ORIGINAL_ARTICLE
طراحی مدل اندازهگیری نوآوری سازمان با رویکرد تحلیل پوششی دادههای شبکهای پویا و اعمال محدودیتهای فازی برای کنترل اوزان و یافتن اوزان عمومی (مورد مطالعه: دانشگاههای سطح یک کشور)
هدف: ارزیابی کارآیی نوآوری کمک میکند تا بهترین دستاندرکاران نوآوری را به منظور الگوگیری مورد شناسایی قرار داده و روشهای بهبود کارآیی را از طریق روشن نمودن نقاط ضعف مشخص نمود. در این مقاله رویکرد فرمولهسازی جدیدی برای تحلیل پوششی دادههای شبکهای پویا ارائه شده است تا ضمن کنترل اوزان انتخابی، کارآیی کلی سیستمهای چندبخشی- چند دورهای (MPMDS) را مورد ارزیابی قرار دهد. روش: به منظور ممانعت از روبرو شدن با جعبه سیاه فرآیند نوآوری، در ابتدا یک مدل مفهومی از ساختار شبکهای پویای نوآوری دانشگاهها طراحی شده و سپس مدل تحلیل پوششی دادههای شبکهای پویای ارائه شده در این تحقیق، مورد استفاده قرار گرفته شده است. یافتهها: از 13 دانشگاه مورد مطالعه، تعداد 1 دانشگاه (معادل 7 درصد) در فرآیند نوآوری کل کارآ شناخته شدند و میانگین کارایی برابر 82/0 برای دانشگاهها بدست آمد. در هر دو زیرفرآیند تحقیق و توسعه و بکارگیری نتایج نیز 1 دانشگاه (معادل 7 درصد) کارآ شناخته شد و میانگین کارآیی به ترتیب برابر با 85/0 و 46/0 بدست آمد که نشاندهنده عملکرد ضعیف دانشگاهها در زمینه بکارگیری نتایج و پیادهسازی و تجاریسازی ایدهها میباشد. همچنین روند تغییرات میانگین کارآیی در زیرفرآیند بکارگیری نتایج، کاملاً برعکس زیرفرآیند تحقیق و توسعه بود. نتیجهگیری: نتایج حاصل نشاندهنده آن است که مدل ارائه شده در این تحقیق با کنترل وزنها و محدود کردن آنها و توانایی اعمال اوزان مورد نظر مدیریت، علاوه بر حل مشکلات مدلهای متعارف تحلیل پوششی دادهها در عدم کنترل اوزان، قابلیت تفکیککنندگی واحدهای کارآ و ناکارآ را بهبود میبخشد.
https://imj.ut.ac.ir/article_81622_1895f02cd009c042bed7695f6f2b721b.pdf
2020-10-22
373
394
10.22059/imj.2020.304824.1007749
تحلیل پوششی دادههای شبکهای پویا
فرآیند نوآوری
کنترل اوزان
مجموعه عمومی اوزان
علی حسین
غریب
ali.gharib@hormozgan.ac.ir
1
دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تربیت مدرس، تهران، ایران.
AUTHOR
عادل
آذر
azara@modares.ac.ir
2
استاد، گروه مدیریت، دانشکده مدیریت، دانشگاه تربیت مدرس، تهران، ایران.
LEAD_AUTHOR
محمود
دهقان نیری
mdnayeri@modares.ac.ir
3
استادیار، گروه مدیریت، دانشکده مدیریت، دانشگاه تربیت مدرس، تهران، ایران.
AUTHOR
سلیمانی دامنه، رضا (1398). ارزیابی ساختارهای دومرحلهای متوالی: رویکرد تحلیل پوششی دادههای شبکهای چندهدفه (MO-NDEA). فصلنامه مدیریت صنعتی، 11(3)، 487-516.
1
شهریاری، سلطانعلی؛ لاهیجی، ساینا (1396). ارزیابی کارایی نظام ملی نوآوری با استفاده از تحلیل پوششی دادههای شبکهای. فصلنامه مدیریت صنعتی، 9(3)، 455-474.
2
صادقیمقدم، محمدرضا؛ غریب، علیحسین (1392). ارزیابی کارایی با استفاده از مدل تحلیل پوششی دادههای فازی و اعمال محدودیت فازی برای کنترل اوزان و یافتن اوزان عمومی. فصلنامه مدیریت صنعتی، 5(2)، 71-84.
3
غریب، علیحسین؛ آذر، عادل؛ مقبل باعرض؛ دهقان نیری، محمود (1398). طراحی مدل اندازهگیری نوآوری سازمان با رویکرد تحلیل پوششی دادههای شبکهای پویا (مورد مطالعه: دانشگاههای سطح یک کشور). چشمانداز مدیریت صنعتی، 9(33)، 9-29.
4
کاظمی، مصطفی؛ فائضی راد، محمدعلی (1397). پیشبینی کارآیی به کمک تأثیرپذیری غیرخطی از تأخبرهای زمانی در تحلیل پوششی دادهها با شبکههای عصبی مصنوعی. فصلنامه مدیریت صنعتی، 10(1)، 17-34.
5
References
6
An, Q., Meng, F., Xiong, B., Wang, Z., & Chen, X. (2018). Assessing the relative efficiency of Chinese high-tech industries: a dynamic network data envelopment analysis approach. Annals of Operations Research, 1–23.
7
Anderson, T. R., Daim, T. U., & Lavoie, F. F. (2007). Measuring the efficiency of university technology transfer. Technovation, 27(5), 306–318.
8
Avkiran, N. K. (2015). An illustration of dynamic network DEA in commercial banking including robustness tests. Omega,55, 141–150.
9
Bogetoft, P., Färe, R., Grosskopf, S., Hayes, K., & Taylor, L. (2009). Dynamic network DEA: An illustration. Journal of the Operations Research Society of Japan, 52(2), 147–162.
10
Canto, J. G. D., & Gonzalez, I. S. (1999). A resource-based analysis of the factors determining a firm’s R&D activities. Research Policy, 28 (8), 891-905.
11
Chao, C. M., Yu, M. M., & Wu, H. N. (2015). An application of the dynamic network dea model: the case of banks in Taiwan. Emerging Markets Finance and Trade, 51, S133–S151.
12
Charnes, A., Cooper, W. W., Huang, Z. M., & Sun, D. B. (1990). Polyhedral cone-ratio DEA models with an illustrative application to large commercial banks. Journal of Econometrics, 46(1-2). 73-91.
13
Chen, Y., Cook, W. D., Li, N., & Zhu, J. (2009). Additive efficiency decomposition in two stage DEA. European Journal of Operational Research, 196(3), 1170–1176
14
Chen, K., & Guan, J. (2011). Mapping the functionality of China's regional innovation systems: A structural approach. China Economic Review, 22, 11-27.
15
Chen, K. H., & Guan, J. C. (2012). Measuring China’s regional innovation systems: an application of a relational network DEA. Regional Studies, 46(3), 355-370.
16
Chen, K. H., & Kou, M. T. (2014). Staged efficiency and its determinants of regional innovation systems: a two-step analytical procedure. The Annals of Regional Science, 52(2), 627–657.
17
Cook, W. D., Zhu, J., Bi, G. B. & Yang, F. (2010). Network DEA: additive efficiency decomposition. European Journal of Operational Research, 207(2), 1122–1129.
18
Cron, W., & Sobol, M. (1983). The relationship between compurerization and performance: A strategy for maximizing economic benefits of computerization. Information & management, 6, 171-181.
19
Färe, R., & Grosskopf, S. (2000). Network DEA. Socio-Economic Planning Sciences. 34, 35–49.
20
Fukuyama, H., & Weber, W. L. (2013). A dynamic network DEA model with an application to Japanese Shinkin banks. In F. Pasiouras (Ed.), Efficiency and Productivity growth: modelling in the financial services industry (pp. 193–213). John Wiley & Sons, Ltd. doi:10.1002/9781118541531.ch9.
21
Fukuyama, H., Weber, W. L., & Xia, Y., (2016). Time substitution and network effects with an application to nanobiotechnology policy for us universiries. Omega, 60, 34-44.
22
Guan, J. C., & Chen, K. H. (2010). Measuring the innovation production process: a cross-region empirical study of China’s high-tech innovations. Technovation, 30(5), 348–358.
23
Guan, J. C., & Chen, K. H. (2012). Modeling the relative efficiency of national innovation systems. Research Policy, 41(1), 102–115.
24
Halkos, G. E., & Tzeremes, N. G. (2013). Modelling the effect of national culture on countries’ innovation performances: A conditional full frontier approach. International Review of Applied Economics, 27(5), 656–678.
25
Hashimoto, A., & Haneda, S. (2008). Measuring the change in R&D efficiency of the Japanese pharmaceutical industry. Research Policy, 37(10), 1829–1836.
26
Hollanders, H., & Celikel-Esser, F. (2007). Measuring innovation efficiency. INNO Metrics 2007 report. European Commission. Brussels: DG Enterprise INNO Metrics 2007 report.
27
Jyoti, Banwet, D. K., & Deshmukh, S. G. (2008). Evaluating performance of national R&D organizations using integrated DEA-AHP technique. International Journal of Productivity and Performance Management, 57(5), 370-388.
28
Kao, C., & Hwang, S. N. (2008). Efficiency decomposition in two-stage data envelopment analysis: an application to non-life insurance companies in Taiwan. European Journal of Operational Research, 185(1), 418–429.
29
Kao, C. (2009). Efficiency decomposition in network data envelopment analysis: a relational model. European Journal of Operational Research, 192(3), 949–962.
30
Kao, C., & Hwang, S. N. (2010). Efficiency measurement for network systems: IT impact on firm performance. Decision Support Systems, 48, 437-446.
31
Kao, C. (2013). Dynamic data envelopment analysis: A relational analysis. European Journal of Operational Research, 227(2), 325–330.
32
Kazemi, M., Faezirad, M. (2018). Efficiency Estimation using Nonlinear Influences of Time Lags in DEA Using Artificial Neural Networks. Industrial Management Journal, 10(1), 17- 34. (in Persian)
33
Khushalani, J., & Ozcan, Y. A. (2017). Are hospitals producing quality care efficiently? An analysis using Dynamic Network Data Envelopment Analysis (DEA). Socio-Economic Planning Sciences, 60, 15–23.
34
Kordrostami, S., & Azmayandeh, O. H. (2013). The dynamic effect in parallel production systems; An illustration with Iranian Banks. International Journal of Industrial Mathematics, 5(2), 175-185.
35
Kou, M., Chen, K., Wang, Sh., & Shao, Y. (2016). Measuring efficiencies of multi-period and multi-division system associated with DEA: An application to OECD countries’ national innovation systems. Expert systems whit applications, 46, 494–510.
36
Lee, H., Park, Y., & Choi, H. (2009). Comparative evaluation of performance of national R&D programs with heterogeneous objectives: A DEA approach. European Journal of Operational Research, 196(3), 847–855.
37
Park, K. S., & Park, K. (2009). Measurement of multiperiod aggregative efficiency. European Journal of Operational Research, 193 (2), 567-580.
