ORIGINAL_ARTICLE
ارایه یک مدل تلفیقی برنامهریزی ریاضی برای انتخاب و تخصیص سفارشات تأمینکنندگان سبز نیروگاه زیست توده
تخریب گسترده محیط زیست و انتشار روز افزون گازهای گلخانهای، باعث ایجاد نگرانیهای زیستمحیطی در میان جوامع و دولتها شده است. یکی از راهکارهای کاهش آلایندگی زیستمحیطی، پیادهسازی زنجیرهتامین سبز است. در این پژوهش انتخاب تامینکنندگان سبزِ تجهیزات نیروگاههای زیست توده و نحوه تخصیص تقاضا به آنها به عنوان یکی از کلیدیترین تصمیمات راهبردی زنجیرهتامین مورد بررسی قرار گرفته است. با توجه به تعدد معیارها در این مساله، استفاده از روشهای مقایسه زوجی برای وزندهی کارآمد نخواهد بود. در مدل تلفیقی ارایه شده، از روش تحلیل مولفههای اصلی برای مقابله با این چالش استفاده شده است. در نهایت با استفاده از یک مدل برنامهریزی ریاضی چند هدفه، میزان تخصیص تقاضا به هر تامینکننده مشخص میگردد. روش پیشنهادی برای انتخاب تامینگنندگان سبز تجهیزات نیروگاه زیست توده شیراز مورد استفاده قرار گرفت. نتایج حاصله بیانگر کارآیی مدل پیشنهادی برای انتخاب تامینکنندگان سبز تجهیزات نیروگاه زیست توده است.
https://www.pqprc.ir/article_70770_d3d8e7b394e3a02590de682e9eeec02c.pdf
2017-05-22
1
15
انتخاب تامینکننده سبز
تخصیص تقاضا
تحلیل مولفههای اصلی
برنامهریزی چند هدفه
نیروگاه برق زیستتوده
میثم
نصرالهی
m_nasrollahi@ut.ac.ir
1
دانشکده مهندسی صنایع، پردیس دانشکدههای فنی، دانشگاه تهران، تهران، ایران
LEAD_AUTHOR
مهدی
حکیمیاصل
m.hakimi@ut.ac.ir
2
مهندسی صنایع، پردیس دانشکدههای فنی، دانشگاه تهران، تهران، ایران
AUTHOR
علیرضا
حکیمیاصل
a.hakimi@ut.ac.ir
3
دانشکده مهندسی صنایع، پردیس دانشکدههای فنی، دانشگاه تهران، تهران، ایران
AUTHOR
عباس
کرامتی
keramati@ut.ac.ir
4
دانشکده مهندسی صنایع، پردیس دانشکدههای فنی، دانشگاه تهران، تهران، ایران
AUTHOR
[1] Y. Sebnem and H. Selim, “A review on the methods for biomass to energy conversion systems design,” vol. 25, pp. 420–430, 2013.
1
[2] “Renewable energy organization of Iran (SUNA).” [Online]. Available: http://www.suna.org.ir.
2
[3] J.-B. Sheu, Y.-H. Chou, and C.-C. Hu, “An integrated logistics operational model for green-supply chain management,” Transp. Res. Part E Logist. Transp. Rev., vol. 41, no. 4, pp. 287–313, 2005.
3
[4] D. Etzion, “Research on organizations and the natural environment, 1992-present: A review,” J. Manage., vol. 33, no. 4, pp. 637–664, 2007.
4
[5] A. J. Hoffman and M. J. Ventresca, Organizations, policy and the natural environment: institutional and strategic perspectives. Stanford University Press, 2002.
5
[6] Q. Zhu, J. Sarkis, and K. Lai, “Confirmation of a measurement model for green supply chain management practices implementation,” Int. J. Prod. Econ., vol. 111, no. 2, pp. 261–273, 2008.
6
[7] J. N. de Figueiredo and S. F. Mayerle, “Designing minimum-cost recycling collection networks with required throughput,” Transp. Res. Part E Logist. Transp. Rev., vol. 44, no. 5, pp. 731–752, 2008.
7
[8] P. Rao and D. Holt, “Do green supply chains lead to competitiveness and economic performance?,” Int. J. Oper. Prod. Manag., vol. 25, no. 9, pp. 898–916, 2005.
8
[9] P. Padma, L. S. Ganesh, and C. Rajendran, “A study on the ISO 14000 certification and organizational performance of Indian manufacturing firms,” Benchmarking An Int. J., vol. 15, no. 1, pp. 73–100, 2008.
9
[10] Govindan K, Rajendran S, Sarkis J, Murugesan P. “Multi criteria decision making approaches for green supplier evaluation and selection: a literature review”. Journal of Cleaner Production. 98, pp.66-83, 2015.
10
[11] Hashemi, S.H., Karimi, A. and Tavana, M., “An integrated green supplier selection approach with analytic network process and improved Grey relational analysis”. International Journal of Production Economics, 159, pp.178-191, 2015.
11
[12] J. Rezaei, P. B. M. Fahim, and L. Tavasszy, “Supplier selection in the airline retail industry using a funnel methodology: conjunctive screening method and fuzzy AHP,” Expert Syst. Appl., vol. 41, no. 18, pp. 8165–8179, 2014.
12
[13] Freeman, J. and Chen, T., “Green supplier selection using an AHP-Entropy-TOPSIS framework”. Supply Chain Management: An International Journal, vol. 20, no. 3, pp.327-340, 2015.
13
[14] J. Roshandel, S. S. Miri-Nargesi, and L. Hatami-Shirkouhi, “Evaluating and selecting the supplier in detergent production industry using hierarchical fuzzy TOPSIS,” Appl. Math. Model., vol. 37, no. 24, pp. 10170–10181, Dec. 2013.
14
[15] X. Wang, “Supplier Selection and Evaluation Based on Grey Correlation Degree and TOPSIS,” J. Inf. Comput. Sci., vol. 11, no. 9, pp. 3097–3106, 2014.
15
[16] S. Ahmadi, M. A. Afshari, and H. Shekari, “A model for evaluating the success of green supply chain management with green supplier approach (case study: Iran Alloy Steel).”
16
[17] S. K. Srivastava, “Green supply chain management: a state of the art literature review,” Int. J. Manag. Rev., vol. 9, no. 1, pp. 53–80, 2007.
17
[18] R. J. Kuo, Y. C. Wang, and F. C. Tien, “Integration of artificial neural network and MADA methods for green supplier selection,” J. Clean. Prod., vol. 18, no. 12, pp. 1161–1170, Aug. 2010.
18
[19] R. J. Kuo and Y. J. Lin, “Supplier selection using analytic network process and data envelopment analysis,” Int. J. Prod. Res., vol. 50, no. 11, pp. 2852–2863, 2012.
19
[20] R. Zhou, X. Ma, S. Li, and J. Li, “The Green Supplier Selection Method For Chemical Industry With Analytic Network Process And Radial Basis Function Neural Network.,” Adv. Inf. Sci. Serv. Sci., vol. 4, no. 4, 2012.
20
[21] C.-T. Lin, C.-B. Chen, and Y.-C. Ting, “A Green Purchasing Model by Using ANP and LP Methods,” J. Test. Eval., vol. 40, no. 2, pp. 203–210, 2012.
21
[22] D. Kannan, A. B. L. D. S. Jabbour, and C. J. C. Jabbour, “Selecting green suppliers based on GSCM practices: Using fuzzy TOPSIS applied to a Brazilian electronics company,” Eur. J. Oper. Res., vol. 233, no. 2, pp. 432–447, Mar. 2014.
