ORIGINAL_ARTICLE
مدلسازی سیستم تولید چابک با استفاده از رویکرد پویاییهای سیستم
درمحیطآشفتهای(نامطمئنومتغیر)کهسازمانهادرآنمشغولفعالیتهستند،یکیازمهمترینعواملبقاءوپیشرفت،چابکیآنهااست. ویژگیاساسیاینمحیطتغییروعدماطمیناناست. سازمانهادراینمحیط،چگونهبایدعملکنندتابتوانندضمن حفظ موقعیت خود، ازتغییرات،بیشترینمنفعتراکسبکردهوپیشرفتکنند. سیستمتولیدیچابک، راهحلیجدیدبرایمقابلهبااینچالش است. اما از آنجا که اجرای سیستم تولید چابک، کاری بسیار زمانبر و پرهزینه است، یکی از راههای بررسی ابعاد مختلف این سیستم، شبیهسازی است. مقاله حاضر با هدف تحلیل و بهبود رفتار سیستم تولید چابک با استفاده از روش مدلسازی پویاییهای سیستم، تدوینشده و در آن ارتباط میان مؤلفههای مؤثر بر تولید چابک در یک سیستم پویا بررسی شدهاست.پس از آن، سناریوهایی براساس مدل مورد بررسی قرار گرفتند و رفتار متغیرهای کلیدی مدل، صحت مدل را تأیید نمودند. درمحیطآشفتهای(نامطمئنومتغیر)کهسازمانهادرآنمشغولفعالیتهستند،یکیازمهمترینعواملبقاءوپیشرفت،چابکیآنهااست. ویژگیاساسیاینمحیطتغییروعدماطمیناناست. سازمانهادراینمحیط،چگونهبایدعملکنندتابتوانندضمن حفظ موقعیت خود، ازتغییرات،بیشترینمنفعتراکسبکردهوپیشرفتکنند. سیستمتولیدیچابک، راهحلیجدیدبرایمقابلهبااینچالش است. اما از آنجا که اجرای سیستم تولید چابک، کاری بسیار زمانبر و پرهزینه است، یکی از راههای بررسی ابعاد مختلف این سیستم، شبیهسازی است. مقاله حاضر با هدف تحلیل و بهبود رفتار سیستم تولید چابک با استفاده از روش مدلسازی پویاییهای سیستم، تدوینشده و در آن ارتباط میان مؤلفههای مؤثر بر تولید چابک در یک سیستم پویا بررسی شدهاست.پس از آن، سناریوهایی براساس مدل مورد بررسی قرار گرفتند و رفتار متغیرهای کلیدی مدل، صحت مدل را تأیید نمودند.
https://jims.atu.ac.ir/article_423_81253d4ebea93f0fecffde701e07170b.pdf
2014-03-21
1
19
: سیستم تولید چابک
مؤلفههای تولید چابک
مدلسازی پویاییهای سیستم
سید محمود
زنجیرچی
1
استادیار و عضو هیئت علمی دانشکده اقتصاد، مدیریت و حسابداری -گروه مدیریت صنعتی دانشگاه یزد.
AUTHOR
علی
مروتی شریف آبادی
2
استادیار و عضو هیئت علمی دانشکده اقتصاد، مدیریت و حسابداری -گروه مدیریت صنعتی دانشگاه یزد.
AUTHOR
مهدی
خاکی اردکانی
mahdikhaki_1367@yahoo.com
3
کارشناسی ارشد مدیریت صنعتی دانشگاه یزد
LEAD_AUTHOR
الفت، لعیا، زنجیرچی، سیدمحمود. (۱۳۸۸). مدلی برای چابکی سازمانی در صنعت الکترونیک ایران. فصلنامهعلوممدیریتایران. شماره ۱۳. سال چهارم.
1
جعفرنژاد، احمد، شهائی، بهنام. (۱۳۸۶). مقدمهای بر چابکی سازمانی و تولیدچابک(چاپ اول). تهران: مؤسسه کتاب مهر نشر.
2
فتحیان، محمد و همکاران. (۱۳۸۴). نقش فناوری اطلاعات در چابکی بنگاههای کوچک و متوسط ایران. سومین کنفرانس بینالمللی مدیریت. تهران.
3
Agarwal A., Shankar R., Tiwari M. K. (2006). Modeling the metrics of lean, agile and leagile supply chain: An ANP-based approach. European Journal of Operational Research. 173. 211–225.
4
Barlas Y. (2002). System dynamics: systemic feedback modeling for policy analysis in knowledge for sustainable development- an insight into the encyclopedia of life support systems. Oxford, UK: UNESCO Publishing-Eolss Publishers. Paris, France.
5
Bottani E. (2010). Profile and enablers of agile companies: An empirical investigation. Int. J. Production Economics. 125. 251–261.
6
Coyle R. G. (1996). System dynamics modeling: a practical approach. London: Chapman & Hall.
7
Crocitto M., Youssef M. A. (2003). The human side of organizational agility. Industrial Management & Data Systems. 103(6). 388-397.
8
Dyson B., Chang B. (2004). Forecasting municipal solid waste generation in a ast-growing urban region with system dynamics modeling. Waste Management.
9
Evans T. P., Manire A., De Castro F., Brondizio E., McCrachen S. (2001). A dynamic model of household decision-making and parcel level landcover change in the eastern Amazon. Ecol. Model. 143.
10
Forrester J. W. (1961). Industrial dynamics. MIT press. Cambridge, MA, USA.
11
Goldman S. L., Nagel R. N., Preiss K. (1995). Agile competitors & virtual organizations-measuring agility & infrastructure for Agility, Van Nostrand Reinhold. International Thomas Publishing. London.
12
Gunasekaran A. (1998). Agile manufacturing: enablers & an implementation framework. International Journal of Production Research. 36(5). 1223-1247.
13
Gunasekaran A., Yusuf Y. Y. (2002). Agile manufacturing: a taxonomy of strategic & technological imperatives. International Journal of Prod Res. 40(6). 1357-1385.
14
Ho G. T. S., Lau H. C. W., Lee C. K. M., Ip A. W. H. (2005). An intelligent forward quality enhancement system to achieve product customization. Industrial Management & Data Systems. 105(3). 384-406.
15
Hornby A. S. (2000). Oxford Advanced Learner's Dictionary of Current English. Sixth edition. Oxford university press.
16
Huang C. C., Liang W. Y., Lin Shia. H. (2009). An agile approach for supply chain modeling. Transportation Research, Part E. (45). 380–397.
17
Jiang B., Chan T. S., Ralph W. L. (2002). An innovative scheme for product and process design. Journal of Materials Processing Technology. 85-92.
18
Jin-Hai L., Anderson A.R., Harrison, R.T. (2003). The evolution of agile manufacturing. Business Process Management Journal. 9(2). 170-89.
19
Kidd P.T. (1994). Agile manufacturing, Forging New Frontiers. Addison-Wesley. London.
