dd 01 george savii

DEZVOLTARE DURABIL: METODE I MIJLOACE DE ANALIZ-EVALUARE-MONITORIZARE A DEZVOLTRII SUSTENABILE A

SISTEMELOR TEHNICO-ECONOMICE

prof. George Savii

2014

Investete n oameni!FONDUL SOCIAL EUROPEANTitlul proiectului: Burse doctorale i postdoctorale pentru cercetare de excelenNumrul de identificare al contractului: POSDRU/159/1.5/S/134378

1. INTRODUCERE

"Dezvoltarea durabil este dezvoltarea care satisface nevoileprezente fr a compromite capacitatea generaiilor viitoarede a-i satisface propriile nevoi" (World Commission onEnvironment & Development, 1987).

Summit-ul mondial 2005 asupra dezvoltrii sociale a identificatobiectivele de dezvoltare durabil: dezvoltarea economic,dezvoltarea social i protecia mediului.

Dezvoltarea durabil const n eforturile locale i globale pentrusatisfacerea nevoilor de baz fr distrugerea sau degradareamediului natural.

INTRODUCERE (cont.)Dezvoltarea durabil implic un consum de resurse cu impact

negativ intern sau extern minim. Un sistem sau un proces estedurabil (sustenabil) dac intrrile i ieirile sale au impactnegativ minim asupra mediului su. Un sistem care nu estesustenabil duce adesea la eecul (uneori catastrofal) alsistemului n sine sau al altor sisteme din mediul su.

Abordrile de mediu iau n considerare faptul c ecosistemelesntoase ofer bunuri i servicii vitale pentru oameni i alteorganisme. Exist dou moduri principale de reducere aimpactului negativ asupra omului i de mbuntire aserviciilor legate de ecosistem: managementul de mediu(atmosfera, apa dulce i oceanele i utilizarea terenului) igestionarea consumului uman (energie, ap, alimente,materiale, substane toxice i deeuri).

INTRODUCERE (cont.)

Abordrile inginereti msoar procesele tehnice n locuridiverse, distribuite, pentru a reduce la minim consumul deresurse. Pe lng cantitatea mare de date i distribuia lor,procesul de msurare trebuie s fie neles, administrat icontrolat. Coleciile de date din abordrile de mediu i celeinginereti referitoare la sustenabilitate sunt provocri pentruprelucrrile de tip data mining (minerit de date) prin diverseaspecte: scalabilitatea, integrarea, distribuia, predicia ntimp real, date spaio-temporale, inteligibilitatea (Morik et al.,2012).

O economie verde este definit ca una care duce la cretereabunstrii umane i a echitii sociale, n timp ce reducesemnificativ riscurile de mediu i problemele ecologice.

2. MSURAREA4645&/"#*-*5**

Msurarea sustenabilitii este un termen care indic metodelefolosite ca baz cantitativ pentru gestionarea informaiei desustenabilitate. Metricile folosite pentru msurareasustenabilitii (care implic domeniile mediu, social ieconomic, att individual, ct i n diverse combinaii) sunt nevoluie: acestea includ indicatori, repere, audituri, standarde desustenabilitate i sisteme de certificare.

2.1 INDICI DE SUSTENABILITATE COMPOZI*

Environmental Performance Index (EPI): se bazeaz pe o abordare de tip proximitate-la-int, care msoar performana unei ri raportat la o int absolut stabilit prin acorduri internaionale, standarde naionale sau consens

European Sustainability Index: descrie situaia dezvoltrii unui ora avnd n vedere o serie de elemente reprezentative i o compar cu situaia din anii anteriori

Sustainable Process: combin factori obiectivi, n special costurile (costurile pe ciclul de via, Life cycle cost - LCC) mpreun cu problemele subiective precum eficiena resurselor, beneficii de performan, eficiena deeurilor, beneficii sociale i impactul asupra mediului

"/"-*;"%&$*;*0/"-.6-5*-$3*5&3*"-

Procedurile statistice ofer un set de instrumente care permitecercettorilor s sumeze constatrile lor empirice ntr-un modcare poate fi cu uurin prezentat audienei avute n vedere ipoate fi neles fr dificultate. Analiza multivariat cuprindeun set de tehnici dedicate examinrii de relaii ntre mai multde dou variabile, care sunt aleatoare, dar interdependente,astfel nct efectele lor diferite nu pot fi interpretate n modsemnificativ separat (Roman, 2012).

"/"-*;"%&$*;*0/"-.6-5*-$3*5&3*"-- Etape

1. Stabilirea contextului decizional2. Definirea opiunilor3. Definirea criteriilor4. Construirea matricei de decizie5. Standardizarea valorilor (notelor/punctajelor)6. Stabilirea ponderilor criteriilor7. Calcularea scorurilor sintetice ale opiunilor8. Stabilirea clasamentului (ierarhiei) opiunilor9. Analiza rezultatelor i prezentarea lor

"/"-*;"%&$*;*0/"-.6-5*-$3*5&3*"-(cont.)

Metodele descrise n general ca analiza criteriilor multiple(MCA), care au baza n cercetarea operaional, au sugeratun cadru teoretic capabil de a capta esena dezvoltriidurabile, n timp ce rmn operaionale i implementabile(Munda et al., 1994).

Metoda selectat pentru formularea criteriilor de compuneretrebuie s permit sumarea ponderat a indicatorilorcantitativi individuali, ceea ce impune ca metoda s fiebazat pe utilitate sau valori, cantitativ n format i s ofereo msur cardinal a diferenelor ponderate ntre indicatori,nu doar diferene ordinale (Nijkamp et al., 1990).

"/"-*;"%&$*;*0/"-.6-5*-$3*5&3*"--Implementare

Au aprut numeroase tehnici pentru luarea deciziilor utilizndcriterii multiple. Unele dintre tehnicile mai simple i utileinclud Scoring Multi-Attribute Analysis (analiza multi-atribut cunotare - SMAA), Multi-attribute utility theory (teoria utilitiimulti-atribut - MAUT), regresia multipl (MR), programarealiniar (LP), analiza clusterelor (CA), Multivariate DiscriminantAnalysis (analiza multivariat discriminant - MDA), metodasumei ponderate (WSM), analiza componentelor principale(PCA) i Analytical Hierarchy Process (procesul ierarhieianalitice - AHP).

