ارزیابی پایداری زنجیره تامین توسط شبکه دوطرفه مرزی DEA
چکیده
امروزه، ارزیابی عملکرد مدیریت زنجیره تامین پایدار (SSCM) موضوع مهمی برای محققان و فعالان است. تحلیل پوششی داده ها (DEA) روش مناسبی برای ارزیابی عملکرد SSCM در حضور داده های بزرگ و عظیم است. DEA شبکه (NDEA) می تواند کارآیی فرآیندهای چندمرحله ای را محاسبه کند. در این مقاله مدل NDEA برای محاسبه ی کارآیی خوش بینانه و بدبینانه توسعه یافته است. مدل پیشنهادی ما می تواند خروجی های نامطلوب را ادغام کند. همچنین مدل ما می تواند زنجیره های تامین را از لحاظ امتیازات کارآیی رتبه بندی کند. یک مطالعه مورد بهره وری مدل پیشنهادی مان را نشان داده است.
1. مقدمه
مدیریت زنجیره تامین (SCM) به طور منحصر بر معیارهای اقتصادی متمرکز است و معیارهای زیست محیطی و اجتماعی را نادیده می گیرد. با این حال، در SCM پایدار (SSCM) مدیران بر سه موضوع سه گانه یعنی معیار اجتماعی، زیست محیطی و اقتصادی تمرکز می کنند . ارزیابی SSCM یکی از مهم ترین مسائل در سازمان هاست . همچنین، کمپانی های که دارای رویه ی عالی ای هستند نیز از منابع داده های عظیم استفاده می کنند و عملکردشان را افزایش می دهند . علم داده های عظیم برای کمک به محققان، برنامه ریزی کنندگان و سیاست گذاران به کار گرفته شده است. داده های عظیک اصطلاحی از مجموعه داده هایی است که بزرگ و پیچیده هستند . همچنین داده های عظیم نیاز کارشناسان در مدیریت اطلاعات را تهییج کرده است تا بیش از 15 میلیارد دلار برای پردازش اطلاعات توسط خرج شده است. اخیرا، تاکید هم بر داده های عظیم و هم SSCM است. تحقیقات رابطه ای بین پایداری و داده های عظیم در SCM را نشان می دهند . بحث کرده اند که آیا داده های عظیم می تواند برای افزایش نتایج SCM مبتنی بر موارد مالی و عملیاتی مورد استفاده قرار گیرند.
abstract
Nowadays, performance evaluation of sustainable supply chain management (SSCM) is a very important topic for researchers and practitioners. Data envelopment analysis (DEA) is an appropriate method for assessing performance of SSCM in presence of Big Data. Network DEA (NDEA) can calculate efficiency of multi-stage processes. In this paper, an NDEA model for calculating optimistic and pessimistic efficiency is developed. Our proposed model can incorporate undesirable outputs. Also, our model can rank supply chains in terms of efficiency scores. A case study demonstrates efficacy of our proposed model.
1. Introduction
Supply chain management (SCM) solely focuses on economic criteria and ignores social and environmental criteria. However, in sustainable SCM (SSCM) managers focus on triple bottom lines including social, environmental, and economic criteria (Dyllick and Hockerts, 2002). Assessing SSCM is one of the important issues in organizations (Seuring, 2013). Also, best-practice companies use Big Data resources and increase their performance (McAfee and Brynjolfsson, 2012). Science of Big Data has been applied to help researchers, planners, and policy makers. Big data is a term from dataset which are huge and complex (Ohlhorst, 2012). Also, Big Data has triggered demand of experts in information management so that more than 15 billion dollars were spent for processing information by AG, IBM, Oracle, Microsoft, HP, Dell, SAP, and EMC (Syed et al., 2013). Recently, emphasis has been on both Big Data and SSCM. Researches show linkage between sustainability and Big Data in SCM (Davenport, 2006). Hazen et al. (2014) discussed that whether Big Data can be used to increase operational and financial-based SCM results.
چکیده
1. مقدمه
2. مروری بر ادبیات پیشینه
2.1. مدل DEA و NDEA
2.2. مدیریت زنجیره تامین پایدار
2.3. خروجی های نامطلوب و DEA
2.4. نقش داده های عظیم در زنجیره تامین
3. مدل پیشنهادی
3.1. امتیاز کارآمدی خوش بینانه
3.2. امتیاز کارآمدی خوش بینانه
3.3. کارآمدی کلی
4. مطالعه موردی
5. مفاهیم مدیرانه
6. نتیجه گیری
abstract
1. Introduction
2. Literature review
2.1. DEA and NDEA model
2.2. Sustainable supply chain management
2.3. Undesirable outputs and DEA
2.4. Role of Big Data in supply chain
3. Proposed model
3.1. Optimistic efficiency score
3.2. Pessimistic efficiency score
3.3. Overall efficiency
4. Case study
5. Managerial implications
6. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه