-TOPSIS based multi-criteria decision making technique for fuel filter assembly process. Heliyon, 10(4), e26374. https://doi.org/10.1016/j.heliyon.2024.e26374
[12] Topaloğlu, F. (2024). Development of a new hybrid method for multi-criteria decision making (MCDM) approach: a case study for facility location selection. Operational Research, 24(4), 60. https://doi.org/10.1007/s12351-024-00871-4
[13] Stojčić, M., Zavadskas, E., Pamučar, D., Stević, Ž., & Mardani, A. (2019). Application of MCDM Methods in Sustainability Engineering: A Literature Review 2008-2018. Symmetry, 11(3), 350. https://doi.org/10.3390/sym11030350
[14] Stević, Ž., Pamučar, D., Puška, A., & Chatterjee, P. (2020). Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement of alternatives and ranking according to COmpromise solution (MARCOS). Computers & Industrial Engineering, 140, 106231. https://doi.org/10.1016/i.cie.2019.106231
[15] Mahmoodirad, A., Pamucar, D., Niroomand, S., & Simic, V. (2025). Data envelopment analysis based performance evaluation of hospitals – Implementation of novel picture fuzzy BCC model. Expert Systems with Applications, 263, 125775. https://doi.org/10.1016/j.eswa.2025.125775
[16] Karatas, M., Eriskin, L., Deveci, M., Pamucar, D., & Garg, H. (2022). Big Data for Healthcare Industry 4.0: Applications, challenges and future perspectives. Expert Systems with Applications, 200, 116912. https://doi.org/10.1016/j.eswa.2022.116912
[17] Pamučar, D., & Ćirović, G. (2015). The selection of transport and handling resources in logistics centers using MultiAttributive Border Approximation area Comparison (MABAC). Expert Systems with Applications, 42(6), 3016-3028. https://doi.org/10.1016/i.eswa.2014.11.057
[18] Deveci, M., Mishra, A. R., Gokasar, I., Rani, P., Pamucar, D., & Özcan, E. (2022). A Decision Support System for Assessing and Prioritizing Sustainable Urban Transportation in Metaverse. IEEE Transactions on Fuzzy Systems, 31(2), 475-484. https://doi.org/10.1109/TFUZZ.2022.3190613
[19] Pamucar, D., Deveci, M., Gokasar, I., Tavana, M., & Köppen, M. (2022). A metaverse assessment model for sustainable transportation using ordinal priority approach and Aczel-Alsina norms. Technological Forecasting and Social Change, 182, 121778. https://doi.org/10.1016/j.techfore.2022.121778
[20] Ala, A., Mahmoudi, A., Mirjalili, S., Simic, V., & Pamucar, D. (2023). Evaluating the Performance of various Algorithms for Wind Energy Optimization: A Hybrid Decision-Making model. Expert Systems with Applications, 221, 119731. https://doi.org/10.1016/j.eswa.2023.119731
[21] Chyad, M., Zaidan, B. B., Zaidan, A. A., Pilehkouhi, H., Aalaa, R., Qahtan, S., Alsattar, H. A., Pamucar, D., & Simic, V. (2024). Exploring adversarial deep learning for fusion in multi-color channel skin detection applications. Information Fusion, 114, 102632. https://doi.org/10.1016/j.inffus.2024.102632
[22] Leung, A. Y. T., & Zhang, H. (2009). Particle swarm optimization of tuned mass dampers. Engineering Structures, 31(3), 715-728. https://doi.org/10.1016/i.engstruct.2008.11.017
[23] Karagoz, S., Deveci, M., Simic, V., Aydin, N., & Bolukbas, U. (2020). A novel intuitionistic fuzzy MCDM-based CODAS approach for locating an authorized dismantling center: a case study of Istanbul. Waste Management & Research, 38(6), 660-672. https://doi.org/10.1177/0734242×19899729
[24] Simic, V., Gokasar, I., Deveci, M., & Isik, M. (2021). Fermatean Fuzzy Group Decision-Making Based CODAS Approach for Taxation of Public Transit Investments. IEEE Transactions on Engineering Management, 70(12), 4233-4248. https://doi.org/10.1109/tem.2021.3109038
[25] Deveci, M., Pamucar, D., Gokasar, I., Koppen, M., & Gupta, B. B. (2022). Personal Mobility in Metaverse With Autonomous Vehicles Using Q-Rung Orthopair Fuzzy Sets Based OPA-RAFSI Model. IEEE Transactions on Intelligent Transportation Systems, 1-10. https://doi.org/10.1109/tits.2022.3186294
[26] Kumar, R., & Sahoo, S. K. (2024). A Bibliometric Analysis of Agro-Based Industries: Trends and Challenges in Supply Chain Management. Decision Making Advances, 3(1), 200-215. https://doi.org/10.31181/dma31202568
[27] Kumar, R. (2025). Bibliometric Analysis: Comprehensive Insights into Tools, Techniques, Applications, and Solutions for Research Excellence. Spectrum of Engineering and Management Sciences, 3(1), 45-62. https://doi.org/10.31181/sems31202535k
[28] Liu, Y., Eckert, C. M., & Earl, C. (2020). A review of fuzzy AHP methods for decision-making with subjective judgements. Expert Systems with Applications, 161, 113738. https://doi.org/10.1016/j.eswa.2020.113738
[29] Yadav, V., Kalbar, P. P., Karmakar, S., & Dikshit, A. K. (2020). A two-stage multi-attribute decision-making model for selecting appropriate locations of waste transfer stations in urban centers. Waste Management, 114, 80-88. https://doi.org/10.1016/j.wasman.2020.05.024
[30] Slebi-Acevedo, C. J., Lastra-González, P., Calzada-Pérez, M. A., & Castro-Fresno, D. (2020). Effect of Synthetic Fibers and Hydrated Lime in Porous Asphalt Mixture Using Multi-Criteria Decision-Making Techniques. Materials, 13(3), 675. https://doi.org/10.3390/ma13030675
[31] Akram, M., Kahraman, C., & Zahid, K. (2021). Group decision-making based on complex spherical fuzzy VIKOR approach. Knowledge-Based Systems, 216, 106793. https://doi.org/10.1016/j.knosys.2021.106793
[32] Tzouramani, I., Mantziaris, S., & Karanikolas, P. (2020). Assessing Sustainability Performance at the Farm Level: Examples from Greek Agricultural Systems. Sustainability, 12(7), 2929. https://doi.org/10.3390/su12072929
[33] Liao, H., Peng, X., & Gou, X. (2020). Medical Supplier Selection with a Group Decision-Making Method Based on Incomplete Probabilistic Linguistic Preference Relations. International Journal of Fuzzy Systems, 23, 280-294. https://doi.org/10.1007/s40815-020-00885-y
[34] Salimi, A. H., Noori, A., Bonakdari, H., Masoompour Samakosh, J., Sharifi, E., Hassanvand, M., Gharabaghi, B., & Agharazi, M. (2020). Exploring the Role of Advertising Types on Improving the Water Consumption Behavior: An Application of Integrated Fuzzy AHP and Fuzzy VIKOR Method. Sustainability, 12(3), 1232. https://doi.org/10.3390/su12031232
[35] Rahimi, S., Hafezalkotob, A., Monavari, S. M., Hafezalkotob, A., & Rahimi, R. (2020). Sustainable landfill site selection for municipal solid waste based on a hybrid decision-making approach: Fuzzy group BWM-MULTIMOORAGIS. Journal of Cleaner Production, 248, 119186. https://doi.org/10.1016/i.jclepro.2019.119186