38
Roll, Y., Cook, W., & Golany, B. (1991). Controlling Weights in DEA. IIE Trans, 21, 99-109
39
Saati, M. S., & Memariani, A. (2005). Reducing Weight Flexibility in Fuzzy DEA. Applied Mathematics and Computation, 161, 611-622.
40
Sadeghi moghaddam, M. R., Gharib, A. H. (2013). Measuring efficiency with fuzzy DEA using fuzzy constraints to finding a common set of weights. Journal of Industrial Management, 5(2), 71-84. (in Persian)
41
Shahriari, S., Lahiji, S. (2017). Performance Evaluation of the National Innovation Systems by Network Data Envelopment Analysis. Journal of Industrial Management, 9(3), 455-474. (in Persian)
42
Soleymani Damaneh, R. (2019). Evaluation of Continuous Two-stage Structures: A New Multi-objective Network Data Envelopment Analysis (MO-NDEA) Approach. Industrial Management Journal, 11(3), 487-516. (in Persian)
43
Soltanzadeh, E., & Omrani, H. (2018). Dynamic network data envelopment analysis model with fuzzy inputs and outputs: An application for Iranian Airlines. Applied Soft Computing, 63, 268–288.
44
Thompson, R. G., Langemeier, L. N., Lee, C. T., Lee, E., & Thrall, R. M. (1990). The role of multiplier bounds in efficiency analysis with application to Kansas farming. Journal of Econometrics, 46 (1–2), 93–108.
45
Tone, K., & Tsutsui, M. (2010). Dynamic DEA: A slacks-basedmeasure approach. Omega. The International Journal of Management Science, 38(3), 145–156.
46
Tone, K., & Tsutsui, M., (2014). Dynamic DEA with network structure: A slack-based measure approach. Omega. 42, 124–131
47
Tran, C-D. T. T., & Villano, R. A. (2018). Financial efficiency of tertiary education institution: A second-stage dynamic network data envelopment analysis method. The Singapore Economic Review. https://doi.org/10.1142/S0217590818500133
48
Wang, C. H., Gopal, R. D., & Zionts, S. (1997). Use of data envelopment analysis in assessing information technology impact on firm performance. Annals of Operation Research, 73, 191–213.
49
Wang, E. C., & Huang, W. C. (2007). Relative efficiency of R&D activities: A cross-country study accounting for environmental factors in the DEA. approach. Research Policy, 36(2), 260–273.
50
Xiao- Bail & Reeves, G. R, (1997). Theory and Methodology: A Multiple Criteria Approach to Data Envelopment Analysis. European Journal of Operation Research, 507-508.
51
Zhang, T., Chiu, Y-H., Li, Y., & Lin, T-Y. (2018). Air Pollutant and Health-Efficiency Evaluation Based on a Dynamic Network Data Envelopment Analysis. International Journal of Environmental Research and Public Health, 15(9), 2046.
52
Zhang, L. (2019). Dynamic network data envelopment analysis based upon technology changes. INFOR: Information Systems and Operational Research, 57(2), 242–259.
53
ORIGINAL_ARTICLE
فراروشی بر تحقیقات انجام شده پایاننامههای کارشناسی ارشد و دکتری رشته مدیریت صنعتی دانشگاه شیراز
هدف: : به عقیده بسیاری از صاحبنظران، ضعف روششناسی یکی از نقاط ضعف پایاننامههای کارشناسی ارشد و دکتری در کشور میباشد. نوعی از مطالعات جامع که به بررسی و مقایسه ابعاد روششناسی پژوهشهای قبلی میپردازد، مطالعه فراروش میباشد. هدف از این پژوهش شناسایی و ارزیابی وضعیت مولفههای روششناسی پایاننامههای کارشناسی ارشد و دکتری رشته مدیریت صنعتی دانشگاه شیراز طی سالهای 1370 تا 1398 میباشد. روش: این پژوهش از نوع توصیفی و تحلیلی است که با استفاده از فراروش به بررسی پایاننامههای رشته مدیریت صنعتی میپردازد. جهت تحلیل دادهها از نرمافزار اکسل و همرخدادی کلیدواژگان از نرمافزار VOSviewerاستفاده شده است. یافتهها: نتایج تحلیل دادهها نشان میدهد که 89 درصد پایاننامهها از نوع تحقیقات کاربردی و بیشترین ابزار مورد استفاده پژوهشگران، پرسشنامه (31 درصد) بوده است. علاوه بر این نتایج حاکی از غلبه روشهای کمی (79درصد)، پارادایم اثباتی (80درصد) و راهبرد پیمایشی (57درصد)، روشهای آزمون آماری (30درصد) در تجزیهوتحلیل یافتهها در تحقیقات مدیریت صنعتی میباشد. در نهایت با استخراج 713 کلید واژه منحصر به فرد، 56 واژه حداقل 5 بار تکرار شدهاند که شامل تحقیقات کاربردی، توصیفی، کمی، اثباتی، کتابخانهای و میدانی، پیمایشی، اسناد و مدارک و پرسشنامه میباشند. نتیجهگیری: نتایج این پژوهش میتواند به شناخت از وضعیت گذشته منجر شده و با ارائه تصویری از گرایشات در انتخاب روشهای مورد استفاده در پایاننامهها، خلاءهای موجود را شناسایی کرده و برای برنامهریزی آموزشی و پژوهشی آتی مورد استفاده قرار گیرد.
https://imj.ut.ac.ir/article_81623_8edcc9ca0343ae0a43aca0b2cfd2abd9.pdf
2020-10-22
395
418
10.22059/imj.2021.302709.1007737
علمسنجی
روششناسی
فرامطالعه
فراروش
همرخدادی
عباس
عباسی
aabbasi@shirazu.ac.ir
1
دانشیار، گروه مدیریت بازرگانی، دانشکده اقتصاد، مدیریت و علوم اجتماعی، دانشگاه شیراز، شیراز، ایران.
AUTHOR
سحر
شریفیان جزی
s.sharifian@rose.shirazu.ac.ir
2
دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت، اقتصاد و علوم اجتماعی، دانشگاه شیراز، شیراز، ایران.
LEAD_AUTHOR
اسدالهیبنهکاغی، اکرم (1389). بررسی وضعیت روششناسی تحقیق در پایاننامههای دانشجویان علوم ارتباطات، پایاننامه کارشناسی ارشد علوم ارتباطات اجتماعی، دانشگاه علامه طباطبایی، دانشکده علوم اجتماعی، تهران
1
برایرپور، رباب (1389). بررسی تحلیل انتشارات علمی تولید شده در حوزههای کتابسنجی، علم اطلاعسنجی در پایگاه Dialog به منظور یافتن تمایزات و تشابهات بین این سه حوزه و مرزبندی آنها در ارزیابی تولیدات علمی، پایاننامه کارشناسی ارشد کتابداری و اطلاعرسانی، دانشکده علوم تربیتی و روانشناسی دانشگاه شهید چمران اهواز
2
پاپازاده، مریم (1392). تحلیل محتوای پایاننامههای کارشناسی ارشد و دکتری رشته تاریخ و فلسفه تعلیم و تربیت دانشگاه شهید چمران از نظر کاربست مولفههای تفکر انتقادی پیتر فسیونه، دانشگاه شهید چمران اهواز، دانشکده علوم تربیتی و روانشناسی گروه علوم تربیتی
3
خاندیزجی، امیرحسین (1390). موضوعات و روشهای پایاننامههای جامعهشناسی و رابطه آنها: رویکرد انتقادی، پایاننامه کارشناسی ارشد جامعهشناسی، دانشگاه علامه طباطبایی، دانشکده علوم اجتماعی، تهران
4
رضاخانی مقدم، حامد، شجاعی زاده، داوود، نبیاللهی، عبدالاحد و معز، سهیلا (1390). تحلیل محتوای پایاننامههای آموزش بهداشت دانشگاههای علوم پزشکی تهران، تربیت مدرس و علوم پزشکی ایران در سالهای 1349-1389، مجله دانشکده پیراپزشکی دانشگاه علوم پزشکی تهران (پیاورد سلامت)، 5(1)، 80-90.
5
رنجبری صوفیان، وجیهه (1396). تحلیل محتوای موضوعی و روششناختی پایاننامهها و رسالههاس تحصیلات تکمیلی رشته علوم تربیتی دانشگاه تبریز در فاصله سالهای 1376- 1395، پایاننامه کارشناسی ارشد علم اطلاعات و دانششناسی، دانشگاه تبریز، دانشکده علوم تربیتی و روانشناسی
6
سیدین، مهرداد و بابالحوایجی، فهیمه (1388). تحلیل محتوای پایاننامههای کارشناسی ارشد کتابداری و اطلاعرسانی دانشگاه آزاد اسلامی واحدهای تهران شمال، علوم تحقیقات تهران، علوم تحقیقات اهواز و همدان در سالهای 1372- 1386، مجله پیام کتابخانه، 15(1)، 95- 121
7
صفائی، بهزاد (1397). کاوش ادراکی و بهبود فرایند اشاعه فناوری نرم تجاری در صنعت نفت ایران، رساله دکتری مدیریت سیستم، دانشکده اقتصاد، مدیریت و علوم اجتماعی دانشگاه شیراز
8
صیفوری، سهیلا (1392). بررسی پژوهشهای انجام شده در حوزه یادگیری الکترونیکی از منظر موضوعی و روششناسی پژوهش از سال 1380 تاکنون در ایران، پایاننامه کارشناسی ارشد رشته علوم تربیتی گرایش برنامهریزی درسی، دانشگاه بوعلی سینا، دانشکده ادبیات و علوم انسانی، گروه آموزشی علوم تربیتی
9
عزیزی، شهریار و فرهیخته، فاطمه (1392). تحلیل محتوا، تناظر و فرا روش پایاننامههای بازاریابی در دانشگاههای منتخب تهران، مجله مدیریت بازرگانی، 5 (3)، 105-124.
10
علیجانی، رحیم (1395). مطالعه مقایسهای روشهای علمسنجی پژوهشهای داخلی و خارجی و ارایه مدلی برای مطالعات سنجشی، رساله دکتری رشته علم اطلاعات و دانششناسی، دانشکده علوم تربیتی و روانشناس مشهد، دانشگاه پیامنور
11
فردوسی، شهرام، ملایی، فاطمه، حاجیپور، بهمن و بابایی فرجآباد، مهدیه (1398). فراروش پژوهشهای بازاریابی در ایران: بررسی نزدیکبینی در روشها، مجله پژوهشهای مدیریت در ایران، 23 (2)
12
قاسمی، حمید (1392). تحلیل محتوای پایاننامهها و رسالههای رشته تربیت بدنی دانشگاه پیامنور بر اساس روششناسی تحقیق، رویکردهای نوین در مدیریت ورزشی، 1 (3)، 65- 74
13
کشمیری، هادی، پیوستهگر، یعقوب و کریمی، محمدقاسم (1395). ارائه الگوی روش تحقیق ترکیبی در شهرسازی، مطالعات محیطی هفتحصار، 18 (5)، 52-31.