22
[23] L. Shen, L. Olfat, and K. Govindan, “A fuzzy multi criteria approach for evaluating green supplier’s performance in green supply chain with linguistic preferences,” Resour. Conserv. …, vol. 74, pp. 170–179, May 2013.
23
[24] G. Akman, “Evaluating suppliers to include green supplier development programs via fuzzy c-means and VIKOR methods,” Comput. Ind. Eng., Oct. 2014.
24
[25] D. Kannan, R. Khodaverdi, L. Olfat, A. Jafarian, and A. Diabat, “Integrated fuzzy multi criteria decision making method and multi-objective programming approach for supplier selection and order allocation in a green supply chain,” J. Clean. Prod., vol. 47, pp. 355–367, May 2013.
25
[26] M. Yazdani, “An integrated MCDM approach to green supplier selection,” Int. J. Ind. Eng. Comput., vol. 5, no. 3, pp. 443–458, 2014.
26
[27] A. Awasthi, S. S. Chauhan, and S. K. Goyal, “A fuzzy multicriteria approach for evaluating environmental performance of suppliers,” Int. J. Prod. Econ., vol. 126, no. 2, pp. 370–378, Aug. 2010.
27
[28] G. Büyüközkan and G. Çifçi, “A novel hybrid MCDM approach based on fuzzy DEMATEL, fuzzy ANP and fuzzy TOPSIS to evaluate green suppliers,” Expert Syst. Appl., vol. 39, no. 3, pp. 3000–3011, Feb. 2012.
28
[29] C. Sarbu and H. F. Pop, “Principal component analysis versus fuzzy principal component analysis: a case study: the quality of Danube water (1985–1996),” Talanta, vol. 65, no. 5, pp. 1215–1220, 2005.
29
[30] A. R. Sayadi, A. Lashgari, and J. J. Paraszczak, “Hard-rock LHD cost estimation using single and multiple regressions based on principal component analysis,” Tunn. Undergr. Sp. Technol., vol. 27, no. 1, pp. 133–141, 2012.
30
[31] S. Sharma, “Applied multivariate techniques, 1996,” USA, John Wiley& Sons.
31
[32] “Municipal Waste Management Organization of Shiraz.” [Online]. Available: http://www.eshiraz.ir/bazyaft.
32
[33] B. Dashti, “Economic studies of biomass plants in Shiraz landfill,” in 19th International Conference on Electricity, 2005.
33
[34] “LFG Specialties.” [Online]. Available: http://www.cbi.com/markets/environmental/solid-waste/lfg-specialties.
34
[35] “Landfill Systems Ltd.” [Online]. Available: http://www.landfillsystems.co.uk/.
35
[36] “Automatic Flare Systems.” [Online]. Available: http://www.afs-group.co.uk/.
36
[37] “PARNEL.” [Online]. Available: https://parnelbiogas.com/.
37
[38] “R&S Biomass Equipment.” [Online]. Available: http://rsbiomass.com/.
38
[39] “2G CENERGY.” [Online]. Available: http://www.2g-cenergy.com/.
39
[40] “ACT Bioenergy.” [Online]. Available: http://www.actbioenergy.com/.
40
[41] “Anaergia.” [Online]. Available: http://www.anaergia.com/.
41
[42] “Barden Energy.” [Online]. Available: http://www.bardenenergy.com/.
42
[43] “BioConversion Solutions, LLC.” [Online]. Available: http://www.bioconversionsolutions.com/.
43
[44] “Bioenergy Technology Ltd.” [Online]. Available: http://www.bioenergy.org/.
44
[45] “BioFuelTech.” [Online]. Available: http://biomassfueltech.com/.
45
[46] “Biogas-Ost Technology UG.” [Online]. Available: http://www.biogas-ost.de/index.php/de/.
46
[47] “BioLogic Energy Partners.” [Online]. Available: http://biologicenergypartners.com/.
47
[48] “Briquette Plant Supplier.” [Online]. Available: http://www.radhebriquettingplant.com/.
48
[49] “Builders Biomass.” [Online]. Available: http://buildersbiomass.com/.
49
[50] “CHANDERPUR WORKS PVT. LTD.” [Online]. Available: http://www.chanderpur.com/.
50
[51] “DP CleanTech-Biomass Energy Company.” [Online]. Available: http://www.dpcleantech.com/.
51
[52] “GreCon, Inc.” [Online]. Available: http://www.grecon-us.com/spark-detection/.
52
[53] “Green Fuels America Inc.” [Online]. Available: http://greenfuels.co.uk/.
53
[54] “Naran Lala Pvt. Ltd.” [Online]. Available: http://naranlala.com/.
54
[55] “Nishant Bioenergy.” [Online]. Available: http://www.nishantbioenergy.com/.
55
[56] “Plasco Energy Group.” [Online]. Available: http://www.plascoenergygroup.com/.
56
[57] “TECNOLOG s.a.” [Online]. Available: http://www.tecnologperu.com/.
57
[58] “Versatile Bio Fuels Private Limited.” [Online]. Available: http://www.versatilebiofuels.in/.
58
[59] “Wellons Inc.” [Online]. Available: http://www.wellons.com/.
59
[60] “Alternative Energy Solutions.” [Online]. Available: http://http//www.aesofamerica.com/.
60
[61] “West Salem Machinery Co.” [Online]. Available: http://westsalem.com/.
61
[62] “Verdo Renewables.” [Online]. Available: http://www.verdorenewables.co.uk/.
62
[63] “Scan American Corporation.” [Online]. Available: http://scanamcorp.com/.
63
[64] “environmental-expert.” [Online]. Available: http://www.environmental-expert.com/energy-renewables/combustion/companies/keyword-landfill-gas-flares-13200.
64
[65] “The Alternative Energy eMagazine.” [Online]. Available: http://www.altenergymag.com/link_library.php?cat=9.
65
[66] L. Zadeh, “Fuzzy sets,” Inf. Control, vol. 353, pp. 338–353, 1965.
66
[67] S.-J. J. Chen, C.-L. Hwang, M. J. Beckmann, and W. Krelle, Fuzzy multiple attribute decision making: methods and applications. Springer-Verlag New York, Inc., 1992.
67
[68] K. Govindan, R. Khodaverdi, and A. Jafarian, “A fuzzy multi criteria approach for measuring sustainability performance of a supplier based on triple bottom line approach,” J. Clean. Prod., vol. 47, pp. 345–354, May 2013.
68
[69] M.-L. Tseng and A. S. F. Chiu, “Evaluating firm’s green supply chain management in linguistic preferences,” J. Clean. Prod., vol. 40, pp. 22–31, 2013.
69
[70] L. C. Harris and A. Crane, “The greening of organizational culture: Management views on the depth, degree and diffusion of change,” J. Organ. Chang. Manag., vol. 15, no. 3, pp. 214–234, 2002.
70
[71] N. Nuttall, “Small and midsize firms moving toward green supply chains,” Bus. Environ., vol. 19, pp. 381–390, 2008.
71
[72] M. Chavan, “An appraisal of environment management systems: A competitive advantage for small businesses,” Manag. Environ. Qual. An Int. J., vol. 16, no. 5, pp. 444–463, 2005.
72
[73] R. O. Large and C. G. Thomsen, “Drivers of green supply management performance: Evidence from Germany,” J. Purch. Supply Manag., vol. 17, no. 3, pp. 176–184, 2011.