MetodaQPOEFSSJJsimple aditive (SAW)

Este o versiune clasic a metodei valorii multi-atribut. Estestabilit o funcie numeric bazat pe simpla sumare ascorurilor care reprezint realizarea obiectivului conformfiecrui criteriu, nmulite cu ponderile particulare (Qin etal., 2008). Factorii de decizie pot s declare o funcieunidimensional normalizat, de obicei, pe intervalul [0, 1],cel mai bun scor la fiecare criteriu primind o valoare deutilitate de 1, iar cel mai slab primete 0. Cu ct este maimare suma ponderat a valorilor de utilitate, cu att maibun este opiunea. n aceast metod, este posibil ocompensare complet ntre criterii i este intuitiv pentrufactorii de decizie.

Analiza multi-atribut cu notare (SMAA)

Se realizeaz n urmtorii pai (Deelstra, 1998):a. Creeaz o list de criterii ce urmeaz a fi luate n considerare.b. Atribuie o pondere fiecrui criteriu, care descrie importana

relativ a criteriului.c. Atribuie o not pentru fiecare criteriu care arat ct de bine

ndeplinete criteriul fiecare opiune.d. Calculeaz punctajul pentru fiecare opiune ca sum ponderat

a notelor pe criterii.e. Ordoneaz opiunile de la cel mai mare scor la cel mai mic scor

pentru a obine clasamentul opiunilor pentru decizie conformmodelului de notare/evaluare adoptat. Opiunea cu cel maimare scor este cea recomandat pentru luarea deciziei.

n cea mai simpl form, toate ponderile sunt considerate egale.

5FPSJBVUJMJUJJmulti-atribut (MAUT)

Este similar cu SMAA, cu excepia faptului c utilizeaz "utilitatea" pentru a cuantifica componentele subiective ale atributelor.

3FHSFTJBNVMUJQM.3Este o tehnic statistic folosit pentru a dezvolta un model pentru

observarea i estimarea efectului unui numr de variabileindependente asupra unei variabile dependente.

n general, un model de regresie multipl pentru estimarea unuirezultat este exprimat ca o funcie convenabil de variabileindependente (de exemplu polinomial sau exponenial).

Analiza cluster (CA)

Este un instrument de optimizare pentru identificarea valoriimaxime sau minime a unei funcii lineare numit funcieobiectiv, supus unei serii de restricii lineare.

Este un instrument pentru gruparea obiectelor de tip similar ncategorii sau n clase. Pot fi descoperite asociaii i structurri ndate, care pn atunci nu au fost evidente.

Pentru luarea deciziilor, nti este folosit un algoritm de clasificarepentru a grupa opiunile/obiectele ntr-un numr de grupuri(clustere), astfel nct opiunile dintr-un cluster suntasemntoare i deosebite de cele din alte clustere. Acest lucrureduce mulimea iniial de opiuni n submulimi cu elementeasemntoare, mai uor de manipulat.

ProgramareaMJOJBSEF-1

Analiza NVMUJWBSJBUdiscriminant (MDA)

Este o tehnic de analiz statistic, ce se ocup cu separarea demulimi distincte de obiecte (sau observaii), pe bazavariabilelor lor independente observate (Aczel, 2009). Tehnicancepe prin a gsi cea mai discriminatorie variabil (ce are ceamai mare entropie informaional), care este apoi combinat,pe rnd, cu fiecare din celelalte variabile, pn este gsiturmtoarea variabil care contribuie cel mai mult ladiscriminarea ntre grupuri. Procesul continu n mod similar,pn n momentul n care discriminarea dobndit prinincluderea oricrei alte variabile suplimentare este neglijabil.

Metoda sumei ponderate (WSM)

Evalueaz fiecare opiune cu privire la fiecare criteriu i apoimultiplic nota de la evaluare cu un factor de importan acriteriului. Acest produs este nsumat pentru toate criteriilepentru respectiva opiune, pentru a genera scorul opiunii,utilizat pentru ordonare.

n combinarea diferitelor dimensiuni i, prin urmare, a diferiteloruniti de msur, ipoteza aditivitii utilitii ar putea finclcat, astfel nct aplicarea la problemele decizionalemultidimensionale ar putea fi dificil.

Analiza componentelor principale (PCA)

Ideea central este de a reduce dimensionalitatea unui set de dateconstnd dintr-un numr mare de variabile interdependente,pstrnd n acelai timp ct mai mult posibil variaia prezent nsetul de date.

Acest lucru este realizat prin transformarea la un nou set devariabile, componentele principale (PC), care sunt necorelate icare sunt ordonate astfel nct primele cteva pstreaz celemai multe variaii prezente n toate variabilele originale(Jolliffe, 2002).

Procesul ierarhiei analitice (AHP)

Esena procesului este descompunerea unei probleme complexentr-o ierarhie cu scopul (obiectivul) la partea de sus a ierarhiei,criteriile i sub-criteriile la nivelurile i sub-nivelurile ierarhicinferioare, i opiunile pentru decizie la partea inferioar a ierarhiei.

Elementele de la un nivel dat al ierarhiei sunt comparate pe perechipentru a evalua preferina lor relativ fa de fiecare din elementelede la nivelul imediat superior. Sunt folosite scri de rapoarte de valorii comparaii verbale/lingvistice pentru evaluarea elementelorcuantificabile i necuantificabile.

Metoda calculeaz i agregheaz vectorii proprii ai matricelor curapoarte de note pn cnd se obine vectorul final compozit cucoeficienii de pondere ai opiunilor. Elementele vectorului final cucoeficienii de pondere reflect importana relativ a fiecrei opiunirelativ la scopul declarat n partea superioar a ierarhiei.

ELECTRE (Elimination Et Choix Traduisant la Ralit)

Este o metod de surclasare n care clasamentul opiunilor esterealizat prin comparaii n pereche. Pentru fiecare pereche deopiuni, sunt combinate msuri de concordan i discordanpentru a crea o msur a surclasrii. Rezult o matrice denumit imatricea de credibilitate, care indic tria afirmaiei c ''a este celpuin la fel de bun ca a' ''.

Un clasament al opiunilor obinut din matricea de credibilitatenglobeaz conceptele de distilare ascendent i descendent icalificarea proiectelor.

Avantajul metodei ELECTRE este c compromisurile ntre mai multeatribute sunt compensatorii i informaia coninut n matricea dedecizie este utilizat n totalitate.

TOPSIS(The Technique Ordered Preference by

Similarity to the Ideal Solution)

Metoda este o abordare pentru a identifica opiuneacare este cea mai apropiat de soluia ideal(favorabil) i cea mai deprtat de soluia idealnegativ ntr-un spaiu de calcul multidimensional.

Metoda necesit un numr minim de date de la utilizatori rezultatul produs este uor de neles.

PROMETHEE (Preference Ranking Organization Method for Enrichment Evaluation )

Importana relativ a unei opiuni fa de alta estemodelat ca unul din cele ase tipuri de criteriigeneralizate: obinuit (punct), cvasi-criteriu (n formde U - zon de indiferen), preferin linear(triunghiular), platou (cu doua niveluri), preferinlinear i zon de indiferen, respectiv gaussian.

MACBETH (Measuring Attractiveness through a Category Based Evaluation Technique )

Metoda necesit doar judeci calitative despre diferenade atractivitate ntre dou elemente la un momentdat, pentru a genera scoruri numerice pentru opiuniconform fiecrui criteriu i pentru a calcula ponderilecriteriilor.

Scorurile numerice ale opiunilor sunt ulterior agregateaditiv pentru a calcula scorurile de ansamblu, carereflect atractivitatea lor innd cont de toatecriteriile.

"/"-*;"%&$*;*0/"-.6-5*-$3*5&3*"-DPOU

Uneltele de analiz decizional multicriterial (MCDA)pot fi personalizate pentru a include judeci devaloare ale factorilor de decizie individuali sau ajudectorilor multiplii. Cele mai multe metodologii deanaliz pentru decizii au pai similari de organizare adatelor ntr-o matrice de decizie (numit i matriceaperformanelor), dar acestea difer n sintetizareainformaiilor n matrice i n ordonarea opiunilor(Khalili i Duecker, 2013).

"/"-*;"%&$*;*0/"-.6-5*-$3*5&3*"-DPOU

Raporturile ntre obiective, sub-obiective i criterii pot fifcute explicite ntr-un "arbore al criteriilor".

Pot fi adoptate mai multe proceduri de agregare nanaliza multicriterial (MCA), i anume: agregarecompensatorie (ca cele aplicate n AHP), teoria multi-atribut valoare-utilitate (MAVT/MAUT i MACBETH),abordri de surclasare (ca cele aplicate n PROMETHEEi ELECTRE) i abordri non-compensatorii (ca celeaplicate n metodele de dominan i celelexicografice) (De Brucker et al., 2013).

"/"-*;"%&$*;*0/"-.6-5*-$3*5&3*"-DPOU

Principalele etape de analiz multicriterial sunt de obicei (Boggia i Cortina,2010):

1. construirea unui tabel de decizie X (matricea performanelor Roman, 2012),cu dimensiuni m x n, avnd n vedere m opiuni i nindicatori/criterii/atribute;

2. implementarea unui sistem de ponderi {w1, w2,..., wn} care furnizeazinformaii cu privire la importana atribuit diferitelor criterii.

Valorile din X de obicei trebuie s fie normalizate, datorit gamei largi de valoriale atributelor (n funcie de criterii). Cele mai folosite metode denormalizare sunt:

1. scalare Min-Max la intervalul [0, 1]: x (x-xmin) / (xmax-xmin); uneori estefolosit intervalul [0, 100] (procent): x 100(x-xmin) / (xmax-xmin);

2. scorul standard (Z-score): fiecare coloan este transformat pentru a aveamedia zero i variana unitar: x (x ) / , unde este media aritmetica valorilor i este deviaia standard a setului de valori;

3. o transformare nelinear n interval normalizat (de obicei [0, 1]).

"/"-*;"%&$*;*0/"-.6-5*-$3*5&3*"-DPOU

Aplicaiile software suport pentru decizii, cum ar fiPROMETHEE (Macharis et al., 1998), ELECTRE(Elimination Et Choix Traduisant la Ralit) (Ishizaka iNemery, 2013), KNIME (Berthold et al., 2008), GaBi(www.gabi-software.com) i MACBETH (Bana e Costai Vansnick, 1999) au fost studiate ntr-o gam larg deprobleme concrete.

"/"-*;"%&$*;*0/"-.6-5*-$3*5&3*"-DPOU

Criteriile de utilizat n luarea deciziei pot fi identificatefolosind un chestionar pentru a obine opiniileprofesionitilor n domeniu.

Opiniile participanilor sunt statistic semnificative,deoarece acestea reprezint punctele de vedere aleproiectanilor cu calificri academice n domeniu iexperien practic n producie.

Opiniile lor pot oferi un spectru larg de cunotine,experiena i expertiza din puncte de vedereeconomice, sociale, tehnice i de mediu, i suntvaloroase pentru dezvoltarea modelelor de deciziemulticriteriale.

3 PROCESUL IERARHIEI ANALITICE (AHP)

Etapele principale coninute n formularea modeluluisunt:

1. Stabilirea unei ierarhii structuralentr-o ierarhie tipic, opiunile sunt la partea de jos.

Scopul sau obiectivul general al deciziei este poziionatla nivelul superior al ierarhiei. Criteriile i sub-criteriilece contribuie la luarea deciziei sunt reprezentate lanivelurile intermediare.

PROCESUL IERARHIEI ANALITICE (AHP) -Etape2. Comparaiile pe perechi i calculul ponderilor criteriilorComparaiile sunt efectuate ntre perechi de elemente n fiecare ramur a fiecrui nivel

al ierarhiei pentru a determina valoarea relativ a unui element fa de altul, nraport cu elementul imediat superior. Compararea se face prin utilizarea unei scri depreferine.

