اغلب، بحث می‌شود که روش بوردا و سایر روش‌های تخصیص امتیاز نسبت به دستکاری نتایج با تغییر دستورکار رأی‌دهندگان حساس هستند. معرفی یک گزینه تصمیم‌گیری «نامربوط» به سیستم، می‌تواند به‌طور مؤثر ترتیب امتیاز کل گزینه‌های موجود را معکوس کند؛ اگرچه هیچ تغییری ایجاد نشود. در رتبه‌بندی رأی‌دهندگان ساخته شده است.  درواقع، روش اصلی Borda، خود ممکن است قانون اکثریت را نقض کند؛ زیرا می‌تواند گزینه‌ای را که اولین انتخاب اکثریت است، شکست دهد. سیستم‌های مشتق شمارش Borda که اخیراً پیشنهاد شده است، از جمله سیستم سهمیه Borda و نمایندگی تناسبی(دومارت۱۹۷۷) Borda  برای مقابله با این مشکلات توسعه یافته است. گرلین و همکاران (۱۹۸۲) استدلال کردند که بعید است بوردا برنده را تغییر دهد؛ زمانی که یک جایگزین بازنده از گزینه‌های مورد رأی حذف می‌شود. اگرچه امتیاز Borda برای مدت طولانی تحت‌الشعاع عملکرد انتخاب اجتماعی Condorcet قرار داشت، به نظر می‌رسد که بار دیگر در حال به رسمیت شناخته شدن است که می‌تواند با استفاده مکرر از آن در شرکت‌های خصوصی و سازمان‌های ورزشی (مانند المپیک، لیگ ملی فوتبال) نشان داده شود. ، یا تور دو فرانس) (برامز و فیشبرن ۱۹۹۱).

سطح ۲: پشتیبانی از تجزیه و تحلیل تصمیم

(d) مدل‌سازی گزینه‌ها در تصمیم‌گیری فضایی، معمولاً با مکان‌ها مرتبط است. یافتن مکان‌های مناسب، یعنی مکان‌هایی که به‌طور پیوسته ارضای معیارهای مکان،  یکی از پایه‌های اصلی مدل‌سازی در GIS است. گزینه‌های تصمیم‌گیری مکانی، معمولاً در GIS با استفاده از روش‌های غربالگری استثنایی پیاده‌سازی می‌شوند. این رویه‌ها عبارت‌اند از:

۱٫انتخاب معیارهای مکانی، به‌عنوان مثال درآمد متوسط خانوار، تراکم شبکه جاده، در دسترس بودن قطعات خالی منطقه تجاری و غیره.

۲٫ایجاد نقشه‌های تناسب فردی برای هر معیار مکان و

۳٫ترکیب نقشه‌های تناسب از طریق هر دو یک همپوشانی پولی که در آن مکان‌هایی که هر معیار جداگانه را برآورده می‌کنند، از طریق عملگرهای فضایی/ منطقی (همپوشانی تقاطع مربوط به AND منطقی، همپوشانی اتحادیه مربوط به OR منطقی) یا ترکیب خطی وزن‌دار که در آن مقادیر معیارهای مکانی به یک مقیاس عددی مشترک استاندارد می‌شوند،  ترکیب شده و سپس با میانگین وزنی ترکیب می‌شوند.

از آنجایی که برخی از معیارهای مکانی، به‌عنوان مثال امکانات رفاهی منظر، ممکن است ماهیت کیفی داشته باشند و نمایش آن‌ها به‌عنوان الزامات عددی واضح دشوار باشد، اخیراً روش‌های غربالگری مبتنی بر مجموعه فازی به‌عنوان رویکرد جایگزین پیشنهاد شده است؛ ایجاد جایگزین‌های مکان مناسب (جیانگ[۴] و ایستمن ۲۰۰۰).

