METODO TOPSIS

La TOPSIS (Tecnique for Order Preference by Similaritay to Ideal Solution) è stata proposta da
Hwang e Yoon nel 1981. Si tratta di una tecnica per ordinare le alternative in un processo di
decisione/valutazione multi-criteria, noti i pesi/priorità dei diversi criteri e le
performance/prestazioni di ciascuna alternativa in relazione ai criteri. Il metodo consiste nel
definire due soluzioni virtuali, quella ideale e quella anti-ideale. La soluzione ideale è costruita
prendendo per ciascun criterio il miglior valore delle performane/prestazioni delle diverse
alternative. Per contro, la soluzione anti-ideale, per ciascun criterio prende i peggiori valori delle
diverse alternative. L’assunto di base è che le alternative reali vanno ordinate tenendo conto
della loro distanza da queste due soluzioni. In particolare, più bassa è la distanza di
un’alternativa reale dalla soluzione ideale, più alta sarà la valutazione. Dunque, l’alternativa
reale migliore è quella che ha la minore la distanza dalla soluzione ideale.

La tecnica TOPSIS è strutturata in più fasi.

1- Si parte conoscendo le n alternative (ALi i=1, n) e gli m criteri di decisione/valutazione (Cj,

j=1, m);
2- Costruzione della matrice decisionale A(aij). Si tratta di una matrice bidimensionale (nxm)
dove le righe rappresentano le n alternative e le colonne gli m criteri di valutazione. Ciascun
elemento aij indica il valore (prestazione/performance) dell’alternativa ALi rispetto al criterio
Cj. Di ciascun criterio è nota la priorità (peso del criterio) e per ciascuna alternativa sono noti
i valori delle performance aij. La TOPSIS, quindi, non si pone il problema di individuare le
priorità (peso, importanza) dei criteri e nemmeno la performance di ciascuna alternativa
rispetto a ciascun criterio (aij), essi sono un dato di input;

Matrice decisionale

C1 C2 C3 …… Cm
AL1 a1,1 a1,2 a1,3 …… a1,m
AL2 a2,1 a2,2 a2,3 …… a2,m
AL3 a3,1 a3,2 a3,3 …… a3,m
…… …… …… …… …… ……
ALn an,1 an,2 an,3 …… an,m

3- Normalizzazione delle colonne della matrice decisionale. Tale operazione è necessaria in

quanto generalmente le performance delle alternative sono valutate/misurate con diverse scale
di valutazione/misurazione a seconda del criterio. La normalizzazione avviene calcolando per
ciascun criterio j il fattore:

Rj= (∑𝒊"𝟏,𝒏 aij 2)1/2 (J=1,m)

Rj rappresenta la lunghezza (intensità) del vettore le cui n componenti sono le prestazioni

delle diverse alternative rispetto al criterio j. Ciascun elemento della matrice decisionale viene
normalizzato attraverso il rapporto:

rij= aij,/Rj.
 La normalizzazione permette di superare l’ostacolo dei diversi metri utilizzati per valutare le
prestazioni delle alternative per ciascun criterio. Gli elementi rij della matrice R sono numeri
adimensionali compresi nell’intervallo [0,1].

Matrice decisionale normalizzata

C1 C2 C3 …… Cm
AL1 r1,1 r1,2 r1,3 …… r1,m
AL2 r2,1 r2,2 r2,3 …… r2,m
AL3 r3,1 r3,2 r3,3 …… r3,m
…… …… …… …… …… ……
ALn rn,1 rn,2 rn,3 …… rn,m

4- Dopo aver normalizzato la matrice decisionale, il passo successivo è quello di considerare i

diversi pesi dei criteri. A tal uopo, ciascuna elemento della matrice decisionale normalizzata
R viene moltiplicato per il peso del criterio ad esso corrispondente. Siano wj (j=1,m) i pesi
degli m criteri, la matrice decisionale normalizzata e pesata risulterà essere costituita dagli
elementi vij = rij * wj.