14
کلانتری، رضا، معینی، علی، صفری، حسین و عربسرخی، ابوذر (1399). ارائه چارچوب مفهومی، برای سنجش عملکرد زنجیره تامین خدمات امنیت اطلاعات مبتنی بر رویکرد فراترکیب و روش دلفی فازی، فصلنامه مدیریت صنعتی، 12 (1)، 46-25
15
گلپاش، حلیمه (1394). تحلیل محتوای عنوان و نوع روش پژوهش پایاننامههای تحصیلات تکمیلی علم اطلاعات و دانششناسی دانشگاههای وابسته به وزارت علوم، تحقیقات و فناوری ایران در سالهای 1388-1393، دانشگاه بیرجند، دانشکده علوم تربیتی و روانشناسی
16
محقر، علی، انصاری، منوچهر، صادقیمقدم، محمدرضا و میرکاظمیموعود، محمد (1397). فرا ترکیب روشهای مدلسازی سیستم های پیچیده فنی اجتماعی با رویکرد پارادایم چندگانه- روش شناسی چندگانه، فصلنامه مدیریت صنعتی، 10 (2)، 278-247
17
محمدنژاد شورکایی، مجتبی، جشنی آرانی، مجتبی و یزدانی، حمیدرضا (1390). فراروش تحقیقات انجام شده در زمینه عوامل مؤثر بر رضایت مشتری: تحلیل اسنادی پایاننامههای کارشناسی ارشد و دکتری دانشگاههای دولتی تهران، چشماندازمدیریتبازرگانی، 39 (6)، 141- 164.
18
محمدیفر، جبرئیل ( 1397). تحلیل محتوای موضوعی و روششناسی پایاننامهها و رسالههای تحصیلات تکمیلی رشته مهندسی مکانیک دانشگاه تبریز از ابتدای سال 1390 تا پایان سال 1396، پایاننامه کارشناسی ارشد رشته علم اطلاعات و دانششناسی، دانشگاه تبریز، دانشکده علوم تربیتی و روانشناسی
19
References
20
Alijani, Rahim (2016). Comparative study of scientometric methods of Internal and external research and presenting a model for evaluative studies, PhD thesis in Information Science and Science, Mashhad Faculty of Educational Sciences and Psychology, Payame Noor University. (in Persian)
21
Asadollahi Baneh Kaghi, Akram (2010). A Survey of Research Methodology in Communication Sciences Students' Theses, Master of Social Communication Theses, Allameh Tabatabaei University, Faculty of Social Sciences, Tehran. (in Persian)
22
Azizi, Shahriar and Farhikhteh, Fatemeh (2013). Content analysis, correspondence and meta-method of marketing dissertations in selected universities of Tehran, Journal of Business Management, 5 (3), 105-124. (in Persian)
23
Briarpour, Rabab (2010). Analysis of scientific publications produced in the fields of bibliometrics, information science in the Dialog database in order to find differences and similarities between these three fields and their demarcation in the evaluation of scientific productions, Master Thesis in Library and Information Science Faculty of Educational Sciences and Psychology, Shahid Chamran University of Ahvaz. (in Persian)
24
Demirok, M.S., Baglama, B., & Besgul, M. (2015). A Content Analysis of the Studies in Special Education Area, 7th World Conference on Educational Sciences, (WCES-2015)
25
Edwards, M., Davies, M., & Edwards, A. (2009). What are the external influences on information exchange and shared decision-making in healthcare consultations: a meta-synthesis of the literature. Patient education and counseling, 75(1), 37–52.
26
European Journal of Operational Research, DOI: 10.1016/j.ejor.2015.04.002
27
Ferdowsi, Shahram, Mollai, Fatemeh, Hajipour, Bahman and Babaei Farajabad, Mahdieh (2010). Meta-method of marketing research in Iran: a myopia study of methods, Journal of Management Research in Iran, 23 (2). (in Persian)
28
Ghasemi, Hamid (2013). Content analysis of dissertations and dissertations in the field of physical education of Payame Noor University based on research methodology, new approaches in sports management, 1 (3), 74-65. (in Persian)
29
Golpash, Halimeh (2015). Content analysis of the title and type of research method of postgraduate theses of information science and knowledge of universities affiliated to the Ministry of Science, Research and Technology of Iran in 2014-2015, Birjand University, Faculty of Educational Sciences and Psychology. (in Persian)
30
Gustafson, D & Woodworth, C. (2014). Methodological and ethical issues in research using social media: a metamethod of Human Papillomavirus vaccine studies, Medical Research Methodology, 14 (127)
31
Ingstrup, M. (2015). A meta-method analysis of qualitative research examining positive youth development through sport, Journal of Exercise, Movement, and Sport (JEMS)
32
Kalantari, Reza, Moeini, Ali, Safari, Hussein and Arab Sorkhi, Abuzar (2020). Providing a Conceptual Framework for Measuring the Performance of Information Security Services Supply Chain Based on the Meta Synthesis Approach and Fuzzy Delphi Method, Industrial Management Quarterly, 12 (1), 46-25. (in Persian)
33
Kashmiri, Hadi, Peyvastehgar, Yaqub and Karimi, Mohammad Ghasem (2016). Presenting a model of combined research method in urban planning, Haft Hesar Environmental Studies, 18 (5), 52-31. (in Persian)
34
Kaushik, V., & Walsh, C.A. (2019). Pragmatism as a Research Paradigm and Its Implications for SocialWork Research, Social Sciences, 8(255), 1-17
35
Khan Dizaji, Amir Hussein (2011). Topics and Methods of Sociology Theses and Their Relationship: Critical Approach, Master Thesis in Sociology, Allameh Tabatabaei University, Faculty of Social Sciences, Tehran. (in Persian)
36
Mingers, J., & Leydesdorff, L. (2015). A Review of Theory and Practice in Scientometrics,
37
Mohagher, Ali, Ansari, Manouchehr, Sadeghi Moghadam, Mohammad Reza and Mirkazemi Mood, Mohammad (2018). A Meta Synthesis of the Modeling Methods of Complex Socio-technical Systems with a Multi Paradigm-multi Methodology Approach, Quarterly Journal of Industrial Management, 10 (2), 278-247. (in Persian)
38
Mohammadifar, Jibril (2018). Thematic content analysis and methodology of theses and dissertations of postgraduate studies in Mechanical Engineering, University of Tabriz from the beginning of 2011 to the end of 1396, Master Thesis in Information Science and Science, University of Tabriz, Faculty of Educational Sciences and Psychology. (in Persian)
39
Mohammadnejad Shourkaei, Mojtaba, Jashni Arani, Mojtaba and Yazdani, Hamidreza (2011). Meta-method of Research in the Field of Factors Affecting Customer Satisfaction: Document Analysis of Master's and Doctoral Theses of Tehran State Universities, Business Management Perspective, 39 (6), 141-164. (in Persian)
40
Papazadeh, Maryam (2013). Content analysis of master's and doctoral dissertations in the field of history and philosophy of education of Shahid Chamran University in terms of application of critical thinking components Peter Fasione, Shahid Chamran University of Ahvaz, Faculty of Educational Sciences and Psychology, Department of Educational Sciences. (in Persian)
41
Paterson, B., Thorne, S.E., Canam, C., & Jillings, C. (2001). Meta-study of Qualitative Health Research: A Practical Guide to Meta-analysis and Meta-synthesis, Emerald Group Publishing Limited
42
Pham, L. (2018). A Review of key paradigms: positivism, interpretivism and critical inquiry, School of Education, Med Progrom, DOI: 10.13140/RG.2.2.13995.54569
43
Ranjbari Sufian, Vajihe (2017). Thematic and methodological content analysis of dissertations and dissertations on postgraduate studies in the field of educational sciences, University of Tabriz, 1997-2016, Master Thesis in Information Science and Science, University of Tabriz, Faculty of Educational Sciences and Psychology. (in Persian)
44
Rezakhani Moghadam, Hamed, Shojaeizadeh, Davood, Nabiullah, Abdul Ahad and Moez, Soheila (2011). Content Analysis of Health Education Theses of Tehran University of Medical Sciences, Tarbiat Modares and Iran Medical Sciences in 2010-2011, Journal of Paramedical School of Tehran University of Medical Sciences (Payavard Salamat), 5 (1), 80-90. (in Persian)
45
Safaei, Behzad (2018). Perceptual Exploration and Improvement of Soft Business Technology Dissemination Process in Iranian Oil Industry, PhD Thesis in System Management, Faculty of Economics, Management and Social Sciences, Shiraz University. (in Persian)
46
Seifuri, Soheila (2013). A Study of Research in the Field of E-Learning from a Thematic Perspective and Research Methodology since 2001 in Iran, M.Sc. Thesis in Educational Planning, Bu Ali Sina University, Faculty of Literature and Humanities, Department Educational Sciences. (in Persian)
47
Seyedin, Mehrdad and Babalavaeji, Fahimeh (2009). Content Analysis of Master Thesis in Library and Information Science, Islamic Azad University, North Tehran Branches, Tehran Research Sciences, Ahvaz and Hamedan Research Sciences in 1993-2007, Payam Library Magazine, 15 (1), 121-95. (in Persian)
48
Zhao, S. (1991). Metatheory, Metamethod, Meta-Data-Analysis: What, Why, and How?, Sociological Perspectives, 34(3)
49
Zhong, B., Wua, H., Li, H., Sepasgozar, S., Luo, H., & He, L. (2019). A scientometric analysis and critical review of construction related ontology research, Automation in Construction, 101, 17–31
50
ORIGINAL_ARTICLE
تحلیل پوششی دادههای شبکهای نایقین با ساختار موازی و ورودیها و خروجیهای نادقیق (مطالعه موردی: سازمان تأمین اجتماعی)
هدف: تحلیل پوششی دادهها یک روش مؤثّر برای ارزیابی کارایی نسبی واحدهای تصمیمگیرنده است. روشهای کلاسیک، هر واحد سازمانی را به صورت جعبه سیاه در نظر گرفته و ارزیابی را به ورودیهای اولیه و خروجیهای نهایی، محدود و از فرآیندهای داخلی غفلت میورزد که این مشکل با معرفی و بکارگیری تحلیل پوششی دادهها در ساختارهای شبکهای جهت تحلیل دقیقتر کارایی با درنظر گرفتن فرآیندهای داخلی آن، مرتفع گردیده است. در اکثر مدلهای ارائه شده، ورودیها و خروجیهای واحدهای تصمیمگیری، قطعی میباشند اما در بسیاری از موارد، این دادهها با روشهای دقیق، قابل اندازهگیری نیستند. لذا این مقاله، به دنبال معرفی یک مدل جدید تحلیل پوششی دادههای شبکهای نایقین با ساختار موازی با درنظرگرفتن ورودیها و خروجیها به عنوان متغیرهای نایقین، میباشد. رویکرد مورد استفاده، توسعه مدل ریاضی از بعد نظری، اثبات خواص نظری مدل، اعتبار ریاضی و کاربردی نمودن آن است.
