تحلیل پوششی داده‌ها، تحلیل سلسله مراتبی

از خوشه‌های متفاوت حداکثر می‌باشد. به طور مشخص این روش می‌تواند جهت گروهی از تأمین‌کنندگان که به وسیله نمراتی بر اساس معیارهای مشخص‌شده‌اند، بکار گرفته شود.
نتیجه چنین روشی داشتن طبقه‌هایی از تأمین‌کنندگان در خوشه‌های سازگار تأمین‌کننده می‌باشد. به طوری که هر گروه تأمین‌کننده در یک خوشه دارای ویژگی‌های مشابهی می‌باشند و با دیگر خوشه‌ها تفاوت دارند. هینک۱۴ در سال ۱۹۶۹ از اولین کسانی بود که چنین روشی را ارائه نمود و بعدها توسط هولت ۱۵ در سال ۱۹۹۸ پیگیری شد (کشاورز، ۱۳۸۹).

۲-۲-۸-۲ مدل‌های تصمیم‌گیری در مرحله انتخاب نهایی
این دسته از مدل‌ها به ۳ دسته کلی تقسیم می‌شوند، هر یک از این مدل‌ها دارای زیرمجموعه‌هایی است که در ادامه به آن اشاره خواهد شد.

الف مدل‌های میانگین وزنی
در ادامه به شرح مهم‌ترین این مدل‌ها پرداخته شده است.
الف-۱ تحلیل فرآیند سلسله مراتبی ۱۶
در مدل میانگین وزنی هر معیار دارای وزن و عملکرد تأمین‌کننده است که تأمین‌کننده توسط این معیار سنجیده می‌شود. جمع کل برابر با عملکرد کلی آن است. اگرچه این روش ساده است، اما به طور گسترده به قضاوت افراد بستگی دارد و به ندرت تکراری می‌شود. از این رو این روش بسیار ذهنی است. در مدل AHP قضاوت افراد دارای حاکمیت زیادی است. در میان روش‌هایی که بیان‌شده این روش رایج‌ترین محسوب می‌شود، زیرا برای ارزیابی کیفی و کمی مناسب است و همچنین برای عوامل ناملموس نیز طراحی شده است. این روش مناسب، منعطف و برای تصمیم‌گیری مبتنی بر چندین معیار مناسب است. فرآیند تحلیل سلسله مراتبی می‌تواند در محیط‌های تصمیم‌گیری گروهی نیز بکار برده شود. اگرچه وجود حجم زیادی از داده‌ها در استفاده از این روش محدودیت ایجاد می‌کند، اما این روش توسط محققان بسیاری برای انجام تحقیق پیشنهاد می‌شود(اردم و گوسن، ۲۰۱۱).
فرایند مدل‌سازی AHP شامل چهار مرحله است: ساخت دهی مسئله تصمیم، اندازه‌گیری و جمع‌آوری داده‌ها، تعیین وزن‌های نرمال شده و دستیابی به یک راه حل ترکیبی مسئله. با استفاده از این و رویکرد چهار مرحله‌ای AHP ابتدا یک مدل رتبه‌بندی تنظیم و تدوین می‌گردد. کارمن و همکاران۱۷ از مدل AHP برای انتخاب بهترین تأمین‌کننده در کارخانجات ترکیه استفاده کردند(زیدان و همکاران، ۲۰۱۱).
الف-۲ مدل هزینه نهایی مالکیت۱۸
مدل TCO تلاش می‌کند تا کل هزینه‌ها مرتبط با سازنده را در طول سیکل خرید شناسایی کرده و به صورت کمی در آورد. الارم۱۹ (۱۹۹۶) وجه تمایز بین ۳ دسته از هزینه‌های پیش از خرید، هزینه‌های خرید و هزینه‌های پس از خرید را مشخص کرد. مدل TCO برای انتخاب تأمین‌کنندگان در ابتدا شامل خلاصه‌سازی و کمی سازی کلیه هزینه‌های مربوط به انتخاب تأمین‌کنندگان و روش دریافت خسارت از آن‌ها در صورت نرسیدن به موقع مواد و قطعات مورد نیاز می‌باشد.
