به کارگیری تکنیک‏های تاپسیس فازی وDEA فازی به منظور اولویت‏بندی و انتخاب قابلیت‏های چابکی سازمان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مدیریت ، دانشکده علوم اداری و اقتصاد دانشگاه اصفهان

2 کارشناس ارشد مهندسی صنایع، دانشگاه آزاد اسلامی واحد نجف‏آباد

چکیده

روش‏های متفاوتی جهت اولویت‏بندی و انتخاب قابلیت‏های چابکی سازمان ارائه گردیده است که اغلب آنها جزء روش‏های تصمیم‏گیری چند معیاره جبرانی می‏باشند. در این مقاله تلاش می‏شود با بهرهگیری از تکنیک‏های تحلیل پوششی داده‏ها ((DEA،و تاپسیس فازی، رویکردی جهت اولویت‏بندی قابلیت‏های چابکی بر اساس نیازهای محیطی سازمان، ارائه گردد. پژوهش حاضر در دو مرحله متوالی انجام گرفته است. در مرحله اول محرک‏های چابکی سازمان شناسایی شده و در مرحله دوم  قابلیت‏های چابکی بر اساس اثربخشی و تاثیرشان جهت غلبه بر محرک‏های استخراج شده از مرحله اول، اولویت‏بندی می‏گردند. در مرحله اول محرک‏های چابکی سازمان با بهره‏گیری از تکنیک تاپسیس فازی و رویکرد برنامه‏ریزی کسری و بر اساس سه معیار دشواری پاسخگویی، میزان اثرگذاری بر فعالیت‏های سازمان و شدت تغییر، رتبه‏بندی شده و محرک‏های کلیدی انتخاب می‏شوند. در مرحله دوم، با استفاده از تکنیک تحلیل پوششی داده‏های فازی، قابلیت‏های چابکی استخراج شده از ادبیات تحقیق بر مبنای تاثیرشان بر عوامل محرک کلیدی، ارزیابی و اولویت‏بندی می‏شوند. روش ارائه شده در یکی از صنایع بزرگ قطعه‏ساز دولتی مورد آزمون قرار گرفته است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prioritization and Selection Agility Capability Using Fuzzy TOPSIS and Fuzzy DEA Approach

نویسندگان [English]

  • majid esmaelian 1
  • behnam molavi 2
1 Assistant Professor, Department Management, Esfahan University, Esfahan, Iran
2 M.Sc in Industrial Engineering, Nafabad Branch, Islamic Azad University, , Nafabad, Iran
چکیده [English]

Different methods for prioritization and selection of agility capabilities are presented. And most of them are compensatory multi-criteria decision making methods. With Compensation methods in some cases sufficiently accurate and precise results are not achieved. Because of the weakness of an agility, capabilities in one criteria will be offset by strengths in other criteria. In this paper, using the technique of data envelopment analysis an approach for prioritizing agility capabilities is offered. This method has higher accuracy compared with previous methods. This study was conducted in two successive stages. Agility drivers have been identified in the first stage, and in the second phase the required capabilities to meet the drivers, are prioritized. Firstly, based on three criteria of difficulties, the impact on the activities of the organization and intensity of change, organizational agility drivers ranked and key drivers are selected. The fuzzy TOPSIS and fractional programming techniques are used. Secondly, using the fuzzy DEA technique agility capabilities derived from the research literature base on their impact on key agility drivers are assessed and prioritized. Method presented in one piece construction of state-owned industries has been examined.

کلیدواژه‌ها [English]

  • Agility Capability
  • Agile Enterprise
  • MCDM
  • Fuzzy Topsis
  • Fuzzy Data Envelopment Analysis

1- مقدمه

سازمان‏های تولیدی در طی دو دهه گذشته با تغییرات سریع و بی سابقه‏ای در فناوری، رقابت و نیازمندی‏های مشتریان مواجه بوده اند. این تغییرات، سازمان‏ها را به سمت چالش‏های نوینی هدایت کرده که عدم توجه به آنها بقا و موفقیت سازمان را به طور فزاینده‏ای تهدید می‏کند. بسیاری از سازمان‏ها، درک و شناخت مجدد شایستگی‏های متمایز خود را آغاز نموده‏اند و اقدامات و ابزارهای متفاوتی را برای بهبود رقابت پذیری خود پذیرفته اند. پذیرش این اقدامات بر اساس ظهور پارادایم تولید نوینی می‏باشد که به عنوان تولید چابک شناخته شده است. تولید چابک از تغییرات در محیط منتج می‏شود (یوسف و همکاران[1]، 1999؛ شریفی و ژانگ[2]، 2000؛ گوناسکاران و یوسف[3]، 2002)، و مدل منعطفی است که می تواند به سرعت با تغییرات محیط انطباق یابد و نیازهای مشتریان آگاه، مطلع و متوقع را تامین نماید (ژانگ و شریفی[4]، 2007). بسیاری از مطالعات انجام شده در حوزه چابکی به ارائه مدل های تئوریک برای دستیابی به چابکی پرداخته اند ولی در خصوص چگونگی پیاده سازی این اهداف و ارائه مدل های عملیاتی، مطالعات اندکی صورت گرفته است (شریفی و ژانگ، 2001). روش های کمی معرفی شده جهت اولویت بندی قابلیت ها عموماً روش های جبرانی مانند مجموع وزنی و یا میانگین موزون بوده و به همین دلیل در برخی موارد از کارایی مناسبی برخوردار نیستند. در این مقاله تلاش می شود از تکنیک تحلیل پوششی داده ها به عنوان روشی با خاصیت جبرانی کمتر، جهت اولویت بندی قابلیت ها استفاده گردد. لذا ، بر اساس مدل مفهومی معرفی شده توسط شریفی و ژانگ (2001) در زمینه اولویت‏بندی قابلیت­ها، روشی کمی بر مبنای ریاضیات فازی برای ارزیابی و انتخاب قابلیت های چابکی مورد نیاز سازمان ارائه می گردد. هدف این است که بر اساس محرک های چابکی، قابلیت های مورد نیاز سازمان، جهت پاسخگویی به محرک ها، شناسایی و مورد بهره برداری قرار گیرند. بدین منظور در ابتدا عوامل تغییر و محرک چابکی استخراج شده از ادبیات چابکی، با بکار گیری تکنیک تاپسیس فازی و معیارهای مورد نظر، رتبه بندی شده و محرک های کلیدی انتخاب می گردند. سپس قابلیت های چابکی با استفاده از مدل مناسب تحلیل پوششی داده ها و بر اساس میزان تاثیرشان و ارتباطشان با محرک های کلیدی چابکی ارزیابی و اولویت بندی خواهند شد. در این پژوهش، ضریب اهمیت معیارها نیز در مدل تحلیل پوششی داده ها، به وسیله کنترل وزنی، دخالت داده شده اند. روش پیشنهادی در یکی از صنایع قطعه ساز دولتی[5]، مورد آزمون قرار گرفته است. چارچوب کلی این پژوهش بر مبنای منطق فازی بنا نهاده شده که دلیل این امر برگرداندن مناسب قضاوت های کلامی افراد به مقادیر عددی است. ادامه مطالب بیان شده در مقاله بدین صورت سازماندهی می‏شود: در بخش دوم مبانی نظری و پیشینه پژوهش توضیح داده شده اند. بخش سوم به توضیح در مورد تکنیک های مورد استفاده در پژوهش اختصاص یافته است. در بخش چهارم  روش شناسی پژوهش توضیح داده شده، بخش پنجم به پیاده سازی تکنیک ها و نتایج حاصل از آن مربوط بوده و بخش ششم نیز به نتیجه گیری اختصاص یافته است.