روش: در این مقاله از مفروضات تئوری نایقینی و مدلهای تحلیل پوششی دادههای شبکهای با ساختار موازی برای ارزیابی واحدهای تصمیمگیرنده شبکهای با ساختار موازی و ورودیها و خروجیهای نادقیق، استفاده شده است.
یافتهها: با توجه به نتایج اجرای مدل پیشنهادی در سازمان تامین اجتماعی، کارائی تمامی واحدهای تصمیمگیرنده و بخشهای زیر مجموعه آن، بین صفر و یک ارزیابی گردیده است.
نتیجهگیری: به دلیل کثرت بخشهای زیرمجموعه، هیچ کدام از دوازده اداره کل بیمهای تأمین اجتماعی به عنوان واحدهای تصمیمگیرنده، کارا (نمره کارایی یک) نبوده است امّا در میان 313 شعبه، سه شعبه کارا ارزیابی گردیدند. نتایج نهایی اجرای مدل نایقین، مفروضات مدل قطعی را اثبات نمود.
https://imj.ut.ac.ir/article_81625_38dcd24eab43b71af1867927b8dea347.pdf
2020-10-22
419
439
10.22059/imj.2020.300992.1007733
تحلیل پوششی دادههای شبکههای
تئوری نایقینی
ساختار موازی
منصور
مومنی
mmomeni@ut.ac.ir
1
استاد، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
AUTHOR
سمیه
خدائی
somayeh_khodaei@ut.ac.ir
2
دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
LEAD_AUTHOR
مجتبی
بشیری
mojtaba.bashiri@alumni.ut.ac.ir
3
کارشناس ارشد، گروه مدیریت اجرایی (MBA)، دانشگاه پیام نور، واحد بابل، بابل، ایران.
AUTHOR
ابری، امیرغلام (1393). ارزیابی کارایی شعب سازمان تامین اجتماعی استان اصفهان. فصلنامه علمی - پژوهشی مدلسازی اقتصادی، 8(25)، 99-83.
1
جعفریان مقدم, احمد رضا, قصیری, کیوان. (1389). مدل پویای چند هدفه تحلیل پوششی دادههای فازی. مدیریت صنعتی, 2(1), 19-36.
2
صادقی مقدم, محمدرضا, غریب, علی حسین. (1392). ارزیابی کارایی با استفاده از مدل تحلیل پوششی دادههای فازی و اعمال محدودیت فازی برای کنترل اوزان و یافتن اوزان عمومی. مدیریت صنعتی, 5(2), 71-84.
3
مهربان، ستار؛ راغفر، حسین (1396). ارزیابی کارایی مراکز درمانی سازمان تأمین اجتماعی طی سالهای 1393-1391 با رویکرد تحلیل پوششی دادهها. مجلس و راهبرد، 24(90)، 101-73.
4
مومنی, منصور, رستمی مال خلیفه, محسن, رضوی, سید مصطفی, یاکیده, کیخسرو. (1393). رتبهبندی گروهی واحدهای بانکی با رویکرد تحلیل پوششی دادهها. مدیریت صنعتی, 6(1), 181-196.
5
مؤمنی، منصور؛ خدایی، سمیّه؛ بشیری، مجتبی (1388). ارزیابی عملکرد سازمان تامین اجتماعی با استفاده از مدل ترکیبی BSC و FDEA. مدیریت صنعتی، (3)1، 152-137.
6
References
7
Ahmad Reza, J., Ghoseiri, K. (2010). Fuzzy Dynamic Multi-Objective Data Envelopment Analysis Model (FDM-DEA). Industrial Management Journal, 2(1),19 -36. (in Persian)
8
Ameri, Z., Sana, S. S., & Sheikh, R. (2019). Self-assessment of parallel network systems with intuitionistic fuzzy data: a case study. Soft Computing, 23(23), 12821-12832.
9
Amirteimoori, A., & Kordrostami, S. (2005b). DEA-like models for multi-component performance measurement. Applied Mathematics and Computation, 163, 735–743.
10
Bi, G. B., Ding, J. J., & Luo, Y. (2011). Resource allocation and target setting for parallel production system based on DEA. Applied Mathematical Modelling, 35, 4270–4280.
11
Castelli L, Pesenti R, & Ukovich W (2004) DEA-like models for the efficiency evaluation of hierarchically structured units. European journal of operational research, 154(2):465–476
12
D. Cook, L.M. Seiford (2009). Data envelopment analysis-thirty years on, European journal of operational research. 192, 1–17.
13
Färe, R., Grabowski, R., Grosskopf, S., & Kraft, S. (1997). Efficiency of a fixed but allocable input: A non-parametric approach. Economics Letters, 56, 187–193.
14
Färe, R., Grosskopf, S. (2000). Network DEA. Socio-Economic Planning Sciences, 34, 35–49.
15
Gholamabri, A. (2014). Evaluating the Efficiency of Social Security in Isfahan Province. Economic Modeling, 8(25), 83-99. (in Persian)
16
Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47, 263–292.
17
Kao, C. (2009b). Efficiency measurement for parallel production systems. European journal of operational research, 196, 1107–1112.
18
Kao, C. (2012). Efficiency decomposition for parallel production systems. J Oper Res Soc 63(1):64–71
19
Kao, C., Lin, P. H. (2011). Qualitative factors in data envelopment analysis: A fuzzy number approach. European journal of operational research, 211, 586–593.
20
Lertworasirikul, S., Fang, S. C., Joines, J. A., & Nuttle, H. L.W. (2003b). Fuzzy data envelopment analysis: A credibility approach. In J. L. Verdegay (Ed.), Fuzzy sets-based heuristics for optimization (pp. 141–158). Berlin: Springer.
21
Lertworasirikul, S., Fang, S. C., Joines, J. A., & Nuttle, H. L.W. (2003a). Fuzzy data envelopment analysis(DEA): A possibility approach. Fuzzy Sets and Systems, 139, 379–394.
22
Lio, W., & Liu, B. (2017). Uncertain data envelopment analysis with imprecisely observed inputs and outputs. Fuzzy Optimization and Decision Making, 1-17.
23
Liu, B. (2007). Uncertainty theory (5nd ed.). Berlin: Springer.
24
Liu, B. (2009a). Theory and practice of uncertain programming (2nd ed.). Berlin: Springer.
25
Liu, B. (2009b). Some research problems in uncertain theory. Journal of Uncertain Systems, 3, 3–10.
26
Liu, B. (2010). Uncertainty theory: A branch of mathematics for modeling human uncertainty. Berlin: Springer.
27
Liu, B. (2012). Why is there a need for uncertainty theory? Journal of Uncertain Systems, 6, 3–10.
28
Lozano, S. (2014). Computing fuzzy process efficiency in parallel systems. Fuzzy Optimization and Decision Making, 13(1), 73-89.
29
Mehraban, S., Raghfar, H. (2017). An Appraisal on Efficiency of SSO’s Health Centers During the Years 2012-2014 Based on DEA Approach. Majlis and Rahbord, 24(90), 73-101. (in Persian)
30
Momeni, M., Khodaee, S., Bashiri, M. (2009). Evaluating the Operations of Social Security Organization of the Cities in Tehran Province by Using the Synthetic Model BSC & FDEA. Industrial Management Journal, 1(3),137-152. (in Persian)
31
Momeni, M., Rostamy Malkhalifeh, M., Razavi, S., Yakideh, K. (2014). Group Ranking Of Bank Units According To Data Envelopment Analysis Approach. Industrial Management Journal, 6(1), 181-196. (in Persian)
32
Sadeghi Moghaddam, M., gharib, A. (2013). Measuring Efficiency Using Fuzzy DEA and Fuzzy Constraints to Control Weights and to Find a Common Set of Weights. Industrial Management Journal, 5(2), 71-84. (in Persian)
33
Sengupta, J. K. (1992a). A fuzzy systems approach in data envelopment analysis. Computers and Industrial Engineering, 24, 259–266.
34
Sengupta, J. K. (1992b). Measuring efficiency by a fuzzy statistical approach. Fuzzy Sets and Systems, 46, 73–80.
35
Shi, X., Emrouznejad, A., Jin, M., & Yang, F. (2020). A new parallel fuzzy data envelopment analysis model for parallel systems with two components based on Stackelberg game theory. Fuzzy Optimization and Decision Making, 1-22.
36
Wen, M. L., & Kang, R. (2014). Data envelopment analysis (DEA) with uncertain inputs and outputs. Journal of Applied Mathematics, 2, 1–7.
37
Yang, Y., Ma, B., Koike, M. (2000). Efficiency-measuring DEA model for production system with k independent subsystems. Journal of the Operations Research Society of Japan, 43, 343–354.
38
Zhu, Z., Wang, K., Zhang, B., (2014). Applying a network data envelopment analysis model to quantify the eco-efficiency of products: A case study of pesticides. Journal of Cleaner Production,69,67-73.
39
ORIGINAL_ARTICLE
طراحی یک روش جدید به منظور رتبه بندی واحدهای تصمیمگیرنده کارا در تحلیل پوششی دادهها با استفاده از سیستم استنتاج فازی
هدف: تحلیل پوششی دادهها یک روش شناخته شده مبتنی بر برنامهریزی ریاضی برای اندازهگیری کارایی واحدهای تصمیمگیرنده است. این روش از مجموعه واحدهای تصمیمگیرنده، تعدادی را به عنوان کارا معرفی مینماید و به کمک آنها مرز کارائی را تشکیل میدهد. در این حالت چندین واحد تصمیمگیرنده کارا ارزیابی شده و نمیتوان تمایز مناسبی میان این واحدهای تصمیمگیرنده ایجاد نمود چرا که چندین واحد تصمیمگیرنده نمره کارایی یکسانی برابر یک دارند.
روش: این پژوهش به منظور ارائه یک مدل جدید برای رتبهبندی واحدهای کارا در تحلیل پوششی دادههای فازی ارائه شده است. در این پژوهش استفاده از سیستم استنتاج فازی به منظور رتبهبندی واحدهای کارا به عنوان روشی جدید پیشنهاد شده است. در روش پیشنهادی ابتدا واحدهای کارا و ناکارا با استفاده از تحلیل پوششی دادهها از یکدیگر تمیز داده میشوند. سپس از مفاهیم سیستم استنتاج فازی برای رتبهبندی واحدهای کارا استفاده میشود.
یافتهها: اطلاعات واحدهای ناکارا به گونهای است که سبب شده تحلیل پوششی دادههای فازی نتواند مقدار کارایی برابر یک را به این واحدها تخصیص دهد. با توجه به این مفهوم در روش پیشنهادی هر کدام از این واحدهای ناکارا به صورت یک قاعده در نظر گفته شده و میزانی از این قواعد که توسط واحدهای کارا فعال میشوند به عنوان شاخصی برای رتبهبندی آنها قرار داده میشود.
