ANALİTİK AĞ SÜRECİ VE TOPSIS YÖNTEMLERİ İLE BİLİMDALI SEÇİMİ DoçDr Nur ÖMÜRBEK Süleyman Demrel Ünverstes, İİBF, İşletme Bölümü Nazlı DEMİRCİ Süleyman Demrel Ünverstes, SBE, İşletme ABD, YL Pınar AKALİN Süleyman Demrel Ünverstes, SBE, İşletme ABD, YL Öz Lsansüstü eğtm, öğrenclern akademk karyerlern ve meslekte uzmanlaşmalarını etkleyen öneml kararlardan brsdr Öğrencler, lsansüstü eğtmde blm dalı seçm yaparken kend lg ve yetenekler doğrultusunda en fazla fayda sağlayacak blm dalını seçmek sterler Bu çalışmada da Süleyman Demrel Ünverstes, Sosyal Blmler Ensttüsü, İşletme Anablm Dalı öğrenclernn blm dalı seçmnde dkkate aldıkları krterler doğrultusunda en uygun blm dalının belrlenmesne çalışılmıştır Çalışmadak blm dalı seçmnde etkl olan krterler; öğrencye yönelk krterler, öğretm üyesne yönelk krterler, blm dalına yönelk krterler ve dğer etkenlere yönelk krterler olmak üzere 4 ana krter belrlenmştr ANP (Analtk Ağ Sürec) teknğ kullanılarak belrlenen krterlern ağırlıkları hesaplanmış ve blm dallarında kayıtlı öğrenclern yapmış olduğu değerlendrmelerle alternatfler (muhasebe-fnansman, yönetm ve organzasyon, üretm yönetm ve sayısal yöntemler, pazarlama ve kooperatfçlk blm dalları) TOPSIS (Technque for Order Preference by Smlarty to Ideal Soluton) yöntemyle karşılaştırmalı olarak değerlendrlerek en çok terch edlen blm dalı tespt edlmştr Anahtar Kelmeler: Çok Krterl Karar Verme, Analtk Ağ Sürec, TOPSIS POSTGRADUATE DEPARTMENT SELECTION USING ANALYTIC NETWORK PROCESS AND TOPSIS APPROACH Abstract Postgraduate educaton s one of the mportant decsons that affect academc career and occupatonal specalzaton of students Students prefer the most valuable department based on ther nterest and abltes whle selectng the postgraduate department In ths study, t was amed to select the most proper postgraduate department for the students of Süleyman Demrel Unversty, Insttute of Socal Scences, Department of Busness Admnstraton based on the factors that they consder Four prmary factors that affect the department selecton, whch are student related, academc members related, department related and other factors, have been used n ths study ANP (Analytcal Network Process) has been used to calculate the weghts of the factors n order to compare the alternatve postgraduate departments (accountng-fnance, management and organzatons, operatons management and analytcal methods, marketng, and cooperatves) for the students to select the most preferred department usng TOPSIS (Technque for Order Preference by Smlarty to Ideal Soluton) approach Keywords: MultcrteraDecson, Analytc Network Process, TOPSIS 118
1 Grş Lsansüstü eğtmn, blm alanında yetknleşme ve uzmanlaşma açısından dünyada br zorunluluk halne geldğ görülmektedr Lsansüstü eğtmn şgücü pyasaları ve kends çn şgücü hazırlayan eğtm kurumlarındak etks ve amaçları bakımından önem oldukça büyüktür İş yaşamında yern almaya çalışan lsans mezunları, gerek mezun sayısının fazla olması gerekse daha farklı yeteneklerle donanıp uzmanlaşmak stemelernden dolayı lsansüstü eğtm terch etmektedrler Lsans düzeynde mezun sayısının artması, breyler daha ler eğtm düzeylerne ve daha farklı ntelklerle donanmaya yönlendrmektedr Bu anlamda lsansüstü öğretm breyn gelecektek gelrn ve sosyal statüsünü artırmaya yönelk yaptığı br yatırım olarak görüleblr Lsansüstü eğtmn amacı, sadece breyn kendsne yaptığı yatırım olarak değerlendrlmemeldr Lsansüstü eğtmn breye sağladığı amaçları dışında, ülke kalkınması çn ntelkl nsan gücünü hazırlamak ve bu nsan gücünü hazırlayacak öğretm üyeler le blm nsanlarını yetştrmek gb amaçları da vardır Lsansüstü öğretm toplumların gereksnm duyduğu blm nsanını, araştırmacıları ve yüksek ntelkl nsan gücünü yetştrmek çn verlen programlı br eğtmdr (Bülbül, 2003:167-174) Lsansüstü eğtmn seçm de çok yönlü düşünülmesn gerektren çok krterl karar vermey gerektrmektedr Çok Krterl Karar Verme (ÇKKV) yöntemler, çok sayıda brbrnden bağımsız ve farklı şekllerde fade edlen krterler dkkate alarak, en uygun seçeneğn belrlenmesne yardımcı olan yaklaşımlardır (Ustasüleyman, 2009: 33) ÇKKV yöntemler başta; AHP (Analytc Herarchy Process) ve ANP (Analytc Network Process) olmak üzere, TOPSIS (Technque for Order Preference by Smlarty to Ideal Soluton), ELECTRE (Elmnaton et Chox Tradusant la Realte), PROMETHEE (Preference Rankng Organzaton Method for Enrchment Evaluaton), MAUT (Multattrbute Utlty Theory), UTADIS (Utltes Addtves Dscrmnantes), GRA (Grey Relatonal Analyss), vb gb farklı yöntemlerden oluşmaktadır Özellkle son yıllarda farklı ÇKKV yöntemler kullanılarak farklı alanlarda çok sayıda çalışma yapılmıştır (Pekkaya ve Çolak, 23:803) ÇKKV yöntemlernn brbrlerne göre bazı üstünlükler bulunmaktadır Br problemn çözümüne başlamadan önce hang yöntemn daha uygun olduğu belrlenmeldr En uygun yöntem belrlenrken, karar verc problemn yapısına ve sürecn özellklerne bakmalıdır (Ersöz ve Kabak, 20:99) Çok krterl karar verme yöntemlernden br olan Analtk Ağ Sürec (Analytc Network Process - ANP) yöntem Thomas L Saaty tarafından gelştrlmş olup, karar verme sürecnde krterler arasındak lşkler dkkate alan ve problemn tek br yöne bağlı kalarak modelleme zorunluluğunu ortadan kaldıran br yöntemdr ANP yöntemnde karar verme problem br ağ yapısı le modellenmekte ve modelleme aşamasındak krterler arasındak bağımlılıklar ve ana krter çndek ç bağımlılıklar dkkate alınmaktadır (Ersöz ve Kabak, 20:111) Hwang ve Yoon un (Hwang and Yoon, 1981) çalışmaları referans gösterlerek Chen ve Hwang (Chen and Hwang, 1992) tarafından ortaya konan TOPSIS yöntem de çok krterl karar verme yöntemlernden brdr Bu yöntemn kullanılmasıyla alternatfler, belrlenen krterler doğrultusunda bu krterlern 119