2- پیشینه و مبانی نظری پژوهش

2-1- مفهوم چابکی سازمانی

چابکی سازمانی ناشی از تولید چابک[6] است و تولید چابک مفهومی است که طی سال های اخیر عمومیت یافته و به عنوان استراتژی موفق، توسط تولید کنندگانی که خود را برای افزایش عملکرد قابل ملاحظه ای آماده می کنند، پذیرفته شده است. هدف این تولیدکنندگان مطرح شدن به عنوان رهبر در سطح ملی و بین المللی (در یک بازار رقابتی که نیازهای مشتریان به صورت دائم درحال تغییر است) می باشد (گوناسکاران و یوسف، 2003). بنابر تعریف شریفی و ژانگ (2000)، چابکی به معنای توانایی هر سازمان در احساس، ادراک و پیش بینی تغییرات موجود در محیط کسب و کار است. به طور کلی مفهوم چابکی دارای دو بخش اساسی است (شریفی و ژانگ، 2000):

1- پاسخ به تغییرات (غیر منتظره یا پیش بینی شده)، به روشی مناسب و در زمان مقتضی.

2- بهره برداری از تغییرات و سود جستن از آنها به عنوان فرصت ها.

بدین ترتیب سازمان چابک، سازمانی با نگرش وسیع به نظم جدید دنیای کسب و کار، و با دستی پر از توانایی و قابلیت ها برای مواجه با آشفتگی و تلاطم و استفاده از جنبه مزیتی اوضاع در حال تغییر است (گلدمن و همکاران[7]، 1995).

 

2-2- محرک های چابکی[8]

محیط کسب وکار به عنوان عامل آشفتگی، عدم اطمینان و تغییر، فشارهای زیادی را بر فعالیت های تجاری سازمان تحمیل می‏کند. این تغییرات و فشارهای وارده از محیط کسب و کار به عنوان نیروهای محرکی عمل کرده و سازمان را به سمت اتخاذ استراتژی چابکی پیش می‏رانند. این عوامل که همان محرک‏های چابکی هستند سازمان را وادار به جستجوی روشی جهت حفظ مزیت رقابتی خود می‏کنند (ژانگ و شریفی ، 2007؛ باستلو و همکاران[9]، 2007).

 

2-3- قابلیت های چابکی

موسسات و سازمان‏های چابک نگران تغییر، عدم اطمینان و عدم پیش بینی در محیط کسب وکار خود هستند. این موسسات برای رسیدگی به تغییر، عدم اطمینان و عدم قابلیت پیش بینی در محیط کاری خود، به شماری از قابلیت های متمایز نیازمند هستند. قابلیت های چابکی به طور گسترده در تحقیقات گذشته مورد بررسی قرار گرفته اند. کید (1995) پیشنهاد می‏کند که چابکی از طریق یکپارچه سازی فرایندهای سازمان، افراد با سطح دانش و مهارت بالا و تکنولوژی های پیشرفته قابل دستیابی است. شریفی و ژانگ (2001)، جهت انتخاب قابلیت ها و توانمندسازهای چابکی، مدل شبکه ای را به صورت شکل (1) پیشنهاد نموده‏اند که توانمندسازهای چابکی را به محرک های چابکی پیوند می دهد به طوری که قابلیت های چابکی به عنوان واسطی بین این دو قرار می گیرند.

توانمندسازها عواملی هستند که دستیابی به قابلیت ها را در سازمان تسهیل می­کنند، مانند مدیریت منابع انسانی، فناوری اطلاعات و مدیریت دانش. بنابراین تعیین اهمیت این قابلیت‏ها از دو جنبه انتخاب قابلیت‏های مناسب جهت پاسخگویی موثر به شرایط متغیر محیطی و کمک به انتخاب توانمندسازهای مناسب جهت دستیابی به قابلیت‏ها حائز اهمیت می‏باشد. بر اساس این مدل ضریب اهمیت قابلیت ها تابعی از شدت تغییر/ فشار محرک ها و میزان ارتباط بین محرک ها و قابلیت ها می باشد.

 

 


شکل (1): مدل شبکه‏ای انتخاب قابلیت‏های چابکی (شریفی و ژانگ، 2001)

 

 

شریفی و ژانگ، همچنین جهت محاسبه ضریب اهمیت قابلیت‏ها روشی­کمی را پیشنهاد نمودند که در آن ضریب اهمیت قابلیت‏ها بر اساس ارتباطشان با محرک ها و با استفاده از روش مجموع وزنی ساده، محاسبه می شود، به گونه ای که شدت تغییر یا فشار هر عامل محرک به عنوان وزن آن محرک در نظر گرفته می شود. ضریب اهمیت قابلیت ها بر اساس این روش از رابطه (1) قابل محاسبه می‏باشد.