Received 17 July 2024
Received in revised form 10 December 2024
Accepted 12 January 2025
Available online 23 January 2025

Multi-Criteria Decision-Making; Hybrid Models; Sustainable Development Goals; Bibliometric Analysis; Emerging Technologies; Decision-Making Frameworks.

Multi-criteria decision-making (MCDM) is a comprehensive set of methodologies designed to assist decision-makers in evaluating and prioritizing alternatives when multiple, often conflicting

criteria must be considered [1]. Unlike single-criteria approaches, MCDM frameworks integrate quantitative and qualitativefigure factors, providing a structured, systematic process for navigating complex decision-making environments. Broadly categorized into Multi-Attribute Decision-Making (MADM) and Multi-Objective Decision-Making (MODM), these methods are pivotal in addressing diverse challenges, ranging from resource allocation to strategic planning. MADM is typically used for discrete problems with limited alternatives, whereas MODM focuses on continuous problems, often involving optimization [2].

Decision-making is critical to organizational, societal, and individual processes, influencing outcomes across various sectors. In engineering, MCDM enables resource optimization, project evaluation, and risk assessment [3]. Environmental sciences rely on these methods for sustainable resource management, climate change mitigation, and impact analysis. MCDM is vital in technology assessment, resource prioritization, and patient care management [4]. Similarly, businesses use MCDM to evaluate suppliers, optimize financial portfolios, and develop strategic initiatives, while policymakers leverage these methods for urban planning, social welfare prioritization, and governance strategies. By systematically addressing the complexities and trade-offs inherent in these fields, MCDM ensures informed, balanced, and robust decisions [5].

The evolution of MCDM methods over the years reflects significant advancements in methodology and applications. Foundational methods such as the Analytic Hierarchy Process (AHP), Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS), and Preference Ranking Organization Method for Enrichment Evaluation (PROMETHEE) have been widely adopted across disciplines [6]. Furthermore, integrating fuzzy logic, artificial intelligence (AI), and machine learning into traditional MCDM frameworks has led to the development of hybrid approaches, enhancing their applicability and effectiveness in solving modern decision-making problems. The availability of computational tools like VOSviewer has further facilitated the scalability and visual representation of complex MCDM datasets, driving exponential growth in research and applications [7].

The period from 2004 to 2024 represents two decades of transformative progress in MCDM, characterized by exponential growth in academic publications and industrial adoption. This era has witnessed the emergence of hybrid models that combine MCDM with advanced technologies like AI and big data, enabling decision-support systems with unprecedented precision and adaptability. Research contributions from leading countries such as China, India, and Lithuania have propelled the field forward with significant innovations in methodologies and applications. Moreover, MCDM’s applicability has expanded into emerging domains, including renewable energy, smart cities, and blockchain technologies, highlighting its versatility and relevance.

Given this rapid expansion, a comprehensive and systematic review of MCDM methods over the past two decades is crucial. Such a review will consolidate existing knowledge and identify prevailing trends, highlight research gaps, and provide valuable insights for future research. By examining the evolution of MCDM from 2004 to 2024, this study aims to contribute to the growing body of literature and support the development of more effective and innovative decision-making frameworks for academia and industry.

The evolution of MCDM methods highlights their critical role in addressing complex decisionmaking scenarios across diverse sectors (Table 1). Foundational methods such as the AHP, TOPSIS, PROMETHEE, and ELECTRE have been extensively studied and applied. Zavadskas et al., [8] reviewed these methods in-depth, analyzing their strengths, limitations, and historical evolution. Their work remains a cornerstone for understanding MCDM frameworks and their wide-ranging applicability. Hybrid approaches have emerged to address the limitations of standalone techniques. These models
integrate traditional MCDM methods with advanced computational tools such as fuzzy logic, artificial intelligence (AI), and machine learning. Saoud et al., [9] introduced “decideXpert,” a collaborative decision-making system combining AHP-TOPSIS with fuzzy logic for enhanced group decision-making [9]. Radulescu and Radulescu [10] proposed a hybrid model integrating SAW, TOPSIS, VIKOR, and COPRAS methods for IoT selection problems, illustrating the versatility of hybrid frameworks in tackling complex technological challenges [10].