Matrice normalizzata pesata

C1 C2 C3 …… Cm
AL1 v1,1 v1,2 v1,3 …… v1,m
AL2 v2,1 v2,2 v2,3 …… v2,m
AL3 v3,1 v3,2 v3,3 …… v3,m
…… …… …… …… …… ……
ALn vn,1 vn,2 vn,3 …… vn,m

5- Identificazione della soluzione ideale A* e della soluzione anti-ideale A-. La soluzione ideale
A*, per ciascun criterio Cj, è il migliore valore vi,j della colonna del criterio j. Per contro, La
soluzione anti-ideale A-, per ciascun criterio Cj, è il peggior valore vi,j della colonna del
criterio j. In sintesi, La soluzione ideale A* è la combinazione dei migliori valori vi,j delle
alternative rispetto a ciascun criterio. Viceversa, la soluzione anti-ideale A- è la combinazione
dei peggiori valori vi,j delle alternative rispetto a ciascun criterio. Va sottolineato che il
concetto di migliore e peggiore non va confuso con più alto e più basso. Per “migliore” valore
si intende il massimo valore vi,j, se ci si riferisce ad un criterio che ha un effetto positivo sulla
valutazione (criterio favorevole), il minimo valore, se invece si tratta di un criterio che ha un
effetto negativo sulla valutazione (criterio sfavorevole).

𝐴 ∗ = { 𝑣 1∗ , ... , 𝑣 𝑛∗ } ,

𝐴∗ ={(𝑚𝑎𝑥𝑗𝑣𝑖𝑗|j∈J∗),(𝑚𝑖𝑛𝑗𝑣𝑖𝑗|j∈J ̄)}.

𝐴 − = { 𝑣 1− , ... , 𝑣 𝑛− } ,

𝐴− = {(𝑚𝑖𝑛𝑗𝑣𝑖𝑗|j ∈ J∗), (𝑚𝑎𝑥𝑗𝑣𝑖𝑗|j ∈ J ̄)}.

 Dove J* è l’insieme dei criteri vantaggiosi e J ̄ è l’insieme dei criteri svantaggiosi.

6- Calcolo della misura della distanza euclidea Dj* dalla soluzione ideale e Dj ̄ dalla soluzione
anti-ideale secondo le seguenti espressioni:

Si∗ = (∑mj=1(𝑣𝑖𝑗 −𝑣j∗)2 )1/2, i = 1,...,n

Si− = (∑mj=1(𝑣𝑖𝑗 −𝑣j−)2 ,)1/2, i = 1,...,n

7- Calcolo della distanza relativa delle alternative dalla soluzione ideale. Note le distanze Si∗ e
Si− delle alternative ALi (i=1, 2, ..., n) dalle soluzioni virtuali A* e A- rispettivamente, si
determina la distanza relativa dell’alternativa stessa dalla soluzione ideale la seguente
espressione:

𝐶i∗ = Si− ⁄ ( Si∗ + Si− ) , i = 1 , ... , n.

8- Costruire la gerarchia in funzione del valore della distanza relativa Ci*. Ordinando le
alternative secondo valori decrescenti di Ci*.
ESEMPIO 1

1- Definire l’ordine tra 4 alternative (ALi, i=1, 4) sulla base di 4 criteri di valutazione (Cj, J=1,
4). Il primo ed il secondo sono criteri favorevoli. I criteri 3 e 4 sono sfavorevoli. Il peso di
ciascun criterio risulta:C1=0,4, C2=0,2, C3=0,3, C4=0,1;

2- La matrice decisionale A4,4 risulta:

C1 C2 C3 C4
AL1 2 1 5 5
AL2 2 4 3 1
AL3 4 1 4 4
AL4 5 4 2 1

3- Definire i fattori di normalizzazione per ciascun criterio R1=7,00; R2=5,83; R3=7,35;

R4=6,56.
Costruire la matrice decisionale normalizzata.

C1 C2 C3 C4
AL1 0,29 0,17 0,68 0,76
AL2 0,29 0,69 0,41 0,15
AL3 0,57 0,17 0,54 0,61
AL4 0,71 0,69 0,27 0,15

4- Dopo aver normalizzato la matrice decisionale, il passo successivo è quello costruire la

matrice normalizzata e pesata

C1 C2 C3 C4
AL1 0,11 0,03 0,20 0,08
AL2 0,11 0,14 0,12 0,02
AL3 0,23 0,03 0,16 0,06
AL4 0,29 0,14 0,08 0,02

5- Identificazione della soluzione ideale A* e della soluzione anti-ideale A-. Poiché i criteri 1 2
sono favorevoli e i criteri 3 e 4 sono sfavorevoli per A* si prendono i valori più alti per i primi
due criteri e quelli più bassi per i successivi due. Per A- i valori più bassi per i criteri 1 e 2 e
quelli più alti per i criteri 3 e 4.