73
[74] S. Vachon and R. D. Klassen, “Green project partnership in the supply chain: the case of the package printing industry,” J. Clean. Prod., vol. 14, no. 6, pp. 661–671, 2006.
74
[75] A. Webb, “How green is my supply chain,” Dev. Learn. Organ. An Int. J., vol. 24, no. 3, 2010.
75
[76] C. Ninlawan, P. Seksan, K. Tossapol, and W. Pilada, “The implementation of green supply chain management practices in electronics industry,” in Proceedings of the international multiconference of engineers and computer scientists, 2010, vol. 3, pp. 17–19.
76
[77] Q. Zhu, J. Sarkis, J. J. Cordeiro, and K.-H. Lai, “Firm-level correlates of emergent green supply chain management practices in the Chinese context,” Omega, vol. 36, no. 4, pp. 577–591, 2008.
77
[78] Q. Zhu, J. Sarkis, and Y. Geng, “Green supply chain management in China: pressures, practices and performance,” Int. J. Oper. Prod. Manag., vol. 25, no. 5, pp. 449–468, 2005.
78
[79] G. S. Dangayach and S. G. Deshmukh, “Manufacturing strategy: literature review and some issues,” Int. J. Oper. Prod. Manag., vol. 21, no. 7, pp. 884–932, 2001.
79
[80] S. H. Huang and H. Keskar, “Comprehensive and configurable metrics for supplier selection,” Int. J. Prod. Econ., vol. 105, no. 2, pp. 510–523, 2007.
80
[81] H. Kotzab, H. M. Munch, B. de Faultrier, and C. Teller, “Environmental retail supply chains: when global Goliaths become environmental Davids,” Int. J. Retail Distrib. Manag., vol. 39, no. 9, pp. 658–681, 2011.
81
[82] Y. J. Chen and J.-B. Sheu, “Environmental-regulation pricing strategies for green supply chain management,” Transp. Res. Part E Logist. Transp. Rev., vol. 45, no. 5, pp. 667–677, 2009.
82
[83] P. Rao, “Greening production: a South-East Asian experience,” Int. J. Oper. Prod. Manag., vol. 24, no. 3, pp. 289–320, 2004.
83
[84] D. Golmohammadi and M. Mellat-Parast, “Developing a grey-based decision-making model for supplier selection,” Int. J. Prod. Econ., vol. 137, no. 2, pp. 191–200, Jun. 2012.
84
[85] S. Talluri and R. Narasimhan, “A methodology for strategic sourcing,” Eur. J. Oper. Res., vol. 154, no. 1, pp. 236–250, 2004.
85
[86] S. Talluri and R. C. Baker, “A multi-phase mathematical programming approach for effective supply chain design,” Eur. J. Oper. Res., vol. 141, no. 3, pp. 544–558, 2002.
86
[87] S. H. Hashemi, A. Karimi, and M. Tavana, “An integrated green supplier selection approach with analytic network process and improved Grey relational analysis,” Int. J. Prod. Econ., vol. 159, pp. 178–191, Jan. 2015.
87
[88] H. Mina, M. Nasrollahi, S. N. Mirabedini, and S. H. Pakzad-Moghadam, “An Integrated Fuzzy Analytic Network Process Approach for Green Supplier Selection: A case Study of Petrochemical Industry,” … Sci. Pract., vol. 2, no. May, pp. 31–47, 2014.
88
[89] F. T. S. Chan and N. Kumar, “Global supplier development considering risk factors using fuzzy extended AHP-based approach,” Omega, vol. 35, no. 4, pp. 417–431, 2007.
89
[90] F.-H. F. Liu and H. L. Hai, “The voting analytic hierarchy process method for selecting supplier,” Int. J. Prod. Econ., vol. 97, no. 3, pp. 308–317, 2005.
90
[91] C. Kahraman, U. Cebeci, and Z. Ulukan, “Multi-criteria supplier selection using fuzzy AHP,” Logist. Inf. Manag., vol. 16, no. 6, pp. 382–394, 2003.
91
[92] C. Bai and J. Sarkis, “Integrating sustainability into supplier selection with grey system and rough set methodologies,” Int. J. Prod. Econ., vol. 124, no. 1, pp. 252–264, Mar. 2010.
92
[93] T. Wu, D. Shunk, J. Blackhurst, and R. Appalla, “AIDEA: a methodology for supplier evaluation and selection in a supplier-based manufacturing environment,” Int. J. Manuf. Technol. Manag., vol. 11, no. 2, pp. 174–192, 2007.
93
[94] K. L. Choy and W. B. Lee, “A generic tool for the selection and management of supplier relationships in an outsourced manufacturing environment: the application of case based reasoning,” Logist. Inf. Manag., vol. 15, no. 4, pp. 235–253, 2002.
94
[95] F. T. S. Chan, H. K. Chan, R. W. L. Ip, and H. C. W. Lau, “A decision support system for supplier selection in the airline industry,” Proc. Inst. Mech. Eng. Part B J. Eng. Manuf., vol. 221, no. 4, pp. 741–758, 2007.
95
[96] F. T. S. Chan, “Interactive selection model for supplier selection process: an analytical hierarchy process approach,” Int. J. Prod. Res., vol. 41, no. 15, pp. 3549–3579, 2003.
96
[97] S. Perçin, “An application of the integrated AHP-PGP model in supplier selection,” Meas. Bus. Excell., vol. 10, no. 4, pp. 34–49, 2006.
97
[98] J. Hou and D. Su, “EJB-MVC oriented supplier selection system for mass customization,” J. Manuf. Technol. Manag., vol. 18, no. 1, pp. 54–71, 2007.
98
[99] A. Baykasoglu, “A review and analysis of ‘graph theoretical-matrix permanent’ approach to decision making with example applications,” Artif. Intell. Rev., vol. 42, no. 4, pp. 573–605, 2014.
99
[100] M. Azadeh, M. Amalnick, and H. Omrani, “Combination of Parametric and Non-parametric Models to Rank the Electricity Distribution Companies,” IUST, vol. 19, no. 1, pp. 53–63, 2008.
100
[101] V. Ebrahimipour, A. Azadeh, K. Rezaie, and K. Suzuki, “A GA–PCA approach for power sector performance ranking based on machine productivity,” Appl. Math. Comput., vol. 186, no. 2, pp. 1205–1215, 2007.
101
[102] C. Kahraman, T. Ertay, and G. Büyüközkan, “A fuzzy optimization model for QFD planning process using analytic network approach,” Eur. J. Oper. Res., vol. 171, no. 2, pp. 390–411, 2006.
102
[103] M. Dağdeviren and İ. Yüksel, “A fuzzy analytic network process (ANP) model for measurement of the sectoral competititon level (SCL),” Expert Syst. Appl., vol. 37, no. 2, pp. 1005–1014, 2010.