alableceğ maksmum ve mnmum değerler arasında deal durumun belrlenmesdr (Yurdakul ve İç, 2003: 11) Çalışmada kullanılan Analtk Ağ Sürec ve TOPSIS yöntemlernn kullanıldığı bell başlı alanlar ve bu alanlardak örnek uygulamalar aşağıdak Tablo 1 de verlmştr Tablo 1: Analtk Ağ Sürec ve TOPSIS Yöntemnn Kullanım Alanı Örnekler ANALİTİK AĞ SÜRECİ KULLANIM ALANLARI Kuruluş Yer Seçm Problemler Tedarkç Problemler Personel Problemler Stratejk Seçm Seçm Seçm Ortak Ar-Ge ye Yönelk Proje Seçm proje değerlemes Karayolu Taşımacılığında ÇALIŞMA ÖRNEKLERİ - Cheng, L and Yu, 2005: 83 97, - Ustasüleyman ve Perçn, 2007: 37-55 - Bayazıt, 2006: 566-579, - Gencer ve Gürpınar, 2007: 2475-2486, - Jharkhara and Shankar, 2007: 274-289, - Görener, 2009: 99-110 - Özbek ve Eren, 23: 95-113, - Nakagawa and Sektan, 2004: 783-800, -Sarks and Tallur, 2002:18-28 - Boran, Göztepe ve Yavuz, 2008: 333-338, - Lao ve Chang, 2009: 52-63, - Yazgan ve Üstün, 21: 1-12 - Wu, Shh and Chan, 2009: 4646-4653 - Meade and Presley, 2002: 59-66 - Lee and Km, 2000: 367-382 - Ivanovc, GrujcˇIc, Macura, TOPSIS YÖNTEMİNİN KULLANIM ALANLARI Kuruluş Yer Seçm Problemler Tedarkç Problemler Personel Problemler 120 Seçm Seçm ÇALIŞMA ÖRNEKLERİ - Eleren ve Karagül, 2007:280-295 - Jadd, Hong, Frouz, Yusuff and Zulkfl, 2008:762-769 - Izadkhah, 22:1-14 - Shahroud, Shafae andtonekabon,22:123-131 - Matn, Fath, Zarch and Azzollah, 21:1-13 Stratej Seçm - Görener, 22: 51-62 Robot Seçm Proje Değerlemes Yol Güvenlğnn Performansının - Chu and Ln,2003:284-29 - Dodangeh, Mojahed and Yusuff,2009: 50-53 - Sepehr and Zucca, 22: 1137 1153 - Sarem and, Montazer, 2008:8-15 - Bao, Ruan, Shen, Hermans and Janssens,
Proje Seçm Araz Değerlemes Problemler Jovc and Bojovc, 23: 22-29 - Aragone S- Beltra N, Aznar- Bellver, Ferrı S- On Ate and Garcı A- Melo N, 2008: 322-339 Yazılım Seçm - Görener, 21: 97-110, - Bastı ve Boyar, 22: 261-280 Konut Isıtma - Erdoğmuş, Aras Sstemnde ve Koç, 2006: 269- Kullanılablecek En 279 Uygun Yakıtın Değerlendrlmes Yarı İletken Ürünlern Üretmnde En İy Karışım Oranının Belrlenmes Müteahht Seçm En Uygun Ters Lojstk Faalyet Seçeneğnn Belrlenmes Reklam Ajansının Seçlmes Araç Seçm - Chung, Lee ve Pearn, 2005: 15-36 - Cheng ve L, 2004: 1021-1032 - Rav, Shankar and Tıwar, 2005: 327-356 - Hsu and Kuo, 21: 48-58 - Kabak ve Uyar, 23: 115-125 Değerlendrlmes 22: 84-90 Frma Performanslarının Değerlendrlmes Borsada Sıralaması Stok - İç ve Yurdakul, 2008: 125-140 - Özer, Öztürk ve Kaya, 20: 233-260 -Demrel, 20: 102-112 -Akyüz, Bozdoğan ve Hantekn, 21: 73-92 -Özgüven, 21: 151-162 -Soba ve Eren, 21: 23-40 - Yayar ve Baykara, 22: 21-42 - Makaew andyanprat,22: 57-72), ANP ve TOPSIS yöntemlernn brlkte kullanıldığı çalışmalardan se Ersöz, Kabak ve Yılmaz, lsansüstü öğrenclernn ders seçmnde etkl olan krterlern ağırlıklarını ANP yöntem le belrlemşler ve alternatf dersler TOPSIS yöntem kullanılarak sıralanmıştır (Ersöz, Kabak ve Yılmaz, 21:227-249) Shyur ve Shh çalışmalarında tedarkç seçm sürecn değerlendrmek çn ANP ve TOPSIS yöntemlern brlkte kullanmışlardır (Shyur and Shh, 2006:749 761) Azm vd ler de çalışmalarında madenclk sektöründe stratejlern sıralanmasında ANP ve TOPSIS yöntemlern brlkte kullanılmışlardır (Azm, Chamzn, Fouladgar, Zavadskas and Basrazm,21:670 689) 121
2 Analtk Ağ Sürec Analtk Ağ Sürec (Analytc Network Process - ANP) sonlu sayıda alternatf olan karar problemlern, kararı etkleyen krterler ve alternatfler hyerarşk br düzende ele alarak çözen Analtk Hyerarş Sürec (Analytc Herarchy Process AHP) yöntemnn genelleştrlmş haldr Problemler her zaman hyerarşk br yapıyla fade edlemeyeblrler Böyle problemlerde yer alan krterler ve alternatfler brbrleryle karşılıklı etkleşm halnde olablrler Bu durumda, bleşenlern ağırlıklarını (görel önem vektörlern) bulablmek çn daha karmaşık br sürecn analz gerekmektedr Analtk Ağ Sürec bu tür problemlerde kullanılablen br teknktr (Üstün, Özdemr ve Demrtaş, 2005:3) Hyerarşnn en üstünde br amaç ve altında sırasıyla krterler, alt krterler ve alternatfler bulunmaktadır Hyerarşk yapıda aynı sevyedek krterler brbrnden bağımsızdır, fakat gerçek hayatta en doğru kararın verleblmes, karar problemne at krterler arasındak lşklern dkkate alınmasıyla mümkündür Kararkrterler arasındak lşkler göz önüne alan ve tek br yöne bağlı kalarak modelleme zorunluluğunu ortadan kaldıran ANP, Thomas LSaaty tarafından 1980 de gelştrlen çok krterl karar analznde kullanılan analtk hyerarş sürecnn genel br bçmdr (Alptekn, 20: 20) Analtk Ağ Sürec, AHP' den çok daha kapsamlı br yöntem olup karmaşık karar verme problemlerne uygulanmaktadır ANP, karar verme sürecn etkleyen krterler ve alt krterler arasındak her türlü bağımlılık ve ger beslemey sstematk olarak ortaya koyma olanağı veren lk metodolojdr (Bayazıt, 2002: 15) ANP yöntemyle AHP yöntem arasındak en büyük fark ANP nn hem karar noktalarının hem de değerlendrme faktörlernn brbrn etklemesdr Ayrıca ANP, sayısal faktörlern fade edlemedğ durumlarda da y br çözümleycdr(yaralıoğlu, 20: 53) Aşağıda Şekl 1 de ANP dek hyerarşk yapı ve ağ yapısı görülmektedr Şekl 1 Analtk Ağ Sürec Hyerarşs ve Ağ Yapısı Kaynak: Saaty and Vargas, 2006: 8 122
ANP yöntem; fnans, pazarlama, sağlık, poltk ve sosyal alan olmak üzere karar verme ve tahmn yürütmey gerektren brçok alanda kullanılırken uygulama alanı da gün geçtkçe artmaktadır (Aslan, 2005:15) ANP yöntemnn uygulama adımları aşağıdak şeklde özetlenmştr (Görener, 2009:103): Adım 1 Problemn Tanımlanması ve Modeln Kurulması: İlk aşamada karar problem tanımlanmaktadır Amaç, ana krterler, alt krterler ve alternatfler net bçmde fade edlmektedr (Ersöz, Kabak ve Yılmaz, 21:235) Adım 2 Krterlerarası Etkleşmlern Belrlenmes: İç ve dış bağımlılıklar ve varsa krterlerarası ger bldrmler lşklendrlmektedr Adım 3 Temel Karar Vercler Arası İkl Karşılaştırma: Bu aşamada, temel karar vercler altında her br boyut çnde ana krterlern ve alt krterlern kl karşılaştırmaları yapılarak brbrlerne göre önem dereceler hesaplanmaktadır (Bngöl, 2006:23) ANP yöntemnde de, AHP yöntemnde olduğu gb kararı etkleyen krterler kl karşılaştırmalara tab tutulmakta ve böylelkle krterlern önem ağırlıkları belrlenmektedr Karar vercler kl karşılaştırmalarda ser şeklde br takım sorulara cevap vererek k krter aynı zamanda karşılaştırmakta ve bunların hedefe olan katkılarını belrlemektedr (Meade and Sarks, 1999:241-261 den aktaran Dağdevren, Dönmez ve Kurt, 2006:249) ANP yöntemnde de kl karşılaştırma matrslernn oluşturulması ve önem ağırlıklarının belrlenmesnde AHP yöntemnde olduğu gb Saaty tarafından önerlen ve Tablo 2 de verlen 1-9 önem skalası kullanılmaktadır (Saaty, 1990:15) Tablo 2: İkl Karşılaştırmalarda Kullanılan Önem Skalası Önem Tanım Açıklama Dereces 1 Eşt Önemde İk krterde eşt derece öneme sahptr 3 Braz Öneml Deneymler ve yargılar br krter dğerne karşı braz öneml kılar 5 Fazla Öneml Deneymler ve yargılar br dğern dğerne karşı güçlü şeklde öneml kılmaktadır 7 Çok Fazla Öneml Krter dğerne göre çok güçlü şeklde üstündür 9 Son Derece Öneml Eldek blgler ve deneymler br krtern dğerne göre çok büyük oranda üstün olduğunu belrtmektedr 2,4,6,8 Ara Önem Ara rakamlar gerektğnde kullanılablr Dereceler Kaynak: Saaty, 1990: 15 Adım 4 Elde Edlen Karşılaştırma Matrslernn Tutarlılığı Araştırılır: Uzmanlardan elde edlen puanlar br karşılaştırma matrs oluşturmak çn entegre edlrler Bu matrsn sütunları normalze edldkten sonra elde edlen satır ortalama değerler her br bleşenn ağırlığını göstermektedr Ancak bu değerlern kabul edleblmes çn karşılaştırma matrsnn tutarlı olması gerekmektedr (Bulut ve Soylu, 2009:153) İkl karşılaştırmalar br matrs şeklnde yapılır ve böylece krterlern öncelk değerler elde edlmş olur Uzman desteğ le yapılan kl karşılaştırmaların tutarlı olup olmadığı her br matrs çn tutarlılık oranının (CR 123
Consstency Rate) hesaplanması le bulunmaktadır Yapılan kl karşılaştırmaların tutarlı olması çn tutarlılık oranının 010 a eşt veya küçük olması gerekmektedr Aks takdrde karşılaştırmalar gözden geçrlmeldr (Ecer, Açıkgözoğlu ve Yaman, 2009:192) Adım 5 Süper Matrsn Oluşturulması ve Analz: Süper matrs, parçalı br matrs olup, buradak her matrs bölümü br sstem çndek k krter arasındak lşky göstermektedr Krterlern brbrler üzerndek uzun döneml nsp etksn belrleyeblmek çn süper matrsn kuvvet alınmaktadır Önem ağırlıklarının br noktada eştlenmesn sağlamak çn süper matrsn (2n+1) kuvvet alınır, burada n rasgele seçlmş büyük br sayıdır ve elde edlen yen matrs lmt süper matrs olarak smlendrlmektedr (Görener, 2009:103) Şekl 2: Süpermatrs Genel Şekl Kaynak: Saaty and Vargas, 2006: 10 Adım 6 En İy Alternatfn Seçm: Süper matrsn kuvvetnn alınmasıyla lmt süper matrs elde edlmektedr Lmt süper matrstek krterlern öncelk değerler ve en yüksek önem derecesne sahp olan alternatfler belrlenmektedr (Çelk ve Murat, 20: 34) 3 TOPSIS Yöntem TOPSIS (Technque for Order Preference by Smlarty to Ideal Soluton) yöntem çok krterl karar verme yöntemlernden brdr m sayıda alternatf ve n sayıda krter olan çok amaçlı karar verme problem n-boyutlu uzayda m noktaları le gösterleblr Hwang ve Yoon (Hwang and Yoon, 1981) TOPSIS yöntemn, çözüm alternatfnn poztf-deal çözüme en kısa mesafe ve negatfdeal çözüme en uzak mesafe düşüncesne göre oluşturmuşlardır Daha sonraları bu düşünce Zeleny (Zeleny, 1982) ve Hall (Hall, 1989) tarafından da uygulanmış ve Yoon (Yoon, 1987:277-286) ve Hwang, La ve Lu (Hwang, La andlu, 1993:889-899) tarafından gelştrlmştr (Yoon and Hwang, 1995) ÇKKV yöntemlernden br olan TOPSIS yöntem; ekonom- yönetm problemler, ver tabanı seçm, muhasebe-fnans, sermaye yatırımı, karar destek, üretm, makro ekonomk planlama, pazarlama, ürün tasarımı, pazarlama stratejs, planlama, portföy seçm, rsk analz, başvuru değerlendrmeler, grup karar verme, tess yer seçm, kaynak tahss, poltka-stratej, ulaştırma, slah kontrolü, 124
