ORIGINAL_ARTICLE
مدل بهینه سازی چند دوره ای تخصیص مسیریابی پرسنل پزشکی به – منظور ارائه خدمات سلامت
سرویسدهی خدمات پزشکی در منزل از اهمیت بالایی در جوامع امروزی برخوردار است. در اکثرر موسسراتفعال این حوزه در ایران از دیدگاه سنتی برای برنامه ریزی و مردیریت پرسرنپ پزشرکی و تعیرین ترتیری ویزیرتبیماران استفاده می شود که این امر در غالی اوقات باعث افزایش هزینه ها و کاهش رضایت بیماران مری گرردد.در این تحقیق یک مدل برنامه ریزی ریاضی چند دوره ای مسیریابی تخصیص پرسنپ پزشکی به منظور ویزیت -بیماران و ارائه خدمات پزشکی به آنها بررسی شده است. در نظر گرفتن ارتباط و عدم ارتباط ویزیت های یرکبیمار به یکدیگر، چند مبدأی فرض کردن مدل در کنار چند دوره ای بودن آن از جمله نوآوری های این مقالرهاست. هدف مدل پیشنهادی حداقپ سازی هزینه های کپ موسسه است. مدل در مقیرا کوچرک برا نررم افرزارگمز حپ شده است. برای حپ مدل در مقیا بزرگ الگروریتم توسرعه داده شرده جسرتهوی همسرایگی مت یررپیشنهاد شده است و عملکرد آن با دو الگوریتم شبیه سازی تبرید و سیستم کلونی مورچگان مقایسه شده است.نتایج نشان از کاهش هزینه ها و عملکرد مناسی الگوریتم پیشنهادی دارد.
https://jims.atu.ac.ir/article_8364_dce5cf5aa43026a0a94ce7211bacd44a.pdf
2018-03-21
1
30
10.22054/jims.2018.8364
مسیریابی
تخصیص
مراقبت های پزشکی در منزل
مدل ریاضی
الگوریتم فرا ابتکاری
سید محمد تقی
فاطمی قمی
fatemighomi@gmail.com
1
استاد گروه تولید صنعتی، دانشکده مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران
AUTHOR
احسان
عرب زاده
ehsan_arabzadeh2014@yahoo.com
2
کارشناسی ارشد مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران.
AUTHOR
بهروز
کریمی
b.karimi@aut.ac.ir
3
استاد گروه تولید صنعتی، دانشکده مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران.
AUTHOR
Begur. S. V.. Miller. D. M.. & Weaver. J. R. (1997). An integrated spatial DSS for scheduling and routing home-health-care nurses. Interfaces. 27(4). 35-48.
1
Braekers. K.. Hartl. R. F.. Parragh. S. N.. & Tricoire. F. (2016). A bi-objective home care scheduling problem: Analyzing the trade-off between costs and client inconvenience. European Journal of Operational Research. 248(2). 428-443.
2
Carello. G.. & Lanzarone. E. (2014). A cardinality-constrained robust model for the assignment problem in home care services. European Journal of Operational Research. 236(2). 748-762.
3
Chahed. S.. Marcon. E.. Sahin. E.. Feillet. D.. & Dallery. Y. (2009). Exploring new operational research opportunities within the home care context: the chemotherapy at home. Health Care Management Science. 12(2). 179-191.
4
Dorigo. M.. & Gambardella. L. M. (1997). Ant colony system: a cooperative learning approach to the traveling salesman problem. IEEE Transactions on evolutionary computation. 1(1). 53-66.
5
Hiermann. G.. Prandtstetter. M.. Rendl. A.. Puchinger. J.. & Raidl. G. R. (2015). Metaheuristics for solving a multimodal home-healthcare scheduling problem. Central European Journal of Operations Research. 23(1). 89-113.
6
Kergosien. Y.. Ruiz. A.. & Soriano. P. (2014). A routing problem for medical test sample collection in home health care services. In Proceedings of the International Conference on Health Care Systems Engineering (pp. 29-46). Springer International Publishing Switzerland.
7
Mankowska. D. S.. Meisel. F.. & Bierwirth. C. (2014). The home health care routing and scheduling problem with interdependent services. Health care management science. 17(1). 15-30.
8
Kirkpatrick. S.. Gelatt. C. D.. & Vecchi. M. P. (1983). Optimization by simmulated annealing. science. 220(4598). 671-680.
9
Lysgaard. J.(1997). Clark & Wright’s Savings Algorithm. Department of Management Science and Logistics. The Aarhus School of Business. 44.
10
Nowak. M.. Hewitt. M.. & Nataraj. N. (2013). Planning strategies for home health care delivery.
11
Torres-Ramos. A. F.. Alfonso-Lizarazo. E. H.. Reyes-Rubiano. L. S.. & Quintero-Araújo. C. L. (2014). Mathematical Model for the Home Health Care Routing and Scheduling Problem with Multiple Treatments and Time Windows. In Proceedings of the 1st International Conference on Mathematical Methods & Computational Techniques in Science & Engineering (MMCTSE 2014) (pp. 140-145).