مدل‌های فرایندی ویژگی پویایی پدیده‌ها را در خود ثبت می‌کنند. تلاش برای مدل‌سازی تغییر در آن پدیده در طول زمان، به‌عنوان مثال جریان آب.  تغییرات در یک رودخانه تحت تأثیر آلودگی چنین مدل‌هایی با GIS مرتبط شده‌اند و به‌طور سنتی تصور می‌شود که این پیوند جوهره پشتیبانی تصمیم‌گیری فضایی است. (ریستماو همکاران،۱۹۹۶) بینشی در مورد ساختار و پشتیبانی تصمیم‌گیری با استفاده از سیستم پشتیبانی تصمیم برای مدیریت منابع آب ارائه می‌دهند. ریتسما و همکاران (۱۹۹۶) در مورد استفاده گروه‌های کوچک از مدل شبیه‌سازی در سیستم پشتیبانی تصمیم برای مذاکره مدیریت منابع آب با تمرکز بر انتشار آب به رودخانه کلرادو از سدها گزارش می‌دهند، اما نتایج ترکیبی را با گروه‌های سه‌نفره آن‌ها به دلیل پیچیدگی فنی توصیف می‌کنند. مدل. با توجه به اندازه گروه، ذکر این نکته مفید است که ووگل (۱۹۹۳) چندین مطالعه تجربی در مورد استفاده از GSS را مرور کرد و به این نتیجه رسید که گروه‌های پنج‌نفره یا بیشتر شانس بهتری برای نشان دادن بهبود در فرایند گروهی دارند؛ در حالی که گروه‌های سه یا چهارنفره ممکن است تنها مزایای ناچیزی از معرفی فناوری GSS نشان دهند. علاوه بر این، هرچه فعالیت مدل‌سازی پیچیده‌تر باشد، چالش‌های بیشتری برای واداشتن شرکت‌کنندگان به درک پویایی فرایند مدل‌سازی وجود دارد. نتایج مطالعه انجام‌شده توسط ریستما و همکاران (۱۹۹۶) و مطالعه دیگری با مدل‌های انتخاب فضایی ساده‌تر(استاتیک۱۹۹۹)، نیاز به استعاره‌های جدید را نشان می‌دهد که به شرکت‌کنندگان غیرمتخصص، به‌عنوان مثال نمایندگان گروه‌های شهروندی و ذی‌نفعان غیرمتخصص، کمک می‌کنند تا فرایندهای مدل‌سازی‌شده و نتایج مدل را همان‌طور که تعیین می‌کنند، درک کنند.

یکی از نمونه‌های چنین استعاره‌ای، نقشه‌های تصمیم‌گیری است که مبادلات بین اهداف تصمیم‌گیری کلیدی را که در یک مدل فرایندی تعبیه شده است، به تصویر می‌کشد(جانکوسکی وهمکاران،۱۹۹۹، لوتوف و همکاران ۲۰۰۰). هدف نقشه‌های تصمیم‌گیری، کمک به درک روابط بین اهداف تصمیم‌گیری است که در غیر این صورت، ممکن است به‌سختی بتوان این درک را از یک مدل به دست آورد. نقشه‌های تصمیم‌گیری، پیچیدگی یک مدل را با جایگزینی شکل ریاضی اغلب پیچیده آن با وابستگی‌های ورودی-خروجی به‌شدت ساده می‌کند. ماتریسی از وابستگی‌های ورودی-خروجی به نام «ماتریس تأثیر»، قبل از نمایش نقشه تصمیم ساخته می‌شود. این مرحله با پارامترسازی یک مدل انجام می‌شود؛ یعنی چندین بار یک مدل را در برابر مقادیر ورودی و پارامترهای مختلف مدل اجرا می‌کنیم. نمونه‌ای از نقشه تصمیم‌گیری برای مدل انتقال آلاینده آب MIKE11 در صفحه ۴  آورده شده است. MIKE11 یک مدل هیدرولوژیکی دوبُعدی است که برای شبیه‌سازی غلظت آلاینده‌ها در یک جریان استفاده می‌شود. استفاده از داده‌های تخلیه آلاینده به‌عنوان ورودی به همراه ویژگی‌های هیدرولوژیکی و کیفیت آب (انستیتو هیدرولیک دانمارکی ۲۰۰۰).  در صفحه ۴، مقادیر غلظت آلاینده نفتی (Z5)، محاسبه‌شده با MIKE11، در محور عمودی، هزینه‌های تصفیه آب (F) در محور افقی و فواصل ارزشی غلظت نیترات‌ها (Z4) آورده شده است. در مقیاس رنگ واقع در زیر محور افقی.  نقشه تصمیم شامل سه برش است: آبی، مربوط به غلظت نیترات برابر با ۲٫۵ واحد، آبی تیره برابر با ۲ واحد و سرخابی برابر با ۱٫۵ واحد. برش‌های دیگر (سبز، زرد و قرمز) نشان‌دهنده غلظت نیترات بالاتر از ۲٫۵ واحد هستند که به‌سختی در قسمت سمت چپ بالای نقشه قابل مشاهده‌اند – در امتداد محور عمودی بالایی.