Comparaiile pereche pe fiecare ramur la fiecare nivel al ierarhiei sunt nregistrate ntr-omatrice i utilizate pentru a determina un vector de ponderi de prioritate. Numaiacele elemente care se refer la un obiectiv comun sunt comparate cu altele.Desfacerea unui sistem complex ntr-un set de comparaii pe perechi este ocaracteristic major a AHP.

Cele dou cele mai comune metode de obinere a ponderilor atributelor sunt utilizareavectorilor proprii i metoda celor mai mici ptrate. n primul caz, ponderileatributelor sunt obinute prin gsirea vectorului propriu corespunztor celei mai marivalori proprii a matricei comparaiilor n pereche. Elementele vectorului propriu suntnormalizate la sum unitar, pentru a face posibil ponderarea echilibrat ntreramurile ierarhiei n cazul n care numrul de elemente comparate este diferit.

PROCESUL IERARHIEI ANALITICE (AHP) -Etape

3. Scalarea atributelorDup ce s-au fcut comparaiile pe perechi i au fost calculate ponderile

prioritilor pentru fiecare element n cadrul ierarhiei, datele deintrare pentru fiecare alternativ trebuie transformate n valoriutilizabile nainte ca opiunile s poat fi comparate.

Un avantaj major al AHP este capacitatea sa de a ncorpora atribute caresunt msurate pe scri diferite, la intensiti diferite, i pot includedate att numerice, descriptive, ct i categoriale. Acest lucru esterealizat prin conversia tuturor datelor la valori relative. Valorilerelative pot fi create fie prin compararea valorilor atributelor cu celede la alte opiuni sau prin compararea atributelor cu cele ale uneiopiuni "ideale".

PROCESUL IERARHIEI ANALITICE (AHP) -Etape

4. Sinteza prioritilorDup ce au fost calculate valorile relative pentru fiecare din

criteriile fiecrei opiuni, aceste scoruri ale criteriilor suntcombinate cu ponderile criteriilor din comparaiile pe perechipentru a determina clasamentul general al opiunilor. Produselefiecrui atribut cu ponderea sa sunt nsumate pe fiecare ramura ierarhiei. Aceast sum devine valoarea atributului pentrunodul direct superior i procesul se repet la urmtorul nivel alierarhiei.

PROCESUL IERARHIEI ANALITICE (AHP) PaJQFOUSVBQMJDBSF

1. Selectarea opiunilor dintre care se va alege ctigtoarea2. Selectarea de experi care s evalueze opiunile3. Descompunerea problemei de decizie

Pentru o selectare eficient a opiunilor, utilizatorul trebuie sdefineasc criteriile de decizie. Ierarhia coboar de la scopul dinprimul nivel, la criterii mai generale n al doilea nivel i sub-criterii n nivelurile urmtoare, pn la opiunile din nivelul debaz.


4. Efectuarea de comparri pe perechiComparrile pe perechi sunt efectuate n mod sistematic pentru a

include toate combinaiile de relaii ntre criterii i sub-criterii. Criteriii sub-criteriile sunt comparate n funcie de importana lor relativfa de elementul printe din nivelul superior adiacent. Dupefectuarea tuturor comparaiilor n pereche de ctre factorii dedecizie, judecile individuale sunt agregate folosind mediageometric sau media ponderat.

Atunci cnd sunt efectuate mai multe comparaii pe perechi, pot apreaunele neconcordane. AHP ncorporeaz o tehnic eficient pentrucoerena evalurilor realizate de factorii de decizie la construireamatricelor cu perechile de comparat implicate n proces.


5. Ponderea final a fiecrui criteriuVectorii principali cu ponderile sunt nmulii cu vectorii ponderilor

sub-criteriilor corespunztoare pentru a obine pondereacriteriilor globale.

6. Compararea pe perechi a opiunilorPasul final n compararea pe perechi implic compararea fiecrei

perechi de opiuni relativ la fiecare sub-criteriu.


7. Sintetizarea rezultatelorPonderile prioritilor locale normalizate ale criteriilor i opiunilor

sunt combinate mpreun pentru a obine ponderile compuseale prioritilor globale. Ponderile globale ale fiecrei opiunipentru fiecare criteriu sunt obinute prin nmulirea lanului deponderi locale. Prioritatea general (ponderea) fiecrei opiunieste obinut prin nsumarea ponderilor corespunztoare lanivel global pentru toate criteriile. Atunci cnd se evalueazsustenabilitatea, analiza se face, de obicei, la nivelulcomponentelor (ex. economice, ecologice i sociale), iarindicatorul de sustenabilitate la nivel global poate fi obinut cao norm euclidian (Monein et al., 2013).

4 ANALIZA COMPONENTELOR PRINCIPALE (PCA)

Analiza componentelor principale (Principal Component Analysis -PCA) este o metod matematic, dezvoltat de Karl Pearson n1901, pentru transformarea observaiilor asupra unor variabileposibil corelate, n variabile independente, care sunt numitecomponente principale, folosind o transformare ortogonal(Pearson, 1901).

n prezent, PCA este folosit larg ca instrument n analiza datelorexperimentale i pentru a crea modele predictive (Li et al.,2012).

ANALIZA COMPONENTELOR PRINCIPALE (PCA) (cont.)

PCA poate fi realizat prin metodele calculului valorilor ivectorilor proprii, sau prin calculul valorilor singulare alematricei de covarian a datelor, de obicei dup normalizareadatelor (atributelor) la varian nul i medie unitar.

Rezultatele PCA sunt procesate, de obicei, bazat pe scorurilecomponentelor (valorile variabilelor transformatecorespunztor unui anumit caz din date) i pe ponderi(loadings, cu care fiecare variabil original normalizat artrebui multiplicat pentru a obine scorul componentei) (Shaw,2003).


O prim soluie algebric pentru PCA poate fi obinut utilizndalgebra linear. Aceast soluie se bazeaz pe o proprietateimportant a descompunerii n vectori proprii. Setul de dateeste X, o matrice m n, unde m este numrul de criterii i neste numrul de opiuni. Scopul PCA este de a gsi o matriceortonormal P, cu Y = PX , astfel nct CY 1/(n1).AAT estematrice diagonal. Liniile matricei P sunt componenteleprincipale ale matricei date X. CY este matricea de covarian amatricei Y. Matricea P este selectat pentru a fi o matrice ncare fiecare linie pi este un vector propriu al matricei XXT.