12
ORIGINAL_ARTICLE
طراحی زنجیره تأمین رقابتی با در نظر گرفتن اختلال در تأمین (مطالعه موردی: زنجیره تأمین سنگهای تزئینی)
هدف اصلی این پژوهش ارائه مدلی برای طراحی زنجیره تأمین سنگهای تزئینی در شرایط رقابتی و باا درنرارگرفتن ریسکهای اختلال میباشد. ابزار اصلی مورداستفاده در این پژوهش، استفاده از برناماه ریازی ریایای وتئوری بازیها میباشد که اغلب در مدلسازی مدلهای رقابتی از بازی استکلبرگ استفاده مای گاردد. همنناینهدف در مدلسازی این مسئله مقابله با ریسکهای احتمالی اختلال و در نررگرفتن شرایط رقابتی بازار میباشد.با توجه به شرایط مسئله، از روشهای فرا ابتکاری نریر الگوریتم بهینه سازی انبوه ذرات و بهینه سااز ی مبتنای بارجغرافیای زیستی جهت حل مدل و اعتبارسنجی آن استفاده شده است. نتایج حاصل از این تحقیق نشان میدهدکه بروز اختلال، تصمیمات مکانیاابی اساتقرار مراکاز تولیادی و تاوزیعی، قیمات محصاودت و ساود اجازایزنجیره را تحت تأثیر قرار میدهد
https://jims.atu.ac.ir/article_8365_96d3f954a46e76a6e900c2a1a19599c5.pdf
2018-03-21
31
53
10.22054/jims.2018.8365
رقابت
اختلال
طراحی زنجیره تأمین
بازی استکلبرگ
بهینه سازی انبوه ذرات
میلاد
یاری
miladyari@gmail.com
1
دانشجوی کارشناسی ارشد، دانشکده مهندسی صنایع، دانشگاه علم و صنعت
AUTHOR
میر سامان
پیشوایی
2
استادیار دانشکده مهندسی صنایع، دانشگاه علم و صنعت
AUTHOR
آرمین
جبارزاده
arminj@iust.ac.ir
3
استادیار دانشکده مهندسی صنایع، دانشگاه علم و صنعت
AUTHOR
آقابزرگی، ن. سجادی، م. علینقیان، م.، (1394) ارائه مدلی پایدار جهت مکانیابی-موجودی زنجیره تامین سه سطحی تک دوره ای شرکتهای کوچک و متوسط با تقاضای غیرقطعی، فصلنامه مطالعات مدیریت صنعتی، سال سیزدهم، شماره38، پاییز94، صفحه99-132.
1
ربانی، م. معنوی زاده، ن. فرشباف گرانمایه، ا.، (1394). طراحی چندهدفه زنجیره تامین بادرنظر گرفتن ریسک اختلال تسهیلات، عرضه و تقاضا در شرایط غیرقطعی بودن پارامترهای اقتصادی، فصلنامه مطالعات مدیریت صنعتی، سال سیزدهم، شماره37، تابستان94، صفحه5-35.
2
Farahani, R. Z., Rezapour, S., Drezner, T., & Fallah, S. (2014). Competitive supply chain network design: An overview of classifications, models, solution techniques and applications. Omega, 45, 92-118.3.
3
Zhang, L., & Rushton, G. (2008). Optimizing the size and locations of facilities in competitive multi-site service systems. Computers & Operations Research, 35(2), 327-338.
4
Snyder, L. V., Atan, Z., Peng, P., Rong, Y., Schmitt, A. J., & Sinsoysal, B. (2016). OR/MS models for supply chain disruptions: A review. IIE Transactions, 48(2), 89-109.
5
Feng, L., L. Yu, and L. Mei. Disruption risks in the supply chain. in Emergency Management and Management Sciences (ICEMMS), 2011 2nd IEEE International Conference on. 2011. IEEE.
6
Friesz, T. L., Lee, I., & Lin, C. C. (2011). Competition and disruption in a dynamic urban supply chain. Transportation Research Part B: Methodological, 45(8), 1212-1231.
7
Seifert, R. W., & Langenberg, K. U. (2011). Managing business dynamics with adaptive supply chain portfolios. European Journal of Operational Research, 215(3), 551-562.
8
Bai, Y., Ouyang, Y., & Pang, J. S. (2012). Biofuel supply chain design under competitive agricultural land use and feedstock market equilibrium. Energy Economics, 34(5), 1623-1633.
9
Ivanov, D., & Sokolov, B. (2009). Adaptive supply chain management. Springer Science & Business Media.
10
Gupta, V., He, B., & Sethi, S. P. (2015). Contingent sourcing under supply disruption and competition. International Journal of Production Research, 53(10), 3006-3027.
11
Fallah, H., Eskandari, H., & Pishvaee, M. S. (2015). Competitive closed-loop supply chain network design under uncertainty. Journal of Manufacturing Systems, 37, 649-661.
12
Candler, W., & Townsley, R. (1982). A linear two-level programming problem. Computers & Operations Research, 9(1), 59-76.
13
Gang, J., Tu, Y., Lev, B., Xu, J., Shen, W., & Yao, L. (2015). A multi-objective bi-level location planning problem for stone industrial parks. Computers & Operations Research, 56, 8-21.
14
Eberhart, R., & Kennedy, J. (1995). A new optimizer using particle swarm theory In: Proceedings of the sixth international symposium on micro machine and human science, vol 43 IEEE. New York.
15
Simon, D. (2008). Biogeography-based optimization. IEEE transactions on evolutionary computation, 12(6), 702-713.
16
ORIGINAL_ARTICLE
برنامه ریزی مکانیابی ادارات پست و مسیریابی مرسوله های پستی در شهر تهران
یکی از مهمترین مسائل پیش روی شرکت ها ی توزیع،، طراحی مکان های دپو و مسیریابی وسایل نقلیه وبهینه سازی شبکه تامین است. در این پژوهش به مکا ن یابی ادارات پست و مسیریابی مرسوله های پستی پرداختهشده است. یک مساله مکا ن یابی مسیریابی دو هدفه توسعه داده شده است. به منظور تطبیق مدل با -واقعیتت عدادی از محدودیت دنیای واقعی از جمله زما ن محدود برای ارسال در نظر گرفته شده اند. یک روش حلمناسب با استفاده از برنامه ریزی آرمانی اصلاح شده برای حل مدل پیشنهادی توسعه داده شده است. مدلپیشنهادی و روش حل در مطالعه موردی ادارات پست شهر تهرا بکارگیری شده اند. نتایج مدل پیشنهادی باوضعیت جاری ادارات پست مقایسه شده اند و مشخص شده است که مدل پیشنهادی در مورد زمان و هزینهانجام عملیات پستی صرفه جویی های قابل توجهی را ارائه می دهد. مدل پیشنهادی را می توان در مورد سایرخدمات شهری مانند مکا ن یابی سطل های جمع آوری زباله ها و مسیریابی ماشین های جمع آوری متناسب سازیو بکارگیری نمود. همچنین می توا ن سایر پارامترهای مورد توجه در برنامه ریزی شهری را به صورت عدمقطعیت در مدل دخیل کرد. همچنین می توا ن مساله را برای کل کشور ایرا ن توسعه داد و با توجه به بزرگ شدن سایز مسئله می توان از روش های فراابتکاری برای حل مدل استفاده نمود
https://jims.atu.ac.ir/article_8366_3bebd8aa35c8d27cee7868b8486ded56.pdf
2018-03-21
55
72
10.22054/jims.2018.8366
مساله مکا یابی مسیریابی
برنامه ریزی دو هدفه
برنامه ریزی آرمانی
پست شهر تهران
محمد حسین
طهماسبی
m.hossein_tahmasebi@yahoo.com
1
کارشناسی ارشد مهندسی صنایع دانشکده مهندسی صنایع، واحد تهران جنوب ، دانشگاه آزاد اسلامی
AUTHOR
کاوه
خلیلی دامغانی
kaveh.khalili@gmail.com
2
دانشیار مهندسی صنایع دانشکده مهندسی صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران
AUTHOR
وحید رضا
قضاوتی
3
دانشیار مهندسی صنایع دانشکده مهندسی صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران
AUTHOR
محمدیشاد، علیرضا و فتاحی،پرویز.(1391). یکروشفراابتکاریترکیبیبرایمسئلهمکانیابی-مسیریابیوسیلهنقلیه ظرفیت دارباپنجره هایزمانیسخت.تهران: نشریه تخصصی مهندسی صنایع.
1
ایران نژاد بی صفر،سعید، جلیلی بوالحسنی،سهیل و رضازاده،حسن.(1391).مساله مکان یابی-مسیریابی چندکالایی با در نظر گیری محدودیت های حداکثر ظرفیت وسیله نقلیه و مدت زمان در دسترس بودن وسیله نقلیه.تهران:فصلنامه مدیریت زنجیره تامین.
2
رضوی، مریم، سوخکیان، محمدعلی و زیارتی، کورش.(1390). ارایهالگوریتمفراابتکاریمبتنیبرسیستمکلونیمورچگانبرایمسئله مکانیابیمسیریابیباچندینانباروفرضتخصیصچندینمسیربههر وسیلهنقلیه.تهران:مدیریت صنعتی.
3
ذگردی، سیدحسامالدین، نیکبخش، احسان.(1388). حلابتکاریوکرانپایینبرایمسئلهمکانیابی-مسیریابیدوردهای.تهران: نشریهبینالمللیمهندسیصنایعومدیریتتولید.
4
Bruns, A., Klose, A., Staghly, P., (2000). Restructuring of Swiss parcel delivery services. OR Spektrum, 22, 285–302.
5
Chan, Y ., Baker, S., (2005).The multiple depot, multiple traveling salesmenfacility-location problem: Vehicle range, servicefrequency and heuristicimplementations.Mathematical and Computer Modelling, 41,1035-1053.
6
Charnes, A., Cooper, WW., Ferguson, R. (1955) Optimal estimation of executive compensation by linear programming.Management Science, 1, 138-151.
7
Charnes, A., Cooper, WW. (1961) Management models and industrial applications oflinear programming, Wiley, New York.
8
De Camargo,R., de Miranda,G., kketangen, A. (2013).A new formulation and an exact approach for the many-to-many hub location-routing problem.AppliedMathematicalModelling, 37,7468-7480.
9
Govindan,K., Jafarian,A., Khodaverdi,R., Devika, K.(2014). Two-echelon multiple-vehicle location-routing problem with time windows for optimization ofsustainable supply chain network of perishable food. International Journal of ProductionEconomics,152,9-28.
10
Hashemi Doulabi,S., Seifi, A. (2013).Lower and upper bounds forlocation-arc routing problems with vehicle capacity constraints. European Journal ofOperational Research, 224,189-208.
11
Jarboui,B.,Derbel,H.,Hana,S.,Mladenovi, N. (2013).Variable neighborhood searchfor location-routing.Computers& OperationsResearch,40,47-55.
12
Jones DF, Tamiz M (2010) Practical Goal Programming, Springer.
13
Laporte, G., Nobert, Y., 1981. An exact algorithm for minimizing routingandoperating costs in depot location. European Journal of Operational Research, 6, 224–226.
14
Laporte, G., Nobert, Y., Pelletier, P., 1983. Hamiltonian locationproblems.European Journal of Operational Research, 12, 82–89.
15
Laumanns,M., Thiele,L., Zitzler, E. (2006). An efficient,adaptive parameter variation scheme for metaheuristics based on theepsilon-constraintmethod. European Journal of Operational Research, 169,932-942.
16
Maranzana, F.E., (1964). On the location of supply points to minimize transportcosts.Operational Research Quarterly 15,261-270.
17
Rath,S.,Gutjahr,W.(2014). A math-heuristic for the warehouse location-routingproblem in disaster relief.Computers & Operations Research, 42,25-39.
18
Rawls, J. (1973). Some ordinalist-utilitarian notes on Rawls's theory of justice.TheJournal of Philosophy, 70(9), 245-263.
19
Rieck,J., Ehrenberg,C., Zimmermann, J. (2014). Many-to-many location-routingwith inter-hub transport and multi-commodity pickup-and-delivery.European Journal ofOperationalResearch,263,863-878.
20
Stenger,A., Schneider,M., Schwind,M., Vigo,D.(2012).Location routingforsmallpackage shippers with subcontractingoptions.InternationalJournal of ProductionEconomics, 140,702-712.
21
Ting,C,J., Chen,C,A,(2013).A multiple ant colony optimizationalgorithmfor thecapacitatedlocation-routing problem.InternationalJournal of Production Economics,141,34-44.
22
Wasner, M., Zapfel, G., (2004). An integrated multi-depot hublocation vehicle routingmodel for network planning of parcelservice. International Journal of ProductionEconomics90,403–419.
23
Zare Mehrjerdi,Y.,Nadizadeh,A.,(2013).Using greedy clustering method to solvecapacitated location-routing problem with fuzzy demands.European Journal of Operational Research, 229,75-84.