The flexibility of MCDM methods has led to their adoption across various fields:
i. Engineering: In engineering, MCDM methods have been instrumental in optimizing resource allocation and infrastructure development. Sivalingam and Subramaniam [11] applied a hybrid AHP-TOPSIS model to cobot selection in the fuel filter assembly process, emphasizing its practical relevance in industrial automation [11]. Topaloğlu [12] developed a new hybrid MCDM method for facility location selection, addressing logistical complexities in urban planning.
ii. Environmental Sciences: MCDM techniques, particularly PROMETHEE and ELECTRE, are widely employed in environmental sustainability. These methods have evaluated tradeoffs between economic development and environmental preservation Zavadskas et al., [8]. Stojčić et al., [13] reviewed the application of MCDM methods in sustainability engineering, highlighting their role in climate change mitigation and resource management.
iii. Healthcare: The healthcare sector has leveraged MCDM for efficient resource prioritization and performance evaluation. Stević et al., [14] introduced the MARCOS method to enhance supplier selection in healthcare, while Mahmoodirad et al., [15] applied a picture fuzzy BCC model for evaluating hospital performance. These studies demonstrate MCDM’s ability to navigate the complexities of healthcare decision-making.
iv. Business and Economics: MCDM methods are extensively utilized in strategic decisionmaking, supplier evaluation, and financial analysis. Karatas et al., [16] applied MCDM techniques in Industry 4.0, exploring their role in addressing challenges in the healthcare sector. Pamučar and Ćirović [17] extended the MABAC method to improve logistics operations, showcasing its utility in business environments.
The methodological diversity within MCDM is evident in the distinction between the American and European schools. The American school emphasizes simplicity and value-based models such as AHP and SMART, while the European school focuses on outranking techniques like PROMETHEE and ELECTRE. Zavadskas et al., [8] compared these approaches, highlighting their strengths and weaknesses. Hybrid methods, such as those proposed by Deveci et al., [18], bridge the gaps by integrating complementary techniques for enhanced decision-making.

The integration of emerging technologies has expanded the scope of MCDM applications. He introduced a metaverse assessment model using ordinal priority approaches, demonstrating MCDM’s applicability in virtual environments. Pamucar et al., [19] proposed decision-support systems for sustainable urban transportation, while Radulescu and Radulescu [10] focused on IoTrelated decision-making challenges. Ala et al., [20] explored hybrid decision-making models for wind energy optimization, showcasing the adaptability of MCDM in renewable energy applications.

Despite significant advancements, gaps remain in the application of MCDM methods. Zavadskas et al., [8] and Stojčić et al., [13] noted the underrepresentation of interdisciplinary applications in areas such as blockchain and IoT. Karatas et al., [16] and Deveci et al., [18] emphasized challenges in implementing AI-integrated MCDM frameworks, citing computational complexity and a lack of accessibility. Mahmoodirad et al., [15] also highlighted the need for more studies addressing geographic diversity, as research remains concentrated in developed regions. Addressing these gaps through collaborative research and advanced computational tools can further enhance MCDM’s role in solving complex decision problems. By leveraging its methodological robustness and integrating cutting-edge technologies, MCDM can continue to adapt to the evolving demands of modern decision-making.

This study is organized into five sections. Section 1: Introduction discusses the significance of Multi-Criteria Decision-Making (MCDM), its evolution, and the research objectives of this systematic review. Section 2: Methodology details the data sources (Dimensions.ai). And bibliometric tools (VOSviewer, 1.6.20) were used for analysis. Section 3: Results present findings such as keyword trends, citation analysis, and collaboration patterns through visualizations. Section 4: Discussion interprets the results, highlights research gaps, explores emerging technologies, and offers actionable insights. Section 5: Conclusion summarizes key findings and provides recommendations for advancing MCDM research, emphasizing interdisciplinary approaches and future opportunities.

This study adopts a bibliometric analysis approach to review MCDM research (2004-2024). Data was sourced from Dimensions.ai using keywords (Figure 1) like “AHP,” “TOPSIS,” “VIKOR,” “PROMETHEE,” and “ELECTRE,” focusing on UGC Group II journals. 3655 Articles were analyzed using VOSviewer to identify publication trends, co-authorship networks, and thematic patterns. Key analyses included citation impact, keyword mapping, and collaboration clusters. Exclusion criteria included non-peer-reviewed works and irrelevant domains. The findings provide insights into trends, influential contributors, and research gaps in MCDM studies.

The analysis of the top 10 research categories highlights (Figure 2) the diverse applications of MCDM. Information and Computing Sciences lead with 2,552 publications, emphasizing the role of computational methods and algorithms in advancing MCDM research. Engineering follows with 1,503 studies showcasing its use in optimization and infrastructure development. Commerce, Management, Tourism, and Services rank third with 934 publications, reflecting MCDM’s significance in strategic planning and business operations. Other prominent categories include Built Environment and Design (581), Mathematical Sciences (542), and Environmental Sciences (268), highlighting contributions to urban planning, theoretical development, and sustainability. Human Society (234), Economics(156), Earth Sciences (125), and Physical Sciences (65) further demonstrate MCDM’s versatility across domains such as community development, economic policy, resource management, and technological innovation. This diversity underscores MCDM’s pivotal role in addressing complex decision-making challenges.

