دانلود رایگان ترجمه مقاله تصمیم گیری چند معیاره پویا با دانش آینده برای انتخاب عرضه کننده – تیلور و فرانسیس ۲۰۱۴

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تصمیم گیری چند معیاره پویا با دانش آینده برای انتخاب عرضه کننده

عنوان انگلیسی مقاله:

Dynamic MCDM with future knowledge for supplier selection

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۴
تعداد صفحات مقاله انگلیسی ۱۸ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مدیریت
گرایش های مرتبط با این مقاله مدیریت پروژه، مدیریت استراتژیک
چاپ شده در مجله (ژورنال) مجله سیستم های تصمیم گیری – Journal of Decision Systems
کلمات کلیدی MCDM دینامیکی، تصمیم گیری فضایی- زمانی، انتخاب تامین کننده، دانش آتی، اطلاعات تاریخی
ارائه شده از دانشگاه گروه علوم و تحقیقات، دانشکده مدیریت و اقتصاد، گروه مدیریت صنعتی، ایران
رفرنس دارد 
کد محصول F1127
نشریه تیلور و فرانسیس – Taylor & Francis

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۸ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن به صورت انگلیسی درج شده است  
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 
توضیحات یک بخش کوچک ترجمه نشده است

 

فهرست مطالب
۱- مقدمه 
۲- کارهای مرتبط 
۳- مدل دینامیکی توسعه یافته با دانش آتی 
۱- ۳ زمینه یا محیط مسئله 
۲- ۳ مدل دینامیکی پیشنهادی با دانش آتی 
۴- مطالعه موردی
۱- ۴ تکرار اول تصمیم گیری دینامیکی 
۲- ۴ تکرار دوم تصمیم گیری دینامیکی 
۳- ۴ تکرار سوم مدل دینامیکی توسعه یافته 
۴- ۴ تکرار چهارم مدل دینامیکی 
۵- نتیجه گیری
 

 

بخشی از ترجمه
 چکیده
یکی از موضوعات در حال ظهور در حوزه تصمیم گیری، تصمیم گیری چند معیاره دینامیکی (DMCDM) است و دردهه گذشته، چالش در نظر گرفتن زمان به عنوان یک متغیر اصلی، مهم ظاهر شده است. در این حوزه قبلاً چارچوب هایی وجود داشته است، اما در مقایسه باانواع دیگر مدلهای تصمیم گیری، کاربرد DMCDM در مسائل صنعتی واقعی نیازمند کار بیشتری است. در این کار، چارچوب فضای- زمانی دینامیکی را توسعه می دهیم که برای مقابله با داده های تاریخی (بازخورد)، و بررسی مسئله در نظر گرفتن اطلاعات/ دانش آتی (پیشرو) طراحی شده است. هدف اصلی، غنی سازی مدلهای تصمیم گیری دینامیکی با دانش صریح ( داده های تاریخی موجود) و دانش ضمنی ( مثلاً پیش بینی های متخصصین ) در مسائل زمان- تکامل، نظیر انتخاب تامین کننده، است. در نظر گرفتن اطلاعات پیش بینی شده توسط تامین کننده برای موقعیت های آتی ( مثلاً سرمایه گذاری در ظرفیت) و همزمان با آن یادگیری از داده های تاریخی، به شرکت در یافتن راهکارهای کمتر ریسکی و سازگار کمک می نماید. دریک مطالعه موردی واقعی برای انتخاب تامین کننده در صنعت خودرو، مدل پیشنهادی با موفقیت پیاده گردید و از آن برای نشان دادن قابلیت و کاربردپذیری مدل استفاده گردید.
 