103
ORIGINAL_ARTICLE
یک روش نیمپارامتری برای بهینهسازی مسائل چند پاسخی: مطالعه موردی در بهبود کیفیت دستگاه تزریق پلاستیک
بهینهسازی چندپاسخی که با روش رویهی پاسخ انجام میشود، بسیار پرکاربرد است. قبل از بهینهسازی، نیازمند انتخاب و برازش مدل مناسب برای هر پاسخ هستیم. یک مسئله اصلی که ممکن است به دلیل برازش نادرست مدلها و نرسیدن به راهحلهای بهینه اتفاق بیفتد، بدمشخصسازی مدل است. روش مدل رگرسیونی استوار که یک روش نیمپارامتری برای براورد است میتواند از هر دو روش براورد پارامتری و ناپارامتری در مقابل بدمشخصسازی مدل عملکرد مناسبتری داشته باشد. در این پژوهش، استفاده از یک روش مدل رگرسیونی استوار برای بهبود براورد مدل پیشنهاد شده است و برازشهای مناسب هر یک از پاسخها با یکی از روشهای بهینهسازی چندپاسخی یعنی تابع مطلوبیت بررسی خواهد شد. در ادامه، یک مطالعه کاربردیبرای مقایسهی روشهای پارامتری، ناپارامتری و نیمپارامتری ارائه میشود. نتیجههای این مطالعه نشان میدهند که عملکرد مدل رگرسیونی استوار، در بسیاری از موقعیتها و همچنین در مرحلهی مدلسازی، از دو روش دیگر مناسبتر است. بنا بر این، نتیجههای بهینهسازی با مدل رگرسیونی استوار بسیار قابل اعتمادتر هستند.
https://www.pqprc.ir/article_70771_ab25b41665854b64ee83a62260d1efd6.pdf
2017-05-22
16
28
روششناسی رویهی پاسخ
بهینهسازی چندپاسخی
تابع مطلوبیت
روش نیمپارامتری
مدل رگرسیونی استوار
مهران
توکلی
m.tavakoli_atu@yahoo.com
1
پژوهشگر آمار اجتماعی و اقتصادی، دانشگاه علامه طباطبایی، تهران، ایران
AUTHOR
محمد
بامنی مقدم
bamenimoghadam@atu.ac.ir
2
دانشگاه علامه طباطبایی
LEAD_AUTHOR
[1] Mead, R , & Pike, D .J. (1975), A Review of Response Surface Methodology from aBiometric Viewpoint , Biometrics, 31(4), 803-851.
1
[2] Box, G. E. P. & Wilson, K. B. (1951), On the Experimental Attainment of Optimum conditions, Journal of the Royal Statistical Society, Series B (Methodological), 13(1),1–15.
2
[3] Vining, G .G., & Bohn, L. L. (1998), Response Surfaces for the Mean and Variance Using a Nonparametric Approach, Journal of Quality Technology, 30, 282-291.
3
[4] Nadaraya, E. (1964),On Estimating Regression, Theory of Probability and Its Applications,9,141-142.
4
[5] Watson, G. (1964), Smoothing Regression Analysis, Sankhya, Series A26 ,359-372.
5
[6] Fan, J., & Gijbels, I. (1996), Local Polynomial Modeling and Its Applications, Chapman and Hall, London.
6
[7] Fan, J. & Gijbels, I. (2000), Local polynomial fitting, In: Schimek, M.G. (Ed.), Smoothing and Regression: Approaches, Computation, and Application, Wiley, NewYork,229-276.
7
[8] Anderson-Cook, C .M., & Prewitt, K. (2005), Parametric Methods for Modeling Data from Response Surface Designs”, Journal of Modern Applied Statistical Methods,4 ,106-119.
8
[9] Pickle, S. M. (2006), Semiparametric Techniques for Response Surface Methodology Ph.D. Dissertation. Department of Statistics, Virginia Polytechnic Institute State University Blacksburg, VA.
9
[10] Pickle, S. M., & Robinson, T. J., & Birch, J. B. & Anderson-Cook, C. M. (2006), A SemiParametric Approach to Robust Parameter Design, Journal of Statistical Planning and Inference.
10
[11] Hardle, W. (1990), Applied Nonparametric Regression, Cambridge Univ, Press, London.
11
[12] Mays, J. E. & Birch, J. B. (1998), Smoothing Considerations in Nonparametric and Semiparametric Regression”, Technical Report Number 98-2, Department of Statistics, Virginia Polytechnic Institute State University, Blacksburg, VA.
12
[13] Einsporn, R. & Birch, J. B. (1993), Model Robust Regression: Using Nonparametric Regression to Improve Parametric Regression Analysis, Technical Report 93-5. Department of Statistics, Virginia Polytechnic Institute State University, Blacksburg,VA.
13
[14] Mays, J .E., & Birch, J. B. & Starnes, B.A.(2001), Model Robust Regression: Combining Parametric, Nonparametric, and Semiparametric Methods, Journal of Nonparametric Statistics, 13, 245-277.
14
[15] Robinson, P. M. (1988), Root-N-Consistent Semiparametric Regression, Econometrica,56,931-954.
15
[16] Hardle, W., & Muller, M., & Sperlich, S. & Werwatz, A. (2004), Nonparametric and Semiparametric Models, Springer, Berlin.
16
[17] Rencher, A. C. (2002), Method of multivariate analysis, John Wiley and Sons, Inc.,New York.
17
[18] Khuri, A. I. (1996). Simultaneous Optimization of Multiple Responses Represented by Polynomial Regression Functions , Technometrics , 23, 363-375.
18
[19] Wan, W. & Birch, j. B. (2011), A Semiparametric Technique for the Multi-response Optimization Problem , Journal of Quality and Reliabillity Engineering International, 27, 47-59.
19
[20] Shah, K. H. & Montgomery, D. C. & Carlyle, W. M. (2004), Response Surface Modeling and Optimization in Multiresponse Experiments Using Seemingly Unrelated Regressions, Quality Engineering, 16(3), 387-397.
20
ORIGINAL_ARTICLE
تحلیل سیستم مدیریت کیفیت با استفاده از پویاییهای سیستم
به دلیل کمبود آب در عصر کنونی و حمایت دولت ها در زمینه تعویض خطوط فرسوده انتقال آب، صنعت لوله های پلی اتیلنی به یکی از جاذبه های مورد علاقه برای سرمایه گذاران تبدیل شده است. اما یکی از دغدغه ها جامعه بحث کیفیت این لوله ها می باشد. لذا در تحقیق حاضر، میزان تاثیرگذاری سیستم مدیریت کیفیت بر کیفیت لوله های پلی اتیلنی با استفاده از پویایی های سیستم مورد بررسی قرار می گیرد. مطالعه موردی این تحقیق، یکی از شرکت های صنعت لوله سازی کرمان می باشد. در این مقاله با استفاده از نظر نخبگان صنعت، متغیرهای ضروری شناسایی و نمودار علی و معلولی و نمودار حالت و جریان با استفاده از نرم افزار ونسیم ترسیم گردید. نتایج تحلیل ها نشان داد که به هنگام پیاده سازی سیستم مدیریت کیفیت باید کلیه واحدهای سازمانی با یکدیگر هماهنگ بوده و نقش مدیریت در آن بسیار کلیدی می باشد به طوری که هر گونه اهمال مدیریت موجب بی کیفیتی محصول، کاهش رضایت مشتریان و به دنبال آن کاهش میزان فروش محصولات و افزایش ضایعات و در نهایت قرار گیری سازمان در حالت انحلال، ورشکستگی و تضاعف میشود.
https://www.pqprc.ir/article_70772_4c53a66dca860edffc487cc45b3ccd5f.pdf
2017-05-22
29
42
سیستم مدیریت کیفیت
پویاییهای سیستم
تحلیل سیستم ها
لوله سازی
سبحان
سیوندی پور
sobhan.sivandi@gmail.com
1
کارشناس ارشد، مهندسی صنایع، دانشگاه آزاد اسلامی،کرمان، ایران
AUTHOR
سید حامد
موسوی راد
s.h.moosavirad@uk.ac.ir
2
بخش مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران
LEAD_AUTHOR
[1] استاندارد ملی ایران. (1392). الزامات و روش های آزمون اجزاء سامانه لوله گذاری INSO14427-2. 1-5.