سیمتاکا و کلمنس۲۰ در سال ۱۹۹۳ از ترکیب روش هزینه نهایی با سیستم رتبه‌بندی معیارهایی از قبیل سرویس، تحویل، عملکرد و غیره، روشی جهت به دست آوردن هزینه‌های مربوط ارائه نمودند (کشاورز، ۱۳۸۹).
مدل هزینه نهایی مالکیت، نوعی روش پیچیده است که به هزینه بستگی دارد. محققان نه تنها به نسبت محصولات توجه می‌کنند، بلکه هزینه‌های غیرمستقیم را نیز در نظر می‌گیرند. این روش به ۲ قسمت نسبت هزینه و مدل هزینه کلی تقسیم می‌شود که نیازمند محاسبه‌ی گسترده در هزینه است. این مدل در شرکت‌های بزرگ دارای ساختار پیچیده می‌باشد. در طول تمام فرآیند نیز نوعی ریسک به طور بالقوه وجود دارد (کسکین و همکاران، ۲۰۱۰).
الف-۳ تئوری فازی
تئوری فازی نوعی طبقه‌بندی است که می‌تواند همراه با مدل‌های آماری مورد استفاده قرار بگیرد. مدل‌های برنامه‌ریزی خطی همراه با مدل فازی بکار می رود. چن و همکاران۲۱ (۲۰۰۶) از مدل TOPSIS که شکل پیشرفته مدل فازی است برای انتخاب تأمین‌کننده مناسب و طبقه‌بندی تأمین‌کنندگان استفاده کرد. آن‌ها ضریب همبستگی را به ۵ دسته تقسیم کردند و هر تأمین‌کننده را در نزدیک‌ترین ضریب قراردادند (کسکین و همکاران، ۲۰۱۰)
مدل‌های فازی اولین بار توسط آتاناسور ۲۲ با توسعه FST معرفی شد. آن‌ها مدلی را برای ارزیابی تأمین‌کننده در صنایع با استفاده از مدل AHP و AHP متنوع ارائه کردند و آن را مدل فازی نامیدند. مدل فازی با چندین معیار، نوعی رویکرد تصمیم‌گیری است که بر مبنای خرید و ارزیابی تأمین‌کننده می‌باشد. دیگر محققان در این زمینه تکنیک‌های پیشرفته‌ای را با استفاده از مدل فازی برای حل مشکلات ارزیابی تأمین‌کننده ارائه کردند. مدل فازی به طور اثربخش شامل عوامل کیفی و کمی است. بیشتر مدل‌های فازی بر مبنای گروهی از معیارهای تصمیم‌گیری است. میزان اهمیت معیارها در تحقیقات مختلف متفاوت می‌باشد (بورنتال و همکاران، ۲۰۰۹).
ب :مدل‌های برنامه‌ریزی ریاضی۲۳
در ادامه به شرح مهم‌ترین این مدل‌ها پرداخته شده است.

مطلب مشابه :  اخلاق زیست محیطی، اخلاق محیط زیست

ب-۱ مدل وزن دهی خطی ۲۴
مدل‌های وزن دهی خطی، وزنی را به هر یک از معیارها اختصاص می‌دهند و در نهایت حدودی برای هر یک از فروشندگان تخصیص می‌یابد که این عدد بر اساس رتبه هر یک از فروشندگان در این معیارها و ضرب آن‌ها در وزن هر یک از عوامل به دست آمده است. مدل‌های ابتدایی وزن دهی خطی توسط زنز ۲۵در سال ۱۹۸۱ و تینمرمن ۲۶در سال ۱۹۸۶ توسعه داده‌شده است. نخستین تعدیلات انجام‌شده بر روی این
مدل‌ها توجه به جبران سازی در آن‌ها بود. مدل جبرانی به این شکل بود که ارجحیت در یک معیار، کاستی سایر معیارها را جبران می‌نمود.