نتیجهگیری: در انتها یک مثال عددی برای بررسی صحت کارکرد مدل انجام شده است. در این مثال از دادههای موجود در یکی از مقالات پایهای این حوزه استفاده گردید و مشاهده شد نتایج بدست آمده از روش پیشنهادی این پژوهش با نتایج پژوهش مذکور کاملا یکسان میباشد.
https://imj.ut.ac.ir/article_81626_1970b88afa72450d44759d944d24c131.pdf
2020-10-22
440
461
10.22059/imj.2020.298643.1007722
تحلیل پوششی دادههای فازی
سیستم استنتاج فازی
رتبهبندی واحدهای کارا
محمد حسین
کریمی گوارشکی
mh_karimi@aut.ac.ir
1
استادیار، گروه مهندسی صنایع، مجتمع مدیریت و مهندسی صنایع دانشگاه صنعتی مالک اشتر، تهران، ایران.
LEAD_AUTHOR
سعید
روشندل
roshandel.saeed@mut.ac.ir
2
دانشجو دکتری، گروه مهندسی صنایع، مجتمع مدیریت و مهندسی صنایع دانشگاه صنعتی مالک اشتر، تهران، ایران.
AUTHOR
رضایی فهیمه, حسینی راحیل, مزینانی مهدی، 1398، ارایه مدل طبقه بندی بر اساس سیستم استنتاج فازی و الگوریتم ژنتیک جهت تشخیص اختلال خواندن در دانش آموزان مقطع راهنمایی، فناوری آموزش (فناوری و آموزش), دوره 13, شماره 3 ; از صفحه 593 تا صفحه 602.
1
کوپر ویلیام, سیفورد لورنس، تن کورا تحلیل پوششی دادهها، مدل ها و کاربردها. 1392, تهران: دانشگاه صنعتی امیرکبیر.
2
References
3
Aldamak, A., & Zolfaghari, S. (2017). Review of efficiency ranking methods in data envelopment analysis. Measurement, 106, 161-172.
4
An, Q., Meng, F., & Xiong, B. (2018). Interval cross efficiency for fully ranking decision making units using DEA/AHP approach. Annals of Operations Research, 271(2), 297-317.
5
Andersen, P., & Petersen, N. C. (1993). A procedure for ranking efficient units in data envelopment analysis. Management science, 39(10), 1261-1264.
6
Angiz, M. Z., Mustafa, A., & Kamali, M. J. (2013). Cross-ranking of decision making units in data envelopment analysis. Applied Mathematical Modelling, 37(1-2), 398-405.
7
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
Cooper William, Seiford Lawrence, Tone Kaoru, (2013), Data envelopment analysis: a comprehensive text with modes، applications، references and DEA-Solver software.
9
dos Santos Rubem, A.P., J.C.C.S. de Mello, and L.A. Meza, A goal programming approach to solve the multiple criteria DEA model. European Journal of Operational Research, 2017. 260(1): p. 134-139.
10
Dotoli, M., Epicoco, N., Falagario, M., & Sciancalepore, F. (2015). A cross-efficiency fuzzy data envelopment analysis technique for performance evaluation of decision making units under uncertainty. Computers & Industrial Engineering, 79, 103-114.
11
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.
12
Friedman, L., & Sinuany-Stern, Z. (1997). Scaling units via the canonical correlation analysis in the DEA context. European Journal of Operational Research, 100(3), 629-637.
13
Guo, P., & Tanaka, H. (2001). Fuzzy DEA: a perceptual evaluation method. Fuzzy sets and systems, 119(1), 149-160.
14
Hashimoto, A., & Wu, D. A. (2004). A DEA-compromise programming model for comprehensive ranking. Journal of the Operations Research Society of Japan, 47(2), 73-81.
15
Hatami-Marbini, A., Agrell, P. J., Tavana, M., & Khoshnevis, P. (2017). A flexible cross-efficiency fuzzy data envelopment analysis model for sustainable sourcing. Journal of Cleaner Production, 142, 2761-2779.
16
Hatami-Marbini, A., Saati, S., & Tavana, M. (2010). An ideal-seeking fuzzy data envelopment analysis framework. Applied Soft Computing, 10(4), 1062-1070.
17
Hatami-Marbini, A., Tavana, M., Agrell, P. J., Lotfi, F. H., & Beigi, Z. G. (2015). A common-weights DEA model for centralized resource reduction and target setting. Computers & Industrial Engineering, 79, 195-203.
18
Jablonsky, J. (2007). Measuring the efficiency of production units by AHP models. Mathematical and Computer Modelling, 46(7-8), 1091-1098.
19
Jahanshahloo, G. R., Junior, H. V., Lotfi, F. H., & Akbarian, D. (2007). A new DEA ranking system based on changing the reference set. European Journal of Operational Research, 181(1), 331-337.
20
Jahanshahloo, G. R., Khodabakhshi, M., Lotfi, F. H., & Goudarzi, M. M. (2011). A cross-efficiency model based on super-efficiency for ranking units through the TOPSIS approach and its extension to the interval case. Mathematical and Computer Modelling, 53(9-10), 1946-1955.
21
Kao, C., & Hung, H. T. (2005). Data envelopment analysis with common weights: the compromise solution approach. Journal of the Operational Research Society, 56(10), 1196-1203.
22
Kuah, C. T., Wong, K. Y., & Behrouzi, F. (2010, May). A review on data envelopment analysis (DEA). In 2010 Fourth Asia International Conference On Mathematical/Analytical Modelling And Computer Simulation (pp. 168-173). IEEE.
23
Liu, F. H. F., & Peng, H. H. (2008). Ranking of units on the DEA frontier with common weights. Computers & Operations Research, 35(5), 1624-1637.
24
Liu, S. T. (2012, November). Efficiency ranking in fuzzy two-stage DEA: A mathematical programming approach. In The 6th International Conference on Soft Computing and Intelligent Systems, and The 13th International Symposium on Advanced Intelligence Systems (pp. 1740-1745). IEEE.
25
Liu, S. T. (2014). Fuzzy efficiency ranking in fuzzy two-stage data envelopment analysis. Optimization Letters, 8(2), 633-652.
26
Liu, S. T. (2018). A DEA ranking method based on cross-efficiency intervals and signal-to-noise ratio. Annals of Operations Research, 261(1-2), 207-232.
27
Liu, S. T., & Lee, Y. C. (2019). Fuzzy measures for fuzzy cross efficiency in data envelopment analysis. Annals of Operations Research, 1-30.
28
Lovell, C. K., & Rouse, A. P. B. (2003). Equivalent standard DEA models to provide super-efficiency scores. Journal of the Operational Research Society, 54(1), 101-108.
29
Lu, W. M., & Lo, S. F. (2009). An interactive benchmark model ranking performers—application to financial holding companies. Mathematical and Computer Modelling, 49(1-2), 172-179.
30
Mustafa, A., & Emrouznejad, A. (2010). Ranking efficient decision-making units in data envelopment analysis using fuzzy concept. Computers & Industrial Engineering, 59(4), 712-719.
31
Rezaee Fahimeh, Hosseini Rahil, Mazinani Mahdi, (2019), A New Classification Model Fuzzy-Genetic Algorithm for Detection of learning disability of Dyslexia in Secondary School Students, Journals Management Sysytem, Volume 13, Issue 2, Pages 593-602.
32
Saati, S. M., Memariani, A., & Jahanshahloo, G. R. (2002). Efficiency analysis and ranking of DMUs with fuzzy data. Fuzzy Optimization and Decision Making, 1(3), 255-267.
33
Saati, S., Hatami-Marbini, A., Agrell, P. J., & Tavana, M. (2012). A common set of weight approach using an ideal decision making unit in data envelopment analysis. Journal of Industrial and Management Optimization, 8(3), 623-637.
34
Sexton, T. R., Silkman, R. H., & Hogan, A. J. (1986). Data envelopment analysis: Critique and extensions. New Directions for Program Evaluation, 1986(32), 73-105.
35
Si, Q., & Ma, Z. (2019). DEA cross-efficiency ranking method based on grey correlation degree and relative entropy. Entropy, 21(10), 966.
36
Si, Q., & Ma, Z. (2019). DEA cross-efficiency ranking method based on grey correlation degree and relative entropy. Entropy, 21(10), 966.
37
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.
38
Torgersen, A. M., Førsund, F. R., & Kittelsen, S. A. (1996). Slack-adjusted efficiency measures and ranking of efficient units. Journal of Productivity Analysis, 7(4), 379-398.
39
Wen, M., & Li, H. (2009). Fuzzy data envelopment analysis (DEA): Model and ranking method. Journal of Computational and Applied Mathematics, 223(2), 872-878.
40
Wen, M., You, C., & Kang, R. (2010). A new ranking method to fuzzy data envelopment analysis. Computers & Mathematics with Applications, 59(11), 3398-3404.
41
Wen, M., Zhang, Q., Kang, R., & Yang, Y. (2017). Some new ranking criteria in data envelopment analysis under uncertain environment. Computers & Industrial Engineering, 110, 498-504.
42
Wu, D. D. (2009). Performance evaluation: an integrated method using data envelopment analysis and fuzzy preference relations. European Journal of Operational Research, 194(1), 227-235.
43
Zhu, J. (1996). Robustness of the efficient DMUs in data envelopment analysis. European Journal of operational research, 90(3), 451-460.
44
Zimmermann, H. J. (2011). Fuzzy set theory—and its applications. Springer Science & Business Media.
45
ORIGINAL_ARTICLE
ارائه مدل چندهدفه بر مبنای خانه گسترش کیفیت جهت انتخاب استراتژیهای اثربخش در زنجیره تأمین بشردوستانه
هدف: عملیات بشردوستانه با وقوع فجایع به منظور حفظ زندگی مردم، کاهش آلام آسیبدیدگان و رفع نیازهای آنان به سرعت شروع میشود. جهت امدادرسانی و کمک به آسیبدیدگان میبایست استراتژی و راهکارهای مناسبی بکار گرفته شود. در همین راستا، این مقاله با هدف ارائه رویکردی ترکیبی جهت انتخاب استراتژیهای اثربخش در زنجیره تأمین بشردوستانه صورت گرفته است.
روش: در این تحقیق در ابتدا نیازهای آسیبدیدگان شناسایی و دستهبندی گردید و وزن هر کدام از آنها با استفاده از تکنیک سوارای فازی بدست آمد. سپس جهت انتخاب استراتژی به منظور رفع نیازهای آسیبدیدگان از رویکرد ترکیبی QFD و مدلسازی چندهدفه استفاده گردید. جهت حل مدل چندهدفه از روشهای محدودیت اپسیلون و محدودیت اپسیلون تقویتشده و نرمافزار گمز استفاده شد.
یافتهها: : نیازهای آسیبدیدگان زلزله در کشور شناسایی و در پنج دسته نیازهای مواد غذایی، بهداشتی، روحی و روانی، اسکان و تسهیلات زندگی دستهبندی شدند. نتایج نشان داد که نیاز به تغذیه و مواد غذایی، تخلیه و خروج گروههای آسیبدیده از محل حادثه و دسترسی به آب آشامیدنی مهمترین احتیاجات آسیبدیدگان به هنگام وقوع زلزله میباشند. جهت کمک به آسیبدیدگان زلزله، تعداد 14 استراتژی در سه دسته استراتژیهای مربوط به ساختوساز، بهبود زیرساخت و تقویت فرآیندهای امدادرسانی تقسیم شدند.