 

 

 

که در این رابطه n تعداد محرک ها، m تعداد قابلیت ها، Cj ضریب اهمیت قابلیت j ام، Di شدت تغییر/ فشار عامل تغییر i ام و Rij میزان تاثیر قابلیت j ام بر عرصه تغییر i ام  می‏باشد. در روشی مشابه تی سنگ و همکاران (2011)، جهت تعیین میزان شایستگی قابلیت های چابکی برای سازمان، روش میانگین موزون فازی را معرفی و مورد استفاده قرار دادند که به صورت رابطه (2) قابل محاسبه می باشد.

 

 

 

در این رابطه  و مقادیر فازی بوده و به ترتیب بیان کننده شدت تغییر محرک  iام و تاثیر قابلیت j ام بر محرک i ام میباشند. همچنین n تعداد محرک ها و m تعداد قابلیت های مورد بررسی هستند. همانگونه که مشاهده می شود، برای تعیین ضریب اهمیت قابلیت های مورد نیاز سازمان، در ابتداء باید، محرک‏های چابکی سازمان و نیز شدت تغییر یا فشار این عوامل را تعیین نمود و سپس به بررسی ارتباط بین قابلیت‏ها و محرک­ها پرداخت. در این پژوهش با در نظر گرفتن معیارهای چندگانه، ضریب اهمیتی برای رتبه بندی محرک ها و شناسایی عوامل کلیدی به دست می آید که جایگزین شدت تغییر این عوامل در روابط مذکور قبلی خواهد شد.

در گام اول جهت شناسایی محرک های چابکی سازمان، یک لیست عمومی از محرک‏های چابکی تهیه و عوامل آن مورد ارزیابی کارشناسان سازمان مورد بررسی قرار گرفته­اند. بدین منظور با مطالعه ادبیات موضوع، طبقه بندی های موجود در خصوص عوامل محرک تغییر و همچنین معیارهای بکار گرفته شده در تحقیقات مختلف جهت ارزیابی این عوامل، مورد بررسی قرار گرفته و طبقه بندی شریفی و ژانگ (2001)، به عنوان مبنای کار انتخاب گردید. سپس با انجام مصاحبه های نیمه ساختار یافته با خبرگان صنعت مورد مطالعه، عوامل محرک تغییر که مختص محیط سازمان بوده به این طبقه بندی اضافه شده اند. سپس جهت ارزیابی این عوامل، سه معیار که با نوع محرک های در نظر گرفته شده متناسب بوده         (بر مبنای ادبیات پژوهش)، انتخاب شدند.  لیست نهایی محرک‏ها و معیارهای موثر در فرایند ارزیابی محرک‏ها در جداول 1 و 2 ارائه شده است

 

 

.جدول(1): محرک‏های اولیه انتخابی

ابعاد

شاخص  ها

منبع

تغییر در بازار

شکسته شدن بازار و رشد بازارهای خاص

شریفی و ژانگ (2001)، تی سنگ و همکاران (2011)

کاهش دوره عمر محصولات تولیدی

گلدمن و همکاران (1995)، شریفی و ژانگ (2001)، تی سنگ و همکاران (2011)

تغییر در معیارهای رقابت

ورود رقبای جدید

نظر خبرگان صنعت

افزایش شدت رقابت جهت کسب سهم بازار

شریفی و ژانگ (2007)، تی سنگ و همکاران (2011)

افزایش فشارهای هزینه ای

شریفی و ژانگ (2001)، تی سنگ و همکاران (2011)

افزایش نرخ نوآوری در محصولات

شریفی و ژانگ (2001)، تی سنگ و همکاران (2011)

تغییر در نیازمندی های مشتری

افزایش انتظارات کیفی مشتریان

شریفی و ژانگ (2001)، آدلیه و یوسف (2003)

کاهش زمان تحویل سفارشات

شریفی و ژانگ (2001) ، آدلیه و یوسف (2003)

سفارشی شدن محصولات

شریفی و ژانگ (2001) ، آدلیه و یوسف (2003)

تغییرات  فناوری

معرفی تجهیزات سخت افزاری جدید

شریفی و ژانگ (2001)

معرفی نرم افزارها و روش های تولید جدید

شریفی و ژانگ (2001)

معرفی مواد و ترکیبات مصرفی جدید

نظر خبرگان صنعت

تغییر عوامل سیاسی- اجتماعی

فشارهای زیست محیطی

شریفی و ژانگ (2001)

نیازها و انتظارات متغیر دولت

نظر خبرگان صنعت

جدول (2): معیارهای موثر در ارزیابی محرک‏ها

ردیف

معیارها

منبع

1

میزان و شدت تغییر/ فشار

شریفی و ژانگ (2000،2001)، تی سنگ و همکاران (2011)

2

میزان اثرگذاری عامل تغییر بر فعالیت های شرکت

تی سنگ و همکاران (2011)

3

دشواری پاسخگویی به تغییر و انطباق با آن

هیلگرزبرگ و همکاران (2006)

 

 

در گام دوم طبقه بندی قابلیت های معرفی شده توسط جعفر نژاد (1386)، که تلفیقی از نظرات شریفی و ژانگ (2001) و یوسف و همکاران (1999) می باشد، به عنوان مبنای مطالعه انتخاب شده و پس از آن به منظور انطباق مولفه های آن با شرایط واقعی صنعت مورد بررسی و دستیابی به واقع گرایی بالا در نتایج، این عوامل در قالب مصاحبه ها بررسی شده است و در نهایت 12 عامل متناسب با شرایط صنعت که به کارگیری آنها در محیط کاری صنعت امکان پذیر بوده، به عنوان قابلیت های مورد بررسی، در نظر گرفته شدند. این قابلیت‏ها در جدول (3) ارائه شده اند.