مدل‌های ریاضی که عمده‌ترین صورت این مدل‌ها به صورت مدل‌های خطی وزن داده‌شده است، به منظور ایجاد تمایز بین ملاک‌ها به هر یک از آن‌ها وزنی اختصاص داده می‌شود و یک تابع کلی به صورت حاصل جمع مضارب ملاک‌ها در اوزان آن‌ها، شاخص نهایی رتبه داوطلب می‌باشد. بعضی از مدل‌های ریاضی از نوع بهینه‌سازی خطی ارائه‌شده‌اند که اساس آن‌ها عمدتاً بر پایه کمینه کردن هزینه نهایی تولید و برون سپاری می‌باشد و با حل مدل بهینه‌سازی خطی بهترین حالت تولید و برون سپاری را در دوره‌های تولید به دست می‌آورد؛ در این مدل با یک دید فرآیندی مسئله برون سپاری در دوره‌های مختلف بررسی شده است و با حل یک مدل برنامه‌ریزی خطی به پیدا کردن بهینه‌ترین میزان خرید و برون سپاری در دوره‌های متوالی تولید می‌پردازند (حاله و کریمیان، ۱۳۸۹).
دی بوئر۲۷ در سال ۱۹۹۸ نوع پیشرفته‌ای از مدل‌ها را ارائه کرد، در این مدل حدودی جهت جبران معیارها گرفته نشده است، و معیارهایی که در سطح مطلوب قرار دارند تا حدی می‌توانند معیارهایی که در حد پایین قرار دارند را پوشش دهند.
ماسالا۲۸ در سال ۲۰۰۰ با استفاده از روش سلسله مراتبی توانست در یک زمان کوتاه تمام پیچیدگی‌های مربوط به وزن دهی معیارها و انتخاب گزینه برتر را از میان بر دارد.
سارکیس و تالوری ۲۹در سال ۲۰۰۰ روش تجزیه و تحلیل شبکه‌ای (ANP) که نوع پیشرفته AHP بود را به کاربردند(کشاورز، ۱۳۸۹).

ب-۲ مدل برنامه‌ریزی خطی۳۰
این مدل این اجازه را به تصمیم‌گیرنده می‌دهد تا مسئله تصمیم‌گیری را فرموله کرده و از طریق توابع ریاضی بر اساس نیازهای تصمیم‌گیرنده (افزایش سود یا کاهش هزینه) و با تغییر دادن ارزش متغیرها در تابع هدف به پاسخ نهایی برسد. مدل از یک سو به دلیل آنکه به تصمیم‌گیرنده کمک می‌کند تا به طور واضح و آسان تصمیم‌گیری کند دارای مزیت است و از سوی دیگر به دلیل آنکه فقط بر معیارهای کمی توجه دارد. دارای معایبی نیز می‌باشد. بسیاری از مدل‌های برنامه‌ریزی ریاضی یک مقدار یا سطح اولیه را برای برخی از معیارهای مهم مانند کیفیت، زمان تحویل، سرویس و. . . . . در نظر گرفته‌اند.
بنتون ۳۱(۱۹۹۱) یک روش ابتکاری را جهت حل مسئله تصمیم‌گیری چند معیاره و بر اساس برنامه‌ریزی غیرخطی ارائه کرد.
وبر و دیسی۳۲ استفاده از تحلیل پوششی داده‌ها (DEA) را برای ارزیابی سازندگان به‌کاربرده‌اند، و در سال ۱۹۹۸ مجدداً وبر ترکیبی از برنامه‌ریزی خطی و تحلیل پوششی داده‌ها را در ارزیابی سازندگان ارائه کرد. او در سال ۲۰۰۰ استفاده از برنامه‌ریزی آرمانی را جهت حداقل ساختن هزینه‌ها و بالاتر بردن کیفیت و کاهش رمان تأخیر برای انتخاب عرضه‌کنندگان ارائه کرده است.
