多基準意思決定分析（Multi-Criteria Decision Analysis：MCDA）は、複数の評価基準が関係する問題について、選択肢の特徴、評価基準の重要度、判断者の選好などを体系的に整理し、意思決定を支援するための手法群です。オペレーションズ・リサーチ（OR）や意思決定理論を基礎として発展し、経営戦略、研究開発テーマの選定、設備投資、公共政策、環境評価、医療、製品開発など、幅広い領域で利用されています。
私たちが意思決定を行う際には、単一の基準だけで判断できることは多くありません。例えば、新しい研究開発テーマを選ぶ場合、技術的実現可能性、市場性、新規性、開発コスト、事業戦略との適合性など、複数の要因を考慮する必要があります。しかし、すべての基準で優れたテーマが存在するとは限りません。市場性の高いテーマは開発リスクが大きく、実現可能性の高いテーマは新規性が低いといったトレードオフが存在します。
このような問題に対して、各評価基準を点数化し、重み付きの総合得点を求める方法が広く利用されています。しかし、総合得点の高い選択肢が、必ずしも適切な選択肢であるとは限りません。評価基準の設定、点数の意味、重みの妥当性、評価基準間の相互作用、必須条件の存在などによって、結論が変わる可能性があるためです。
MCDAは、こうした問題を数理的かつ体系的に扱うための研究分野です。単純な加重和による評価から、一対比較、非線形効用、優越関係、不確実性を考慮した分析まで、さまざまな方法が開発されてきました。
MCDAの目的は、数学によって唯一の正解を決定することではありません。判断の前提を明らかにし、複数の選択肢と価値観を比較し、より十分な検討に基づいて意思決定できるようにすることです。
MCDAが扱う意思決定問題
MCDAは、Multiple-Criteria Decision-Making（MCDM：多基準意思決定）という名称とも密接に関係しています。両者はしばしばほぼ同じ意味で利用されますが、MCDAという表現では、選択肢の比較だけでなく、問題の構造化、選好の把握、評価モデルの構築、結果の解釈まで含めた分析過程が重視されます。
MCDAが対象とする問題は、目的によっていくつかに分類できます。
選択（Choice） は、複数の候補から最も適切なもの、あるいは採用に値する候補の集合を選ぶ問題です。設備の導入先、研究開発テーマ、事業投資などが該当します。
順位付け（Ranking） は、選択肢を相対的な優先順位に並べる問題です。研究開発テーマの優先順位、技術開発計画の実施順序などが例になります。
分類（Sorting） は、選択肢をあらかじめ定義した評価区分に振り分ける問題です。例えば、研究開発テーマを「積極投資」「継続検討」「保留」「中止」といった区分に分類します。
ポートフォリオ選択（Portfolio Selection） は、複数の選択肢を組み合わせて、予算や人員などの制約下で最適または望ましい構成を考える問題です。研究開発投資や設備投資では、個別テーマの順位付けだけでは不十分な場合があるため、この考え方が重要になります。
MCDAの方法は、何を決定したいかによって異なります。必ずしもすべての選択肢を一列に順位付けする必要はありません。
MCDAの基本的な分析手順
一般的なMCDAでは、まず意思決定問題を定義し、評価基準と選択肢を整理します。その後、評価値と選好情報を設定し、適切な数理モデルによって比較を行います。
基本的な流れは、次のように整理できます。
- 意思決定目的の明確化： 何を決めるのか、誰のための判断なのか、どのような制約があるのかを定義する。
- 選択肢の設定： 比較対象となる候補を列挙し、必要に応じて新しい選択肢を追加する。
- 評価基準の設定： 判断に必要な観点を特定し、評価基準の意味と測定方法を明確にする。
- 評価データの収集： 各選択肢について、実測値、予測値、専門家の判断などを整理する。
- 選好モデルの設定： 重み、価値関数、必須条件、優越関係などを定義する。
- 分析と比較： 選択したMCDA手法を実行し、順位、分類、優越関係などを求める。
- 感度分析と検証： 評価基準やパラメータを変更し、結果の安定性を調べる。
- 意思決定と見直し： 結果を解釈し、必要に応じて問題設定や評価モデルを修正する。
この手順は一方向に進むとは限りません。分析結果から重要な評価基準の不足に気づいた場合や、新しい選択肢が発見された場合には、前の段階へ戻って検討をやり直します。
パレート優越とトレードオフ
MCDAを理解するうえで重要な概念の一つが、パレート優越（Pareto Dominance）です。