 

جدول (3): قابلیت‏های چابکی منتخب جهت ارزیابی

ردیف

قابلیت های چابکی

1

داشتن کارکنان چند مهارته، شایسته و توانمند

2

کیفیت بالای محصولات و خدمات

3

اثر بخشی از نظر هزینه

4

طراحی و تولید محصول در کوتاهترین زمان ممکن

5

کارایی و اثربخشی عملیات (ناب بودن)

6

یکپارچگی و انسجام بخش های سازمان

7

سرعت در زمان تحویل

8

فعالیت افراد توانمند در قالب تیم های کاری

9

انعطاف پذیری در الگو و حجم محصولات تولیدی

10

رهبری و سرآمدی در استفاده از فناوری های جاری

11

تغییر و بهبود مستمر

12

طراحی درست محصولات در بار اول

پس از تعیین قابلیت های چابکی مورد ارزیابی، با استفاده از تکنیک تحلیل پوششی دادها، به ارزیابی و اولویت بندی قابلیت های چابکی بر اساس ارتباطشان با محرک های کلیدی پرداخته می شود. مراحل انجام  پژوهش در شکل 2 به صورت شماتیک نمایش داده شده است.

 

 

 

 

 

 

شکل (2): مراحل اجرای پژوه

 

3- به‏کارگیری تکنیک‏های FTOPSIS وFuzzy DEA جهت ارزیابی و انتخاب قابلیت‏های چابکی

 

3-1- تکنیک تاپسیس فازی

تاپسیس یکی از روش های تصمیم گیری چند معیاره است که m گزینه را با توجه به n معیار رتبه‏بندی می‏کند (آریانژاد و همکاران ، 2011). اساس این روش انتخاب گزینه ای است که کمترین فاصله را از جواب ایده آل مثبت و بیشترین فاصله را از جواب ایده آل منفی دارد. در این پژوهش از روش تاپسیس معرفی شده توسط چن (2000)، با داده های فازی استفاده شده است. در این روش با استفاده از برش‏های آلفا و به کمک اصل گسترش، شاخص شباهت نسبی (CCi) به صورت مقادیر فاصله ای محاسبه می‏گردد (چن، 2000). لازم بذکر است که بدلیل محدودیت حجم مطالب ارائه شده در مقاله، امکان ارائه روش مذکور وجود ندارد و فقط به ذکر منبع آن اکتفا شده است.

 

3-2- بکارگیری تکنیک DEA فازی جهت ارزیابی قابلیت های چابکی

تحلیل پوششی داده‏ها، روشی برای تعیین کارایی نسبی یک گروه از واحد های تصمیم‏گیرنده متشابه است که از چندین ورودی برای تولید چندین خروجی، استفاده می‏کنند. مدل های سنتی تحلیل پوششی داده‏ها نیازمند داده‏های قطعی و دقیق به عنوان ورودی و خروجی‏های مدل هستند که در دنیای واقعی اغلب این داده‏ها در دسترس نیستند. به همین منظور تلاش‏های زیادی جهت استفاده از داده های فازی در این مدل‏ها صورت گرفته است. در این پژوهش از روش ارائه شده توسط وانگ و چین(2011)، استفاده می‏شود که در ادامه توضیح داده خواهد شد. متغیرهای زبانی و مقادیر فازی بکار گرفته شده جهت ارزیابی‏ها در جدول 4 ارائه شده است.

جدول(4): متغیرهای زبانی و مقادیر فازی

(چن و هوانگ، 2006)

متغیرهای زبانی

اعداد فازی مثلثی

بسیار کم

(1  0 0 )

کم

(3  1 0 )

نسبتا کم

(5  3 1 )

متوسط

(7  5 3 )

نسبتا زیاد

(9  7  5 )

زیاد

(10 7  9 )

بسیار زیاد

(10  10 9 )

هدف اصلی این پژوهش به‏کارگیری تکنیک DEA فازی جهت اولویت‏بندی قابلیت‏های مورد نیاز سازمان می باشد. هرچند این تکنیک به منظور ارزیابی کارایی واحدهای تصمیم گیرنده توسعه داده شده است، اما با در نظر گرفتن الزامات اولیه این تکنیک، می توان از آن به عنوان ابزاری جهت اولویت‏بندی قابلیت های چابکی نیز بهره گرفت. در این پژوهش، به جای ارزیابی کارایی سازمان ها، کارایی قابلیت ها از لحاظ میزان تاثیرشان در بهبود چابکی سازمان، مورد ارزیابی قرار می گیرد. لذا با در نظر گرفتن شاخص‏های ورودی و خروجی مشابه برای این واحدها (قابلیت ها)، بهره‏گیری از این تکنیک برای ارزیابی قابلیت‏ها توجیه پذیر خواهد بود.

 

3-3- تبیین ورودی و خروجی‏های مدل

بر اساس روش های ارائه شده توسط شریفی و ژانگ (2001) و تی سنگ (2011)، ضریب اهمیت هر قابلیت تابعی از میزان ارتباط آن قابلیت با محرک ها و نیز شدت تغییر/ فشار محرک ها می باشد. در این پژوهش تعداد متغیرهای خروجی برابر با تعداد محرک های چابکی و مقادیر آنها برابر با میزان ارتباط هر قابلیت با محرک ها در نظر گرفته شده و ضریب اهمیت محرک ها نیز به عنوان وزن خروجی‏های مرتبط با هر محرک، به صورت کنترل وزنی روی خروجی ها اعمال خواهند شد. مقادیر مورد استفاده توسط نظر سنجی از خبرگان بدست خواهند آمد. به دلیل اینکه واحدهای تصمیم گیرنده دارای مفهومی جدایی از سیستم های تولیدی بوده و فاقد ورودی هستند، می توان مقادیر ورودی مدل را، برای تمامی واحدها برابر یک مقدار ثابت در نظر گرفت.  لذا به‏کارگیری مدل خروجی محور جهت ارزیابی قابلیت‏ها، مناسب تشخیص داده شده که بخاطر نامعلوم بودن بازده به مقیاس، مدل بازده به مقیاس متغیر مورد استفاده قرار می گیرد. واحدهایی که با مقادیر ورودی برابر، خروجی بیشتری ارائه کنند، دارای کارایی بالاتری خواهند بود و در اولویت انتخاب قرار خواهند گرفت. مدل پیشنهادی به صورت شکل (3) قابل نمایش می باشد.