24
ORIGINAL_ARTICLE
ارائه ی مدل برنامه ریزی استوار یکپارچه برای تخصیص سفارش در زنجیره ی تامین
در بیشتر صنایع هزینه ی مواد خام و اجزای تشکیل دهنده ی محصول، در حدود 00 % از بهای تمام شده )در برخیاز صنایع تا 40 %( را در برمی گیرد. در چنین شرایطی، منبع یابی مناسب،، مبی توانبد نقشبی یلیبدی در یبارایی واثربخشی سازمان ایفا نموده و تاثیر مستقیمی در یاهش هزینه ها، سودآوری و انعطاف پذیری یک شریت داشتهباشد. در مقاله ی حاضر تعیین یمیت مطلوب سفارش در حالت وجود چند تامین یننده، چند محصبول، در یبیچند دوره، در حالت مجاز ببودن مبازاد و یمببود، ببا لحبا ماه یبت چنبدمعیاره و چندهدفبه ی مسباله و وجبودتخفیف افزایشی، با لحا عدم ایمینان در پارامترهای تقاضا، زمان انتظار، هزینه ی ثابت سفارش، سطح ییفیبتتامین یننده و بودجه ی هر دوره مد نظر قرار گرفته و با استفاده از برنامه ریزی مختلط صحیح استوار مدل و حبلشده است. به منظور لحا معیارهای موثر بر انتخباب تبامین یننبده در مبدل ریاضبی از فرآینبد تحلیبل شببکه وبه منظور لحا وابستگی داخلی میان معیارها از دیمتبل اسبتفاده شبده اسبت. در پایبان نتبای و پیشبنه ادات ارائبهمی شود
https://jims.atu.ac.ir/article_8367_ea8ed6c193ceac603ef97a91c9215089.pdf
2018-03-21
73
107
10.22054/jims.2018.8367
انتخاب تامین کننده در زنجیره ی تامین
فرآیند تحلیل شبکه
روش دیمتبل
برنامه ربزی ریاضی مختلط صحیح چندهدفه استوار
مجید
هوشمندی ماهر
majidhooshmand@gmail.com
1
دانش آموخته ی دکتری مدیریت تولید و عملیات، دانشکده ی مدیریت و حسابداری دانشگاه علامه طباطبائی
AUTHOR
مقصود
امیری
mg_amiri@yahoo.com
2
استاد گروه مدیریت صنعتی، دانشکده ی مدیریت و حسابداری دانشگاه علامه طباطبائی
AUTHOR
Aissaoui، Najla، Haouari M.، Hassini E.، (2007)، “Supplier selection and order lot sizing modeling: A review”، Journal of Computers & Operations Research، No. 34، Pp. 3516 – 3540.
1
Basnet, C., Leung, J. M. Y., (2005), “Inventory lot sizing with supplier selection”, Journal of Computers & Operations Research, Vol. 32, Pp. 1-14.
2
Bhatnagar R, Sohal AS., (2005), “ Supply chain competitiveness: measuring the impact of location factors, uncertainty and manufacturing practices.”, Technovation, Vol. 25, Num.5, Pp.443–456.
3
Feng, Rakesh,N.,(2010), “Robust supply chain design under uncertain demand in agile manufacturing”, Computers & Operations ResearchVol.37Num. 4, Pp.668–683..
4
Ghodsypour S.H, O’Brien C., (2001), “The total cost of logistics in supplier selection, under conditions of multiple sourcing, multiple criteria and capacity constraint”, Int. J. Production Economics, Vol. 73, Pp. 15-27.
5
Ho W.R.J، Tsai، C.L، Tzeng، G،H.، Fang، S.K، (2011)، “Combined DEMATEL technique with a novel MCDM model for exploring portfolio selection based on CAPM”، Expert Systems with Applications: An International Journal ، Vol.،38، No.،1Pp. 16-25.
6
Leung, S.C.H., Tsang,S.O.S., Ng,W.L., Wu,Y., (2007), “A robust optimization model for multi-site production planning problem in an uncertain environmen“, European Journal of Operational Research, Vol. 181, Num. 1 Pp. 224–238.
7
Mendoza, Ebraham, (2007), “Effective methodologies for supplier selection and order quantity allocation”, A Thesis document submitted in partial fulfillment of the requirements for the degree of Doctor of philosophy in industrial engineering and operation research, University of Pennsylvania.
8
Mirzapour Al-E-Hashem, S.M.J, Malekly H., Aryanezhad, MB., (2011), “A multi-objective robust optimization model for multi-product multi-site aggregate production planning in a supply chain under uncertainty”, International Journal of Production Economics, Vol. 134, Num. 1, Pp. 28-42.
9
10.Monczka, R., R. Trent, and R. Handfield, (2005), “Purchasing & Supply Chain Management”, Thomson, Mason, OH.
10
11.Mulvey, J.M., Vanderbei, R.J., Zenios, S.A., (1995), “Robust optimization of large scale systems”,Operations Research, Vol.43, Num2, Pp. 264–281.
11
Peidro D., Mula J. Poler R., Cruz Lario F., (2009), “Quantitative models for supply chain planning under uncertainty: a review”, Int J Adv Manuf Technol, Num. 400, Pp. 400-420.
12
13.Pouradab، S.، Nadali، A.، Eslami، H.، (2011)، “A Hybrid Method for Credit Risk Assessment of Bank Customers”، International Journal of Trade، Economics and Finance، Vol. 2، No. 2،.
13
14.Quayle, M., (2006) “Purchasing and Supply Chain Management: Strategies and Realities” (1th ed.), IRM Press
14
15.Rezaei, J., Davoodi, M., (2008), “A deterministic, multi-item inventory model with supplier selection and imperfect quality”, Journal of Applied Mathematical Modelling, Vol. 32. Pp. 2106–2116.
15
16.Wei Li, C. & Tzeng G.H., (2009), “Identification of a threshold value for the DEMATEL method using the maximum mean de-entropy algorithm to find critical services provided by a semiconductor intellectual property mall”, Expert System with Applications, Vol. 36, Num6, Pp. 9891-9898.
16
17.Yu, C.S., Li,H.L., (2000), ”A robust optimization model for stochastic logistic problems”, International Journal of Production Economics, Vol. 64, Num. 1-3, Pp. 385–397.
17
فیضالهی، محمد جواد، (1386)، "بهینهسازی استوار و کاربرد آن در مهندسی مالی و صنایع"، پایاننامه کارشناسی ارشد مهندسی صنایع، دانشگاه صنعتی شریف، تهران؛
18
هوشمندی ماهر مجید، (1391)، «مدلی برای انتخاب تامینکننده در زنجیرهی تامین در شرایط عدم اطمینان»، رسالهی دکتری دانشکدهی مدیریت و حسابداری دانشگاه علامه طباطبایی.