20
Lin Chin-Huang, Tung Chiu-Mei, Huang Chih-Tai. (2005). Elucidating the industrial, Cluster effect from a system dynamics perspective. Technovation. 1-10.
21
Morecroft J. D. W. (1988). System dynamics and micro worlds for policymakers. European Journal of Operational Research. 35(3).
22
Rönnbäck L., Regardt O., Bergholtz M., Johannesson P., Wohed P. (2010). Anchor modeling-Agile information modeling in evolving data environments. Data & Knowledge Engineering. 69. 1229–1253.
23
Sharifi H., Zhang Z. (2001). Agile manufacturing in practice: application of a methodology. International Journal of Operations & Production Management. 21(5/6). 772-794.
24
Sharp J. M., Irani Z., Desai S. (1999). Working towards agile manufacturing in the UK industry. IJOPE. 62(1-2). 155-169.
25
Shi T., Gill R. (2005). Developing effective policies for the sustainable development of ecological agriculture in China: the case study of Jinshan County with a systems dynamics model. Ecological Economics. 53. 223-246.
26
Spector J. M., Christensen D. L., Sioutine A. V., McCormack D. (2001). Models and simulations for learning in complex domains: using causal loop diagrams for assessment and evaluation. Computers in Human Behavior. 17. 517-545.
27
Sterman J. D. (2000). Business dynamics: Systems thinking and modeling for a complex world. New York: McGraw-Hill.
28
Torng lin C. & et.al. (2005). Agility evaluation using fuzzy logic. International jurnal of production economics. 1-16.
29
Yusuf Y. Y., Sarhadi M., Gunasekaran A. (1999). Agile manufacturing: The drivers, concepts and attributes. International Journal of Production Economics. 62. 33-43.
30
Yusuf Y. Y., Al-dabass D., Gunasekaran A., Ren J. (2001). A mathematical modeling framework for agile manufacturing systems.
31
Zhang J., Jian G., Peigen L., Zhengcheng D. (1999). Object-oriented modeling of control system for agile manufacturing cells. Int. J. Production Economics. 62. 145-153.
32
ORIGINAL_ARTICLE
زمانبندی همزمان پروژه و برنامه ریزی تجهیزات با الگوریتمهای تکاملی
برنامهریزی و زمانبندی پروژه یکی از مباحث بسیار مهمی است که مدیران پروژه با آن مواجهاند و از عوامل کلیدی در موفقیت یا عدمموفقیت پروژه محسوب میشود. تحقیقات انجام گرفته در زمانبندی پروژه نشان میدهد که بهطور مرسوم در زمانبندی پروژه برنامهریزی تجهیزات را نادیده گرفته و یا ابتدا فعالیتهای پروژه زمانبندی و سپس تجهیزات براساس آن برنامهریزی میشود. این کار سبب خارج شدن از بهینه زمانبندی میشود. در این مقاله با مد نظر قراردادن همزمان زمانبندی پروژه و برنامهریزی تجهیزات، دو الگوریتم ژنتیک و شبیهسازی تبرید برای کمینهکردن هزینهها، ارائه میشود. برای بررسی کارایی الگوریتمهای پیشنهادی، مسائلی با تعداد فعالیتها و تجهیزات مختلف مورد بررسی قرار گرفته و نتایج با هم مقایسه میشوند. نتایج نشان میدهد که الگوریتمهای پیشنهادی قادرند تا مدل برنامهریزی خطی عدد صحیح مختلط موجود را با تعداد گرههای بالا و ضریب پیچیدگیهای مختلف در زمانی کوتاه حل کنند. زمانبندی پروژه، الگوریتم ژنتیک ،شبیهسازی تبرید، برنامهریزی تجهیزات
https://jims.atu.ac.ir/article_463_21934df0092ac65c446738f0e740d7b5.pdf
2014-03-21
21
47
مانبندی پروژه
الگوریتم ژنتیک
شبیهسازی تبرید
برنامهریزی تجهیزات
عباس
شفیع خانی
abbas_shafikhani22@yahoo.com
1
کارشناس ارشد مهندسی صنایع، دانشگاه آزاد اسلامی قزوین، دانشکده مهندسی صنایع و مکانیک، قزوین، ایران
LEAD_AUTHOR
امیر
عباس
2
استادیار و عضو هیئت علمی گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
AUTHOR
سید تقی
اخوان نیاکی
3
استاد و عضو هیئت علمی گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه صنعتی شریف، تهران، ایران
AUTHOR
Brucker, P., Schoo, A. and Thiele, O., A branch and bound algorithm for the resource constrained project scheduling problem. European Journal of Operational Research 17 (2004): 143-158.
1
Carruthers, J.A. and Battersby, A.,Advances in critical path methods. Operational Research Quarterly17 (1966): 359-380.
2
Davis, E.V. and Patterson, J.H., “An Exact Algorithm for the Multiple Constrained Project Scheduling Problem”. Ph.D. Thesis. Yale University. (1969).
3
Deckro, R.F., Winkofsky, E.P., Hebert, J.E. and Gagnon, R., A decomposition approach to multi-project scheduling. European Journal of Operational Research 51 (1991): 110-118.
4
Demeulemeester, E., Herroelen, W. Project Scheduling: A Research Handbook”. Kluwer Academic Publishers, (2002).
5
Demeulemeester, E., Vanhoucke, M. and Herroelen, W., A random network generator for activity-on-the-node networks. Journal of Scheduling 6 (2003): 13-34.
6
Demeulemeester, E. and Herroelen, W., New benchmark results for the resourceconstrained project scheduling problem. Management Science 43 (2007): 1485-1492.
7
Dodin, B., Elimam, A.A., Rolland, E. Tabu search in audit scheduling. European Journal of Operational Research106 (1998): 373–392.
8
Dodin, B. Elimam, A.A. Integration of equipment planning and project scheduling.European Journal of Operational Research 184 (2008): 962–980.
9
Elmaghraby, S.E. Activity nets: A guided tour through some recent envelopments. European Journal of Operational Research 82 (2002): 383–408.
10
Elmaghraby, S.E. Activity networks: project planning and control by network models. Wiley and Sons, New York, (2003).
11
Herroelen, W., Van Dommelen, P., Demeulemeester, E.L. Project network models with discounted cash flows – A guided tour through recent developments. European Journal of Operational Research 100 (1997): 97–121.
12
Herroelen, W., De Reyck, B. and Demeulemeester, E., Resource constrained project scheduling: A survey of recent developments. Computers and Operations Research 25 (2001): 279-302.
13
Icmeli, O. and Rom, W.O., Solving the resource-constrained project scheduling problem with optimization subroutinelibrary. Computers and Operations Research 23 (1996): 801-817.
14
Icmeli, O., Erenguc, S.S., Zappe, C.J. Project scheduling problems: A survey. International Journal of Operations and Production Management 13 (2003): 80–91.
15
Jarboui, B., Damak, N., Siarry, P., Rebai, A., A combinatorial particle swarm optimization for solving multi-mode resource-constrained project scheduling problems. Applied Mathematics and Computation 195 (2008): 299–308.