ある選択肢Aが、すべての評価基準で選択肢Bと同等以上であり、少なくとも一つの基準でBより優れている場合、AはBをパレート優越するといいます。ただし、各基準について「高いほど望ましい」方向にそろえて比較する必要があります。
この場合、評価基準に関する通常の単調な選好を仮定すれば、Bを選ぶ理由はありません。
しかし、現実の意思決定では、選択肢間にトレードオフが存在することが多く、どちらも他方をパレート優越しない場合があります。
例えば、研究開発テーマAは市場性に優れ、テーマBは技術的実現可能性に優れているとします。このとき、どちらを優先するかは、判断者が何を重視するかによって変わります。
パレート優越されない選択肢の集合を、パレート非劣解集合、あるいはパレートフロンティアと呼びます。
MCDAでは、このように明確な優劣が存在しない選択肢を、判断者の価値観や選好に基づいて比較することが重要になります。
MCDAの代表的な手法
MCDAには多数の手法が存在しますが、評価をどのように統合するかという観点から、いくつかの系統に整理できます。
| 手法・系統 | 基本的な考え方 | 主な特徴 |
|---|---|---|
| 加重和法（Weighted Sum Model） | 重みと評価得点の積を合計 | 単純で理解しやすい |
| MAVT・MAUT | 多属性の価値・効用をモデル化 | 価値関数や不確実性を扱える |
| AHP | 一対比較によって優先度を算出 | 主観的判断を構造化 |
| ANP | 依存関係をネットワークで表現 | フィードバックを考慮 |
| TOPSIS | 理想解と最悪解への距離で比較 | 複数の性能指標から相対評価 |
| ELECTRE | 基準間の支持・反対関係を評価 | 強い欠点や比較不能性を扱える |
| PROMETHEE | 対比較に基づく選好の流れを計算 | 選好閾値を設定できる |
| Choquet積分 | 非加法的な評価を統合 | 基準間の相乗効果・重複を考慮 |
| SMAA | 重みや評価値の不確実性を分析 | 順位の受容可能性を評価 |
これらは一つの系列に沿って高度化した手法ではありません。異なる選好モデルや意思決定の考え方に基づいて発展してきたものです。
価値関数と効用関数
MCDAの中心的な問題の一つは、異なる評価基準を比較可能な価値へ変換することです。
例えば、新規事業を評価するとき、市場規模は金額、開発期間は月数、製造コストは円、競争優位性は定性的な評価によって表現されるかもしれません。
これらをそのまま合計することはできません。そこで、それぞれの特性値を、意思決定上の価値を表す尺度へ変換する必要があります。
多属性価値理論（Multi-Attribute Value Theory：MAVT）では、各評価基準について価値関数を設定し、それらを組み合わせて総合的な価値を表現します。
代表的な加法的モデルは次のようになります。
V(a) = Σ wᵢ × vᵢ(xᵢ(a))
ここで、xᵢ(a)は選択肢aの特性値、vᵢはその特性値を価値へ変換する関数、wᵢは評価基準の重みです。
価値関数は必ずしも線形である必要はありません。例えば、製品の性能が一定水準に達するまでは価値が急激に上昇し、それを超えると改善の価値が小さくなるような関係も表現できます。
一方、多属性効用理論（Multi-Attribute Utility Theory：MAUT）は、不確実な結果に対する選好やリスクに対する態度を含めて扱う枠組みです。通常、確実な結果の価値を扱うMAVTと、不確実性下の期待効用を扱うMAUTは区別されます。
ただし、各評価基準に価値関数を設定しただけでは、加法的な総合評価モデルの妥当性が保証されるわけではありません。評価基準間の選好独立性など、追加の前提が必要になります。
評価基準の重みは何を意味するのか
多基準評価では、「重要な基準に大きな重みを設定する」と説明されることが一般的です。しかし、重みの意味は利用する数理モデルによって異なります。
例えば、加法的価値モデルにおける重みは、単純な重要度の順位というよりも、各基準の価値尺度の範囲を考慮した交換関係を表します。
ある評価基準の重みが0.4、別の基準が0.2だからといって、前者があらゆる状況で後者の2倍重要であると解釈できるわけではありません。
重みの妥当性は、評価基準が取り得る値の範囲にも依存します。
例えば、研究開発テーマの市場規模が100億円から1,000億円まで変化する場合と、100億円から110億円までしか変化しない場合では、市場規模を改善することの価値は異なるでしょう。