eğtm, çevresel kararlar, sağlık, kamu sektörü, pazar seçm, portföy seçm, blgsayar ve blg seçm gb alanlarda kullanılablmektedr (Özkan, 2007:124) 31 TOPSIS Yöntemnn Aşamaları TOPSIS yöntem 6 adımdan oluşmaktadır: Adım1: Karar Matrsnn (A) Oluşturulması Satırlarında alternatfler sütunlarında se değerlendrme krterler yer alan karar matrs oluşturulur A karar matrsndek a, A matrsndek alternatfnn j krterne göre gerçek değern göstermektedr (Rao, 444 den aktaran Ustasüleyman, 2009: 37) a a A a 11 21 m1 a a a 12 22 m2 a a a 1n 2n mn j Adım 2: Normalleştrlmş Karar Matrsnn (R) Oluşturulması: Karar matrsndek her br değern bulunduğu sütundak değerlern kareler toplamının kareköküne bölünerek matrs normalze edlr (Yurdakul, İç, 2003: 12) Normalleştrme şlem çn aşağıdak formül kullanılır (Ergül, 20: 63-64) r j a m j k 1 a 2 kj R le gösterlen standart karar matrs aşağıdak gb fade edlmektedr R j r r rm 11 21 1 r r r 12 22 m2 r r r 1n 2n mn 125
Adım 3: Ağırlıklı Normalleştrlmş Karar Matrsnn (V) Oluşturulması: Öncelkle değerlendrme krterlerne lşkn ağırlık değerler ( w ) belrlenr (Dumanoğlu ve Ergül,20:106) Krterlern ağırlık değerler toplamı 1 e eşttr n 1 w 1 Daha sonra R matrsnn her br sütunundak elemanlar lgl w değer le çarpılarak V matrs (ağırlıklı normalleştrlmş matrs) oluşturulur V matrs aşağıda gösterlmştr V j w1r w1r w1r 11 21 m1 w r 2 12 w r 2 w r 22 2 m2 w r n 1n w r n 2n w r n mn Değerlendrme krterlerne lşkn ağırlıklar W1, W2, Wnşeklnde belrlenr Oluşturulacak ağırlıklı normalze edlmş karar matrs çn, R matrsnn sütunlarındak değerler lgl değerlendrme krter ağırlık değerler le çarpılarak V matrsnn sütunları hesaplanmaktadır * Adım 4: İdeal ( A ) ve Negatf İdeal ( A ) Çözümlern Oluşturulması: Ağırlıklandırılmış matrste (V) her br sütundak maksmum ve mnmum değerler tespt edlr (Öktür, 2008: 57) A* = {x 1 *, x 2 *,,x k *} (maksmum değerler) A- = { x 1 -, x 2 -,,x k -} (mnmum değerler) Adım 5: Ayrım ölçütlernn Hesaplanması: J alternatfn deal çözümden uzaklığı deal ayırım ( S ) ve negatf deal çözümden uzaklığı Negatf İdeal Ayırım ( S ), 4 ve 5 nolu denklemden yararlanarak hesaplanır (Yaralıoğlu, 20: 25) * 126
S * n j1 ( v j v ) * j 2 S n j1 ( v j v ) j 2 Adım 6: İdeal Çözüme Görel Yakınlığın Hesaplanması: Her br alternatfn görecel sıralaması ve puanı aşağıdak formül kullanılarak bulunurn(dündar, 2005: 70) C S * S S * 0 C * * Alternatfler deal çözüme görel yakınlık ( C ) değerne göre sıralanır (Ustasüleyman, 2009: 38) 1 4 Blmdalı Seçmnde ANP ve TOPSIS Yöntemlernn Uygulanması Çalışmanın amacı; Süleyman Demrel Ünverstes, Sosyal Blmler Ensttüsü, İşletme Anablm Dalında yüksek lsans yapacak öğrencler çn en uygun blm dalının belrlenmesdr Bu amaçla yüksek lsans blm dalı seçmn etkleyen krterlern ağırlıkları ANP yöntem le belrlenerek blm dalı değerler le brlkte TOPSIS yöntemnde değerlendrlerek öğrencler çn en y blm dalı seçlmştr ANP yöntemnn uygulanmasında Super Decsons, TOPSIS yöntemnn uygulanmasında se Mcrosoft Offce Excel 2007 programları kullanılmıştır Çalışmada Süleyman Demrel Ünverstes, Sosyal Blmler Ensttüsü, İşletme Anablm Dalında görevl öğretm üyeler ve yüksek lsans öğrencler le yapılan görüşmeler sonucunda blm dalı seçmnetkleyen 4 ana krter ve 20 alt krter belrlenmştr Blm dalı seçmn etkleyen ana krterler ve alt krterler; öğretm üyesne yönelk krterler (öğretm üyesnn tanıdık olması, öğretm üyesnn tavsye etmes, öğretm üyesyle letşmn kolay olması, öğretm üyelernn ders şleyş tarzı), öğrencye yönelk krterler (öğrencnn lg alanı, öğrencnn kşlk özellkler, öğrencnn başarı puanı, öğrencnn sayısal ya da sözel alana lgs, karyer hedef), blm dalına yönelk krterler (blm dalının gelecek vadetmes, blm dalındak dersler, blm dalının öğrencye çekc gelmes, blm dalının kolay yada zor olarak değerlendrlmes, blm dalının kontenjan sayısının fazla olması, blm dalının popülertes) ve dğer etkenlere yönelk krterler (arkadaş tavsyes, kadroların boş olması, ş dünyasına htap etmes, ş hayatında yükselme mkanı sunması, ş dünyasındak değer) şeklnde belrlenmştr Blm dalı alternatfler se; Üretm Yönetm ve Sayısal Yöntemler (ÜYSY) Blm dalı, Muhasebe ve Fnansman (MF) Blm dalı, Yönetm ve Organzasyon (YO) Blm dalı, Pazarlama (P) Blm dalı ve Kooperatfçlk (K) Blm dalı olarak belrlenmştr 127