16
Kolish, R., Schwindt, C., and Sprecher, A. Benchmark instances for project scheduling problems. in: J. Weglarz (Ed.): Handbook on recent advances in project scheduling, Kluwer Academic Publishers, Dordrecht. (1998).
17
Lova, A., Tormos, P., Cervantes, M., Barber, F., “An Eficient Hybrid Genetic Algorithm for Scheduling Projects with Resource Constraints and Multiple Execution Modes”, International Journal of Production Economics, 117, (2009), 302– 316.
18
Ozdamar, L., Ulusoy, G. “A survey on the resource constrained project scheduling problem”. IIE Transactions 27, 574–586, (1995).
19
Patterson, J.H., Roth, G.W. “Scheduling a project under multiple resource constraints: A 0-1 programming approach”. AIIE Transactions , 8, 449–455, (1976).
20
Patterson, J.H. and Huber, W.D.“A Horizen Varying, Zero One Approach to Project Scheduling”, Management Science, 20:990-998, (1974).
21
Patterson, J.H, “A Comparision of Exact Approach for Solving the Multiple Constrained Resource, Project Scheduling Problem”, Management Science, Vol. 30, No.7. PP.854-867, (1984).
22
Peteghem, V.V., Vanhoucke, M., “A Genetic Algorithm for the Preemptive and Non-Preemptive Multi-Mode Resource-Constrained Project Scheduling Problem”, European Journal of Operational Research, 201, (2010), 409–418.
23
Petrovic, R., Optimisation of resource allocation in project planning. Operations Research, 16 (1968) 559-586.
24
Soltani, R., Jolai, F., Zandieh, M., “Two Robust Meta-Heuristics for Scheduling Multiple Job Classes on a Single Machine with Multiple Criteria”,Expert Systems with Applications, 37, (2010), 5951-5959.
25
Talbot, F.B, and Patterson, J.H. “An Efficient Integer Programing Algorithm With Network Cuts for Solving Resource Constrained Scheduling”, Management Science, Vol.24, No. 11, PP.1163-1174.
26
Tavakoli M.R, Shahalizadeh M, Khalili K, Editors. International project management conference. (2007) February 10; Iran.
27
Vanhoucke, M., Coelho, J., Tavares, L. and Debels, D., “An evaluation of the adequacy of network generators with systematically sampled networks”. Working paper 04/272, Ghent University, (2004).
28
Wiest, J.D., The scheduling of large projects with limited resources. Ph.D. dissertation, Carnegie Institute of Technology, (1963).
29
Yang, B., Geunes, J. and O’Brien, W. Resource constrained project scheduling; past work and new directions. Research Report, Department of Industrial and Systems Engineering, University of Florida, Gainesville, (2006).
30
ORIGINAL_ARTICLE
ترکیب الگوریتم بهینهسازی ازدحام ذرات و تکنیک شبیهسازی در حل مسئله جانمایی پویای تسهیلات
امروزه یکی از ضروریات رویارویی با تغییرات مستمر در بازار مصرفی، استفاده از طرح جانمایی پویای تسهیلات است. مسئله جانمایی پویای تسهیلات[1] (DFLP)، مسئلهای بهینهسازی است که در جستجوی مناسبترین موقعیت تسهیلات تولیدی برای افقی چنددورهای است، بهگونهای که مجموع کل هزینههای طرح جانمایی کمینه گردد. این پژوهش، برای نخستین بار، رویکرد شبیهسازی و الگوریتم فراابتکاری بهینهسازی ازدحام ذرات[2] (PSO) را برای حل DFLP ترکیب کرده و با اعمال اصلاحاتی در الگوریتم ازدحام ذرات در فضای صفر و یک[3] (BPSO)، الگوریتمی جدید به نام الگوریتم بهینهسازی ازدحام ذرات گمارش شده[4] (APSOA) را ارائه دادهاست، که نتیجه آن
اثربخشی بیشتر PSO در حل DFLP است. نتایج بهدستآمده حاصل از آزمون APSOA روی مسائل مختلف DFLP با اندازههای کوچک، متوسط و بزرگ، حکایت از عملکرد بسیار خوب آن دارد.
جانمایی تسهیلات، مسئله جانمایی پویای تسهیلات (DFLP)، الگوریتم بهینهسازی ازدحام ذرات گمارش شده (APSOA)، شبیهسازی.
https://jims.atu.ac.ir/article_470_bdf1d312803bcb2dcdf7543bed762684.pdf
2014-03-21
49
66
جانمایی تسهیلات
مسئله جانمایی پویای تسهیلات (DFLP)
الگوریتم بهینهسازی ازدحام ذرات گمارش شده (APSOA)
شبیهسازی
پرهام
عظیمی
. p.azimi@qiau.ac.ir
1
نویسنده مسئول، استادیار، دانشکده مهندسی صنایع و مکانیک، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
LEAD_AUTHOR
محمد علی
زارع شوریجه
2
کارشناس ارشد مدیریت صنعتی گرایش تحقیق در عملیات، دانشگاه علامه طباطبائی، تهران، ایران
AUTHOR
Balakrishnan, J., & Cheng, C. H. (2000). Genetic search and the dynamic layout problem. Computers & Operations Research, 27(6), 587–593.
1
Balakrishnan, J., Cheng, C. H., & Conway, D. G. (2000). An improved pair-wise exchange heuristic for the dynamic plant layout problem. International Journal of Production Research, 38(13), 3067–3077.
2
Balakrishnan, J., Cheng, C. H., Conway, D. G., & Lau, C. M. (2003). A hybrid genetic algorithm for the dynamic plant layout problem. International Journal of Production Economics, 86(2), 107–120.
3
Balakrishnan, J., Robert Jacobs, F., &Venkataramanan, M. A. (1992). Solutions for the constrained dynamic facility layout problem. European Journal of Operational Research, 57(2), 280–286.
4
Baykasoglu, A., & Gindy, N. N. Z. (2001). A simulated annealing algorithm for dynamic layout problem. Computers & Operations Research, 28(14), 1403–1426.
5
Baykasoglu, A., Dereli, T., & Sabuncu, I. (2006). An ant colony algorithm for solving budget constrained and unconstrained dynamic facility layout problems. Omega, 34(4), 385–396.
6
Conway, D. G., & Venkataramanan, M. A. (1994). Genetic search and the dynamic facility layout problem. Computers and Operations Research, 21(8), 955–960.
7
Drira, A., Pierreval, H., & Hajri-Gabouj, S. (2007). Facility layout problems: A survey. Annual Reviews in Control, 31, 255–267.
8
Kaku, B.K. & Mazzola, J.B. (1997). A Tabu-search heuristic for the dynamic plant layout problem. INFORMS Journal on Computing, 9 (4), 374-384.
9
Kennedy, J. (1997). The particle swann: social adaptation of knowledge. International Conference on Evolutionary Computation (Indianapolis, Indiana), IEEE Service Center, Piscataw;ty, NJ, 303-308.