نقشه تصمیم در صفحه ۴ به ما امکان می‌دهد تا با بررسی مرزهای (لبه‌های) برش‌ها در سمت چپ پایین نقشه، مبادلات بین نیترات‌ها، آلاینده‌های نفتی و هزینه تصفیه را تجزیه و تحلیل کنیم. با حرکت از نقطه صفر، در امتداد محور هزینه (محور افقی)، به سمت راست با یک افزایش هزینه کوچک، می‌توان برشی را از قرمز (بالاترین غلظت نیترات ۵٫۵ واحد) به آبی (برابر ۲٫۵ واحد) تغییر داد. این مربوط به کاهش نیترات در یک رودخانه به بیش از یک‌دوم با هزینه نسبتاً کمی، حدود ۲۰ میلیون دلار (نگاه کنید به محور افقی در صفحه ۴ که نشان‌دهنده F (هزینه تصفیه آب)) است.

در عین حال، کاهش غلظت آلاینده‌های نفتی از حداکثر سطح ۳٫۴۰۱ به ۱٫۵ (محل تلاقی روی نقشه)، حدود ۷۰۰ میلیون دلار هزینه دارد. با تجزیه و تحلیل بیشتر مرز در امتداد برش‌های آبی و آبی تیره، تصمیم‌گیرندگان/ شرکت‌کنندگان گروه می‌توانند به‌سرعت در مورد معاوضه‌های اصلی این موقعیت تصمیم‌گیری بیاموزند. کاهش غلظت آلاینده نفتی به نصف (از ۳٫۴ به ۱٫۷)، نسبتاً کم‌هزینه‌تر است. علاوه بر این، کاهش آلاینده‌های نفتی را می‌توان با کاهش هم‌زمان غلظت نیترات از ۵٫۵ به ۲٫۵ (از برش قرمز به آبی) انجام داد. با این حال، هرگونه بهبودی فراتر از ۱٫۷، هم از نظر نیترات‌ها و هم آلاینده‌های نفتی، بسیار پرهزینه خواهد بود.

اگر قرار است مدل‌های پیچیده فرایندهای محیطی پویا توسط شرکت‌کنندگان غیرمتخصص تصمیم‌گیری شود، استعاره‌هایی از قبیل نقشه‌های تصمیم مورد نیاز است. در این مثال عینی، نقشه تصمیم به‌عنوان خلاصه مدل عمل کرده و نتایج بسیاری از شبیه‌سازی‌ها را در قالب یک نمودار دوبعدی محصور می‌کند که مبادلات اساسی بین دو شاخص کیفیت آب و هزینه تصفیه آب را نشان می‌دهد. ممکن است این مبادلات، مبنایی را برای انتخاب جایگزین تصفیه آب خاص و درنتیجه تصمیم‌گیری فراهم کند.

(e) مدل‌های انتخابی: مدل‌های انتخابی به مقایسه تعداد زیادی از گزینه‌ها در مقابل یکدیگر از نظر معیارها به‌منظور انتخاب بهترین گزینه‌ها کمک می‌کنند. مدل‌های تصمیم‌گیری چندمعیاره (MCDM)، یکی از محبوب‌ترین مدل‌ها هستند که حداقل ۳۰ سال است که مورد تحقیق قرار گرفته‌ و حداقل در ۱۵ سال گذشته به‌عنوان ابزار نرم‌افزاری پیاده‌سازی شده‌اند(اوزرنوی۱۹۹۱) انواع مختلفی از مدل‌های تصمیم‌گیری چندمعیاره وجود دارد که هرکدام مزایا و معایبی دارند. اوزرنوی (۱۹۹۱) بحث مفصلی در مورد استفاده از مدل‌های MCDM برای انتخاب بهترین روش‌های MCDM ارائه می‌دهد.