19
ORIGINAL_ARTICLE
رویکردی نوین جهت سنجش هزینه های کیفیت با استفاده از مفاهیم کارت امتیازی متوازن با رویکرد فازی
امروزه کیفیت به عنوان یکی از مزیتهای رقابتی مهم شناخته شده است، اما کیفیت همواره در کنار قیمتمطرح میشود، از این رو شناخت هزینه کیفیت و تقسیم بندی مناسب همواره در ادبیات توجه بسیاری ازمحققان را به خود جلب نموده است. مطالعه ادبیات نشان میدهد از زمان مطرح شدن هزینه یابی کیفیت ، همهتوجه ها به سمت شناسایی هزینه های مختلف کیفیت بوده و گاها نگاه های متفاوتی به این هزینه ها شده است کهدر اصل طبقه بندی ها شباهت هایی نیز به هم داشته اند. با وجود گزارشهای موفقی که از اجرای این روشها درشناسایی هزینه های کیفیت گردیده، یک خلأ در فرآیندهای بهبود مشاهده میشود. اگر چه شناسایی هزینه ها واجرای طرحهای بهبود مناسب در این زمینه اغلب موجب بهبود سطح کیفیت محصولات و خدمات ودرنهایت منجر به افزایش رضایت مشتری میشود. اما قطعا مابین تخصیص کور منابع و تخصیص بهینه منابع دریک طرح، تفاوت معناداری در نتایج حاصل پدیدار میگردد. هدف این پژوهش طراحی رویکردی است کهبه طور مستمر و با صرف هزینه کمتر به یک سطح کیفیت مشخص برسسد. در این رویکرد، پس از شناسایی انواع هزینه های کیفیت، تفاوت اهمیت هزینه ها مشخص میگردد. در این مرحله برای هر یک دو نوع وزنبدست میآید، وزن اول از نتایج مالی حاصل از شناسایی هزینه ها بدست می آید، در واقع نسبت بار مالی هریک از هزینه ها را نسبت به کل هزینه های کیفیت نشان می دهد، نظرات ذینفعان سازمان طبق منظر کارتامتیازی متوازن در فرآیند محاسبه وزن نوع دوم به عنوان گروه کارشناسان در تکنیک فرآیند سلسله مراتبیتحلیل دخیل می گردد.
https://jims.atu.ac.ir/article_8368_237f574343ce6253f3796848e019a9ea.pdf
2018-03-21
109
130
10.22054/jims.2018.8368
هزینه های کیفیت
تکنیکهای کیفیت
کارت امتیازی متوازن
AHP و تاپمیز فازی
ابوالفضل
کاظمی
ab_kazemi@gmail.com
1
دانشگاه آزاد اسلامی، واحد قزوین، دانشکده مهندسی صنایع و مکانیک، قزوین
AUTHOR
وحید
حاجی پور
vahid.hajipour@gmail.com
2
دانشگاه آزاد اسلامی، واحد تهران غرب، دانشکده فنی و مهندسی، گروه مهندسی صنایع، تهران.
AUTHOR
Abed, M.H. and Dale, B.G. (1987), “An attempt to identify quality-related costs in textile manufacturing”, Quality Assurance, 13 (2), 41-45.
1
Albright, T.L. and Roth, H.P. (1992), “The measurement of quality costs: an alternative paradigm”, Accounting Horizons, 6(2), 15-27.
2
Banker, R.D., Chang, H., Janakiraman, S.N., & Konstans, C. (2004), “A balanced scorecard analysis of performance metrics”, European Journal of Operational Research, 154, 423-436.
3
Burgess, T.F. (1996), “Modeling quality-cost dynamics”, International Journal of Quality & Reliability Management, 13 (3), 8-26.
4
Carr, L.P. (1992), “Applying cost of quality to a service business”, Sloan Management Reviews, Summer, p. 72-79.
5
Cooper, R. and Kaplan, R.S. (1988), “Measure costs right: make the right decisions”, Harvard Business Review, 66 (5), 96-103.
6
Dale, B.G. and Plunkett, J.J. (1995), Quality Costing, 2nd ed., Chapman and Hall, London.
7
Dawes, E.W. (1989), “Quality costs – new concepts and methods, quality costs: ideas & applications”, in Campanella, J. (Ed.), Quality Costs: Ideas and Applications, Vol. 2, ASQC Quality Press, Milwaukee, WI, p. 440-453.
8
Feigenbaum, A.V. (1956), “Total quality control”, Harvard Business Review, 34 (6), 93-101.
9
Fine, C.H. (1986), “Quality improvement and learning in productive systems”, Management Science, 32 (10), 1301-1315.
10
Fox, M.J. (1989), “The great economic quality hoax”, Quality Assurance, 15 (2) 72-74.
11
Goulden, C. and Rawlins, L. (1995), “A hybrid model for process quality costing”, International Journal of Quality & Reliability Management, 12 (8), 32-47.
12
Hajipour V., Kazemi A., Mousavi M., (2013). “A Fuzzy Expert System to Increase Accuracy and Precision in Measurement System Analysis”, Measurement, 46 (8), 2770-2780.
13
Hatami-Marbini A., Tavana M., Hajipour V., Kangi F., Kazemi A., (2013). “An Extended Compromise Ratio Method for Fuzzy Multi-Attribute Group Decision Making Problem with SWOT Analysis”, Applied Soft Computing, 13 (8), 3459-3472.
14
Kaplan, R., & Norton, D. (1992). “The balanced scorecard: measures that drive performance”. Harvad Business Review, 70, 71-79.
15
Kaplan, R.S., & Norton, D.P. (1996). “The balanced scorecard: translating strategy into action”. Boston: Harvard Business School Press.
16
Kazemi A., Hajipour V., (2013). “A Fuzzy Approach to Increase Accuracy and Precision in Measurement System Analysis”, Economic Computation and Economic Cybernetics Studies and Research, 47 (2), 171-187.
17
Kim, M.W. and Liao, W.M. (1994), “Estimating hidden quality costs with quality loss function”, Accounting Horizons, March, 12, 8-15.
18
Machowski, F. and Dale, B.G. (1998), “Quality costing: an examination of knowledge, attitudes and perceptions”, Quality Management Journal, 5 (3), 84-95.