この問題を扱う代表的な方法が、スイング・ウェイティング（Swing Weighting）です。これは、各評価基準について最悪の状態から最良の状態への改善を比較し、その価値に基づいて重みを設定する方法です。
一方、AHPでは一対比較によって相対的な優先度を求めます。AHPの重みと加法的価値関数のスケーリング係数は、必ずしも同じ意味ではありません。
MCDAでは、単に重みを入力するだけでなく、その重みが何を表しているのかを明確にすることが重要です。
総合得点による評価の問題
最も単純なMCDAは、評価得点の加重和を計算する方法です。
例えば、3つの研究開発テーマを次のように評価するとします。
| テーマ | 市場性 | 技術的実現可能性 | 戦略的重要性 |
|---|---|---|---|
| A | 8 | 6 | 7 |
| B | 6 | 9 | 8 |
| C | 9 | 5 | 6 |
各項目は0～10点で、比較可能な価値尺度として設定されていると仮定します。
重みを市場性40%、技術的実現可能性35%、戦略的重要性25%とすると、総合得点は次のようになります。
| テーマ | 総合得点 |
|---|---|
| A | 7.05 |
| B | 7.55 |
| C | 6.85 |
この結果ではテーマBが最上位になります。
しかし、重みを市場性60%、技術的実現可能性15%、戦略的重要性25%に変更すると、結果は次のようになります。
| テーマ | 変更後の総合得点 |
|---|---|
| A | 7.45 |
| B | 6.95 |
| C | 7.65 |
今度はテーマCが最上位になります。
どちらの計算も数学的には正しいのですが、結論は異なります。これは評価基準の重みが意思決定の結果に大きく影響するためです。
さらに、技術的実現可能性が5点以下のテーマを除外するという必須条件を設定すれば、テーマCは候補から外れます。
ただし、基礎研究のように技術的実現可能性が低いこと自体に研究する意義がある場合には、このような除外条件は不適切かもしれません。
数理モデルの計算が正しいことと、評価モデルの前提が適切であることは、別の問題です。
補償的評価と非補償的評価
MCDAでは、評価基準間の補償関係をどのように扱うかが重要です。
加重和法では、ある評価基準の低い得点を、他の基準の高い得点で補うことができます。これを補償的評価（Compensatory Evaluation）といいます。
しかし、現実には、他の長所によって補うことのできない欠点が存在します。
例えば、安全基準を満たしていない製造設備は、生産性やコストが優れていても採用できません。このような問題では、必須条件を別に設けるか、非補償的な比較方法を用いる必要があります。
ELECTREなどのアウトランキング法（Outranking Methods）は、選択肢を単一の総合得点に変換するのではなく、2つの選択肢の間にどのような優越関係が成立するかを検討します。
例えば、選択肢Aが多くの基準でBより優れていても、ある重要な基準において著しく劣っている場合には、AがBより優れていると判断しないことがあります。
このような判断に使われるのが、一致度（Concordance）、不一致度（Discordance）、拒否閾値（Veto Threshold）などの考え方です。具体的な利用方法はELECTREの方式によって異なります。
アウトランキング法では、必ずしもすべての選択肢を一列に順位付けする必要はありません。選択肢AとBの優劣が明確に決められないという「比較不能」の状態を許容できることも特徴です。
これに対して、PROMETHEEは評価基準ごとに選好関数を設定し、選択肢間の優越関係を集計します。正のフロー、負のフロー、純フローなどを利用して選択肢を比較し、部分順位または完全順位を求めることができます。
どちらも単純な加重和とは異なる評価思想を持ちますが、評価基準やパラメータの設定が結果に影響する点は共通しています。
評価基準間の非線形性と交互作用
MCDAでは、評価基準間に相互作用が存在する場合にも注意が必要です。
例えば、新規事業の競争力を技術力と製造能力によって評価するとします。技術力だけが高くても製造能力が不足していれば、事業化が困難かもしれません。逆に、両方が高ければ、大きな競争優位性が生まれる可能性があります。
この場合、技術力と製造能力の効果は単純に加算できないかもしれません。
回帰分析では、こうした関係を交互作用項によって表現できます。MCDAにおいても、複数の評価基準の組み合わせによって価値が変化する場合には、非加法的な評価モデルが必要になります。
代表的な方法の一つがChoquet積分です。
