• الصفحة الرئيسية
  • ارزیابی کارایی تأمین‌کننده‌ها با تحلیل پوششی داده‌های خاکستری به همراه اعمال ترجیحات تصمیم‌گیرنده

شارک

عنوان URL للمقالة


رقم المقالة : IMJ-2106-1642 (R2) زيارة : 276 الصفحة: 60 - 75

10.30495/imj.2022.1933549.1642

نوع المخطوط: ابحاث

ارزیابی کارایی تأمین‌کننده‌ها با تحلیل پوششی داده‌های خاکستری به همراه اعمال ترجیحات تصمیم‌گیرنده

الموضوعات :

Shahab Rafiazadeh 1 (Department of Industorial Engineering)
Dariush Mohammadi Zanjirani 2 (دانشیار گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران)

تاريخ الإرسال : 02 الإثنين , ذو الحجة, 1442 تاريخ التأكيد : 29 الثلاثاء , جمادى الثانية, 1443 تاريخ الإصدار : 25 الخميس , شوال, 1443

الکلمات المفتاحية: تحلیل پوششی داده‌ها, زنجیره تأمین, داده‌های خاکستری, کارایی نسبی, کارایی بازه ای,

ملخص المقالة :

اغلب شرکت‌های تجاری به منظور افزایش توان رقابت پذیری در فضای رقابتی، در عین حال که سطح برون‌سپاری فعالیت‌های خود را افزایش می دهند؛ به وابستگی بیشتر خود به تأمین‌کنندگان‌ نیز تن می دهند. به همین خاطر شرکت ها همواره برای ارائه محصولی با کیفیت بالا و در قیمتی نسبتاً پایین ناچارند نسبت به کنترل کارایی تأمین‌کنندگان خود، توجه داشته باشند. با این حال، ارزیابی و انتخاب تأمین‌کنندگان کارا، یک مزیت رقابتی را نیز برای شرکت‌ها ایجاد می‌نماید. در چارچوب نظری، از روش‌های و فنون بسیاری جهت ارزیابی و انتخاب تأمین‌کننده نام برده شده است. تحلیل پوششی داده‌ها به دلیل پایه برنامه‌ریزی ریاضی و نیز جبر خطی آن، یکی از روش‌های توانمند و مقبول در این حوزه است که با چندین ورودی و خروجی به سنجش کارایی واحدهای همگن می‌پردازد. از طرفی در کاربردهای واقعی و در فضای تصمیم نادقیق یا خاکستری با توجه به عدم قطعیت موجود در داده‌ها، این مسئله به یک تصمیم‌گیری پیچیده تبدیل شده است. در مطالعه حاضر، یک مدل ریاضی توسعه یافته برای تحلیل پوششی داده‌های خاکستری و نیز روش رتبه‌بندی جدیدی برای زمانی که کارایی حاصل از مدل مورد اشاره به صورت بازه‌ای حاصل می شود، پیشنهاد و به اجرا گذاشته شده است. الگوهای مورد اشاره به منظور ارزیابی سطح کارایی تأمین‌کنندگان شیشه اتومبیل طرف قرارداد با شرکت ایران‌خودرو آزمون شده و علاوه بر مقبول بودن نتایج، پایداری بیشتری نیز در نتایج ارزیابی و واحدهای مرجع، مشاهده شده است.

المصادر:


  1. Amiri, M., & Hadinejad, F. (2017). Evaluation and prioritization of suppliers adopting a combined approach of entropy, analytic hierarchy process, and revised Promethee (Case study: Youtab Company). Journal of Operational Research In Its Applications (Applied Mathematics)-Lahijan Azad University, 14(4), 1-20.
    2.
  2. Du, J., Liu, S., & Liu, Y. (2021). A novel grey multi-criteria three-way decisions model and its application. Computers & Industrial Engineering, 158, 107405.
    3.
  3. Esmaeilian, M., Hemmatgir, H., & Ghaenian, R. (2018). Designing and implementing suppliers evaluating process in supplier relationship management system (case study: Mobarake Steel Co.). Industrial Management Perspective, 8 (31), 37-61.
    4.
  4. Fallah, H., & Kazemi, F. (2017). Evaluating the efficiency of suppliers in the sustainable supply chain using data envelopment analysis approach, Case Study: Wood Plast Tosca Company. International Conference on Industrial Management, Mazandaran University, 2:1-18. (In Persian).
    5.
  5. Ghasemi, A., Farokhpour, GH & Rezayazdi, P. (2015). Evaluation of suppliers based on indicators involved in supply chain productivity (survey o f supply companies for Toos Automotive Group). Journal of Organizational Culture Management, 13(2):515-535. (in persian).
    6.
  6. Jahanshahloo, G.R., Hosseinzadeh Lotfi, F., Sanei, M., & Fallah Jelodar, M. (2008). Reviw of Rankg Models in Data Envelopment Analysis. Applied Mathematical Sciences, 2:1431-1448.
    7.
  7. Jiuping, X., Bin, L., & Desheng, W. (2009). Rough data envelopment analysis and its application to supply chain performance evaluation. J. Production Economics, 122:628–638.
    8.