1
[2] استرمن، جان د. (1394). پویایی شناسی کسب و کار، تفکر سیستمی و مدل سازی برای جهانی پیچیده. (ترجمه برارپور و همکاران). تهران: انتشارات سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه ها (سمت).
2
[3] دهقانی سریزدی، م.، اوﻟﯿﺎء، م.، ﮐﯿﺎﻧﯽ، ب. (1387). تحلیل مدل تعالی EFQM با استفاده از سیستم های دینامیکی، فصلنامه علوم مدیریت ایران، سال سوم، شماره 12، 65-82.
3
[4] جعفری، م.، اصولی، س. (1392). ابزارهای استراتژیک و فرهنگی: مدیریت کیفیت فراگیر (چاپ نهم)، تهران، موسسه خدمات فرهنگی رسا.
4
[5] رجائیان، م. (1388). شبیه سازی سیستم های پویا با نرم افزار Vensim (چاپ دوم)، مشهد، انتشارات فرایاز.
5
[6] قبادی، ش. (1393). سیستم داینامیک (کاربردی از تفکر سیستمی) (چاپ پنجم)، تهران: انتشارات سازمان مدیریت صنعتی.
6
[7] مونتگومری، داگلاس سی. (1390). کنترل کیفیت آماری (ترجمه رسول نورالسناء)، تهران: انتشارات دانشگاه علم و صنعت ایران.
7
[8] رضاییان، س.، نورالسناء، پ.، رضازاده سقایی، م. (1391). طرح ریزی مدل سنجش کیفیت خدمات الکترونیک در شرکت قطارهای مسافری رجا با تاکید بر روابط علی و معلولی، نشریه مهندسی و مدیریت کیفیت، جلد2، شماره 2، 71-132.
8
[9] نورالسناء، ر.، رضاییان، س.، جهانشاهی، م.، ایزدبخش، ح.، معمارزاده، م. (1391). ترکیب متدولوژی شش سیگما و شبیه سازی سیستم های گسسته پیشامد به منظور بهبود کیفیت و کاهش حجم مواد سرد در کارخانه ذوب مجتمع مس سرچشمه، نشریه مهندسی و مدیریت کیفیت، جلد2، شماره 3، 133-194.
9
[10] سازمان بینالمللی استاندارد. (1394). استاندارد سیستم مدیریت یکپارچه (ترجمه معدنپورصفری، ا.، الماسیه، م.، نادعلی، م.، رضایی، م)، تهران: دیدار پارسیان.
10
[11] Chong, V. K. & Rundus M.J. (2004). Total quality management, market competition and organizational performance, The British Accounting Review, 36, 155–172.
11
[12] Donde, V., & Hiskens, I. A. (2005). Dynamic performance assessment: Grazing and related phenomena. IEEE Transactions on Power Systems, 20(4), 1967-1975.
12
[13] Forrester, J. W. (1968). Industrial dynamics-after the first decade. Management Science, 14(7), 398-415.
13
[14] Khanna, V. K., Vat, P., Shankar, R., Sahay, B. S., & Gautam, A. (2003). TQM modeling of the automobile manufacturing sector: a system dynamics approach. Work Study, 52(2), 94-101.
14
[15] Lane, D. C., Monefeldt, C., & Rosenhead, J. V. (2016). Looking in the wrong place for healthcare improvements: A system dynamics study of an accident and emergency department. In Operational Research for Emergency Planning in Healthcare: Volume 2 (pp. 92-121). Palgrave Macmillan UK.
15
[16] Lee, S., Peña-Mora, F., & Park, M. (2005). Quality and change management model for large scale concurrent design and construction projects. Journal of Construction Engineering and Management, 131(8), 890-902.
16
[17] Mostashari, A., & Sussman, J. (2005). Stakeholder-assisted modelling and policy design process for environmental decision-making. Journal of Environmental Assessment Policy and Management, 7(03), 355-386.
17
[18] Plastics Pipe Institute. (2008). Handbook of Polyethylene Pipe, 2nd Edition, Texas.
18
[19] Prajogo, D. I., & Sohal, A. S. (2001). TQM and innovation: a literature review and research framework. Technovation, 21(9), 539-558.
19
[20] Prajogo, D. I., & Sohal, A. S. (2004). The multidimensionality of TQM practices in determining quality and innovation performance—an empirical examination. Technovation, 24(6), 443-453.
20
[21] Poles, R. (2013). System Dynamics modelling of a production and inventory system for remanufacturing to evaluate system improvement strategies, Int. J. Production Economics, 144, 189–199.
21
[22] Rodrigues, L.L.R., Hebbar, S., et al. (2012). Modelling and Simulation of Quality Management in Higher Education: A System Dynamics Approach. Fourth International Conference on Computational Intelligence, Modelling and Simulation, 304-309.
22
[23] Upadhayay, L., & Vrat, P. (2016). Analysis of impact of industry-academia interaction on quality of technical education: A system dynamics approach. Computers & Industrial Engineering, 101, 313-324.
23
[24] Zhang, J., Chen, L., & Xi, G. (2002). System dynamic modelling and adaptive optimal control for automatic clutch engagement of vehicles. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 216(12), 983-991.
24
[25] Liu, H, Benoit, G, Liu, T, Liu, Y, Guo, H. (2015). An integrated system dynamics model developed for managing lake water quality at the watershed scale, Journal of Environmental Management, 155, 11-23.
25
[26] Hsieh, Y ,H. , Chou, Y ,H. (2018). Modeling the impact of service innovation for small and medium enterprises: A system dynamics approach, Simulation Modelling Practice and Theory, 82, 84–102.
26
[27] Sha M, Huang X. (2010). A System Dynamics Model for Port Operation System Based on Time, Quality and Profit, Conference on Logistics Systems and Intelligent Management, International, 3, 1669-1673.
27
ORIGINAL_ARTICLE
تعیین اندازه دسته تولید با استفاده از مدلهای MIP
یکی از پرکاربردترین زمینهها در برنامهریزی تولید مربوط به تعیین مقدار و توالی تولید محصولات است. توسعه مدلهای تعیین اندازه دسته تولید بهعنوان یکی از شاخههای علم برنامهریزی تولید همواره جایگاهی خاص در میان پژوهشگران داشته است. تعیین اندازه دسته تولید بهمعنی شکستن یک دسته به تعدادی زیردسته است که هر زیردسته پس از تکمیل برای ادامه عملیات به ماشین بعدی منتقل میگردد بهطوریکه عملیات بتوانند همپوشانی داشته باشند. هدف پژوهش حاضر، تعیین اندازه دسته تولید با در نظر گرفتن هزینههای توزیع و با استفاده از وسایل بارگیری واحد مثل پالت و کانتینر میباشد. مسائلی که با تصمیمات مربوط به تعیین اندازه دسته تولید و بارگیری محصولات در دستگاهها همراه است، نیز در این مطالعه مدلسازی شدند که در این مدلها، محدودیتهایی مثل محدودیتهای وزنی، محدودیتهای حجمی یا مقدار بار بارگیری شده در صندوقچهها نیز در نظر گرفته شدهاند. سرانجام، مدلهای MIP بر اساس روش "انشعاب و برش" بر یک بسته بهینهسازی بررسی شدند و نتایج حاصل از این روش نشان داد که این روشها امکان اجرا بر بسیاری از موقعیتهای عملی مختلف را دارند.
https://www.pqprc.ir/article_70773_131f526a8246db382478a599c041ff39.pdf
2017-05-22
43
59
تعیین اندازه دسته
هزینههای حمل و نقل
هزینههای توزیع
مدلهای MIP
سید محمدرضا
داودی
smrdavoodi@ut.ac.ir
1
استادیار، گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران
LEAD_AUTHOR
[1] مصلحی، قاسم. و مهردوست، کامران. (1381). ارائه الگوریتمی برای تعیین اندازه دسته در مسئله فلوشاپ بدون توقف یک گلوگاهی با هدف کمینه کردن زمان تولید، دومین کنفرانس ملی مهندسی صنایع، یزد، انجمن مهندسی صنایع ایران، دانشگاه یزد.