C1 C2 C3 C4
A* 0,29 0,14 0,08 0,02
A- 0,11 0,03 0,20 0,08
 6- Per ciascuna alternativa, calcolo della misura della distanza euclidea Si* dalla soluzione ideale
e Si ̄ dalla soluzione anti-ideale:

Ideale
S1* 0,24
S2* 0,18
S3* 0,15
S4* 0,00

Anti-Ideale
S1- 0,00
S2- 0,14
S3- 0,12
S4- 0,24

7- Calcolo della distanza relativa delle alternative dalla soluzione ideale.

C1 0,000
C2 0,451
C3 0,449
C4 1,000

8- Costruire la gerarchia in funzione del valore della distanza relativa Ci. Ordinando le
alternative secondo valori decrescenti di Ci.

Posizione Alternativa valore

1 C4 1,000
2 C2 0,451
3 C3 0,449
4 C1 0,000
ESEMPIO 2

1- Definire l’ordine tra 4 alternative (ALi, i=1, 4) sulla base di 4 criteri di valutazione (Cj, J=1,
4). Tutti i criteri sono favorevoli. Il peso di ciascun criterio risulta:C1=0,4, C2=0,2, C3=0,3,
C4=0,1;
2- La matrice decisionale A4,4 risulta:

C1 C2 C3 C4
AL1 2 1 3 1
AL2 2 4 3 1
AL3 4 1 4 4
AL4 5 4 4 4

3- Definire i fattori di normalizzazione per ciascun criterio R1=7,00; R2=5,83; R3=7,07;

R4=5,83.
Costruire la matrice decisionale normalizzata.

C1 C2 C3 C4
AL1 0,29 0,17 0,42 0,17
AL2 0,29 0,69 0,42 0,17
AL3 0,57 0,17 0,57 0,69
AL4 0,71 0,69 0,57 0,69

4- Dopo aver normalizzato la matrice decisionale, il passo successivo è quello costruire la

matrice normalizzata e pesata

C1 C2 C3 C4
AL1 0,11 0,03 0,13 0,02
AL2 0,11 0,14 0,13 0,02
AL3 0,23 0,03 0,17 0,07
AL4 0,29 0,14 0,17 0,07

5- Identificazione della soluzione ideale A* e della soluzione anti-ideale A-. Poiché i criteri sono
tutti vantaggiosi, per A* si prendono i valori più alti e per A- i valori più bassi

C1 C2 C3 C4
A* 0,29 0,14 0,17 0,07
A- 0,11 0,03 0,13 0,02

6- Per ciascuna alternativa, calcolo della misura della distanza euclidea Si* dalla soluzione ideale
e Si ̄ dalla soluzione anti-ideale:
Ideale
S1* 0,21
S2* 0,18
S3* 0,12
S4* 0,00

Anti-Ideale
S1- 0,00
S2- 0,10
S3- 0,13
S4- 0,21

7- Calcolo della distanza relativa delle alternative dalla soluzione ideale.

C1 0,000
C2 0,359
C3 0,529
C4 1,000

8- Costruire la gerarchia in funzione del valore della distanza relativa Ci. Ordinando le
alternative secondo valori decrescenti di Ci.

Posizione Alternativa valore

1 C4 1,000
2 C3 0,529
3 C2 0,359
4 C1 0,000
ESEMPIO 3_ Questo esempio è identico a quello precedente. Cambiano solo le unità di misura.
L’obiettivo è quello di evidenziare che il risultato non cambia grazie al processo di normalizzazione.
La prima colonna è stata moltiplicata per 10, la seconda per 1000, la terza per 5 e la quarta per 0,5.

1- Definire l’ordine tra 4 alternative (ALi, i=1, 4) sulla base di 4 criteri di valutazione (Cj, J=1,
4). Tutti i criteri sono favorevoli. Il peso di ciascun criterio risulta:C1=0,4, C2=0,2, C3=0,3,
C4=0,1;
2- La matrice decisionale A4,4 risulta:

C1 C2 C3 C4
AL1 20 1000 15 0,5
AL2 20 4000 15 0,5
AL3 40 1000 20 2
AL4 50 4000 20 2

3- Definire i fattori di normalizzazione per ciascun criterio R1=7,00; R2=5830,95; R3=35,36;

R4=2,92.
Costruire la matrice decisionale normalizzata.

