مدلی برای انتخاب پروژه با منابع محدود به کمک تحلیل پوششی دادهها
الموضوعات :
1 - گروه ریاضی، دانشکده علوم پایه، واحد زاهدان، دانشگاه آزاد اسلامی، زاهدان، ایران
الکلمات المفتاحية: Data Envelopment Analysis, project selection, Efficiency, Binary Programming,
ملخص المقالة :
در ارزیابی عملکرد، انتخاب یک زیر مجموعه از بین مجموعه راه حلهایی که دارای منابع محدود هستند، امری ضروری میباشد. توجه نمایید که اگر بیش از یک ورودی و یک خروجی وجود داشته باشد، مدلهای بهینه سازی تحلیل پوششی دادهها ارزیابی و اندازهگیری عملکرد بر اساس خروجی وزن دار شده نسبت به ورودی وزندار شده انجام میشود. در این تحقیق، دو مدل بهینه سازی با منابع محدود که برگرفته از مدلهای تحلیل پوششی دادهها است ارائه میشود. هر پروژه با استفاده از منابع ورودی مختلف مجموعهای از خروجیها را تولید میکند. در این روش زیرمجموعه از پروژههای طوری انتخاب میشود که می‌تواند در محدودیتهای منابع به عنوان یک پروژه مرکب (ترکیبی) صدق کند. این پروژههای مرکب به وسیله پروژههای در دسترس و با تکنولوژی تولید در تحلیل پوششی دادهها تعریف شده و سپس ارزیابی میشوند. در واقع، ارزیابی و انتخاب، در مدل جدید ترکیب میشوند که این کار را به وسیله قرار دادن یک مدل تحلیل پوششی دادهها در یک چارچوب برنامه ریزی خطی دودویی-ترکیبی انجام میشود. مدل دوم شامل انتخاب یک مجموعه از بهترین یا ارجحترین مکانهایی برای تسهیلات جدید است. مجدداً مدل ارائه شده دوم نیز مربوط به انتخابها با یک منابع محدود است.
[1] Amiri P. M., (2010), “Project selection for oil-fields development by using the AHP and fuzzy TOPSIS methods”, Expert Systems with Applications, 37, 6218–6224.
[2] Baker N. and Freeland J., (1975), “Recent Advances in R&D Benefit Measurement and Project Selection Methods”, Management Science, 21, 10, 1164-1175.
[3] Jafarzadeh H., Akbari P. and Abedin B., (2018), “A methodology for project portfolio selection under criteria prioritisation, uncertainty and projects interdependency combination of fuzzy QFD and DEA”, Expert Systems With Applications, 110, 237–249.
[4] Liu F., Chen Y., Yang J., Xu D. and Liu W., (2019), “Solving multiple-criteria R&D project selection problems with a data-driven evidential reasoning rule”, International Journal of Project Management, 37, 87–97.
[5] Mehrez A. and Sinuany-Stern Z., (1983), “An Interactive Approach for Project Selection”, Operational Research Society, 34, 7, 621-626.
[6] Salehi K., (2015), “A hybrid fuzzy MCDM approach for project selection problem”, Decision Science Letters, 4, 109–116.
[7] Wang F., Chen-Hsoung H. and Tzeng G., (2014), “Applying a Hybrid MCDM Model for Six Sigma Project Selection”, Mathematical Problems in Engineering, 2014, 1-13.
[8] Yamami A. E., Mansouri K., Qbadou M. and Illousamen E. H., (2018), “Multi-objective IT Project Selection Model for Improving SME Strategy Deployment”, International Journal of Electrical and Computer Engineering (IJECE), 8, 2, 1102-1111.