Choquet積分では、個々の評価基準だけでなく、評価基準の組み合わせに対しても重要度を定義できます。これによって、相乗効果や重複を表現できます。
例えば、技術力と製造能力の両方が高い場合に追加的な価値が生まれるという関係や、市場性と収益性の評価が部分的に重複しているという関係を扱えます。
ただし、非加法的な評価モデルでは、必要なパラメータが増加します。一般的なChoquet積分を完全に指定するためのパラメータ数は、評価基準数に対して指数関数的に増加する場合があります。
数理的に高度なモデルであっても、利用者がその意味を理解し、適切に設定できなければ、実用性は高まりません。
そのため、複雑な評価モデルを利用する際には、どの相互作用を本当に表現する必要があるのかを見極めることが重要です。
不確実性と頑健性の分析
MCDAでは、評価基準の重みや評価得点が正確に分かっているとは限りません。
特に研究開発や新規事業の評価では、市場規模、開発費、成功可能性などに大きな不確実性があります。また、関係者の間で評価基準の重要度について合意できないこともあります。
このような場合、単一の重みと評価値を設定して唯一の順位を求めるだけでは、重要な情報が失われる可能性があります。
そこで利用されるのが、感度分析、シナリオ分析、頑健性分析（Robustness Analysis）などです。
感度分析では、重みや得点を変更して、順位がどのように変化するかを調べます。シナリオ分析では、市場環境や技術開発の進展など、異なる将来条件を仮定して評価を行います。
さらに、MCDAでは不確実な選好を体系的に扱う方法も研究されています。
Robust Ordinal Regression（ROR） は、判断者が示した選好情報と整合する複数の評価モデルを考慮し、それらのモデル全体で成立する優越関係などを分析する方法です。
例えば、AがBより望ましいという判断が、許容されるすべての評価モデルで成立するのか、それとも一部のモデルでしか成立しないのかを検討できます。
Stochastic Multicriteria Acceptability Analysis（SMAA） は、重みや評価値に不確実性がある場合に、それらの取り得る範囲や確率分布を考慮して、各選択肢がどの順位を得るかを分析する方法です。
例えば、「テーマAが1位になる重みの組み合わせはどの程度存在するか」「テーマBを選ぶためには、どの評価基準をどれほど重視する必要があるか」といった分析ができます。
ただし、SMAAで求められる順位受容度は、その分析で仮定した重みや評価値の分布に依存します。現実世界でその選択肢が成功する確率とは異なります。
これらの方法は、単一の最適解を求めることよりも、判断の不確実性を明らかにすることを重視する点で興味深いものです。
複数の判断者による意思決定
企業や公共機関の意思決定では、複数の関係者が異なる価値観を持っていることがあります。
例えば、研究開発部門は技術的新規性を重視し、営業部門は市場性を重視し、経営部門は投資収益を重視するかもしれません。
このような状況で、各部門が設定した重みを単純に平均することが、必ずしも適切とは限りません。
重みの違いは、単なる評価のばらつきではなく、部門が担う役割や戦略的な関心の違いを反映している可能性があるためです。
MCDAでは、複数の判断者による評価を集約する方法だけでなく、それぞれの選好を別々に分析し、どの条件で合意が成立するかを検討する方法も利用されます。
例えば、技術部門の評価ではテーマA、営業部門の評価ではテーマBが最上位になる場合、それぞれの判断がどの基準によって異なるのかを分析できます。
その結果、全員が同じ重みを採用することを目標とするのではなく、異なる価値観の間にどのような妥協や組み合わせが可能かを検討できます。
こうした分析は、数理モデルを単なる順位付けの道具ではなく、関係者間の議論を支援する道具として利用することにつながります。
MCDAとベイジアンネットワークの関係
MCDAは選択肢の価値や優先順位を比較するための方法ですが、不確実な事象の発生確率を推論すること自体を主目的としているわけではありません。
一方、ベイジアンネットワーク（Bayesian Network）は、確率変数間の依存関係をモデル化し、観測情報に基づいて確率を更新するための数理モデルです。
例えば、ある研究開発テーマについて、技術開発が成功する確率、市場需要が拡大する確率、製品化が可能になる確率などをベイジアンネットワークで推論できます。
しかし、成功確率が高いテーマが最も価値の高いテーマであるとは限りません。成功した場合の経済的価値や戦略的重要性も考慮する必要があります。
