ارائه روش پیشنهادی DEA-GZBWM همراه با عدم قطعیت فازی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشیار، گروه مدیریت صنعتی، دانشکدگان فارابی دانشگاه تهران، قم، ایران.

2 کارشناس ارشد، گروه مهندسی صنایع، دانشگاه تهران، تهران، ایران.

3 کارشناس ارشد، گروه مهندسی صنایع، دانشگاه شهاب دانش، قم، ایران.

4 کارشناس ارشد، گروه مهندسی صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.

چکیده

هدف: با توجه به اینکه در اغلب حوزه‌های تخصصی، تصمیم‌گیری‌ها به‌صورت گروهی انجام می‌شود، در این پژوهش، روشی برای انتخاب گزینه مطلوب در شرایط عدم قطعیت و افزایش اثربخشی تصمیم‌گیری گروهی ارائه شده است.
روش: در این پژوهش برای ایجاد روش بهترین ـ بدترین اعداد Z از روش‌های ZlCWAA و تحلیل پوششی داده‌ها که به‌ترتیب وظایف میانگین‌گیری از اعداد Z و تخصیص وزن به متخصصان را برعهده دارند، استفاده شد. روش بهترین ـ بدترین اعداد Z یکی از روش‌های ابداعی در حوزه تصمیم‌گیری است که در این پژوهش از روش گروهی بهترین ـ بدترین اعدادZ  استفاده شده است.
یافته‌ها: برای تصمیم‌گیری بهتر، به اطلاعات صحیح‌، معتبر، دقیق‌تر و با اطمینان بیشتری نیاز است. با توجه به مطالعه موردی و داده‌های گردآوری شده از دیدگاه هر کارشناس در خصوص مهم‌ترین شاخص‌های انتخاب سبد بهینه سهام، مقایسه‌ای بین روش‌های FBWM، ZBWM و DEA-GZBWM انجام گرفت و مشخص شد که روش پیشنهادیِ DEA-GZBWM، نرخ ناسازگاری کمتری دارد و ابهام‌های کلام پاسخ‌دهنده در این روش کاهش یافته است، از این رو، می‌توان به اطلاعات به‌دست‌آمده از این روش اطمینان بیشتری کرد.
نتیجه‌گیری: به‌منظور اثبات عملکرد روش DEA-GZBWM، یک مطالعه موردی انجام شد تا چگونگی استفاده از این روش در انتخاب سبد بهینه سهام نشان داده شود. در این مطالعه موردی، سرمایه‌گذار با کمک متخصصان حوزه مالی (افراد خبره) به سرمایه‌گذاری و انتخاب سبد سهام بهینه از میان شرکت‌های موجود در سازمان بورس و اوراق بهادار اقدام می‌کند. در نهایت، مقایسه‌ای میان نتایج روش پیشنهادی با روش‌های FBWM و ZBWM بر اساس وزن، رتبه و نرخ ناسازگاری انجام گرفت. نتایج نشان داد که روش پیشنهادی با کسب نرخ ناسازگاری کمتر 108/0 نسبت به روش‌های دیگر، عملکرد بهتری دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Proposing DEA-GZBWM Method with Fuzzy Uncertainty

نویسندگان [English]

  • Tooraj Karimi 1
  • Mohammad javad Pahlavan zadeh 2
  • Abbas Alwardi 3
  • Mohsen Amra 4
1 , Associate Prof., Department of Industrial Management, College of Farabi, University of Tehran, Tehran, Iran.
2 MSc., Department of Industrial Engineering, Faculty of Engineering, University of Tehran, Tehran, Iran.
3 MSc., Department of Industrial Engineering,, Shahabdanesh University, Qom, Iran.
4 MSc., Department of Industrial Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran.
چکیده [English]

Objective: Considering that in most specialized fields, decisions are made in groups, in this study, a method to select the desired option in conditions of uncertainty is presented, which also considers the group decisions to increase the effectiveness.
Methods: In this study, the ZlCWAA method and data envelopment analysis, which are responsible for the averaging of Z numbers and assigning weight to specialists, were used to create the Z number extension of the best-worst method. This method is innovative in decision-making and, in this study, we used the Z number extension of the best-worst group method.
Results: For better decision-making, the information should be more valid, accurate, and reliable. So we compared the FBWM, ZBWM, and DEA-GZBWM methods with each other, based on the case study and data collection from the perspective of each expert on the most important indicators of optimal stock portfolio selection. This comparison showed that the proposed method of DEA-GZBWM has a lower rate of incompatibility than the others. Therefore, the information obtained in this method can be more reliable for us.
Conclusion: To prove the effectiveness of the DEA-GZBWM method, a case study was conducted to show how to use this method in optimal stock portfolio selection; In which the investor, with the help of financial experts (experts in financial markets), invests and selects the optimal stock portfolio from the companies in the stock exchange and securities organization. Then, based on weight, rank, and incompatibility rate, the results of the proposed method, FBWM, and ZBWM methods were compared. This comparison showed that the proposed method is more functional than the others due to its lower incompatibility rate (0.108).

