Intuitionistische fuzzy-Ansatz basierend auf Korrelationskoeffizient und signloser Laplace-Energie mit Anwendungen

Weise wählen, wenn Informationen unscharf sind

Große Entscheidungen – etwa die Investition in ein Elektroauto, eine neue Technologie oder ein öffentliches Projekt – werden selten auf der Grundlage perfekter Informationen getroffen. Expertinnen und Experten sind oft nur teilweise sicher, können uneins sein oder zögern, weil die Zukunft unsicher ist. Dieser Artikel stellt einen mathematischen Werkzeugkasten vor, der dieses Zögern und die Meinungsverschiedenheit treuer abbildet, sodass Gruppen Entscheidungen treffen können, die bei unscharfen Fakten sowohl transparent als auch robust sind.

Warum gewöhnliche Durchschnitte nicht ausreichen

Die meisten Entscheidungsverfahren gehen davon aus, dass jede Option sauber auf einer Skala bewertet und dann gemittelt oder gewichtet werden kann, um eine Rangfolge zu erzeugen. In der Realität denken Expertinnen und Experten oft in Begriffen wie „fast gut“, „wahrscheinlich nicht“ oder „ich bin mir nicht sicher“. Die traditionelle Fuzzy-Logik erlaubt es, anzugeben, wie stark etwas zu einer Kategorie gehört, drückt jedoch nicht gleichzeitig Ablehnung und Zweifel klar aus. Die Autorinnen und Autoren bauen auf einer reicheren Idee auf, die als „intuitionistischer fuzzy-Graph“ bezeichnet wird: Jede Verbindung trägt drei Informationen in sich — wie stark sie unterstützt wird, wie stark sie abgelehnt wird und wie unsicher man sich dabei ist. Das ergibt ein realistischeres Bild unordentlicher menschlicher Urteile.

Struktur und Ähnlichkeit zusammendenken

Sobald Expertenmeinungen in dieser Graphform kodiert sind, stellt sich die Frage, wie man diese Struktur in eine faire Rangfolge der Optionen überführt. Die Arbeit verbindet zwei komplementäre Perspektiven. Die erste Perspektive betrachtet die Gestalt des Graphen selbst mittels einer Größe, die „signlose Laplace-Energie“ genannt wird und als struktureller Score verstanden werden kann: Optionen, die in stärkeren, unterstützenden Mustern im Netzwerk sitzen, erhalten mehr Gewicht. Die zweite Perspektive untersucht, wie ähnlich sich verschiedene Optionen sind, mithilfe einer Korrelations-ähnlichen Messgröße, die angibt, wann Alternativen in ähnlicher Weise beurteilt werden. Durch das Zusammenführen dieser beiden Blickwinkel — Struktur und Ähnlichkeit — vermeidet das Rahmenwerk eine zu starke Abhängigkeit entweder von rohen Durchschnitten oder rein statistischen Vergleichen.

Von Expertenurteilen zu endgültigen Ranglisten

Die Autorinnen und Autoren beschreiben einen schrittweisen Prozess zur Anwendung ihrer Methode bei Gruppenentscheidungen. Expertinnen und Experten bewerten zunächst jede Option (etwa mehrere Elektroautomodelle) anhand zentraler Kriterien wie Reichweite, Sicherheit und Preis, wobei sie intuitionistische fuzzy-Zahlen verwenden, die Unterstützung, Ablehnung und Zögern kodieren. Diese Bewertungen bilden für jedes Kriterium ein Netzwerk, aus dem strukturelle Energie-Werte berechnet werden. Die Energie-Werte werden dann in objektive Gewichte für die Kriterien überführt und reduzieren damit die Notwendigkeit von willkürlichen, subjektiven Wichtigkeitsbewertungen. Separat erfassen Korrelationsmaße, wie ähnlich sich die Paare von Optionen wahrgenommen werden. Die Methode vereint diese Zutaten zu Gesamtscores durch zwei leicht unterschiedliche Prozeduren, die beide mathematisch konsistent, aber konzeptionell einfach gehalten sind: Eine aggregiert Werte zu einem einzigen fuzzy-Score pro Option, die andere stützt sich direkter auf Ähnlichkeiten zu idealen und nicht-idealen Referenzpunkten.

Anwendung der Methode auf Elektroautos

Um zu zeigen, wie das Rahmenwerk in der Praxis funktioniert, wenden die Autorinnen und Autoren es auf eine stilisierte Investitionsentscheidung zwischen vier Elektroautos an. Expertinnen und Experten bewerten jedes Modell in Bezug auf Reichweite, Sicherheitsausstattung und Preis unter Unsicherheit. Die Methode berechnet anschließend die strukturellen Energien für jedes Kriteriennetzwerk, leitet Kriteriengewichte ab, misst, wie ähnlich sich die Autos zueinander sind, und reiht sie schließlich. Beide Verfahren kommen zur gleichen Reihenfolge: Ein Auto (als A bezeichnet) liegt durchgehend vorn, während ein anderes (D) am Ende rangiert. Wichtig ist, dass diese Rangfolge stabil bleibt, selbst wenn das Verhältnis zwischen Struktur- und Korrelationsinformationen innerhalb plausibler Grenzen verändert wird, was darauf hindeutet, dass das Ergebnis nicht überempfindlich gegenüber Einstellungsparametern im Modell ist.

Was das für reale Entscheidungen bedeutet

Einfach gesagt bietet die Studie eine Methode, um unscharfe, zögerliche Expertenurteile in klare, nachvollziehbare Rangfolgen konkurrierender Optionen zu verwandeln. Indem Unterstützung, Ablehnung und Unsicherheit explizit modelliert und der Blick darauf, wie Optionen miteinander verknüpft sind, mit dem Blick darauf kombiniert wird, wie ähnlich sie sind, liefert die Methode Entscheidungen, die weniger willkürlich und robuster sind. Während das Beispiel der Arbeit auf die Auswahl eines Elektroautos fokussiert ist, könnten dieselben Ideen Entscheidungen in Bereichen wie nachhaltigen Energieprojekten, Finanzprodukten oder öffentlicher Infrastruktur leiten — überall dort, wo Gruppen unter Unsicherheit entscheiden müssen und ihre Argumentation systematisch und transparent gestalten wollen.

Zitation: Atheeque, A.M., Basha, S.S. Intuitionistic fuzzy approach based on correlation coefficient and signless Laplacian energy with applications. Sci Rep 16, 6315 (2026). https://doi.org/10.1038/s41598-026-36485-3

Schlüsselwörter: Entscheidungsfindung unter Unsicherheit, Fuzzy-Graphen, Auswahl von Elektrofahrzeugen, Gruppenentscheidungsmethoden, Korrelation- und Energiewerte