10
Kennedy, J., & Eberhart, R. (1995b). A new optimizer using particle swarm theory. In Sixth international symposium on micro machine and human science, IEEE, 39–43.
11
Kennedy, J., & Eberhart, R. C. (1995a). Particle swarm optimization. Proc. IEEE Intl. Conf. on Neural Networks (Perth, Australia), IEEE Service Center, Piscataway, NJ, IV, 1942-1948.
12
Kennedy, J., & Eberhart, R. C. (1997). A discrete binary version of the particle swarm algorithm, systems, man, cybernetics, computational cybernetics and simulation. IEEE International Conference, 5(12–15), 4104–4108.
13
Lacksonen, T. A., & Enscore, E. E. (1993). Quadratic assignment algorithms for the dynamic layout problem. International Journal of Production Research, 31, 503–517.
14
Lazinica, A. (2009).Particle swarm optimization. Austria. In-Tech.
15
McKendall, A. R. & Hakobyan, A. (2010). Heuristics for the dynamic facility layout problem with unequal-area departments. European Journal of Operational Research, 201, 171–182.
16
McKendall, A. R. & Shang, J. (2006). Hybrid ant systems for the dynamic facility layout problem. Computers & Operations Research, 33,790–803.
17
McKendall, A. R., Shang, J., & Kuppusamy, S. (2006). Simulated annealing heuristics for the dynamic facility layout problem. Computers& Operations Research, 33(8), 2431–2444.
18
Ning, X. Lam, K.C. & Lam, M. C. K. (2010). Dynamic construction site layout planning using max-min ant system. Automation in Construction ,19, 55–65.
19
Olariu, S. & Zomaya, A. Y. (2006). Handbook of bio-inspired algorithms and applications. Chapman & Hall/CRC, Taylor & Francis Group.
20
Pillai, V. M., Hunagund, I. B., & Krishnan, K. K. (2011). Design of robust layout for dynamic plant layout problems. Computers & Industrial Engineering, (In press), doi:10.1016/j.cie.2011.05.014.
21
Reche-Lopez, P., Ruiz-Reyes, N., Galan, G. S. & Jurado, F. (2009). Comparison of metaheuristic techniques to determine optimal placement of biomass power plants. Energy Conversion and Management, 50, 2020–2028.
22
Rosenblatt, M. J. (1986). The dynamics of plant layout. Management Science, 32(1), 76–86.
23
Talbi. E.G. (2009). Metaheuristics, from design to implementation. John Wiley & Sons, Inc.
24
Tompkins, J. A., White, J. A., Bozer, Y. A., Frazelle, E. H., Tanchoco, J. M., & Trevino, J. (1996). Facilities planning. New York: Wiley.
25
problem. IIE Transactions, 25(4), 57-63.
26
Urban, T.L. (1993). A heuristic for the dynamic facility layout
27
ORIGINAL_ARTICLE
ارائه مدلی جهت تعیین تعداد مطلوب دانشجویان دانشکده حسابداری و مدیریت دانشگاه علامه طباطبائی بر مبنای رویکرد فازی
مسئله یافتن یک ترکیب بهینه از دانشجویان ورودی به دانشگاهها و مؤسسات آموزشعالی به یکی از چالشهای مهم مؤسسات آموزشی تبدیل شده است و بهعنوان یک مسئله بهینهسازی پیچیده مطرح است. مقاله حاضر بر آن است تا با نگرش سیستمی و ارائه یک مدل ریاضی، تعداد مطلوب دانشجویان ورودی به دانشکده مدیریت و حسابداری دانشگاه علامه طباطبایی را پیشنهاد نماید.
در طراحی مدل از اطلاعات مربوط به واحدهای آموزشی، رفاهی وخدماتی دانشگاه از جمله ظرفیت آموزشی دانشکده، ظرفیتهای سایت کامپیوتر، غذاخوری دانشجویان، تعداد دانشجویان فعلی و فارغالتحصیل در سال جاری در مقاطع گوناگون تحصیلی استفاده شد و به جهت تطابق بیشتر مدل پیشنهادی با واقعیتهای عینی، از محدودیتهای فازی استفاده گردید. در این مقاله تلاش شدهاست تا با تجزیهوتحلیل روابط متغیرها و پارامترهای موجود در سیستم دانشکده و اولویتبندی آنها به کمک تکنیک تحلیل سلسلهمراتبی، مدل مناسبی برای تعیین تعداد مطلوب دانشجویان رشتههای مختلف در هر سال را برای سال بعد بدست آورد و همچنین کمبودها و فاصله با سطح مطلوبیت مرجع واحدهای رفاهی و خدماتی را ارزیابی و جهت رفع آنها برنامهریزی نمود. نتایج حاصل از حل مدل ارائهشده در این مقاله به کمک نرمافزار LINGO نشان میدهد در دانشکده مدیریت و حسابداری دانشگاه علامه طباطبائی بین میزان پذیرش سالیانه دانشجویان با امکانات آموزشی و رفاهی در برخی از رشته– مقطعها تناسب مناسبی وجود ندارد و نیازمند بازبینی برنامه جذب دانشجو است. همچنین ارزیابی کمی اولیهای در خصوص کمبودهای واحدهای خدماتی و رفاهی دانشکده صورت گرفت که میتوان از آنها جهت تدوین برنامه توسعه و گسترش دانشکده مذکور استفاده نمود.
https://jims.atu.ac.ir/article_464_6ff1f24eea353673e7b10078b748add9.pdf
2014-03-21
67
97
: برنامهریزی خطی فازی
ترکیب بهینه دانشجویان ورودی
برنامهریزی
دانشگاه علامه طباطبائی
محمدعلی
خاتمی فیروزآبادی
a.khatami@atu.ac.ir
1
دانشیار گروه مدیریت صنعتی ـ دانشگاه علامه طباطبائی
LEAD_AUTHOR
جهانیار
بامداد صوفی
2
استادیار گروه مدیریت صنعتی ـ دانشگاه علامه طباطبائی
AUTHOR
حسین
محبی
3
دانشجوی دکتری مدیریت صنعتی، گرایش تولید و عملیات ـ دانشگاه تربیت مدرس
AUTHOR
محسن
رحیمی مزرعه شاهی
4
کارشناس ارشد مدیریت صنعتی، گرایش تحقیق در عملیات ـ دانشگاه علامه طباطبایی
AUTHOR
بشیری، مهدی؛ تصمیمگیری چندمعیاره، انتشارات دانشگاه شاهد، چاپ اول، ۱۳۹۰.
1
تشنه لب، محمد؛ صفارپور، نیما؛ افیونی، داریوش، سیستمهای فازی و کنترل فازی، انتشارات دانشگاه صنعتی خواجه نصیرالدین طوسی، چاپ سوم، ۱۳۸۵.