کلیدواژه‌ها [English]

  • Best-worst Z method
  • ZICWAA
  • Data Envelopment Analysis
  • Portfolio Selection
تیموری، احسان، امیری، مقصود، الفت، لعیا، زندیه، مصطفی (1399). مدل انتخاب تأمین‌کننده، تخصیص سفارش و قیمت‌گذاری در مدیریت زنجیره تأمین‌ چند کالایی تک‌دوره‌ای و چند تأمین‌کننده با رویکرد روش‌های سطح پاسخ و الگوریتم ژنتیک. مدیریت صنعتی، 12(1)، 1–23.
شاوردی، مرضیه، یعقوبی، سعید، سلطانی، بهزاد (1398). ارزیابی و انتخاب طرح‌های صندوق توسعه فناوری با استفاده از روش بهترین ـ بدترین (مورد مطالعه: صندوق نوآوری و شکوفایی). مدیریت صنعتی، 11(3)، 461- 486.
فهیمی، افشین، شاه‌بندرزاده، حمید (1400). توسعه مدل بهینه‌سازی سبد سهام مارکوییتز با توجه به ملاحظات غیرمالی سرمایه‌گذار و حمایت از تولیدات داخلی. مدیریت صنعتی، 13(1)، 53–79.
همایونفر، مهدی، دانشور، امیر، نهاوندی، بیژن، فلاح، فریبا (1398). ارائه روش طبقه‌بندی جدید با استفاده از رویکرد ترکیبی یادگیری ماشین و تصمیم‌گیری چندمعیاره. مدیریت صنعتی، 11(4)، 675–692.
 