در نهایت ابراین و گودسی۳۳ در سال ۱۹۹۸ با ترکیبی از AHP و MP روشی را جهت در بر گرفتن هر دو نوع معیارهای شدنی و نشدنی و نیز بهینه‌سازی مقدار سفارشات تخصیص داده‌شده به هر سازنده ارائه دادند (حنفی زاده و همکاران، ۱۳۸۸).
ب-۳ برنامه‌ریزی هدف۳۴
فرآیند ارزیابی تأمین‌کننده به دنبال اتخاذ تصمیماتی است که اغلب به توسعه‌ی رویکردهای ریاضی می‌انجامد، این رویکردها برای تصمیم‌گیری‌هایی با معیارهای چندگانه است. حجم بسیاری از مقالات این یافته‌ها را تأیید می‌کند. مدل‌های ارتقاء یافته مثل این مدل ۲۳% از کل مطالعات در این زمینه را به خود اختصاص می‌دهند که توسط ارزیابی تأمین‌کنندگان و تخصیص دهندگان منابع حمایت می‌شوند. برنامه‌ریزی هدف به طور گسترده در تخصیص منابع و انتخاب تأمین‌کننده مورد استفاده قرار می‌گیرد. این مدل اغلب به همراه AHP در تحقیقات مورد استفاده قرار می‌گیرد. دلیل اصلی این موضوع ویژگی و مزیت منحصربه‌فردی است که ترکیب این ۲ مدل ارائه می‌کند. فرآیند تحلیل سلسله مراتبی ترتیب انتخاب تأمین‌کنندگان را ارائه می‌کند، درحالی‌که تصمیم‌گیرندگان نیازمند توجه به دیگر مسائل مثل بودجه، کیفیت مواد به دست آمده، محدودیت زمانی و تکنولوژیکی مورد استفاده قرار می‌گیرد. برنامه‌ریزی هدف یک مدل مناسب را برای ارزیابی با توجه به این محدودیت‌ها ارائه می‌کند که مدل ارتقاء یافته AHP-GP است و تکنیکی سودمند برای ارزیابی تأمین‌کننده می‌باشد (اردم و گوسن، ۲۰۱۱).
ب-۳ تحلیل پوششی داده‌ها
روش تحلیل پوششی داده‌ها (DEA) برای اولین بار در سال ۱۹۸۷ توسط رودز۳۵ در دانشگاه کارنیگ ملون به صورت تز دکترا مطرح و برای ارزیابی پیشرفت تحصیلی مدارس ملی آمریکا به‌کاربرده شد. اولین مقاله تحلیل پوششی داده‌ها در این سال به چاپ رسید و مدل ارائه‌شده در آن به مدل CCR معروف گردید. آن‌ها با استفاده از یک مدل برنامه‌ریزی خطی، ورودی‌ها و خروجی‌های چندگانه را با تخصیص وزن‌هایی که از حل مدل به دست می‌آیند، به یک ورودی و یک خروجی تبدیل کرده و کار ارزیابی کارایی را انجام دادند. به طور خلاصه، می‌توان تحلیل پوششی داده را یک مدل برنامه‌ریزی ریاضی دانست که با استفاده از مشاهداتی، تابع تولید و یا مرز کارایی حاصل از این مشاهدات را تخمین زده و کارایی هر مشاهده را در مقایسه با آن می سنجد(ظرافت و همکارن، ۱۳۸۷).
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 و
در این بخش صرفاً به توضیح مختصری از آن پرداخته شده است.
