英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
基于逆向物流的多属性决策
DEA-TOPSIS：对上海报废汽车行业的研究
摘 要
本研究分析了循环经济背景下多属性决策（MADM）对报废车辆（ELV）逆向物流行业效率的影响,以提高资源利用效率。本文采用基于三重指数平滑（TES）预测模型的DEA-TOPSIS方法进行多属性决策，以提高行业效 率，并采用数据包络分析（DEA）进行计算。以TES为决策基础的输入输出指标效率值和输入输出决策单元（DMU）指标的松弛运动。同时，类似于理想解决方案的订单偏好技术（TOPSIS）用于对备选决策方案进行排名。此外，还可以使用加法加权，加权乘积和消除等选择转换现实（ELECTRE方法执行排序。在这项研究中，DEA-TOPSIS方法用于做出有关行业效率的多属性决策。以上海的电动汽车行业为例，本研究利用了上海报废汽车专业委员会的七家成员企业的2017年数据;它使用基于TES的DEA-TOPSIS方法对多属性决策进行实证研究，以提高效率并通过替代决策方案分析效率的提高。研究结果表明，基于TES的DEA-TOPSIS方法可有效地进行多属性决策，从而提高ELV逆向物流行业的效率。本文的多属性决策有助于ELV回收行业的管理和投资决策。它还为ELV行业的管理人员和研究人员提供了一种提高其效率的有效解决方案。
1.介绍
由于缺乏自然资源和原材料，环境因素以及与报废产品有关的 政府法规，产品和材料的循环利用引起了越来越多的关注。报废产品包含大量可再生资源。有效回收这些产品可以节省资源，而对其进行有效处置可以减少环境污染（Tian等，2012)报废车辆包含重要的可再生资源被认为是城市矿物。汽车工业中车辆生产和销售的增加将导致 ELV的数量增加（田和陈，2014年).根据中国国家统计局发布的 数据，中国民用车辆的数量从2005年的1900万增加到2016年的 1.85亿，在11年中增长了9.7倍。根据上海市机动车管理局的数据，2016年上海市注销机动车数量为106万辆。显然，在接下来 的几十年中，随着汽车保有量的增加，轻型电动汽车的数量将大大增加。因此，有必要研究ELV行业的效率提高。 本研究的主题为ELV逆向物流行业的从业者和研究人员提供了一些见识。可能会帮助管理人员做出决策，并帮助政府制定相关政策。 ELV逆向物流企业应考虑将降低成本，提高性能和促进资源的有效回收作为其业务目标。郝等。（2017） 提出了逆向物流运作 模型（RLOM），指出逆向物流的绩效管理有助于提高逆向物流企业的竞争力。本研究旨在评估轻型电动逆向物流企业的绩效以及多属性决策 对此类企业效率提高的影响。DEA-TOPSIS方法用于研究企业效 率的多属性决策（Chitnis和Vaidya，2016年;Tao等人，2017).数 据包络分析（DEA）用于测量效率值和松弛运动，这为决策提供了基础。类似于理想解决方案的订单偏好技术（TOPSIS）用于评 估对象的相对优缺点（卫卫东和彭，2015).此外，还比较了通过 加法加权，加权乘积和电子方法以及TOPSIS法对决策选择的排序。本文提出了基于TES预测模型的DEA-TOPSIS方法，以提高 ELV逆向物流行业的效率，并进行了MADM研究。通过使用基于DEA的SBM-CCR模型和SBM-BCC模型作为决策选择来计算相 对无效的DMU。将替代方案的输入投影值作为更新的输入指标，将基于TES的输出值从2018年的输出值更新为输出指标，并根据SBM-CCR模型计算出无效DMU的松弛运动，从而建立决策矩 阵。使用TOPSIS方法对该矩阵进行排名。本文具有以下意义和优 点（1）通过将DEA与预测相结合来计算相对无效的DMU的投影值，从而提供效率提高的目标，并使用无效的松弛运动建立效率提高的决策矩阵。根据SBM-CCR模型计算出的DMU；（2） 比较TOPSIS的决策方案和加法加权，加权乘积和ELECTRE方法的决策方案，以验证MADM的稳定性。（3）以上海的ELV行业 为例，本研究为上海报废汽车专业委员会的七名成员提供了决策方案，并从不同角度分析了拟议的方案，并提出了改进方案。以行业效率为基础，提高投入产出比指标，提高竞争力。结果表明，基于TES的DEA-TOPSIS可用于多属性决策，提高ELV逆向 物流行业的效率。本文的其余部分安排如下。部分2提供有关文献的简要回顾； 部分3提出了多属性决策方法；部分4将这种方法应用于2017年 数据进行实证研究;最后一部分总结。
2.文献
