انتخاب بهترین سیستم عملکرد یکپارچه پویا بر اساس BSC با رویکرد F. MADM

فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق)

مقاله 2، دوره 8، شماره 24، شهریور 1392، صفحه 23-38   

نوع مقاله: مقاله پژوهشی

نویسندگان

حامد کریمی شیرازی^{* 1}؛ محمود مدیری²

¹کارشناسی ارشد مدیریت صنعتی

²استادیار و عضو هیأت علمی دانشگاه آزاد اسلامی واحد تهران جنوب

چکیده

در یک مجموعه تولیدی برای توان رقابت در محیط پویای امروزی اندازه گیری عملکرد سازمان نقش کلیدی در رسیدن آن ها به کارایی و اثربخشی خود دارند. از این منظر شاخص های کلیدی اندازه گیری عملکرد یکپارچه پویا در محیط رقابتی، امری ضروری و اجتناب ناپذیر محسوب می شود. در این تحقیق بر آن هستیم که در مسأله، شاخص های تاثیر گذار عملکرد پویا با رویکرد
 BSC در حوزه صنایع، چگونه می توان یک مدل ریاضی و سلسله مراتبی کارآمد و استوار ارائه کرد که در شرایط عدم قطعیت همراه با تکنیک های AHP و TOPSIS فازی همواره جواب های موجه مناسب داشته باشد و هدف شناسایی و اولویت بندی شاخص های تأثیرگذار مرتبط با ارزیابی عملکرد پویا بر اساس BSC با رویکرد F. MADMبرای تعیین اولویت یک مجموعه از شاخص های پویا در راستای افزایش توان رقابتی در صنایع است. جهت تعیین رتبه بندی شاخص های اثربخش پویا، طی برگزاری جلسات با خبرگان سازمان درخت سلسله مراتبی تصمیم گیری رسم و تدوین گردید. نمونه آماری تحقیق شامل متخصصین، مدیران ارشد حوزة استراتژیک می باشد. از آن جایی که شاخص های مورد استفاده جهت اولویت بندی شاخص های درخت تصمیـم به صورت متـغیـر های کلامی هسـتـند، جمـع آوری داده ها از طریـق پرســش نامه و با رویکردی فازی انجام شده است. از این رو تکنیک های تصمیم گیری چند شاخصه نیز رویکرد فازی دارند. تحقیق به لحاظ هدف از نوع کاربردی و در چارچوب تحقیقات توصیفی-پیمایشی و دارای اهمیت میدانی است و روش حل مسائل  از نوع مدل سازی ریاضی و سلسله مراتبی تصمیم گیری چند شاخصه گروهی از نوع فازی است. در نهایت از طریق تعیین استراتژی های اولویت بندی با سه روش میانگیری، بُردا  و گُپلند به یک رتبه بندی واحد نیز دست یافتیم. نتایج تحلیل اولویت بندی عوامل و رتبه بندی های انجام شده توسط دو تکنیک نشان می دهد که شاخص هزینه، زمان تحویل، کیفیت می تواند به برنامه ریزان و مدیران سازمان در تصمیم گیری های بلند مدت در جهت رقابت پذیری شرکت کمک کند. در ضمن برای سنجش اعتبار پاسخ های دو روش برای شش گزینه ارزیابی عملکرد پویا همبستگی مثبت و قوی بین نتایج وجود دارد. و طراحی روشی که دقت اندازه گیری هر شاخص عملکرد و اعتبار ارزیابی را افزایش دهد از منطق فازی استفاده شده است. برنامه نویسی در محیط EXCEL انجام شده است.
 

کلیدواژه‌ها

اندازه گیری عملکرد یکپارچه پویا؛ کارت امتیازی متوازن(BSC)؛ تصمیم گیری چند شاخصهMADM))؛ AHPفازی؛ TOOPSISفازی

مراجع

1- Asghar pour, M.J. (2009). Group decision and game theory in operations research approach. Tehran university, Tehran.