The analysis categorizes MCDM research contributions based on alignment with the United Nations Sustainable Development Goals (SDGs), highlighting (Figure 3) a significant focus on
environmental sustainability and energy. The most addressed SDG is Affordable and Clean Energy (SDG 7), with 886 studies emphasizing renewable energy and optimization. Climate Action (SDG 13) follows with 422 studies, while Responsible Consumption and Production (SDG 12) has 362. Contributions to Sustainable Cities and Communities (SDG 11) and Industry, Innovation, and Infrastructure (SDG 9) include 218 and 185 studies, respectively. Lesser-researched SDGs include Gender Equality (SDG 5), No Poverty (SDG 1), and Reduced Inequalities (SDG 10), highlighting gaps and future opportunities for research.

Source: https://app.dimensions.ai
Exported: January 19, 2025
Criteria: “‘,AHP, TOPSIS, VIKOR, PROMETHEE, ELECTRE, “‘ in full data; Publication Year is 2006 or 2007 or 2008 or 2009 or 2004 or 2010 or 2011 or 2012 or 2013 or 2014 or 2015 or 2016 or 2017 or 2018 or 2019 or 2020 or 2021 or 2022 or 2023 or 2024.

During the initial phase (Figure 4) from 2004 to 2008, the research landscape was nascent, with annual publications remaining minimal, ranging from 1 to 4 (Table 2). This reflects the early exploration of MCDM methods, with limited academic and industrial adoption. However, a modest increase in 2009, with seven publications, marked the beginning of growing interest in MCDM applications. The period from 2010 to 2014 witnessed gradual but consistent growth, as annual publications rose from 21 in 2010 to 101 in 2014. This growth can be attributed to the emergence of foundational MCDM methods such as AHP, TOPSIS, and PROMETHEE applied to practical decisionmaking problems in fields like engineering, business, and environmental management. The steady rise reflects the academic community’s recognition of the versatility and relevance of MCDM frameworks. The most significant growth occurred between 2015 and 2020, with annual publications surging from 140 in 2015 to 619 in 2020. This period marked a transformative phase for MCDM research, driven by integrating advanced technologies such as artificial intelligence (AI), machine learning, and hybrid approaches. The increasing complexity of decision-making challenges across sectors such as renewable energy, urban planning, and healthcare contributed to this exponential growth. From 2021 to 2024, the field entered a maturity phase and sustained high productivity, with annual publications exceeding 700. 2024 saw the highest number of publications, reaching 911, underscoring MCDM’s critical role in interdisciplinary research areas like sustainable development, smart cities, and climate action. While a slight plateau was observed between 2022 and 2023, this stability reflects the field’s saturation in certain domains, accompanied by continuous expansion into emerging areas like blockchain, metaverse decision-support systems, and IoT.

The citation trends for MCDM research from 2004 to 2024 highlight（Figure 5）its remarkable growth and expanding influence across disciplines．Between 2004 and 2008，citations remained low， totaling fewer than 20 ．This period reflects the early stage of MCDM research，with limited visibility and academic impact．Publications during this time were foundational but had not yet gained significant attention．From 2009 to 2014，citations steadily increased，rising from 39 in 2009 to 1，251 by 2014 ．This growth aligns with adopting MCDM techniques like AHP，TOPSIS，and PROMETHEE in engineering，management，and environmental studies．The rising use of these methods demonstrated their potential to address complex challenges．A significant leap occurred from 2015 to 2020 ，as citations surged from 1,912 to 15,638 ．This exponential increase reflects the integration of advanced tools，including artificial intelligence，hybrid frameworks，and fuzzy logic．MCDM became central to addressing pressing issues such as sustainability，healthcare systems，and renewable energy．Between 2021 and 2024，citations peaked，growing from 23，397 in 2021 to 34，960 in 2024. This phase marks the field＇s maturity，with wide－ranging applications in smart cities，climate action， and cutting－edge technologies like Industry 4.0 and the Metaverse．The consistent upward trend underscores MCDM＇s adaptability and relevance in tackling evolving decision－making needs．

The percentage of MCDM publications (Figure 6) with at least one citation from 2004 to 2024 reveals interesting trends regarding the academic impact of research over time. In the early years (2004-2006), citation activity was negligible, with no publications from 2004 and 2005 receiving citations. However, of the publications in 2007 and 2008 were cited, reflecting focused but impactful research contributions during these years. Between 2009 and 2015, the percentage of cited publications remained consistently high, ranging from to . This period signifies growing academic interest in MCDM as foundational methods such as AHP and TOPSIS gained traction. The slightly fluctuating citation percentages indicate increasing adoption and application across various fields. From 2016 to 2020, citation rates remained stable, with values hovering between and . The consistent citation activity during this period reflects the integration of advanced technologies like AI and hybrid MCDM models, further solidifying their relevance and impact. However, a declining trend began after 2020, with the percentage of publications with citations dropping from in 2021 to in 2024. This decline suggests a saturation of the field in some areas, with newer publications requiring more time to gain recognition and citations. The high volume of publications in recent years likely contributed to the lower percentage, as newer works often take time to establish influence.

Co-author analysis examines the collaborative efforts among researchers by analyzing coauthored publications. Using tools like VOSviewer, such analyses generate visual networks where nodes represent authors, and edges signify their collaborative relationships. This approach highlights prominent researchers, patterns of collaboration, and clusters of academic partnerships. Additionally, it can assess collaboration at various levels, such as between countries or institutions, offering valuable insights into research dynamics and fostering stronger academic connections [26].
I. Authors: This investigation identifies 6387 authors after removing texts with a maximum of 25 authors apiece. Of these, only 249 authors match the criteria of having at least four documents and a minimum of 4 citations. Figure 7 demonstrates that among the 249 authors, 141 researchers had the highest number of linked works.
The analysis of the top 10 authors (Table 3 ) in MCDM research underscores their pivotal roles in shaping the field through prolific contributions, impactful citations, and academic influence. Dragan Pamucar is a leader in productivity, with 48 publications and 1,277 citations, maintaining a commendable average of 26.60 citations per article, reflecting his consistent contributions across diverse areas of MCDM. Similarly, Muhammet Deveci demonstrates strong academic influence with 34 publications and an impressive average of 31.09 citations, underscoring his relevance and consistent impact. Notably, Jurgita Antucheviciene emerges as a standout with the highest average citations per article (66.60), highlighting her exceptional research quality and influence. Jianli Zhou (62.90) and Edmundas Kazimieras Zavadskas (45.52) further exemplify academic excellence, achieving substantial impact through their significant contributions to advancing methodologies and applications in MCDM. Arunodaya Raj Mishra balances productivity and influence effectively, with 27 publications and an average of 41.00 citations, reflecting his robust academic presence. Authors like Huchang Liao ( 23.97 citations per article) and Zeshui Xu (15.58) maintain steady academic impact through foundational and interdisciplinary work, contributing to the field’s growth and its application across various domains.