1
[2] Ramezaniana, R., Saidi-Mehrabada, M., & Fattahib, P. (2013). MIP formulation and heuristics for multi-stage capacitated lot-sizing and scheduling problem with availability constraints. Journal of Manufacturing Systems, 32(2), 392-401.
2
[3] Neumann, K., Schwindt, C.h., & Trautmann, N. (2002), Advanced Production Scheduling For Batch Plants In Process Industries. OR Spectrum, 24(3), 251-279.
3
[4] حیدری، مهدی. و شمسایی، فهیمه. (1386). ارائه مدل ریاضی برای تعیین اندازه دستههای تولیدی در سیستم برنامهریزی احتیاجات مواد با در نظر گرفتن تخفیف در خرید مواد اولیه، اولین کنفرانس بینالمللی تحقیق در عملیات ایران، جزیره کیش، دانشگاه کیش.
4
[5] سرشتی، نرگس. و بیجاری، مهدی. (1389). بیشینهسازی سود در مسئلهی عمومی تعیین اندازهی دسته و زمانبندی تولید، هفتمین کنفرانس بینالمللی مهندسی صنایع، اصفهان، انجمن مهندسی صنایع ایران، دانشگاه صنعتی اصفهان.
5
[6] علیمحمدی، مهدی. (1390). ارائه یک مدل ریاضی جهت تعیین اندازه بهینه دسته تولید با در نظر گرفتن خرابی ماشین، کمبود و موجودی در جریان ساخت، پایاننامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد نجفآباد/ دانشکده فنی و مهندسی.
6
[7] بیجاری، مهدی. و واعظ، پریناز. (1391). تعیین اندازه دسته و زمانبندی تولید بطور همزمان با جریمه زودکرد/دیرکرد، نهمین کنفرانس بینالمللی مهندسی صنایع، تهران، انجمن مهندسی صنایع ایران، دانشگاه صنعتی خواجه نصیرالدین طوسی.
7
[8] شیرنشان، هاجر.، بیجاری، مهدی. و مصلحی، قاسم. (1391). تعیین اندازه دسته تولید با تقاضای احتمالی و درنظرگیری سطح خدمت، مدیریت تولید و عملیات، 3 (1)، 16-1.
8
[9] کرم، فریماه. و ملاوردی اصفهانی، ناصر. (1392). تعیین اندازه دسته در ماشینهای موازی در سیستمهای تولید چند دورهای در شرایط اضافه کاری و قراردادهای جانبی، دهمین کنفرانس بینالمللی مهندسی صنایع، تهران، انجمن مهندسی صنایع ایران، دانشگاه صنعتی امیر کبیر.
9
[10] کبیری زمانی، محبوبه. و بیجاری، مهدی. (1393). مدل استوار تعیین همزمان اندازه دسته و توالی تولید، فصلنامه علمی- ترویجی مدیریت زنجیره تأمین، 16(46)، 51-42.
10
[11] حسینی، سیدسهیل. و نصیری، محمدمهدی. (1394). تعیین اندازهی دسته تولید در حالت چند محصولی با درنظر گرفتن قطعه معیوب در یک مدل کنترل موجودی با قابلیت کمبود مجاز و قابل جبران با تأثیر تورم و ارزش زمانی پول (مطالعه موردی: شرکت ابزار اندیشه) ، دوازدهمین کنفرانس بینالمللی مهندسی صنایع، تهران، انجمن مهندسی صنایع ایران، دانشگاه خوارزمی.
11
[12] مقدسی، سمیرا.، سبزه پرور، مجید. و باباخانی، مسعود. (1394). طراحی مدلی برای مسائل تولید دستهای در صنایع فرآیندی به کمک الگوریتم ژنتیک، دومین کنفرانس بینالمللی مدیریت و مهندسی صنایع، ترکیه - استانبول، موسسه مدیران ایده پرداز پایتخت ویرا.
12
[13] Rizk, N., & Martel, A. (2001). Supply chain flow planning methods: A review of the lot-sizing literature. Working Paper DT-2001 AM-1, Université Laval, QC, Canada.
13
[14] Lee, W.S., Han, J.H., & Cho, S.J. (2005). A heuristic for a multi-product dynamic lot-sizing and shipping problem. International Journal of Production Economics, 98(2), 204-214.
14
[15] Norden, L., & Velde, S. (2005). Multi-product lot-sizing a transportation capacity reservation contract. European Journal of Operational Research, 165(1), 127-138.
15
[16] Anily, S., & Tzur, M. (2006). Algorithms for the multi-item multi-vehicles dynamic lot sizing problem. Naval Research Logistics, 53(2), 157-169.
16
[17] Stecke, K.E., & Zhao, X. (2007). Production and transportation integration for a make-to order manufacturing company with a commit to delivery business
17
mode. Manufacturing & Service Operations Management, 9(2), 206-224.
18
[18] Melo, R.A., & Wolsey, L.A. (2010). Uncapacitated two-level lot-sizing. Operations Research Letters, 38(4), 241-245.
19
[19] Xiao, Y., & Taaffe, K. (2010). Satisfying market demands with delivery obligations or delivery charges. Computers & Operations Research, 37(2), 396-405.
20
[20] Wu, T., Shi, L., Geunes, J., & Akartunalı, K. (2011). An optimization framework for solving capacitated multi-level lot-sizing problems with backlogging. European Journal of Operational Research, 214 (2), 428-441.
21
[21] Morabito, R., De Araujo, S.A., & Molina, F. (2013). Modelos matemáticos para problemas de dimensionamento de lotes com restrições de capacidade e custos de transporte. Gestão & Produção, 20(3), 573-586.
22
[22] Fazle Baki, M., & Chaouch, B.A., & Abdul-Kader, W. (2014). A heuristic solution procedure for the dynamic lot sizing problem with remanufacturing and product recovery. Computers & Operations Research, 43, 225-236.
23
[23] Tempelmeier, H., & Hilger, T. (2015). Linear programming models for a stochastic dynamic capacitated lot sizing problem. Computers & Operations Research, 59, 119-125. [24] Macedo, P.B., Alem, D., Santos, M., Junior, M.L., & Moreno, A. (2016). Hybrid manufacturing and remanufacturing lot-sizing problem with stochastic demand, return, and setup costs.The International Journal of Advanced Manufacturing Technology, 82(5), 1241-1257. [25] Kantorovich, L.V. (1960). Mathematical methods of organizing and planning production. Management Science, 6(4), 366-422.
24
[26] Molina, F., Santos, M.O., Toledo, F.M.B., & Araujo, S.A. (2009). An approach using Lagrangean/surrogate relaxation for lot sizing with transportation costs. Pesquisa Operacional, 29(2), 269-288.