References
Abadi, F., Sahebi, I., Arab, A., Alavi, A., & Karachi, H. (2018). Application of best-worst method in evaluation of medical tourism development strategy. Decision Science Letters, 7(1), 77–86.
Aboutorab, H., Saberi, M., Asadabadi, M. R., Hussain, O., & Chang, E. (2018). ZBWM: The Z-number extension of Best Worst Method and its application for supplier development. Expert Systems with Applications, 107, 115–125.
Ali, A., & Rashid, T. (2020). Generalized interval-valued trapezoidal fuzzy best-worst multiple criteria decision-making method with applications. Journal of Intelligent & Fuzzy Systems, 38(2), 1705–1719.
Amiri, M., Hashemi-Tabatabaei, M., Ghahremanloo, M., Keshavarz-Ghorabaee, M., Zavadskas, E. K., & Banaitis, A. (2021). A new fuzzy BWM approach for evaluating and selecting a sustainable supplier in supply chain management. International Journal of Sustainable Development & World Ecology, 28(2), 125–142.
Amoozad Mahdiraji, H., Arzaghi, S., Stauskis, G., & Zavadskas, E. K. (2018). A hybrid fuzzy BWM-COPRAS method for analyzing key factors of sustainable architecture. Sustainability, 10(5), 1626.
Charnes, A., Cooper, W. W., & Wei, Q. L. (1987). A Semi-Infinite Multicriteria Programming Approach to Data Envelopment Analysis With Infinitely Many Decision-Making Units.
Cooper, W. W., Seiford, L. M., & Tone, K. (2007). Data envelopment analysis: a comprehensive text with models, applications, references and DEA-solver software (ج 2). Springer.
de Kaa, G., Scholten, D., Rezaei, J., & Milchram, C. (2017). The battle between battery and fuel cell powered electric vehicles: A BWM approach. Energies, 10(11), 1707.
Dong, Q., & Cooper, O. (2016). A peer-to-peer dynamic adaptive consensus reaching model for the group AHP decision making. European Journal of Operational Research, 250(2), 521–530.
Fahimi, Afshin & Shahbandarzadeh, Hamid (2021). Developing the Markowitz Portfolio Optimization Model Concerning Investor Non - financial Considerations and Supporting Domestic Products. Industrial Management Journal, 13(1), 53-79. (in Persian)
Ghoushchi, S. J., Dorosti, S., Khazaeili, M., & Mardani, A. (2021). Extended approach by using best--worst method on the basis of importance--necessity concept and its application. Applied Intelligence, 1–15.
Guo, S., & Zhao, H. (2017). Fuzzy best-worst multi-criteria decision-making method and its applications. Knowledge-Based Systems, 121, 23–31.
Gupta, H., & Barua, M. K. (2016). Identifying enablers of technological innovation for Indian MSMEs using best--worst multi criteria decision making method. Technological Forecasting and Social Change, 107, 69–79.
Gupta, H., & Barua, M. K. (2017). Supplier selection among SMEs on the basis of their green innovation ability using BWM and fuzzy TOPSIS. Journal of Cleaner Production, 152, 242–258.
Gupta, H., & Barua, M. K. (2018). Modelling cause and effect relationship among enablers of innovation in SMEs. Benchmarking: An International Journal.
Gupta, R. P. (2017). Remote sensing geology. Springer.
Hafezalkotob, A., & Hafezalkotob, A. (2017). A novel approach for combination of individual and group decisions based on fuzzy best-worst method. Applied Soft Computing, 59, 316–325.
Homayounfar, M., Daneshvar, A., Nahavandi, B., & Fallah, F. (2019). Developing a New Classification Method Base d on a Hybrid Machine Learning and Multi Criteria Decision Making Approach. Industrial Management Journal, 11(4), 675-692. (in Persian)
Hussain, A., Chun, J., & Khan, M. (2021). A novel multicriteria decision making (MCDM) approach for precise decision making under a fuzzy environment. Soft Computing, 25(7), 5645–5661.
Maghsoodi, A. I., Mosavat, M., Hafezalkotob, A., & Hafezalkotob, A. (2019). Hybrid hierarchical fuzzy group decision-making based on information axioms and BWM: Prototype design selection. Computers & Industrial Engineering, 127, 788–804.
Mohammadi, M., & Rezaei, J. (2020). Bayesian best-worst method: A probabilistic group decision making model. Omega, 96, 102075.
Rezaei, J. (2015). Best-worst multi-criteria decision-making method. Omega, 53, 49–57.
Rezaei, J. (2016). Best-worst multi-criteria decision-making method: Some properties and a linear model. Omega, 64, 126–130.
Rezaei, J., Nispeling, T., Sarkis, J., & Tavasszy, L. (2016). A supplier selection life cycle approach integrating traditional and environmental criteria using the best worst method. Journal of Cleaner Production, 135, 577–588.
Salimi, N., & Rezaei, J. (2018). Evaluating firms’ R&D performance using best worst method. Evaluation and program planning, 66, 147–155.
Shaverdi, M., Yaghoubi, S., & Soltani, B. (2019). Project Evaluation and Selection in Technology Development Funds with Best-Worst Method (Case Study: Innovation and Prosperity Fund). Industrial Management Journal, 11(3), 461-486. (in Persian)
Tang, J., Yu, S., Liu, F., Chen, X., & Huang, H. (2019). A hierarchical prediction model for lane-changes based on combination of fuzzy C-means and adaptive neural network. Expert systems with applications, 130, 265–275.
Teymouri, E., Amiri, M., Olfat, L., & Zandieh, M. (2020). Presenting a Supplier Selection, Order Allocation, a nd Pricing Model in Multi-item, Single-Period, and Multi-Supplier Supply Chain Management with Surface Re sponse Methodology and Genetic Algorithm Approach. Industrial Management Journal, 12(1), 1-23. (in Persian)
van de Kaa, G., Kamp, L., & Rezaei, J. (2017). Selection of biomass thermochemical conversion technology in the Netherlands: A best worst method approach. Journal of Cleaner Production, 166, 32–39.
Wan, S., Dong, J., & Chen, S.-M. (2021). Fuzzy best-worst method based on generalized interval-valued trapezoidal fuzzy numbers for multi-criteria decision-making. Information Sciences.
Wu, Y., Xu, C., & Zhang, T. (2018). Evaluation of renewable power sources using a fuzzy MCDM based on cumulative prospect theory: A case in China. Energy, 147, 1227–1239.
Xian, S., Chai, J., & Guo, H. (2019). Linguistic-induced ordered weighted averaging operator for multiple attribute group decision-making. International Journal of Intelligent Systems, 34(2), 271–296.
Zadeh, L. A. (2011). The concept of a Z-number-A new direction in uncertain computation. 2011 IEEE International Conference on Information Reuse & Integration, xxii--xxiii.
Zhang, Z., Gao, Y., & Li, Z. (2020). Consensus reaching for social network group decision making by considering leadership and bounded confidence. Knowledge-Based Systems, 204, 106240.