ب-۴ مدل‌های آماری۳۶
مدل‌های آماری در ارتباط با عدم اطمینان‌های احتمالی، در انتخاب تأمین‌کنندگان می‌باشد. اگرچه عدم اطمینان تقریباً در تمامی موارد برای خریداران وجود دارد. هنوز روش‌های دقیقی برای این که چگونه می‌توان آن‌ها را تحت کنترل درآورد وجود ندارد و مدل‌های بسیار کمی وجود دارند که واقعاً توانسته‌اند این مشکل را حل کنند. مدل‌های آماری که امروزه منتشرشده‌اند فقط برای وفق دادن یک معیار در یک زمان خاص می‌باشند.
رونن و ترینتش۳۷ (۱۹۹۸) یک سیستم پشتیبانی تصمیم‌گیری را برای انتخاب تأمین‌کننده مناسب و پیاده‌سازی سیاست‌های لازم برای زمانی که یک تأمین‌کننده تأخیری بیشتر از زمان مجاز دارد را با استفاده از روش‌های آماری طراحی کرده‌اند. سوکوپ۳۸ (۱۹۷۸) یک مدل بر مبنای شبیه‌سازی را برای تقاضاهای ناپایدار طراحی و ارائه نمود.
مدل‌های آماری در محاسبه عوامل کیفی دارای مشکل بزرگی هستند. این مدل نیازمند سطوحی از داده است که نمی‌تواند ذهنی باشد. تصمیم‌گیرندگان همیشه ترجیح می‌دهند جایگزین‌هایی داشته باشند تا بتوانند در صورت نیاز از آن‌ها استفاده کنند(کسکین و همکاران، ۲۰۱۰).
ج:مدل‌های هوش مصنوعی۳۹
در ادامه به شرح مهم‌ترین این مدل‌ها پرداخته شده است.
ج-۱ مدل‌های مبتنی بر عقلانیت یا دلیل۴۰
مدل‌های AI (هوش مصنوعی)عموماً بر مبنای سیستم‌های کامپیوتری بنانهاده شده است که یکی از راه‌های انتخاب تأمین‌کنندگان بر مبنای داده‌های تاریخی می‌باشد. مدل‌هایی که بر مبنای تکنولوژی AI طراحی‌شده‌اند، در زمینه انتخاب تأمین‌کنندگان وجود دارد که از سیستم‌های خبره و شبکه‌های عصبی بهره جسته‌اند. اگرچه تعداد کمی از مدل‌هایی که بر مبنای AI و در زمینه انتخاب تأمین‌کننده طراحی‌شده‌اند را می‌توان یافت کرد و لیکن این مدل‌ها جهت استفاده از پتانسیل‌های موجود بسیار ضروری می‌باشد. یکی از قوی‌ترین مدل‌های مبتنی بر AI شبکه‌های عصبی می‌باشند که نیازمند فرمولاسیون جهت فرآیند تصمیم‌گیری نمی‌باشند. از این رو شبکه‌های عصبی بسیار بهتر از عهده تصمیم‌گیری برآمده و پیچیدگی و عدم اطمینان موجود در روش‌های سنتی را ندارند، چرا که مبنای عملکردی AI طوری طراحی شده است که همانند قضاوت انسان عمل می‌کند.
یکی از جدیدترین مدل‌های AI، سیستم‌های CBR توسط Cook در سال ۱۹۹۷ ارائه گردید. تکنولوژی سیستم‌های CBR بسیار جدید بوده و تعداد بسیار کمی از این نوع سیستم‌های تصمیم‌گیری‌های خرید توسعه داده‌شده است. اما برخی از ویژگی‌های منحصربه‌فرد CBR از قبیل قابلیت استفاده از اطلاعات نوشته، آموزش آسان و. . . . . . موجب علاقه‌مندی جهت استفاده از آن در انتخاب تأمین‌کنندگان می‌شود(کسکین و همکاران، ۲۰۱۰).
استفاده از روش CBR را برای انتخاب

مطلب مشابه :  ارزشیابی آموزشی، دوره های آموزش

دیدگاهتان را بنویسید