25
[27] Beasley, J.E. (1990). OR-library: Distributing test problems by electronic mail. Journal of the Operational Research Society, 41(11), 1069-1072.
26
ORIGINAL_ARTICLE
طراحی نمودارهای کنترل میانگین و انحراف معیار با نمونهگیری چندگانه
در کنترل کیفیت آماری، معمولاً تمرکز و پراکندگی مشخصههای کیفیت پیوسته در یک فرایند، توأماً و با کمک دو نمودار بررسی میشوند. بدین ترتیب تغییرها در هر یک بهصورت همزمان قابل شناسایی خواهند بود. به علت کارایی بالای نمودارهای کنترل توأم میانگین و انحراف معیار با نمونهگیری دوگانه در شناسایی سریع تغییرهای میانگین و انحراف استاندارد فرایند، بحث و بررسی در مورد این دسته از نمودارها لازم و ضروری به نظر میرسد. در این مقاله، بر پایهی نتایج حاصل از طراحی نمودارهای کنترل توأم میانگین و انحراف معیار با نمونهگیری دوگانه، نمودارهای کنترل توأم میانگین و انحراف معیار با نمونهگیری سهگانه معرفی میشوند. طراحی آماری توأم نمودارهای کنترل میانگین و انحراف معیار با نمونهگیری سهگانه بهعنوان مسئلهی بهینهسازی فرمولبندی میشوند و برای حل این مسئله، الگوریتم ژنتیک پیشنهاد میشود.
https://www.pqprc.ir/article_70774_3cc729a97579323c65a202a87247828e.pdf
2017-05-22
60
68
کنترل کیفیت آماری
مشخصهی کیفیت
نمونهگیری چندگانه
مسئلهی بهینهسازی
زینب
لطیفی
z.latifi@shhut.ac.ir
1
گروه مهندسی برق، دانشگاه صنعتی شهدای هویزه، سوسنگرد، ایران
LEAD_AUTHOR
آسیه
ثالثی
a.salesi98@gmail.com
2
گروه علوم ریاضی و کامپیوتر، دانشگاه شیخ بهایی، اصفهان، ایران
AUTHOR
[1] مونتگومری، داگلاس سی (1998). کنترل کیفیت آماری. رسول نورالسناء مترجم (1377)، نوبت شانزدهم، تهران، انتشارات دانشگاه علم و صنعت ایران.
1
[2] بامنی مقدم، محمد (1385). کنترل کیفیت آماری. تهران، انتشارات دانشگاه پیام نور.
2
[3] Croasdale, P. (1974). Control Charts for a Double Sampling scheme Based on Average Production Run Lengths. International Journal of Production Research, Vol (12), 585-592.
3
[4] He, D., & Grigoryan, A. (2010). An Improved Double Sampling S-chart, International Journal of Production Research, Vol (41), 2663-2679.
4
[5] Daudin, J.J. (1992). Double Sampling Charts. Journal of Quality Technology, Vol (24), 78-87.
5
[6] He, D., & Grigoryan, A. (2015). Joint Statistical Design of Double Sampling and S Charts. European Journal of Operational Research, Vol (168), 122-142.
6
[7] He, D., Grigoryan, A., & Sigh, M. (2013). Design of Double and Triple-Sampling Control Charts Using Genetic Algorithms. International Journal of Production Research, Vol (40), 1387-1404.
7
[8] Bateni, N., & Hamadani, A. Z. (2011). Computation of the Probability of a Process Being in Control at the Third Stage for the TS Chart. International Journal of Production Research, Vol (47), 7069-7073.
8
[9] Woodall, W.H., & Montgomery, D.C. (1999). Research Issues and Ideas in Statistical Process Control. Journal of Quality Control, Vol (31), 376-386.
9
[10] Rao, S.S. (1996).Engineering Optimization: Theory and practice. New York: John Wiley and Sons.
10
ORIGINAL_ARTICLE
ارایه رویکرد توسعهای جدید DEA و TOPSIS برای رتبهبندی کارایی (مطالعه موردی شرکتهای سیمان پذیرفته شده در بورس اوراق بهادار)
برای افزایش توان رقابتی سازمانها، راهکارهای متعددی وجود دارد. یکی از بهترین راهکارهای ارائه شده، بهبود بهرهوری و کارایی است. روش تحلیل دادهها (DEA) که یک روش ریاضی و از بهترین روشهای ناپارامتریک است، کارایی سازمانها را بر اساس متغیرهای ورودی و خروجی اندازهگیری میکند. واحدهایی که نمره کارایی آنها برابر یک شود، کارا هستند. همچنین با استفاده از روش اندرسون-پیترسون (AP) واحدهای کارا رتبهبندی میشوند. در این تحقیق، یک روش توسعهای جدید برای ارزیابی و رتبهبندی سازمانها بر اساس امتیاز کارایی ارائه گردیده است. مطالعه موردی تحقیق ارزیابی کارایی شرکتهای سیمان پذیرفته شده در بورس اوراق بهادار است که با استفاده از مدل جمعی و اندرسون-پیترسون، رتبهبندی شدند. همچنین رتبه شرکتها با استفاده از مدل توسعهای جدید و مدل TOPSIS محاسبه و با یکدیگر مقایسه گردید. نتایج نشان داد که رتبه شرکتها با استفاده از مدل توسعهای جدید (N-DEA) راهحل مناسبی جهت محاسبه کارایی و رتبهبندی واحدهای تصمیمگیرنده است.
https://www.pqprc.ir/article_70775_8fc63f3016c8e1764b224bfaad65c773.pdf
2017-05-22
69
81
تحلیل پوششی دادهها
روش تاپسیس
روش اندرسون پیترسون
کارایی
سیدعلی
بنیهاشمی
banihashemi@pnu.ac.ir
1
گروه مهندسی صنایع، دانشگاه پیام نور، تهران، ایران
LEAD_AUTHOR
سیداسماعیل
نجفی
najafi@gmail.com
2
گروه مهندسی صنایع، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
AUTHOR
[1] عبداللهزاده، سهراب؛ عبداللهزاده، جعفرصادق. (1394). رتبهبندی بهبود عملکرد مراحل زنجیره تأمین در اثر استانداردسازی ملی، مجله تحقیق در عملیات در کاربردهای آن، سال دوازدهم، شماره سوم، صص 33-23.
1
[2] اصغرپور، محمدجواد. (1394). تصمیمگیری چندمعیاره، چاپ چهاردهم، تهران: انتشارات دانشگاه تهران.
2
[3] علینژاد ساروکلائی، مهدی؛ ساعتی، صابر. (1395). ارائه مدل تحلیل پوششی دادههای مبتنی بر زمان در تحلیل صورتهای مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، مجله تحقیق در عملیات در کاربردهای آن، سال سیزدهم، شماره چهارم، صص 65-55.
3
[4] Benbarka, A. (2007). Assessment of manufacturing performance using data envelopment analysis. The University of Texas at Arlington.
4
[5] Zanakis, S.H, Solomon, A., Wishart, N. & Dublish, S. (1998). Multi-attribute decision making: A simulation comparison of selection methods. European Journal of Operational Research, 107, 507–529.
5
[6] Banihashemi, S. A., & Rejaei, Z. (2015). Analysis of Digital Divide in Asia-Islamic Countries: A TOPSIS Approach. Journal of Asian Scientific Research,. 5(4), 165-176.
6
[7] Farrell, M. J. (1957). The measurement of productive efficiency. Journal of the Royal Statistical Society. Series A (General), 120(3), 253-290.