 

 

 


شکل(3): مدل پیشنهادی تحلیل پوششی داده ها

 

تشریح تکنیک DEA به‏کار گرفته شده در پژوهش

در این پژوهش از روش وانگ و چین[10] (2011)، به منظور ارزیابی و رتبه‏بندی قابلیت‏های چابکی، استفاده می‏شود. براساس این روش، در محیط فازی برای تابع هدف دو مقدار کارایی خوش بینانه  و کارایی بد بینانه  محاسبه می‏شود و سپس میانگین هندسی این دو مقدار به عنوان معیاری جهت رتبه بندی و تعیین کاراترین واحد مورد استفاده قرار می گردد. اگر اعداد فازی مثلثی به صورت  توصیف گردند، آنگاه مدل BCC خروجی محور مضربی مذکور برای محاسبه کارایی خوش بینانه به صورت رابطه (1) خواهد بود:

 

 

 

 

و برای محاسبه کارایی بدبینانه از رابطه (2) استفاده می شود:  

 

 

 

 

به‏طوری که  و  اوزان فازی مثلثی برای ورودی فازی مثلثی و خروجی فازی مثلثی   و متغیر  ، متغیر آزاد در علامت می باشد. شاخص رتبه بندی و تعیین واحد کارا بر اساس این مدل برابر است با میانگین هندسی  و  که به صورت رابطه (3) قابل محاسبه می باشد.

 

 

 

در این مدل، اگر  باشد آنگاه واحد کار و اگر  باشد، واحد ناکاراست.

با محاسبه میانگین هندسی در واقع از تجزیه و تحلیل دوگانه[11] (DFA)، استفاده می شود. بنابراین روش  مبنای رتبه بندی DMU ها قرار می‏گیرد.

 

3-4- روش شناسی پژوهش

روش به‏کار گرفته شده در این پژوهش از نظر هدف کاربردی بوده و به دلیل آنکه در آن از مطالعات کتابخانه ای و میدانی استفاده می شود می توان این پژوهش را توصیفی پیمایشی به حساب آورد.

جمع آوری داده‏هادر این پژوهش شامل دو مرحله متوالی می باشد. در مرحله اول به منظور شناسایی محرک های چابکی صنعت مورد بررسی، با مطالعات کتابخانه ای، طبقه بندی های موجود در خصوص محرک های چابکی مشخص گردیده و سپس بوسیله مصاحبه های نیمه ساختار یافته با خبرگان صنعت و اعمال نظرات آنان، پرسشنامه اول که ابزار اصلی جمع آوری داده ها می باشد، بدست آمده است. مجموعه خبرگان در این پژوهش، مجموعه ای شامل شش نفر از مدیران و سرپرستان دارای حداقل10 سال سابقه کار در صنعت مورد بررسی می‏باشد. در مرحله دوم به منظور شناسایی قابلیت های مورد نیاز صنعت، با مطالعات کتابخانه ای و انجام مصاحبه با خبرگان صنعت و همچنین نتایج بدست آمده از مرحله اول پژوهش، پرسشنامه دوم طراحی گردیده است. پرسشنامه‏های طراحی شده در طیف مقیاس هفت سطحی لیکرت بوده که پرسشنامه اول شامل 45 سوال و پرسشنامه دوم شامل 48 سوال می باشند.

 

4- نتایج و یافته‏های حاصل از اجرای تکنیک ها

 

4-1- نتایج حاصل از پیاده سازی تکنیک تاپسیس فازی جهت رتبه بندی محرک ها (گام اول)

در این قسمت با توجه به حجم زیاد محاسبات و عدم امکان ارائه آنها در مقاله و برای جلوگیری از افزایش حجم مطالب، تنها وزن معیارها و نتایج نهایی رتبه بندی عوامل محرک ارائه می‏شود. وزن­ معیارها با استفاده از روش لیو و گونگ[12] (2005) از تلفیق نظرات خبرگان صنعت و تکنیک آنتروپی­فازی (سو و لین[13] ،2006) در جدول 5 ارائه شده است.

جدول (5): وزن فازی معیارها

ردیف

معیارها

اوزان فازی

1

شدت تغییر/فشار

(6952/0  666/0 5715/0)

2

میزان اثر گذاری بر فعالیت ها

(5372/0 5046/0 4418/0)

3

دشواری پاسخگویی

(3216/0 2876/0 2419/0)

 

با حل مسائل برنامه ریزی کسری مورد نیاز تکنیک تاپسیس فازی توسعه یافته (چن، 2000)، مقادیر کران بالا و پایین شاخص شباهت به ازای =0.5α برابر با

 ] 932/0 773/0[ به دست می آید. برای پرهیز از افزایش حجم مطالب، مقادیر حاصل از حل مدل برای  چهار محرک برتر، در جدول 6 و به ازاء کلیه محرک‏ها، شاخص ، در جدول 7 نشان داده شده است.

 

 

جدول(6): محرک های کلیدی چابکی و مقادیر شاخص به ازای برش های α

 

سفارشی و شخصی شدن محصولات

کاهش زمان تحویل سفارشات

افزایش انتظارات کیفی مشتریان

نیازها و انتظارات متغیر دولت

محرک ها

 

       

مقادیر α

895/0]

[550/0

967/0]

[637/0

971/0]

[641/0

993/0]

[676/0

0

880/0]

[569/0

956/0]

[656/0

959/0]

[660/0

981/0]

[696/0

1/0

865/0]

[588/0

943/0]

[675/0

946/0]

[679/0

969/0]

[715/0

2/0

850/0]

[607/0

929/0]

[695/0

932/0]

[698/0

957/0]

[734/0

3/0

834/0]

[626/0

929/0]

[714/0

918/0]

[717/0

944/0]

[754/0

4/0

819/0]

[645/0

901/0]

[733/0

904/0]

[737/0

932/0]

[773/0

5/0

803/0]

[665/0

886/0]

[752/0

890/0]

[756/0

919/0]

[793/0

6/0

788/0]

[684/0

872/0]

[771/0

875/0]

[775/0

907/0]

[812/0

7/0

772/0]

[703/0

857/0]

[790/0

861/0]

[794/0

895/0]

[831/0

8/0

756/0]

[721/0

842/0]

[808/0

846/0]

[813/0

882/0]

[850/0

9/0

0.740]

[740/0

827/0]

[827/0

831/0]

[831/0

870/0]

[870/0

1

 

 

 

جدول (7): مقادیر نهایی میانگین سطوح برش

و رتبه محرک ها

رتبه

 

