طراحي يك مدل رياضي چند هدفه با رويكرد فازي شهودي براي انتخاب پروژه‌هاي سرمايه‌گذاري (مورد مطالعه فرصت‌هاي سرمايه‌گذاري استان بوشهر

Designing a multi-objective mathematical model with intuitive fuzzy approach for selecting investment projects (Study of investment opportunities in Bushehr province)

دستيابي به اهداف توسعه اي استراتژيك با بهره گيري مناسب از ظرفيت هاي سرمايه گذاري هر منطقه حاصل مي شود. در چنين شرايطي برخي از اين اهداف ممكن است با يكديگر متناقض باشد. از اين رو دولت ها خواستار تركيبي از اهداف سرمايه گذاري مختلف و بعضا متناقض هستند كه به شكل استراتژيك آنها را تا حد ممكن هم جهت نمايد. اين پژوهش با هدف تبيين مدل رياضي براي پروژه هاي سرمايه گذاري يك مدل برنامه ريزي عدد صحيح با سه هدف عمده كاهش هزينه، افزايش اشتغال و كاهش انتشار گاز گلخانه اي-دي اكسيد كربن- را ارائه نمود. در انتها مدل با داده هاي حاصل از 51 پروژه پيشنهادي مورد آزمون قرار گرفت. از ميان روش هاي مورد استفاده مدل توسعه يافته اپسيلون محدوديت تقويت شده استفاده گرديد. همچنين با نظرسنجي از خبرگان و به كارگيري رويكرد فازي شهودي، هدف كاهش هزينه به عنوان هدف اصلي انتخاب شد. مدل پيشنهادي با تعيين پروژه هاي پذيرفته شده در پارتو فرانتي با بيست و يك برش اپسيلون محدوديت تقويت شده مورد بررسي قرار گرفت و جواب بهينه بدست آمد كه 45 پروژه بعنوان متغيرهاي اساسي مساله معرفي شده است. در انتها رويكرد اپسيلون محدوديت تقويت شده با رويكرد اپسيلون محدوديت كلاسيك مقايسه شد. نتايج نشان داد در رويكرد كلاسيك از 51 پروژه تنها 35 پروژه پذيرفته مي شوند. همچنين با بررسي بيشتر مشخص شد رويكرد تقويت شده بر رويكرد كلاسيك برتري دارد.

Strategic development goals are achieved by making proper use of the investment capacities of each region. In such cases, some of these goals may be contradictory. Therefore, governments want a combination of different and sometimes contradictory investment goals that are strategically aligned to the possible extent. This study aimed to design a mathematical model for investment projects, so an integer planning model is presented with three main objectives of reducing costs, increasing employment and reducing greenhouse gas emission - carbon dioxide. Finally, the model was tested with data from 51 proposed projects. Among the methods used, the extended model of Epsilon amplified constraint was used. Also, by surveying experts and applying the intuitive fuzzy approach, the cost reduction goal was selected as the main goal. The proposed model was examined by determining the projects accepted in Pareto Fronti with twenty-one Epsilon sections of the reinforced constraint and the optimal answer was obtained that 45 projects were introduced as the basic variables of the problem. At last, the enhanced Epsilon constraint approach was compared with the classical Epsilon constraint approach. The results showed that in the classical approach, out of 51 projects, only 35 projects are accepted. Further investigation also showed that the reinforced approach is superior to the classical approach.