7
[8] Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European journal of operational research, 2(6), 429-444.
8
[9] Banker, R. D., Charnes, A., & Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management science, 30(9), 1078-1092.
9
[10] Aigner, D., Lovell, C. K., & Schmidt, P. (1977). Formulation and estimation of stochastic frontier production function models. Journal of econometrics, 6(1), 21-37.
10
[11] Phillips, F. (2005). 25 years of data envelopment analysis. International journal of information technology & decision making, 4(3), 317-323.
11
[12] Rousseau, J. J., & Semple, J. H. (1995). Two-person ratio efficiency games. Management Science, 41(3), 435-441.
12
[13] Akçay, A. E., Ertek, G., & Büyüközkan, G. (2012). Analyzing the solutions of DEA through information visualization and data mining techniques: SmartDEA framework. Expert Systems with Applications, 39(9), 7763-7775.
13
[14] Doyle, J., & Green, R. (1994). Efficiency and cross-efficiency in DEA: Derivations, meanings and uses. Journal of the operational research society, 45(5), 567-578.
14
[15] Köksalan, M., & Tuncer, C. (2009). A DEA-based approach to ranking multi-alternatives. International Journal of Information Technology & Decision Making, 8(01), 29-54.
15
[16] Jenkins, L., & Anderson, M. (2004). A comparison of data envelopment analysis using fewer variables versus principal components. Dept of Business Administration Royal Military College of Canada, 15.
16
[17] Jahantigh, M., Hosseinzadeh Lotfi, F., & Moghaddas, Z. (2013). Ranking of DMUs by using TOPSIS and different ranking models in DEA. International Journal of Industrial Mathematics, 5(3), 217-225.
17
[18] Rezaie, K., Ramiyani, S. S., Nazari-Shirkouhi, S., & Badizadeh, A. (2014). Evaluating performance of Iranian cement firms using an integrated fuzzy AHP–VIKOR method. Applied Mathematical Modelling, 38(21), 5033-5046.
18
[19] Chen, J. F., Hsieh, H. N., & Do, Q. H. (2015). Evaluating teaching performance based on fuzzy AHP and comprehensive evaluation approach. Applied Soft Computing, 28, 100-108.
19
[20] Ng, C. Y. (2016). Evidential reasoning-based Fuzzy AHP approach for the evaluation of design alternatives’ environmental performances. Applied Soft Computing, 46, 381-397.
20
[21] Modak, M., Pathak, K., & Ghosh, K. K. (2017). Performance evaluation of outsourcing decision using a BSC and Fuzzy AHP approach: A case of the Indian coal mining organization. Resources Policy, 52, 181-191.
21
[22] Chang, S. C. (2011). Returns to scale in DEA models for performance evaluations. Technological Forecasting and Social Change, 78(8), 1389-1396.
22
[23] Fenyves, V., Tarnóczi, T., & Zsidó, K. (2015). Financial Performance Evaluation of agricultural enterprises with DEA Method. Procedia Economics and Finance, 32, 423-431.
23
[24] Wanke, P., Barros, C. P., & Nwaogbe, O. R. (2016). Assessing productive efficiency in Nigerian airports using Fuzzy-DEA. Transport Policy, 49, 9-19.
24
[25] Ahn, H., & Novoa, N. V. (2016). The decoy effect in relative performance evaluation and the debiasing role of DEA. European Journal of Operational Research, 249(3), 959-967.
25
[26] Gong, S., Shao, C., & Zhu, L. (2017). Energy efficiency evaluation based on DEA integrated factor analysis in ethylene production. Chinese Journal of Chemical Engineering. In Press.
26
[27] Martí, L., Martín, J. C., & Puertas, R. (2017). A DEA-logistics performance index. Journal of Applied Economics, 20(1), 169-192.
27
[28] Tavana, M., Li, Z., Mobin, M., Komaki, M., & Teymourian, E. (2016). Multi-objective control chart design optimization using NSGA-III and MOPSO enhanced with DEA and TOPSIS. Expert Systems with Applications, 50, 17-39.
28
[29] Rosić, M., Pešić, D., Kukić, D., Antić, B., & Božović, M. (2017). Method for selection of optimal road safety composite index with examples from DEA and TOPSIS method. Accident Analysis & Prevention, 98, 277-286.
29
[30] Sinuany‐Stern, Z., Mehrez, A., & Hadad, Y. (2000). An AHP/DEA methodology for ranking decision making units. International Transactions in Operational Research, 7(2), 109-124.
30
[31] Korpela, J., Lehmusvaara, A., & Nisonen, J. (2007). Warehouse operator selection by combining AHP and DEA methodologies. International Journal of Production Economics, 108(1), 135-142.
31
[32] Azadeh, A., Ghaderi, S. F., & Izadbakhsh, H. (2008). Integration of DEA and AHP with computer simulation for railway system improvement and optimization. Applied Mathematics and Computation, 195(2), 775-785.
32
[33] Lin, M. I., Lee, Y. D., & Ho, T. N. (2011). Applying integrated DEA/AHP to evaluate the economic performance of local governments in China. European Journal of Operational Research, 209(2), 129-140.
33
[34] Yu, P., & Lee, J. H. (2013). A hybrid approach using two-level SOM and combined AHP rating and AHP/DEA-AR method for selecting optimal promising emerging technology. Expert Systems with Applications, 40(1), 300-314.
34
[35] Ar, I. M., & Kurtaran, A. (2013). Evaluating the relative efficiency of commercial banks in Turkey: an integrated AHP/DEA approach. International Business Research, 6(4), 129.
35
[36] Altamirano-Corro, A., & Peniche-Vera, R. (2014). Measuring the institutional efficiency using dea and ahp: the case of a mexican university. Journal of applied research and technology, 12(1), 63-71.
36
[37] Kumar, A., Shankar, R., & Debnath, R. M. (2015). Analyzing customer preference and measuring relative efficiency in telecom sector: A hybrid fuzzy AHP/DEA study. Telematics and Informatics, 32(3), 447-462.
37
[38] Lai, P. L., Potter, A., Beynon, M., & Beresford, A. (2015). Evaluating the efficiency performance of airports using an integrated AHP/DEA-AR technique. Transport Policy, 42, 75-85.
38
[39] Li, X., Liu, Y., Wang, Y., & Gao, Z. (2016). Evaluating transit operator efficiency: An enhanced DEA model with constrained fuzzy-AHP cones. Journal of Traffic and Transportation Engineering (English Edition), 3(3), 215-225.
39
[40] Otay, İ., Öztayşi, B., Onar, S. Ç., & Kahraman, C. (2017). Multi-expert Performance Evaluation of Healthcare Institutions Using an Integrated Intuitionistic Fuzzy AHP & DEA Methodology. Knowledge-Based Systems.
40
[41] Mousavi-Nasab, S. H., & Sotoudeh-Anvari, A. (2017). A comprehensive MCDM-based approach using TOPSIS, COPRAS and DEA as an auxiliary tool for material selection problems. Materials & Design, 121, 237-253.
41
[42] Babaee, S., Bagherikahvarin, M., Sarrazin, R., Shen, Y., & Hermans, E. (2015). Use of DEA and PROMETHEE II to Assess the Performance of Older Drivers. Transportation research Procedia, 10, 798-808.
42
[43] Bagherikahvarin, M., & De Smet, Y. (2016). A ranking method based on DEA and PROMETHEE II (a rank based on DEA & PR. II). Measurement, 89, 333-342.
43