شناسایی واحدهای با بیشترین مقیاس بهره‌وری در زنجیره تأمین سبز با استفاده از روش تحلیل پوششی داده‌ها

الموضوعات :

امیر غلام ابری ¹

1 - دانشیار گروه ریاضی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران (نویسنده مسئول)، [e-mail]

تاريخ الإرسال : 16 الإثنين , محرم, 1446 تاريخ التأكيد : 11 الإثنين , ربيع الثاني, 1446 تاريخ الإصدار : 11 الإثنين , ربيع الثاني, 1446

الکلمات المفتاحية: واحدی با بیشترین مقیاس بهره وری, واحد تحت ارزیابی, تحلیل پوششی داده‌های شبکه¬ای, زنجیره تأمین سبز,

ملخص المقالة :

امروزه تمرکز بر بهبود عملکرد زنجيره‌های تأمین، تنها مسير دستيابي به مزاياي رقابتي در بازار جهاني کسب و کار است. روش تحلیل‌پوششی داده‌ها بعنوان یک روش برنامه‌ریزی ریاضی، یکی از روشهای مهم برای اندازه‌گیری و ارزیابی کارایی واحدهای تصمیم‌گیری است. در این مقاله واحد تحت ارزیابی با بیشترین مقیاس بهره وری را در ساختار زنجیرۀ تأمین سبز تعریف نموده و نحوه محاسبه آن را با استفاده از تحلیل پوششی داده‌ها بیان می کنیم. برای این منظور، با استفاده از مدل مضربی BCC زنجیرۀ تأمین کامل، واحدی با بیشترین مقیاس بهره وری تعیین می گردد. پس از شناسایی واحدهای با بیشترین مقیاس بهره وری، جهت واحدهایی که در این شرایط صدق نمی‌کند نزدیکترین واحد با بیشترین مقیاس بهره وری به عنوان الگو معرفی می گردد. یافتن نزدیک ترین واحد با بیشترین مقیاس بهره وری از آن جهت دارای اهمیت است که واحدهای عادی می توانند با کمترین تغییرات به آنها برسند. جامعه آماری این تحقیق کاربردی از نظر هدف، 42 شرکت‌ سیمان حاضر در بورس اوراق بهادار می‌باشد. در گام اول تعریف و شناسایی واحدی با بیشترین مقیاس بهره وری این شرکتها که زنجیرۀ متناظر هر یک از آنها دارای چهار مرحله تأمین‌کننده، تولیدکننده، توزیع‌کننده و مشتری می‌باشد، در اولویت قرار گرفت. درگام بعدی معرفی نزدیکترین واحد با بیشترین مقیاس بهره وری به عنوان الگو جهت واحدهای عادی ادامه یافت. در خاتمه، نتایج اجرای مدل و تحلیل‌های آن نشان داده خواهد شد.

المصادر:

