CHƯƠNG 1: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU
1.4. Tổng quan về GIS và phương pháp phân tích đa chỉ tiêu
1.4.2. Phương pháp phân tích đa chỉ tiêu
Phương pháp phân tích đa chỉ tiêu - MCA (Multi-Criteria Analysis) là một phép phân tích tổ hợp các chỉ tiêu khác nhau để cho ra một kết quả cuối cùng. Các ứng dụng của MCA chủ yếu là đánh giá tác động của một quá trình đến môi trường, hỗ trợ bài toán quy hoạch để lựa chọn vị trí phù hợp nhất cho một mục đích xác định, ... Các bước cơ bản của MCA như sau [21]:
1.4.2.1. Định chỉ tiêu
Bước đầu tiên trong phân tích đa chỉ tiêu là xác định các chỉ tiêu cần được xem xét. Đa số các trường hợp một chỉ tiêu không phải là một biến đơn giản mà là tổ hợp của các dữ liệu thuộc tính và hình học khác nhau.
Các chỉ tiêu trong phân tích đa chỉ tiêu (MCA) phục vụ cho việc thu thập và tổ chức dữ liệu đầu vào, đồng thời cũng là cơ sở để xây dựng các bản đồ và thông tin cần thiết cho quá trình phân tích. Qua các chức năng phân tích không gian của GIS, chúng ta sẽ có các thông tin cần thiết hay là bản đồ chiết xuất.
1.4.2.2. Phân khoảng các chỉ tiêu
Khi thực hiện phân tích đa chỉ tiêu (MCA), các chỉ tiêu cần được xếp hạng theo mức độ quan trọng và phù hợp với mục đích phân tích cụ thể.Vì vậy mà chúng phải được xếp theo thứ tự cho một mục đích riêng biệt. Có 2 cách tiếp cận để thực hiện sự phân hạng này là cách tiếp cận kiểu Boolean và cách tiếp cận kiểu nhân tố phân loại hoặc liên tục.
21
a. Cách tiếp cận kiểu Boolean
Cách tiếp cận này dựa trên việc phân vùng ra thành 2 nhóm: vùng thích hợp (giá trị 1) và vùng không thích hợp (giá trị 0). Trong cách tiếp cận này, các chỉ tiêu đều cần được chuyển sang kiểu giới hạn Boolean. Cuối cùng chúng được giải mã thành những bản đồ và chồng ghép để cho ra các vùng thỏa mãn tất cả các giới hạn (các giới hạn còn được gọi là constraint criteria). Cách tiếp cận kiểu Boolean rất hữu ích trong các tình huống đơn giản và khi các chỉ tiêu có thể được phân loại rõ ràng.
Tuy nhiên, khi đối mặt với các chỉ tiêu phức tạp và có mức độ quan trọng khác nhau, việc áp dụng các phương pháp phân tích đa chỉ tiêu khác, như kiểu nhân tố phân loại hoặc liên tục, có thể cần thiết để có cái nhìn toàn diện và chính xác hơn.
b. Cách tiếp cận nhân tố phân loại hoặc liên tục
Khi các chỉ tiêu có mức độ ảnh hưởng khác nhau và có sự biến thiên liên tục, phương pháp phân tích đa chỉ tiêu theo cách tiếp cận nhân tố phân loại hoặc liên tục là thích hợp hơn. Nếu các giá trị của các chỉ tiêu thể hiện mức độ biến thiên liên tục và có sự tương quan rõ ràng với nhau thì một thang tỷ lệ liên tục được xác lập. Để tạo thang tỷ lệ này thì dữ liệu giá trị cần được lập lại tỷ lệ. Phương pháp được sử dụng là phép định lại tỷ lệ kiểu tuyến tính:
𝑋𝑖 = (𝑥𝑖 − 𝑥min 𝑖)/(𝑥max 𝑖− 𝑥min 𝑖) (2.1)
𝑋𝑖: Định lại điểm số của nhân tố i 𝑥𝑖: Điểm gốc
𝑥min 𝑖: Điểm nhỏ nhất 𝑥max 𝑖: Điểm lớn nhất
Khi điểm số có giá trị tỷ lệ nghịch với mức độ thích hợp tức là giá trị càng thấp thì càng có điểm cao thì công thức sẽ được chuyển thành:
𝑋𝑖 = (𝑥max 𝑖 − 𝑥𝑖)/(𝑥max 𝑖 − 𝑥min 𝑖) (2.2)
Nếu các giá trị của các chỉ tiêu là giá trị số liên tục nhưng không có tương quan rõ ràng với mức độ thích hợp hoặc khi các giá trị không được thể hiện dưới dạng số thì các giá trị đó có thể được xếp hạng theo thang tỷ lệ phân loại.
