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

محورهای موضوعی : توسعه اقتصادی، نوآوری، نغییرات تکنولوژیکی و رشد اقتصادی

امیر غلام ابری ¹

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

تاریخ دریافت : 1403/05/01 تاریخ پذیرش : 1403/07/23 تاریخ انتشار : 1403/07/23

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

چکیده مقاله :

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.

چکیده انگلیسی:

Today, focusing on improving the performance of supply chains is the only way to gain competitive advantages in the global business market. Data envelopment analysis method as a mathematical programming method is one of the important methods for measuring and evaluating the efficiency of decision making units. In this article, we define the unit under evaluation with the largest scale of productivity in the structure of the green supply chain and explain how to calculate it using data envelopment analysis. For this purpose, using the BCC multiple model of the complete supply chain, a unit with the most productive scale size determined. After identifying the units with the most productive scale size, for the units that do not apply in this condition, the closest unit with the most productive scale is introduced as a model. Finding the closest unit with the most productive scale is important because normal units can reach them with minimal changes. The statistical population of this applied research is 42 cement companies listed on the stock exchange. In the first step, the definition and identification of a unit with the most productive scale size of these companies, whose corresponding chain of each of them has four stages of supplier, producer, distributor and customer, was prioritized. In the next step, the closest unit with the most productive scale size was introduced as a model for normal units. In conclusion, the results of model execution and its analysis will be presented.

منابع و مأخذ:

- - 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.