- - درویش متولی، محمد حسین، حسین زاده لطفی، فرهاد، شجاع، نقی و غلام ابری، امیر(1398). محاسبه کارایی زنجیره تامین پایدار در صنعت سیمان (کاربرد مدل تحلیل پوششی داده‌های شبکه‌ای). مدلسازی اقتصادی,13(46),100-73.
- Alirezaee, M., Hajinezhad, E,. Paradi, J.C (2018). Objective identification of technological returns to scale for data envelopment analysis models. European Journal of Operational Research, 266, 678–688.
- Banker, R.D., Charnes, A., and Cooper, W.W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science, 30(9), pp. 1078-1092.‏
- Banker, R.D., Thrall, R.M. (1992). Estimation of returns to scale using Data Envelopment Analysis. European Journal of Operational Research 62, pp. 74–84.
- Charnes, A., Cooper, W.W., Rhodes, E. (1978). Measuring the efficiency of DMUs. European Journal of Operational Research 2, pp. 429–444.
- Chen, C., Yan, H. (2011). Network DEA model for supply chain performance evaluation. European Journal of Operational Research, 213(1), pp. 147-155.
- Czyzewski, B., Smedzik-Ambrozy, K., Mrowczynska-Kaminska, A. (2020). Impact of environmental policy on eco-efficiency in country districts in Poland: How does the decreasing return to scale change perspectives?. Environmental Impact Assessment Review,84,106431.
- Darvish Motevally,M. H.,Hosseinzadeh Lotfi,F., ,Shoja, N., Gholam Abri,A.(2019).Calculating the sustainable supply chain performance in the cement industry (application of network data envelopment analysis model) .Economic Modeling,13 (46),73-100 (in Persian).
- Fare, R., Grosskopf, and S. (1997).Intertemporal production frontiers: with dynamic DEA. Journal of the Operational Research Society, 48(6), pp. 656-656.
- Fare, R., Grosskopf, S. (2000). Network DEA. Socio-Economic Planning Sciences, 34(1), pp. 35-49.
- Farrell, M (1957) .The measurement of productive efficiency. Journal of the Royal Statistics Society, 120(3), 253-281.
- Fathi, A., Farzipoor Saen, R. (2018). A novel bidirectional network data envelopment analysis model for evaluating sustainability of distributive supply chains of transport companies. Journal of Cleaner Production, 184, 696-708.
- Grigoroudis, E., Petridis, K., Arabatzis, G. (2014). RDEA: A recursive DEA based algorithm for the optimal design of biomass supply chain networks. Renewable Energy, 71, 113-122.
- Khodakarami, M., Shabani, A., Saen, R. F., & Azadi, M. (2015). Developing distinctive two-stage data envelopment analysis models: An application in evaluating the sustainability of supply chain management. Measurement, 70, 62-74.
- Mirhedayatian, S.M., Azadi, M., Saen, R.F. (2014).‏ A novel network data envelopment analysis model for evaluating green supply chain management. International Journal of Production Economics, 147, 544-554.
- Saranga, H., Moser, R. (2010). Performance evaluation of purchasing and supply management using value chain DEA approach. European Journal of Operational research, 207 (1), pp. 197-205.
- Shafiee, M., Lotfi, F.H., Saleh, H. (2014). Supply chain performance evaluation with data envelopment analysis and balanced scorecard approach. Applied Mathematical Modelling, 38 (21-22), 5092-5112.
- Sharafeddin. R, Gholam Abri. A, Fallah. C, Hosseinzadeh Lotfi. F. (2024). Mathematical model for estimation of return to scale in four-level green supply chain by using data envelopment analysis. International Journal of Engineering, Vol. 37 No. 04, 608-624.
- Tajbakhsh, A., Hassini, E. (2015). A data envelopment analysis approach to evaluate sustainability in supply chain networks. Journal of Cleaner Production, 105, 74-85.
- Tavana, M., Kaviani, M.A., Di Caprio, D., Rahpeyma, B. (2016). A two-stage data envelopment analysis model for measuring performance in three-level supply chains. Measurement, 78, 322-333.
- Tavana, M., Mirzagoltabar, H., Mirhedayatian, S.M., Saen, R.F., Azadi, M. (2013). A new network epsilon-based DEA model for supply chain performance evaluation. Computers & Industrial Engineering, 66(2), 501-513.
- Tavassoli, M., Farzipoor Saen, R. (2019). Predicting group membership of sustainable suppliers via data envelopment analysis and discriminant analysis. Sustainable Production and Consumption, 18, pp. 41-52.
- Wang, Zh., He, W., Wang, B. (2017). Performance and reduction potential of energy and CO2 emissions among the APEC's members with considering the return to scale. Energy, 138, 552-562.
- Yousefi, S., Soltani, R., Farzipoor Saen, R., Pishvaee, M. S. (2017). A robust fuzzy possibilistic programming for a new network GP-DEA model to evaluate sustainable supply chains. Journal of Cleaner Production, 166, 537-549.
- Zhang, Q., Yang, Zh. (2015). Returns to scale of two-stage production process. Computers & Industrial Engineering, 90, 259–268.