O alt soluie algebric pentru PCA se bazeaz pe descompunerean valori singulare (SVD). Matricea Y poate fi definit ca omatrice n x m: Y 1 / (n-1)1/2XT, n care fiecare coloan amatricei Y are media aritmetic nul. Matricea Y poate fidescompus sub forma: Y = UVT, n care U i V sunt matriceortogonale, iar este o matrice diagonal. Coloanele matricei Vconin vectorii proprii ai matricei YTY = CX (matricea decovarian a matricei X), prin urmare, coloanele matricei V suntcomponentele principale ale matricei X. Diagonala matricei conine valorile singulare.

5 DATA MINING

Data mining (mineritul de date) este o clas de aplicaii (de baze de date) care caut modele ascunse ntr-un grup de date care pot fi folosite pentru a prezice comportamentul viitor.

Data mining descoper cunotine n bazele de date, relaii noi ntre date.

Scopul general al procesului de minerit de date este de a extrage informaii de la un set de date i a le transforma ntr-o structur uor de neles pentru utilizarea ulterioar.

DATA MINING - Tehnici

1. Mainile cu vectori suport (Support vector machines - SVM)sunt module de nvare supervizat cu algoritmi de nvareasociai care analizeaz datele i recunosc modele/tipare,utilizate pentru clasificare i analiz de regresie.

Un model SVM este o reprezentare a datelor (exemplelor) capuncte n spaiu, mapate astfel nct datele din categoriidiferite sunt separate de un spaiu gol ct mai larg posibil. Noiexemple sunt apoi mapate n acelai spaiu i prezise saparin unei categorii pe baza poziiei fa de spaiul deseparare. Este un clasificator liniar binar non-probabilistic.


2. Arborii decizionali (DT) utilizeaz un arbore (sau graf de decizie)i concluziile posibile, inclusiv rezultatele evenimentelorprobabilistice, costurile resurselor i utilitatea. Un nod internreprezint un test pe un atribut, fiecare ramur reprezint unrezultat al testului i fiecare nod terminal reprezint o etichetde clas. Fiecare cale de la rdcin la un nod terminalreprezint cte o regul de clasificare.


3. Analiza componentelor principale (PCA) este o procedur statistic ceutilizeaz transformarea ortogonal pentru a converti un set deobservaii asupra unor variabile posibil corelate ntr-un set de valoride variabile linear necorelate, numite componente principale.Numrul de componente principale este mai mic sau egal cu numrulvariabilelor originale. Aceast transformare este definit astfel nctprima component principal are variana cea mai mare (adic esteresponsabil de cea mai mare parte posibil din variabilitateadatelor), i fiecare component succesiv la rndul su are variaiacea mai mare posibil sub restricia c este ortogonal (adicnecorelat) cu componentele precedente. Ideea central a PCA estede a reduce dimensionalitatea unui set de date constnd dintr-unnumr mare de variabile interdependente, pstrnd n acelai timpct mai mult posibil din variaia prezent n setul de date iniial, cumeste cazul n evaluarea sustenabilitii.


4. Reele neuronale artificiale (ANN): sunt modele computaionale, deobicei prezentate ca sisteme de uniti interconectate ("neuronii")care pot calcula valori de ieire din cele de intrare bazat pe informaiice parcurg reeaua, capabile de nvare i de recunoatere de forme.ANN proceseaz vectori numerici, deci impun ca formele (vectorii) deintrare s fie reprezentate folosind doar caracteristici cantitative. Elesunt n mod inerent arhitecturi paralele i distribuite de prelucrare.ANN pot nva ponderile de interconectare adaptiv i pot aciona canormalizatoare de modele i ca selectoare de caracteristici prinalegerea corespunztoare a ponderilor. n nvarea competitiv,modelele similare sunt grupate de ctre reea. Aceast grupare seface automat pe baza corelaiilor datelor (Kohonen, 1989).Arhitecturile acestor ANN sunt simple: au un singur strat. Formelesunt prezentate la intrare i sunt asociate cu nodurile de ieire.Ponderile ntre nodurile de intrare i cele de ieire se schimb iterativ.


5. Clasificri Bayes naive: clasificri simple probabilistice bazate pe aplicarea teoremei lui Bayes cu ipoteze de independen puternice (naive).

DATA MINING - Tehnici6. Scalare multidimensional (MDS) este un mijloc de vizualizare a

nivelului de similitudine a cazurilor individuale dintr-un set dedate. Un algoritm MDS are scopul de a plasa fiecare obiect nspaiul N-dimensional astfel nct distanele ntre obiecte suntconservate ct mai bine posibil. Fiecare obiect va avea atribuitecoordonate pe fiecare din cele N dimensiuni. Este definit ofuncie de distan (metric) pe o colecie de obiecte n setul dedate, i matricea de neasemnare este construit avnd caelemente distanele calculate.

De obicei, MDS este folosit pentru maparea datelor dintr-unspaiu nalt dimensional ntr-un spaiu cu mai puine dimensiuniprin aplicarea maprii Sammon (Sammon, 1969), care ncearcs pstreze structura distanelor ntre puncte din spaiul dedimensiuni superioare n cel n care se realizeaz proiecia.

DATA MINING - Tehnici7. Analiza cluster realizeaz gruparea obiectelor dintr-o mulime

astfel nct obiectele din acelai grup (numit cluster) sunt maisimilare ntre ele dect cu cele din alte grupuri. Principaliialgoritmi de grupare folosii n mineritul de date sunt: k-means,fuzzy c-means i algoritmul arborelui de auto-organizare (Jain etal., 1999). Metodele cluster sunt folosite n mineritul de datepentru segmentarea bazei de date n grupuri omogene. K-means efectueaz o grupare clar, care asociaz un vector dedate unui singur cluster. Algoritmul se termin atunci cndatribuirile ctre clustere nu se mai schimb. Algoritmul K-meansutilizeaz distana euclidian a punctelor la centroideleclusterelor pe atributele selectate i selecteaz clusterul cudistana minim. Fuzzy clustering asociaz fiecare form cufiecare cluster folosind funcii de apartenen (Zadeh, 1965).


