کارآیی های خوشبینانه و بدبینانه

انتخاب تأمین کنندگان تصمیم مهم ولی پیچیده ای است که نیاز به بررسی دقیق معیارهای عملکردی مختلف دارد. به طور سنتی، مدل های انتخاب تأمین کنندگان مبتنی بر داده های اصلی هستند و بر داده های ترتیبی تأکید کمتری می شود. لیکن با کاربرد گسترده ی روش های تولید، از قبیل روش بهنگام، جدیداً تأکید بیشتری بر لحاظ کردنِ داده های نادقیق ــ یعنی مخلوطی از داده های بازه ای و ترتیبی ــ می شود. این مقاله پیشنهاد می کند که از تحلیل پوششی داده ها (DEA) با مرزهای دوگانه برای انتخاب تأمین کنندگان استفاده شود، که در این روش علاوه بر کارآیی خوشبینانه ی هر تأمین کننده، کارآیی بدبینانه ی آن نیز در نظر گرفته می شود. در مقایسه با DEAی سنتی، رویکرد DEA با مرزهای دوگانه می تواند بهترین تأمین کننده را به درستی و به آسانی بدون نیاز به تحمیل هیچگونه محدودیت وزنی شناسایی کند. یک مثال عددی با استفاده از رویکرد DEA با مرزهای دوگانه بررسی می شود، تا سادگی و سودمندی آن را در انتخاب و توجیه تأمین کننده نشان دهد.

تحلیل پوششی داده ها در ارزیابی کارایی نسبی واحدهای تصمیم گیری دارای چندین خروجی و چندین ورودی، بسیار سودمند بوده است. مدل های متعارف تحلیل پوششی داده ها برای اندازه گیری عملکرد واحدهای تصمیم گیری فقط دیدگاه خوشبینانه را در نظر می گیرند؛ به عبارتی برای هر واحد تصمیم گیری تحت ارزیابی، یک مجموعه از مطلوب ترین وزن ها را انتخاب می کنند. مدل های دیگری وجود دارد که کارایی یک واحد تصمیم گیری را از دیدگاه بدبینانه اندازه گیری می کنند. این مدل ها عملکرد هر واحد تصمیم گیری تحت ارزیابی را با استفاده از یک مجموعه از نامطلوب ترین وزن ها اندازه گیری می کنند. در این مقاله برای اندازه گیری عملکرد کلی واحدهای تصمیم گیری پیشنهاد می شود که هر دو کارایی را در قالب یک بازه ادغام کنیم و مدل های تحلیل پوششی داده های پیشنهادی برای اندازه گیری کارایی را مدل های کراندار می نامیم. رویکرد پیشنهادی با استفاده از یک مثال عددی مقایسه خواهد شد. یک مثال دیگر نیز در مورد سنجش توزیع بار در میان کشورهای عضو ناتو (سازمان پیمان آتلانتیک شمالی) ارائه خواهد شد تا مزایا، سادگی و سودمندی آن را در موقعیت های زندگی واقعی نشان دهد.

این مقاله مسئله ی عواملی را که در مسئله ی انتخاب تأمین کننده می توانند هم به عنوان ورودی و هم به عنوان خروجی در نظر گرفته شوند، بررسی می کند. کمیت یک چنین عاملی ممکن است بر کارآیی نسبی تأمین کنندگان تأثیر بگذارد. علیرغم این واقعیت که مقالات زیادی به بررسی عوامل دونقشی پرداخته اند، لیکن به نظر می رسد که ایده ی طبقه بندی کردن یک عامل به عنوان ورودی یا خروجی در یک مدل واحد نمی تواند روابط سببی بین ورودی ها و خروجی ها را در نظر بگیرد. رویکرد ساده ای برای حل این محدودیت و نیز در نظر گرفتن عوامل دارای نقش دوگانه پیشنهاد می شود. یک مثال عددی کاربرد رویکرد پیشنهادی را در زمینه ی انتخاب تأمین کننده نشان می دهد.

