به طور سنتی، مدلهای ارزیابی و انتخاب تأمین کننده مبتنی بر دادههای اصلی با تأکید کمتر بر روی دادههای ترتیبی بودهاند. اما با استفادهی گسترده از فلسفههای تولید، مانند تولید بهنگام، تأکید بیشتری بر لحاظ کردن همزمان دادههای اصلی و ترتیبی در فرآیند انتخاب تأمین کننده م أکثر
به طور سنتی، مدلهای ارزیابی و انتخاب تأمین کننده مبتنی بر دادههای اصلی با تأکید کمتر بر روی دادههای ترتیبی بودهاند. اما با استفادهی گسترده از فلسفههای تولید، مانند تولید بهنگام، تأکید بیشتری بر لحاظ کردن همزمان دادههای اصلی و ترتیبی در فرآیند انتخاب تأمین کننده میشود. کاربرد تحلیل پوششی دادهها (DEA) برای مسایل ارزیابی و انتخاب تأمین کننده مبتنی بر انعطافپذیری کامل وزنها است. با این حال، مشکل مجاز دانستن انعطافپذیری کامل وزنها آن است که مقادیر وزن به دست آمده با حل برنامهی DEAی نامقید غالباً با نظرات قبلی یا اطلاعات موجود اضافی در تعارض است. هدف این مقاله پیشنهاد مدلهای DEAی بازهای با ناحیهی اطمینان برای ارزیابی و انتخاب بهترین تأمین کننده در حضور محدودیتهای وزنی و دادههای نادقیق است. این مقاله رویکرد جدیدی مبتنی بر DEA با مرزهای کارآ و ناکارآ را برای ارزیابی و انتخاب بهترین تأمین کننده در حضور محدودیتهای وزنی و دادههای نادقیق پیشنهاد میکند. در این رویکرد، همزمان کارآییهای خوشبینانه و بدبینانهی هر تأمین کننده در نظر گرفته میشوند. وقتی که قیود ناحیهی اطمینان به مدلهای خوشبینانهی DEA بازهای اضافه میشوند، نمرات بازهی کارآیی محاسبه شده بدتر میشوند، و یک تأمین کننده که قبلاً به عنوان کارآی خوشبینانه تعیین شده بود، ممکن است غیرکارآی خوشبینانه شناخته شود. وقتی که قیود ناحیهی اطمینان به مدلهای بدبینانهی DEAی بازهای اضافه میشوند، نمرات بازهی کارآیی محاسبه شده بهبود مییابند، و یک تأمین کننده که قبلاً به عنوان ناکارآی بدبینانه شناسایی میشد، ممکن است غیرناکارآی بدبینانه شناخته شود. در مقایسه با DEAی سنتی، رویکرد DEA با مرزهای کارآ و ناکارآ میتواند بهترین تأمین کننده را به درستی و به آسانی شناسایی کند. یک مثال عددی کاربرد رویکرد پیشنهادی را نشان میدهد..
تفاصيل المقالة
تکنیکهای دادهکاوی، یعنی استخراج الگوها از پایگاههای دادهای بزرگ، در تجارت به صورت گستردهای مورد استفاده قرار میگیرند. با استفاده از این تکنیکها ممکن است قواعد زیادی حاصل شوند و فقط تعداد کمی از آنها به دلیل محدودیت بودجه و منابع برای پیادهسازی در نظر گرفته شوند. أکثر
تکنیکهای دادهکاوی، یعنی استخراج الگوها از پایگاههای دادهای بزرگ، در تجارت به صورت گستردهای مورد استفاده قرار میگیرند. با استفاده از این تکنیکها ممکن است قواعد زیادی حاصل شوند و فقط تعداد کمی از آنها به دلیل محدودیت بودجه و منابع برای پیادهسازی در نظر گرفته شوند. ارزیابی و رتبهبندی جالب بودن و مفید بودن قواعد انجمنی در دادهکاوی اهمیت زیادی دارد. در مطالعات قبلی که در مورد شناسایی قواعد انجمنی جالب از نظر ذهنی انجام شده است، اکثر روشها مستلزم وارد کردن دستی یا پرسیدن از کاربر برای افتراق صریح قواعد جالب از ناجالب بوده است. این روشها نیازمند محاسبات بسیار زیادی هستند و حتی ممکن است به نتیجهگیریهای ناسازگار منتهی شوند. برای غلبه بر این مشکلات، این مقاله پیشنهاد میکند که از رویکرد تحلیل پوششی دادهها (DEA) با مرز دوگانه برای انتخاب کارآترین قاعدهی انجمنی استفاده شود. در این رویکرد علاوه بر بهترین کارآیی نسبی هر قاعدهی انجمنی، بدترین کارآیی نسبی آن نیز در نظر گرفته میشود. در مقایسه با DEAی سنتی، رویکرد DEA با مرز دوگانه میتواند کارآترین قاعدهی انجمنی را به درستی و به آسانی شناسایی کند. به عنوان یک مزیت، رویکرد پیشنهادی از نظر محاسباتی کارآمدتر از کارهای قبلی در این زمینه است. با استفاده از مثالی از تحلیل سبد بازار، قابلیت کاربرد روش مبتنی بر DEAی ما برای اندازهگیری کارآیی قواعد انجمنی با معیارهای چندگانه نشان داده خواهد شد.