نتیجهگیری: جهت کاهش آسیبها به هنگام وقوع زلزله میبایست از مصالح سبک در ساختوساز استفاده شود، فرهنگ سبکسازی تقویت گردد و در عین حال آگاهی ساکنین در بکارگیری مصالح بادوام ارتقاء یابد. همچنین سیستمهای فرسوده آب، برق و گاز شهری توسعه یافته و بین آنها یکپارچگی وجود داشته باشد. بعلاوه میبایست در حین امدادرسانی، نظام ارتباطات اصلاح شده، و مدیریت موجودی و مکانیابی تخلیه، تقویت شود.
https://imj.ut.ac.ir/article_81685_764a5298f566654146d45e899c4dbeb2.pdf
2020-10-22
462
484
10.22059/imj.2020.296705.1007712
زنجیره تأمین بشردوستانه
استراتژی
خانه گسترش کیفیت
حسین
صفری
hsafari@ut.ac.ir
1
استاد، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
AUTHOR
رضا
جلالی
jalali.reza@pgu.ac.ir
2
استادیار، گروه مدیریت صنعتی، دانشکده ادبیات و علوم انسانی، دانشگاه خلیجفارس، بوشهر، ایران
LEAD_AUTHOR
بیگی، سکینه؛ یعقوبی، حسن؛ کریمی، حسین (1399). تخصیص بهینه نقاط اسکان اضطراری، بیمارستانها و درمانگاهها به ناحیههای شهری پس از وقوع زلزله (مطالعه موردی: شهر بجنورد). مدیریت صنعتی؛ 12(1)؛ 82-110.
1
فرجی، امین؛ قرخلو، مهدی (1389)؛ زلزله و مدیریت بحران شهری (مطالعه موردی: شهر بابل)؛ جغرافیا؛ 8(25)؛ 143- 164.
2
قاسمی، روح اله؛ علی دوستی، علی,؛ حسنوی، رضا؛ نوروزیان ریکنده، جابر (1397)؛ شناسایی و اولویتبندی اقدامات زنجیره تأمین بشردوستانه برای تأمین مواد غذایی ضروری قبل از زمین لرزه؛ مدیریت صنعتی؛ 10(1)؛ 1-16.
3
جعفرنژاد، احمد؛ هاشمی پطرودی، سید حمید؛ طلایی، حمیدرضا (1393)؛ رویکردهای نوین در مدیریت زنجیره تأمین؛ انتشارات نگاه دانش؛ چاپ اول؛ تهران.
4
نهفتی کهنه، جمال؛ تیموری، ابراهیم. (1395). ارائۀ مدلی برای طراحی زنجیرۀ تأمین فراوردههای خونی در زمان وقوع بحران زلزله با در نظر گرفتن انتقال از سایر استانها (مطالعۀ موردی: شبکۀ انتقال خون تهران)؛ مدیریت صنعتی؛ 8(3)؛ 487- 513.
5
صادقی مقدم، محمدرضا؛ قاسمیان صاحبی، ایمن؛ حیدری دهویی، جلیل (1396)؛ ارزیابی نیازهای آسیب دیدگان در چرخه ی عمر چهار روزهی حادثه در زنجیر ه ی تأمین بشر دوستانه؛ علمی پژوهشی مدیریت بحران؛ 6(2)؛ 45-56.
6
سیدی، سیدحسین؛ خاتمی فیروز آبادی، سید محمدعلی؛ امیری، مقصود؛ تقویفرد، سیدمحمدتقی. (1398). مکانیابی و تخصیص بهینه نقاط انتقال، بیمارستان و مراکز امدادی برای تشکیل زنجیره امدادرسانی در بحران، با فرض غربالگری مجروحان. مدیریت صنعتی؛ 11(1)؛ 1-20.
7
تقوایی، مسعود؛ علیزاده، جابر. (1391). استراتژی های مدیریت بحران کاربری های مسکونی در روستا-شهرها (نمونه: روستا-شهر اصلاندوز, استان اردبیل). مسکن و محیط روستا؛ 31(138)؛ 85-104.
8
References
9
Agarwal, S., Kant, R., & Shankar, R. (2020). Evaluating Solutions to Overcome Humanitarian Supply Chain Management Barriers: A Hybrid Fuzzy SWARA – Fuzzy WASPAS Approach. International Journal of Disaster Risk Reduction, 101838. doi:10.1016/j.ijdrr. 2020.101838
10
Altay, N., & Green, W. G. (2006). OR/MS research in disaster operations management. European Journal of Operational Research, 175 (1), 475–493.
11
Beigi, S., Yaghoubi, H., & Karimi, H. (2020). Optimal Allocation of City Districts to Emergency Resettlement Sites, Hospitals, and Clinics after the Earthquake (Case Study: Bojnord City). Industrial Management Journal, 12 (1), 82- 110. (in Persian)
12
Bottani, E., and. Rizzi,A. (2006). Strategic management of logistics service: A fuzzy QFD approach. International Journal of Production Economics, 103 (2): 585-599.
13
Carnevalli, J. A., and. Miguel, P.C.(2008). Review, analysis and classification of the literature on QFD -Types of research, difficulties and benefits. International Journal of Production Economics, 114 (2): 737-754
14
Center, A. D. P. (2016). The International Federation of Red Cross and Red Crescent Societies Disaster Management Center.
15
Chan, L.K., and Wu, M.L. (2002). Quality function deployment: A literature review. European Journal of Operational Research, 143 (3): 463-497.
16
Chang, W., Ellinger, A. and Blackhurst, J. (2015). A contextual approach to supply chain risk mitigation. International Journal of Logistics Management, Vol. 26 No. 3, pp. 642-656.
17
Costa, S. R. A., Campos, V. B. G., & Bandeira, R. A. D. M. (2012). Supply Chains in Humanitarian Operations: Cases and Analysis. Procedia - Social and Behavioral Sciences, 54, 598–607.
18
Crowe, T. J., and Cheng, C.-C. (1996). Using quality function deployment in manufacturing strategic planning. International Journal of Operations & Production Management 16 (4): 35-48.
19
Delice, E. K., and Günger, Z. (2011). A mixed integer goal programming model for discrete values of design requirements in QFD. International journal of production research, 49(10): 2941-2957.
20
De Moura, E., Rocha, T., Chiroli, D. (2020). A framework proposal to integrate humanitarian logistics practices, disaster management and disaster mutual assistance: A Brazilian case; Safety Science., Volume 132., December 2020, 104965
21
Ertem, M.A., Buyurgan, N. and Rosetti, M.D. (2010), Multiple-buyer procurement auctions framework for humanitarian supply chain management., International Journal of Physical Distribution and Logistics Management., Vol. 40 No. 3, pp. 202-227.
22
Faraji, A., Gharakhlou, M. (2010). Earthquake and Urban Crisis Management (Case Study: Babol City); Geography. Vol 8; 143-164; (in Persian).
23
Fathalikhani, S., Hafezalkotob, A. & Soltani, R. (2020). Government intervention on cooperation, competition, and coopetition of humanitarian supply chains., Socio-Economic Planning Sciences, Volume 69., 100715
24
Ghasemi, R., Alidoosti, A., Hosnavi, R., & Norouzian Reikandeh, J. (2018). Identifying and Prioritizing Humanitarian Supply Chain Practices to Supply Food before an Earthquake. Industrial Management Journal, 10(1), 1-16. (in Persian)
25
Ghasemian Sahebi, I., Arab, A., and Sadeghi Moghadam, M.R. (2017). Analyzing the barriers to humanitarian supply chain management: A case study of the Tehran Red Crescent., Societies; International Journal of Disaster Risk Reduction., http://dx.doi.org/10.1016/j.ijdrr.2017.05.017
26
Han, S. B., Chen, S. K., Ebrahimpour, M., Sodhi, M. S. (2001). A conceptual QFD planning model. The International Journal of Quality & Reliability Management, 18 (8): 796 - 812.
27
Hashemi Petrudi, H., Tavana, M., Abdi, M. (2020). A comprehensive framework for analyzing challenges in humanitarian supply chain management: A case study of the Iranian Red Crescent Society., International Journal of Disaster Risk Reduction., Volume 42., January 2020, 101340
28
Heaslip, G., Sharif, A.M. and Althonyan, A. (2012). Employing a systems-based perspective to the identification of inter-relationships within humanitarian logistics., International Journal of Production Economics., Vol. 139., pp. 377-392.
29
Hong, J-D., Jeong, K-Y., Feng, J.K. (2015). Emergency relief supply chain design and trade-off analysis., Journal of Humanitarian Logistics and Supply Chain Management., Vol. 5, No. 2, pp. 162-187.
30
Jafarnejad, A, Hashemi Petroodi, H., Talaee, H. R. (2014). New Approaches to Supply Chain Management: Resilience, Humanitarian, Services, Sustainability., Negah Danesh Publications; First Edition., (in Persian).
31
Jahre, M. (2017). Humanitarian supply chain strategies – a review of how actors mitigate supply chain risks. Journal of Humanitarian Logistics and Supply Chain Management., 7 (2), 82–101. doi:10.1108/jhlscm-12-2016-0043
32
Kabra,G., Ramesh, A. (2015). Analyzing drivers and barriers of coordination in humanitarian supply chain management under fuzzy environment., Benchmarking Int. J., 22 (4) (2015), pp. 559-587, 10.1108/BIJ-05-2014-0041
33
Karsak, E. E., Özogul., C.O. (2009). An integrated decision making approach for ERP system selection., Expert Systems with Applications, 36 (1): 660-667
34
Lillibridge, S. R., Noji, E. K., & Burkle, F. M. (1993). Disaster assessment: the emergency health evaluation of a population affected by a disaster., Annals of Emergency Medicine., 22 (11); 1715–1720.
35
Listou, T. (2008). Postponement and speculation in noncommercial supply chains. Supply Chain Forum., An International Journal., Vol. 9., No. 2., pp. 56-64.
36
Liu, K. (2020). Post-earthquake medical evacuation system design based on hierarchical multi-objective optimization model., An earthquake case study., International Journal of Disaster Risk Reduction, Volume 51., 101-785.
37
Mavi, R. K., Goh, M., & Zarbakhshnia, N. (2017). Sustainable Third Party Reverse Logistic Provider Selection with Fuzzy SWARA and fuzzy MOORA in Plastic Industry. The International Journal of Advanced Manufacturing Technology, 91 (5 &8), 1-18
38
Mavrotas, G, Florios, K. (2013). An improved version of the augmented -constraint method (AUGMECON2) for finding the exact pareto set in multi-objective integer programming problems. Applied Mathematics and Computation, 219 (18), pp. 9652-9669
39
Nagurney, A., Daniele, P., Alvarez Flores, E., Caruso, A. (2018). A variational equilibrium framework for humanitarian organizations in disaster relief: effective product delivery under competition for financial funds., Dynamics of disasters: Algorithmic approaches and applications, Springer International Publishers, Switzerland (2018), pp. 109-133
40
Nahofti Kohneh, J., Teimoury, E. (2016). A model for the design of blood products supply chain at the time of the earthquake disaster considering the transfer from the other provinces (Case Study: Tehran blood transfusion network). Industrial Management Journal, 8 (3), 487-513. (in Persian).