۱- مقدمه
اکثر سازمان ها در تصمیمات استراتژیکشان در مورد انتخاب تامین کننده یا شریک کسب و کار، دانش موجود در مورد رفتار گذشته تامین کنندگان و همچنین دانش ضمنی (مثلاً از طرف متخصصین) در مورد سرمایه گذاریها یا روندهای آتی را درنظر نمی گیرند. در این راستا به مدلهای تصمیم گیری انعطاف پذیری نیاز است که دانش موجود (گذشته و آتی) را در فرایند تصمیم گیری تاکتیکی و استراتژیک لحاظ کنند، و انتخاب تامین کننده یک مثال خوب در این رابطه می باشد. توسعه مدل تصمیم گیری چند معیاره دینامیکی با دانش آتی – که موضوع این مقاله است- به رفع این نیاز کمک می نماید.
در سازمان ها معمولاً ازمدلهای تصمیم گیری چند معیاره برای توجیه منطقی فرایند تصمیم گیری استفاده می شود . معمولاً فرض اول برای ساده نمودن این نوع مسئله، آن است که معیارها و راهکارها از قبل ثابت شده و اینکه تصمیم گیری فقط یکبار انجام می شود، به عبارتی ملاحظات فضایی یا زمانی در مدل لحاظ نمی شوند. بدون شک با این فرض نیز اعتبار نتیجه هنوز محدود است، مخصوصاً زمانی که ارزشها با گذشت زمان تغییر کرده و ماتریس تصمیم گیری ثابت یا ایستا نیست. به علاوه، از آنجایی که این کار بر تصمیمات میان مدت یا بلند مدت تمرکز می کند (تاکتیکی یا استراتژیک)، در نتیجه عوامل فضایی زمانی نقش مهمی در تضمین تصمیمات به روز و آگاهانه ایفا می کنند. چالش اصلی، چگونگی مدلسازی دانش در فرایند تصمیم گیری است (Richards,2002).
اخیراً، Campanella وRibeiro (2011) مدل تصمیم گیری MCDM را پیشنهاد کردند که برای هر راهکار در فرایند تصمیم گیری فضایی- زمانی، اطلاعات بازخورد (داده های تاریخی) را با اطلاعات فعلی ترکیب می کند. به علاوه، از مدل تصمیم گیری دینامیکی در فرایند انتخاب تامین کننده عمومی کسب و کار به کسب و کار، با ورودیها و خروجی های متعدد استفاده گردید ، اما مسائل مربوط به دانش آتی مد نظر قرار نگرفت. با این حال، این مدل دینامیکی، فقط اطلاعات گذشته (تاریخی) را خطاب قرار داد و در این کار، از این مسئله حمایت می کنیم که دانش آتی نیز به ویژه برای تصمیمات تاکتیکی یا استراتژیک، باید مد نظر قرار داده شود.
بنابراین، در این کار، برای مقابله با داده های تاریخی، مدل MCDM دینامیکی (Campanella &Ribeiro,2011) توسعه می یابد. دانش آتی که همچنین اطلاعات پیش بینی شده نامیده می شود، با استفاده از مدلهای پیش بینی بدست آمده یا براساس دانش متخصصین یا دیگر منابع موجود برآورد می گردد. بسیاری از تصمیمات در شرکت ها، تصمیمات استراتژیک برای آینده هستند که به تصمیمات غیر واقعی منتج می شوند . تصمیم گیری، فقط با داده های فعلی، یک چالش پارادوکسی در مدیریت به حساب می آید، در حالیکه تصمیم گیری استراتژی غیر ساختاریافته، نیازمند رویکردی وسیع تر برای مقابله با داده های گذشته و آتی است. در مجموع، این کاربا لحاظ نمودن (ورود) بازخورد و اطلاعات پیشرو در مسئله MCDM کلاسیک، مشکل درنظر گرفتن زمان به عنوان متغیر پایه در فرایند تصمیم گیری را خطاب قرار می دهد. بازخورد دانش گذشته در مورد رفتار تامین کنندگان، و دانش پیشرو، دانش مربوط به سرمایه گذاریها و روندهای آتی را نشان می دهد. برای بهبود فرایندهای تصمیم گیری استراتژیک در سازمان ها، هر دو را می توان باهم ادغام نمود. بالاخره، هدف اصلی این کار، غنی سازی مدلهای تصمیم گیری دینامیکی با دانش صریح (داده های تاریخی موجود) و دانش ضمنی (مثلاً پیش بینی های متخصصین) در مسائل زمان- تکامل، نظیر انتخاب تامین کننده است.
رئوس مقاله حاضر به شرح ذیل است. در بخش دوم، راجع به کارهای مرتبط با تصمیم گیری چند معیاره برای انتخاب تامین کننده بحث می شود. بخش سوم، مدل MCDM دینامیکی را با استفاده از اطلاعات گذشته و آتی توسعه می دهد.در بخش چهارم، از مدل کامل برای مطالعه موردی انتخاب تامین کننده واقعی در صنعت خودرو، و تشریح تطبیق پذیری و قابلیت تغییر شیوه جدید استفاده می شود و بالاخره در بخش آخر، نتیجه گیری مطرح می شود.

