تأمین‌کننده توسعه داده‌اند؛ در این متدولوژی تصمیم‌گیری بر پایه تجربیات سازمان مبدأ از تأمین‌کنندگان قبلی توأم با ارزیابی تأمین‌کنندگان جدید می‌باشد. هم چنین با استفاده از روش TOPSIS یک سیستم ارزیابی و انتخاب تأمین‌کنندگان را با استفاده از دانش توسعه داده‌اند. این تکنولوژی به گونه‌ای طراحی شده است که بیشتر به عملکرد و قضاوت‌های انسانی شبیه است. بنابراین آن‌ها می‌توانند خیلی بهتر از روش‌های سنتی بر پیچیدگی و عدم اطمینان فائق آیند. کاربران سیستم‌های هوش مصنوعی تنها اطلاعاتی را بر اساس ویژگی‌های موقعیتی موجود مثل عملکرد تأمین‌کننده در مورد یک معیار خاص فراهم می‌کند. تکنولوژی‌های CBR نوعی آزمون و خطای واقعی برای کاربر است، آن‌ها بر اساس چیزی که از متخصصان یاد می‌گیرند، عمل می‌کنند. در نهایت این مدیران خرید هستند که باید گزینه‌ها را بررسی کرده و تصمیم بگیرند (حنفی زاده و همکاران، ۱۳۸۸).
ج-۲ شبکه عصبی۴۱
شبکه عصبی در انتخاب تأمین‌کننده روش دیگری است که برای کمک به انتخاب بهترین تأمین‌کننده انتخاب می‌شود. در مقایسه با مدل‌های سنتی در پشتیبانی از سیستم، شبکه‌های عصبی زمان و پول زیادی را برای توسعه سیستم ذخیره می‌کند. سیستم انتخاب تأمین‌کنندگان شامل ۲ عملکرد می‌شود: یکی از آن‌ها مقیاس عملکرد و ارزیابی عملکرد خرید ذخیره و ارزیابی اطلاعات است و منابع اطلاعاتی برای شبکه عصبی را فراهم می‌کند. عملکرد دیگر استفاده از شبکه عصبی برای انتخاب تأمین‌کننده است. این روش همچنین در ارزیابی تأمین‌کننده در فرآیند تصمیم‌گیری و انتخاب خریدار نیز مورد استفاده قرار می‌گیرد. اما این مدل‌ها هنوز نمی‌تواند بر عدم اطمینان فائق آیند (زیدان و همکاران، ۲۰۱۱).
با توجه به اینکه روش مورد بررسی در این تحقیق تحلیل پوششی داده‌ها (DEA) می‌باشد، در بخش سوم از این فصل به بررسی و تحلیل کامل این روش پرداخته شده است.

۲-۳ مقدمه
هر سازمان به منظور آگاهی از میزان فعالیت‌های زیرمجموعه‌های خود، به یک نظام ارزشیابی برای سنجش این مطلوبیت نیاز دارد (افشار کاظمی، ۴۲:۱۳۸۵). ارزیابی عملکرد، دغدغه اصلی مدیران سازمان‌ها در شرایط سخت رقابتی قرن ۲۱ می‌باشد. ابداع تکنیک‌های ارزیابی عملکرد برای شرایط پیچیده رفتاری و تنوع خدمات ارائه‌شده سازمانی، بخش عمده‌ای از پژوهش‌های نوین محققان مدیریت در سطح دنیا می‌باشد. تحلیل پوششی داده‌ها از کاراترین تکنیک‌های ارزیابی عملکرد با مستندات تجربی و روشی ریاضی است (صفائی، ۱:۱۳۹۰) این تکنیک مبتنی بر رویکرد برنامه‌ریزی خطی است و هدف اصلی آن، مقایسه و ارزیابی تعدادی از واحدهای تصمیم‌گیرنده مشابه است که مقدار ورودی‌های مصرفی و خروجی‌های تولیدی متفاوتی دارند (افشار کاظمی، ۴۲:۱۳۸۵).

