Comparison of Objective, Subjective and Integrated Criteria Weighting Methods: COVID-19 Application

Abstract

In performance measurement problems, the criteria that are effective in the decision-making process usually have different characteristics and levels of importance. Various weighting methods have been developed to rank the these criteria according to their importance levels. In this study, the input and output criteria affecting the performance of OECD countries in combating the COVID-19 epidemic were weighted with the objective weighting method CRITIC and the subjective weighting method fuzzy SWARA. Then, the weight values obtained from these two methods were combined with the SOWIA method, and the integrated weight values were obtained.Thus, the objective, subjective and integrated weighting methods are compared, which input and output variables are more important in the fight against the pandemic are determined. The number of doctors, nurses, hospital beds per 1000 people, the number of intensive care beds per 100,000 population, the rate of health expenditures in GDP, the rate of people over 65 years old in the population, rural population rate, diabetes prevalence rate, population density, the number of vaccines and tests per million people were used as input criteria, and the number of cases, recovered, and died per million people were used as output criteria. Thus, objective, subjective and integrated weighting methods were compared and it was determined which input and output criteria were more important in the fight against the pandemic. According to the CRITIC method, population density and the number of recoveries are the most important input and output criteria. According to the fuzzy SWARA method, intensive care bed capacity was the most important input, and the number of cases was the most important output criterion. According to the combined weights obtained by the SOWIA method, the most important input was the intensive care bed capacity, and the most important output criterion was the number of cases. The results obtained with the objective and subjective weighting methods used in practice differ. Therefore, considering the effects of both objective and subjective weighting methods, it may be preferable to find criterion weights to reach a single and final result.

Keywords

• COVID-19
• OECD
• CRITIC
• Fuzzy SWARA
• SOWIA

Nesnel, Öznel ve Bütünleşik Kriter Ağırlıklandırma Yöntemlerinin Karşılaştırılması: COVID-19 Uygulaması

Abstract

Performans ölçüm problemlerinde, karar verme sürecinde etkili olan kriterler genellikle farklı özelliklere ve önem düzeylerine sahiptir. Bu kriterleri önem düzeylerine göre sıralayabilmek için çeşitli ağırlıklandırma yöntemleri geliştirilmiştir. Bu çalışmada, OECD ülkelerinin COVID-19 salgını ile mücadele performanslarını etkileyen girdi ve çıktı kriterleri, nesnel ağırlıklandırma yöntemi olan CRITIC ve öznel ağırlıklandırma yöntemi olan bulanık SWARA ile ağırlıklandırılmış, daha sonra bu iki yöntemden elde edilen ağırlık değerleri SOWIA yöntemi ile birleştirilerek bütünleşik ağırlık değerleri elde edilmiştir. Böylece nesnel, öznel ve bütünleşik ağırlıklandırma yöntemleri karşılaştırılmış, salgın ile mücadelede hangi girdi ve çıktı kriterlerinin daha önemli olduğu belirlenmiştir. Çalışma kapsamında 1000 kişi başına doktor, hemşire ve hastane yatağı sayısı, 100.000 nüfus başına yoğun bakım yatak sayısı, sağlık harcamalarının GSYİH içindeki oranı, 65 yaş üstü kişi sayısının toplam nüfus içindeki oranı, kırsal nüfus oranı, şeker hastalığı yaygınlık oranı, nüfus yoğunluğu, milyon kişi başına aşı ve test sayıları girdi kriterleri olarak alınırken; milyon kişi başına vaka, iyileşen ve ölen sayıları çıktı kriterleri olarak alınmıştır. CRITIC yöntemine göre nüfus yoğunluğu ve iyileşen sayısı en önemli girdi ve çıktı kriterleridir. Bulanık SWARA yöntemine göre yoğun bakım yatak kapasitesi en önemli girdi, vaka sayısı ise en önemli çıktı kriteri olmuştur. SOWIA yöntemi ile elde edilen birleştirilmiş ağırlıklara göre ise en önemli girdi yoğun bakım yatak kapasitesi, en önemli çıktı kriteri vaka sayısı olmuştur. Uygulamada kullanılan nesnel ve öznel ağırlıklandırma yöntemleri ile elde edilen sonuçlar farklılık göstermektedir. Bu nedenle hem nesnel hem öznel ağırlıklandırma yöntemlerinin etkilerini dikkate alarak kriter ağırlıklarının bulunması tek ve nihai bir sonuca ulaşılması için tercih edilebilir.

Keywords

• COVID-19
• OECD
• CRITIC
• Bulanık SWARA
• SOWIA

References

1. Akçakanat, Ö., Aksoy, E., & Teker, T. (2018). CRITIC ve MDL Temelli Edas Yöntemi ile Tr-61 Bölgesi Bankalarinin Performans Değerlendirmesi. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 1(32), 1-24
2. Akçakaya, E. D. U., & Ömürbek, N. (2021). OECD Ülkelerinin Demokrasi Kalitesi Göstergeleri Açısından Kümelenmesi. OPUS Uluslararası Toplum Araştırmaları Dergisi, 18(Yönetim ve Organizasyon Özel Sayısı), 1365-1393.
3. Alemi-Ardakani, M., Milani, A. S., Yannacopoulos, S., & Shokouhi, G. (2016). On the effect of subjective, objective and combinative weighting in multiple criteria decision making: A case study on impact optimization of composites. Expert Systems with Applications, 46, 426-438.
4. Cengiz, D. (2012). Çok kriterli karar verme yöntemleri üzerine karşılaştırmalı analiz.
5. Çerçi, M. (2020). Sürdürülebilir tedarikçi seçimi: bulanık swara ve bulanık moora uygulamaları. Yüksek lisans tezi, Kocaeli üniversitesi.
6. Çırak, B. (2018). Şirketlerin mali verilerinden yararlanarak çok kriterli karar verme yöntemleriyle finansal performanslarının analizi.
7. Demir, G. (2021). Türk Çimento Firmalarının Finansal Performansının Bulanık SWARA-COPRAS-MAUT Yöntemleri ile Karşılaştırılması. Gaziantep University Journal of Social Sciences, 20(4), 1875-1892.
8. Demir, G., & Bircan, H. (2020). Kriter ağırlıklandırma yöntemlerinden bwm ve fucom yöntemlerinin karşılaştırılması ve bir uygulama. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 21(2), 170-185.

9. Demircioğlu, M., & Coşkun, İ. T. (2018). CRITIC-MOOSRA yöntemi ve UPS seçimi üzerine bir uygulama. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 27(1), 183-195
10. Deng, H., Yeh, C., Willis, R. J., (2000). Inter-company comparison using modified TOPSIS with objective weights. Computers & Operations Research, 27(10), 963-973.
11. Diakoulaki, D., Mavrotas, G., & Papayannakis, L. (1995). Determining objective weights in multiple criteria problems: The critic method. Computers & Operations Research, 22(7), 763-770.
12. Durmuş, M., & Tayyar, N. (2017). AHP ve TOPSIS ile farklı kriter ağırlıklandırma yöntemlerinin kullanılması ve karar verici görüşleriyle karşılaştırılması. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 12(3), 65-80.
13. Forman, E. H. & Selly, M. A. (2001). Decision by Objectives: How to Convince Others that You are Right. World Scientific Press.
14. Gupta, S., Vijayvargy, L., & Gupta, K. (2021). Assessment of stress level in urban area’s during COVID-19 outbreak using critic and topsis: A case of Indian cities. Journal of Statistics and Management Systems, 24(2), 411-433.
15. Güler, A. (2021). Farklı kriter ağırlıklandırma yöntemleri ile veri zarflama analizi: Türkiye’deki devlet üniversitesi hastanelerinde uygulama.
16. Harris, R. (1998). Introduction to Decision Making, VirtualSalt. http://www.virtualsalt.com/crebook5.htm.
17. Hashemkhani Zolfani, S., Yazdani, M., Ebadi Torkayesh, A., & Derakhti, A. (2020). Application of a gray-based decision support framework for location selection of a temporary hospital during COVID-19 pandemic. Symmetry, 12(6), 886.
18. Karakış, E. (2021). CRITIC ve MAUT Yöntemleriyle bir Tekstil Firması için Makine Seçimi. Avrupa Bilim ve Teknoloji Dergisi, (27), 842-848. DOI: 10.31590/ejosat.994697
19. Keršuliene, V., Zavadskas, E. K., & Turskis, Z. (2010). Selection of rational dispute resolution method by applying new step‐wise weight assessment ratio analysis (SWARA). Journal of business economics and management, 11(2), 243-258.
20. Mavi, R. K., Goh, M., & Zarbakhshnia, N. (2017). Sustainable third-party reverse logistic provider selection with fuzzy SWARA and fuzzy MOORA in plastic industry. The International Journal of Advanced Manufacturing Technology, 91(5), 2401-2418.
21. OECD. “OECD Data”. Erişim: 25 Ekim 2021. https://data.oecd.org/.
22. Orhan, M. (2019). Türkiye ile Avrupa Birliği Ülkelerinin Lojistik Performanslarının Entropi Ağırlıklı Edas Yöntemiyle Karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, (17), 1222-1238. DOI: 10.31590/ejosat.657693
23. Our Wordl in Data. “Coronavirus Pandemic (COVID-19)”. Erişim: 25 Ekim 2021. https://ourworldindata.org/coronavirus.
24. Ömürbek, N., Yıldırım, H., Parlar, G., & Karaatlı, M. (2021). Crıtıc Yöntemi ve Oyun Teorisi Bütünleşik Yaklaşımı ile Hastane Performanslarının Değerlendirilmesi. Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 8(1), 539-560.
25. Sait, G. Ü. L. Hastane Yeri Seçiminde Nesnel Ağirliklandirmali Sezgisel Bulanik Vikor Yöntemi. Endüstri Mühendisliği, 32(2), 177-200.
26. Şahin, M. (2020). Endüstriyel Robot Seçimi için Hibrit Çok Kriterli Karar Yaklaşımı. Avrupa Bilim ve Teknoloji Dergisi, Ejosat Özel Sayı 2020 (ISMSIT), 1-9. DOI: 10.31590/ejosat.818275
27. Şengül, D., & Cagıl, G. (2020). Bulanık SWARA ve Bulanık Analitik Hiyerarşi Prosesi yöntemi ile iş değerlemesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 11(3), 965-976.
28. The World Bank. “World Bank Open Data”. Erişim: 25 Ekim 2021. https://data.worldbank.org/.
29. Worldometers. “COVID Live- Coronavirus Statistics “. Erişim: 25 Ekim 2021. https://www.worldometers.info/coronavirus/. Zaher, H., Khalifa, H. A., & Mohamed, S. (2018) Grey Multi Criteria Decision Making Methods.
30. Zarbakhshnia, N., Soleimani, H., & Ghaderi, H. (2018). Sustainable third-party reverse logistics provider evaluation and selection using fuzzy SWARA and developed fuzzy COPRAS in the presence of risk criteria. Applied Soft Computing, 65, 307-319.
31. Zolfani, S. H., Salimi, J., Maknoon, R. ve Kildiene, S. (2015). Technology foresight about R&D projects selection; application of SWARA method at the policy-making level. Engineering Economics, 26(5), 571-580.