8. Analiza de regresie multipl, prezentat la analiza decizionalmulticriterial, este, de asemenea, util pentru mineritul dedate n evaluarea sustenabilitii (Shaheen et al., 2012).


9. Inducia de reguli fuzzy nva un model de regul fuzzy pe datenumerice etichetate. n primul rnd, este colectat din mediu unset de date de antrenament.

Datele colectate sunt grupate i difuzate (fuzzificate), sunt definite funcii de apartenen iniiale pentru atributele de

intrare, este construit un tabel de decizie iniial, apoi este simplificat, sunt reconstruite funciile de apartenen i, n cele din urm, sunt create regulile de decizie din tabelul de decizie.

DATA MINING - Tehnici10. Algoritmi genetici: sunt abordri evolutive, fcnd uz de operatori

evolutivi i o populaie de soluii pentru a obine partiionarea globaloptim a datelor. Soluiile candidat ale problemei de grupare suntcodate ca cromozomi. Operatorii evolutivi cel mai frecvent utilizaisunt: selecia, recombinarea i mutaia. Fiecare transform unul saumai muli cromozomi de intrare ntr-unul sau mai muli cromozomi deieire. O funcie de adecvare (fitness) aplicat unui cromozomdetermin probabilitatea de supravieuire (participare la crearea deurmai) n generaia urmtoare a cromozomului respectiv. Seleciafolosete un sistem probabilistic, astfel nct soluiile cu fitness maimare au o probabilitate mai mare de a avea descendeni. Operatorulde recombinare cel mai folosit este ncruciarea (crossover). Mutaiatransform cromozomul de intrare n cromozom de ieire princomplementarea valorii unui bit sau modificarea valorii numerice la opoziie selectat aleatoriu n cromozomul de intrare.

DATA MINING (cont.)Principalele sarcini ale mineritului de date pentru

dezvoltare durabil sunt: explorarea i vizualizarea datelor, descoperirea de tipare, detectarea de anomalii, predicia i prognoza (bazat pe arborele decizional)

(Morik et al., 2012), i generarea iniial a regulilor fuzzy (Shaheen et al.,

2012).Mineritul de date pentru sustenabilitate poate fi gndit

n termenii unei matrice cu subiecte ale abordrilorecologice i inginereti pe coloane i sarcinilemineritului de date ca linii (Morik et al., 2012).

6 SISTEME EXPERT

Un sistem expert este un sistem informatic care emuleazactivitatea decizional a unui expert uman. Este un instrumentde decizie interactiv, bazat pe calculator, care utilizeaz attfapte ct i euristica pentru a rspunde la problemele dificile dedecizie bazat pe cunotinele obinute de la un expert. Unsistem expert este mprit n dou sub-sisteme principale: (1)motorul (mecanismul) de inferen i (2) baza de cunotine.Baza de cunotine conine aseriuni (fapte) i reguli. Motorulde inferen aplic regulile asupra faptelor cunoscute pentru adeduce fapte noi. Motoarele de inferen pot include, deasemenea, capabiliti pentru explicare i pentru depanare(Leondes, 2002).

SISTEME EXPERT (cont.)

Dei sistemele expert utiliznd modele euristice sunt utile ncaracterizarea tipurilor diferite de cunotine, acestea suntinsuficiente pentru a aborda problemele de proiectareinginereti ntr-un mod ncorporat (pek i colab. , 2013).Proiectarea inginereasc, de obicei, urmeaz o abordare detipul generare-i-testare, n care sunt produse rspunsuri(soluii) i apoi estimate pe baza unor criterii de conformitate.Producerea i evaluarea simultan a unei explicaii nu poate fi oabordare de succes n multe situaii, n cazul n care cantitateade soluii poteniale care pot fi generate este foarte mare.


Sistemul expert prezint fazele de: dobndire (achiziie) a cunotinelor, reprezentarea cunotinelor i aplicarea mecanismului de inferen.

Baza de cunotine este compus din cunotine aleexperilor specializai ntr-un anumit domeniu. Inginerulde cunotine transform informaiile primite de laexperii umani, n conformitate cu structura sistemuluiexpert, n baza de cunotine.


Cunoaterea este, de obicei reprezentat sub form dereguli DACATUNCI (IFTHEN). n cazul volumelormari de informaii, sunt utilizate baze de date pentrudepozitare i sunt definite reguli prototip, care suntinstaniate folosind informaiile din baza de date.Pentru fiecare nregistrare din baza de date estegenerat o regul atunci cnd este necesar, utilizndconinutul cmpurilor din nregistrare.


Inferena este folosit pentru a obine comportamentul sistemuluianalizat pe baza strii, sau pentru obinerea strii pe bazacomportamentului. Asemenea inferene sunt numite cunlnuire nainte (atunci cnd partea DAC antecedentul este cunoscut a fi adevrat i trebuie aflat valoarea deadevr a prii ATUNCI consecventul ), respectiv nlnuirenapoi (atunci cnd consecventul este cunoscut a fi adevrat itrebuie aflat valoarea de adevr a antecedentului).

Transpunerea cunotinelor dobndite de la experi ntr-un modelconceptual necesit identificarea de entiti (elemente deinformaie), de relaii ntre aceste elemente, i a proceselor(fluxului de informaii).

7 SINTEZA INSTRUMENTELOR I METODELORO analiz a rezultatelor obinute prin utilizarea diferitelor

instrumente i metode prezentate n literatura de specialitatepentru evaluarea proceselor de dezvoltare sustenabil aevideniat urmtoarele opiuni:

1) pentru normalizarea datelor:a) normalizare 0-1 (Min-Max, scalare la [0, 1], metoda

intervalului): x (x xmin) / (xmax xmin); uneori este folositintervalul [0, 100] (procentual): x 100 (x xmin) / (xmax xmin);

b) scorul standard (Z-score): fiecare coloan a matricei datelor estetransformat pentru a avea variana unitar i media nul: x (x ) / , unde este media aritmetic a valorilor i estedeviaia standard a setului de valori;

c) raportul fa de maxim (criteriu de maxim): x x / xmax .

