نوع مقاله : مقاله پژوهشی

نویسنده

گروه ریاضی، واحد پارس‌آباد مغان، دانشگاه آزاد اسلامی، پارس‌آباد مغان، ایران.

چکیده

هدف: موفقیت یک زنجیره‌ی تأمین تا حد زیادی بستگی به انتخاب بهترین تأمین‌کنندگان دارد. این تصمیمات بخش مهمی از مدیریت تولید و تدارکات برای بسیاری از بنگاه‌ها هستند. در مقالات توجه زیادی به در نظر گرفتن هم‌زمان داده‌های اصلی و ترتیبی در فرایند انتخاب تأمین‌کننده نشده است.
روش‌شناسی پژوهش: این مقاله یک رویکرد جدید تحلیل پوششی داده‌ها (DEA) با مرزهای کارا و ناکارا را پیشنهاد می‌کند که می‌تواند بهترین تأمین‌کننده را در حضور هر دو نوع داده‌های اصلی و ترتیبی شناسایی کند.
یافته‌ها: با استفاده از رویکرد پیشنهادی، روش نوآورانه‌ای برای اولویت‌بندی تأمین‌کنندگان با در نظر گرفتن معیارهای متعدد ارائه می‌شود. قابلیت کاربرد روش پیشنهادی با استفاده از یک مجموعه‌ی داده‌های حاوی مشخصات هجده تأمین‌کننده نشان داده خواهد شد.
اصالت/ارزش افزوده علمی: در این مقاله، عملکرد تأمین‌کنندگان از دو دیدگاه مختلف اندازه‌گیری می‌شود. ازآنجاکه نتایج آن‌ها می‌تواند بسیار گمراه‌کننده و حتی متناقض باشد؛ بنابراین، ضروری است که اندازه‌های مختلف عملکرد را ادغام کرد تا یک ارزیابی کلی از عملکرد هر تأمین‌کننده به دست آید. مزیت روش پیشنهادی این است که بهترین تأمین‌کننده را با استفاده از مقادیر کارایی‌های بازه‌ای که از دو دیدگاه خوش‌بینانه و بدبینانه اندازه‌گیری شده‌اند، با محاسبه‌ی میانگین هندسی به‌صورت یک بازه‌ی کارایی تلفیق‌شده درمی‌آیند که به آن بازه‌ی کارایی عملکرد کلی مبتنی بر DEA با مرزهای کارا و ناکارا می‌گوییم، شناسایی می‌کند.

کلیدواژه‌ها

عنوان مقاله [English]

Supplier Performance Evaluation Using a Nonparametric Approach

نویسنده [English]

  • Hossein Azizi

Department of Applied Mathematics, Parsabad Moghan Branch, Islamic Azad University, Parsabad Moghan, Iran.

چکیده [English]

Purpose: The success of a supply chain is highly dependent on the selection of the best suppliers. These decisions are an important component of production and logistics management for many firms. Little attention is given in the literature to the simultaneous consideration of cardinal and ordinal data in the supplier selection process.
Methodology: This paper proposes a new Data Envelopment Analysis (DEA) approach with efficient and inefficient frontiers that is able to identify the best supplier in the presence of both cardinal and ordinal data.
Findings: Utilizing this approach, an innovative method is proposed for prioritizing suppliers by considering multiple criteria. Applicability of the proposed method is illustrated using a data set that includes specifications of eighteen suppliers.
Originality/Value: The advantage of our approach is that it identifies the best supplier using interval efficiency values which are computed from the optimistic and pessimistic perspectives and are integrated as an efficiency interval called the overall performance efficiency interval based on DEA with efficient and inefficient frontiers.

کلیدواژه‌ها [English]