Kolagar Daronkola, M., & Hosseini, S. (2019). Evaluating The Suppliers Based On A Hybrid Approach Of Einstein Choquet Integral And Promethee Ii With Respect To Scor Metrics (Case Study: Medical Laboratory. Industrial Engineering & Management Sharif (Sharif: Engineering), 35-1(1/1 ), 105-117. https://www.sid.ir/en/journal/ViewPaper.aspx?id=698600

  1. Lia, GD., Yamaguchi, D., & Nagai, M. (2007). A grey-based decision-making approach to the supplier selection problem. Mathematical and Computer Modelling, 46:573–581.
    2.
  2. Liao, Z., & Rittscher, J. (2007). A multi-objective supplier selection model under stochastic demand conditions. International Journal of Production Economics, 105(1), 150-159.
    3.
  3. Lin, C. T., Chang, C. W., & Chen, C. B. (2006). The worst ill-conditioned silicon wafer slicing machine detected by using grey relational analysis. The International Journal of Advanced Manufacturing Technology, 31(3-4), 388-395.
    4.

Luthra, S., Govindan, K., Kannan, D., Mangla, S. K., & Garg, C. P. (2017). An integrated framework for sustainable supplier selection and evaluation in supply chains. Journal of Cleaner Production, 140, 1686-1698.

  1. Memon, M.S., Lee, Y.H & IrshadMari, S. (2015). Group multi-criteria supplier selection using combined grey systems theory and uncertainty theory. Expert Systems with Applications, 42(21): 7951-7959.
    2.
  2. Moaazez, H., Fathi, R., & Ramezani, D. (2019). Evaluation of Resilence suppliers using fuzzy relative system and network analysis process. Journal of Environmental Science and Technology, 10: 57-86.
    3.
  3. Rashidi, K., & Cullinane, K. (2019). A comparison of fuzzy DEA and fuzzy TOPSIS in sustainable supplier selection: Implications for sourcing strategy. Expert Systems with Applications, 121(1):266-281.
    4.
  4. Saen, R. F. (2010). Developing a new data envelopment analysis methodology for supplier selection in the presence of both undesirable outputs and imprecise data. The International Journal of Advanced Manufacturing Technology, 51(9), 1243-1250.
    5.

Stević, Ž., Pamučar, D., Puška, A., & Chatterjee, P. (2020). Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement of alternatives and ranking according to COmpromise solution (MARCOS). Computers & Industrial Engineering, 140, 106231.

  1. Sunil, L., Kannan, G., Devika, K., Sachin, K & Mangla, Ch. (2017). An integrated framework for sustainable supplier selection and evaluation in supply chains. Journal of Cleaner Production, 140(3):1686-1698.
    2.
  2. Talluri, S., & Narasimhan, R. (2004). A methodology for strategic sourcing. European Journal of Operational Research, 154:236-250.
    3.
  3. Wu, D. D., & Olson, D. L. (2010). Fuzzy multiattribute grey related analysis using DEA. Computers & Mathematics with Applications, 60(1), 166-174.
    4.
  4. Yazdani, M., Prasenjit, C., Kazimieras Zavadskas, E., & Hashemkhani Zolfanid, S. (2017). Integrated QFD-MCDM framework for green supplier selection. Journal of Cleaner Production, 142(4):3728-3740.
    5.
_||_

