يك رويكرد جديد براي انتخاب تامين‌كنندگان در حضور داده‌هاي نادقيق: DEA با مرزهاي دوگانه

A new Approach for Supplier Selection in the Presence of Imprecise Data: DEA with Double Frontiers

انتخاب تامين‌كنندگان تصميم مهم ولي پيچيده‌اي است كه نياز به بررسي دقيق معيارهاي عملكردي مختلف دارد. به‌طور سنتي، مدل‌هاي انتخاب تامين‌كنندگان مبتني بر داده‌هاي اصلي هستند و بر داده‌هاي ترتيبي تاكيد كم‌تري مي‌شود. اما با كاربرد گسترده‌ روش‌هاي توليد مانند روش به‌‌موقع، به‌تازگي تاكيد بيش‌تري بر لحاظ كردنِ داده‌هاي نادقيق ــ يعني مخلوطي از داده‌هاي بازه‌اي و ترتيبي ــ مي‌شود. اين مقاله پيشنهاد مي‌كند كه از تحليل پوششي داده‌ها (DEA) با مرزهاي دوگانه براي انتخاب تامين‌كنندگان استفاده شود كه در اين روش علاوه بر كارايي خوشبينانه هر تامين‌كننده، كارايي بدبينانه‌ آن نيز در نظر گرفته مي‌شود. در مقايسه با DEA سنتي، رويكرد DEA با مرزهاي دوگانه مي‌تواند بهترين تامين كننده را به‌درستي و به آساني بدون نياز به تحميل هيچ‌گونه محدوديت وزني ذهني شناسايي كند. يك مثال عددي با استفاده از رويكرد DEA با مرزهاي دوگانه بررسي مي‌شود تا سادگي و سودمندي آن را در انتخاب و توجيه تامين‌كننده نشان دهد.

Supplier selection is a complex but important decision that requires careful review of various performance criteria. Traditionally, models of supplier selection have been based on cardinal data with less emphasis on ordinal data. However, with the widespread use of production methods such as the just-in-time method, recently more emphasis is placed on considering imprecise data-i.e., mixture of interval and ordinal data. This article proposes to use data envelopment analysis (DEA) with double frontiers for supplier selection, a methodology that considers not only the optimistic efficiency but also the pessimistic efficiency of each supplier. Compared with the traditional DEA, the new DEA with double frontiers can identify the best supplier accurately and easily without imposing any weight limitations. A numerical example will be examined using the DEA approach with double frontiers to illustrate its simplicity and usefulness in the supplier selection and justification.