مدلی برای انتخاب پروژه با منابع محدود به کمک تحلیل پوششی دادهها
الموضوعات :
محمد علی جهان تیغی
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.