2
توکلی مقدم، رضا؛ اسلامی، شیدا؛ ارائه یک مدل ریاضی جدید برای برنامه زمانبندی نیرویانسانی و حل آن با استفاده از الگوریتم ژنتیک؛ فصلنامه علمی و پژوهشی شریف، زمستان ۱۳۸۵، شماره سیوششم، ص. ۲۱-۳۱.
3
خاتمی فیروزآبادی، علی: محتشمی، علی: رحیمی مزرعه شاهی، محسن؛ مدلسازی مسئله زمانبندی دورههای تحصیلی در یک مؤسسه آموزشی کوچک، فصلنامه مطالعات مدیریت صنعتی، دانشگاه علامه طباطبایی، دانشکده مدیریت و حسابداری، شماره ۲۱، زمستان ۱۳۸۸.
4
خاتمی فیروزآبادی، علی؛ تحقیق در عملیات (جلد اول)، ترجمه کتاب انتشارات دانشگاه علامه طباطبائی، چاپ دوم، ۱۳۸۸. (این کتاب ترجمهای است از: Operations Research: an introduction (Hamdy, A. Taha)).
5
درویش متولی، محمد؛ درویش متولی، محمود؛ اسفندیار، محمد؛ ارائه یک مدل ریاضی جدید برای برنامه زمانبندی نیرویانسانی و حل آن با استفاده از الگوریتم ژنتیک؛ مجله بینالمللی علوم مهندسی علموصنعت ایران، زمستان ۱۳۸۸، جلد ۳۴، ص. ۱۹-۲۵.
6
رشیدی کمیجان، علیرضا؛ ارائه یک مدل ریاضی برای برنامهریزی تیم پرواز؛ فصلنامه پژوهشگر، زمستان ۱۳۸۸، شماره شانزدهم، ص. ۳۰-۴۵.
7
عطایی، محمد؛ تصمیمگیری چند معیاره فازی، انشارات دانشگاه صنعتی شاهرود، چاپ اول، ۱۳۸۹.
8
علوی، ابوالقاسم؛ یک مدل ریاضی برنامهریزی خطی برای بررسی تنگناهای نظام آموزشوپرورش ایران؛ پایاننامه دوره کارشناسیارشد، رشته مهندسی صنایع؛ دانشگاه صنعتی اصفهان؛ ۱۳۷۱.
9
فرجی خورشیدی، حجت؛ طراحی مدل ریاضی تجزیه دنتزیگ-ولف تعیین تعداد دانشجویان ورودی در دانشگاه تربیتمدرس؛ پایاننامه دوره کارشناسیارشد، رشته مدیریتصنعتی؛ دانشگاه تربیتمدرس؛ ۱۳۷۷.
10
قدسی پور، سید حسن؛ فرآیند تحلیلی سلسله مراتبی، انتشارات دانشگاه صنعتی امیرکبیر، چاپ ششم، 1387.
11
مالکی، محمدمهدی؛ طراحی مدل ریاضی برای تجهیز هنرستان های فنی تهران؛ پایاننامه دوره کارشناسیارشد، رشته مدیریتصنعتی؛ دانشگاه تربیتمدرس؛ 1373.
12
مرادی، علی؛ طراحی یک مدل ریاضی جهت تخصیص دانشجو به مراکز و مؤسسات آموزشعالی ایران؛ پایاننامه دوره کارشناسیارشد، رشته مهندسی صنایع؛ دانشگاه تهران؛ ۱۳۸۰.
13
نبیئی، محمدمهدی؛ زمانبندی نیرویانسانی در شرایط نوبتکاری در پخش سازمان صداوسیمای جمهوریاسلامی ایران؛ پایاننامه دوره کارشناسیارشد، رشته مهندسی سیستمهای اقتصادی- اجتماعی؛ دانشگاه تربیتمدرس؛ ۱۳۷۸.
14
یعقوبزاده فرد، جلیل؛ طراحی مدل ریاضی بهینهسازی حملونقل شهری در شرکت واحد اتوبوسرانی تبریز و حومه؛ پایاننامه دوره کارشناسیارشد، رشته مدیریتصنعتی؛ دانشگاه تربیتمدرس؛ ۱۳۷۴.
15
Burke, E.K., Kingstone, J., and de Werra, D. (2004). "Applications to timetabling". Handbook of Graph Theory, Chapman and Hall, CRC Press, 445-474.
16
Carter, M.W., and Laporte, G. (1998). "Recent developments in practical course timetabling", The practice and theory of automated timetabling (Part II), Toronto, Canada, Lecture notes in computer science 1408, Springer-Verlag, 3-19.
17
Daskalaki, S., and Birbas, T. (2005). "Efficient solutions for a university timetabling problem through integer programming", European Journal of Operational Research, Vol. 160 (1), 106-120.
18
De Werra, D. (1996). "Some combinatorial models for course scheduling", The practice and theory of automated timetabling, 1st international conference on the practice and theory of automated timetabling (Part I), Edinburgh, U.K., Lecture notes in computer science 1153, Springer-Verlag, 296-308.
19
Junginger, W. (1986). "Timetabling in Germany-a survey", Interfaces, Vol. 16, 66-74.
20
Osman, A., Abo-Sinna, B., Amer, C., and Emam, C. (2004). "A multi-level non-linear multi-objective decision-making under fuzziness", Applied Mathematics and Computation, Vol. 153, 239–252.
21
Rudova, H., and Murray, K. (2003). "University course timetabling with soft constraints", The practice and theory of automated timetabling, 4th international conference on the practice and theory of automated timetabling (Part IV), Gent, Belgium, Lecture notes in computer science 2740, Springer-Verlag, 310-328.
22
Senthilkumar, P., and Rajendran, G. (2010). "On the Solution of Fuzzy Linear Programming Problem", International Journal of Computational Cognition, VOL. 8, NO. 3.
23
Schaerf, A. (1999). "A survey of automated timetabling", Artificial IntelligenceReview, Vol. 13, 87-127.
24
Schmidt, G., and Strolin, T. (1979). "Timetable Construction-an annotated bibliography", The Computer Journal, Vol. 23 (4), 307-316.
25
Socha, K., Knowles, J., and Samples, M. (2002). "A max-min ant system for the university course timetabling problem", The 3rd international workshop on ant algorithms (ANTS 2002), Lecture notes in computer science 2463, Springer-Verlag, 1-13.
26
Taylor, B.W. (2011). "Intoduction to Management Science", Prentice Hall, 10th edition.
27
Tripathy, G. (1992). "Computerized decision aid for timetabling-a case analysis", Discrete Applied Mathematics, Vol. 35 (3), 313-323.
28
Youshikawa, M., Kaneko, K., Yamanouchi, T., and Watanabe, M. (1996). "A constraint-based high school scheduling system", IEEE Expert, Vol. 11 (1), 63-72.
29
Zimmermann, H. J. (1978). "Fuzzy programming and linear programming with several objective functions", Fuzzy Sets and Systems, 1:45–55.