Belrlenen krter, alt krter ve alternatfler doğrultusunda oluşturulan anketler her blm dalından 3 öğrenc olmak üzere toplamda 15 kşlk br gruba uygulanmıştır Her blm dalındak 3 öğrenc seçmnde; brnc öğrenc yüksek lsans yapan br araştırma görevls, kncs hem yüksek lsans yapan hem de ş hayatında çalışan öğrencye ve üçüncüsü de sadece yüksek lsans yapan öğrencden oluşmaktadır Aşağıda Şekl 3 de en y blm dalı seçmndek mevcut krterlern, alt krterlern ve alternatflern görüldüğü analtk ağ sürec yapısı verlmştr Şekl 3: Modeln Analtk Ağ Sürec Yapısı Oluşturulan ANP modelndek kl karşılaştırmalar yüksek lsans öğrenclerne yaptırılarak, geometrk ortalamaları alınarak ortak br görüş elde 128
edlmştr En y blm dalı seçmn etkleyen ana krterlern ve alt krterlern ağırlıkları ve kodları Tablo 2 de görülmektedr Tablo 3 ncelendğnde değerlendrmeye alınan dört ana krterden en yüksek ağırlığa sahp olan krtern öğrencye yönelk krterler (0,30603) olduğu görülmektedr Tablo 3 de görüldüğü gb öğretm üyesne at dört alt krterden öğretm üyesnn ders şleyş tarzı (0,26061), öğrencye yönelk beş alt krterden öğrencnn lg alanı (0,21354), blm dalına yönelk altı alt krterden blm dalının gelecek vaat etmes krter (0,18788) ve dğer etkenlere yönelk beş alt krterden ş dünyasında yükselme mkanı sağlaması (0,22330) en yüksek öneme sahp alt krterler oldukları görülmektedr Tablo 3: Krterlern ve Alt Krterlern Genel Ağırlıkları ve Kodları KRİTERLER KOD YEREL AĞIRLIKLAR GENEL AĞIRLIKLAR Öğr Üyelernn Ders X1 0,2606 0,0556 İşleyş Tarzı Öğretm Üyesne Öğr Üyesyle İletşm X2 0,2493 0,0532 Yönelk Krteler Kolay Olması (0,2134) Öğr Üyesnn Tanıdık X3 0,2455 0,0524 Olması Öğr Üyesnn X4 0,2444 0,0521 Tavsyes Karyer Hedef Y1 0,2170 0,0664 Öğrencye Yönelk Öğrencnn İlg Alanı Y2 0,2135 0,0653 Krterler Öğrencnn Başarı Y3 0,1970 0,0603 Puanı (0,3060) Öğrencnn Sayısal ya Y4 0,1938 0,0593 da Sözel Alana İlgs Öğrencnn Kşlk Y5 0,1785 0,0546 Özellkler Blm dalının Gelecek Z1 0,1788 0,0505 vadetmes Blm dalına Blm dalının Z2 0,1714 0,0461 Yönelk Krterler Öğrencye Çekc Gelmes (0,2689) Blm dalının Z3 0,1636 0,0440 Popülertes Blm dalındak Dersler Z4 0,1633 0,0439 Kontenjan Sayısının Z5 0,1583 0,0425 Fazla Olması Blm dalının Kolay Z6 0,1554 0,0418 yada Zor Olarak Değerlendrlmes Dğer Etkenlere Yönelk Krterler İş Dünyasında Yükselme İmkanı Sağlaması (0,2115) İş Dünyasına Htap Etmes 129 T1 0,2233 0,0472 T2 0,2064 0,0436 İş Dünyasındak Değer T3 0,2063 0,0436 Kadroların Boş Olması T4 0,1914 0,0405 Arkadaş Tavsyes T5 0,1724 0,0364 Krterlern genel ağırlıkları TOPSIS yöntemnde kullanılacaktır TOPSIS yöntem daha önce de belrtldğ gb 6 aşamada gerçekleşmektedr
1Adım: Karar Matrsnn Oluşturulması TOPSIS Yöntemne göre lk olarak aşağıdak Tablo 4 de görülen karar matrsnn oluşturulması gerekmektedr Karar matrs oluştururken öğrenclern her br krter açısından her br blm dalını değerlendrmes sonucunda almış olduğu değerler kullanılmıştır Tablo 4: Karar Matrs X1 X2 X3 X4 Y1 Y2 Y3 Y4 Y5 Z1 MF 3,7857 3,5000 3,4286 3,5000 3,4615 4,2143 3,7143 3,7857 3,6429 4,2857 YO 3,6923 3,6154 3,2308 3,2308 3,9231 3,6923 3,5385 3,6154 3,3846 4,2308 P 3,6154 3,6923 3,5385 3,1538 3,7693 3,9231 3,6154 3,7692 3,7692 3,8462 ÜYSY 4,3077 3,7500 3,6923 3,3333 4,2143 4,3846 3,8462 3,7692 3,7692 3,7692 K 3,0769 2,7692 2,6154 2,4615 3,1538 3,3077 3,3846 3,5385 3,2308 2,7692 W(ağırlık) 0,0556 0,0532 0,0524 0,0521 0,0664 0,0653 0,06031 0,0593 0,0546 0,6505 Z2 Z3 Z4 Z5 Z6 T1 T2 T3 T4 T5 MF 3,9231 4,0000 3,5714 3,3571 3,1429 4,0714 4,0714 4,2143 3,2857 2,7857 YO 3,7692 3,6923 3,5385 3,2308 3,5385 3,9231 3,9231 3,8462 3,3077 2,9231 P 3,8462 3,3846 3,6923 3,0769 3,4615 4,0714 4,1538 4,0769 2,9231 2,8462 ÜYSY 3,6923 3,1538 3,6923 2,9231 3,0769 3,6154 3,5385 3,5385 3,0769 2,2308 K 3,0000 2,1538 2,9231 2,7692 3,5385 2,8462 2,7692 2,7692 2,9231 2,2308 W(ağırlık 0,6461 0,0440 0,0439 0,0425 0,0418 0,0472 0,0436 0,0436 0,0405 0,0364 2Adım: Karar Matrsnn Normalze Edlmes TOPSIS Yöntemne göre aşağıda Tablo 5 de gösterlen karar matrsnn normalleştrlmes le uygulamaya başlanacaktır Karar matrsndek sütunlardak her br değern lgl sütundak bütün değerlern kareler toplamının kareköküne bölünmesyle karar matrs normalleştrlmş olur Tablo 5: Karar Matrsnn Normalze Edlme Aşaması X1 X2 X3 X4 Y1 Y2 Y3 Y4 Y5 Z1 MF 14,3 315 12,25 00 11,75 52 12,25 00 11,98 19 17,760 3 13,79 60 14,33 1 13,27 07 18,36 72 YO 13,6 330 13,07 11 10,43 80 10,43 80 15,39 07 13,633 0 12,52 09 13,07 11 11,45 55 17,89 96 P 13,0 711 13,63 30 12,52 09 9,946 4 14,20 76 15,390 7 13,07 11 14,20 68 14,20 68 14,79 32 ÜYSY 18,5 562 14,06 25 13,63 30 11,11 08 17,76 03 19,224 7 14,79 32 14,20 68 14,20 68 14,20 68 K 9,46 73 7,668 4 6,840 3 6,058 9 9,946 4 10,940 8 11,45 55 12,52 09 10,43 80 7,668 4 Kareler Toplam 69,0 593 60,68 51 55,18 77 49,80 43 69,28 70 76,949 7 65,63 68 68,33 73 63,57 80 72,93 54 Karekö 8,31 7,790 7,428 7,057 8,323 8,1 8,266 7,973 8,540 8,7720 k 0 8 2 8 6 6 5 2 Z2 Z3 Z4 Z5 Z6 T1 T2 T3 T4 T5 MF 15,3 907 16,00 00 12,75 48 11,27 9,877 8 16,576 29 16,57 62 17,76 03 10,79 58 7,760 1 YO 14,2 068 13,63 30 12,52 09 10,43 80 12,52 09 15,390 7 15,39 07 14,79 32 10,94 08 8,544 5 P 14,7 932 11,45 55 13,63 30 9,467 3 11,98 19 16,576 2 17,25 40 16,62 11 8,544 5 8,100 8 ÜYSY 13,6 330 9,946 4 13,63 30 8,544 5 9,467 3 13,071 1 12,52 09 12,52 09 9,467 3 4,976 4 K 9,00 4,638 8,544 7,668 12,52 8,1008 7,668 7,668 8,544 4,976 130