19
Marsh, J. (1989), "Process Modeling for Quality Improvement", Proceeding of the Second International Conference On Total Quality Management, 14-15, 111-215.
20
Modarres, B. and Ansari, A. (1987), “Two new dimensions in the cost of quality”, International Journal of Quality & Reliability Management, 4 (4), 9-20.
21
Purgslove, A.B. and Dale, B.G. (1996), “The influence of management information and quality management systems on the development of quality costing”, Total Quality Management, 7 (4), 421-432.
22
Ross, D.T. (1977), “Structured analysis (SA): a language for communicating ideas”, IEEE Transactions on Software Engineering, 3 (1), 16-34.
23
Schiffauerova A. and Vince T.,(2005), “A review of research on cost of quality models and best practices”, International Journal of Quality & Reliability Management, 23 (6), 647-669.
24
Tatikonda, L.U. and Tatikonda, R.J. (1996), “Measuring and reporting the cost of quality”, Production and Inventory Management Journal, 37, 1-7.
25
Tsai, W.H. (1998), “Quality cost measurement under activity-based costing”, International Journal of Quality & Reliability Management, 15 (7), 719-752.
26
Yüksel, I., Dagdeviren, M. (2010). “Using the fuzzy analytic network process (ANP) for Balanced Scorecard (BSC): A case study for a manufacturing firm”. Expert Systems with Applications, 37, 1270-1278.
27
ORIGINAL_ARTICLE
انتخاب پرتفوی بهینه با استفاده از سیستم خبره در محیط فازی ممدانی
اصلاحات جزء جدایی ناپذیر تحولات اقتصادی در بخش مالی می باشد که شامل شکل دهی دوباره ساختار بازارسرمایه، نوآوری در ابزارها و محیطی با نظم جامع تر است. دو مکتب فکری غالب بر ادبیات بازار سهام، تجزیهو تحلیل های بنیادی و تکنیکی می باشند. مسئله انتخاب پرتفوی بسیار مهم می باشد. به همین علت، این پژوهشارزیابی سهام، شرکت ها با استفاده از هر دو روش تجزیه و تحلیل بنیادی و تکنیکی را برگزیده و سپس به منظورتشکیل پرتفویی که حالات مختلف ریسک و ترجیحات سرمایه گذارن را لحاظ کند، از مدل فازی ممدانی ومدل برنامه ریزی خطی عدد صحیح ترکیبی استفاده نموده است. دلیل استفاده از سیستم فازی ممدانی، کارابودن آن در محیط های مبهم و استفاده از دانش انسانی و مدل برنامه ریزی خطی عدد صحیح ترکیبی، قابلیتیافتن جواب بهینه مسئله از میان تعداد زیاد جواب موجود می باشد. نتایج ارزیابی عملکرد پرتفوی های تشکیلشده برای سه حالت سرمایه گذار ریسک گریز، ریسک خنثی و ریسک پذیر، نشان می دهد که عملکرد پرتفویپیشنهادی مثبت بوده و عملکرد مناسبی را نشان می دههد، اما در مقیاسی دقیق تر پرتفوی تشکیل شده برایسرمایه گذار ریسک گریز در وضعیت مطلوب تری قرار دارد
https://jims.atu.ac.ir/article_8369_055240801e8a012cfb59099279dcb504.pdf
2018-03-21
131
151
10.22054/jims.2018.8369
ارزیابی سهام
پرتفوی بهینه
سیستم خبره
مدیریت پرتفوی
منطق فازی
سیده فرناز
کوهبنانی نژاد
farnaz_kouhbanani@yahoo.com
1
کارشناسی ارشد مدیریت بازرگانی مالی، دانشکده مدیریت،گروه مدیریت و حسابداری، دانشگاه یزد
AUTHOR
داریوش
فرید
fareed@yazd.ac.ir
2
دانشیار، دانشکده مدیریت،گروه مدیریت و حسابداری، دانشگاه یزد، یزد
AUTHOR
حجت الله
صادقی
3
استادیار، دانشکده مدیریت، گروه مدیریت و حسابداری، دانشگاه یزد
AUTHOR
Fama, E. & Ferench, K. The Capital Asset Pricing Model: Theory and Evidence. Journal of Economic Perspectives 18. P:20. 2003
1
Maknickiene, N. Selection of orthogonal investment portfolio using Evolino RNN trading model. Social and Behavioral Sciences. (110) . 1158 – 1165. 2014.
2
Markowitz H. Portfolio selection; Journal of Finance: 77-91. 1952.
3
Strong، Robert A. Portfolio Construction, Management & Protection, 2d Edition، South-Western College، P .431. 2000.
4
Yunusoglu, G. & Selim, H. A fuzzy rule based expert system for stock evaluation and portfolio construction: An application to Istanbul Stock Exchange. Expert Systems with Applications. (40). 908-920. 2013.
5
Alvarz Grima, M.; Bruines, PA.; Verhoef, p. Modeling tunnel machine performance by neure-fuzzy methods. Tunnelling and underground space technology. Pp. 259-269. 2000.
6
Asmuni, H.. Fuzzy methodologies for automated university. Timetabling Solution Construction and Evaluation. Ph.D Thesis. University of Nottingham, UK. P. 71. 2009. Baralis, E.; cagliero, L.; Garza, P. Planning stock portfolios by means of weighted frequent itemsets. Expert Systems with Applications Volume 86, 15 November, Pages 1-17. 2017
7
Chong, H.Y.; Yap, H.; Loong, Y. Fuzzy-based risk prioritization for a hydrogen refueling facility in Malaysia. Applied Physics & Engineering. (24) Pp. 565-573. 2013.
8
Fernández, A. & Gómez, S. Portfolio selection using neural networks. Computers & Operations Research 34 ,1177–1191. 2007
9
Gupta, P.; Inuiguchi, M. & Mehlawat, M. A hybrid approach for constructing suitable and potimal portfolios. Expert Systems with Applications, 38 (5): 5620., 908–920. 2013.
10
Karsak, E. Fuzzy multiple objective programming framework to prioritize decision requirements in prioritize function deployment. Computers quality function deployment, computers & industrial engineering (47), 149-163. 2004.