2-  Asghar pour, M.J. (2008). Multiple Attribute Decision Making. Tehran university, Tehran.

3- Aydogan, E.K. (2011). Performance measurement model for Turkish aviation firms using the rough-AHP and TOPSIS methods under fuzzy environment. Expert Systems with Applications, 38, 3992–3998.

4- Aryanezhad, M. B., & Tarokh, M.J.(2011). A Fuzzy TOPSIS Method Based on Left and Right Scores. International Journal off Industrial Engineering & Production Research, 22, 51—62.

5- Azar, A., & Darvishi, Z. (2007). Improvement Balance scord card(BSC) Based on Fuzzy Logic. The Third National Conference on Performance Management. Tehran univ. Tehran, 210.

6- Balli,S.,& Korukoğlu, SH.(2009). Operating System Selection Using Fuzzy AHP AND TOPSIS Methids. Mathematical and Computational Applications, 14(2), 119-130.

7- Bernard, W.W.,& Guo, L.,& Li, W., &Yang, D.(2007). Reducing conflict in balanced scorecard evaluations. Accounting, Organizations and Society, 32, 363–377.

8- Bititci، U.S. (2000).Dynamics of performance measurement systems. International Journal of Operations &Production Management.20 (6), 692-704.

9- Bititci, U.S., & Carrie, A.S.(1997). Integrated performance measurement systems: a development guide. International Journal of Operations & Production Management. 17(5), 522-535.

10- Chen, Chen-Tung. (2000) Extensions of the TOPSIS for group decision-making under fuzzy environment. Fuzzy Sets and Systems, 114, 1-9.

11- Chen, S.J., & Hwang, C.L. (1992).Fuzzy multiple Attributed decision-making.  Springer-verlag.

12- Cheng, S.,& Chan, C.W.,& Huang, GH.(2002). using multiple criteria decision analysis for supporting decision of solid waste management, journal of environmental science and health. 37(6), 975-990.

13- Chen Z. and Yang W. (2011). An MAGDM based on constrained FAHP and FTOPSIS and its application to supplier selection. Mathematical and Computer Modeling, 54, 2802–2815.

13- Ding, Ji-Feng. (2011). AN Integrated fuzzy TOPSIS method for ranking alternatives and its  application. Journal of Marine Science and Technology, 19(4), 341-352.

14- Ertuğrul İ., & Karakaşoğlu, N. (2007). Performance evaluation of Turkish cement firms with fuzzy analytic hierarchy process and TOPSIS methods. Expert Systems with Applications, 56, 487-501.

15- Ertuğrul İ., & Karakaşoğlu, N. (2008). Comparison of fuzzy AHP and fuzzy TOPSIS methods for facility location selection. Int J Adv Manuf Technol, 39,783–795.

16- Ghalayini, A. M. (1997). Integrated dynamic performance measurement system for improving manufacturing competitiveness. Production Economics, 48, 207-225.

17- Ghalayini, A. M, & Noble, J. S. (1996). The changing basis of performance measurement. International Journal of Operations & Production Management,16, 63-80.

18- Ghodsi pour, H.(2007). Analytical Hierarchy Process. Tehran univ.Tehran.260p.

19- Ghosh, D. N.(2011). Analytic Hierarchy Process & TOPSIS Method to Evaluate Faculty Performance in Engineering Education. UNIASCIT, 1 (2), 63-70.

20- Hwang, C.L., & Yoon, K. (1981). Multiple attribute decision making. Springer- verlag, Berlin.

21- Kahraman, C., & Secme, N.Y. (2009). Fuzzy performance evaluation in Turkish Banking Sector using Analytic Hierarchy Process and TOPSIS. Expert Systems with Applications, 36, 11699–11709.

22- Kaplan, R.S., & Norton, D.P. (1996). Linking the Balanced Scorecard to Strategy. In: California Management Review.39.53-79.

23- Karimi, A.R., & Mehrdadi, N. (2001). Using of the Fuzzy topsis and Fuzzy AHP Methods for wastewater treatment process selection. International journal of academic research, 3(1), 84-96.