  • Data envelopment analysis
  • Supplier selection
  • Cardinal and ordinal data
  • Optimistic and pessimistic efficiencies
  • Ranking
Azizi, H., & Ganje Ajirlu, H. (2011). Measurement of the worst practice of decision-making units in the presence of non-discretionary factors and imprecise data. Applied mathematical modelling35(9), 4149-4156. DOI: https://doi.org/10.1016/j.apm.2011.02.038
Camanho, A. S., & Dyson, R. G. (2005). Cost efficiency measurement with price uncertainty: a DEA application to bank branch assessments. European journal of operational research161(2), 432-446.DOI: https://doi.org/10.1016/j.ejor.2003.07.018
Chang, S. L., Wang, R. C., & Wang, S. Y. (2006). Applying fuzzy linguistic quantifier to select supply chain partners at different phases of product life cycle. International journal of production economics100(2), 348-359. DOI: https://doi.org/10.1016/j.ijpe.2005.01.002
Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European journal of operational research2(6), 429-444.
Chen, C. T., Lin, C. T., & Huang, S. F. (2006). A fuzzy approach for supplier evaluation and selection in supply chain management. International journal of production economics102(2), 289-301. DOI: https://doi.org/10.1016/j.ijpe.2005.03.009
Cooper, W. W., Park, K. S., & Yu, G. (1999). IDEA and AR-IDEA: models for dealing with imprecise data in DEA. Management science45(4), 597-607. DOI: https://doi.org/10.1287/mnsc.45.4.597
Demirtas, E. A., & Üstün, Ö. (2008). An integrated multiobjective decision making process for supplier selection and order allocation. Omega36(1), 76-90. DOI: https://doi.org/10.1016/j.omega.2005.11.003
Despotis, D. K., & Smirlis, Y. G. (2002). Data envelopment analysis with imprecise data. European journal of operational research140(1), 24-36. DOI: https://doi.org/10.1016/S0377-2217(01)00200-4
Edirisinghe, N. C., & Zhang, X. (2007). Generalized DEA model of fundamental analysis and its application to portfolio optimization. Journal of banking & finance31(11), 3311-3335. DOI: https://doi.org/10.1016/j.jbankfin.2007.04.008
Ertay, T., Ruan, D., & Tuzkaya, U. R. (2006). Integrating data envelopment analysis and analytic hierarchy for the facility layout design in manufacturing systems. Information sciences176(3), 237-262. DOI: https://doi.org/10.1016/j.ins.2004.12.001
Gencer, C., & Gürpinar, D. (2007). Analytic network process in supplier selection: a case study in an electronic firm. Applied mathematical modelling31(11), 2475-2486. DOI: https://doi.org/10.1016/j.apm.2006.10.002
Guneri, A. F., Yucel, A., & Ayyildiz, G. (2009). An integrated fuzzy-lp approach for a supplier selection problem in supply chain management. Expert systems with applications36(5), 9223-9228. DOI: https://doi.org/10.1016/j.eswa.2008.12.021
Johnes, J. (2006). Measuring teaching efficiency in higher education: an application of data envelopment analysis to economics graduates from UK Universities 1993. European journal of operational research174(1), 443-456. DOI: https://doi.org/10.1016/j.ejor.2005.02.044
Karpak, B., Kumcu, E., & Kasuganti, R. R. (2001). Purchasing materials in the supply chain: managing a multi-objective task. European journal of purchasing & supply management7(3), 209-216. DOI: https://doi.org/10.1016/S0969-7012(01)00002-8
Kumar, M., Vrat, P., & Shankar, R. (2004). A fuzzy goal programming approach for vendor selection problem in a supply chain. Computers & industrial engineering46(1), 69-85. DOI: https://doi.org/10.1016/j.cie.2003.09.010
Liu, F. H. F., & Hai, H. L. (2005). The voting analytic hierarchy process method for selecting supplier. International journal of production economics97(3), 308-317. DOI: https://doi.org/10.1016/j.ijpe.2004.09.005
Liu, J., Ding, F. Y., & Lall, V. (2000). Using data envelopment analysis to compare suppliers for supplier selection and performance improvement. Supply chain management: an international journal. 5(3), 143-150. DOI: https://doi.org/10.1108/13598540010338893
Liu, S. T. (2008). A fuzzy DEA/AR approach to the selection of flexible manufacturing systems. Computers & industrial engineering54(1), 66-76. DOI: https://doi.org/10.1016/j.cie.2007.06.035
Mannino, M., Hong, S. N., & Choi, I. J. (2008). Efficiency evaluation of data warehouse operations. Decision support systems44(4), 883-898. DOI: https://doi.org/10.1016/j.dss.2007.10.011
Moore, R. E. (1979). Method and application of interval analysis, SIAM, Philadelphia. DOI: https://epubs.siam.org/doi/pdf/10.1137/1.9781611970906.fm
Ng, W. L. (2008). An efficient and simple model for multiple criteria supplier selection problem. European journal of operational research186(3), 1059-1067. DOI: https://doi.org/10.1016/j.ejor.2007.01.018
Önüt, S., Kara, S. S., & Işik, E. (2009). Long term supplier selection using a combined fuzzy MCDM approach: a case study for a telecommunication company. Expert systems with applications36(2), 3887-3895. DOI: https://doi.org/10.1016/j.eswa.2008.02.045
Saen, R. F. (2007). Suppliers selection in the presence of both cardinal and ordinal data. European journal of operational research183(2), 741-747. DOI: https://doi.org/10.1016/j.ejor.2006.10.022
Shafer, S. M., & Byrd, T. A. (2000). A framework for measuring the efficiency of organizational investments in information technology using data envelopment analysis. Omega28(2), 125-141. DOI: https://doi.org/10.1016/S0305-0483(99)00039-0
Talluri, S., & Baker, R. (2002). A multi-phase mathematical programming approach for effective supply chain design. European journal of operational research141(3), 544-558. DOI: https://doi.org/10.1016/S0377-2217(01)00277-6
Wang, J. W., Cheng, C. H., & Huang, K. C. (2009). Fuzzy hierarchical TOPSIS for supplier selection. Applied soft computing9(1), 377-386. DOI: https://doi.org/10.1016/j.asoc.2008.04.014
Wang, Y. M., Chin, K. S., & Yang, J. B. (2007). Measuring the performances of decision-making units using geometric average efficiency. Journal of the operational research society58(7), 929-937. DOI: https://doi.org/10.1057/palgrave.jors.2602205
Wang, Y. M., Greatbanks, R., & Yang, J. B. (2005). Interval efficiency assessment using data envelopment analysis. Fuzzy sets and systems153(3), 347-370. DOI: https://doi.org/10.1016/j.fss.2004.12.011
Weber, C. A., Current, J. R., & Desai, A. (1998). Non-cooperative negotiation strategies for vendor selection. European journal of operational research108(1), 208-223. DOI: https://doi.org/10.1016/S0377-2217(97)00131-8
Wu, D. D. (2009). Supplier selection in a fuzzy group setting: a method using grey related analysis and Dempster–Shafer theory. Expert systems with applications36(5), 8892-8899. DOI: https://doi.org/10.1016/j.eswa.2008.11.010
Xia, W., & Wu, Z. (2007). Supplier selection with multiple criteria in volume discount environments. Omega35(5), 494-504. DOI: https://doi.org/10.1016/j.omega.2005.09.002