11
Levy,H; Levy, M. The benefits of differential variance- based constraints in portfolio optimization. European Journal of Operational Research, Volume 234, Issue 2, PP. 372-381. 2014
12
Rada, R. Expert systems and evolutionary computing for financial investing: A review. Expert Systems with Applications, 34(4), 2232–2240. 2008.
13
Reilly, F. & Brown, C Investment Analysis and Portfolio Management. Publisher: Cengage Learning; 10 edition. P. 840. 2011.
14
Xidonas, P. & Psarras, J. Equity portfolio management within the MCDM frame: A literature review. International Journal of Banking, Accounting and Finance, 1(3), 285–309. 2009.
15
Yunusoglu, G. & Selim, H. A fuzzy rule based expert system for stock evaluation and portfolio construction: An application to Istanbul Stock Exchange. Expert Systems with Applications. (40). 908-920. 2013.
16
Zhou, R., Yang, Z., Yu, M., Ralescu, D. A.,. A portfoliooptimization model based on informationentropy and fuzzy time series. Fuzzy Optimization and Decision Making, 14(4), 381-397. 2015
17
Zhang, WG. & Nic, ZK. On admissible efficient portfolio selection problem. Applied Mathematic and Computations. 159 (2): 357-371. 2004.
18
Mamdani, E.H. & Assilian, S. (1975). An Experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies, 7, 1-13. 1975.
19
Ross, T.J. Fuzzy logic with engineering application john wiley & sons. 2005
20
Fama, E. & Ferench, K. The Capital Asset Pricing Model: Theory and Evidence. Journal of Economic Perspectives 18. P:20. 2003
21
Maknickiene, N. Selection of orthogonal investment portfolio using Evolino RNN trading model. Social and Behavioral Sciences. (110) . 1158 – 1165. 2014.
22
Markowitz H. Portfolio selection; Journal of Finance: 77-91. 1952.
23
Strong، Robert A. Portfolio Construction, Management & Protection, 2d Edition، South-Western College، P .431. 2000.
24
Yunusoglu, G. & Selim, H. A fuzzy rule based expert system for stock evaluation and portfolio construction: An application to Istanbul Stock Exchange. Expert Systems with Applications. (40). 908-920. 2013.
25
Alvarz Grima, M.; Bruines, PA.; Verhoef, p. Modeling tunnel machine performance by neure-fuzzy methods. Tunnelling and underground space technology. Pp. 259-269. 2000.
26
Asmuni, H.. Fuzzy methodologies for automated university. Timetabling Solution Construction and Evaluation. Ph.D Thesis. University of Nottingham, UK. P. 71. 2009. Baralis, E.; cagliero, L.; Garza, P. Planning stock portfolios by means of weighted frequent itemsets. Expert Systems with Applications Volume 86, 15 November, Pages 1-17. 2017
27
Chong, H.Y.; Yap, H.; Loong, Y. Fuzzy-based risk prioritization for a hydrogen refueling facility in Malaysia. Applied Physics & Engineering. (24) Pp. 565-573. 2013.
28
Fernández, A. & Gómez, S. Portfolio selection using neural networks. Computers & Operations Research 34 ,1177–1191. 2007
29
Gupta, P.; Inuiguchi, M. & Mehlawat, M. A hybrid approach for constructing suitable and potimal portfolios. Expert Systems with Applications, 38 (5): 5620., 908–920. 2013.
30
Karsak, E. Fuzzy multiple objective programming framework to prioritize decision requirements in prioritize function deployment. Computers quality function deployment, computers & industrial engineering (47), 149-163. 2004.
31
Levy,H; Levy, M. The benefits of differential variance- based constraints in portfolio optimization. European Journal of Operational Research, Volume 234, Issue 2, PP. 372-381. 2014
32
Rada, R. Expert systems and evolutionary computing for financial investing: A review. Expert Systems with Applications, 34(4), 2232–2240. 2008.
33
Reilly, F. & Brown, C Investment Analysis and Portfolio Management. Publisher: Cengage Learning; 10 edition. P. 840. 2011.
34
Xidonas, P. & Psarras, J. Equity portfolio management within the MCDM frame: A literature review. International Journal of Banking, Accounting and Finance, 1(3), 285–309. 2009.
35
Yunusoglu, G. & Selim, H. A fuzzy rule based expert system for stock evaluation and portfolio construction: An application to Istanbul Stock Exchange. Expert Systems with Applications. (40). 908-920. 2013.
36
Zhou, R., Yang, Z., Yu, M., Ralescu, D. A.,. A portfoliooptimization model based on informationentropy and fuzzy time series. Fuzzy Optimization and Decision Making, 14(4), 381-397. 2015
37
Zhang, WG. & Nic, ZK. On admissible efficient portfolio selection problem. Applied Mathematic and Computations. 159 (2): 357-371. 2004.
38
Mamdani, E.H. & Assilian, S. (1975). An Experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies, 7, 1-13. 1975.
39
Ross, T.J. Fuzzy logic with engineering application john wiley & sons. 2005
40
ORIGINAL_ARTICLE
ارائه یک روش ترکیبی از مدل سروکوال و تحلیل پوششی داده در رتبه بندی کیفیت خدمات
در دهه اخیر، علی رغم اهمیت بسیار زیاد خدمات و توسعه فزاینده آنها در اقتصاد جهانی و ملی، توجه کمترینسبت به صنایع تولیدی به آنها میشود. همواره سنجش عملکرد سازمانهای خدماتی یکی از چالشهایاصلی در این حوزه میباشد. یکی از مدلهای رایج سنجش کیفیت خدمات مدل پنج بعدی پاراسارامون وهمکارانش میباشد که در این تحقیق به منظور سنجش کیفیت خدمات جایگاههای CNG استان زنجان بکارگرفته شده است. در این تحقیق از تحلیل پوششی دادهها نیز به منظور ارزیابی کیفیت خدمات نسبی 36 جایگاهCNG استان زنجان استفاده شده است کهبا توجه به اهمیت بسیار بالای کیفیت خدمات از آن به عنوانخروجی عملکردی جایگاههای سوخت CNG استفاده شده است. تعداد پرسنل، تعداد پمپهای گاز)دیسپنسرها(، هزینه ثابت ماهانه و اعتبار تخصیص داده شده ماهانه به جایگاهها نیز به عنوان ورودیهایعملکردی جایگاههای CNG در نظر گرفته شدهاند. در انتها پس از بدست آوردن رتبه جایگاه، با استفاده ازروش پیشنهادی جهانشاهلو و همکارانش به تحلیل حساسیت نتایج پرداختیم. همچنین نتایج تحقیق نشان میدهدکه مدل توسعه یافته تحلیل پوششی دادههای چندمعیاره از کارایی بهتری نسبت به مدلهای پایه برخورداراست
https://jims.atu.ac.ir/article_8370_143f1b162b7a9812b224632fbc4c46e8.pdf
2018-03-21
153
181
10.22054/jims.2018.8370
تحلیل پوششی دادههای چندهدفه
جایگاه CNG
سروکوال
کیفیت خدمات
ارزیابی عملکرد
علیرضا
علی نژاد
alalinezhad@gmail.com
1
دانشیار گروه مهندسی صنایع، دانشکده مهندسی صنایع و مکانیک، واحد قزوین، دانشگاه آزاد اسلامی، قزوین
AUTHOR
ابراهیمی،مرضیه،دریابر،عبداله. مدیریت ریسک اعتباری درنظام بانکی- رویکردتحلیل پوششی دادههاورگرسیون لجستیک وشبکه عصبی. فصلنامه دانش سرمایهگذاری، سال اول،شماره 2، (1391).