30
ORIGINAL_ARTICLE
رتبهبندی عوامل مؤثر بر تسهیم اطلاعات در زنجیره تأمین با بهکارگیری تکنیک تصمیمگیری چندمعیاره فازی در صنعت پالایش و پخش فرآوردههای نفتی کشور
امروز مدیریت زنجیرهتأمین بر پایه دو اصل هماهنگی و همکاری، سازمانهای یک زنجیره را از طریق بهاشتراکگذاری و شفافسازی اطلاعاتی با یکدیگر هماهنگتر نموده و به همکاری در یک رقابت برای کسب مزایای رقابتی بیشتر دعوت مینماید. از جمله مزایای تسهیم اطلاعات در زنجیره تأمین میتوان به کاهش هزینه موجودی، بهبود بخش سفارشدهی، بهبود روابط شرکا و بهبود اعتماد در میان آنها، افزایش یکپارچگی فعالیتها، افزایش هماهنگی موجود در زنجیره تأمین، کاهش هزینههای انتقال اطلاعات و غیره اشاره نمود. عوامل متعددی از قبیل زیرساختهای تکنولوژی اطلاعات، حمایت مدیران ارشد، میزان دقت در ارائه اطلاعات و غیره بر فرآیند تسهیم اطلاعات در زنجیره تأمین تأثیر میگذارند. لذا با توجه به اهمیت تسهیم اطلاعات بهمنظور ایجاد هماهنگی و یکپارچگی بیشتر در زنجیره تأمین، این مقاله به شناسایی و رتبهبندی مهمترین عوامل مؤثر بر تسهیم اطلاعات در زنجیره تأمین صنعت پالایش و پخش فرآوردههای نفتی کشور براساس نظر خبرگان صنعت میپردازد. بهمنظور تجزیهوتحلیل دادهها نیز از نرمافزارها و آزمونهای آماری مربوطه و تکنیک ANP فازی استفاده گردیدهاست.
نتایج حاصله از تجزیهوتحلیل اطلاعات گردآوریشده گویای آن است که از میان مهمترین عوامل مؤثر بر تسهیم اطلاعات در زنجیره تأمین صنعت پالایش و پخش فرآوردههای نفتی کشور، عامل مسئولیتپذیری و تعهد در بین اعضای زنجیره تأمین نسبت به سایر عوامل در بالاترین اولویت و عامل منافع اعضای زنجیره تأمین در پایینترین اولویت قرار دارد.
https://jims.atu.ac.ir/article_465_02edb4f32c1a5c66709280d8bc9ca5bb.pdf
2014-03-21
99
121
زنجیره تأمین
مدیریت زنجیره تأمین
تسهیم اطلاعات
تکنیک تصمیمگیری چندمعیاره فازی
لعیا
الفت
1
دانشیار گروه مدیریت صنعتی دانشگاه علامه طباطبائی
AUTHOR
سیما
صدیقی گاریز
sims.sedighi@yahoo.com
2
کارشناس ارشد مدیریت صنعتی دانشگاه علامه طباطبائی
LEAD_AUTHOR
آذر، فرجی. (۱۳۸۱). علم مدیریت فازی. تهران: مرکز مطالعات مدیریت و بهرهوری ایران (وابسته به دانشگاه تربیت مدرس).
1
استدلر، هارتموت، کیلگر، کریستوف.(۱۳۸۲). مدیریت زنجیرهتأمین و برنامهریزی پیشرفته، ترجمه: عسگری، نسرین، زنجیرانی فراهانی، رضا. تهران: انتشارات ترمه.(تاریخ انتشار به زبان اصلی، ۲۰۰۲).
2
سمیع زاده، رضا و حسینی، رضا. (۱۳۸۴). مدیریت زنجیرهتأمین و فناوری اطلاعات. دومین کنفرانس ملی فن آوری اطلاعات، اصفهان، تیرماه.
3
غضنفری، مهدی، ریاضی، افشین، کاظمی، مسعود. (۱۳۸۰). مدیریت زنجیرهتأمین. ماهنامه علمی-آموزشی تدبیر، شماره ۱۱۷.
4
مؤمنی، منصور. (۱۳۸۵). مباحث نوین تحقیق در عملیات. تهران: انتشارات دانشکده مدیریت دانشگاه تهران.
5
Auramo,J.,Inkilainen,A.,Kauremaa,J.,Kemppainen,K.,Karkkainen,M.,Laukkanen, S.,Sarpola,S.,Tanskanen, K. (2000). The roles of information technology supply chain management.
6
Benton, W.C. and Maloni, M. (2002). Relationship performance in the automotive supply chain. Fisher College of Business, The Ohio State University.
7
Bojan, S., Yvonilde, D. and Pinto, M. (2008). Fuzzy AHP Assessment of Water Management Plans. Springer Science+Business Media, Vol 22, pp. 877-894.
8
Breen, L. and Crawford, H. (2005). Improving the pharmaceutical supply chain. International Journal of Quality & Reliability Management, Vol. 22, No. 6, pp.572-590.
9
Gera, A.W., Taco,V. and Dirk Pieter, D. (2008). The influence of business conditions on supply chain information-sharing mechanism: A study among supply chain links of SMEs. Int. J. Production Economics 113, pp. 706-720.
10
Gunasekaran, A. and Ngai, E.W.T. (2004). Information systems in supply chain integration and management. European Journal of Operation Research, Vol. 159, pp. 269-295.
11
Jui-Kuei, C. (2007). Constructing Taiwanese Small-Enterprise Innovation Capital Indices by Using Fuzzy-AHP. The Business Review, Cambridge.
12
Laudon, K. and Laudon, J. (2002). Information systems management: organization and technology. Prentice Hall.
13
Lee, H.L., So, K.C. and Tang, C.S. (2001). The Value of information sharing in a two-level supply chain. Management Science 46, No. 5, pp.626-643.
14
Li, S. and Lin, B. (2006). Accessing information sharing and information quality in supply chain management. Decision Support System 42, pp.1641-1656.
15
Percin, S. (2008). Use of fuzzy AHP for evaluation the benefits of information-sharing decisions in asupply chain. Journal of Enterprise Information Management, Vol. 21, No. 3, pp. 263-284.
16
Raghunatan, S. (2003). Impact of demand correlation on the value of and incentives for information sharing in a supply chain. European Journal of Operational Research 146, pp. 634- 649.
17
Ruephuwan, C. (2005). Decision making approaches for information sharing in a supply chain. Industrial Engineering, Graduate School of Clemson University.
18
Slone, R.E., Mentzer, J.T. and Dittmann, J.P. (2007). Are you the weakest link in your company supply chain?. Harvard Business Review, .org, pp. 116-127.
19
Shyur, H.J. (2006). COTS evaluation using modified TOPSIS and ANP. Applied Mathematics and Computation 177, pp.251-259.
20
Tsai, W.H. and Chou, W.C. (2008). Selecting management systems for sustainable development in SMEs: A novel hybrid model based on DEMATEL, ANP and ZOGP. Expert systems with applications, Vol. 36, pp. 1444-1458.