00 8 5 4 09 4 4 5 4 Kareler Toplam 67,0 239 55,67 39 61,08 65 47,38 84 56,36 90 69,715 2 69,41 05 69,36 41 48,29 30 34,35 84 karekök 8,18 7,461 7,815 6,883 7,507 8,331 8,328 6,949 5,861 8,3495 68 4 7 9 9 2 5 3 6 Tablo 6: Normalze Edlmş Matrs X1 X2 X3 X4 Y1 Y2 Y3 Y4 Y5 Z1 MF 0,4555 0,4492 0,4615 0,4959 0,4158 0,4804 0,4584 0,4579 0,4568 0,58 YO 0,4443 0,4641 0,4348 0,4578 0,4713 0,4209 0,4367 0,4373 0,4244 0,4953 P 0,4350 0,4739 0,4763 0,4468 0,4528 0,4472 0,4462 0,4559 0,4727 0,4503 ÜYSY 0,5183 0,4813 0,4970 0,4723 0,5062 0,4998 0,4747 0,4559 0,4727 0,4413 K 0,3702 0,3554 0,3520 0,3487 0,3788 0,3770 0,4177 0,4280 0,4051 0,3242 Z2 Z3 Z4 Z5 Z6 T1 T2 T3 T4 T5 MF 0,4791 0,5360 0,4569 0,4876 0,4186 0,4876 0,4886 0,5060 0,4728 0,4752 YO 0,4603 0,4948 0,4527 0,4693 0,4713 0,4698 0,4708 0,4618 0,4759 0,4986 P 0,4698 0,4536 0,4724 0,4469 0,4610 0,4876 0,4985 0,4895 0,4206 0,4855 ÜYSY 0,4510 0,4226 0,4724 0,4246 0,4098 0,4330 0,4247 0,4248 0,4427 0,3805 K 0,3664 0,2886 0,3739 0,4022 0,4713 0,34088 0,3323 0,3324 0,4206 0,3805 3 Adım: Ağırlıklı Karar Matrsnn Oluşturulması Normalze edlmş matrs, krterlern ağırlık katsayıları (W) le çarpılarak ağırlıklandırılmış karar matrs oluşturulur Krterlern ağırlık değerler ANP modelnde yüksek lsans öğrencler tarafından yapılan kl karşılaştırmaların geometrk ortalaması alınarak bulunmuştur Aşağıda Tablo 7 dekrterlern ağırlıkları görülmektedr Tablo 7: Krterlern Ağırlıkları Krter Ağırlık (W) Krter Ağırlık (W) Krter Ağırlık (W) Krter Ağırlık (W) X1 0,0556 Y1 0,0664 Z1 0,0505 T1 0,04724 X2 0,0532 Y2 0,0653 Z2 0,0461 T2 0,04367 X3 0,0524 Y3 0,0603 Z3 0,0440 T3 0,04366 X4 0,0521 Y4 0,0593 Z4 0,0439 T4 0,04050 Y5 0,0546 Z5 0,0425 T5 0,03647 Z6 0,0418 Tablo 8: Ağırlıklandırılmış Karar Matrs X1 X2 X3 X4 Y1 Y2 Y3 Y4 Y5 Z1 MF 0,0253 0,0239 0,0241 0,0258 0,0276 0,0313 0,0276 0,0271 0,0249 0,0253 YO 0,0247 0,0246 0,0227 0,0238 0,0313 0,0275 0,0263 0,0259 0,0231 0,0250 P 0,0241 0,0252 0,0249 0,0233 0,0300 0,0292 0,0269 0,0270 0,0258 0,0227 ÜYSY 0,0288 0,0256 0,0260 0,0246 0,0336 0,0326 0,0286 0,0270 0,0258 0,0223 K 0,0205 0,89 0,84 0,81 0,0251 0,0246 0,0251 0,0253 0,0221 0,63 Z2 Z3 Z4 Z5 Z6 T1 T2 T3 T4 T5 MF 0,0220 0,0235 0,0200 0,0207 0,75 0,0230 0,0213 0,0220 0,91 0,73 YO 0,0212 0,0217 0,98 0,99 0,97 0,0221 0,0205 0,02 0,92 0,81 P 0,0216 0,99 0,0207 0,90 0,71 0,0230 0,0217 0,0213 0,70 0,77 ÜYSY 0,0207 0,86 0,0207 0,80 0,71 0,0204 0,85 0,85 0,79 0,38 K 0,68 0,27 0,64 0,71 0,97 0,61 0,45 0,45 0,70 0,38 131
4 Adım: Poztf ve Negatf İdeal Çözümlern Belrlenmes Ağırlıklı karar matrsnde her krtern lgl sütunundan negatf deal çözüm çn negatf deal değerler (sütundak en düşük değer) seçlerek, poztf deal çözüm çn de poztf deal değerler (sütundak en yüksek değer) belrlenr Aşağıdak Tablo 9 da her br krter çn poztf ve negatf deal çözüm setler gösterlmektedr Tablo 9:Poztf ve Negatf İdeal Çözüm Setler X1 X2 X3 X4 Y1 Y2 Y3 Y4 Y5 Z1 S - 0,0205 0,89 0,84 0,81 0,0251 0,0246 0,0251 0,0253 0,0221 0,63 S* 0,0288 0,0256 0,0260 0,0258 0,0336 0,0326 0,0286 0,0271 0,0258 0,0253 Z2 Z3 Z4 Z5 Z6 T1 T2 T3 T4 T5 S - 0,68 0,27 0,64 0,71 0,71 0,61 0,45 0,45 0,70 0,38 S* 0,0220 0,0235 0,0207 0,0207 0,97 0,0230 0,0221 0,0213 0,92 0,81 5 Adım: Ayırım Ölçütlernn Hesaplanması Her krtere at olan sütundak değerlerden poztf deal ve negatf deal değerler çıkarılarak sırasıyla poztf ve negatf deal çözüme uzaklık değerler belrlenr Tablo 10:Poztf İdeal Çözüme Uzaklık Değerler X1 X2 X3 X4 Y1 Y2 Y3 Y4 Y5 Z1 Z2 Z3 MF 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 YO 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 P 0 0 0 0 0 0 0 0 2 1 1 1 1 1 1 1 ÜYS 0 0 0 0 0 0 0 0 Y 1 1 1 1 1 1 1 1 K 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 Topla Z4 Z5 Z6 T1 T2 T3 T4 T5 m MF 0 1 80 YO 0 1 92 P 0 1 95 ÜYS 0 Y 1 98 K 0 8 0,0286 Karek ök S * S 1 S 2 S 3 S 4 S 5 132
Tablo 11: Negatf İdeal Çözüme Uzaklık Değerler X1 X2 X3 X4 Y1 Y2 Y3 Y4 Y5 Z1 Z2 Z3 MF 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 YO 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 P 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 ÜYS 0 0 0 0 0 0 0 0 Y 1 1 1 1 1 1 1 1 K 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 Z4 Z5 Z6 T1 T2 T3 T4 T5 Topla Karek S - m ök MF 0 6 0,0250 S 1 YO 0 4 0,0219 S 2 P 0 4 0,0220 S 3 ÜYS 0 Y 5 0,0230 S 4 K 0 1 25 S 5 6 Adım: İdeal Çözüme Görel Yakınlığın Hesaplanması İdeal çözüme göre yakınlığın hesaplanmasında se; her br alternatf değer çn negatf deal çözüm değern, kend değer ve aynı alternatfn poztf deal çözüm değernn toplamına bölünmesyle bulunmuştur C * S S S * C* Tablo 12: İdeal Çözüm Tablosu C*1Muhasebe ve Fnansman = 0,0250 / ( 0,0250 + 80) 0,75710 C*2Yönetm ve organzasyon = 0,0219 / (0,0219 + 92) 0,70314 C*3Pazarlama = 0,0220 / (0,0220 + 95) 0,69724 C*4Üretm Yönetm ve Sayısal Yöntemler = 0,0230 / (0,0230 + 98) 0,731 C*5Kooperatfçlk = 25 / (25 + 0,0286) 0,08221 Sonuç olarak; Tablo 12 de de görüldüğü gb TOPSIS yöntemn kullanarak yapılan bu çalışmada İşletme Anablm dalını oluşturan blm dallarından Muhasebe- Fnansman blm dalının en çok terch edlen ve öğrencler çn en uygun blm dalı olduğu sonucuna varılmıştır Daha sonra sırasıyla; Yönetm ve Organzasyon, Üretm Yönetm ve Sayısal Yöntemler, Pazarlama ve Kooperatfçlk şeklnde sıralandığı görülmektedr 133