41
Natarajarathinam, M., Capar, I., & Narayanan, A. (2009). Managing supply chains in times of crisis: a review of literature and insights. International Journal of Physical Distribution & Logistics Management, 39 (7), 535–573.
42
Pujawan, I.N., Geraldin, L. H. (2009). House of risk: a model for proactive supply chain risk management. Business Process Management Journal, 15 (6): 953 – 967
43
Project, T.S. (2004). Humanitarian charter and minimum standards in disaster response; Geneva, Switzerland. Oxfam Publishing, 274 Banbury Road, Oxford OX2 7DZ, UK
44
Simangunsong, E., Hendry, L.C. and Stevenson, M. (2012). Supply chain uncertainty: a review and theoretical foundation for future research., International Journal of Production Research., Vol. 50 No. 16, pp. 4493-4523.
45
Sadeghi Moghadam, M., Ghasemian Sahebi, I., Heydari Dohoee, J. (2018). Assessment of affected people’s needs in the four-day disaster’s life cycle in the humanitarian supply chain. Journal of Emergency Management, 6 (2), 45-56; (in Persian).
46
Schiffling, S; Hannibal, C; Tickle, M; Fan, Y. (2020). The implications of complexity for humanitarian logistics: a complex adaptive systems perspective; Ann Oper Res (2020). https://doi.org/10.1007/s10479-020-03658
47
Seyyedi, S.H., Khatami FirouzAbadi, S.M.A., Amiri, M., Taghavi Fard, S.M.T. (2019). Positioning and Optimized Allocation of Transfer Points, Hospitals and Emergency Services Centers to Organize a Crisis Relief Chain, Assuming Screening of Injuries. Industrial Management Journal, 11 (1), 1-20. (in Persian)
48
Stauffer, J.M., Pedraza-Martinez, A.J. and Van Wassenhove, L.N. (2015). Temporary hubs for the global vehicle supply chain in humanitarian operations. Production and Operations Management. Vol. 23 No. 2, pp. 192-209.
49
Stratton, B. (1989). The refined focus of automotive quality. Quality Progress 22 (10): 4750.
50
Taghvaie, M., Alizadeh, J. (2012). Crisis management Strategies of the Residential Area In Rural-Urban(Case Study: Rural Urban of Aslanduz in Ardabil Province). Housing and Rural Environment, Vol 31, 85-104; (in Persian).
51
Tang, C.S. (2006b). Perspectives in supply chain risk management. International Journal of Production Economics. Vol. 103, pp. 451-488.
52
Vugrin, E. D., Warren, D. E., Ehlen, M. A. (2011). A resilience assessment framework for infrastructure and economic systems: Quantitative and qualitative resilience analysis of petrochemical supply chains to a hurricane. Process Safety Progress 30 (3): 280-290.
53
Widera, A., Dietrich, H. A., Hellingrath, B., & Becker, J. (2013). Understanding humanitarian supply Chains-Developing an integrated process analysis toolkit. In ISCRAM.
54
Zabell, S. L. (1992). Predicting the unpredictable. Synthese journal., 90 (2), 205–232.
55
ORIGINAL_ARTICLE
ارائه مدلی مناسب جهت بهبود طبقه بندی چندمعیاره اقلام موجودی با استفاده از مدل SBM (مطالعه موردی: شرکت صنعتی پارس خزر)
هدف: در محیط های کاری، سازمانها نیازمند ایجاد تعادل بین موجودی انبار و هزینه های نگهداری می باشند.از این رو کنترل موجودی یکی از دغدغه های اصلی سازمان هاست.در بسیاری از سازمان ها از روش طبقه بندی ABC جهت کنترل حجم زیاد موجودی ها استفاده می کنند. در طبقه بندی ABC سنتی ،اقلام تنها براساس یک معیار واحد دسته بندی می شوند اما توجه به معیارهای دیگر نیز ضروری است که در اینگونه موارد از طبقه بندی چندمعیاره اقلام موجودی استفاده می شود.هدف این پژوهش ارائه مدل جدید در طبقه بندی چندمعیاره اقلام موجودی است. روش: در این پژوهش از روش تحلیل پوششی داده ها جهت ارائه مدلی مناسب برای طبقه بندی اقلام موجودی استفاده شده است. در ادبیات پژوهش از مدل های شعاعی و غیر شعاعی تحلیل پوششی داده ها برای طبقه بندی اقلام موجودی استفاده شده است که از مقایسه نتایج مدل ها نتیجه می شود مدل های غیرشعاعی طبقه بندی منطقی تری را ارائه می دهند. به همین دلیل در این مقاله انواع دیگر مدل های غیرشعاعی جهت بهبود طبقه بندی اقلام موجودی پیشنهاد شده است. یافتهها: روش پیشنهاد شده ضعف مدل های شعاعی را ندارد و در راستای مدل های غیرشعاعی باعث بهبود طبقه بندی چندمعیاره اقلام موجودی شده است. نتیجهگیری: جهت اجرای مدل های جدید و مقایسه آن ها با مدل های موجود از47 قلم از اقلام موجودی مربوط به یک مثال عددی مشترک موجود در ادبیات پژوهش و همچنین 80 قلم از اقلام موجودی شرکت صنعتی پارس خزر استفاده شده است.نتایج مقایسه مدل پیشنهاد شده با مدل های موجود در ادبیات پژوهش، نشان دهنده برتری مدل پیشنهاد شده است.
https://imj.ut.ac.ir/article_81688_d72b65925d8a7c0bc0894f3829882229.pdf
2020-10-22
485
501
10.22059/imj.2021.288943.1007652
مدل آر
مدل RAM
مدل SBM بدون ورودی
تحلیل پوششی داده ها
طبقه بندی چند معیاره اقلام موجودی
محمدرحیم
رمضانیان
ramazanian@guilan.ac.ir
1
دانشیار، گروه مدیریت، دانشکده ادبیات و علوم انسانی، دانشگاه گیلان، رشت، ایران.
LEAD_AUTHOR
کیخسرو
یاکیده
yakideh@guilan.ac.ir
2
استادیار،گروه مدیریت، دانشکده ادبیات و علوم انسانی، دانشگاه گیلان، رشت، ایران.
AUTHOR
نرجس
محمدی بازقلعه
www.narjesss1991.manager@gmail.com
3
کارشناسی ارشد،گروه مدیریت صنعتی، دانشکده ادبیات و علوم انسانی، دانشگاه گیلان، رشت، ایران.
AUTHOR
اسماعیلزاده، منصور، (1394)، «طبقهبندی ABC چند معیاره موجودیها با استفاده از منطق فازی»، کنفرانس بینالمللی مدیریت در قرن 21.
1
رمضانیان، محمدرحیم، یاکیده، کیخسرو، علیدوست، عاطفه، (1397)، «ارائه مدلی جدید در راستای بهبود مدل های مبتنی بر DEA در طبقهبندی چندمعیاره اقلام موجودی (مطالعه موردی: شرکت پارس خزر)»، فصلنامه مدیریت صنعتی،10(3)، 353-366.
2
شریفی، فاطمه (1395)؛ «تجزیهوتحلیل طبقهبندی ABC چندمعیاره در سیستم کنترل موجودی دارو (موردمطالعه: بیمارستان سلمان فارسی شهر بوشهر)»، پایاننامه کارشناسی ارشد، دانشگاه خلیجفارس بوشهر.
3
صفائی قادیکلائی، عبدالحمید، مدهوشی، مهرداد، اسماعیلزاده، منصور، (1386)، «تلفیق دو مدل طبقهبندی ABC چندمعیاره موجودی»، فصلنامه مطالعات مدیریت، شماره 57، صفحات 133-146.
4
مهرگان، محمدرضا (1392)؛ تحلیل پوششی دادهها، مدلهای کمی در ارزیابی عملکرد سازمانها، تهران: نشر کتاب دانشگاهی، چاپ دوم.
5
متقی، هایده (1391)؛ مدیریت تولید و عملیات، تهران: انتشارات آوای شروین، چاپ سیزدهم.
6
نیکو، حسین، سلامت، مجید، رسولیان، علی، (1393)، «بهکارگیری روش تاپسیس در آنالیز ABC چند معیاره موردمطالعه: واحد تولیدی محصولات صنایع غذایی دلپسند»، کنفرانس بینالمللی اقتصاد، حسابداری، مدیریت و علوم اجتماعی، کشور لهستان.
7
References
8
Chen, J. X. (2011). Peer-estimation for multiple criteria ABC inventory classification. Computers & Operations Research, 38, 1784–1791.
9
Cooper, W.W. Park, K.S. Pastor, J.T, (1999). RAM: A range adjusted measure of inefficiency for use with additive models, and relations to other models and measures in DEA. Journal of Productivity Analysis, 11(1), 5-42.
10
Esmailzadeh, Mansour. (2015). Multi-Criteria inventory ABC Classification Using Fuzzy Logic. 7th international Conference on Management.
11
Flores, B.E. and Whybark, D.C. (1986), Multiple criteria ABC analysis”, International Journal of Operations & Production Management, Vol. 6 No. 3, pp. 38-46.
12
Gelders, L.F. and Van Looy, P.M. (1978), An Inventory policy for slow and fast movers in a petrochemical plant: a case study, The Journal of the Operational Research Society, Vol. 29 No. 9, pp. 867-874.
13
Guvenir, H. A. & Erel, E. (1998). Multi criteria inventory classification using a genetic algorithm. European Journal of Operational Research, 105, 29–37.
14
Hadi-Vencheh, A. (2010). An improvement to multiple criteria ABC inventory classification. European Journal of Operational Research, 201, 962–965.
15
Ishizaka, F. Lolli, E. Balugani, R. Cavallieri and R. Gamberini. (2018) DEASort: Assigning items with data envelopment analysis in ABC classes، International Journal of Production Economics.
16
M. Tavassoli،Gh. R. Faramarzi and R. Farzipoor Saen. (2014), Multi-criteria ABC inventory classification using DEA-discriminant analysis to predict group membership of new items، Int. J. Applied Management Science, Vol. 6, No. 2.
17
Mottaghi, Hydeh (2012).Production & Operations Management. Tehran: Avaye Sherwin Press. (in Persian)
18
Mehregan, Mohammad (2012). Data Envelopment Analysis (Quantitative Models for Organizational Performance Evaluation). Tehran: University Book Press. (in Persian)
19
Ng, W.L. (2007), A simple classifier for multiple criteria ABC analysis, European Journal of Operational Research, Vol. 177 No. 1, pp. 344-353.