گزینه ها

1

852/0

نیازها و انتظارات متغیر دولت

2

819/0

کاهش زمان تحویل سفارشات

3

817/0

افزایش انتظارات کیفی مشتریان

4

689/0

تقاضای محصولات کاملا سفارشی و شخصی

5

635/0

رشد بازارهای تخصصی

6

605/0

ورود رقبای جدید

7

587/0

معرفی نرم افزارها و روش های تولید جدید

8

581/0

معرفی مواد مصرفی و ترکیبات جدید

9

555/0

کاهش دوره عمر محصول تولیدی

10

537/0

معرفی تجهیزات سخت افزاری جدید و کاراتر

11

531/0

نوآوری در محصولات

12

464/0

شدت رقابت جهت کسب سهم بازار

13

444/0

فشارهای هزینه ای

14

355/0

فشارهای زیست محیطی

 

پس از به ‏دست آوردن مقدار شاخص ، محرک‏ها بر اساس ضریب اهمیت حاصل و نظر خبرگان صنعت، از لحاظ اولویت توجه به سه دسته با اولویت پایین، متوسط و بالا تقسیم شده و عوامل دارای اهمیت بالا به عنوان محرک‏های کلیدی مرحله بعد انتخاب خواهند شد. این دسته شامل چهار محرک کلیدی بوده که همراه با ضریب اهمیت‏شان (شاخص نزدیکی نسبی فازی) در جدول 8 ارائه گردیده اند. به کمک اصل تفکیک و مقادیر برش آلفا جدول 7، شاخص نزدیکی نسبی بازه­ای به عدد فازی مثلثی تبدیل شده است.

جدول (8): محرک های کلیدی چابکی

ردیف

محرک ها

ضریب اهمیت

1

نیازها و انتظارات متغیر دولت

(993/0 870/0 676/0)

2

افزایش انتظارات کیفی مشتریان

(971/0 831/0 641/0)

3

کاهش زمان تحویل سفارشات

(967/0 827/0 637/0)

4

سفارشی و شخصی شدن محصولات

(895/0 740/0 550/0)

 

4-2- تعیین متغیرهای خروجی مدل DEA و مقادیر آنها (گام دوم)

بر اساس محرک‏های کلیدی تعیین شده در قسمت 4-1، می‏توان به تعیین متغیرهای خروجی مدل پرداخت. خروجی های هر واحد تصمیم گیرنده (قابلیت‏ها) به صورت رابطه آن قابلیت با محرک ها در نظر گرفته می شود. بنابراین خروجی­های مدل DEA را می‏توان به صورت جدول (9) نمایش داد.

 

جدول (9): خروجی های مدل DEA

ردیف

خروجی های مدل

 
 

1

رابطه قابلیت با افزایش کیفیت محصولات ( Output 1 )

 

2

رابطه قابلیت با کاهش زمان تحویل سفارشات ( Output 2 )

 

3

رابطه قابلیت با افزایش انعطاف سیستم تولید (  Output 3)

 

4

رابطه قابلیت با افزایش توان تولید محصولات سفارشی (Output 4)

 

 

برای به دست آوردن مقادیر خروجی هر واحد، پرسشنامه دوم، بر مبنای نتایج مرحله اول پژوهش و متشکل از 48 سوال طراحی و در اختیار مدیران و سرپرستان صنعت قرار گرفت. پس از تجمیع نظرات به دست آمده از پرسشنامه دوم، بوسیله میانگین‏گیری از اعداد فازی مثلثی، مقادیر متغیرهای خروجی مدل DEA برای هر قابلیت بدست آمده است. مقدار ورودی نیز برای تمامی واحد ها برابر مقدار یک و به صورت قطعی در نظر گرفته می شود. بدین ترتیب مدلی با 12 قابلیت (DMU) با یک ورودی قطعی و چهار خروجی فازی  به دست می آید که مقادیر ورودی و خروجی DMU ها در جدول 10 نشان داده شده‏اند. جهت دخالت دادن ضریب اهمیت معیارها در مدل DEA که از تکنیک تاپسیس بدست آمده اند، از روش کنترل وزن در DEA استفاده می شود. برای این کار باید بزرگی اعداد فازی بیان کننده وزن خروجی‏ها نسبت به یکدیگر، در غالب محدودیت­هایی تعریف شود. بدین طریق رابطه بزرگی بر روی تمامی عناصر اعداد فازی برقرار می‏گردد. با استفاده از این روش می­توان محدودیت‏هایی را جهت کنترل وزن خروجی­ها به مدل اصلی اضافه نمود. محدودیت های اعمال شده به روابط (1) و (2) به صورت بیان شده در جدول 11 می باشند.

پس از افزودن محدودیت ها، مدل های خطی مذکور را می توان توسط SOLVER در نرم افزار EXCEL یا نرم افزار LINGO  به راحتی حل کرد. در این پژوهش از نرم افزار EXCEL برای مدل سازی و حل استفاده شده است (اسماعیلیان، 1388).

 

جدول (11): نحوه تبدیل اعداد فازی به محدودیتهای کنترل کننده وزن خروجی ها در DEA

 

 

 

جدول(10): ورودی و خروجی های مدل DEA


Output s

Input

DMU

Output 4

Output 3

Output 2

Output 1

Input

 

975/0

848/0

654/0

956/0

835/0

657/0

947/0

804/0

616/0

823/0

683/0

483/0

1

1

786/0

671/0

490/0

000/1

940/0

786/0

865/0

727/0

641/0

789/0

656/0

476/0

1

2

658/0

580/0

481/0

653/0

431/0

355/0

694/0

502/0

331

405/0

221/0

084/0

1

3

934/0

864/0

679/0

512/0

315/0

157/0

937/0

833/0

694

756/0

672/0

580/0

1

4

704/0

605/0

399/0

931/0

778/0

694/0

971/0

849/0

665

633/0

581/0

490/0

1

5

905/0

770/0

580/0

946/0

795/0

605/0

988/0

906/0

739

757/0

557/0

357/0

1

6

995/0

887/0

712/0

612/0

563/0

487/0

996/0

878/0

777

917/0

733/0

533/0

1

7

984/0

897/0

737/0

980/0

919/0

778/0

996/0

910/0

747/0

884/0

728/0

540/0

1

8

975/0

885/0

720/0

883/0

742/0

560/0

939/0

816/0

633/0

000/1

955/0

810/0

1

9

000/1

897/0

720/0

992/0

915/0

754/0

000/1

922/0

755/0

883/0

728/0

544/0

1

10

720/0

523/0

325/0

948/0

827/0

641/0

776/0

576/0

473/0

737/0

553/0

353/0

1

11

864/0

683/0

481/0

956/0

835/0

657/0

000/1

910/0

739/0

405/0

221/0

084/0

1

12

 