SINTEZA INSTRUMENTELOR I METODELOR (cont.)2) Pentru a obine ponderile criteriilor i opiunilor:a) oferite de ctre experi;b) vectorii proprii corespunztori celei mai mari valori proprii a matricei comparaiilor pe

perechi, pentru AHP;c) primul vector singular al matricei normalizate a datelor;d) vectorul propriu corespunztor celei mai mari valori proprii a matricei de covarian a

datelor;e) suma ponderat a vectorilor singulari dreapta ai matricei de date normalizate, cu

raportul dintre valorilor proprii corespunztoare i suma tuturor valorilor proprii respective, ca ponderi; valorile proprii sunt calculate din valorile singulare prin ridicare la ptrat;

f) suma ponderat a vectorilor singulari dreapta ai matricei de date normalizate, cu raportul dintre rdcinile ptrate ale valorilor proprii corespunztoare i suma tuturor rdcinilor ptrate ale valorilor proprii corespunztoare, ca ponderi; valorile proprii sunt calculate din valorile singulare prin ridicare la ptrat;

g) suma elementelor din fiecare linie a produsului matricei de date normalizate i matricea vectorilor proprii dreapta;

h) raportul dintre elementul cel mai mare al unui vector singular dreapta i valoarea proprie corespunztoare.

SINTEZA INSTRUMENTELOR I METODELOR (cont.)

3) Pentru a gsi proprietile matricelor:a) vectorii proprii i valorile proprii (pentru matrice ptrate);b) vectorii singulari i valorile singulare.

8 UTILIZAREA I ANALIZA PERFORMANELOR INSTRUMENTELOR

Pentru a putea compara performanele diferitelor instrumente de evaluare a sustenabilitii, aceeai problem a fost rezolvat utiliznd un numr mare de abordri diferite. Problema a fost aleas pentru a fi una care a fost subiectul unui articol publicat n domeniu (Chatzimouratidis i Pilavachi, 2012): pentru a evalua 10 tipuri majore de sisteme de producere a energiei electrice sub 12 criterii, din punct de vedere al calitii vieii. Scorurile opiunilor pentru fiecare din cele 12 criterii sunt luate din aceast surs.

8.1 VISUAL PROMETHEESoftware-ului Visual PROMETHEE (http://www.promethee-

gaia.net/vpa.html) a fost folosit pentru a crea un tabel de scoruri pentru 10 opiuni pentru generarea de energie electric: crbune/lignit( Coal), produse petroliere lichide (Oil), gaz natural (NGT), gaz natural n ciclu combinat (NGCC), nuclear (Nuc), hidro (Hydro), eolian (Wind), fotovoltaic (Photo), biomas (Bio), i geotermal (Geo), avnd n vedere 12 criterii: decese prin accidente (Acc), compui organici volatili, alii dect metanul (NVOCs), echivalent CO2 (CO2), NOx (NOx), SO2 (SO2), pulberi n suspensie (Part), radioactivitate (Radio), necesarul de teren (Land), echilibrul ecosistemului (Eco), raportul rezerve/producie (Res), crearea de locuri de munc (Job) i acceptarea social (Soc), utilizate n (Chatzimouratidis i Pilavachi 2008, 2012).

VISUAL PROMETHEE (cont.)Au fost create dou scenarii: unul cu ponderi egale i unul cu

ponderi calculate folosind descompunerea valorilor singulare (SVD) ale matricei de date.

Figura urmtoare prezint datele iniiale pentru problema de decizie n cazul ponderilor calculate folosind descompunerea valorilor singulare ale matricei de date. Pentru a obine ponderile, n primul rnd coloanele din matricea de date sunt normalizate prin scalare la intervalul [0, 1]. Apoi este efectuat descompunerea valorilor singulare ale matricei de date normalizate. La urm, primul vector singular este scalat la sum unitar, rezultnd vectorul ponderilor.

Odat ce au fost stabilite aciunile, criteriile i parametrii preferinei (funciile de preferin i ponderile), se poate construi clasamentul (ordonarea) opiunilor utiliznd metoda PROMETHEE.

VISUAL PROMETHEE (cont.)Datele de intrare

VISUAL PROMETHEE (cont.)

O comparaie a scenariilor este prezentat n figura alturat, evideniind modificarea ierarhiei din cauza modificrii ponderilor. n ambele scenarii, cele mai bune trei opiuni sunt aceleai, n aceeai ordine.

Fig. 7

8.2 M-MACBETH

Aplicaia software M-MACBETH (www.m-macbeth.com) a fost folosit pentru a rezolva aceeai problem ca i n cazul Visual PROMETHEE.

Utilizarea M-MACBETH presupune, la un nivel simplu, c opiunile sunt sortate de ctre utilizator n funcie de atractivitatea lor pentru fiecare criteriu, iar criteriile sunt sortate n funcie de importana lor. Pentru a putea compara rezultatele cu cele obinute n condiii mai complexe, ponderile opiunilor au fost calculate utiliznd scalarea 0-100 pe datele disponibile (Chatzimouratidis i Pilavachi, 2008, 2012).

M-MACBETH (cont.)

Agregarea rezultatelor pentru fiecare criteriu pentru obinerea scorurilor globale pentru opiuni. Agregarea se realizeaz utiliznd sume ponderate. Ponderile sunt stabilite de analist.

O prim analiz a fost realizat lund n considerare ponderi egale ale criteriilor. Scorurile obinute pentru fiecare criteriu i scorurile globale sunt prezentate n figura urmtoare.

Opiunile cu scorurile mai mici sunt de preferat. Pentru problema dat, cea mai bun soluie este generarea de energie electric folosind energia geotermal, iar soluia cel mai proast este generarea de energie din hidrocarburi lichide.

M-MACBETH (cont.)

Scorurile globale i pe criterii

M-MACBETH (cont.)

O a doua analiz a fost efectuat folosind ponderi calculate pe baza descompunerii n valori singulare a matricei criteriilor de comparaie.

Cu ponderile astfel calculate, a fost obinut un nou clasament al opiunilor, prezentat n figura urmtoare. Cele mai bune dou opiuni i cele mai proaste sunt n aceleai poziii ca n cazul ponderilor egale.

M-MACBETH (cont.)

