ارزیابی کارآیی زنجیره ‌تأمین با مدل ترکیبی تحلیل پوششی داده‌های فازی و کارت امتیازی متوازن در صنایع خودرو‌سازی تبریز

نوع مقاله : پژوهشی

نویسندگان

1 دانشجو دکتری، گروه مدیریت، دانشکده مدیریت، اقتصاد و حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

2 استادیار، گروه مدیریت، دانشکده مدیریت، اقتصاد و حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

چکیده

پژوهش حاضر با هدف ارزیابی کارآیی پنج زنجیره ‌تأمین فعال با ساختار یکسان با مدل ترکیبی تحلیل پوششی داده‌های
فازی و کارت امتیازی متوازن در صنایع خودروسازی تبریز اجرا و داده‌های ورودی و خروجی به‌صورت اعداد فازی مثلثی متقارن به مدل وارد شده و خروجی مدل یک عدد فازی مثلثی غیرمتقارن به ازای هر واحد تصمیم‌گیری بوده که نشان‌دهنده‌‌ عملکرد زنجیره‌‌ تأمین می‌باشد. از روش کارت امتیازی متوازن (BSC) به‌عنوان ابزاری برای طراحی شاخص‌های ارزیابی عملکرد در چهار جنبه؛ مالی؛ فرآیندها؛ مشتری و یادگیری و رشد نیروی انسانی استفاده شده و همچنین مدل FDEA به‌کار رفته دارای این قابلیت است که داده‌های قطعی و فازی را به‌صورت هم‌زمان به‌کار گیرد و خروجی را به‌صورت فازی ارائه و بر این اساس کارایی پنج شرکت خودروسازی آذهاتیکس، رخش خودرو دیزل، آمیکو و خودرو دیزل آذربایجان محاسبه نماید. نوع تحقیق کاربردی- توصیفی و ابزار اندازه‌گیری پرسشنامه، اسناد مالی و روش تجزیه و تحلیل اطلاعات نیز، مدل ریاضی FDEA،BSC  و تحلیل حساسیت می‌باشد. نتایج تحقیق نشان می‌دهد که میزان کارایی شرکت آذهاتیکس از سایر شرکت‌های مورد مطالعه بیشتر بوده و شرکت‌های آمیکو، سیبا موتور، رخش خودرو، آذهایتکس و خودروهای دیزلی با استفاده از تحلیل حساسیت و تحلیل پوشش داده‌های فازی دارای رتبه‌های به‌ترتیب 1، 4، 5، 2 و 3 بوده که با افزایش سطح اطمینان مرکز اعداد فازی که تعیین‌کننده کارآیی زنجیره‌های ‌تأمین هستند نیز افزایش پیدا می‌کند.  

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of supply chain efficiency with a combined model of fuzzy data envelopment analysis and balanced scorecard in Tabriz automotive industry

نویسندگان [English]

  • . . 1
  • . . 2
  • m. m. 2
  • m. m. 2
  • m. m. 2
1 .
2 .
چکیده [English]

The aim of this study is to evaluate the efficiency of five active supply chains which have the same structure, by a
combined model of the fuzzy data envelopment analysis and the balanced scorecard in Tabriz automotive
industry. The input and output data which are triangular fuzzy numbers, are symmetrically entered into the
model and the model output is an asymmetric triangular fuzzy number per decision unit, which indicates the
performance of the supply chain. The balanced scorecard (BSC) method is used as a tool for designing the
performance evaluation indicators in four aspects, namely: the finance; the processes; the customer and the
learning and growth of the human resources. The FDEA model used, has the ability to use definite and fuzzy
data simultaneously and provide output in the fuzzy format, and on this basis, calculate the efficiency of five
automobile companies, namely: Azhitics car company, Rakhsh Khodro Diesel company, Siba Motor company,
Azar Motor Industrial Company (Amico), and Azerbaijan Diesel Khodro company. The research is
applied-descriptive research and the measurement tool is questionnaire. Financial documents and information
analysis method are the mathematical model of FDEA, BSC and sensitivity analysis. The results show that the
efficiency of Azhitechs is higher than the other companies studied. Using sensitivity analysis and analysis of
fuzzy data coverage, the companies Amico, Siba Motor, Rakhsh Khodro, Azhitechs and diesel cars are ranked as
1, 4, 5, 2 and 3, respectively, which also increase with increasing confidence level of the fuzzy number center
that determines the efficiency of supply chains.

کلیدواژه‌ها [English]

  • Automotive
  • Supply Chain Efficiency
  • Fuzzy Data Envelopment Analysis
  • Balanced Scorecard

