Un nuovo metodo per l’applicazione scelta da vantaggi (CBA) multicriterio decisione di un gran numero di alternative di progettazione
La progettazione di edifici, infrastrutture civili e di altri sistemi complessi dell’ambiente costruito implica la necessità di considerare molti, spesso contrastanti, dei criteri di progettazione. I team di progetto di architettura, ingegneria e costruzione (AEC) utilizzano spesso metodi di processo decisionale multi-criterio (MCDM) per aiutarli ad arrivare a una soluzione di progettazione preferita. Un metodo MCM emergente nella pratica oggi è la scelta di vantaggi (CBA) che è stato applicato con successo a molti progetti AEC. Questo metodo ha diversi vantaggi rispetto ai metodi tradizionali MCDM (come la somma ponderata): CBA non consente di nascondere una compensazione di denaro per valore, CBA aiuta a differenziare tra le alternative in base al contesto decisionale, CBA riduce il tempo per raggiungere il consenso e gestisce meglio i compromessi soggettivi basando le decisioni sull’importanza dei vantaggi concordati. CBA è di solito applicato tra due a dieci alternative, e non è mai stato utilizzato per più di cento alternative. Quindi, questo studio contribuisce alla conoscenza sviluppando e testando un nuovo metodo per applicare CBA a centinaia o migliaia di alternative. Il nuovo metodo prevede il clustering di alternative in alcune alternative di progettazione rappresentative basate sulla somiglianza delle caratteristiche utilizzando il metodo K-means. Le preferenze tra queste alternative di progettazione rappresentative vengono quindi generalizzate utilizzando la regressione lineare. È stato condotto un esperimento che ha coinvolto soggetti studenti per misurare il livello di accuratezza in cui le preferenze possono essere generalizzate con il metodo proposto. L’esperimento ha preso in considerazione 1.000 diverse alternative di progettazione degli edifici. CBA è stato applicato su alternative rappresentative utilizzando tre, sei, otto e dieci cluster. Lo studio ha misurato errori, correlazioni e coerenza delle previsioni per ogni configurazione del cluster. Quando sono stati utilizzati otto cluster per la creazione di alternative rappresentative, le decisioni erano sempre coerenti con quelle prese con alternative casuali e la correlazione con la preferenza prevista era maggiore con un errore inferiore rispetto ad altre configurazioni di cluster testate.