Meanwhile, Ali Ahmadian (11.25) and Daekook Kang (15.72) showcase focused contributions, excelling in niche areas of MCDM research. This group represents a dynamic balance between high
productivity and exceptional influence. While some, like Pamucar D. and Deveci M. lead with extensive publication records, others, such as Antucheviciene and Zhou, achieve remarkable perarticle impact, demonstrating the depth and quality of their research. Their work highlights the growing significance of MCDM in addressing complex decision-making challenges, bridging disciplines, and driving both theoretical advancements and practical applications globally.

ii. Organizations (Affiliations): VOSviewer also enables the analysis of organizations or affiliations that authors are associated with, in addition to examining individual authors [27]. By restricting the analysis to a maximum of 25 organizations per document, a total of 2315 organizations were found. After removing documents, only 386 organizations have at least 4 articles and citations that fit the criteria. Figure 8 demonstrates that out of these 386 organizations, 359 have the maximum number of linked works

The analysis of the top 10 organizations in MCDM research highlights (Table 4) their significant contributions in terms of productivity, citation impact, and collaboration strength. The University of Belgrade leads with 70 publications, 1,380 citations, and the highest total link strength (164), emphasizing its extensive research network and consistent influence. Sichuan University, with 54 publications and 1,388 citations, demonstrates high academic impact, while VilniusGediminas Technical University excels in collaboration with 101 link strength and 1,474 citations from 50 publications. The University of Defence, despite 26 publications, leads in citations , showcasing the remarkable quality of its research output. Institutions like the Naval Academy and Maulana Abul Kalam Azad University of Technology highlight the importance of collaboration and high-quality studies, with 885 and 1,615 citations, respectively. Organizations such as Yıldız Technical University and Istanbul Technical University maintain balanced contributions with steady productivity and strong academic influence. Lastly, Afyon Kocatepe University, with 17 publications and 914 citations, reflects a balanced role in advancing MCDM methodologies. The geographic diversity, from Europe to Asia, underscores the global effort in shaping this field through impactful and collaborative research.

ii. Countries: VOSviewer supports the analysis of nations inside co-authorship networks, enabling a full understanding of collaborative patterns [26]. This study identified 97 nations by eliminating articles that involved a maximum of 25 countries each. As indicated in Figure 9, only 75 organizations match the necessary criteria, which include having a minimum of 3 published papers and significant country-level citations.

The analysis of the top 10 countries in MCDM research highlights (Table 5) their significant contributions in publications, citations, and research impact. China leads with 570 publications and 13,967 citations, showcasing its dominance and a high average citation per article of 24.51 . India and Turkey are strong contributors, with 418 and 385 publications, respectively, maintaining impressive citation counts (India: 9,442; Turkey: 8,828) and similar average citations per article. The United Kingdom, with 122 publications and 4,565 citations, achieves the highest average citation per article (37.42), reflecting exceptional research quality and global influence. Similarly, the United States produces high-impact research with 111 publications, 3,415 citations, and an average of 30.77 citations per article. Spain and Serbia maintain a balanced contribution, combining robust publication output with strong citation performance, achieving 26.29 and 32.32 citations per article, respectively.

Emerging contributors like Saudi Arabia show growing influence with 119 publications and 2,282 citations, while Poland and Taiwan demonstrate consistent performance, with Poland achieving a higher average citation per article (26.47) than Taiwan (18.52). This analysis underscores these countries’ global efforts and diverse strengths in advancing MCDM research.

VOSviewer is a popular tool for bibliometric analysis, allowing researchers to look into citation relationships across various units, including documents and sources. Each aspect plays a different purpose in enriching citation analysis, offering precise insights into intellectual linkages and research trends [27].
i. Documents: The study of citations primarily focuses on specific academic publications, including journal articles, conference papers, books, and patents. Using VOSviewer, researchers can analyze citation links among these papers, find influential publications, track the history of ideas, and discover the intellectual framework of a certain field of study.
There are 2504 documents found in this analysis. Merely 1945 documents satisfy the criterion with a minimum of 3 citations each. Figure 10 illustrates that, of the 295 documents, 129 papers had the greatest number of related things.
Table 6 highlights the top 10 influential co-authors based on their citations and contributions to various fields. Stević et al., [14] lead with 866 citations in operations research, showcasing significant influence. Liu et al., [28] appear with 631 citations, reflecting impactful work in environmental science. Yadav et al., [29] and Slebi-Acevedo et al., [30] contribute prominently to sustainable development and decision sciences, respectively. Akram et al., [31] and Tzouramani et al., [32] emphasize optimization techniques and sustainability. Liao et al., [33] stand out for contributions to renewable energy, while Salimi et al., [34] and Rahimi et al., [35] focus on mathematical modeling and data science. These co-authors are affiliated with prestigious institutions, highlighting their research’s multidisciplinary nature and impact on global academic discussions

Sources: Journals and proceedings of conferences are significant examples of sources in academic publishing. With VOSviewer, scholars may assess trends in citations across different sources, often uncovering co-cited articles and comprehending their contribution to the knowledge base of a given topic or study area. There are 593 sources
in this analysis (Figure 11). Merely 174 sources satisfy the required minimum of 3 documents and source citations. Figure 11 illustrates that of the 174 sources, 170 have the most related items.