۲-۳-۱ تحلیل پوششی داده‌ها
ارزیابی عملکرد از روش‌های گوناگونی انجام می‌شود. اما قابلیت مدل‌های ریاضی سنجش کارایی، اهمیت کاربردی ویژه‌ای به آن‌ها بخشیده است. معمولاً در روش‌های پارامتریک به یک تابع ریاضی نیاز است که در آن، بتوان مقدار متغیرهای وابسته را با به‌کارگیری متغیرهای مستقل تخمین زد. یکی از تکنیک‌های مطرح در زمینه ارزیابی کارایی، تحلیل پوششی داده‌ها می‌باشد. تحلیل پوشش داده‌ها یک تکنیک برنامه‌ریزی خطی است که برای ارزیابی و کارایی واحدهای همگون و متجانس مورد استفاده قرار می‌گیرد. در دهه اخیر این روش سودمندی قابل‌توجهی به عنوان ابزار مدیریتی در اندازه‌گیری کارایی به دست آورده و به طور گسترده از آن استفاده‌شده است. از این ابزار در بخش‌های خصوصی و عمومی و سازمان‌ها از قبیل بانک‌ها، بیمارستان‌ها، دانشگاه‌ها و غیره بسیار استفاده می‌شود (محرابیان و همکاران، ۳۰:۱۳۹۰). در تحلیل پوششی داده‌ها نیازی به تعیین تابع توزیع و فرضیه‌سازی نیست. به صورتی که «تحلیل پوششی داده‌ها» با ساخت واحد را در قیاس با یکدیگر بررسی نموده و هر کدام از n مدل، عملکرد n و حل نسبت به سایر DEA مشاهدات را در مقایسه با مرز کارا، بهینه می‌کند.
تحلیل پوششی داده‌ها، مفهومی از محاسبه ارزیابی سطوح کارایی را در داخل یک گروه از سازمان نشان می هد که کارایی هر واحد در مقایسه با گروهی محاسبه می‌شود که دارای بیش‌ترین عملکرد هستند. این تکنیک مبتنی بر رویکرد برنامه‌ریزی خطی است که هدف اصلی آن، مقایسه و سنجش کارایی تعدادی از واحدهای تصمیم‌گیرنده مشابه است که مقدار ورودی‌های مصرفی و خروجی‌های تولیدی متفاوتی دارند. این واحدها می‌توانند شعبه‌های بانک، مدرسه‌ها، بیمارستان‌ها، پالایشگاه‌ها، نیروگاه‌های برف، اداره‌های زیر پوشش یک وزارتخانه و یا کارخانه‌های همانند باشند (افشار کاظمی و همکاران، ۴۳:۱۳۸۵).

۲-۳-۲ تاریخچه مدل تحلیل پوششی داده‌ها
فارل نخستین کسی بود که با روش‌های غیرپارامتری به تعیین کارایی پرداخت، و کارهای بعدی در این زمینه بر مبنای کار وی صورت گرفت. مقاله فارل اساس کار مقاله چارنز، کوپر، و رودز شد. آن‌ها تحلیل اولیه فارل را، که در حالت یک داده و یک ستاده مطرح شده بود، به حالت چندداده و چندستاده تبدیل کردند و نام آن را CCR گذاشتند. نام CCR از حروف اول چارنز، کوپر، و رودز گرفته‌شده است. پس از آن بنکر، چارنز، و کوپر با کامل کردن مقاله چارنز و دیگران، مدل BBC را ارائه کردند نام BCC از حروف اول بنکر، چارنز، و کوپر گرفته‌شده است. این دو مقال
ه اخیر، پایه بسیاری از مطالعات تحلیل کارایی شد و این شاخه از علم به عنوان تحلیل فراگیر داده‌ها «نامیده شد. (بنکر و همکاران، ۱۹۸۴) تحلیل پوششی داده‌ها در سال ۱۹۷۸ با پایان‌نامه دکترای ادوارد رودز در دانشگاه کارنگی آغاز شد. وی با راهنمایی کوپر و چارنز، توسعه و پیشرفت تحصیلی دانش‌آموزان مدارس ملی آمریکا را ارزیابی کرد. این مقاله که به نام CCR (حرف اول اسامی چارنز، کوپر، و رودز) معروف است، با تبدیل ورودی و خروجی‌های چندگانه‌ی واحد تصمیم‌گیری به یک ورودی مجازی و یک خروجی مجازی، روش بهینه‌سازی برنامه‌ریزی ریاضی را برای تعمیم اندازه کارایی چند ورودی یک خروجی فارل به حالت ورودی‌ها و خروجی‌های چندگانه به کاربرد چارنز، کوپر، و رودز تحلیل پوششی داده‌ها را به این صورت توصیف کرده‌اند:
یک مدل برنامه‌ریزی ریاضی به کار گرفته‌شده برای داده‌های مشاهده‌شده، که روش جدیدی برای برآورد تجربی تابع تولید یا مرز کارایی فراهم می‌سازد، و پایه اقتصاد مدرن است. (چارنز و همکاران، ۱۹۷۸)

۲-۳-۳ ماهیت ورودی و خروجی در مدل‌های تحلیل پوششی داده‌ها
در مدل‌های DEA راهکار بهبود برای واحدها، رسیدن به مرز کارایی است. در واقع، برای بهبود عملکرد واحدهای ناکارا باید تمهیدهایی اندیشیده شود تا عملکرد این واحدها به مرز کارایی برسند. مرز کارایی، دربردارنده واحدهایی با اندازه کارایی یک است که برخی از این واحدها حقیقی و برخی مجازی هستند. واحد مجازی، واحدی است که هر چند عینیت نیافته است، ولی با مجموعه واحدهای تجربه‌شده، امکان تحقق یافتن چنین واحدی وجود دارد. از این رو راهکار بهبود واحدهای ناکارا، با تصویر کردن واحد مورد نظر به روی یک واحد واقعی و یا یک واحد مجازی بر روی مرز کارایی، است (افشار کاظمی و همکاران، ۴۳:۱۳۸۵).

