İş sağlığı ve güvenliğinde (İSG) risk değerlendirme (RD) modeli olarak yapay sinir ağları (YSA) kullanımı

Abstract

Bu çalışma, bir firmanın veya kurumun risk değerlendirmesi için bir `karar modeli` ortaya koymaktadır. Çalışmanın temel amacı, Risk Değerlendirme metotlarını (alternatiflerini) belirli prosesleri kullanarak değerlendirmek ve en uygun alternatife karar vermektir. Bu amaçla Yapay Sinir Ağları ve Analitik Ağ (Network) Prosesi (AAP-ANP) kullanılmıştır. Çok kriterli karar verme problemlerinde sıkça kullanılan Analitik Ağ Prosesi, hem objektif hem de subjektif değerlendirme kriterlerini dikkate alan ve yaygın olarak kullanılan bir teknik olmakla birlikte, karar vericinin kararları ile mevcut problemin belirsizliğinin ayıklanması ve sayılara dökülmesi konusunda yetersiz kaldığından, belirsizlik ortamları için daha iyi yaklaşımlar ortaya koyan Yapay Sinir Ağları (YSA), Risk Değerlendirmede kullanılmıştır. Risk Değerlendirme karar modeli oluşturulurken, ikili karşılaştırmalar yapılması safhasında, Risk Değerlendirme konusunda uzman grubun veya karar vericilerin görüşlerinin alınması gerekmektedir. Ancak kriterlerde, riskler ve risk değerlendirmeyi etkileyen şartlarda meydana gelen her değişiklikte uzman grubun toplanması gerekmekte bu da çeşitli problemlere neden olmaktadır. Bu zorluğu ortadan kaldırmak amacıyla, uzman grubun görüşlerini yansıtan ikili karşılaştırmaların verileri, değişik YSA modellerinde kullanılmış ve modeller eğitilmiştir. Bu sayede ikili karşılaştırma matris değerlerinin değişmesi durumunda uzmanlara danışma zorunluluğuna gerek kalmamaktadır. Risk Değerlendirme problemi çözümünde YSA kullanımının bir diğer faydası YSA'ların öğrenme özelliğinin getirdiği kolaylıklardır. Bu model, kriterlerin aynı kalması şartıyla, bir başka seçim problemine uygulandığında, sadece YSA kullanılarak Ağırlık Değerlerinin elde edilmesine imkân vermektedir. Modelin sağladığı bir başka kolaylık ise; karar vericilerin ikili karşılaştırma matrisleri üzerinde değişiklik yapmaları halinde yeni Ağırlık Değerlerinin YSA tarafından çok daha hızlı bulunmasıdır. Bu durum, karar vericilerin büyük modellerde hesaplama zamanı endişesi taşımadan karar vermelerine imkân tanımaktadır.

This study proposes a Risk Assessment `decision model` for a company or corporation. The main purpose of this study is to evaluate Risk Assessment Models with respect to identified processes and hence to determine the best model. For this purpose, Artificial Neural Networks (ANN) and Analytic Network Process (ANP) were used in this study. Although Analytic Network Process, which is commonly used for multi criteria decision making problems, takes into consideration both objective-subjective criteria and is a widely used technique, it is not sufficient in illustrating the decision maker's judgment and accounting for and quantifying the uncertainty in the problem. Therefore, ANP was utilized in compensating for the issue of uncertainty. During the development of the Risk Assessment model, in the phase of forming pair wise comparison matrices, we need Risk Assessment experts' or decision makers' opinions. However, if some change occurs in the model criteria, available models, or the conditions that affect Risk Assessment, experts have to reconvene for decision making, and this causes some problems. In order to remove this problem pair wise comparison matrix data that indicates experts opinions was used in different ANN models and also the data was used in the learning stage. Thus even if there is a change in pair wise comparison values, there is no need to re-consult the experts. One advantage of using ANN for Risk Assessment problems is the neural network's learning ability. When this model is applied for a different selection problem (it is assumed that the model has same criteria), it is possible to determine the criteria weights using ANN. In case a change made by the decision makers on pair wise comparison matrices, new weights are found in a very short time and this is another benefit that the model provides. This feature provides the decision makers the opportunity to make decisions without the need to worry about computation time in complex models.