دانلود مقاله ISI انگلیسی شماره 6308 + ترجمه فارسی
عنوان فارسی مقاله

نکاتی پیرامون رویکردی جدید برای اشتقاق وزن با استفاده از تحلیل پوششی داده ها در فرآیند تحلیل سلسله مراتبی

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
6308 2012 7 صفحه PDF 20 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
A note on “A new approach for weight derivation using data envelopment analysis in the analytic hierarchy process”
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Mathematical and Computer Modelling, Volume 56, Issues 3–4, August 2012, Pages 49–55

فهرست مطالب ترجمه فارسی
چکیده
واژگان کلیدی
مقدمه
DEAHP (مدل تلفیقی تحلیل سلسله مراتبی و تحلیل پوششی داده ها) اصلاح شده
نظریاتی پیرامون DEAHP اصلاح شده  
نتیجه گیری
تقدیر و تشکر
منابع
کلمات کلیدی
تحلیل پوششی داده ها - فرآیند تحلیل سلسله مراتبی - اشتقاق وزن
ترجمه چکیده
مشاهده شده است که فرایند تحلیل سلسله مراتبی تحلیل پوششی داده ها (DEAHP) به عنوان روش اشتقاق وزنی برای فرایند تحلیل سلسله مراتبی (AHP) با موانعی مواجه شده است. اخیرا میرهدایتیان و صائن (1390) ]5[ روشی جدید تحت عنوان «اصلاحیه ی فرایند تحلیل سلسله مراتبی تحلیل پوششی داده ها برای فرایند تحلیل سلسله مراتبی» پیشنهاد داده اند ] میرهدایتیان، س. م.، صائن، ر. ف. رویکردی جدید برای اشتقاق وزن با استفاده از تحلیل پوششی داده ها در فرآیند تحلیل سلسله مراتبی، نشریه انجمن تحقیق در عملیات 62 (1390) 1595-1585[. این مقاله قصد دارد نکاتی تفصیلی ارائه کند تا نشان دهد که (1) اصلاحیه فرایند تحلیل سلسله مراتبی تحلیل پوششی داده ها نمی تواند اوزان صحیح را از ماتریس های مقایسه زوجی کاملا سازگار مشتق کند، (2) ممکن است اوزانی گنگ برای ماتریس های مقایسه زوجی ناسازگار بدست آورد، (3) هنوز هم با افزودن یا حذف معیار تصمیم کارامد و یا یک جایگزین با مشکل رتبه برگشتی مواجه می شود، (4) استفاده از مدل فوق کارامد در تحلیل پوششی داده ها برای اشتقاق وزنی فرایند تحلیل سلسله مراتبی اضافی زمانیکه معیار چند تصمیمی و یا گزینه هایی کارامد در ماتریس مقایسه زوجی وجود دارد، امری اضافی و بی معناست، (5) ممکن است رتبه بندی ای کاملا معکوس ایجاد کند که کاملا مخالف با رتبه های بدست آمده از طریق شیوه بردار ویژه در مورد سازه های سلسله مراتبی باشد و منجر به اتخاذ تصمیماتی غلط شود.
ترجمه مقدمه
چگونگی اشتقاق اولویت ها از ماتریس های مقایسه زوجی به یک موضوع مهم پژوهشی در فرایند تحلیل سلسله مراتبی تبدیل شده و بسیار مورد بررسی قرار گرفته است. رویکردهای بسیار زیادی پیشنهاد شده اند که DEAHP یکی از آنها بوده و توسط راماناتان پیشنهاد شده است]1[. البته چنین روشی با موانع بسیارمهمی نظیر تولید اوزان گنگ (اصم) برای ماتریس های مقایسه زوجی ناسازگارمواجه است. تحلیل های مفصل و پیشرفت های نظری در ]4-2[ ارائه شده اند. میرهدایتیان و صائم ]5[ اخیرا به تحلیل موانع DEAHP که قبلا توسط وانگ و چین ]2[ و وانگ و همکارانش ]4,3[ تحلیل شده بود، پرداخته و شیوه ای جدید تحت عنوان DEAHP اصلاح شده برای اشتقاق وزنی AHP پیشنهاد دادند. به جای استفاده از مدل CCR]6[ برای اشتقاق وزنی AHP، DEAHP اصلاح شده برای بهبود توان افتراق DEAHP از مدل فوق کارامد ]7[ در تحلیل پوششی داده ها استفاده می کند. در این مقاله، نکاتی تفصیلی ارائه می کنیم تا موانع مهمی که DEAHP اصلاح شده با آن مواجه است را با مثالهای عددی نشان دهیم. در ادامه و در بخش 2 به مرور جزئی روش DEAHP اصلاح شده می پردازیم. در بخش 3 موانع موجود بر سر راه DEAHP اصلاح شده را مورد بررسی قرار می دهیم و در بخش 4 با خلاصه ای کوتاه به نتیجه گیری مقاله می پردازیم.
پیش نمایش مقاله
پیش نمایش مقاله نکاتی پیرامون رویکردی جدید برای اشتقاق وزن با استفاده از تحلیل پوششی داده ها در فرآیند تحلیل سلسله مراتبی

چکیده انگلیسی

DEAHP as a weight derivation procedure for analytic hierarchy process (AHP) has been found suffering from some significant drawbacks. Recently, Mirhedayatian and Saen (2011) [5] proposed a new procedure entitled Revised DEAHP for AHP weight derivation [S.M. Mirhedayatian, R.F. Saen, A new approach for weight derivation using data envelopment analysis in the analytic hierarchy process, Journal of the Operational Research Society 62 (2011) 1585–1595]. This paper provides a detailed note to reveal that (1) the Revised DEAHP cannot derive true weights from perfectly consistent pairwise comparison matrices, (2) it may produce irrational weights for inconsistent pairwise comparison matrices, (3) it still suffers from rank reversal problem when an efficient decision criterion or alternative is added or removed, (4) the use of the super-efficiency model in data envelopment analysis (DEA) for AHP weight derivation is redundant and meaningless when there exist multiple decision criteria or alternatives that are efficient in a pairwise comparison matrix, and (5) it may produce a completely reversed ranking that is totally opposite to the rank obtained by the eigenvector method in the case of hierarchical structures, leading to a wrong decision being made.

مقدمه انگلیسی

How to derive priorities from pairwise comparison matrices has been being an important research topic in the analytic hierarchy process (AHP) and has been extensively investigated. Quite a number of approaches have been suggested and DEAHP is one of them, which was proposed by Ramanathan [1]. Such a method, however, has been found suffering from some significant drawbacks such as producing irrational weights for inconsistent pairwise comparison matrices. Detailed analyses and theoretical improvements can be found in [2], [3] and [4]. Recently, Mirhedayatian and Saen [5] also analyzed the drawbacks of DEAHP that had been analyzed by Wang and Chin [2] and Wang et al. [3] and [4] and proposed a new procedure which they called Revised DEAHP for AHP weight derivation. Instead of the use of the CCR model [6] for AHP weight derivation, the Revised DEAHP applies the super-efficiency model [7] in data envelopment analysis (DEA) to improve the discriminating power of the DEAHP. In this paper, we provide a detailed note to illustrate with numerical examples the significant drawbacks that the Revised DEAHP suffers from. The remainder of the paper is organized as follows. Section 2 briefly reviews the Revised DEAHP procedure. Section 3 examines the drawbacks that the Revised DEAHP suffers from. Section 4 concludes the paper with a brief summary.

نتیجه گیری انگلیسی

The use of DEA models for AHP weight derivation has become a new direction of AHP research, but not every DEA model can be used for AHP weight derivation. In this paper, we have provided a detailed note to illustrate the significant drawbacks suffered from by the Revised DEAHP, a recently proposed procedure by Mirhedayatian and Saen [5] for AHP weight derivation. Our illustrations have revealed that (1) the Revised DEAHP cannot derive true weights from perfectly consistent pairwise comparison matrices, (2) the Revised DEAHP may produce irrational weights for inconsistent pairwise comparison matrices, (3) the Revised DEAHP suffers from the rank reversal problem when an efficient decision criterion or alternative is added or removed, (4) the use of super-efficiency model in DEA for AHP weight derivation is redundant and meaningless when there exists multiple decision criteria or alternatives in a pairwise comparison matrix to be efficient, and (5) the Revised DEAHP may produce a completely reversed ranking that is totally opposite to the rank obtained by the eigenvector method in the case of hierarchical structures, leading to a wrong decision being made. These drawbacks clearly show that the use of the Revised DEAHP for AHP weight derivation is inappropriate. There is no guarantee that the Revised DEAHP can produce logical weights and correct decision conclusions. Its applications should be very cautious. Finally, we point out that as a competing approach of the AHP, the primitive cognitive network process (P-CNP) developed by Yuen [9], [10] and [11] has also been integrated with data envelopment analysis. Interested readers may refer to Yuen [12] for details.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.