21
Wey, W.M. and Wu, K.Y. (2007). Using priorities with goal programming in resource allocation in transportation mathematical and computer modeling. Vol. 46, pp. 985-1000.
22
ORIGINAL_ARTICLE
اندازهگیری و تحلیل کارایی گمرکات غیرمرزی با استفاده از تکنیک تحلیل پوششی دادههای چندمؤ لفهای
گمرک جمهوریاسلامی ایران، یکی از سازمانهای مؤثر در حوزه تجارت و اقتصاد است. از طرفی تعدد و پراکندگی واحدهای گمرکی موجبشده تا از سرمایههای فیزیکی و انسانی، بهطور مطلوب استفاده نگردد. لذا مطابق ماده ۱۰۶ قانون برنامه پنجم توسعه،مقرر شد تا پایان سال سوم برنامه، حداقل سیدرصد از گمرکات کم فعال کشور کاهش یابد، دراینخصوص بحث عملکرد و کارایی واحدهای گمرکی حائز اهمیت است. هدف این تحقیق، تعیین میزان کارایی و تحلیل علت ناکارایی واحدهای گمرکی غیرمرزی است. برایناساس ۲۳واحد گمرکی از میان ۱۴۲ واحد، از حیث تشابه فعالیت، انتخاب و سه متغیر ورودی و چهار متغیر خروجی تعیین و ابتدا با استفاده از مدل BCC تحلیل پوششی دادهها، کارایی واحدها، اندازهگیری میشود. سپس مدل اصلی تحقیق با درنظرگرفتن دو مؤلفه اساسی برای هر گمرک بر مبنای DEA چند مؤلفهای ایجاد و کارایی مؤلفهها برای هر واحد محاسبه و تحلیل میگردد. نتایج نشان میدهد، گمرکات سمنان، شهرکرد و همدان بالاترین رتبه کارایی و گمرکات اهواز، شیراز و زاهدان پایینترین رتبه را کسب نمودند. همچنین دو متغیر تعداد پروانههای صادره و میزان درآمد وصولی بیشترین تأثیر را بر کارایی واحدهای گمرکی دارند.
کارایی، گمرکات غیرمرزی، تحلیل پوششی دادهها (DEA)، تحلیل پوششی دادههای چند مؤلفهای
https://jims.atu.ac.ir/article_466_f1f4219b0deff2ca11bebdf02b2e4e78.pdf
2014-03-21
123
140
کارایی
گمرکات غیرمرزی
تحلیل پوششی دادهها (DEA)
تحلیل پوششی دادههای چند مؤلفهای
زین العابدین
گنج خانلو
1
دانشجوی.کارشناسی.ارشد.مهندسی.صنایع مدیریت.سیستم.و.بهره.وری,دانشگاه.آزاد.اسلامی،واحد.قزوین
AUTHOR
علیرضا
علی.نژاد
alinezhad@qiau.ac.ir
2
استادیار.دانشگاه.آزاد.اسلامی،واحد.قزوین،دانشکده.مهندسی.صنایع.و.مکانیک،قزوین،ایران
LEAD_AUTHOR
جهانشاهلو، غلامرضا.(۱۳۸۷).تحلیل پوششی دادهها وکاربردهای آن . (چاپ اول) تهران: انتشارات دانشگاه آزاد اسلامی واحد علوم تحقیقات.
1
روابط عمومی گمرک جمهوری اسلامی ایران.(۱۳۸۴). راهنمای مراجعان .(چاپ اول) تهران : انتشارات گمرک جمهوری اسلامیایران.
2
روابط عمومی گمرک جمهوری اسلامی ایران.(۱۳۹۰).گمرک در طرح تحول اقتصادی. بازیابی.شده ۷/۳/ ۹۱ از.(http://www.irica.gov.ir/Portal/File/ShowFile.aspx)
3
غلامرضائی، داود و شاه طهماسبی، اسماعیل.(۱۳۸۸). ارزیابی کارایی نسبی استانهای کشور در دستیابی به اهداف برنامه توسعه سوم کشور در بخش کشاورزی. نشریه اقتصاد کشاورزی و توسعه. ۶۷ . ۷. ۱۳۸۸. ۱۷۸-۱۵۵
4
فلاح ، محمد.(۱۳۸۶). ارزیابی کارایی شعب شرکتهای بیمه با روشDEA. نشریه تازههای جهان بیمه.۱۱۵-۱۱۶ .۱۱.۱۳۸۶. ۲۴-۱۷
5
گمرک ایران،(۱۳۹۱).مناسبسازی تعداد گمرکات با حجم فعالیت تجاری. نشریه تخصصی گمرک جمهوریاسلامی ایران .۶۱۹. ۳ . ۱۳۹۱ .۱۲ .
6
مجلس شورای اسلامی. (۱۳۹۰). قانون برنامه پنجم توسعه فرهنگی ، اقتصادی، اجتماعی کشور.(چاپ اول)
7
مهرگان ، محمدرضا.(۱۳۸۳). مدلهای کمی در ارزیابی عملکرد سازمانها .(چاپ اول) تهران: انتشارات دانشکده مدیریت دانشگاه تهران.
8
منابع
9
.Ahmadzadeh,Namin.Sub units Chain in the DEA. Int.J.Industrial Mathematic .Vol.3.NO.4.(2011). 317-324
10
Amirteimoori,Alireza.&.Kordrostami,Sohrab.(2005).DEA.Like models.formulti.component.performance.measurement, Applied Mathematics and computation 163.(2005) .735–743
11
Amirteimoori,Alireza.&.Kordrostami,Sohrab.(2005).. Multi.component.efficiency.measurement.with.imprecies.data. ,Applied.Mathematics.and computation 162. (2005).1265–1277
12
Amirteimoori,Alireza.&.Toloie.Eshlaghi,Abbas.& Homayoonfar,Mehdi.(2013).Effciency measurement.in.Two-Stage.network.structures.considering.undesirable.outputs.Int.J.Industrial Mathematics. Vol.6,No.1(2013)57-63
13
.Cook, Wade.&.Green,Rodney.Multicomponent efficieancy measurement and core business identification.in.multi.plant.firms A DEA model. Europan Journal of Operational Reserch. 157.(2004) 540-551.
14
.Fallah,Mehdi.GholamAbri,Amir. Efficiency.Measuremen.of.Multiple Components units in DEA Envelopment.Analysis.Using.Common.Set.of Weights.Int.J.Industrial Mathematics. Vol.1.NO.2.(2009). 183-195
15
Jahanshahloo,Gholamreza.&.Amirteimoori,Alireza.& Kordrostami,Sohrab. Multi-Component Performance ,Progress and regress measurement and shared inputs and outputs in DEA for panel data:an application in commercial bank branches. Applied Mathematics and computation 151.(2004). 1-16
16
Jahanshahloo,Gholamreza.&.Amirteimoori,Alireza.& Kordrostami,Sohrab.Measuring the multi – component efficiancy with shared inputs and outputs in dataenvelopment analysis. Applied Mathematics and.computation. 155. (2004) .283-293
17
Kordrostami,Sohrab.&.Amirteimoori,Alireza.Un- desirable factors in.multi-component.performance. measurement.Applied Mathematics and computation. 171. (2005).721-729.