4-3- نتایج حاصل از حل مدل DEA

با جایگذاری مقادیر جدول (11) در روابط (1) و (2) و با توجه به  محدودیت‏های جدول (11) مقادیر کارایی به صورت جدول (12) به دست می‏آید. براساس نتایج بدست آمده از مدل DE­A ، رهبری و سرآمدی در استفاده از فناوری های جاری مهمترین قابلیت بوده (رتبه1) و اثر بخشی از نظر هزینه کم اهمیت ترین قابلیت (رتبه 12) است.  

 

4-4- مقایسه روش ارائه شده با روش های قبلی اولویت بندی قابلیت ها

در روش ارائه شده از تکنیک تصمیم گیری چند معیاره برای اولویت بندی محرک ها استفاده شده که به طور همزمان چندین معیار را در فرایند ارزیابی مد نظر قرار می دهد و این در حالی است که در کارهای قبلی، اغلب از روش امتیازدهی، با در نظر گرفتن یک معیار جهت ارزیابی، استفاده شده است. همچنین در تحقیقات گذشته به منظور رتبه بندی قابلیت‏های چابکی از روش های جبرانی مانند مجموع ساده وزنی[14] و یا میانگین موزون فازی[15] استفاده شده (شریفی و ژانگ، 2001؛ تی سنگ و همکاران، 2011)، که در این روش‏ها به دلیل وجود خاصیت جبرانی، نتایج دقیقی حاصل نمی شود، به‏طوری که ممکن است قوت یک قابلیت های نسبت به یک معیار کم اهمیت، ضعف آن نسبت یک معیار مهم را جبران نماید. استفاده از روش ارائه شده باعث می‏شود قابلیت‏هایی که در تمامی معیارهای دارای قوت هستند به عنوان قابلیت‏های مهم‏تر و برتر شناخته شوند.

 

 

 

 

جدول (12): محاسبه میانگین هندسی کارایی برای واحدهای تصمیم گیرنده (قابلیت‏ها)

 

رتبه

کارایی نسبی

     

DMU

4

154/1

8668/0

7328/0

0253/1

داشتن کارکنان چند مهارته، شایسته و توانمند

6

080/1

9258/0

8571/0

000/1

کیفیت بالای محصولات و خدمات

12

833/0

2005/1

000/1

4412/1

اثر بخشی از نظر هزینه

10

976/0

0249/1

000/1

0504/1

طراحی و تولید محصول در کوتاهترین زمان ممکن

8

005/1

9953/0

9624/0

0294/1

کارایی و اثربخشی عملیات (ناب بودن)

5

150/1

8692/0

7463/0

0124/1

یکپارچگی و انسجام بخش های سازمان

7

060/1

9437/0

8905/0

000/1

سرعت در زمان تحویل

2

198/1

8347/0

6967/0

000/1

فعالیت افراد توانمند در قالب تیم های کاری

3

163/1

8599/0

7395/0

000/1

انعطاف پذیری در الگو و حجم محصولات تولیدی

1

200/1

8330/0

6939/0

000/1

رهبری و سرآمدی در استفاده از فناوری های جاری

11

973/0

0273/1

000/1

0553/1

تغییر و بهبود مستمر

9

000/1

000/1

000/1

000/1

طراحی درست محصولات در بار اول

 

5- نتیجه‏گیری

در این پژوهش با هدف کمک به مدیران جهت انتخاب قابلیت های چابکی مورد نیاز سازمان، روشی برای ارزیابی و رتبه‏بندی قابلیت‏های چابکی مورد نیاز سازمان ارائه گردید که در آن، تکنیک‏های تاپسیس فازی و تحلیل پوششی داده ها به منظور شناسایی محرک ها و قابلیت ها، مورد استفاده قرار گرفتند. نتایج به دست آمده از این پژوهش می توانند در فرایند  انتخاب توانمندسازهای چابکی مورد نیاز سازمان مورد استفاده قرار گیرند. انجام این کار باعث ایجاد همسویی بین قابلیت های مورد نیاز سازمان و توانمندسازهای چابکی انتخاب شده (که ابزارهای دستیابی به قابلیت ها می باشند) می گردد.

    در اکثر مطالعات قبلی برای شناسایی محرک های چابکی تنها از یک معیار استفاده شده است، در حالی که در روش ارائه شده از تکنیک تصمیم گیری چند معیاره برای اولویت بندی محرک ها استفاده شده که به طور همزمان چندین معیار را در فرایند ارزیابی مد نظر قرار می دهد، که این یکی از مزیت های روش ارائه شده می باشد. مزیت دیگر روش ارائه شده استفاده از تکنیک DEA فازی در فرایند رتبه بندی قابلیت های چابکی است و دلیل آن حذف خاصیت جبرانی تکنیکهای تصمیم گیری چند معیاره می باشد.

     برای رفع نقاط ضعف مقاله پیشنهاد می­گردد که در تحقیقات آتی محققین عدم اطمینان شرایط محیطی و برنامه‏ریزی سناریو را در فرایند انتخاب قابلیت‏های چابکی سازمان مد نظر قرار داده و با رویکرد برنامه‏ریزی استوار قابلیت‏های چابکی را انتخاب و رتبه‏بندی نمایند. 



[1] .Yusuf et al.

[2] .Sharifi and Zhang

[3] .Gunasekaran and Yusuf

[4] .Zhang and sharifi

[5]. به دلیل ملاحظات اعمال شده از سوی صنعت مورد بررسی از ذکر نام آن خود داری شد.

[6] .Agile Manufacturing

[7].Goldman

[8] .Agility drivers

[9] .Bustelo et al.