近年来，许多性能评估研究都集中在汽车行业。例如，有人提出了基于专家模糊规则的汽车行业绩效评估系统。奥卢古和黄（2012） 评估行业的闭环供应链。研发了一套全面的绩效评估方法Olugu等。 (2011)并应用于行业的绿色供应链。提出了一种评估方法Komoto等。（2011年）至评估供应商在报废产品处置方面的绩效。评估了绿色实践对汽车行业供应链绩效的影响。Azevedo等。 (2011).同样，文献中还有许多其他决策分析方法已用于评估汽车行业的绩效，例如黄（2014），玛尼 等。（2013年）和Zeydan等。（2011年）.由于欧盟（EU）实施指令2000/53/EC，ELV的管理已成为关键问题（Schultmann等，2006).但是，现有研究对多属性决策对ELV行业绩效的影响关注不足。在这项研究中，DEA和TOPSIS结合在一起用于企业效率提高的多属性决策分析（Chitnis和Vaidya，2016年;Tao等人，2017). 本研究中提出的方法结合了DEA和TOPSIS提出的Zeydan和 Colpan（2009） 和Shafii等。（2016年） 解决传统DEA模型无法对有效决策单位（DMU）进行排序的问题。该研究还使用了由 DEA和TOPSIS提出的组合Chen等。（2009年） 评估应急管理。DEA优化模型用于开发影响因素指标TOPSIS用于计算指标权重。在这项研究中，基于TES预测模型的DEA-TOPSIS方法（布朗等（1961））建议用于多属性决策，以提高ELV行业的效率。通过将预测与DEA相结合，提供了效率提高的目标 。Shabanpour等。（2017结合人工神经网络的预测方法和DEA来衡量绿色提供商的未来效率。Rezaee等。 (2018)将预测与DEA结合用可以在线评估和预测在证券交易所上市的公司。根据Stewart（1996），Zavadskas等。（2014年）和李和里夫斯（1999）研究表明，运筹学中多属性决策和DEA的使用迅速增长，用于解决各种管理问题。多 属 性 决 策 被认 为 是 决 策 理 论 的 一 个 非 常 重 要 的 分 支（Bernroider和Stix，2007年).Cegan等。（2017） 和Kurth 等。（2017） 在最近的文献综述中指出，在环境科学领域，多属性决策分析的使用已明显增加。Wadhwa等。（2009年）提出多属性决策可以作为具有多种选择的逆向物流企业的决策工具。巴克和 Zabinsky(2011)提出将多属性决策模型应用于逆向物流的产品回收。近年来，许多多属性决策方法（例如AHP，ANP，TOPSIS，VIKOR，COPRAS，PSI和WPM）得到了支持。提出解决多属性决策问题。根据Mela等。（2012年）和寇等。（2014年）考虑到问题，通常很难判断某种多属性决策方法是否优 于 另 一 种 。 因 此 ， Wang等 。 （ 2016） ， Mulliner等 。（ 2016b） ， Govindan和 Soleimani（ 2017） 和 贾 汉 等 。（2012年） 建议将多种多属性决策技术应用于给定问题，以获得可靠的决策。DEA是一种线性编程方法，用于评估一组DMU的相对效率值。最初的DEA框架由Charnes等。（1978年） 称为CCR模型，该模型假定恒定的规模收益（CRS）可以推论术效率（TE）。DEA模型由银行家等。（1984）用于评估规模效率的称为BCC模型，该模型基于可变规模收益（VRS），推导的TE称为纯技术效率（PTE）。为了测量松弛运动的效率值，基于松弛的度量 （SBM）模型是由...提议声调（2001）.由TOPSIS提出黄和尹 （一种有效的多属性决策技术，它根据与理想解的相似性以及与否定理想解的距离来选择决策（Wang 等，2016).彭小（2013） 指出与其他多属性决策方法相比，TOPSIS是一种非常适合解决选择问题的技术（Sun等，2014年). 穆萨维·纳萨布（Mousavi-Nasab）和 Sotoudeh-Anvari（2017年） 由于TOPSIS的逻辑非常清晰，它可以准确地处理定性和定量信息。为了验证TOPSIS方法的稳定性，在MADM方法，加法加权，加权乘积和ELECTRE方法与TOPSIS方法之间进行了比较。Oltean-Dumbrava等。（2016年）利用了添加剂称量和ELECTRE方法评估建筑项目的可持续性。Supriyono和Sari（2018） 提供了MADM支持加权品的房屋选择系统。Mulliner等。（2016a） 提出了一种 经验应用，并比较了六种不同的多属性决策方法（加性加权，加权乘积和TOPSIS等），以评估可持续的住房负担能力。