با استفاده گسترده از فلسفه های تولید مانند تولید به موقع، امروزه بیش از گذشته بر در نظر گرفتن همزمان داده های اصلی و ترتیبی در فرایند انتخاب تأمین کننده تأکید می شود. به طور سنتی، بسیاری از مدل های بهینه سازی انتخاب تأمین کننده فرض را بر این می گذارند که قیمت متوسط مخارج مربوط به آن ثابت است. ولی در واقع، وضعیت اصلاً به این صورت نیست. در حقیقت، تأمین کنندگان معمولاً تخفیف های حجمی می دهند تا خریداران را به سفارش بیشتر ترغیب کنند. برای انتخاب بهترین تأمین کنندگان در محیط های تخفیف حجمی در حضور هر دو نوع داده های اصلی و ترتیبی، این مقاله رویکرد نوآورانه ای را پیشنهاد می کند. در این مقاله نخست از دو دیدگاه خوشبینانه و بدبینانه، کارایی های تأمین کنندگان تحت ارزیابی به دست می آورده می شود. دیدگاه خوشبینانه، هر تأمین کننده را با مجموعه ای از مطلوب ترین وزن ها ارزیابی می کند و کارایی های اندازه گیری شده از دیدگاه خوشبینانه، کارایی های خوشبینانه نامیده می شوند. دیدگاه بدبینانه، هر تأمین کننده را با مجموعه ای از نامطلوب ترین وزن ها ارزیابی می کند و کارایی های اندازه گیری شده از دیدگاه بدبینانه، کارآیی های بدبینانه نامیده می شوند. سپس، نشان داده می شود که این دو نتیجه ارزیابی با یکدیگر تعارض دارند و بدون تردید یک سویه، غیرواقع گرایانه و غیرمتقاعد کننده هستند. برای غلبه بر این مشکل، یک اندازه عملکرد کلی جدیدی را پیشنهاد می کنیم که برای ادغام اندازه های به دست آمده از دیدگاه های خوشبینانه و بدبینانه استفاده می شود و آن را برای شناسایی تأمین کننده دارای بهترین عملکرد به کار خواهیم برد. یک مثال عددی کاربرد روش پیشنهادی را نشان خواهد داد.

تکنیک های داده کاوی، یعنی استخراج الگوها از پایگاه های داده ای بزرگ، در تجارت به صورت گسترده ای مورد استفاده قرار می گیرند. با استفاده از این تکنیک ها ممکن است قواعد زیادی حاصل شوند و فقط تعداد کمی از آنها به دلیل محدودیت بودجه و منابع برای پیاده سازی در نظر گرفته شوند. ارزیابی و رتبه بندی جالب بودن و مفید بودن قواعد انجمنی در داده کاوی اهمیت زیادی دارد. در مطالعات قبلی که در مورد شناسایی قواعد انجمنی جالب از نظر ذهنی انجام شده است، اکثر روش ها مستلزم وارد کردن دستی یا پرسیدن از کاربر برای افتراق صریح قواعد جالب از ناجالب بوده است. این روش ها نیازمند محاسبات بسیار زیادی هستند و حتی ممکن است به نتیجه گیری های ناسازگار منتهی شوند. برای غلبه بر این مشکلات، این مقاله پیشنهاد می کند که از رویکرد تحلیل پوششی داده ها (DEA) با مرز دوگانه برای انتخاب کارآترین قاعده ی انجمنی استفاده شود. در این رویکرد علاوه بر بهترین کارآیی نسبی هر قاعده ی انجمنی، بدترین کارآیی نسبی آن نیز در نظر گرفته می شود. در مقایسه با DEAی سنتی، رویکرد DEA با مرز دوگانه می تواند کارآترین قاعده ی انجمنی را به درستی و به آسانی شناسایی کند. به عنوان یک مزیت، رویکرد پیشنهادی از نظر محاسباتی کارآمدتر از کارهای قبلی در این زمینه است. با استفاده از مثالی از تحلیل سبد بازار، قابلیت کاربرد روش مبتنی بر DEAی ما برای اندازه گیری کارآیی قواعد انجمنی با معیارهای چندگانه نشان داده خواهد شد.