  1. Amiri, M., & Hadinejad, F. (2017). Evaluation and prioritization of suppliers adopting a combined approach of entropy, analytic hierarchy process, and revised Promethee (Case study: Youtab Company). Journal of Operational Research In Its Applications (Applied Mathematics)-Lahijan Azad University, 14(4), 1-20.
    2.
  2. Du, J., Liu, S., & Liu, Y. (2021). A novel grey multi-criteria three-way decisions model and its application. Computers & Industrial Engineering, 158, 107405.
    3.
  3. Esmaeilian, M., Hemmatgir, H., & Ghaenian, R. (2018). Designing and implementing suppliers evaluating process in supplier relationship management system (case study: Mobarake Steel Co.). Industrial Management Perspective, 8 (31), 37-61.
    4.
  4. Fallah, H., & Kazemi, F. (2017). Evaluating the efficiency of suppliers in the sustainable supply chain using data envelopment analysis approach, Case Study: Wood Plast Tosca Company. International Conference on Industrial Management, Mazandaran University, 2:1-18. (In Persian).
    5.
  5. Ghasemi, A., Farokhpour, GH & Rezayazdi, P. (2015). Evaluation of suppliers based on indicators involved in supply chain productivity (survey o f supply companies for Toos Automotive Group). Journal of Organizational Culture Management, 13(2):515-535. (in persian).
    6.
  6. Jahanshahloo, G.R., Hosseinzadeh Lotfi, F., Sanei, M., & Fallah Jelodar, M. (2008). Reviw of Rankg Models in Data Envelopment Analysis. Applied Mathematical Sciences, 2:1431-1448.
    7.
  7. Jiuping, X., Bin, L., & Desheng, W. (2009). Rough data envelopment analysis and its application to supply chain performance evaluation. J. Production Economics, 122:628–638.
    8.

Kolagar Daronkola, M., & Hosseini, S. (2019). Evaluating The Suppliers Based On A Hybrid Approach Of Einstein Choquet Integral And Promethee Ii With Respect To Scor Metrics (Case Study: Medical Laboratory. Industrial Engineering & Management Sharif (Sharif: Engineering), 35-1(1/1 ), 105-117. https://www.sid.ir/en/journal/ViewPaper.aspx?id=698600

  1. Lia, GD., Yamaguchi, D., & Nagai, M. (2007). A grey-based decision-making approach to the supplier selection problem. Mathematical and Computer Modelling, 46:573–581.
    2.
  2. Liao, Z., & Rittscher, J. (2007). A multi-objective supplier selection model under stochastic demand conditions. International Journal of Production Economics, 105(1), 150-159.
    3.
  3. Lin, C. T., Chang, C. W., & Chen, C. B. (2006). The worst ill-conditioned silicon wafer slicing machine detected by using grey relational analysis. The International Journal of Advanced Manufacturing Technology, 31(3-4), 388-395.
    4.

Luthra, S., Govindan, K., Kannan, D., Mangla, S. K., & Garg, C. P. (2017). An integrated framework for sustainable supplier selection and evaluation in supply chains. Journal of Cleaner Production, 140, 1686-1698.

  1. Memon, M.S., Lee, Y.H & IrshadMari, S. (2015). Group multi-criteria supplier selection using combined grey systems theory and uncertainty theory. Expert Systems with Applications, 42(21): 7951-7959.
    2.
  2. Moaazez, H., Fathi, R., & Ramezani, D. (2019). Evaluation of Resilence suppliers using fuzzy relative system and network analysis process. Journal of Environmental Science and Technology, 10: 57-86.
    3.
  3. Rashidi, K., & Cullinane, K. (2019). A comparison of fuzzy DEA and fuzzy TOPSIS in sustainable supplier selection: Implications for sourcing strategy. Expert Systems with Applications, 121(1):266-281.
    4.
  4. Saen, R. F. (2010). Developing a new data envelopment analysis methodology for supplier selection in the presence of both undesirable outputs and imprecise data. The International Journal of Advanced Manufacturing Technology, 51(9), 1243-1250.
    5.

Stević, Ž., Pamučar, D., Puška, A., & Chatterjee, P. (2020). Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement of alternatives and ranking according to COmpromise solution (MARCOS). Computers & Industrial Engineering, 140, 106231.

  1. Sunil, L., Kannan, G., Devika, K., Sachin, K & Mangla, Ch. (2017). An integrated framework for sustainable supplier selection and evaluation in supply chains. Journal of Cleaner Production, 140(3):1686-1698.
    2.
  2. Talluri, S., & Narasimhan, R. (2004). A methodology for strategic sourcing. European Journal of Operational Research, 154:236-250.
    3.
  3. Wu, D. D., & Olson, D. L. (2010). Fuzzy multiattribute grey related analysis using DEA. Computers & Mathematics with Applications, 60(1), 166-174.
    4.
  4. Yazdani, M., Prasenjit, C., Kazimieras Zavadskas, E., & Hashemkhani Zolfanid, S. (2017). Integrated QFD-MCDM framework for green supplier selection. Journal of Cleaner Production, 142(4):3728-3740.
    5.

سند

Sanad is a platform for managing Azad University publications

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية

حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1446

الصفحة الرئيسية| دخول| معلومات عنا| اتصل بنا|
[English] [فارسی] [en] [fa]