そこで、確率モデルと意思決定モデルを組み合わせることが考えられます。
代表的な枠組みがインフルエンスダイアグラム（Influence Diagram）です。これは、確率変数に加えて意思決定と効用を表すノードを導入し、不確実な条件下で期待効用を比較する方法です。
MCDAの評価基準や価値関数を確率モデルと適切に組み合わせれば、不確実な技術開発や市場環境の下で、複数の戦略を比較することも可能になります。
ただし、評価基準の重み、事象の発生確率、結果の価値や効用は、それぞれ異なる意味を持つ数値です。これらを混同しないことが重要です。
MCDAの限界と注意点
MCDAは複雑な意思決定を体系的に分析できますが、数理モデルを利用すること自体が判断の正しさを保証するわけではありません。
特に注意すべき問題として、評価基準の欠落、評価内容の重複、測定尺度の不適切さ、重みの根拠不足、評価モデルの過度な複雑化などがあります。
また、MCDAでは、利用する手法によって順位が異なる場合があります。
同じ評価データを用いても、加重和法、TOPSIS、ELECTREなどでは、評価基準の統合方法が異なるため、同じ結論になるとは限りません。
これは必ずしも計算方法の欠陥を意味するものではありません。各手法が異なる選好の考え方や補償関係を採用しているためです。
重要なのは、利用する手法の数学的な仕組みが、実際の意思決定問題に適しているかどうかを検討することです。
また、複雑な数理モデルでは、多数のパラメータを設定する必要があります。それらの値を十分な根拠なく設定すれば、単純な加重和よりも精密に見えるだけで、実際の判断の質は改善されない可能性があります。
MCDAでは、複雑な計算方法を選ぶことよりも、問題の性質に適した評価モデルを選び、その前提を検証することが重要です。
AI時代のMCDA
LLMの発展によって、MCDAの利用方法にも新しい可能性が生まれています。
従来、MCDAを実行するには、問題の整理、評価基準の設定、選択肢の列挙、評価データの収集、数理モデルの選択など、多くの準備作業が必要でした。
LLMを利用すれば、意思決定の目的を自然言語で説明することから、評価基準や選択肢の候補を生成できます。また、技術文献、市場調査、企業資料などから評価の根拠となる情報を収集し、分析に利用できる形に整理することも可能です。
さらに、LLMは評価モデルの批判的な検討にも利用できます。
例えば、「市場性と収益性が重複していないか」「必須条件を満たさない候補が含まれていないか」「評価基準間の交互作用を考慮する必要がないか」「判断に大きく影響する不確実性は何か」といった問題を提案できます。
一方、数理的な計算は、LLMに直接行わせるよりも、専用の分析エンジンを利用する方が、再現性や計算の正確性を確保しやすくなります。
また、LLMが自動生成した評価値や重みを、そのまま利用者の価値判断として採用することは適切ではありません。
実際の意思決定では、何を重視するかという問題は、利用者自身の目的や価値観に依存します。LLMは判断材料を提供し、検討すべき問題を指摘できますが、最終的な価値判断まで自動的に決定する必要はありません。
将来的には、判断者が過去に行った選択や一対比較から、その人の選好を学習し、評価モデルの候補を提案することも考えられます。これはMCDAにおけるPreference Learning（選好学習）やRobust Ordinal Regressionなどの研究と関係する方向です。
このように、MCDAとLLMの組み合わせは、従来の分析作業を自動化するだけでなく、判断の前提や価値観そのものを検討するための新しい環境につながる可能性があります。
ThinkNaviにおけるMCDA
ThinkNaviでは、MCDAを、人間の価値判断を数理的に表現し、その判断の妥当性を検討するための重要な思考支援分野として位置づけます。
ThinkNavi Freeでは、利用者が評価基準、選択肢、評価得点、重みなどを手入力し、計算結果を確認できる分析ツールを提供する計画です。
意思決定マトリクスによる基本的な加重評価、AHPによる重み付け、必須条件の設定、非線形な価値関数、感度分析などを組み合わせることで、単純な総合得点による評価の限界を検討できるようにします。
さらに、手法ごとの分析結果を相互に引き継ぐことで、ある手法で整理した問題を別の方法で再検討することも可能になります。
例えば、SWOT分析によって経営環境を整理し、TOWSによって戦略候補を作成し、意思決定マトリクスによって比較し、AHPで重要度を検討し、感度分析によって結論の安定性を確認する、といった利用方法です。