C1 C2 C3 C4
AL1 0,29 0,17 0,42 0,17
AL2 0,29 0,69 0,42 0,17
AL3 0,57 0,17 0,57 0,69
AL4 0,71 0,69 0,57 0,69

4- Dopo aver normalizzato la matrice decisionale, il passo successivo è quello costruire la

matrice normalizzata e pesata

C1 C2 C3 C4
AL1 0,11 0,03 0,13 0,02
AL2 0,11 0,14 0,13 0,02
AL3 0,23 0,03 0,17 0,07
AL4 0,29 0,14 0,17 0,07

1- Identificazione della soluzione ideale A* e della soluzione anti-ideale A-. Poiché i criteri sono
tutti vantaggiosi, per A* si prendono i valori più alti e per A- i valori più bassi

C1 C2 C3 C4
A* 0,29 0,14 0,17 0,07
A- 0,11 0,03 0,13 0,02
 2- Per ciascuna alternativa, calcolo della misura della distanza euclidea Si* dalla soluzione ideale
e Si ̄ dalla soluzione anti-ideale:

Ideale
S1* 0,21
S2* 0,18
S3* 0,12
S4* 0,00

Anti-Ideale
S1- 0,00
S2- 0,10
S3- 0,13
S4- 0,21

5- Calcolo della distanza relativa delle alternative dalla soluzione ideale.

C1 0,000
C2 0,359
C3 0,529
C4 1,000

6- Costruire la gerarchia in funzione del valore della distanza relativa Ci. Ordinando le
alternative secondo valori decrescenti di Ci.

Posizione Alternativa valore

1 C4 1,000
2 C3 0,529
3 C2 0,359
4 C1 0,000
ESEMPIO 4

1- Definire l’ordine tra 4 alternative (ALi, i=1, 4) sulla base di 2 criteri di valutazione (Cj, J=1,
2). Entrambi i criteri sono favorevoli. Il peso di ciascun criterio risulta:C1=0,5, C2=0,5.

2- La matrice decisionale A4,2 risulta:

C1 C2
AL1 6 1
AL2 1 6
AL3 4 5
AL4 4,5 4,5

3- Definire i fattori di normalizzazione per ciascun criterio R1=6,00; R2=6,00.

Costruire la matrice decisionale normalizzata.

C1 C2
AL1 1,00 0,17
AL2 0,17 1,00
AL3 0,67 0,83
AL4 0,75 0,75

4- Dopo aver normalizzato la matrice decisionale, il passo successivo è quello costruire la

matrice normalizzata e pesata

C1 C2
AL1 0,50 0,08
AL2 0,08 0,50
AL3 0,33 0,42
AL4 0,38 0,38

5- Identificazione della soluzione ideale A* e della soluzione anti-ideale A-. Poiché i criteri sono
tutti vantaggiosi, per A* si prendono i valori più alti e per A- i valori più bassi

C1 C2
A* 0,50 0,50
A- 0,08 0,08

6- Per ciascuna alternativa, calcolo della misura della distanza euclidea Si* dalla soluzione ideale
e Si ̄ dalla soluzione anti-ideale:
 Ideale
S1* 0,42
S2* 0,42
S3* 0,19
S4* 0,18

Anti-Ideale
S1- 0,42
S2- 0,42
S3- 0,42
S4- 0,41

7- Calcolo della distanza relativa delle alternative dalla soluzione ideale.

C1 0,500
C2 0,500
C3 0,691
C4 0,700

8- Costruire la gerarchia in funzione del valore della distanza relativa Ci. Ordinando le
alternative secondo valori decrescenti di Ci.

Posizione Alternativa valore

1 C4 0,700
2 C3 0,691
3/4 C2 0,500
3/4 C1 0,500

Anche da questo esempio si evince che l’alternativa reale migliore è quella più vicina alla
soluzione ideale. Tuttavia, diversamente dagli esempi precedenti essa non è la più distante dalla
soluzione anti-ideale. In particolare, in questo caso risulta essere anche la più vicina.