18
Kordrostami,Sohrab.&.Amirteimoori,Alireza.&.AzmayandehOmme.Habibeh.Estimated.Returns.to.Scale.with.Interval Data.in.Parallel.Manufacturing.Systems.with.SharedResources.Int.J.Industrial Mathematics. Vol.4.NO.2.(2012) .123-133
19
Kordrostami,Sohrab.&.Azmayandeh,,Omme.Habibeh.The dynamic efect in parallel production systems;An illustration with Iranian Banks. Applied Mathematics and computation.Vol.5 No. 2(2013)175-185
20
Yao, Chen.& Cook, Wade.&.Zhu,Joe.Deriving the DEA frontier for Two-Stage Processes.,Europan Journal of Operation Research .202. (2010) .138-142.
21
Zha,Yong.& Liang,Liang.Two-Stage cooperation model with input freely distributed among the stages. European Journal of Operational Research 205. (2010) .332–338.
22
ORIGINAL_ARTICLE
انتخاب شاخصهای ارزیابی در تحلیل پوششی دادهها با استفاده از آنالیز تشخیصی
انتخاب متغیرهای ورودی و خروجی در تحلیل پوششی دادهها از اهمیّت بهسزایی برخوردار است و نمرات کارایی واحدها به شدّت از مجموعه متغیرهای انتخابی تأثیر میپذیرند. در این پژوهش، روشی برای انتخاب متغیرهای ورودی و خروجی، براساس آنالیز تشخیصی ارائه شدهاست. در این روش اهمیّت نسبی متغیرها در تعیین عضویت واحدها در دو گروه متغیر وابسته (کارا و ناکارا) یا همان ضرایب تشخیصی استاندارد بهعنوان معیار انتخاب متغیرهای اصلی مدل معرفی میشوند.
https://jims.atu.ac.ir/article_467_ff5323f1c9f7b61dd0238da35c0f24c2.pdf
2014-03-21
141
157
تحلیل پوششی دادهها
آنالیز تشخیصی
ضرایب استاندارد تشخیصی
تابع تشخیصی
رمضانیان
محمدرحیم
1
دانشیار گروه مدیریت، دانشکده ادبیّات و علوم انسانی، دانشگاه گیلان
AUTHOR
کیخسرو
یاکیده
2
استادیار گروه مدیریت، دانشکده ادبیّات و علوم انسانی، دانشگاه گیلان
AUTHOR
اکرم
اویسی عمران
akramoveysi@gmail.com
3
کارشناس ارشد مدیریت صنعتی، گروه مدیریت، دانشکده ادبیات و علوم انسانی، دانشگاه گیلان
LEAD_AUTHOR
جهانشاهلو غلامرضا، نیکومرام، هاشم و حسینزاده لطفی، فرهاد، تحلیل پوششی دادهها و کاربردهای آن، آثار نفیس، ۱۳۹۱.
1
منصورفر، کریم، (۱۳۸۵)، روشهای پیشرفته آماری همراه با برنامههای کامپیوتری، تهران: انتشارات دانشگاه تهران.
2
Banker, R.D., (1993), “Maximum likelihood, consistency and data envelopment analysis: A statistical foundation”. Management Science 39 (10), pp. 1265–1273.
3
Banker, R.D., (1996), “Hypothesis tests using data envelopment analysis”. Journal of Productivity Analysis 7, pp. 139–159.
4
Berger, A., Humphrey, D., (1997), "Efficiency of financial institutions: International survey and directions for future research", EuropeanJournal of Operational Research, 98, pp. 175–212.
5
Boussofiane, A., Dyson, R.G., Thanassoulis, E., (1991), “Applied data envelopment analysis”. European Journal of Operational Research 52, pp. 1–15.
6
Charnes, A., Cooper, W. W., Rhodes, E., (1978), “Measuring the efficiency of decision making units”, Eur. J. Oper.Res.2, pp. 429-444.
7
Charnes, A., Banker, R. D., Cooper, W.W., (1984), “Some Models for estimating technical and scale inefficiencies in Data Envelopment Analysis”, Management science 30(9), pp. 1078-1092.
8
Farrell, M. J., (1957), “The measurement of productive efficiency”, Journal of the Royal Statistical Society Series a, 120 (III), pp. 253-281.
9
Edirisinghe, N.C.P. & Zhang, X., (2010), Input/output selection in DEA under expert information, with application to financial markets, European Journal of Operational Research, Vol. 207 (3),pp. 1669–1678.
10
Golany, B., Roll, Y., (1989), “An application procedure for DEA”. OMEGA 17 (3), pp. 237–250.
11
Jenkins, L., Anderson, M., (2003), “A multivariate statistical approach to reducing the number of variables in data envelopment analysis”. European Journal of Operational Research 147, pp. 51–61.
12
Kittelson, S.A.C., )1993(, Stepwise DEA: Choosing variables formeasuring technical efficiency in Norwegian electricity distribution”, Memorandum No. 06/93, Department of Economics, University of Oslo, Norway.
13
Klimberg, R., Puddicombe, M., (1995), “A multiple objective approach to data envelopment analysis”, working paper 95-105, School of Management, Boston University, MA.
14
Nunamaker, T.R., (1985), Using data envelopment analysis to measure the efficiency of non-profit organizations: A critical evaluation. Managerial and Decision Economics 6 (1), pp. 50–58.
15
Pinto, U., Maheshwar, B., Shrestha, S. and Morris, C., (2012), Modeling eutrophication and microbial risks in peri-urban river systems using discriminant function analysis, water research 4 6, 6476- 6488.
16
Pardoe, Iain and et all, (2007), graphical tools for quadratic discriminant analysis, American statistical association and the American society for quality, Technimetrics, may, vol (49), no. 2.
17
Salinas-Jimenez, J., Smith, P., (1996), “Data envelopment analysis applied to quality in primary health care”. Annals of Operations Research 67, pp. 141–161.
18
Tabachnick, B. G. and Fidell, L. S., (2011), Using Multivariate Statistics, Fifth Edition, Omegatype Typogmph, Inc.
19
Tone, K., Cooper, W. W., Seiford, L. M., (2010), "Data Envelopment Analysis: A Comprehensive Text with Models", Applications, References and DEA-Solver Software. 2nd Edition, New York: Springer.
20
Warner, R. M., (2013), Applied Statistics: From Bivariate Through Multivariate Techniques, SAGE Publications. Yan, L., Gongbing, B. and Liang, L., (2012), Input/output indicator selection for DEA efficiency evaluation: An empirical study of Chinese commercial banks, Expert Systems with Applications 39 (1), pp. 1118-1123.
21