The top 10 journals contribute significantly to research across multidisciplinary domains (Table 7). The Journal of Cleaner Production leads with the highest citations, emphasizing its focus on sustainability and cleaner production practices. Expert Systems with Applications follows, showcasing advancements in intelligent systems and their practical implementations. Sustainability stands out for addressing global environmental and social challenges, while Symmetry contributes to diverse fields, including mathematics and theoretical studies. Highly cited journals like Environmental Science and Pollution Research and Renewable Energy underline the importance of environmental conservation and renewable energy solutions. Applied Soft Computing highlights developments in computational methods, while Energy Reports focuses on energy innovations. IEEE Access and Mathematics demonstrate a balance between engineering, technology, and fundamental sciences.

For readers, these journals serve as essential resources for staying informed about sustainability, energy, and computational sciences advancements. Researchers are encouraged to explore Applied Soft Computing and Expert Systems with Applications for cutting-edge AI research and practical solutions. At the same time, Sustainability and Renewable Energy provide insights into addressing environmental and societal challenges.

The systematic review of MCDM research reveals significant contributions to several United Nations SDGs, with notable progress in areas such as affordability and SDG 7, SDG 12, and SDG 13. MCDM methods have supported the optimization of renewable energy systems, sustainable manufacturing practices, and strategies for climate change mitigation, demonstrating their capacity to address pressing global challenges. Applications in industry, innovation, and SDG 9 and SDG 11 further highlight the role of these methods in urban planning, smart city development, and infrastructure optimization. Despite this progress, certain SDGs, such as SDG 1, SDG 10, and SDG 5, remain underexplored. Limited research has addressed decision-making frameworks for poverty alleviation, equitable resource distribution, and promoting inclusive growth. Similarly, the integration of MCDM in SDG 14 and SDG 15 is minimal, presenting opportunities to expand its application to these critical environmental areas. Future research could focus on integrating advanced technologies like artificial intelligence and IoT to address these gaps while fostering interdisciplinary collaboration and geographic diversity. By broadening its scope, MCDM can further enhance its contributions to achieving a sustainable and equitable future.

The evolution of MCDM methods has been significantly shaped by integrating advanced technologies such as artificial intelligence (AI), the Internet of Things (IoT), and the Metaverse. These technologies have enhanced the computational efficiency and flexibility of MCDM frameworks and broadened their applicability to modern, complex decision-making challenges. AI-driven MCDM models have emerged as powerful tools, leveraging machine learning algorithms to process large datasets, improve prediction accuracy, and enable adaptive decision-making. These systems have demonstrated exceptional value in domains such as healthcare, where they support resource prioritization and predictive diagnostics, and in renewable energy, optimizing energy production and distribution. IoT has further transformed decision-making processes by providing real-time data streams that can be directly integrated into MCDM frameworks. This capability has proven particularly impactful in smart cities, where loT sensors monitor parameters such as traffic flow, energy consumption, and environmental conditions, enabling efficient resource allocation and urban planning. IoT facilitates predictive maintenance and supply chain optimization in industrial settings, where MCDM methods prioritize alternatives based on operational data.

The Metaverse represents a cutting-edge frontier for MCDM applications, enabling decisionmakers to simulate, evaluate, and refine complex scenarios within immersive digital environments. For example, hybrid MCDM models have been applied to assess sustainable urban transportation
solutions in the Metaverse, offering valuable insights for real-world implementation. Additionally, the Metaverse supports collaborative decision-making by allowing stakeholders to engage in virtual simulations and jointly analyze outcomes. Case studies highlight the practical impact of these technologies. Hybrid AI-MCDM approaches have been successfully implemented in renewable energy projects, optimizing site selection for wind and solar farms. IoT-enabled MCDM applications in smart grids have improved energy distribution and reduced operational costs.

Furthermore, metaverse-based simulations have provided innovative solutions for virtual training, infrastructure planning, and disaster response. The integration of these technologies underscores the dynamic and adaptive nature of MCDM methods in addressing contemporary challenges. By leveraging advancements in AI, IoT, and the Metaverse, MCDM continues to evolve as a critical tool for informed decision-making, fostering innovation, and driving sustainable solutions across diverse domains.

This review of MCDM methods over the past two decades (2004-2024) highlights significant advancements in methodologies and their transformative applications. Techniques such as AHP, TOPSIS, PROMETHEE, and ELECTRE have been extended through hybrid models integrating AI, fuzzy logic, and machine learning, enhancing their capacity to address complex decision-making scenarios. These frameworks have been pivotal in fields such as engineering, healthcare, environmental science, and business, demonstrating their versatility and relevance in solving real-world problems. The analysis reveals consistent growth in MCDM research output, particularly between 2015 and 2024, accompanied by increasing citation trends that underscore its academic and industrial impact. Developed nations, including China, India, and the United States, lead in contributions, while emerging countries like Saudi Arabia and Poland are showing growing engagement. Despite this progress, geographic disparities persist, with limited representation from underdeveloped regions.

Co-authorship analysis underscores the importance of collaborative networks among leading authors and institutions. Influential contributors, such as Dragan Pamucar and Edmundas Kazimieras Zavadskas, and prominent institutions like the University of Belgrade, have played a crucial role in advancing the field. These collaborations highlight the interdisciplinary nature of MCDM and its ability to address multifaceted challenges.