24- Kennerley, M., & Neely, A. (2002). A framework of the factors affecting the evolution of performance measurement systems. International Journal of  Operations & Production Management 22 (11). 1222-1245.

25- Korukoğlu, S., & Balli, S.(2009). OPERATING SYSTEM SELECTION USING FUZZY AHP AND TOPSIS METHODS. Mathematical and Computational Applications, 14(2), 119-130.

26- Laitinen, E.K. (2002).  A dynamic performance measurement system: evidence from small Finnish technology Companies .Scandinavian journal of management, 18, 65-69.

27- Lee, A. H. I., Chen, W. C., & Chang, C. J. (2008). A fuzzy AHP and BSC approach for evaluating performance of IT department in the manufacturing industry in Taiwan. Expert Systems with Applications. 34, 96–107.

28- Laitinen, A. K. (2002). A dynamic performance measurement system: evidence from small Finnish technology Companies. Scandinavian journal of management, 18, 65-69.

29- Leung, L. C., & Cao, D. (2006). On consistency and ranking of alternatives in fuzzy AHP. European Journal of Operational Research. 124, 102–113.

30- Madi, E.N.(2001). Fuzzy TOPSIS Method in the Selection of Investment Boards by Incorporating Operational Risks. Proceedings of the World Congress on Engineering, 86, 782-801.

31- Matin, H.R., & Fathi, M.R., & Karimi Zarchi, M. (2011).The Application of Fuzzy TOPSIS Approach to Personnel Selection for Padir Company, Iran. Journal of Management Research, 3, 875-903.

32- Momeni . m,& Fathi, M. (2011). A fuzzy topsis-based approach to maintenance strategy selection: a case study. middle-east journal of scientific research, 8(3), 669-706.

33- Nilsson, F.,& Kald, M.(2002). Recent advances in performance management: the Nordic case.European management journal, 20(3), 45-68.

34. Saaty,T.L.(1999). Fundamentals of The Analytic Network Process, kobe japan: ISAHP, 12- 14.

35- Sezhian, M.V. (2011). Performance measurement in a public sector passenger bus transport company using fuzzy topsis, fuzzy AHP AND ANOVA – ACASE study, International Journal of Engineering Science and Technology.3 (2), 556-581.

36- Sharma, M. K., (2007). An integrated BSC-AHP approach for supply chain management evaluation . Emerald Group Publishing Limited, 11 (3), 57-68.

37- Shih,H.,& jyhshyur,H.,&, lee,E.S.(2007). Extension of topsis forgroup decision making.  mathematical and computer modelling.45, 801-813.

38-  Sun, Chia-Chi.(2010). A performance evaluation model by integrating fuzzy AHP and fuzzy TOPSIS methods. Expert Systems with Applications, 37, 7745–7754.

39-  Sun, CH.(2010). A performance evaluation model by integrating fuzzy AHP and fuzzy

      TOPSIS methods. Institute of Technology Management.1001, 7745-7754.

40- Tabarsa, Gh. R.(2004). Review and explain the strategic requirements of government agencies in the performance evaluation model. Jahad Daneshghahi,Tehran.

41. Wanga,Y. G.,& Leeb,H. SH.(2007).Generalizing TOPSIS for fuzzy multiple-criteria group decision-making. Computers and Mathematics with Applications, 53, 1762–1772.    

42-Wang,T. CH.,& Chang,T. H.(2007). Application of TOPSIS in evaluating initial training aircraft under a fuzzy environment. Expert Systems with Applications, 33, 870–880.

43- Yayınları. Sohn, M. H., You, T., Lee, S-L., & Lee, H. (2003). Corporate strategies, environmental forces, and performance measures: A weighting decision support system using the k-nearest neighbor technique. Expert Systems with Applications. 25: 279– 292.

44- Zanakis, S.H.,& Solomon,& Dublis, W.(1998). Multi-attribute decision making: A simulation mparision methods. European journal of operational Research, 107, 507-529.