تفاصيل المقالة
تحلیل پوششی دادهها (DEA) در شکل کلاسیک خود که مبتنی بر مفهوم مرز تولید کارآ ست، بهترین نمرهی کارآیی ممکن را تعیین میکند که میتوان آن را به هر یک از اعضای مجموعهای از واحدهای تصمیمگیری (DMU) اختصاص داد. DMU بر اساس این نمرات به عنوان کارآی خوشبینانه یا غیرکارآی خوش أکثر
تحلیل پوششی دادهها (DEA) در شکل کلاسیک خود که مبتنی بر مفهوم مرز تولید کارآ ست، بهترین نمرهی کارآیی ممکن را تعیین میکند که میتوان آن را به هر یک از اعضای مجموعهای از واحدهای تصمیمگیری (DMU) اختصاص داد. DMU بر اساس این نمرات به عنوان کارآی خوشبینانه یا غیرکارآی خوشبینانه تقسیمبندی میشوند، و DMU کارآی خوشبینانه، مرز کارآیی را مشخص میکنند. DEA کلاسیک را میتوان برای شناسایی واحدهای دارای عملکرد خوب (کارآ) در مطلوبترین سناریو استفاده کرد. به منظور شناسایی واحدهای دارای عملکرد بد، مانند بنگاههای ورشکسته در نامطلوبترین سناریو (بدترین حالت)، رویکرد مشابهی به نام تحلیل بدترین کارآیی وجود دارد، که از مرز تولید ناکارآ برای تعیین بدترین نمرهی کارآیی نسبی ممکن که میتوان به هر DMU اختصاص داد، استفاده میکند. DMU واقع شده بر مرز تولید ناکارآ به عنوان ناکارآی بدبینانه تعیین میشوند، و آنهایی که روی مرز تولید کارآ و تولید ناکارآ نیستند، به عنوان نامعین DEA اعلام میشوند. DEA نیازمند آن است که دادههای ورودیها و خروجیها به طور دقیق معلوم باشند. ولی در کاربردهای واقعی همیشه چنین نیست. لیکن مقادیر مشاهده شدهی ورودیها و خروجیها در مسایل دنیای واقعی گاه فازی هستند. بسیاری از پژوهشگران روشهای فازی مختلفی را برای کار با دادههای فازی در DEA پیشنهاد کردهاند. این مقاله دو مدل DEA فازی جدید ارائه میکند که بر اساس حساب فازی برای کار با فازی بودن دادههای ورودی و خروجی در DEA ایجاد شدهاند. مدلهای DEA فازی جدید به صورت مدلهای برنامهریزی خطی فرمولبندی میشوند و میتوان آنها را برای تعیین کارآیی فازی گروهی از DMU مورد استفاده قرار داد. مدلهای DEA فازی مرز بدترین عملکرد پیشنهاد شده در این مقاله، DMU دارای بدترین عملکرد را که مرز بدترین عملکرد (مرز ناکارآیی) را تشکیل میدهند، به صورت دقیق شناسایی میکنند. این مسأله به خصوص برای ارزیابی ریسک اعتبار مفید واقع میشود، ولی در هر کاربرد دیگری نیز میتواند سودمند باشد، زیرا واحدهایی که بدترین عملکرد را دارند، غالباً در همان جایی قرار دارند که بیشترین احتمال بهبود در آنجا وجود دارد. برای نشان دادن کاربرد رویکرد جدید، یک مثال ارائه خواهد شد.
تفاصيل المقالة
سند
Sanad is a platform for managing Azad University publications