[10] .Wang and chin

[11]. Double Frontier Analysis

[12].Liu and Kong

[13] .Hsu and Lin

[14]. Simple Additive Weighted 

[15]. Fuzzy Weighted Average

  

اسماعیلیان، مجید.(1388)، "کاربرد اکسل در مدلسازی ریاضی و تحلیل آماری"، انتشارات دانشگاه آزاد اسلامی واحد نجف آباد منهاج،

محمد باقر. (1386)، "محاسبات فازی"، تهران، انتشارات دانش نگار.

Adeleye, E.O. and Yusuf, Y.Y. (2006), “Towards agile manufacturing: Models of competition and performance outcomes”, International Journal Systems and Management, . 1, . 1, .93-110.

Aryanezhad, M.B., Tarokh, M.J., Mokhtarian M.N. and Zaheri, F. (2011), “A Fuzzy TOPSIS Method Based on Left and Right Scores”, International Journal of Industrial Engineering and Production Research, . 22, . 1, . 51-62.

Barros, C.P. and Peypoch, N. (2009), “An evaluation of European airlines’ operational performance”, International Journal of Production Ecomics, . 122, . 2, . 525–533.

Bottani, E. (2009), “A fuzzy QFD aroach to achieve agility”, International Journal of Production Ecomics, . 119, .  2, . 380-391.

Bottani, E. (2010), “Profile and enablers of agile companies: An empirical investigation”, International Journal of Production Ecomics, . 125, . 251–261.

Bruni, M.E., Conforti, D., Beraldi, P. and Tundis, E. (2009), “Probabilistically constrained models for efficiency and dominance in DEA”, International Journal of Production Ecomics, . 117, . 1, . 219–228.

Bustelo, D.V., Lucia, A. and Fernandez, E. (2007), “Agility drivers, enablers and outcomes”, International Journal of Operations and Production Management, . 27, . 12, . 1303-1332.

Chen, C.T. (2000), “Extensions of TOPSIS for Group Decision–making under fuzzy environment”, fuzzy sets and systems, . 114, . 1-9.

Chen, C.T. and Huang, S.F. (2006), “A fuzzy aroach for sulier evaluation and selection in suly chain management”, International journal of Production Ecomics, . 102, . 2, . 289-301.

Garcia, P.A.A., Schirru, R. and Melo, P.F.F.E. (2005),  “A fuzzy data envelopment analysis aroach for FMEA”,  Progress in Nuclear Energy, . 46, . 359–373.

Gunasekaran, A. and Yusuf, Y.Y.(2002),“Agile manufacturing: a taxomy of strategic and techlogical imperatives”, International Journal of Production Research,.40,.6,.1357-1385.

Guo, P. and Tanaka, H. (2001), “Fuzzy DEA: A perceptual evaluation method”, Fuzzy Sets and Systems, . 119, . 149–160.

Hsu, T.H. and Lin, L.Z. (2006), “QFD with fuzzy and entropy weight for evaluating retail customer values”, Total Quality Management and Business Excellence, . 17, . 7, . 935-958.

Hillegersberg, J.V., Oosterhout, M.V. and Waarts, E. (2006), “Change factors requiring agility and implications for IT”, European Journal of Information Systems, . 15, . 132–145.

Jahanshahloo, G. R., Soleimani-damaneh, M. and  Nasrabadi, E. (2004), “Measure of efficiency in DEA with fuzzy input–output levels: a methodology for assessing, ranking and imposing of weights restrictions”,  Alied Mathematics and Computation, . 156, . 175–187.

Kao, C. (2010), “Congestion measurement and elimination under the framework of data envelopment analysis”, International Journal of Production Ecomics, . 123, . 2, . 257–265.

Kao, C. and Liu, S.T. (2001), “Fractional programming aroach to fuzzy weighted average”, Fuzzy Sets and Systems, . 120, . 435–444.

Kao, C. and Liu, S.T. (2003), “A mathematical programming aroach to fuzzy efficiency ranking”, International Journal of Production Ecomics, . 86, . 45–154.

Kao, C. and Liu, S.T. (2005), “Data envelopment analysis with imprecise data: An alication of Taiwan machinery firms”, International Journal of Uncertainty, Fuzziness and Kwledge-Based Systems, . 13, . 2, . 225–240.

Kidd, P. T. (1995), Agile Manufacturing, Forging New Frontiers, London, U.K. Addison-Wesley.

Leleu, H. and Briec, W. (2009), “A DEA estimation of a lower bound for firms’ allocative efficiency without information on price data”, International Journal of Production Ecomics, . 121, . 1, . 203–211.

Liu, H. and Kong, F. (2005), “A new MADM algorithm based on fuzzy subjective and objective integrated weights”, International journal of information and systems sciences, . 1, . 3-4, . 420–427.

Tseng, Y. and Lin, CT. (2011), “Enhancing enterprise agility by deploying agile drivers, capabilities and providers”, Information Sciences, . 181, . 3693–3708.

Wang, Y.M. and Chin, K.S. (2011), “Fuzzy data envelopment analysis: A fuzzy expected value aroach”,  Expert Systems with Alications, . 38, .11678–11685.

Xu, J., Li, B. and Wu, D. (2009),“Rough data envelopment analysis and its alication to suly chain performance evaluation”, International Journal of Production Ecomics,.122, .2, .628–638.

Wang  Y.M and Taha, M.S. (2005), “Fuzzy TOPSIS method based on alpha level sets with an alication to bridge risk assessment”, Expert Systems with Alications, . 31, . 2, . 309-319.

Yusuf, Y., Sarhadi, M. and Gunasekaran, A. (1999), “Agile manufacturing: the drivers, concepts and attributes”, International Journal of Production Ecomics, . 62, . 33-43.

Zhang, D.Z. (2011), “Towards theory building in agile manufacturing strategies—Case studies of an agility taxomy”, International Journal of Production Ecomics, . 131, . 303–312.

Zhang, D.Z. and Sharifi, H. (2007),“Towards Theory Building in Agile Manufacturing Strategy -A Taxomical Aroach”, IEEE Transactions on Engineering Management, .54, .2, .351-370.

Sharifi, H. and Zhang, Z. (2000), “A methodology for achieving agility in manufacturing organizations”, International Journal of Operations and Production Management, . 20, . 4, 496-512.