پيش ارزيابي تامين‌كننده:/پایان نامه درباره تکنیک‌های MADM

پيش ارزيابي تامين‌كنندگان

در بحث انتخاب تامين‌كننده به علت ازدياد مراكز انتخاب تامين كننده همواره كثرت انتخاب ها امري اجتناب ناپذير است. در اكثر موارد تاكيد بر اين است كه از بين تعداد بسياري از تامين‌كنندگان،
گزينه‌هاي برتر انتخاب شوند تا بتوان با آنها پيوندهاي استراتژيك و روابط بلند مدت بر قرار كرد. اساس اين روش بر اين است كه همواره تعداد اندك تامين‌كنندگان بهتر وكاراتر از تعداد زياد آنهاست. اين همان رويكردي است كه بسياري از سازمان‌هاي ژاپني از آن تبعيت مي كنند و اصطلاحا تك منبعي يا دو منبعي شده‌اند. به همين دلايل يك تصميم‌گيرنده بايد ابتدا بتواند از بين تعدادي از تامين‌كنندگان، عده‌اي را جدا كرده و از بين آنها انتخاب تامين‌كننده يا تامين‌كنندگان اصلي را انجام دهد. براي اين منظور روش‌هاي زيادي به كار گرفته شده است كه در ذيل به تعدادي از آنها اشاره مي‌كنيم:

2-2-1-5-1  روش‌هاي قطعي[1]

اين روش‌ها مختص مدل‌هاي كيفي مي‌باشند و بر پايه اطلاعات تجربي كه براساس ارزيابي تامين‌كنندگان بدست مي‌آيد بنا شده است. در اين نوع روش‌ها عملكرد تامين‌كنندگان بر اساس سه معيار مثبت، خنثي و منفي انجام مي‌شود. پس از اينكه تامين‌كننده بر اساس همه شاخص‌ها رتبه‌بندي شد، خريداران رتبه‌بندي نهايي را بر اساس يكي از اين سه معيار انجام مي‌دهند. روش‌هاي قطعي بطور گسترده توسط تيمرمن ]67[، زنز]79[ و هوشيار]40[ مورد بررسي قرار گرفته است.

2-2-1-5-2 : روش تحليل پوششي داده‌ها[2]

روش DEA بر اساس مفهوم كارايي گزينه‌هاي تصميم‌گيري بنا نهاده شده است. در این  روش
گزينه‌ها بر اساس مزيت شاخص‌ها به عنوان خروجي و هزينه شاخص‌ها به عنوان ورودي ارزيابي مي‌گردند. كارايي يك گزينه (در اينجا تامين كننده) نسبت مجموع وزني خروجي‌اش در(اينجا عملكرد تامين كننده) به مجموع وزني ورودي‌اش (هزينه استفاده از تامين كننده) است. براي هر تامين‌كننده، روش DEA مجموعه وزن‌ها را مي‌يابد بطوري كه اين مجموعه وزن‌ها كارايي تامين‌كننده را به حداكثر خود برساند. بدين ترتیب روش تامين‌كنندگان را به دو دسته‌ي تامين‌كنندگان كارآمد و نا‌كارآمد تقسيم مي‌كند. وبر کاربرد DEA  در انتخاب تامين كننده را در مقالات زيادي مورد بررسي قرار داده است كه از اين ميان مي‌توان به وبر و الرام   ]76[، وبر و دساي]74[ و وبر و ديگران]75[ ، اشاره كرد. همچنين از ديگر كارها در اين زمينه مي‌توان به]17[ و ]46 [ اشاره نمود.

2-2-1-5-3  روش تحليل خوشه‌اي [3] (CA)

CA يك روش پايه‌اي آماري مي‌باشد كه از الگوريتم كلاس‌بندي براي گروه‌بندي تعدادي از اقلام كه بر اساس خاصيت‌شان امتياز‌دهي شده و به شاخه‌هايي تقسيم شده‌اند، استفاده مي‌كند. اين شاخه‌ها طوري هستند كه اختلاف بين اقلام يك شاخه كمترين مقدار و اختلاف بين اقلام يك شاخه و شاخه‌هاي ديگر بيشترين مقدار مي‌باشد. از روش CA به منظور دسته‌بندي تامين‌كنندگان استفاده شده است. بدين ترتيب كه تامين‌كنندگاني كه بر اساس شاخص‌هاي تصميم‌گيري ارزيابي و امتياز‌دهي شده‌اند توسط اين روش دسته‌بندي و مرتب شده‌اند. هينكل و همكارانش]37 [ اولين افرادي بودند كه اين روش را بكار بردند و در ادامه اين روش زياد مورد بحث قرار نگرفت تا اينكه 20 سال بعد هلت ]38[ آن را براي دسته‌بندي پيمان‌كاران پروژه‌هاي عمراني مورد بحث قرار داد]26 [.

2-2-1-5-4 : روش سیستم های استدلال مبنی بر مورد[4] (CBR)

سیستم‌های CBR روشي است كه در هوش مصنوعي ارائه شده است. اساسا يك سيستم
CBR سيستم‌هاي يك‌هاي اطلاعات بسيار مفيدي درباره موردهاي (DM) بانك اطلاعاتي است كه توسط نرم افزار به تصميم‌گيرنده شبيه و تجربيات گذشته ارائه مي‌دهد. در ابتدا اين سيستم را ان جي و همكارانش]50[ براي دسته‌بندي مطرح نمودند و در ادامه اين روش گسترش بيشتري يافت ولي با اين حال CBR هنوز يك سيستم نو پاست كه استفاده از آن در تصميم‌گيري كم مي‌باشد. چوي و همكارانش در اين زمينه كارهاي زيادي ارائه نمودند كه به عنوان نمونه مي‌توان به ]21[ الي]22 [اشاره کرد]64[.

[1] -categorical methods

[2]– Data Envelopment Analysis (DEA)

[3]– Cluster Analysis (CA

[4] Case-Base-Reasoning (CBR)