۲-۳-۴ راهکارهای بهبود واحدهای ناکارا در مدل‌های تحلیل پوششی داده‌ها
۲-۳-۴-۱ ماهیت ورودی محور
کاهش دادن نهاده‌ها بدون کاهش در ستانده‌ها تا رسیدن به واحدی بر روی مرز کارایی (سنجش کارایی با ماهیت ورودی).

۲-۳-۴-۲ ماهیت خروجی محور
افزایش دادن ستانده‌ها تا رسیدن بر روی مرز کارایی، بدون افزایش در نهاده‌ها (سنجش کارایی با ماهیت خروجی).

شکل ۲-۳ ماهیت ورودی و خروجی در DEA
(افشار کاظمی و همکاران، ۱۳۸۵)

در مدل‌های DEA با ماهیت ورودی، در پی به دست آوردن نسبت کارایی فنی هستیم که باید در ورودی‌ها کاهش داده شود تا بدون تغییر در میزان خروجی‌ها، واحدها در مرز کارایی قرار گیرد، اما در ماهیت خروجی محور به دنبال نسبتی هستیم که باید خروجی‌ها افزایش یابند تا بدون تغییر در میزان ورودی‌ها، واحد تحت بررسی به مرز کارایی برسد. انتخاب دیدگاه ورودی و خروجی، بر اساس میزان کنترل مدیریت بر هر یک از ورودی‌ها یا خروجی‌هاست. اگر مدیر هیچ کنترلی بر میزان ورودی‌ها نداشته باشد و مقدار آن از پیش مشخص و ثابت باشد، در این حالت، دیدگاه مدیریت افزایش در میزان ستانده‌ها می‌باشد و مدل به صورت خروجی محور حل می‌شود (افشار کاظمی و همکاران، ۴۳:۱۳۸۵).

۲-۳-۵ ویژگی‌ها و قابلیت‌های مدل تحلیل پوشششی داده‌ها
برخی از ویژگی‌ها و قابلیت‌های ویژه که در صحنه اجرایی و کاربردی دارای اهمیت فراوانی هستند به این شرح خلاصه می‌شود (موتمنی، ۱۳۸۱)
ارزیابی توأم مجموعه عوامل
ارزیابی واقع‌بینانه
عدم نیاز به اوزان از قبل تعیین‌شده
خاصیت جبرانی بودن
ارزیابی با گرایش مرزی به جای گرایش مرکزی
تصویر نمودن بهترین وضعیت عملکردی به جای وضعیت مطلوب استانداردسازی
رتبه‌بندی واحدهای تصمیم‌گیری
ارائه واحدهای الگو و راهکارهای بهبود عملکرد
ارائه واحدهایی با بیش‌ترین اندازه مقیاس بهره‌وری و تخمین بازده به مقیاس
تعیین تراکم و میزان آن در نهاده‌ها
ارائه راهکارهای توسعه‌ای شامل انبساط و انقباض واحدها
تخصیص بهینه منابع
تعیین پتانسیل‌های عملکردی (کاربردی)
تحلیل حساسیت نهاده‌ها و ستاده‌ها

۲-۳-۶ مدل‌های پایه‌ای تحلیل پوششی داده‌ها
اندازه‌گیری کارایی به خاطر اهمیت آن در ارزیابی عملکرد یک شرکت یا سازمان همواره مورد توجه محققان بوده است. در سال ۱۹۵۷ فارل با استفاده از روشی مانند اندازه‌گیری کارایی در مباحث مهندسی اقدام به اندازه‌گیری کارایی برای یک واحد تولیدی کرد. موردی که فارل برای اندازه‌گیری کارایی مدنظر قرارداده بود شامل یک ورودی و یک خروجی بود مطالعه فارل شامل اندازه‌گیری کارایی‌های فنی و تخصیصی و مشتق تابع تولید کارا بوده است. فارل مدل خود را برای تخمین کارایی بخش کشاورزی آمریکا در مقایسه با سایر کشورها استفاده کرد با این وجود، او در ارائه روشی که در برگیرنده ورودی‌ها و خروجی‌های متعدد باشد، موفق نبود.
چارنز، کوپر و رودز دیدگاه فارل را توسعه داده و مدلی را ارائه کردند که توانایی اندازه‌گیری کارایی با چندین ورودی و چندین خروجی را داشت (مهرگان، ۱۳۹۱:۵۷) این مدل تحلیل پوششی داده‌ها نامیده شد.