The study also demonstrates MCDM’s critical contributions to the United Nations Sustainable Development Goals (SDGs), particularly SDG 7, SDG 12, and SDG 13. Applications in renewable energy, sustainable production, and climate mitigation exemplify the alignment of MCDM with global priorities. However, underexplored areas such as SDG 1, SDG 5, and SDG 10 present opportunities for future research to broaden its impact. Emerging technologies such as AI, IoT, and the Metaverse are reshaping the landscape of MCDM by enabling real-time data integration, immersive simulations, and advanced decision-making frameworks. Case studies demonstrate the practical benefits of these innovations in optimizing energy systems, smart cities, and industrial processes. While promising, these technologies require further development to overcome challenges related to computational complexity and accessibility.

Future research should focus on integrating MCDM with cutting-edge technologies to advance the field while expanding its applications to underrepresented regions and domains. Developing AIdriven frameworks, employing blockchain for secure decision-making, and leveraging metaverse platforms for virtual collaboration will enhance the adaptability and scalability of MCDM. Addressing geographic and technological disparities and exploring underutilized areas such as biodiversity conservation, social equity, and inclusive decision-making will ensure that MCDM remains a vital tool for addressing global challenges.

This research was not funded by any grant.

The authors declare no conflicts of interest.

[1] Kumar, R. (2025). A Comprehensive Review of MCDM Methods, Applications, and Emerging Trends. Decision Making Advances, 3(1), 185-199. https://doi.org/10.31181/dma31202569
[2] Kumar, R. (2024). Multi-Criteria Decision-Making Applications in Agro-based Industries for Economic Development: An Overview of Global Trends, Collaborative Patterns, and Research Gaps. Spectrum of Engineering and Management Sciences, 2(1), 247-262. https://doi.org/10.31181/sems21202431k
[3] Kumar, R. (2024). Artificial Intelligence (AI)-driven Transformation: Sustainable Development of Agro-based Industries in Bihar. International Journal for Multidisciplinary Research, 6(2). https://doi.org/10.36948/ijfmr.2024.v06i02.15935
[4] Kumar, R. & Kumari, K. (2024). Enhancing Economic Development through Inventory Management Optimization in Agro-based Industries in Bihar: A Comparative Study of EOQ and EPQ Models. International Journal for Multidisciplinary Research, 6(2). https://doi.org/10.36948/ijfmr.2024.v06i02.16892
[5] Kumar, R., Khan, A. K., & Goel, S. (2024). From farm to table: How AI is revolutionizing demand forecasting in agrobased industries. Blockchain and AI in business. Applications, Research and Insights, 81-99.
[6] Mokhtar, M. R., Abdullah, M. P., Hassan, M. Y., & Hussin, F. (2015). Combination of AHP-PROMETHEE and TOPSIS for selecting the best Demand Side Management (DSM) options. In 2015 IEEE Student Conference on Research and Development (SCOReD) (pp. 367-372). IEEE. https://doi.org/10.1109/scored.2015.7449357
[7] Kumar, R. (2024). Global Trends and Research Patterns in Financial Literacy and Behavior: A Bibliometric Analysis. Management Science Advances., 2(1), 1-18. https://doi.org/10.31181/msa2120256
[8] Zavadskas, E. K., Turskis, Z., & Kildiené, S. (2014). STATE OF ART SURVEYS OF OVERVIEWS ON MCDM/MADM METHODS. Technological and Economic Development of Economy, 20(1), 165-179. https://doi.org/10.3846/20294913.2014.892037
[9] Saoud, A., Lachgar, M., Hanine, M., Dhimni, R. E., Azizi, K. E., & Machmoum, H. (2025). decideXpert: Collaborative system using AHP-TOPSIS and fuzzy techniques for multi-criteria group decision-making. SoftwareX, 29, 102026.
[10] Radulescu, C. Z., & Radulescu, M. (2024). A Hybrid Group Multi-Criteria Approach Based on SAW, TOPSIS, VIKOR, and COPRAS Methods for Complex IoT Selection Problems. Electronics, 13(4), 789. https://doi.org/10.3390/electronics13040789
[11] Sivalingam C, & Subramaniam, S. K. (2024). Cobot selection using hybrid AHP-TOPSIS based multi-criteria decision making technique for fuel filter assembly process. Heliyon, 10(4), e26374. https://doi.org/10.1016/j.heliyon.2024.e26374
[12] Topaloğlu, F. (2024). Development of a new hybrid method for multi-criteria decision making (MCDM) approach: a case study for facility location selection. Operational Research, 24(4), 60. https://doi.org/10.1007/s12351-024-00871-4
[13] Stojčić, M., Zavadskas, E., Pamučar, D., Stević, Ž., & Mardani, A. (2019). Application of MCDM Methods in Sustainability Engineering: A Literature Review 2008-2018. Symmetry, 11(3), 350. https://doi.org/10.3390/sym11030350
[14] Stević, Ž., Pamučar, D., Puška, A., & Chatterjee, P. (2020). Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement of alternatives and ranking according to COmpromise solution (MARCOS). Computers & Industrial Engineering, 140, 106231. https://doi.org/10.1016/i.cie.2019.106231
[15] Mahmoodirad, A., Pamucar, D., Niroomand, S., & Simic, V. (2025). Data envelopment analysis based performance evaluation of hospitals – Implementation of novel picture fuzzy BCC model. Expert Systems with Applications, 263, 125775. https://doi.org/10.1016/j.eswa.2025.125775