高度な手法としては、ANP、Choquet積分、アウトランキング法、SMAAなども検討対象になります。ただし、すべての手法を実装することが目的ではありません。利用者が扱う問題に対して、それぞれの手法がどのような価値を提供できるかを確認しながら開発を進めます。
LLM活用版では、評価基準や選択肢の提案、関連情報の収集、評価モデルの構築支援、判断の前提に対する批判的な検討などを提供する方向が考えられます。
また、ConceptMiner R&Dなどの製品では、探索によって生成された研究開発テーマや事業仮説をMCDAに引き継ぎ、評価と優先順位付けに利用できるようにすることを想定しています。
しかし、MCDAの本来の価値は、選択肢を総合得点の高い順に並べることだけではありません。
どのような基準で判断しているのか、その基準は適切なのか、基準間の関係を正しく扱っているのか、前提が変わった場合にも結論は成立するのか。こうした問題を検討できることが、数理的意思決定分析の重要な意義です。
ThinkNaviは、伝統的な意思決定手法をコンピュータとAIによって利用しやすくするとともに、結果を計算するだけでなく、判断の仕組みそのものを理解し、改善できる思考支援環境を目指します。
関連する思考技法：
- 意思決定マトリクスとは | 複数の評価基準で選択肢を比較し、判断の妥当性を検証する手法
- AHP（階層分析法）とは | 一対比較によって評価基準を定量化する意思決定手法
- ANP（ネットワーク分析法）とは | 評価基準間の相互依存とフィードバックを考慮する意思決定手法
- 多属性効用理論（MAUT）、
- 非線形価値関数、
- Choquet積分（ショケ積分）とは | 評価基準間の相乗効果と重複を考慮する多基準意思決定手法
- ELECTRE、
- PROMETHEE、
- TOPSIS、
- 感度分析とは | 前提条件の変化が分析結果に与える影響を調べる数理的手法
- シナリオ分析とは | 複数の未来を想定し、不確実性に強い戦略を考える方法
- ベイジアンネットワークとは｜不確実な事象の関係を構造化し、確率的に推論する思考法
- インフルエンスダイアグラム
参考文献・資料
- Ralph L. Keeney and Howard Raiffa, Decisions with Multiple Objectives: Preferences and Value Tradeoffs, Wiley, 1976.
- Valerie Belton and Theodor J. Stewart, Multiple Criteria Decision Analysis: An Integrated Approach, Kluwer Academic Publishers, 2002.
- José Figueira, Salvatore Greco, and Matthias Ehrgott (eds.), Multiple Criteria Decision Analysis: State of the Art Surveys, Springer, 2005.
- Salvatore Greco, Roman Słowiński, and Jyrki Wallenius, “Fifty Years of Multiple Criteria Decision Analysis: From Classical Methods to Robust Ordinal Regression,” European Journal of Operational Research, Vol. 323, No. 2, pp. 351–377, 2025.
- Risto Lahdelma and Pekka Salminen, “SMAA-2: Stochastic Multicriteria Acceptability Analysis for Group Decision Making,” Operations Research, 49(3), pp. 444–454, 2001.
- UK Government — Multi-Criteria Analysis: A Manual
- UK Government — Use of MCDA in Options Appraisal
- Fifty Years of Multiple Criteria Decision Analysis — Research Review
- How to Support the Application of MCDA? A Comprehensive Taxonomy