5 Sonuç ve Değerlendrme Blm dalı seçm lsansüstü öğrenclern eğtm çn öneml br etkendr Öğrencler lsans eğtmlern tamamladıktan sonra lsansüstü eğtme devam etmek sterlerse seçecekler anablm dalı hayatlarının ger kalan kısmında kendlerne yön belrlemelerne yardımcı olacaktır Kend alanlarında uzmanlaşmak, akademsyen olmak, özel sektöre yönelmek vb amaçlar doğrultusunda yapacakları lsansüstü eğtmde yönelecekler blm dalı (muhasebe - fnansman, üretm yönetm ve sayısal yöntemler, kooperatfçlk, pazarlama, yönetm ve organzasyon) oldukça önem teşkl etmektedr Bu çalışmada lsansüstü eğtm gören şletme anablm dalı öğrenclernn blm dalı seçerken hang krterler göz önünde bulundurduklarını, geleceğe yönelk planlarında neler hedefledkler ortaya konmuştur Çalışmada çok krterl karar verme yöntemlernden ANP (Analtk Ağ Sürec) yöntem kullanılarak krterlern ağırlıkları Super Decson programında belrlenmştr Programdan elde edlen ağırlıklara göre en y ana krter, öğrencye yönelk krter olarak belrlenmştr Böylece öğrenclern lsansüstü eğtmde blm dalı seçerken daha çok kend lg alanları, başarı puanları, kşlk özellkler vb krterler baz aldıkları ortaya çıkmıştır Ayrıca programdan elde edlen alt krterlern ağırlıkları le krterlern her br blm dalı açısından aldığı değerler TOPSIS yöntem le Mcrosoft Excell programı kullanılarak değerlendrlmştr Sonuca göre alternatfler en çok terch edlen blm dalından en az terch edlen blm dalına göre sıralanmıştır Yapılan analzde en çok terch edlen blm dalının muhasebe - fnansman olduğu ortaya çıkmıştır 134
Kaynakça Akyüz Y, Bozdoğan T ve Hantekn E (21), TOPSIS Yöntemyle Fnansal Performansın Değerlendrlmes ve Br Uygulama,Afyon Kocatepe Ünverstes, İİBF Dergs, Clt:XIII, Sayı:I, s73-92 Alptekn N (20), Analtk Ağ Sürec Yaklaşımı le Türkye de Beyaz Eşya Sektörünün Pazar Payı Tahmn, Doğuş Ünverstes Dergs, Clt:11, Sayı:1, s18-27 Aragone S-Beltra N P, Aznar-Bellver J, Ferrı S-On Ate J And Garcı A-Melo N M (2028), Valuaton of Urban İndustral Land: An Analytc Network Process Approach, European, Journal of Operatonal Research, Volume:185, s 322 339 Aslan N (2005), Analtk Network Proses, Yayınlanmamış Yüksek Lsans Tez, İstanbul: Yıldız Teknk Ünverstes, Fen Blmler Ensttüsü Azm R, Chamzn AY, Fouladgar MM, Zavadskas EK and Basr MH (21), Rankng The Strateges of Mnng Sector Through ANP and TOPSIS n a SWOT Framework,Journal of Busness Economcs and Management, Volume:12, Issue:4, s670-689 Bao Q, Ruan D, Shen Y, Hermans E and Janssens D (22), Improved Herarchcal Fuzzy TOPSIS for Road Safety Performance Evaluaton, Knowledge-Based Systems, Volume:32, s84-90 Bastı M ve Boyar E (22), Muhasebe Paket Programı Seçmnde Analtk Ağ Sürecnn Kullanımı, Dumlupınar Ünverstes Sosyal Blmler Dergs, Sayı:34, s261-280 Bayazıt Ö (2002), A New Methodology n Multple Crtera Decson-Makng Systems: Analytcal Network Process (ANP) and An Applcaton, Ankara Ünverstes Syasal Blgler Fakültes Dergs, Clt:57, Sayı:1, s15-34 Bayazıt Ö (2006), Use of Analytc Network Process n Vendor Selecton Decsons, Benchmarkng: An Internatonal, Journal, Volume:13, No:5, s566-579 Bngöl L (2003), Lojstk Yönetmnde Analtk Şebeke Yöntem ve Br Uygulama, Yayınlanmamış Yüksek Lsans Tez, İstanbul: İstanbul Teknk Ünverstes, Fen Blmler Ensttüsü Boran S, Göztepe K Ve Yavuz E (2008), A Study On Electon Of Personnel Based On Performance Measurement By Usng Analytc Network Process (ANP), IJCSNS Internatonal Journal of Computer Scence and Network Securty, Volume:8, No:4, s333-338 Bulut K ve Soylu B (2009), Öğretm Üyelernn İş Yükü Sevyelernn Br Analtk Ağ Model le Değerlendrlmes: Mühendslk Fakültesnde Br Uygulama, Ercyes Ünverstes, Fen Blmler Ensttüsü Dergs, Clt:25, Sayı:1-2, s150-167 Bülbül T (2003), Ankara Ünverstes Eğtm Blmler Fakültesnde Görev Yapan Öğretm Üyelernn Lsansüstü Öğretme Öğrenc Seçme Sürecne İlşkn Görüşler, Ankara Ünverstes Eğtm Blmler Fakültes Dergs, Clt:36, Sayı:1-2, s167-174 Chen KY and Wu WT (21), Applyng Analytc Network Process n Logstcs Servıce Provder Selectıon A Case Study Of The Industry Investıng n 135