1
شاداب،جعفر. ارائه روش برای اندازه گیری کارایی سازمانهای پیچیده بااستفاده ازتحلیل پوششی دادههای شبکهای فازی،پایان نامه کارشناسی ارشدمهندسی صنایع گرایش سیستم های اقتصادی_اجتماعی، (1386).
2
کاظمی، ابوالفضل، علیمردانی، سحر. توسعهی مدل سروکوال برای اولویت بندی اقدامات بهبود کیفیت خدمات، مطالعه موردی: ادارهی خدمات مشترکین امور برق شهرستان چالوس. مجله علمی پژوهشی شریف، شماره 49، ص 139-150، (1388).
3
محرابیان،سعید،ساعتی مهتدی،صابر،هادی،علی. ارزیابی کارایی شعب بانک اقتصادنوین باترکیبی ازروش شبکه عصبی وتحلیل پوششی دادهها. تحقیق درعملیات وکاربردهای آن،سال هشتم،شماره 4،زمستان 90،ص 29 – 39، (1390).
4
Anderson, T., Hollingsworth, K., inman, L. The Fixed Weighting Nature of A Cross-Evaluation Model. Journalof Productivity Analysis, 17, pp 249-25, (2002).
5
Angiz, M. Z., Sajadi, M. A. Improving cross-efficiency evaluation using fuzzy concepts. World Applied Sciences Journal, 16, pp 1352-1359, (2012).
6
Autry, C., Zacharia, Z., Lamb, C. A logistics strategy taxonomy. Journal of Business Logistics, 29, pp 27-51, (2008).
7
Cao, Y., Kong, F. A combined evaluation model based on the cone ratio DEA model. International conference on Computer and Communication Technologies in Agriculture Engineering. Chendu, China, (2010).
8
Chee, Y., W. & Noorliza, K. Explaining the competitive advantage of logistics service provider: A resource-based view approach. International Journal of Production Economics, 128, pp 51-67, (2010).
9
Chen, K., Chang, C., Lai, C. Service quality gaps of business customers in the shipping industry. Transportation Research Part E, 45, pp 222-237, (2009).
10
Cheng, E. W., Chiang, Y. H., Tang, B. S. Alternative approach to credit scoring by DEA: evaluating borrowers with respect to PFI projects. Building and Environment, 42, pp 1752-1760, (2007).
11
Fick, G. R., Ritchie, J. R. B. Measuring service quality in the travel and tourism industry. Journal of Travel Research, Fall, pp 2–9, (1991).
12
Ghasemi, M. R., Ignatus, J., Emrouznezhad, A. A bi-objective weighted model for improving the discrimination power in MCDEA. European Journal of Operational Research, 233, pp 640-650, (2014).
13
Jahanshahloo, G. R., Hosseinzade Lotfi, F., Kharazmi, S. A., Khanmohammadi, M. Sensitivity and stability analysis on the first and second levels of efficiency score relative to data error. Applied Mathematical Modelling, 36, pp 6132-6136, (2012).
14
Kao, C., Liu, S. T. Stochastic data envelopment analysis in measuring the efficiency of Taiwan commercial banks. European Journal of Operational Research, 196, pp 312-322, (2009).
15
Kilibrda, M., Zecevic, S., Vidocic, M. Measuring the quality of logistic service as an element of the logistics provider offering. Total Quality Management & Business Excellence, 23, pp 1345-1361, (2012).
16
Li, X.-B., Reeves, G. R. A multiple criteria approach to data envelopment analysis. European Journal of Operational Research, 115, pp 507-517, (1999).
17
Liu, W.,H. Xie, D. Quality decision of the logistics service supply chain with service quality guarantee. International Journal of Production Research, 51, pp 1618-163, (2013).
18
Mecit, E. D., Alp, I. A new proposed model of restricted data envelopment analysisby correlation coefficients. Applied Mathematical Modelling, 37, pp 3407-3425, (2013).
19
Metters, R. D., Vargas, V. A., Whybark, D. C. An investigation of the sensitivity of DEA to data errors. Computers & Industrial Engineering, 41, pp 163-171, (2001).
20
Nathanail, E. Measuring the quality of service for passengers on the Hellenic railways. Transportation Research Part A: Policy and Practice, 42(1), pp 48–66, (2008).
21
Parasuraman, A.; Zeithaml, V.; Berry, L.L.A conceptualmodel of service quality and its implications for futureresearch. Journal of Marketing, 49(4), pp 41-50, (1985).
22
Peterson, R. A., Wolson, W. R. Measuring Customer Satisfaction: Fact and Artifact. Journal of the Academy of Marketing Science, 20, pp 61-71, (1992).
23
Thompson, R. G., Langemeir, L. N., Lee, C.-T., Lee, E., Thrall, R. M. The role of multiplier bounds in efficiency analysis with application to Kansas farming. Journal of Econometrics, 46, pp 93-100, (1990).
24