Scorurile calculate utiliznd M-MACBETH cu ponderi pentru criterii calculate utiliznd SVD al matricei de date

9 REFERINE BIBLIOGRAFICE

Aczel, A. D. (2009), Complete Business Statistics, Irwin Professional Pub.Bana e Costa, C. & Vansnick, J. (1999), The MACBETH approach: Basic ideas, software and

an application, in N. Meskens & M. Roubens, ed., 'Advances in Decision Analysis', Kluwer Academic Publishers, Dordrecht, , 131-157.

Berthold, M. R.; Cebron, N.; Dill, F.; Gabriel, T. R.; Ktter, T.; Meinl, T.; Ohl, P.; Sieb, C.; Thiel, K. & Wiswedel, B. (2008), KNIME The Konstanz Information Miner, in Christine Preisach; Hans Burkhardt; Lars Schmidt-Thieme & Reinhold Decker, ed., 'Data Analysis, Machine Learning and Applications', Springer, Berlin Heidelberg, 319-326.

Berthold, M. R.; Cebron, N.; Dill, F.; Gabriel, T. R.; Ktter, T.; Meinl, T.; Ohl, P.; Thiel, K. & Wiswedel, B. (2009) KNIME The Konstanz Information Miner. ACM SIGKDD Explorations Newsletter, 11(1), 26-31.

Boggia, A. & Cortina, C. (2010), 'Measuring sustainable development using a multi-criteria model: A case study', Journal of Environmental Management 91, 2301-2306.

Chatzimouratidis, A. & Pilavachi, P. (2008) 'Multicriteria evaluation of power plants impact on the living standard using the analytic hierarchy process', Energy Policy, 36, 10741089.

Chatzimouratidis, A. I. & Pilavachi, P. A. (2012), 'Decision support systems for power plants impact on the living standard', Energy Conversion and Management, 2012, 64, 182-198.

REFERIN*#-*0(3"'*$&(cont.)

De Brucker, K.; Macharis, C. & Verbeke, A. (2013), 'Multi-criteria analysis and the resolution of sustainable development dilemmas: A stakeholder management approach', European Journal of Operational Research 224, 122-131.

Deelstra, T. (1998), Towards Ecological Sustainable Cities: Strategies, Models and Tools, in Jrgen Breuste; Hildegard Feldmann & Ogarit Uhlmann, ed., 'Urban Ecology', Springer, Berlin Heidelberg, 17-22.

Ishizaka, A. & Nemery, P. (2013), Multi-Criteria Decision Analysis, John Wiley & Sons Ltd.pek, M.; Selvi, h. H.; Findik, F.; Torkula, O. & Cedimolu, I. (2013), 'An expert system based

material selection approach to manufacturing', Materials & Design 47, 331-340.Jolliffe, I. T. (2002), Principal component analysis, Springer, New York.Khalili, N. R. & Duecker, S. (2013), 'Application of multi-criteria decision analysis in design

of sustainable environmental management system framework', Journal of Cleaner Production 47, 188-198.

Kohonen, T. (1989), Self-Organization and Associative Memory, Springer, New York.Leondes, C. T., (Ed.) (2002), Expert Systems, Elsevier.Li, T.; Zhang, H.; Yuan, C.; Liu, Z. & Fan, C. (2012), 'A PCA-based method for construction of

composite sustainability indicators', Int J Life Cycle Assess 17, 593-603.Macharis, C.; Brans, J.-P. & Marechal, B. (1998), 'The GDSS PROMETHEE Procedure', Journal

of Decision Systems 7, 283-307.


Mitchell, B. (2002), Resource and Environmental Management, Prentice Hall PTR.Moneim, A. F. A.; Galal, N. M. & El Shakwy, M. (2013), 'Sustainability manufacturing

indicators', Global Climate Change. Biodiversity and Sustainability. GCCCBS2013 Conference, 1-12.

Morik, K.; Bhaduri, K. & Hillol, K. (2012), 'Introduction to data mining for sustainability', Data Mining and Knowledge Discovery 24(2), 311-324.

Munda, G.; Nijkamp, P. & Rietveld, P. (1994), 'Qualitative multicriteria evaluation for environmental management', Ecological Economics 10(2), 97-112.

Nijkamp, P.; Rietveld, P. & Voogd, H. (1990), Multicriteria evaluation in physical planning, North-holland, New York, USA.

Pearson, K. (1901), 'On lines and planes of closest fit to systems of points in space.', Philos Mag. 2, 559-572.

Qin, X.; Huang, G.; Chakma, A.; Nie, X. & Lin, Q. (2008) A MCDM-based expert system for climate-change impact assessment and adaptation planning A case study for the Georgia Basin, Canada Expert Systems with Applications, 34, 2164-2179


Roman, M. (2012) 'Analiza multi-criterial. Manual', Proiectul 'Dezvoltarea capacitii pentru Analiza Cost-Beneficiu', FEDR POAT 2007-2013, Academia de Studii Economice, Facultatea de Cibernetic, Statistic i Informatic Economic, disponibil la: http://www.fonduri-ue.ro/res/ filepicker_users/cd25a597fd-62/Documente_Suport/Studii/0_Studii_Instrumente_Structurale/ Pag.3_ACB/19_Analiza_Multicriteriala.pdf

Sammon, J. W. (1969). 'A nonlinear mapping for data structure analysis'. IEEE Transactions on Computers 18, 401409.

Shaheen, M.; Shahbaz, M. & Afsar Khan Jadoon, K. (2012) 'Data Mining For Wind Energy Site Selection', in Proceedings of the World Congress on Engineering and Computer Science 2012 Vol I WCECS 2012, October 24-26, 2012, San Francisco, USA'.

Shaw, P. J. A. (2003), Multivariate Statistics for the Environmental Sciences, Hodder Arnold, London.

Singh, R. K.; Murty, H.; Gupta, S. & Dikshit, A. (2007), 'Development of composite sustainability performance index for steel industry', Ecological Indicators 7(3), 565-588.

WCED (1987) World Commission on Environment & Development: Our Common Future, Oxford University Press, Oxford, UK.

Zadeh, L. A. (1965), Fuzzy sets, Information Control, 8, 338-353.

dd 01 george savii

Documents