Southeast Asa, Internatonal Journal of Electronc Busness Management, Volume:9, No:1, s24-36 Chen SJ and Hwang CL (1992), Fuzzy Multple Attrbute Decson Makng Methods, Lecture Notes n Economcs and Matematcal Systems, Volume:375, s298-486 Cheng EWL and L H (2004), Contractor Selecton Usng The Analytc Network Proces, Constructon Management and Economcs, Volume:22, s1021-1032 Cheng EWL, L H and Yu L (2005), The Analytc Network Process (ANP) Approach to Locaton Selecton: A Shoppng Mall Illustraton, Constructon Innovaton, Volume:5, s83 97 Chu TC and Ln YC (2003), A Fuzzy TOPSIS Method for Robot Selecton,Internatonal Journal of Advanced Manufacturng Technology, Volume:21, s284-290 Chung SH, Lee AHI and Pearn WL (2005), Analytc Network Process (ANP) Approach for Product Mx Plannng n Semconductor Fabrcator, Internatonal Journal of Producton Economcs, Volume:96, Issue:1, s15-36 Çelk N ve Murat G (20), Analtk Ağ Sürec Yöntem le Ünverste Dnamk Entegre Stratej Model Gelştrlmes, Yönetm, Yıl:21, Sayı:67, s32-51 Dağdevren M, Dönmez N ve Kurt M (2006), Br İşletmede Tedarkç Değerlendrme Sürec İçn Yen Br Model Tasarımı ve Uygulaması, Gaz Ünverstes, Mühendslk ve Mmarlık Fakültes Dergs, Clt:21, No:2, s247-255 Demrel E (20), TOPSIS Çok Krterl Karar Verme Sstem: Türkye dek Kamu Bankaları Üzerne Br Uygulama, Grşmclk ve Kalkınma Dergs, Clt:5, Sayı:1, s102-112 Dkmen I, Brgönül MT ve Özorhon B (2007), Project Apprasal And Selecton Usng The Analytc Network Process, Canadan Journal of Cvl Engneerng, Volume:34, No:7, s786-792 Dodangeh J, Mojahed M and Yusuff RM (2009),Best Project Selecton by Usng of Group TOPSIS Method, 2009 Internatonal Assocaton of Computer Scence and Informaton Technology - Sprng Conference, s50-53 Dumanoğlu S Ve Ergül N (20),İMKB de İşlem Gören Teknoloj Şrketlernn Performans Ölçümü, Muhasebe ve Fnansman Dergs, Sayı:48, s1-111 Dündar İ (2005), Otomotv Sektöründe Kurumsal Karne Uygulamasına Dayalı Performans Yönetm Sstem Kurulması Ve Değerlendrlmes,Yayınlanmamış Yüksek Lsans Tez, Adana: Çukurova Ünverstes, Fen Blmler Ensttüsü Ecer F Açıkgözoğlu S ve Yaman F (2009), Analtk Ağ Sürec (AAS) ve WEB Stelernden Yararlanarak Otel Seçm, Hacettepe Ünverstes, İktsad ve İdar Blmler Fakültes Dergs, Clt:27, Sayı:1, s187-207 Ecer F ve Dündar S (2009), Analtk Ağ Sürec Yöntemyle Cep Telefonu Seçm, İşletme Fakültes Dergs, Clt:10, Sayı:2, s153-170 Eleren A Karagül M (2007), Kuruluş Yer Seçmnn Fuzzy TOPSIS Yöntemyle Belrlenmes,Akdenz Ünverstes İİBF Dergs, Clt:13, s280-295 Erdoğmuş Ş, Aras H Ve Koç E (2006), Evaluaton Of Alternatve Fuels For Resdental Heatng ın Turkey Usng Analytc Network Process (ANP) wth 136
Group Decson-Makng, Renewable and Sustanable Energy Revews, Volume:10, s269 279 Ergül N (20), İMKB de İşlem Gören Enerj Şrketlernn Mal Performanslarının TOPSIS Yöntem le Analz, İstanbul: Beta Yayıncılık Ersöz F ve Kabak M (20), Savunma Sanay Uygulamalarında Çok Krterl Karar Verme Yöntemlernn Lteratür Araştırması, Kara Harp Okulu Savunma Blmler Dergs, Volume:9, Numbe:1, s97-125 Ersöz F, Kabak M ve Yılmaz Z (21), Lsansüstü Öğrenmde Ders Seçmne Yönelk Br Model Öners,Afyon Kocatepe Ünverstes, İİBF Dergs, Clt:XIII, Sayı:II, s227-249 Gencer C ve Gürpınar D (2007), Analytc Network Process n Suppler Selecton: A Case Study n an Electronc Frm, Appled Mathematcal Modellng, Volume:31, s2475 2486 Görener A (2009), Kesc Takım Tedarkçs Seçmnde Analtk Ağ Sürecnn Kullanımı, Havacılık ve Uzay Teknolojler Dergs, Clt:4, Sayı:1, s99-110 Görener A (21), Bütünleşk ANP-VIKOR Yaklaşımı le ERP Yazılımı Seçm, Havacılık ve Uzay Teknolojler Dergs, Clt:5, Sayı:1, s97-110 Görener A (22),Br İmalat İşletmesnde Bakım Stratejsnn Belrlenmes,TMMOB MMO Mühends ve Makne Dergs, Clt:53, Sayı:657, s51-62 Hall AD (1989), Metasystems Methodology: A New Synthess and Unfcaton, Oxford: Pergamon Press Hsu PF and Kuo MH (21), Applyng the ANP Model for Selectng the Optmal Full-Servce Advertsng Agency, Internatonal Journal of Operatons Research, Volume:8, No:4, s48-58 Hwang CL and Yoon KP (1981), Multple Attrbute Decson Makng: Methods and Applcatons; A State-of-the-Art Survey (Lecture Notes n Economcs and Mathematcal Systems), New York: Sprnger- Verlag, Berln Hedelberg Hwang CL,La YJ and Lu TY (1993), A New Approach for Multple Objectve Decson Makng, Computers and Operatonal Research, Volume:20, Issue:8, s889-899 Ivanovc I, GrujcˇIc D, Macura D, Jovıc J and Bojovc N (23), One Approach For Road Transport Project Selecton, Transport Polcy, Volume:25, s22-29 Izadkhah M (22),Group DecsonMakng Process for Suppler Selecton wth TOPSIS Method under Interval-Valued Intutonstc Fuzzy Numbers, Advances n Fuzzy Systems, Volume:22, s1-14 İç YT ve Yurdakul M (2008), Çok Krterl Karar Verme Yöntemlern Kullanan Makne-Ekpman Seçm Çalışmalarında Bulanıklığın Sonuçlara Etksnn İncelenmes, İsletme Fakültes Dergs, Clt:9, Sayı:1, s125-140 Jadd O, Hong TS, Frouz F, Yusuff RM and Zulkfl N (2008), TOPSIS and Fuzzy Mult Objectve Model Integraton for Suppler Selecton Problem,Journal of Achevement n Materals and Manufacturng Engneerng, Volume:31 Issue:2, s762-769 Jharkhara S and Shankar R (2007), Selecton of Logstcs Servce Provder: An Analytc Network Process (ANP) Approach, Omega, Volume:35, s274-289 137