[16] Karatas, M., Eriskin, L., Deveci, M., Pamucar, D., & Garg, H. (2022). Big Data for Healthcare Industry 4.0: Applications, challenges and future perspectives. Expert Systems with Applications, 200, 116912. https://doi.org/10.1016/j.eswa.2022.116912
[17] Pamučar, D., & Ćirović, G. (2015). The selection of transport and handling resources in logistics centers using MultiAttributive Border Approximation area Comparison (MABAC). Expert Systems with Applications, 42(6), 3016-3028. https://doi.org/10.1016/i.eswa.2014.11.057
[18] Deveci, M., Mishra, A. R., Gokasar, I., Rani, P., Pamucar, D., & Özcan, E. (2022). A Decision Support System for Assessing and Prioritizing Sustainable Urban Transportation in Metaverse. IEEE Transactions on Fuzzy Systems, 31(2), 475-484. https://doi.org/10.1109/TFUZZ.2022.3190613
[19] Pamucar, D., Deveci, M., Gokasar, I., Tavana, M., & Köppen, M. (2022). A metaverse assessment model for sustainable transportation using ordinal priority approach and Aczel-Alsina norms. Technological Forecasting and Social Change, 182, 121778. https://doi.org/10.1016/j.techfore.2022.121778
[20] Ala, A., Mahmoudi, A., Mirjalili, S., Simic, V., & Pamucar, D. (2023). Evaluating the Performance of various Algorithms for Wind Energy Optimization: A Hybrid Decision-Making model. Expert Systems with Applications, 221, 119731. https://doi.org/10.1016/j.eswa.2023.119731
[21] Chyad, M., Zaidan, B. B., Zaidan, A. A., Pilehkouhi, H., Aalaa, R., Qahtan, S., Alsattar, H. A., Pamucar, D., & Simic, V. (2024). Exploring adversarial deep learning for fusion in multi-color channel skin detection applications. Information Fusion, 114, 102632. https://doi.org/10.1016/j.inffus.2024.102632
[22] Leung, A. Y. T., & Zhang, H. (2009). Particle swarm optimization of tuned mass dampers. Engineering Structures, 31(3), 715-728. https://doi.org/10.1016/i.engstruct.2008.11.017
[23] Karagoz, S., Deveci, M., Simic, V., Aydin, N., & Bolukbas, U. (2020). A novel intuitionistic fuzzy MCDM-based CODAS approach for locating an authorized dismantling center: a case study of Istanbul. Waste Management & Research, 38(6), 660-672. https://doi.org/10.1177/0734242×19899729
[24] Simic, V., Gokasar, I., Deveci, M., & Isik, M. (2021). Fermatean Fuzzy Group Decision-Making Based CODAS Approach for Taxation of Public Transit Investments. IEEE Transactions on Engineering Management, 70(12), 4233-4248. https://doi.org/10.1109/tem.2021.3109038
[25] Deveci, M., Pamucar, D., Gokasar, I., Koppen, M., & Gupta, B. B. (2022). Personal Mobility in Metaverse With Autonomous Vehicles Using Q-Rung Orthopair Fuzzy Sets Based OPA-RAFSI Model. IEEE Transactions on Intelligent Transportation Systems, 1-10. https://doi.org/10.1109/tits.2022.3186294
[26] Kumar, R., & Sahoo, S. K. (2024). A Bibliometric Analysis of Agro-Based Industries: Trends and Challenges in Supply Chain Management. Decision Making Advances, 3(1), 200-215. https://doi.org/10.31181/dma31202568
[27] Kumar, R. (2025). Bibliometric Analysis: Comprehensive Insights into Tools, Techniques, Applications, and Solutions for Research Excellence. Spectrum of Engineering and Management Sciences, 3(1), 45-62. https://doi.org/10.31181/sems31202535k
[28] Liu, Y., Eckert, C. M., & Earl, C. (2020). A review of fuzzy AHP methods for decision-making with subjective judgements. Expert Systems with Applications, 161, 113738. https://doi.org/10.1016/j.eswa.2020.113738
[29] Yadav, V., Kalbar, P. P., Karmakar, S., & Dikshit, A. K. (2020). A two-stage multi-attribute decision-making model for selecting appropriate locations of waste transfer stations in urban centers. Waste Management, 114, 80-88. https://doi.org/10.1016/j.wasman.2020.05.024
[30] Slebi-Acevedo, C. J., Lastra-González, P., Calzada-Pérez, M. A., & Castro-Fresno, D. (2020). Effect of Synthetic Fibers and Hydrated Lime in Porous Asphalt Mixture Using Multi-Criteria Decision-Making Techniques. Materials, 13(3), 675. https://doi.org/10.3390/ma13030675
[31] Akram, M., Kahraman, C., & Zahid, K. (2021). Group decision-making based on complex spherical fuzzy VIKOR approach. Knowledge-Based Systems, 216, 106793. https://doi.org/10.1016/j.knosys.2021.106793
[32] Tzouramani, I., Mantziaris, S., & Karanikolas, P. (2020). Assessing Sustainability Performance at the Farm Level: Examples from Greek Agricultural Systems. Sustainability, 12(7), 2929. https://doi.org/10.3390/su12072929
[33] Liao, H., Peng, X., & Gou, X. (2020). Medical Supplier Selection with a Group Decision-Making Method Based on Incomplete Probabilistic Linguistic Preference Relations. International Journal of Fuzzy Systems, 23, 280-294. https://doi.org/10.1007/s40815-020-00885-y
[34] Salimi, A. H., Noori, A., Bonakdari, H., Masoompour Samakosh, J., Sharifi, E., Hassanvand, M., Gharabaghi, B., & Agharazi, M. (2020). Exploring the Role of Advertising Types on Improving the Water Consumption Behavior: An Application of Integrated Fuzzy AHP and Fuzzy VIKOR Method. Sustainability, 12(3), 1232. https://doi.org/10.3390/su12031232
[35] Rahimi, S., Hafezalkotob, A., Monavari, S. M., Hafezalkotob, A., & Rahimi, R. (2020). Sustainable landfill site selection for municipal solid waste based on a hybrid decision-making approach: Fuzzy group BWM-MULTIMOORAGIS. Journal of Cleaner Production, 248, 119186. https://doi.org/10.1016/i.jclepro.2019.119186