1.4.2.3. Xác định trọng số
Việc xác định trọng số cho các chỉ tiêu là một bước quan trọng trong quá trình phân tích đa chỉ tiêu. Trọng số giúp phản ánh mức độ quan trọng tương đối của từng
22
chỉ tiêu trong việc đánh giá tính hợp lý của phương án quy hoạch. Trọng số của các chỉ tiêu có thể tính thông qua thuật toán thống kê, phép đo, hoặc dựa trên kinh nghiệm, hiểu biết chủ quan của chuyên gia. Quá trình phân tích phân cấp (Analytical Hierarchy Process - AHP) được phát triển bởi Thomas L. Saaty [23] là một kỹ thuật đưa ra quyết định mà ở đó có một số hữu hạn các lựa chọn, nhưng mỗi lựa chọn lại có những đặc tính khác nhau, khó khăn trong việc quyết định.
Phương pháp AHP một công cụ mạnh mẽ trong việc ra quyết định, đặc biệt khi làm việc trong nhóm hoặc trong các tình huống phức tạp đòi hỏi đánh giá nhiều tiêu chí. AHP có thể giúp xác định và đánh giá lượng hóa các tiêu chí, phân tích các dữ liệu thu thập được theo các tiêu chí đó, và thúc đẩy việc ra quyết định nhanh hơn, chính xác hơn. Nó giúp cân nhắc và đo lường các yếu tố cả về chủ quan và khách quan, tạo nên một cơ chế hữu dụng để đảm bảo tính nhất quán trong việc đánh giá, đo lường các giải pháp và các đề xuất được đưa ra trong nhóm làm việc.
Khi các chỉ tiêu khác nhau mà có cùng mức độ quan trọng, trọng số của từng nhân tố bằng 1. Tuy nhiên khi các chỉ tiêu có mức độ quan trọng khác nhau trong phân tích đa chỉ tiêu, cần xác định trọng số tương đối cho từng chỉ tiêu để phản ánh mức độ ảnh hưởng của chúng đến kết quả cuối cùng. Trọng số của các chỉ tiêu có thể tính thông qua thuật toán thống kê, phép đo, hoặc dựa trên kinh nghiệm, hiểu biết chủ quan của chuyên gia tùy thuộc vào tính chất của các chỉ tiêu và mục tiêu nghiên cứu.
Quy trình AHP là một phương pháp mạnh mẽ để ra quyết định trong các tình huống phức tạp với nhiều tiêu chí và lựa chọn. Quy trình này giúp so sánh và đánh giá các yếu tố khác nhau dựa trên trọng số tương đối của chúng. Một quy trình AHP có thể được tóm tắt thành 4 bước chính sau [24]:
1. Phân rã một số tình huống phi cấu trúc thành các thành phần nhỏ là một kỹ thuật quan trọng trong quản lý và phân tích.
2. Sắp xếp các thành phần hay các chỉ tiêu theo một thứ tự phân cấp giúp tổ chức và đánh giá các yếu tố một cách có hệ thống.
3. Gán giá trị cho những so sánh chủ quan về mức độ quan trọng của các chỉ tiêu. Việc so sánh này được thực hiện giữa các cặp chỉ tiêu với nhau và được tổng hợp lại thành một ma trận vuông cấp n, trong đó phần tử aij thể hiện mức độ quan trọng của chỉ tiêu ở hàng i so với chỉ tiêu ở cột j. Mức độ quan trọng của các chỉ tiêu được đánh giá dựa trên ý kiến của các chuyên gia theo thang điểm như trên hình 1.5.
23
Hình 1.6a minh họa cho ma trận mức độ quan trọng với số chỉ tiêu n = 3. X là tên các chỉ tiêu.
4. Tính toán và tổng hợp kết quả để xác định mức độ quan trọng của các chỉ tiêu. Cách thức đơn giản nhất được thực hiện như sau:
- Chuẩn hóa mức độ quan trọng của các chỉ tiêu là một bước quan trọng trong quy trình phân tích đa chỉ tiêu bằng AHP bằng cách lấy giá trị của các ô trong mỗi cột chia cho tổng giá trị của cột đó. (hình 1.6b)
- Tính giá trị trung bình của từng dòng trong ma trận cho ra trọng số tương ứng của các chỉ tiêu (hình 1.6c). Những trọng số này phản ánh tầm quan trọng tương đối của từng chỉ tiêu trong việc đánh giá tổng thể và ra quyết định trong phân tích đa chỉ tiêu.