20
Niko, Hossein, Salamat, Majid, Rasulian, Ali. (2014).Applying the TOPSIS method in Multi- criteria ABC Analysis (Case Study: Delpasand Food Production Unit).International Conference on Economics, Accounting, Management and Social Sciences, Poland. (in Persian)
21
Park, Jaehun, Hyerim Bae, and Joonsoo Bae. (2014), Cross-evaluation-based weighted linear optimization for multi-criteria ABC inventory classification. Computers & Industrial Engineering/ 76: 40-48.
22
Puente, D. de la Fuente, P. Priore, R. Pino. (2002), ABC Classification with uncertain data: a fuzzy model vs. a probabilistic model. Applied Artificial Intelligence; 16(6) 443–456.
23
Ramanathan, R. (2006), ABC inventory classification with multiple criteria using weighted linear optimization, Computers & Operations Research. 33, 695–700.
24
Ramzanian, Mohamadrahim, Yakideh, Keikhosro, Alidost, Atefeh. (2019). providing a New Model to Improving DEA-based Models in Multi-criteria Inventory Classification (case study: Pars Khazar). Journal of Industrial Management, Volume 10, Issue 3, Spring 353-366.
25
Sarmah S. P. Moharana, U. C. (2015), Multi-criteria classification of spare parts inventories – a web based approach, Journal of Quality in Maintenance Engineering, Vol. 21 ISS4 pp. 456 – 477.
26
Sharifi, Fatemeh, (2016).Multi-criteria ABC Classification analysis in Drug inventory Control System (Case Study: Slman Farsi Hospital of Busher).Master thesis, Persian Gulf university of Busher. (in Persian)
27
Torabi, S. A., Hatefi, S. M., & Saleck Pay, B. S. (2012). ABC inventory classification in the presence of both quantitative and qualitative criteria. Computers & Industrial Engineering, 63(2), 530-537.
28
Wong, W.P. (2010), Decision support model for inventory management using AHP approach: a case study on a Malaysian semiconductor firm, California Journal of Operations Management, Vol. 8 No. 2, pp. 55-71.
29
Zheng, S., Fu, Y., Lai, K. K., & Liang, L. (2017). An improvement to multiple criteria ABC inventory classification using Shannon entropy. Journal of Systems Science and Complexity, 30(4), 857-865.
30
Zhou, P. and Fan, L. (2007), A note on multi-criteria ABC inventory classification using weighted linear optimization, European Journal of Operational Research, Vol. 182 No. 3, pp. 1488-1491.
31
ORIGINAL_ARTICLE
یک مدل بهینهسازی ریاضی برای تخصیص هفتههای ترم تحصیلی به دانشجویان رستههای مختلف در شرایط کرونا زیستی
هدف: بسیاری از دانشگاههای برتر جهان، تصمیم گرفتهاند که آموزش مجازی را در نیمسال آینده برگزار کنند. در کشور ایران هم، پیشبینیها وضعیت قرمزی را برای برخی مناطق از لحاظ شیوع کرونا نشان میدهند. همچنین، تعدادی از دانشجویان دانشگاهها در این مناطق سکونت دارند. بنابراین، در برنامهریزی نیمسال آینده باید تمرکز بیشتری روی آموزش مجازی صورت پذیرد. طبق دستورالعملهای وزارت علوم، تحقیقات و فناوری در ایران، آموزش دانشجویان باید به گونه دو بخشی شامل آموزش مجازی و آموزش حضوری به اجرا در آید. در آموزش حضوری با نیازمندیهای فضای آموزشی، دانشجویان به رستههایی تقسیم میشوند به شکلی که اجرای پروتکلهای بهداشتی در دانشگاه و فضای آموزشی شدنی باشد. به این منظور در این پژوهش یک مدل بهینهسازی ریاضی برای تخصیص هفتههای ترم تحصیلی به دانشجویان رستههای مختلف در شرایط کرونا زیستی ارائه شده است.
روش: در این مقاله، برای تعیین هفتههای خاص به دانشجویان رستههای مختلف در طول ترم تحصیلی در آموزش حضوری، یک مدل بهینهسازی ریاضی به صورت برنامهریزی غیر خطی با متغیرهای صحیح پیشنهاد میشود. در تابع هدف مدل، توزیع دانشجویان در فضای آموزشی طی هفتههای متوالی در طول ترم تحصیلی به گونهای انجام میشود که بیشینه پراکندگی ممکن را، به دلیل جلوگیری از شیوع بیماری کرونا داشته باشد.
یافتهها: این مدل برای تخصیص هفتههای خاص به دانشجویان رستههای مختلف در دانشگاه (به صورت عمومی)، پیادهسازی شده و به کارگیری آن نتایج مثبتی را برای تصمیم گیرندگان، به صورت خاص در دانشگاه علامه طباطبایی، به همراه داشته است.
نتیجهگیری: نتایج به دست آمده از پیادهسازی و اجرای مدل، چشمانداز روشن و مثبتی را برای تصمیم گیرندگان در دانشگاه به همراه خواهد داشت. برای ادامه این پژوهش، باید مدل بهینهسازی دیگری برای هر دانشکده با در نظر گرفتن محدودیتهای هر گروه آموزشی طراحی و اجرا گردد.
https://imj.ut.ac.ir/article_82187_76bad45b1fa126faf390c15704b8ad76.pdf
2020-10-22
502
520
10.22059/imj.2021.314977.1007804
آموزش حضوری
بهینهسازی
زمانبندی هفتگی
شیوع کرونا
مدلسازی
حسن
رشیدی
hrashi@atu.ac.ir
1
استاد، گروه رایانه، دانشکده آمار، ریاضی و رایانه، دانشگاه علامه طباطبایی، تهران، ایران.
AUTHOR
زینب
رشیدی
z_rashidi@atu.ac.ir
2
دانشجوی دکتری، گروه تکنولوژی آموزشی، دانشکده روانشناسی و علوم تربیتی، دانشگاه علامه طباطبایی، تهران، ایران
LEAD_AUTHOR
اسماعیلیان، مجید؛ عبداللهی، سیدهمریم (1396). ارائه یک مدل برنامهریزی خطی عدد صحیح دو مرحلهای برای مسئله زمانبندی دروس دانشگاهی. مدیریت صنعتی، 9 (1)، 19-42.
1
سلیمیفرد، خداکرم؛ جمالی، غلامرضا؛ باباییزاده، سلمان (1392). زمانبندی درسهای دانشگاه با به کارگیری هیوریستیک فرادست بر مبنای گراف. مدیریت صنعتی، 5 (2)، 49-70.
2
سلیمیفرد، خداکرم؛ نخعی، میثم؛ زارع، زهرا؛ مغدانی، رضا (1397). روش آمیخته ابتکاری برای انتخاب مدل کاری و زمانبندی کارکنان شرکتهای پتروشیمی. مدیریت صنعتی، 10 (4)، 551-574.
3
سیدی، سیدحسین؛ خاتمیفیروزآبادی، سیدمحمدعلی؛ امیری، مقصود؛ تقویفرد، سیدمحمدتقی (1398). مکانیابی و تخصیص بهینه نقاط انتقال، بیمارستان و مراکز امدادی برای تشکیل زنجیره امدادرسانی در بحران، با فرض غربالگری مجروحان. مدیریت صنعتی، 11 (1)، 1-20.
4
References
5
Ashokka, B., Ong, S. Y., Tay, K. H., Loh, N. H. W., Gee, C. F., & Samarasekera, D. D. (2020). Coordinated responses of academic medical centres to pandemics: Sustaining medical education during COVID-19. Medical Teacher, 42(7), 762-771.
6
Babaei, H., Karimpour, J., & Hadidi, A. (2015). A survey of approaches for university course timetabling problem. Computers & Industrial Engineering, 86, 43-59.
7
Bellio, R., Ceschia, S., Di Gaspero, L., Schaerf, A., & Urli, T. (2016). Feature-based tuning of simulated annealing applied to the curriculum-based course timetabling problem. Computers & Operations Research, 65, 83-92.
8
Eiselt, H. A., & Sandblom, C. L. (2019). Methods for nonlinearly constrained problems. In Nonlinear Optimization (pp. 243-278). Springer, Cham.
9
Esmaelian, M., Abdollahi, S. (2017). Proposing a two-phase integer linear programming for university-course timetabling. Industrial Management, 9(1), 19-42. (in Persian)
10
Hossain, S. I., Akhand, M. A. H., Shuvo, M. I. R., Siddique, N., & Adeli, H. (2019). Optimization of university course scheduling problem using particle swarm optimization with selective search. Expert Systems with Applications, 127, 9-24.
11
Khodabakhshi-koolaee, A. (2020). Living in home quarantine: Analyzing psychological experiences of college students during Covid-19 pandemic. Journal of Military Medicine, 22(2), 130-138.
12
Mesiono, M. (2020). Peer Review dan Hasil Turnitin E-Learning Management of State Islamic University of North Sumatera In Pandemic Covid-19.
13
Peyravi, M., Marzaleh, M. A., Shamspour, N., & Soltani, A. (2020). Public education and electronic awareness of the new Coronavirus (COVID-19): Experiences from Iran. Disaster Medicine and Public Health Preparedness, 14(3), e5-e6.
14
Rachmadtullah, R., Rasmitadila, R., Humaira, M. A., Aliyyah, R. R., & Samsudin, A. (2020). Use of blended learning with Moodle: study effectiveness in elementary school teacher education students during the COVID-19 pandemic use of blended learning with Moodle: Study effectiveness in elementary school teacher education students during the COV. Int. J. Adv. Sci. Technol, 29(7).
15
Raja Murugadoss, J., & Krishna Kishore, K. (2020). Effectiveness of E-learning in rural India and significance of self-directed learning. International Journal of Advanced Science and Technology, 29(6), 6015-6020.
16
Rashidi, H., & Hassanpour, M. (2020). A deep-belief network approach for course scheduling. Journal of Applied Research on Industrial Engineering, 7(3), 221-237.
17
Salimifard, K., Jamali, G., Babaeezadeh, S. (2013). University course timetabling using graph-based hyper heuristics. Industrial Management, 5(2), 49-70. (in Persian)
18
Salimifard, K., Nakhaei, M., Zare, Z., Moghdani, R. (2018). Developing a multi-objective meta-heuristic algorithm to select work model and staff scheduling in petrochemical companies. Industrial Management, 10(4), 551-574. (in Persian)
19
Schreck, J., Baretton, G., & Schirmacher, P. (2020). Situation of the German university pathologies under the constraints of the corona pandemic-evaluation of a first representative survey. Der Pathologe.
20
Seyyedi, S., khatami, M., Amiri, M., Taghavi Fard, M. (2019). Positioning and optimized allocation of transfer points, hospitals and emergency services centers to organize a crisis relief chain, assuming screening of injuries. Industrial Management, 11(1), 1-20. (in Persian)
21
Song, K., Kim, S., Park, M. and Lee, H.S. (2017). Energy efficiency-based course timetabling for university buildings. Energy. 139(1), 394-405.
22