 

بخشی از مقاله انگلیسی

Abstract

Dynamic multi-criteria decision making (DMCDM) is an emerging subject in the decision-making area and in the last decade the challenge to consider time as an important variable has become important. Some frameworks already exist in this area but when compared with other types of decision-making models, DMCDM needs more work to be applicable in real industrial problems. In this work we extend a dynamic spatial-temporal framework, designed to deal with historical data (feedback), to address the problem of considering future information/knowledge (feed-forward). The main objective is to enrich dynamic decision-making models with explicit knowledge (existing historical data) and tacit knowledge (e.g. expert predictions) in time-evolving problems, such as supplier selection. Considering supplier-predicted information for future situations (e.g. investments in capacity) and, simultaneously, learning from historical data can help a company to find less risky and consistent alternatives. The proposed model is successfully implemented in a real case study for supplier selection in one automotive industry to demonstrate the capability and applicability of the model.

۱ Introduction

Most organisations consider neither available knowledge about suppliers’ past behaviour nor tacit knowledge (e.g. from experts) about their future investments or trends, in their strategic decisions about supplier or business partner selection. There is a need for flexible decision models that contemplate including available knowledge (past and future) in the process of tactical and strategic decision-making, and supplier selection is a good example. Extending a dynamic multi-criteria decision-making model with future knowledge – the topic of this paper – is a good contribution to tackle that need. Multi-criteria decision making models are commonly used in organisations to rationalise the process of decision-making (Figueira, Greco, & Ehrgott, 2005; Triantaphyllou, 2000). Usually the first assumption to simplify this type of problem is to assume that both criteria and alternatives are fixed a priori and that the decision occurs only once, i.e. no spatial or temporal considerations are included in the model. There is no doubt that with this assumption the validity of the result is rather limited, specifically when the values change over time and the decision matrix is not fixed or static. Moreover, since this work focuses on medium- or long-term decisions (tactical or strategic), spatial-temporal factors are crucial to ensure up-to-date and informed decisions. The challenge is really how to model knowledge in the decision process (Richards, 2002). Recently, Campanella and Ribeiro (2011) proposed a general dynamic multi-criteria decision making (MCDM) model that combines feedback information (historical data) with current information, for each alternative, in a spatial-temporal decision process. Further, the dynamic decision model was adapted for a business-to-business general supplier selection process, with multiple inputs and multiple outputs (Campanella, Pereira, Ribeiro, & Varela, 2012), but without any consideration about future knowledge. However, this dynamic model only addressed past (historic) information, and in this work we advocate that future knowledge should also be considered, particularly for tactical or strategic decisions. Hence, in this work, the above dynamic MCDM model (Campanella & Ribeiro, 2011) is extended to deal with future data. The future knowledge, which can also be called predicted information, can either be captured using prediction models or could be estimated based on expert knowledge or other available sources. Many decisions in companies are strategic decisions for the future, and these have been criticised for not considering future predictions, thus resulting in unrealistic decisions (de Boer, Labro, & Morlacchi, 2001; Ho, Xu, & Dey, 2010). Decision-making, using just current data, is a paradoxical challenge in management, whilst unstructured strategic decision-making requires a wider perspective, which deals with past and future data. In summary, this work addresses the problematic of considering time as a basic variable in the decisionmaking process, by including feedback and feedforward information in the classic MCDM problem. The feedback represents the past knowledge about suppliers’ behaviour, and feed-forward represents the knowledge about future investments, trends, etc. Both can be merged to improve strategic decision-making processes in organisations. Finally, the main aim of this work is to enrich dynamic decision-making models with explicit knowledge (existing historical data) and tacit knowledge (e.g. experts’ predictions) in time-evolving problems, such as supplier selection. The paper is organised as follows. In the second section, related works about multicriteria decision making for supplier selection are discussed. The third section introduces an extension for a dynamic MCDM model using both past and future information. In the fourth section the complete model is applied to a real supplier selection case study in the auto industry, to illustrate the versatility of the new approach, and, finally, in the last section the conclusion is presented.

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا