组织与管理研究方法中的实证分析外文论文作业.docx
- 文档编号:30777076
- 上传时间:2023-08-23
- 格式:DOCX
- 页数:9
- 大小:373.01KB
组织与管理研究方法中的实证分析外文论文作业.docx
《组织与管理研究方法中的实证分析外文论文作业.docx》由会员分享,可在线阅读,更多相关《组织与管理研究方法中的实证分析外文论文作业.docx(9页珍藏版)》请在冰豆网上搜索。
组织与管理研究方法中的实证分析外文论文作业
研究生课程论文
基于双边界网络DEA的供应链可持续性评价:
大数据方法
课程名称
组织与管理研究的实证方法
姓名
范本贵
学号
1611307001
专业
管理科学与工程
任课教师
张华
开课时间
2016-2017学年第二学期
教师评阅意见:
论文成绩
评阅日期
课程论文提交时间:
2017年6月20日
基于双边界网络DEA的供应链可持续性评价:
大数据方法
0作业说明
因本人专业为“管理科学与工程”,与课程“组织与管理研究的实证方法”所用研究方法领域不同,因此,基于本专业研究方向,以及本人兴趣点所在,故以“DEA”为主要内容进行题目选择。
本文对所选外文《AssessingsustainabilityofsupplychainsbydoublefrontiernetworkDEA:
Abigdataapproach》进行翻译并总结,因此以下内容为本人总结,并未与原文框架、内容一一对应。
1文章简介
1.1摘要
如今,可持续供应链管理绩效评价(SSCM)是研究人员和从业人员的一个非常重要的课题。
数据包络分析(DEA)法是基于大数据对SSCM性能评价较为合适的方法,在本文中,提出了计算有效和无效的NDEA模型,此模型可以计算效率的多阶段过程,并可以处理不期望的输出。
关键词为:
NDEA;积极有效;悲观有效;不期望输出
1.2引言
供应链管理(SCM)只注重经济指标而忽视社会和环境标准。
然而,在可持续的供应链管理(SSCM)中,管理者关注三个方面,包括社会、环境、经济指标。
评估SSCM是组织中的一个重要问题。
目前,大数据技术日益成熟,引发了信息管理专家的需求。
也有相关研究表明,供应链的可持续性和大数据有密切联系,可以结合起来进行研究。
DEA在管理的决策单元的相对效率进行科学评价方面,是一种最流行的方法。
然而传统经典的DEA模型,假定所有的输出都是好的,但实际情况是,输出也有可能是坏的,如浪费和污染是不可取的输出,因此,传统DEA模型对决策单元内部相互作用不纳入交流计数,决策单元被视为黑盒,无法对其内部结构进行探讨。
在本文中我们提出了NDEA模型,弥补了这方面的不足,在积极的效率值得分方面,决策单元的有效得分与有效边界进行比较,同理,在消极的效率值方面,决策单元的无效得分与无效边界进行比较。
此模型可以在存在不良产出的情况下,测量运算SSCM悲观的效率得分,积极效率得分,以及整体得分,具体创新点如下:
(1)合并了NDEA和双边界的DEA模型
(2)运用此模型对供应链的可持续性进行评价
(3)我们处理不希望有的产出。
(4)我们对决策单元进行排名
(5)案例研究。
2研究内容
数据包络分析(简称DEA)法是运筹学、管理科学和数理经济学交叉研究的一个新的领域,是使用数学规划评价具有多个输入与输出的决策单元(简记为DMU)间的相对有效性(DEA有效),即判断DMU是否位于生产可能集的“前沿面”上,使用DEA对DMU进行效率评价时,可以得到很多在经济学中具有深刻经济含义和背景的管理信息。
但是传统的DEA模型只能评价多个决策单元的整体的相对有效性,而没有考虑在存在不期望输出情况下的积极效率与悲观效率,以及整体的效率。
因此,本文研究内容为,针对传统DEA模型的不足,完善并提出NDEA模型,并对供应链的可持续性进行评价,包括积极效率、悲观效率、整体效率得分。
3研究方法
3.1积极效率
为计算网络的相对效率,Cook等人(2010)提出了NDEA模型。
图1描述了一个典型的网络。
现在,假设有一组DMU(j=1,...,J)。
符号定义如下:
x
.输入向量到第1阶段,其权重由V1i显示。
zphj2,h=1,...S离开阶段p-1并输入到阶段p的输出微量,并且我们通过ηph显示其权重。
yprj1,r=1,...R,退出阶段p的输出向量及其权重由Upr显示。
yptj4,t=1,...T,它的权重由μpt显示的不合需要的输出向量。
DMUj的效率比可以如下测量:
每个阶段的权重是整个输入阶段的消费比例,如下所示:
通过效率分数乘以权重,我们得到的总体效率如下:
模型4测量每个决策单元(供应链)的效率值。
如果效率得分等于1,评估中的DMU是有效的。
另一方面,如果小于1,则评估的DMU效率低下。