Hình 1.5. Thang điểm so sánh mức độ quan trọng của các chỉ tiêu (các giá trị trung gian là 1/2, 1/4, 1/6, 1/8, 2, 4, 6, 8)
Xét một ví dụ về mức độ quan trọng của các chỉ tiêu X1; X2; X3:
X1 so với X2 = 1/3 (X2 quan trọng hơn X1) X1 so với X3 = 5 (X1 quan trọng hơn nhiều X3) X2 so với X3 = 7 (X2 quan trọng hơn rất nhiều X3)
24
a. Ma trận mức độ quan trọng
X1 X2 X3 X1 1 1/4 1/5
X2 4 1 1
X3 5 1 1
Tổng 10 2.25 2.2
Hình 1.6. Ví dụ về mức độ quan trọng của các chỉ tiêu và cách tính trọng số Ma trận mức độ quan trọng của các chỉ tiêu thường được xây dựng dựa trên ý kiến chuyên gia , cần chú ý các vấn đề sau để đảm bảo tính chính xác và đáng tin cậy của ma trận:
- Thứ nhất: Ma trận mức độ quan trọng của các chỉ tiêu trong phương pháp AHP dựa trên ý kiến chủ quan của người ra quyết định. Ví dụ chỉ tiêu X1 quan trọng hơn chỉ tiêu X2 nhưng giá trị quan trọng gấp bao nhiêu lần thì có thể tuỳ từng người.
- Thứ hai: Cần phải xem xét đến tính nhất quán của đánh giá. Tức là nếu chỉ tiêu X2 quan trọng gấp 3 lần chỉ tiêu X1, chỉ tiêu X1 quan trọng gấp 5 lần chỉ tiêu X3 thì về toán học, chỉ tiêu X2 sẽ quan trọng gấp 15 lần chỉ tiêu X3. Tuy nhiên, ý kiến chuyên gia trong thực tế sẽ không phải như vậy do họ không bao quát được tính logic của ma trận so sánh (và cũng không nên cố gắng bao quát nhằm đảm bảo tính khách quan của đánh giá).
Để đánh giá tính nhất quán của kết quả, người ta sử dụng tỷ số nhất quán của dữ liệu (Consistency Ratio - CR) theo các công thức sau:
(2.3) CI: Chỉ số nhất quán (Consistency Index)
RI: Chỉ số ngẫu nhiên (Random Index)
(2.4)
λmax: Giá trị đặc trưng của ma trận mức độ quan trọng b. Chuẩn hóa ma trận
X1 X2 X3
X1 0.1 0.111 0.091 X2 0.4 0.444 0.445 X3 0.5 0.444 0.445
Tổng 1 1 1
c. Trọng số chung X1 0.101 X2 0.433 X3 0.466
RI CR = CI
1 max
−
= − n CI n
25
n: số chỉ tiêu (trong ví dụ trên n = 3)
(2.5)
Wij: giá trị của các chỉ tiêu đã được chuẩn hóa của hàng i cột j
Đối với mỗi một ma trận so sánh cấp n, T.L. Saaty đã thử nghiệm tạo ra các ma trận ngẫu nhiên và tính chỉ số CI trung bình của chúng và gọi là RI - chỉ số ngẫu nhiên (bảng 1.2).
Bảng 1.2. Giá trị RI ứng với từng số lượng chỉ tiêu n
n 1 2 3 4 5 6 7 8 9 10
RI 0 0 0.52 0.89 1.11 1.25 1.35 1.40 1.45 1.49
Nếu giá trị tỷ số nhất quán CR < 0.1 là chấp nhận được và có thể được sử dụng để ra quyết định, nếu lớn hơn điều này cho thấy có sự không đồng nhất đáng kể trong các đánh giá và cần phải xem xét lại hoặc điều chỉnh các giá trị mức độ quan trọng giữa các cặp chỉ tiêu để giảm sự không đồng nhất.
1.4.2.4. Tích hợp các chỉ tiêu
Sau khi đã phân khoảng và tính trọng số của các chỉ tiêu thì việc tích hợp chúng cho ta tính được chỉ số thích hợp hoặc kết quả cuối cùng của các chỉ tiêu. Đây thực chất là một tổ hợp của các chỉ tiêu khác nhau. Công thức tính chỉ số cuối cùng là:
(2.6)
S: Chỉ số thích hợp Wi: Trọng số của chỉ tiêu i n: Tổng số chỉ tiêu Xi: Điểm của chỉ tiêu i
Kết quả cuối cùng của phân tích đa chỉ tiêu là bản đồ với chỉ số thích hợp cho từng vị trí. Trên cơ sở đó, người ra quyết định sẽ lựa chọn phương án thích hợp nhất là một trong số các phương án có chỉ số cao nhất.
+ +
+
=
=
=
= ...
max 1
33 3
1 3
22 3
1 2
11 3
1 1
w w w
w w
w n
i i i
i i
i
=
= n
i
i
i X
W S
1
) (
26