۲-۳-۶-۱ مدل نسبت CCR
در اندازه‌گیری نسبی واحدها فارل برای ساختن یک واحد مجازی بر مجموع موزون واحدها تمرکز نمود و به عنوان یک وسیله سنجش متداول برای اندازه‌گیری کارایی فنی رابطه زیر را پیشنهاد کرد:
کارایی = (ها خروجی موزون مجموع )/(ها ورودی موزون مجموع )

۲-۳-۶-۲ مدل مضربی CCR ورودی محور
به طور کلی مدل
‌های تحلیل پوششی داده‌ها به دو گروه ورودی محور و خروجی محور تقسیم می‌شود که در ادامه به این مفهوم در قالب مدل‌های مختلف می‌پردازیم.
برای تبدیل مدل نسبت CCR به یک مدل برنامه‌ریزی خطی به روشی که توسط چارنز و کوپر به کار گرفته می‌شود توجه کنید. در این روش استدلال بر آن است که برای حداکثر کردن مقدار یک عبارت کسری کافی است که مخرج کسر معادل یک عدد ثابت در نظر گرفته شود و صورت کسر حداکثر گردد. بر این اساس، مخرج کسر را معادل یک قرارداده و. این مدل را مضربی می‌نامند.
مدل‌های ورودی محور مدل‌هایی هستند که با ثابت نگه‌داشتن ورودی‌ها، خروجی‌ها را افزایش می‌دهند. این مفهوم به روشنی در مدل پوششی درک خواهد شد. مدل پوششی « مسئله ثانویه» مدل مضربی است.

۲-۳-۶-۳ مدل پوششی CCR ورودی محور
چارنز، کوپر و رودز در ساخت مدل تحلیل پوششی داده‌ها به یک رابطه تجربی در ارتباط با تعداد واحدهای مورد ارزیابی و تعداد ورودی‌ها و خروجی‌ها به صورت زیر رسیده‌اند:
(تعداد خروجی‌ها + تعداد ورودی‌ها)۳ ≤ تعداد واحدهای مورد ارزیابی
به کار گرفتن رابطه فوق در عمل موجب می‌شود که تعداد زیادی از واحدها بر روی مرز کارا۲ قرار می‌گیرند و به عبارت دیگر، دارای امتیاز کارایی یک شوند، در نتیجه قدرت تفکیک مدل کاهش می‌یابد. از آنجا که برای هر واحد باید یک محدودیت نوشته شود، به این ترتیب، مدل برنامه‌ریزی خطی به دست خواهد آمد که تعداد محدودیت‌های آن از تعداد متغیرهایش بیشتر است و از آنجا که حجم عملیات سیمپلکس برای حل مسائل برنامه‌ریزی خطی بیشتر وابسته به تعداد محدودیت‌هاست تا متغیرها، حل مسئله ثانویه مدل فوق نیازمند حجم عملیات کمتری خواهد شد.

۲-۳-۶-۴ مدل مضربی CCR خروجی محور
همان طور که اشاره شد، کارایی را می‌توان از دو دیدگاه تمرکز بر ورودی‌ها (نهاده‌ها) و خروجی‌ها (ستاندها) مورد بررسی قرارداد. چارنز، کوپر و رودز(۱۹۸۱) کارایی را با توجه به این دو دیدگاه به صورت زیر تعریف کردند:
در یک مدل ورودی محور، یک واحد در صورتی ناکارا است که امکان کاهش هر یک از ورودی‌ها بدون افزایش ورودی‌های دیگر یا کاهش هر یک از خروجی‌ها وجود داشته باشد
در یک مدل خروجی محور، یک واحد در صورتی ناکارا است که امکان افزایش هر یک از خروجی‌ها بدون افزایش یک ورودی یا کاهش یک خروجی دیگر وجود داشته باشد.

۲-۳-۶-۵ مدلBCC 1
در سال ۱۹۸۴، بنکر، چارنز و کوپر با تغییر در مدل CCRمدل جدیدی را عرضه کردند که بر اساس حروف اول نام خانوادگی آنان به مدلBCC شهرت یافت. مدل BCC مدلی از انواع مدل‌های تحلیل پوششی داده‌ها ست که به ارزیابی کارایی نسبی واحدهایی با بازده متغیر نسبت به مقیاس می‌پردازد. تفاوت این مدل با مدل CCR در نوع بازده نسبت به مقیاس تولید آن‌ها ست. مدل CCR دارای بازده نسبت به مقیاس تولید ثابت و مدل BCC دارای بازده نسبت به

Leave a Reply

Your email address will not be published. Required fields are marked *