ادغام مدل‌های تصمیم‌گیری چندمعیاره در GSS برای بیش از ۱۵ سال، یک حوزه تحقیقاتی فعال بوده است (جلاسی،جارک و استوهر،۱۹۸۵) ، اما تعداد کمی از آن‌ها به سیستم‌های تجاری راه پیدا کرده‌اند. نرم‌افزار Meeting- Works (Lewis 1994) یکی از نرم‌افزارهایی است که دارای مدل MCDM است. با این حال، از آنجایی که انواع زیادی از تکنیک‌های تحلیل تصمیم (مانند مدل‌ها) وجود دارد، مطالعه جامعی که شامل چه مواردی می‌شود، احتمالاً اکثر شرکت‌ها را از سرمایه‌گذاری در مسیر توسعه منع کرده است. از دیدگاه مخالف، Expert Choice Inc شرکتی است که قابلیت‌های GSS را در محصول MCDM خود گنجانده است. کارشناس تیم انتخاب تکنیک  MCDM خاص به نام سلسله‌مراتب تحلیلی را پیاده‌سازی می‌کند؛ فرایند AHP در یک زمینه گروهی، اما قابلیت ارتباط گروهی توزیع‌شده را فراهم نمی‌کند (Expert Choice Inc. 1994، ۱۹۹۵). (Expert Choice Inc. 1994, 1995)

ادغام مدل‌های تصمیم‌گیری چندمعیاره با GIS، حوزه تحقیقاتی فعالی در طول دهه ۱۹۹۰ بوده است(جانسن و ریتود،۱۹۹۰،کارور،۱۹۹۱،جانکوسکی،۱۹۹۵) و اکنون در حال تبدیل شدن به فعالیت توسعه است. نرم‌افزار IDRISI GIS دارای مدل‌های MCDM یکپارچه در بسته است. با این حال، رابط انسان و کامپیوتر برای استفاده فردی طراحی شده است جانکوسکی،استمن (۱۹۹۵). مطالعه کاملی در مورد مزایا و معایب مختلف «تکنیک‌های تجمع » انجام داده و چارچوبی برای درک تفاوت‌های آن‌ها ایجاد کرده است. بر این اساس، درک سه تکنیک تجمیع به‌عنوان بخشی از GeoChoicePerspectives اجرا شد. این سه تکنیک عبارت‌اند از: جمع وزنی، ترتیب رتبه و نقطه ایده‌آل. جمع‌بندی وزنی محبوب‌ترین تکنیک است؛ زیرا به دلیل سادگی آن بسیار مورد استفاده قرار می‌گیرد. ترتیب رتبه مشابه است، اما مفروضات یکسانی در مورد «داده‌های سطح فاصله» در فرایند تجمیع ایجاد نمی‌کند؛ بنابراین تا حدودی قابل دفاع است. نقطه ایده‌آل به دلیل مفروضاتش در مورد گزینه‌های ترجیحی، از نظر منطقی مناسب‌تر است. در زیر، هر تکنیک به‌اختصار توضیح داده شده و با استفاده از معیارها و وزن‌های یکسان در معیارها، مثالی ارائه شده است؛ به‌طوری که خواننده می‌تواند درک کند که ماهیت محاسبات، ماهیت نمرات ارزیابی و درنتیجه رتبه را چگونه تغییر می‌دهد. ترتیب گزینه‌ها

تکنیک جمع وزنی بر اساس ترکیب خطی از مقادیر و وزن داده‌های معیار (ووگد ۱۹۸۳) جمع‌بندی وزنی به دلیل سادگی ریاضی آن، از محبوب‌ترین تکنیک‌های تجمیع است. هر مقدار داده معیار در محدوده مقادیر داده برای آن معیار در پایگاه داده نرمال می‌شود. وزن‌ها نیز در محدوده ۱ تا ۱۰۰ نرمال شده‌اند. یک امتیاز معیار وزنی با ضرب هر مقدار داده معیار نرمال‌شده در وزن معیار مربوطه محاسبه می‌شود. وزن معیار نشان‌دهنده یک اولویت/ اهمیت است که می‌توان به هر معیار نسبت داد. امتیاز ارزیابی برای یک گزینه با جمع نمرات معیار وزنی محاسبه می‌شود. مجموع محصولات محاسبه‌شده برای هر گزینه، نشان‌دهنده امتیاز ارزیابی برای آن گزینه است که همه نمرات نرمال شده‌اند؛ زیرا مقادیر داده‌های معیار و وزن‌ها همگی نرمال شده‌اند (شکل ۳٫۴ را ببینید).

تکنیک ترتیب رتبه از جمع وزنی با استفاده می‌کند یک خطی ترکیبی از اوزان و امتیازات، اما با ترتیب رتبه به‌عنوان مبنای محاسبه نمرات ارزیابی. به‌جای استفاده از ویژگی‌های مقیاس فاصله‌ای امتیازات معیار، امتیاز معیار هر جایگزین بر اساس موقعیت جایگزین در فهرست مرتب‌شده همه امتیازها برای یک معیار در همه گزینه‌ها است.