模型结果(4)产生乐观效果评分。
请注意,Cook等人提出的NDEA模型(2010)可以计算出乐观的效率,不能评估悲观的效率。
此外,他们的模型不考虑不期望的产出。
在本文中,我们评估乐观效率,悲观效率和总体效率存在不良产出。
3.2悲观效率
王和钦(2009)首次开发了双边DEA模型。
双边界DEA模型计算两种效率得分。
第一个评估DMU给予效率前沿,并被称为乐观效率评分。
下一个计算给出低效率前沿的DMU,并被称为悲观效率得分。
传统的DEA模型评估DMU的最佳相对效率,不评估悲观的效率。
因此,他们不能整体评估DMU。
通过考虑到乐观和悲观的效率,所有DMU都可以被完全排名。
具有网络结构的DMU的悲观效率得分计算如下:
一方面,如果效率得分等于1,那么评估的DMU是悲观的低效率。
另一方面,如果效率得分超过1,那么评估的DMU是非悲观的低效率的。
3.3整体效率
使用乐观和悲观的效率分数导致DMU的不同排名。
因此,需要一种方法对DMU进行排序。
DMUj的总体效率得分如下:
4.案例分析
在本节中,评估了9个生产番茄酱的伊朗供应链。
表1报告了使用的因素和符号。
这些因素是通过与供应链管理者和专家的访谈获得的。
供应链的结构如图1所示。
在这里,我们有一个多级供应链:
供应商(第一阶段),制造商(第二阶段)和经销商(第三阶段)。
供应商阶段的投入是物料采购成本(经济因素),员工福利成本(社会因素)和环境成本(环境因素)。
在图2,进入阶段1的输入向量由X1i显示。
Z11是离开阶段1并作为输入进入阶段2的输出向量。
Z21是离开阶段2并作为输入进入阶段3的输出向量。
由Y2t描绘出希望和不期望的输出。
数据集可追溯到2014年,如表2所示。
表2中的数据是通过生产番茄酱的公司的调查得出的。
环境成本被定义为通过经济活动与天然有价值物品的实际或潜在损害相关的成本。
环境成本被视为投入。
中间输入/输出包括两个阶段。
制造商阶段的中间投入/产出是供应商到制造商的产品数量(经济因素),经销商的中间投入/产出是绿色产品数量(经济因素)。
请注意,Khodakaramietal认为绿色产品数量是经济因素。
二氧化碳排放(环境因素)是制造商阶段的输出,被认为是不合需要的产出。
分销商阶段的产出是收入(经济因素)和交付产品数量(经济因素)。
为了评估SSCM的效率,每个供应链都被视为DMU。
每个供应链的乐观和悲观的效率分数通过模型(7)和(8)获得。
为了计算最优效率,将不良输出视为输入。
模型(7)显示效率前沿,并最大限度地提高效率得分。
模型(8)显示效率低下,最小化效率不佳。
效率前沿意味着可持续(高效)的供应链。
然而,无效率的前沿描绘了不可持续(低效率)的供应链。
为了衡量总体效率和供应链排名,使用表达式(6)。
表3显示了乐观和悲观的效率分数。
DMU#9和#6的乐观效能分别分别为1和0.76,这是最好的和最差的供应链。
在表3中,DMU#9的悲观效率得分为1.36,这是非悲观的低效率。
DMU#8的悲观效率得分为1,这是悲观的低效率。
表4显示了从公式(6)。
如图所示,DMU#9具有最佳的总效率得分。
换句话说,它是最可持续的供应链。
表4的最后一列显示了每个DMU的等级。
如图所示,DMU之间没有任何关系,我们的模型可以完全排列DMU。
这意味着我们建议的方法具有很高的辨别力。
5.总结
SSCM是组织的重要课题。
管理人员需要设计一个合适的性能测量模型来评估供应链的可持续性。
一般来说,SSCM的规模和复杂性是评估效率分数的重要因素。
此外,为了评估SSCM,可能会有不希望的产出,如二氧化碳排放和空气污染物。
由于存在不期望的输出,传统的DEA模型不能评估SSCM,因为输入必须最小化并且输出被最大化。
SSCM中的大数据是一个需要研究的挑战。
如果我们无法解释或利用它,BigData就是一个全球性的问题。
许多公司表示,他们正从各种来源收集大量数据。
因此,大数据已经成为一门学科。
大数据可以为数据分析,知识提取和高级决策提供可行的解决方案。
我们相信大数据将对可持续供应链产生重大影响。
鉴于供应链中的大数据,我们需要工具来利用它们。
为了评估SSCM,我们需要计算乐观和悲观的效率分数。
NDEA模型适合解决这类问题。
需要注意的是,DMU的数量至少应该是指标数量的三倍。
最后,可以根据本文进一步研究:
(1)在存在模糊和随机数据的情况下,可以进行类似的研究来评估SSCM。
(2)在双重角色因素的存在下,可以进行类似的研究来评估SSCM。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 组织 管理 研究 方法 中的 实证 分析 外文 论文 作业