مراجع

  1. Enzebati and S. DakngKoub, “Application of a Combined fuzzy multi-Criteria Decision Approach for Evaluation and Selection Supplier: Provide a Conceptual Framework for Nian Electronic,” International Journal of Supply Chain, no.69, pp.102-83. 2020. (in persian).##
  2. M. Beamon and V. C .P. Chen, “Performance analysis of conjoined supply chains,” International Journal of Production Research, vol. 39, no. 14,
    pp. 195-218. 2015.##
  3. Gunasekaran and C. Patel, “Tirtiroglu, Performance measures and metrics in a supply chain environment,” International Journal of Operations & Production Management, vol. 21, no 1/2, pp. 71-87. 2001.##
  4. Ross, C. Droge, “An integrated benchmarking approach to distribution center performance using DEA modeling,” Journal of Operations Management, Vol. 20, 19–32. 2012.##
  5. Easton, D.j. Murphy and J.N. Pearson, “Purchasing performance evaluation: with data envelopment analysis,” European Journal of Purchasing & Supply Management, Vol. 8, 123. 2012.##
  6. Talluri and R. Narasimhan and A. Nair, “Vendor performance with supply risk: a chance-constrained DEA approach,” International Journal of Production Economics, Vol. 100. 2016.##
  7. P. Wong and K.Y. Wong, “Supply chain performance measurement system using DEA modeling,” Industrial Management and Data Systems, Vol. 107, 361-381. 2007.##
  8. Wen, C. You and R. Kang, “A new ranking method to fuzzy data envelopment analysis,” Computers and Mathematics with Application, Vol. 59, pp. 3398-3404. 2010.##
  9. Okhravi and S. Mosavi, “ Evaluate the supply chain performance of BSC-based projects and lean thinking; Case study: Petrochemical projects,” International Journal of Supply Chain, N62,
    pp 87-73. 2019 (in persian).##
  10. Bhagwat and M. k. Sherma, “performance measurement of supply chain management: A balanced Scorecard approach, Computer and Industrial Engineering, vol.53, no.1, pp.43-62. 2007.##
  11. Wu and D.L Olson, “Supply chain risk, simulation, and vendor selection. International Journal of Production Economics, Vol. 114, 645–655. 2015.##
  12. Liang, F. Yang, W.d Cook and J. Zhu, “DEA model for supply chain efficiency evaluation, Ann. Oper. Res, 145 (1), 35–49. 2014.##
  13. Chen and L. Liang and F. Yang, “A DEA game model approach to supply chain. 2011.##
  14. Li and C. O. Brien, “Integrated decision modeling of supply chain efficiency,” International Journal of Production Economics, Vol. 59, 147-157. 1999.##
  15. Hwang and D. Lin, “The performance evaluation of SCOR sourcing process-The case study of Taiwan’s TFT-LCD industry ,” International Journal of Production Economics, Vol. 115, 411– 423. 2008.##
  16. M. Beamon, “Measuring supply chain performance,” International Journal of Production management, Vol. 19275-292. 1999.##
  17. T. S. Chan, “Performance Measurement in a Supply Chain,” International Journal of Advanced Manufacturing Technology, vol. 21, 534–548. 2013.##
  18. T. S. Chan and H. J. Qi, “An innovative performance measurement method for supply chain management, Supply chain management,” An international Journal vol. 8, no. 3, pp. 209-223. 2003.##
  19. Comelli and P. Féniès N. Tchernev, “A combined financial and physical flows evaluation for logistic process and tactical production planning: Application in a company supply chain,” International Journal of production economics, vol .112, no. 1. 2008.##
  20. Golany and S. T. Hackman and U. Passy, “An efficiency measurement framework for multi-stage production systems,” Ann. Oper. Res, vol. 145, pp. 51–68. 2006.##
  21. Tavana and H. Mirzagoltabar and S.M. Mirhedayatian and R. Farzipoor Saen and M. Azadi, “A new network epsilon-based DEA model for supply chain performance evaluation. Computers & Industrial Engineering, vol. 66,##
  22. pp. 501–513. 2013. (in persian).##
  23. Ebrahimnejad and M. Tavana, F. Hosseinzadeh Lotfi and R. Shahverdi and M. Yousefpour, “A three-stage Data Envelopment Analysis model with application to banking industry,” Measurement, vol. 49, pp. 308– 319. (in persian). 2014.##
  24. M. Mirhedayatian, M. Azadi and R. Farzipoor Saen, “A novel network data envelopment analysis model for evaluating green supply chain management,” International  Journal of Production Economics. vol. 147, pp. 544– 554. 2014 (in persian).##
  25. Bamdad Soofi and A. Ebrahimpour, “A Model for Evaluating Supply Chain Performance Using Network Data Envelopment Analysis Model (Case: Supply Chain of Pharmaceutical Companies of Tehran Stock Exchange) ,” Quarterly Journal of Industrial Management.Studies. no. 26. pp. 8-46, 1391 (in persian).##
  26. Shafiee and M. Ghaderi and H. Saleh, “Benchmarking in the Supply Chain Using Data Envelopment Analysis and System Dynamics Simulations,” Iranian Journal of Supply Chain Management, vol. 23, pp. 55-70. 2021. (in persian).##
  27. Charnes and W.W. Cooper and A.Y. Lewin, “Data envelopment analysis: theory, methodology and applications,” Kluwer Academic Publishers, Boston. 1978.##
  28. Guo and H. Tanaka, “Fuzzy DEA: a perceptual evaluation method, Fuzzy Sets and Systems,” vol. 119, pp. 149-160. 2011.##
  29. L. Lee and C. Billington, “Managing supply chain inventory: pitfalls and opportunities,” Sloan Management Review, spring ,pp. 65-73. 2011.##
  30. Xu and Li Bin and D. Wu, “Rough data envelopment analysis and its application to supply chain performance evaluation,” International Journal of Production Economics, vol. 122, 628. 2009.##
  31. Estampe and S. Lamouri and J.L Paris and S.B. Djelloul, “A framework for analyzing supply chain performance evaluation model,” International Journal of Production Economics. DOI:10.1016,
    j. ijpe 14. 2010.##
مدیریت زنجیره تأمین
دوره 23، شماره 71
شهریور 1400
صفحه 33-46

فایل ها

سابقه مقاله

  • تاریخ دریافت: 06 اردیبهشت 1400
  • تاریخ بازنگری: 05 مهر 1400
  • تاریخ پذیرش: 15 آبان 1400
  • تاریخ انتشار: 01 شهریور 1400

هم رسانی

ارجاع به این مقاله

آمار