3.方法
3.1.脱位
为了提高组织效率，本研究提出了一种组合的DEA-TOPSIS方法，以前很少有研究人员介绍过。王和罗（2009） 研究了各种多标准决策工具，即DEA和TOPSIS-DEA，用于对有效单位进行排名。ian和徐（2013） 提
出的方法是加权TOPSIS的扩展方法。Wu等。（2011年） 提出了一种应用DEA的方法交叉效率方法，后来根据使用DEA和TOPSIS的TOPSIS排名方法将效率更新为分数。在本文中，DEA用于衡量效率，TOPSIS用于
执行多属性决策。DEA-TOPSIS过程的构造如下。首先，使用DEASBM-CCR/ BCC模型测量DMU的相对效率，并根据效率和规模收益（RTS）确定目标替代方案。其次，将替代品的输入投影值作为更新的输入指标，并根据TES从2018年的输出值更新的投影值作为输出指标。第三，利用SBM-CCR模型建立决策矩阵，计算无效DMU的松弛运动。第四，使用TOPSIS对备选决策矩阵进行排序，并采用熵权法确定决策矩阵的权重。最后，比较“加法加权”，“加权乘积”和“电子”方法给出的备选方案的等级以及TOPSIS给出的方案的等级，以验证MADM的稳定性
3.2.数据包络分析
DEA是基于线性编程技术的非参数基准测试工具。它计算具有多个输入，输出和边界的DMU之间的距离，以确定相对效率。CCR模型是由Charnes等。（1978年）.接下来，BBC模型是由银行家等。（1984）和朱等。 (2017)该模型假设规模收益是恒定的，并且得出的技术效率包括规模效率。BBC模型假设规模收益是可变的，并且由此产生的技术效率消除了规模的影响，因此被称为纯技术效率。根据作为测量方法，DEA模型分为面向输入的模型面向输出的模型和非面向模型。面向输入的模型从输入的角度衡量DMU的无效程度，并注意在输出固定的情况下每个输入应减少到的值。面向输出的模型从输出角度衡量DMU的无效程度，并注意在建立输入的情况下每个输出应增加到的值。（）提出的SBM非定向模型音色，2001）同时测量输入和输出，并将SBM-CCR模型描述为
其中r表示要评估的DMU的效率值。测量输入和输出的效率低下，这被称为非定向模型。输入和输出的效率低下是
其中fx我知道g和{yrkg是DMU观察到的输入和输出值；fsig和fsrg是输 入和输出的松弛 动作，分别是n；lj是DM的权重系数。在约束条件中加上ljfrac14;1表示SBM-BCC模型jfrac14;e1xhibits变量返回规 模，可以是用于衡量纯技术率。当效率值r等于1时，要评估的DMU有效，否则无效。对于无效的DMU，将投影方法应用于提高效率并达到相对效率。要评估的DMU的投影值是
3.3.上位
由TOPSIS方法介绍黄和尹（是处理选择问题的常用技术。该模型构造了多指标问题的正负理想解，并考虑了与正理想解的接近度以及与负理想解的距离作为评估的基础可行的解决方案（MEI-juan等，2015).TOPSIS的应用是对备选方案进行排名，备选方案多属性决策为ak，备选方案向量为vt（Coban等人，2018年；Mousavi-Nasab和Sotoudeh-Anvari，2018年).Oeuro;zcan等。（2011年）将TOPSIS，AHP和ELECTRE作为MADM上下文中最著名的技术进行了比较。奥普里科维奇和曾（2004）有人提出，在有或没有对每个标准应用权重的情况下，以欧几里得的意义来衡量与这些性能极点的接近程度。Bhattacharjee等。（2017） 和Jahan 等。（2010年） 指出TOPSIS是选择问题的平均效率MADM技术。TOPSIS的数学过程如下：
1.调节决策矩阵的属性值
yij表示第i个解决方案中的第j个指标值。
2.建立加权和调节矩阵
xijfrac14; uijtimes;zijeth;ifrac14; 1;2;hellip;;n;jfrac14; 1;2;hellip;;mTHORN; (5)
uij表示第j个指标的权重。
3.确定理想解Xthorn;和负理想解
4.计算xi与理想解Dthorn;之间的距离以及xi与负理想解D—之间的距离
5.计算每个替代Ci的排队值
6.根据Ci排序
3.4.三重指数平滑（TES）
Brown等人提出的三重指数平滑（TES）。（19
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[235857]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