تحلیل پوششی داده ها ( DEA ) روشی برای سنجش عملکرد گروهی از واحدهای تصمیم گیری ( DMUها) است که از ورودی های متعدد برای تولید خروجی های متعدد استفاده می کنند. این روش عملکرد DMUها را با مینیمم سازی نسبت ورودی وزنی به خروجی وزنی هر DMU، به ترتیب، مشروط به این قید که هیچ یک از کارآیی های DMUهای دیگر کوچک تر از یک نباشد، اندازه گیری می کند (در حالت با ماهیت خروجی). کارآیی هایی که به این ترتیب اندازه گیری می شوند، کارآیی خوشبینانه یا بهترین کارآیی نسبی نامیده می شوند. روش اندازه گیری کارآیی خوشبینانه ی DMUها را خودارزیابی می نامند. در صورتی که نمره ی کارآیی خودارزیابی یک DMU یک باشد، به آن کارآی خوشبینانه می گویند؛ در غیر این صورت، به آن غیرکارآی خوشبینانه می گویند. رویکرد مشابهی وجود دارد که از مفهوم مرز ناکارآیی برای تعیین بدترین نمره ی کارآیی نسبی که می توان به هر DMU اختصاص داد، استفاده می کند. DMUهای واقع روی مرز ناکارآیی به عنوان ناکارآی بدبینانه تعیین می شوند، و آنهایی که روی مرز ناکارآ نیستند، به عنوان غیرناکارآی بدبینانه اعلام می شوند. در این مقاله، این بحث مطرح می شود که هر دو کارآیی نسبی را باید با هم در نظر گرفت، و هر رویکردی که فقط یکی از آنها را در نظر گرفته باشد، دچار سوگیری خواهد بود. برای اندازه گیری عملکرد کلی DMUها، پیشنهاد می شود که هر دو کارآیی را در قالب یک بازه ادغام، و مدل های DEAی پیشنهادی برای اندازه گیری کارآیی را مدل های کراندار می نامیم. به این ترتیب، بازه ی کارآیی تمام مقادیر ممکن کارآیی را که منعکس کننده ی دیدگاه های مختلف هستند، در اختیار تصمیم گیرنده قرار می دهد.

انتخاب تأمین کننده ی مناسب برای برون سپاری اکنون یکی از مهم ترین تصمیمات بخش خرید است. این تصمیمات بخش مهمی از مدیریت تولید و تدارکات برای بسیاری از بنگاه ها هستند. بعلاوه، تأمین کنندگان را می توان به صورت نسبی از دیدگاه های خوشبینانه و بدبینانه ارزیابی و انتخاب کرد. روش تحلیل پوششی داده ها برای اندازه گیری کارایی سیستم های تولیدی به کار می رود که ورودی های متعددی را مصرف می کنند و خروجی های متعددی را تولید می نمایند. در شرایط نرمال، مطلوب این است که ورودی های کمتری مصرف شوند و خروجی های بیشتری تولید شوند، زیرا این کار منجر به کارایی بالاتری می شود. این مقاله یک رویکرد جدید «تحلیل پوششی داده ها با مرز دوگانه» را برای ارزیابی و انتخاب تأمین کنندگان پیشنهاد می کند. رویکرد تحلیل پوششی داده ها با مرز دوگانه، می تواند بهترین تأمین کننده را در حضور محدودیت های وزنی، عوامل غیرقابل کنترل، و داده های اصلی و ترتیبی شناسایی کند. در این رویکرد، پیشنهاد می شود که هر دو کارایی خوشبینانه و بدبینانه نسبی را در قالب یک کارایی میانگین هندسی ادغام کنیم. کارایی میانگین هندسی نشان دهنده ی عملکرد کلی هر تأمین کننده می باشد. مشاهده می شود که کارایی میانگین هندسی قدرت افتراق بیشتری نسبت به هر کدام از دو کارایی خوشبینانه و بدبینانه دارد. یک مثال عددی کاربرد روش پیشنهادی را نشان می دهد.